詹勇，马红，程方远

(1.重庆市勘测院，重庆 400020; 2.浙江省宁海县规划局，浙江宁波 315000)

1 引言

聚类分析就是用数学的方法处理给定对象的分类，已经被广泛应用到模式识别，数据挖掘，计算机视觉等领域［1］。随着遥感技术的发展，各种不同类型的传感器提供了大量的遥感数据，如何从海量数据中获取有用信息，聚类分析就是一种有效的方法，在土地覆盖分类、地物识别中起到了重要的作用。

上世纪70年代开始，科学家就开始研究并建立光谱相应与植被覆盖间的近似关系，在众多的植被指数中，归一化植被指数(NDVI)运用最多最广泛［2］。时序植被指数数据连续记录了植物生长变化的过程，通过对时序NDVI数据的分析有利于提高土地覆被分类的精度，因此时序NDVI数据的聚类分析研究具有重要的意义和应用价值［3，4］。

单独利用NDVI进行地表覆盖分类存在着较大的误差，近年来多时相数据在研究低分辨率土地覆盖和土地覆盖变化分析等方面引起许多研究者的兴趣，这些工作都是在强调利用植被指数的同时，或者引入其他的遥感观测数据［5］。Lambin和 Ehrhich提出 Ts/NDVI模型［6］，Ramakrishna Nemani和 Steve Running 利用NOAA/AVHRR多光谱遥感数据［7］;红波段，近红波段和Ts波段对美国进行土地覆盖覆被分类信息提取。随着遥感技术的发展和应用研究的深入，尽管许多新的植被指数考虑了土壤、大气等多种因素并得到发展，但是这些方法大都忽略了地表覆盖的持续动态变化，存在较多不可预测性误差。由于植被与非植被之间、各种不同的植被之间NDVI的变化曲线是不同的，所以可以利用季相性变化的NDVI指数，即时序NDVI来进行区域性地表覆盖分类或者提取土地覆盖的变化信息。……