基本农田变化信息在不同空间分辨率卫星影像中的提取方法研究

合集下载

如何使用遥感影像进行土地利用变化监测

如何使用遥感影像进行土地利用变化监测引言遥感技术以其高精度、高时空分辨率、广覆盖等特点，成为土地利用变化监测的重要工具。

本文将介绍如何使用遥感影像进行土地利用变化监测，并探讨其在环境保护、农业发展等方面的应用。

一、遥感影像的获取和处理遥感影像可通过卫星、无人机或飞机等手段进行获取。

在获取影像后，需要进行预处理，包括辐射校正、大气校正和几何校正等。

通过这些处理，可以消除影像中的噪声和偏差，提高数据质量。

二、土地利用类型分类土地利用变化监测首先需要对影像中的土地利用类型进行分类。

常用的分类方法有基于像元的分类和基于对象的分类。

基于像元的分类是指将每个像元归类为某一特定的土地利用类型。

基于对象的分类则将像元组合成对象，再对对象进行分类。

选择适当的分类方法，可以提高分类精度。

三、影像解译与变化检测在进行土地利用变化监测时，需要解译原始影像，并提取土地利用类型信息。

解译可以利用目视解译、半自动解译或全自动解译等方法。

解译完成后，可以通过比较不同时间段的影像，进行土地利用变化的检测。

检测方法包括像素级变化检测和对象级变化检测。

通过这些方法，可以获得土地利用变化的空间分布和变化程度等信息。

四、土地利用变化监测的应用土地利用变化监测在环境保护、城市规划、农业发展等方面具有广泛的应用。

首先，通过监测土地利用变化，可以及时发现环境恶化和生态系统退化等问题，为环境保护提供科学依据。

其次，土地利用变化监测对城市规划和土地资源管理具有重要意义。

及时监测和控制土地利用变化，可以合理规划城市用地，提高土地资源的利用效率。

此外，农业发展也离不开对土地利用变化的监测。

通过及时了解土地利用情况，可以调整农业生产布局，提高农业生产效益。

结论遥感影像在土地利用变化监测中发挥着重要作用，通过对遥感影像的获取、处理和解译，可以监测土地利用变化的空间分布和变化程度。

这对环境保护、城市规划和农业发展等方面具有重要意义。

随着遥感技术的不断发展，相信在未来，遥感影像将在土地利用变化监测中发挥更大的作用。

基于深度学习的卫星影像耕地变化检测方法及系统应用

第 22卷第 11期2023年 11月Vol.22 No.11Nov.2023软件导刊Software Guide基于深度学习的卫星影像耕地变化检测方法及系统应用魏汝兰，王洪飞，盛森，江一帆，余亚芳（广东南方数码科技股份有限公司，广东广州 510665）摘要：为坚守18亿亩耕地红线，国家连续出台多项政策法规，坚决落实最严格的耕地保护制度，如何快速发现耕地变化是落实耕地保护制度的关键步骤。

基于AI的卫星遥感影像变化检测方法以多时相变化检测为主，目前在理论层面取得较多突破，然而在实际落地应用中还存在一些难点。

以工程化落地为目标，基于高分辨率卫星影像及年度变更调查成果数据，提出一种简易高效的耕地变化检测方法。

利用融合多尺度特征的耕地语义分割模型（RABD）快速提取耕地图斑，经后处理与前一期耕地矢量图斑进行网格化擦除处理，得到疑似耕地减少图斑。

并基于该方法封装成软件，可快速检测疑似耕地减少图斑，缩短人工作业时间约70%，为耕地保护工作提供了智能化技术选择。

关键词：耕地变化检测；违法占耕；深度学习；语义分割；高分辨影像DOI：10.11907/rjdk.231908开放科学（资源服务）标识码（OSID）：中图分类号：TP751 文献标识码：A文章编号：1672-7800（2023）011-0029-06A Method and System Application for Satellite Image Cultivated LandChange Detection Based on Deep LearningWEI Rulan， WANG Hongfei， SHENG Sen， JIANG Yifan， YU Yafang（South Digital Technology Co．，Ltd．，Guangzhou 510665，China）Abstract：In order to stick to the red line of 1.8 billion mu （the Chinese version of acre） of cultivated land， China has introduced a series of policies and regulations to resolutely implement the strictest cultivated land protection system. How to quickly discover the change of cultivated land is a key step of the cultivated land protection system. The AI based change detection method for satellite remote sensing images is mainly based on multi temporal change detection. Currently， there have been many breakthroughs in theory， but there are still some difficulties in practical application. Hence， this paper proposes an easy-to-use method to discover the change of cultivated land based on the high-resolu‑tion satellite images and the annual change survey results： Firstly， a semantic segmentation model（RABD）fusing multi-scale features is used to quickly extract the cultivated land patches；After post-processing and grid erasing processing with the previous farmland vector pattern， a suspected farmland reduction pattern was obtained. And based on this method， it is packaged into software， then， the cultivated land patches after post-processing is grid-based erased with previous cultivated land vector patches to obtain the suspected cultivated land reduction patch‑es. And based on this method， packaged into software， it can quickly detect the cultivated land patches occupied by construction， shorten the manual operation time by about 70%， and provide an intelligent technology choice for cultivated land protection.Key Words：cultivated land change detection； illegal occupation； deep learning； semantic segmentation； high-resolution image0 引言《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》（简称“十四五”规划）指出要坚持最严格的耕地保护制度。

使用卫星遥感图像进行地理信息提取的方法

使用卫星遥感图像进行地理信息提取的方法卫星遥感图像在地理信息提取方面的应用越来越广泛。

它可以通过获取遥感图像中的地物信息，提供高精度的地理数据，帮助各行各业做出更好的决策。

本文将探讨使用卫星遥感图像进行地理信息提取的方法。

在使用卫星遥感图像进行地理信息提取之前，首先需要对遥感图像进行预处理。

这包括图像去噪、辐射校正和几何校正等操作。

图像去噪可以降低图像中由于遥感仪器等原因导致的噪声，使图像质量更好。

辐射校正是为了消除图像中的辐射差异，得到更精确的辐射亮度信息。

几何校正则是为了修正图像的几何变形，如投影畸变和平面畸变等，使图像在地理空间中具有准确的位置信息。

一种常用的方法是基于像素的分类。

此方法通过将遥感图像中的像素根据其特征划分到不同的类别中，实现地物的提取。

这种方法可以利用各种图像处理技术，如阈值分割、聚类、分类器等。

阈值分割是根据图像中像素的亮度特征，将图像划分为目标和背景两个部分。

聚类是将图像中的像素划分为多个簇，每个簇代表一个地物类别。

分类器则是根据已知地物的样本，通过机器学习等算法训练出一个分类模型，用于对新的图像进行分类。

另一种常见的方法是基于对象的分类。

与像素级的分类不同，对象级分类将图像中的像素组织成具有一定空间连续性的对象，然后根据对象的属性进行分类。

对象可以是任意形状和大小的地物，如建筑物、道路、森林等。

这种方法需要进行一系列的图像分割操作，将图像分割成一组相互独立的对象。

然后，通过提取对象的特征，如形状、纹理、颜色等，将它们划分到不同的类别中。

对象级分类相比像素级分类，在保留图像空间信息方面更加准确，适用于复杂地物的提取。

除了基于分类的方法，还可以利用卫星遥感图像进行地理信息的提取。

这种方法通过分析图像中的光谱信息，获取地物的属性。

遥感图像可以提供多个波段的光谱信息，如可见光、红外和热红外等。

通过分析不同波段之间的光谱差异，可以获取地物的特征。

例如，植被在可见光和红外光波段表现出不同的反射特性，可以通过分析这些特性来提取植被覆盖的信息。

土地利用变更调查中高分辨率卫星遥感影像应用

Technological Innovation4《华东科技》土地利用变更调查中高分辨率卫星遥感影像应用吴媛媛（广东省国土资源测绘院，广东广州 510500）摘要：目前我国的科学技术不断发展，卫星遥感影像的分辨率也不断提高，其在土地管理中的利用率也不断提高。

本次综述主要是以武汉为例，通过Spot5影像进行土地利用变更调查研究，并通过影像图斑分析了判读的精度。

关键词：土地利用变更调查；高分辨率卫星遥感影像；应用所谓的土地利用变更调查就是依据野外实地的调查情况，通过目前已经存在的基础图件逐一转绘量算变化的图斑，从而将土地利用现状的图件和基础数据进行更新，保证土地利用资料的现势性。

目前更新土地利用现状的方法有两种，一种是通过目前已经存在的基础图在外实地对照，通过皮尺或经纬仪等测量设备重新量取相关位置的数据，之后在现有的土地利用图上将变更后的图斑绘制上去。

另一种是通过航测相片图进行外业调绘，之后将绘制、处理获取的变更的图斑资料。

第一种更新方法速度慢，精度低，且针对变化范围大或内容多的区域丈量难度较大；而航测相片的费用相对较高且周期较长，同时传统更新方法的自动化程度低，成图周期长，无法保证更新的全面性和实时性。

在土地利用状况的调查中，上述更新方法均较为落后，无法及时反映土地的变化情况，无法适应当下社会和经济的快速发展需求，影响土地利用规划、耕地保护、土地利用政策的执行、制定，对整个土地的管理工作造成严重影响。

因此需要寻找一种实用性高、方便快捷的图像更新方法，用以保证土地利用资料的现势性，提高国民经济的发展。

随着遥感技术的不断发展，卫星遥感技术在土地利用变更调查中广泛应用，是一种有力的调查工具。

卫星遥感影像具有分辨率高，覆盖范围大的优势，其能客观，及时，周期性的对地表覆盖信息进行反馈，尤其是近年来发射的遥感卫星，分辨率更高，例如快鸟2卫星、SPOT5、IKONS 卫星其地面分辨率分别为0.61m、2.5m、1m，应用于土地利用变更调查中能准确快速的全面调查土地的情况，掌握其质量，数量，权属以及利用情况，使快速更新土地利用图变成现实，同时其价格低，因此逐渐在土地利用变更调查中应用。

利用高空间分辨率遥感数据的农作物种植结构提取

利用高空间分辨率遥感数据的农作物种植结构提取刘克宝;刘述彬;陆忠军;宋茜;刘艳霞;张冬梅;吴文斌【摘要】农作物种植结构是掌握粮食种植面积和产量的重要前提,也是进行作物结构调整与优化的依据.该研究以黑龙江肇东市为研究区域,以高空间分辨率RapidEye影像为遥感数据,基于最大似然监督分类方法提取了肇东市2011年农作物种植结构空间分布,利用地面样方调查数据进行了线状及细小地物扣除系数计算,实现遥感提取的农作物种植面积的精细提取,然后从面积数量和空间位置两个方面对遥感提取的农作物种植结构进行了精度评价.研究结果表明,利用RapidEye数据提取的农作物种植面积数据总体精度为97.00％,位置精度为96.15％,高空间分辨率数据在农作物种植结构遥感提取中具有重要潜力,线状及细小地物扣除系数可以有效减小线状及细小地物对高分提取的农作物种植结构的精度.【期刊名称】《中国农业资源与区划》【年(卷),期】2014(035)001【总页数】6页(P21-26)【关键词】高空间分辨率;农作物种植结构;扣除系数;精度【作者】刘克宝;刘述彬;陆忠军;宋茜;刘艳霞;张冬梅;吴文斌【作者单位】黑龙江省农业科学院遥感技术中心,哈尔滨150086;黑龙江省农业科学院遥感技术中心,哈尔滨150086;黑龙江省农业科学院遥感技术中心,哈尔滨150086;黑龙江省农业科学院遥感技术中心,哈尔滨150086;中国农业科学院农业资源与农业区划研究所,北京100081;黑龙江省农业科学院遥感技术中心,哈尔滨150086;黑龙江省农业科学院遥感技术中心,哈尔滨150086;中国农业科学院农业资源与农业区划研究所,北京100081【正文语种】中文农作物种植结构反映了人类农业生产在空间范围内利用农业生产资源的状况，是弄清农作物种类、数量结构和空间分布特征的重要信息，也是进行农作物结构调整与优化的依据［1］。

农作物种植结构信息获取较常用的方法是统计汇总，即通过获取某一较小行政单元的农作物种植结构信息，然后逐层汇总统计得到区域层次的农作物种植结构。

基于高分遥感影像的耕地地块提取

基于高分遥感影像的耕地地块提取1. 介绍耕地地块提取是利用高分辨率遥感影像数据，通过图像处理和地物分类技术，将耕地区域从遥感影像中提取出来的过程。

耕地地块提取在农业生产、土地利用规划、精准农业等方面具有重要的应用价值。

本文将介绍基于高分遥感影像的耕地地块提取的方法和流程。

2. 数据获取首先，需要获取高分辨率的遥感影像数据。

遥感影像数据可以通过多种途径获取，包括卫星遥感数据、航空遥感数据等。

在选择遥感影像数据时，需要考虑数据的空间分辨率、时间分辨率、光谱分辨率等因素，以满足耕地地块提取的需求。

3. 影像预处理在进行耕地地块提取之前，需要对遥感影像进行预处理，以提高后续地物分类的准确性。

预处理的步骤包括：3.1 辐射校正遥感影像在获取过程中可能受到大气、地表反射等因素的影响，导致图像的亮度和色彩失真。

辐射校正可以消除这些影响，使得图像的亮度和色彩与地物的实际特征相匹配。

3.2 几何校正遥感影像在获取过程中可能存在几何畸变，如平面畸变、倾斜畸变等。

几何校正可以将影像的几何特征与地物的实际位置相对应，使得影像的空间信息准确可靠。

3.3 影像增强影像增强是通过图像处理技术，增强遥感影像的对比度、细节等特征，以提高地物分类的效果。

常用的影像增强方法包括直方图均衡化、滤波等。

4. 地物分类地物分类是将遥感影像中的像素分为不同的类别，常见的类别包括耕地、林地、水体等。

地物分类的方法主要有基于像元的分类和基于对象的分类两种。

4.1 基于像元的分类基于像元的分类是将遥感影像中的每个像元独立分类，常用的分类方法包括最大似然法、支持向量机等。

在进行基于像元的分类时，需要选择合适的分类特征，如光谱特征、纹理特征等。

4.2 基于对象的分类基于对象的分类是将遥感影像中的像素组成的对象进行分类，常用的分类方法包括基于决策树的分类、基于神经网络的分类等。

在进行基于对象的分类时，需要选择合适的对象特征，如形状特征、纹理特征等。

5. 耕地地块提取在进行地物分类之后，可以根据分类结果提取耕地地块。

使用卫星影像进行土地利用调查的方法和技巧

使用卫星影像进行土地利用调查的方法和技巧在现代社会，土地利用调查对于城市规划、环境保护以及农业发展等方面都具有重要的意义。

然而，传统的土地利用调查方法需要大量的人力物力，且耗时费力。

而现在，随着卫星技术的不断发展，使用卫星影像进行土地利用调查已成为一种高效、便捷的方法。

本文将介绍使用卫星影像进行土地利用调查的方法和技巧。

首先，了解卫星影像的特点是十分重要的。

卫星影像可以利用光学、遥感和雷达等技术从高空获取地球表面的图像。

而且，卫星影像具有广区域覆盖和频繁可得的特点。

这些特点意味着我们可以利用卫星影像对大范围的地区进行土地利用调查，同时可以对时间序列影像进行比较和分析，以获得更精准的结果。

其次，选择合适的卫星影像数据是进行土地利用调查的关键。

我们可以选择不同分辨率的卫星影像数据，以适应不同尺度的土地利用调查。

例如，对于区域尺度的土地利用调查，可以选择较低分辨率的卫星影像数据，如MODIS影像数据。

而对于更精细的土地利用调查，可以选择较高分辨率的卫星影像数据，如Landsat影像数据。

此外，我们还可以利用高分辨率卫星影像数据，如QuickBird和WorldView影像数据，进行更为详细的土地利用调查。

接下来，我们需要对卫星影像进行预处理，以提取土地利用信息。

首先，我们可以对卫星影像进行大气校正，以消除大气干扰带来的误差。

然后，我们可以对卫星影像进行辐射校正和几何校正，以确保影像的准确性和一致性。

此外，我们还可以利用影像处理软件，如ENVI和ERDAS等，对卫星影像进行特征提取和分类，以提取土地利用信息。

例如，我们可以利用遥感图像分类算法，如最大似然分类和支持向量机等，对卫星影像进行分类，以得到土地利用类型的分布图。

除了卫星影像数据外，我们还可以结合其他数据源，如地理信息系统（GIS）数据和地面调查数据，进行土地利用调查。

通过将卫星影像数据与GIS数据进行集成，我们可以获得更全面的土地利用信息，同时可以进行更为精确的土地利用分析。

不同分辨率影像的撂荒地提取方法

第４１卷第７期２０１８年７月测绘与空间地理信息ＧＥＯＭＡＴＩＣＳ＆ＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＴＥＣＨＮＯＬＯＧＹＶｏｌ.４１ꎬＮｏ.７Ｊｕｌ.ꎬ２０１８收稿日期:２０１７－１２－１８作者简介:张碧蓉(１９９４－)ꎬ女ꎬ山西偏关人ꎬ地图制图学与地理信息工程专业硕士研究生ꎬ主要研究方向为城市形态演化与模拟ꎮ不同分辨率影像的撂荒地提取方法张碧蓉１ꎬ２ꎬ３ꎬ４ꎬ侯志华４ꎬ段㊀平１ꎬ２ꎬ３ꎬ李㊀佳１ꎬ２ꎬ３(１.云南师范大学旅游与地理科学学院ꎬ云南昆明６５０５００ꎻ２.云南省高校资源与环境遥感重点实验室ꎬ云南昆明６５０５００ꎻ３.云南省地理空间信息技术工程技术研究中心ꎬ云南昆明６５０５００ꎻ４.太原师范学院地理科学学院ꎬ山西晋中０３０６１９)摘要:撂荒地对土地利用有很大的影响ꎬ利用遥感影像识别并提取撂荒地可以进一步加强对其保护和利用ꎬ故撂荒地的影像特征提取具有极大的意义ꎮ本文着重研究基于不同分辨率影像的撂荒地信息的提取方法ꎬ对于高分辨率遥感影像直接采用目视解译的方法ꎬ中分辨率影像采用决策树分析法ꎬ低分辨率则是采用时间序列的生命周期法及归一化差分植被指数来提取撂荒地ꎮ针对不同分辨率影像选择不同方法来进行撂荒地的提取ꎬ并分析不同方法的优缺点ꎬ可为以后的研究提供思路ꎮ关键词:不同分辨率ꎻ撂荒地ꎻ归一化差分植被指数ꎻ特征提取中图分类号:Ｐ２３７㊀㊀㊀文献标识码:Ａ㊀㊀㊀文章编号:１６７２－５８６７(２０１８)０７－０１７６－０４ＡｂａｎｄｏｎｅｄＬａｎｄＥｘｔｒａｃｔｉｏｎＭｅｔｈｏｄｓｆｏｒＤｉｆｆｅｒｅｎｔＲｅｓｏｌｕｔｉｏｎＩｍａｇｅｓＺＨＡＮＧＢｉｒｏｎｇ１ꎬ２ꎬ３ꎬ４ꎬＨＯＵＺｈｉｈｕａ４ꎬＤＵＡＮＰｉｎｇ１ꎬ２ꎬ３ꎬＬＩＪｉａ１ꎬ２ꎬ３(１.ＣｏｌｌｅｇｅｏｆＴｏｕｒｉｓｍａｎｄＧｅｏｇｒａｐｈｉｃａｌＳｃｉｅｎｃｅꎬＹｕｎｎａｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙꎬＫｕｎｍｉｎｇ６５０５００ꎬＣｈｉｎａꎻ２.ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＲｅｓｏｕｒｃｅｓａｎｄＥｎｖｉｒｏｎｍｅｎｔｏｆＹｕｎｎａｎＰｒｏｖｉｎｃｅꎬＫｕｎｍｉｎｇ６５０５００ꎬＣｈｉｎａꎻ３.ＧｅｏｓｐａｔｉａｌＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙＥｎｇｉｎｅｅｒｉｎｇＲｅｓｅａｒｃｈＣｅｎｔｅｒｏｆＹｕｎｎａｎＰｒｏｖｉｎｃｅꎬＫｕｎｍｉｎｇ６５０５００ꎬＣｈｉｎａꎻ４.ＣｏｌｌｅｇｅｏｆＧｅｏｇｒａｐｈｉｃａｌＳｃｉｅｎｃｅꎬＴａｉｙｕａｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙꎬＪｉｎｚｈｏｎｇ０３０６１９ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ａｂａｎｄｏｎｅｄｌａｎｄｉｓａｂａｎｄｏｎｅｄａｒａｂｌｅｌａｎｄꎬｈａｓａｇｒｅａｔｉｎｆｌｕｅｎｃｅｏｎｌａｎｄｕｓｅ.Ｓｏｔｈｅｕｓｅｏｆｔｈｅｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓｔｏｒｅｃ￣ｏｇｎｉｚｅａｎｄｅｘｔｒａｃｔｔｈｅａｂａｎｄｏｎｅｄｌａｎｄｃａｎｆｕｒｔｈｅｒｅｎｈａｎｃｅｔｈｅｐｒｏｔｅｃｔｉｏｎａｎｄｕｔｉｌｉｚａｔｉｏｎｏｆｔｈｅｗａｓｔｅｌａｎｄ.Ｔｈｅｒｅｆｏｒｅꎬｉｔｉｓｏｆｇｒｅａｔｓｉｇ￣ｎｉｆｉｃａｎｃｅｔｏｅｘｔｒａｃｔｔｈｅｉｍａｇｅｆｅａｔｕｒｅｓｏｆａｂａｎｄｏｎｅｄｌａｎｄ.Ｔｈｉｓｐａｐｅｒｆｏｃｕｓｅｓｏｎｔｈｅｅｘｔｒａｃｔｉｏｎｏｆｗａｓｔｅｌａｎｄｉｎｆｏｒｍａｔｉｏｎｂａｓｅｄｏｎｄｉｆｆｅｒ￣ｅｎｔｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓ.Ｆｏｒｈｉｇｈｒｅｓｏｌｕｔｉｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓꎬｔｈｅｍｅｔｈｏｄｏｆｖｉｓｕａｌｉｎｔｅｒｐｒｅｔａｔｉｏｎｉｓａｄｏｐｔｅｄｄｉｒｅｃｔｌｙ.ＴｈｅｍｉｄｄｌｅｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓａｒｅａｎａｌｙｚｅｄｂｙｄｅｃｉｓｉｏｎｔｒｅｅｍｅｔｈｏｄꎬｗｈｉｌｅｔｈｅｌｏｗｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓａｒｅｅｘｔｒａｃｔｅｄｂｙｔｉｍｅｓｅｒｉｅｓｌｉｆｅｃｙｃｌｅｍｅｔｈｏｄａｎｄＮＤＶＩｉｎｄｅｘ.Ｄｉｓｃｕｓｓｔｏｃｈｏｏｓｅｄｉｆｆｅｒｅｎｔｍｅｔｈｏｄｓｔｏｅｘｔｒａｃｔｗａｓｔｅｌａｎｄｕｓｉｎｇｄｉｆｆｅｒｅｎｔｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓａｎｄａｎａｌｙｚｅｔｈｅａｄｖａｎｔａｇｅｓａｎｄｄｉｓａｄｖａｎｔａｇｅｓｏｆｄｉｆｆｅｒｅｎｔｍｅｔｈｏｄｓꎬｐｒｏｖｉｄｅｉｄｅａｓｆｏｒｆｕｔｕｒｅｒｅｓｅａｒｃｈ.Ｋｅｙｗｏｒｄｓ:ｄｉｆｆｅｒｅｎｔｒｅｓｏｌｕｔｉｏｎꎻａｂａｎｄｏｎｅｄｌａｎｄꎻｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘꎻｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ０㊀引㊀言撂荒地是土地不继续耕种任其荒芜形成的ꎮ耕地的撂荒直接或间接影响到粮食产量ꎬ其问题也就更加突出ꎬ因此合理有效地利用遥感技术既能够及时㊁准确地获取撂荒地分布的空间ꎬ又能得到大范围土地面积等信息ꎬ这对于准确估计和掌握撂荒地信息ꎬ切实保障某一区域耕地保护战略的实施有着非常重要的意义ꎮ提取撂荒地可以进一步地了解并保护耕地ꎬ对土地利用及改善耕地撂荒情况有着积极的作用且提供重要的依据ꎮ全球的耕地撂荒在各国家都有发生ꎬ对此国内外学者进行了大量的探讨和研究ꎮ采用遥感技术提取撂荒地信息的方法有基于面向对象的分析方法[１]㊁基于ＳＶＭ的分类方法[２]㊁决策树分类方法[３－７]㊁时间序列的方法[８－１１]㊁尺度分割方法[１２]以及对各种方法的对比研究[１３－１５]等ꎮ在提取信息过程中ꎬ研究的方法极为重要ꎬ选择恰当的研究方法不仅可以加快工作进度ꎬ而且可以得出更符合实际的结论ꎮ对于不同分辨率影像的撂荒地提取ꎬ应该采用不同的方法ꎮ本文针对高中低不同空间分辨率影像数据特征来探讨撂荒地信息提取的方法ꎬ本文结果对更广更深地分析研究撂荒地具有一定的意义和价值ꎮ由于是对不同数据源的撂荒地信息进行识别ꎬ所以本文选择撂荒地信息比较丰富并且突出的地区以便于研究ꎬ故而选择山西省右玉县牛心堡乡ꎮ该地区耕地面积较大ꎬ撂荒地信息比较明显ꎬ有益于识别与研究ꎮ１㊀研究区与数据源研究区域为山西省右玉县牛心堡乡ꎬ该区域为撂荒耕地地区的典型ꎮ采用不同遥感数据源对该区域撂荒地影像特征进行分析及信息提取ꎬ数据主要有:２０１６年５月２０日ＳＰＯＴ－７高分辨率影像ꎬ２０１３年６月２日Ｌａｎｄｓａｔ－８中分辨率影像ꎬ２０１１年到２０１５年的ＭＯＤ１３Ｑ１低分辨率影像ꎬ其中ＭＯＤ１３Ｑ１来自于ＮＡＳＡ网站下的ＮＤＶＩ月合成产品数据ꎬ时间间隔为１６ｄꎬ影像空间分辨率为２５０ｍꎮ２㊀撂荒地信息提取方法２.１㊀高分辨率影像人工目视解译方法撂荒地是土地不继续耕种任其荒芜形成的ꎬ所以撂荒地的形状和耕地基本相同ꎬ如图１和图２所示ꎮ耕地由于种植作物单一㊁种植均匀ꎬ所以颜色均匀ꎮ而撂荒地由于耕地弃耕之后使得各类杂草丛生ꎬ这就导致撂荒地颜色深浅不同ꎬ不均匀ꎬ形成斑块ꎮ影像上还有地块形状比较规则且色深ꎬ地块里边有如同一点一点的针眼ꎬ比较粗糙的类型ꎬ但该类不是撂荒地ꎬ而是经过人工改造及后期种植较大植被形成的规则的灌木林等或防护林地类ꎮ利用高分辨率影像进行撂荒地的提取关键是建立解译标志ꎬ如图１㊁图２㊁图３所示ꎬ耕地呈规则的条状特征ꎬ颜色整体比较均匀ꎬ有耕种所形成的一垄一垄的条状ꎬ地块呈梯状ꎻ经过人工种植的灌木林等比较大的植被地类形状较规则且色深ꎬ地块里边有如同一点一点的针眼ꎬ比较粗糙ꎻ撂荒地形状比较整齐㊁有规则ꎬ整体颜色不均匀ꎬ有颜色深浅不同的斑块ꎮ图１㊀ＳＰＯＴ７中的耕地Ｆｉｇ.１㊀ＣｕｌｔｉｖａｔｅｄｌａｎｄｉｎＳＰＯＴ７图２㊀ＳＰＯＴ７中的撂荒地Ｆｉｇ.２㊀ＡｂａｎｄｏｎｅｄｌａｎｄｉｎＳＰＯＴ７图３㊀ＳＰＯＴ７中的灌木林等植被Ｆｉｇ.３㊀ＶｅｇｅｔａｔｉｏｎｏｆｓｈｒｕｂｓｉｎＳＰＯＴ７２.２㊀Ｌａｎｄｓａｔ影像决策树分析法对于中分辨率的Ｌａｎｄｓａｔ影像ꎬ撂荒地的提取是采用决策树分类ꎬ该方法最重要的是判别规则的建立ꎮ利用地物的反射光谱曲线的差异来建立判别规则ꎮ根据典型地类的光谱值ꎬ如图４所示ꎬＢ１为近红外波段ꎬＢ２为红波段ꎬＢ３为绿波段ꎮ裸地的光谱值在这３个波段中反射率是最高的ꎬ建设用地的值仅次于裸地ꎬ水体的反射率是最低的ꎬ它们的差异最明显ꎮ所以将Ｂ３分界线值设为２０ꎬ即Ｂ３大于２０的像元被划分为建设用地和裸地ꎬ其余为水体ꎮ灌木林地㊁耕地１㊁荒草地和撂荒地的差异不是很明显ꎬ可以归分为一类ꎮ耕地２和林地的光谱曲线相似ꎬ可归为一类ꎬ虽然与灌木林地㊁耕地１㊁荒草地和撂荒地不同ꎬ但根据光谱特征无法明确地区分这些地类ꎮ图４㊀典型地类光谱值Ｆｉｇ.４㊀Ｔｙｐｉｃａｌｓｐｅｃｔｒａｌｖａｌｕｅｓ利用典型地类的光谱可以有效区分裸地㊁建设用地和水体ꎬ而灌木林地㊁耕地１㊁荒草地㊁撂荒地和耕地２㊁林地不能有效区分ꎮ可根据归一化差分植被指数(ＮｏｒｍａｌｉｚｅｄＤｉｆｆｅｒｅｎｃｅＶｅｇｅｔａｔｉｏｎＩｎｄｅｘꎬＮＤＶＩ)区分植被与非植被ꎬ灌木林地㊁耕地１㊁荒草地㊁撂荒地及耕地２㊁林地ꎮ经过多次实地考察与典型地物的采样点对比分析ꎬ可以将阈值设定为０.０５ꎬ即ＮＤＶＩ大于０.０５的像元被划分为植被ꎬ其他为水体㊁裸地和建设用地ꎮ林地的覆盖度最大ꎬＮＤＶＩ值最高ꎬ之后ＮＤＶＩ值从大到小为灌木林地㊁耕地２㊁荒草地㊁撂荒地㊁耕地１ꎮ根据以上分析ꎬ以此为依据来构建决策树ꎬ判别规则如图５所示ꎬ最终分类结果如图６所示ꎮ２.３㊀ＭＯＤＩＳ影像时间序列的生命周期特征法对于低分辨率的ＭＯＤＩＳ影像ꎬ撂荒地的提取是采用时间序列的生命周期特征法ꎮ该方法最重要的就是ＮＤＶＩ７７１第７期张碧蓉等:不同分辨率影像的撂荒地提取方法图５㊀决策树自动提取判别规则Ｆｉｇ.５㊀Ｄｅｃｉｓｉｏｎｔｒｅｅａｕｔｏｍａｔｉｃｅｘｔｒａｃｔｉｏｎｃｒｉｔｅｒｉｏｎ图６㊀各地类的分类结果Ｆｉｇ.６㊀Ｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆｖａｒｉｏｕｓｃａｔｅｇｏｒｉｅｓ值的时间序列曲线ꎬ利用不同的地物形成相应的ＮＤＶＩ值曲线及特定的生命周期来判断类型ꎬ以此来识别撂荒地ꎮ根据ＮＤＶＩ形成的林地㊁耕地㊁建设用地和耕地撂荒采样点的时间序列曲线ꎬ５年中每年大致在８月份出现峰值ꎬ１３月份是低谷ꎬ即该地一年内在夏季植被出现最茂盛的时刻ꎬ春秋植被覆盖度降低ꎬ冬季植被最少ꎮ图７曲线中峰值是４幅图中最高ꎬ在每一年春季都有一个低谷时期ꎬ随后几个月ＮＤＶＩ值逐渐上升到达峰值ꎬ且峰值状态有所持续ꎮ故该植物是春季开始生长ꎬ夏季逐渐繁茂ꎬ而且整体植被覆盖度高ꎬ可以持续到１０月初ꎬ而林地的植被覆盖度大于其他地类ꎬ该图与林地特征最相似ꎬ故属于林地ꎮ图８曲线中峰值在４幅图中比较高ꎮ每年曲线基本在１３月出现最低ꎬ７月和８月出现最高ꎮ这说明该处一年中有一次耕种ꎬ在９月逐渐成熟ꎮ在５年中ꎬ都保持这种状态及单峰的特点ꎬ这与农作物茂盛程度相同ꎮ图９曲线ＮＤＶＩ值在０３０之间ꎬ每年在７月左右出现一个波峰ꎮ建筑用地植被覆盖度应该是很低或者基本没有ꎬ但在现实生活对该地类进行采样时ꎬ很难找到没有植被覆盖的建设用地ꎬ所以生成的建设用地时间序列曲线图会出现细微的类似于植被的生命周期ꎮ图９中在２０１２年出现了较高的ＮＤＶＩ值ꎬ说明此地植被覆盖度比其他地方高ꎬ可能是由于人为因素所致ꎮ图１０中ＮＤＶＩ值的变化比较明显ꎬ２０１１２０１３年曲线基本与图８一致ꎬ但在２０１４年和２０１５年ＮＤＶＩ值有明显的下降ꎬ值略高于图９且形状与图９类似ꎮ这说明在２０１３年后此地延续２年没有连续耕种ꎬ任其荒芜形成典型的撂荒地类型ꎮ图７㊀基于ＭＯＤＩＳ数据形成的林地的时间序列曲线图Ｆｉｇ.７㊀Ｔｉｍｅｓｅｒｉｅｓｃｕｒｖｅｏｆｗｏｏｄｌａｎｄ㊀㊀㊀ｂａｓｅｄｏｎＭＯＤＩＳｄａｔａ图８㊀基于ＭＯＤＩＳ数据形成的耕地的时间序列曲线图Ｆｉｇ.８㊀Ｔｉｍｅｓｅｒｉｅｓｃｕｒｖｅｏｆｃｕｌｔｉｖａｔｅｄｌａｎｄ㊀㊀㊀ｂａｓｅｄｏｎＭＯＤＩＳｄａｔａ图９㊀基于ＭＯＤＩＳ数据形成的建设用地的㊀㊀㊀时间序列曲线图Ｆｉｇ.９㊀Ｔｉｍｅｓｅｒｉｅｓｃｕｒｖｅｏｆｃｏｎｓｔｒｕｃｔｉｏｎｌａｎｄ㊀㊀㊀ｂａｓｅｄｏｎＭＯＤＩＳｄａｔａ图１０㊀基于ＭＯＤＩＳ数据形成的撂荒地的㊀㊀㊀时间序列曲线图Ｆｉｇ.１０㊀Ｔｉｍｅｓｅｒｉｅｓｃｕｒｖｅｏｆａｂａｎｄｏｎｅｄｌａｎｄ㊀㊀㊀㊀ｂａｓｅｄｏｎＭＯＤＩＳｄａｔａ８７１㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀测绘与空间地理信息㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０１８年㊀㊀基于以上分析比较可知ꎬ４种地类时间序列曲线在每一年都呈单峰变化ꎻ不同之处在于林地的ＮＤＶＩ取值范围在０.１０.９之间ꎬ曲线光滑ꎬ波峰和波谷都比较深ꎻ耕地的ＮＤＶＩ取值范围在０.１０.６之间ꎬ峰值明显没有林地的高ꎬ曲线也比较光滑ꎻ建设用地的ＮＤＶＩ取值范围是００.３之间ꎬ由于建筑用地植被覆盖程度和位置可能不同ꎬ得到的曲线不光滑ꎬ存在零星的植被所带有的峰值ꎻ撂荒地的ＮＤＶＩ取值范围为０.１０.５ꎬ曲线不光滑ꎮ对这４个点进行实地检测ꎬ证明分析结果和实际相同ꎮ３㊀结束语本文针对高㊁中㊁低分辨率影像分别采用目视解译㊁决策树分类㊁时间序列的生命周期方法提取撂荒地ꎮ在目视解译方法中对研究区影像进行拉伸ꎬ优点是各地物清晰ꎬ易于信息识别ꎬ可以更好地对地形形状区分ꎬ从而达到增强或提取撂荒地信息的目的ꎮ决策树分类法根据多个二叉决策树的组成ꎬ从而把各像元进行分类ꎬ使同一类型为同一地物ꎬ进而把各地类区分开ꎮ每个决策树根据某一条件把图像中像元分为两类ꎬ在每个子节点进行下一级划分ꎬ直至分完ꎮ但此过程中最困难也最重要的是决策树的建立ꎬ该过程受人为的影响比较严重ꎬ干扰较大ꎮ在此过程中可以利用多种标志进行分类ꎬ如光谱特征和ＮＤＶＩꎬ依据各地物差异进行区分ꎬ使计算机解译更加准确ꎮ时间序列的生命周期方法中ꎬＭＯＤＩＳ影像具有很高的时效性ꎬ所以依据地物的生命周期特征来区分地物ꎬ文章中使用的ＮＤＶＩ生成的曲线图具有时序性ꎬ直观地反映出研究地的特性ꎬ通过与实际进行比对来区分撂荒地ꎮ该方法在其他学术研究中也多有应用ꎬ结果很好且具有推广意义ꎬ但缺点是空间分辨率只有２５０ｍꎬ采样过程比较难ꎬ会因像元不纯而影响植被指数的计算ꎮ参考文献:[１]㊀张秀英ꎬ冯学智ꎬ丁晓东ꎬ等.基于面向对象方法的ＩＫＯ￣ＮＯＳ影像城市植被信息提取[Ｊ].浙江大学学报:农业与生命科学版ꎬ２００７ꎬ３３(５):５６８－５７２. [２]㊀何灵敏ꎬ沈掌枭ꎬ孔繁胜.ＳＶＭ在多源遥感图像分类中的应用研究[Ｊ].中国图像图形学报ꎬ２００７ꎬ１２(４):６４８－６５３.[３]㊀李彤ꎬ吴骅.采用决策树分类技术对北京市土地覆盖现状进行研究[Ｊ].遥感技术与应用ꎬ２００４ꎬ１９(６):４８５－４８７.[４]㊀陈利ꎬ林辉ꎬ孙华ꎬ等.基于决策树分类的森林信息提取研究[Ｊ].中南林业科技大学学报ꎬ２０１３ꎬ３３(１):４６－５１. [５]㊀潘琛ꎬ杜培军ꎬ张海荣.决策树分类法及其在遥感图像处理中的应用[Ｊ].测绘科学ꎬ２００８ꎬ３３(１):２０８－３５３. [６]㊀李彤ꎬ吴骅.采用决策树分类技术对北京市土地覆盖现状进行研究[Ｊ].遥感技术与应用ꎬ２００４ꎬ１９(６):４８５－４８７.[７]㊀刘建光ꎬ李红ꎬ孙丹峰ꎬ等.ＭＯＤＩＳ土地利用/覆盖多相时多光谱决策树分类[Ｊ].农业工程学报ꎬ２０１０ꎬ２６(１０):３１２－３１８.[８]㊀程维芳ꎬ周艺ꎬ王世新ꎬ等.基于多光谱遥感的撂荒地识别方法研究[Ｊ].光谱学与光谱分析ꎬ２０１１ꎬ３１(６):１６１５－１６２０.[９]㊀郑长春ꎬ王秀珍ꎬ黄敬峰.多时相ＭＯＤＩＳ影像的浙江省水稻种植面积信息提取方法研究[Ｊ].浙江大学学报:农业与生命科学版ꎬ２００９ꎬ３５(１):９８－１０４.[１０]㊀汪权方ꎬ张海文ꎬ孙杭州ꎬ等.基于时序ＭＯＤＩＳ/ＮＤＶＩ影像的鄂东南低山丘陵区植被覆盖度季节变化特征[Ｊ].长江流域资源与环境ꎬ２０１０ꎬ１９(８):８８４－８８９. [１１]㊀吕婷婷ꎬ刘闯.基于ＭＯＤＩＳ数据的泰国耕地信息提取[Ｊ].农业工程学报ꎬ２０１０ꎬ２６(２):２４４－２５０.[１２]㊀莫登奎ꎬ林辉ꎬ孙华ꎬ等.基于高分辨率遥感影像的土地覆盖信息提取[Ｊ].遥感技术与应用ꎬ２００５ꎬ２０(４):４１１－４１４.[１３]㊀侯志华ꎬ马义娟.中分辨率遥感影像土地利用覆被信息自动提取研究[Ｊ].太原师范学院学报:自然科学版ꎬ２０１４ꎬ１３(４):９３－９８.[１４]㊀牛鲁燕ꎬ张晓ꎬ郑继业ꎬ等.基于Ｌａｎｄｓａｔ８ＯＬＩ数据的山东省耕地信息提取研究[Ｊ].中国农学通报ꎬ２０１４ꎬ３０(３４):２６４－２６９.[１５]㊀翟天林ꎬ金贵ꎬ邓祥征ꎬ等.植被信息的Ｌａｎｄｓａｔ８卫星影像提取方法[Ｊ].测绘科学ꎬ２０１６ꎬ４１(１０):１２６－１５８.[编辑:任亚茹](上接第１７５页)[４]㊀陈常松.我国ＧＩＳ技术应用现状的调查与分析[Ｊ].测绘科技动态ꎬ１９９６(１):２６－３１ꎬ３４.[５]㊀曾钰.由引文和关键词看我国近５年遥感研究进展[Ｊ].测绘科学ꎬ２０１６(４):１７７－１８３.[６]㊀钟赛香ꎬ袁甜ꎬ苏香燕ꎬ等.百年ＳＳＣＩ看国际人文地理学的发展特点与规律基于７３种人文地理类期刊的文献计量分析[Ｊ].地理学报ꎬ２０１５(４):６７８－６８８. [７]㊀刘则渊.知识图谱的科学学源流[Ｒ].大连:第三期科学知识图谱与科学计量学方法与应用高级讲习班ꎬ２０１３. [８]㊀陈悦ꎬ陈超美ꎬ刘则渊ꎬ等.ＣｉｔｅＳｐａｃｅ知识图谱的方法论功能[Ｊ].科学学研究ꎬ２０１５(２):２４２－２５３. [９]㊀ＣｈｅｎＣ.ＣｉｔｅＳｐａｃｅⅡ:Ｄｅｔｅｃｔｉｎｇａｎｄｖｉｓｕａｌｉｚｉｎｇｅｍｅｒ－ｇｉｎｇｔｒｅｎｄｓａｎｄｔｒａｎｓｉｅｎｔｐａｔｔｅｒｎｓｉｎｓｃｉｅｎｔｉｆｉｃｌｉｔｅｒａｔｕｒｅ[Ｊ].ＪｏｕｒｎａｌｏｆｔｈｅＡｍｅｒｉｃａｎＳｏｃｉｅｔｙｆｏｒＩｎｆｏｒｍａｔｉｏｎＳｃｉ－ｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙꎬ２００６ꎬ５７(３):３５９－３７７.[１０]㊀李琬ꎬ孙斌栋.西方经济地理学的知识结构与研究热点基于ＣｉｔｅＳｐａｃｅ的图谱量化研究[Ｊ].经济地理ꎬ２０１４(４):７－１２ꎬ４５.[１１]㊀秦晓楠ꎬ卢小丽ꎬ武春友.国内生态安全研究知识图谱基于Ｃｉｔｅｓｐａｃｅ的计量分析[Ｊ].生态学报ꎬ２０１４(１３):３６９３－３７０３.[１２]㊀王程韡. 大数据是大趋势吗:基于关键词共现方法的反事实分析[Ｊ].科学学与科学技术管理ꎬ２０１５(１):３－１１.[１３]㊀钟伟金ꎬ李佳.共词分析法研究(一) 共词分析的过程与方式[Ｊ].情报杂志ꎬ２００８(５):７０－７２.[１４]㊀李文兰ꎬ杨祖国.从关键词的变化看中国图书馆学研究主题的发展[Ｊ].图书情报工作ꎬ２００４(１２):１１５－１１８. [１５]㊀李清泉ꎬ李德仁.大数据ＧＩＳ[Ｊ].武汉大学学报:信息科学版ꎬ２０１４ꎬ３９(６):６４１－６４４ꎬ６６６.[１６]㊀陆锋ꎬ张恒才.大数据与广义ＧＩＳ[Ｊ].武汉大学学报:信息科学版ꎬ２０１４ꎬ３９(６):６４５－６５４.[编辑:刘莉鑫]９７１第７期张碧蓉等:不同分辨率影像的撂荒地提取方法。

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。

基于卫星遥感影像的土地利用变化监测与分析

基于卫星遥感影像的土地利用变化监测与分析近年来，随着技术的不断发展和空间信息的广泛应用，基于卫星遥感影像的土地利用变化监测与分析成为了一个热门的研究方向。

通过利用卫星遥感影像来获取大范围、高分辨率的土地利用信息，可以帮助政府、科研机构和环境保护组织等进行土地资源管理、规划和监测。

土地利用变化是指人类活动导致的土地利用类型及其空间分布发生的变化。

土地利用变化对社会经济发展、生态环境保护以及可持续发展产生了重要影响。

因此，进行土地利用变化监测与分析具有重要意义。

基于卫星遥感影像的土地利用变化监测与分析主要分为以下几个步骤：首先，选择合适的卫星遥感影像。

不同类型的卫星传感器具有不同的空间分辨率、光谱分辨率和时间分辨率等特性，选择合适的卫星遥感影像是进行土地利用变化监测与分析的基础。

其次，进行影像预处理。

卫星遥感影像受大气、地表和传感器等因素的影响，需要进行大气校正、辐射定标和几何校正等预处理步骤，以消除影像中的噪声和扭曲，提高影像质量。

接下来，提取土地利用信息。

通过对预处理后的卫星遥感影像进行分类和解译，可以得到土地利用类型的空间分布信息。

常用的分类方法包括基于像元的分类、基于对象的分类和基于混合像元的分类等。

然后，进行土地利用变化检测。

通过对不同时间的卫星遥感影像进行对比和分析，可以检测出土地利用类型的变化情况。

常用的土地利用变化检测方法包括像元级的差异检测、面向对象的变化检测和转移概率矩阵分析等。

最后，进行土地利用变化分析。

根据检测出的土地利用变化信息，可以分析土地利用变化的原因和影响。

同时，还可以进行土地利用变化趋势分析和预测，为决策提供科学依据。

基于卫星遥感影像的土地利用变化监测与分析在实践中得到了广泛应用。

例如，在城市规划中，可以利用卫星遥感影像来监测城市扩张和土地利用冲突，并为城市的规划和管理提供数据支持。

在生态环境保护中，可以利用卫星遥感影像来监测森林砍伐、湿地退化和草地退化等现象，并提出相应的保护措施。

基于卫星遥感图像的土地利用预测研究方法

基于卫星遥感图像的土地利用预测研究方法摘要：土地利用预测是土地管理和规划的关键方面，可以帮助决策者制定合理的土地政策和规划。

卫星遥感图像提供了大量的地表信息，因此被广泛应用于土地利用预测研究中。

本文将介绍基于卫星遥感图像的土地利用预测研究方法，包括数据获取与处理、特征提取、分类器的选择和模型评估等。

1.引言土地利用预测在城市规划、环境保护、农业管理等领域具有重要的应用价值。

传统的土地利用调查方法通常时间和资源消耗大，而且难以获取全面的土地利用信息。

卫星遥感图像能够提供大范围的土地信息，具有时间和空间分辨率高、成本低等优点，因此被广泛应用于土地利用预测研究中。

2.数据获取与处理卫星遥感图像的获取是进行土地利用预测的第一步。

通常可以选择具有适当时空分辨率的遥感数据源，如Landsat、MODIS、Sentinel等。

获取的图像数据需要进行预处理，包括辐射校正、大气校正、几何纠正等，以保证数据的准确性和可比性。

3.特征提取特征提取是土地利用预测的关键步骤之一。

通过分析卫星遥感图像中不同波段的反射率和指数，可以提取出与土地利用类型有关的特征。

常用的特征包括植被指数（如NDVI）、土壤湿度指数、正射影像等。

此外，还可以结合地理信息系统（GIS）数据，如高程、坡度等地貌因素，提取更丰富的特征，提高土地利用预测的准确性。

4.分类器的选择分类器的选择是土地利用预测研究中的关键问题。

常用的分类器包括支持向量机（SVM）、随机森林（RF）、人工神经网络（ANN）等。

每种分类器都有其优缺点，需要根据具体情况选择合适的分类器。

此外，集成学习方法，如Bagging、Boosting等，也可以提高分类的准确性。

5.模型评估模型评估是判断土地利用预测模型性能的重要指标。

常用的评估指标包括精度、召回率、F1值等。

可以通过交叉验证、混淆矩阵等方法对模型进行评估，并选择最优的模型进行土地利用预测。

6.案例研究为了验证基于卫星遥感图像的土地利用预测研究方法的可行性，本文选取了某地区作为研究区域，利用该地区的卫星遥感图像数据，进行土地利用预测。

使用卫星影像解译进行土地利用变化监测的步骤与技巧

使用卫星影像解译进行土地利用变化监测的步骤与技巧地球的土地利用变化对人类社会和生态环境都具有重要影响。

为了监测和评估土地利用变化的情况，卫星影像解译成为一种非常有效的方法。

本文将介绍卫星影像解译进行土地利用变化监测的基本步骤和实用技巧。

一、数据获取与预处理要进行土地利用变化监测，首先需要获取卫星影像数据。

可以通过购买商业卫星数据或者使用免费的卫星数据来获取所需影像。

除了卫星数据，还可以选择使用航空影像或者无人机影像。

一旦获取到影像数据，就需要进行预处理，以消除影像中的噪点、改正大气和地表反射率等。

二、图像分类与解译图像分类是土地利用变化监测中的核心步骤之一。

通过图像分类，可以将影像像元划分为不同的类别，如森林、农田、城市等。

在卫星影像解译中，常用的分类方法有有监督分类和无监督分类。

有监督分类依靠已知的地物类别样本进行分类，而无监督分类则通过统计图像中各像元之间的相似性进行分类。

根据具体的监测目标和研究区域，选择适合的分类方法。

三、变化检测与分析在完成图像分类之后，接下来需要进行土地利用变化的检测与分析。

变化检测是指比较不同时间段的影像，找出两个时间段之间地物变化的区域。

传统的变化检测方法包括差值图分析、像元级变化检测和对象级变化检测等。

而随着深度学习方法的发展，也出现了基于卷积神经网络的变化检测方法。

这些方法可以更准确地提取变化信息并进行分析。

四、误差控制与验证在进行土地利用变化监测时，误差是无法完全避免的。

为了控制误差并提高结果的可靠性，需要进行误差控制与验证。

一种常用的方法是采用地面调查样本点进行验证，将卫星影像解译结果与实地调查结果进行对比。

此外，还可以使用不同时间段的多源卫星影像来进行交叉验证，以确保监测结果的准确性。

五、技巧与注意事项在进行卫星影像解译进行土地利用变化监测时，还有一些技巧和注意事项需要注意。

首先，需要根据研究目的选择合适的卫星数据和影像分辨率。

不同的卫星和影像分辨率对土地利用变化的监测结果有着不同的影响。

遥感影像耕地识别方法

遥感影像耕地识别是一种利用遥感技术对耕地进行监测和识别的技术方法。

以下是该方法的主要步骤和注意事项：1. 数据收集：收集遥感影像数据，包括卫星或无人机拍摄的图像。

这些数据通常可以从公开的卫星图像数据库或专业的遥感数据提供商处获得。

2. 图像预处理：对收集到的遥感影像数据进行预处理，包括去噪、对比度调整、色彩平衡等，以提高图像的可视化效果和土地信息的可读性。

3. 耕地区域提取：利用土地利用分类方法，将遥感影像中的耕地区域从其他地物类型中分离出来。

常用的土地利用分类方法包括监督分类、半监督分类、非监督分类等。

4. 特征提取：对提取出的耕地区域进行特征提取，包括耕地的形状、大小、分布等。

这些特征将用于后续的耕地识别和评估。

5. 耕地识别：利用机器学习算法对特征数据进行训练和分类，将真实的耕地区域从非耕地区域中识别出来。

常用的机器学习算法包括支持向量机（SVM）、随机森林、神经网络等。

6. 结果评估：对耕地识别的结果进行评估，包括准确率、召回率、F1得分等指标，以确保识别的精度和可靠性。

7. 应用与更新：将识别的结果应用于实际工作中，如土地利用规划、土地资源监测、农业产量评估等。

同时，根据实际情况的变化，定期更新耕地识别的模型和方法，以确保结果的准确性和时效性。

在实施遥感影像耕地识别方法时，需要注意以下几点：1. 数据质量：确保收集到的遥感影像数据的质量，包括清晰度、分辨率、光谱特性等，以确保图像的可视化和土地信息可读性的准确性。

2. 方法选择：根据实际情况和需求选择合适的土地利用分类方法和机器学习算法，以确保识别的精度和可靠性。

3. 特征选择：选择与耕地相关的特征，以确保特征数据的代表性和有效性，从而影响耕地识别的结果。

4. 精度验证：定期对耕地识别的结果进行精度验证，以确保结果的准确性和可靠性。

5. 更新与维护：根据实际情况的变化，及时更新耕地识别的模型和方法，并定期维护和管理相关数据和系统，以确保结果的准确性和时效性。

卫星影像处理的基本方法与技巧

卫星影像处理的基本方法与技巧引言：随着科技的进步和航天技术的发展，卫星影像在各个领域的应用越来越广泛。

从城市规划到环境保护，从农业监测到灾害预警，卫星影像提供了大量有价值的信息。

然而，要利用这些影像数据，就需要进行一系列的处理和分析。

本文将介绍卫星影像处理的基本方法与技巧，探讨如何从原始数据中提取有用的信息。

一、数据获取与预处理卫星影像的处理流程始于数据的获取，而有效的数据获取对于处理结果的准确性至关重要。

首先，需要选择合适的卫星传感器和数据源，根据研究目标和需求选择合适的分辨率、频谱范围和时间分辨率等参数。

在数据的选取过程中，还要注意数据的质量和可靠性。

在数据获取后，进行预处理也是必要的。

预处理主要包括辐射校正、大气校正、几何校正等步骤，以消除数据中的噪声和误差，使得后续的处理更加准确可靠。

二、影像分类与特征提取卫星影像处理中最常见的任务之一就是影像分类。

影像分类是将像素分为不同的类别，通常通过像素的光谱、纹理和空间信息等特征来实现。

常用的分类方法有监督分类和非监督分类。

监督分类是通过训练样本来指导分类过程，而非监督分类则是根据数据本身的统计特性进行分类。

在进行分类之前，要先对影像进行特征提取，选择合适的特征可以提高分类的准确性和效率。

三、变化检测与时间序列分析卫星影像的时间序列数据提供了对地表变化进行研究的重要基础。

变化检测是指在多个时间点上对同一地区的影像进行比较，以发现地表的变化信息。

变化检测有多种方法，如像元间差值法、主成分分析法和基于物体的变化检测法等。

时间序列分析则是对多个时间点的影像进行统计和分析，通过观察特定区域的变化趋势来理解和解释地表的演变过程。

四、影像配准与融合对于多源、多时相的卫星影像，影像配准和融合是必要的处理步骤。

影像配准是将多个影像进行空间对齐，使它们在几何上一致。

影像融合则是将不同传感器或不同波段的影像进行融合，以获取更全面和准确的信息。

影像配准和融合的主要目标是提高影像的空间分辨率和光谱分辨率，从而更好地满足实际应用的需求。

土地利用覆盖变化信息提取

土地利用/覆盖变化信息提取实验报告1. 实验目的利用TM/ETM3个时相卫星数据，应用ENVI软件进行土地利用/覆盖分类，在此基础上进一步分析其动态变化特征。

2. 实验内容金华市土地利用/覆被变化信息的提取。

采用决策树分类法提取土地利用/覆被信息，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，比较适合于江南丘陵地形破碎、地物分布复杂的地区。

和传统的监督分类法相比，它可以消除园地和林地、建设用地和裸地光谱相似所带来的影响。

（1）TM影像数据的预处理。

本文的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。

（2）土地利用变化信息提取。

首先对其中的一期影像(2003年)分别采用最大似然法、决策分类树法进行分类，提取土地利用/覆被信息，并对二者的提取精度进行比较，选择精度最高者作为最终的提取方法，进而提取1988～2003年金华市土地利用/土地覆被信息。

（3）利用空间叠加获取土地利用/覆被变化的面积转移矩阵，进而通过面积转移矩阵分析土地利用/土地覆被的数量变化、空间结构变化和土地利用程度。

3. 实验方案4. 数据预处理4.1 数据源本文所采用的数据包括：两景金华市的Landsat TM和一景Landsat ETM陆地卫星影像，一景半SPOT 全色影像；该地区1：50 000地形图；该地区81m*81m分辨率的数字高程模型（DEM）；1：100万中国行政边界矢量图等。

具体的见表4-1和4-2所示。

表4-1 研究区遥感影像数据获取时间传感器类型数量（景）空间分辨率（m）2003年3月9日SPOT-5全色151/252003年3月26日LandsatETM+1-8波段115m（全色）30m(多光谱)1996年9月6日LandsatTM1-7波段1301988年12月5日LandsatTM1-7波段130表4-2 研究区其他资料及应用说明数据类型应用说明大比例尺地形图最新时相的1：50000地形图，用于进行卫星遥感资料的几何校正野外调查资料野外控制点的测量，土地利用/覆盖分类训练样本区的调查，建立判读标志，进行分类及信息提取精度检验等工作土地利用现状图对比土地利用/覆盖动态变化及遥感影像分类精度参考4.2 图像预处理数据预处理部分主要包括：对遥感影像进行大气校正、几何纠正、以及对研究区进行边界裁剪和图像增强。

卫星遥感数据的快速处理与信息提取研究

卫星遥感数据的快速处理与信息提取研究一、引言卫星遥感技术具有获取大范围、高分辨率、持续性、实时性等特点，可以广泛应用于气象、环境、资源、农业、城市规划等领域。

但是，卫星遥感数据的快速处理和信息提取一直是困扰研究者的难题。

在信息爆炸的时代，如何高效地处理和利用卫星遥感数据，成为了当前遥感研究中的重点和难点。

二、卫星遥感数据的处理技术（一）预处理卫星遥感数据在采集、传输、储存等环节中受到环境、设备、人为等多种影响，因此需要进行预处理，包括校正、大气校正、辐射校正等。

校正主要是针对数据的几何定位、坐标系统、影像纠正等进行的；大气校正是消除大气对地表反射率的影响，常用的大气校正模型有ATCOR、MODTRAN等；辐射校正则是将传感器记录的数字值转换为反射率或辐射率。

（二）影像分类影像分类是从卫星遥感影像中自动提取景物信息的过程，可以使用传统的分类方法，如最大似然分类、人工神经网络分类等，也可以采用机器学习方法，如支持向量机、随机森林等。

影像分类的精度直接影响到后续的信息提取和应用效果，因此需要综合考虑多种分类方法并进行评估。

（三）影像分割影像分割是将卫星遥感影像分成若干个区域，每个区域内具有较为相似的像元值，是获取地面景物面积、结构及形态等信息的方法之一。

目前常用的影像分割方法有基于阈值、基于区域生长、基于边缘的分割方法等。

在进行影像分割前，需要对原始影像进行预处理，如滤波、去噪、增强等，以提高分割精度和稳定性。

三、卫星遥感数据的信息提取应用（一）地表覆盖分类地表覆盖分类是卫星遥感应用中最为常见的应用之一，可以从影像中提取不同类型的地表覆盖信息，如森林、湿地、水体、城市、耕地等。

基于卫星遥感数据的地表覆盖分类有广泛的应用价值，如生态环境评估、资源管理、城市规划等。

（二）环境监测卫星遥感数据可以实时监测大气污染、水体质量、植被覆盖状况等环境指标，以及预测自然灾害，如干旱、洪涝、地震等。

通过分析卫星遥感数据，可以及时预警环境问题，为环境保护和灾害预防提供支持。

使用卫星遥感技术进行农田监测与预警的方法与技巧

使用卫星遥感技术进行农田监测与预警的方法与技巧卫星遥感技术在农田监测与预警中的应用随着科技的发展和进步，卫星遥感技术已经成为现代农田监测与预警的重要工具。

它通过卫星获取地球表面的数据，以图像的形式展示出来，为农田的管理和农作物的生长提供了可靠的信息。

本文将探讨使用卫星遥感技术进行农田监测与预警的方法与技巧。

一、卫星遥感技术的原理和优势卫星遥感技术是利用卫星传感器对地球表面进行探测和拍摄，获取地球表面的信息。

其原理是通过接收和记录由卫星传感器发射的电磁波，然后利用这些数据生成图像，从而了解地球表面的特征和变化。

与传统的农田监测方法相比，卫星遥感技术具有以下优势：1.广覆盖性：卫星遥感可以覆盖整个农田区域，包括较大范围的土地和农田景观，因此可以提供全面的信息。

2.高时空分辨率：卫星传感器可以将地球表面分成很小的像素，使得每个像素代表的区域非常小，从而可以提供更准确和详细的信息。

3.实时监测：卫星遥感数据可以实时获取，并且可以与历史数据进行比较，从而可以及时发现农田变化和问题，实现快速响应和决策。

二、卫星遥感技术在农田监测与预警中的应用1.土地利用与覆盖监测：卫星遥感技术可以识别不同类型的土地利用和覆盖，包括耕地、草地、森林等，从而可以了解农田的使用情况，帮助农业部门进行土地管理和规划。

2.农作物生长监测：卫星遥感可以通过监测农作物的生长状况，如生长周期、叶面积指数等参数，来评估农田的农作物产量和健康状况。

通过分析农作物的生长情况，可以及时采取措施来预防病虫害和干旱等灾害的发生。

3.病虫害监测与预警：卫星遥感技术可以通过检测农田中病虫害的发生和传播情况，提供预警信息，帮助农业部门采取控制和防治措施。

通过卫星遥感图像的分析，可以追踪病虫害的发展趋势，从而及时采取措施控制其蔓延。

4.水资源监测与管理：卫星遥感技术可以监测水体的变化，如河流、湖泊和水库等，帮助农田灌溉和水资源管理。

通过分析卫星遥感数据，可以评估农田的水分利用情况，合理安排灌溉，提高水资源的利用效率。

植被盖度遥感反演评价体系及LandsatOLI卫星影像之差异典范探测

植被盖度遥感反演评价体系及LandsatOLI卫星影像之差异典范探测植被盖度是指地表被植被所覆盖的程度，是衡量植被状况的一个重要指标。

植被盖度的遥感反演评价体系可以通过遥感技术获取地表植被信息，为环境保护、农业生产以及自然资源管理提供重要依据。

Landsat OLI卫星影像作为遥感领域常用的数据源，具有高空间分辨率、多光谱波段覆盖等优势，可以被应用于植被盖度的监测与评价。

植被盖度的遥感反演评价体系是从遥感影像中提取有关植被信息的一种方法。

该体系基于遥感图像的各种光谱波段信息和反射率值，通过合理的算法和模型来估计植被盖度。

评价体系通常由一系列参数和指标组成，如NDVI（Normalized Difference Vegetation Index）、EVI（Enhanced Vegetation Index）、SRAVI（Soil-Adjusted and Atmospherically Resistant Vegetation Index）等。

这些指标根据不同的植被特征和要求而有所不同，可以表征植被的生长状况、覆盖程度等。

在应用植被盖度遥感反演评价体系时，Landsat OLI卫星影像是常用的数据源。

Landsat OLI卫星影像具有多光谱波段信息，包括不同波段的红、绿、蓝光谱信息，以及近红外波段等。

借助这些波段信息，可以通过计算植被指数的数值来实现植被盖度的遥感反演。

其中，NDVI是最常用的植被指数之一，是通过红光谱波段和近红外波段的光谱反射率计算得到的，可以较好地表征植被的状况。

EVI相较于NDVI更适用于高植被盖度和低植被盖度的环境下，可以更准确地估计植被盖度。

而SRAVI是考虑了土壤干扰和大气扰动的植被指数，对于土壤背景颜色的影响和大气扰动的抑制具有较好的效果。

通过对Landsat OLI卫星影像进行植被盖度的遥感反演评价，可以探测出不同区域和不同时间段的植被差异典范。

植被盖度的变化对地表环境和生态系统的变化具有重要影响。

不同分辨率影像的撂荒地提取方法

不同分辨率影像的撂荒地提取方法张碧蓉;侯志华;段平;李佳【期刊名称】《测绘与空间地理信息》【年(卷),期】2018(041)007【摘要】撂荒地对土地利用有很大的影响,利用遥感影像识别并提取撂荒地可以进一步加强对其保护和利用,故撂荒地的影像特征提取具有极大的意义.本文着重研究基于不同分辨率影像的撂荒地信息的提取方法,对于高分辨率遥感影像直接采用目视解译的方法,中分辨率影像采用决策树分析法,低分辨率则是采用时间序列的生命周期法及归一化差分植被指数来提取撂荒地.针对不同分辨率影像选择不同方法来进行撂荒地的提取,并分析不同方法的优缺点,可为以后的研究提供思路.【总页数】4页(P176-179)【作者】张碧蓉;侯志华;段平;李佳【作者单位】云南师范大学旅游与地理科学学院,云南昆明650500;云南省高校资源与环境遥感重点实验室,云南昆明650500;云南省地理空间信息技术工程技术研究中心,云南昆明650500;太原师范学院地理科学学院,山西晋中030619;太原师范学院地理科学学院,山西晋中030619;云南师范大学旅游与地理科学学院,云南昆明650500;云南省高校资源与环境遥感重点实验室,云南昆明650500;云南省地理空间信息技术工程技术研究中心,云南昆明650500;云南师范大学旅游与地理科学学院,云南昆明650500;云南省高校资源与环境遥感重点实验室,云南昆明650500;云南省地理空间信息技术工程技术研究中心,云南昆明650500【正文语种】中文【中图分类】P237【相关文献】1.基本农田变化信息在不同空间分辨率卫星影像中的提取方法研究 [J], 王小燕;吴玺;魏来;肖兵;卿民福;任国业2.一种面向对象结合变差函数的高分辨率遥感影像茶种植区自动提取方法 [J], 张世超;王常颖;李劲华;张志梅3.基于多尺度分割技术的高分辨率影像信息提取方法分析 [J], 李靖霞;文金花4.高分辨率遥感影像线状地物提取方法研究 [J], 刘立;彭刚5.基于多尺度分割技术的高分辨率影像信息提取方法分析 [J], 李靖霞;文金花因版权原因，仅展示原文概要，查看原文内容请购买。