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
集成低分辨率遥感数据时间特征的高分辨率遥感数据的土地覆盖分类
摘要
高分辨率遥感数据的土地覆盖分类很难获得提高分类精度的高频时序时间特征。本文提出一个方法，用高分辨率遥感数据集成从低分辨率数据的时序提取的时间特征进行土地覆盖分类。较低分辨率的植被指数数据首先与高分辨率数据融合，以获得带有时序的高分辨率数据。时间特征从融合数据中提取并加入到分类中，以提高分类精度。结果表明从低分辨率数据提取的时间特征能提高高分辨率数据的分类精确度，特别是对植被类型效果显著。使用Landsat8和Landsat5卫星，总体分类精度提高了4%，分别为90.4%提高到94.6%，89.0%提高到93.7%。所有土地覆盖类型的用户精度和生产者精度都有所提高。
关键字：土地覆盖 高分辨率 时间特征 分类 Landsat8 融合
- 简介
土地覆盖是指在地球表面的物理和生物覆盖，包括水、植被、裸土、湿地、冰雪和人造结构。土地覆盖模式反映潜在的自然和社会进程，从而提供必要的建模信息理解地球上许多现象，包括气候变化、生态系统、水文、大气模型和人类活动与全球变化之间复杂的相互作用。因此，作为地球科学与全球变化研究的基础，及时准确的获取区域或全球尺度的土地覆盖信息至关重要。
遥感一直是监测土地覆盖，快速获取地表大规模变化和空间变异信息的重要且有效的手段。近年来，有许多应用遥感数据生产的全球和区域尺度的土地覆盖地图，包括马里兰大学的土地覆盖图、国际地圈生物圈计划（IGBP）生产的全球土地覆盖数据集、欧洲委员会联合研究中心全球生产的2000年土地覆盖图、MODIS全球土地覆盖产品和高分辨率全球土地覆盖图。然而，大多数的土地覆盖分类图都是由低分辨率数据生产的，不是高分辨率。有相当一部分土地覆盖变化发生在250m以下，而低空间分辨率遥感数据（在这项研究中指低于空间分辨率250m的数据）不足以准确的抓住土地覆盖变化信息。中等分辨率数据可用性促使低空间分辨率遥感数据做出一个合适的选择，做出更高分辨率（在这项研究中指比Landsat的分辨率更高的数据）的土地覆盖图。
类似Landsat的高空间、高时间分辨率的遥感数据检测土地覆盖的效果是非常显著的，因为在制作土地覆盖分类图时，时间或物理信息与时序的联系是非常有用的，尤其是植被覆盖的分类。植被指数数据（NDVI/EVI）能很好的描述植被的生长，用植被指数描述的植被生长曲线，包括植被类型信息。然而，由于密云的影响和传感器设计，对空间分辨率和时间覆盖范围的权衡，很难获取类似Landsat的高时间分辨率、高空间分辨率的时序遥感数据。因此，土地覆盖分类应用的时序遥感数据经常着重于低空间分辨率数据，高分辨率土地覆盖产品的时间特征往往是单一或较少的。因此，如果时间特征参与高分辨率遥感数据的分类，能很大程度上提高土地覆盖分类精度。
主要问题是如何从时序低分辨率遥感数据提取时间信息来提高单一或较少时间特征的高分辨率遥感数据的土地覆盖分类精度。一个可行的解决办法是多个不同特性的传感器融合观测。已经开发出几种融合方法来生产高时间分辨率地表反射率数据，如Landsat，但是这种数据很少应用于提高高分辨率数据的土地覆盖精度。在这项研究中，研究提高集成了低分辨率数据的时间特征的高分辨率遥感数据土地覆盖的分类精度。具体目标是，研究低分辨率时序植被指数数据的时间特征在提高高分辨率遥感数据土地覆盖分类精度的潜力。
- 研究区域和研究数据
2.1研究区域
研究区域为北京，纬度范围是39°26rsquo;N-41°03rsquo;N，经度范围是115°25rsquo;E-117°30rsquo;E，面积约为16800km2（图1）。北京位于中国北方平原北部的边界，属于温带气候区。北京的气候四季分明，夏季炎热潮湿，冬季多风多云且干燥。气温通常约为12度，年平均降水量约664mm。南部有冲积平原，东部有丘陵，华北、西北、西部有山脉，形成北京特殊的地理位置。海拔最高大约在水平面上2303m，最低是10m。北京有着丰富的土地覆盖类型，包括林地、草地、农田、城市、水体，使北京成为土地覆盖分类的代表性选择。此外，复杂的植被组合非常适合研究本文提出的集成低分辨率数据对植被敏感的时间序列的高分辨率数据的分类方法。
图1：研究区域的地理位置和背景信息，假彩色图像（R：近红外G：红B:绿色）图例是2013年5月12日
2.2Landsat数据及其预处理
Landsat8卫星于2013年2月11日在美国California的Vandenberg空军基地成功发射，证明了Landsat对地球观测的连续性。运行性陆地成像仪（OLI）是Landsat8检测土地覆盖的主要传感器，有9个波段，包括高分辨率全色波段。有两组2013年5月12日的OLI数据（列/行：123/32，123/33）覆盖研究区域，本研究数据在美国地质调查局（USGS）网站下载（http://glovis.usgs.gov/）。 Landsat /OLI的多光谱数据质量良好并且在采集的数据上几乎不存在云。为了进一步有效验证所提出的理论，也在USGS上下载了Landsat5 TM 的两组2010年6月5日覆盖研究区域的数据（列/行：123/32，123/33）。Landsat数据的预处理主要包括：辐射定标、镶嵌、重采样。辐射定标是将DN值转化为表面光谱反射率，并且在ENVI中的FLAASH进行大气校正，镶嵌和重采样进程有利于提取Landsat数据的土地覆盖分类的研究区域。
2.3时序MODIS NDVI数据
MODIS的MOD13Q1产品（L3级数据，16天合成的植被指数数据，全球范围，250m分辨率）覆盖研究区域并跨越1年，从2012年10月到2013年9月，2009年10月到2010年9月，分别作为土地覆盖分类数据OLI和TM的辅助数据，从美国WIST的美国航空航天局（NASA）下载得到。这些数据是由位于美国地质调查局（USGS）的地球资源观测和科学（EROS）中心的土地过程分布式主动档案中心（DAAC LP）（https://lpdaac.usgs.gov）发布。首先， MODIS植被指数日数据用已经掩膜了水、云、重气溶胶和云影的大气校正双向表面反射率来计算。然后，每16天植被指数数据进行一次合成，生成MOD13Q1产品。MOD13Q1产品正弦投影在250米的空间分辨率下，提供16天的复合植被指数数据。在这项研究中，NDVI数据从MOD13Q1数据中提取出来进行土地覆盖分类。
Savitzky–Golay (S–G)用于平滑时序MODIS NDVI数据，特别是云污染和大气变异引起的噪声。该算法使数据接近NDVI的真值，并反映NDVI的变化格局。它使用移动窗口，使噪声值在移动窗口内通过多项式接近。平滑的MODIS NDVI数据重新投影得到与Landsat数据相同的30m空间分辨率。最后，提取MODIS NDVI与Landsat相同的行列来进行进一步研究。
- 方法
集成了低分辨率遥感数据的时间特征的高分辨率遥感数据进行土地覆盖分类的流程图如图2。所有的遥感数据都要进行预处理，以具有良好的质量和相同的研究区域。然后，MODIS NDVI 数据应用自适应反射融合模型（STARFM）融合。时间特征是从融合了时序的高分辨率NDVI数据中提取的，并且与土地覆盖分类应用的监督分类的高分辨率Landsat光谱波段结合。最后，准确评估从低分辨率数据提取的时间特征对提高高分辨率数据的土地覆盖分类精度的影响。假设MOODIS NDVI时间特征的改变不影响Landsat影像进行土地覆盖类，因为不准确的时间特征将造成土地覆盖的变化并影响分类精度。
3.1Landsat NDVI与MODIS NDVI融合
STARFM最早用于融合MODIS与Landsat表面反射率（由高时间分辨率MODIS信息和高空间分辨率Landsat数据信息融合的）。STARFM分别预测基于空间加权差分计算在T1时获取的Landsat和MODIS数据以及在T1时获取的Landsat影像以及一个或多个预测的（T2）MODIS影像的像元值。移动窗口技术应用于最小化离群像素的影响，从而应用窗口内区域的像素空间和光谱的加权平均差异预测中心像素的改变。在这项研究中，Landsat NDVI数据量化为0-10000并作为一景Landsat的影像数据。获取的最接近Landsat数据的日期的相同规模和空间重采样（30m）的MODIS NDVI数据指定为MODIS T1时的数据。时序MODIS NDVI数据被量化为0-10000并且用STARFM生产类似Landsat NDVI数据。最后，为了进一步进行土地覆盖分类，生成时序16天的30米空间分辨率融合NDVI数据。
Landsat数据
自适应反射融合模型（STARFM）
Landsat NDVI（30m）
表面反射率
时序MODIS NDVI
S-G平滑
平滑的MODIS NDVI(250m)
融合的时序NDVI(30m)
时空特征
训练样本提取
监督分类
精度评估
土地覆盖图
图2 ：从低分辨率数据提取的时间特征在提高高分辨率数据的土地覆盖分类的流程图
3.2融合时序NDVI数据提取时间特征
全部采用融合的时序NDVI数据进行土地覆盖分类不是明智的选择，因为时序数据有太多的冗余信息，可能会降低这些参数分类模型的精度。特征选择是比较好的策略，可以减少冗余，提高计算效率。因此，提取四个融合的时序NDVI数据的时间特征，包括最大值、最小值、平均值和标准偏差值，进一步进行土地覆盖分类。这些时间特征可以代表植被的生长状况和物候特征，提高对植被类型的识别。这四个时间特征与Landsat的光谱数据合成用于进一步土地覆盖分类。混合的数据不只包括Landsat数据的光谱特征，也包括从时序MODIS NDVI数据提取的时间信息。
3.3监督分类
选择最大似然分类法（MLC）做集成了时序MODIS NDVI数据的时间特征的Landsat数据进行土地覆盖分类，MLC是遥感数据分类的传统方法。假定一个超椭圆体积可以用于近似数据群集的形状，对于未知的像元属于各类别成员的概率用平均特征向量来计算协方差矩阵和先验概率，未知像元被认为属于概率最大的类。
沿海气溶胶与Landsat OLI的蓝波段密切相关，沿海气溶胶带用来监测沿海水域和气溶胶，因此，在分类进程中要去除沿海气溶胶带。OLI数据的卷云带用来云识别，包含地表信息，在土地覆盖分类中也要去除。最终，复合了时间特征的OLI数据的光谱波段的2、3、4、5、6、7波段，复合了时间特征的TM数据的光谱波段的1、2、3、4、5、6波段，分别用于研究时间特征对土地覆盖分类精度的影响。
基于土地覆盖类型在研究区域内的分布特征，最终确定实验区内6类地类，包括：水体、农田、裸地、抗渗地、草地和林地。样品由Landsat数据的已知区域应用ENVI的地面知识帮助软件中的“感兴趣区”（ROI）和谷歌地球工具随机选择。用Landsat数据和MODIS NDVI数据选择的训练样本和验证样本的特征总结在表1中。这些均匀的样品区域容易在Landsat图像和谷歌地球的地图上目视解译。样本像元的均匀分布很好的代表了整个研究区域。随机选择一半样本像元作为训练样本，另一半作为验证样本。
3.4精度评价
对Landsat数据和集成了MODIS NDVI时序数据时间特征的Landsat数据应用最大似然分类法分类，对土地覆盖分类结果利用目视观察和定量精度指标进行评估。随机选择样本像元，用包括总体精度、生产者精度、用户精度和kappa系数在内的分类指标定量评估土地覆盖分类精度。OLI数据和集成了时间特征的OLI数据分类的总体验证样本像元如下，水体3023个，农田3430个，裸地3961个，抗渗地3523个，林地6695个，草地2365个。同时，TM数据和集成了时间特征的TM数据的分类验证样本像元如下，水体2898个，农田3199个，裸地3107个，抗渗地3626个，林地6293个，草地2190个。为了得到仅使用Landsat数据和集成了时间特征Landsat数据分类结果的精度差，进行了Z-测试，看他们是否有显著不同。
表1
用于训练和验证在每个土地覆盖类型的ROI数和像元数
水体 农田 裸地 抗渗地 林地 草地
OLI数据的ROI
ROI数 22 86 51 33 107 81
像元数 6046 6860 7922 7046 13390 4730
TM数据的ROI
ROI数 21 93 88 38 106 86<!--
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[31996]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
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。
