下载文档原格式
土地利用与土地覆盖分类的遥感数据处理方法土地利用与土地覆盖是人类社会与自然环境相互作用的重要方面。
随着科技的发展，遥感技术在土地利用与土地覆盖研究中扮演着重要角色。
本文将介绍土地利用与土地覆盖分类的一些遥感数据处理方法。
一、遥感数据获取遥感数据是进行土地利用与土地覆盖分类的基础。
遥感数据可以分为光学遥感数据和微波遥感数据两种类型。
光学遥感数据主要利用航空影像和卫星影像获取，而微波遥感数据则通过合成孔径雷达(SAR)等技术获取。
这些数据提供了不同波段的图像，可以用于土地利用与土地覆盖分类。
二、预处理在进行土地利用与土地覆盖分类前，需要对遥感数据进行预处理。
预处理的目的是消除图像中的噪声、增强图像特征等。
预处理方法包括辐射校正、大气校正和几何校正等。
辐射校正可以将图像转换为反射率，大气校正可以消除大气影响，几何校正可以纠正图像的几何畸变。
三、特征提取特征提取是土地利用与土地覆盖分类的关键环节。
特征可以分为光谱特征、纹理特征和形状特征等。
光谱特征是根据不同波段的反射率进行提取，可以反映地表覆盖类型的光谱差异。
纹理特征是根据图像中像素间的空间关系进行提取，可以反映地表覆盖类型的纹理差异。
形状特征则是根据地物的形状进行提取，可以反映地表覆盖类型的形态特征。
四、分类方法在进行土地利用与土地覆盖分类时，可以采用不同的分类方法。
常用的分类方法包括监督分类和非监督分类。
监督分类是在具有已知类别的样本的指导下进行分类，常用的方法包括最大似然分类、支持向量机和神经网络等。
非监督分类是根据图像的统计特性进行分类，常用的方法包括K-means聚类和ISODATA聚类等。
五、分类结果评价对于土地利用与土地覆盖分类的结果，需要进行评价与验证。
评价指标包括分类精度、混淆矩阵和Kappa系数等。
分类精度可以反映分类结果的准确性，混淆矩阵可以反映分类结果的混淆情况，Kappa系数可以综合评价分类结果的准确性和混淆情况。
综上所述，土地利用与土地覆盖分类的遥感数据处理方法包括数据获取、预处理、特征提取、分类方法和分类结果评价。
基于决策树的分层分类方法在土地利用信息提取中的应用李栋梁;谢汝欢
【期刊名称】《南京晓庄学院学报》
【年(卷),期】2008(000)006
【摘要】TM遥感影像能获取丰富的地面信息,适合于大面积的宏观监测,文章利用分层分类的方法提取南京江宁区土地利用信息,获得了土地利用变化图,并对土地利用分类方法中的决策树分类和监督分类方法中的最大似然法在实践中的应用和精度比较进行了探讨,最后结合GIS空间分析方法对分类的结果图进行比较分析,并分析其变化的原因.
【总页数】5页(P77-81)
【作者】李栋梁;谢汝欢
【作者单位】南京晓庄学院地理科学学院,江苏南京,210017;南京晓庄学院地理科学学院,江苏南京,210017
【正文语种】中文
【中图分类】F301.24
【相关文献】
1.基于决策树的土地利用分类方法研究 [J], 余晶;蒋平安;高敏华
2.一种改进的决策树分类方法在土地利用信息提取中的应用 [J], 曾维军;侯明明;杨伟
3.基于多级决策树分类的土地利用与覆盖信息提取 [J], 陈文娇;翁永玲;路云阁
4.基于决策树的分类方法在土地利用分类中的应用 [J], 王光远
5.基于知识的分层综合分类法在土地利用／土地覆盖遥感信息提取中的应用 [J], 欧立业;何忠焕;马海州;郑海金
因版权原因，仅展示原文概要，查看原文内容请购买。
如何利用遥感数据进行土地利用与覆盖分类引言：土地利用与覆盖分类是地理学、环境科学和资源管理领域中重要的研究方向之一。
遥感技术作为一种能够高效获取地表信息的手段，给土地利用与覆盖分类研究带来了革命性的变化。
本文将探讨如何利用遥感数据进行土地利用与覆盖分类，介绍常用的分类方法和关键技术。
一、遥感数据的基本概念和分类方法1.1 遥感数据的基本概念遥感数据是通过从卫星、飞机或其他平台获取的地表信息。
根据传感器的种类和工作原理，遥感数据可以分为光学遥感数据和微波遥感数据两大类。
其中，光学遥感数据包括可见光和红外波段的图像，而微波遥感数据则通过测量和分析微波信号来获取地表信息。
1.2 遥感数据的分类方法遥感数据的分类方法有多种，常用的方法主要包括像元级、对象级和面向应用的分类方法。
- 像元级分类是指将遥感图像中的每个像素点分别归类，并将其分配到相应的土地利用和覆盖类别中。
- 对象级分类则是将像元分组形成空间对象，并基于这些对象的形状、尺寸、纹理和光谱信息进行分类。
- 面向应用的分类方法是根据具体研究需求，将遥感图像分别用于土地利用和覆盖分类研究的不同方面。
二、遥感数据在土地利用与覆盖分类中的应用2.1 光学遥感数据的应用光学遥感数据是土地利用与覆盖分类中最常用的数据源之一，其可以提供高分辨率的地表信息。
常见的光学遥感数据包括Landsat系列卫星图像、高分辨率卫星影像以及无人机获取的图像。
利用这些数据，可以通过光谱信息进行土地利用与覆盖类型的区分和分类。
例如，利用不同波段的反射率特征，可以对农田、森林、湖泊等不同类型的土地进行分类。
2.2 微波遥感数据的应用与光学遥感数据不同，微波遥感数据主要用于土地利用与覆盖分类中的农作物监测、水体提取和地形测量等方面。
微波遥感数据可以穿透云雾和植被等遮挡物，具有强大的穿透能力，因此在可见光受限的情况下具有一定的优势。
例如，通过微波遥感数据，可以监测农田的土壤湿度，实现农作物灌溉的精细化管理。
遥感影像分类技术在土地利用评价中的实际应用引言：遥感技术作为一种非接触式、高效率的数据获取手段，被广泛应用于土地利用评价领域。
而遥感影像分类技术，则是其中一种重要的技术手段。
本文将探讨遥感影像分类技术在土地利用评价中的实际应用，并介绍其在不同领域中的应用情况及具体实例。
一、农业领域在农业领域，通过遥感影像分类技术可以快速、准确地获取农田土地利用信息，从而为农业生产提供科学依据。
例如，利用高分辨率遥感影像分类技术可以快速获取到不同农作物的种植面积和分布情况，有助于制定科学的农业种植结构调整方案，提高农业生产效益。
同时，通过遥感影像分类技术还可以监测农田的水分利用情况，及时掌握农田的干旱程度，为农民的灌溉决策提供依据，减少灌溉用水量，提高水资源利用效益。
二、城市规划城市规划是对城市土地利用的科学规划和管理，而遥感影像分类技术则为城市规划提供了重要的数据支持。
通过遥感影像分类技术，可以获取到城市不同功能区的分布情况，如居住区、商业区、工业区等，从而为城市规划部门提供科学决策依据。
此外，遥感影像分类技术还可以监测城市土地的变化情况，提供城市拓展、扩建等规划的参考数据。
因此，遥感影像分类技术在城市规划中的应用不仅能提高规划的准确性和科学性，还能促进城市的可持续发展。
三、生态环境保护生态环境保护是当今社会的重要任务之一，而遥感影像分类技术在生态环境保护中也发挥着重要作用。
通过遥感影像分类技术，可以对生态环境中的植被、湖泊、湿地等进行监测和评估，及时发现环境变化和破坏，为环境保护决策提供科学依据。
同时，遥感影像分类技术还可以监测砂石流、滑坡等自然灾害的发生情况，提前预警，减少人员伤亡和财产损失。
因此，遥感影像分类技术在生态环境保护中的实际应用具有重要的意义。
结论：遥感影像分类技术在土地利用评价中的实际应用具有广泛的应用前景和深远的意义。
通过该技术，可以快速获取土地利用信息，为农业生产、城市规划和生态环境保护等提供科学依据，促进社会的可持续发展。
遥感技术在土地利用规划中的应用土地利用规划是一项重要的任务，旨在合理分配和管理土地资源，促进可持续发展。
随着遥感技术的不断发展和应用，它已经成为土地利用规划中不可或缺的工具。
本文将探讨遥感技术在土地利用规划中的应用，并分析其优势和挑战。
遥感技术是通过获取和分析地球表面的图像和数据，来研究和监测地表现象和特征的一种技术手段。
这项技术可以在大范围内获取数据，实现高效准确的土地利用规划。
以下是遥感技术在土地利用规划中的几个主要应用领域。
首先，遥感技术在土地分类和调查中发挥着重要作用。
传统的土地利用调查方法常常面临时间和人力成本大、更新速度慢等问题。
而应用遥感技术可以通过处理卫星图像，实现高分辨率土地分类和调查。
通过图像解译和分类算法，可以识别不同类型的土地覆盖，如农田、建筑用地、森林等，从而为土地规划和管理提供准确的数据支持。
其次，遥感技术在土地变化监测和分析方面具有独特优势。
由于土地使用和覆盖的动态性，了解土地变化对于及时调整土地利用规划是非常重要的。
利用遥感技术，可以通过对比多个时间点的卫星图像，检测和分析土地的变化情况。
这将为规划者提供清晰的土地利用历史和现状，从而更好地预测未来的土地利用趋势，有针对性地制定规划政策。
另外，遥感技术还可以在土地评估和决策支持方面提供重要帮助。
通过遥感技术获取的多源数据可以用于土地评估，包括土地资源调查、土地生产潜力评估等。
利用卫星图像、地理信息系统（GIS）和遥感软件，可以进行土地可持续利用性评估，为规划决策提供科学依据。
此外，遥感技术还可以用于预测自然灾害、监测环境污染等情况，为土地利用规划提供更全面的信息。
然而，尽管遥感技术在土地利用规划中有广泛的应用前景，但也存在一些挑战和限制。
首先，遥感数据的获取和处理需要专业的技术和设备。
高分辨率的卫星图像价格昂贵，数据获取和处理的成本相对较高。
其次，遥感数据的解释和分析需要专业的知识和经验。
图像解译和分类算法的准确性受到操作者的技能和经验的影响。
GIS辅助下的基于知识的遥感影像分类方法研究：以土地覆盖
／土地利用？…
术洪磊;毛赞猷
【期刊名称】《测绘学报》
【年(卷),期】1997(026)004
【摘要】提高计算机遥感影像的分类精度，是遥感应用中研究的主要问题之一。
作者以规则的形式表示遥感影像解译知识，使用ＴＭ影像数据和ＤＥＭ、坡度、土地利用图等地理辅助数据，从遥感影像处理／地理数据／专家知识一体化的角度出发，使用基于知识的方法进行了研究，改善了分类精度。
实例研究证明了方法的正确性。
【总页数】9页(P328-336)
【作者】术洪磊;毛赞猷
【作者单位】中国科学院,国家计委地理研究所资源与环境信息系统国;北京大学遥感与地理信息系统
【正文语种】中文
【中图分类】P9
【相关文献】
1.在RS和GIS支持下对吉林西部土地利用/土地覆盖的动态变化分析 [J], 孟凡影;杜会石;刘志明
2.GIS辅助进行乡级土地利用规划数据库指标核查方法研究——以福建省为例 [J],
陈玲
3.RS与GIS支持下的土地利用及植被覆盖变化研究 [J], 毛学森;Tony JAKEMAN;Claude DIETRICH
4.基于知识的分层综合分类法在土地利用／土地覆盖遥感信息提取中的应用 [J], 欧立业;何忠焕;马海州;郑海金
5.基于知识的遥感影像的BAYES分类方法研究——以福州市琅歧岛土地覆盖/土地利用类型为例 [J], 李春华;沙晋明
因版权原因，仅展示原文概要，查看原文内容请购买。
利用遥感数据进行土地利用分类研究随着人口的增加和城市化的不断推进，土地利用问题逐渐成为了世界各地面临的一个重要的环境问题。
为了全面了解土地利用的变化情况，需要对土地利用进行分类研究。
而遥感数据的应用，则为进行土地利用分类研究提供了重要的手段。
一、遥感数据在土地利用分类研究中的应用1. 对土地利用的监测和分析遥感数据在土地利用分类研究中的应用，最主要的就是对土地的监测和分析。
通过分析遥感数据，可以了解土地利用的变化情况，判断土地的利用方式是否合理。
此外，还可以对土地利用进行定量评估，为土地利用政策的制定提供依据。
2. 实现土地利用分类研究的自动化传统的土地利用分类研究需要大量的人工测量和分析，费时费力。
而利用遥感数据进行土地利用分类研究，则可以实现研究的自动化，节省时间和成本。
同时，由于遥感数据具备数据量大、时间分辨率高、空间分辨率高、信息精度高等特点，因此可以为土地利用分类研究提供更为全面、精确的数据。
二、遥感数据在土地利用分类研究中的技术方法1. 基于光谱特征的方法在遥感数据的处理中，最常用的方法就是基于光谱特征的方法。
光谱特征是指地物在不同波长下的反射率和辐射率特点，这些特点可以通过遥感数据进行探测和测量。
通过对遥感数据进行多光谱分析和特征提取，可以将地物的光谱特征传递到分类模型中，从而实现对土地利用类型的自动分类。
2. 基于纹理特征的方法光谱特征是遥感数据中最基本的特征，但在面临纹理变化较大的地物时，光谱特征会出现失效或不确定的情况。
这时候就要使用基于纹理特征的方法来进行分类。
纹理特征是指地物表面的微小细节，例如地物的粗糙度、表面纹理、方向等。
利用纹理特征可以提取出具有独特特征的地物，避免了光谱特征分类中的失效或不确定性。
三、遥感数据在土地利用分类研究中的应用案例1. 基于遥感数据的城市土地利用分类研究在城市化进程加速的今天，对城市土地利用进行分类研究至关重要。
研究者可以通过遥感数据，根据不同的颜色、强度、分布和组合来对城市土地利用进行分类研究。
基于遥感技术的土地利用与土地覆盖分类方法发布时间：2021-03-17T03:06:39.560Z 来源：《新型城镇化》2020年22期作者：雷玉豪[导读] 土地是人类赖以生存的必备资源，人类的各种生产生活活动都与土地息息相关。
土地利用与土地覆盖情况，不仅体现着一个地区的地理特征与自然风貌，更关系着经济社会的发展，乃至于国家安全。
广西壮族自治区国土测绘院广西南宁 530023摘要：土地利用与土地覆盖分类始终是遥感技术的重要应用领域之一。
本文介绍和讨论了基于遥感技术的土地利用与土地覆盖分类流程与常见的分类方法，为相关研究与应用提供了一定参考。
关键词：遥感技术；土地利用；土地覆盖；分类引言土地是人类赖以生存的必备资源，人类的各种生产生活活动都与土地息息相关。
土地利用与土地覆盖情况，不仅体现着一个地区的地理特征与自然风貌，更关系着经济社会的发展，乃至于国家安全。
因此，对于土地利用与土地覆盖的研究自古以来便是一个热点课题。
随着遥感技术的产生与快速发展，遥感技术能够大范围、快速、精确、多维度地获取地面信息的特点使其天然成为了研究土地利用与土地覆盖的最佳技术手段之一。
基于遥感技术的土地利用与土地覆盖分类方法对比传统的调查方法在精度和效率上已经具备了明显的优势，因此，已经被广泛应用。
本文将对基于遥感技术的土地利用与土地覆盖分类流程与常见的分类方法进行简要的介绍和讨论。
一、分类前准备工作1.影像类型与时相的选择遥感土地利用与土地覆盖分类的实质是依据地面物体的光谱特性和纹理特征，对地面物体进行识别与区分。
在不同的研究目的和背景下，应根据研究区域范围大小，研究重点关注对象的不同，有针对性地选用合适的数据，以达到预期的效果。
通常，低分辨率，覆盖面积大的影像常用于大尺度，大范围的分类研究，如 NOAA/A VHRR、MODIS 等数据。
中高精度及分辨率的影像常用于局部区域内的分类研究，如 Landsat/TM 影像、SPOT 影像等数据。
大二遥感导论知识点总结五六章大二遥感导论知识点总结五六章遥感技术是一种通过航天卫星、航空器或地面传感器获取地球表面信息的技术手段。
在大二遥感导论课程的学习中，我们学习了遥感的基本原理、遥感图像的解译和应用，以及遥感在各个领域中的应用案例。
本文将对第五章和第六章的知识点进行总结，希望能够帮助大家更好地理解和掌握这两章的内容。
第五章：遥感平台和传感器1. 遥感平台分类：根据不同的平台和载荷，遥感平台可以分为航天平台、航空平台和地面平台。
航天平台主要包括卫星和航天飞机，航空平台主要包括飞机和无人机，地面平台主要包括传感器和观测站。
2. 遥感传感器分类：遥感传感器主要分为光学传感器、辐射传感器和微波传感器。
光学传感器包括摄影机、相机和光谱仪等，辐射传感器包括辐射计和辐射计扫描仪，微波传感器主要包括合成孔径雷达和微波辐射计。
3. 遥感传感器选择原则：选择遥感传感器时，需考虑地表目标的性质、被测量物理量、地表覆盖范围和分辨率等因素，并综合考虑成本、时间和工作要求等。
4. 遥感图像的分辨率：分辨率是指遥感图像对地表细节的显示能力。
可见光和红外波段的分辨率一般为1-100米，雷达波段的分辨率一般为5-100米，微波波段的分辨率一般为100-1000米。
第六章：遥感图像和遥感信息提取1. 遥感图像的特点：遥感图像具有全方位、全天候、多光谱、多尺度和重复观测等特点。
这些特点使得遥感图像能够提供丰富的地表信息，并帮助我们了解地球表面的变化和演化。
2. 遥感信息提取方法：遥感图像的信息提取方法主要包括目视解译、数字图像处理和机器学习等。
目视解译是通过直接观察遥感图像提取地物信息，数字图像处理是利用计算机对遥感图像进行处理和分析，机器学习是通过训练数据集和算法来自动提取遥感图像中的地物信息。
3. 遥感信息提取的应用：遥感信息提取在土地利用/土地覆盖分类、植被监测、城市扩张分析和环境监测等方面具有广泛的应用。
通过遥感图像的解译和分析，可以了解和监测地表的变化情况，为资源管理和环境保护提供科学依据。
第33卷第1期2008年1月测绘科学Science of Surveying and Mapp ingVol133No11Jan1作者简介:欧立业(19782),男,江西会昌人,工程师,主要从事遥感与地理信息系统应用工作。
E2mail:liyeou@1631com收稿日期:2006210208基金项目:江西省测绘局科技推先与科技创新项目(JXCHCX2ZX2003)和中国科学院知识创新工程重要方向项目(KZCX22S W2118)基于知识的分层综合分类法在土地利用/土地覆盖遥感信息提取中的应用欧立业①,何忠焕①,马海州②,郑海金③(①江西省基础地理信息中心,南昌 330046;②中国科学院盐湖研究所,西宁 810008;③江西省水土保持科学研究所,南昌 330029)【摘 要】土地利用/土地覆盖数据的获取是研究LUCC的重要基础工作。
随着遥感技术的飞速发展,通过遥感提取土地利用/土地覆盖专题信息已成为LUCC研究必不可少的一步。
目前遥感专题信息提取水平相对滞后于遥感数据获取,为了提高遥感数据在土地利用/土地覆盖的应用,寻找一种较好的、具有相对适用性的方法是目前遥感应用的一个迫切要求。
本文比较了目前比较常用的几种土地利用/土地覆盖遥感信息提取方法,分别以西部干旱区(柴达木盆地)和东部地区(鄱阳湖地区)为例,提出在GI S支持下基于知识的分层综合分类方法,并通过和其他几种常用方法进行比较分析,得到如下结果:在自然环境相差较大的柴达木盆地和鄱阳湖地区,采用了GI S支持下基于知识的分层综合分类方法的提取精度均要比单独采用最大似然法、纹理分析法、神经网络分类法等方法的总体精度高出25%,Kappa系数高出012。
由此可以说明了该方法对于土地利用/土地覆盖专题信息的提取是可行的,同时它也具有一定的适用性。
【关键词】土地利用/土地覆盖;基于知识的分层综合分类;柴达木盆地;鄱阳湖地区【中图分类号】TP75 【文献标识码】A 【文章编号】100922307(2008)0120173203DO I:1013771/j1issn11009223071200810110531 引言土地利用/土地覆被变化(LUCC)在全球环境变化和可持续发展中占有重要的地位[1]。
目前,LUCC已经成为全球环境变化的研究热点。
遥感可从多波段、多时相和全天候角度获得全球观测数据,这在全球环境变化研究中是其他任何方法和技术无可替代的[3]。
在土地利用/土地覆被变化研究中,土地利用/土地覆盖数据的获取是其重要基础工作。
随着遥感平台的多样化、图像分辨率的提高,以及计算机技术的迅速发展,遥感技术已成为LUCC研究的重要手段。
因而通过遥感图像处理、解译分类提取土地利用/土地覆盖信息已成为LUCC研究必不可少的一步[2]。
土地利用/土地覆盖遥感信息提取的方法较多,大体上可以分目视解译和计算机自动分类法两大类[3]。
其中,目视解译虽然能通过人充分利用地物的色调、形状、大小、纹理等影像特征知识,以及专家分析和推理,能达到较高的分类精度;但是它的效率低、时效性较差、解译过程主观性强、解译精度很大程度上与工作人员的经验水平相关。
因此,目前很多研究主要集中在如何利用图像处理与识别技术来获取较高精度的分类结果。
而由于受遥感数据光谱分辨率和空间分辨率的限制,以及“同物异谱,异物同谱”现象的普遍存在,计算机自动分类很难获得高精度的信息提取效果。
因此,为了有效地识别土地利用类型,提高遥感影像自动分类的精度,需要模仿目视解译的过程,从遥感信息机理与地学规律的综合分析入手,对在处理过程中得到的信息进行综合分析,充分利用其中的光谱信息、空间信息、地学知识以及人的经验知识进行有效的分类。
本文在比较分析了常用的几种土地利用/土地覆盖遥感信息提取方法基础上,从遥感与地理信息系统一体化的角度研究遥感专题信息提取问题,并在此基础上,提出了GI S支持下基于知识的分层综合分类法。
同时,选取了自然环境差异较大的柴达木盆地和鄱阳湖地区进行实验,以验证该方法对于土地利用/土地覆盖专题信息的提取具有可行性和一定的适用性。
2 研究区及数据获取211 研究区概况柴达木盆地是青藏高原北部的一个内陆盆地,在典型的大陆性荒漠气候环境下发育了干旱区所特有的荒漠绿洲景观。
所选的实验区位于柴达木盆地东南端的都兰县境内,地理坐标位于东经97°50′至98°20′,北纬36°06′至36°35′。
在该区域内覆盖着干旱区所具有的主要土地利用类型,因此具有一定的代表性。
地处鄱阳湖区之北的都昌县,地理位置位于东经116°2′24″至116°36′;北纬28°50′至29°38′。
县境内水面辽阔,港汊众多,丘陵、岗地和滨湖平原交错。
都昌县的地形地貌与土地利用方式在鄱阳湖盆地乃至在南方地区都有极大的相似性,因此该地区所覆盖的土地利用类型也具有一定的代表性。
212 数据获取研究中主要采用了遥感数据、DE M 和其他图件资料以及实地考察数据。
遥感数据为研究区Landsat 27ET M +数据两景,其中包括覆盖都兰县的134/35(1999年7月)和覆盖都昌县的124/40(2000年10月)。
其他资料为研究区1∶5万地形资料(包括1∶5万地形图和DE M )和1∶25万土地利用图(部分)等基础图件。
同时,也先后对两个研究区进行了实地考察,获取了比较丰富的地表覆盖资料,有利于对遥感数据进行信息提取和提取精度的评价。
3 研究内容与方法311 研究内容在本研究中,首先采用了最大似然法、纹理分析法、BP 神经网络分类法[5～7],分别对两个研究区进行分类;其次对这三种方法分别进行精度评价,特别是对每一种方法提取各种土地利用类型的效果评价;最后结合各种知识对每一土地利用类型确定其提取方法。
其中,土地利用分类系统参考了刘纪远等在中国科学院重大应用项目“国家资源环境遥感宏观调查与动态分析”中,从土地的资源角度建立起的一套基于30mT M 遥感数据的土地分类系统[4],并根据各研究区的实际情况提出适合的土地利用/土地覆盖分类系统。
即在一级类型保持不变的基础上,对二级类型进行调整,使它们更好的表达地表覆盖状况;纹理分析中,所采用的方法是基于灰阶共生矩阵方法产生的8种纹理特征(Mean 、Variance 、Homogeneity 、Contrast 、D issi m ilarity 、En 2tropy 、Second Moment 、Correlation )。
通过加入这8种纹理特征,以提高分类的精度。
312 基于知识的分层综合分类法根据实地调查资料,研究各种地物的光谱特征,并根据上述三种分类方法中出现的混分现象,采用各地类的最佳提取方法加入辅助数据和先验知识的方法,将待分图像进行分层分类[8]。
当一地物或几个地物成功地从待分图像提取之后,采用图像处理技术把已经提取的地物从原待分图像中去除,然后从剩余地物的图像中采用最佳提取方法再次进行分层,直到最后一个地物被提取出来为止。
这种基于知识的分层分类法综合了提取每一种地类的最佳方法。
每一次分层的目标明确,使得问题相对简单,而且综合了各方面的信息,提高了每一类地物的提取精度,从而提高最终结果的精度。
4 结果与分析411 三种方法分类结果采用最大似然法、纹理分析法、BP 神经网络分类法对两个研究区的遥感影像进行分类,总体分类精度结果如表1所示:表1 三种分类方法精度评价表分类方法最大似然法纹理分析法BP 神经网络分类法研究区域都兰县都昌县都兰县都昌县都兰县都昌县总体分类精度(%)5212561757159611276312765174总体Kappa 系数0140630147810148015136015207015338从表1中可以看出,BP 神经网络分类法在总体精度上要比其他两种方法要好一些。
但从各个地物的分类精度上看,每一种方法在某些地物的提取上都有其各自的优势,如最大似然法对柴达木盆地都兰县的林地和沙地以及对鄱阳湖区都昌县的林地提取效果较好,其精度可以达到80%以上(图3);纹理分析中,加入Homogeneity 特征后所获得的总体分类精度是其中最高的。
因此,在此选择加入Homogeneity 作为纹理分析的方法。
它对两地区沙地、耕地以及草地等纹理特征较好的地物有一些提高,但提高的不是很多(图4)。
BP 神经网络分类法对两个地区的各个地类的提取精度都有一定的提高,特别是对都兰县的水体以及对都昌县的城镇居民用地提取效果比较好,在三种方法中显示了其优越性。
(图3和4中土地利用/覆盖分类代码为:11耕地;21林地;31高覆盖草地;41中等覆盖草地;51低覆盖草地;61水体;71城镇居民地;81沙地;91裸岩石砾地;101荒地;111其他未利用土地)412 基于知识的分层综合分类法分类结果分析在各研究区的NDV I 、DE M 、土地利用图等辅助下,结合上述研究结果,对原始待分图像进行分层综合分类,分类结果图及分类精度评价如下所示:471测绘科学 第33卷 以都兰县为例,在第一次分层时,结合NDV I 将植被覆盖区和低植被覆盖区分层;对于植被覆盖区,结合DE M 划分出山地与平地。
根据坡度、坡向结合最大似然法将林地与高覆盖草地分出;对于平地采用纹理分析法将林地、耕地、草地等进行划分。
对于低植被覆盖区,采用BP 神经网络将水体与非水体进行划分。
对于非水体,采用纹理分析将沙地提取出;在剩余的非沙地中再次用BP 神经网络进行分类,提取出城镇居民用地;最后采用最大似然法对剩余的地物进行分类。
在GI S 支持下,将所提取的信息进行叠置分析,得到最终结果图。
最后进行总体精度评价,结果显示,基于知识的分层综合分类法的精度远远要比单独使用最大似然法、纹理分析法、BP 神经网络分类法的精度要高得多,都兰县和都昌县的总体分类精度分别为89164%和91128%,Kappa 系数分别为017629、017971。
满足土地利用/土地覆盖信息提取的精度要求。
图7 基于知识的分层分类法流程及部分结果图5 结论1)采用了最大似然法、纹理分析法、神经网络分类法等方法对两个研究区土地利用/土地覆盖类型进行提取。
结果发现采用最大似然法中加入了纹理特征的分类精度要比单独用基于光谱特征的最大似然法的分类精度要高;采用BP 神经网络则在总体精度上有了较大的提高,其总体精度可以达到60%以上,Kappa 系数提高到015以上。
2)基于知识的分层综合分类法的精度远远要比单独使用最大似然法、纹理分析法、BP 神经网络分类法的精度要高得多,总体精度提高了25%,Kappa 系数高出012。
3)本文以自然环境相差较大的西部干旱区(柴达木盆地)和东部地区(鄱阳湖地区)为例,对GIS 支持下基于知识的分层综合分类方法进行验证,研究结果说明了该方法对于土地利用/土地覆盖专题信息的提取是可行的,同时它也具有一定的适用性。
