2026《X市不同土地覆盖类型的地表温度特征分析案例》4100字.docxVIP

X市不同土地覆盖类型的地表温度特征分析案例

目录

TOC\o1-3\h\u13852X市不同土地覆盖类型的地表温度特征分析案例 1

258691.1土地覆盖分类 1

34751.1.1土地覆盖分类方法 1

201941.1.2土地覆盖分类结果 2

24311.1.3分类结果精度验证 3

42191.2土地覆盖变化 3

327041.2.1土地覆盖变化研究方法 3

274461.2.2土地覆盖时空演变 4

274421.3不同土地覆盖类型的地表温度特征 5

65481.3.1地类地表温度特征研究方法 5

253771.3.2不同土地覆盖类型的地表温度特征 6

1.1土地覆盖分类

1.1.1土地覆盖分类方法

土地覆盖类型是依据土地自然属性的不同而对土地进行类型划分的过程，该过程主要基于遥感技术而完成。在利用遥感技术进行分类时，会基于不同地类的光谱特征对特征空间进行划分，得到互相不重叠的子特征空间，然后从像元尺度识别所分类区域的每一个像元，将它们划分至与其光谱信息最相似的子空间之中，以此实现对地表覆盖类型的分类ADDINNE.Ref.{062D721C-A94A-40DF-A593-44AEB9DFDCAB}[106]。为更好的分析不同土地覆盖类型的地表温度特征，本文将研究区划分为建设用地、植被、水体和裸地，具体分类说明如表1.1。

表1.1土地覆盖类型说明

分类

说明

建设用地

道路、建筑、停车场、广场等人工不透水面

植被

林地、草地和农地等被植被覆盖的区域

水体

河流、湖泊、池塘、湿地等所有水体

裸地

裸土等无任何地物覆盖的区域

本文基于ENVI5.3平台使用监督分类法对研究区内的土地覆盖情况进行分类。监督分类也被称之为训练场地法，该方法通过选取具有各个地物典型特征信息的样本，用这些样本对计算机进行训练，以对光谱信息具有最大相似度的地物进行归类，从而实现地类的划分ADDINNE.Ref.{33ACBC8D-316A-42EB-941B-46619EA98C69}[107]。支持向量机是基于数理统计理论构建的一种机器学习方法，该方法能智能的自行寻找可以较好识别不同类型的支撑向量，从而生成出适宜的分类器，最大化不同类型之间的差异，在分类中有较高的准确率，已被推广至多种类型的研究当中ADDINNE.Ref.51FB-46A3-AE26-AAA4F5C26F10}[108]。本研究结合真彩色、假彩色等波段组合方式，对不同地物信息进行识别以获取较为准确的训练样本，然后使用ENVI5.3中的支持向量机分类工具划分土地覆盖类型。

1.1.2土地覆盖分类结果

基于上述方法，可以获得研究区2005年、2010年、2014年和2019年的土地覆盖情况，具体分类结果如图1.1。

图1.1各年份土地覆盖分类结果

结果表明，2005年，研究区内最多的土地覆盖类型为植被，占研究区总面积的60.54%，其次为建设用地，占研究区总面积的33.34%，裸地和水体则分别占总面积的1.79%和1.32%。2010年建设用地占比增长至41.45%，植被占比则下降至51.96%，裸地和水体的面积比分别为1.85%和1.74%。2014年各地类占比相比较2010年变化不大，建设用地、植被、裸地和水体的面积比分别为45.31%、49.61%、3.37%和1.72%。2019年建设用地面积进一步增加，占研究区面积的49.94%，成为研究区内分布最多的土地覆盖类型，植被的面积比减少到45.08%，裸地面积比减少到3.32%，水体面积比则仍为最少的1.66%。整体来看，研究区内的建设用地大量增多，植被覆盖区域则显著减少，研究区内裸地、水体占比很少，随时间变化有一定上下浮动。

1.1.3分类结果精度验证

在得到土地覆盖分类结果后，需要对所得结果进行验证以确保后续分析的精度，本文通过在研究区生成300个随机点，结合GoogleEarth软件，以最接近Landsat影像获取日期的GoogleEarth高清影像为参照，对比每个随机点处土地覆盖分类结果和高清影像的一致性，用以验证分类精度。结果表明，2005年、2010年、2014年、2019年的土地覆盖分类总体精度分别为90.67%、89%、90.33%、87.67%，分类结果可以较为准确的对地类和热环境的关系进行分析。

1.2土地覆盖变化

1.2.1土地覆盖变化研究方法

土地转移矩阵是描述土地类型动态变化的一种数学模型ADDINNE.Ref.{72FBC0FB-B80B-4922-A9AE-B2A2E3DBD9E9}[109]，本文参考该模型，以土地覆盖转移矩阵的形式，分别统计每