土地利用覆盖变化信息提取

土地利用/覆盖改变信息提取试验报告 1.试验目的 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改变特征。 2.试验内容 金华市土地利用/覆被改变信息的提取。采纳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、坡度等地理协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裂、地物分布困难的地区。和传统的监督分类法相比，它可以消退园地和林地、建设用地和裸地光谱相像所带来的影响。 （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、几何校正和图像增加，并利用行政边界矢量图对影像进行裁剪。 （2）土地利用改变信息提取。首先对其中的一期影像2003年分别采纳最大似然法、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）利用空间叠加获得土地利用/覆被改变的面积转移矩阵，进而通过面积转移矩阵分析土地利用/土地覆被的数量改变、空间结构改变和土地利用程度。 3.试验方案 4.数据预处理 4.1数据源 本文所采纳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150 000地形图；该地区81m*81m辨别率的数字高程模型（DEM）；1100万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探讨区遥感影像数据 获得时间 传感器类型 数量（景） 空间辨别率（m） 2003年3月9日 SPOT-5全色 1 5 1/2 5 2003年3月26日 LandsatETM 1-8波段 1 15m（全色） 30m多光谱 1996年9月6日 LandsatTM1-7波段 1 30 1988年12月5日 LandsatTM1-7波段 1 30 表4-2探讨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150000地形图，用于进行卫星遥感资料的几何校正 野外调查资料 野外限制点的测量，土地利用/覆盖分类训练样本区的调查，建立判读标记，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/覆盖动态改变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、几何订正、以及对探讨区进行边界裁剪和图像增加。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。本文的大气订正在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）几何订正。影像几何订正就是将所探讨影像纳入到一个地面坐标系中，方法是利用地面限制点对各种因素引起的遥感影像的几何畸变进行订正，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探讨区影像。 4）图像增加。本文采纳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终得出最佳波段组合。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，可分别性越高；为三波段中随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 421 432 532 543 752 743 754 88年TM 26.338 29.182 25.521 33.605 27.793 33.983 33.910 96年TM 32.154 34.864 16.845 36.025 16.089 36.163 25.598 03年ETM 16.240 19.483 21.121 23.240 20.880 22.592 20.427 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，所以三幅影像都采纳743组合方案参加分类。 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具体的分析，以选择最有效的参数变量谱段参加后续的分类。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，经常采纳统计学方法建立起一个判别函数集，然后依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确定。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视。 1训练样区的选取与纯化 本文中采纳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