羅雷

摘要：以重慶市銅梁縣為研究區(qū)域，以Landsat/TM遙感影像，矢量數(shù)據(jù)為主要數(shù)據(jù)來源，結(jié)合ENVI，Google Earth，ArcGIS等軟件，綜合應(yīng)用影像數(shù)據(jù)，矢量數(shù)據(jù)，統(tǒng)計數(shù)據(jù)及各軟件之間的交互操作對該區(qū)域土地利用類型進(jìn)行分類，再利用往年統(tǒng)計數(shù)據(jù)和Kappa系數(shù)對分類結(jié)果的可靠性進(jìn)行檢驗，最后土地分類結(jié)果精度比傳統(tǒng)方法高。

關(guān)鍵詞：土地分類 銅梁縣 Google Earth ENVI

1.傳統(tǒng)分類方法

傳統(tǒng)分類方法主要是目視解譯。它是從影像色調(diào)、顏色、陰影、目標(biāo)物的大小、形狀、紋理結(jié)構(gòu)、圖型格式、位置、組合等基本解譯要素結(jié)合具體目標(biāo)物的解譯要素來識別目標(biāo)，獲取目標(biāo)物信息的最直接、最基本的方法。由Cih-IarJ提出，目視解譯具有操作簡單，靈活性強等優(yōu)點有，但由于解譯經(jīng)驗和專業(yè)知識的差別，解譯結(jié)果受個人主觀因素影響較大，尤其是單純利用空間分辨率不高的圖像進(jìn)行解譯分類時，精度往往不高。

2.數(shù)據(jù)準(zhǔn)備與說明

2007年9月27日重慶市TM/ Landsat影像（已經(jīng)過輻射和幾何精校正），重慶市矢量數(shù)據(jù)，1990、2007、2008年銅梁縣土地統(tǒng)計數(shù)據(jù)及一些文字資料。

3.實驗步驟

3.1影像鑲嵌

由于銅梁縣全區(qū)不在一景完整的TM影像上，需要將相鄰兩景TM影像鑲嵌。

3.2確定工作范圍

用銅梁縣邊界的矢量數(shù)據(jù)裁剪TM影像。

3.3圖像增強與變換

3.3.1彩色合成

TM前7個波段當(dāng)中第六個波段為熱紅外波段，用于探測地物自身的熱輻射特征，與地表的光譜特征無直接聯(lián)系，且分辨率較低，為120m。因此，將第6波段剔除，剩余6個波段作為融合的信息源。由于銅梁縣上空云霧較多，在能明顯反應(yīng)地表不同地物光譜特征的前提下，有要盡量消除云霧對目視解譯的影響，經(jīng)多次試驗后，選擇5，4，3波段組合。

3.3.2圖像融合

高分辨率圖像對圖象解譯有很重要的作用，用HSV變換和全色波段（空間分辨率為15m）可以實現(xiàn)在保證光譜分辨率的前提下提高空間分辨率。

HSV變換具體方法為[2]：首先采用立方卷積作為重采樣方法將多光譜圖像放大一倍，完成后用RGB模式顯示5，4，3波段，并對圖像（scroll窗口）進(jìn)行均衡化拉伸。

將圖像（image窗口）作為輸入數(shù)據(jù)進(jìn)行RGBHSV變換，由于V是與顏色無關(guān)的屬性，并且V的值域范圍是[0，1]，先用波段計算的方法將全色波段值域調(diào)至[0，1]（用band8/255），再通過HSV→RGB變換用全色波段替換掉V成分，其余兩個成分不變。

3.3.3圖像變換

圖像變換的常用方法有主成分變換，纓帽變換，Brovey變換，傅里葉變換，乘積變換，小波變換等。實驗要保證在減少數(shù)據(jù)冗余的情況下，盡可能不丟失有用信息，以保證小地塊的分類精度。主成分變換滿足上述要求，是研究該地區(qū)的較理想的融合方法。

3.4土地利用類型分類

3.4.1分類方法及分類依據(jù)的確定

本研究采用的是監(jiān)督分類的方法，監(jiān)督分類的方法有很多，如最小距離法，馬氏距離法，最大似然法，神經(jīng)網(wǎng)絡(luò)，支持向量機分類法等[3]。對于以上分類方法中，支持向量機分類法具有最高的分類精度，對于容易錯分的地物也得到了比較好的區(qū)分，能更準(zhǔn)確地提取出目標(biāo)地物，但是計算時間長。最小距離分類法的分類精度最低，但是算法簡單，計算時間短。最大似然分類法和神經(jīng)網(wǎng)絡(luò)分類法的精度也很高，但是最大似然法的計算時間很短，神經(jīng)網(wǎng)絡(luò)法的計算時間是這四種分類方法中最長的。最大似然法由于分類精度較高，且計算時間快，所以仍是使用較多的分類方法[4]。本研究采用最大似然法。

3.4.2操作要點

3.4.2.1結(jié)合谷歌地球幫助解譯

除結(jié)合傳統(tǒng)的解譯標(biāo)志—色調(diào)、顏色、形狀、大小、紋理結(jié)構(gòu)解譯之外，還結(jié)谷歌地球幫助解譯。圖像經(jīng)過以上步驟后，空間分辨率為15m，但圖像仍然存在大量混合象元，各類地物之間邊界不明晰，除了一些光譜特征比較明顯的地物可直接進(jìn)行ROI（Region of Interest）選取，光譜特征不太明顯的地物借助谷歌地球，注意要調(diào)整谷歌地球數(shù)據(jù)時間點。對于影像上不確定的地物可以直接用ENVI的Tools工具跳轉(zhuǎn)至實際地點幫助解譯；還可以先在谷歌地球找到面積較大的一類地物后，在其上新建地標(biāo)，查看地標(biāo)屬性，將屬性當(dāng)中經(jīng)緯度信息輸入ROI，精準(zhǔn)定位到相應(yīng)地物象元，較大程度避免了混合象元的選取。

3.4.2.2結(jié)合已有矢量數(shù)據(jù)

由于在5，4，3波段組合下交通用地和工礦用地都是亮白色的，且紋理也相似，很

難手動將它們劃分成不同的ROI。

本實驗采用結(jié)合矢量數(shù)據(jù)的方法：先將這兩種地物分為同一類，并且將公路等矢量數(shù)據(jù)轉(zhuǎn)為柵格數(shù)據(jù)，計算出總面積，在用兩種地類的總面積減去交通用地就可得出工礦用地面積。最后土地分類圖像疊加上矢量的交通線圖層。

3.4.2.3利用統(tǒng)計資料

在選取“未利用”土地類型時，參考統(tǒng)計文獻(xiàn)[4]可知銅梁縣“未利用”土地類

型大部分是田埂，對于空間分辨率為15m的圖像來說，寬度為1m左右的田埂是和其他地類混在一起的混合象元，如果強行在圖像選取ROI的話，難免不將其他地類包含其中，影響總體分類精度。這里采取“間接”的方法：先將其他地類分好，最后用總面積減去其他地類面積之和，可以得出“未利用”土地面積。

3.5精度評價

3.5.1Kappa系數(shù)

Kappa分析采用一種離散多元技術(shù)，考慮了矩陣的所有因子，克服了利用總體精度、用戶制圖精度的缺點：象元類別的小變動可能導(dǎo)致百分比變化較大，這些指標(biāo)的客觀性依賴于采樣樣本和方法。

結(jié)論與建議

在用像Landsat/TM之類的中等分辨率進(jìn)行土地利用類型進(jìn)行分類時，應(yīng)充分結(jié)合該地區(qū)的高分辨率的影像，矢量數(shù)據(jù)，往年統(tǒng)計數(shù)據(jù)，Google Earth等手段幫助解譯，提高解譯精度。

參考文獻(xiàn)：

1. 紀(jì)仰慧，李國春，關(guān)宏強. 土地利用/覆蓋遙感分類研究綜述[J]. 農(nóng)業(yè)網(wǎng)絡(luò)信息，2005（8）：36-38.

2. 韋玉春. 遙感數(shù)字圖像處理實驗教程[M] 北京：科學(xué)出版社， 2011

3. 趙英時等. 遙感應(yīng)用分析原理與方法[M]. 北京：科學(xué)出版社， 2003

4. 閆琰， 董秀蘭， 李燕. 基于ENVI的遙感圖像監(jiān)督分類方法比較與研究[J]. 北京測繪 2011（3）：14-16

5. 張振德等. 重慶市國土資源遙感綜合調(diào)查與信息系統(tǒng)建設(shè)[M]. 北京：地質(zhì)出版社， 2002

6. Congalton R. G.，1991，A Review of Assessing the Accuracy of Classification of Remotely Sensed Data， Remote Sens. Environ. 37：35-36.