论文部分内容阅读
土地利用/土地覆被变化(Land Use and Land Cover Change,简称LUCC)是导致全球环境变化的重要原因之一，在全球环境变化和可持续发展中占有重要地位。遥感影像分类作为土地利用数据获取的重要手段，可以全面、高效、实时地了解流域土地利用/土地覆被变化情况，从而为土地利用/土地覆被数据的实时更新、动态监测以及水文模拟提供数据支持。本文以青海省湟水流域为研究区，以2011年Landsat5TM影像为数据源，并按照海拔高度、水热条件将研究区分为川水区、浅脑山区和脑山区。然后对比初步分类结果确定适合湟水流域的最佳分类波段并进行波段合成，并对每个地理分区分别选择样本，分别利用最大似然法和人工神经网络对湟水流域土地利用/土地覆被进行自动分类。在此基础上，其次，根据流域土地利用类型的分布及其特点选取TM影像6个波段、DEM、坡度、坡向、NDVI、NDBI、MNDWI、主成分分析波段以及手工勾绘的水浇地边界为建立决策树所用特征参数，按照每个地理分区分别建立决策树，实现流域的自动分类。通过精度评价确定最适合湟水流域的分类方法，为今后湟水流域土地利用/土地覆被数据的快速获取提供借鉴。主要研究结论如下：(1)最大似然分类法、人工神经网络分类法和决策树分类法总体分类总体精度分别为76.20%、79.44%、84.93%，Kappa指数分别为0.72、0.76、0.82，说明决策树分类方法最好，人工神经网络分类法稍好于最大似然分类法，而最大似然分类法效果最差。(2)从生产者精度来看，三种分类方法中每一种土地利用类型的精度有所差异。首先，未利用土地的三种分类生产者精度都比较高，分类精度在86.14%～91.09%，其中最大似然分类法>人工神经网络分类法>决策树分类法。其次，水浇地、旱地、草地和水域的生产者精度是决策树分类>人工神经网络分类>最大似然分类，而林地、城乡居住建设用地和未利用土地的分类精度则和上述几类有所不同。林地是人工神经网络分类>最大似然分类>决策树分类；城乡居住建设用地表现为最大似然分类>决策树分类>人工神经网络分类。