长白朝鲜族自治县土地覆盖现状评价本科论.doc

长春师范大学本科毕业论文分 类 号： TP391 学号：1009240106学号：12345678910 本科毕业论文长白朝鲜族自治县土地覆盖现状评价 Changbai Korean Autonomous County land cover status assessment姓 名： 侯 秋 影 专 业： 地理信息系统 指导教师姓名： 徐 英 睿 指导教师职称： 讲 师 2014年5月III摘 要土地覆盖研究其实是一个很重要的问题，跟我们的生活息息相关。以前的土地覆盖是单纯的研究存在在这片区域的地物，大体上来说有林地、建筑物、水体、裸岩、耕地，如果细分的话还有很多种类。现在看来，土地覆盖不单单的是指自然资源了，还带有人文的色彩了，人类一大部分是影响着土地覆盖的状况。本文针对长白朝鲜族自治区这一个小区域进行了分析评价，和以前的数据进行比较，看看还存在着哪些变动和问题，并且进行综合分析得出自己的一些见解结论。详细阐述了不同的分类方法对土地覆盖进行分类分析和不同年份的土地覆盖变化的分析，最后得出土地覆盖在现实生活中是重要的组成分子，这对我国乃至全世界都有实际的意义。关键词：土地覆盖 监督分类 非监督分类 决策树分类 AbstractLand cover research is actually a very important question with our lives. Previous land cover is pure research exists in this area of the surface features, generally speaking there is woodland, buildings, water, bare rock, arable land, if broken, then there are many types. It now appears that land cover not only refers to natural resources, but also with the color of the humanities, and a majority of humans are affecting the status of land cover. In this paper, Changbai Korean Autonomous Region this small area were analyzed and evaluated, and previous data to compare and see what changes and there is still a problem, and a comprehensive analysis to draw their own conclusions some insight. Elaborated analysis of land cover change on different classification methods to analyze and classify land cover different years, finally come to the land cover is an important component molecules in real life, this country and the world, has real meaning.Key words: Land cover Supervised classification Unsupervised classification Decision tree classification目 录摘 要IAbstractII第一章 引 言11.1 研究背景及目的11.2 国内外土地覆盖现状研究11.3 研究意义及内容2第二章 长白县土地覆盖信息提取42.1 研究区域概况42.2 数据处理42.2.1 数据源52.2.2 遥感图像增强及数据融合5第三章 图像分类方法73.1 监督分类73.1.1 最大似然/贝叶斯分类93.2 非监督分类113.2.1 ISODATA分类方法113.3 决策树分类123.3.1 知识（规则）定义133.3.2 决策树运行133.4 图像分类方法比较153.4.1 监督分类和非监督分类比较153.4.2 决策树分类与传统分类方法比较163.5 小结16第四章 土地覆盖分类评价174.1 图像分类中存在的问题及解决办法174.1.1 云的问题174.1.2 影像问题174.1.3 小斑块的处理174.2 2006-2008年土地覆盖情况总结18第五章 结 论19致 谢20参考文献21长春师范大学本科毕业论文（设计）原创性声明22长春师范大学本科毕业论文（设计）版权使用授权书22第一章 引 言1.1 研究背景及目的在我们这个快速发展的现代社会里，遥感技术已发展成为一门综合性的科学技术，观测范围广，采集信息量大，快速、准确的大部分土地覆盖动态监测的优势，有突出的优点，已在国内外广泛应用。利用遥感手段获取土地覆盖信息的一个重要的中间环节就是分类。最开始出现的分类技术是图像目视解译分类，它可以充分利用判读人员所储备的知识，灵活性好，擅长提取空间等相关信息，但定位不是特别准确，这种方法有缺点多，效率低，重复性差，与个体差异。遥感图像分类是计算机模式识别技术在遥感领域中的具体应用，其任务就是确定不同地物类别之间的判别接口和判别准则，它的可重复性好，定位比较准确，处理时间短，时效性好。但是与其它的计算机模式识别不同的是，遥感影像数据类别多，容易混，维数高，在高精度的类别数较多的分类中具有较大难度。目前遥感图像分类的方法有很多，从不同的角度有不同的分类方法，监督分类和非监督分类是根据是否需要分类人员先提供已知类别和训练样本对计算机分类器进行训练和监督来划分。监督分类和非监督分类方法，是影像分类最基本、最概括的两种方法。每种方法都有其自身的特点，但也不可避免地存在一些弊端，针对这种情况，许多学者纷纷对一定范围区域的土地覆盖，土地利用进行了研究，并将一系列研究成果应用于实践，对我国乃至世界都有现实意义。我在看了几篇参考文献的过程中对土地覆盖分类有了一定的认识，并且应用于实际，也试着对某一区域的土地覆盖进行了分类并分析，本文将土地覆盖遥感分类技术的详细审查的性质和范围，不同类型的遥感数据的应用，基于全面的分析比较和对遥感图像的主要方法的分类，根据分类方法的实际情况，讨论了一般的统计分类方法和其他新的分类方法。1.2 国内外土地覆盖现状研究面对科学研究和政府决策对土地覆盖时空信息迫切的需求，在“国家科技基础条件平台建设地球系统科学数据共享网”的支持下，中国科学院相关研究所组织并实施了全国区域的土地覆盖遥感监测，进行了中国1：25万比例尺的土地覆盖遥感制图和动态监测，一个全面的，陆上和海上的中国土地覆盖状况的岛屿系统的把握。20世纪50年代，随着航天技术的飞速发展，航天遥感技术来检测从宇宙空间。逐渐地，航天遥感在国民经济各部门中得到了广泛的应用，人们开始探讨利用遥感资料进行大范围土地覆盖制图的可行性，包括发展适用于遥感数据特点的土地分类系统及分类方法。随着全球变化研究工作，科学家渐渐地认识到人类对土地利用所引起的土地覆盖的变化也是全球环境变化的主要原因和重要组成部分。在20世纪60年代末，美国ERIM土壤，岩石和植被光谱测试和大量的工作，使卫星在调查中有一个显着的效果，监测和管理土地资源等。第一颗人造卫星是2O世纪7O年代的美国发射的，卫星遥感技术的使用，一个大规模的土地覆盖研究的新时代开始了。这之后，各个国家的学者也纷纷来探讨利用卫星遥感技术动态监测土地覆盖变化的方法，一些国家发展了基于土地覆盖的净初级生产力估算等技术。随着航天技术和计算机技术的发展，土地覆盖慢慢的在大范围内被调查研究，但这时的土地覆盖遥感工作主要是基于传统的土地覆盖制图理论方法。此外，土地覆盖分类系统也因也因人而异，所以很难比较与转换。2O世纪8O年代后，人们已经在洲际范围内利用气象卫星数据进行土地覆盖的研究，并取得了显著地成果。随着遥感和GIS技术在土地研究中的广泛应用，人地关系是地理学的核心，贯彻地理学科的各个阶段。第二次世界大战后，出现了更为广泛和系统的利用航空像片进行区域范围土地调查与制图研究，此后，航空像片被迅速推广到地质勘测部门及区域范围土地覆盖等方面。9O年代以来，土地覆盖引起了国际组织和世界各国的普遍关注，人们对土地覆盖的特征还有含义有了新的理解和定义，土地覆盖不再是单一的土地和植被类型，但土地类型的组合，具有一系列的自然和文化特征，包括土地类型和植被冠层的密度、植被生长季节的动态特征、生长季累积生物量、地表覆盖的生物物理特征量和人文对土地利用及人文建筑等。此外，该综合体还包括与土地覆盖类型密切相关的生态环境要素，如植被所处的生态区域、地形与气候条件和土壤理化性质等。土地覆盖类型和多空间信息这一复杂的核心概念不仅可以描述表面覆盖的特点，在理论上是更准确的，完整的，具有极其重要的意义和在实际中的应用。另一值得注意的是对传统的土地覆盖分类系统的改进，利用遥感数据进行土地分类大多采用自上而下的等级分类系统，在分类和土地覆盖类型不同亚型指定，然后，图像的像素到一个类型。分类系统预先建立的往往是一个特定的应用需求和发展，所以很难被用于转换以适应不同的应用要求。近年来出现了很多对土地遥感分类新方法的研究，主要包括决策树分类专家系统的代表，多元数据的计算机识别方法。1.3 研究意义及内容土地覆盖是自然与人文过程交叉最密切的环节, 土地系统是反映人与自然关系的人地交互系统。全球环境变化直接影响到土地覆盖变化,遥感技术已成为土地覆盖信息来源的重要手段，分类方法在其研究中占有重要的地位，方法的好坏直接关系着分类的精度。从20世纪90年代起，中国在利用遥感影像对土地覆盖变化的监测分析、土地覆盖变化研究数据库的构建、土地覆盖变化对农业生态系统及全球变化的影响、土地覆盖变化驱动力研究以及土地覆盖变化建模等方面，取得一系列的研究成果。人类利用与土地有关的自然资源的活动，改变地球陆地表面的覆盖情况，其环境影响不只局限于当地，而对全球都有影响。土地覆盖变化对区域水循环、环境质量、生物多样性和陆地生态系统的生产力、适应能力的影响更大。进行土地覆盖变化研究的机制，不同的土地覆盖类型有着不同的生态系统结构、群落组成和生物量。他们也在不同的速度如碳和氮的吸收和固定，营养，对土壤，水营养盐的分布有重要的影响，大气。近几十年来, 随着遥感技术的迅速发展和一系列国际遥感计划的实施, 全天候、多层次的全球对地观测体系已经初步建立, 土地覆盖信息的理论和方法取得显著进展, 应用卫星图像进行土地覆盖动态监测在全球和区域范围上得到了广泛的开展。目前国内的研究主要是于对过去到现状土地覆盖变化的研究，和对区域性小范围土地利用覆盖变化的研究，而对全国性或者大区域性的土地覆盖变化研究也只是将过去某一时期土地利用覆盖变化数据与现状进行对比分析。3第二章 长白朝鲜族自治县土地覆盖信息提取2.1 研究区域概况长白朝鲜族自治县是全国独一的朝鲜族自治县，位于吉林省东南部、长白山南麓、长白鸭绿江上游。本文是以长白朝鲜族自治县地区为研究对象，对其进行土地覆盖的分类，从最简单普遍的监督分类和非监督分类对这个区域进行分类，然后还有一种精度很高的决策树分类进行分类，最后进行比较分析。长白朝鲜族自治县是一个地域算小的区域，以它为研究对象，能够简洁明了的进行计算机操作，对实验减轻了不少的麻烦，这块区域目视就是林地比较多，居民地分布有一定的特点。每一种方法的分类比较之后，进行分析比较，最后得出结论。图2-1 长白朝鲜族自治县土地覆盖图2.2 数据处理利用光谱数据进行模式识别时，结果的准确性很大程度上取决于光谱资料的聚集程度。原始的遥感图像在成像过程中，由于受到各种因素的影响，会产生几何畸变，图像目视效果不好或者有用的信息不突出等一些问题，从而导致出现分类错误，因此必须在分类之前作必要的预处理。遥感图像处理是恢复，增强，处理，遥感图像数据处理遥感数据图像的信息提取和分析，它在遥感科学的实际应用和特异性结合的重要技术，随着计算机技术的发展与应用，目前遥感图像处理主要是利用计算机等设备通过数字处理的方法完成。2.2.1 数据源数据源是提供某种所需要数据的器件或原始媒体。顾名思义，数据的来源。在数据源中存储了所有建立数据库连接的信息。就像通过指定文件名称可以在文件系统中找到文件一样，通过提供正确的数据源名称，你可以找到相应的数据库连接。本文里我以06年，08年的数据为研究对象进行土地覆盖分类的研究。2.2.2 遥感图像增强及数据融合图像增强是提高图像的显示质量，以促进和图像信息的识别提取。在该方法中采用的是突出重要信息，删除不重要的或必要的信息来实现，也可以调整图像的直方图，实现对像素的亮度值之间的数学或数学变换的图像增强的目的。主要的方法有对比度扩展、空间滤波、图像运算和多光谱变换等，通过增加颜色提高图像目视效果也不失为图像增强的方法之一。(1)对比度变化相反，反映了图像的亮度值的范围，目标物体的可能性就大发现；相反，它是难以区分的对象和背景，识别是不可能。与线性变换的对比度增强的主要方法，直方图调整。线性变换是图像增强最常用的方法。由于目标和背景的解释是复杂的，蔓延到指定的范围和最大动态范围。转换函数是线性的，往往将功能认为原始图像的亮度值的动态。非线性变换的非线性对比度增强功能。常用方法有对数变换、指数变换和查表法等，变换函数，指数变换的效果正好与对数变换相反，突出亮区而压制暗区。二者互为逆运算操作。查表法是非线性变换的一种简单而有效的方法，即把亮度值的输入与输出间的变换关系列成表格，当输入某一已知值后，通过查表获得其对应的输出值。直方图调整是指传递函数，使原图像的直方图和亮度根据价值观的变化。(2)彩色合成在使用单波段图像时，由于成像系统动态范围的限制，地物显示的亮度值差异较小。选择三个波段和多波段图像的滤波，衍射光栅的光学系统，这样得到的，给出了三色合成。根据带颜色的不同，可以有不同的彩色合成图像。对真彩色合成的蓝绿色，同一对象的三幅图像，红色过滤器和拍摄相同的颜色，如果使用合成，可以得到接近自然的色彩，这种方法称为真彩色合成。假彩色合成，因为多光谱摄影，图像不得到的三基色的波长范围，如可见红外隐形的使用等等，因此由这些图像所进行的彩色合成称假彩色合成进行遥感影像合成时，方案的选择十分重要，它决定了彩色影像能否显示较丰富的信息或突出某一方面的信息。(3)滤波空间滤波是指在图像空间(x，y)或空间频率或对输入图像应用若干滤波函数而获得改进的输出图像的技术，即对图像中某些空间、频率特征的信息增强或抑制，如增强高频信息，抑制低频信息等。增强的低频信息来抑制高频细节信息，删除。为了消除噪声的影响，边缘增强和线，图像清晰度。注意图像的某些特征突出，边缘或纹理，与相邻的像素的方法之间的关系，在空间域的邻里关系的处理方法，也被称为“空间滤波”，它属于一种几何增强处理。空间滤波技术的基本思路有：提取原图像的边缘信息，进行加权处理，然后与原图像迭加；加权抽取模糊成分的原始图像和原始图像，然后叠加；原始图像加权使用指定的函数，使图像清晰、平滑效果。在操作过程中，空间卷积技术，即移动的“窗口”，在原始图像中，通过局部操作块。(4)HIS彩色空间变换HIS是色调，饱和度和明度的色彩模式，在自动处理色彩时，通常采用彩色显示器显示系统进行，彩色显示器显示的色彩是由RGB信号的亮度来确定的，由于RGB表色系统不是线性的，所以通过这种操作调整显示色的色调比较困难。在这种情况下，的RGB信号会暂时变成他的颜色系统的假设，调整亮度和饱和度，然后返回到RGB彩色合成信号。在RGB空间和自己的空间和自己的变换之间的转换过程之间的关系模型。22第三章 图像分类方法遥感图像分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特征空间划分为互不重叠的子空间。遥感图像分类的理论依据是：遥感图像中的同类地物在相同的条件下，应具有相同或相似的光谱信息特征和空间信息特征，从而表现出同类地物的某种内在的相似性，即同类地物像素的特征向量将集群在同一特征空间区域；而不同的地物其光谱信息和空间信息特征将不同，将集群在不同的特征空间区域。由于对象的复杂特性，组成，分布和成像条件，和像素或瞬时视场往往有混合的像素这两个或两个以上的物体，类似对象的特征向量是不一样的，不同类型的区别的特征向量不清楚。当各个集群之间往往不能十分清楚地分开，不同集群之间一般有少部分重叠交叉的情况，一个集群就是一个类别，每个类别的像素值都可以看作是随机变量。3.1 监督分类监督分类是一种常用的精度较高的统计判决分类，在已知类别的训练场地上提取各类训练样本，通过选择特征变量、确定判别函数或判别规则，把图像中的每个像素点在每个给定的类别中划分，分类的方法。首先对06年的遥感影像进行了分类，分类首先目视的看大致能分成几类，然后选取样本，选取样本越细致，分类结果精度越高。选取样本之后要进行验证，看选取的样本精度如何。有两种方法进行验证，第一种是利用统计学的方法，计算可分离性。图3-1 监督分类选取样本图3-2 检验计算可分离性图3-3 统计学方法检验一般是大于1.8的算合格的，这幅图里居民地和耕地就比较接近，如果小于1.4的可以选择合并，像这个就需要重新选择分类。图3-4 N-V可视化检验第二种方法是目视，在NV可视化下看，如果聚在一起的就是一类的，如果离的有一定的距离就不是一类的。可以把不在一类的去掉或者把它归到邻近的一类里，可以稍微的调试一下。3.1.1 最大似然/贝叶斯分类最大似然法因有严密的理论基础，对于呈正态分布的类别判别函数易于建立，综合应用了每个类别在各波段中的均值，方差以及各波段之间的协方差，有较好的统计特性，一直被认为是最先进的分类方法。最大似然判决分类方法是建立在贝叶斯准则基础上的，其分类错误概率最小，是风险最小的判决分析，是典型的和应用最广的监督分类方法，偏重于集群分布的统计特性，并假定训练样本数据在光谱空间服从高斯正态分布。用最大似然法分类，具体分为三步：首先确定各类的训练样本，再根据训练样本计算各类的统计特征值，建立分类判别函数，最后逐点扫描影像各像元，将像元特征向量代入判别函数求出其属于各类的概率，将待判断像元归属于判别函数概率最大的一组。高精度的最小分类错误，是一个很好的分类。不足的是采样的工作量，效率低，传统的手工方法，和人为错误，分类结果精度差。利用GIS数据来辅助最大似然法分类，可以提高分类精度，通过建立知识库指导分类的进行，可以减少分类的错误，这是提高最大似然法分类的精度的有效途。最大似然分类是图像处理中最常用的一种监督分类方法，它利用了遥感数据的统计特征，假定各类的分布函数为正态分布，在多变量空间中形成椭圆或椭球分布，这是方向和传播的情况不同的是根据最大似然判别规则判断正态分布，分类结果具有较高精度。否则，用平行六面体或最小距离分类效果会更好。图3-5 最大似然分类这种方法的优点是，对符合正态分布的样本聚类组而言，是监督分类中较准确的分类器，因为考虑的因素较多。与马氏距离一样，通过协方差矩阵考虑了类型内部的变化。缺点是扩展方程，计算量大，当输入波长的增加，计算时间也相应增加；最大似然是参数形式的，意味着每一输入波段必须符合正态分布；在协方差矩阵中有较大值时，易于对范本分类过头，如果在聚类组或训练样本中的象素分布较分散，则范本的协方差矩阵中会出现大值。图3-6 监督分类图3.2 非监督分类遥感图像非监督分类并不需要任何先验知识，直接对像素的遥感图像分类成几类，总分类精度比较低。将对象根据图像本身和自然的聚类统计分布特性的分类。非监督分类方法是依赖于图像的统计特性的基础知识，它不需要一个特定的对象。采用非监督分类还可以更好地获得目标数据内在的分布规律。3.2.1 ISODATA分类方法ISODATA意为迭代自组织数据分析技术。ISODATA算法是利用合并和分开的一种著名的聚类方法。它从样本平均迭代来确定聚类的中心，在每一次迭代时，首先在不改变类别数目的前提下改变分类。然后将样本平均向量之差小于某一指定阈值的每一类别对合并起来，或根据样本协方差矩阵来决定其分裂与否。关键环节是聚类，聚类分割和聚类过程。ISODATA法的实质是以初始类别为“种子”施行自动迭代聚类的过程。迭代结束标记的基础上，参照类已经确定，它们的分布参数是不断“训练”逐步聚类，并最终用于构建决策功能所需要的。在这个意义上，确定类的参考工艺参数，同时也对决策功能的不断调整和“培训”课程。该方法的优点是，聚类过程是没有偏见的数据文件在空间上的顶部或底部的像素，因为它是一个反复的过程：识别谱聚类组中包含的数据的算法是非常有效的，只要重复的次数足够多，任何给定的平均得到的分类结果不重视初始聚类群：缺点是耗时的，因为，可以重复多次，不均匀的空间像素的解释。图3-7 ISODATA分类（a）颜色识别 （b）合并 图3-8 非监督识别合并图3-9 非监督分类图3.3 决策树分类决策树分类作为一种基于空间数据挖掘和知识发现的监督分类方法，突破了以往分类树或分类规则的构建要利用分类者的生态学和遥感知识先验确定、其结果往往与其经验和专业知识水平密切相关的问题，而是通过决策树学习过程得到分类规则并进行分类，分类样本属于严格“非参”，不需要满足正态分布，可以充分利用GIS数据库中的地学知识辅助分类，大大提高了分类精度。3.3.1知识（规则）定义它是从一个元组没有秩序，没有规则推理的决策树分类规则，它采用自顶向下的递归方式，在决策树的内部结点进行属性值的比较，并根据不同的属性值从该结点向下分支，叶结点是要学习划分的类. 从根到叶结点的一条路径就对应着一条合取规则，整个决策树就对应着一组析取表达式规则。规则获取：经验总结和样本总结规则描述：类1：NDVI大于0.3，坡度大于或者等于20度类2：NDVI大于0.3，坡度小于20度，阴坡类3：NDVI大于0.3，坡度小于20度，阳坡类4：NDVI小于或等于0.3，波段4值大于或等于20类5： NDVI小于或等于0.3，波段4值小于203.3.2 决策树运行决策树是研究生成决策树或决策规则和决策树或决策规则对新数据为训练样本的一种数学方法。决策树是一个树形结构，他由一个根节点，一系列内部节点还有叶节点组成，每一个节点只有一个父节点和两个或多个子节点，每个内部节点对应于一个非分类的属性或属性的决策树分支连接的节点，每一方应归功于每一个可能的值。它的叶节点对应一个类别属性值，不同的叶节点可以对应相同的类别属性值。图3-10 新建决策树 图3-11 二叉树表示3.4 图像分类方法比较3.4.1 监督分类和非监督分类比较监督分类和非监督分类是目前应用最广，也最为成熟的传统遥感影像分类方法。（1）从原理上遥感影像的监督分类是在已知类别的训练场地上提取各类别训练样本，通过选择特征变量、确定判别函数或判别式，把影像中的各个像元点划归到各个给定类的分类中。它的基本思想是：首先根据类别的先验知识确定判别函数和相应的判别准则，利用一定数量的已知类别样本的观测值确定判别函数中的待定参数，然后将未知类别的样本的观测值代入判别函数，再根据判别准则对该样本的所属类别做出判定。遥感影像的非监督分类也称为聚类，它是事先无法知道类别的先验知识，在没有类别先验知识的情况下将所有样本划分为若干类别的方法。其基本思想是不知道的先验范畴的先验知识，只有根据相关或相似性进行分类的光谱特征，然后根据调查的数据进行比较以确定其类别属性。（2）从分类结果看由于非监督分类是分类的过程之前，不施加任何先验知识，但只有通过对象的光谱分布的特点，进行自然的盲目分类。其分类的结果，只是对不同类别达到了区分，但并不确定类别的属性；它是通过对光谱响应曲线的分析，并与现场调查资料来确定。严格来说，分类效果通过实际调查测试，在实际工作中，地物类型对应的光谱特征类差异很小时，非监督的效果就不如监督的效果好。特别由于同谱异质、同质异谱以及混合像元等现象的存在，非监督的结果不如监督的令人满意。因此，非监督适用于图像中的类别已知而且特别规则和做大概的分类。3.4.2 决策树分类与传统分类方法比较决策树分类方法一般是引入植被指数、空间结构、文理、还有其他一些地貌特征来实现地物的分类，而传统的监督分类、非监督分类是直接基于象元的亮度值而进行的分类，两者各有优缺点。决策树分类方法和监督分类，非监督分类相比具有独特的特点，它是非参数化的，而且不知道要输入的数据预先概率的分布，它能有效的解决特征还有类别的非线性问题，还有就是决策树分类法一般结构明确，还很容易解释。决策树分类突破了以往分类树或分类规则的构建，要利用分类者的生态学和遥感知识先验确定，这个结果往往与经验和专业知识水平密切相关的问题，而是通过决策树学习过程得到分类规则并进行分类，分类样本属于严格“非参”不需要满足正态分布。决策树的决策树和规则简单直观，容易理解，而且计算效率高的特点，可用于专家分析，判断和校正，还可以输入到专家系统中，对于大数据量的遥感影像处理更有优势。能够有效地抑制训练样本噪音和解决属性缺失的问题，因此可以解决由于训练样本存在噪声使分类精度降低的问题。目前仅处于研究阶段的决策树方法有样品的依赖程度，分类，决策规则和专家系统是不容易结合，不能充分利用空间特征的分类的缺陷，需要进一步研究，改善了分类效果，提高分级效率，实现更方便的人机界面。3.5 小结 虽然每种分类方法的原理各有不同，各有其优点，但是无论哪一种方法都存在缺陷。非监督分类统计方法、对分类区情况作分类辅助快速简单，当几个地物类型小，距离法不了解工作量，对应的光谱特征类型差异非常小时，分类的精度就大大降低。基于传统统计分析的遥感图像分类方法算法最为简单，方法应用最为成熟。在这些方法已经开发的应用软件，使用方便。其中最大似然监督分类方法要比其他几种监督分类方法分类效果好，最大似然监督分类方法是当前应用最多的分类方法。由于图像来源不断丰富，多源数据融合分类方法使得遥感与非遥感数据，以及不同的遥感图像数据之间融合，提高了图像信息的分析和提取能力。各种分类方法具有不同的特点，在处理图像分类问题时没有唯一的“正确方法。在具体分类时，需要根据被用来分析的数据的性质、可获得的计算机资源及分类数据的应用采用特定的方法。第四章 土地覆盖分类评价4.1 图像分类中存在的问题及解决办法4.1.1 云的问题我在图像分类过程中，例如监督分类中，我需要手动的提取样本，样本提取的越精细准确，之后的分类结果就越接近真实。但是在分类中，图像上许多的云把地物都遮住了，使我没法看清是什么地物，也没办法进行取样，这就给分类带来了干扰。还有图像在拍摄时云还出现了阴影，这都使正常分类受到干扰，这就需要我再细心地选取别的样本，尽量避开这些干扰，这样对实验的影响应该也能避免许多。4.1.2 影像问题影像存在的问题确实对土地覆盖分类造成了很大的不便。开始我有一份很不清清晰地遥感区域图像，目视来看，基本分不太清楚地物，因为这个区域的大部分是林地，相对于林地来说是容易取样，好分类。但是对于其他的地物，基本上是看不出来，那就需要我再从网上下载高分辨率的影像，没有一个清晰地影像对实验的影响是很大的。还有就是需要裁图，把主要研究的白山地区单独提取出来。我的方法是先用ENVI把图像分类做完，之后用ArcGIS进行裁图，最后得到长白县遥感影像。4.1.3 小斑块的处理遥感图像在分类过程中出现了一些小的斑块，基本也看不清楚是什么地物，也没有办法进行明确的分类，在处理中有的很少的接近哪个地物的基本就用一些计算机手段把它也归到了相邻近的地物类别上，还有的一些单独存在着的小斑块，对其他的也没有什么关联的基本可以删掉，设置小于几个像素的直接可以剔除掉，即使删掉对整个的土地覆盖分类大体上也是没有什么影响。4.2 2006-2008年土地覆盖情况总结本文分别对2006年和2008年的长白朝鲜族自治县土地覆盖的数据进行了分类分析，从分类结果上看决策树分类相比监督分类和非监督分类精确度要高一些,更接近于实际。随着时间的加快，总体上来看2006年到2008年土地覆盖类别基本上没变，大体上也就分了6类，有林地、水体、耕地、裸地、居民地、其他。但是细来看的话土地覆盖类别区域性的增加或者减少了，主要的是人文和自然的相结合。人们不断地进行开采，这个时代是应该注重发展，但是我们更应该爱护我们自己的土地，保护好大自然赐予的资源，坚持可持续发展，使我们的地球能更好的为我们繁衍生息。尽管人们的开采破坏，但是这个地区总体来看林地占的比例还是很大的，大量的林地给这个地区带来了良好的空气，空气指数不断上升。这个区域的居民地分布有其独特的特点，基本上是分布在西南方，南方，东南方方向，在鸭绿江沿岸分布着密集的居民区，北方向大部分都是林地。第五章 结 论本文主要在土地覆盖研究领域，对遥感影像的分类方法进行了比较系统的理论介绍，并针对不同的图像分类方法进行了比较分析。运用监督分类方法、非监督分类方法和决策树分类法分别对同一地区的遥感影像进行分类处理，通过对不同分类方法得到的分类结果比较，有其自身的特点和分类结果也有一定的差异。总体上看决策树分类结果与实际情况最为接近。遥感影像的传统分类方法监督分类与非监督分类从内涵、过程以及具体的分类方法上都不相同，它们在分类思路上也有着本质的差别。作为一种遥感图像分类方法，它们都有自己的目的和功能相同。遥感图像分类是遥感图像解译的关键技