地理与环境科学学年论文-基于决策树分类的美国Lanier水库土地利用信息提取.doc
《地理与环境科学学年论文-基于决策树分类的美国Lanier水库土地利用信息提取.doc》由会员分享,可在线阅读,更多相关《地理与环境科学学年论文-基于决策树分类的美国Lanier水库土地利用信息提取.doc(24页珍藏版)》请在三一文库上搜索。
1、 20 10 -20 11 学年第 1 学期 地理与环境科学 学院学年论文 基于决策树分类的美国Lanier水库土地利用信息提取(学年论文)指导老师: 学生学号: 姓名: 班级: 08级地理信息系统评语:成绩:(论文题目及要求)一题目:基于决策树分类的美国Lanier水库土地利用信息提取二要求:1.论文格式:标准论文格式。2.内容安排:(1)内容摘要;(2)引言;(3)研究区概况与研究资料;(4)分析与实验;(5)精度评定;(6)结语;(7)参考文献。 3.具体事项: 综述分析5000字。 要有个人观点和方法。基于决策树分类的美国Lanier lake湖区土地利用信息提取摘要:遥感作为近几十年
2、迅速发展起来的一门综合性技术学科,己经在许多领域发挥了重大作用。对遥感数据进行专题分类处理以得到土地利用等专题信息是遥感最广泛的应用领域之一。尽管土地利用遥感分类方法不断发展,但分类技术却始终跟不上遥感技术本身的发展1。随着计算机技术和遥感技术的发展, 计算机自动分类已经成为遥感影像信息提取和分类的主要手段。本论文以美国Lanier lake湖区为研究区,利用TM1-7多波段遥感影像为数据源,围绕遥感影像,采用决策树分类方法,对不同波段得到的光谱信息进行综合分析,充分利用其中的光谱信息、地学知识以及作图者的经验知识进行土地利用分类,得到精度很高的土地利用分类数据,从而更好地为地方土地有效利用提
3、供决策依据。1 引言由于遥感技术具有覆盖范围大、周期短、能反映动态变化、受地面条件限制少,获得的信息量大且成本低、收益大等优点。现代土地覆盖制图多通过野外实地调查和室内遥感信息判读分析来全面掌握土地资源自然属性、利用属性及其利用程度等空间区域特点1。光谱反射中存在的同物异谱和异物同谱现象,单纯地利用光谱反射特性或图像亮度值提取地物,尤其针对两类反射特性相似的地物,势必造成分类的混淆和错误。这就是传统分类方法在处理复杂的多维属性时在地形和地物过于破碎和复杂的情况下精度不高的根本原因。而决策树分类法在处理多维属性时可以确定各属性(包括相关的环境特性如几何、纹理以及数字地形模型等背景信息)的重要程度
4、。实验证明使用决策树分类方法分类得到的Lanier lake湖区的土地利用精度达到98%以上(与ERDAS软件提供的标准数据做比较),从而可以利用决策树提取必要的属性进行土地利用分类是可取的方法。2 研究区概况与研究资料2.1 研究区概况Lanier是佐治亚州的一个人造湖,由军队开挖,面积很大,主要为了蓄水,也是1996年美国亚特兰大奥运会的划艇比赛地。原来湖水很丰沛,还修了水坝,定期往下游佛罗里达和亚拉巴马放水,以使那里的渔民维持生计。近些年亚特兰大缺水也很严重,现在已经限制私人自己洗车,或者用水浇花园和草地。缺水以后,不再往下游放水,也引起了三个州之间的纠纷。如今Lanier湖,水面确实很
5、低,沿岸的石头和红土已经显露出来。湖面不是一望无际,而是被一个个的“小岛”分隔开,小岛是由沙土和繁茂的树木构成的小沙丘,水少了,显得它们高了出来。很长的湖岸线被当地人分割成各自的地盘,来停留他们自己的船。Lanier湖是超过300万亚特兰大市民的主要饮用水源地。在干旱期间,佛罗里达州希望能够从Lanier湖获得足够多的水,以确保阿巴拉契克拉湾的鱼类、蚌类以及牡蛎的繁殖和收获。亚拉巴马州希望能够从Lanier湖获得足够多的水,以确保Dothan附近的核电站的正常运行。Lanier湖的地位是不可替代的。佐治亚州、亚拉巴马州和佛罗里达州展开激烈争辩,核心论题就是是否有权请求获得更多的Lanier湖水
6、源。2.2 研究资料采用Landsat ETM+ 遥感影像作为影像数据源。按照美国Landsat ETM+ 影像数据处理流程3要求,对该影像进行反射率还原,在接下来的分类试验中比较了反射率还原影像与原始影像的分类结果;然后对原始影像和反射率还原影像进行几何校正,校正精度为0.5个像元;依据各种地物在不同波段下的影像具有不同的发射特征,且具有一种特定的规律,按照各种地物的发射特征,找到其中的规律2。本论文基于决策树分类以期对美国Lanier lake湖区土地利用进行信息提取。3 分析与实验3.1 分类前预处理 计算机遥感图像分类是统计模式识别技术在遥感领域中的具体应用。提取待识别模式的一组统计特
7、征,然后按照一定的准则作出决策,从而对数字图像予以识别。遥感图像分类的主要依据是地物的光谱特征,即地物电磁波辐射的多波段测量值,由于同物异谱和同谱异物现象的普遍存在,原始亮度值并不能很好地表达类型特征,需要对数字图像进行运算处理,以寻找能有效描述地物类别特征;需要对数字图像进行运算处理,以寻找能有效描述地物类别特征的模式变量,然后利用这些特征变量对数字遥感影像进行运算处理,以寻找能有效描述地物类别特别的模式变量,然后利用这些特征变量对数字图像进行分类。分类是对图像上每个像素按照亮度接近程度给出对应类别,以达到大致区分遥感影像中多种地物的目的。分类基本过程为:收集与分析地面参考信息与有关数据,对
8、数字图像进行辐射校正和几何纠正;根据应用目的及图像数据的特征制定分类系统,确定分类类别;找出代表这些类别的统计特征;对遥感图像中各像素进行分类;分类精度检查;分类后处理。3.2 决策树分类思想计算机分类实现的思想基础:同类地物具有相同(似)的光谱特征,不同地物的光谱特征具有明显的差别,但由于影响地物光谱特征的因素很多,所以影响的判读分类都是建立在统计分析的基础上的:同类地物的图像灰度概率在单波段(一维空间)符合正态分布规律;多维图像(即多波段)中的一个像元值(灰度)向量,在几何上相当于多维空间中的一个点,而同类地物的像元值,既不集中于一点,也绝非是杂乱无章的分布,而是相对地密集在一起,形成一个
9、点群(一个点群就是地物的一种类别),一般情况下,点群的边界不是截然的,有少部分重叠和交错的情况。决策树分类的思想是针对各地物不同的信息特点,将其按照一定的原则进行层层分解。通过一系列二元决策将每个元素进行归类直到最后满足所有的二元分类标准,在每个决策点即节点处将像元分为两类,然后再进行下一步分类。在决策树分类中可以使用多种多样的具有决策意义的数据。在演算结果的树状图里,每个内部节点(Interval Node)代表对某属性的测试,其下的每个分支(Branch)代表此属性的一个可能值,或多个可能值的集合。最后每个叶节点(Leaf Node)对应的是一个目标类别(Target Class)。3.3
10、 TM影像特征分析TM影像数据具有可见光热红外(0.4512.5m)7个谱段。各个波段具有如下特点:TM1(0.45052m)蓝波段。该波段位于水体衰减系数最小部位,对水的穿透力最大(对清洁水可达30 m),可获得更多水下细节,用于判别水系及浅海水域制图;位于绿色植物叶绿素的吸收区,对叶绿素含量反映敏感。用于海水叶绿素含量监测,常绿与落叶植被的识别与制图,土壤与植被的区分。TM2(0.520.60m)绿波段。该波段位于健康绿色植物的绿色反射率附近,对植物的绿反射敏感,可用以识别植物类别和评价植物生产力;对水体有一定穿透力(一般1020m),可反映水下特征、水体浑浊度、沿岸泥沙流、水下地形、沙洲
11、、沿岸沙地等,并对水体污染的研究效果好。TM3(0.630.69m)红波段。该波段位于叶绿素的主要吸收带,可用以区分植物类型、覆盖度,判断植物生长状况、健康状况等;位于不同含沙浓度水体辐射峰值附近,对水中悬浮泥沙反映敏感,用于研究泥沙流范围及迁移规律,对水体的穿透力约为2m左右。此外,该波段对裸露地表、植被、土壤、岩性、地层、构造、地貌、人文特征等可提供丰富的信息,为可见光最佳波段。TM4(0.760.90m)近红外波段。该波段位于植物的高反射区,反映大量植物信息,故对植物的类别、密度、生长力、病虫害等的变化最敏感,用于植物识别分类、生物量调查及作物长势测定,为植物通用波段;处于水体强吸收区,
12、用于勾绘水体,区分土壤湿度及寻找地下水、识别与水有关的地质构造、地貌(潮间带、潮水沟、古河道、边滩等)、土壤岩石类型等均有利。TM5(1.551.75m)中红外波段。该波段位于两个水的吸收带之间,受两个吸收带的控制,反映植物和土壤水分含量敏感,利于植物水分状况研究和作物长势分析等,从而提高了区分不同作物的能力;对岩性及土壤类型的判定也有一定作用。此外,该波段雪比云反射率低,色调暗而形成较大反差,易于区分雪和云,特别是那些可见光、近红外、热红外波段均难以区分的小而薄的云。一般说来,TM5信息量大,利用率高。TM6(10.412.5m)热红外波段。探测常温的热辐射差异。根据辐射响应的差异,可进行植
13、物胁迫分析、土壤湿度研究、农业与森林区分、水体、岩石等地表特征识别以及监测与人类活动有关的热特征,进行热测定与热制图2。TM7(2.082.35m)中红外波段。该波段位于水的吸收带之间,受两个吸收带的控制,对植物水分敏感;包含了粘土化矿物吸收谷(2.2m附近)及碳酸盐化矿物吸收谷(2.35m附近),对岩石、特定矿物反映敏感,用于区分主要岩石类型、岩石的水热蚀变、探测与交代岩石有关的粘土矿物等,为地质学家追加的波段,以增加地质探矿方面的应用。TM的1,2,3,4,5,7波段均与地物信息密切相关,只有TM6热红外波段与地表的温度相关,且分辨率不同于其它六个波段(为60m),且对于TM6热红外波段的
14、应用要求先进行辐射校正,在影像表现上又有热扩散现象。故本文研究不采用TM6数据。3.4 波段组合1.TM321(RGB):均是可见光波段,合成结果接近自然色彩。对浅水透视效果好,可用于监测水体的浊度、含沙量、水体沉淀物质形成的絮状物、水底地形。一般而言:深水深兰色;浅水浅兰色;水体悬浮物是絮状影象;健康植被绿色;土壤棕色或褐色。可用于水库、河口及海岸带研究,但对水陆分界的划分不合适。 这种RGB组合模拟出一副自然色的图象。有时也用于海岸线和烟柱的探测。对研究区域也进行3,2,1波段组合(图1),进行真彩色合成,从合成的图像上可以很容易得到,得到绿色植被的覆盖范围,建设用地反射率很大,也可以分离
15、出来。但是居民点和道路信息很难分离。 图1 321波段真彩色合成 图2 453波段假彩色合成2.TM453(RGB):2个红外波段、1个红色波段。对内陆湖泊及河流分辨清楚。植被类型及长势可由棕、绿、橙、黄等色调分别。能区分土壤含水量(水分越多则越暗)。用于土壤湿度和植被状况的分析。也很好的用于内陆水体和陆地水体边界的确定。对研究区域进行波段4,5,3组合(图2),进行假彩色合成。从图上可以得到明显的水路陆分布,对道路的区分度也较好。3.TM742(RGB):植被基本都是绿色,城市呈现品红色或紫色,草地淡绿色,森林深绿色(针叶林色调比阔叶林暗)。能区分土壤和植被的含水量。适用于水/陆边界划分、土
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 地理 环境 科学 学年 论文 基于 决策树 分类 美国 Lanier 水库 土地利用 信息 提取
链接地址:https://www.31doc.com/p-3919119.html