基于LandSet8数据的决策树分类
遥感图像处理-实用技术
✓ 大气在热红外波段的透过率τ：0.90 ✓ 大气向上辐射亮度L↑：0.75 W/(m2·sr·μm) ✓ 大气向下辐射亮辐射亮度L↓：1.29W/(m2·sr·μm)
比辐射率( Emissivity)
大气透射率
亮度温度 （Brightness Temperature）
也称发射率，物体的辐射出射度与同温度黑体辐射 出射度的比值。如果物体指的是地表，称为地表比 辐射率。 通过大气(或某气层)后的辐射强度与入射前辐射强度 之比。
当一个物体的辐射亮度与某一黑体的辐射亮度相等 时，该黑体的物理温度就被称之为该物体的“亮度 温度”，所以亮度温度具有温度的量纲，但是不具 有温度的物理含义，它是一个物体辐射亮度的代表 ห้องสมุดไป่ตู้词。
✓ 基于纹理：包含船只的像素能在“均匀背景”下聚集，这就是预 期的“纹理”结果。这种方法比较常用，精度也较高。
✓ 基于2纬散点图：在2纬散点图上手动选择船只像元区域，这种方 法适合分析小范围区域，对于大范围区域效果不高。
4.2 船只提取
/SPEAR/SPEAR Watercraft Finder
1. 温度反演常见方法
目前，地表温度反演算法主要有以下三种
✓ 大气校正法（也称为辐射传输方程：Radiative Transfer Equation——RTE）
✓ 单通道算法 ✓ 分裂窗算法
本实例是基于大气校正法，利用Landsat8 TIRS反演地表 温度。
✓ 基本原理：首先估计大气对地表热辐射的影响, 然后把这部分大 气影响从卫星传感器所观测到的热辐射总量中减去, 从而得到地 表热辐射强度, 再把这一热辐射强度转化为相应的地表温度。
LANDSAT影像多种分类方法比较研究
landsat8的evi计算公式中的参数
landsat8的evi计算公式中的参数
Landsat 8是美国国家航空航天局（NASA）与美国地质调查局（USGS）联合推出的一颗地球观测卫星。
EVl（Enhanced Vegetation Index）即增强型植被指数，是通过Landsat 8的卫星数据来评估植被的生长状况和健康程度的一种指标。
EVl通过反映红外光和可见光之间的比值，可以反映土地表面的植被状况。
具体的计算公式如下：
EVl = 2.5 * (NIR - Red) / (NIR + 6 * Red - 7.5 * Blue + 1)
其中，NIR代表Near-Infrared波段的像素值，Red代表Red波段的像素值，Blue代表Blue波段的像素值。
在计算EVl时，波段的选择很重要。
由于Landsat 8搭载了多种波段传感器，可以选择不同的波段组合来计算EVl。
一种常见的组合是选择NIR、Red和Blue波段，这些波段对植被监测具有较好的效果。
EVl的计算公式中的参数是根据对植被光谱特性的研究和分析得出的，经过大量实验和验证。
这些参数的选择使得计算得出的EVl值能够较准确地反映植被的生长情况和植被指数。
通过计算EVl可以获得植被指数图像，进而进行植被的监测和分析，包括植被覆盖度、生长状况、植被类型等。
这对于农业、林业、环境保护等领域的研究和管理具有重要意义。
综上所述，Landsat 8的EVl计算公式中的参数是通过对植被光
谱特性的研究得出的，通过计算可以得到植被指数图像，来评估植被的生长状况和健康程度。
基于Landsat数据的河流流域植被覆盖率变化分析——以杭埠-丰乐河流域为例
规则定义，加以数学统计和归纳等进行分类，典型算法如 CART、C4.5算法等。
（3）像元二分法模型是基于像元线性分解模型的一 种计算植被覆盖度的方法，是通过纯裸地像元光谱信息 Ssoil、纯植被像元光谱信息Sveg和卫星传感器获取的地表光 谱信息S来估算植被覆盖度VFC，即
VFC=(S-Ssoil)/(Sveg-Ssoil) 由于NDVI是由地物光谱信息推算而来，所以李苗苗 等改进了像元二分法模型，以NDVI代替了地物光谱信息 S，即 VFC=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil) 3.2.2 预处理过程 首先要对影像进行辐射定标，将影 像数据的灰度值转换为实际的辐射亮度值等物理量；利 用流域矢量文件对较大宽幅影像进行裁剪；最后为消除 大气吸收与散射等因素影响，需进行大气校正。经过预 处理的影像如图4所示。
表 1 Landsat 影像信息
序号 卫星 传感器 条带号 行编号 成像时间 云量
1 Lan2018-04-10 0.03
2 Landsat8 OLI
121
38 2013-05-14 0.03
3 Landsat5 TM
121
38 2004-05-05 0
3.2 研究方法 3.2.1 研究思路 利用遥感影像处理软件对Landsat影像 进行包括辐射定标、图像裁剪、大气校正在内的预处理， 选取归一化植被指数为参数，利用基于专家知识的决策 树分类制作掩膜文件，采用像元二分法模型对研究区植 被覆盖状况进行反演估算，并分析时空分布特征，提取变 化信息，进行结果分析和原因探讨。具体研究步骤如图3 所示。
-BOETBU
度、较高植被覆盖度区域面积有所增加，高植被覆盖度区域面积有所降低并逐步处于稳定水平。
应用ENVI软件目视解译TM影像土地利用分类
应用ENVI软件目视解译TM影像土地利用分类一、本文概述随着遥感技术的不断发展，高分辨率卫星影像的获取与处理已经成为土地利用/覆盖分类研究的重要手段。
其中，TM（Thematic Mapper）影像，作为一种经典的中分辨率遥感数据源，具有广泛的应用前景。
然而，如何有效地从TM影像中提取土地利用信息，尤其是通过目视解译的方法，一直是遥感应用领域的研究热点。
本文旨在探讨利用ENVI软件对TM影像进行目视解译的方法，并对土地利用分类的过程进行详细阐述。
文章首先介绍了TM影像的特点及其在土地利用分类中的适用性，然后重点阐述了ENVI软件在目视解译过程中的优势和应用流程。
通过实例分析，本文展示了如何利用ENVI软件对TM影像进行预处理、特征提取、分类决策以及后处理，从而实现高精度的土地利用分类。
本文的研究不仅有助于提升TM影像在土地利用分类中的应用效果，同时也为其他遥感影像的目视解译提供了有益的参考。
通过本文的阐述，读者可以更好地理解ENVI软件在遥感影像处理中的重要作用，掌握土地利用分类的基本方法和技巧，为相关领域的实践和研究提供有力支持。
二、理论基础与技术方法土地利用分类是对地球表面土地利用类型进行划分和识别的过程，它是地理信息系统（GIS）和遥感（RS）技术的重要应用领域。
TM（Thematic Mapper）影像是由美国陆地卫星（Landsat）提供的多波段扫描影像，因其具有较高的空间分辨率和丰富的光谱信息，在土地利用分类中被广泛应用。
目视解译是一种基于专家知识和经验的影像解译方法，它通过人工观察和分析影像的纹理、色彩、形状等特征，结合地物的光谱特性，实现对地物类型的识别。
目视解译在土地利用分类中具有直观、准确和灵活等优点，尤其在处理复杂地物类型和细节信息时表现出色。
在ENVI软件中，目视解译可以充分利用其强大的图像处理和分析功能，如波段组合、色彩增强、空间滤波等，提高解译的精度和效率。
同时，ENVI软件还提供了丰富的地物分类工具和模型，如监督分类、非监督分类等，可以辅助用户进行自动化的土地利用分类。
基于纹理信息的Landsat-8影像植被分类初探
基于纹理信息的Landsat-8影像植被分类初探宁亮亮;张晓丽【摘要】Vegetation classification by remote sensing images has been as the hotspot in the field of remote sensing, for the low resolution images, the traditional classiifcation method mainly used spectral information of image, the images of the spatial information were used less, but the facts have proved that spatial information of remote sensing image is also very rich. In order to improve the utilization of spatial information of remote sensing image, the latest Landsat-8 spatial texture information were extracted, by combining with the spatial information and spectral information of remote sensing image texture information, the vegetation the classification in remote sensing image was carried out. The experimental results veriifed that with the texture information classiifcation, the overall accuracy were 84.68% and 83.87%, with the spectral information classification the overall accuracy was 82.26%, the classification accuracy after combining the spatial texture information was more obvious enhancement than that of traditional method.%遥感图像植被分类一直为遥感领域的热点，对于中低分辨率的影像，传统的分类方法主要是利用影像的光谱信息，对于影像的空间信息利用较少，而事实证明遥感影像的空间信息也十分丰富。
基于Landsat8数据和监督分类方法的土地利用分类研究
基于Landsat8数据和监督分类方法的土地利用分类研究1. 引言1.1 研究背景和意义：基于Landsat8数据和监督分类方法的土地利用分类研究土地利用分类研究是地学领域中一个重要的研究方向，对于探究土地资源的利用状况、监测土地利用变化、保护生态环境等具有重要意义。
而基于Landsat8数据和监督分类方法的土地利用分类研究，是利用高分辨率遥感影像数据和地学信息技术相结合的一种研究手段。
Landsat8作为全球最具代表性的遥感卫星之一，具有较高的空间分辨率和频率，能够提供丰富的地学信息。
监督分类方法是一种基于地物光谱特征进行分类的遥感信息提取方法，可以有效地实现土地利用类型的识别和分类。
通过对Landsat8数据和监督分类方法的结合应用，可以实现对土地利用类型的准确识别和监测，为土地资源管理和规划提供科学依据。
开展基于Landsat8数据和监督分类方法的土地利用分类研究具有重要的实践意义和科学价值。
1.2 研究目的：基于Landsat8数据和监督分类方法的土地利用分类研究2. 探讨监督分类方法在土地利用分类中的应用效果及优势。
3. 研究不同土地利用类型的特征，找出其影响因素和区别。
4. 分析土地利用分类结果，为土地资源管理和规划提供科学依据。
通过本研究，旨在为土地资源管理、环境保护以及城乡规划等领域提供可靠的土地利用分类信息，为相关决策提供科学支持。
本研究也旨在进一步完善遥感影像处理和监督分类方法在土地利用研究中的应用，推动土地资源利用的可持续发展。
1.3 研究方法：基于Landsat8数据和监督分类方法的土地利用分类研究研究方法部分是本文的重点之一，本文将采用基于Landsat8数据和监督分类方法的土地利用分类研究。
我们将通过USGS网站获取Landsat8影像数据，选择适当的时间和地点进行研究。
接着，我们将对获取的数据进行预处理，包括云层去除、辐射校正、大气校正等步骤，以确保数据的质量和准确性。
基于Landsat8 OLI数据提取石河子市建筑用地的一个新方法
基于Landsat8 OLI数据提取石河子市建筑用地的一个新方法随着经济的发展和人口的增加，城市建设用地的需求越来越大。
建筑用地的合理规划和管理对城市的可持续发展至关重要。
而高分辨率的遥感影像数据能够提供城市建设用地信息的快速获取和更新，因此成为研究城市建设用地的重要途径之一。
一、数据获取和预处理我们需要获取石河子市的Landsat8 OLI影像数据。
Landsat8 OLI卫星数据具有30米的空间分辨率和11个波段的遥感信息，覆盖了从可见光到红外波段的大量数据。
在获取影像数据后，需要进行预处理，包括影像镶嵌、辐射定标、大气校正和几何定位等，确保数据的质量和一致性。
二、建筑用地提取方法1. 影像分类基于Landsat8 OLI数据进行影像分类是提取建筑用地的关键步骤。
传统的分类方法包括最大似然法、支持向量机和随机森林等。
这些方法都可以通过对遥感影像数据进行训练和分类来提取建筑用地信息。
最近兴起的深度学习方法，如卷积神经网络（CNN）、循环神经网络（RNN）等，也被证明在遥感影像分类中具有很高的效果。
2. 特征提取和融合在进行影像分类的需要对建筑用地的特征进行提取和融合。
建筑用地在Landsat8 OLI 影像中通常表现为高度亮度和纹理细密的区域。
利用光谱特征、空间结构特征和纹理特征等，可以更加准确地提取建筑用地信息。
3. 高精度验证完成建筑用地的提取后，需要进行高精度验证和精度评价。
传统的验证方法包括人工验证和实地调查，然而这些方法费时费力，而且难以覆盖整个研究区域。
近年来，利用高分辨率遥感影像数据和地理信息系统（GIS）技术，结合空间统计分析和精度评价方法，可以更加全面地评估建筑用地提取的准确性和可信度。
三、结果分析和应用通过以上方法，我们可以提取出石河子市的建筑用地信息。
进一步对建筑用地信息进行空间分布和变化分析，可以为城市规划和管理提供重要的决策支持。
通过对建筑用地的分布、密度和规模进行分析，可以了解城市建设用地的发展趋势和需求状况，为城市规划和土地利用优化提供科学依据。
landsat 土地利用分类
Landsat 土地利用分类是将地球表面的土地按照其自然特征、用途和人类活动方式进行分类的一种方法。
具体的分类包括：
1. 农用地：包括种植农作物（如麦地、稻田等）的耕地，以及种植果木、蔬菜、花草等作物的园地。
2. 林地：主要指种植乔木、灌木和竹类的土地。
3. 水域：包括河流、湖泊、水库、池塘等天然水体和人工水体。
4. 建筑用地：主要指城镇、村庄、工矿、交通等建设的土地。
5. 未利用地：主要包括空闲地、裸地等。
Landsat 数据还可以用来分析各种类型的土地利用变化，如城市化进程中耕地的减少，林地的减少，建设用地的增加等。
这种变化的分析有助于理解人类活动对地球表面环境的影响，并制定相应的土地利用政策。
一种基于Landsat8遥感数据快速提取水体信息的新方法
一种基于Landsat8遥感数据快速提取水体信息的新方法倪衡;刘晓颖【摘要】日益增多的不合理的围填海活动对海岸带环境造成了不可逆转的破坏.随着Landsat8的成功发射,我们需要一种针对海岸带附近的用海活动进行及时有效的监测的方法.根据围填海活动由海向陆硬化过程不同阶段代表地物的光谱特性,在如今大规模使用Landsat8遥感数据的条件下,根据其波段特性,提出新的水体指数NWI8对光谱进行处理并比较其区分水体、滩涂和人工填海地物的能力.结果发现,基于Landsat8特性提出的新型水体指数可以充分满足区分由海向路硬化过程的不同阶段的需求,高效的完成快速监测用海活动的任务.【期刊名称】《科技资讯》【年(卷),期】2015(013)019【总页数】3页(P7-9)【关键词】水体指数;地物光谱;遥感;Landsat8【作者】倪衡;刘晓颖【作者单位】天津师范大学城市与环境科学学院天津300387;天津师范大学城市与环境科学学院天津300387【正文语种】中文【中图分类】TP79在土地资源越发紧张的情况下,易开发的滨海地区成为了时下热门的新型开活动场所。
滨海地区的海岸带资源是我国重要的自然资源,不合理的违法开发利用会对滨海地区的生态环境造成不可逆转的破坏。
因此,为了保护海岸带生态系统的平衡,促进海岸带自然资源的合理高效利用,实现海洋资源的可持续发展,海洋管理部门就有必要准确、及时、高效地监视监测海岸带开发利用活动。
而海岸带开发利用活动以围填海为主,围填海的过程也是由海向陆的硬化过程。
对此,为了提取水体信息而创建的水体指数可以有效的反映这一硬化过程。
目前常见的水体指数有: NDWI、MNDWI、EWI和NWI。
在Landsat8遥感数据开始广泛应用的今天,该文基于其数据新的特性创建了New Water Index 8(NWI8),并针对由海向陆硬化过程不同阶段提出不同参考指标。
1.1 Landsat 8波段特性2013年2月新一代的陆地资源卫星Landsat8成功发射并在随后开始向地面传输数据。
基于Landsat 8数据反演地表发射率的几种不同算法对比分析
收稿日期：２０１８－０７－０８ 责任编辑：李克永基金项目：国家自然科学基金（４１４７１４５２）；中央高校基本科研业务资助项目（３００１０２２６９２０１，３００１０２２９９２０６）通信作者：王丽霞（１９７９－），女，山西大同人，博士，副教授，Ｅ ｍａｉｌ：ｚｙｌｘｗａｎｇ＠ｃｈｄ．ｅｄｕ．ｃｎ第３９卷 第２期２０１９年３月西安科技大学学报ＪＯＵＲＮＡＬＯＦＸＩ’ＡＮＵＮＩＶＥＲＳＩＴＹＯＦＳＣＩＥＮＣＥＡＮＤＴＥＣＨＮＯＬＯＧＹＶｏｌ．３９ Ｎｏ ２Ｍａｒ ２０１９基于Ｌａｎｄｓａｔ８数据反演地表发射率的几种不同算法对比分析王丽霞１，２，孙津花３，刘 招４，张双成１，杨 耘１（１．长安大学地质工程与测绘学院，陕西西安７１００５４；２．国土资源部退化及未利用土地整治工程重点实验室，陕西西安７１００７５；３．长安大学地球科学与资源学院，陕西西安７１００５４；４．长安大学环境科学与工程学院，陕西西安７１００５４）摘 要：为了分析研究不同地表发射率反演算法的精度和适用性，文中选取西安市的遥感影像Ｌａｎｄｓａｔ８为基础数据，运用ＥＮＶＩ，ＡｒｃＧＩＳ等软件，首先对Ｌａｎｄｓａｔ８数据进行预处理，提取西安市的ＮＤＶＩ影像；然后，建立决策树模型得到西安市地表分类影像，并基于像元二分模型反演得到植被覆盖度，基于ＮＤＶＩ得到４种不同算法的地表发射率；最后，以精度０．０１的ＭＯＤＩＳＬＳＥ产品为标准数据，从像元尺度上对比分析了４种算法的精度，并依据回归决策树方法的分类结果，对比分析了不同算法在各类地表覆盖类型上的发射率反演差异。
结果表明：在像元尺度上，植被指数混合模型法与ＮＤＶＩＴＥＭ改进算法精度较高且较为接近；从不同下垫面的反演差异来看，在植被区域４种算法之间的差异较小，而对于水体区域，４种算法之间的差异较大；从反演方法的适用性而言，植被指数混合模型法与ＮＤＶＩＴＥＭ改进算法较为适合本研究区。
关键词：地表发射率；遥感反演；归一化植被指数；Ｌａｎｄｓａｔ８数据中图分类号：Ｐ２３７ 文献标志码：ＡＤＯＩ：１０．１３８００／ｊ．ｃｎｋｉ．ｘａｋｊｄｘｘｂ．２０１９．０２２０ 文章编号：１６７２－９３１５（２０１９）０２－０３２７－０７ＣｏｍｐａｒｉｓｏｎｏｆｓｅｖｅｒａｌｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓｔｏｒｅｔｒｉｅｖｅｌａｎｄｓｕｒｆａｃｅｅｍｉｓｓｉｖｉｔｙｕｓｉｎｇＬａｎｄｓａｔ８ｄａｔａＷＡＮＧＬｉ ｘｉａ１，２，ＳＵＮＪｉｎ ｈｕａ３，ＬＩＵＺｈａｏ４，ＺＨＡＮＧＳｈｕａｎｇ ｃｈｅｎｇ１，ＹＡＮＧＹｕｎ１（１．ＳｃｈｏｏｌｏｆＧｅｏｌｏｇｙＥｎｇｉｎｅｅｒｉｎｇａｎｄＳｕｒｖｅｙｉｎｇ，Ｃｈａｎｇ’ａｎＵｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ７１００５４，Ｃｈｉｎａ；２．ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＤｅｇｒａｄｅｄａｎｄＵｎｕｓｅｄＬａｎｄＣｏｎｓｏｌｉｄａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＴｈｅＭｉｎｉｓｔｒｙｏｆＬａｎｄａｎｄＲｅｓｏｕｒｃｅ，Ｘｉ’ａｎ７１００７５，Ｃｈｉｎａ；３．ＳｃｈｏｏｌｏｆＥａｒｔｈＳｃｉｅｎｃｅａｎｄＲｅｓｏｕｒｃｅｓ，Ｃｈａｎｇ’ａｎＵｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ７１００５４，Ｃｈｉｎａ；４．ＳｃｈｏｏｌｏｆＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，Ｃｈａｎｇ’ａｎＵｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ７１００５４，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏａｎａｌｙｚｅｔｈｅａｃｃｕｒａｃｙａｎｄａｐｐｌｉｃａｂｉｌｉｔｙｏｆｄｉｆｆｅｒｅｎｔｓｕｒｆａｃｅｅｍｉｓｓｉｖｉｔｙｉｎｖｅｒｓｉｏｎａｌ ｇｏｒｉｔｈｍｓ，ｔｈｅＬａｎｄｓａｔ８ｄａｔａｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｒｙｉｎＸｉ’ａｎｗａｓｓｅｌｅｃｔｅｄ，ａｎｄｓｏｆｔｗａｒｅｓｕｃｈａｓＥＮ ＶＩａｎｄＡｒｃＧＩＳｗａｓｕｓｅｄ．Ｆｉｒｓｔ，ｔｈｅＬａｎｄｓａｔ８ｄａｔａｉｓｐｒｅｐｒｏｃｅｓｓｅｄｔｏｅｘｔｒａｃｔＮＤＶＩｉｍａｇｅｓｆｒｏｍＸｉ’ａｎ．Ｔｈｅｎ，ｔｈｅｄｅｃｉｓｉｏｎｔｒｅｅｍｏｄｅｌｉｓｅｓｔａｂｌｉｓｈｅｄｔｏｏｂｔａｉｎｔｈｅｓｕｒｆａｃｅｃｌａｓｓｉｆｉｃａｔｉｏｎｉｍａｇｅｏｆｔｈｅｃｉｔｙ，ｔｈｅｖｅｇ ｅｔａｔｉｏｎｃｏｖｅｒａｇｅｉｓｏｂｔａｉｎｅｄｂａｓｅｄｏｎｔｈｅｉｎｖｅｒｓｉｏｎｏｆｔｈｅｐｉｘｅｌｂｉｎａｒｙｍｏｄｅｌ，ａｎｄｔｈｅｓｕｒｆａｃｅｅｍｉｓｓｉｖｉｔｙｏｆｆｏｕｒｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓｉｓｏｂｔａｉｎｅｄｂａｓｅｄｏｎＮＤＶＩ．Ｆｉｎａｌｌｙ，ｗｉｔｈｔｈｅａｃｃｕｒａｃｙｏｆ０．０１ＭＯＤＩＳＬＳＥｐｒｏｄｕｃｔｓａｓｔｈｅｓｔａｎｄａｒｄｄａｔａ，ｔｈｅａｃｃｕｒａｃｙｏｆｔｈｅｆｏｕｒａｌｇｏｒｉｔｈｍｓｉｓｃｏｍｐａｒｅｄａｎｄａｎａｌｙｚｅｄｆｒｏｍｔｈｅｐｉｘ ｅｌｓｃａｌｅ，ａｎｄｂａｓｅｄｏｎｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆｔｈｅｒｅｇｒｅｓｓｉｏｎｄｅｃｉｓｉｏｎｔｒｅｅｍｅｔｈｏｄ，ｔｈｅｄｉｆｆｅｒｅｎｃｅｓｏｆｅｍｉｓｓｉｖｉｔｙｉｎｖｅｒｓｉｏｎｏｆｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓｏｎｄｉｆｆｅｒｅｎｔｔｙｐｅｓｏｆｓｕｒｆａｃｅｃｏｖｅｒａｇｅａｒｅｃｏｍｐａｒｅｄａｎｄａｎａ©博看网 . All Rights Reserved.ｌｙｚｅｄ．ＴｈｅｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔｔｈｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘｈｙｂｒｉｄｍｏｄｅｌｍｅｔｈｏｄａｎｄｔｈｅＮＤＶＩＴＥＭｉｍｐｒｏｖｅｄａｌ ｇｏｒｉｔｈｍａｒｅｍｏｒｅａｃｃｕｒａｔｅａｎｄｃｌｏｓｅｔｏｅａｃｈｏｔｈｅｒｏｎｔｈｅｐｉｘｅｌｓｃａｌｅ．Ｆｒｏｍｔｈｅｉｎｖｅｒｓｉｏｎｄｉｆｆｅｒｅｎｃｅｏｆｄｉｆ ｆｅｒｅｎｔｕｎｄｅｒｌｙｉｎｇｓｕｒｆａｃｅｓ，ｔｈｅｄｉｆｆｅｒｅｎｃｅｂｅｔｗｅｅｎｔｈｅｆｏｕｒａｌｇｏｒｉｔｈｍｓｉｎｔｈｅｖｅｇｅｔａｔｉｏｎｒｅｇｉｏｎｉｓｓｍａｌｌ．Ｆｏｒｔｈｅｗａｔｅｒｂｏｄｙｒｅｇｉｏｎ，ｔｈｅｄｉｆｆｅｒｅｎｃｅｂｅｔｗｅｅｎｔｈｅｆｏｕｒａｌｇｏｒｉｔｈｍｓｉｓｇｒｅａｔ；ｆｒｏｍｔｈｅａｐｐｌｉｃａｂｉｌｉｔｙｏｆｔｈｅｉｎｖｅｒｓｉｏｎｍｅｔｈｏｄ，ｔｈｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘｈｙｂｒｉｄｍｏｄｅｌｍｅｔｈｏｄａｎｄｔｈｅＮＤＶＩＴＥＭｉｍｐｒｏｖｅｄａｌｇｏｒｉｔｈｍａｒｅｍｏｒｅｓｕｉｔａｂｌｅｆｏｒｔｈｅｓｔｕｄｙａｒｅａ．Ｋｅｙｗｏｒｄｓ：ｓｕｒｆａｃｅｅｍｉｓｓｉｖｉｔｙ；ｒｅｍｏｔｅｓｅｎｓｉｎｇｉｎｖｅｒｓｉｏｎ；ｎｏｒｍａｌｉｚｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ；Ｌａｎｄｓａｔ８ｄａｔａ０ 引 言地表发射率是遥感数据获取陆面温度中的一个关键参数，它与地表组成成分、地表粗糙度、含水量等因素有关，普遍应用于辐射传输过程和地气系统的能量平衡［１］。
基于Landsat-8数据对甘肃省金塔县主要农作物分类
基于Landsat-8数据对甘肃省金塔县主要农作物分类石莹;穆岑;田艳君;黄月如;郭润潇;孙晓雪【期刊名称】《测绘与空间地理信息》【年(卷),期】2022(45)2【摘要】近年来,随着经济社会发展和人类活动加剧,水资源短缺、生态环境恶化、自然灾害频发等问题对于农作物的生长具有较大影响,因此准确地提取农作物显得尤为重要。
本文基于2016年Landsat-8 OLI全生育期的时序遥感影像数据,融合金塔县农作物的物候特征和地表纹理特性,提取主要农作物小麦、玉米、棉花和甜菜的时间序列NDVI曲线,探讨其时序变化特征,构建决策树分类规则,形成多维度分层次的提取方法,将其应用在2015年农作物种植结构提取中,并结合研究区2015年的Global Land Cover和统计年鉴数据对提取结果进行验证。
结果表明:1)该方法可以较为准确地捕获农作物分布信息,总体精度达94.56%,Kappa系数为0.904 5,提取精度较高;2)研究区的农作物基本覆盖整个研究区域,其播种面积依次为甜菜5 540 hm^(2)、玉米4 000 hm^(2)、小麦2 270 hm^(2)、棉花300 hm^(2)。
时序植被指数变化特征可以较为准确地捕获农作物信息,为精细作物分类提供了新思路,为当地决策提供农作物信息服务和基础数据支持。
【总页数】6页(P74-78)【作者】石莹;穆岑;田艳君;黄月如;郭润潇;孙晓雪【作者单位】辽宁工程技术大学测绘与地理科学学院【正文语种】中文【中图分类】P208【相关文献】1.基于MODIS时序数据的Landsat8影像选取及面向对象分类方法的农作物分类2.基于MODIS时序数据的Landsat8影像选取及面向对象分类方法的农作物分类3.基于Landsat-8监督分类与非监督分类的土地利用分类方法比较4.基于Sentinel 2A/B时序数据的黑龙港流域主要农作物分类5.基于Landsat-8的基本农田农作物植被覆盖度研究——以温宿县为例因版权原因，仅展示原文概要，查看原文内容请购买。
平潭海岛城市建设用地适宜性评价——基于生态敏感性分析
平潭海岛城市建设用地适宜性评价——基于生态敏感性分析郑礼鹏【摘要】城市建设用地适宜与否对城市用地布局、经济发展、空间结构具有较大的影响,合理确定适宜性建设用地是城市总体规划的一项基础工作,也是开展各专题规划的重要前提.文章以平潭岛为研究区,基于Landsat 80LI多光谱遥感影像和DEM数据为基础,采用决策树分类方法辅以目视解译进行土地利用分类,选取生态敏感性因素、自然限定因素和社会经济限定因素作为建设用地适宜性的主要影响因素,共选取10个指标构建多因素综合评价模型,运用层次分析法确定权重,定量评价该区域土地生态敏感性和建设用地适宜性.【期刊名称】《福建建筑》【年(卷),期】2017(000)001【总页数】5页(P1-5)【关键词】生态敏感;建设用地适宜性;土地利用;平潭【作者】郑礼鹏【作者单位】福建省林业勘察设计院福建福州350001【正文语种】中文【中图分类】TU984.1由于城市建设用地适宜性的分析评价涉及自然、经济、社会等多方面的因素，评价系统较为复杂，信息量巨大，而传统的技术方法影响了建设用地适宜性分析的合理性和可实施性，GIS空间数据分析功能可以弥补传统分析方法的不足［1］。
在城市规划工作中，地理信息系统是一种新兴的技术手段，具有较强的空间数据处理、分析等功能，应用极其广泛。
与其他分析评价方法相比，其具有快速分析、及时更新、动态管理等优势，能够为规划决策工作提供可靠的依据。
通过对GIS方法和思想的合理应用，从城市不同地域的社会、自然、经济特点出发，选择适当的评价指标，建立适宜的数学模型，将研究过程量化，进而使得建设用地宜性评价系统化、定量化、标准化和规范化，最终会成为用地适宜性评价领域的一个新的发展方向。
1.1 研究区平潭岛位于福建省东部，与台湾隔海相望，地理位置介于25°15'～25°45'N，119°32'～120°06'E之间。
LandSat-8数据产品分级
LandSat-8数据产品分级参照美国对Landsat 卫星数据及其产品的描述，Landsat-8 数据产品分为L0Rp、L1G、L1Gt和L1T 几个等级。
表 1 LandSat-8 产品级别L0Rp 数据产品是卫星地面系统对卫星原始数据进行帧同步、去格式化、解压缩、分帧、分景、重新格式化处理生成的数据集，其中包含后续处理所需的所有图像数据和辅助数据。
但是，由于Landsat-8 卫星上传感器阵列的排列方式以及推扫式的成像方式，导致了相邻传感器获取的地物图像在几何位置上存在偏移，L0Rp 数据没有对这个偏移进行校正处理，所以用户无法直接使用L0Rp 数据。
L1G 数据产品是辐射校正数据经过系统级几何校正处理（未使用地面控制点和数字高程模型数据）得到的数据产品。
L1Gt数据产品是辐射校正数据进行系统几何校正并在校正处理中使用数字高程模型得到的数据产品。
L1T 数据产品是辐射校正数据使用地面控制点和数字高程模型数据进行精确校正后的数据产品。
在几何校正产品生产过程中，中国地区采用的数字高程模型数据源为SRTM(Shuttle radar Topography Mission)，其水平分辨率为30m，相对精度为10m；采用的地面控制点库为GLS2005(Global Land Survey,2005)，根据2012年USGS、NASA以及马里兰大学的精度评价，GLS2005 80％的数据精度高于30m，97％的数据精度高于50ｍ。
经过几何精校正后的Landsat-8 L1T 产品，与以往的Landsat 产品相比，产品精度方面有了大幅提升。
根据USGS 提供的信息，OLI 成像仪L1T 产品的理论设计几何标称精度为12m，TIRS成像仪L1T 产品的理论设计几何标称精度为41m。
现在中科院和USGS共享的Landsat-8数据均为L1T 产品。
广西善图科技有限公司。
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。
Landsat-8多时相遥感影像亚热带森林分类
第４１卷第９期２０１８年９月测绘与空间地理信息ＧＥＯＭＡＴＩＣＳ＆ＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＴＥＣＨＮＯＬＯＧＹＶｏｌ.４１ꎬＮｏ.９Ｓｅｐ.ꎬ２０１８收稿日期:２０１７－０４－１１作者简介:李㊀振(１９９０－)ꎬ男ꎬ山东泰安人ꎬ测绘工程专业硕士研究生ꎬ主要研究方向为遥感森林分类及林分参数反演ꎮＬａｎｄｓａｔ－８多时相遥感影像亚热带森林分类李㊀振１ꎬ胡慧萍２ꎬ杨敏华１ꎬ陈㊀鸣１(１.中南大学地球科学与信息物理学院ꎬ湖南长沙４１００８３ꎻ２.生态旅游湖南省重点实验室ꎬ湖南长沙４２７０００)摘要:森林类型遥感影像自动制图在森林资源调查中有重要应用ꎬ本文以广西壮族自治区金秀县为研究区ꎬ基于多时相的Ｌａｎｄｓａｔ－８数据ꎬ采用面向对象的决策树分类方法ꎬ对研究区森林类型自动识别进行了研究ꎬ分类结果表明:１)单一时相影像森林分类精度中ꎬ生长季前期最高ꎬ生长季末期次之ꎬ非生长季最冷月最低ꎻ２)结合生长季与非生长季的多时相影像森林类型自动识别精度较单一时相影像显著提高ꎮ关键词:多时相Ｌａｎｄｓａｔ－８影像ꎻ森林分类ꎻ决策树ꎻ面向对象中图分类号:Ｐ２３７㊀㊀㊀文献标识码:Ａ㊀㊀㊀文章编号:１６７２－５８６７(２０１８)０９－０１４７－０３ＦｏｒｅｓｔＣｌａｓｓｉｆｉｃａｔｉｏｎＢａｓｅｄｏｎＬａｎｄｓａｔ－８Ｍｕｌｔｉ－ｔｅｍｐｏｒａｌＲｅｍｏｔｅＳｅｎｓｉｎｇＩｍａｇｅＬＩＺｈｅｎ１ꎬＨＵＨｕｉｐｉｎｇ２ꎬＹＡＮＧＭｉｎｈｕａ１ꎬＣＨＥＮＭｉｎｇ１(１.ＳｃｈｏｏｌｏｆＧｅｏｓｃｉｅｎｃｅｓａｎｄＩｎｆｏ－ＰｈｙｓｉｃｓꎬＣｅｎｔｒａｌＳｏｕｔｈＵｎｉｖｅｒｓｉｔｙꎬＣｈａｎｇｓｈａ４１００８３ꎬＣｈｉｎａꎻ２.ＫｅｙＬａｂｏｒａｔｏｒｙｆｏｒＥｃｏｔｏｕｒｉｓｍｏｆＨｕｎａｎＰｒｏｖｉｎｃｅꎬＣｈａｎｇｓｈａ４２７０００ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｔｈｅａｕｔｏｍａｔｉｃｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｆｏｒｅｓｔｔｙｐｅｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｉｓａｎｉｍｐｏｒｔａｎｔａｐｐｌｉｃａｔｉｏｎｉｎｆｏｒｅｓｔｒｅｓｏｕｒｃｅｓｕｒｖｅｙ.ＩｎｔｈｉｓｐａｐｅｒꎬＪｉｎｘｉｕＣｏｕｎｔｙｏｆＧｕａｎｇｘｉｐｒｏｖｉｎｃｅｉｓａｒｅｓｅａｒｃｈａｒｅａ.Ｂａｓｅｄｏｎｔｈｅｍｕｌｔｉ－ｔｅｍｐｏｒａｌｌａｎｄｓａｔ８ｄａｔａꎬｔｈｅｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｄｅｃｉｓｉｏｎｔｒｅｅｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｉｓｕｓｅｄｔｏｉｄｅｎｔｉｆｙｔｈｅｆｏｒｅｓｔｔｙｐｅｉｎｔｈｅｓｔｕｄｙａｒｅａ.１)Ｔｈｅａｃｃｕｒａｃｙｏｆｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｓｉｎｇｌｅｔｅｍｐｏｒａｌｉｍａｇｅｉｓｔｈｅｈｉｇｈｅｓｔｉｎｔｈｅｅａｒｌｙｇｒｏｗｔｈｓｅａｓｏｎꎬｆｏｌｌｏｗｅｄｂｙｔｈｅｅｎｄｏｆｔｈｅｇｒｏｗｔｈｓｅａｓｏｎａｎｄｔｈｅｌｏｗｅｓｔｉｎｔｈｅｎｏｎ－ｇｒｏｗｉｎｇｓｅａｓｏｎ.２)Ｔｈｅａｃｃｕｒａｃｙｏｆａｕｔｏｍａｔｉｃｒｅｃｏｇｎｉｔｉｏｎｏｆｆｏｒｅｓｔｔｙｐｅｉｎｔｈｅｃｏｍｂｉｎａｔｉｏｎｏｆｔｈｅｇｒｏｗｔｈｓｅａｓｏｎａｎｄｔｈｅｎｏｎ－ｇｒｏｗｉｎｇｓｅａｓｏｎｉｓｍｏｒｅｏｂｖｉｏｕｓｔｈａｎｔｈａｔｏｆｓｉｎｇｌｅｔｉｍｅｉｍａｇｅ.Ｋｅｙｗｏｒｄｓ:ｍｕｌｔｉ－ｔｅｍｐｏｒａｌｌａｎｄｓａｔ－８ｉｍａｇｅꎻｆｏｒｅｓｔｃｌａｓｓｉｆｉｃａｔｉｏｎꎻｄｅｃｉｓｉｏｎｔｒｅｅꎻｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄａｐｐｒｏａｃｈ０㊀引㊀言森林是陆地生态系统的主体ꎬ对维护和改善全球生态环境起着重要作用ꎻ森林也是人类生存与发展不可或缺的自然资源ꎬ及时了解森林的现状及变化对生态系统及人类生活至关重要[１]ꎮ森林类型图的制作主要包括野外实地调查与遥感影像制图ꎬ传统的野外调查方式需要消耗大量的人力物力ꎬ遥感技术可以更经济㊁更高效地获取森林资源信息ꎬ已成为当前获取森林类型信息的主要手段ꎮ美国Ｌａｎｄｓａｔ卫星影像数据因其覆盖面积大ꎬ回访周期短ꎬ且有４０多年的数据积累ꎬ在森林类型制图中应用广泛[２]ꎮ 同物异谱 及 异物同谱 等现象使得利用单一时相的影像进行森林类型识别比较困难ꎬ而多时相影像能反映植被的物候信息变化ꎬ因此利用多时相影像能提高森林类型识别精度ꎮ在分类方法中ꎬ面向对象分类方法将图像分割为同质对象ꎬ有效地避免了基于像素分类的 椒盐 现象ꎮ本文利用多时相Ｌａｎｄｓａｔ－８影像对金秀县亚热带山区森林类型识别进行了研究ꎬ定量论证多时相遥感影像对南方森林类型识别的作用ꎮ１㊀研究区与数据１.１㊀研究区概况金秀瑶族自治县隶属于广西壮族自治区来宾市ꎬ位于广西壮族自治区中部偏东㊁来宾市东北大大瑶山主体山脉上ꎬ坐标为北纬２３ʎ４１ᶄ２０ᵡ ２４ʎ２７ᶄ５８ᵡ㊁东经１０９ʎ４８ᶄ４７ᵡ １１０ʎ２７ᶄ２０ᵡꎬ属亚热带季风气候区ꎬ年平均最热月(７月)平均气温为２８.５ħꎬ年平均最冷月(１月)平均气温为８ħꎮ全县森林面积２１９５６６.６７ｈａꎬ森林覆盖率为８７.３４％ꎮ本文选取了金秀县境内忠良乡及金秀镇为研究区ꎬ区内竹林㊁针叶林㊁阔叶林均有较大面积分布ꎬ代表性较好ꎮ１.２㊀数据与预处理１.２.１㊀Ｌａｎｄｓａｔ－８数据研究区内自３月份至１０月份均多云多雨ꎬ一年内多时相高质量影像难以全部获取ꎬ故本文使用相邻年份３景Ｌａｎｄｓａｔ－８ＯＬＩ卫星影像分别作为不同物候期代表影像ꎬ研究区内均无云ꎬ影像信息见表１ꎮ应用ＥＮＶＩ５.３平台对影像进行了多光谱波段与全色波段的融合㊁地形校正㊁辐射定标㊁ＦＬＡＡＳＨ大气校正㊁几何精校正ꎮ表１㊀研究区影像列表Ｔａｂ.１㊀Ｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａ季节Ｓｅａｓｏｎ行列号Ｐａｔｈ行列号Ｒｏｗ日期Ｄａｔｅ云量/％Ｃｌｏｕｄｃｏｖｅｒ数据源Ｓｏｕｒｃｅ生长季前期１２４４３２０１６－０５－１１０.１７ＵＳＧＳ生长季末期１２４４３２０１５－１０－１６０.０２ＵＳＧＳ非生长季１２４４３２０１５－０１－０１２４.４８ＵＳＧＳ１.２.２㊀验证数据以金秀县２０１４年森林资源二类调查小班矢量图为地面数据ꎬ选取决策树训练样本与精度评价样本ꎬ其中训练样本为影像分割后叠加小班矢量图手动选取ꎬ精度评价样本为利用ＡｒｃＧＩＳ１０.２平台分层抽样获取ꎮ２㊀研究方法本文共设计了４组森林分类实验ꎬ分别为生长季前期影像分类㊁生长季末期影像分类㊁非生长季影像分类㊁多时相影像分类ꎮ以森林资源二类调查数据为参考ꎬ按照优势树种将研究区内森林覆盖类型分为针叶林㊁阔叶林㊁竹林ꎬ非林地分为耕地㊁建设用地㊁裸地ꎮ使用ｅＣｏｇｎｉｔｉｏｎ９.０完成面向对象的影像分类实验ꎮ本文的技术路线如图１所示ꎮ２.１㊀影像分割面向对象分类的第一步是影像分割ꎬ分割结果的质量会直接影响分类精度ꎬ因此选择合适的分割参数极为重要ꎮ分割参数为ｓｃａｌｅ(尺度)㊁ｓｈａｐｅ(形状)㊁ｃｏｍｐａｃｔｎｅｓｓ(紧致度)㊁以及波段权重ꎬ分割尺度是判断异质性大小的阈值ꎬ异质性包括了光谱异质性与形状异质性[３]ꎮ光谱异质性与形状异质性之和为１ꎬｓｈａｐｅ即为形状异质性的权重ꎮ形状异质性又包括了紧致度与光滑度ꎬ两者调节分割对象的形状介于平滑边界与紧密边界之间ꎬ两者之和也为１ꎮ波段权重代表响应波段参与分割的权重ꎮ本文所有实验ｓｈａｐｅ设置为０.２ꎬ给予光谱信息更大的权重ꎬｃｏｍｐａｃｔｎｅｓｓ设置为０.５ꎬ平衡边界的紧密与光滑ꎬｓｃａｌｅ设置为６０ꎮ图１㊀方法流程Ｆｉｇ.１㊀Ｆｌｏｗｃｈａｒｔｏｆｔｈｅａｐｐｒｏａｃｈ２.２㊀特征选取ＮＤＶＩ能够反映植被在可见光㊁近红外波段反射与土壤背景之间的差异ꎬ具有较强的植被监测能力ꎬＮＤＶＩ随时间的变化与植被的物候信息呈现一定的规律性ꎬ成为区分地物的重要特征[４]ꎮＮＤＶＩ计算公式为式(１)ꎮＮＤＶＩ＝ρＮＩＲ－ρＲｅｄρＮＩＲ＋ρＲｅｄ(１)式中ꎬρＮＩＲ为近红外波段反射率ꎬρＲｅｄ为可见光红波段反射率ꎮ本文实验计算了各景影像的ＮＤＶＩꎮ本文实验还对各时相影像进行了主成分变换ꎬ选取信息量最大的前３个波段ꎮ第一波段中ꎬ道路及建筑物十分明显ꎻ穗帽变换ꎬ穗帽变换的第二分量绿度ꎬ是可见光波段植物光合作用吸收与近红外植物强反射的综合响应ꎬ与植被覆盖㊁叶面积指数和生物量有很大的相关性ꎬ对植被分类可以起到良好的辅助作用[５]ꎮ蓝㊁绿㊁红３个波段在可见光谱波段的占比也可反映植被的类型与物候变化ꎬ因此ꎬ本文实验还计算了各影像蓝㊁绿㊁红波段在可见光波段的占比ꎮ２.３㊀分㊀类本文实验均采用决策树分类方法ꎮ决策树分类包括决策树训练和决策树应用ꎮ决策树训练方法采用ＣＡＲＴ决策树ꎬＣＡＲＴ算法将训练样本分为测试变量与目标变量ꎬ对训练样本进行循环分析形成二叉树决策树ꎬ属于监８４１㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀测绘与空间地理信息㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０１８年督学习算法[６]ꎮＣＡＲＴ使用如下结构的学习样本集:Ｌ:＝{Ｘ１ꎬＸ２ꎬ ꎬＸｍꎬＹ}Ｘ１:＝(ｘ１１ꎬｘ１２ꎬ ꎬｘ１ｔｎ)ꎬ ꎬＸｍ:＝(ｘ１１ꎬｘ１２ꎬ ꎬｘｍｔｎ)Ｙ:＝(ｙ１ꎬｙ２ꎬ ꎬｙｋ)㊀㊀其中ꎬＸ１ Ｘｍ成为属性向量(ＡｔｔｒｉｂｕｔｅＶｅｃｔｏｒｓ)ꎬ其属性是可连续的ꎬ也可是离散的ꎻＹ称为标签向量(ＬａｂｅｌＶｅｃｔｏｒｓ)ꎬ其属性可是连续的ꎬ也可是离散的ꎮ当Ｙ为连续的数量值时ꎬ称为回归树ꎻ当Ｙ是离散值时ꎬ称为分类树[７]ꎮ３㊀分类结果与精度评价图２分别为生长季前期(ａ)㊁生长季末期(ｂ)㊁非生长季(ｃ)㊁多时相分类结果(ｄ)㊁森林资源二类调查小班优势树种分类(ｅ)ꎮ㊀㊀采用相同的验证样本对４个实验分类结果进行精度评价ꎬ精度评价采用混淆矩阵方法ꎬ分类结果精度见表２ꎮ图２㊀分类结果图Ｆｉｇ.２㊀Ｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓ表２㊀各组实验分类结果精度比较表Ｔａｂ.２㊀Ｅｒｒｏｒｍａｔｒｉｘｆｏｒｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｆｏｒｅａｃｈｅｘｐｅｒｉｍｅｎｔｓ生长季前期生长季末期非生长季多时相制图精度/％用户精度/％制图精度/％用户精度/％制图精度/％用户精度/％制图精度/％用户精度/％竹林４２.１１５０.００４７.３６６４.２９６８.４２４４.８３６８.４２６５.００针叶林８８.６８７４.６０６４.５８６２.００５２.８３５４.７２８８.６８８５.４５阔叶林６２.５０７５.００６９.８１６８.５２６０.４２７３.６８８１.２５８６.６７非林地９８.２１９６.４９１００.００９６.５５９４.６４９４.６４９８.２１９８.２１总精度/％７９.５４７５.５７６９.８９８７.５０Ｋａｐｐａ系数０.７１０.６６０.５９０.８３㊀㊀从分类评价结果可以看出:在单一时相影像分类结果中ꎬ生长季前期影像分类精度最高ꎬ生长季末期次之ꎬ非生长季最冷月最低ꎮ综合多时相影像的分类结果精度最高ꎬ总体分类精度达到了８７.５％ꎮ生长季末期与非生长季影像分类试验中ꎬ针叶林与阔叶林㊁阔叶林与竹林存在较多混分ꎻ生长季前期影像中ꎬ针叶林与阔叶林的区分较好ꎬ阔叶林与竹林的区分较生长季末期与非生长季并没有很大差异ꎮ不论是单一时相分类实验还多时相分类实验ꎬ竹林的分类精度均不如针叶林与阔叶林ꎮ研究区位于南亚热带与中亚热带过渡地带ꎬ森林类型以常绿为主ꎬ虽不像北方森林一样具有显著的生长季与非生长季物候差异ꎬ但其不同季节光谱反射率依然有较大差异ꎬ因此多时相影像能提供更丰富的分类信息ꎮ４㊀结束语本文通过４组实验ꎬ对比了不同时期遥感影像亚热带地区森林自动分类效果ꎮ从实验结果及精度分析来看ꎬ多时相影像分类精度比任一单一时相影像分类精度都要高ꎮ同时实验结果表明:针叶林㊁阔叶林分类精度较高ꎬ竹林分类精度相对较低ꎬ下一步将对更多地区采用更多的分类方法进行研究ꎬ以期提高竹林的提取精度ꎮ参考文献:[１]㊀亢新刚.森林经理学[Ｍ].第４版.北京:中国林业出版社ꎬ２０１１.[２]㊀雷光斌ꎬ李爱农ꎬ谭剑波ꎬ等.基于多源多时相遥感影像的山地森林分类决策树模型研究[Ｊ].遥感技术与应用ꎬ２０１６ꎬ３１(１):３１－４１.[３]㊀赵明瑶ꎬ刘会云ꎬ张晓丽ꎬ等.基于林分结构响应的ＰＡＬ￣ＳＡＲ森林结构参数估测[Ｊ].北京林业大学学报ꎬ２０１５ꎬ３７(６):６１－６９.[４]㊀王文静ꎬ张霞ꎬ赵银娣ꎬ等.综合多特征的Ｌａｎｄｓａｔ－８时序遥感图像棉花分类方法[Ｊ].遥感学报ꎬ２０１７ꎬ２１(１):１１５－１２４.[５]㊀谭磊ꎬ赵书河ꎬ罗云霄ꎬ等.基于对象特征的山东省丘陵地区多时相遥感土地覆被自动分类[Ｊ].生态学报ꎬ２０１４ꎬ３４(２４):７２５１－７２６０.[６]㊀董连英ꎬ邢立新ꎬ潘军ꎬ等.高光谱图像植被类型的ＣＡＲＴ决策树分类[Ｊ].吉林大学学报:信息科学版ꎬ２０１３(１):８３－８９.[７]㊀谭莹.翁源县基于纹理信息及ＣＡＲＴ决策树技术的遥感影像分类研究[Ｄ].南京:南京林业大学ꎬ２００８.[编辑:任亚茹]９４１第９期李㊀振等:Ｌａｎｄｓａｔ－８多时相遥感影像亚热带森林分类。
基于时序EVI决策树分类与高分纹理的制种玉米识别
基于时序EVI决策树分类与高分纹理的制种玉米识别刘哲;李智晓;张延宽;张超;黄健熙;朱德海【期刊名称】《农业机械学报》【年(卷),期】2015(46)10【摘要】针对遥感技术区分制种玉米与大田玉米的技术难题,以不同源、不同时相遥感数据,构建了多时相OLI/Landsat-8结合GeoEye-1高分纹理制种玉米识别方法.首先以多时相OLI/Landsat-8构建各地类EVI时序曲线,利用地类的物候差异,以C5.0决策树算法识别玉米,然后针对制种玉米与大田玉米田块的纹理差异,利用GeoEye-1高分影像纹理信息进一步以阈值法识别制种玉米.最后,以甘肃省张掖市临泽县为研究区,对提出的方法进行了试验验证,结果显示,多时相OLI/Landsat-8总体分类精度为86.31％,Kappa系数为0.81.玉米识别的用户精度为88.39％,制图精度为95.35％,可满足进一步对制种玉米的识别.依据GeoEye-1高分遥感影像的纹理差异,识别制种玉米,用户精度为86.37％,制图精度为83.02％,高于只利用单一OLI/Landsat-8数据源的分类精度.【总页数】7页(P321-327)【作者】刘哲;李智晓;张延宽;张超;黄健熙;朱德海【作者单位】中国农业大学信息与电气工程学院,北京100083;中国农业大学信息与电气工程学院,北京100083;中国农业大学信息与电气工程学院,北京100083;中国农业大学信息与电气工程学院,北京100083;国土资源部农用地质量与监控重点实验室,北京100035;中国农业大学信息与电气工程学院,北京100083;中国农业大学信息与电气工程学院,北京100083;国土资源部农用地质量与监控重点实验室,北京100035【正文语种】中文【中图分类】S127【相关文献】1.基于MODIS EVI时序数据的云南高原山地森林物候特征识别 [J], 樊辉;何大明2.基于无人机和卫星遥感影像的制种玉米田识别纹理特征尺度优选 [J], 张超;乔敏;刘哲;金虹杉;宁明宇;孙海艳3.基于GF遥感数据纹理分析识别制种玉米 [J], 张超;金虹杉;刘哲;李智晓;宁明宇;孙海艳4.基于时序光谱和高分纹理分析的制种玉米田遥感识别 [J], 张超;乔敏;刘哲;刘帝佑;金虹杉;朱德海5.基于多时相GF-1WFV和高分纹理的制种玉米田识别 [J], 张超;童亮;刘哲;乔敏;刘帝佑;黄健熙因版权原因，仅展示原文概要，查看原文内容请购买。
基于决策树的县域冬小麦种植面积提取
基于决策树的县域冬小麦种植面积提取陈晓停1，曹兰杰1，汪金花1（1.华北理工大学 矿业工程学院，河北 唐山 063000）摘 要：为获取较精确的县域范围内小麦种植区面积，利用空间分辨率较高的Landsat 卫星遥感影像和DEM 数据，以河北省唐山市玉田县为例，采用决策树方法对地物进行分类，提取了2004年、2009年、2014年的冬小麦种植面积；并根据分类结果生成各年份玉田县的小麦种植信息结果图，分析了近10 a 玉田县冬小麦种植面积变化情况。
关键词：NDVI ；决策树；遥感影像中图分类号：P 237 文献标志码：B文章编号：1672-4623（2018）09-0085-02随着遥感技术的发展及其在农业领域的大量研究，提取冬小麦种植面积变得快速准确[1]。
基于MODIS 数据提取冬小麦种植面积的遥感方法，是利用其良好的时间分辨率和多波段特点，根据从播种至成熟收割期间冬小麦NDVI 的变化规律归纳生成时间序列，以提取种植面积[2]。
黄青[3]等利用该方法进行冬小麦种植面积提取，并与往年统计数据进行比较，提取结果精度可达81%。
但是利用MODIS 数据需要小麦生长周期过程的多期影像，处理过程中数据量很大，耗时长，且该类数据的空间分辨率（250 m ×250 m ）很低，田间道路交错，农田地块细碎、面积小，因此利用该方法在县域范围内进行冬小麦种植面积提取，精确程度很难保证[4-5]。
Landsat 系列的卫星遥感影像，具有30 m ×30 m 的分辨率，且Landsat 8在波段数量、波长范围、辐射分辨率等方面比以往有所改进，而目前基于Landsat8遥感影像的农作物分类提取、产量估计研究相对较少[6-8]。
快速获取较为准确的县域冬小麦种植面积，对农业生产决策具有非常重要的意义。
本文以玉田县为研究区域，基于Landsat7和Landsat8卫星影像，采用决策树方法提取了冬小麦种植面积，并分析了该区域近10a 冬小麦分布格局变化情况。
南方丘陵地区复杂地表“同物异谱”分类处理模型
南方丘陵地区复杂地表“同物异谱”分类处理模型杨宇晖;颜梅春;李致家;余青;陈贝贝【摘要】复杂流域地物混杂，因受背景干扰，对混杂在不同背景地物中的目标地物很难用1个规则区分出来。
基于Landsat8多波段影像，以湘江的Ⅰ级支流蒸水河流域和长江三角洲的3大城市为研究区，采用最大似然法进行初步分类；分析混杂地物的光谱特征，探讨区分混杂地物的决策规则，对水体、人工建筑、耕地、裸地、林地和裸岩等基本地物进行分类。
结果表明，蒸水河流域分类的整体精度达到88.21%，高于监督分类精度(79.68%)；其他3个长江三角洲城市的分类精度都在92%以上。
所提出的混杂地物区分模型可以提高混杂在不同背景中的同类地物的分类精度。
%Mixed ground objects in complex basin are easily interfered by background, and foreground mixed in different ground objects is difficult to be distinguished by one rule. In this paper, the authors discuss the classification rule model of common ground feature in different mixed backgrounds. With Landsat8 images as the data source, level 1 tributary of Zhengshui River basin in Xiangjiang River basin and the three big cities of the Yangtze River delta as the study areas, the authors adopted the maximum likelihood method to conduct a preliminary classification. Based on analyzing the spectral characteristics of mixed feature, the authors built the classification decision tree of mixed ground feature to identify water, artificial construction, farmland, bare land, forest land and bare rock. The results obtained by the authors show that the overall accuracy of the Zhengshui River is about 88 . 21%, which is higher than the supervised classification accuracy of 79 . 68%, and the overall accuracy of other threecities along the Yangtze River is higher than 92%. It is shown that the classification model for mixed subjects can improve the accuracy of the same ground objects with different backgrounds.【期刊名称】《国土资源遥感》【年(卷),期】2016(028)002【总页数】5页(P79-83)【关键词】混杂地物;同物异谱;决策树分类;南方丘陵地区【作者】杨宇晖;颜梅春;李致家;余青;陈贝贝【作者单位】河海大学地学院地理信息科学系，南京 210098;河海大学地学院地理信息科学系，南京 210098;河海大学地学院地理信息科学系，南京 210098;河海大学地学院地理信息科学系，南京 210098;河海大学地学院地理信息科学系，南京 210098【正文语种】中文【中图分类】TP751.1遥感因其同步观测面积大、时效性强、经济效益大等特点，可迅速而准确地全方位监测土地资源的利用情况，实时掌握土地资源的利用信息，为土地资源的合理利用和科学管理提供技术支撑[1]。
- 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)。
基于LandSet8数据的决策树分类—以平潭地区为例1、引言早在20世纪70年代，人们就开始靠目视解译进行遥感影像的分类判读。
20世纪80年代，主要利用统计模式识别方法，依据地物的光谱特征对影像进行计算机分类。
20世纪90年代以来，出现了大量的遥感影像分类方法，如面向对象的分类方法、多源信息的复合分类法、遥感与GIS的结合法、人工智能分类法等。
由于目前遥感影像的分类方法多而杂，故本文结合课程需要，仅对辅以纹理、NDVI、MNDWI、MNDBI、地表温度、DEM等数据的决策树分类方法进行讨论，并对分类的精度进行了评估。
2、实验原理本文采用决策树分类方法进行地物类别的划分，目前决策树分类法包括：1）CLS 算法。
CLS算法于1966 年提出，成为后来许多决策树学习算法的基础改进算法。
它的主要思想是通过不断增加新的判定结点改善原决策树的分类性能，直到训练样本集被正确分类为止。
2）ID3 算法。
ID3算法是最早和最有影响力的决策树算法之一，绝大多数决策树算法都是在它的基础上加以改进得以实现的。
ID3 算法具有描述简单、分类速度快的优点，计算量相对较小，适合于大规模数据的处理。
但效率非常低，而且学习简单，逻辑能力较差，难以表达复杂概念，抗噪性差。
3）CART 算法。
CART 算法是一种数据勘测和预测算法。
CART 算法具备多种决策树算法的功能和优点，并且能处理其他算法不能处理的非数值型数据，是决策树模型的典型代表。
4）C4.5及C5.0算法。
C4.5算法是目前被普遍采用的分类算法。
其分类的方法是从大量样本中提取分类规则的自上而下的决策树。
C5.0是在C4.5基础上发展起来的决策树生成算法。
它和算法C4.5基本相似，只是对C4.5的一些局限做了改进。
C5.0增加了Boost技术，较C4.5可以更好地处理大数据库，最后生成更准确的决策树，提高分类精度。
而本次分类则采用ENVY软件中的C4.5决策树分类算法。
3、相关研究进展目前对于运用决策树分类方法进行行业应用与研究，也存在着大量的示例，如Chasmer[1]等以加拿大西北地区的Scotty Creek流域为研究区，借助机载激光雷达和高分辨率的光谱数据集，研究不连续冻土区的土地覆盖类型，并与WorldView-2的土地覆盖监督分类结果进行对比；在该研究中Chasmer等采用决策树的土地覆盖分类方法，把研究区分为冻土高原、沼泽、沼地、高地和水(池塘、湖泊)等5类；结果表明，与平行六面体分类方法相比，决策树这种分层次的分类方法分类精度高，能解释研究区内土地覆盖类型88%-97%的区域范围。
Teodoro[2]等运用决策树分类方法，利用Ikonos-2影像进行葡萄牙西北海岸的海滩特性/模式分类；其根据沿海特性的相关知识，把研究区域分为海洋、悬浮沉淀物、断裂区、滩面、海滩等五大类；研究过程中数据被随机分为训练数据集和验证数据集，通过对比几种决策树算法的混淆矩阵、总体精度和Kappa系数的值，发现CART算法是最适用于本次研究的；同时把该算法的分类结果与神经网络算法进行了比较，发现分类结果基本一致，因此Teodoro 等认为CART算法可用于海滩特性/模式分类的进一步研究。
Sharma[3]等借助开源技术的支持，构建了一个决策树分类算法进行遥感卫星数据（LandsatTM）的分类；该算法是利用开源的数据挖掘软件WEKA根据训练数据集光谱特性进行递归分区；将该算法的分类结果与传统的ISODATA聚类方法和最大似然分类法进行比较，发现决策树分类算法的分类结果明显优于比其他两种方法。
4、实验方案4.1数据来源美国地质勘测局（/）Landset8数据（成像时间：2013年8月4日2点34分；行列号为119，42；云量覆盖度为1.21%）传感器：OLI（Operational Land Imager ，陆地成像仪）TIRS （Thermal Infrared Sensor，热红外传感器）OLI陆地成像仪序号波段（um）空间分辨率（m）1 0.433-0.453 302 0.450-0.515 303 0.525-0.600 304 0.630-0.680 305 0.845-0.885 306 1.560-1.660 307 2.100-2.300 308 0.500-0.680 159 1.360-1.390 30TIRS热红外传感器10 10.6-11.2 10011 11.5-12.5 100地成像仪（OLI）包括9个波段，空间分辨率为30米，其中包括一个15米的全色波段；热红外传感器（TIRS）包括2个热红外波段，空间分辨率为100米，下载自地理空间数据云的level1数据已经重采样成30米。
4.2研究区域研究区域为平潭地区的海坛岛，卫星过境时间为2013年7月12日02时28分35秒。
4.3技术流程图4.4数据预处理4.4.1辐射校正（包括辐射的定标和大气校正）A、辐射定标前影像植被区域的光谱信息B、辐射定标后影像植被区域的辐射亮度值C、大气校正（采用ENVY中的FLAASH大气校正模型）注：在上图的1中输入影像的中心经纬度坐标；在2种输入影像所在区域的平均高程；在3中输入卫星的过境时间；在4种输人大气模型，这里选择中纬度夏天；在5种输入气溶胶模型，这里选择沿海。
D、大气后影像植被区域的光谱反射曲线E、植被光谱曲线在辐射定标前、辐射定标后、大气校正后的对比：原始影像辐射定标后大气校正后从上图植被的光谱反射率在辐射定标前后和大气校正后的光谱曲线可以看出，经过FLAASH校正的影像基本去除了空气中水汽颗粒等因子的影响，植被的波谱曲线趋于正常。
4.4.2 植被指数NDVI计算NDVI=（NIR-R）/（NIR+R）；对应于landsat8中的OLI传感器为第5波段和第4波段。
注：上述NDVI已经经过异常值的剔除。
原始数据中有极少量的值为小于-1的情况，利用ENVY中的bandmath工具对这些值全部赋为-0.7。
4.4.3改进型水体指数MNDWI计算MNDWI=（Green-MIR）/（Green+MIR）；对应于landsat8中的OLI传感器为第3波段和第6波段。
注：上述MNDWI已经经过异常值的剔除。
利用ENVY中的bandmath工具对那些异常极少量的大值和小值分别赋值为0.9和-0.9。
4.4.4地表温度的反演对地表温度的反演目前方法很多，如大气校正法，劈窗算法、单窗算法，单通道法等等。
本文介绍用辐射传输方程法对地表温度进行反演。
辐射传输方程法，又称大气校正法，其基本思路为：首先利用与卫星过空时间同步的大气数据来估计大气对地表热辐射的影响。
然后把这部分大气影响从卫星高度上传感器所观测到的热辐射总量中减去。
从而得到地表热辐射强度．再把这一热辐射强度转化为相应的地表温度。
步骤流程：第一步：准备数据（1）NDVI(2）OLI传感器的第10波段热红外数据，经过辐射定标。
第二步：地表比辐射率计算第三步：计算相同温度下黑体的辐射亮度值第四步：反演地表温度A、植被覆盖度计算FV = (NDVI- NDVIS)／(NDVIV - NDVIS)；式中NDVIv和NDVIs，分别是植被与裸土的NDVI值。
结合研究区实际情况，选取NDVIv=0.58,NDVIs=0。
当某个像元的NDVI大于0.58时，FV取值为1；当NDVI小于0，FV取值为0。
B、地表比辐射率计算根据前人的研究，将遥感影像分为水体、城镇和自然表面3种类型。
本研究采取以下方法计算研究区地表比辐射率：水体像元的比辐射率赋值为0.995，自然表面和城镇像元的比辐射率估算则分别根据下式（1）（2）进行计算：εsurface = 0.9625 + 0.0614FV - 0.0461FV2 （1）εbuilding = 0.9589 + 0.086FV - 0.0671FV2 （2）式中，εsurface和εbuilding分别代表自然表面像元和城镇像元的比辐射率。
C、计算相同温度下的黑体辐射亮度值Lλ= [ε·B(TS) + (1-ε)L↓]·τ+ L↑(3)B(TS) = [Lλ- L↑- τ·(1-ε)L↓]/τ·ε(4)式(3)卫星传感器接收到的热红外辐射亮度值的计算公式；式(4)温度为T的黑体在热红外波段的辐射亮度的计算公式。
参数说明：ε：地表辐射率；TS：地表真实温度；B(TS)：普朗克定律推得到的黑体在TS的热辐射亮度；τ：大气在热红外波段的透过率；L↑：大气向上辐射亮度；L↓：大气向下辐射亮度；在NASA官网(/)中输入成影时间以及中心经纬度，则会提供上式中:τ：大气在热红外波段的透过率；L↑：大气向上辐射亮度；L↓：大气向下辐射亮度；参数值τ L ↑L ↓0.524.2 W/(m2·sr ·μm)6.17W/(m2·sr ·μm)注：黑体辐射亮度值D 、反演地表温度在获取温度为TS 的黑体在热红外波段的辐射亮度后，根据普朗克公式的反函数，求得地表真实温度TS ：TS = K2/ln(K1/ B(TS)+ 1)对于OLI 传感器，K1 =774.89W/(m2·sr ·μm)，K2 =1321.08K 。
查阅平潭当天的历史天气为晴，温度为33度。
同时检查温度反演结果，发现温度在30度以下的区域只占1%，温度在46度以上的也只占了1%；因此结合当天的天气情况，认为地表温度反演结果还是可信的。
通过比照原始影像，发现温度大约在42度以上的区域为建筑物和裸地，这为后续进行决策树分类区分地物提供了基础。
4.4.5纹理测度的计算纹理是在某一确定的影像区域中，相邻像素的灰度或色调、颜色等服从某种统计排列规则而形成的一种空间分布。
图像的纹理是有组织的区域性特征，可定性地用以下一种或几种描述来表征：粗细度、对比度、方向性、线性性、规则性、粗糙度、凹凸性等。
对于纹理特征的提取目前方法很多，大致可以归结为四大类：统计分析方法、结构分析方法、模型化方法以及空间／频率域联合分析法。
本次研究采用基于统计的灰度共生矩阵（GLCM）方法进行纹理特征的提取。
灰度共生矩阵（GLCM）建立在估计图像的二阶组合条件概率密度函数的基础上，通过计算图像中有一定距离和一定方向的两点灰度之间的相关性，来反映图像在方向、间隔、变化幅度及快慢上的综合信息。
灰度共生矩阵提供用来定量描述纹理特征的统计属性，包括表达可视纹理的特征(局部平稳性，对比度，非相似性)，基于信息论的特征(熵)，基于统计的特征(均值，变化量，能量)和基于相关度的特征(相关)。
利用ENVY中提取纹理信息关键在于：分析窗口半径的确定、分析窗口移动步长的确定、分析波段的确定、纹理特征指标的选择。