LULC&LUCC地表覆盖和土地利用变化监测分析
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
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et al。
,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et al。
,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et al。
,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et al。
2006年,德亚洲和Omasa,2007;Focardi et al。
,2008年),森林(Labrecqueet al。
,2006;Sivanpillai et al。
,2007),和农作物(科恩和Shoshany,2002;Wardlow et al。
,2007)。
Chust et al。
(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12 LC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et al。
,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(Joel et al。
,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,Thenkabail et al。
,2004;田et al。
,2007;Houborg和Boegh,2008)。
Guerschman et al。
(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,Oetteret al。
(2000)能够创建一个地图的20 LULC类。
卢卡斯et al。
(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et al。
(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56280 e经度,36 440和37490 n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1 b)。
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17 c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et al。
,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tivum l .)、大麦(大麦l .)、向日葵(向日葵annuus l .)、西瓜(Citrullus lanatus(了)。
),大米(亚洲栽培稻印度l .)和棉花(陆地棉l .)(Banaei,1993)。
2.3 LULC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2 a,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Van Genderen,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30 m多层图像融合到15 mpanchromatic乐队(带8)利用主成分分析方法(图2 a,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2 a,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2 b,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。
2 b,操作6)。
这张地图随后被披上了最初的均匀地区的地图(图2 b,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2 b,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6 70%),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6 30%)和低密度的牧场(R3,覆盖615%)。
因此有10 LULC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到一个10 LULC类(图2 c,操作9)。
为了获得最好的结果,这些取样位置被访问由经验丰富的农学家与当地的知识。
收集到的数据被平均面积立即周围的每个吗位置点代表9 25图像像素。
与此groundtruth数据的一个最大似然分类监管采用面积高达100像素。
在这个阶段,一个初级分类LULC地图的每个三个图像与10类创建(图2 c,操作10)。
为了增加这些地图精度的一个v2阈值在90%置信水平应用结果。
这个过程确定1205324像素(6%的总像素),有一个10%或者更大的机会错误归类。
这些像素被放入类' 0 '和定义为“未知的区域(图2 c,操作11和决策# 1)。
在这些未知的领域,26个额外的随机字段位置点被挑选的访问(图2 c、运营12)。
又一个监督分类是应用于485年最初的位置再加上这26额外的位置(图2 c)。
然后一个90%的置信度分析是重复和一个面积183276像素被确认为“未知”。
由于该地区只有小像素组包围着在所有的代表不到总面积的1%,这个数据成为了分类。
由此产生的图像被称为“二次机密地图”(图2 c,输出)。
2 3 5。
步骤四:图像分割和带状的统计数据
为了进一步提高分类精度,一个图像分割算法应用于陆地卫星ETM +图像(图2 d、操作13和14)使用邦尼Ruefenacht算法(Ruefenacht et al。
,2002)。
这个方法分类光栅图像基于像素值和位置。
所有6乐队的ETM +在这一过程中被使用。
该地区的大小被设置在5像素和光谱阈值的距离被设定为8通过试验和错误,其目的是维护数据完整性,同时优化计算机处理时间和特征提取。
结果分割图像然后结合的二次分类地图”的图2 c。
图像分割是能够单独的对象不同的大小、形状和同质性。
imagesegmentation的主要任务是创建一组非重叠部分(多边形)。
该算法合并组像素为多边形对象(光栅对矢量格式),但它却无法分类的他们,因此需要结合图像(分段ETM +和二级分类地图)与纬向统计分析(图2 d、操作15)。
现在一个分布的区域统计每个LULC在每个分段的多边形。
图像的原因分割是使用合成多边形矢量图结合在一起与监督分类光栅图和带状统计生成一个新的分类多边形地图。
背后的想法这是消除混合像素。
人们发现六个陆类,多数分布总是超过90%内任何一个分段的多边形。
因此每个分段多边形是完全分类到90%的多数创建一层为每个六个LU类(图2 d、操作16)。
2 3 6。
第五步:提高LC分类和创建一个
最终LULC地图对于LC类(F1,F2,F3,R1、R2和R3)另一种方法因为在这种情况下需要的结果,多数分布通过区域统计分类远低于90%。
为了解决这个问题,每个陆地卫星ETM +图像被剪,只显示R和F实体定义的步骤的结果iv。
随后,一个应用都归一化植被指数(图2 e、操作17和18)。
从最初的511(485 + 26)真实位置,128年是已知的是F,241人被r .使用这些真实值,为每个卫星图像NDVI值被分成六个范围;F1,F2,F3和R1、R2和R3。
结果该参数的值(见3.1节)为F显示几乎没有重叠。
然而R1、R2和R3有明显的重叠。
因此一个额外的因素,介绍了“气候”,(图2 e,操作19)。
这是发现通过分组R1、R2和R3值放入温带半干旱,酷半干旱半
湿润和潮湿的地区,(图1 b),大部分的数据重叠被淘汰。
结果层(F1,F2,F3,R1、R2和R3)被并入如果,DF,U和W类图(图2 e、运行20)来生成一个最终LULC图(图3)。
2 3 7。
地图精度评估
评估的准确性LULC地图,参考抽样地点被选出来包含一个完整的各种各样的LULC类在整个研究区。
因为这项研究包含一个相对大流域451183公顷,其中包括各种各样的气候条件,LULC地图被披上了气候区这样全方位的条件将采样。
这覆盖映射是用于确定适当的参考抽样在整个研究区位置。
总的来说,811年的网站提取基于分层随机抽样程序被Stehman(1999)。
类的决定是基于观察一个区域周围的取样位置等于9 25图像像素。
这些抽样地点遭到经历农学家与地方知识。
据统计,所有811个网站应该被访问过,但流域如此巨大,一些吗地区偏远,18网站必须替换为更容易位置。
最后,一个误差矩阵生成比较土地覆盖从地图上的分类和真实的分类。
在多大程度上这两个分类定义达成一致随着地图精度根据Congalton的程序(1991)。
应该注意,数据收集的字段引用就在同一个月,因为每个图像还收购了从46年之后,在拍摄图像。
解决这个问题的LULC可能发生变化,在这段时间,当地的农民采访。
接受采访的农民能够明确国家对土地利用变化信息时代的形象采集到目前为止,所以这些信息被使用(LU变化很少;大约0.3%)。
至于植被状况在过去,他们不太确定,因此这些信息没有使用。
3。
结果与讨论
3.1。
结果
在完成所有步骤在2.3节最后LULC地图创建(在晚夏的形象,获得了分类结果显示在图3)。
该地区的LULC类研究区利用陆地卫星ETM +图像获得在春天,夏天,和从图4所示。
低密度牧场(R3)呈现最广泛的方差(32 - 42%)在区域之间的值春天,夏天,和夏的陆地卫星ETM +图像。
方差在面积值对于F3,IR,DF和R2被6 - 10%,2 - 5%,1 - 5%和2 - 3%,分别。
季节之间的最小方差的获得对于F1,F2和R1(少于1.5%)。
脚踏实地的基础上,正确的三个定稿LULC地图来自陆地卫星ETM +图像中获得的弹簧(5月10日,2003),夏天(7月20日,2000),和夏(九月九日,2001)进行了评价。
对于每个这样的图像,一个误差矩阵生成的(表1 - 3)。
参数的准确性根据程序计算的Congalton(1991)。
注意,因为U,W代表不到总面积的1%(图4),他们被排除在任何精度分析。
制片人的精度(PA)测量的是正确的一个分类是。
图5中展现的一种,LULC PA范围从低73%就R1(利用陆地卫星ETM +图像获得在春天)到高达100%的F1的情况(使用陆地卫星ETM +图像获得在晚夏的)。
值为其余四个LU类(在F和R被分成LC类)范围从低78%的情况下利用陆地卫星DF(ETM +图像获得在春天)到一个高99%(图5 b)对于如果(使用陆地卫星ETM +图像在晚夏的收购)。
用户的精度(UA)是一个措施如何,以及这个分类过程捕获所有出现任何的八LULC类型(不包括U,W);这个范围从低58%(表1)对于R3(使用陆地卫星ETM +图像获得在春天)到一个高100%(表3)对于F1和F2(使用陆地卫星ETM +图像获得在晚夏的)。
UA的四个LU类范围从一个低82%(表1)对于DF(使用陆地卫星ETM +图像在春天收购)到一个高99%(表3)对于F(使用陆地卫星ETM +图像在晚夏的收购)。
相比之下,卢卡斯等(2007)分类森林、沼泽的草原、蕨菜、干燥希斯,和半改善草原与一个PA的100%、65%、62%,分别为48%和47%,使用多日期陆地卫星ETM +意象。
一般来说,最高的PAs和那些变化最之间季节均获得F,表明森林最容易识别(图5 a和b)。
在相同的图,PA值对DF,如果,R倾向于表现出更大的差异春天,夏天,和夏的陆地卫星ETM +图像。
Sivanpillaiet al。
(2007)也能够分类森林地区比使用AVHRR影像不出所料地区。
3.2。
单日期意象讨论
指图5 c,在晚夏(09年9月,2001)陆地卫星ETM +图像提出了最好的总体结果,与一个总体精度(OA)的95%和97% LULC 类LU 类。
春天(5月10日,2003)陆地卫星ETM +图像呈现最贫穷的结果与一个OA 为82%和89% LULC 类LU 类。
夏天(7月20日,2000)陆地卫星ETM +图像中介结果与一个OA 呈现91%的LULC 类和93% LU 类。
同样,Sedano et al 。
(2005),利用MODIS 图像在非洲南部,发现夏末给最好的结果和春天最穷的。
春天陆地卫星ETM +图像产生最准确结果,特别是关于R(R1、R2和R3)和登革热。
这这可能是因为两个因素。
在低海拔地区,春天是好先进的,什么将成为R3是在春天,由于3月降雨,爬满从而使它看起来像杂草R1。
此外,在高海拔地区春季尚未到来,放牧的前一年,容易让R1看起来像R3。
最后,R,DF,如果都是,在早春,到处杂草一个类似的程度。
耕作、灌溉和放牧,所有这些影响杂草种群不同,没有发生。
对于举个例子,在列在DF(表1),186年的网站访问,27是R 和八个mis 定级为像。
使用夏天(7月20日,2000)陆地卫星ETM +图像允许为了更好的歧视的R(R1、R2和R3)相比春天图像。
然而,的值,如果(DF 84%和90%,分别)仍持续低于OA(91%)。
这是可能因为小麦和大麦(两者都发生在两个DF 和如果)收获在6月和7月从而使他们都看起来像DF 一旦收获。
棉(如果)、西瓜(DF),和向日葵(主要是DF)撒从4月到6月中旬(弹簧)和收获在7月下旬至10月中旬。
长时期的种植这些作物的结果在一个相当大的变异的反射率对于每个在夏季
期间,使分化困难。
使用夏末(09年9月,2001)陆地卫星ETM +图像可以最好的歧视,如果用的DFPA的分别为97%和99%。
这是由于这样的事实,即在每年的这个时候,大多数作物在不同的位置在研究区收获。
因此获得的反射率值对土壤、和没有植被反射,如果土壤可能会有一个明显的高含水量比DF土壤,使它们相对很容易区分。
宾夕法尼亚州的值为R1、R2和R3(分别为93%,90%和85%)使用从仲夏至陆地卫星ETM +图像都低于OA(95%)。
这是可能的结果这是常见的过度放牧在该地区。
在赛季末过度放牧会使R1看起来像R3。
进一步的,由于过度放牧,R3可以看起来像登革热。
可以看出,当地的农业知识是有助于理解相对分类精度。
3.3。
NDVI值分析
因为LC类(F1,F2,F3,R1、R2和R3)是最困难的来区分,块NDVI值对于所有真实地点F和R 被创建(图6)。
首先,是很明显的从这些情节是,F1,F2和F3展览没有重叠。
因此NDVI足够用于区分F1,F2和F3,如果F第一个孤立于R(图7)。
R1、R2和R3做显著重叠(图7 b),因此一个参数除了NDVI是必需的对于分化。
通过试验和错误被发现,因为所有的图片,通过分组R1、R2和R3情节分成两个气候区(一个温带半干旱和其他所有其他气候区聚集在一起),分化是改进。
这种改进可能是因为植被是依赖气候和牧场植被迅速动态由于气候比较森林植被。
图7显示一个F3(低密度森林)有宽的方差在NDVI值比F1和F2。
这是预期因为F1和F2呈现一个更统一和浓密的树冠覆盖;F3是植被稀疏的最接近的,是最容易R1混为一谈。
此外,平均NDVI值对于所有F1,F2和F3减少整个赛季(F3最)。
它是可能的,F3减少最因为一些反射在F3是由于灌木,这将平均在一个干growingseason干燥超过树木会。
进一步的,一些F3用于放牧虽然F1和F2不是。
图8 a和b显示NDVI值为R1、R2和R3有宽的方差在春天,归一化植被指数的值逐渐减小赛季绝大多数这种减少发生在早期夏天。
这些结果是可以预期自春季以来的时间最高的植被(牧场),然而缺少雨水和过度放牧在夏天,植被是迅速地减少。
低NDVI值从夏季和夏末显示R1、R2和R3,很长一段时间,相对较低的植被(相对于如果和F)。
其他研究也使用一些辅助层这样的作为气候学和地形来帮助识别的植被类型(贝尔达和米利亚,2000;荷马et al。
,2007;卢卡斯et al。
,2007)。
在我们的研究中,一个地形地图和气候区是用来协助解释和远程的分类LULC感觉到数据。
结果表明,成功取决于映射不仅仅是分析反射信息。
将气候和地形条件帮助描绘什么是否则重叠的信息。
随后,了解当地植被条件如发生在春天的杂草和灌木在F3帮助解释方差和水平的反射率观察。
4。
结论和建议
本研究包含一个相对大流域451183公顷,其中包括各种植被从高密度森林,低密度牧场。
准确LULC地图可以发挥重要作用帮助流域管理为好作为帮助在决定什么样的土地是最适合
维持农业和以什么方式这个农业应该作为练习。
在这项研究中,为了提取和识别不同LULC类,陆地卫星ETM +图像从生长季节(春天,夏天,夏末)被使用。
进一步的,一个地形地图和气候区被用来协助解释和分类的遥感数据。
本研究提出使用一个独一无二的结合证明分类步骤创建一个成功的协议为准确LULC类型进行分类。
协议增强了最初的反射建立分类使用图像分割和补充隔离通过使用辅助信息(气候和地形)。
结果表明,准确分类依赖不仅仅是分析反射信息。
具体地说,将气候和地形信息帮助增加LU分类精度和归一化植被指数可以用于分离重叠LC分类。
这项研究说明最高的制片人的精度(PA)和那些不同季节之间至少获得了对于F,表明森林是最容易识别。
低密度森林(F3)有宽的方差在NDVI值F1和F2相比。
这是自F1和F2如预期的礼物一个更均匀林冠覆盖。
进一步的,一些F3用于放牧虽然F1和F2不是。
NDVI值从夏季和夏末图像是一贯的低为R1、R2和R3相比如果和F,和最大的部分归一化植被指数降低发生从春天到夏天,没有进一步减少到夏末。
该研究支持了其他的研究,发现夏末图像目前最好的信息(OA LULC分类的95%)。
这是发现知识的当地农艺条件有助于解释反射方差在分类和改变反射在分类在生长季节。
因为类似的辅助层(气候和地形地图)和陆地卫星ETM +图像(也是图像或其他潜在ASTER 多光谱图像空间分辨率与媒介)是可用的对于所有的伊朗,建议提出了新的协议摘要在不同地理位置的应用在伊朗。
因为许多流程用于这个分类协议,就像类的层次结构和多层分割和分类(其中一些是由主题并不是只有光谱数据)实际上是嵌入到新范式的数字图像判读闻名世界作为基于对象的图像分析(OBIA),建议其他可用的和强大的计算工具和一个真正的对象-基于图像分析由语义网络被使用在这些地区,结果进行验证。
它还建议在未来,进一步的研究是进行支持向量机(SVM)方法,它有一个健壮的算法,来增加在分类过程精度。
结果这些研究表明如果这个方法可以考虑通用对于发展中LULC地图。
进一步,预计了解当地植被条件(特定的植被类型,而当他们出现在生长季节和在什么海拔高度)和知识的人类干预措施如放牧和灌溉可以帮助解释反射方差在一个分类和水平的反射率观察。
因此推荐进一步的研究如这一把文档这样的因素。
使用这样的数据可能会引起新的图像之间的关系的反射率和土地管理。
确认
作者欣然承认森林、范围和分水岭管理组织的伊朗和分水岭管理办公室的戈勒斯坦省提供的数据集,设施、人力和现场支持这项研究。
多谢侯赛因·阿里·穆哈马迪先生为他的协作和他的重要贡献领域工作。
我们感激建设性的评论给Daniel l . Civco博士和三个匿名评论者的纸。
部分资助该研究来自自然科学和工程研究委员会加拿大的通过一个NSERC发现奖助金举行的简Adamowski。