论文部分内容阅读
地表覆盖是对地球表面各种物质属性与特征的空间描述,是土地利用、气候变化及生态环境可持续发展等研究规划的基础数据,科学准确地测定地表覆盖类别的空间分布与动态变化,对于研究地球系统的能量平衡、碳循环、气候变化、生态环境保护、地理国情监测等有着十分重要的意义。当代,遥感技术的发展,为地表覆盖类别信息的获取提供了数据支持。基于遥感影像提取专题信息是快速获得区域乃至大范围地表覆盖类别数据的主要手段。然而,从遥感数据获取到类别信息提取整个过程中,受各种系统和随机因素影响,类别专题数据与地表实际情况之间不可避免地存在不同程度的不一致。因此,对地表覆盖类别数据进行精度评估是地理类别数据研究与分析中至关重要的组成部分。通过对类别专题数据进行精度评估不仅可以提供数据的质量信息,为其后续的相关应用提供信息支持,而且反映了提取方法和数据生产过程的适用性,为进一步的优化研究提供参考信息。此外,数据的精度质量严重限制了地表类别数据的实用性,而各学科领域对精准数据的需要越来越大,因此,对地表覆盖类别数据进行有效的精化从而获得更高质量的数据也是研究的重点。本文针对地表覆盖类别数据的精度进行分析研究,考虑类别数据的空间特征进行样本布设,基于具有适宜的空间分布特征的样本进行“宏观整体”和“微观局域”精度评估,同时,对类别数据进行精化。主要研究工作及创新之处为以下几点:(1)类别数据的不确定性在空间上具有不均衡特征,与地理类别的空间复杂度相关,随着空间位置的变化而变化。在空间异质性区域,精度较低,匀质区域,精度较高。基于此空间特征,对类别分层抽样方法进行扩展,提出了基于类别异质性的两级分层抽样,在异质区布设相对较多的样本点。本文提出的抽样方法更多的考虑了空间分布特征,对区域的精度评估更具有可靠性。(2)基于类别空间异质性分层抽样设计,优选与地表覆盖信息精度显著相关的解释变量(或协变量),探索基于逻辑回归分层建模的地表覆盖局域精度预测。本文中,基于四组不同的抽样设计采集样本数据,根据样本属性层分别构建相应的逻辑回归模型,分别对研究区地表覆盖数据进行局域精度空间预测。实验结果表明,基于类别异质性分层抽样的逻辑回归分层建模预测的效果要优于其他方法,对类别数据局域精度评估更加可靠。(3)针对地表覆盖类别数据质量的有限性,提出了针对地表覆盖类别数据的精化方法。基于类别空间异质性的分层抽样方法获取样本数据,利用逻辑回归与克里金相结合方法建立类别反演模型,对地表覆盖数据实现精化,改善数据质量。开展实验验证,对基于类别异质性抽样的建模精化结果与基于类别抽样的建模精化结果进行了比较,结果表明基于类别异质性的数据类别反演模型对数据的精化效果较好,尤其是异质性区域,改善效果更加显著。