基于TM图像的矿区土地资源分类提取研究
- 格式：pdf
- 大小：296.76 KB
- 文档页数：6
2.2 相领时段地物变化信息提取
利用不同时相的遥感影像可以提取出相邻时段的土地利用变化信息，为了研究矿区近 20 年来的土地利用变化情况，我们对 1976、1981、1995、2001、2005 年的图像进行了地物 变化信息的提取，主要采用了两种方法：一种是直接基于遥感图像、通过多时相图像综合分
-4-
水体 积水 道路 绿地 开阔地 裸山 农田
图 1 地物灰度曲线比较 Fig.1 Compare of grey curve in every land
（1）水体提取 水体波谱特性显著，几乎全部吸收了近红外和中红外波段的全部入射能量，所以在这两 个波段的反射能量很低，而其他地物在这两个波段内吸收能量较小，由于水体的这一特殊波 谱特性可以明显的与其他地物进行分离。对于水体这一特性提取模型有很多如：基于阀值得 单波段水体提取模型、基于波谱间关系的水体提取、基于GA算法的阀值提取。本文主要采 用了基于波谱间关系得水体提取法，针对水体的敏感波段，对其可能的特征组合进行计算， 建立以下水体提取模型： 模型1：（TM2+TM3）-（TM4+TM5）>0 模型2：（TM2+TM3）-（TM5+TM7）>0 在实际水体的提取中我们考虑到遥感信息受自然条件的影像，将模型转变为 （TM2+TM3）-（TM4+TM5）>10或（TM2+TM3）-（TM5+TM7）>10以有效免除多提或误
对各种地类进行直接提取，一种方法是利用解译标志，另一种则是利用数字图像处理方 法。目视解译主要是根据对地物特征的统计分析，建立解译标志，通过人机交互实现对地物 的提取，其优点是实施简便、易行，但存在着工作量大、精度受主观因素影响大等缺点。当 前主要的研究集中在基于光谱特征、空间关系与知识的目标自动识别和提取、图像分类方面。 对于TM图像来说，主要信息是灰度信息，主要的知识是波谱知识，以灰度为基础计算的纹 理特征可作为辅助信息，以统计、GIS、空间分析等方法可以从遥感图像中提取需要的地理、 背景及其他知识[2]。
基于 TM 图像的矿区土地资源分类提取研究1
武文波，张正鹏
辽宁工程技术大学测绘与地理科学学院，辽宁阜新（123000）
Email：wu_wenbo@
摘 要：基于 TM 图像的土地资源分类与提取是建立矿区遥感动态监测的首要环节，以 多时相 TM 图像为数据源，建立了沈阳矿区土地资源的分类体系，并采用分区分层监督 分类的方法对其进行分类。在此基础上通过对 TM 图像的光谱分析，研究矿区土地信息 的分类提取模型，辅助 GIS 空间分析功能提取出了矿区各时相土地分类信息及相邻时 相的变化信息，为下一步矿区土地资源动态监测分析提供数据准备。 关键词：分类体系；监督分类；模型提取；动态监测
通过上述方法我们基于矿区分类体系，采用分区分层法分别对 1976、1981、1995、2001、 2005 年的遥感图像进行监督分类，并基本达到了分类精度要求，保证分类结果正确率为 93% 以上。
2. TM 图像土地资源信息提取
遥感图像处理的目标主要分为五种类型：即分类、变化检测、物理量的提取、指标的提 取、特定地物及状态的提取（张永生等，1999）。为了研究矿区土地变化情况，我们从TM 图像中提取典型信息包括建设用地、水域、塌陷地、绿地、其他地物，其中具体含义及包括 的下级分类见上节土地分类体系表1。
88
104.64
87.79
154.163
82.275
33.592
28.8
70.983
43.992
TM7 1.823 2.8 49.61 45.15 69.182 83.889 13.725
180 160 140 120 100
80 60 40 20
0 TM1 TM2 TM3 TM4 TM5 TM7
本文以沈阳矿区为研究对象，为了研究矿区从建矿初期到开采中期以及开采现状的土地 演化规律，我们根据沈阳矿区特点选取五个时相的ＴＭ图像（1976/1981/1995/2001/2005） 为数据源，建立了矿区土地资源监测分类体系，并采用分区分层方法进行监督分类，得到了 较高精度的分类图，然后在分析各类土地资源光谱特征的基础上，建立了分类提取模型，对 研究区水体、建设用地、绿地、塌陷地等进行了不同时段的地物信息提取，最后辅助 GIS 分析功能对相邻时段的变化信息进行了提取。
表 1 矿区土地利用分类体系
Tab.1 Classification systems of land use in mining area
编号
含义
1
主要包括湖水、塌陷积水、河流、水库、水塘等。
2
居民用地、工矿用地、交通用地。
3
主要种植玉米、大豆等农作物
4
主要种植水稻
5
主要以林地、绿地为主
6
采煤塌陷地
-3-
提的水体，另外为了避免误提矿区与居民点我们又对提取后的水体进行如下处理：TM3<60 和TM5<40，具体提取过程我们采用ERDAS软件利用其建模功能（Model Maker）构建上述 模型对沈阳矿区水体进行了提取实验并取得了很好的效果。
（2）建设用地提取 我们利用分类后结果，先对研究区建设用地进行光谱特征分析，灰度值及组合特征分析 发现，建设用地有以下特征：①建设用地与山体在波谱特征上非常相似，但研究区山脉很少 这点就避免了对山体的误提。②建设用地的TM4、TM7以及TM4、TM3灰度值非常接近，水 体也具有这一特性，但我们可以再根据水体的提取模型进行剔出。 根据上述分析，我们选取（TM4-TM7）<15和（TM5-TM4）>0[2]分别进行建设用地的提 取。 （3）绿地提取 归一化差异植被指数NDVI对绿色植被表现敏感,该指数常被用来进行区域和全球的植 被状态研究。本文采用植被指数RVI、标准化植被指数NDVI（公式见下所示），对研究区 绿地进行提取，即NDVI>0。但研究发现部分建设用地特别是工矿区低层建筑、村镇建筑物 一些象元也呈现出NDVI>0的特征，即TM4-TM3>0的现象，但其差值一般很小，可以设置 TM4-TM3>K1或DVI=TM4/TM3>K2，实验采用K1=8或K2=1.1。 RVI=TM4/TM3 NDVI=（TM4-TM3）/（TM4+TM3） （4）塌陷地的提取[2] 研究区的塌陷地主要是采煤引起的塌陷土地，同时伴随着采水导致的地面沉降等新的塌 陷形式。沈阳矿区开采时间长，范围大、地面塌陷也相当严重，特别在雨季塌陷地还有积水， 以面状或斑点状形态与线蓝色背景形成鲜明的对比。 基于土地覆盖因子变化的提取模型：①以某一矿区中心（或矿区井田边界）为基础做缓 冲区分析，半径r1根据矿区开采面积确定，得到区域R1；②在区域R1内划定土地利用变化 范围R2，由多时相遥感图像分类信息或GIS基础信息确定变化模型，提取符合塌陷地特点的 区域；③根据R2和知识推理原则，确定可能的塌陷地象元集合R3；④根据经验统计数据， 确定外推半径r2，以R3边界为基础，向外作缓冲区R4，即可作为提取的塌陷地。 矿区塌陷地的提取在实际工作中，我们应该辅助高分辨的遥感图像，如雷达遥感图像， 对矿区塌陷地进行区域提取及高程提取，在此基础上综合矿区沉降资料进行对比分析，获得 不同时期塌陷地信息。 （5）其他地物的提取 根据沈阳矿区分类体系，上述四类是对矿区土地资源的总体提取，为了研究详细地类的 变化规律，我们又在以上提取结果的基础上进行了２级提取，即居民地、道路、裸地、耕地、 草地等。这里仅对居民地的提取做简单的介绍：在建设用地提取基础上对图像再经过以下模 型的特征提取得到矿区居民地信息。 TM4（40~80）AND TM5（70~100） AND TM4~TM3<15
0 14 603 5 1 7 629 95.71%
0 4 8 420 8 5 445 94.38%
0 2 5 18 321 1 347 92.51%
塌陷地
1 7 1 6 3 170 188 90.43%
由表 2 可以看出，分类前的各类样本个体分类后绝大部分仍然归属于它们原来的类别。 只有少数个体分到另外的类别中去了。由此算得的识别正确率为 93.438%。这说明选择和筛 选出来的训练样本的正确识别率很高。将它们用于分类将获得很好的分类效果。
以1995年的TM图像为例，利用上节监督分类结果又对各类均选取50个特征点，进行波 谱特征分析与统计建立各地类提取模型。表3为各地类特征象元灰度值的统计情况，图1为地 物灰度曲线。
地类 水体 积水 道路 绿地 开阔地 裸山 农田
表 3 各地类特征象元灰度统计
Tab 3 Grey statistic of feature pixel in every type of land
分类前 分类后
水体 建设用地
旱地 农田 植被 塌陷地 总计 百分比
表 2 研究区分类的混淆矩阵 Tab. 2 Contingency matrix of classification in study area
水体
建设用地
旱地
农田
植被
238 2 0 6 5 8
259 91.9%
1 512
3 11 2 6 535 95.7%
TM1
TM2
TM3
TM4
TM5
84.43
36.33
31.72
13.88
5.232
74.8
25.06
19.99
13.67
8.44
110.73
51.05
58.73
55.94
103.29
74.84
44.41
47.16
107.71
102.83
106.295
53.023
75.523
73.545
137.659
150.621
1本课题得到高等学校博士学科点专项科研基金项目（20050147002）和辽宁省自然基金项目（20042175） 的资助。
利用不同时相的遥感影像可以提取出相邻时段的土地利用变化信息，为了研究矿区近 20 年来的土地利用变化情况，我们对 1976、1981、1995、2001、2005 年的图像进行了地物 变化信息的提取，主要采用了两种方法：一种是直接基于遥感图像、通过多时相图像综合分
-4-
水体 积水 道路 绿地 开阔地 裸山 农田
图 1 地物灰度曲线比较 Fig.1 Compare of grey curve in every land
（1）水体提取 水体波谱特性显著，几乎全部吸收了近红外和中红外波段的全部入射能量，所以在这两 个波段的反射能量很低，而其他地物在这两个波段内吸收能量较小，由于水体的这一特殊波 谱特性可以明显的与其他地物进行分离。对于水体这一特性提取模型有很多如：基于阀值得 单波段水体提取模型、基于波谱间关系的水体提取、基于GA算法的阀值提取。本文主要采 用了基于波谱间关系得水体提取法，针对水体的敏感波段，对其可能的特征组合进行计算， 建立以下水体提取模型： 模型1：（TM2+TM3）-（TM4+TM5）>0 模型2：（TM2+TM3）-（TM5+TM7）>0 在实际水体的提取中我们考虑到遥感信息受自然条件的影像，将模型转变为 （TM2+TM3）-（TM4+TM5）>10或（TM2+TM3）-（TM5+TM7）>10以有效免除多提或误
对各种地类进行直接提取，一种方法是利用解译标志，另一种则是利用数字图像处理方 法。目视解译主要是根据对地物特征的统计分析，建立解译标志，通过人机交互实现对地物 的提取，其优点是实施简便、易行，但存在着工作量大、精度受主观因素影响大等缺点。当 前主要的研究集中在基于光谱特征、空间关系与知识的目标自动识别和提取、图像分类方面。 对于TM图像来说，主要信息是灰度信息，主要的知识是波谱知识，以灰度为基础计算的纹 理特征可作为辅助信息，以统计、GIS、空间分析等方法可以从遥感图像中提取需要的地理、 背景及其他知识[2]。
基于 TM 图像的矿区土地资源分类提取研究1
武文波，张正鹏
辽宁工程技术大学测绘与地理科学学院，辽宁阜新（123000）
Email：wu_wenbo@
摘 要：基于 TM 图像的土地资源分类与提取是建立矿区遥感动态监测的首要环节，以 多时相 TM 图像为数据源，建立了沈阳矿区土地资源的分类体系，并采用分区分层监督 分类的方法对其进行分类。在此基础上通过对 TM 图像的光谱分析，研究矿区土地信息 的分类提取模型，辅助 GIS 空间分析功能提取出了矿区各时相土地分类信息及相邻时 相的变化信息，为下一步矿区土地资源动态监测分析提供数据准备。 关键词：分类体系；监督分类；模型提取；动态监测
通过上述方法我们基于矿区分类体系，采用分区分层法分别对 1976、1981、1995、2001、 2005 年的遥感图像进行监督分类，并基本达到了分类精度要求，保证分类结果正确率为 93% 以上。
2. TM 图像土地资源信息提取
遥感图像处理的目标主要分为五种类型：即分类、变化检测、物理量的提取、指标的提 取、特定地物及状态的提取（张永生等，1999）。为了研究矿区土地变化情况，我们从TM 图像中提取典型信息包括建设用地、水域、塌陷地、绿地、其他地物，其中具体含义及包括 的下级分类见上节土地分类体系表1。
88
104.64
87.79
154.163
82.275
33.592
28.8
70.983
43.992
TM7 1.823 2.8 49.61 45.15 69.182 83.889 13.725
180 160 140 120 100
80 60 40 20
0 TM1 TM2 TM3 TM4 TM5 TM7
本文以沈阳矿区为研究对象，为了研究矿区从建矿初期到开采中期以及开采现状的土地 演化规律，我们根据沈阳矿区特点选取五个时相的ＴＭ图像（1976/1981/1995/2001/2005） 为数据源，建立了矿区土地资源监测分类体系，并采用分区分层方法进行监督分类，得到了 较高精度的分类图，然后在分析各类土地资源光谱特征的基础上，建立了分类提取模型，对 研究区水体、建设用地、绿地、塌陷地等进行了不同时段的地物信息提取，最后辅助 GIS 分析功能对相邻时段的变化信息进行了提取。
表 1 矿区土地利用分类体系
Tab.1 Classification systems of land use in mining area
编号
含义
1
主要包括湖水、塌陷积水、河流、水库、水塘等。
2
居民用地、工矿用地、交通用地。
3
主要种植玉米、大豆等农作物
4
主要种植水稻
5
主要以林地、绿地为主
6
采煤塌陷地
-3-
提的水体，另外为了避免误提矿区与居民点我们又对提取后的水体进行如下处理：TM3<60 和TM5<40，具体提取过程我们采用ERDAS软件利用其建模功能（Model Maker）构建上述 模型对沈阳矿区水体进行了提取实验并取得了很好的效果。
（2）建设用地提取 我们利用分类后结果，先对研究区建设用地进行光谱特征分析，灰度值及组合特征分析 发现，建设用地有以下特征：①建设用地与山体在波谱特征上非常相似，但研究区山脉很少 这点就避免了对山体的误提。②建设用地的TM4、TM7以及TM4、TM3灰度值非常接近，水 体也具有这一特性，但我们可以再根据水体的提取模型进行剔出。 根据上述分析，我们选取（TM4-TM7）<15和（TM5-TM4）>0[2]分别进行建设用地的提 取。 （3）绿地提取 归一化差异植被指数NDVI对绿色植被表现敏感,该指数常被用来进行区域和全球的植 被状态研究。本文采用植被指数RVI、标准化植被指数NDVI（公式见下所示），对研究区 绿地进行提取，即NDVI>0。但研究发现部分建设用地特别是工矿区低层建筑、村镇建筑物 一些象元也呈现出NDVI>0的特征，即TM4-TM3>0的现象，但其差值一般很小，可以设置 TM4-TM3>K1或DVI=TM4/TM3>K2，实验采用K1=8或K2=1.1。 RVI=TM4/TM3 NDVI=（TM4-TM3）/（TM4+TM3） （4）塌陷地的提取[2] 研究区的塌陷地主要是采煤引起的塌陷土地，同时伴随着采水导致的地面沉降等新的塌 陷形式。沈阳矿区开采时间长，范围大、地面塌陷也相当严重，特别在雨季塌陷地还有积水， 以面状或斑点状形态与线蓝色背景形成鲜明的对比。 基于土地覆盖因子变化的提取模型：①以某一矿区中心（或矿区井田边界）为基础做缓 冲区分析，半径r1根据矿区开采面积确定，得到区域R1；②在区域R1内划定土地利用变化 范围R2，由多时相遥感图像分类信息或GIS基础信息确定变化模型，提取符合塌陷地特点的 区域；③根据R2和知识推理原则，确定可能的塌陷地象元集合R3；④根据经验统计数据， 确定外推半径r2，以R3边界为基础，向外作缓冲区R4，即可作为提取的塌陷地。 矿区塌陷地的提取在实际工作中，我们应该辅助高分辨的遥感图像，如雷达遥感图像， 对矿区塌陷地进行区域提取及高程提取，在此基础上综合矿区沉降资料进行对比分析，获得 不同时期塌陷地信息。 （5）其他地物的提取 根据沈阳矿区分类体系，上述四类是对矿区土地资源的总体提取，为了研究详细地类的 变化规律，我们又在以上提取结果的基础上进行了２级提取，即居民地、道路、裸地、耕地、 草地等。这里仅对居民地的提取做简单的介绍：在建设用地提取基础上对图像再经过以下模 型的特征提取得到矿区居民地信息。 TM4（40~80）AND TM5（70~100） AND TM4~TM3<15
0 14 603 5 1 7 629 95.71%
0 4 8 420 8 5 445 94.38%
0 2 5 18 321 1 347 92.51%
塌陷地
1 7 1 6 3 170 188 90.43%
由表 2 可以看出，分类前的各类样本个体分类后绝大部分仍然归属于它们原来的类别。 只有少数个体分到另外的类别中去了。由此算得的识别正确率为 93.438%。这说明选择和筛 选出来的训练样本的正确识别率很高。将它们用于分类将获得很好的分类效果。
以1995年的TM图像为例，利用上节监督分类结果又对各类均选取50个特征点，进行波 谱特征分析与统计建立各地类提取模型。表3为各地类特征象元灰度值的统计情况，图1为地 物灰度曲线。
地类 水体 积水 道路 绿地 开阔地 裸山 农田
表 3 各地类特征象元灰度统计
Tab 3 Grey statistic of feature pixel in every type of land
分类前 分类后
水体 建设用地
旱地 农田 植被 塌陷地 总计 百分比
表 2 研究区分类的混淆矩阵 Tab. 2 Contingency matrix of classification in study area
水体
建设用地
旱地
农田
植被
238 2 0 6 5 8
259 91.9%
1 512
3 11 2 6 535 95.7%
TM1
TM2
TM3
TM4
TM5
84.43
36.33
31.72
13.88
5.232
74.8
25.06
19.99
13.67
8.44
110.73
51.05
58.73
55.94
103.29
74.84
44.41
47.16
107.71
102.83
106.295
53.023
75.523
73.545
137.659
150.621
1本课题得到高等学校博士学科点专项科研基金项目（20050147002）和辽宁省自然基金项目（20042175） 的资助。
