遥感专题信息提取与专题图制作设计报告 1.课程设计的目的和意义 本次课程设计的目的主要是为了加深理解和巩固遥感原理与应用的有关理论知识；熟悉遥感图像处理的方法和步骤，学习运用ERDAS软件对遥感图像进行几何纠正、图像镶嵌、图像融合、自动分类以及专题图制作等处理。锻炼独立分析问题和解决问题的能力，培养良好的工作习惯和科学素养，为今后工作打下良好的基础。 2.课程设计的原理和方法 2.1课程设计原理 2.1.1 图像预处理 ERDAS软件默认的文件格式是img格式，因此首先需要将实习数据由TIFF 格式转换为img格式图像。 多波段影像包含的信息量较大，实习中将6个单波段影像合成多波段影像进行处理。 Spot影像需具有地理信息，要将影像头文件信息添加进去。 2.1.2几何纠正 遥感所获取的数据，均存在几何畸变。因此需要对图像进行几何纠正。几何纠正的原理是将图像数据投影到平面上，使其符合地图投影系统。而将地图投影系统赋予图像数据的过程，称为地理参考。由于所有地图投影系统都遵循一定的地图坐标系统，因此几何纠正的过程包含了地理参考过程。在实习过程中，采用了一次多项式法进行几何纠正。 2.1.3图像镶嵌 因研究范围的要求，需要在几何上将左右两幅图像连接在一起，并且保证拼接后的图像反差一致，色调相近，没有明显的接缝。遥感影像在镶嵌之前，必
须包含投影信息、地理坐标信息，还要有相同的波段数。当然，在挑选遥感数据时，要尽可能选择成像时间和成像条件相近的遥感图像，要求相邻影像的色调一致。 2.1.4图像裁剪 在实际工作中，经常需要根据研究工作范围对图像进行裁剪，按照ERDAS 实际图像分幅裁剪的过程，可以将图像分幅裁剪分为两种类型：规则分幅裁剪和不规则分幅裁剪。 规则分幅裁剪是指裁剪图像的边界范围是一个矩形，通过左上角和右下角两点的坐标，就可以确定图像的裁剪位置，整个裁剪过程比较简单。 不规则分幅裁剪是指裁剪图像的边界范围是任意多边形，无法通过左上角和右下角两点的坐标确定裁减位置，而必须事先生成一个完整的闭合多边形区域，可以是一个AOI多边形，也可以是ArcInfo的一个Polygon Coverage，针对不同的情况采用不同的裁剪过程。 2.1.5图像融合 图像融合是指将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等，最大限度的提取各自信道中的有利信息，最后综合成高质量的图像，以提高图像信息的利用率、改善计算机解译精度和可靠性、提升原始图像的空间分辨率和光谱分辨率，利于监测。 2.1.6图像分类 图像分类就是基于图像像元的数据文件值，将像元归并成有限的几种类型、等级或数据集的过程。常规图像分类主要有两种方法：监督分类与非监督分类。 2.2课程设计方案
摘要 遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图像的分类识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。 遥感图像的计算机分类是通过计算机对遥感图像像素进行数值处理，达到自动分类识别地物的目的。遥感图像分类主要有两类分类方法:一种是非监督分类方法，另一种是监督分类方法。非监督分类方法是一个聚类过程，而监督分类则是一个学习和训练的过程，需要一定的先验知识。非监督分类由十不能确定类别属性，因此直接利用的价值很小，研究应用也越来越少。而且监督分类随着新技术新方法的不断发展，分类方法也是层出不穷。从传统的基十贝叶斯的最大似然分类方法到现在普遍研究使用的决策树分类和人工神经网络分类方法，虽然这些方法很大程度改善了分类效果，提高了分类精度，增加了遥感的应用能力。但是不同的方法有其不同优缺点，分类效果也受很多因素的影响。 本文在对国内外遥感图像分类方法研究的进展进行充分分析的基础上，应用最大似然分类法、决策树分类法对TM影像遥感图像进行了分类处理。在对分类实现中，首先对分类过程中必不可少的并影响分类效果的步骤也进行了详细地研究，分别是分类样本和分类特征；然后详细介绍两种方法的分类实验；最后分别分析分类结果图，采用混淆矩阵和kappa系数对两种方法的分类结果进行精度评价。 关键词:TM遥感影像，图像分类，最大似然法，决策树 题目：遥感图像几种分类方法的比较...................................... 错误！未定义书签。摘要.. (1) 第一章绪论 (3)
1.1遥感图像分类的实际应用及其意义 (4) 1.2我国遥感图像分类技术现状 (5) 1.3遥感图像应用于测量中的优势及存在的问题 (6) 1.3.1遥感影像在信息更新方面的优越性 (6) 1.3.2遥感影像在提取信息精度方面存在的问题 (6) 1.4研究内容及研究方法 (8) 1.4.1研究内容 (8) 1.4.2 研究方法 (8) 1.5 论文结构 (9) 第二章遥感图像的分类 (9) 2.1 监督分类 (9) 2.1.1 监督分类的步骤 (9) 2.1.2 最大似然法 (11) 2.1.3 平行多面体分类方法 (12) 2.1.4 最小距离分类方法 (13) 2.1.5监督分类的特点 (13) 2.2 非监督分类 (14) 2.2.1 K-means算法 (14) K-均值分类法也称为 (14) 2.2.2 ISODATA分类方法 (15) 2.2.3非监督分类的特点 (17) 2.4遥感图像分类新方法 (17) 2.4.1基于决策树的分类方法 (17) 2.4.2 人工神经网络方法 (19) 2.4.3 支撑向量机 (20) 2.4.4 专家系统知识 (21) 2.5 精度评估 (22) 第三章研究区典型地物类型样本的确定 (24) 3.1 样本确定的原则和方法 (24) 3.2 研究区地物类型的确定 (24) 3.3样本区提取方案 (25) 3.4 各个地物类型的样本的选取方法 (25) 3.4.1 建立目视解译标志 (25) 3.4.2 地面实地调查采集 (26) 3.4.3 利用ENVI遥感图像处理软件选取样本点 (26) 第四章遥感图像分类实验研究 (26) 4.1遥感影像适用性的判定 (26) 4.2分类前的预处理 (28) 4.2.1空间滤波的处理 (28) 4.2.2 频域滤波处理 (28) 4.3利用ENVI软件对影像按照不同的分类方法进行监督分类 (30) 4.3.1监督分类 (30) 4.3.2 决策树 (33) 4.4分类后的处理 (35)
多时相土地利用/覆盖变化监测研究 方法及数据选取 土地是一个综合的自然地理概念，它处于地圈-生物圈-大气圈相互作用的界面，是各种自然过程和人类活动最为活跃的场所。地球表层系统最突出的景观标志就是土地利用和土地覆盖( Land Use and Land Cover)。由于土地利用和土地覆盖与人类的生活、生产息息相关，而人类活动正以空前的速度、幅度和空前规模改变着陆地环境。人类对土地资源的利用引起的土地利用和土地覆盖的变化是全球环境变化的重要因素之一，也是地球表面科学研究领域中的一个重要分支。因此，土地利用和土地覆盖的动态监测（Land Use and Land Cover Monitoring）是国内外研究的热点，也是当前全球变化研究计划的重要组成部分。 由多时相遥感数据分析地表变化过程需要进行一系列图像处理工作，大致包括：一、数据源选择，二、几何配准处理，三、辐射处理与归一化，四、变化监测算法及应用等。 一、遥感数据源的选取 不同遥感系统的时间分辨率、空间分辨率、光谱分辨率和辐射分辨率不同，选择合适的遥感数据是变化监测能否成功的前提。因此，在变化监测之前需要对监测区域内的主要问题进行调查，分析监测对象的空间分布特点、光谱特性及时相变化的情况，目的是为分析任务选择合适的遥感数据。同时，考虑到环境因素的影响，用于变化监测的图像最好是由同一个遥感系统获得，如果由于某种原因无法获得同一种遥感系统在不同时段的数据，则需要选择俯视角与光谱波段相近的遥感系统数据。 1时间分辨率 这里需要根据监测对象的时相变化特点来确定遥感监测的频率，如需要一年一次、一季度一次还是一月一次等。同时，在选择多时相遥感数据进行变化监测时需要考虑两个时间条件。首先，应当尽可能选择用每天同一时刻或者相近时间的遥感图像，以消除因太阳高度角不同引起的图像反射特性差异；其次，应尽可能选用年间同一季节，甚至同一日期的遥感数据，以消除因季节性太阳高度角不同和植物物候差异的影响。 2空间分辨率 首先要考虑监测对象的空间尺度及空间变异的情况，以确定其对于遥感数据的空间分辨率的要求。变化监测还要求保证不同时段遥感图像之间的精确配准。因此，最好是采用具有相同瞬时视场（IFOV）的遥感数据，如具有同样空间分辨率的TM图像之间就比较容易配准在一起。当然也可以使用不同瞬时视场遥感系统获取的数据，如某一日期的TM图像（30m ×30m）与另一日期的SPOT图像（20m×20m），来进行变化监测，在这种情况下需要确定一个最小制图单元20m×20m，并对这两个图像数据重采样使之具有一致的像元大小。 一些遥感系统按不同的视场角拍摄地面图像，如SPOT的视场角能达到±27°，在变化监测中如果简单采用俯视角明显不同的两幅遥感图像，就有可能导致错误的分析结果。例如，对一个林区，不均匀地分布着一些大树，以观测天顶角0°拍摄的SPOT图像是直接从上向下观测到树冠顶，而对于一幅以20°观测角拍摄的SPOT图像所记录的是树冠侧面的光谱反射信息。因此，在变化监测分析中必须考虑到所用遥感图像观测角度的影响，而且应当尽可能采用具有相同或相近的俯视角的数据。 3光谱分辨率 应当根据监测对象的类型与相应的光谱特性选择合适的遥感数据类型及相应波段。变化监测分析的一个基本假设是，如果在两个不同时段之间瞬时视场内地面物质发生了变化，则不同时段图像对应像元的光谱响应也就会存在差别。所选择的遥感系统的光谱分辨率应当足
遥感信息智能化提取方法 目前，大部分遥感信息的分类和提取，主要是利用数理统计与人工解译相结合的方法。这种方法不仅精度相对较低，效率不高，劳动强度大，而且依赖参与解译分析的人，在很大程度上不具备重复性。尤其对多时相、多传感器、多平台、多光谱波段遥感数据的复合处理，问题更为突出。在遥感影像相互校正方面，一些商业化的遥感图像处理软件，虽然提供了简单的影像相互校正和融合功能，但均是基于纯交互式的人工识别选取同名点，不仅效率非常低，而且精度也难于达到实用要求。因此,研究遥感信息的智能化提取方法对于提高遥感信息的提取精度和效率具有重要意义。 1．遥感图像分类 遥感图像分类是遥感图像处理系统的核心功能之一，它实现了基于遥感数据的地理信息提取，主要包括监督分类，非监督分类，以及分类后的处理功能。非监督分类包括等混合距离法分类（Isodata）等。监督分类包括最小距离（Minimum Distance）分类、最大似然（Maximum Likehood）分类、贝叶斯（Bayesian）分类、以及波谱角分类、二进制编码分类、AIRSAR散射机理分类等。 自动分类是计算机图像处理的初期便涉及的问题。但作为专题信息提取的一种方法，则有其完全不同的意义，是从应用的角度赋予其新的内容和方法。传统的遥感自动分类，主要依赖地物的光谱特性，采用数理统计的方法，基于单个像元进行，如监督分类和非监督分类方法，对于早期的MSS这样较低分辨率的遥感图像在分类中较为有效。后来人们在信息提取中引入了空间信息，直接从图像上提取各种空间特征，如纹理、形状特征等。其次是各种数学方法的引进，典型的有模糊聚类方法、神经网络方法及小波和分形。 近年来对于神经网络分类方法的研究相当活跃。它区别于传统的分类方法在于：在处理模式分类问题时，并不基于某个假定的概率分布，在无监督分类中，从特征空间到模式空间的映射是通过网络自组织完成的，在监督分类中，网络通过对训练样本的学习，获得权值，形成分类器，且具备容错性。人工神经网络 (ANN) 分类方法一般可获得更高精度的分类结果，因此 ANN方法在遥感分类中被广泛应用，特别是对于复杂类型的地物类型分类，ANN 方法显示了其优越性。如 Howald(1989)、McClellad(1989)、 Hepner(1990)、T.Yosh ida(1994)、K.S.Chen(1995)、J.D.Paola(1997) 等利用 ANN 分类方法对 TM 图像进行土地覆盖分类，在不同程度上提高了分类精度；Kanellopoulos(1992) 利用 ANN方法对 SPOT 影像进行了多达20类的分类，取得比统计方法更精确的结果；G.M.Foody(1996)用ANN对混合像元现象进行了分解；L.Bruzzone 等 (1997) 在 TM－5 遥感数据、空间结构信息数据、辅助数据（包括高程、坡度等）等空间数据基础下，用 ANN 方法对复杂土地利用进行了分类，比最大似然分类法提高了 9% 的精度。与统计分类方法相比较，ANN 方法具有更强的非线性映射能力，因此，能处理和分析复杂空间分布的遥感信息。2．基于知识发现的遥感信息提取
遥感实验报告
图1-1 第三步：获取分类模板信息，点击AOI，利用AOI-tools中的多边 形工具绘制某一地类的样区。将画好的耕地AOI添加到模板。 signature editor-edit-add. 重复步骤第三步，在图中采集多个 耕地样本。选择所有耕地样本模板，按merge按纽合并这组分类 模板。合并后将模板取名为耕地。利用同样的方法，依次做好其 灌草地、林地、水域、建设用地、裸地土地覆盖类型模板。如图 1-2：1990年图像的分类信息模板： 图1-2 2006年分类信息模板： 图1-3 第四步：保存分类模板。 2.评价分类模板 第一步：点signature editor-Evaluate-contingency，利用可能性矩阵方法评价分类模板精度。达到90以上即为精度满足要求，否则重 新选择训练样区，再次进行精度评价，直到精度满足。 1990年的模板评价结果： Classified Data forest and water forest urban ---------- ---------- ---------- ---------- ---------- forest and 99.83 0.00 1.14 1.66 water 0.00 100.00 0.00 0.00 forest 0.00 0.00 90.90 0.00 urban 0.00 0.00 0.00 98.34
bare land 0.17 0.00 0.00 0.00 formland 0.00 0.00 8.96 0.00 Column Total 604 638 703 602 Reference Data -------------- Classified Data bare land formland Row Total ---------- ---------- ---------- ---------- forest and 0.00 0.00 621 water 0.00 0.00 638 forest 0.00 4.88 662 urban 0.00 0.00 592 bare land 100.00 0.00 612 formland 0.00 95.12 648 Column Total 611 615 3773 ----- End of Error Matrix ----- 2006年影像的模板评价结果： 3 .执行监督分类 打开Classifier-surpervise classification,选择分类决策规
遥感原理与应用 1.试述遥感图像分类的方法，并简单分析各种分类方法的优缺点。答：监督分类：1、最大似然法；2、平行多面体分类法:这种方法比较简单，计算速度比较快。主要问题 是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致，也就造成俩类的互相重叠，混淆不清的情况；3、最小距离分类法:原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。通常使用马氏距离、欧氏距离、计程距离这三种判别函数。主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。 非监督分类：1、ISODATA； 2、K-Mean：这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果；主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。
面向对象的影像分类技术 “同物异谱，同谱异物”会对影像分类产生的影响，加上高分辨率影像的光谱信息不是很丰富，还有经常伴有光谱相互影响的现象，这对基于像素的分类方法提出了一种挑战，面向对象的影像分类技术可以一定程度减少上述影响。 本小节以ENVI中的面向对象的特征提取FX模块为例，对这种技术和处理流程做一个简单的介绍。 本专题包括以下内容： ??●面向对象分类技术概述 ??●ENVI FX简介 ??●ENVI FX操作说明 1、面向对象分类技术概述 面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间，纹理，和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。它主要分成两部分过程：影像对象构建和对象的分类。
影像对象构建主要用了影像分割技术，常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。比较常用的就是多尺度分割算法，这种方法综合遥感图像的光谱特征和形状特征，计算图像中每个波段的光谱异质性与形状异质性的综合特征值，然后根据各个波段所占的权重，计算图像所有波段的加权值，当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时，进行重复迭代运算，直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。 影像对象的分类，目前常用的方法是“监督分类”和“基于知识分类”。这里的监督分类和我们常说的监督分类是有区别的，它分类时和样本的对比参数更多，不仅仅是光谱信息，还包括空间、纹理等信息。基于知识分类也是根据影像对象的熟悉来设定规则进行分类。 目前很多遥感软件都具有这个功能，如ENVI的FX扩展模块、易康（现在叫Definiens）、ERDAS的Objective模块、PCI的FeatureObjeX（新收购）等。 表1为三大类分类方法的一个大概的对比。 类型基本原理影像的最小单元适用数据源缺陷 传统基于光谱的分类方 法地物的光谱信息 特征 单个的影像像元 中低分辨率多光谱 和高光谱影像 丰富的空间信息利 用率几乎为零 基于专家知识决策树根据光谱特征、空 间关系和其他上 下文关系归类像 元 单个的影像像元多源数据知识获取比较复杂 面向对象的分类方法几何信息、结构信 息以及光谱信息 一个个影像对象 中高分辨率多光谱 和全色影像 速度比较慢
江西省2017 年度土地利用变更调查与遥感监测项目预算绩效评价报告 从2010 年度开始，为了保持第二次全国土地调查数据的现势性，在全国范围内采用新机制、新方法开展年度土地变更调查与遥感监测工作。土地变更调查工作是对自然年度内的全省土地利用现状、权属变化，以及各类用地管理信息，进行调查、监测、核查、汇总、统计和分析等。开展全省土地利用变更调查与遥感监测省级核查任务工作是为了保障全省土地变更调查工作顺利进行，有序开展，保证全省土地变更调查成果质量，及时更新省级土地调查数据库，汇总分析全省年度土地利用变化情况，为国土资源“批、供、用、补、查”日常管理及经济社会发展提供基础资料。矚慫润厲钐瘗睞枥庑赖賃軔。 江西省国土资源勘测规划院申报了2017 年省财政厅拨款的江西省2017 年度土地利用变更调查与遥感监测项目，投资金额258 万元。为科学、客观、全面、规范地评价专项资金使用绩效，及时总结经验，分析存在问题及原因，为相关部门决策、管理提供参考依据，江西省国土资源厅组织了项目绩效评价。聞創沟燴鐺險爱氇谴净祸測。 遵循“客观、公正、科学、规范”的原则，依据“绩效导向，突出结果”的评价思路，江西省国土资源厅组织具有丰富调查经验、绩效评价和财务管理等方面的专业理论与实践经验的专家组成绩效评价小组，经过查阅资料、不断研究完善等过程，制定了涵盖产出指标、效益指标、服务对象满意度指标、预算资金执行率共4项一级指标、9项二级指标及25项三级指标。残骛楼諍锩瀨濟溆塹籟婭骒。
综合本项目的绩效指标完成情况、2017 年度资金使用情况、项目组织管理及项目效益实现情况，本项目绩效评价自评得分98 分，评分等级优秀。总体上达到了专项资金预设的绩效目标，政策实施效果良好，群众满意度较高。酽锕极額閉镇桧猪訣锥顧荭。 一、项目基本情况 （一）项目概况 1、立项背景及目的 为准确掌握2017 年度江西省土地利用实际变化情况，持续更新全省土地调查数据，充分发挥土地管理参与国民经济的宏观调控作用，实施最严格的耕地保护和节约集约用地等土地管理制度，按照《中华人民共和国土地管理法》、《土地调查条例》、《土地调查条例实施办法》和《全国土地变更调查工作规则（试行）》，全省开展了2017 年度土地利用变更调查与遥感监测工作，省级国土部门负责组织开展全省土地利用变更调查与遥感监测工作，负责全省工作进度、成果质量检查。按照国土资源部的统一部署和要求，江西省2017 年度土地利用变更调查与遥感监测项目由江西省国土资源厅实施，承担单位为江西省国土资源勘测规划院。彈贸摄尔霁毙攬砖卤庑诒尔。 江西省国土资源厅地籍管理处是省厅内设职能处室，主要职责是拟订地籍管理、土地确权、登记、争议调处办法，调处重大土地权属争议；承担各类土地登记资料的整理、共享和汇交管理工作；拟订土地调查、监测、统计的规程、规范、标准和土地调查、监测总体方案并组织实施；指导市、县（区）地籍工作。謀荞抟箧飆鐸怼类蒋薔點鉍。
摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程
遥感技术在土地利用分类中的应用 ——以秦皇岛为例 摘要：以LANDSAT TM遥感影像为数据源，经过波段选择、色彩合成、拼接裁剪、遥感图像增强和人机交互解译等步骤，将秦皇岛市土地利用类型分为耕地、林地、草地、水域湿地、建设用地和未利用土地等6类，绘制出秦皇岛市土地利用现状图。 关键字：遥感；土地利用；秦皇岛；土地分类 前言 土地是人类赖以生存和发展的物质基础，是社会生产的劳动资料，是农业生产的基本生产资料，是一切生产和一切存在的源泉[1]。土地是一种不可再生资源，且资源的数量是相对有限的，土地的利用是否合理直接关系着社会经济的未来发展。因此如何合理的配置现有的土地资源，使其不断满足经济、社会、环境等各方面的需求，逐渐成为学者们研究的焦点。 遥感技术具有高光谱分辨率、高空间分辨率、实时观测、重访周期短等特点，在土地利用中显示出明显的优势，在国内外得到了广泛应用[2]。本文以秦皇岛市为例，介绍遥感技术在土地利用分类中的应用。 1研究区域自然经济概况 秦皇岛市位于河北省东部沿海，处于北纬39o24'-40o37'，东经118o34'-119o51'。东邻辽宁、西接唐山、北靠燕山、南临渤海。西南距省会石家庄483km，西距首都北京280km，距天津220km。现辖海港区、山海关区、北戴河区3区和昌黎县、抚宁县、卢龙县、青龙满族自治县四县，为我国重要的综合性港口城市，著名的旅游城市。 随着秦皇岛市人口的增加和社会经济的发展，人类加大了对土地资源开发的力度，引起土地利用景观格局发生变化。对土地资源的过度和无序利用，导致秦皇岛市生态环境恶化，产生了土地退化、水土流失等严重威胁生存安全的生态问题。
漳平市2013年度土地变更调查与遥感监测技术方案（现状） 编制单位：集恩图造信息工程 编写者：王巧晖 时间：2013.12.12
一.项目概况 (3) 二．准备工作 (3) （一）总体控制 (3) （二）资料及设备准备 (4) （三）制作漳平市土地变更调查外业底图 (4) 三. 调查容与方法 (4) （一）开展遥感监测图斑核实及建设用地变更调查。 (5) （二）开展耕地现状变化调查。 (7) （三）开展其他现状变化调查。 (8) （四）开展地类信息专项调查标注。 (9) 四．有关问题说明 (9) （一）建设用地变更原则 (10) （二）建设用地认定原则 (10) （三）2012年度卫片执法变更原则 (10) （四）灾毁及荒废耕地变更原则 (10) 五．基本农田情况调查 (10) 六．更新县级土地调查数据库 (10) （一）数据库质量检查及更新方法。 (11)
（二）数据库质量检查及更新要求。 (11) （三）2013年度数据库变更有关问题说明。 (11) 一.项目概况 为准确掌握2013年度漳平市土地利用变化情况，保持第二次土地调查成果现势性，在第二次土地调查及上年度土地变更调查成果的基础上，采用国土部下发的卫星遥感影像，利用地理信息等技术手段，在漳平市开展土地变更调查监测与核查工作，更新土地调查数据库。为保证本项工作顺利开展，特编写本技术方案。 二．准备工作 （一）总体控制 漳平市2013年度土地变更调查以经国家确认的2012年度土地调查数据库为基础。2012年度土地变更调查及2013年度界线调整形成的各级控制界线、控制面积和各地类面积，作为2013年度变更调查的基础及2013年度土地矿产卫片执法检查单元，不得随意更改。2013年度漳平市行政区域界线发生调整的，由省级国土资源主管部门统一将调整后的控制界线、控制面积、涉及界线调整的县级土地调查数据库和相关说明材料上报国土部进行备案。
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 15 1/25 2003年3月26日LandsatETM+ 1-8波段 1 15m（全色） 30m(多光谱) 1996年9月6日LandsatTM1-7波段130 1988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）：
遥感影像土地利用分类方法研究进展 摘要: 为了研究遥感影像土地利用分类的方法，综述了国内外近10年的遥感图像分类研究。在分析当前主要遥感影像分类方法的基础上，从传统的分类方法和传统分类方法的改进两个方面，对遥感影像土地利用分类方法研究进展进行了阐述。本研究还存在不足，今后还需进一步研究利用各种遥感影像分类方法相互结合的应用。 关键词: 遥感影像；土地利用；分类方法 引言 土地利用变化研究是全球变化及其区域响应研究的核心领域，研究土地利用变化及其生态环境效应有助于提高人们对区域生态环境问题的认识，并可为有关部门的土地利用规划、管理与决策提供科学依据[1]。目前，利用遥感图像分类获得土地利用信息已经成为土地利用变化研究必不可少的一步。遥感图像分类就是把图像中的每一个像元或区域划分为若干类别中的一种，即通过对各类地物的光谱特征分析来选择特征参数，将特征空间划分为互不重叠的子空间，然后将影像内各个像元划分到各子空间中去，从而实现分类。由于新的分类方法的大量涌现，遥感图像分类方法出现了很多问题。因此，本研究在分析当前主要遥感图像分类方法的基础上，将遥感图像分类方法划分为传统的分类方法、传统分类方法的改进两大类，从这两个方面对遥感图像土地利用分类方法的研究进展进行了阐述。 1 传统分类方法 1.1目视解译 目视解译是根据确定的分类系统和解译标志以及解译经验，对图像进行判读等方法来获取土地利用的分类，这种方法目前仍被广泛使用。它是人们通过遥感技术获取目标信息最直接、最基本的方法。李秀梅提出对于数据精度产生的尺度效应研究过程中，通常采用目视解译并依据转换误差最小原则栅格化矢量数据，以保障数据精度，这是一种比较成功的分类方法，具有简单易操作，利于空间信息提取，灵活性强等优点，但解译中显示尺度越小，带状、面积小和边界曲折的景观要素类型损失越严重，会影响数据精度[2]。由于解译人员的专业知识水平以及解译经验的限制，解译结果会存在差异，此方法受个人主观因素影响大。 1.2 基于统计分析的分类方法 基于统计的分类方法是在数理统计的基础上，进行遥感图像的自动分类，因而又称为计算机自动分类方法。它主要包括监督分类和非监督分类。 1.2.1 监督分类 监督分类，是指通过选择具有代表已知地面覆盖类型的训练样本区，用训练样本区中已知地面各类地物样本的光谱特性来训练计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，分别归入到已知具有最大相似度的类别中。监督分类的主要方法有最小距离法、最大似然法、神经元网络分类法、马氏距离法等。其中，最大似然法是监督分类中最常用的方法。章恒等利用多源遥感影像对红树林信息提取方法进行比较，得出最大似然法与影像的特征光谱信息量相关性较强的结论[3]。孙琳等在对太湖流域HJ-1B影像分类过程中提出最大似然法的分类结果存在较严重的“椒盐噪声”现象，分类图像较破碎，而且从图像上能直观地发现林地分类误差[4]。对比改进后的传统分类方法，最大似然法在分类结果的精度上略显不足。 1.2.2非监督分类
北京揽宇方圆信息技术有限公司 、 遥感卫星影像数据信息提取 北京揽宇方圆信息技术有限公司中科院企业,卫星影像数据服务全国领先。业务包括遥感数据获取与分发、遥感数据产品深加工与处理。按照遥感卫星数据一星多用、多星组网、多网协同的发展思路,根据观测任务的技术特征和用户需求特征,重点发展光学卫星影像、雷达卫星影像、历史卫星影像三个系列,构建由 26个星座及三类专题卫星组成的遥感卫星系统,逐步形成高、中、低空间分辨率合理配置、多种观测技术优化组合的综合高效全球观测和数据获取能力形成卫星遥感数据全球接收与全球服务能力。 (1光学卫星影像系列。 面向国土资源、环境保护、防灾减灾、水利、农业、林业、统计、地震、测绘、交通、住房城乡建设、卫生等行业以及市场应用对中、高空间分辨率遥感数据的需求,提供 worldview1、worldview2、worldview3、worldview4、quickbird、geoeye、 ikonos、pleiades、spot1、spot2、spot3、spot4、spot5、spot6、spot7、landsat5(tm、 landsat(etm、 rapideye、alos、Kompsat 卫星、北京二号、资源三 号、高分一号、高分二号等高分辨率光学观测星座。围绕行业及市场应用对基础地理信息、土地利用、植被覆盖、矿产开发、精细农业、城镇建设、交通运输、水利设施、生态建设、环境保护、水土保持、灾害评估以及热点区域应急等高精度、高重访观测业务需求,发展极轨高分辨率光学卫星星座,实现全球范围内精细化观测的数据获取能力。像国产的中分辨率光学观测星座。围绕资源调查、环境监测、防灾减灾、碳源碳汇调查、地质调查、水资源管理、农情监测等对大幅宽、快速覆盖和综合观测需求,建设高、低轨道合理配置的中分辨率光学卫星星座,实现全球范围天级快速动态观测以及全国范围小时级观测。
遥感图像分类方法的国内外研究现状与发展趋势
遥感图像分类方法的研究现状与发展趋势 摘要：遥感在中国已经取得了世界级的成果和发展，被广泛应用于国民经济发展的各个方面，如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等，形成了适合中国国情的技术发展和应用推广模式。随着遥感数据获取手段的加强，需要处理的遥感信息量急剧增加。在这种情况下，如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求，正成为遥感信息处理面临的一大难题。这里涉及二个方面，一是遥感图像处理本身技术的开发，二是遥感与地理信息系统的结合，归结起来，最迫切需要解决的问题是如何提高遥感图像分类精度，这是解决大区域资源环境遥感快速调查与制图的关键。 关键词：遥感图像、发展、分类、计算机 一、遥感技术的发展现状 遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。这种发展主要表现在以下4个方面： 1. 多分辨率多遥感平台并存。空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台
上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。 2. 微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。微波具有穿透性强、不受天气影响的特性，可全天时、全天候工作。微波遥感采用多极化、多波段及多工作模式，形成多级分辨率影像序列，以提供从粗到细的对地观测数据源。成像雷达、激光雷达等的发展，越来越引起人们的关注。例如，美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术，在一架航天飞机上安装了两个雷达天线，对同一地区一次获取两幅图像，然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。高光谱遥感的出现和发展是遥感技术的一场革命。它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。高光谱遥感的发展，从研制第一代航空成像光谱仪算起已有二十多年的历史，并受到世界各国遥感科学家的普遍关注。但长期以来，高光谱遥感一直处在以航空为基础的研究发展阶段，且主要
基于高分辨率遥感影像城市土地利用类型分类方法比较摘要：本文是以面向对象的方法，高分辨率遥感影像为数据源，利用监督分类和基于专家知识的决策树分类对研究区进行城市土 地利用类型分类及对分类结果进行比较。实验证明，对于高分辨率遥感影像来说，以选择训练样区为基础的监督分类精度要高于结合专家知识的决策树分类效果。 关键字：spot影像，监督分类，决策树分类，envi，分类比较abstract: this article is based on the object-oriented method, high resolution remote sensing image as data sources, using supervised classification based on expert knowledge and decision tree category in the study area of urban land use type and classification of classification results are compared. experiments show that for high resolution for remote sensing image, to select the training sample area based supervision and classification accuracy than combining the expert knowledge decision tree classification effect. key word: spot image, supervision and classification, the decision tree classification, envi, classification comparison 1引言 随着深圳特特区一体化和城市化的快速发展，如何最大限度地利
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 1/25 2003年3月26日LandsatETM+ 1-8波段 1 15m（全色） 30m(多光谱) 1996年9月6日LandsatTM1-7波段130 1988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）：