青藏高原位于亚洲中部，是亚洲数十条大江大河的发源地，也被誉为“亚洲水塔”,因此青藏高原的水环境和气候变化对欧亚大陆上的数十个国家的生态环境都有着重大影响。如何高效获取青藏高原积雪覆被数据是目前相关领域研究的热点问题。本研究以归一化差异雪指数(Normalized Difference Snow Index, NDSI)为基础，针对高原湖泊结冰容易导致运用常规监督分类方法进行遥感影像积雪提取中分类误差较大的问题，构建了针对高寒山区积雪提取的决策树分类模型，并执行获取决策树分类成果。同时以ENVI遥感图像处理平台共提供的6种应用较为成熟的监督分类算法获取的分类成果为对照，并分别统计各分类方法提取成果的总体分类精度(Overall Accuracy)和Kappa系数两个精度验证指标。最后，通过综合分析得出这7种分类方法的综合分类精度，由高到低分别为：专家决策树>最大似然法>支持向量机>神经网络法>马氏距离法>最小距离法>平行六面体法。其中，本研究所构建的决策树分类结果的总体分类精度和Kappa系数分别达到了96.83%和0.96,远高于其他6种常规监督分类...
青藏高原位于亚洲中部，是亚洲数十条大江大河的发源地，也被誉为“亚洲水塔”,因此青藏高原的水环境和气候变化对欧亚大陆上的数十个国家的生态环境都有着重大影响。如何高效获取青藏高原积雪覆被数据是目前相关领域研究的热点问题。本研究以归一化差异雪指数(Normalized Difference Snow Index, NDSI)为基础，针对高原湖泊结冰容易导致运用常规监督分类方法进行遥感影像积雪提取中分类误差较大的问题，构建了针对高寒山区积雪提取的决策树分类模型，并执行获取决策树分类成果。同时以ENVI遥感图像处理平台共提供的6种应用较为成熟的监督分类算法获取的分类成果为对照，并分别统计各分类方法提取成果的总体分类精度(Overall Accuracy)和Kappa系数两个精度验证指标。最后，通过综合分析得出这7种分类方法的综合分类精度，由高到低分别为：专家决策树>最大似然法>支持向量机>神经网络法>马氏距离法>最小距离法>平行六面体法。其中，本研究所构建的决策树分类结果的总体分类精度和Kappa系数分别达到了96.83%和0.96,远高于其他6种常规监督分类...
积雪信息对公路工程具有十分重要的作用，确定积雪区域、评估积雪对线路的影响、研判冰雪灾害、确定工作区雪线，对公路工程设计、建设和运营安全具有重要影响。目前大多数积雪提取的方法在公路设计建设领域中的需求导向和评估分析不足。鉴于此，文章从积雪提取精度、鲁棒性、人工干预程度和时间成本等四个方面对多种主流积雪提取方法进行比较分析，结果表明：支持向量机的监督分类方法综合评估最优，最适用于公路工程领域的积雪提取。
积雪信息对公路工程具有十分重要的作用，确定积雪区域、评估积雪对线路的影响、研判冰雪灾害、确定工作区雪线，对公路工程设计、建设和运营安全具有重要影响。目前大多数积雪提取的方法在公路设计建设领域中的需求导向和评估分析不足。鉴于此，文章从积雪提取精度、鲁棒性、人工干预程度和时间成本等四个方面对多种主流积雪提取方法进行比较分析，结果表明：支持向量机的监督分类方法综合评估最优，最适用于公路工程领域的积雪提取。
MODIS V006版本数据仅提供了归一化积雪指数（NDSI），而用户往往关心的是直观的积雪分类，包括积雪范围或积雪覆盖率。美国国家冰雪数据中心推荐全球积雪范围最佳的NDSI阈值为0.4，但是青藏高原地形复杂多样，积雪斑块化特征明显，单一阈值并不能精确地判识不同下垫面上的积雪。青藏高原被称为地球的第三极，是中国三大稳定积雪区之一，蕴藏了大量的淡水资源。随着全球气候变暖，青藏高原地区积雪融化时间提前，冰川融水增加，影响河流水量，造成洪涝灾害，进而影响人类正常生产生活，因此通过确定不同下垫面阈值，改善传统阈值的积雪高估低估现象，提高积雪识别精度，进而更准确地探究青藏高原积雪状况，显得尤为迫切。本文以青藏高原为研究对象，首先生成MODIS逐日无云NDSI序列并进行验证；其次对应站点雪深数据与NDSI序列，证实在下垫面为林地和非林地的区域，去云NDSI序列与站点雪深均有良好的对应关系，确定不同下垫面最优阈值范围；最后在最优阈值范围内通过混淆矩阵确定最优阈值。计算得出，林地NDSI=0.03时，总体精度最高为94.02%，在该NDSI之下，高估误差OE和低估误差UE分别为1.21%和4.60%；...
MODIS V006版本数据仅提供了归一化积雪指数（NDSI），而用户往往关心的是直观的积雪分类，包括积雪范围或积雪覆盖率。美国国家冰雪数据中心推荐全球积雪范围最佳的NDSI阈值为0.4，但是青藏高原地形复杂多样，积雪斑块化特征明显，单一阈值并不能精确地判识不同下垫面上的积雪。青藏高原被称为地球的第三极，是中国三大稳定积雪区之一，蕴藏了大量的淡水资源。随着全球气候变暖，青藏高原地区积雪融化时间提前，冰川融水增加，影响河流水量，造成洪涝灾害，进而影响人类正常生产生活，因此通过确定不同下垫面阈值，改善传统阈值的积雪高估低估现象，提高积雪识别精度，进而更准确地探究青藏高原积雪状况，显得尤为迫切。本文以青藏高原为研究对象，首先生成MODIS逐日无云NDSI序列并进行验证；其次对应站点雪深数据与NDSI序列，证实在下垫面为林地和非林地的区域，去云NDSI序列与站点雪深均有良好的对应关系，确定不同下垫面最优阈值范围；最后在最优阈值范围内通过混淆矩阵确定最优阈值。计算得出，林地NDSI=0.03时，总体精度最高为94.02%，在该NDSI之下，高估误差OE和低估误差UE分别为1.21%和4.60%；...