资源描述：
《基于modis和tm数据的京津冀地区土地覆被分类方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、河北师范大学硕士学位论文基于MODIS和TM数据的京津冀地区土地覆被分类方法研究姓名：魏强申请学位级别：硕士专业：自然地理学指导教师：王卫20100320摘要土地覆被是陆地生命支撑系统的重要组成部分，作为各项研究中的一个重要参数，及时、准确的了解地表的土地覆被状况十分有意义。随着遥感技术不断发展，每天数以万计的遥感数据，如何从海量遥感影像中选取适合的特征参数作为分类指标，使得遥感影像的土地覆被分类能够快速、准确、自动化进行，这已是当今的热点问题。目前，国内外土地覆被分类体系有很多，大多数土地覆被分类体系的建立是服务于自身研
2、究目标，由于研究区域、方法和目的的不同，各分类系统并不统一。目前国际上还没有一个被统一接受的分类系统。各种传感器呈现出高分辨率、高光谱、高时相，发挥各遥感影像自身优点，将遥感影像更好的应用的土地覆被分类研究当中。本文选用京津冀作为研究区，利用了FAO的二分法的原理,并参考了刘纪远的土地资源分类系统，结合京津冀的自然特征和耕作制度等特征，提出了一套符合京津冀地区土地覆被分类体系。以MODIS与Landsat-TM为主要数据源，进行土地覆被分类。分类方法：选取植被指数——NDVI作为MODIS影像分类指标。随着季节变化，不同地
3、类的NDVI也会发生变化，而对同一区域，气候环境、生长条件等条件相同，各种地类的NDVI具有相似的变化曲线。发挥MODIS影像的高时间分辨率，利用12个月NDVI数据监测有林地、灌木林地、草地、耕地、无植被年内变化情况，利用CART决策树自动生成决策树进行遥感影像分类；由于Landsat-TM影像在空间分辨率上的优势，人工解译某些地类（如：城市用地、村镇用地、河流水面、沙地等）有一定的优势。在100m的尺度下，将Landsat-TM对MODIS影像的分类结果进行修正，提高了某些地类的解译分类结果。充分利用了两个影像的高时相
4、性、高分辨率的特点，比单一用某传感器影像所得到的土地覆被分类结果更真实的反映地表的土地覆被状况。本文创新点：(1)提出了一套符合于京津冀地区的土地覆被分类体系。(2)利用高时相MODIS影像与高空间分辨率TM影像为主要数据源进行土地覆被分类。(3)选取植被指数——NDVI作为分类指标，采用CART决策树算法对MODIS影像进行土地覆被分类，并结合Landsat-TM人工解译结果进行修正。关键词：土地覆被分类系统CART决策树NDVI分类特征选择与提取IAbstractLandcoverisanimportantpartof
5、land-basedlifesupportsystems.Thestudyoflandcoverasanimportantparameter,iftimelyandaccurateunderstandingthesurfaceofthelandcoversituation,itisverymeaningful.Withthecontinuousdevelopmentofremotesensingtechnology,therearetensofthousandsofremotesensingdataeveryday.How
6、toselectfromthemassremotesensingimageforthecharacteristicparametersastheclassificationindex,makingremotesensingoflandcoverclassificationcanberapid,accurate,automated,whichistoday'shotissues.Currently,therearemanydomesticandinternationallandcoverclassificationsyste
7、m.Mostofthelandcoverclassificationsystemwasestablishedtoserveitsownresearchobjectives.However,asthestudyarea,methodsandpurposeofthedifferent,theclassificationsystemisnotuniform.Thecurrentinternational,thereisnotanacceptedclassificationsystemwasuniform.Presentsavar
8、ietyofsensorresolution,hyperspectral,highphase,toplaytheadvantagesofremotesensingimageitselfwillbeabetterapplicationofremotesensingimagesoflandcoverclas
