下载文档原格式
高分辨率遥感影像的土地利用分析随着科技的不断进步，高分辨率遥感影像在土地利用分析中的应用越来越广泛。
高分辨率遥感影像能够提供丰富而详细的地表信息，为我们深入了解土地利用状况、规划土地资源以及进行相关的环境保护和管理工作提供了有力的支持。
高分辨率遥感影像具有许多显著的特点和优势。
首先，其空间分辨率极高，可以清晰地分辨出地表的各种地物特征，如建筑物的轮廓、道路的宽度、农田的边界等。
这使得我们能够获取更为精确和细致的土地利用信息。
其次，高分辨率遥感影像具有丰富的光谱信息，能够区分不同类型的土地覆盖和土地利用类型。
再者，它还可以实现多时相的观测，通过对不同时间获取的影像进行对比分析，能够动态地监测土地利用的变化情况。
在获取高分辨率遥感影像后，接下来的关键步骤就是对其进行处理和分析。
图像预处理是必不可少的环节，包括几何校正、辐射校正等。
几何校正用于消除由于传感器姿态、地形起伏等因素导致的图像变形，使影像能够准确地反映地物的实际位置和形状。
辐射校正则是为了消除由于光照条件、大气影响等造成的辐射误差，确保影像的亮度和色彩能够真实地反映地物的光谱特征。
土地利用分类是土地利用分析的核心任务之一。
通过对影像中地物的特征提取和模式识别，可以将土地分为不同的利用类型，如耕地、林地、建设用地、水域等。
这通常需要运用多种分类方法，如基于像元的分类方法和面向对象的分类方法。
基于像元的分类方法直接对影像中的每个像素进行分类，常见的有监督分类和非监督分类。
监督分类需要事先选择具有代表性的训练样本，并根据这些样本的特征来确定分类规则。
非监督分类则不需要训练样本，而是根据影像中像素的光谱特征自动聚类成不同的类别。
然而，基于像元的分类方法往往忽略了地物的空间特征和上下文信息，容易导致分类结果的破碎和不准确。
面向对象的分类方法则将影像分割成具有相似特征的对象，然后基于对象的光谱、形状、纹理等特征进行分类。
这种方法充分考虑了地物的空间关系，能够提高分类的准确性和完整性。
基于ENVI的长沙市土地利用类型分析长沙市是湖南省的省会城市，也是湖南省重要的经济、政治、文化中心之一、作为一个发展迅速的城市，土地利用的类型和结构对城市的发展和规划至关重要。
本文将基于ENVI软件对长沙市的土地利用类型进行分析。
首先，我们需要获取长沙市的遥感影像数据。
遥感影像是通过卫星或飞机获取的地表覆盖信息，可以提供高分辨率的图像数据帮助我们分析土地利用类型。
选择适当的遥感影像可以提供详细的土地利用类型信息。
接下来，我们需要对遥感影像进行预处理。
预处理的目的是减少噪声、增强图像的对比度、去除大气和地貌影响等。
常用的预处理步骤包括大气校正、几何校正和辐射校正等。
在预处理完成后，我们可以进行图像分类和土地利用分类了。
图像分类是将遥感影像中的像元分成不同的类别，而土地利用分类则是将这些类别归类为特定的土地利用类型。
ENVI软件提供了多种分类算法，如最大似然法、支持向量机、随机森林等，可以根据需要选择适当的算法。
进行图像分类之前，我们需要确定分类的目标和类别。
长沙市的土地利用类型包括城市建设用地、农用地、林地、水域等。
我们可以将这些类别作为目标进行分类。
在进行图像分类时，我们可以使用人工标注和自动分类的方式。
人工标注是将一部分样本像素手动标注为特定类别，然后使用分类算法进行分类。
自动分类则是通过训练模型自动识别并分类。
一般情况下，人工标注和自动分类相结合可以得到更准确的结果。
分类完成后，我们可以对结果进行评估和精度验证。
评估的目的是检查分类结果的准确性和一致性。
常用的评估指标包括准确性、精度、综合判定系数等。
通过与实地调查数据对比，可以验证分类结果的精度。
最后，我们可以对分类结果进行可视化和分析。
通过将分类结果叠加到地图上，可以直观地显示长沙市的土地利用类型分布情况。
我们还可以使用空间统计方法对土地利用类型进行分析，比如计算各类别的面积、周长和相对位置等。
通过以上步骤，我们可以基于ENVI软件对长沙市的土地利用类型进行分析。
基于高分辨率影像土地利用遥感动态监测与分类信息提取方法摘要：本文介绍了基于高分辨率影像的土地利用遥感动态监测与分类信息提取方法，利用遥感技术动态监测土地利用的本质是对图像系列时域效果进行量化，通过量化多时相遥感图像空间域、时间域、光谱域的耦合特征，来获得土地利用变化的类型、位置和数量等内容。
利用遥感技术可以快速、大范围的获得土地利用变化区域，例如建设用地、农业用地、工业用地、交通用地，水体（河道变化）等。
关键字：遥感技术土地利用影像分类动态监测图像分割1.背景随着社会经济的发展，特别是城市建设步伐的加速，城市土地利用每年都在发生明显的变化。
传统的土地利用调查需要花费大量的人力、时间和经费,难以适应土地利用的这种快速变化。
遥感以其覆盖面大、信息更新快、人为干扰因素小等优点已逐渐应用到土地利用变化遥感动态监测中。
我国遥感技术在土地资源调查和监测中的应用始于20 世纪90 年代。
国家土地管理局成立以后，在国务院统一布署下，利用了TM、SPOT等多种遥感数据源，进行目视解译、分析和计算机自动分类制图等组织完成了全国县级土地详查，这一成果为各级政府制定经济建设规划、计划，为农业、工业、水利、能源、交通等各专业部门制定规划、计划提供了可靠的数据资料、为各项土地管理工作提供准确依据，已在经济建设、农业生产和土地管理中发挥了重要作用，也为我国开展土地利用动态监测提供了完整、可靠的本底资料。
1.技术流程和关键技术1.技术流程土地利用变化遥感动态监测是一个工作量比较大的过程，对遥感数据的预处理要求较高，变化信息的发现和变化信息的提取可选择和组合的方法很多，技术含量较高。
下图为土地利用变化遥感动态监测的技术流程。
1.动态监测技术流程1.关键技术遥感动态监测主要涉及图像预处理和土地利用变化信息检测和提取两部分，其关键技术也就主要包括图像预处理方法和土地利用变化信息提取方法。
值得我们注意的是，变化检测方法和信息提取方法不能说哪个绝对的好与坏，只能是根据不同的数据源和不同的应用需求选用适合的方法。
基于遥感数据的城市土地利用变化分析城市化是当今社会发展的必然趋势，城市土地利用变化分析对于城市规划和可持续发展至关重要。
遥感技术作为一种有效的工具，可以提供大范围、高分辨率的土地利用数据，为城市土地利用变化分析提供了重要支持。
本文将介绍基于遥感数据的城市土地利用变化分析的方法和应用，并探讨其在城市规划和可持续发展中的意义。
一、遥感数据的获取和处理1. 遥感影像的获取：遥感影像是通过卫星、航空器等远距离感应方式获取的图像数据，可以提供大范围、高分辨率的土地利用信息。
常用的遥感影像包括多光谱影像、高光谱影像和合成孔径雷达影像。
2. 遥感数据的预处理：遥感数据预处理是为了消除影像中的干扰和噪声，提高数据的质量和可用性。
主要包括辐射校正、几何校正和大气校正等步骤。
3. 遥感影像的分类：土地利用分类是将遥感影像中的像素划分为不同的土地利用类型的过程。
常用的分类方法包括有监督分类和无监督分类。
有监督分类依赖于已知地物的样本训练，而无监督分类则是根据数据相似性进行自动聚类。
二、城市土地利用变化的分析方法1. 土地利用变化矩阵：土地利用变化矩阵是一种常用的分析方法，用来描述不同时间段内土地利用类型的变化情况。
通过对比不同时间点的土地利用数据，可以获取不同类型土地利用的转换关系和转换数量。
2. 空间模式分析：空间模式分析是通过计算土地利用类型的空间分布特征，来研究土地利用变化的空间模式和演化趋势。
常用的空间模式指数包括聚集指数、分散指数和转移矩阵指数等。
3. 基于时间序列的分析：基于时间序列的分析是通过对多期遥感影像的比较，揭示土地利用变化的趋势和规律。
通过分析时间序列中的变化幅度和趋势，可以预测未来的土地利用变化方向。
三、基于遥感数据的城市土地利用变化分析的应用1. 城市规划与用地管理：基于遥感数据的土地利用变化分析可以提供城市规划和用地管理的科学依据。
通过分析土地利用变化，可以评估不同土地利用类型对城市发展的贡献和影响，为城市规划和用地决策提供参考。
使用遥感图像解译进行土地利用类型分类的技巧与方法引言：遥感图像解译是通过获取地面及其有关信息的各种图像，并分析图像来识别及提取地物特征的过程。
在土地利用规划、环境保护、农业和城市规划等领域，遥感图像解译在确定土地利用类型及其空间分布方面发挥着关键作用。
本文将介绍一些使用遥感图像解译进行土地利用类型分类的技巧与方法。
一、选取合适的遥感数据选择合适的遥感数据是进行土地利用类型分类的关键步骤。
常见的遥感数据包括航空摄影、卫星影像和激光雷达数据等。
这些数据具有不同的空间分辨率、光谱分辨率和时间分辨率等特点，因此需根据研究目的和数据可用性选择合适的遥感数据。
通常情况下，高分辨率的卫星影像可以提供更详细的地物信息，而中分辨率的遥感数据可以实现更大范围的土地利用类型分类。
二、预处理遥感图像数据在进行土地利用类型分类之前，通常需要对遥感图像数据进行预处理。
预处理包括影像辐射校正、大气校正和几何纠正等步骤。
通过这些预处理步骤，可以消除由于传感器和大气条件等因素引起的影像噪声和畸变，提高土地利用类型分类的准确性。
三、提取分类特征提取合适的分类特征是进行土地利用类型分类的关键。
常见的分类特征包括光谱特征、纹理特征和形状特征等。
光谱特征通常是基于遥感图像中地物的光谱反射率或辐射亮度进行分类，通过分析地物的光谱特征可以判断其土地利用类型。
纹理特征是指地物的纹理信息，通过纹理特征可以获得地物的空间分布信息，从而实现土地利用类型分类。
形状特征是指地物的形状信息，通过分析地物的形状特征可以判别其土地利用类型。
四、选择合适的分类算法选择合适的分类算法是进行土地利用类型分类的关键。
常见的分类算法包括最大似然分类法、支持向量机、随机森林和人工神经网络等。
最大似然分类法是一种常用的基于统计理论的分类算法，它通过计算每个地物类别的最大似然估计来判断其土地利用类型。
支持向量机是一种常用的机器学习算法，它通过构建一个高维空间中的超平面来实现土地利用类型分类。
基于遥感技术的土地利用变化分析遥感技术是一种通过卫星、飞机、无人机等远距离获取地表信息的技术手段。
利用遥感技术，可以实现对土地利用变化进行准确、高效的分析。
本文将探讨基于遥感技术的土地利用变化分析的方法和应用。
一、遥感技术在土地利用变化分析中的应用遥感技术通过获取地表影像，可以获取大范围的土地利用信息，包括农田、城市、森林、湖泊等地表类型的变化。
与传统的地面调查相比，遥感技术具有获取大范围数据、高时间分辨率、低成本的优势，能够为土地规划、资源管理、生态环境保护等领域提供重要支持。
二、土地利用变化分析的方法1. 影像分类法影像分类是指将遥感影像中的像元划分为不同的类别，如农田、林地、水体等。
影像分类可以通过人工解译、监督分类和无监督分类等方法实现。
通过对多个时段的影像进行分类，可以得到不同时间点的土地利用类型分布。
2. 深度学习方法深度学习是一种基于神经网络的机器学习方法，近年来在土地利用变化分析中得到广泛应用。
深度学习方法能够通过对大量影像数据的训练，自动获取地物特征，并准确地进行土地利用类型分类。
相比传统的方法，深度学习能够更好地应对复杂的景观变化。
三、基于遥感技术的土地利用变化分析案例1. 城市扩张的变化分析随着城市化进程的加快，城市用地的需求不断增长。
利用遥感技术，可以对城市的扩张进行动态跟踪和分析。
通过对连续时期的遥感影像进行分类，可以获取不同时间点城市用地的面积、空间分布等信息，为城市规划提供参考依据。
2. 生态环境变化的监测生态环境是人类生存和发展的重要基础。
利用遥感技术，可以对森林、湿地等自然生态系统的变化进行监测。
通过对遥感影像的分类分析，可以获取不同时间点生态系统的植被覆盖情况、湿地面积变化等信息，为生态环境保护和管理提供科学依据。
3. 农田利用变化的研究农田是粮食生产的重要基地，农业发展与粮食安全息息相关。
利用遥感技术，可以对农田的面积变化、土地利用类型的变动进行分析。
通过对多期遥感影像的比对，可以了解不同时间段农田面积的增减变化情况，为农业决策提供参考。
基于遥感影像进行土地利用分类提取方法与步骤1. 数据收集：收集高分辨率的遥感影像数据，包括卫星影像或航空影像。
2. 图像预处理：对收集的遥感影像进行预处理，如大气校正、辐射校正、几何校正等，以消除噪声和其他影响因素。
3. 特征选择：根据土地利用分类的目标，选择适当的特征来描述土地利用类型，如纹理特征、空间特征、光谱特征等。
4. 图像分割：将预处理后的影像划分成一系列不重叠、尽可能均匀的区域。
常用的方法包括基于阈值、基于区域生长的方法等。
5. 特征提取：针对每个划分得到的区域，提取与土地利用分类相关的特征，如纹理特征、形状特征、光谱特征等。
6. 特征标准化：对提取的特征进行标准化处理，使其具有相同的尺度和均值，以便更好地进行分类。
7. 训练样本选择：从各个土地利用类型中随机选择一定数量的样本，用于训练分类模型。
8. 特征降维：如果特征维度较高，可以采用降维算法对特征进行降维，减少计算复杂度和数据维度。
9. 数据标注：将训练样本的土地利用类型进行标注，作为监督学习的输入。
10. 训练分类模型：使用标注的训练样本，训练土地利用分类模型，如支持向量机、随机森林、神经网络等。
11. 模型验证：使用另外一部分未标注的影像数据对训练好的模型进行验证，评估分类的准确性和效果。
12. 分类结果生成：对整个影像进行土地利用分类，生成分类结果图。
13. 后处理：对分类结果图进行后处理，如消除噪声、填补空缺、平滑边界等。
14. 空间连续性保持：为了保持土地利用分类结果的空间连续性，可以采用像素级或对象级的空间约束方法。
15. 土地利用调整：根据实际需求，可以对土地利用分类结果进行调整，如合并类别、划分新类别等。
16. 精度评估：采用地面调查数据或其他可信数据进行精度评估，评估土地利用分类的准确性和精度。
17. 结果解释：通过对土地利用分类结果进行解释和分析，研究土地利用变化趋势和规律。
18. 准确性改进：根据精度评估结果，对分类模型和步骤进行改进，提高土地利用分类的准确性。
如何使用遥感影像进行土地利用和覆盖分类遥感影像技术是现代地理学、环境科学等领域中非常重要的工具，它可以通过获取地表信息的方式来快速了解土地利用和覆盖情况。
本文将从遥感影像的获取、处理和分类等方面，探讨如何使用遥感影像进行土地利用和覆盖分类。
一、遥感影像的获取遥感影像的获取方式包括航空摄影和卫星遥感。
航空摄影使用航拍摄像机或激光雷达等设备，在高空中对地表进行拍摄。
而卫星遥感则是利用卫星携带的传感器对地表进行观测。
这两种方式都能够提供高分辨率的影像，但航空摄影的分辨率更高，一般可达到米级别，在细节表达上更为精细。
二、遥感影像的处理在获得遥感影像后，需要进行一系列的处理工作，以提高影像的可用性和准确性。
首先，要进行大气校正，消除大气影响，以获得真实的地表反射率。
其次，需要进行几何校正，使得影像与地理坐标系统对应，以便后续的空间分析。
此外，还需要进行辐射校正、噪声处理等步骤，以提高影像的质量。
三、土地利用和覆盖分类土地利用和覆盖分类是将遥感影像中的像素分为不同的类别，如农田、建筑、水体等，以便更好地理解和分析地表的变化和特征。
常用的分类方法有监督分类和非监督分类。
监督分类是在事先给定一些样本点的情况下进行的。
首先，需要选择一些代表各类别的样本点，然后通过遥感影像的光谱信息和地物的实地调查，为每个样本点分配正确的类别。
接下来，通过使用分类算法，如最大似然分类、支持向量机等，将这些样本点泛化到整个影像中，从而得到了土地利用和覆盖的分类结果。
非监督分类是通过在影像中寻找相似像元来进行的。
首先，将影像中的像素按照相似性进行聚类，形成不同的类别。
然后，通过分析每个类别的光谱特征和空间分布特征，对不同的类别进行解释和标注。
虽然非监督分类过程中无需事先定义样本点，但其结果需要人工解释和验证，以确保准确性。
四、遥感影像分类的应用利用遥感影像进行土地利用和覆盖分类可以广泛应用于环境监测、城市规划、农业管理等领域。
例如，在环境监测中，可以通过监测不同土地利用和覆盖类型的变化，及时发现和评估生态环境的变化和破坏。
基于深度学习的遥感影像大数据土地利用分类摘要：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。
科学地进行土地利用分类，不仅有助于提高土地利用调查研究与制图的质量，而且有利于因地制宜、合理地组织土地利用和布局生产。
随着深度学习的不断成熟，深度学习已成功的运用于遥感影像自动分类。
本文将介绍两种深度学习网络，分别是卷积神经网络和胶囊神经网络，并通过分析其工作原理，进行优点缺点的相互比较。
关键词：土地利用分类深度学习卷积神经网络胶囊神经网络1 引言1.1 研究背景与意义土地利用分类是国家掌握土地资源现状、制定土地政策、合理利用土地资源的重要的基础性工作，同时也是新时期开展国土空间规划工作的基础和前提。
随着中国经济持续高水平发展，土地浪费现象日益严重，土地资源的实际应用效率比较低，因为土地资源短缺、土地资源利用率和森林覆盖率、耕地利用等问题都与社会可持续发展息息相关，所以更加迫切的要求对土地资源进行合理的开发、规划和利用[1]。
1.2 研究现状经典的遥感影像分类方法主要利用遥感影像的低层次特征信息，如光谱特征、几何特征等[2]，采用不同的分类器，如主成分分析、人工神经网络等，实现遥感影像的地物分类。
Maggiori 等[3]采用全卷积神经元网络实现了遥感影像的像素级分类；Scott等[4]结合迁移学习，克服了遥感影像数据集标注缺乏的困境。
目前，利用深度学习算法实现高分辨率航空和航天影像的大区域（如城市级）土地利用分类及变化检测的有关研究依然较少，本文针对城市级的高分辨率遥感影像，研究了基于深度学习的分类和变化检测方法。
2 卷积神经网络2.1 卷积神经网络的原理卷积神经网络的原理是在3D 输入特征图上滑动这些3×3 或5×5 的窗口，在每个可能的位置停止并提取周围特征的3D图块。
然后每个3D图块与学到的同一个权重矩阵做张量积，转换成形状为的1D向量。
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 comparison1引言随着深圳特特区一体化和城市化的快速发展，如何最大限度地利用城市未利用地，对城市发展及资源的优化配置有着极其重要的意义，遥感技术的发展大大提升了人类对地球环境的认知能力，是目前人类改造世界积极有效的依据和工具。
遥感技术对城市未利用地如裸地、临时建筑、水体、闲置绿地等的提取提供了准确高效的方法，能有效地优化资源配置。
2本文用的数据及方法本文利用法国spot-5卫星影像数据，借助envi软件来实现对影像进行所需地物的提取。
spot-5卫星是2002年5月4日由法国阿里安-4火箭发射入轨的，是法国空间局spot卫星系列中的最后一颗，其获取的影像较好地兼有高分辨率和大面积的技术优势，已被国土资源部列为较大比例尺土地利用调查、土地利用信息系统数据更新的主要卫星遥感影像。
如何基于spot-5影像对地物进行解译，对地物进行准确的分类，从而辅助城市发展战略的规划，具有较为重要的意义。
spot-5卫星遥感数据特点：(1)采用新的技术，提高图像的几何精度，达到更高的地面分辨率；(2)采用12000 像元的ccd 探测器，以维持60km的地面数据宽度；(3)保留传感器的侧视功能,以增强重复观测能力；(4)增加沿轨道方向的立体成像功能；(5)在数据压缩、存储和传输等一系列方面都有了显著的提高[1]。
spot遥感影像特点：spot影像数据是由spot卫星上的可见光高分辨率传感器hrv获得的。
hrv是一种推扫式扫描仪,采用了电荷耦合器件技术(ccd),具有良好的摄像质量。
hrv有单波段全色和多光谱两种工作方式,相应获得两种数据:xs(xs1，xs2，xs3，xs4)和pan。
spot数据波段见表1。
表1spot数据波段[2]table 1 spot image of the band information波段序号波段名称波长/μm 特征与用途xsi 绿色0.50~0.59 改波段是叶绿素反射次高峰区，用于植被类别区分，作物长势评估，水体浑浊度评价及探测深10~20m水域xs2 红色0.61~0.68 该波段是叶绿素反射区，用于农作物类型识别，大型建筑物区分，城市道路、裸露土壤和岩石表面状况辨识xs2 近红外0.79~0.89 改波段是叶绿素强反射区，水域低反射区。
用于水体编辑测定，树种识别xs2 短波 1.5~1.75 spot4新增波段。
用于植物红外，含水量、土壤湿度探测，云与雪的区分pan 全色0.51~0.73 改波段地面分辨率最高，用于调查城市土地利用现状，区分城市道路，识别较大建筑物3本文的技术流程本文的技术流程如下图：4 数据来源及分类过程本文选取深圳市宝安区某区域spot影像作为基本数据源，进行预处理和分类比较。
影像具有红、绿、近红外、全色四个波段。
先将数据进行几何校正、噪声去除、影像配准、用his方法将多光谱与全色波段进行影像融合等预处理。
预处理之后的影像如图1。
图1 预处理之后的影像figure 1 image after preprocessing4.1 监督分类监督分类又称作训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。
它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其它信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。
使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此来完成对整个图像的分类。
本文根据典型区域选择训练样区，建立分类体系分别为水体、道路、园地、建筑物、耕地、裸地、绿地（绿地根据地物分布特征分为道路绿化带、公园和山林地），选择分类器为最大似然法，分类结果如下：图2 监督分类结果figure 2 supervised classification results4.2 根据专家知识的决策树分类决策树分类法具有灵活、直观、清晰、强健、运算效率高等特点，在遥感分类问题上表现出巨大优势。
它是遥感图像分类中的一种分层处理结构。
其基本思想是通过一些判断条件对原始数据集逐步进行细化。
其中，每一个分叉点代表一个决策判断条件，每个分叉点下有2个叶节点，分别代表满足和不满足条件的类别[3]。
这种方法不但不需要依赖任何先验的统计假设条件，而且可方便地利用除亮度值以外的其它知识，所以在遥感影像分类和专题信息提取具有广泛的应用价值。
有关spot5影像的研究，张晓星用专家分类方法应用在森林资源清查中[4]，杨敏、徐冬寅等利用spot5遥感图像数据应用在矿山地质环境调查[5]，张艮龙、冯益明等探讨了基于spot5遥感影像的小班区划[6]，本文总结他们的方法，利用spot5影像应用于土地分类。
地物光谱特征，简要总结如下：居民地在绿光波段反射率最高；水体在近红外和短波红外反射率明显低于其他地物反射率；植被提取采取耕地和绿地在近红外反射率高，但前者在短波红外反射率最高；道路在红光波段反射率最高；居民地、城市建筑物在绿光波段反射率最高；其中，选择的部分特征参数如下[7]：ratio nir(近红外比率)，来区别和提取水体和阴影。
rationir(近红外比率)：如果 =1和c(v)≠0那么ratio=；如果=0和c(v)≠0那么ratio=0；其中，---影像图层k的亮度权重；：影像对象v 中图层k的平均强度；c(v)：亮度；ndvi（归一化植被指数）：来提取植被ndvi=（mean nir-mean red）/ (mean nir+ mean red)式中，mean nir：近红外波段值；mean red：红外波段值。
根据研究区特征及其地物光谱特征，自定义决策树分类规则，分类结果如下：图3 专家知识的决策树分类结果figure 3 expert knowledge of the decision tree classification results5 分类的精度评价由于影像地形的复杂性，任何软件都不可能完全精确的分类。
通过评估可以判断所用分类器是否适合于特定的影像，所以评估分类结果的质量是极其重要的。
本文通过分类稳定统计表和误差矩阵来评定分类的精度。
且参照08年该区域第二次全国土地大调查数据，以水体为例：选取试验中232个水体对象，监督分类中：其中水体为211个，山体阴影为6个，园地为5个，精度达到91%；而利用目视解译可以发现，基于专家知识的决策树分类把许多山体阴影都判断成了水体，精度较低，这是由于地物纹理信息以及地物之间光谱和相元的相似性，导致其分类结果的误差。
因此实验证明，针对spot5高分辨率影像来说，对spot5高分辨率影像，利用监督分类的方法精度较基于专家知识的决策树的分类精度高。
6 参考文献[1] 廖瑛.spot-5遥感数据特性及其图像处理关键技术探讨[j].science and technology innovation herald科技创新导报,2009 no.01:233-234.[2]王晓怡，王艳泽等.基于决策树技术的城市建设用地信息提取方法研究[j].资源开发与市场resourcedevelopment&market,2009.25（3）:226-228.[3]陈华丽,陈植华,丁国平.用基于知识的决策树方法分层提取矿区土地类型--以湖北大冶为例[j]. 国土资源遥感,2004,(3):49-53.[4]张晓星，专家分类方法在森林资源清查中的应用研究[j].林业资源管理forest resources manafgement,2010,2(1):118-122.[5]杨敏，徐冬寅等.spot5遥感图像数据在矿山地质环境调查中的应用研究[j].黄金gold，2010,1（31）:51-55.[6]张艮龙，冯益明等.基于spot-5遥感影像的小班区划探讨[j].浙江林学院学报，2010,27（2）299-303.[7]黄亮，左小青等.面向对象的道路信息识别提取分析[j].昆明理工大学学报(理工版)，2010,35（6）：6-10。
