CBERS 数据在缅甸土地覆被数值分类中的算法研究.pdfVIP

摘 要 摘 要 利用中国地球观测卫星遥感数据开展全球土地覆被分类及其规律性研究是中国 地球科学数据领域的自主创新研究，具有使中国在国际合作中占据主动地位的意义。 缅甸与中国接壤，自然资源丰富，与中国的经济有很强的互补性。为了进一步了解缅 甸土地覆被分布状况，本研究利用中巴资源卫星影像数据（CBERS ）对缅甸土地覆 被进行数值分类。论文的主要内容包括： 在土地覆被研究中，土地覆被类别的划分是最基础的也是最关键的环节。目前国 际常用的土地覆被分类系统数据主要有USGS 土地覆被分类系统、FAO 和UNEP 的 LCCS分类系统、IGBP 的土地覆被分类系统等。根据缅甸地区的实际情况，已经收集 到的分类系统和数据，以及CBERS数据潜在的分类能力，对缅甸地区的土地覆被分 类选用FAO 的LCCS分类系统数据库为基础，适当调整。最终确定7种缅甸土地覆被类 系统。 对收集的 CBERS 影像进行波段位移、几何校正和大气校正等预处理。将 CBERS 影像的第 5 波段同其第 3 波段的进行配准位移，发现多项式校正后的第 5 波段可以使 用。CBERS 影像的几何校正采用 Landsat GeoCover 产品作为参考影像，辅以 90m 的 DEM 进行正射校正，绝对位置误差控制在 65m，CBERS 影像之间的相对误差控制在 1 个像元以内。大气校正选择了 ATCOR2 ，ATCOR3 模型进行，从结果图中比较了校 正前后的影像。 在模式识别分类系统中，最终的目标是得到尽可能好的分类识别性能。传统的 做法是分别采用不同的分类方法处理，选择一个最好的分类器作为最终的解决方案。 随着新的算法的开发日益复杂，人们发现，可以尝试不同的分类器的互补信息的利用， 进而提出了组合分类的思想。从众多分类器中选择合适的分类器，并对其结果进行组 合，发现组合分类器能够提高影像的分类精度。 虽然组合分类能够提高遥感影像的分类精度，但是对于大量的遥感影像，组合 分类的应用对时间和计算环境的要求较高，在缅甸的全国土地覆被分类中我们选用检 验精度较高的最大似然分类法，并用 Matlab 编程实现。Matlab 的分布式计算和分布 式计算的工具箱的出现，使得用户能够直接只用 Matlab 语言完成高性能的分布式计 I 中国科学院博士学位论文 CBERS 数据在缅甸土地覆被数值分类中的算法研究 算而不需要另外进行底层的开发。应用 Matlab 的分布式计算可以有效地节省影像的 分类时间，提高分类的效率。 分类结果显示，在 7 种土地覆被类型中面积占前三位的分别是：森林覆被率为 45.447% ，灌木面积占总面积的 27.063% ，耕地面积占总国土面积的 26.049% 。为了 验证分类结果的可靠性，随机生成点检验分类结果。生成的随机点同类型面积成比例。 验证结果显示总体精度达到 80.29%，Kappa 系数 71.22% 。 关键词： CBERS 影像，组合分类，Matlab ，分布式计算 II 摘 要 ABSTRACT Taking advantage of China’s Earth observation satellite remote sensing data for global land cover classification has enabled China to take the initiative in international cooperation. Myanmar is bounded on the north by China, rich natural resources, and has strong economic co