表2 基于像素得变化检测方法简介
方法
简介 图像差值 使用两个精确配准得图像来产生表示变化得差值图像。可以直接从像素得辐射值或
者在提取得/导出得/变换得图像(如纹理或植被指数)上测量差异。在数学上,差异图像
得表示就是:12(,)(,)(,)d I x y I x y I x y =-,其中I 1与I 2就是时间t 1与t 2得图
像,(x,y )就是坐标,I d 就是差分图像。没有辐射变化得像素分布在均值周围(Lu 等,2005),
而变化得像素分布在分布曲线得尾部(Singh,1989)。 由于变化可能出现在两个方向
上,因此决定由那个图像减去那个图像(Gao,2009)。
图像比值 计算两个共同配准得图像之间得比率。数学上:12(,)(,)
r I x y I I x y =,与图像差值不同,图像得顺序并不重要,因为变化结果以比率表示,未变化得区域在理论上应该为1。
回归分析 假定从时间(t 2)开始得图像I 2就是从时间(t 1)开始得图像I 1得线性函数。 图像I 2被视
为“参考”图像。 然后调整I 1图像以匹配参考图像得辐射测量条件。回归分析(如最小
二乘回归)可以通过对I 1图像进行辐射度量归一化以匹配参考图像来帮助识别增益与
偏移量(Lunetta,1999)。 变化(I d )图像由检测到从第一次日期图像中减去回归图像。
数学上:?(,)(,)d d I x y aI x y b =+; ?(,)(,)(,)d d d
I x y I x y I x y =- 植被指数差值 植被在红光与近红外波段光谱反射率间得显著差异,通过波段组合,形成植被指数。通
常,对于变化检测,两个图像分别产生植被指数,然后应用基于标准像素得变化检测(例
如差值或比值)。
现有得植被指数有:基于比值得植被指数(RVI ),归一化植被指数(NDVI )与土壤调整植
被指数(SAVI )等。
变化向量分析(CVA ) 可以同时分析变化检测得多个图像波段。 CVA 背后得想法就是,随着时间得推移,具
有不同值得特定像素位于特征空间中基本不同得位置(Jensen,2005)。像素值被视为光
谱波段得矢量,通过减去不同日期所有像素得矢量(Malila,1980)计算变化矢量(CV )。
CV 得方向描绘了变化得类型,而变化得大小对应于CV 得长度。 也可以对转换后得
数据执行CVA (例如,Kauth-ThomasTransformation,KTT )。
主成分分析(PCA ) PCA ,数学上就是基于“主轴转换”,就是将多元数据转换为一组新得成分,从而减少了数
据冗余(Lillesand et al 、,2008)。 PCA 使用协方差矩阵或相关矩阵将数据转换为独立
不相关得数据。结果矩阵得特征向量按降序排序,其中第一主成分(PC)表示大部分数
据变化。随后得分量定义下一个最大得变化量,并且与前面得主分量就是独立得(正交
得)。在PCA 中,假定没有变化得区域就是高度相关得,而变化得区域则不就是。在多
时相图像分析中,PC1与PC2倾向于代表未改变得区域,而PC3与后来得PCs 包含改
变信息(Byrne 等,1980; Ingebritsen 与Lyon,1985; Richards,1984)。使用两种基于PCA
得变化检测方法。第一个,单独得旋转,就是分别从图像获取PC ,然后使用其她变化检
测技术(如图像差值)。第二种就是合并方法,其中双时间图像被合并为一个集合并且
PC 被应用。与双时间数据具有负相关性得PCs 对应于变化。 Coppin 与Bauer(1996)
主张检查数据得特征结构与对组合图像得视觉检查来分析变化类型。有时,为了确定
变化类型,在PCA排序图中完成一组值;然而,Zuur等(2007)认为,在不知道已经发生得
实际变化得情况下,它可能就是不准确或误导得。
穗帽变换(KT) KT就是多波段与多日期数据集得正交化(线性变换),与PCA不同,它就是固定得。这
些输出功能代表绿色指标得亮度与湿度。由Kauth与Thomas(1976)提出,它分析了光
谱数据得结构,这就是场景类别特定特征得一个函数。与PCA不同,MKT不依赖于场
景,并使用稳定与校准得变换系数,以确保其适用于不同区域与不同时间(Crist,1985)。
该变化就是基于亮度,绿度与湿度值来测量得(Lu等,2004)。Gram-Schmidt(GS)就是
通过修改KT来处理多时相数据产生得,该数据产生对应于KT亮度,绿度与湿度得多
时相相似物以及变化成分(Collins与Woodcock,1994)得稳定成分。
分类后比较就是最明显得定量变化检测方法,因为它提供了“from-to”改变信息(Bouziani等,2010;
Im与Jensen,2005; Jensen,2005)。最初用于70年代后期,它比较两个分类图像以生成
变化矩阵,它经常用作新兴变化检测技术定性评估得基准(Lunetta,1999)。在这种方法
中,双时间图像首先被整理与分类,然后比较分类后得图像以测量变化。两个图像得类
必须相同才能一对一比较。来自单个图像分类得误差在最终变化图中传播,降低了最
终变化检测得准确性(Chan等,2001; Dai与Khorram,1999; Lillesand等,2008)。为了
改善变化检测结果,单个图像得分类必须尽可能准确。
复合或直接多时相分类复合或直接多时相分类技术属于最早得半自动化方法之一,用于生成土地利用与土地
覆盖变化地图(Lunetta,1999)。多时相图像首先堆叠在一起。PCA技术通常用于将频
谱成分得数量减少到较少得主成分(Mas,1999; Singh,1989)。PCA中得次要成分倾向
于增强光谱对比度并代表变化信息(Collins与Woodcock,1996)。时间与光谱特征在整
合数据集中具有相同得地位,使得其很难将一幅多光谱图像内得光谱变化与分类中图
像之间得时间变化分开(Schowengerdt,1983)。
机器学习支持向量机(SVM)就是一种监督非参数统计学习技术,不假设数据分布。支持向量机
就是基于统计学习理论,实现分类得结构风险最小化(Vapnik,2000)。当应用于叠加多
时相图像时,变化与不变被视为二元分类问题(Huang 等,2008)。该算法从训练数据中
学习,并自动从频谱特征中找出阈值(Bovolo等,2008),用于对变化/未变化进行分类。
决策树(DT)分类算法也就是非参数得,没有关于数据分布与独立性得假设。这些DT
算法构建了一个类似流程图得树(分层)结构,其中每个节点表示对多个属性值得测试,
每个分支表示测试得结果,树叶表示类或类分布(Han 等,2011; Larose,2005)。DT节点
处得分类规则基于对属性值得分析。一旦建立了DT,它可以用于对未知情况进行分
类。变与不变可以视为二元分类问题,也可以执行后分类比较以测量变化。其她一
些用于分类与变化检测得机器学习算法包括: 遗传算法(Makkeasorn等,2009),随机森
林(Pal,2005; Sesnie等,2008; Smith,2010)与细胞自动机(Yang等,2008)。
基于GIS 目前大多数图像处理系统都就是集成得或兼容地理信息系统(GIS )。GIS 为数据整合,
可视化,分析与制图生成提供了基础。数据流可以就是双向得,因为GIS 数据可以用于叠加到图像上;或者,可以使用图像分析得结果来更新GIS 数据。例如,存储在GIS 数据库中得宗地图层用于帮助图像中得分类与变化检测(参见例如Smith,2008)。同样,图像数据用于更新GIS 数据库。GIS 还允许整合过去与现在得地图进行比较与变化检测。在这种情况下,图像重叠与二值掩膜可以帮助定量揭示每个类别中得变化动态。 Li(2010)倾向于使用变化检测得空间关联,空间聚类,空间关系,空间分布,空间演化与空间特征等GIS 数据与方法。 Petit 等(2001)提出了一种土地覆盖变化检测方法,将来自图像数据得土地覆盖图进行整合。通过更频繁地使用基于对象得图像分析技术,GIS 与RS 集成得适用性得到增强。存储在GIS 数据库中得对象得空间信息可以在与RS 图像提取得变化检测结果(Bouziani 等,2010)相关联时发挥重要作用。例如,Walter(2004)提出了一种基于对象得变化检测技术,其中从GIS 数据库中提取训练数据以对图像进行分类,然后将图像中得分类对象与存储在GIS 中得对象进行比较以测量变化。
基于纹理分析得变化检测 测量图像得纹理特征并进行变化检测比较。纹理提供了关于对象得结构布局以及邻
域关系得信息(Caridade 等,2008)。通过比较图像得纹理值来测量变化。在几种纹理测量算法中,常见得就是灰度共生矩阵(GLCM ),它就是二阶统计量(Haralick 等,1973; Sali 与Wolfson,1992)。GLCM 检查光谱以及灰度值得空间分布。通常将图像分成更小得窗口,而不就是按像素比较。纹理被计算并且在窗口级完成比较。 He 与Wang(1991)强调只有结合光谱数据才能使用纹理信息。
多时相光谱混合分析 光谱混合分析(SMA )已被用于解决增加得维度(一个像素中超过一个目标类别),因为其
具有高光谱分辨率。SMA 中得假设就是多光谱图像像素可以根据它们得纯光谱分量得子像素比例来定义,然后可以将其与场景中得表面成分相关联。 在一个简单得例子中,线性混合模型,通过每个端元得地面覆盖百分比加权得端元(具有指示纯覆盖类型得光谱响应得场景元)线性组合(Versluis 与Rogan,2009)。 线性光谱混合模型如下: 1n i ij j i j r a f e ==+∑
r i 就是光谱波段i 中给定像素得反射率;n 就是混合成分得数量;f j 就是r i 中端元j 得面积比例或分数;a ij 就是端元j 在光谱波段i 上得反射率;e i 就是残差,即观察到得(r i )与建模像素值之间得差异(Versluis 与 Rogan, 2009)。
Solans Vila 与Barbosa(2010)认为,选择端元得数量与频谱以准确应用SMA 技术非常重要,这些SMA 技术可以基于图像本身,也可以在现场或实验室中使用场光谱测量。
模糊变化检测 模糊性处理类标签得模糊性,意味着不同类别与现象之间得界限就是模糊得,并且类别
内部可能就是由于物理差异存在异质性(Lizarazo and Joana,2010)。当难以选择阈值以区分变化与不变时,这变得很重要。模糊推理得结果不就是离散与清晰得,而就是用'概率'来表示得(Metternicht,1999)。它可以包含仅具有部分隶属度得元素。 模糊隶属度与概率解释不同,因为模糊集由隶属函数(隶属度)定义,而具有最高概率得类被解释
为实际类。然后可以应用分类后比较来测量变化(Eklund 等,2000; Fisher 等,2006; Fisher 与Pathirana,1993; Foody 与Boyd,1999)。
基于多传感器数据融合得变化检测以不同得空间、光谱与时间分辨率采集RS数据可以形成一个图像金字塔,从而以不同得分辨率获取数据。来自不同传感器得数据反映地形得特定方面,并且使用来自不同传感器得数据可能有助于识别某些属性。尽管使用不同得传感器并不理想,但有时候这种方法很有用,特别就是在进行时间序列分析时,其中一个传感器可能无法使用(Serra 等,2003)。多光谱RS数据在处理异质土地利用与三维结构(特别就是城市地区)时也很有用(Griffiths等,2010; Richards,2005)。Pohl与Van Genderen(1998)认为融合图像数据得特征取决于应用得预处理与融合技术。低分辨率图像与高分辨率图像之间得光谱含量差异导致干扰。当融合变化检测得多传感器数据时,需要理解输入数据得物理特性,以便选择适当得处理方法并判断所得到得数据。不同得像素大小会影响分类结果。较低分辨率图像得分类将会遗漏VHR图像中出现得一些元素。当图像重叠时,像素大小与/或网格原点也会导致几何误差。Petit与Lambin(2001)使用GIS解决了当使用SPOT XS与航空照片进行土地覆盖变化分析时,不同来源得不一致性。她们认为,由于不同得来源,变化检测中得残差约3-5％,主要就是由于位置与制图错误。Deng等(2008)使用了SPOT-5(XS)与Landsat-7(ETM +)数据并用了PCA。她们报告了总体精度为89、54％、kappa系数为0、88。
第11卷第2期2009年4月 地球信息科学学报 JOURNAL OF GE O 2I N F OR MATI O N SC I E NCE Vol 111,No 12 Ap r 1,2009 收稿日期:2008-11-7;修回日期:2009-03-05. 基金项目:中国博士后科学基金项目(20080430586);国家自然科学基金(40801161、40701114);国际科技合作计划项 目(2007DF A20640);中国科学院王宽诚博士后工作奖励基金。 作者简介:彭光雄(1978-),男,湖南永州人,中国科学院遥感应用研究所博士后,主要从事资源环境遥感研究。 E 2mail:pgx457600@g mail 1com 。 3通讯作者:宫阿都(1976-),男,山东烟台人,讲师,博士,主要从事GI S 与城镇信息系统研究。E 2mail:gad@ires 1cn 多时相影像的典型区农作物识别分类方法对比研究 彭光雄1 ,宫阿都 32 ,崔伟宏1,明 涛3,陈锋锐 1 (1中国科学院遥感应用研究所,北京 100101;2北京师范大学减灾与应急管理研究院,北京 100875; 3中国科学院地理科学与资源研究所,北京 100101) 摘要:基于甘蔗和玉米的物候特征差异,对多时相影像典型分类方法处理的适宜性和准确性进行了比较研究。并以目视解译结果作为参考数据,利用全样本检验法,对自动分类的结果进行了精度检验。试验结果表明:面向对象法的分类精度最高,总体Kappa 系数为01655,是最适宜的方法;其次是BP 神经网络法和光谱角制图法,总体Kappa 系数分别为01635和01631;而最大似然法和分类后比较法则是不适宜采纳的分类方法,总体 Kappa 系数分别为01601和01577。上述分析可见,它们对遥感分类处理多时相影像识别算法的适用性选取有一 定参考意义。 关键词:多时相影像;遥感分类;方法比较 1 引言 农作物的遥感识别分类是农作物遥感估产的前提和出发点,成为农业遥感的焦点之一。然而相对于其他地物类型而言,农作物在光谱上具有更多的相似性,遥感影像难以区分,高光谱、高空间分辨率和多时相是解决此问题的三个主要途径。高光谱遥感影像具有能区分农作物更细微的光谱差异,探测农作物在更窄波谱范围的变化特点,利于提高识别作物的准确性 [124] ,但高光谱遥 感数据不容易获取,限制了其大面积的使用。高空间分辨率遥感影像能够提供农作物丰富的纹理信息,有利于农作物类型的区分,然而高空间分辨率遥感影像便于人工判读解译,不利于计算机自动分类 [529] 。由于不同农作物类型之间的物候特 征存在差异,利用多时相的遥感影像区分不同农作物类型是一种行之有效的方法 [10213] 。地表类型的遥感分类方法多种多样,对于不同特点的影像各种方法的适用性也存在很大差异 [14] 。而通过试 验以比较分析典型的分类方法,对多时相影像遥感分类的适宜性和准确性的研究也很少,因而, 这类研究对于指导多时相影像的遥感识别分类和基于物候特征的遥感监测具有重要的参考价值。 本文应用两个不同时相的遥感影像,针对甘蔗和玉米物候特征的差异,采用多种典型的遥感分类方法对其进行识别提取和对比研究。 2 研究区数据源及其处理分析 研究区选择在云南省弥勒县境内的竹园坝地区,位于103°20′～103°26′E,24°2′～24°9′N 之间,是南北走向的山间谷地,为弥勒县的重要甘 蔗基地,南北长约13km ,东西宽约6km (如图1)。该区为亚热带季风气候,平均海拔1170m ,年平均气温1914℃,无霜期340天,年平均降雨量953mm ,年平均相对湿度70%,光照充足、有效 温期长、昼夜温差大、霜雪日短,十分有利于甘蔗糖分的积累,具有发展蔗糖业得天独厚的自然条件。竹园镇光热资源充足,土壤肥沃,水利条件好,蔗糖、粮食、畜牧、蔬菜为该地区的四大传统产业,玉米和水稻是主要粮食作物。
数据中异常值的检测与处理方法 一、数据中的异常值 各种类型的异常值： 数据输入错误：数据收集，记录或输入过程中出现的人为错误可能导致数据异常。例如：一个客户的年收入是$ 100,000。数据输入运算符偶然会在图中增加一个零。现在收入是100万美元，是现在的10倍。显然，与其他人口相比，这将是异常值。 测量误差：这是最常见的异常值来源。这是在使用的测量仪器出现故障时引起的。例如：有10台称重机。其中9个是正确的，1个是错误的。 有问题的机器上的人测量的重量将比组中其他人的更高/更低。在错误的机器上测量的重量可能导致异常值。 实验错误：异常值的另一个原因是实验错误。举例来说：在七名跑步者的100米短跑中，一名跑步者错过了专注于“出发”的信号，导致他迟到。 因此，这导致跑步者的跑步时间比其他跑步者多。他的总运行时间可能是一个离群值。 故意的异常值：这在涉及敏感数据的自我报告的度量中通常被发现。例如：青少年通常会假报他们消耗的酒精量。只有一小部分会报告实际价值。 这里的实际值可能看起来像异常值，因为其余的青少年正在假报消费量。 数据处理错误：当我们进行数据挖掘时，我们从多个来源提取数据。某些操作或提取错误可能会导致数据集中的异常值。 抽样错误：例如，我们必须测量运动员的身高。错误地，我们在样本中包括一些篮球运动员。这个包含可能会导致数据集中的异常值。 自然异常值：当异常值不是人为的（由于错误），这是一个自然的异常值。例如：保险公司的前50名理财顾问的表现远远高于其他人。令人惊讶的是，这不是由于任何错误。因此，进行任何数据挖掘时，我们会分别处理这个细分的数据。
在以上的异常值类型中，对于房地产数据，可能出现的异常值类型主 要有：(1)数据输入错误，例如房产经纪人在发布房源信息时由于输入错误，而导致房价、面积等相关信息的异常；在数据的提取过程中也可能会出现异常值，比如在提取出售二手房单价时，遇到“1室7800元/m 2”，提取其中的数字结果为“17800”，这样就造成了该条案例的单价远远异常于同一小区的其他房源价格，如果没有去掉这个异常值，将会导致整个小区的房屋单价均值偏高，与实际不符。(2)故意的异常值，可能会存在一些人，为了吸引别人来电询问房源，故意把价格压低，比如房屋单价为1元等等；(3)自然异常值。房价中也会有一些实际就是比普通住宅价格高很多的真实价格，这个就需要根据实际请况进行判断，或在有需求时单独分析。 二、数据中异常值的检测 各种类型的异常值检测： 1、四分位数展布法 方法[1]：大于下四分位数加倍四分位距或小于上四分位数减倍。 把数据按照从小到大排序，其中25%为下四分位用FL 表示，75%处为上四分位用FU 表示。 计算展布为：L U F F F d -=，展布（间距）为上四分位数减去下四分位数。 最小估计值（下截断点）：F L d F 5.1- 最大估计值（上截断点）：F U d F 5.1+ 数据集中任意数用X 表示，F U F L d F X d F 5.15.1+<<-， 上面的参数不是绝对的，而是根据经验，但是效果很好。计算的是中度异常，参数等于3时，计算的是极度异常。我们把异常值定义为小于下截断点，或者大于上截断点的数据称为异常值。
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
微波遥感技术的应用现状综述 彭文放02126033 （西安电子科技大学 021261班） 摘要：针对我国微波遥感的应用现状进行综述。微波技术已经在冰雪、海洋、气象、农业、军事、灾害监测、以及室内实验方面得到了广泛研究和应用，在未来必将得到更加深入发展。 关键词：微波遥感应用现状 中图文分类号：TP7 文献标识码：A 1 引言 遥感技术包括传感器技术，信息传输技术，信息处理、提取和应用技术，目标信息特征的分析与测量技术等。遥感技术依其遥感仪器所选用的波谱性质可分为：电磁波遥感技术、声纳遥感技术、物理场（如重力和磁力场）遥感技术。电磁波遥感技术是利用各种物体／物质反射或发射出不同特性的电磁波进行遥感的。其可分为可见光、红外、微波等遥感技术。按照感测目标的能源作用可分为：主动式遥ks5u感技术和被动式遥感技术。按照记录信息的表现形式可分为：图像方式和非图像方式。按照遥感器使用的平台可分为：航天遥感技术、航空遥感技术、地面遥感技术。按照遥感的应用领域可分为：地球资源遥感技术、环境遥感技术、气象遥感技术、海洋遥感技术等。微波遥感是利用某种传感器接收地面各种地物发射或反射的微波信号，籍以识别、分析地物、提取所需信息。微波遥感分为主动式和被动式。主动式包括成像雷达、微波散射计微波高度计和降雨雷达；被动式主要有微波辐射计。这些微波遥感器各有特点和适用范围。 2微波遥感额特点 微波遥感器不受或很少受云、雨、雾的影响，不需要光照条件，可以全天候，全天时的取得图像和数据。又因为微波有一定的穿透能力，故能获得较深层的信息。在毫米波亚毫米波段有一些气体有谐振谱线，利于监测。微波遥感：是传感器的工作波长在微波波谱区的遥感技术，是利用某种传感器接受地理各种地物发射或者反射的微波信号，藉以识别、分析地物，提取地物所需的信息。微波遥感是20世纪后期发展起来的新一代先进航天遥感技术。1888年，物理学家赫兹发现了电磁波，为无线电通信开辟了道路。19世纪末无线电的发送、接收技术和20世纪初电子管的发明，带来了20世纪科学技术的突飞猛进。20世纪80
目录 摘要......................................................................... I 关键词...................................................................... I 1引言 (1) 2异常值的判别方法 (1) 检验（3S）准则 (1) 狄克松（Dixon）准则 (2) 格拉布斯（Grubbs）准则 (2) 指数分布时异常值检验 (3) 莱茵达准则（PanTa） (3) 肖维勒准则（Chauvenet） (4) 3 实验异常数据的处理 (4) 4 结束语 (5) 参考文献 (6)
试验数据异常值的检验及剔除方法 摘要：在实验中不可避免会存在一些异常数据，而异常数据的存在会掩盖研究对象的变化规律和对分析结果产生重要的影响，异常值的检验与正确处理是保证原始数据可靠性、平均值与标准差计算准确性的前提.本文简述判别测量值异常的几种统计学方法，并利用DPS软件检验及剔除实验数据中异常值，此方法简单、直观、快捷，适合实验者用于实验的数据处理和分析. 关键词：异常值检验；异常值剔除；DPS；测量数据
1 引言 在实验中，由于测量产生误差，从而导致个别数据出现异常，往往导致结果产生较大的误差，即出现数据的异常.而异常数据的出现会掩盖实验数据的变化规律，以致使研究对象变化规律异常，得出错误结论.因此，正确分析并剔除异常值有助于提高实验精度. 判别实验数据中异常值的步骤是先要检验和分析原始数据的记录、操作方法、实验条件等过程，找出异常值出现的原因并予以剔除. 利用计算机剔除异常值的方法许多专家做了详细的文献[1] 报告.如王鑫，吴先球，用Origin 剔除线形拟合中实验数据的异常值；严昌顺．用计算机快速剔除含粗大误差的“环值”；运用了统计学中各种判别异常值的准则，各种准则的优劣程度将体现在下文. 2 异常值的判别方法 判别异常值的准则很多，常用的有t 检验（3S ）准则、狄克松（Dixon ）准则、格拉布斯（Grubbs ）准则等准则.下面将一一简要介绍. 2.1 检验（3S ）准则 t 检验准则又称罗曼诺夫斯基准则，它是按t 分布的实际误差分布范围来判别异常值，对重复测量次数较少的情况比较合理. 基本思想：首先剔除一个可疑值，然后安t 分布来检验被剔除的值是否为异常值. 设样本数据为123,,n x x x x ，若认j x 为可疑值.计算余下1n -个数据平均值 1n x -及标准差1n s - ，即2 111,1,1n n i n i i j x x s n --=≠=-∑. 然后，按t 分布来判别被剔除的值j x 是否为异常值. 若1(,)n j x x kn a -->，则j x 为异常值，应予剔除，否则为正常值，应予以保留.其中：a 为显著水平；n 数据个数；(,)k n a 为检验系数，可通过查表得到.
遥感影像变化检测报告 学院： 专业： 指导老师： 小组成员： 2013年5月
1、遥感影像变化检测的概念 遥感影像变化检测指利用多时相获取的覆盖同一地表区域的遥感影像及其它辅助数据 来确定和分析地表变化。它利用计算机图像处理系统，对不同时段目标或现象状态的变化进行识别、分析；它能确定一定时间间隔内地物或现象的变化，并提供地物的空间分布及其变化的定性与定量信息。 由此可知，遥感影像变化检测是从不同时期的遥感图像中，定量地分析和确定地物变化的特征和过程。它涉及到变化的类型、分布状况及变化信息的描述，即需要确定变化前后的地物类型、界限和分析变化的属性。变化检测的研究对象为地物，包括自然地物和人造地物，其中人造地物在军事上常被称为目标。描述地物的特性包括：空间分布特性、波谱反射与辐射特性、时相变化特性。遥感影像的变化检测在土地覆盖变化监测、环境变迁动态监测、自然灾害监测、违章建筑物查处、军事目标打击效果分析以及国土资源调查等方面拥有广泛的应用价值和商业价值。 变化检测通常包括以下4个方面的内容： (1)判断是否发生了变化，即确定研究区域内地物是否发生了变化； (2)标定变化发生的区域，即确定在何处发生了变化，将变化像元与未变化像元区分开来； (3)鉴别变化的性质，给出在每个变化像元上所发生变化的类型，即确定变化前后该像元处的地物类型； (4)评估变化的时间和空间分布模式。 其中，前两个方面是变化检测所要解决的基本问题，而后两个方面则根据应用要求决定是否需要做。 2、遥感影像变化检测的三个层次 遥感图像分析过程中通常包括数据层处理、特征层处理和目标层处理三个过程。依据这三个层次划分，可将变化检测分为：像元级变化检测、特征级变化检测和目标级变化检测。 (1)像元级变化检测是指直接在采集的原始图像上进行变化检测。尽管基于像元的变化检测有它一定的局限性，但由于它是基于最原始的图像数据，能更多地保留图像原有的真实感，提供其它变化检测层次所不能提供的细微信息，因而目前绝大多数的变化检测方法都是像元级变化检测。 (2)特征级变化检测是采用一定的算法先从原始图像中提取特征信息，如边缘、形状、轮廓、纹理等，然后对这些特征信息进行综合分析与变化检测。由于特征级的变化检测对特征进行关联处理，把特征分类成有意义的组合，因而它对特征属性的判断具有更高的可信度和准确性。但它不是基于原始数据而是特征，所以在特征提取过程中不可避免地会出现信息的部分丢失，难以提供细微信息。 (3)目标级变化检测主要检测某些特定对象(比如道路、房屋等具有明确含义的目标)，是在图像理解和图像识别的基础上进行的变化检测，它是一种基于目标模型的高层分析方法。 变化检测的三个层次在实现上各有优缺点，在具体的变化检测中究竟检测到哪个层次是根据任务的需要确定的。像元级的变化检测保持了尽可能多的原始信息，具有特征级和目标级层次上所不具备的细节信息，但像元级变化检测仅考虑像素属性的变化，而未考虑其空间等特征属性的变化；特征级变化检测不仅考虑到空间形状的变化，而且还要考虑特征属性的变化，但特征级的变化检测依赖于特征提取的结果，但特征提取本身比较困难；目标级的变化检测最大的优点是它接近用户的需求，检测的结果可直接应用，但它的不足之处在于目标提取的困难性。
1.森林开采监测 打开实习数据0-森林开采监测下的实习数据。 ?Compute Difference Map 选择basic tools/change detection/ Compute Difference Map，分别选择原始的影像july_06与july_00，在弹出的Compute Difference Map input parameters窗口下，查看define class thresholds，no change表示没有变化， change（-1）表示减少，change（+1）表示增加；其他默认选项不变， 勾选normalize data range[0-1]，选择输出路径与文件名为com_diff。 选择classification/post classification/classification to vector，在输入图层中选择上一步生成的结果，弹出窗口中选择全部，保存路径生成结果， 转化为矢量。（由于耗时过多，故可以不做） ?Image Difference 打开ENVI Zoom 4.8，将原始的影像导入到其中，在ENVI Zoom窗口下的toolbox 中选择image change，弹出image change detection的对话框，将time 1classification image file选择为00年影像，点击OK，time2 classification image file中选择06年影像数据，点击OK，选择下一步，保持默认设置，选择下一步，选择image difference，选择下一步，选择difference of
基于遥感的冰川信息提取方法综述 全球气候环境变化及其影响已成为当今世界各国政府、科学家和政策决策者所共同关注的重大焦点问题。政府间气候变化委员会（IPCC第四次评估报告指出[1]，过去 100 a）（1906~2005 年）全球地表平均气温上升了0.74℃，而最近 50 a的升温速率几乎是接近过去 100 a 升温速率的两倍。冰川对气候变化十分敏感，被视为气候变化的指示器，升温已导致全球大多数冰川在过去 100 多年里处于退缩状态，尤其是最近的几十年呈加速退缩态势[1,2]。尽管大量的冰储存于两极冰盖中，但山地冰川和冰帽的储量损失在过去几十年和未来一个世纪对海平面上升、区域水循环和水资源可获取性均有重要影响[3-5]。 青藏高原及其毗邻地区蕴藏着世界上两极之外最大的冰雪储量，被称为“第三极”，该区气候变化引发的冰川变化不仅影响到周边地区十个国家的15亿人口的农业、发电等生产活动的水资源供应[3, 6, 7]，而且会引发区域乃至北半球的大气环流格局的变化[8]，从而使其成为国际冰川变化研究的热点地区。此外，青藏高原很多内陆湖泊近期水位上涨、湖泊面积增大导致草场淹没以及冰湖溃决和泥石流滑坡等山地灾害，对周边地区的生态与环境及农牧民的生活造成了严重影响[9]。 因此，监测青藏高原冰川变化时空分异特征，对于更加清楚地认识该地区对全球气候变化的响应具有重要的科学意义，对于及时提供湖泊水量变化信息，制定当地农牧民的应对措施具有重要的现实意义。本文系统梳理和总结了国内冰川监测相关研究进展，并探讨了当前该领域研究的不足以及未来的研究方向，旨在为我国冰川变化监测提供有益借鉴。 一、传统野外监测 传统的冰川观测主要基于野外实地考察，开展较早。世界上很多地区在一个多世纪以前就开始系统地观测冰川与冰盖的变化[10]。1930s 之前一直依靠实测冰川末端的变化或对比小冰期冰碛物的位置获得冰川变化的信息，1940s 后期开始了冰川物质平衡研究，截止到 2008 年全球已获取了 1803 条冰川自19 世纪后期的冰川长度变化和 226 条冰川过去 60 年内的物质平衡观测结果[10]，分别占 1970s 估计的全球冰川总数 160000条[11]的 1.1%和 0.1%，观测数量很有限。我国冰川研究事业开创于1958年祁连山冰川考察[11]，截止到 2007 年，基于野外考察共有 27 条冰川的长度变化和 5 条冰川的物质平衡的较长时间观测记录[12]，分别为我国冰川总数46377[13]条的 0.06%和 0.01%，远低于前述全球尺度的相应观测比例，且没有一条位于我国冰川分布中心之一的喀喇昆仑地区。实地观测通常在容易到达、安全且不是太大的冰川进行，不能代表所有冰川的规模、海拔分布、坡度和朝向。所以，仅靠少数野外考察资料很难反映全球或区域尺度冰川变化的空间特征，所获得的冰川变化趋势及其对气候变化的响应的结论也难免存在局限性。 二、冰川面积变化遥感监测 遥感观测可以在瞬时获取较大范围的地面综合信息，适合对不同地理环境下的冰川变化进行长期而持续的监测，早期主要进行面积变化遥感研究。1940s 以后，人们可以借助于航空摄影技术测绘冰川末端位置[14]。1970s 之后，随着卫星遥感技术的发展和观测精度的提高，陆地资源系列卫星（Landsat MSS、TM 和
生态环境遥感监测方案 遥感技术作为目前一种先进的信息采集方式，具有信息量大、成本低和快速的特点，是生态环境监测中非常重要的技术手段。遥感集市运用遥感技术进行矿区生态环境动态监测，为合理开发矿产资源提供基础性数据资料，实现矿产资源的可持续发展，是生态环境领域研究的重要课题。 矿区生态环境问题包括：对地表的破坏、对土地的占用和破坏，对自然景观的影响和破坏，造成“三废”污染，破坏水资源、造成水土流失，诱发或孕育滑坡、泥石流、冲击地压、矿震等动力地质、环境地质问题，噪声和振动污染，热污染等。目前，国内外已有许多科学工作者利用遥感技术对矿区生态环境监测做了研究：一方面，是利用不同时相的波段组合图、指数变化图和土地覆盖类型变化图来体现地表信息的变化，从而进行矿区生态环境动态监测，但往往是定性或半定量分析，并且多是单个大面积的矿区，对于大范围分布零散的矿区研究甚少；另一方面，是将遥感信息与其他调查数据（如土质、水质等数据）相结合，具体研究采矿引起的土质变化、水质变化、地表变形等，虽然细致、透彻，但费时、费力。 针对湖北大冶矿区分布零散的特点，应该采用多时相陆地卫星遥感数据，首选遥感集市高分数据，在不同波段组合和各种指数运算应用的基础上，分析各类地表地物具体光谱特征和空间特征，用基于知识的决策树的方法进行分类，得到具有高精度的分类结果图，然后基于不同时相分类结果的变化检测，通过对研究区水体污染、矿区复垦、耕地变化等的定量分析，进行了湖北大冶矿区生态环境监测的研究。 遥感数据的获取和预处理 湖北大冶面积为1400km2，属亚热带季风气候区。由于20世纪的 80年代到90年代是矿区开采的相对高峰期，并且由此引起的生态环境问题有一定滞后效应，同时为了减少季节上产生的误差，而夏季植被丰富，易于区分矿区和植被类型，本文从现有的资料中选取有代表性的1986年7月底、1994年11月的TM 影像和2002年 9月初的ETM 影像进行处理和分析比较（其中1994年 TM影像因季节差异仅作矿区的比较）。 由于地面站在接收信号时根据遥感平台、地球、传感器的各种参数进行的几何校正，还不能满足专业解译和综合分析的需要，本文以 !,- 万比例尺的地形图作为参考坐标，对湖北大冶矿区的遥感影像进行几何精校正。纠正时在图像和地形图上分别均匀
遥感影像变化检测实验报告 目录 1 遥感影像变化检测概述 (2) 1.1 遥感影像变化检测的内容 (2) 1.2 影响变化检测的因素 (2) 1.3 遥感影像变化检测步骤 (3) 1.4 评判遥感影像检测方法优劣的标准 (3) 2 实验过程（基于ERDAS软件） (3) 2.1 影像数据 (3) 2.2 处理步骤 (3) 2.3 ERDAS操作步骤 (3) 2.3.1 2003年影像配准 (3) 2.3.2 2005年影像配准 (10) 2.3.3 相对大气校正 (11) 2.3.4 差分检测 (15) 3 结语 (16)
1 遥感影像变化检测概述 遥感影像变化检测就是对目标或现象在不同时间观测到的状态的差异的识别过程。常用用于遥感影像变化检测的领域有：土地利用/土地覆被变化；森林或植被变化；森林死亡、落叶和灾害评价；森林采伐、再生和选择性砍伐；湿地变化；森林火灾以及林火影响区域检测；地表景观变化；城市变化；环境变化；如农作物检测、轮垦检测、道路分段、冰川总量平衡和表面变化等。 1.1 遥感影像变化检测的内容 遥感影像变化检测的内容为： （1）检测并判断某一研究区域内感兴趣的目标或现象在所研究的时间段内是否发生了变化； （2）确定发生变化区域的位置； （3）遥感影像变化检测结果精度评估； （4）分析、鉴别变化类型，确定变化前后地物类型； （5）分析、评估变化在时间和空间上的分布模式，对其变化规律进行描述和解释； （6）对未来的变化进行预测，为科学决策提供依据。 1.2 影响变化检测的因素 一般来说，影像遥感影像变化检测的因素主要有： （1）多时相影像间的精确几何配准； （2）多时相影像间的定标或规一化； （3）高质量地面真实数据的获取； （4）研究区地面景观和环境的复杂度； （5）变化检测的方法和算法； （6）分类和变化检测的主题（目标）； （7）分析人员的技术水平和经验； （8）对研究区的认知和熟悉程度； （9）时间和成本限制。 为此，数据选择时，尽量选择同一传感器、相同辐射和光谱分辨率，并在时间周期上相同或相近的数据，目的是为了能消除外部环境的影响，如太阳高度角、季节和物侯的差异等。在进行变化检测前我们应进行的准备工作主要有： （1）多时相影像必须精确配准； （2）多时相影像间必须精确辐射定标和大气校正或规一化； （3）多时相影像间要有相似的物候状态；
收稿日期收稿日期：2012-12-24；修订日期修订日期：2013-04-07 基金项目基金项目：国家973计划项目(2010CB95090103)资助。作者简介作者简介：于灵雪（1987-），女，山东淄博人，博士研究生，主要研究方向为土地覆被与气候变化研究。E-mail:lxyu2010@https://www.doczj.com/doc/f918147872.html, 雪数据集研究综述 于灵雪1,2，张树文1，卜 坤1，杨久春1，颜凤芹1，2 ，常丽萍1 （1.中国科学院东北地理与农业生态研究所，吉林长春130012；2.中国科学院大学，北京100049）摘要摘要：大范围的雪盖变化是气候变化的指示剂，雪通过其自身的物理性质调节着地气之间的物质与能量循环，还能影响地表径流，调节水文循环，甚至在全球生态系统中发挥着重要的作用，因此建立数据集，实时监测雪盖的变化就变得非常必要。通过阅读大量文献，总结目前应用较为广泛的数据集，主要包括可见光/近红外数据集如NOAA 数据集、MODIS 数据集，微波数据集如SMMR 数据集、AMSR-E 数据集，以及多数据源的数据集。分析各种数据集的生成原理和优缺点，对目前雪数据集研究中可能存在的问题进行总结。关键词：雪数据集；积雪覆盖；雪水当量；雪深；遥感中图分类号中图分类号：TP79 文献标识码文献标识码：A 文章编号文章编号：1000-0690(2013)07-0878-06 全球气候正经历以变暖为主要特征的变化，冰雪覆盖作为一种气候变化的响应对气候变化非常敏感[1]。在此背景下，南、北半球积雪的平均面积已经减少，而这种雪盖的大范围减少已经引起海平面上升，预测未来的积雪覆盖范围将进一步缩小[2]，同时，地球陆地表面的30%以上被季节性积雪所覆盖，10%的陆地被永久性积雪和冰川所覆盖，雪的积累和融化是地表最重要的季节性环境变化之一[3]。 大尺度雪盖变化是气候变化的指示剂，不仅如此，雪还能在不同的尺度下影响地球系统的其它部分[4]。凭借其辐射和热性能，它能够调节地表-大气之间的能量和物质转移[5]，从而在控制局部乃至全球的反馈网络中扮演着重要的角色；雪可以影响地表径流，调节水文循环[6]；积雪覆被的变化可能会影响生物物候和生态系统功能[7]；北方寒冷地区雪储存大量的水资源，雪的变化对人类活动有深远影响[8]。此外，雪的观测是气候模型输入与研究的关键[9]。因此积雪信息的观测与提取就变得非常有意义。 在卫星遥感出现之前，受技术的限制，雪的监测与管理主要依赖于气象站点点数据进行独立的点的观测，但其非连续性严重的制约了冰雪信息 的提取与应用。20世纪60年代以来，遥感技术的蓬勃发展为积雪的监测与应用提供有力的平台，开始全方位的积雪监测。本文在查阅大量的文献资料的基础上，对这些用于积雪监测的遥感数据进行统筹与划分，并在此基础上分析国内外目前应用广泛的积雪数据集，目的是对冰雪研究有一个综合全面的认识，并对未来冰雪研究的发展提供思路。 1理论基础与背景 积雪监测的方法包括气象站点监测、模型以及遥感方法。气象站法是对各个站点的观测值进行插值分析，但受气象站点的数量和分布影响较大。模型的方法主要是通过建立积雪变量如雪深、雪水当量等与气象观测值或者是遥感观测值之间的经验或者半经验关系，完成雪的监测。遥感方法则是应用雪与其他地物的电磁特性差异来反演积雪覆盖范围、雪水当量和雪深等参量[5]，这使得卫星观测对全球雪盖监测和大尺度的雪数据的环境应用更具吸引力。1.1传统的气象站点监测 最早的积雪观测方法就是气象站点法，积雪观测资料包括积雪日数和雪深，利用气象站点的 第33卷第7期2013年07月 V ol.33No.7July,2013 地理科学 SCIENTIA GEOGRAPHICA SINICA
积雪被动微波遥感研究 摘要：全球积雪覆盖范围广，在气象、水文、生产、生活、自然灾害等方面均有重大的影响作用,因此，对积雪的研究均受到科学界多领域的广泛重视。传统观测消耗大量的人力、物力，所得数据具有不确定性，并且在一些地区很难实施，光学遥感主要用于积雪覆盖范围的观测，并受天气影响显著，因此，微波在积雪研究中拥有显著的优越性。本文对微波遥感在积雪研究中的意义、发展历史、原理、存在的问题和前景展望进行了阐述，并利用实例予以说明。 关键词：积雪深度，微波遥感，传感器，算法。 一、研究意义 积雪是地表最活跃的自然因素之一，地球上陆地有四分之三的淡水资源以冰雪形式存在。欧亚大陆和北美洲地区在冬季至少有80%的范围是被积雪所覆盖。 积雪是气象学和水文学中的一个非常重要的参数。积雪的多寡不仅是影响气候变化的重要因子，季节性雪盖和冰川是全球水循环中的重要成分，监测季节性雪覆盖的范围以及冰川的堆积和消融地带对于理解全球水循环是十分必要的。在中高纬度地区，它是河流与地下水的主要补给来源之一，是干旱、半干旱地区生态系统的重要水源，被用于灌溉、生活和发电。积雪覆盖面积的动态变化对水体和能量循环以及社会经济和生态环境均具有重大的影响。 雪也会造成许多自然灾害，如牧区雪 灾和不期而遇的雪崩等都会给生命财产 带来重大损失。积雪不仅会掩埋牧草，造 成畜牧草料供应不足，而且在没有饲草储 备或储备不足的牧区，造成大批家畜因冻 饿而死亡的情况，从而发生“雪灾”。如 青海草原辽阔，草原面积3647x104he，其 中可利用草地面积3161x104ha，是我国六 大牧区之一。雪灾是青海牧区冬春季节的 主要自然灾害，每年10月至次年4月这 一时段，青海牧区玉树、果洛、黄南南部、 海南南部、祁连山等地区极易出现局地或区域的强降雪天气过程，加之气温较低，积雪难以融化，时常造成大雪封山、冻死、饿死牲畜，使牧区人民生命财产遭受巨大损失。 另外，雪的反照率在地表各种自然物质中,几乎是最高的,新雪的反照率高达0·9以上,陈雪的反照率也在0·4以上,因此积雪会反射大量到达地表的太阳短波入射辐射,深刻影响着地球表面的能量平衡.雪是热的不良导体,它显著减小了地表和大气之间的热量交换,可保护雪盖下植物的生长,并影响冻土的发育等地表自然过程。 因此，多年来对积雪的研究一直引起地理学、气象气候学及水文学等学科科技工作者的广泛关注与重视。
SPSS中异常值检验的几种方法介绍 方法具体如下所示： 离群值（箱图／探索）.值与框的上下边界的距离在1.5倍框的长度到3倍框的长度之间的个案。框的长度是内距。 极端值（箱图）.值距离框的上下边界超过3倍框的长度的个案。框的长度是内距 在回归模型诊断里面，一般称预测值与实际值的偏差为"残差",残差有几种表示方法:标准化残差, 学生化残差等等，按照需要取一种残差，再按照某种标准取一个阀值来限定异常点，只要那个点的残差大于阀值，就可以认为它是异常点。 SPSS14之后新功能 SPSS Data Validation能帮助您轻松地探察多个异常值，以便您可以进一步检验并确定是否把 这些观测包括在您的分析中。SPSS Data Validation异常探察程序能够基于与数据集中相似观 测的偏离探察异常值，并给出偏离的原因。它使您可以通过创建新变量来标识异常值。 标签：市场研究研究方法经营分析分类：经营分析2009-11-24 18:59 这段时间太忙了，一直没有静下心来。积攒了几个朋友的问题，现在来回答或介绍一些，今天先谈谈时间序列(Time-Series Forecasting)的预测问题！ 预测：是对尚未发生或目前还不明确的事物进行预先的估计和推测，是在现时对事物将要发生的结果进行探讨和研究，简单地说就是指从已知事件测定未知事件。 为什么要预测呢，因为预测可以帮助了解事物发展的未来状况后，人们可以在目前为它的到来做好准备，通过预测可以了解目前的决策所可能带来的后果，并通过对后果的分析来确定目前的决策，力争使目前的决策获得最佳的未来结果。 我们进行预测的总的原则是：认识事物的发展变化规律，利用规律的必然性，是进行科学预测所应遵循的总的原则。 这个总原则实际上就是事物发展的 1-“惯性”原则——事物变化发展的延续性； 2-“类推”原则——事物发展的类似性； 3-“相关”原则——事物的变化发展是相互联系的；
遥感图像的分类与变化监测 1.数据准备 1.1研究区域概况 向10度至30度长有210公里，东西宽有15公里至20公里，是川西断陷带和川东隆起带 泉驿区总面积的39.07%、3.86%、57.07%。2009年，龙泉驿区土地总面积5.5698万公顷，其中耕地7367.83公顷，占土地总面积的13.23%;园地2.5295万公顷，占土地总面积的45.42%;林地7628.2公顷，占土地总面积的13.70 %;其他农用地3295.85公顷，占土地总面积的5.92%;居民点及工矿用地1.0742万公顷，占土地总面积的19.29%;交通运输用地539.83公顷，占土地总面积的0. 97%;水利设施用地553.30公顷，占土地总面积的0.99 %;未利用地274.93公顷，占土地总面积的0.49%。 1.2数据下载 在地理空间数据云中先搜索2000年---2005年的数据，选择云量较少，图像 质量高的进行下载；搜索2009年---2015年图像选择质量高的下载，最终选定2001年和2009年龙泉驿区的图像（landsat4--5）。 两期影像的像元信息： 影像 数据 类型 卫星名称 传感 器 条带 号 太阳 高度角 太阳 方位角 平均 云量 数据标示 2001 TM landsat4--5 TM 129 37.5708 141.1516 5.45 LT5129039200104 2009 TM landsat4--5 TM 129 51.3982 133.2621 0 LT5129039200908 2001年影像
2009年图像 2.数据处理 2.1图像格式的转换 2.1.1格式转换 利用Import工具，将下载的TIFF影像转换为后缀为img图像，并选择存储的路径。 2.1.2多波段图像的融合 在interpreter工具中利用image interpreter中的layer stack进行1--7图像的融合， 为后面的处理提供基础。
龙源期刊网 https://www.doczj.com/doc/f918147872.html, 多时相遥感影像变化检测技术的研究 作者：张德慧杨勇宋凯 来源：《科技创新与应用》2014年第34期 摘要：针对多时相遥感影像的变化检测技术进行研究，根据图像的变化推出研究目标的 变化信息，完成对研究目标的动态监测，该技术无论在理论上还是在各个领域的应用中都具有重要的研究意义和广泛的应用前景。文章根据多时相遥感影像变化检测流程对遥感影像的预处理、遥感影像变化信息的提取和精度评价等关键技术展开一些积极的探索和研究，旨在经过创新和改进，在一定程度上克服现有方法存在的困难，提高变化检测的精度和效率。 关键词：多时相遥感影像；变化检测；精度评价 遥感是通过遥感器“遥远”地采集目标对象的数据，并通过对数据的分析来获取有关地物目标、或地区、或现象的信息的一门科学和技术[1]。随着卫星技术的发展，通过将各种传感器 搭载至卫星平台，对地遥感观测累积了海量的地表对时间变化的数据，如何加快对这些遥感数据的充分处理和利用，促进其转化为更有价值的知识，为有关部门做出相应的、准确的、快速的决策提供丰富且有益的辅助信息，促使了多时相遥感影像变化检测技术的产生和发展。 1 多时相遥感影像变化检测的技术路线 多时相的遥感影像变化检测技术是指给定同一个地区的多个时相的单波段或多波段遥感图像，采用图像处理的方法快速而高效地检测出该地区的地物是否发生变化，若发生变化则进一步分析变化的特点和原因，从而实现对遥感图像的分析与理解。 首先选择同一地区的多时相遥感影像作为数据源，然后通过对遥感影像的辐射校正和图像配准实现数据的预处理，接着通过变化检测算法得到变化结果生成图或生成表实现变化信息的提取，再次通过分析变化检出率和检测虚警率对变化检测结果做出科学的精度分析实现精度评价。 2 关键技术分析 2.1 多时相遥感影像的预处理 辐射校正和图像配准是变化检测中两项关键的预处理过程，处理精度将直接影响变化检测的精度。 2.1.1 辐射校正 由于遥感器本身的光电系统特征、太阳高度、地形以及大气条件使得通过遥感器得到的测量值与目标物的光谱反射率或光谱辐射亮度等物理量是不一致的，也就是说通过变化检测算法
目录 摘要 ........................................................................................................................................................................ I 关键词.................................................................................................................................................................. I 1 引言 (1) 2 异常值的判别方法 (1) 2.1检验（3S）准则 (1) 2.2 狄克松（Dixon）准则 (2) 2.3 格拉布斯（Grubbs）准则 (2) 2.4 指数分布时异常值检验 (3) 2.5 莱茵达准则（PanTa） (3) 2.6 肖维勒准则（Chauvenet） (4) 3 实验异常数据的处理 (4) 4 结束语 (5) 参考文献 (6)
试验数据异常值的检验及剔除方法 摘要：在实验中不可避免会存在一些异常数据，而异常数据的存在会掩盖研究对象的变化规律和对分析结果产生重要的影响，异常值的检验与正确处理是保证原始数据可靠性、平均值与标准差计算准确性的前提.本文简述判别测量值异常的几种统计学方法，并利用DPS软件检验及剔除实验数据中异常值，此方法简单、直观、快捷，适合实验者用于实验的数据处理和分析. 关键词：异常值检验；异常值剔除；DPS；测量数据
遥感图像信息提取方法综述 遥感图像分析 遥感实际上是通过接收（包括主动接收和被动接收方式）探测目标物电磁辐射信息的强弱来表征的，它可以转化为图像的形式以相片或数字图像表现。多波段影像是用多波段遥感器对同一目标（或地区）一次同步摄影或扫描获得的若干幅波段不同的影像。 在遥感影像处理分析过程中，可供利用的影像特征包括：光谱特征、空间特征、极化特征和时间特性。在影像要素中，除色调/彩色与物体的波谱特征有直接的关系外，其余大多与物体的空间特征有关。像元的色调/彩色或波谱特征是最基本的影像要素，如果物体之间或物体与背景之间没有色调/彩色上的差异的话，他们的鉴别就无从说起。其次的影像要素有大小、形状和纹理，它们是构成某种物体或现象的元色调/彩色在空间（即影像）上分布的产物。物体的大小与影像比例尺密切相关；物体影像的形状是物体固有的属性；而纹理则是一组影像中的色调/彩色变化重复出现的产物，一般会给人以影像粗糙或平滑的视觉印象，在区分不同物体和现象时起重要作用。第三级影像要素包括图形、高度和阴影三者，图形往往是一些人工和自然现象所特有的影像特征。 1、遥感信息提取方法分类 常用的遥感信息提取的方法有两大类：一是目视解译，二是计算机信息提取。 1.1目视解译 目视解译是指利用图像的影像特征（色调或色彩，即波谱特征）和空间特征（形状、大小、阴影、纹理、图形、位置和布局），与多种非遥感信息资料（如地形图、各种专题图）组合，运用其相关规律，进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程。早期的目视解译多是纯人工在相片上解译，后来发展为人机交互方式，并应用一系列图像处理方法进行影像的增强，提高影像的视觉效果后在计算机屏幕上解译。 1）遥感影像目视解译原则 遥感影像目视解译的原则是先“宏观”后“微观”；先“整体”后“局部”；先“已知”后“未知”；先“易”后“难”等。一般判读顺序为，在中小比例尺像片上通常首先判读水系，确定水系的位置和流向，再根据水系确定分水岭的位置，区分流域范围，然后再判读大片农田的位置、居民点的分布和交通道路。在此基础上，再进行地质、地貌等专门要素的判读。 2）遥感影像目视解译方法 （1）总体观察 观察图像特征，分析图像对判读目的任务的可判读性和各判读目标间的内在联系。观察各种直接判读标志在图像上的反映，从而可以把图像分成大类别以及其他易于识别的地面特征。（2）对比分析 对比分析包括多波段、多时域图像、多类型图像的对比分析和各判读标志的对比分析。多波段图像对比有利于识别在某一波段图像上灰度相近但在其它波段图像上灰度差别较大的物体；多时域图像对比分析主要用于物体的变化繁衍情况监测；而多各个类型图像对比分析则包括不同成像方式、不同光源成像、不同比例尺图像等之间的对比。 各种直接判读标志之间的对比分析，可以识别标志相同（如色调、形状），而另一些标识不同（纹理、结构）的物体。对比分析可以增加不同物体在图像上的差别，以达到识别目的。（3）综合分析 综合分析主要应用间接判读标志、已有的判读资料、统计资料，对图像上表现得很不明显，或毫无表现的物体、现象进行判读。间接判读标志之间相互制约、相互依存。根据这一特点，可作更加深入细致的判读。如对已知判读为农作物的影像范围，按农作物与气候、地貌、土质的依赖关系，可以进一步区别出作物的种属；河口泥沙沉积的速度、数量与河流汇水区域