四川省成都市龙泉驿区遥感实验总报告.docx

四川省成都市龙泉驿区遥感实验总报告.docx

《四川省成都市龙泉驿区遥感实验总报告.docx》由会员分享，可在线阅读，更多相关《四川省成都市龙泉驿区遥感实验总报告.docx（24页珍藏版）》请在冰点文库上搜索。

四川省成都市龙泉驿区遥感实验总报告

龙泉驿区遥感影像分类与变化监测

1.数据准备

1.1研究区域概况

龙泉驿区是四川省省会成都市所辖的九区之一，位于成都中心城区东部偏南、龙泉山脉中段。

地貌主要以山地、丘陵、平坝为主，三者的面积分别占龙泉驿区总面积的39.07%、3.86%、57.07%。

龙泉驿区植物种类较多，森林植被与农田植被相间分布，山坝差异明显。

龙泉驿区地带性森林植被属亚热带常绿阔叶林带，由于长期人为活动的结果，自然原始森林植被己被破坏，代之而起的是天然次生林和人工栽培的乔木林、果树林和竹林。

龙泉驿区土地总面积5.5698万公顷，其中耕地7367.83公顷，占土地总面积的13.23%；园地2.5295万公顷，占土地总面积的45.42%；林地7628.2公顷，占土地总面积的13.70%；其他农用地3295.85公顷，占土地总面积的5.92%；居民点及工矿用地1.0742万公顷，占土地总面积的19.29%；交通运输用地539.83公顷，占土地总面积的0.97%；水利设施用地553.30公顷，占土地总面积的0.99%；未利用地274.93公顷，占土地总面积的0.49%。

1.2数据下载

在地理空间数据云网站下载分类所需的成都市龙泉驿区（2000/2014）遥感影像以及用于裁剪的龙泉驿区边界。

以下是下载的两期影像的具体信息以及经过波段压缩形成的.img图像。

遥感影像

数据标识

数据类型

卫星名称

传感器

条带号

太阳高度角

太阳方位角

平均云量

2000年

LT51290392000045BJC00

L45

TM

LANDSAT5

TM

129

60.7427

114.3321

0

2014年

LT51290392014083BJC00

L45

TM

LANDSAT7

TM

129

67.5078

103.5319

23.16

2000年3月龙泉驿区2014年3月龙泉驿区

2.数据处理

2.1多波段融合

运用ERDAS8.5中“LaryerStack”工具，进行多波段遥感影像的融合。

TM影像由7个波段，从下载的影像中选择1~7波段的影像，进行波段融合，为后面的处理提供基础。

融合后的图像（2000年）：

融合后的图像（2014年）：

2.2影像裁剪

运用ERDAS8.5中“Subset”工具，用下载的“龙泉驿区行政边界”裁剪融合成的影像，为接下来的分类做准备。

对融合好的图像进行裁剪：

2000年龙泉驿区裁剪图：

2014年龙泉驿区裁剪图：

3.监督分类

3.1监督分类的定义

监督分类就是先用某些已知训练样本让分类识别系统进行学习，待其掌握了各个类别的特征后，按照分类的决策规则进行分类下去的过程。

目前比较成熟的分类方法，一般是概率统计分类方法。

除此之外，尚有模拟自然语言的句法结构分类方法和模糊数学分类方法等。

就统计分类方法而论，其为通过计算各类别的均值、方差、协方差、标准偏差和离散度等统计量，作为进行比较不同类别的相似程度的一句和标准，也即在在这些统计量的基础上建立各组的类别识别特征进行分类。

自然监督分类的精度要比非监督分类的方法高些，准确度要好些，但是进度分类的工作量也要比非监督分类的方法大的多。

首先监督分类有一事先训练样本的的工作，，训练样本要选好，要有一定的的代表性，而且要有足够的数量。

另外，对于遥感影像分类来说，由于各种地物波普辐射的复杂性以及干扰因素的多样性，有时仅仅考虑在某特定时间和空间内选取训练样本还是不够的，为了提高分类的精度，这时还必须多选取一些样本组和研究一些新的分类算法。

3.2研究区地物类别的判定

3.2.1国家土地利用分类标准

根据国家土地利用分类的标准，本研究确定的其主要地物类型有：

林地、耕地、水体、建设用地。

由于图像上植被阴影的光谱特征近似水体，因此必将阴影与水体区分。

在不同时期的影像中，林地其下还有植被1、植被2的区分；耕地有g1/g2/g的区分；水体有堰塘/湖泊的区分；建设用地有道路/房屋的区分。

这样做的是为了分类更加精确。

但本次分类的目的是为了研究龙泉驿区2000-2014年土地类型的变化，所以最终两期影像的类别必须一致，在重编码时进行类别的合并。

3.2.2结合高分遥感影像的类别判定

高分辨率的遥感图像能很清晰的反映地面地物的类型及特征，从图像上不仅可以区分不同的地物，而且还能辨识它们。

因此我们可以借助高分辨率的遥感图像选择类别，以保证分类的准确性。

由于时间、设备等方面的原因未能实地进行考察来确定类别，故通过搜狗地图的高分影像作为参考。

由于两期影像的获取时间不同，类别会有所差别，但类别的大体方向相同（林地、耕地、水体、建设用地）但在最初建立模板有区别，在最后为进行变化分析，将类合并为4个，保持两期影像的类别相同。

水体：

高分影像2000年2014年

山体：

高分影像2000年2014年

植被：

高分影像2000年2014年

耕地：

高分影像2000年2014年

建筑：

高分影像2000年2014年

地物实际判读：

地物类别

图像特征

说明

水体

黑色或蓝黑色；线状、块状

湖泊、堰塘

阴影

深蓝或黑色；小块、碎条状

山地、建筑阴影

建筑房屋

灰白色；规则块状、斑状

建筑道路

蓝灰色；线状

植被

暗红色；块状

耕地

深灰色；块状

以下是两期图像的地物对比：

（左图为2000年，有图为2014年）

水体：

在图中表现为深蓝色耕地：

在图中表现为浅蓝色

植被：

在图中表现为红色建筑：

在图中表现为浅灰色

3.3建立监督分类模板

根据已有的类型建立两期分类模板

2000年的分类模版：

对2000年的监督图像进行分类，总共分成四个类型即：

水体、建筑、植被、浅植被几个类型。

2014年的分类模版：

对2014年的监督图像进行分类，总共分成六个类型即：

水体、建筑一、建筑二、建筑三、植被、山脊，植被较少几个类型。

监督分类结果图：

2000年分类结果

2014年分类结果

3.4精度评估

模板的数学统计并做均值折线图（以2014年为例，2000年同理可得）

在EXCEL中将各个地物的最大最小和均值统计出来

汇总为折线图如下所示：

4.非监督分类

4.1非监督分类的定义

非监督分类是指人们事先对分类过程不施加任何的先验知识，仅凭遥感图像地物的光谱特征的分布规律，随其自然地进行盲目的分类。

其分类的结果只是使不同类别达到了区分，并不确定类别的属性，其属性是通过事后对各类的光谱响应曲线进行分析，以及与实地调查湘比较后确定的。

遥感图像上的同类地物在相同的地表结构特征、植被覆盖、光照等条件下，一般具有相同的或相近的光谱特征，从而表现出来某种内在的相似性，归属于同一光谱空间区域；不同的地物，光谱信息特征不同，归属于不同的光谱空间区域。

这就是非监督分类的理论依据。

由于在一副复杂的图像中，训练区有时不能包括所有的地物光谱样式，这样就造成一部分像元找不到归属。

在实际工作中为了进行监督分类而确定类别和训练区的选取也是不易的，因而在开始分析图像时，用非监督分类方法来研究数据的本来结构及其自然点群的分布情况也是很有价值的。

非监督分类主要是采用聚类分析的方法，聚类是把一组像素按照相似性归属为若干类别。

目的是使得同一类别的像素之间距离尽可能的小而不同类别的像素之间的距离尽可能的大。

非监督分类算法的核心问题是初始类别参数的选定，以及它的迭代调整问题。

（1）确定初始类别参数，即是确定最初类别的数量和类别的中心（集群中心）。

（2）计算每一个像元所对应的特征矢量与各集群中心的距离。

（3）选与中心距离最短的类别作为这一个矢量的所属类别。

（4）计算新的类别的均值向量，比较新的类别均值与原中心位置上的变化。

（5）若位置发生了变化，则以新的类别均值为聚类中心，在从第二步开始重复，进行反复的迭代操作。

（6）如果聚类中心不再变化，计算停止。

4.2非监督分类的操作步骤

在ERDAS中利用工具classifer进行非监督处理

并建立2014年的非监督分类模板：

得到2014年的非监督图像：

同理建立2000年的非监督分类模板：

得到2000年的非监督图像：

4.3误差矩阵分析

误差矩阵（也称混淆矩阵）是表示精度评价的一种常用的标准格式，是指将分类数据（通常作为行）同参考数据（通常作为列）相比较而形成的矩阵表格，其中主对角线代表正确分类即一致的情况。

，非主对角线代表错误分类即不一致的情况。

误差矩阵可以提供三种描述性精度指标：

总体精度（overallaccuracy）、生产者精度（producer’saccuracy）、使用者精度（user’saccuracy）。

对一个特定的分类图像（或分类图）来说，总体精度等于正确分类数除以样本总数。

生产者精度：

实地样本被正确分类的的概率；使用者精度指分类中的一个样本能确实代表实际地类的概率。

分类计算表达式分别为：

整体精度=主对角线元素之和/误差矩阵所有元素之和

生产者精度=类型对应的主对角线元素/类型所在的列总和

使用者精度=类型对应的主对角线元素/类型所在的行总和

以2014年非监督图像为例：

2014年分类模板精度评估：

ACCURACYTOTALS

----------------

ClassReferenceClassifiedNumberProducersUsers

NameTotalsTotalsCorrectAccuracyAccuracy

---------------------------------------------------

Unclassified000------

水体000100.00%100.00%

植被34380.00%80.00%

山脊，植被较少32250.00%100.00%

建筑用地一111------

建筑用地二000------

建筑用地三333100.00%100.00%

Totals10109

OverallClassificationAccuracy=85.00%

-----EndofAccuracyTotals-----

同理，得2000年分类模板精度评估：

ACCURACYTOTALS

----------------

ClassReferenceClassifiedNumberProducersUsers

NameTotalsTotalsCorrectAccuracyAccuracy

---------------------------------------------------

Unclassified000------

水体21150.00%100.00%

植被232100.00%66.67%

浅植被555100.00%80.00%

建筑333------

Totals151514

OverallClassificationAccuracy=83.33%

-----EndofAccuracyTotals-----

5.分类后处理

5.1分类重编码

监督分类虽然知道实地有哪些地物，但由于同类异谱现象，分类时还需要将相同的地物类分成若干个光谱类进行处理。

例如：

耕地分为：

耕地g、耕地g1、耕地g2。

因此需要分类重编码，将要合并的两个或两个以上的类的不同编码和不同颜色都改为相同的编码和相同的颜色。

2000年重编码：

2014年重编码：

5.2聚类分析

分类后的结果中会产生一些面积很小的图斑。

无论是从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除。

聚类统计（Clump）是通过计算分类专题图像每个分类图斑的面积、记录相邻区域中最大图斑面积的分类值等操作，产生一个Clump类组输出图像，其中每个图斑都包含Clump类组属性。

该图像为中间文件，用于进行下一步处理。

2000年聚类分析：

2014年聚类分析：

5.3去除分析

去除分析是用于删除原始分类图像中的小图斑或Clump聚类图像中的小Clump类组，将删除的小图斑合并到相邻的最大的分类当中。

而且，如果输入图像是Clump聚类图像的话，经过去除分析后，将小类图斑的属性值自动恢复为Clump处理前的原始分类编码。

显然，Eliminate处理后的输出图像是对分类结果图像进行了制图综合。

2000年去除分析：

2014年去除分析：

6.专题地图

在去除分析的基础上用ArcMap对两期图像进行专题地图的操作：