基于TM影像的土地利用信息的自动提取与制图
TM影像土地利土地覆盖判读
表21.2我国土地利用图分类系统I 级Ⅱ级1.耕地11水田12水浇地13旱地14菜地2．园地21果园22桑园23其他园地3．林地31森林32灌木林地33疏林地34未成林造林地35迹地4.牧草地41天然草场42改良草场二、实验内容、步骤和结果（一）实验内容：通过利用ERDAS遥感图像监督分类和ERDAS遥感图像非监督分类，判读一幅昆明TM彩色合成图像，判读出水体、城镇居民地、道路等，用ERDAS软件分层解译出各地物类型；对比该地区的地图，判读出水体、城镇、道路等的名称和属性；编写简单的解译报告，说明图幅的简单状况。
（二）实验步骤步骤一——遥感图像分类---监督分类1、定义分类模板第一步：显示要进行分类的图像第二步：打开摸板编辑器并调整显示字段图5-1 分类模板编辑器第三步：获取分类模板信息指导学生掌握四中获取分类模板信息方法中的两种。
第四步：保存分类模板2、评价分类模板介绍报警评价、可能性矩阵、直方图三种分类模板评价方法。
要求学生重点掌握利用可能性矩阵方法评价分类模板。
3、执行监督分类在监督分类中，用于分类决策的规则是多层次的，如对非参数模板有特征空间、平行六面体等方法。
对参数模板有最大似然法、最小距离法等。
但要注意对应用范围，如非参数模板只能应用于非参数型模板；对于参数型模板，要使用参数型规则。
另外，使用非参数型模板，还要确定叠加规则和未分类规则。
根据以上要求，指导学生理解并正确填写监督分类对话框，执行监督分类。
图5-2 监督分类对话框步骤二——遥感图像分类---非监督分类1、分类过程（Classification Procedure）第一步：调出非监督分类对话框指导学生掌握两种方法。
方法一：DATA PRETATION→UNSUPERVISED CLASSIFICATION.方法二：Classifier图标→classification→unsupervised classi fication第二步：进行监督分类调出：unsupervised classification对话框（图6-1），逐项填写。
应用ENVI软件目视解译TM影像土地利用分类
应用ENVI软件目视解译TM影像土地利用分类一、本文概述随着遥感技术的不断发展，高分辨率卫星影像的获取与处理已经成为土地利用/覆盖分类研究的重要手段。
其中，TM（Thematic Mapper）影像，作为一种经典的中分辨率遥感数据源，具有广泛的应用前景。
然而，如何有效地从TM影像中提取土地利用信息，尤其是通过目视解译的方法，一直是遥感应用领域的研究热点。
本文旨在探讨利用ENVI软件对TM影像进行目视解译的方法，并对土地利用分类的过程进行详细阐述。
文章首先介绍了TM影像的特点及其在土地利用分类中的适用性，然后重点阐述了ENVI软件在目视解译过程中的优势和应用流程。
通过实例分析，本文展示了如何利用ENVI软件对TM影像进行预处理、特征提取、分类决策以及后处理，从而实现高精度的土地利用分类。
本文的研究不仅有助于提升TM影像在土地利用分类中的应用效果，同时也为其他遥感影像的目视解译提供了有益的参考。
通过本文的阐述，读者可以更好地理解ENVI软件在遥感影像处理中的重要作用，掌握土地利用分类的基本方法和技巧，为相关领域的实践和研究提供有力支持。
二、理论基础与技术方法土地利用分类是对地球表面土地利用类型进行划分和识别的过程，它是地理信息系统（GIS）和遥感（RS）技术的重要应用领域。
TM（Thematic Mapper）影像是由美国陆地卫星（Landsat）提供的多波段扫描影像，因其具有较高的空间分辨率和丰富的光谱信息，在土地利用分类中被广泛应用。
目视解译是一种基于专家知识和经验的影像解译方法，它通过人工观察和分析影像的纹理、色彩、形状等特征，结合地物的光谱特性，实现对地物类型的识别。
目视解译在土地利用分类中具有直观、准确和灵活等优点，尤其在处理复杂地物类型和细节信息时表现出色。
在ENVI软件中，目视解译可以充分利用其强大的图像处理和分析功能，如波段组合、色彩增强、空间滤波等，提高解译的精度和效率。
同时，ENVI软件还提供了丰富的地物分类工具和模型，如监督分类、非监督分类等，可以辅助用户进行自动化的土地利用分类。
基于遥感影像数据的土地利用动态监测
第32卷第3期2009年6月测绘与空间地理信息GEOMATIC S & SPAT IAL IN F ORMAT ION TECHNOLOGYVo l. 32, No. 3Jun. , 2009 基于遥感影像数据的土地利用动态监测高炳浩(吉林省基础地理信息中心,吉林长春130051)摘要:以松原地区T M 影像为实验数据,利用遥感分类软件通过最大似然法作为平行六面体判别规则对遥感影像数据进行监督分类,并通过遥感影像地图代数和拓扑运算,完成了土地动态监测过程。
关键词:监督分类;动态监测;地图代数中图分类号: TP75 文献标识码: B文章编号: 1672 - 5867 ( 2009) 03 - 0098 - 02Land Use D ynam ic M on itor ing Ba sed on RS Images Da taGAO B ing - hao( J ilin Geoma tics Cen ter, Changchun 130051, Ch ina)Abstract: Taking TM im ages of Songyuan area as experim ental data, this paper imp lem ented the supervised classification for the re2 mote sensing im ages data through maxim u m likelihood method as Parallelep iped division rule assisted by the remote sensing classifica2 tion softw are. Finally, through the calculation of map algebra and topo log y fo r the remote sensing im age, it accomp lished the land use dynam ic monitoring.Key words: supervised classification; dynam ic monito ring; map algebra0 引言随着高光谱和高分辨率遥感影像的普及, 给予了土地变化监测新的技术手段和方法,能够及时准确地反映土地变化情况,为决策服务提供有利的技术支持。
基于HSI高光谱和TM图像的土地盐渍化信息提取方法
发射的用 于生 态 监 测 的 环 境卫 星 ，其 中 ＨＪ 一 １ Ａ 星 搭 载 了 Ｃ Ｃ Ｄ相机和超光 谱成 像仪 （ ＨＳ Ｉ ） ，ＨＳ Ｉ 对 地 刈宽 为 ５ ０ ｋ ｍ， 星下点像元地 面分 辨率为 １ ０ ０ １ Ｔ Ｉ ， 在工作 谱段 ４ ５ ９ ～９ ５ ６ ｎ ｒ ｎ 内有 １ １ ５ 个波谱通道 ，具有±３ Ｏ 。 侧视 能力 和星上定标 功能 ， 重访周期 为 ９ ６ ｈ ，其数据平均 光谱分 辨率为 ４ ． ３ ２ ｎ ｍ［ ， 优
光谱和多光谱影像 的分类精度进行 比较分析 。结果 表明 ：ＨＳ Ｉ 图像的总体分类 精度达 ９ ６ ． ４ ３ ％， Ｋａ ｐ ｐ ａ 系数 为９ ５ ． ５ ９ ，而 Ｔ Ｍ 图像 的总体分类精度 为 ８ ９ ． １ ７ ， Ｋ ａ ｐ ｐ ａ 系数为 ８ ６ ． ７ ４ ， 说 明相 比多光谱 ＴＭ 数据 ， 基 于高光谱 图像可 以更 为准确有效地提取 土地盐 渍化信 息 ；由分类结 果图可 以看 出，高光 谱影 像土地 盐渍化 的区分 度高 于多光谱影像 。该研究探索 了高光谱 图像 土地盐 渍化信 息的提取技 术方法 ， 提供 了不 同盐渍化 土地的分布 比例 数据 ， 可为黄河三角洲滨海盐碱土地资源 的科学利用与管理提供决策依据 。 关键 词 ＨＳ Ｉ 高 光谱数据 ； Ｔ Ｍ 图像 ； 光谱特征 ； 盐渍化程度
题。 黄河三 角洲是我 国重要 的后 备土地 资源 区，受河 流 、陆
地、 海洋等多种 动力 系统 的作 用 ，盐 渍土 面积 大 、分 布广 ， 土地利用状况变化频繁 ，生态 环境脆弱 。由于其 独特 的 自然
遥感论文——精选推荐
基于面向对象的多光谱数据的地表信息提取应用摘要随着计算机技术和遥感技术的发展，遥感技术在社会的各个方面得到了广泛应用，如对资源、环境、灾害、城市等进行调查、监督、分析和预测、预报等方面的工作。
所以分类作为遥感技术中的一项最基本的研究，也是遥感技术运用最为广泛的一项技术，也相应的提出了更高的要求。
然而目前主要的分类方法是监督分类和非监督分类，这两种方法是基于像元的分类方法，不能有效的利用影像的空间纹理信息。
而且基于像元的分类方法还存在着分类结果出现椒盐现象的问题，从而导致大量无效破碎图斑的产生，最终导致分类精度不高。
随后又提出了在此两种方法的基础上该进的方法，如模糊分类法、基于神经网络的分类方法和基于决策树的分类方法等。
虽然后述这些方法在一定的程度上提高了分类的精度，但是他们依旧是建立在像元的基础上，也没有考虑到对象的空间纹理信息。
所以也会出现上述的一些问题（如：椒盐现象等）。
所以传统的分类方法已不能满足分类的需求。
所以基于以上这些问题，面向对象的分类方法应运而生，面向对象的分类方法充分利用影像的光谱信息、空间几何信息、纹理信息来进行分类。
采用多尺度分割算法，采用不同的分割尺度，能够较好的提取各种尺寸大小的地物。
所以运用面向对象的分类方法提取地表信息是，能够细致的提取出地表所覆盖的地物种类，并且能够达到更高的提取精度，能够更加准确的为相关部门提供数据资料，为相关部门作出决策判断提供依据。
本文中采用面向对象的分类方法与传统的基于像元的分类方法相比有一下有点：基于影像多尺度分割得到同质像元组成的影像对象，对象内部的光谱差异值很小可以忽略其内部的信息，从而避免了椒盐现象的出现，对象之间的区分同时考虑了光谱和形状两种因子，为分类提供了更多的特征，有效地克服了基于像元分类的一些局限性；多尺度的空间分析，可以满足不同尺度地物的信息提取要求；模拟人脑的思维方式充分利用影像对象的各种特征，以达到尽可能高的精度提取地物信息的目的。
ETM+(TM)数据在土地利用动态监测中的应用
Ｋｅ ｒ ｓ： ｎｄ ｕ ｅ；Ｄｙｎ ｍｉ ｙ ｗｏ ｄ Ｌａ ｓ ａ ｃ ｍｏｎ ｔ ｒｎ ｉｏ ｉ ｇ；Ｃｈ ｎｇ ｎｆ ｍａ ｉ ａ ｅ ｉ ｏｒ ｔｏｎ；ＥＴＭ ＋
目前 土地 利 用监 测有 高 、 、 分 辨率 ３ 层 次 的监 测 体 系 ， 用 ＭＯＤ Ｓ等低 分辨 率 影像 可 以对 中 低 个 采 Ｉ 土地 变化进 行快 速 、 略 、 粗 大范 围的监 测 ； 用 陆地卫 星 Ｅ Ｍ ＋（ Ｍ） Ｃ Ｅ Ｓ等进 行 中等 尺度 和精 度 采 Ｔ Ｔ 、Ｂ Ｒ
维普资讯
第 ３ 卷第 ４ １ 期
南 京 林 业 大 学 学 报 （ 然 科 学 版） 自
Ｖｏ． １ Ｎ ． １ ， ｏ４ ３
２０ ０ ７年 ７月
Ｊ ｕ ｎ ｌ ｆＮａ ｊｎ ｒ ｓｒ ｉｅ ｓｔ （ ｔ ｒ ｌ ｃｅ ｃ ｓＥｄｔ ｎ ｏ ｒ ａ ｎｉｇ Ｆｏ ｅ ｔｙ Ｕｎｖ ｒｉｙ Ｎａｕ ａ Ｓ ｉｎ ｅ ｉｉ ） ｏ ｏ
Ｊ １，０ ７ ｕ． ２ ０
Ｅ Ｍ ＋ （ Ｍ ） 据 数
刘 琳
（ 徽 农 业 大 学 理 学 院 ， 徽 合 肥 ２ ０ ３ ） 安 安 ３ ０ ６
摘 要 ： 研 究 区两 个 时相 的 Ｅ Ｍ ＋（ 对 Ｔ ＴＭ） 影像 进 行 土 地 利 用 分 类 ， 别采 用 分 类 后 比 较 法 、 分 图像 差 值 法 、 光
数据 。
关键词 ： 土地 利用 ； 态 监 测 ； 化信 息 ； ＴＭ＋ 动 变 Ｅ
中 图分 类 号 ： ３ ０ ￥ ５ ＴＰ — ５； ７ ７
文献标识码 ： Ａ
文 章 编 号 ：０ ０ ２ ０ （ ０ ７ ０ － ０ ７ — ０ １０ — ０ ６ ２０ ）４ ０７ ４
基于TM影像的多伦县土地利用信息提取
１ Ｋ ｙＬ ｂｒｔ ｙｆｒ ｉ ｉ ｌ ｒ ａｄＣ ｎｅｖｔ ｎ（ ｅｉｇＦ ｒｓｙＵ ｉｅ ｉ ） Ｍ ｎｓ ｆ ｄ ｃｔ ｎ Ｂ ｉｎ ０ ０ ３ ｉ ｅ ａｏａ ｒ ｌｃ ｔ ｅ ｎ ｏｓｒ ｉ Ｂ ｉｎ ｏｅｔ ｎｖｒｔ ， ｉｉｒ ｏ ｕａｉ ， ｅ ｉｇ１０ ８ ， （ ｏ ｏ Ｓｖ ｕ ｕ ａｏ ｊ ｒ ｓｙ ｔ ｙ Ｅ ｏ ｊ
第 ３ 卷 第 １ 期 ８ ０
２１ ０ ０年 １ ０月
东
北
林
业
大
Hale Waihona Puke 学学报 Ｖ０ ． ８ Ｎｏ １ １３ ． ０
Ｏｃ ．２ １ ｔ ００
Ｊ ＲＮＡＬ ＯＦ Ｎ ＯＵ ＯＲＴ ＡＳ Ｏ Ｓ ＲＹ Ｕ ＶＥ Ｉ Ｙ ＨＥ Ｔ Ｆ ＲＥ Ｔ ＮＩ ＲＳＴ
基 于 Ｔ 影 像 的 多 伦 县 土 地 利 用 信 息 提 取 Ｍ
吴 见 彭道 黎
（ 省部共建森林培育与保护教育部重点实验室（ 北京林业 大学 ） 北京 ，１０ ８ ） ， ００ ３
摘 要 在 内蒙古多伦县土地利用现 状调查 中， 根据该 区地表异质性和破碎化 强烈 、 地物光谱特征混杂严重、 土地利 用／ 覆被遥 感信息提取对 目视解译依赖程度 高的特点 ， 将基 于知识的遥感信 息提取技 术应 用于该地 区。通 过地物光谱特征 的深入分析 ， 用线性光谱 混合分解模型将主要 地物覆被类型分 离， 并建立多个专题信 息模 型 ， 依据 经验知识 建立 了各 用地类型提取 规则 ， 取 了多伦县 ２ ０ 提 ０７年 的土地利 用信 息。结果表 明：０７年的土地 利用结 ２０ 构仍 以耕地 、 草地 、 牧 未利 用地为主， 地类分别 占总面积 的 １ ． ％ 、５ ２ 和 ２ ． ％ ， ３种 ６４ ５．％ ０ ３ 林地 面积为 ２ １ ｍ ． １ ９ｈ ９ 占总面积 的 ５ ６ ． ％。旱地 、 退化草 地和 沙地 比例偏 高 ， 多伦县的生态环境 虽有所改善 ， 但仍 处于极 不稳 定的状 态。 关 键 词 土地 利 用 ； 感 ； 策 树 ； 遥 决 多伦 县
全国土地利用数据遥感信息提取土地利用数据说明
全国土地利用数据遥感信息提取土地利用数据说明北京揽宇方圆信息技术有限公司是中国科学院系统的遥感影像数据服务企业，专注于遥感影像数据一站式的基础卫星数据服务、卫星影像数据处理服务。
土地利用数据时间：1985年、1990年、1995年、2000年、2005年、2010年、2015年土地利用数据源：Landsat TM影像Landsat ETM影像土地利用数据遥感信息的提取：根据影像光谱特征，利用ARCGIS、易康软件、ENVI软件等，同时参照有关地理图件，对地物的几何形状，颜色特征、纹理特征和空间分布情况进行分析，提取土地利用信息。
土地利用/覆被变化信息的提取。
采用arcgis与易康结合，它通过分析地物光谱特征和其他图像特征，充分利用高程、坡度等地理辅助信息可以有效地提高分类精度，比较适合于地形破碎、地物分布复杂的地区。
基于Landsat TM遥感影像，采用全数字化人机交互遥感快速提取方法，同时参考国内外现有的土地利用/土地覆盖分类体系，以及遥感信息源的实际情况，将遥感影像进行解译并进行验证将土地利用数据类型划分为6个一级分类，24个二级分类以及部分三级分类的土地利用/土地覆盖数据产品，并结合本项目制定土地利用数据产品分类体系。
目视解译侧重于人的知识的参与，为了减少由于不同人员的主观差异性所造成的误差，提高遥感判读精度，因此建立统一解译标志是十分必要的。
根据影像光谱特征，结合野外实测资料，同时参照有关地理图件，对地物的几何形状，颜色特征、纹理特征和空间分布情况进行分析。
一、TM影像数据的预处理。
遥感数据处理主要包括大气校正、几何校正和图像增强，并利用行政边界矢量图对影像进行裁剪。
二、土地利用变化信息提取。
首先对其中的一期影像分别采用人工解译的方法，然后利用易康开始分类。
三、数据集成对数据形式特征（如格式、单位、分辨率、精度）等和内部特征（特征、属性、内容等）做出全部或部分的调整、转化、合成、分解等操作，形成充分兼容的数据库。
基于Ｓｅｎｔｉｎｅｌ－２_遥感影像的农田防护林自动提取研究
起步早ꎬ 规模大ꎬ 效果较好 [８] ꎮ
２ 数据及预处理
本研究采用欧洲航天局 Ｓｅｎｔｉｎｅｌ － ２ 卫星数据作为
主要数据源ꎬ 采集时间为 ２０１７ 年 ６ 月 ２８ 日ꎬ 精度评
收稿日期: ２０２３－０７－２４
基金项目: 国家自然科学基金面上项目 “ 东北杨树农田防护林碳储量遥感估算” ( 项目编号: ３１９７１７２３)
识别长度ꎬ 结合高精度卫星影像图矢量 化 标 准 防 护
林ꎬ 对试验区 １ 的精细化处理结果进行定量评价ꎬ 精
度评价结果见表 ２ꎮ
表 ２ 试验区 １ 定量精度评价
样区
识别长度
影像实际
长度
空间吻合
长度
冗余提取
长度
遗漏长度
误差长度
空间
吻合率
冗余率
遗漏率
长度
正确率
试验区 １ １４１２０ ８７００３ １５２４９ ３４４９２ １４８７５ ７０８８ ６６６ ０７１４８６ ３７３ ６３６１３５ １１２８ ４７４８９３ ０ ９７５４９８２１７ ０ ０４４７７５７８ ０ ０２４５０１７８ ０ ９７５４９８２１７
阈值的方式对此类噪声点进行剔除ꎮ
３ 研究方法
经过上述方案处理最终得到的农田防护林分类处
理结果是连续不断的ꎬ 且已经剔除了绝大部分噪声点
３ １ 农田防护林分类特征空间构建
研究区内农作物多以高杆玉米为主ꎬ 直观上会对
同是植被的防护林识别带来干扰ꎬ 所以仅参照光谱波
段和某些植被指数进行分类难以满足精度和效率需
结果精度评价ꎮ
针对随机森林分类后的初步结果ꎬ 结合 １ｍ 分辨
纹理特征、 植被指数与空间特征 ４ 大类ꎬ 构建农田防
基于TM影像的土地利用动态变化分析研究——以烟台市六区为例
３２ 最小 噪声 分 离变 换 （ ． ＭＮＦ ） 最 小 噪 声 分 离 变 换 本 质 上 含 有 两 次 叠 置 处 理
的主成 分分 析变 换 。第 一 步 ， 用 高 通 滤 波 器模 板 利
３ 土 地 利 用 遥 感 动 态 监 测 研 究 方 法 与 技 术 路 线
３ １ 数 据 预 处 理 ．
应 土地利 用 的这种快 速变 化 。遥感 以其 覆盖 面 大 、 信 息 更新快 、 人为干扰 因素 小等优 点 已逐渐应 用 到土地
利 用 动 态 监 测 中 ， 成 为 当 今 遥 感 技 术 应 用 的 热 点 之 并
２ ９ 。拥 有 ９ ９ ｍ 海 岸 线 和 ２ ６万 ｋ ．０ ０ｋ ． ｍ。的 海 域 面积 ， 小基 岩 岛屿 ６ 大 ３个 ， 居 民 的 岛 １ 有 ５个 。烟 台
对整 幅 影像 或具 有 同一性 质 的影像 数 据块 进行 滤 波
烟 台市 地处 山 东 半 岛 东 部 ， 于北 纬 ３ 。 ６～ 位 ６ １
３ 。３ ， 经 ｌ ９３ １ １５ 地 形 为 低 山 丘 陵 区 ， ８２ 东 ｌ 。４～ ２ 。７ ， 山 丘 起 伏 和 缓 ， 壑 纵 横 交 错 。 山 地 占 总 面 积 的 沟 ３ ． ２ ， 陵 占 ３ ． Ｏ ， 原 占 ２ ． ８ ， 地 占 ６ ６ 丘 ９ ７ 平 Ｏ ７ 洼
基于TM影像信息的提取
基于landsat-TM影像的专题信息提取摘要：本文以沈阳地区为研究区，利用光谱信息提取水体、植被，采用基于灰度共生矩阵的纹理量的分类法，通过TM5波段提取灰度共生矩阵和灰度联合矩阵，计算并提取最能反映类别差异的纹理量值将光谱信息混淆的水田、旱田、居民地用分离，得到最终的分类结果。
结果表明:将纹理特征应用于图像分类中可区分光谱混淆的地类，光谱与纹理特征结合得到的分类精度要高于单纯光谱的分类精度。
关键词：遥感影像;光谱特征;纹理特征;灰度共生矩阵;分层提取;土地利用Abstract:Based on the study of shenyang area for using spectral information extraction，water,vegetation,based on gray symbiotic matrix of the texture classification,through the TM5 band extraction graylevel co-occurrence matrix and gray,and joint matrix extraction can reflect the differences between vector-valued texture category will confuse the paddy fields,spectral information structure,separation,with residents of the final results of the classification.Results show that: the texture characteristics will be applied to image classification can distinguish the confusion of spectral spectrum and texture feature combination,the classification accuracy than pure spectral classification accuracy.Key words:remote sensing image;spectrum feature;texture feature;text gray-level co-occurrence matrix;layered extraction;land-use引言遥感图像信息专题特征的提取，需要对TM图像的光谱信息和纹理信息进行综合分析,以达到提高影像分类精度的目的[1]。
基于TM影像的北京城乡结合部土地利用变化分析
收稿 日期 ：０ １—０ ２１ ５—３ ０
镇用地信息提取的原理以及城镇用地和其他类型用地的
区别 ， 并对城 镇 用 地 与其 他 类 型用 地 的光 谱 结 构 特 征进 行 了分 析 ； 刘芳 等基 于遥感 与 ＧＳ技术 ， 合 多源 遥感 Ｉ 结
数据， 利用主成分分析法定量分析影 响北京市农 村居民
（ ｃｏ ｌ ｆ ｉｉＥ ｇ ｅｒ ｇ Ｂ ｉｎ ｉ ｔｎ ｎｖｒｉ ， ｅ ｉｇ１０ ４ ， ｈｎ ） Ｓｈ ｏ ｖ ｎ ｉ ｅｉ ，ｅ ｉｇＪａ ｏ ｇＵ ｉｅｓｙ Ｂ ｉｎ ００ ４ Ｃ ｉａ ｏＣ ｌ ｎ ｎ ｊ ｏ ｔ ｊ
Ａｂ ｔ ａ ｔ ｓｒ ｃ ：Ｒｅ ｔ ｅ ｓ ｇ ｃａ ｓｆ ａｉｎ ｃ ｎ ａ ｑ ｉｅｔ ｅ ｉｆ ｒ ｔ ｎ ｏ ｄ ｕ ｅ ｃ ａ ｇ ａ ｉ ｌ ． ｓ ｄ ｏ ｈ ｗ ｈ ｓ ｓ ｏ ａ ｄ ａ ｍｏｅ ｓ ｎ ｉ ｌ ｓ ｉ ｃ ｔ ａ ｃ ｕ ｒ ｈ ｎ ｏｍａｉ ｆｌ ｓ ｈ ｎ ｉ ｏ ｏ ｎ ａ ｎ ｅ ｒ ｐ ｄｙ Ｂａ ｅ ｎ ｔ ｅ ｔ ｏ ｐ ａ ｅ ｆＬ ｎ ｓ ｔ
基于TM影像的半干旱区土地利用信息提取——以山西省定襄县为例
１ 资 料 与方 法
１ １ 研 究 区 概 况 及 数 据 源 ．
山西 省定 襄县 位 于东 经 １２ ９ ， 纬 ３ ．ｏ地 １ ．ｏ北 ８ ４， 处 忻定 盆地 东侧 ， 、 、 三 面 环 山 ， 西 部 为河 北 东 南 中、
利用 多种信 息源 、 同分 辨率 的卫 星 影 像进 行 土 地 不 利用信 息 的提 取 正 在逐 步 推 广 。从 目前 的 研 究 来 看， 多数研 究者 对 于半 干 旱 区土 地 利 用 信 息 的提 取 进行 了相关 的研 究 。王 雪 梅等 ＿ 以 定西 县 为 例 ， ２ 对 黄 土丘 陵半 干旱 区的 土地 利 用 进 行 提取 ， 分 析 其 并 土地 利用 变化 ； 邓锟 等 ＿ 应 用 主成 分 变 换 与基 于灰 ３ ｊ
据 定襄 县 的土地利 用特 点可 将土地 利用 类型 划分 为
像 的 自动 分类 效率 和 精度 ， 出 了将 图像 光 谱 特 征 提 及其 它空 间辅 助 信 息 相结 合 ＿ ４ 。何 灵 敏 等［ ］ １ 认 ３ 为对 土地 利 用 信 息 进 行 提 取 过 程 中加 入 Ｎ Ｖ 信 ＤＩ 息 ， 以较 为准 确地 提 取 耕 地 、 地 和林 地 的信 息 ， 可 园 然 而干旱 区 、 干旱 区地物 类 型复杂 ， 半 很难 辨别 光谱
度共 生矩 阵纹 理特征 相结 合 的方 法对 Ｔ 影像 进 行 Ｍ
谷 平 川 ， 于 温 带 大 陆 性 气 候 。平 均 降 水 量 为 ４０ 属 ０
～
６ ０ｍ 属 于半 干 旱 地 区 ， 县 土 地 总 面 积 ８ ６ ５ ｍ， 全 ．５
，
× ｌ ４ｈ Ｏ ｍ２
已开发 利用 ６ ７ ．２×１４ ｍ ， 中耕地 ２ ６ ０ ２ 其 ｈ ．
中分辨率遥感影像土地利用覆被信息自动提取研究——以太原市区Landsat8影像为例
中分辨率遥感影像土地利用覆被信息自动提取研究——以太原市区Landsat8影像为例侯志华;马义娟【摘要】“土地利用/土地覆被”(简称LUCC)是全球环境变化研究的热点问题之一,遥感技术是LUCC研究的重要手段,遥感影像LUCC信息的高精度自动提取成为众多专家学者关注的重要研究领域.Landsat系列卫星影像是最早且最为广泛使用的中分辨率陆地遥感影像.文章以2013年2月发射的Landsat8卫星的OLI影像为研究对象,利用ENVI软件,对太原市区的土地利用/土地覆被信息分别用最大似然法和决策树分类法实现自动提取,并进行精度比较.结果表明:最大似然法提取的总体精度为69.33％,Kappa系数为0.605 5,主要是耕地与林地、草地、建设用地以及建设用地与裸地的混分、错分现象较为严重,造成分类精度较低;而决策树分类法的自动提取通过确定适当的判别规则,使地类间的混分、错分现象明显改善,分类总体精度提高到91.33％,Kappa系数达到0.892 3,各土地利用类型的分类精度均有一定提高.【期刊名称】《太原师范学院学报（自然科学版）》【年(卷),期】2014(013)004【总页数】6页(P93-98)【关键词】自动提取;决策树分类;最大似然分类;土地利用/土地覆被;Landsat8【作者】侯志华;马义娟【作者单位】太原师范学院地理科学学院,山西太原030031;太原师范学院地理科学学院,山西太原030031【正文语种】中文【中图分类】TP790 引言土地利用／土地覆被（LUCC）研究，一直受到国际组织和世界各国的普遍关注，广泛成为地学、生态、环境、土地等领域的热点课题[1，2]，众多专家学者从LUCC的演化规律、驱动机制、空间格局、生态响应、环境变化等角度探索研究[3－6].随着遥感技术的发展与成熟，利用遥感影像成为LUCC研究的一种流行趋势，因此，遥感影像LUCC信息的快速、高精度提取成为LUCC研究中必不可少的重要内容和关键环节[7，8].遥感影像信息提取有人工目视解译和计算机自动分类两大方式，人工目视解译精度高，但费时、费力，速度慢，周期长，计算机自动分类速度快，但由于遥感影像存在的“同物异谱”和“同谱异物”现象，总的来说，分类精度不是很高，往往满足不了使用要求，成为阻碍遥感技术大规模实用化的瓶颈之一.近年来，有不少学者提出了许多新方法:基于最优波段组合提取[9、10]、基于多维特征信息提取[11，12]、以专家知识和经验为基础的光谱信息和其他辅助信息复合法[13，14]、基于知识的分层分类方法[13]、面向对象的分类方法[16]等，这些方法在数据选择上、算法上或是处理过程做了改进，分类精度均有一定提高，然而，任何一种自动提取方法都有针对性和适用范围.随着遥感平台的多样化和图像分辨率的提高，遥感数据类型琳琅满目，如何对所需的遥感数据选择合适的提取方法成为业内人士一直热衷的研究课题.Landsat系列卫星是最早的陆地资源卫星，是20世纪70年代、80年代甚至90年代最主要的航天遥感数据资源，21世纪以来遥感数据多源化，然而Landsat卫星影像因其价格低廉、存量数据时间跨度长、易于获取等优势仍然被广泛使用，尤其是中等尺度的地域研究[17、18].2013年2月Landsat8号卫星发射成功，为Landsat系列数据注入了新鲜血液，因此，Landsat卫星影像仍将在以后较长的一段时间内成为主流遥感数据之一.本文以太原市区Landsat8号卫星OLI影像为例，采用传统的最大似然法和决策树分层分类法对土地利用／覆盖信息自动提取研究，为挖掘遥感信息的理论研究以及Landsat卫星影像在土地利用／覆被方面的应用，提供一定的参考.1 研究方法1.1 最大似然法最大似然分类法，是遥感图像监督分类的经典算法，在土地利用／覆被信息提取中应用广泛.其基本思想是:因为同类地物光谱特征具有相同或相似性，异类地物光谱特征具有差异性，所以每类地物在多光谱空间会形成一个特定的点群，这些点群的位置、形状、密集或分散程度各有其分布特征；最大似然法就是根据各类的一些已知数据，构造出各类点群的分布模型，计算各类别的概率密度函数或概率分布函数；在此基础上，计算每一个像素属于各个类别的概率，取最大概率对应的类别为其归属类型.最大似然法的前提条件是假设遥感图像的每个波段地物光谱特征服从正态分布，因此，对符合正态分布的样本聚类组而言，是监督分类中较为准确的分类器，但对于“混合像元”、“同谱异类”等光谱特征相似的类别，达不到理想的分类效果.1.2 决策树分类法决策树分类法，是一种较为高效的分类器，其流程类似于一个树形结构，以一个根节点为基础，寻找信息量大的属性字段形成一条规则，派生出两类结果，以此建立决策树的一级内部节点，再以每个节点为基础，根据属性的不同取值形成规则，建立下一级节点，该过程向下继续拓展，直至图像分出类别（叶节点），这种以自顶向下递归的分层分类方式构造判定决策树的方法称之为“贪心算法”，它将复杂的决策形成过程分散成易于理解和表达的规则或判断.决策树分类最大的优点是，各个节点处划分的类别较少，划分的标准（属性）基本明确，可以更加有针对性地选择少数特征属性建立判别函数进行类别划分，且特征属性不仅可以选择单波段光谱特征值，还可以选择波段组合的光谱特征值，每一分层每个节点均可以根据不同的分类目的确定和调整特征属性和判别函数.其缺点是分类决策规则的建立对样本的依赖度大，且主观性较强.2 实验分析2.1 数据源及预处理太原市区2013年6月27日Landsat8号卫星的OLI影像为本次研究的主要数据，此外还有太原市2010年的土地利用专题图、太原市行政区划图.将遥感影像、土地利用专题图和行政区划图统一到相同的投影坐标（UTM／WGS84），然后以太原市行政区划图为基础，将研究区域裁剪出.参考土地利用专题图，针对实验区影像特点，确定自动提取的土地利用／土地覆被类别为:耕地、林地、草地（以荒草地为主）、建设用地、水域及裸地.2.2 数据分析2.2.1 OLI影像数据分析Landsat8的OLI陆地成像仪有9个波段，包括了TM（ETM＋）传感器的所有波段，并针对大气影响，对波段工作范围进行了重新调整，详见表1.表1 OLI陆地成像仪和ETM＋增强型专题制图仪波段对照表OLI陆地成像仪ETM＋增强型专题制图仪序号波段／μm 空间分辨率／m 序号波段／μm 空间分辨率／m 1 0.433－0.453 30 2 0.450－0.515 30 1 0.450－0.51530 3 0.525－0.600 30 2 0.525－0.605 30 4 0.630－0.680 30 30.630－0.690 30 5 0.845－0.885 30 4 0.775－0.900 30 6 1.560－1.660 30 5 1.550－1.750 30 72.100－2.300 30 7 2.090－2.350 30 8 0.500－0.680 15 8 0.520－0.900 15 9 1.360－1.390 30丰富的波段有多种RGB组合方案，参考国外公布的OLI波段合成的简单说明和众多专家学者在长期工作中总结的Landsat TM（ETM＋）不同波段组合对地物增强的效果，本次研究首先将Band3，Band4，Band5合成标准假彩色图像，然后将此图像与全色波段Band8进行Brovey变换融合，该融合图像地物信息丰富、色泽鲜明、层次好，对植被、水体等土地覆被有较好的表现，见图1.本次提取的各土地利用类型影像特征详见表2.图1 太原市区Landsat8Band345与Band8融合影像表2 各土地利用类型影像特征注:由于种植作物不同，耕地表现出三种明显不同的色调，为了实现更好的自动识别，将其细分为三个光谱类提取，然后再进行合并.土地利用类型颜色形状分布耕地1红色规则的块状南部地势较低的平川一带耕地2 橘粉色规则的条块状居民点周围耕地3 青色规则的块状部分地势较低的平川一带林地鲜红色（色纯）不规则的片状东西两侧海拔较高的山地区草地暗红色（色杂）不规则条带状城区两侧的丘陵、沟谷、阴坡等建设用地青色规则的块状地势较低的平川一带水体青蓝色条带状或片状汾河、晋阳湖地区裸地亮白色不规则部分地区分布2.2.2 地物光谱特征分析遥感技术探测地物的根本是同类地物具有相同或相似的光谱特征，异类地物的光谱特征具有一定的差异性，因此，首先对实验区内预提取的典型地物类型光谱数据进行采样，并加以统计，分析其光谱特征.如图2所示，不同地物光谱特征不同:图2 典型地物光谱特征图1）耕地1、耕地2、林地、草地的光谱特征具有一定的相似性，都是近红外波段光谱值高于可见光波段，林地的差异最大，其次是耕地1；而水体、建设用地和裸地均是可见光波段光谱值高于近红外波段.2）水体的反射率随波长变长而逐渐降低，在近红外波段上水体几乎呈现黑色，可以通过B1＜35与其他非水类分开；3）裸地在可见光波段明显高于其他类别用地的光谱值，相差较大较易区分；4）耕地2和草地的波谱走势较为接近，但耕地2各波段的波谱值较草地高；5）耕地3的波谱走势较为平滑，各波段间的光谱差异较小.2.3 分类方法的实现2.3.1 最大似然法自动提取首先根据先验知识，确定各土地利用类型的解译标志（表2），选择训练样本，建立分类模板，并对分类模板进行评价；分类模板达标后（各土地利用类型分类精度达90%），采用最大似然法对影像进行自动分类；对分类图进行分类后处理，将一些小图斑剔除，并通过重编码合并亚类，得到较为理想的分类结果，如图3. 2.3.2 决策树法自动提取用决策树分类法的关键在于判别规则的建立.由于“同物异谱，异物同谱”现象的存在，单纯地利用图像亮度值提取地物，尤其两类反射特性相似的地物，势必会造成分类的混淆和错误，很难达到较好的分类效果.经地物光谱特征的统计分析，可利用植被归一化指数（NDVI），结合各波段光谱值，建立各类地物可信度最大的提取规则.反复实验后，建立决策树提取规则，见图4.经分类后处理，最终的决策树分类图如图5.图3 最大似然分类法分类图图4 决策树自动提取的判别规则图5 决策树法分类图2.3.3 精度评价与结果分析在实验区随机抽取300个点，通过误差矩阵分别对最大似然法和决策树法的分类结果进行精度检验，详见表3和表4.由表3可见，最大似然法的分类精度总体较低，为69.33%，除林地、建设用地和水域的用户精度较高外，其他地类的分类精度均不理想，Kappa系数也仅0.605 5.尤其是耕地，其光谱特征较为复杂，长有植被（如玉米地）的耕地在光谱上和林地、草地较为相似，裸土又与建设用地光谱特征接近，因此，耕地不仅与草地的混分现象严重，且有部分林地、建设用地被错划分为耕地，导致耕地的用户精度仅58.88%；此外，林地易被错划为耕地和草地，其制图精度仅50.91%；建设用地易被错划为耕地和裸地，其制图精度仅61.33%；大量的建设用地错分为裸地，导致裸地的用户精度仅22.22%.由表4可见，决策树法的分类精度较最大似然法显著提高，总体精度达到91.33%，除裸地的用户精度较小，为66.67%外，其他地类的用户精度和制图精度均在85%以上，Kappa系数也提高至0.892 3，地类间的混分、错分现象得到一定控制.表3 最大似然法精度评价误差矩阵地类名称实际地类用户精度耕地林地草地建设用地水域裸地全部63 13 11 17 3 0 107 58.88%林地 0 280 0 0 1 29 96.55%草地 16 14 50 2 0 0 82 60.98%建设用地 1 0 0 53 0 0 54 98.15%水域 0 0 0 0 10 0 10 100.00%裸地 0 0 0 14 0 4 18 22.22%全部 80 55 61 86 13 5 300制图精度耕地分类地类＝0.6055 78.75% 50.91% 81.97% 61.63% 76.92% 80.00%总体精度＝69.33% Kappa系数表4 决策树法精度评价误差矩阵地类名称实际地类用户精度耕地林地草地建设用地水域裸地全部58 2 3 2 0 0 65 89.23%林地 5 46 2 0 00 53 86.79%草地 3 3 51 0 0 0 57 89.47%建设用地 1 0 0 711 0 73 97.26%水域 0 0 0 0 40 0 40 100.00%裸地 0 1 0 3 0 8 12 66.67%全部 67 52 56 76 41 8 300制图精度耕地分类地类86.57% 88.46% 91.07% 93.42% 97.56%100.00%总体精度＝91.33 Kappa系数＝0.892 33 结论1）决策树分类法将复杂的信息分类过程分解为若干步骤，在每个步骤可以利用不同的数据源、不同的特征集、不同的算法，且每一步骤仅解决一个问题，更有针对性，计算机处理速度快、时间短，且分类精度高，较传统的最大似然法更有利于对遥感图像信息的提取.2）决策树分类法的关键是判别规则的建立，其创建过程存在较大的人为干预因素，需要一定的经验及反复调试，否则难以达到良好的分类效果.3）本次决策树分类规则的建立仍然主要依赖的是地物的光谱信息，下一步研究将考虑与基于知识的专家系统相结合，充分利用纹理、形状等地物空间特征、地形特征、分布特征等信息，进一步改善分类效果，提高计算机自动分类的实用性.参考文献:[1]李秀彬.全球环境变化研究的核心领域——土地利用／土地覆盖变化研究的国际研究动向[J].地理学报，1996，51（6）:553－558[2]冷疏影，宋长青，赵楚年，等.关于地理学科“十五”重点项目的思考[J].地理学报，2000，55（6）:751－754[3]刘纪元，刘明亮，庄大方，等.中国近期土地利用变化的空间格局分析[J].中国科学（D辑），2002，32（12）:1 031－1 040[4]杜云艳，王丽敬，季民，等.土地利用变化预测的案例推理方法[J].地理学报，2009，64（12）1 421－1 429[5]戴声佩，张勃.基于CLUE－S模型的黑河中游土地利用情景模拟研究——以张掖市甘州区为例[J].自然资源学报，2013，28（2）:336－348[6]白元，徐海量，凌红波，等.塔里木河干流区土地利用与生态系统服务价值的变化[J].中国沙漠，2013，33（6）:1 912－1 920[7]刘慧平，朱启疆.应用高分辨率遥感数据进行土地利用与覆盖变化监测的方法及研究进展[J].资源科学，1999，21（3）:23－27[8]廖克.高分辨率卫星遥感影像在土地利用变化动态监测中的应用[J].测绘科学，2006，31（6）:11－15[9]许菡，燕琴，徐泮林，等.多源遥感影像融合最佳波段选择及质量评价研究[J].测绘科学，2007，32（3）:72－76[10]张韬，吕洪娟，孙美霞，等.遥感多光谱数据在内蒙古西部湿地监测中最佳波段选取的应用研究[J].干旱区资源与环境，2007，21（4）:102－106[11]杨桄，刘湘南，张柏，等.基于多特征空间的遥感信息自动提取方法[J].吉林大学学报（地球科学版），2005，35（2）:257－260[12]陈述，刘勇.基于多特征的遥感影像土地利用／土地覆盖分类－以腾格里沙漠东南边缘地区为例[J].遥感技术与应用，2006，21（2）:154－158[13]李德仁，王树良，李德毅，等.论空间数据挖掘和知识发现的理论与方法[J].武汉大学学报（信息科学版），2002，27（3）:221－233[14]杨存建，周成虎.基于知识的遥感图像分类方法探讨[J].地理学与国土研究，2001，17（1）:72－77[15]王志慧，李世明，刘良云，等.基于 MODIS NDVI时间序列的土地覆盖分层分类方法研究[J].遥感技术与应用，2013，28（5）:910－919[16]王贺，陈劲松，余晓敏，等.HJ数据的LBV变换及其在面向对象分类中的应用[J].遥感技术与应用，2013，28（6）:1 020－1 026[17]许积层，唐斌，卢涛.基于多时相LandsatTM影像的汶川地震灾区河岸带植被覆盖动态监测——以岷江河谷映秀汶川段为例[J].生态学报，33（16）:4 966－4 974[18]金石柱，刘志峰.基于 TM 影像的延吉市土地利用动态变化研究[J].地理科学，2011，31（10）:1 249－1 253。
基于TM／ETM +影像的区域土地利用／覆盖变化研究
旭 ， 志华 丁 杨
，
林
乌鲁 木齐 ８ ０ ０ ） ３０ ２
乌鲁木齐 ８０ ０ ；． ３ ０ ２ ２ 新疆气象信息 中 心， 新疆
摘
要： 以吐 鲁 番 市 的 葡萄 乡和 亚 尔 乡为研 究 区域 ， 用 １９ 采 ９ ０年 的 Ｔ 影 像 数 据 和 １９ Ｍ ９９
年 的 Ｅ Ｍ＋ Ｔ 影像 数 据 以及 ２ ０ ０ ５年 的 土地 利 用数 据 为主 要 信 息 ， 用遥 感（ Ｓ 技 术 和地 理 信 息 应 Ｒ ） 系统 （ Ｉ ） 术 ， 吐 鲁番 市 的 葡萄 乡和 亚 尔 乡近 １ ａ的 土地 利 用／ 盖 类 型 变化 情 况 、 地 类 ＧＳ 技 对 ５ 覆 各
面积 变化 率 、 土地 利 用／ 盖 总体 变化情 况和 农 业 用地 变化 情 况进行 了分析 研 究 。得 出 １ａ中 ， 覆 ５ 葡 萄 乡和 亚 尔 乡的 土地利 用／ 盖 呈现 “ 覆 四增 四减 ” 变化规 律 ， 分析 了引起 变化 的 原 因 ， 的 并 为今
后 土地 利 用的规 划和 管理提 供 了科 学依据 。 关 键词 ： Ｍ Ｅ Ｍ ； 感 ； 理信 息 系统 ； Ｔ ／ Ｔ 遥 地 土地利 用／ 盖 覆
ｉ ｃ ｅ ｓｎ ｒ ｔ ｓ ４ ５ ％ ；ｔ ｕ ｔｖ ｔ ｄ ｌ ｎ ｉ ｃ ｅ ｓ ｄ ８１８ ｈ ｃａ ｅ ｉ １ ｙ ａ ｓ ｎ ｔ ｅ ｎ ｒ ａ ｉ ｇ ａ ｅ ｗａ ６ ． ７ ｈｅ ｃ ｌｉ ａｅ ａ ｄ ｎ ｒ ａ ｅ １ １ ．２ ｅ ｔ ｒ ｎ ５ ｅ ｒ ａ ｄ ｈ
ｍ ｋｎ ｓ ｆｔｅ ｔ ｈ ｏｏｙ ｍ ｔｏ ｆｒｍ ｔ ｓｎ ｉｇ （ Ｓ ｎ ｅｇａ ｈ ｎｏｍａ ｏ ｙｔ ａ ｉｇｕ ｅｏ ｈ ｅ ｎ ｌ ｅｈ ｄ ｏ ｅ ｏｅ ｅ ｓ ｃ ｇ ｎ Ｒ ）ａ ｄ ｇｏ ｒｐ ｙ ｉｆｒ ｔ ｎ ｓｓ ｍ ｉ ｅ
基于TM影像江阴市土地利用／覆盖监测
３ ２ ２ 随机取样法 。野外作业 的 目标就是要理 解影像 ，因 ． ． 此 ，必须 弄清 影像覆盖 的地理 空间 中所有地 物影像特征 。在 野外 ，随机选取各种地 物 ，用 Ｇ Ｓ采集 目标地物的地理坐标 ， Ｐ 以样点 、样线 和样方的形 式记录下来 。野 外作业数据经过 处 理后 与遥 感影像复合 ，建立各种地物 的解译标志 。 ３ ２ ３ 经纬网法 。为了方便 Ｇ Ｓ田间定位 ，在准 备田间作 业 ．． Ｐ 工作时 ，可采用经纬 网法 。具体操作是在遥 感图像处理软 件 （Ｒ Ａ ）中读 取工作 区经纬度坐标 范围 ，编程生成 一定间隔 ＥＤ Ｓ 的经纬线 文本 文件 ，然后在 Ｇ Ｓ软件 （ Ｒ ／［Ｆ Ｉ Ａ Ｃ ． Ｏ）中生成 与 Ｎ 遥感 影像投影一致 的矢 量文件 ，将 之与遥感影像 复合 ，标注 经纬线值 ， 打印作业 区，野外作业时 ， 根据 导航 型 Ｇ Ｓ Ｐ 实时显
在图像上做标记 ，记录疑点 的经 纬度坐标 ，查阅地形 图，选
择参照点 （ 民点 、道路 、 流等 ） 居 河 ，打 印图像 。以疑点为野 外作业 的 目的地 ，到实地考察 ，从而建立影 像特 征与实际地
物的对应 关系 ，即建立地物 的解译标志 。
江阴市位 于北 纬 ３ 。４ ３ 至 ３ 。５ ３ ，东经 ｌ ｏ ４ ｌ ７ ６ １ ９ ９ 至 １ ０。３ ３ ，北枕长江 ，与靖江 市隔江相 １ 。５ ２ ４ ０ 望 ； 南近沪宁线 ； 东接 常熟 、张家港 ； 西连 常州 、武进 ，地 处苏锡常 “ 金三角 ”的几何 中心 ，是 长江 下游 的重要交通枢 纽城市 。 全市总面积 ９ ６ ３ ｍ，下辖 ｌ 个镇 ，户籍人 口 １ ７ ８ ．ｋ 。 ６ ｌ． ７ 万人 。建国后，江阴国民经济全面恢复并发展 ，２ 世 纪 ７ ７ ｏ ｏ 年代 ，乡镇 工业为主体异军突起 ，以它的捷 足先登和勃勃 生 机 ，使江 阴工业步 入全 省领先 的行列 。近年来随着经济 发展 江 阴市土 地利 用 ／覆盖更是 发生了 巨大的变化 ，了解该地 区 的变化具 有非常重要的意义 ，以遥感 作为手段对该地 区土地 变化进行 监测是 势在必行的 。
基于TM影像的石羊河流域土地利用变化研究
ｗ ｔ ｈ ｗｏ ｇ ｏ ｐ ｉ ｇ ａａ ｏ ｅ ｙ ａ ９ ｎ ０ ０．Ｔ ｒｕ ｈ ｅ ｔａ ｔ ｇ ｌｎ ｓ ｎｏ ｍａｉ ｎ ｆｏ ｔ ｅ ｒ ｍｏ ｅｙ ｉ ｔ ｅ ｔ ｒ ｕ ｍａ ｅ ｄ ｔ ｆｔ ｅ ｒ１ ９ ａ ｄ ２ ０ ｈ ｈ ９ ｈ ｏ ｇ ｘｒ ｃ ｉ ａ ｄ ｕ ｅ ｉｆ ｒ ｔ ｒ ｍ ｈ ｅ ｔｌ ｎ ｏ
ｗ ｓ ｄ ｖｄ ｄ ｉ ｔ ｉ ｙ ｅ ，ｗ ｉ ｈ ａ ｅ ｒ ｓ ｅ ｔ ｅｙ ｃ ｌ ｖ ｔ ｄ ｌｎ ，ｇ ａ ｓ ｎ ａ ｉｉ ｅ ｎ ｏ ｓｘ ｔ ｐ ｓ ｈ ｃ ｒ ｅ ｐ ｃ ｉ ｌ ｕｔ ａｅ ａ ｄ ｒ ｓｌ ｄ，ｆ ｒ ｓ ｌｎ ｖ ｉ ａ ｏ ｅ ｔ ａ ｄ，ｂ ｉ ｉ ｇ ｓｔ ，ｗ ｔｒ ｎ ｕｌ ｎ ｉ ｄ ｅ ａｅ ｓ ａ ｄ
新 疆 环 境 保 护 ２ １ ３ （ ）４ ４ ０ ２， １ ：０～ ６ ４
Ｅ ｖｒｎ ｅ ｔ ｒｔ ｔ ｎｏ Ｘｎｉｎ ｎｉ ｍ ｎａ Ｐｏ ｃｉ ｆ ｉ ａｇ ｏ ｌ ｅ ｏ ｊ
基 于 Ｔ 影像 的 石 羊 河流 域 土 地， 彦峰 （ 郭 新疆大 源 环境 学资 与 科学 学院， 鲁木齐 ８ ０６ 乌 ３ ４） ０
ｓ ｎｓ ｄ ｉ ｇ ｒ ｕｔｍａ ｉａ ｌ ｎｄ ｃ ｍｐ ｔ ｒａ ｔｍａ ｉａ ｌ ｌ ｓ ｉ ｃ ｔｏ ｔ ｏ ｅ ｅ ｍａ ｅｙ ａ ｏ ｔｃ ｌｙ ａ ｏ ｕ ｅ ｕｏ ｔｃ ｌ ｃａ ｓｆ ａ ｉｎ ｍｅ ｈ ｄ，ｌｎ ｅ ｔｐ ｆＳ ｉａ ｇ Ｒｉ ｅ ｓｎ ｙ ｉ ａ ｄ ｕｓ ｙ ｅ ｏ ｈ ｙ ｎ ｖ ｒ Ｂａ ｉ
面 积 变化 最 大 ， 变化 量 占到 总 流域 面积 的 比 例 分 别 为 ３ ９ ％ 和 ２ ４ ％ ； 域 、 ．４ ．２ 水 林地 、 地 的 土地 利 用 动 态度 明 显 ， 次 为 ３ ０ ％ ， 耕 依 ．６ １８ ％ 和 １ ｌ ％ ；】 间草 地 、 地 和 水 域 的流 转较 为剧 烈 ， ．２ 、２ １ 年 耕 变化 速 率 较 快 ；１年 间 石 羊 河 流 域 的 土 地 利 用偏 离度 为持 续缓 慢 下 ｌ 降 竹趋 势 ， 降幅 度 达到 ０ ０ ， 地 利 用 活 动 对 自然 景 观 的 干 预 趋 于 缓 和 ； 观 优 势 度 增 大 ， 观 多样 性 和 景 观 均 匀度 有 所 减 下 ．４ 土 景 景 少 ， 类 活动 对景 观 格 局 影 响 明 显 ； 口 经 济 因素 和 政 策 因素 在 短 时 间尺 度 上 对 土地 利 用 变化 的 影 响较 为 显 著 人 人 关 键 词 ： 地 利 用 ； 态 变化 ； 观 格 局 指 数 ； 羊 河 流 域 土 动 景 石 中 图 分 类 号 ： ８ Ｘ７ 文献 标 识 码 ： Ａ 文 章 编 号 ：０８— ３ １ ２ １ ） １ ０ ４ １０ ２ ０ （０ ２ ０ — ０ ０—０ ７
基于TM影像的广州市主城区城市绿地的提取和分析
第４３卷第６期测绘与空间地理信息ＧＥＯＭＡＴＩＣＳ＆ＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＴＥＣＨＮＯＬＯＧＹＶｏｌ．４３，Ｎｏ．６收稿日期：２０１８－１２－２４作者简介：邢 玮（１９９３－），女，甘肃天水人，地图学与地理信息系统专业硕士研究生，主要研究方向为ＧＩＳ应用、土地利用。
基于ＴＭ影像的广州市主城区城市绿地的提取和分析邢 玮１，２，刘金然３，徐少雄１，２（１．兰州交通大学测绘与地理信息学院，甘肃兰州７３００７０；２．甘肃省地理国情检测工程实验室，甘肃兰州７３００７０；３．山东师范大学地理与环境学院，山东济南２５０３５８）摘要：利用遥感技术能够实现快速提取城市绿地信息，准确地计算出城市绿地面积及覆盖情况等。
本文以广州市ＴＭ遥感影像为数据源，进行一系列预处理，对监督分类和先计算ＮＤＶＩ再采用非监督分类这两种提取方法进行比较分析。
结果表明，先计算ＮＤＶＩ再采用非监督分类法精度较高，说明该方法是一种有效的绿地信息提取方法。
关键词：城市绿地；ＮＤＶＩ；非监督分类中图分类号：Ｐ２３７ 文献标识码：Ａ 文章编号：１６７２－５８６７（２０２０）０６－０１２３－０３ＥｘｔｒａｃｔｉｏｎａｎｄＡｎａｌｙｓｉｓｏｆＣｉｔｙＧｒｅｅｎＳｐａｃｅＩｎｆｏｒｍａｔｉｏｎＢａｓｅｄｏｎＴＭＩｍａｇｅｏｆＧｕａｎｇｚｈｏｕＸＩＮＧＷｅｉ１，２，ＬＩＵＪｉｎｒａｎ３，ＸＵＳｈａｏｘｉｏｎｇ１，２（１．ＦａｃｕｌｔｙｏｆＧｅｏｍａｔｉｃｓ，ＬａｎｚｈｏｕＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｌａｎｚｈｏｕ７３００７０，Ｃｈｉｎａ；２．ＧａｎｓｕＰｒｏｖｉｎｃｉａｌＥｎｇｉｎｅｅｒｉｎｇＬａｂｏｒａｔｏｒｙｆｏｒＮａｔｉｏｎａｌＧｅｏｇｒａｐｈｉｃＳｔａｔｅＭｏｎｉｔｏｒｉｎｇ，Ｌａｎｚｈｏｕ７３００７０，Ｃｈｉｎａ；３．ＣｏｌｌｅｇｅｏｆＧｅｏｇｒａｐｈｙａｎｄＥｎｖｉｒｏｎｍｅｎｔ，ＳｈａｎｄｏｎｇＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｊｉ′ｎａｎ２５０３５８，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｃａｎｂｅｕｓｅｄｔｏｑｕｉｃｋｌｙｅｘｔｒａｃｔｕｒｂａｎｇｒｅｅｎｓｐａｃｅｉｎｆｏｒｍａｔｉｏｎａｎｄａｃｃｕｒａｔｅｌｙｃａｌｃｕｌａｔｅｔｈｅａｒｅａａｎｄｃｏｖｅｒａｇｅｏｆｕｒｂａｎｇｒｅｅｎｓｐａｃｅ．ＴＭｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｏｆＧｕａｎｇｚｈｏｕｃｉｔｙｗａｓｔａｋｅｎａｓｔｈｅｄａｔａｓｏｕｒｃｅ，ａｎｄａｓｅｒｉｅｓｏｆｐｒｅｐｒｏ ｃｅｓｓｉｎｇｗａｓｃａｒｒｉｅｄｏｕｔｔｏｃｏｍｐａｒｅａｎｄａｎａｌｙｚｅｔｈｅｔｗｏｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｓｏｆｓｕｐｅｒｖｉｓｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄＮＤＶＩｃａｌｃｕｌａｔｉｏｎｂｅｆｏｒｅｕｎ ｓｕｐｅｒｖｉｓｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｃｃｕｒａｃｙｏｆＮＤＶＩｃｌａｓｓｉｆｉｃａｔｉｏｎｉｓｈｉｇｈｅｒｔｈａｎｔｈａｔｏｆｕｎｓｕｐｅｒｖｉｓｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｉｎｄｉｃａｔｉｎｇｔｈａｔｔｈｉｓｍｅｔｈｏｄｉｓａｎｅｆｆｅｃｔｉｖｅｍｅｔｈｏｄｔｏｅｘｔｒａｃｔｇｒｅｅｎｓｐａｃｅｉｎｆｏｒｍａｔｉｏｎ．Ｋｅｙｗｏｒｄｓ：ｕｒｂａｎｇｒｅｅｎｓｐａｃｅ；ＮＤＶＩ；ｕｎｓｕｐｅｒｖｉｓｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎ０ 引 言城市绿地是城市生态系统的重要组成部分，在改善城市生活环境、维持生态平衡方面发挥着关键作用。
基于深度学习的图像识别技术在土地资源调查中的应用研究
基于深度学习的图像识别技术在土地资源调查中的应用研究随着人工智能技术的不断发展和应用，深度学习算法成为了图像识别领域各种新型问题的解决方案。
在土地资源调查中，深度学习算法可以用于处理和分析卫星影像、空拍影像等遥感数据，加快提高土地信息采集、分类和评价的效率和准确性。
深度学习技术强大的特征提取能力和自适应机制使其在处理多种类型数据方面表现出色，具有非常明显的优势，并且在许多领域中已广泛应用。
以土地资源类型分类为例，根据不同的位移量、角度和大小，卫星或摄像机将记录地上的信息，并形成比较详细的卫星或航拍影像，这些图片包含丰富的纹理、色彩、形态等特征。
然而由于遥感数据集的复杂性，传统的模式化方法并不能很好地对这样丰富的复杂遥感数据进行分类。
因此，在图像识别和土地利用规划中，如何高效、自动地识别不同土地类型成为了一个重要的问题。
基于深度学习技术，目前已经有很多土地类型分类研究的应用，通过数据预处理、特征提取和联合损失训练等手段，实现了较高的精度和鲁棒性。
一. 土地资源类型分类利用深度学习算法进行自动化土地资源类型分类的过程一般是这样的：首先开发者收集大量的地理信息遥感数据，包括卫星影像、航空影像、数字高程模型（DEM）、土地利用/覆盖数据、人类活动及环境监测数据等；然后对数据进行预处理操作，包括像素归一化、直方图均匀化等。
最后就可以使用深度学习技术对预处理后的数据进行训练和测试，以达到土地分类的目的。
1. 深度学习网络介绍在深度学习领域中，卷积神经网络（CNN）是主要的一种神经网络结构，在图像分类、物体检测、目标识别等方面已经得到了广泛的应用。
因此，在土地资源类型分类领域中，也多选择采用卷积神经网络（CNN）。
2. 土地类型分类的应用与研究目前，基于深度学习算法实现土地类型分类已有许多应用。
例如，针对中国南方的农田土地资源类型分类问题，王雏鹤等人利用基于深度卷积神经网络（DCNN）的遥感影像分析方法，对湖南省邵阳市晴隆县内不同种类的农田进行了自动分类和标记。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘
要 ： 丹 江 Ｉ 水 库 上 游 库 区 的 Ｔ 卫 星 数 据 为 例 ， 先 利 用 遥 感 图像 处 理 软 件 （ Ｒ Ａ ＭＡ Ｉ Ｅ 中监 督 分 类 的 方 以 ２ ＇ Ｍ 首 Ｅ Ｄ ＳＩ ＧＮ ）
法 对 该 区遥 感 数 据 进 行 分 类 ， 后 利 用 该 区 域 的 Ｄ Ｍ、 度 图、 一化 植被 指 数 作 为 辅 助 手 段 进 行 空 间 分 析 ， 速 提 取 该 区 然 Ｅ 坡 归 快 域 的 土地 利 用信 息 ， 高 了信 息 提 取 的 速 度 及 精 度 ， 后 利 用 ＭＡ Ｇ Ｓ软 件 对 提 取 的 土 地 信 息 以 土 地 利 用 专 题 图 的 形 式 提 最 Ｐ Ｉ
维普资讯
第 ６卷 第 １ ２期
２ ０ ０ ７年 １ ２月
南阳师 范 学院 学报
Ｊ ｕ ｎ ｌｏ ｎ ａ ｇ Ｎｏ ｍａ ｉｅ ｓｔ ｏ ｒ ａ ｆＮａ ｙ ｎ ｒ ｌＵｎｖ ｒｉ ｙ
Ｖｏ ． １ ６ ＮＯ １ ．２ Ｄｅ ． ２ ０ ｃ ０ ７
中 ， ６个 在 Ｔ ， 有 Ｍ５ ３个 在 Ｔ ， Ｍ７ １个 在 Ｔ ； Ｍ 、 Ｍ２ Ｔ ２
地 总面积 ９ ７ ． ３万 ｋ 其 中河南 省 ７ １ ．４ ｍ ， ｍ， ８ ５ ３ ｋ 涉
及南 阳市境 内面积为 ６ ６ ．４ ｉ 。区域 北 靠 三 门 ３ １９ ｋ ｎ
峡 、 阳 ， 接 陕 西 、 北 ， 临 湖 解译 能 力 ， 计算 公式 为 ： 从 其
Ｎ Ｖ ＝（ Ｍ４一Ｔ ） （ Ｍ Ｄ Ｉ Ｔ Ｍ３ ／ Ｔ ４＋ Ｍ３ Ｔ ）
３３ ．７ｍ ， 川 ２２ ．６ ｍ ， 乡 ３６ ７ ｉ ， １ １５ ｋ 淅 ８ １４ ｋ 内 ７ ． ｋ 邓 ｎ
Ｔ ５和 Ｔ ７是 分 类 不 可 缺 少 的波 段 。 因此 ， 择 Ｍ Ｍ 选
Ｔ ２ Ｔ ５和 Ｔ ７３个 波段进行 土地利用 信息提取 。 Ｍ 、Ｍ Ｍ 对 于归 一化 植 被 指 数 （ Ｄ Ｉ 的 提 取 ， 以选 Ｎ Ｖ） 可
择 Ｔ 、Ｍ４两 个 波 段 。 Ｍ３ Ｔ ２ ２ Ｎ Ｖ 的选 择 ． Ｄ Ｉ
州 市 ３ ． １ｍ ， 耕 地 面 积 ６ ９ ２ ２ 总 ｋ ． ４万 ｈ 林 地 ｍ，
３ ．１ ｈ ５ ５ 万 ｍ 。
水 源 区地 貌 以 中低 山 和丘 陵为 主 ， 一般 高 程为
５ ０～ ０ ０ ０ ２ ０ ｍ。地 质 构造 复 杂 ， 皱 强烈 ， 体 风化 褶 岩
波段 ， 波 段 的选 择 上 更 具 有 针 对 性 ， Ｍ 各 个 波 在 Ｔ 段参 数及 其 应用 范 围如表 １ 示 。 所 基 于地 物可 分性 的波 段选 择方 法针 对性 强 ， 所 选波 段更 有利 于 地类 的 区 分 ， 此 ， 以利用 该 方 因 可 法进 行波 段选 择 ， 典 型 地 类 进行 采样 ， 对 并计 算 出
输 出。
关 键 词 ： 地 利 用 ； Ｍ 影像 ； 度 ； 一 化 植 被 指 数 （ Ｄ Ｉ ； 土 Ｔ 坡 归 Ｎ Ｖ ） 专题 图
中 图分 类 号 ： Ｐ７ Ｔ ９
文 献 标 识 码 ： Ａ
文 章 编 号 ：６ １ １２ ２ ０ ） ２— ０ ７一 ５ １７ —６３ （ ０ ７ １ ０ ４ Ｏ
１ 研 究 区 域 概 况
本文 研究 区域 包括汉 江 和丹 江两 大水 系 ， 涉及 陕 、 、 、 、 、 ６省 （ ） ８个 县 （ 、 ） 土 甘 豫 鄂 渝 川 市 ４ 市 区 ，
两两 地类 间 的灰度 差值 （ ２ 。 表 ） 从 表 ２比较 可 以看 出 ， １ 在 ０个最大 灰度值 差值
利用丹江口水库上游库区tm数据的43波段之差与它们和的比值生成丹江口上游库区的植被覆盖指数图由于其对水体的提取不是太明显因此用对水体较为敏感的l蓝光波段2绿色波段4近红外波段波段分别赋予蓝绿红三种颜色进行假彩色合成对其分类结果与得到的植被覆盖分类图进行叠加将水体分离出来得到的如图4所示归一化植被指数分0o12012016016o24o24032四类由分类结果可见总体上丹江口上游库区的植被覆盖度在0
算 了 Ｎ Ｖ 植 被 指 数 。Ｎ Ｖ Ｄ Ｉ Ｄ Ｉ具 有 波 段 比值 特 性 ，
可 以在一 定程 度上 消 除地 形 起 伏 和 地 物 阴影 的影
温 １ ． ￣ 平均 降水 量 ９ ７ ２ ２Ｃ， ８ ｍｍ， 内分 配不 均 ， 年 ５～
１ ０月 占全 年 的 ８ ％ ， 多 以暴 雨 形 式 出现 。植 被 ０ 且
确地 提取 其水 库上 游 库 区 的土 地 利 用 信 息对 于 土 地利 用 的动态 监测 、 土保 持及 土地 利用 规划 和决 水 策都 具有 重要 意义 ¨ 。
本次 研 究 选 取 ２ ０ ０ ４年 ４月 的 Ｔ 影 像 （ ０ Ｍ ３ｍ 分 辨率 ） 为 Ｅ Ｄ Ｓ分 类 的基 础 数 据 ， 有 ７个 作 Ｒ Ａ 共
丹 江 口水 库作 为南 水北 调 中线工 程 的水 源地 ，
其 生态环 境直 接影 响甚 至 决 定 着 水 质 的好 坏 和工
程 的效益 。为 了确 保 南 水 北 调 中线 工 程 的正 常运
２ 数 据 及 软 件 的 选 取
２１ 选取 Ｔ ． Ｍ数 据作 为数 据 源
行 和库 区生态 、 济与社 会 的可持 续 发展 ， 经 快速 、 准
Ｔ Ｍ各 波 段 图像 的解 译 能 力 有 限 ， 信 息 提 取 在
过程 中 ， 了充 分 利 用 Ｔ 原 始 波 段 数据 外 ， 除 Ｍ 还计
层较 厚 ， 要有 石 灰 岩 、 麻 岩 、 英岩 、 岗 岩 和 主 片 石 花
页岩 。土壤 主 要 有 黄 棕 壤 、 壤 、 褐 土 、 稻 土 棕 黄 水 等 ， 层一 般厚 ２ ４ ｃ 土 ０～ ０ ｍ。气候 温和 湿 润 ， 均 气 平
基 于 Ｔ 影 像 的 土 地 利 用 信 息 的 自动 提 取 与 制 图 Ｍ
杨 杰 ，徐 恒 升 ，许 文 虎
（ ． 阳 师 范 学 院 环 境 科 学与 旅 游 学 院 ， 南 南 阳 ４ ３ ６ ； ． 阳师 范 学 院 外 国 语 学 院 ， 南 南 阳 ４ ３ ６ ） １南 河 ７０１２ 南 河 ７ ０ １