城市绿地信息提取方法.doc

1、KPCA和SAM相结合
lw-
2、QuickBird 利用监督分类、植被指数分类和目视解译等方法对QuickBird高分辨率卫星遥感影像的绿地信息进行提取,并对分类精度作了比对分析。研究结果表明,监督分类方法不能得到令人满意的结果,运用植被指数分类方法则有明显改善,其中归一化植被指数(NDW)精度最高,因此NDVI能有效地对植被进行分类与识别。
①归一化植被指数NDVI,NDVI被定义为近红外波段与可见光红波段数值之差与这两个波段数值之和的比值。其计算公式为:NDVI=(NIR—R)/(NIR+R);②比值植被指数(RVI),其计算公式为:RVI=NIR/R;③差值植被指数(DVI),其计算公式为:DVI:NIR—R;④转换型植被指数(TNDVI),其计算公式
lw-【不错】
3、混合像元分解结合SVM法与决策树法比较
lw-
4、车生泉等采用目视解译法提取了上海市外环线内650 km 的绿地信息、黄浩利用IKONOS影像采用基于KPCA的SAM城市植被分类模型提取了南京市玄武区的植被覆盖类型和园林绿地类型、SAVI指数;
本研究采用SAVI指数,其主要原因是:(1)NDVI的饱和值很低(LAI 为2—3),只适用于稀疏植被条件下应用,但此时土壤辐射亮度的变化(如由于土壤含水量的变化而引起的反射率变化)对NDVI值又有极大的影响‘,而城市建成区恰恰多为植被覆盖率<30%的低植被覆盖区;(2)SAVI比较适用于低植被覆盖区,其探测下限可低至t5% ,因此较适合于城市建成区的使用;(3)SAVI较NDVI具有更宽的数值动态范围,在一1~1的区间范围里,。如将其换算(拉伸)至256个灰度级,SAVI的数值动态范围则比NDVI增加很多数量级。这一动态范围的增加,就使得建筑区、植被和水体这三种地类在SAVI影像中比在NDVI影像中更容易区分
lw-62CBERS-D数据在城市绿地信息提取方面的应用——【较好】
5、SVM 分类法本研究以江苏省徐州市为例,,运用SVM 分类法,提取城市绿地信息,结果表明,
lw-
6、目视解译提取城市绿地费时费力,但是精度较高,因此目前仍被广泛应用。:针对遥感技术提取城市绿地所存在的争论,分两步对城市绿地信息提取展开了研究:
(1)分别以三种不同的处理方法(植被指数法、KT变换法、像元线性分解),提取了研究区域ETM+影像的绿地信息。(2)针对同一方法(植被指数),提取了三种不同分辨率遥感数据(ETM+、SPOT、Quick—Bird)的绿地信息。实验结果表明:三种方法中植被指数(NDVI)是提取城市绿地的最佳方法,SPOT影像则是所有实验数据中绿地信息提取效果最好的。
lw-
7、运用遥感信息技术,以吉林市为例,在TM影像中对城市绿地进行信息提取。通