基于MODIS数据高纬度地区土地覆盖分类研究

【摘要】：土地覆盖是指地球表层的植被覆盖物和人工覆盖物的综合,其一直处于变化之中,人类社会的发展更加快了土地覆盖的变化过程。了解土地覆盖的变化信息对指导人类的生产与生活均具有重要的意义。土地覆盖制图是了解土地覆盖变化信息的主要手段。早期的土地覆盖制图是通过人工调绘来完成的,而随着遥感技术的发展,基于遥感影像的自动与半自动化制图逐渐成为主要的制图方式。如今,基于遥感影像的土地覆盖分类方法的研究与区域大尺度土地覆盖分类制图成为遥感应用研究领域的热点问题。本文以高纬度地区——加拿大为研究区,以2010年MODIS(中分辨率成像光谱仪,Moderate Resolution Imaging Spectroradiometer)陆地标准产品MOD13Q1为数据源,先是设计分类特征重要性评估方案来基于五种可选特征组合选取最优分类特征组合,接着设计最佳分类器选取方案基于五个可选模型来选取最佳分类器,最后通过对2010年加拿大全国范围内进行区域大尺度土地覆盖分类制图来评估所提出分类方案的泛化能力。研究结果表明,基于MODIS四个地表反射率波段时间序列数据相对其它对比的波段组合可产生最高分类精度;本文联合基于影像块的FCN(全卷积网络,Full convolutional network)模型与光谱、空间残差块两者优势构建的深度学习模型SS-Dip(基于深度影像先验的光谱与空间残差网络,Spectral-Spatial Residual Neural Network Based on Deep Image Prior)相比其他对比模型--SVM(支持向量机,Support Vector Machine)、RF(随机森林,Random Forest)、SS-Res(光谱与空间残差网络,Spectral-Spatial Residual Neural Network)、SpecDip(基于深度影像先验的光谱残差网络,Spectral Residual Neural Network Based on Deep Image Prior)可达到最高分类精度;SS-Dip模型在不同省份分别训练、测试,表明模型具有较好泛化性能;SS-Dip模型在整个加拿大进行测试仍可达到较高分类精度,这表明基于本文分类方案来进行高纬度地区区域大尺度制图具有可行性与有效性。综上,本文提出的分类方案分类效果良好且具有良好的泛化性能,在高纬度地区区域大尺度制图方面具有广阔的应用前景。