基于稳健线性回归的森林地类变化遥感监测

发布时间：2020-04-10 00:56

【摘要】：森林资源动态监测是森林资源管理的核心内容,是实现森林面积蓄积双增目标的重要信息支撑。我国已经初步建立了覆盖大陆地区和海南岛等区域的全国林地一张图,每年进行蓄积和林地数据更新。数据更新的一项重要工作是每年一次的全国性的林地变更调查。这项调查依托遥感图像计算机自动识别、人工解释和实地调查完成。随着遥感数据的不断丰富以及计算机技术的不断进步,计算机自动识别技术在变化监测中的应用变得越来越重要。在前后期的遥感数据中,没明显变化的占多数,发生明显变化的占少数,从统计学上说,变化的数据相当于“异常数据”。所以变化监测的核心是监测这些异常数据。稳健回归是监测异常值的一种重要方法。本文将稳健线性回归技术应用到森林地类的变化监测,以浙江省杭州市临安区为例,主要基于3个部分对森林地类进行变化监测:采用不处理、主成分变换、典型相关变换等3种方法进行数据预处理对比分析。在数据预处理基础上用稳健线性回归、普通最小二乘回归和差值等3种方法提取变化信息。将提取的变化信息作为特征变量,用二项逻辑回归、多元线性回归、支持向量机和BP神经网络等4种监督分类算法将前后期的地类分成变化和不变化两类,最终获得森林地类变化情况。结果表明,相较于普通最小二乘法,稳健线性回归在异常数据存在的情况下估计回归参数有更好的稳健性。稳健线性回归对数据预处理方法不敏感,普通最小二乘回归次之,图像差值法最敏感,尤其对于主成分变换的数据。基于稳健线性回归的12种结果的平均总精度、平均用户精度、平均生产者精度和平均Kappa系数均高于普通最小二乘回归和图像差值,平均总体精度和Kappa系数达到了98.65%和0.972。数据预处理方法中,典型相关变换对提高森林地类变化监测精度有一定帮助。4种判别方法中,二项逻辑回归的9种结果的平均精度最高,支持向量机最稳定,BP神经网络精度与支持向量机接近,多元线性回归表现最差。
【图文】：

究区概况与数据究区概况地理位置文研究区选在浙江省杭州市临安区的东部区域，如图 2.1 所示。临安区°51′至 119°52′，北纬 29°56′至 30°23′，临安区东西宽约 10约 50 千米，总面积 3126.8 平方千米，是浙江省面积最大的县级行政单处西北部天目山区，东邻余杭区，南连富阳区和桐庐县、淳安县，西接北接安吉县及安徽省绩溪县、宁国市。临安区常驻人口约为 58.85 万，、13 个乡镇和 298 个行政村[2]。临安区于 2017 年 9 月正式撤市设区，，进程，以锦城街道为中心的城中村改造和基础设施建设使临安区的土地了日新月异的变化。

图 2.2 数据源Figure 2.2 Data source2.2.2 样点数据考虑到回归监测方法的特点，将研究区的地类划分为森林和非森林，则前后期变化类型为变化和无变化 2 类，如表 2.2。在 Google 高分辨率影像的辅助判读下，视选取变化、无变化各 400 个样点，其中变化样点为森林变为非森林的像素，2 个类共 800 个像素（见图 2.1），其中 1/2 作为建模样本，另外 1/2 作为检验样本。表 2.2 变化监测分类系统Table 2.2 Classification system of change monitoringID 分类名称 具体描述1 变化 地类发生变化，森林转变为非森林2 无变化地类没有发生变化，包括森林依然是森林和非森林区域仍然是非森林
【学位授予单位】：浙江农林大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：S757.2

【参考文献】

相关期刊论文 前10条

1 刘甲红;李p唒

本文编号：2621518