下载文档原格式
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。
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。
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。
如何利用遥感技术进行地理空间数据提取和分析遥感技术在地理空间数据提取和分析方面扮演着重要角色。
它以其高分辨率、高精度和高效性受到广泛关注和应用。
本文将探讨遥感技术在地理空间数据提取和分析中的应用，并介绍其原理、方法和应用案例。
一、遥感技术概述遥感技术是通过从卫星、飞机或无人机等平台获取地球表面信息的技术。
它可以获取到的数据包括影像数据、激光雷达数据等。
这些数据可以用于提取地理空间特征，如土地利用、地形信息等。
二、地理空间数据提取1. 土地利用/覆盖分类遥感影像可以通过图像分类算法将地表特征进行分类，如水域、建筑物、植被等。
这可以帮助我们了解不同区域的土地利用情况，为城市规划、环境保护等提供参考依据。
2. 地形图构建遥感数据可以帮助生成高程模型，辅助绘制地形图。
这对于地理学研究、灾害防治等都具有重要意义。
3. 水体提取遥感数据可以通过色彩和纹理信息提取水体特征；激光雷达数据可以通过反射特征测量水体深度。
这对于水资源管理、水质监测等至关重要。
三、地理空间数据分析1. 地表变化检测遥感技术可以通过多时相影像比对来检测地表变化情况，如城市扩张、农田变化等。
这有助于环境监测和可持续发展研究。
2. 地理空间关系分析遥感数据可以用于空间分析，检测地理实体之间的关系，如道路与河流之间的邻近性。
这在城市规划、环境保护等方面有着广泛应用。
3. 自然灾害预测与评估遥感数据可以用于监测自然灾害，如洪水、地震等。
通过数据处理和分析，可以实现对自然灾害的预测和评估，为应急响应提供及时支持。
四、遥感技术的原理与方法1. 遥感影像处理遥感影像处理涉及影像纠正、辐射校正、几何纠正等步骤。
这些步骤可以使影像数据更准确，为后续分析提供基础。
2. 图像分类与分割图像分类与分割是遥感数据处理的核心步骤。
常用的方法包括基于像素的分类方法和基于对象的分割方法，如支持向量机、卷积神经网络等。
3. 空间数据分析方法空间数据分析方法包括地理加权回归、空间插值、空间聚类等。
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 1/252003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，利用所给的金华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，整个金华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（赵英时，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)，将金华市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 金华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0002140016矿用地水体0000010010未利0004801224用地合计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22161463.64%87.50%用地水体101010100.00%100.00%未利122412100.00%50.00%用地合计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内各种地物类型光谱特征知识，对研究区内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5-2 03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。
