研究目的
开发一种高空间分辨率的黑河流域（HRB）月度土地覆盖分类综合方法，并通过整合多种分类器和多源数据来区分HRB中的主要作物。
研究成果
所提出的LCMM方法成功整合了多个分类器与多源遥感数据，生成了具有30米分辨率的月度土地覆盖图，并识别出黄河流域的主要农作物。该土地覆盖图的精度极高，超过90%，使其在土地过程建模、生态水文建模及作物产量估算等研究中更具实用性。
研究不足
多源遥感数据的预处理（包括地理配准和大气校正）非常重要，通常涉及大量人工工作。土地覆盖分类的标准具有灵活性，但将其迁移并扩展到其他区域是一个关键问题。
1：实验设计与方法选择
该方法整合了多种分类器，包括阈值法、支持向量机（SVM）、基于对象的方法以及时间序列分析。所有数据和分类器均通过决策树进行组织。
2：样本选择与数据来源
使用了三类数据，包括MODIS、HJ-1/CCD和Landsat/TM数据以及谷歌地球影像。
3：实验设备与材料清单
来自环境减灾一号（HJ-1）卫星的HJ-1/CCD数据、来自Landsat 5卫星的专题制图仪（TM）数据、搭载在Terra和Aqua卫星上的中分辨率成像光谱仪（MODIS）数据，以及具有极高空间分辨率（VHSR）的谷歌地球影像。
4：实验步骤与操作流程
制作了2013年黄河流域30米空间分辨率的月度土地覆盖图。进行了全面验证以评估分类精度。
5：数据分析方法
使用混淆矩阵评估分类精度。通过实地调查评估作物分类的准确性。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
HJ-1/CCD
China Centre for Resources Satellite Data and Application (CRESDA)
Used for land-cover mapping with high spatio-temporal resolution.
-
Landsat/TM
USGS
Used for land-cover mapping with its two shortwave infrared (SWIR) bands enabling the calculation of normalized difference built-up index (NDBI).
-
MODIS
NASA Goddard Space Flight Center
Used for constructing NDVI series with an interval of 8 days to fit the phenology of vegetation.
-
Google Earth imagery
Google Inc.
Used for sampling and validation purposes with very high spatial resolution (VHSR).
-
登录查看剩余2件设备及参数对照表
查看全部
