城市绿地遥感信息提取与植被覆盖变化研究毕业论文【附数据】

城市绿地遥感信息提取与植被覆盖变化研究毕业论文【附数据】

引用

CSDN

1.

https://blog.csdn.net/checkpaper/article/details/143464222

博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。

（1）城市绿地信息提取与专题图制作

城市绿地是城市生态环境的重要组成部分，是衡量城市综合质量的重要指标。合理的城市绿地景观布局能够提升城市绿地系统的管理水平，是城市可持续发展的重要保证。快速城市化进程对城市绿地造成侵蚀，导致过多的城市绿地成为工业用地、建筑用地，严重阻碍了城市绿地的功能发挥。本文以3S技术为支撑，将攀枝花地区的高分辨率遥感影像作为主要数据源，以大渡口片区作为研究区域，利用ENVI5.3和ArcGIS10.0等软件，通过对遥感影像进行拼接、裁剪、提取绿地信息等处理，完成了城市绿地景观类型专题图的制作，并建立了城市绿地系统数据库。

• 数据处理：

• 数据来源：本研究选用攀枝花地区的高分辨率遥感影像作为主要数据源，这些影像具有较高的空间分辨率，能够清晰地显示城市绿地的细节。此外，还使用了MODIS NDVI数据，用于分析2000～2012年间攀枝花地区的植被覆盖变化及分布格局。

• 影像预处理：利用ENVI5.3软件对遥感影像进行拼接、裁剪、辐射校正和大气校正等预处理操作，确保影像的质量和一致性。影像拼接是为了消除不同影像之间的拼接线，裁剪是为了提取研究区域内的影像数据。

• 绿地信息提取：采用监督分类和非监督分类相结合的方法，对遥感影像进行分类，提取城市绿地信息。监督分类通过选择训练样本，建立分类模型，非监督分类通过聚类分析，自动识别不同的地物类型。分类结果经过人工目视解译和精度验证，确保分类的准确性。

• 专题图制作：

• 分类结果：分类结果显示，大渡口片区绿地总面积为219.35公顷，绿地覆盖率达到38.3%，仍未达到攀枝花城市总体规划对城市绿化覆盖率提出的近中期目标。

• 绿地景观类型：绿地景观类型主要分为公园绿地、防护绿地、居住绿地、公共建设绿地、道路绿地、风景游憩绿地、河川绿地及其他生态绿地等类型。各类绿地类型中，公共建设绿地和居住绿地的面积及斑块数量均占绝对优势。

• 专题图制作：利用ArcGIS10.0软件，将分类结果制作成城市绿地景观类型专题图，并建立了城市绿地系统数据库。专题图直观展示了不同类型的绿地分布情况，为城市绿地规划和管理提供了科学依据。

（2）城市绿地空间结构分析

在完成城市绿地信息提取和专题图制作的基础上，本文采用景观格局分析方法和地统计分析法，选取平均斑块形状指数（MSI）、Shannon多样性指数（SHDI）、Shannon均匀度指数（SHEI）、平均斑块分维数（MPFD）、破碎度指数（FS）等景观指数，对大渡口片区的城市绿地进行空间结构分析。

• 景观指数分析：

• 平均斑块形状指数（MSI）：MSI反映了斑块的形状复杂程度。计算结果显示，大渡口片区的MSI值较低，表明绿地斑块形状较为简单，多为规则形状。

• Shannon多样性指数（SHDI）：SHDI反映了景观类型的多样性和均匀性。大渡口片区的SHDI值为1.73，表明绿地类型的多样性程度较弱，有进一步提高的空间。

• Shannon均匀度指数（SHEI）：SHEI反映了景观类型在空间上的均匀分布程度。大渡口片区的SHEI值为0.79，表明绿地类型的分布较为均匀，但仍需进一步优化。

• 平均斑块分维数（MPFD）：MPFD反映了斑块的复杂程度和破碎化程度。计算结果显示，大渡口片区的MPFD值较低，表明绿地斑块的复杂程度不高。

• 破碎度指数（FS）：FS反映了景观类型的破碎化程度。大渡口片区的FS值为0.449，表明绿地斑块的破碎化程度较高，特别是道路绿地的破碎化程度最高，而防护绿地的破碎化程度最低。

• 空间结构特征：

• 斑块尺度：各绿地类型尺度斑块等级分配不均衡，总体以小型斑块为主，而防护绿地以大型斑块居多。这种斑块尺度的不均衡分布反映了城市绿地在规划和建设中的不均衡性。

• 破碎化程度：各绿地类型斑块破碎化严重，道路绿地破碎化程度最高，防护绿地破碎化程度最低。破碎化程度高的绿地斑块不利于生态系统服务功能的发挥，需要采取措施进行优化。

• 多样性与均匀度：大渡口片区城市绿地多样性指数为1.73，均匀度指数为0.79，破碎度指数为0.449，绿地多样性程度较弱，有进一步提高的空间。通过增加绿地类型和优化绿地布局，可以提高绿地的多样性和均匀度，增强城市的生态功能。

（3）攀枝花地区植被覆盖变化及分布格局分析

为了全面了解攀枝花地区的植被覆盖情况，本文利用MODIS NDVI数据，对2000～2012年间攀枝花地区的植被覆盖变化及分布格局进行了相关研究。

• 数据处理：

• 数据来源：选用2000～2012年间MODIS NDVI数据，这些数据具有较高的时间和空间分辨率，能够反映植被覆盖的动态变化。

• 数据处理：利用ENVI5.3软件对MODIS NDVI数据进行预处理，包括辐射校正、大气校正和时间序列分析。通过时间序列分析，可以揭示植被覆盖的年际变化和季节变化特征。

• 植被覆盖分析：

• 总体情况：攀枝花地区的植被覆盖情况总体较好，以高覆盖区域为主。NDVI值较高的区域主要集中在米易县和盐边县，这两个县的植被覆盖度较高，而攀枝花市城区范围内的植被覆盖度较低。

• 空间分布：植被覆盖空间分布差异性明显，米易县和盐边县的植被覆盖度高，而攀枝花市城区范围内植被覆盖度较低。这种空间分布差异反映了不同区域的自然条件和人为活动对植被覆盖的影响。

• 变化趋势：攀枝花地区植被覆盖面积在近年稳定持续增长，但部分区域植被覆盖严重减少，主要集中在盐边县的东北部、米易县沿河区域以及西部、攀枝花市辖区所在区域以及攀枝花市的南部。这些区域的植被覆盖减少主要是由于工业用地和建筑用地的连续开发所致。

• 原因分析：植被覆盖减少的区域主要集中在工业用地和建筑用地的开发区域。这些区域的开发活动导致了大量绿地的消失，对生态环境造成了负面影响。未来需要加强对这些区域的生态恢复和保护，以维持城市的生态平衡。

import numpy as np
import rasterio
from rasterio.enums import Resampling
import matplotlib.pyplot as plt

# 读取高分辨率遥感影像
high_res_image = 'path_to_high_resolution_image.tif'
high_res = rasterio.open(high_res_image).read()

# 读取MODIS NDVI数据
ndvi_file = 'path_to_ndvi_data.tif'
ndvi = rasterio.open(ndvi_file).read(1)

# 影像预处理
def preprocess_image(image):
    # 辐射校正和大气校正
    # 这里假设已经进行了辐射校正和大气校正
    return image

# 绿地信息提取
def extract_green_space(image):
    # 监督分类和非监督分类
    # 这里假设已经进行了分类，返回分类结果
    green_space = (image[3] > 0.2) & (image[4] < 0.3)  # 假设使用近红外和红光波段进行分类
    return green_space

# 计算景观指数
def calculate_landscape_metrics(green_space):
    # 平均斑块形状指数（MSI）
    msi = np.mean(green_space.shape)
    
    # Shannon多样性指数（SHDI）
    shdi = -np.sum(green_space * np.log(green_space))
    
    # Shannon均匀度指数（SHEI）
    shei = shdi / np.log(len(np.unique(green_space)))
    
    # 平均斑块分维数（MPFD）
    mpfd = np.mean(green_space.fractal_dimension())
    
    # 破碎度指数（FS）
    fs = np.sum(green_space.boundary_length()) / np.sum(green_space.area)
    
    return msi, shdi, shei, mpfd, fs

# 应用算法
high_res_processed = preprocess_image(high_res)
green_space = extract_green_space(high_res_processed)
msi, shdi, shei, mpfd, fs = calculate_landscape_metrics(green_space)

# 可视化结果
fig, ax = plt.subplots(1, 2, figsize=(12, 6))
ax[0].imshow(high_res[3], cmap='Greens')  # 显示近红外波段
ax[0].set_title('High Resolution Image')
ax[1].imshow(green_space, cmap='Greens')
ax[1].set_title('Green Space Extraction')
plt.show()

# 打印景观指数
print(f"Average Patch Shape Index (MSI): {msi}")
print(f"Shannon Diversity Index (SHDI): {shdi}")
print(f"Shannon Evenness Index (SHEI): {shei}")
print(f"Mean Patch Fractal Dimension (MPFD): {mpfd}")
print(f"Fragmentation Index (FS): {fs}")

# 读取MODIS NDVI数据
ndvi_file = 'path_to_ndvi_data.tif'
ndvi = rasterio.open(ndvi_file).read(1)

# 可视化NDVI数据
fig, ax = plt.subplots(figsize=(8, 6))
ax.imshow(ndvi, cmap='Greens')
ax.set_title('NDVI Data')
plt.show()