学位论文 > 优秀研究生学位论文题录展示
基于遥感图像分析的北京植被状态与变化研究
作 者: 王佃来
导 师: 刘文萍
学 校: 北京林业大学
专 业: 林业装备工程
关键词: 植被变化趋势分析 Sen+Mann-Kendall 克隆选择算法 植被提取 AdaBoost
分类号: S823
类 型: 博士论文
年 份: 2013年
下 载: 63次
引 用: 0次
阅 读: 论文下载
内容摘要
植被是生态环境的指示器。生态环境对北京市的政治、经济和文化发展至关重要,所以准确全面的把握北京市近年来的植被状况和变化对未来生态环境的评估和城市整体的规划有着重要意义。本文基于多源遥感数据,综合运用植被变化趋势分析、变化检测、植被提取和GIS等方法,对北京地区1998~2011年间植被变化趋势进行研究,并分析了引起北京市植被变化的主要驱动因子;同时研究了2006到2010的土地利用变化状况;并基于2006年Landsat TM遥感图像使用AdaBoost算法对北京市的植被信息进行提取,研究北京地区植被分布格局。本文的主要工作和结论如下:1、针对闽值法对线性回归植被趋势分析法中斜率k的分类易受人为因素影响的问题,提出了基于线性显著性检验的植被变化趋势分类方法。通过F假设检验和相关系数检验能将植被变化趋势分为4类(显著退化、退化但不显著、改善但不显著和显著改善)或5类(显著退化、退化但不显著、基本不变、改善但不显著和显著改善),并对应用F假设检验和相关系数的分类结果进行比较,实验结果表明,两者的差异很小,仅为0.01%,并且两者计算量相当,因此可相互替代。2、线性显著性检验法只能将回归植被趋势分析的斜率k分为4类或5类,更细致的划分(如文献中常用的7类)则又只能使用手工阈值法,针对此问题提了基于克隆选择聚类算法对斜率k进行聚类,解决了植被变化趋势分析中分类数多于5类时的分类问题。实验结果表明,基于克隆选择的聚类算法的DBI明显小于比较算法OTSU、 K-Means和FCM,该方法结果与北京市园林绿化局公布的数据一致,有较高的可信度。3、针对参数检验要求数据呈正态分布且对噪声敏感的缺点,引入非参数检验Sen+Mann-Kendall法,该方法有良好的抗噪性且对数据分布无要求,实验结果与线性回归植被趋势分析的差异最大仅为2.36%,因此该方法更适合遥感数据噪声普遍存在且数据分布未知条件下的植被变化趋势分析。4、北京市植被活动在1998~2011年间整体呈增强趋势,约占北京市总面积的76%以上的区域植被变化呈上升趋势。植被变化显著上升的区域集中在北京市城区、怀柔区、密云县和延庆县的大部分地区。值得注意的是,北京市局部地区植被变化呈显著下降趋势,且下降区域呈马蹄状包围着北京城区,该区分布在北京市城区的南部、东部和北部,以昌平、顺义、通州和大兴靠近城区的部分退化最为严重。5、气温和降水不是北京市植被变化的主要驱动因子,人类活动对北京市的植被变化影响显著,主要表现在两个方面:一方面人类通过植树造林和绿化使植被向着增长的方向发展,主要体现在北京市城区植被变化显著增长;另一方面城市化进程的不断推进,破坏了地表植被,植被退化显著,该区域集中在靠近北京市城区的北部、东部和南部且呈马蹄状环绕北京市城区。6、基于2006年8月21日和2010年8月21日SPOT VGT NDVI匕京区域遥感数据,使用植被指数变化检测法研究了北京地区年际植被变化状况,研究结果表明北京地区2006年与2010年间植被变化以平稳为主,植被退化和植被增长强的区域只有2%的差异。7、基于中高分辨率遥感数据,提出了结合植被光谱特征(NDVI和其它波段光谱组合)和决策树弱分类器的AdaBoost植被提取算法,实验结果表明该方法的植被提取总精度和Kappa系数分别达到96.33%和0.93。更多地区的遥感数据测试表明该方法有较好的鲁棒性,因此该方法可应用于其它区域的植被信息提取。
|
全文目录
摘要 4-6 ABSTRACT 6-11 1 绪论 11-20 1.1 研究目的和意义 11 1.2 国内外研究现状 11-15 1.3 论文主要研究内容、研究方法和技术路线 15-17 1.3.1 研究内容 15-16 1.3.2 研究方法 16 1.3.3 技术路线 16-17 1.4 研究区概况 17-18 1.4.1 地理位置 17-18 1.4.2 自然条件 18 1.5 论文组织结构 18-20 2 遥感图像数据获取与常用植被指数 20-35 2.1 遥感图像数据获取 20-22 2.1.1 长时间序列遥感图像数据 20-21 2.1.2 中分辨率遥感数据 21 2.1.3 高分辨率遥感数据 21-22 2.2 应用尺度与遥感数据空间分辨率的关系 22-23 2.3 常用植被指数 23-26 2.3.1 比值植被指数(RVI) 24 2.3.2 差值植被指数(DVI) 24 2.3.3 归一化植被指数 24 2.3.4 抗大气植被指数(Atmospherically Resistant Vegetation Index,ARVI) 24-25 2.3.5 改进抗大气植被指数IAVI 25 2.3.6 土壤调节植被指数(Soil Adjusted Vegetation Index,SAVI) 25-26 2.3.7 增强植被指数(EVI) 26 2.3.8 Visible Atmospherically Resistant Index(VARI) 26 2.4 基于SPOT-VGT多光谱数据的北京地区植被指数合成与比较 26-34 2.4.1 数据准备 26-27 2.4.2 植被指数合成 27-32 2.4.3 NDVI、IAVI、SAVI、MSAVI和EVI的比较 32-34 2.5 本章小结 34-35 3 1998~2011年北京地区植被变化趋势分析 35-66 3.1 植被变化趋势的主要方法 35-38 3.1.1 线性回归法 35-36 3.1.2 相关系数法 36 3.1.3 中值法 36-37 3.1.4 Mann-Kendall法 37-38 3.1.5 Sen+Mann-Kendall法 38 3.2 线性显著性检验在线性回归植被趋势分析分类中的应用 38-44 3.2.1 F检验 40 3.2.2 相关系数验 40-41 3.2.3 F检验和相关系数检验对北京市1998年至2011年植被变化趋势分类比较和评估 41-44 3.3 基于克隆选择改进的植被回归趋势分析 44-52 3.3.1 研究数据与数据预处理 44 3.3.2 克隆选择聚类的植被变化回归趋势分析法 44-46 3.3.3 实验参数 46-47 3.3.4 实验结果与分析 47-52 3.3.5 讨论 52 3.4 基于Sen+Mann-Kendall的北京地区植被覆盖变化趋势分析 52-57 3.4.1 数据来源和数据处理方法 53 3.4.2 研究方法 53 3.4.3 实验结果与分析 53-57 3.4.4 结论与讨论 57 3.5 北京市植被变化的主要趋势动因子分析 57-64 3.5.1 研究数据 57-59 3.5.2 研究方法 59 3.5.3 实验结果分析 59-64 3.5.4 结论与讨论 64 3.6 北京地区植被趋势分析验证与评估 64 3.7 本章小结 64-66 4 北京市植被遥感变化检测 66-82 4.1 变化检测概述 66-70 4.1.1 变化检测的步骤 66-67 4.1.2 确定变化检测的基本问题 67-68 4.1.3 环境因素的影响 68 4.1.4 遥感变化检测分类 68-69 4.1.5 遥感变化检测的应用领域 69-70 4.2 变化检测主要方法 70-75 4.2.1 图像代数法 70-71 4.2.2 植被指数检测法 71-72 4.2.3 互相关变化检测法 72-73 4.2.4 影像回归法 73 4.2.5 假彩色合成法 73-74 4.2.6 图像分类后比较变化检测 74 4.2.7 变化矢量分析法(CVA) 74-75 4.3 基于植被指数NDVI的北京市植被变化检测 75-80 4.3.1 研究数据与方法 75-77 4.3.2 实验结果与分析 77-80 4.3.3 结论与讨论 80 4.4 本章小结 80-82 5 基于中高分辨遥感影像的植被提取 82-97 5.1 主要植被提取方法 82-84 5.1.1 原始波段合成法 82-83 5.1.2 植被指数提取法 83 5.1.3 NDVI与波段组合法 83 5.1.4 其他植被提取方法 83-84 5.2 基于AdaBoost的植被提取方法 84-93 5.2.1 研究数据 84 5.2.2 研究方法 84-88 5.2.3 实验结果与分析 88-92 5.2.4 算法的鲁棒性验证 92-93 5.2.5 结论与讨论 93 5.3 基于中分辨率遥感图像的北京市植被分布状态研究 93-96 5.3.1 研究数据及数据预处理 93-95 5.3.2 研究方法 95 5.3.3 实验结果与分析 95 5.3.4 结论与讨论 95-96 5.4 本章小结 96-97 6 总结与展望 97-100 6.1 本文总结 97-98 6.2 植被变化展望 98-100 参考文献 100-107 个人简介 107-108 导师简介 108-109 获得成果目录 109-110 致谢 110
|
相似论文
- 基于三维重建的焊点质量分类方法研究,TP391.41
- 舌体特征的提取及融合分类方法研究,TP391.41
- 基于人眼检测的驾驶员疲劳状态识别技术,TP391.41
- 唇读中的特征提取、选择与融合,TP391.41
- 基于类Harr特征和最小包含球的纸币识别方法的研究,TP391.41
- 基于监督流形学习算法的固有不规则蛋白质结构预测研究,Q51
- 基于差分演化的人脸识别方法研究,TP391.41
- 人脸检测算法的FPGA设计与实现,TP391.41
- 基于计算机免疫的入侵检测系统研究,TP393.08
- 人脸检测及其DSP实现,TP391.41
- 嵌入式人脸检测与跟踪系统的设计与实现,TP274
- 基于AdaBoost算法的车辆识别系统研究与实现,TP391.41
- 基于视频流的快速人脸检测与实时跟踪算法研究,TP391.41
- 人脸检测系统研究,TP391.41
- 基于Adaboost的人脸检测算法研究与实现,TP391.41
- 视频中的人脸检测与跟踪算法研究,TP391.41
- 一种改进的人工免疫算法在入侵检测中的应用,TP393.08
- 基于小波变换和线性子空间的人脸识别技术研究,TP391.41
- 基于红外视频的行人检测,TP391.41
- 基于AdaBoost和SVM的人体检测,TP391.41
- 城市绿化地动态监测方法研究,TP274
中图分类: > 农业科学 > 畜牧、动物医学、狩猎、蚕、蜂 > 家畜 > 牛
© 2012 www.xueweilunwen.com
|