LULCLUCC地表覆盖和土地利用变化监测分析.docx
- 文档编号:2281965
- 上传时间:2022-10-28
- 格式:DOCX
- 页数:12
- 大小:2.04MB
LULCLUCC地表覆盖和土地利用变化监测分析.docx
《LULCLUCC地表覆盖和土地利用变化监测分析.docx》由会员分享,可在线阅读,更多相关《LULCLUCC地表覆盖和土地利用变化监测分析.docx(12页珍藏版)》请在冰豆网上搜索。
LULCLUCC地表覆盖和土地利用变化监测分析
摘要
在伊朗的许多地区存在土壤侵蚀、高沉积物,洪水和泥石等流严重问题。
特别是在戈勒斯坦大坝分水岭这个研究区域。
准确的土地利用和土地覆盖(LULC)地图可以作为帮助控制土壤侵蚀的有效工具。
本研究主要目标是提出一个对于大型地区基于现成的辅助信息和三个单日期陆地卫星ETM+图像分析的LULC分类方案,以及证明制图的成功不仅仅取决于反射值的分析。
在本研究中,我们发现将气候和地形条件叠加在一起可以帮助发现是否有其他方面额外的信息。
本研究确定一个夏末陆地卫星ETM+图像可以产生最好的结果,总体的准确率为95%,而一个春天的影像产生了较差的精度(82%)。
一个夏天的影像产生一个中间的准确率为92%。
在未来对图像资金有限的研究中,夏末图像最适合LULC制图。
本文在某个季节不同时间拍摄的卫星图像也可以完成。
或许相对于其他气候季节,选择一个更好的季节作为收购时间,可以获取含有更多信息的影像。
1、引言
因为土地利用和土地覆盖(LULC)属性在一个分水岭直接影响水驱动的侵蚀,这些参数的知识在排名中扮演一个重要的角色的潜力和在侵蚀优先级和发展可持续流域和农业管理实践(狐狸etal。
1997)。
在许多领域的伊朗特别是在戈勒斯坦大坝流域,这是该地区这是研究研究,重要的过度放牧和不恰当的土地用途(LU)如农业在陡坡和上下按钮耕作是主要的贡献者水土流失、土地退化和洪水(日本国际合作署,2005;政治咨询工程,2007)。
这些问题有重要的经济影响通过他们的负面影响可用土地资源、土地生产力、基础设施和水质(·沙里夫etal。
2002)。
准确的LULC地图可以有效的工具在帮助控制土壤侵蚀的努力。
这些地图可以发挥重要作用流域管理作为一个整体和帮助决定什么样的土地能够维持农业和不(Cihlar,2000;Renschler和港口,2002)。
大量的数据都需要开发这样的LULC地图和遥感可以是一个源的精确、详细的信息在大面积。
遥感数据和可能区分不同的特点从这个数据提供土地特性迅速潜力巨大创建准确的LULC地图(荷马etal。
2004)。
LULC分类是一种最广泛使用的应用程序在遥感。
有许多方法,已经被使用关联与植被特征图像数据。
在最近几十年,大量研究显示卫星的功效意象表征植被类型(乔希etal。
2006年,德亚洲和Omasa,2007;Focardietal。
2008年),森林(Labrecqueetal。
2006;Sivanpillaietal。
2007),和农作物(科恩和Shoshany,2002;Wardlowetal。
2007)。
Chustetal。
(2004)评估形态学指标的能力和景观分析为了测试改善土地覆盖(LC)分类的可靠性在山区。
他们能够定义12LC分类使用一个图像分割方法(基于边缘检测起源于突然强度的变化邻国像素),以及一个监督分类(最大似然值)的一个陆地卫星专题成像仪(TM)卫星图像。
在另外,Hagner和里斯(2007)校准的最大似然方法对9种主要分类森林类型CORINE土地覆盖映射项目。
几个植被指数结合反射的两个或两个以不同的方式多波长已经开发和使用在描述植被生长和发育(杰克逊和Huete,1991;郑etal。
2004)。
一些广泛使用的指数归一化植被指数(NDVI),植被指数(DVI),比植被指数(RVI),绿色指数(GI)、土壤调整植被指数(萨维),转换萨维(TSAVI)、修改(MSAVI)萨维,垂直植被指数(元太)。
大部分植被指数的基础是估算的光合有效辐射(Joeletal。
1997)。
有几种不同的生长周期在一个生长季节和分类的植被特征取决于是否存在植被和条件的植被的时候获得图像。
许多研究人员前面提到过,一个显著的相关性之间存在光谱数据和不同植被生长参数(塔克1979年,Thenkabailetal。
2004;田etal。
2007;Houborg和Boegh,2008)。
Guerschmanetal。
(2003)建议,当可能的话,三个图像(弹簧,出了初夏,夏的)用于识别夏季作物,冬季作物和牧场。
利用陆地卫星TM图像可以追溯到五个一年,Oetteretal。
(2000)能够创建一个地图的20LULC类。
卢卡斯etal。
(2007),比较单一和多日期陆地卫星增强专题成像仪(ETM+)图片植被分类,发现多日期意象允许更准确的分类不同植被类型。
在另一项研究中,麦克斯韦etal。
(2004)能够识别四大LU类型(裸土/稀疏的植被、牧场、城市和河岸)和三个作物类型(玉米、高粱、大豆)只使用乐队2和4的一个夏末陆地卫星多光谱扫描器(MSS)图像。
伊朗森林、范围和流域管理机构参与了映射LULC过去45年使用航空照片和地形图。
最近,卫星图片已经使用了这种LULC分类,方式不同,本文提出了。
周围的问题现有的LULC地图如下:
(我)农业土地(灌溉农业和旱作农业)被映射与视觉解释技术在复合材料、场光学图像调查。
这些多边形边界被发现不了是准确的和有重叠与其他类。
(二)进一步,在相同的地图,一个初步的实地调查表明,低密度森林和草地类有显著不同重叠。
(iii)大约15%的土地面积被归类为“混合”;分离到单独的类是不可能的。
由于频繁的困难在获得多日期图片为一年的所有研究感兴趣的领域,目标本研究发展一个新的协议LULC分类使用一个大型研究区(4511.8平方公里)基于容易可用的辅助信息以及分析三个单日期陆地卫星ETM+图像。
研究区选择是戈勒斯坦大坝在伊朗的分水岭。
2、材料和方法
2.1研究区域
面积4511.8平方公里,伊朗的戈勒斯坦大坝的分水岭坐落在55210年和56280e经度,36440和37490n纬度,在东北部分戈勒斯坦省(图1)。
这个子流域的河流流域是戈尔甘由一个组合复杂的山区、丘陵、平原和河流。
最高海拔2492米以上平均海平面和最低海拔是47米。
由于其地理位置和地形,广泛的气候盛行穿过不同部分的戈勒斯坦大坝分水岭:
从半干旱在西北地区和南方潮湿的中央部分(图1b)。
年平均降雨量范围从195到700毫米和年平均气温在8.5到3月17c月的最大降雨量,6月到10月是干几个月(日本国际合作署,2005;政治咨询工程,2007)。
现有的地形地图显示大约有一半(49.3%)的戈勒斯坦大坝分水岭是山区,剩下的地形被:
30743.6公顷(总面积的6.8%)河冲积平原;8038.7公顷(1.8%)山麓平原;8654公顷(1.9%)砾粉丝;33664公顷(7.5%)上露台;8230公顷(1.8%)河阶地;和139630公顷(30.9%)山(萨阿达特etal。
2008)。
不同沉积岩石如石灰石、砂岩、页岩、白云石、泥灰土随着企业集团,黄土沉积物和冲积层衬底该地区(Banaei,1993)。
位于这个区域,920平方公里戈勒斯坦森林国家公园已经被联合国教科文组织的一部分国际生物圈保护区网络(日本国际合作机构,2005)。
农业也是一个重要领域在戈勒斯坦大坝的分水岭。
主要农作物有小麦磨鎠tivuml.)、大麦(大麦l.)、向日葵(向日葵annuusl.)、西瓜(Citrulluslanatus(了)。
),大米(亚洲栽培稻印度l.)和棉花(陆地棉l.)(Banaei,1993)。
2.3LULC分类和制图
2.3.1通用描述
LULC分类是一种最广泛使用的应用程序在遥感。
最常用的方法包括非监督分类、监督分类、图像分割和归一化植被指数。
这两种方法都有他们自己的限制和优势。
然而,没有一个人单独可以创建一个可接受的水平的精度在生产LULC地图。
使用基于对象的图像分割技术,详细的信息在研究区可以聚集有效卫星图像的分析和一定的辅助数据。
作为回应对此,一个新的协议提出了研究研究方法结合的优势,这些方法和提高LULC地图的质量。
研究方法和提出协议已经使用一个多学科和层次塑造方法。
分类的每个三陆地卫星ETM+图像,研究进展在五个步骤(图2):
(我)预处理的图片,
(二)随机抽取一个训练采样位置:
一个非监督分类和两个数字辅助服务层识别潜在的LULC区域来帮助确定取样点,(iii)监督分类的图像到LULC类,(iv)的增强LU通过图像分割分类和带状统计,和(v)提高LC分类通过归一化植被指数和气候区和创建一个最终LULC地图。
在完成所有这些过程分类的准确性被评估每个成像日期和比较了。
2.3.2。
步骤我:
预处理的图片
一种改进的空间分辨率和地理相关的陆地卫星ETM+图像为研究区域被创建。
陆地卫星ETM+图像有8个人的乐队,分别代表单个层连续吗意象。
考虑到他们的空间分辨率低(60米)、热乐队(乐队6.1和6.2)并没有被采用。
图像的非热能的乐队(30米)被合并成一个多层图像和剪以150米外缓冲区在研究区边界(图2a,操作1和2)。
图像融合(或盘磨)技术已经被证明是有效的工具来提供更好的图像信息(波尔和VanGenderen,1998;张,2004)。
这样,因为零散的自然风景的,30米的数据可能不会捕获所有的细节,因此30m多层图像融合到15mpanchromatic乐队(带8)利用主成分分析方法(图2a,操作3)。
主成分分析方法因为一个主要目标,使用这种技术来减少数据文件尺寸,但保留光谱信息的六个ETM+乐队(1-5,7)。
该算法是在严格的数学(韦尔奇和埃,1987)。
geo引用的图像进行了使用160地面控制点取自1:
25,000地形图(图2a,操作4)。
坐标系统用于地形地图是统一横轴墨卡托投影区40与球体与基准WGS84。
2.3.3。
步骤2:
提取一个训练采样位置地图培训取样位置被选出来包含一个完整的各种各样的潜在LULC类在整个研究区。
因为本研究包含一个相对大分水岭(>4500平方公里),不同气候区域和一个组合复杂的山脉,丘陵、平原、两个辅助层(4气候区和7地貌类型,请参见第2.2节)来生成一个地图相结合24独特的最初均匀区域”(图2b,操作5)。
与此同时,在每一个陆地卫星ETM+图像迭代自组织数据分析技术(ISODATA)被执行。
这是一个类型的非监督分类,基于自然分组的像素。
基于这种方法,应用95%收敛阈值和最大迭代12导致生成一个原始的分类映射类(图25。
2b,操作6)。
这张地图随后被披上了最初的均匀地区的地图(图2b,操作7)创建一个潜在的LULC(同质区域)地图有195类。
因为每个驱动类也有类似的特性(类似的土地形式,气候区和吗光谱范围),这张地图是用于一个重要的支持作用识别合适的训练抽样地点横跨了整个研究区。
基于这些均匀地区,485年培训取样位置提取(图2b,操作8)使用分层随机抽样程序中描述Stehman(1999)。
13这些网站无法访问基本上是由于物理障碍或远离公路。
这些都是13随后被更容易网站相同的类。
因为城市地区和水体占了不到1%的总占地面积和他们很容易认出视觉上的图片,这些实体被忽视了实地考察。
2.3.4。
第三步:
监督分类的图像到LULC类
十类被用于监督分类来生成一个LULC地图。
鲁国分为6分类如下:
灌溉农业(如果),旱地农业(DF)、森林(F),牧场(R)、城市(U),和水体(W)。
然后,根据植被密度、F和R分为LC:
高密度的森林(F1,盖>70%),中等密度森林(F2,40%<覆盖670%),和低密度森林(F3,覆盖640%);高密度牧场(R1,盖>30%,主要是在30%和50%之间),中等密度牧场(R2,15%<覆盖630%)和低密度的牧场(R3,覆盖615%)。
因此有10LULC类在所有;六土地使用与两个(F和R)被列为三植被密度。
获得必需的真实数据进行监督分类,广泛的字段信息收集在相同的485地点上面规定在同一个月,其中每个陆地卫星ETM+图像被收购(5月、7月和9月)。
一个地形路线图(1:
25,000)和一个GPS装置是用来访问每个位置和没有先验知识被放置的位置
- 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:
- LULCLUCC 地表 覆盖 土地利用 变化 监测 分析
![提示](https://static.bdocx.com/images/bang_tan.gif)