不同等级土壤遥感分类的尺度匹配性探讨
使用遥感图像解译进行土地利用类型分类的技巧与方法
使用遥感图像解译进行土地利用类型分类的技巧与方法引言：遥感图像解译是通过获取地面及其有关信息的各种图像，并分析图像来识别及提取地物特征的过程。
在土地利用规划、环境保护、农业和城市规划等领域，遥感图像解译在确定土地利用类型及其空间分布方面发挥着关键作用。
本文将介绍一些使用遥感图像解译进行土地利用类型分类的技巧与方法。
一、选取合适的遥感数据选择合适的遥感数据是进行土地利用类型分类的关键步骤。
常见的遥感数据包括航空摄影、卫星影像和激光雷达数据等。
这些数据具有不同的空间分辨率、光谱分辨率和时间分辨率等特点，因此需根据研究目的和数据可用性选择合适的遥感数据。
通常情况下，高分辨率的卫星影像可以提供更详细的地物信息，而中分辨率的遥感数据可以实现更大范围的土地利用类型分类。
二、预处理遥感图像数据在进行土地利用类型分类之前，通常需要对遥感图像数据进行预处理。
预处理包括影像辐射校正、大气校正和几何纠正等步骤。
通过这些预处理步骤，可以消除由于传感器和大气条件等因素引起的影像噪声和畸变，提高土地利用类型分类的准确性。
三、提取分类特征提取合适的分类特征是进行土地利用类型分类的关键。
常见的分类特征包括光谱特征、纹理特征和形状特征等。
光谱特征通常是基于遥感图像中地物的光谱反射率或辐射亮度进行分类，通过分析地物的光谱特征可以判断其土地利用类型。
纹理特征是指地物的纹理信息，通过纹理特征可以获得地物的空间分布信息，从而实现土地利用类型分类。
形状特征是指地物的形状信息，通过分析地物的形状特征可以判别其土地利用类型。
四、选择合适的分类算法选择合适的分类算法是进行土地利用类型分类的关键。
常见的分类算法包括最大似然分类法、支持向量机、随机森林和人工神经网络等。
最大似然分类法是一种常用的基于统计理论的分类算法，它通过计算每个地物类别的最大似然估计来判断其土地利用类型。
支持向量机是一种常用的机器学习算法，它通过构建一个高维空间中的超平面来实现土地利用类型分类。
遥感数据分级
遥感数据分级遥感数据分级是一种对遥感图像进行分类和分层的方法，通过对遥感图像的像素进行分类，将其分为不同的类别或层次，以便更好地理解和利用遥感数据。
在遥感数据分级过程中，通常会使用图像处理和分类算法，以及一些参考数据和标准，来实现对图像的分级。
首先，遥感数据分级的目的是为了获取图像中不同地物或地表覆盖类型的信息，比如土地利用类型、植被覆盖程度、水体分布等。
通过将图像中的像素分为不同的类别或层次，可以更好地了解和分析地表特征，为环境监测、资源管理、城市规划等领域提供支持。
在遥感数据分级的过程中，首先需要准备遥感图像数据。
这些数据可以来自于卫星、航空或无人机等遥感平台获取的图像。
然后，需要进行图像预处理，包括去除噪声、辐射校正、大气校正等。
这些步骤可以提高图像质量，并减少后续分类过程中的误差。
接下来，需要选择适合的分类算法进行图像分类。
常用的分类算法包括最大似然法、支持向量机、随机森林等。
这些算法可以根据像素的光谱特征和空间关系，将图像中的像素分为不同的类别。
在选择分类算法时，需要考虑算法的准确性、效率和适用性。
在进行图像分类之前，还需要准备一些参考数据和标准。
参考数据可以是已知类别的样本数据或地面调查数据，用于训练和验证分类算法。
标准可以是土地利用分类系统、植被指数阈值等，用于指导分类结果的解释和应用。
进行图像分类时，可以采用像素级分类或对象级分类。
像素级分类是将图像中的每个像素都分为不同的类别，而对象级分类是将相邻的像素组合成对象，然后对对象进行分类。
对象级分类可以提高分类结果的一致性和可解释性。
完成图像分类后，可以进行分类结果的评估和验证。
常用的评估指标包括准确性、精确度、召回率等。
这些指标可以帮助评估分类算法的性能，并对分类结果进行验证和解释。
最后，根据分类结果可以进行进一步的分析和应用。
可以利用分类结果生成土地利用地图、植被指数图、水体分布图等，用于环境监测、资源管理、城市规划等领域。
同时，还可以与其他地理信息数据进行集成和分析，以获取更多的空间信息。
土地资源遥感调查分类标准
土地资源遥感调查分类标准一、引言土地资源是国家和地区发展的重要基础，而进行土地资源遥感调查是评估、利用和管理土地资源的重要手段。
为了实现高效准确地对土地资源进行调查分类，制定一套科学合理的分类标准显得尤为重要。
本文将探讨土地资源遥感调查分类标准的制定过程、分类标准的要点以及分类标准的应用。
二、土地资源遥感调查分类标准的制定过程2.1 采集遥感数据土地资源遥感调查的第一步是采集遥感数据，包括航空遥感影像和卫星遥感影像。
其中航空遥感影像具有较高的空间分辨率，适合获取细粒度的土地信息；而卫星遥感影像则能广覆盖地表，适合获取大范围的土地信息。
根据实际需要和调查对象的特点，选择合适的遥感数据进行采集。
2.2 数据预处理遥感数据采集后需要进行一系列的预处理操作，以提高数据质量和信息提取的准确性。
常见的预处理操作包括辐射校正、大气校正、几何校正等。
这些操作能有效减少遥感影像上的噪声和偏差，提高影像的准确性和可靠性。
2.3 特征提取与选择在得到预处理后的遥感数据后，需要从中提取出与土地资源调查相关的特征信息。
常见的特征包括土地类型、土地覆盖、土地利用等。
根据不同的调查目的和需求，选择合适的特征进行提取。
2.4 制定分类标准在特征提取完成后，需要根据提取到的特征信息制定土地资源遥感调查的分类标准。
分类标准应该具有科学性、全面性和实用性，能够准确反映不同土地资源类别的特征。
2.5 评估和修订制定好分类标准后，需要对其进行评估和修订。
通过与实际调查数据对比，评估分类标准的准确性和可行性，并根据评估结果对分类标准进行修订和改进，以提高其适用性和有效性。
三、土地资源遥感调查分类标准的要点3.1 土地类型分类土地类型是土地资源调查中的一个重要分类要素。
根据土地的主要用途和特征，可以将土地类型分为耕地、林地、草地、水域、建设用地等。
将土地按照类型进行分类能够对不同类型的土地资源进行分析和管理。
3.2 土地覆盖分类土地覆盖是土地表面覆盖的植被、土壤和水体等的组合，也是土地资源遥感调查的重要内容之一。
基于遥感图像的土壤类型分类研究
基于遥感图像的土壤类型分类研究一、前言土壤是人类文明的基础和农业生产的重要组成部分，土壤类型的分类研究对于农业发展和环境保护具有重要的意义。
而遥感技术作为一种获取地球表面信息的重要手段，被广泛应用于土壤类型分类的研究中。
本文将介绍基于遥感图像的土壤类型分类研究的原理、方法和应用。
二、土壤类型分类的原理和方法土壤类型分类是指对不同土壤类型进行区分和归纳的过程。
传统的土壤类型分类方法主要依靠理论知识和地面调查技术，这种方法费时费力、成本高且地面调查难度较大。
而利用遥感技术进行土壤类型分类可以大大提高效率和减少成本。
1. 遥感数据获取遥感数据是进行土壤类型分类的重要基础，常用的遥感数据包括航空摄影和卫星遥感图像。
卫星遥感图像相比于航空摄影图像有更高的空间分辨率和更广的覆盖范围，因此被广泛应用于土壤类型分类研究中。
在获取遥感数据时，需要考虑土壤类型分类的目标和数据的时间和空间分辨率等因素，以选择最适合的遥感数据。
2. 数据预处理遥感图像的数据预处理是土壤类型分类的重要步骤，预处理的目的是去除遥感图像中的噪声和不必要信息。
常用的数据预处理方法包括：大气校正、辐射校正、几何校正和图像增强等。
3. 特征提取特征提取是土壤类型分类的核心步骤，目的是从遥感图像中提取与土壤类型相关的特征信息。
常用的特征提取方法包括：像元的光谱特征提取和纹理特征提取等。
4. 分类算法分类算法是土壤类型分类的关键环节，其作用是将遥感图像中的像元分为不同的土壤类型。
常用的分类算法包括最大似然分类、支持向量机分类、神经网络分类和决策树分类等。
三、应用与发展前景遥感技术在土壤类型分类中的应用已经得到广泛发展，在农业、环境监管、国土规划等领域都有着重要的应用价值。
随着遥感技术的不断发展和完善，基于遥感图像的土壤类型分类研究的应用前景将更加广泛。
未来，可以通过更加高精度的遥感数据、更加精细化的特征提取和更加先进的分类算法来进一步提高土壤类型分类的精度和效率。
基于遥感的土壤质量评估研究
基于遥感的土壤质量评估研究一、引言土壤是农业生产的基础，也是生态系统的重要组成部分。
了解土壤质量对于合理利用土地资源、保障粮食安全和生态平衡具有至关重要的意义。
传统的土壤质量评估方法往往依赖于实地采样和实验室分析，不仅费时费力，而且难以获取大面积、连续的土壤信息。
随着遥感技术的迅速发展，为土壤质量评估提供了新的思路和方法。
二、遥感技术在土壤质量评估中的应用原理遥感技术通过传感器接收来自地表的电磁波辐射信息，这些信息包含了土壤的物理、化学和生物特性等相关特征。
不同类型的土壤在光谱特征上存在差异，例如土壤的颜色、质地、水分含量和有机质含量等都会影响其反射和吸收电磁波的能力。
通过对这些光谱特征的分析和处理，可以获取有关土壤质量的相关信息。
例如，近红外波段对于土壤中的有机质含量较为敏感，而可见光波段则可以反映土壤的颜色和质地等特征。
此外，多光谱、高光谱和微波遥感等技术的应用，进一步提高了对土壤特性的探测能力和精度。
三、基于遥感的土壤质量评估指标（一）土壤物理性质1、土壤质地通过遥感图像的纹理和粗糙度等特征，可以对土壤质地进行初步判断。
粗质地的土壤通常具有较为粗糙的纹理，而细质地的土壤则相对平滑。
2、土壤水分微波遥感可以穿透土壤一定深度，通过对微波信号的反射和散射分析，能够有效地监测土壤水分含量的变化。
（二）土壤化学性质1、有机质含量利用近红外光谱可以建立有机质含量与光谱反射率之间的关系模型，从而实现对大面积土壤有机质含量的估算。
2、土壤养分如氮、磷、钾等养分的含量也可以通过遥感技术结合相关的数学模型进行评估。
（三）土壤生物性质虽然直接通过遥感技术评估土壤生物性质具有一定的难度，但可以通过间接的方式，例如与植被生长状况的关联来反映土壤的生物活性。
四、数据获取与处理方法（一）遥感数据获取常用的遥感数据源包括卫星影像（如 Landsat、Sentinel 等）、航空遥感影像以及无人机遥感数据等。
不同的数据源具有不同的空间分辨率、光谱分辨率和时间分辨率，需要根据研究的目的和尺度进行选择。
基于多源遥感影像的地表覆土类型分类
基于多源遥感影像的地表覆土类型分类地表覆土类型分类是一项非常重要的研究领域，对于环境保护、生态建设和城市规划等方面都有重要的作用。
而遥感技术是进行地表覆土类型分类的一种重要手段，能够提供大量的多源多尺度的遥感影像数据。
本文将基于多源遥感影像进行地表覆土类型分类的相关技术进行探讨。
1.遥感影像的多源多尺度遥感影像是遥感技术获取地球表面信息的重要手段之一。
通过遥感技术可以获取多源遥感影像数据，这些数据具有不同的分辨率、波段和空间分布特征。
多源遥感影像可以提供更为全面、准确的地表覆土类型信息，但同时也给分类过程带来了挑战。
不同的遥感数据在分辨率上有很大的差异。
高分辨率遥感影像的像元大小较小，能够提供更为细节化的信息，但其覆盖范围较小，一张高分辨率遥感影像通常只能覆盖少量的区域。
相反，低分辨率遥感影像的像元大小较大，能够覆盖较大的区域，但其提供的信息粒度较低。
因此，在进行遥感影像分类时需要根据分类的具体目的选取适当的遥感数据。
2.地表覆土类型分类方法地表覆土类型分类是通过遥感影像数据识别地面上不同的覆盖类型，将其分为不同的类别。
常用的分类方法包括基于像元的分类、基于对象的分类和混合分类等。
基于像元的分类是将遥感影像栅格化，将像元根据其光谱、纹理和空间信息等特征进行分类。
该方法广泛应用于单波段和多波段遥感影像的分类中，其分类结果受到像元分辨率的影响较大。
基于对象的分类是将遥感影像中的像元按照空间组织特征划分为不同的对象，然后通过每个对象的光谱、纹理和空间信息等特征对其进行分类。
该方法可以克服像元分类中建筑物阴影和植被覆盖等问题。
混合分类是结合基于像元和基于对象的分类方法的优点，可以提高分类的准确性。
3.地表覆土类型分类技术在进行地表覆土类型分类时，需要考虑到遥感影像的多源多尺度特点，以及分类算法的效率和准确性问题。
常用的分类技术包括支持向量机、决策树和神经网络等。
支持向量机是一种机器学习的分类方法，其基本思想是将不同类别之间的边界最大化，形成一个最优的分类器。
遥感数据分级
遥感数据分级遥感数据分级是一种对遥感图象进行分类和组织的方法，通过对图象中的像素进行分析和归类，可以得到不同类别的地物信息。
遥感数据分级在地理信息系统（GIS）、环境监测、城市规划等领域有着广泛的应用。
一、遥感数据分级概述遥感数据分级是指将遥感图象中的像素根据其特征和属性进行分类，将其划分为不同的类别或者等级。
这些类别可以是地物类型、覆盖程度、植被密度等。
通过遥感数据分级，可以对地表进行综合分析和评估，为地理空间信息的提取和应用提供基础数据。
二、遥感数据分级的方法1. 基于像素的分级方法：该方法将遥感图象中的每一个像素点独立进行分类和判别，根据像素的灰度值、光谱特征等进行判别。
常用的基于像素的分级方法有最大似然法、支持向量机等。
2. 基于对象的分级方法：该方法将遥感图象中的像素组织成对象，根据对象的形状、纹理、空间关系等特征进行分类。
常用的基于对象的分级方法有基于规则的分类、基于决策树的分类等。
3. 基于深度学习的分级方法：该方法利用深度学习模型对遥感图象进行特征提取和分类。
通过建立深度神经网络模型，可以实现对遥感图象的自动分级和识别。
三、遥感数据分级的应用1. 土地利用规划：通过对遥感图象进行分级，可以对土地利用类型进行识别和划分，为土地利用规划和管理提供科学依据。
2. 环境监测：遥感数据分级可以用于环境监测和评估，如水质监测、土壤污染评估等。
通过对遥感图象中的水体、植被等进行分级，可以提取环境信息，监测环境变化。
3. 城市规划：遥感数据分级可以用于城市规划和建设。
通过对遥感图象中的建造物、道路、绿地等进行分级，可以提取城市空间信息，为城市规划和建设提供参考。
4. 自然资源管理：遥感数据分级可以用于自然资源的管理和保护。
通过对遥感图象中的森林、湿地、草地等进行分级，可以评估自然资源的状况和利用情况。
四、遥感数据分级的挑战和发展方向1. 数据质量：遥感数据的质量对数据分级的准确性和可靠性有着重要影响。
利用遥感图像进行土地分级与评估
利用遥感图像进行土地分级与评估随着科技的发展和应用的深入，遥感技术在土地分级与评估中的作用日益明显。
利用遥感图像，可以更准确地获取土地的信息，实现对土地的全面评估与分类，为合理利用土地资源提供有力支撑。
首先，我们来探讨一下遥感图像在土地分级方面的应用。
通过遥感技术，我们可以获取土地的空间分布信息，即通过卫星、飞机等无人机载体获取的图像资料，然后通过图像处理算法对这些图像进行解译与分析，提取出土地的关键特征信息。
这些特征信息可以包括土地的植被覆盖情况、水资源的分布状况、土壤质量等各种因素。
通过对这些因素的综合评估，可以将土地分为不同的等级，从而有针对性地制定土地利用政策和规划。
其次，让我们来看一下遥感图像在土地评估中的应用。
土地评估是对土地质量进行细致评估、划分和分类的过程，遥感技术可以大大提高评估的效率和准确性。
通过遥感图像，我们可以获取土地的遥感指数，如归一化植被指数（NDVI）、土地覆盖指数（LCI）等，这些指数可以反映土地的植被覆盖程度、湿度情况等。
同时，通过遥感图像还可以分析土壤的成分、物理性质、水质等多个指标，进一步了解土地的质量情况。
综合这些指标，可以对土地进行评估并做出合理的利用决策。
除了在土地分级与评估中的应用，利用遥感图像还可以进行土地的环境监测。
通过遥感技术，我们可以实时获取土地的变化情况，如土地的扩张、拓展，土地的污染程度等。
这些信息可以帮助我们及时发现和掌握土地环境的变化，为环保部门制定合理的保护措施提供科学依据。
另外，利用遥感图像进行土地分级与评估还可以在土地资源管理中发挥重要作用。
通过对土地的综合评估，可以将土地按照其适宜的利用方式进行划分和管理，从而实现土地资源的合理利用和科学管理。
例如，根据土地的特点，可以将土地划分为农业用地、工业用地、居民用地等不同类型，然后制定相应的管理政策和规划。
通过遥感图像获取土地信息，可以更准确地划分这些区域，确保土地资源的合理配置和有效利用。
遥感应用在土壤分类
2
结果和讨论
2.1 光谱特征描述 显示了农安县不同土壤类型(黑土 黑钙土、草甸土、 黑土、 图2 显示了农安县不同土壤类型 黑土、黑钙土、草甸土、 风砂土、冲积土) 风砂土、冲积土 的反射光谱曲线及对应包络线去除曲线 的特征。由土壤反射光谱曲线形状(图2 下部) 可以发现不 的特征。由土壤反射光谱曲线形状 图 下部 同土壤类型光谱曲线存在一定的差异。黑土光谱曲线在 同土壤类型光谱曲线存在一定的差异。 400～1 300 nm 光谱范围内 反射率低 曲线形状下凹 光谱范围内, 反射率低; 曲线形状下凹, ～ 有机质含量越高, 下凹的程度越大; 有机质含量越高 下凹的程度越大 以上特征是由于黑土 富含有机质且机械组成比较粘细等特性所决定的[20 ] 。 富含有机质且机械组成比较粘细等特性所决定的 黑钙土、风砂土由于有机质的影响, 黑钙土、风砂土由于有机质的影响 在450～600 nm 和 ～ 600～800 nm 范围内有明显的有机质吸收特征 大于 范围内有明显的有机质吸收特征; 大于800 ～ nm 的范围 光谱曲线向上突起 总的反射率一般比黑土高。 的范围, 光谱曲线向上突起, 总的反射率一般比黑土高。 草甸土和冲积土在450～600 nm 范围内也受到有机质的 草甸土和冲积土在 ～ 影响, 范围内曲线形状平直, 影响 在600～1 300nm 范围内曲线形状平直 有别于其 ～ 他土类。但由于母质、气候等因素的差异较小, 他土类。但由于母质、气候等因素的差异较小 农安县
1.2
光谱测试方法
对选取的风干土样进行光谱测试。 对选取的风干土样进行光谱测试。光谱测试采用美国分 析光谱仪器公司(analytical spect ral devices , ASD) 生 析光谱仪器公司 产的FieldSpec 3 便携式光谱仪 波谱范围为 便携式光谱仪(波谱范围为 波谱范围为350～2 500 产的 ～ nm; 350～1 000 nm 之间光谱采样间隔为 之间光谱采样间隔为114 nm , 光谱 ～ 分辨率3 之间采样间隔为2 分辨率 nm; 1 000～2 500 nm 之间采样间隔为 nm , ～ 光谱分辨率10 光谱仪最后将数据重采样为1 光谱分辨率 nm;光谱仪最后将数据重采样为 nm) 。 光谱仪最后将数据重采样为 光谱测量在一个能控制光照条件的暗室内进行。 光谱测量在一个能控制光照条件的暗室内进行。土壤样 本分别放置于直径12 的盛样皿内, 本分别放置于直径 cm、深118 cm 的盛样皿内 用直 、 尺将土样表面刮平。光源是功率为1 的卤素灯, 尺将土样表面刮平。光源是功率为 000 W的卤素灯 距 的卤素灯 土壤样品表面100 cm , 天顶角 °,提供到土壤样本几乎 天顶角30° 提供到土壤样本几乎 土壤样品表面 平行的光线, 用于减小土壤粗糙度造成阴影的影响。 平行的光线 用于减小土壤粗糙度造成阴影的影响。采用 8°视场角的传感器探头置于离土壤样本表面 cm 的垂 °视场角的传感器探头置于离土壤样本表面15 直上方。测试之前先去除辐射强度中暗电流的影响, 直上方。测试之前先去除辐射强度中暗电流的影响 然后 以白板进行定标。每个土样采集10 条光谱曲线,算术平均 以白板进行定标。每个土样采集 条光谱曲线 算术平均 后得到该土样的实际反射光谱数据。 后得到该土样的实际反射光谱数据。
最优分割尺度下的多层次遥感地物分类实验分析_李秦
图 2 实验区的假彩色影像 F ig1 2 A false co lor composite of t he study area
21 2 土地利用地物影像解译标志的建立 根据实验区所在区域的背景 知识和目视解译
情况, 参考国家海洋局/ 我国近海海洋综合调查0专 项中要素分类代码和图示图例规程, 本文定义了如 下土地利用类别: 工矿仓储用地、有林地、裸土地、 养殖水面、湖泊 坑塘水面、河流水面。针对不同地 物, 选择合适的特征或特征组合是影像分类的关键 所在, 即目标 区别于其 他目标的 有效标识[ 13] 。因 此, 本文引入三类特征, 即光谱特征、形状特征和邻 接特征( 表 1) 。
小对分割尺度的选择有着决定性作用, 若分割尺度 过大, 而目标对象过小, 一些较小对象将被/ 淹没0; 而分割尺度过小, 目标对象较大, 则分割结果过于 / 破碎0。上述两种状况, 均不利于分割对象对真实 地物的表达, 影响了遥感地物的提取精度[ 6- 8] 。因 此, 有必要在特定的成图比例尺下, 进行最优分割 尺度的选择, 致使分割后的图像对象与真实地物斑 块能够达到较好的拟合程度。
尺度范围为 5- 300, 其中每间隔 5 进行一次分割并 计算其均值方差及其变化率( 图 3) 。
由图 3 可以得出 160、70、50、25 为 4 个分割尺 度的最优 参考位置, 并 依次进 行多尺 度分割 处理 ( 图 4) 。经目视选择, 针对 6 类地物依次选取了 160、70 和 25 从上到下的三个尺度, 并设计了多尺 度分割分类层次表( 表 2) 。
1 引言
面向对象影像分析( object- based image analysis, OBIA) 自 20 世纪末发展以来, 已成为遥感技术 研究的热点。尤其伴随着 高分辨率卫星影像的类 型增长, 空间分辨率从米级到亚米级的提 升, 使遥 感数据包含了更加丰富的空间信息、地物几何结构 及纹理信息等, 改变了传统以像元分析的 思路, 采 取影像分割技术可以得到 内部属性相对一致或均 质程度较高的图像区域以 获取这些斑块单元中的 各种特征, 进行对象识别和标识, 最终完成遥感信 息的识别分类[ 1-5] 。
不同尺度的中国土壤系统分类参比
Ｉ 黄棕 壤带 Ｉ … 长 江 中 下游 平 原 水 稻 土 区 Ｉ ２ 江 淮 丘 陵 黄棕 壤 、水 稻 土 区
Ｉ ３｝ 大别 山 大 洪 山 黄 棕壤 、水 稻 土 区
Ｉ ４） 江 汉 平 原 水稻 土 、 灰 潮 土 区
Ｉ ５） 襄 阳 谷 地 、 南 阳盆 地 黄棕 壤 、水 稻 土 区
及土壤 带或土壤 区主要土 壤类型 的中心概念 ，对 系
（ｗＲＢ）代表 了当前 国制土 壤分类 的主流 ，中国土
统分类作近似 参 比，这种参 比仅在缺少具体 资料时，
壤系统分类 的研究 也 已经历 了 ２Ｏ个年头 ，在 国内国
供大 范围 的土 壤名称对 照使用 。例 如，北亚热带湿
外产 生 了巨大的影响 。在 国外 ，除发表 了一系列论
土 壤 （Ｓｏｉｌｓ）， ２００４，３６（６）：５８４—５９５
维普资讯
不同尺度 的中国土壤 系统分 类参 比①
陈志诚 龚子 同 张甘霖 赵文君
（土壤 与农 业可持 续发 展 国家重 点实验 室 （中 国科学 院南 京土 壤研 究所 ） 南京 ２１０００８）
遥感数据分级
遥感数据分级遥感数据分级是一种将遥感图像中的像素根据其特征属性进行分类的方法。
通过对遥感图像进行分级，可以更好地理解和利用遥感数据，为地质勘探、农业监测、城市规划等领域提供支持和决策依据。
下面将详细介绍遥感数据分级的标准格式文本。
一、引言遥感数据分级是遥感技术在图像处理领域的重要应用之一。
通过对遥感图像进行分级，可以将图像中的像素根据其特征属性进行分类，从而提取出有用的信息，为后续的分析和应用提供基础。
本文将介绍遥感数据分级的基本原理、方法和应用。
二、遥感数据分级的基本原理遥感数据分级的基本原理是根据遥感图像中的像素的特征属性，将其分为不同的类别。
常用的特征属性包括像素的亮度、颜色、纹理等。
通过对这些特征属性进行分析和统计，可以得到不同类别的像素的分布情况，从而实现遥感数据的分级。
三、遥感数据分级的方法1. 基于像素的分级方法基于像素的分级方法是将遥感图像中的每个像素单独进行分级。
常用的方法包括阈值分割、聚类分析等。
阈值分割是根据像素的亮度或颜色设置一个阈值，将像素分为两个类别。
聚类分析是根据像素的特征属性进行聚类，将相似的像素归为同一类别。
2. 基于对象的分级方法基于对象的分级方法是将遥感图像中的像素组成的对象进行分级。
常用的方法包括目标识别、目标提取等。
目标识别是通过分析和比较像素的特征属性，将具有相似特征的像素组成的对象识别为同一类别。
目标提取是将感兴趣的目标从遥感图像中提取出来，然后进行分级。
四、遥感数据分级的应用1. 地质勘探遥感数据分级可以用于地质勘探中的岩性分类和矿产资源勘探。
通过对遥感图像中的岩石和矿石进行分级，可以辅助地质勘探人员进行地质调查和矿产资源评估。
2. 农业监测遥感数据分级可以用于农业监测中的作物分类和生长状况评估。
通过对遥感图像中的农田进行分级，可以实现对不同作物的自动识别和分类，为农业生产提供决策支持。
3. 城市规划遥感数据分级可以用于城市规划中的土地利用分类和城市扩展预测。
遥感数据分级
遥感数据分级引言概述：遥感数据分级是指根据遥感图像中不同像素的特征和属性，将其划分为不同的类别或级别。
这种分级可以帮助我们更好地理解和分析遥感数据，并为地理信息系统、环境监测、城市规划等领域提供有力的支持。
本文将详细介绍遥感数据分级的意义和方法。
一、遥感数据分级的意义1.1 提供地表覆盖信息：遥感数据分级可以将遥感图像中的各个像素点划分为不同的地表覆盖类型，如水体、植被、建筑物等。
这样可以提供准确的地表覆盖信息，为环境监测和资源管理提供依据。
1.2 了解地表变化：通过对遥感数据进行分级，可以观察和分析地表的变化情况。
比如，可以追踪植被的生长情况、城市扩张的趋势等，为农业、城市规划等领域提供参考。
1.3 支持决策制定：遥感数据分级可以为决策制定提供重要的依据。
比如，在自然灾害发生后，可以通过对遥感图像的分级，评估受灾区域的程度和范围，从而制定相应的救灾计划。
二、遥感数据分级的方法2.1 基于光谱信息的分级：遥感图像中的像素点具有不同的光谱特征，通过对这些特征进行分析，可以将像素点划分为不同的类别。
常用的方法包括阈值分割、主成分分析等。
2.2 基于纹理信息的分级：遥感图像中的纹理信息可以反映地物的空间分布和结构。
通过对纹理信息进行分析，可以将像素点划分为不同的纹理类型，如粗糙、光滑等。
常用的方法包括纹理特征提取、纹理分类等。
2.3 基于形状信息的分级：遥感图像中的地物具有不同的形状特征，通过对这些特征进行分析，可以将像素点划分为不同的形状类型，如圆形、矩形等。
常用的方法包括形状特征提取、形状分类等。
三、遥感数据分级的应用3.1 地理信息系统：遥感数据分级可以为地理信息系统提供准确的地表覆盖信息，从而支持地图制作、空间分析等功能。
3.2 环境监测：通过对遥感数据进行分级，可以监测和评估环境的变化情况，如森林覆盖率、水体污染程度等。
3.3 城市规划：遥感数据分级可以提供城市发展的基础信息，如土地利用情况、建筑物分布等，为城市规划和土地管理提供支持。
遥感数据分级
遥感数据分级遥感数据分级是遥感技术中的一项重要任务，它通过对遥感数据进行处理和分析，将不同类型的地物或者地表特征划分为不同的级别或者类别。
这种分级可以匡助我们更好地理解和解释地球表面的特征，并为各种应用提供基础数据支持，如土地利用规划、环境监测、资源管理等。
在进行遥感数据分级之前，需要先选择合适的遥感数据源。
常用的遥感数据源包括卫星遥感影像、航空遥感影像等。
根据任务的需求和研究对象，选择合适的数据源是非常重要的。
在进行遥感数据分级之前，还需要进行数据预处理。
数据预处理包括校正、辐射校正、几何校正等步骤，以确保数据的准确性和可靠性。
校正后的数据可以更好地反映地表特征，为后续的分级工作提供可靠的基础。
遥感数据分级的方法有不少种，常用的方法包括基于像元值的阈值分割、基于特征的分类、基于对象的分类等。
其中，基于像元值的阈值分割是最简单和常用的方法之一。
该方法通过设置一个或者多个阈值，将像元的灰度值与阈值进行比较，将其划分为不同的类别。
这种方法适合于简单的地物分类，如水体、植被、建造等。
基于特征的分类方法则更加复杂，它通过提取遥感影像中的不同特征，如光谱特征、纹理特征、形状特征等，利用统计学或者机器学习算法进行分类。
这种方法可以更准确地划分地物类别，但需要更多的数据和专业知识支持。
基于对象的分类方法则更加注重地物的空间关系和上下文信息。
它将遥感影像中的像元组织成对象，通过分析对象之间的空间关系和属性信息，进行分类。
这种方法适合于复杂的地物分类和地物变化监测。
在进行遥感数据分级之后，还需要进行结果验证和精度评价。
验证的方法包括野外调查、样本点验证等。
通过与实地观测数据进行比对，评估分级结果的准确性和可靠性。
总之，遥感数据分级是一项复杂而关键的任务，它需要综合运用遥感技术、地理信息系统和统计学等知识，结合实际需求和研究对象，选择合适的数据源和分级方法，进行数据预处理、分级和结果验证。
惟独准确和可靠的分级结果，才干为各种应用提供有效的数据支持。
遥感数据分级
遥感数据分级遥感数据分级是一种将遥感影像数据按照特定的标准进行分类和分级的方法。
通过遥感数据分级，可以将复杂的遥感影像数据转化为可理解和可应用的信息，为地理信息系统（GIS）分析和决策提供基础数据。
在进行遥感数据分级之前，需要明确分级的目的和需求。
不同的应用领域和研究目的可能对遥感数据的分级要求有所不同。
例如，农业领域可能关注土壤类型和植被覆盖度的分级，城市规划领域可能关注土地利用类型和建筑物高度的分级。
遥感数据分级的基本步骤包括数据预处理、特征提取、分类算法选择、训练样本选择和模型评价等。
首先，进行数据预处理，包括辐射校正、大气校正和几何校正等。
这些步骤可以消除遥感影像数据中的噪声和偏差，提高数据质量和准确性。
其次，进行特征提取，即从遥感影像数据中提取与分级目标相关的特征信息。
常用的特征包括光谱特征、纹理特征和形状特征等。
特征提取可以通过统计方法、滤波方法和数学模型等进行。
接下来，选择合适的分类算法进行数据分级。
常用的分类算法包括最大似然分类、支持向量机、决策树和随机森林等。
选择合适的分类算法需要考虑数据的特点、分类目标和算法的性能等因素。
然后，选择训练样本进行模型训练。
训练样本应该具有代表性，能够覆盖不同类别的特征。
可以通过人工标注或者自动提取的方法获取训练样本。
在模型训练过程中，需要将训练样本与其对应的分类标签进行匹配和关联。
最后，对模型进行评价和验证。
可以使用混淆矩阵、准确率、召回率和F1值等指标对模型的性能进行评估。
如果模型的性能不满足要求，可以调整分类算法、特征提取方法或者增加训练样本等来改进模型。
总结起来，遥感数据分级是一种将遥感影像数据按照特定标准进行分类和分级的方法。
通过数据预处理、特征提取、分类算法选择、训练样本选择和模型评价等步骤，可以将复杂的遥感影像数据转化为可理解和可应用的信息，为地理信息系统分析和决策提供基础数据。
遥感数据分级
遥感数据分级遥感数据分级是一种将遥感图象根据特定的分类标准划分为不同类别的方法。
通过对遥感数据进行分级，可以更好地理解和分析地表覆盖类型、环境变化等信息。
下面将详细介绍遥感数据分级的标准格式文本。
一、引言遥感数据分级是遥感图象处理的重要环节之一，通过对遥感数据进行分类，可以获得不同地物的空间分布信息，为资源管理、环境监测、城市规划等领域提供重要依据。
本文将介绍遥感数据分级的目的、原理、方法和应用。
二、目的遥感数据分级的主要目的是根据一定的分类标准将遥感图象中的地物划分为不同的类别，以便于对地表覆盖类型进行分析和研究。
通过分级，可以识别出不同地物的空间分布特征，为地理信息系统（GIS）分析、资源管理和环境监测等提供基础数据。
三、原理遥感数据分级的原理是基于遥感图象中地物的光谱、空间和纹理特征进行分类。
光谱特征是指地物在不同波段上的反射率或者辐射亮度，可以通过遥感图象的像元值来表示。
空间特征是指地物在图象上的位置和形状，可以通过图象分割和目标提取等方法获取。
纹理特征是指地物的纹理特性，如纹理的粗糙度、方向等，可以通过纹理分析方法提取。
四、方法遥感数据分级的方法主要包括有监督分类和无监督分类两种。
1. 有监督分类有监督分类是指根据预先设定的地物类别标签，通过训练样本对遥感图象进行分类。
主要步骤包括：(1) 采集代表不同地物类别的训练样本，包括光谱、空间和纹理特征。
(2) 提取遥感图象中的特征，如像元值、纹理特征等。
(3) 利用训练样本和特征进行分类器的训练。
(4) 对整个遥感图象进行分类，并生成份类结果。
2. 无监督分类无监督分类是指根据遥感图象本身的统计特征，将图象像元自动聚类成不同的类别。
主要步骤包括：(1) 提取遥感图象中的特征，如像元值、纹理特征等。
(2) 利用聚类算法对特征进行聚类，将图象像元划分为不同的类别。
(3) 根据聚类结果对遥感图象进行分类，并生成份类结果。
五、应用遥感数据分级在许多领域都有广泛的应用。
遥感数据分级
遥感数据分级遥感数据分级是一种将遥感图像按照不同的特征进行分类和分级的方法。
通过对遥感图像进行分级，可以更好地理解和利用遥感数据，进而提取出所需的地物信息。
下面将介绍遥感数据分级的标准格式文本。
一、引言遥感数据分级是遥感技术在地物分类和图像解译中的重要应用之一。
它通过对遥感图像进行像元级别的分类，将图像中的像元归类为不同的地物类型，从而实现对地物信息的提取和分析。
本文将详细介绍遥感数据分级的方法和步骤，以及其在实际应用中的意义和效果。
二、遥感数据分级方法1. 数据预处理在进行遥感数据分级之前，需要对原始遥感图像进行预处理，以提高图像质量和减少噪声的影响。
常见的预处理步骤包括辐射定标、大气校正、几何校正等。
2. 特征提取特征提取是遥感数据分级的关键步骤，它通过对图像进行数学和统计分析，提取出能够反映地物特征的特征参数。
常用的特征提取方法包括像元级别的光谱特征提取、纹理特征提取、形状特征提取等。
3. 分级算法分级算法是根据特征提取结果对遥感图像进行分类的关键步骤。
常见的分级算法包括最大似然法、支持向量机、人工神经网络等。
根据实际需求和数据特点，选择适合的分级算法进行分类。
4. 分级结果评价对分级结果进行评价是判断分级效果好坏的关键步骤。
评价指标可以包括分类精度、Kappa系数、混淆矩阵等。
通过评价分级结果的准确性和可靠性，可以进一步优化分级算法和参数设置。
三、遥感数据分级的应用1. 土地利用/覆盖分类遥感数据分级可以用于土地利用/覆盖分类，帮助监测和评估土地利用/覆盖变化情况。
通过对不同地物类型进行分类，可以获取土地利用/覆盖的空间分布信息，为土地管理和规划提供科学依据。
2. 环境监测遥感数据分级可以用于环境监测，例如水体污染、植被退化等。
通过对不同污染程度或植被状况的分级，可以及时发现和监测环境变化，为环境保护和治理提供参考。
3. 城市规划遥感数据分级可以用于城市规划，帮助了解城市的空间结构和发展趋势。
遥感数据分级
遥感数据分级遥感数据分级是一种对遥感图像进行分类和分层的方法，通过对遥感图像进行分级，可以更好地理解和利用遥感数据。
下面将介绍遥感数据分级的标准格式文本。
一、引言遥感数据分级是指将遥感图像根据特定的分类标准，将其分为不同的类别或层次。
通过遥感数据分级，可以获取地表覆盖类型、土地利用信息等，为环境监测、资源管理、城市规划等领域提供重要支撑。
本文将介绍遥感数据分级的基本原理、分类方法和应用场景。
二、遥感数据分级的基本原理遥感数据分级的基本原理是利用遥感图像中的不同光谱信息和纹理特征，通过一系列的算法和模型，将图像中的像素点分为不同的类别。
遥感图像中的光谱信息可以反映地表覆盖类型的差异，纹理特征可以提供地物的空间分布信息。
基于这些信息，可以构建分类模型，实现遥感数据的分级。
三、遥感数据分级的分类方法1. 监督分类：监督分类是一种基于训练样本的分类方法。
首先，需要准备一组已知类别的训练样本，然后利用这些样本训练分类器，最后将分类器应用于整个遥感图像。
常用的监督分类方法包括最大似然分类、支持向量机等。
2. 无监督分类：无监督分类是一种不需要事先准备训练样本的分类方法。
它通过对遥感图像中的像素点进行聚类，将相似的像素点分为同一类别。
常用的无监督分类方法包括K均值聚类、高斯混合模型等。
3. 半监督分类：半监督分类是监督分类和无监督分类的结合，既利用了有标签的训练样本，又利用了无标签的像素点。
半监督分类方法可以提高分类的准确性和效率。
四、遥感数据分级的应用场景1. 环境监测：遥感数据分级可以用于环境监测，例如监测森林覆盖变化、水体污染等。
通过对遥感图像进行分级，可以获取地表覆盖类型的空间分布信息，为环境监测提供科学依据。
2. 资源管理：遥感数据分级可以用于资源管理，例如土地利用规划、农作物估产等。
通过对遥感图像进行分级，可以获取土地利用信息、农作物类型等，为资源管理提供决策支持。
3. 城市规划：遥感数据分级可以用于城市规划，例如土地利用规划、建筑物提取等。
遥感数据分级
遥感数据分级遥感数据分级是一种将遥感图像数据按照一定的规则和标准进行分类和分级的方法。
通过对遥感数据进行分级，可以更好地理解和利用遥感图像，提取出感兴趣的信息，为地理信息系统、环境监测、资源调查等领域提供支持和依据。
一、分级的目的和意义遥感数据分级的目的是将遥感图像数据进行分类，使得不同类别的地物或地表特征在图像上具有不同的颜色或灰度值，以便于人眼观察和分析。
通过遥感数据分级，可以实现以下目标和意义：1. 提取地物信息：通过将遥感图像数据分为不同的类别，可以提取出不同地物的空间分布和特征，如土地利用类型、植被覆盖程度等。
2. 监测环境变化：通过对遥感图像进行多期分级比较，可以监测和分析地表覆盖的变化情况，如城市扩张、植被退化等。
3. 辅助决策支持：遥感数据分级为决策者提供了空间信息和定量数据，可以用于土地规划、资源管理、环境评估等方面的决策支持。
4. 进行地学研究：遥感数据分级为地学研究提供了基础数据，可以用于地貌研究、地理学分析等方面的研究。
二、遥感数据分级的方法遥感数据分级的方法主要包括无监督分类和监督分类两种。
下面将分别介绍这两种方法的基本原理和步骤。
1. 无监督分类无监督分类是一种基于统计学原理的遥感数据分级方法，它不需要事先定义类别，而是根据遥感图像数据的相似性将其分为若干类别。
无监督分类的基本步骤如下：（1）选择合适的分类算法，如聚类算法（如K-means算法）或者最大似然算法等。
（2）确定分类的参数，如聚类的类别数目、迭代次数等。
（3）对遥感图像数据进行预处理，如去除噪声、辐射校正等。
（4）运行分类算法，将遥感图像数据分为不同的类别。
（5）根据分类结果对遥感图像进行可视化显示或进一步分析。
2. 监督分类监督分类是一种基于已知类别样本的遥感数据分级方法，它需要事先准备一些已知类别的样本数据作为训练样本，通过训练样本来建立分类模型，然后将分类模型应用于整个遥感图像数据。
监督分类的基本步骤如下：（1）准备训练样本数据，包括已知类别的遥感图像样本和其对应的类别标签。
遥感数据分级
遥感数据分级遥感数据分级是一种将遥感影像数据按照一定的标准进行分类和分级的方法。
通过对遥感数据进行分级，可以更好地理解和利用遥感数据，从而为地理信息系统（GIS）分析和决策提供基础数据支持。
一、遥感数据分级的定义和意义遥感数据分级是指根据遥感影像的特征和属性，将其划分为不同的类别或等级。
这些类别或等级可以代表地物类型、植被覆盖程度、土地利用类型等。
遥感数据分级的目的是为了将复杂的遥感数据转化为可操作的信息，以便更好地理解和分析地表现象。
遥感数据分级的意义主要体现在以下几个方面：1. 土地利用规划和管理：通过对遥感数据进行分级，可以获取土地利用类型的空间分布信息，为土地规划和管理提供科学依据。
2. 环境监测和评估：通过对遥感数据进行分级，可以监测和评估自然资源的变化和环境的状况，为环境保护和生态恢复提供数据支持。
3. 农业生产和粮食安全：通过对遥感数据进行分级，可以获取农田的植被覆盖程度和作物类型等信息，为农业生产和粮食安全提供决策支持。
4. 自然灾害监测和预警：通过对遥感数据进行分级，可以监测和预警自然灾害（如洪涝、地震等）的发生和影响范围，为减灾和救援提供数据支持。
二、遥感数据分级的方法和步骤遥感数据分级的方法和步骤可以根据具体需求和数据特点进行调整，一般包括以下几个步骤：1. 数据预处理：对原始遥感数据进行预处理，包括辐射校正、大气校正、几何校正等，以提高数据的质量和准确性。
2. 特征提取：根据遥感数据的特征和属性，提取与研究目标相关的特征参数，如植被指数、地表温度等。
3. 分级标准确定：根据研究目标和数据特点，确定遥感数据的分级标准，包括类别划分、等级设定、阈值确定等。
4. 分级分类：根据分级标准，将遥感数据进行分类，将像元分配到相应的类别或等级中。
5. 分级结果验证：对分级结果进行验证和评估，与实地调查数据进行对比，检验分级结果的准确性和可靠性。
6. 分级结果应用：根据分级结果，进行进一步的地理信息系统分析和应用，如土地利用规划、环境评估等。
- 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)。
第40卷第4期2018年7月湖北大学学报(自然科学版)Journal of Hubei University(Natural Science)Vol.40㊀No.4㊀July,2018㊀收稿日期:20170810基金项目:国家自然科学基金(41571487;40771088)和湖北省自然科学基金创新群体项目(2016CFA027)资助作者简介:陈斌(1992-),男,硕士生,E-mail:chenbinccnu@;王宏志,通信作者,教授,E-mail:whz1237@文章编号:10002375(2018)04042908不同等级土壤遥感分类的尺度匹配性探讨陈斌1,2,王宏志1,2,李仁东3(1.地理过程分析与模拟湖北省重点实验室,华中师范大学城市与环境科学学院,湖北武汉430079;2.华中师范大学可持续发展研究中心,湖北武汉430079;3.中国科学院测量与地球物理研究所,湖北武汉430077)摘要:采用Landsat5TM 遥感影像为数据源,以湖北省江汉平原之潜江市为试验区,探讨同一遥感信息源下对不同等级的土壤分类的尺度匹配性.以Landsat5TM 遥感影像和两个级别的土壤类型图(土壤亚类及土属)为基础数据,集成主成分分析㊁归一化植被指数等图像处理技术,提取多种影像特征建立土壤分类特征数据集;采用最大似然监督分类方法对潜江市不同级别的土壤分别进行遥感分类;并利用混淆矩阵方法对分类结果分别进行精度验证.结果表明:土属的总体分类精度较高,达到92.79%,Kappa 系数为0.9195;土壤亚类相对较低,总体分类精度只有84.71%,Kappa 系数为0.8201.可见土壤遥感分类具有显著的尺度适宜性特征,在两个级别的土壤分类实验中,Landsat5TM 更适宜土壤的最基层的土属类型划分.在土壤遥感分类时,应首先探讨土壤类型等级与遥感影像的尺度匹配性.关键词:土壤遥感分类;归一化植被指数;分类精度;尺度匹配性中图分类号:TP79㊀㊀文献标志码:A㊀㊀DOI :10.3969/j.issn.1000-2375.2018.04.021The discussion on scale matching of different types of soilremote sensing classificationCHEN Bin 1,2,WANG Hongzhi 1,2,LI Rendong 3(1.Key Laboratory for Geographical Process Analysis &Simulation,Hubei Province,College of Urban &Environmental Sciences,Central China Normal University,Wuhan 430079,China;2.Institute of Sustainable Development,Central China Normal University,Wuhan 430079,China;3.Institute of Geodesy and Geophysics,Chinese Academy of Sciences,Wuhan 430077,China)Abstract :The aim of this study is to test the suitability of different levels of soil remote sensingclassification based on Landsat5TM remote sensing in Qianjiang city,Hubei Province.The authors employed the Landsat5TM remote sensing image and the two levels of soil type maps(soil subcategories map and soilgenus map)as basic data sources.The TM image was processed to extract classification features by using a variety of image processing techniques,which included such means as principal component analysis,tasseled cap transformation and normalized differential vegetation index.Then the authors incorporated all classification features into a dataset,and used maximum likelihood classifier of supervision to classify the above two levels ofsoil in Qianjiang City,respectively.And the accuracy of the two levels soil classification results was verified by using the confusion matrixes method.The results suggest that soil classification based on Landsat5Tremote sensing image,soil genus is the highest,and the overall classification accuracy can reach 92.79%,the Kappa coefficient was 0.9195.The overall classification accuracy of soil subcategories is the second highest,theoverall classification accuracy was 84.71%,the Kappa coefficient was 0.8201.The main reason is that soil genus contained less other soil types in the soil samples at the same spatial scale and the sample pixel430㊀湖北大学学报(自然科学版)第40卷luminance value is highly correlated with the pixel brightness value in the TM remote sensing image,which leads to the higher overall classification accuracy.It can be seen that Landsat5TM is the more suitable for soil genus classification in these two grades of soil classification,and the soil remote sensing classification may have significant scale suitability characteristics.Therefore,the scale matching of soil types and remote sensing image is the most important factor in soil remote sensing classification.This study can provide a reference forselecting different suitable remote sensing data sources for different soil classification studies at different levels.Key words :soil remote sensing classification;normalized differential vegetation index;classificationaccuracy;scale matching0㊀引言利用空间技术开展土壤研究是土壤地理学的重要发展趋势[1-2].3S 技术在土壤性质[3-5]㊁土壤养分[6]㊁水分[7-10]和土壤有机质[11-13]等调查㊁监测[14]以及土壤分类制图[15]等土壤相关研究方面发挥着越来越重要的作用.由于土壤分异具有显著的尺度特征,在遥感土壤分类解译时,不同等级下土壤类型特征与遥感信息源的尺度匹配性是值得探讨的问题.然而,目前利用卫星遥感数据对土壤进行分类研究,尚停留在采用某类遥感数据对于某一土壤类型或单一级别的土壤进行分类实验与精度验证研究阶段,如:利用Landsat5TM 数据对黄壤的分类实验[16]㊁亚类级别的土壤的分类实验[17];利用MODIS 数据开展土类级别的土壤分类实验[18];利用SPOT 数据开展的土属级别的土壤分类制图实验[19]等.因此,拟以江汉平原腹地潜江市为试验区,选用Landsat5TM 影像为遥感数据源,对土壤亚类和土属两个等级进行土壤分类实验和精度探讨,以期对土壤遥感分类的级别与遥感数据源的尺度匹配性进行初步研究,使更多学者关注这个问题.1㊀研究方法1.1㊀试验区概况㊀江汉平原地处长江中游㊁湖北省中南部,是湖北乃至全国重要的粮食产区和农产品生产基地[20].潜江市(30ʎ04ᶄ30ʎ39ᶄN,112ʎ29ᶄ113ʎ01ᶄE)地处江汉平原腹地,东接仙桃㊁西临荆州㊁图1㊀研究区地理位置㊀南连监利㊁北临汉江与天门相望(图1),辖域面积为2008.43km 2.属于北亚热带季风湿润气候区,冬季风气候对该区影响显著,冬季以偏北风为主,夏季以偏南风为主.全年气候温和,雨量充沛,四季分明,日照充足,适宜于农业生产.年平均气温16.1ħ,气温年变化较为显著,年较差2426ħ.全年降水量1100mm,降水年变化大,季节分布不均,呈现东多西少㊁南多北少的分布特征.是典型的平原湖区,地势平坦,自东北向西南微缓倾斜,河流湖泊众多,汉江㊁东荆河贯穿全境,且分布有冯家湖㊁白露湖和张家湖等六大湖泊.土壤绝大多数由冲积母质和湖积母质发育而成,土层深厚,土壤肥沃,河湖众多,具有良好的农业生产条件.第4期陈斌,等:不同等级土壤遥感分类的尺度匹配性探讨431㊀1.2㊀数据来源和数据预处理1.2.1㊀土壤类型数据和处理㊀研究使用的土壤类型数据基于潜江市1ʒ50000土壤类型图,是全国第二次土壤调查的成果,土壤类型采用发生学四级分类系统(类㊁亚类㊁属和种),涉及5个土类㊁10个亚类㊁19个土属和118个土种.在ArcGIS10.1软件平台下对潜江市土壤类型图进行矢量化,选择GCS_ Krasovsky_1940坐标系Albers投影.考虑到遥感实验后期样本需要分亮度分片区来选取,且样本数量不能过少,验证样本与训练样本区不能重叠等要求,故各待分类土壤的斑块数量和面积不能过少.在5个土类中有3个土类单元的土壤斑块数量都少于10,且面积都不到待分类土壤总面积的1%;而土种因为分类单元过多,单个土壤斑块面积过小,不便于后期训练样本的选取.因此根据研究区实际情况,最终选定土壤斑块数不少于30㊁面积占比不少于待分类土壤总面积的1%的6个土壤亚类和9个土属参入到最终的遥感分类,而将余下的4个土壤亚类和10个土属单元直接划分到其他类别之中,不再单独参入分类和最终的精度验证.根据需要,将土壤类型图斑单元按照等级进行分类合并,分别得到潜江市土壤亚类和土属共2个不同等级的土壤矢量图层.1.2.2㊀遥感数据源和遥感数据预处理㊀选用湖北省潜江市Landsat5TM遥感数据(成像时间:1987年9月17日,尽可能接近全国第二次土壤调查的时间)进行实验研究,数据共7个波段,其空间分辨率为30m(除第6波段外),在ENVI5.1软件中,首先利用研究区1ʒ50000的土壤图对Landsat5TM遥感影像进行几何精校正,并采用双线性插值法进行空间重采样,其次利用潜江市矢量边界数据裁剪出研究区的范围.1.2.3㊀其他辅助信息的收集和处理㊀采用实地调查的方法,收集实验区内相关的地形㊁地貌㊁植被覆盖率和土地利用方式等数据,为样本采集选择的代表性提供参考和依据.由于本研究区域内地形相对平坦,高差很小,故进行遥感解译时没有结合DEM数据.1.3㊀分类特征数据集的建立1.3.1㊀主成分变换分类特征数据㊀土壤是母质㊁生物㊁气候㊁地形㊁时间和人为因素综合作用下的产物,通常多光谱图像的各个波段之间的空间像元亮度值(DN)差异并不大,直接进行土壤类型解译和识别的局限性较大,故而进行土壤遥感分类之前首先应该建立起相应的分类特征数据集.通过主成分变换可以实现数据压缩和影像增强[17],减少信息冗余和噪声对分类的影响,有利于提取植被和土壤等主要信息. Landsat5TM的7个波段一般被划分成4组,即前3个波段为一组,记作PC123;5㊁7波段为一组,记作PC57;波段4和6分别为一组.实验提取第一组和第二组的第1主分量(即PC123-1和PC57-1),以及TM4和TM6波段作为分类特征,参与分类.1.3.2㊀归一化植被指数(NDVI)㊀植被可以作为土壤类型划分的重要标志.通过不同的光谱通道组合可以得到植被指数.归一化植被指数(normalized differential vegetation index,NDVI),可以直观反映地表植被覆盖度,表达式如下:NDVI=(Band4-Band3)/(Band4+Band3)(1) 1.3.3㊀水体指数(NDWI)㊀水体指数是(normalized differential water index,NDWI)基于近红外波段和绿波段的归一化差值处理构建,常被用来提取遥感影像中的水体信息.表达式如下:NDWI=(Band2-Band4)/(Band2+Band4)(2) 1.3.4㊀湿度指数(NDMI)㊀土壤水分的差异常常是土壤质地㊁有机质含量等信息的综合反映.由于TM2和TM5对土壤与植被中水分含量的敏感度差异不同,将它们经过标准化处理后得出湿度指数(NDMI),即:NDMI=(Band2-Band5)/(Band2+Band5)(3) 1.4㊀土壤分类方法和技术路线1.4.1㊀监督分类之最大似然分类法㊀采用监督分类中的最大似然分类法(maximum likelihood classifier,MLC),分别对潜江市土壤亚类和土属进行遥感分类实验研究.其核心思想是将卫星遥感多波段数据分布当作多维正态分布来构造判别函数.即假设训练样本区域内的分布函数都服从正态分布,根据未知区域像元与已知区域像元亮度值的似然度大小,将未知像元划分到与它似然度最大的区域之中.432㊀湖北大学学报(自然科学版)第40卷图2㊀土壤遥感分类的技术路线图㊀1.4.2㊀土壤遥感分类技术方案㊀潜江市土壤遥感分类主要分为数据处理与数据集生成㊁土壤分类训练样本数据采集㊁土壤遥感监督分类和精度分析等阶段(图2).其中,需要说明的是,训练样本的选择及位置和数量的不同均会对分类结果有着较大的影响.本研究将土壤类型矢量图与TM 影像进行叠加,为了保证土壤分类的精度对目标样本进行分亮度㊁分区域分别选取,训练样本区和验证样本区尽量遍布研究区且不重叠.选取训练样本和验证样本时要尽量具有代表性,即:训练样本的统计特征量与该类型的总体统计特征要尽可能的接近,同时所选取的训练样本中像元的土壤类型应为单纯的同一土壤类型.为了满足建立分类判别函数的要求,一般选择3到5个具有代表性的样本区域来分别选取目标样本,且训练样本数目每类不少于30个;按照3ʒ1采集训练样本数据和验证样本数据.2㊀不同等级的土壤类型遥感分类实验结果对比分析2.1㊀土壤分类特征数据参数选择㊀将前面提取到的主成分变量㊁植被指数㊁湿度指数和水体指数等7个不同分量组成相应的分类特征数据集,通过ENVI 软件数据进行处理,得到该7个分量的相关系数(表1)和它们的统计特征信息(表2),以此构造信息熵,作为选取研究最佳分量组合的依据.信息熵即以表1㊀土壤分类特征分量间的相关系数分量特征TM4TM6NDVINDWINDMIPC123-1PC57-1TM4㊀1.000TM6-0.011㊀1.000NDVI ㊀0.701㊀0.038㊀1.000NDWI -0.751-0.072-0.974㊀1.000NDMI-0.675-0.175-0.726㊀0.841㊀1.000PC123-1㊀0.907㊀0.056㊀0.520-0.630-0.730 1.000PC57-1-0.022㊀0.072㊀0.125-0.095-0.0880.0001.000表2㊀土壤分类特征分量的统计特征基本统计值最小值最大值平均值标准差TM410.000254.00090.62220.473TM694.000151.000131.156 4.773NDVI -0.4420.7810.4050.157NDWI -0.7130.467-0.3850.133NDMI-0.6620.833-0.3230.129PC123-1109.272287.1810.00025.670PC57-5-75.88038.8970.000 2.1213个分量标准差之和最大㊁分量间的相关系数最小为依据.若1个分量与其他6个分量之间的相关系数绝对值大于0.65的分量个数大于3,即表明该分量具有高相关性;数量等于2,即为中等相关性;数量小于2,即为低相关性分量.按照上述规则,将7个分量依次划分为高相关性分量(TM4㊁NDMI),中等相关性分量(NDVI㊁NDMI㊁PC123-1),低相关性分量(PC57-1㊁TM6)3组.然后根据标准差之和最大的原则,在3组分量中分别依次选取1个分量作为最终的RGB 合成波段,在相关性系数较低的第第4期陈斌,等:不同等级土壤遥感分类的尺度匹配性探讨433㊀3组分量TM6和PC57-1中,虽然分量TM6的标准差大于PC57-1,但它与分量PC123-1之间的相关系数不如PC57-1低,故综合考虑,最终选取分量PC57-1.因此,研究最终选取TM4㊁PC123-1和PC57-1等3个分量合成RGB 彩色图像用于土壤遥感分类实验.表3㊀不同亚类之间J-M 距离值土壤类型J-M 距离值潴育型水稻土灰潮土 1.07潴育型水稻土潮土 1.55潴育型水稻土沼泽型水稻土1.61淹育型水稻土潮土 1.65沼泽型水稻土灰潮土 1.70灰潮土潮土 1.72沼泽型水稻土潮土 1.74淹育型水稻土灰潮土 1.76淹育型水稻土潴育型水稻土 1.80潜育型水稻土沼泽型水稻土 1.82淹育型水稻土沼泽型水稻土1.84潜育型水稻土潮土 1.85潴育型水稻土潜育型水稻土 1.92潴育型水稻土潜育型水稻土1.93潜育型水稻土灰潮土 1.97潜育型水稻土河流湖泊 2.00灰潮土河流湖泊 2.00淹育型水稻土河流湖泊 2.00沼泽型水稻土河流湖泊 2.00潴育型水稻土河流湖泊 2.00潮土河流湖泊2.002.2㊀土壤可分离性及分类结果㊀土壤遥感分类之前需要对不同类型的土壤的可分离性进行分析.本实验在ENVI5.1平台下,利用J-M(Jeffries-Matusita)距离来验证选取训练样本的可分离性高低.J-M 距离是类对间统计可分性的一种度量,是两个类别的密度函数之间平均差异的一种度量[21].它的取值范围在0.2.0之间,数值越大,表明选取的训练样本之间的可分离性越好.2.2.1㊀土壤亚类的可分离性及分类结果㊀试验区有10个亚类:水稻土土类包括潴育型水稻土㊁淹育型水稻土㊁测渗型水稻土㊁沼泽型水稻土和潜育型水稻土5个亚类;潮土土类包括潮土和灰潮土2个亚类;黄棕壤㊁草甸土和沼泽土3个土类各包括1个亚类.根据数据来源中提到的土壤类型选取规则,最终选取灰潮土㊁潮土㊁沼泽型水稻土㊁潴育型水稻土㊁潜育型水稻土和淹育型水稻土等6个土壤亚类参与最终分类,而余下的4个土壤亚类因为土壤斑块数量和面积不能满足训练样本选取的要求,直接划分到其他类别之中,不再单独参入分类和最终的精度验证.对各土壤亚类间的J-M 距离值(表3)分析可见,总体来看,土壤亚类的可分离性参差不齐,其中潜育型水稻土和各亚类土壤之间的可分离性都很好,潴育型水稻土和灰潮土的可分离性最差.采用监督分类之最大似然分类法得到了土壤亚类遥感分类结果图(图3).2.2.2㊀土属的可分离性及分类结果㊀试验区有19个土属:水稻土5个亚类包括10个土属;潮土2个亚类包括6个土属;黄棕壤㊁草甸土和沼泽土各包括1个土属.与土壤亚类选取规则相同,最终选取灰潮土田㊁潮土田㊁烂泥田㊁灰青泥田㊁浅潮砂田㊁青泥田㊁壤土型灰潮土㊁砂土型灰潮土和浅灰潮砂田等9个土壤亚类参与最终分类,而余下的10个土属也因土壤斑块数量和面积不能满足训练样本选取要求,同样直接划分到其他类别之中,不再单独参与分类和最终的精度验证.对各土属间的J-M 距离值(表4)分析可见,绝大多数土属的可分离性在1.9以上,具有非常高的可分性,其中可分离性差的土属均存在于水稻土土类之内.采用监督分类之最大似然分类法得到了土属的遥感分类结果图(图4).3㊀不同等级土壤遥感影像的分类精度对比分析和评价利用ENVI 中混淆矩阵算法,得到2个不同等级土壤遥感影像分类验证的混淆矩阵.一般用总体分类精度和Kappa 系数来进行精度评价.Kappa 系数取值在1之间,越接近1,表明分类的精度越高.本文中分别对2个不同等级的土壤遥感影像总体分类精度㊁Kappa 系数进行综合分析和评价.采用混淆矩阵得到不同土壤亚类和土属的精度评价结果分别如表5和表6所示.类对间的J-M 距离值一般大于1.9,则认为可分性较高,即样本选取成功.反之,则需要进行类别合并或者重新选取训练样本.由于本文中重在研究2个不同等级土壤遥感分类精度之间的差异,故不再对J-M 距离值小于1.9的土壤类别单元进行合并.不同土壤亚类和土属之间的J-M 距离值分别如表3和表4所示.434㊀湖北大学学报(自然科学版)第40卷图3㊀土壤亚类的遥感分类结果图㊀图4㊀土属的遥感分类结果图㊀㊀㊀由上述统计结果看出,不同土壤亚类之间的总体分类精度达到84.71%,Kappa 系数为0.8201;不同土属的总体分类精度达到92.79%,Kappa 系数为0.9195.这表明利用Landsat5TM 遥感影像对潜江市土壤进行遥感分类时,随着土壤空间分类尺度的增大,即土壤分类等级的逐级细分,最终不同等级土壤之间的总体分类精度呈现出较大的差异.本研究中土属的总体分类精度较高,达到92.79%,土壤亚类则相对较低,只有84.71%.这是因为在这2个不同等级的土壤中,土壤亚类的土壤斑块相对较大,其中含有的混合像元过多,干表4㊀不同土属之间J-M 距离值土壤类型J-M 距离值灰潮土田潮土田 1.27灰潮土田烂泥田 1.64潮土田烂泥田 1.69浅潮砂田灰青泥田 1.73壤土型灰潮土浅潮砂田 1.79浅灰潮砂田浅潮砂田 1.93潮土田灰青泥田 1.94灰潮土田灰青泥田 1.96青泥田浅潮砂田 1.96青泥田潮土田 1.97浅潮砂田潮土田 1.97青泥田灰潮土田 1.99浅灰潮砂田壤土型灰潮土 1.99浅潮砂田灰潮土田 1.99壤土型灰潮土潮土田 1.99青泥田灰青泥田 2.00浅灰潮砂田灰青泥田 2.00灰青泥田烂泥田 2.00壤土型灰潮土灰青泥田 2.00青泥田烂泥田 2.00壤土型灰潮土灰潮土田 2.00壤土型灰潮土青泥田 2.00烂泥田河流湖泊 2.00浅灰潮砂田灰潮土田 2.00砂土型灰潮土潮土田 2.00砂土型灰潮土灰潮土田 2.00砂土型灰潮土烂泥田 2.00浅灰潮砂田潮土田 2.00壤土型灰潮土烂泥田 2.00浅潮砂田烂泥田 2.00砂土型灰潮土灰青泥田 2.00砂土型灰潮土浅潮砂田 2.00砂土型灰潮土壤土型灰潮土2.00浅灰潮砂田烂泥田 2.00青泥田河流湖泊 2.00灰潮土田河流湖泊 2.00砂土型灰潮土青泥田 2.00砂土型灰潮土浅灰潮砂田 2.00浅灰潮砂田青泥田 2.00浅灰潮砂田河流湖泊 2.00壤土型灰潮土河流湖泊 2.00砂土型灰潮土河流湖泊 2.00灰青泥田河流湖泊 2.00浅潮砂田河流湖泊 2.00潮土田田河流湖泊2.00第4期陈斌,等:不同等级土壤遥感分类的尺度匹配性探讨435㊀表5㊀土壤亚类的混淆矩阵土壤类型淹育型水稻土潴育型水稻土潜育型水稻土沼泽型水稻土灰潮土潮土河流湖泊总计用户精度/%淹育型水稻土11792321013487.31潴育型水稻土181380666017479.31潜育型水稻土50132400014193.62沼泽型水稻土201413508015984.91灰潮土940031632021775.12潮土193010145016886.31河流湖泊0000007373100.00总计170190148152171162731066制图精度/%68.8272.6389.1988.8295.3289.51100.00表6㊀土属的混淆矩阵土壤类型砂土型灰潮土壤土型灰潮土浅灰潮砂土青泥田浅潮砂田灰潮土田潮土田灰青泥田烂泥田河流湖泊总计用户精度/%砂土型灰潮土3000000000030100.00壤土型灰潮土024004000002885.71浅灰潮砂土0043000000043100.00青泥田000390000039100.00浅潮砂田000146002004993.88灰潮土田000003860004780.85潮土田020103450105286.54灰青泥田000020138004192.68烂泥田000002305405991.53河流湖泊0000000004242100.00总计30264341524355405842430制图精度/%100.0092.31100.0095.1288.4688.3781.8295.0093.10100.00扰分类结果,导致最终的分类精度不高.而土属的土壤斑块相对较小,即它与中分辨率的TM遥感影像之间的空间尺度匹配性较好,故最终的总体分类精度较高.证明遥感数据应用于土壤分类时存在着不可明显尺度匹配性,在进行土壤遥感分类研究时,如何针对不同级别的土壤选择匹配的遥感数据显得至关重要.4㊀结论与讨论基于潜江市TM遥感图像,采用最大似然监督分类方法分别对潜江市土壤分类中亚类和土属2个级别土壤进行遥感分类实验研究.研究表明:利用TM图像对土壤亚类和土属的类型划分均达到较好的分类精度.土壤各亚类划分的用户精度均在75.1%以上,制图精度在68.8%以上;各土属划分的用户精度均在80.8%以上,制图精度在81.8%以上.同时可见,TM图像对土属的遥感分类结果优于对亚类的分类结果,显示遥感分类具有明显的尺度适应性差异.由于土属单元斑块相对较小,它与中分辨率的TM 遥感影像之间的尺度匹配性更好,因此最终分类精度较高.可见,在开展土壤遥感分类研究时,首先需要对土壤类型等级与遥感影像之间的尺度匹配性进行判断.436㊀湖北大学学报(自然科学版)第40卷虽然遥感土壤分类能够达到较好的精度,但这是建立在对研究区域非常熟悉㊁具有较好研究基础之上的.毕竟土壤类型差异常表现在其剖面上,仅从地表光谱特征差异进行分类具有一定的局限性.降低这种局限性的方法,是充分利用研究者的专业知识,如从技术上尽可能地实现分亮度㊁分区域来选择具有代表性的分类样本.同时,对于面积和斑块数量很少的土壤类型的遥感分类,我们进了行回避,所以现有的较好的分类精度结果,是建立在不完备土壤类型基础上的.5 参考文献[1]赵其国.我国土壤调查制图及土壤分类工作的回顾与展望[J].土壤,1992,24(6):281-284.[2]张甘霖,史学正,龚子同.中国土壤地理学发展的回顾与展望[J].土壤学报,2008,45(5):792-801.[3]Amani M,Parsian S,MirMazloumi S M,et al.Two new soil moisture indices based on the NIR-red triangle space of Landsat-8data[J].Int J Appl Earth Obs,2016,50:176-186.[4]Fan X,Weng Y,Tao J.Towards decadal soil salinity mapping using Landsat time series data[J].Int J Appl Earth Obs, 2016,52:32-41.[5]史舟,李艳,程街亮.水稻土重金属空间分布的随机模拟和不确定评价[J].环境科学,2007,28(1):209-214.[6]Sridhar B B M,Vincent R K,Witter J D,et al.Mapping the total phosphorus concentration of biosolid amended surface soils using Landsat TM data[J].Sci Total Environ,2009,407(8):2894-2899.[7]李建龙,蒋平,刘培君,等.利用遥感光谱法进行农田土壤水分遥感动态监测[J].生态学报,2003,23(8): 1498-1504.[8]Wang C,Qi J,Moran S,et al.Soil moisture estimation in a semiarid rangeland using ERS-2and TM imagery[J].Remote Sens Environ,2004,90(2):178-189.[9]杨涛,宫辉力,李小娟,等.土壤水分遥感监测研究进展[J].生态学报,2010,30(22):6264-6277.[10]Filion R,Bernier M,Paniconi C,et al.Remote sensing for mapping soil moisture and drainage potential in semi-aridregions:applications to the Campidano plain of Sardinia,Italy[J].Sci Total Environ,2016,543(B):862-876. [11]李燕丽,潘贤章,王昌昆,等.广西中南部耕地土壤有机质和全氮变化的遥感监测[J].生态学报,2014,34(18):5283-5291.[12]章文龙,曾从盛,高灯州,等.闽江河口湿地土壤全磷高光谱遥感估算[J].生态学报,2015,35(24):8085-8093.[13]Gao J,Pan G,Jiang nd-use induced changes in topsoil organic carbon stock of paddy fields using MODIS and TM/ETM analysis:a case study of wujiang county,china[J].Journal of Environmental Sciences,2008,20(7):852-858.[14]El Harti A,Lhissou R,Chokmani K,et al.Spatiotemporal monitoring of soil salinization in irrigated Tadla plain(Morocco)using satellite spectral indices[J].Int J Appl Earth Obs,2016,50:64-73.[15]王深法,蒋亨显,王人潮.浙江省石灰土光谱特征及其自动识别分类技术研究[J].土壤学报,1994,31(3):312-321.[16]沙晋明,李小梅.基于遥感信息的哈夫曼优化树在山地土壤资源调查中的应用 以浙江省龙游县为例[J].山地学报,2002,20(2):223-227.[17]刘娟,蔡演军,王瑾.青海湖流域土壤遥感分类[J].国土资源遥感,2014,26(1):57-62.[18]亢庆,张增祥,赵晓丽.基于MODIS产品的区域土壤遥感分类研究 以新疆为例[J].遥感技术与应用,2007,22(6):690-695.[19]王人潮,吴嘉平,王深法,等.SPOT图像的土壤解译与制图效果研究[J].浙江农林大学学报,1991,17(4):341-346.[20]王宏志,潘方杰,周勇,等.异质景观条件下江汉平原土壤的空间分异[J].生态学报,2016,36(18):5682-5690.[21]赵英时.遥感应用分析原理与方法[M].北京:科学出版社,2003.(责任编辑㊀郭定和)。