土地利用覆盖变化信息提取
土地利用覆盖（LUCC）变化遥感解译.
⼟地利⽤覆盖（LUCC）变化遥感解译.⼟地利⽤/覆盖（LUCC）变化遥感解译1、资料的准备2、遥感影像的处理3、遥感影像的解译（初步解译）（1）解译的指标体系解译的指标⽤⼟地利⽤/覆盖分类系统，采⽤全国⼆级分类系统：⼀级分为6类，主要根据⼟地的⾃然⽣态和利⽤属性；⼆级分为25个类型，主要根据⼟地经营特点、利⽤⽅式和覆盖特征；耕地根据地形特征进⾏了三级划分，即进⼀步划分为平原、丘陵、⼭区和坡度⼤于25度的耕地。
分类系统及含义为：①耕地：指种植农作物的⼟地，包括熟耕地、新开荒地、休闲地、轮歇地、草⽥轮作地；以种植农作物为主的农果、农桑、农林⽤地；耕种三年以上的滩地和海涂。
11、⽔⽥：指有⽔源保证和灌溉设施，在⼀般年景能正常灌溉，⽤以种植⽔稻、莲藕等⽔⽣农作物的耕地，包括实⾏⽔稻和旱地作物轮种的耕地。
12、旱地：指⽆灌溉⽔源及设施，靠天然降⽔⽣长作物的耕地；有⽔源和浇灌设施，在⼀般年景下能正常灌溉的旱作物耕地；以种菜为主的耕地；正常轮作的休闲地和轮歇地。
②林地：指⽣长乔⽊、灌⽊、⽵类以及沿海红树林地等林业⽤地。
21、有林地：指郁闭度>30%的天然林和⼈⼯林。
包括⽤材林、经济林、防护林等成⽚林地。
22、灌⽊林地：指郁闭度>40%、⾼度在2⽶以下的矮林地和灌丛林地。
23、疏林地：指郁闭度为10-30%的稀疏林地。
24、其他林地：指未成林造林地、迹地、苗圃及各类园地（果园、桑园、茶园、热作林园等）。
③草地：指以⽣长草本植物为主、覆盖度在5%以上的各类草地，包括以牧为主的灌丛草地和郁闭度在10%以下的疏林草地。
31、⾼覆盖度草地：指覆盖度>50%的天然草地、改良草地和割草地。
此类草地⼀般⽔分条件较好，草被⽣长茂密。
32、中覆盖度草地：指覆盖度在20-50%的天然草地和改良草地，此类草地⼀般⽔分不⾜，草被较稀疏。
33、低覆盖度草地：指覆盖度在5-20%的天然草地，此类草地⽔分缺乏，草被稀疏，牧业利⽤条件差。
使用遥感图像分类进行土地覆盖变化检测的技巧与方法
使用遥感图像分类进行土地覆盖变化检测的技巧与方法遥感图像分类是一种常用的技术，可以帮助我们监测土地覆盖变化。
通过使用远程感知设备，例如卫星或无人机，我们可以获取高分辨率的图像数据，然后利用遥感图像分类技术对这些数据进行分析和解译，从而获得土地覆盖的信息。
在进行土地覆盖变化检测之前，首先需要掌握遥感图像分类的技巧与方法。
遥感图像分类的主要步骤包括数据预处理、特征提取和分类器训练与分类。
首先是数据预处理。
由于遥感图像数据可能受到大气、云层、阴影等因素的干扰，因此需要对图像进行预处理，以提高分类的准确性。
常用的预处理方法包括大气校正、辐射校正和几何校正等。
通过这些预处理步骤，我们可以使图像具备更好的质量和一致性。
接下来是特征提取。
在遥感图像分类中，特征提取是一个非常重要的步骤。
特征提取的目的是从图像中提取出与土地覆盖类型相关的特征，以便后续的分类器可以根据这些特征进行分类。
特征提取可以基于像素级别或对象级别。
常用的像素级别特征包括颜色、纹理和形状等，我们可以通过计算图像的像素值统计信息、纹理特征和形状指标等来提取这些特征。
而对象级别的特征提取则更关注于分割出的地物对象的特征，例如面积、形状、光谱特性等。
最后是分类器的训练与分类。
分类器是遥感图像分类的核心部分，它能够将图像中的每个像素分配到特定的土地覆盖类别中。
常用的分类器包括最大似然分类器、支持向量机和随机森林等。
在进行分类器的训练之前，我们需要为每个土地覆盖类型进行样本标注，以获得有代表性的训练数据集。
一旦训练完毕，我们就可以将分类器应用于整个图像数据，完成土地覆盖的分类。
同时，为了提高分类的准确性，我们还可以采用多种分类器组合的方法，例如投票、融合和层次分类等。
除了上述的基本技巧和方法之外，还有一些进阶的技巧和方法可以进一步提升土地覆盖变化检测的准确性和效率。
首先是多时相数据的利用。
随着多时相遥感数据的获取，我们可以利用这些数据来进行土地覆盖变化检测。
2020年年度国土变更调查监测图斑提取信息
（一）正射影像图制作以第三次全国国土调查（简称“三调”）DOM影像图为基础底图，高程数据等控制为资料基础，以区县为单位，使用2020年采集的最新遥感数据制作覆盖全国的土地利用遥感正射影像图。
影像时相大部分为2020年9月1日后。
（一）正射影像图制作以基础底图和高程数据为控制基础，结合不同数据源特点，采用相应方法制作DOM 。
DOM 制作主要包括正射纠正、影像配准、融合、镶嵌、裁切等环节。
全色数据多光谱数据模拟自然真彩色影像全色与多光谱融合基础底图/高程数据纠正控制点选取控制点残差满足要求？正射纠正是DOM精度满足要求？镶嵌与裁切县级辖区DOM是否波段重组否技术流程图原始数据纠正配准融合调色拼接裁切DOM选取控制点计算平差重采样绘制镶嵌线匀色绘制裁切矢量裁切（二）遥感监测信息提取采用制作的最新正射影像图与第三次全国国土调查数据库等数据资料叠加，按照相关技术要求，采用人机交互等多种技术方法，开展疑似新增建/构筑物图斑监测（类型一）、原建设用地、设施农用地变化监测及数据库单独图层变化监测（类型二）、农用地变化监测（类型三）、新增围填海图斑监测（类型四）。
2020年正射影像三调数据库数据库非建设用地、设施农用地、“推（堆）土区”、“光伏板区”图斑范围数据库建设用地、设施农用地、“推（堆）土区”、“光伏板区”图斑范围类型一:疑似新增建/构筑物图斑类型二：原建设用地、设施农用地及单独图层变化图斑2020年新增遥感监测图斑层类型三：农用地变化图斑林地坑塘园地数据库耕地类型四：新增围填海图斑耕地数据库园林草地2019年、2020年正射影像其他基础数据其他（二）遥感监测信息提取监测图层类型名称类型代码描述上图面积（平方米）类型一：疑似新增建/构筑物图斑层明确建设用途的建/构筑物20影像特征为除水建之外的较明显建设用途的建筑/构筑物。
其中疑似农村居民点的，标注“JMD”200水建SJ影像特征为大型水工建筑、港口码头、堤坝等水域岸线建设。
基于遥感技术的土地利用／土地覆盖提取信息精度研究——以艾比湖湿地保护区为例
Ｅ ｖｒ ｍ ｎ ｌ ｒｔ ｔ ｎｏ ｉ ａｇ ｎｉ ｎ ｅｔ ｏ ｃ ｏ ｆ ￣ｉ ｏ ａＰ ｅｉ Ｘ ｎ
基 于 遥 感 技 术 的 土 地 利 用 ／ 地 覆 盖 提 取 信 息 精 度 研 究 土
— —
以艾 比湖 湿 地保 护 区为 例
４ 。７ 一 ５１ 总 面积 ２９６ ２ １９ ｋ ４３ ４ 。０ ， ５ ．７ ７ ｍ 。艾 比湖 湿
的评价就交付使用或入库 ， 缺乏较严格认真的精度评 估 。由于数据具有相应的复杂性噪声和误差 ， 数据 ＝（ 信息 ） 噪声 ＋（ 或误差） 而数据质量 又是数据的核心 ， ， 如果数据质 量 得不 到保 证 ， 数据 将 变得 毫 无 意义 … 。所 以 ， 据 数 的检验便是不可缺少 的一步 。数据是科学监测评价
遥感土地利用调查可为生态环境动态监测系统 提供本底数据 ， 而对所得数据 的验证是一个十分重要 却常被忽视的问题。很多情况下 ， 由遥感解译得到的
数据 ， 往 只经 过简单 的野外 实地 验证 进行 一些 定性 往
１ 研 究 区概 况 及数据 收集 １ １ 研 究 区概况 ．
区域范围是 在博尔塔拉蒙古 自治州 （ 以下简称 博州 ） 行政区域 内， 地理座标为 Ｅ８ 。Ｏ ～ ３５ Ｎ ２３ ８ 。０ ，
这 几种方法对该 区 Ｌ Ｃ Ｕ Ｃ的现 状 数 据 进 行 检 验 ， 果相 吻 合 。 结
关键 词 ： 感技 术 ；Ｕ Ｃ； 遥 Ｌ Ｃ 艾比湖 ； 精度 中圈分类号 ： ８ Ｘ７ 文献 标识码 ： Ａ 文章 编号 ：０ ８— ３ １ ２ １ ） ３— ０ ７— ４ １０ ２ ０ （ ０ １ ０ ０ ３ ０
土地利用的遥感信息变化提取研究
④
２１ Ｓｉ ｅｈ Ｅ ｇ ． ０２ ｃ Ｔ ｃ． ｎｒ ． ｇ
地球 科学
土地利用的遥感信息变化提取研究
张 莹 陈圣波 王明常 张 庸 郭鹏举
（ 吉林大 学 地球 探测科 学与 技术学 院 ，长春 １０２ ） ３０６
摘
要
利用卫星遥感影像进行土地利用类型分类和动态变化监测是遥感应用 中的一个重要课题。来自择不 同时相 的 Ｅ Ｍ＋和 Ｔ
２２２ 图像 几何 校 正 ．．
探讨 。Ｈ ｓ ｉ ａｄｔ Ｊ ｏｓ ｎＳａａ 等利 用 Ｅ Ｍ ＋影像 对伊 朗大 ｅ Ｔ 部分地 区进行 土地 利用 和 土地覆 盖类 型 分类 和 精度
评价 。
断增长和经济高 速发展 ， 地利用 成为 了人 口、 源 、 土 资 环境和经济问题 的焦点 ， 而引发 了一 系列环境 、 源 从 资
的新 问题 。例如耕地水土流失 现象 严重 ， 漠化 、 Ｊ 荒 沟
壑化程度加剧 ， 城市用 地情 况 日益紧张 ， 生态环境遭 到 破坏等 。 多年来 ， 利用遥感分类技 术进行土地利用状况 的
本研究选取 Ｌｎ ｓｔ Ｔ ａｄａ Ｅ Ｍ＋和 Ｓ Ｏ － ５两期遥感 ＰＴ
影像作为基础 数据源 ， 阐述遥 感基础 理论 和技术方 在
２ １ ５月 １ ０２年 １日收到 第 作 者 简介 ： 张 莹 （９７ ）女 ， １８～ ， 黑龙 江省 齐 齐 哈 尔 市 人 ， 林 大 学 吉
１ 研究区概况及数据来源
锦西市幅区位于辽 宁省西部 ， 政 Ｌ 划大部 属辽 行 ｘ 二
宁省葫芦 岛市辖区。海拔高度一般为 （ ～ ０ ）ｍ， ０ ２ ５０ 相
ｓ （ｒ Ｐｙ＿５卫星遥感影像数据。对两期影像进行监督分类。快速提取不同时期的土地利用数据。然后进行动态变化监测， 获得土地利
土地利用变化遥感信息自动提取与自动整理
变化信息 和伪 变化信息等信息碎斑 ， 采用 图像收 缩与膨胀 运算
技 术能有效地进行 变化信息 的 自动整 理 ， 获得既符 合土地 利用 变化实际分布情况 又满足成 图精度要 求 的土地利用变 化 图像 ， 清晰地表现 出土地利 用变化的空 间分布和 强度 分布。 ［ 参考 文献 ］ ［ ］冯德俊 ， １ 李永树 ， 兰燕 ． 基于 主成 分变换 的动态监 测变化 信 息 自动发现 ［ ］ 计 算 机工 程与应 用 ，０ ４ ４ ３ ） １９— Ｊ． ２０ ，０（６ ：９
料 属于科技档案 管理 的范畴。在界定水土保持监测档 案收集范 围的基础上 ， 究 了监测档案案卷的主要 内容 与组成 、 研 档
案 工作 过 程 、 案 质 量 控 制 措 施 以及 档 案 的利 用 开 发 ， 出 了适 合 于水 土 保 持 监 测 与 信 息 系统 全 面运 行 后 日常 产 出 的 数 档 提
为 了实现 国家宏 观决 策 、 水土 流失 预测 预 报 、 水土 保持 科
研 以及水土保持工 作的信息化 ， 国家决定 分两期 建设 全 国水 土
保 持监测 网络 和信 息系统 ， 一期工 程主要 完成 了水利 部水 土保
持 监测中心 、 黄河流域 水 土保 持监测 中心站 、 江 流域 水土 保 长
持监 测 中心站和西部 １ １省及湖北 、 湖南等 省级监 测总 站 ， 以及
与监 测 总 站 对 应 的 １０个 监 测 分 站 的 建 设 ； 期 工 程 重 点 建 设 ０ 二
松辽 流域 、 淮河 流域 、 江流域 、 湖流域 ４个流 域机构 监测 中 珠 太
心站 ，８个省级 监测站及 ７ １ ５个监测 分站 ， 在全 国建设 ７ ８个 并 ３
地表覆盖知识点总结
第一章：绪论（★★★★）1.1地表覆盖与土地利用的基本概念1.1.1地表覆盖：是指自然营造物和人工建筑物所覆盖的地表诸多要素的综合体，包括地表植被、土壤、冰川、河流、湖泊、沼泽湿地及各种建筑物，主要侧重描述地球表面的自然属性，具有特定的时间和空间特性。
1.1.2土地利用：土地利用是土地利用方式、利用程度和利用效果的总称。
它包括的主要内容是：1、确定土地的用途；2、在国民经济各部门和各行业间合理分配土地资源；3、采取各种措施开发、整治、经营、保护土地资源，提高土地利用效果。
1.1.3地表覆盖与土地利用性质：1、地表覆盖反映了土地的自然属性（其性质主要取决于自然因素）2、影响土地利用的因素包括地表自然因素（气候、地形地貌、土壤、水文、地质条件）和社会经济因素（社会制度、政策、城市化与工业化、区位、交通条件、成本、效益、土地利用现状）（其性质主要取决于自然和经济因素）3、地表覆盖与土地利用有着密切的联系，其性质的变化构成了地表覆盖/土地利用变化4、自然力也会引起地表覆盖的变化5、地表覆盖具有特定的时间和空间属性，其形态和特征可在多种时空尺度上变化，而且产生变化的原因也具复杂多样性，并因此引起一系列的生态环境效应。
6、地表覆盖的空间分布反映着人类社会经济活动过程，决定着地表的水热和物质平衡，其变化直接影响到生物地球化学循环，改变着陆地-大气的水分、能量和碳循环，以至引起气候变化。
1.2地表覆盖与土地利用的研究内容1.2.1地表覆盖研究内容1、地表覆盖的特点；（与地理要素的关系）2、地表覆盖变化研究；3、地表覆盖分类体系研究；（满足地球系统模式需求；环境系统模式需求等）4、遥感测定地表覆盖及其变化；（数据尺度；时空分辨率；数据质量；数据处理；自动分类等）5、变化检测技术；6、地表过程模型化与动态模拟；举例：1、植被：利用遥感手段，可以在大范围内经济而有成效的查清植被资源和检测环境动态，从空间以不同尺度来研究地球植被层的空间结构和波动规律以及多种自然灾害和人类活动对生物圈的影响，并把植被遥感信息转换成图像和数据，供决策和管理者参考。
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GIS的遥感影像土地利用／土地覆盖信息提取研究——以滇西北香格里拉县为例
似然 法 进 行 图 像 分 类 ，就会 导 致 分 类 精 度 降低 【 ” 。
虽然近 年来 ，人们 提 出了不少 研究遥 感 分类 的新 方
征 ，提 出多 步骤 遥感 影像 分类 方 法 （ １：基于 分 图 ） 辨 率融 合提 取地 物和 基 于 Ｎ Ｖ 计算 的 分 区 、分 层 Ｄ Ｉ
的思 想是通 过 分层和 分 区的途 径将 每一 次参 与监 督 分 类 的地 物类 别 尽 可 能 减 少 ， 以减 少 地 物 类 别 间 “ 物 同谱 、同谱 异 物 ” 的 干扰 ，在 此基 础 上再 利 异 用 Ｄ Ｍ 和坡 度数据 对 其进行 基 于知识 的影 像分 类 ， Ｅ 最后确 定 出像 元点 所属 的类 别 。
提取 精 度 达 ７ ％以 上 ，较 单 一的 信 息提 取 方 法 精 度有 很 大 提 高 。 ０
关 键 词 ：Ｇ Ｓ Ｉ ；土 地 利 用／ 地覆 盖 ；信 息提 取 ；香 格 里拉 县 土 中 图分 类 号 ：Ｘ ７ ８ 文献 标 识码 ：Ａ 文章 编 号 ：１０ ＿ ８ ２ （ｏ７ ２ ０ ９ — ５ ｏ １ ７ ５ ２ ０ ）０－ ０ ８ ０
图 １ Ｇ Ｓ支 持 下 的多 步 骤 遥 感 图 像分 类 流 程 图 Ｉ
Ｆ ｇ １ Ｆ ｏ ｉｇ ａ ｏ ｍｏ ｅ ｓ ｎ ｉ ｇｉ ｇ ｌｓ ｉ ｃ ｔ ｎ ｗ ｔ ｌ — ｔｇ ｙ ａ Ｇ Ｓ ｉ． ｌ ｗ ｄ ａ ｒ ｍ ｆ ＇ ｔ ｅ ｓｎ ｌ ｅ ｍａ ｅ ｃａ ｓ ａ ｏ ｉ ｍｕ ｔ ｓａ ｅ ｂ Ｉ ｉ ｆ ｉ ｈ ｉ
０ 引言
利 用遥 感 分 类 技术 进 行 土 地利 用／ 地覆 盖 分 土 类研 究一直 是遥感 应 用研究 的热点 。而 提 高计算 机
遥感数据和地理信息系统在土地利用与覆被变化监测中的应用
遥感数据和地理信息系统在土地利用与覆被变化监测中的应用近年来，随着地球人口的不断增加和经济的快速发展，土地利用与覆被变化日益引起人们的关注。
如何有效监测和管理土地利用与覆被变化对于环境保护和可持续发展具有重要意义。
在这方面，遥感数据和地理信息系统的应用成为了一种有效的手段。
遥感数据是通过卫星、飞机等遥感技术获取的地球观测信息，可以提供大范围和长时序的地表信息。
而地理信息系统（Geographic Information System，简称GIS）是一种用于存储、管理、分析和展示地理空间数据的计算机系统。
遥感数据与GIS的结合，使得土地利用与覆被变化的监测和分析变得更加准确和高效。
首先，利用遥感数据和GIS可以实现土地利用和覆被变化的快速监测。
传统的土地利用调查方法需要一定的时间和人力物力投入，而且往往只能获取局部的信息。
而遥感数据可以覆盖更广阔的地域范围，并且可以提供多时相的数据，使得我们能够全面了解土地利用和覆被变化的情况。
通过对遥感数据的分析和处理，可以提取出土地利用类型、土地覆被的变化等相关信息，快速了解土地利用的状况。
其次，遥感数据和GIS还可以进行土地利用变化的分析和预测。
土地利用的变化往往受到自然和人为因素的共同作用，如气候变化、城市化进程等。
利用遥感数据和GIS，可以对土地利用变化进行统计和分析，找出其变化的规律和趋势。
同时，可以建立模型进行土地利用的预测，为未来的土地管理和规划提供科学依据。
此外，遥感数据和GIS在土地利用与覆被变化监测中还可以进行生态环境评价。
土地利用的改变往往会对生态环境产生影响，如森林的砍伐、湿地的填埋等。
利用遥感数据和GIS，可以对生态环境进行评价和监测。
通过对植被指数、土地覆盖类型等遥感参数的分析，可以评估土地利用对生态环境的影响，为生态保护和恢复提供科学依据。
当然，遥感数据和GIS在土地利用与覆被变化监测中还存在一些挑战。
首先，遥感数据的分辨率和精度有限，对于细微的土地利用变化可能无法准确捕捉。
如何进行土地利用变化监测和分析
如何进行土地利用变化监测和分析土地利用变化是指土地在不同时间段内由一种利用类型转变为另一种利用类型的过程。
土地利用变化监测和分析有助于理解土地利用变化的原因和趋势，为土地资源的合理管理、保护和可持续利用提供科学依据。
本文将介绍如何进行土地利用变化监测和分析。
一、数据获取土地利用变化监测和分析需要大量的空间数据和时间序列数据。
常用的方法包括遥感影像解译、地理信息系统 (Geographic Information System, GIS) 数据提取以及野外调查等。
其中，遥感影像在土地利用变化监测和分析中起着关键作用。
通过获取不同年份的高分辨率遥感影像，可以获得土地利用类型的时空变化信息。
此外，还可以结合GIS数据，如土地利用分类系统、行政区划等，对土地利用类型进行统计与分析。
二、土地利用变化分类为了进行土地利用变化分析，首先需要对土地利用类型进行分类。
土地利用分类的精细程度会直接影响到分析结果的准确性和可靠性。
常用的土地利用分类系统包括CORINE (Coordination of Information on the Environment)、USGS (United States Geological Survey) 和LCCS (Land Cover Classification System)等。
选择适合研究区域的土地利用分类系统，并按照其分类标准对不同年份的遥感影像进行分类解译。
三、土地利用变化检测土地利用变化检测是指对不同年份的土地利用遥感影像进行对比，识别和定量化土地利用变化的过程。
常用的土地利用变化检测方法有像元级变化检测和对象级变化检测。
像元级变化检测是指通过比较两幅遥感影像的像元值差异来判断土地利用变化情况，例如NDVI (Normalized Difference Vegetation Index)、NDBI (Normalized Difference Built-up Index)等。
遥感技术在土地利用与覆盖变化研究中的应用
遥感技术在土地利用与覆盖变化研究中的应用遥感技术是指通过航空、航天器等传感器对地球表面进行观测和测量的技术。
它利用电磁波能量的特性，获取到的信息可以用于研究地球表面的各种现象和活动。
在土地利用与覆盖变化研究中，遥感技术发挥着重要的作用。
本文将探讨遥感技术在土地利用与覆盖变化研究中的应用，并讨论其优势和挑战。
遥感技术可以获取大范围、长时间、高分辨率的地表信息，这为土地利用与覆盖变化的研究提供了宝贵的数据。
首先，遥感技术可以快速获取土地利用与覆盖的空间分布信息。
通过遥感影像的解译与分析，可以获取到土地利用类型的边界信息，了解土地利用的类型和结构。
其次，遥感技术可以监测和分析土地利用与覆盖的变化过程。
通过对多期遥感影像的比对和分析，可以定量、定性地判断土地利用与覆盖的变化趋势，如城市扩张、农田数量的变化等。
再次，遥感技术可以提供土地利用与覆盖的空间模式和格局信息。
通过对遥感影像进行空间统计和分析，可以揭示土地利用与覆盖的空间关联、空间集聚等特征，为土地规划和环境保护提供科学依据。
遥感技术在土地利用与覆盖变化研究中具有许多优势。
首先，遥感技术的无接触性使其能够获取到全球范围内的土地利用与覆盖信息。
与传统的野外调查相比，遥感技术可以在短时间内覆盖大范围的区域，并提供较为准确的信息。
其次，遥感数据具有丰富的时间序列，可以追踪土地利用与覆盖的长期变化。
通过对不同时间段的遥感数据进行对比和分析，可以了解土地利用与覆盖的演变趋势和机制。
再次，遥感技术可以提供多种土地利用与覆盖指标，如生态系统服务价值评估、土地形态指数等。
这些指标可以帮助研究人员深入理解土地利用与覆盖变化的影响和意义。
此外，遥感技术具有高分辨率的特点，可以捕捉到土地利用与覆盖的细节信息，更好地研究土地利用的微观特征。
然而，遥感技术在土地利用与覆盖变化研究中仍然面临一些挑战。
首先，遥感数据的解译和处理需要专业的技术和方法。
不同的土地利用类型具有不同的光谱特征和空间分布，研究人员需要将这些特征转化为可用的信息。
土地利用动态变化信息提取的方法
土地利用动态变化信息提取的方法1.遥感影像选择与获取：选择合适的遥感影像数据集，如高分辨率的卫星影像或航空影像。
获取并预处理这些影像数据，包括数据格式转换、辐射校正、大气校正等。
2.影像预处理：对遥感影像进行预处理，包括边缘增强、图像平滑、噪声去除等。
这可以提高后续土地利用分类和变化检测的准确性。
3.土地利用分类：通过监督或非监督分类方法，将遥感影像分为不同的土地利用类别。
监督分类方法需要事先准备一些地面训练样本，用来训练分类器。
非监督分类方法则根据图像像元的统计特征进行自动分类。
4.土地利用变化检测：通过对不同时间的遥感影像进行对比，检测出土地利用的变化。
常用的变化检测方法包括基于像素的变化检测和基于对象的变化检测。
基于像素的变化检测是通过比较相邻时间的像素反射率或像素值的差异，来检测土地利用的变化。
基于对象的变化检测则是将影像分割为不同的地物对象，然后比较这些对象在不同时间的特征来检测变化。
5.变化信息提取：根据变化检测结果，提取土地利用动态变化的信息。
可以统计和分析土地利用变化的类型、数量、分布等信息，进一步研究土地利用的驱动力和影响因素。
6. 结果验证与精度评价：对提取的土地利用变化信息进行验证和精度评价。
可以与地面调查数据进行对比，或采用交叉验证的方法进行验证。
评价指标包括总体精确度、Kappa系数、用户精度、生产者精度等。
7.结果可视化和分析：将土地利用变化信息以图表、统计图等方式进行可视化展示，并进行进一步的空间分析和模型建立，以深入了解土地利用变化的规律和机制。
总之，土地利用动态变化信息的提取是一个复杂的过程，需要结合遥感影像处理技术和土地利用变化检测方法进行。
这一过程可以为土地管理、资源保护、城市规划等提供重要的参考和决策支持。
基于RS的荒漠化地区土地利用变化信息的提取
中图分类号 ： Ｐ ９ Ｔ ７
文献标识码 ： Ａ
文章编号 ：６ １ ８ ８ （０ ０ ０ — ０ ５ ０ １７ — ０９ ２ １ ）５ ０ １ － ４
一
、
前 言
突 出的是 ： ２０ 自 ０ ３年 ３ 月起 ， 该县结合 “ 东北黑 土 区水 土 乡镇 ， 选择 了 ２ ３条小 流域 中的部分浅 山 、 陵地块 ， 点 丘 重
ｎ ｅ ｏ ｂ ｎ ｅｔ ａｅ ．Ａｎ ｅｏ ｅ ｔ ｅ ｆ ｌ ｎ ｅ ｔ ａｉ ｎ，ｔ ｅ ｃ ｎ ｇ ｎ ｏ ｍａｉ ｎ ｏｆｔ ｉ ａｅ ｅ Ｏ ｂ ｘ ｒｃｅ ｈ ｏ ｇ ｅ ｄ ｔ ｅ ｉ ｖ ｓｉ ｔｄ ｇ ｄ ｂ ｆ ｒ ｈ ｅｄ ｉｖ ｓｉ ｔ ｉ ｇ ｏ ｈ ｈａ ｅ ｉｆ ｒ ｔ ｈ ｓ ｒ ａｎｅ ｄ ｔ ｅ ｅ ｔａ ｔ ｄ ｔ ｒ ｕ ｈ ｏ
Ｌ ａ ｉ ｇ ｐ ｏ ｉ ｃ ｓ Ｔｈ ｒ ａｈ ｓｔ ｏ ｏ ｆｍｅ ｓ ｒ ｓｔ ｏ ｔｏ ｅｅｔｆ ａｉ ｎ ｈｅｅｏ ｅ ｈ ａ ｓ ｆｔ ｉ ａ ｅ ｈａ ｅ ｉｏ Ｎ ｎ ｒ ｖ ｎ ｅ ． ｅ ａｅ ａ ｏ ｋ ａｌ ｔｏ ａｕ ｅ ｏ ｃ ｎ ｒ ｌｄ ｓｒｉ ｃ ｔｏ ，ｔ ｒ ｆｒ ，ｔ ｅ ｌ ｉ ｎｄ ｕ ｅ ｏ ｓ ｒ ａｃ ｎｇ ｓ ｈ
外业 实地土地利 用调查工作 的进行情况。 关键词 ： 荒漠化典型 区； 感 ； 遥 主成分差异法 ； 变化信 息提 取
Ａ ｂ ｔ ａ ｔ Ｚｈａ ｇ Ｗ ｕ Ｘｉ ｎ ｗｈ ｒ ｅ ｅ ｔ ｃ ｔ ｎ ｉ ｓ ｒ ｕ ｌ ｓ ｔ ｅ ｗｉ ｄ ｅ ｏｓ ｎ ａ ｄ ｄ ｓ ｒ ｉ ｃ ｔｏ ｙ ｉ ａ ｒ ａ ｉ ｏ ｔ ｆ ｓｒ ｃ ： ｎ ａ ｅ ｅ ｄ ｓ ｒｉ ａ ｉ ｓ ｅ ｉ ｓｙ ｉ ｈ ｎ ｒ ｉ ｎ ｅ ｅ ｔ ａ ｉ ｎ ｔ ｐ ｃ ｌａ ｅ ｎ ｎ ｒｈ ｏ ｉ ｆ ｏ ｏ ｏ ｉ ｆ
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。
基于遥感数据的土地利用与土地覆盖变化分析
基于遥感数据的土地利用与土地覆盖变化分析一、引言土地利用与土地覆盖是人类活动与自然环境相互作用的结果，对于环境保护、生态恢复、可持续发展等方面具有重要意义。
随着遥感技术的发展，遥感数据成为研究土地利用与土地覆盖变化的重要数据源。
本文旨在基于遥感数据对土地利用与土地覆盖变化进行分析，探讨其在环境研究和规划决策中的应用。
二、遥感数据在土地利用与土地覆盖分析中的应用1. 遥感技术概述遥感是指通过航空或卫星等远距离获取和记录目标信息的技术。
它具有获取大范围、高分辨率和多时相信息等优势，成为研究和监测土地利用与土地覆盖变化的重要手段。
2. 遥感数据类型常见的遥感数据类型包括光学影像、雷达影像和高光谱影像等。
光学影像适合于获取大范围且空间分辨率较高的信息；雷达影像则可在云层或夜晚进行观测；而高光谱影像则能提供更丰富的光谱信息。
3. 遥感数据处理方法遥感数据处理方法包括影像预处理、特征提取、分类与识别等。
影像预处理主要包括辐射校正、大气校正和几何校正等，以提高数据的质量和准确性。
特征提取则是通过计算和分析影像的各种特征参数，如纹理、形状和光谱等，以获取土地利用与土地覆盖信息。
三、土地利用与土地覆盖变化分析方法1. 土地利用分类土地利用分类是将遥感影像中的各种地物按照其功能或性质进行划分和分类。
常见的土地利用分类包括农田、林地、城市建设用地等。
通过遥感数据进行土地利用分类，可以快速获取大范围内不同类型的土地信息。
2. 土地覆盖变化检测通过对多时相遥感影像进行对比分析，可以检测出不同时期间土地覆盖变化情况。
常见的方法包括基于阈值法、基于纹理法和基于监督分类法等。
这些方法能够快速准确判断出不同时期间土地利用类型的变化情况，为土地规划和决策提供科学依据。
3. 土地利用变化原因分析土地利用与土地覆盖变化的原因复杂多样，包括人类活动、自然因素和调控等。
通过分析不同因素对土地利用与覆盖的影响程度，可以为合理规划和管理提供科学依据。
如何利用遥感影像进行土地覆盖变化监测
如何利用遥感影像进行土地覆盖变化监测遥感影像是指通过航空器、卫星等远距离获取地球表面信息的技术手段。
利用遥感影像进行土地覆盖变化监测可以帮助我们了解土地利用变化的趋势、规律和影响因素，为国土规划、资源管理和环境保护提供科学依据。
本文将从数据获取、影像处理和变化监测三个方面介绍如何利用遥感影像进行土地覆盖变化监测。
一、数据获取1. 多源数据融合利用多源遥感数据，如高分辨率遥感影像、合成孔径雷达影像等，可以提高土地覆盖变化监测的准确性和可靠性。
通过融合不同数据源的信息，可以在空间和时间上更全面地揭示土地覆盖变化的特征和演变规律。
2. 长时序数据应用获取长时间序列的遥感影像数据，可以捕捉土地覆盖变化的长期趋势和周期性波动。
例如利用历史卫星影像，结合今后的卫星观测数据，可以分析土地覆盖的演化过程，为未来的变化趋势做出预测和提供参考。
二、影像处理1. 影像预处理遥感影像预处理包括几何校正、辐射校正和大气矫正等过程。
准确的影像预处理可以消除图像的几何和辐射失真，提高数据的精度和一致性，为后续的土地覆盖变化监测提供准确的基础数据。
2. 特征提取与分类通过影像特征提取和分类算法，将遥感影像中的地物进行分类和标记，提取出不同地物类别的空间分布和数量信息。
常用的分类方法包括最大似然法、支持向量机和人工神经网络等。
特征提取和分类结果可以用来识别和分析土地覆盖的变化。
三、变化监测1. 时间序列分析基于时间序列的遥感影像，可以通过像元级的差异分析和变化向量分析等方法，定量地揭示土地覆盖变化的过程和幅度。
这种分析方法可以捕捉到不同土地类型和不同变化类型的变化规律，为土地利用规划和管理提供科学依据。
2. 空间统计分析利用空间统计方法，如空间交会分析和转移概率矩阵分析等，可以揭示土地覆盖变化的空间聚集特征和转移规律。
通过对变化象限和转移概率的计算，可以明确各种土地类型之间的关系和相互作用，为土地利用的优化配置和生态环境的保护提供决策依据。
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。
城市路网变化信息提取及其对土地利用的影响研究
㊀㊀第５０卷㊀第８期测㊀绘㊀学㊀报V o l．５０,N o．８㊀２０２１年８月A c t aG e o d a e t i c ae tC a r t o g r a p h i c aS i n i c a A u g u s t,２０２１引文格式:王帅．城市路网变化信息提取及其对土地利用的影响研究[J]．测绘学报,２０２１,５０(８):１１３６．D O I:１０．１１９４７/j．A G C S．２０２１．２０２００４１２．WA N GS h u a i．R e s e a r c ho nt h ec h a n g e i n f o r m a t i o ne x t r a c t i o no fu r b a nr o a dn e t w o r ka n di t s i m p a c to nl a n du s e[J]．A c t aG e o d a e t i c a e tC a r t o g r a p h i c aS i n i c a,２０２１,５０(８):１１３６．D O I:１０．１１９４７/j．A G C S．２０２１．２０２００４１２．城市路网变化信息提取及其对土地利用的影响研究王㊀帅武汉市测绘研究院,湖北武汉４３００２２R e s e a r c h o n t h ec h a n g e i n f o r m a t i o ne x t r a c t i o no f u r b a n r o a dn e t w o r ka n d i t s i m p a c t o n l a n du s eW A N GS h u a iW u h a nG e o m a t i c s I n s t i t u t e,W u h a n４３００２２,C h i n a㊀㊀城市路网作为一种特殊的土地覆盖类型,与土地利用相互作用.现代城市系统中道路变化越来越频繁,如何快速精确的对城市路网的变化信息进行提取不仅可以支撑路网基础测绘数据的更新需要,也可以为城市土地利用提供辅助支持.论文基于遥感和矢量数据进行道路网变化信息提取,分析城市路网结构和变化与土地利用的关联关系.主要研究内容如下:(１)利用深度学习技术对遥感影像道路网提取并对变化信息解译.在深度全卷积神经网络中,真实感受远小于理论上的感受野.这使得网络无法充分融入重要的全局上下文信息,降低了模型对场景的感知能力,削弱对场景中对象分类的一致性.另外,深度学习网络模型是利用池化层进行下采样,允许网络看到更大的上下文信息,但这造成了大量的高频细节信息的丢失.针对此问题,提出一种网络模型,称为C D G(c o o r dＧd e n s eＧg l o b a l)网络模型.模型分为３个部分:坐标卷积信息融合模块㊁改进的D e n s e N e t网络和全局注意力信息增强模块.试验结果表明:坐标卷积信息融合模块能够在道路提取中得到更加精确的空间特征信息,增强道路边界信息和细节信息.全局注意力信息增强模块可以通过扩大感受野来获得更多的上下文信息,强化高度判别特征的全局上下文信息,提高像素分类的一致性,保持道路的连续性.改进的D e n s e N e t网络采用密集连接结构可以对原始图像的多层级特征进行提取和累积转换,通过跳跃连接将上采样过程中记录的特征信息引入到下采样过程中增强特征生成,加强网络对细节道路的敏感程度,提高道路网提取精度.(２)利用目标匹配技术对矢量道路网变化信息识别并对信息提取.传统的 节点Ｇ弧段 道路网数据组织方式对线性要素的几何特征难以整体进行分析与操作,割裂了对整体道路对象的理解,缺乏对整体道路几何特征的度量.这种数据组织方式与人类对道路实体对象的理解不一致.面对这样的问题,提出的目标匹配算法以s t r o k e 作为匹配单元,在s t r o k e整体匹配中使用长度㊁角度和空间距离指标通过分配不同的权重和阈值来计算几何相似性,将几何特征与邻域空间的空间拓扑关系相结合,对评价方法进行改进后计算空间场景的结构相似性.在执行s t r o k e整体匹配步骤后,对于存在的不匹配情况设计了s t r o k e部分匹配算法.设计基于弧段分解(S P MAＧS)的s t r o k e部分匹配算法,最大限度地保留了原有的两组道路网数据.设计基于顶点分解(S P MAＧV)的s t r o k e部分匹配算法,可以解决独立线段间局部匹配中的问题(如生长㊁缩短㊁拓扑变化等).试验结果表明:算法的匹配精度㊁召回率和运行效率较好.(３)城市路网结构和变化与土地利用关联关系分析.城市路网与土地利用相互作用,城市土地利用可以根据其物理属性或社会功能进行区分.道路网络中心性指标能够很好的反应路网结构特点,以往关于路网中心性与土地利用强度之间关系的研究多依赖于土地覆被数据,忽视了城市土地利用的社会功能.利用兴趣点(P O I)分类数据不仅可以确定城市土地利用类型,而且可以确定城市土地利用强度.分析路网中心性与土地利用的关联关系,有助于城市土地利用规划和交通规划的实施.对深圳市６１个街区行政单元网格内两个阶段的路网增量变化和城市建设用地增量变化进行统计,分析了路网变化与土地利用的关联关系,结果表明路网变化对城市用地扩张影响明显.中图分类号:P２０８㊀㊀㊀㊀文献标识码:D文章编号:１００１Ｇ１５９５(２０２１)０８Ｇ１１３６Ｇ０１基金项目:湖北省博士后资助项目收稿日期:２０２０Ｇ０８Ｇ２７作者简介:王帅(１９８７ ),男,２０２０年６月毕业于武汉大学,获工学博士学位(指导老师:郭庆胜教授),研究方向为地理信息智能化处理与可视化.A u t h o r:W A N G S h u a i(１９８７ ),m a l e,r e c e i v e d h i s d o c t o r a l d e g r e e f r o m W u h a n U n i v e r s i t y,m a j o r s i n i n t e l l i g e n t p r o c e s s i n g a n dv i s u a l i z a t i o no f g e o g r a p h i c i n f o r m a t i o n．EＧm a i l:２０１０２８２０５０１９４＠w h u．e d u。
- 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)。
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.实验容市土地利用/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15 1/252003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。
主要工作流程如下（图4-2）：图4-2数据预处理主要技术流程具体方法如下：1）大气校正。
本文的大气纠正在PCI软件的ATCOR2模块中完成，以去除薄云和大气对影像光谱的影响，尤其是96年的图像，经过大气校正后，图像质量得到了很大提高。
2）几何纠正。
影像几何纠正就是将所研究影像纳入到一个地面坐标系中，方法是利用地面控制点对各种因素引起的遥感影像的几何畸变进行纠正，以便确定影像上每个像元在地面的坐标，其过程就是把目标由一个空间向另一个空间转换的过程。
3）边界裁剪。
对遥感影像进行上述处理后，利用所给的县行政边界矢量图边界对影像进行裁剪，分别得到1988年和1996年的TM图像以及2003年的SPOT和ETM研究区影像。
4）图像增强。
本文采用最佳指数因子分析方法对3幅多光谱影像三波段组合方案进行评价最后得出最佳波段组合。
最佳指数因子的计算公式为：（2-1）式中，为i波段图像的亮度标准差，其值越大，说明数据的离散度越大，所包含的信息量越大，可分离性越高；为三波段中任意两波段之间的相关系数，其值越小，表明图像数据独立性越高，信息的冗余度越小。
OIF越大，组合图像的信息量越大，组合方案越佳。
利用最佳指数因子分析方法计算1988、1996、2003年三幅多光谱影像的三波段组合值如下表（表4-3）：表4-3影像最佳波段组合信息含量表影像OIF组合方案42143253254375274375488年TM26.33829.18225.52133.60527.79333.98333.91096年TM32.15434.86416.84536.02516.08936.16325.59803年ETM16.24019.48321.12123.24020.88022.59220.427从上表中可得知，1988年和1996年两幅TM影像的743组合值都是最大的，2003年的ETM543组合值最大，743次之，整个市的土地利用格局以耕地和林地等农用地为主，整个地区有较高的植被覆盖，而743组合更接近植被的真彩色，有利于植被的分类，所以三幅影像都采用743组合方案参与分类。
5土地利用/土地覆被分类5.1监督分类法此法的关键在于训练区的选择。
训练区的选取应与分类地区的特点和分类系统相适应。
对训练区的统计特征应进行详细的分析，以选择最有效的参数变量(谱段)参与后续的分类。
此外，应对训练区特征指标的外延性进行评估（英时，2003）。
监督分类法中具体方法包括最小距离分类法、多级切割分类法、特征曲线窗口法和最大似然分类法，其中最大似然分类法用的最多。
最大似然分类法（maximum likelihood classifier）在多类别分类时，常常采用统计学方法建立起一个判别函数集，然后根据这个判别函数集计算各待分像元的归属概率。
这里，归属概率是指：对于待分像元x，它从属于分类类别的（后验）概率。
设从类别中观测到的条件概率为，则归属概率可表示为如下形式的判别函数：（3-1）式中，为待分像元，为类别的先验概率，它可以通过训练区来决定。
此外，由于上式中分母和类别无关，在类别间比较的时候可以忽略。
1)训练样区的选取与纯化本文中采用的方法为试分类混淆矩阵分析法和J-M距离法来对所选取的训练样本纯度进行评价，通过对所得混淆矩阵进行分析，即可得到训练样本占原来各类个体总数的百分比，以确定其分类的正确率，从而也检验了训练的纯度。
在ENVI 4.2中对纯化前和纯化后的训练样本区进行了分类，并以训练样本自身对分类结果进行精度检验，得到混淆矩阵。
纯化前训练样本的训练区分类混淆矩阵显示：Overall Accuracy = 92.0142%，Kappa Coefficient = 0.9165。
对训练样本进行纯化后，训练样本的训练区分类混淆矩阵显示：Overall Accuracy = 96.3045%，Kappa Coefficient = 0.9500。
在ENVI 4.2中未纯化前和纯化后的训练样本区进行统计其J-M距离，结果显示：纯化前训练样本的J-M 距离，最小的是园地和林地之间的J-M距离，只有1.3208。
另外园地和耕地之间、居民点及工矿用地和未利用地之间的J-M距离也比较小，但均大于1.5。
经纯化以后，只有园地和林地之间的J-M距离仍然小于1.5。
其他均在1.8以上。
训练样本之间的可分性明显增大。
2)分类精度及结果分析在对影像做了图像预处理后，根据影像的光谱特征，选择适当的训练样区，将土地利用分为若干不同的类别。
结合研究区的实际情况，根据目视判读选择训练样本，采用最大似然分类法(Maximum Likelihood Classification, MLC)，将市2003年的土地利用分为5类，即耕地、园地、林地、居民点及工矿用地、水域。
（a）1988年（b）1996年（c）2003年图5-1市最大似然法土地利用/土地覆被分类图利用上面确定的方法和已有的样本数据对研究区分类后图像进行精度估计，得到最终最大似然法的误差矩阵和各项统计指标（以2003年为例）。
表5-1最大似然法分类精度矩阵类别未分类耕地园地林地居民点及工矿用地水体未利用地总计未分类00000000耕地0658000073园地0314*******林地1119400097居民点及工矿用地0002140016水体0000010010未利用地0004801224合计16923119221012256表5-2最大似然法分类精度评价（％）类别参考总计分类总计正确分类数生产精度用户精度未分类100------耕地69736594.20%89.04%园地23361460.87%38.89%林地119979478.99%96.91%居民点及工矿用地22161463.64%87.50%水体101010100.00%100.00%未利用地122412100.00%50.00%合计256256209总精度＝209/256＝81.64％表5-1和5-2显示了在最大似然分类中，园地和未利用地的分类精度比较低，分别为：38.89%和50.00%，这是因为园地、耕地、林地之间和未利用地和居民点及工矿用地之间的光谱特征很多比较相似（图5-2），从而导致误判。
尤其是林地和园地错分现象比较多，36个园地样点中，有19个被误分为林地，3个被误分为耕地。
5.2决策树分类1）典型地物光谱分析为了获取研究区各种地物类型光谱特征知识，对研究区典型地物类型进行采样并加以统计，统计结果见表5-3（以03年为例）。
其中03年耕地按耕地l(主要为水田)和耕地2(主要为旱地)两类采样，水体分为水体1(河流)和水体2(水库和坑塘水面)两类采样。
88年图像上由于存在大量山体阴影，因此阴影也列为单独一类进行采样。
表5-3 03年典型地物样本亮度值统计表地物波段耕地耕地2园地林地居民点及工矿用地水体1水体2未利用地B1最小值 4.0014.008.000.009.000.00 5.00 1.00最大值40.0041.0029.0024.0090.0047.0035.00101.00均值21.0624.2215.767.5628.7531.2514.2536.07均方差 4.03 3.58 2.88 2.85 5.93 4.29 4.499.45B2最小值10.0021.0013.000.0016.000.009.008.00最大值59.0062.0047.0032.00101.0079.0055.00118.00均值35.8735.5724.2115.2938.3548.3819.8757.00均方差 5.54 4.68 4.06 3.527.388.287.7112.52B3最小值10.0018.0011.000.0018.000.00 6.0013.00最大值76.0067.0057.0032.00117.0081.0063.00138.00均值35.2838.3623.3813.5245.3146.6415.3772.54均方差 6.67 6.13 5.79 3.569.199.437.9918.70B4最小值25.0019.0022.000.0017.000.000.0017.00最大值109.0090.0072.0067.0082.0065.0063.0095.00均值71.2042.1246.4341.8836.7813.18 5.4064.83均方差10.288.47 6.089.527.708.43 5.7510.54B5最小值30.0011.0020.000.0024.000.00 4.0026.00最大值117.00110.00102.0092.00172.0099.0095.00167.00均值75.4347.5860.5047.7567.1814.4310.41106.08均方差9.2617.839.7711.6212.1111.347.2118.14B7最小值16.007.0012.000.0019.000.00 1.0023.00最大值97.0089.0080.0059.00163.0075.0068.00155.00均值47.2431.0135.7424.5160.7110.597.5286.17均方差9.4613.238.597.1311.648.38 5.2616.75通过03年典型地物样本亮度值统计可以得到03年典型地物样本波谱响应曲线：图5-203年典型地物样本波谱响应曲线2）决策树的构建对于03年图像：由于水体和阴影的低反射率，尤其是在长波部分更明显。