使用IRS-P6 AWiFS数据对印度德里的土地利用土地覆盖进行决策树分类外文翻译资料

 2022-02-27 21:52:13

英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料

使用IRS-P6 AWiFS数据对印度德里的土地利用土地覆盖进行决策树分类

Milap Punia a，P.K.Joshib,*, MC Porwalc

摘 要

在这项研究中，我们在印度德里根据多时相IRS P6（资源卫星）高级宽场传感器（AWiFS）数据来发掘LULC的优点。该研究得出了季节性复合数据（三季）决策树分类的结论。该研究从56米空间分辨率传感器数据中确定了13个种类描述种植模式，即双季作物，秋收作物，早春作物和夏季作物等。德里拥有多种多样的土地利用类型，最主要的是具有镶嵌结构的建筑用地，有超过一半的区域是城市居民喜爱的定居点。结果表明，因具有良好训练场地而定义的时间数据集可以产生良好的总体准确度（= 91.81）以及个体分类准确度（生产者准确度ge;76.92和用户准确度ge;60）。很明显，传感器数据可以在有限辅助数据的情况下提供详细及时的LULC地图。对于需要及时估计LULC模式的生物地球化学模型而言，AWiFS是非常有用。

关键词：LULC；资源；传感器；决策树方法；突变的

1．介绍

遥感技术是一种十分有效的科技方法，可以更好地记录、表示和量化土地利用面积（LULC）（温茨, 纳尔逊, 拉赫曼, 斯特凡洛夫和罗伊,2008年)。这些信息是各种环境发展和资源规划应用以及区域和全球规模过程中十分重要的信息。这些类型的数据库对于自然资源的国家核算和定期规划也很重要意义。此外，空间信息包含秋收（6月至11月），早春（10月至3月）和夏季（3月至7月）作物，荒地绿化，湿地季节动态，地表水体，森林植被等数据信息。利用卫星遥感数据进行城市化和土地利用实践，可以及时提供可靠的数据库。

使用多光谱数据对城市地区的LULC进行分类的挑战在于城市景观是异质的。（斯特凡诺夫，拉姆齐和克里斯滕森，2001年）。混合像素是使用中等分辨率数据集进行分类时常见的混淆因素（small，2003；伍德考克和特拉，1987年)。为解决这些问题，调查人员采用了各种方法，如人工神经网络（Pu，Gong，Michishta amp; Sasgawa，2008）；模糊分类器（菲托撒，科斯塔，莫斯塔，帕克萨德和科斯塔，2009；塔帕和村山，2009）；图像分割（Gamanya，Maeyer， amp; Dapper， 2007，2009）；专家分类（斯特凡诺夫等，2001；温茨等人，2008）；超向量机（Carrauml;a，贡萨尔维斯和卡埃塔诺，2008）和许多其他的方法。在大范围上处理具有较高透射率和辐射维数的中等分辨率数据肯定需要巨大的计算资源以及强大的分类程序，这样才能解决城市地区分类的困难。此外，分类程序应具有处理时间谱可变性的能力，以捕获关于各种LULC类的信息。从卫星数据中提取“土地利用”信息通常是很困难的，因为它与需要从其他来源获取人为干预的数据密切相关。因此，分类器不应对数据分布做出任何先验假设（乔希，罗伊，辛格和亚达夫，2006；坎德里卡和罗伊，2008年)。

保持所有的需求与约束，可以快速训练并得出非参数方法，这对于处理来自数字和非数字源的大量数据集是一个不错的选择。在这种情况下，决策树分类技术已成功用于数字图像分类（坎德里卡和罗伊，2008；Sesnie，盖斯勒，法恩根和Thessler，2008；图克，Coops，古德温和Voogt，2009年)。由于其灵活性，直观简洁性和计算效率，从而提高了使用决策树来解决遥感分类问题的接受度（帕勒和马瑟, 2003；奎兰，1993年)。各种数据表明决策树为土地覆盖分类提供了准确有效的方法（德弗里斯，汉森，汤森和索尔博格，1998；弗里德尔，Brodley和斯特拉勒，1999；汉森，德福瑞斯，汤曾德和索尔博格，2000）。使用决策树分类方法的优点是（i）具有处理噪声和去除不必要数据的能力；（ii）不要求对输入数据的分布做出任何假设；（iii）能提供直观的分类结构。

在这项研究中，我们展示出了运用决策树方法分类的成果，以便以后将LULC分类方法应用到印度德里的大都市区域。该研究的多重目标旨在评估（i）决策树方法的工作情况；（ii）用LULC 分类方法来发掘多时相IRS P6（资源卫星）高级宽场传感器（AWiFS）的优点；（iii）使用分类图像计算出印度德里的净播种面积。这类文件为与生态变化、社会经济干预、基础设施发展与人类健康发展有关的调查提供支持。

    1. IRS P6 传感器数据

IRS P6是IRS系列ISRO的第十颗卫星。它旨在持续提供IRS-1C和IRS-1D的遥感数据服务，这两种服务的设计任务时长都远远超过其设计任务，并且还提高了数据质量。AWiFS仪器是一种空间光学传感器，专为观察植被和陆地表面而设计。与IRS-1C/1D中飞行的WiFS传感器相比，它是一种改进的版本。它在VNIR的三个光谱带中运行（B2（绿色，0.52-0.59mu;m），B3（红色，0.62-0.68mu;m，B4（NIR，0.77-0.86mu;m））和SWIR（1.55-1.70mu;m）中的一个带。AWiFS的长度为740 km，可提供持续5天56米空间分辨率和10位辐射分辨率的时间分辨率。与AVHRR，SPOT和MODIS以及用于植被覆盖监测的WiFS相比，AWiFS提供了更好的空间分辨率和可被接受的时间分辨率。在这项研究中，一个数据集使用了2004/2005的三个季节（表1）。IRS-P6 AWiFS德里的假彩色复合材料（FCC）如图所示图1。

S.编号

季节

收购日期

1.

2.

3.

秋收作物（季风季节）

早春作物（冬季）

夏季作物（夏季）

2005年8月28日

2004年10月15日

2005年1月15日

2005年3月13日

2005年4月1日

2005年5月14日

表1不同季节的卫星数据

图1. IRS P6 AWiFS数据的假彩色复合材料，显示2005年1月德里

2.学习区

研究区域涵盖德里的行政边界，它位于28°40#39;N和28°67#39;的纬度平行线之间， 与77°14#39;E和77°22#39;E的纵向平行线之间（图2，德里地区），并占据印度北部地区（海拔216米），面积为1483平方公里，相当于热带地区的典型地块特征，完全与住宅，商业和城市中心融为一体。其南北长约54公里，东西距离为51公里。由于它与海洋的距离，温度范围从夏季的45°C到冬季的4°C，且全年都有降雨，（年平均降雨量750-1500毫米），因此气候被归类为大陆性气候。图2显示研究区域的位置。

图2. 印度研究区的位置图

3.材料和方法

3.1. 遥感数据

用于该研究的数据是由多时相AWiFS提供的，它研究了分布在六个不同日期的同一个作物周期中的变化情况。密切观察作物在整个地区的异质性，即使在一个季节内，也使用多日卫星数据来研究。假彩色复合材料德里的（FCC）显示在图1。表格1列出了从2004年8月到2005年5月德里州的卫星数据，包括其他LULC类别在内的种植面积。

3.2. 数据预处理

使用图像处理软件ERDAS Imagine，运用二阶多项式几何变换来登记卫星数据，均匀分布的GCP以RMS误差小于0.33像素的方式使用。重采样（使用最近邻域算法）数据集被覆盖在参考数据上来检查图像以及图像匹配，然后将所有场景共同叠加以进行进一步分析。使用印度调查（SOI）方式提供的数字边界数据来提取研究区域。ERDAS Imagine 8.6用于数据处理和进一步的LULC映射，对于辐射校正，基于物理模式和AWiFS传感器校准因子计算“大气顶”（TOA）反射率。每个图像带用提供的偏移数据来进行偏移校准。每个图像带的这些值是从AWiFS传感器报告中获得的。首先计算每个像素的太阳天顶角和从场景中心到太阳的距离，然后计算每个波段校正的反射率。使用以下等式将L1产品中的校准数字（）转换回传感器辐射率（Llambda;）。

L(lambda;) = （1）

其中，L(lambda;)=传感器孔径处的光谱辐亮度，单位为W/（m2 srmu;m），LMax（lambda;）=以W /（m2 srmu;m）换算成QcalMax的光谱辐射率 ，LMin（lambda;）=以W /（m2 srmu;m）换算成QcalMin的光谱辐射率，Qcal = 数字编号中的量化校准像素值，QcalMin = 最大量化校准像素值（DN = 0）对应于LMin（lambda;），QcalMax = 最大量化校准像素值（DN = 0）对应于LMax（lambda;）。

rho;(lambda;) = Pi; （2）

其中，L(k) =传感器孔径处的光谱辐亮度，单位为W/（m2 srmu;m），d =太阳与地球之间的距离，=太阳辐照度值，=太阳天顶角。

3.3. 实地工作

根据调查来制定分类方案（表2)。主要目的是绘制LULC图，特别强调净播种面积和种植模式，生成的数据库是国家遥感中心LULC制图计划的一部分（匿名，2006)。对所有具有代表性的类别进行了详细的地面验证。每个站点都记录GPS位置，土地利用土地覆盖物的分布，野外照片以及卫星数据和地形图上的标记。进行实验室练习，以均匀分布的GPS位置来确定进行改造间隙区域。

LULC类别

描述

双季作物（Db）

这些区域在一年中的两个或更多季节播种，它们经常被看作与灌溉区域有关。

秋收作物(Kh)

这些是在6月/ 7月和9月/ 10月之间延长的作物季节的同义词。这个季节恰逢西南季风季节。它与旱地作物下的雨养作物，有限的或没有灌溉以及雨养稻谷和其他干旱作物的区域有关。

早春作物(Rb)

这些是11月/ 12月和2月/ 3月之间种植的同义词。无论灌溉来源如何，它都与灌溉区域有关。然而，早春作物种植区域也出现在雨水灌溉地区，这些地区通常与在秋收季节期间休耕的黑土地区有关。

夏季作物（Zd）

这些是在第三季（夏季）播种的地区，这些地区主要与肥沃土壤的灌溉地区相关，仅限于平原/三角洲地区。

目前的休耕（Cf）

这些土地被用于种植，但暂时允许休息，未裁剪一个或多个季节，但不少于一年。

灌木丛（Sc）

这是一块土地，通常容易因侵蚀而变质，磨砂占主导地貌。它们倾向于与裁剪区域混合。

森林（Fo）

这些主要是在一个区域中具有连续非线性分布的树木茂盛区域。

种植园（Pl）

这些是采用某些管理技术种植的树木作物（农业/非农业）的地区。

水体（Wb）

该类别包括地表水区域，或者以池塘，湖泊和水库的形式存在，或者作为河流，运河等流动。

建起土地（Bu）

这是一个由于非农业用途而开发的人类居住区，包括建筑，运输和通讯，与食用者，植被和空地相关的公用设施。

荒地（Wl）

它包括所有其他类别的荒地（如沙区、受盐分影响区域、贫瘠岩石废弃物等），在本项目中不考虑个人识别。

表2 分类方案和定义

3.4. 决策树方法

决策树分类技术已成功用于广泛的分类问题，但最近才被遥感社区详细测试（坎德里卡和罗伊，2008；帕尔和马瑟，2003年)。决策树定义的分类结构是使用统计程序从训练数据中估算出来的。见5.0数据挖掘工具，是用作构建决策树规则的归纳引擎。决策树是将数据集划分为同类子集的分类算法，节点是树分支或拆分数据集的地方

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[434503]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章