| 中文摘要: | 有效、实时地获取真实、准确的地表覆盖数据,可为全球变化和土地覆盖变化监测、可持续发展评价及气候模型、生态模型的建立等研究提供重要参数。目前全球或全国范围内土地覆盖的遥感自动监测主要以低分辨率遥感数据为主(300m-1km),而这些产品存在空间分辨率低、时间跨度短、且各产品之间存在较大的系统差异。而利用中高分辨率卫星数据(例如Landsat数据)进行地表覆盖监测,还存在依赖目视解译或人工交互的问题,产品的生产周期长、效率低,自动化程度不够,中高分辨率地表覆盖产品的自动生产和动态更新是目前遥感研究的热点和难点问题之一。论文在研究中高分辨率卫星数据分类特征选择及分类器的基础上,分别以武汉城市群的土地覆盖和大兴安岭地区森林覆盖专题信息提取为例,研究地表覆盖的遥感自动监测方法。首先,论文研究了卫星影像分类特征选择及RF(Random Forest)决策树分类器,总结了光谱特征、纹理特征和地形特征等用于影像分类的特点和处理方法;其次,以已有土地覆盖遥感产品为训练区样本,研究建立了研究区不同土地覆盖类型的光谱特征、时相特征和纹理特征的RFC(Random Forest Classifier)模型,发展基于RFC的大区域土地覆盖分类方法并得到了武汉城市群的土地覆盖分类结果;再次,以已有森林覆盖遥感产品为基础,研究建立了研究区森林覆盖专题信息的光谱特征和纹理特征的RFC模型,发展基于时空扩展的森林覆盖专题信息提取方法;最后,基于本文提出的时空扩展的森林覆盖信息提取方法,论文得到了大兴安岭地区2000-2015年,5年为间隔,共4期森林覆盖数据,并进行了大兴安岭地区森林覆盖时空变化分析。论文的主要研究结果包括以下几个方面:1.卫星影像分类特征选择及分类器。论文研究了用于分类特征提取的光谱特征、时相特征、纹理特征和地形特征,提出了基于多特征选择的分类方法,并利用RF机器学习算法,进行特征汇聚、特征分析和多特征有效降维。2.基于RFC的大区域土地覆盖分类研究。论文在研究大区域土地覆盖分类特征的基础上,首先进行了基于景的RFC土地覆盖分类试验,在此基础上,发展了基于区域范围的RFC模型,利用RFC模型进行基于武汉城市群的Landsat土地覆盖自动分类,结果显示,利用RF决策树算法可以有效地进行大区域的土地覆盖自动分类,分类结果的总体精度在80%左右。3.基于时空扩展的森林覆盖专题信息提取。论文首先利用长时序Landsat数据进行基于分类特征时间扩展的森林覆盖信息提取研究,结果表明,分类特征和Landsat影像数据之间的物候差异会引起分类误差,当DOY(Day of Year)小于31时,总体精度为80.18%到90.23%之间;同时论文利用临近景的Landsat数据进行基于分类特征空间扩展的森林覆盖信息提取研究,结果表明,在限定的区域范围内,具有相似地物类型的Landsat影像总体分类精度保持在83.96%和90.43%之间。4.大兴安岭地区森林覆盖时空变化分析研究。基于论文提出的时空扩展的森林覆盖信息提取方法,本文获得了大兴安岭地区2000-2015年,每5年为间隔,共四期森林覆盖产品数据,分析了大兴安岭地区森林覆盖时空变化。结果表明,从2000年到2005年,大兴安岭地区森林覆盖先是有微弱减少,然后从2005年到2015年,森林覆盖面积增长迅速,这与大兴安岭地区统计年鉴数据总体趋势基本一致。此外,论文分析了引起大兴安岭地区森林覆盖变化的驱动力因素,主要包括经济因素、政策因素和自然因素。 |