基于RS锦州市植被变化分析.doc

前言由于遥感可获取大范围数据资料，速度快,周期短。同时获取信息受条件限制少，其获取手段是人力难以胜任等特点。因此，近些年来，遥感技术得到了飞速的发展。目前，遥感技术已广泛应用于农业、林业、地质、海洋、气象、水文、军事、环保等领域。在未来的十年中，预计遥感技术将步入一个快速、及时提供多种对地观测数据的新阶段1。同时遥感图像的空间分辨率，光谱分辨率和时间分辨率都会有极大的提高。应用领域随着空间技术发展，尤其是地理信息系统和全球定位系统技术的发展及相互渗透，将会越来越广泛。届时遥感将形成了一个从地面到空中，从信息数据收集、处理到判读分析和应用，对全球进行探测和监测的多层次、多视角、多领域的观测体系，成为获取地球资源与环境信息的重要手段2。而遥感在地理学中的应用，必将进一步推动和促进地理学的研究和发展，使地理学进入到一个新的发展阶段。在遥感应用领域，植被指数已被广泛用来定性和定量评价植被覆盖及其生长活力，植被指数有助于增强遥感影像的解释能力，并已作为一种遥感手段广泛应用于土地利用，覆盖探测，植被密度评价，作物识别和作物预报等方面3。本次论文结合锦州市生态可持续发展研究项目，以多时相TM遥感影像数据为基础，借助遥感图像处理软件ENVI提取锦州市不同时期的植被覆盖图，分析评价该区域多年植被覆盖变化情况，为该区域生态环境建设提供参考。1植被信息提取概况1.1 研究目的和意义植被具有截流降雨、减缓径流、防沙治沙、保土固土等功能。土地利用、土地覆盖变化是全球变化研究的核心内容之一。植被是土地覆盖的最主要部分，其变化对全球能量循环及物质的生物化学循环具有重要的影响4。植被作为生态系统的主要组分，是生态系统存在的基础，也是联接土壤、大气和水分的自然纽带，它在陆地表面的能量交换过程、生物地球化学循环过程和水文循环过程中扮演着重要的角色，在全球变化研究中起着指示器的作用5。植被变化导致反照率、粗糙度及土壤湿度等地表属性的变化，这些变化均可通过影响地气系统的水分和能量收支，进而影响区域气候。太阳辐射到达地面后一部分被反射，另一部分被地表吸收并将吸收的能量转换为感热、潜热和土壤热通量。不同的土壤类型、植被类型及植被覆盖度均会影响这一转换过程，进而影响近地层气温、土壤温度及湿润状况，最终导致气候变化。植被变化使地表释放的有效通量发生变化，导致大气湿静力能分布的变化，并使大气层结及垂直运动发生相应改变，进一步影响大气中水汽输送情况，并与相应的垂直运动变化结合最终导致降水的变化6。另外，由于植被造成的地表蒸散及土壤储水能力的变化，会使土壤含水量、地表径流等也发生明显的变化。所以对于植被的研究有着十分重要的意义。1.2 国内外研究现状 1.2.1 国内研究现状在“九五”期间，中国对全球变化的研究项目中涉及了多项土地覆盖变化的项目，如国家自然科学基金重大项目“中国陆地农业生态系统与全球变化相互作用机理的研究”中的“土地利用与土地覆盖变化及其对农业生态系统的影响”子专题；国家重大基础研究预选项目“我国未来生存环境变化趋势预测研究”中的“中国东北陆地生态系统样带对全球变化响应和反馈的研究NECT样带的土地利用和土地覆盖的研究”。“八五”期间中国科学院完成了院“八五”重大应用项目“国家资源环境遥感宏观调查与动态分析”，以解决土地资源和环境要素大尺度快速遥感调查中的关键技术问题，为多期资源环境快速宏观调查，实现多期调查成果的动态迭加分析奠定基础7。目前我国如中国科学院地理所、遥感所，北京大学及北京师范大学等从事AVHRR数据接收、处理与开发的单位，在定性、定面做了大量的研究工作，也取得了一定的成果及较为丰富的经验8。 进入21世纪随着EOS系列的LANDMODIS发射成功，MODIS具有AVHRR的时间分辨率，有36个波段，对陆地植被敏感的可见光和红外光光谱分辨率更高，空间分辨率达到250m，所以其优势也更加明显。1.2.2 国外研究现状20世纪80年代中后期以来，面向解决全球环境变化和可持续发展领域的若干重大问题的土地覆被变化受到国际社会的重视，其核心在于讨论土地覆被变化对全球和区域生态系统的影响。特别是20世纪90年代以来，全球环境变化领域逐渐加强了对土地覆被变化的研究。国际地圈一生物圈计划（IGBP）和全球环境变化中的人文领域计划（HDP）于1995年联合提出“土地利用和土地覆盖变化”(LUCC）研究计划，使土地利用变化研究成为目前全球变化研究的前沿和热点课题9。1)国际应用系统研究所（IIASA）国际应用系统研究所（IIASA）于1995年启动的“欧洲和北亚土地覆被变化模拟”项目，旨在分析1900到1990年欧洲和北亚地区土地覆被变化的空间特征、时间动态和环境效应，并预测在全球环境、人口、经济、技术、社会及政治等因素变化的背景下，未来50年土地利用土地覆被变化趋势，为制定相关政策服务。2）联合国环境署（UNEP) 联合国环境署（UNEP）亚太地区环境评价计划于1994年启动了“土地覆盖评价和模拟”（LCAM）项目，采用美国宇航局高分辨率雷达影像调查东南亚地区土地覆被的现状与变化，确定这种变化的热点地区，为区域可持续发展服务10。3）美国美国与欧洲空间署等国际组织合作开展了高分辨率卫星（AVHRR）监测土地覆盖变化和季节性植被状况项目。美国全球变化研究委员会（USGCRP）于19年开始的北美洲土地覆被变化研究，该项目将利用遥感方法（大于100m分辨率的卫星影像）研究1970年以来北美洲土地覆被的空间变化。4）美国NASA的LCLUC计划LCLUC(Land Cover Land Use Change）是美国NASA 的地球科学事业（Earth Science Enierprise）推动的一个多学科研究计划。LCLUC的目标是发展一种从空间可以重复进行全球土地利用土地覆盖调查的方法，开展对变化的化科学理解和必需的模型以模拟正在发展的变化过程，评估观测到的和预测到的变化的结果，加深理解土地利用和覆盖变对环境、碳循环和自然资源管理的影响，改善对人类与环境交互的理解，并提出一种可持续的、平衡的、弹性的土地系统和使用方式。5）日本日本国立科学院全球环境研究中心也提出了“为全球环境保护的土地利用研究”项目，将采用地方性案例分析、遥感与地理信息系统监测和空间模型分析等方法，研究土地利用土地覆被变化的空间分布、时间动态以及驱动因子，同时强调相应对策和技术的研究12。1.3 技术路线辐射校正几何校正直方图匹配图像增强图像分类与精度评价数据预处理选择遥感数据源波段组合非监督分类主成分变换分类监督分类利用变化检测工具进行植被变化信息提取与分析图1-1 技术路线图Fig.1-1 Technology line2 研究区域的概况2.1 地理位置的概况锦州地处辽宁省西南部，北依松岭山脉，南临渤海辽东湾。与葫芦岛，盘锦，朝阳，阜新，构成一小时经济圈。锦州市地貌结构为“三山一水三分田，二分道路和庄园”。地势西北高、东南低，从海拔400米的山区，向南逐渐降到海拔20米以下的海滨平原。山脉连绵起伏，东北部有医巫闾山脉，西北部有松岭山脉，大、小凌河，女儿河横贯境内。锦州市地理位置优越，区位优势独具特色。锦州南临渤海，北依松岭山脉，位于著名的“辽西走廊”东端，是连接中国东北地区和华北地区的交通枢纽。京哈铁路、秦沈铁路客运专线、京哈公路、京沈高速公路辽宁滨海公路横贯全境。锦阜、锦朝高速公路及102线国道使锦州与周边城市形成了“一小时城市群”。锦州和葫芦岛跨市大桥通车大大加速辽宁省省政府构建“锦葫大都市圈”的步骤。锦州港是中国沿海最北部的一类开放商港，已跻身于中国港口二十强。锦州机场是辽宁省西部唯一一座达国际4C级标准的民航机场，已开通锦州北京、上海、大连等中转联航，可飞往全国各地。优越的地理位置，发达的海陆空立体交通体系，大大增强了锦州的城市影响力和经济、文化的辐射力，也为锦州市建设区域性中心城市和现代物流中心城市奠定了天然的基础。图2-1 锦州市地理位置图Fig.2-1 The Location map of JINZHOU2.2 自然资源概况锦州物华天宝，地产丰饶，素有“海上锦州”的美誉。锦州市拥有海岸线总长97.7公里。近海水域面积12万公顷，沿海滩涂面积26.6万亩，25万亩近海渔场。锦州还是辽宁省主要产盐区之一。矿产资源有石油、天然气、煤炭、石灰石、膨润土、萤石、花岗岩等。全地区目前已发现矿种有48个，已开发利用22个。膨润土储量为亚洲第一。2.3 气候特征概况锦州市位于中纬度地带，属于温带季风性气候，常年温差较大，全年平均气温8一9，年降水量平均为540640毫米，无霜期达180天。气候主要特征是：四季分明，各有特色，季风气候显著，大陆性较强。为发展农、林、牧、渔各业提供了良好的条件。2006年完成机耕面积513.5万亩，机播面积399.0万亩，机收面积127.2万亩。农田水利建设得到加强，有效灌溉面积175.5千公顷，其中节水灌溉面积43.5千公顷。2.4 文化特色概况锦州是辽西古代文化的摇篮之一，经过先民开发和建设，形成了独具特色的文化形态，留下了丰厚的文化遗存。文化艺术门类齐全，全市拥有七个专业剧团。木偶剧团始建于1949年，评剧团成立于1952年，京剧团于20世纪50年代初成立，杂技团、话剧团、凌海市艺术团、黑山县地方戏剧团。全市现有各类艺术表演团体7个，群众艺术馆1个，博物馆1个，公共图书馆9个，文化馆7个，文化站50个。全市拥有地市级广播电台、电视台各1座，广播节目共9套，其中市级4套，县级5套，广播综合覆盖率98.98%。电视节目共10套，其中市级3套，县级7套，电视综合覆盖率98.95%。城乡有线电视用户203860户。3 研究区域的数据准备3.1 数据来源与选择本文选择使用TM数据作为数据源。TM遥感影像平均有7个波段，其中的6个波段(TM1-5，TM7)波长范围在0.45-2.35um之间，空间分辨率均为30m30m，TM6的波长范围为10.40-12.60um，空间分辨率为120m120m。1999年发射的Landsat-7卫星所携带的ETM不仅附加了一个分辨率为15m的全色波段，而且还将热红外波段的空间分辨率提高到了 60m13。由于TM图像的分辨较低，因此对各种土地利用类型的定性精度不尽相同，以土地利用的6种一级类型为例，水体的定性精度最高，一般可以达到95%以上，而对林地和园地的定性精度较低，如果单纯从图像上进行定性分析，很难正确区分出林地和园地，只有借助地形图或土地利用图进行判读训练，在样本选择的数量和区位都比较充分的条件下，精度可以相对提高。由于目前TM影像可以免费下载应用，再加上其分辨率满足本文研究问题的需求，因此选择使用TM数据作为数据源。研究区的遥感图像资料包括1990年，2000年，2007年美国Landsat-7TM多波段遥感影像数据，其范围覆盖锦州市市区，凌海市，北宁市，黑山县，义县。3.2 数据处理软件本文选择的处理软件为ENVI。ENVI（The Environment for Visualizing Images）是一套功能齐全的遥感图像处理系统，是处理、分析并显示多光谱数据、高光谱数据和雷达数据的高级工具。能够进行地物目标识别。完全由IDL开发，方便灵活，可扩展性强。获2000年美国权威机构NIMA遥感软件测评第一。ENVI包含齐全的遥感影像处理功能：常规处理、几何校正、定标、多光谱分析、高光谱分析、雷达分析、地形地貌分析、矢量应用、神经网络分析、区域分析、GPS联接、正射影像图生成、三维图像生成、丰富的可供二次开发调用的函数库、制图、数据输入/输出等功能组成了图像处理软件中非常全面的系统。ENVI能够充分提取图像信息，具备全套完整的遥感影像处理工具，能够进行文件处理、图像增强、掩膜、预处理、图像计算和统计，完整的分类及后处理工具，及图像变换和滤波工具、图像镶嵌、融合等功能。ENVI遥感影像处理软件具有丰富完备的投影软件包，可支持各种投影类型。ENVI具有三维地形可视分析及动画飞行功能，能按用户制定路径飞行，并能将动画序列输出为MPEG文件格式，便于用户演示成果。ENVI软件主要应用于遥感图像处理领域，在工程地质领域的应用刚刚起步。可以预测，随着工程地质领域应用技术的不断发展，ENVI软件将在这个领域中有更为深入的应用。ENVI现有的交互性最为良好、功能强大、使用方便的图象处理软件包，可以高效地利用和分析各种类型的遥感数据。可扩展的图形用户界面使您很容易对各种图象进行分析。您可以引入光谱库，利用ENVI的高级高光谱工具集进行子象元分析以提取更多的信息。利用与ENVI相结合的雷达工具通过选择极化、分析散射模式、提取纹理信息来更好的识别目标。3.3 遥感图像预处理遥感图像在形成过程中，由于传感器姿势和高度的变化、大气散射、地球表面曲率、地球自转、地形起伏等诸多因素的影响，使图像存在一定的几何畸变和辐射失真现象，使用前必须消除。因此本文中对遥感数字图像的预处理主要包括图像的辐射校正、几何校正、直方图配准、图像分割、图像增强、最佳波段组合等。3.3.1 辐射校正辐射校正是由于外界因素，数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正，消除或改正因辐射误差而引起影像畸变的过程。 遥感影像产生辐射误差的因素主要有：大气对电磁波辐射的散射和吸收；太阳高度与传感器观察角的变化；地形起伏引起的辐射强度变化；传感器探测系统性能差异，如光学系统或不同探测器在灵敏度、光谱响应和透光性能上的差异；影像处理，如摄影处理等。影像灰度失真与影像空间频率有关。空间频率愈高，即目标愈小时，辐射误差愈大。辐射校正实际上是影像恢复（或称复原）的一个内容14。校正方式有两类：传感器辐射校正。通常采用内部校准光源和校准楔，如陆地卫星多光谱扫描仪的辐射校正；影像辐射畸变校正。常采用物理或数学（校正曲线或各种算法）方法，如空间滤波、平滑化，校正各种灰度失真及疵点、灰点、条纹、信号缺失等分布在整个影像上的离散形式的辐射误差。其中大气影响的校正还可通过实测反射辐射通量和影像密度，并对数据进行回归分析来进行校正。3.3.2 几何校正几何校正是遥感成像的时候，由于飞行器的姿态、高度、速度以及地球自转等因素的影响，造成图像相对于地面目标发生几何畸变，这种畸变表现为象元相对于地面目标的实际位置发生挤压、扭曲、拉伸和偏移等，针对几何畸变进行的误差校正。校正原理是回避成像的空间几何过程，而直接利用地面控制点数据对遥感图像的几何畸变本身进行数学模拟，并且认为遥感图像的总体畸变可以看作是挤压、扭曲、缩放、偏移以及更高次的基本变形的综合作用的结果，因此校正前后的影像相应点的坐标关系，可以用一个适当的数学模型来表示15。图3-1几何校正示意图Fig.3-1 Schematic diagram of geometric correction在几何校正过程中，数学校正模型的选取是关键。这个模型就是要建立变换前图像坐标(x,y)与其变换后图像坐标(X,Y)之间的关系式，通常又称为多项式校正模型。其数学表达式为： （3-1） （3-2）式中aij，bij为多项式系数，N是多项式的次数。N的选取，取决于图像变形的程度、地面控制点的数量和地形位移的大小。3.3.3 直方图匹配直方图匹配(Histogram Match)是对图像查找表进行数学变换，使一幅图像某个波段的直方图与另一幅图像对应波段类似，或使一幅图像所有波段的直方图与另一幅图像所有对应波段类似。直方图匹配经常应用在相邻图像拼接或对多时相遥感图像进行动态变化研究的预处理工作中，通过直方图匹配可以消除部分由于太阳高度角或大气影响造成的相邻图像的效果差异。直方图匹配原理是对两个直方图都做均衡化，变成归一化的均匀直方图，以此均匀的直方图做中介，在对参考图像做均衡化的逆运算即可。设Xa表示原图像灰度值，ha（xa）为原图像中任一灰度出现的概率，T（xa）为原图像直方图均衡化的转换函数，G(yc)为参考图像直方图均衡化的转换函数，变换后的灰度值均为Zb，由上述可知： Zb = G(yc)= （3-3） Zb =T(yc )= （3-4）所以 yc=G-1(Zb)=G-1T(xa) （3-5）这里，均衡化的转换函数均采用归一化的形式，即拉伸因子为1，此时设N=1，L-1=1，其他值相应变为小数或者分数，因此，均衡化的装换函数即为该图像的累积直方图本身。直方图匹配的具体实现步骤如下：1）做出原图像的直方图。2）做出原图像的累积直方图Zb=T(xa)对原图像进行均衡化变换。3）做出参考图像的直方图或者参考直方图。4）做出参考直方图Zb=G（yc），进行均衡化变换。5）对于原图像中的每一灰度级xa的累计值Zb在参考累积直方图中找到对应的累计值G（yc）。如果G为数学公式可以直接计算求值，则得到对应的新灰度值yc。6）以新值yc替代原灰度值xa，形成均衡化后的新图像。7）根据原图像像素统计值对应找到新图像像素统计值，做出直方图。3.3.4 图像增强图像增强是增强图象中的有用信息，它可以是一个失真的过程，其目的是要改善图像的视觉效果，针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。图像增强按所用方法可分成频率域法和空间域法。前者把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。采用低通滤波（即只让低频信号通过）法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。具有代表性的空间域算法有局部求平均值法和中值滤波（取局部邻域中的中间像素值）法等，它们可用于去除或减弱噪声。图像增强的方法是通过一定手段对原图像附加一些信息或变换数据，有选择地突出图像中感兴趣的特征或者抑制（掩盖）图像中某些不需要的特征，使图像与视觉响应特性相匹配。在图像增强过程中，不分析图像降质的原因，处理后的图像不一定逼近原始图像。图像增强技术根据增强处理过程所在的空间不同，可分为基于空域的算法和基于频域的算法两大类。基于空域的算法处理时直接对图像灰度级做运算基于频域的算法是在图像的某种变换域内对图像的变换系数值进行某种修正，是一种间接增强的算法。3.3.5 最佳波段组合 遥感图像的信息量主要取决于两个因素：一是图像的灰度等级或量化等级的数目，一般用记录灰度或亮度的字位数来量度：一是瞬时视场或像元的大小。前者主要影响波谱信息量，而后者主要影响空间信息量。信息的量度可以从两个不同的角度来考虑。一是由数据的传输和存储量出发，信息量相当于数据量，另一个考虑的角度是由分析和提取有用信息出发，同时尽量减少冗余的或重复的信息。尤其在高光谱数据中，由于波段宽度窄的特点决定了其信息冗余度要比多光谱数据大得多，这在高光谱数据最佳波段选择中尤其要考虑这个因素。 本文采用美国查维茨提出的最佳指数波段选择法。即图像数据的标准差越大，所包含的信息量也越大；而波段间的相关系数越小，表明各波段图像数据的独立性越高、信息冗余度越小。 （3-6） OIF越大，组合图像的信息量越大，组合方案越佳。式中：Si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数据量越大，可分性越高；Rij为组合波段中i和j波段间的相关系数，其值越小，表明图像数据独立性越高，信息冗余度越小。OIF 越大，则相应组合影像包含的信息量就越大。对OIF按照从大到小的顺序进行排列，即可选出最优组合方案。表3-1 研究区1990年TM数据特征参数统计Tab.3-1 The characteristics of TM data statistical parameters of the study area in 1990统计信息最小值最大值均值标准差序列号特征值TM 1011930.81763935.43117915581.598637TM 207014.24426116.444167233.123926TM 309716.87013419.613487312.118652TM 4010125.40708129.36344443.199806TM 5020140.45688147.25888651.239549TM 6025421.00895825.00937760.270435表3-2 1990年TM波段相关系数矩阵Tab.3-2 The TM bands correlation coefficient matrix of 1990相关性TM1TM2TM3TM4TM5TM6TM 11.0000000.9983900.9947840.9914130.9882100.976214TM 20.9983901.0000000.9975410.9911240.9902400.981033TM 30.9947840.9975411.0000000.9860620.9920910.987889TM 40.9914130.9911240.9860621.0000000.9871750.969190TM 50.9882100.9902400.9920910.9871751.0000000.993121TM 60.9762140.9810330.9878890.9691900.9931211.000000表3-3 1990年TM波段组合最佳指数计算结果统计Tab.3-3 The best results of the Census and Statistics Index of TM bands of 1990波段组合OIFTM13484.408112.97225928.398638TM135102.3035522.97508534.386766TM13680.0540432.95888727.055458TM145112.0535092.96679837.769173TM456101.6317072.94948634.457429从上表得出选取145波段组合为最佳波段，在ENVI软件中显示如下： 图3-2 显示效果图Fig. 3-2 Display pictures 表3-4 研究区1998年TM数据特征参数统计Tab.3-4 The characteristics of TM data statistical parameters of the study area in 1998统计信息最小值最大值均值标准差序列号特征值TM 1025234.59129439.912927110545.582880TM 2025529.94833434.7688582124.406741TM 3025530.25214935.972380345.167799TM 4025536.04281841.75717948.635890TM 5025548.47626456.92964154.759682TM 6025533.34307540.60637360.897882表3-5 1998年TM波段相关系数矩阵Tab.3-5 The TM bands correlation coefficient matrix of 1990相关性TM1TM2TM3TM4TM5TM6TM 11.0000000.9978490.9852580.9843320.9840930.961908TM 20.9978491.0000000.9924050.9816780.9873390.970265TM 30.9852580.9924051.0000000.9593080.9851620.983295TM 40.9843320.9816780.9593081.0000000.9757410.938131TM 50.9840930.9873390.9851620.9757411.0000000.987991TM 60.9619080.9702650.9832950.9381310.9879911.000000表3-6 1998年TM波段组合最佳指数计算结果统计Tab.3-6 The best results of the Census and Statistics Index of TM bands of 1998波段组合OIFTM145138.5997472.94416647.076063TM146122.2764792.88437142.392770TM256132.3048722.94559544.916178TM356133.5083942.95644845.158377TM456139.2931932.90186348.001298从表3-6得出选取456波段组合为最佳波段，在ENVI软件显示如下： 图3-3 显示效果图Fig. 3-3 Display pictures 表3-7 研究区2007年TM数据特征参数统计Tab.3-7 the characteristics of TM data statistical parameters of the study area in 2007统计信息最小值最大值均值标准差序列号特征值TM 1025530.73728935.62547314488.587847TM 2013714.98907617.5271772144.906778TM 3025513.69010116.755456345.908752TM 4025534.67213740.26338246.363402TM 5022225.50459531.01779252.588533TM 6025510.75324415.76966260.691879表3-8 2007年TM波段相关系数矩阵Tab.3-8 The TM bands correlation coefficient matrix of 2007相关性TM1TM2TM3TM4TM5TM6TM 11.0000000.9965500.9743300.9698770.9579980.842543TM 20.9965501.0000000.9843260.9619080.9670160.868745TM 30.9743300.9843261.0000000.9122070.9568710.915445TM 40.9698770.9619080.9122071.0000000.9399340.763655TM 50.9579980.9670160.9568710.9399341.0000000.923155TM 60.8425430.8687450.9154450.7636550.9231551.000000表3-9 2007年TM波段组合最佳指数计算结果统计Tab.3-9 The best results of the Census and Statistics Index of TM bands of 2007波段组合OIFTM145106.9066472.86780938.257659TM14691.6585172.57607535.580686TM24588.8083512.86885830.955993TM34588.0366302.80901231.340781TM45688.6865142.90186330.001298从上表得出选取156波段组合为最佳波段，在ENVI软件显示如下： 图3-4 显示效果图Fig. 3-4 Display pictures 4 植被信息提取方法选择4.1 不同植被信息提取方法介绍本文主要从三种植被信息提取方法对遥感数据源进行分类进行研究，分类过程中，主要将研究区分为植被、道路、建筑、水域、其他用地五大类。4.1.1 非监督分类非监督分类：也称为聚类分析或点群分类。在多光谱图像中搜寻、定义其自然相似光谱集群的过程。它不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱(或纹理) 信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。 目前比较常见也较为成熟的是ISODATA、K-Mean和链状方法等。遥感影像的非监督分类一般包括以下6个步骤： 影像分析ISODATA K-MEAN分类器选择影像分类类别定义/合并精度评价分类后处理结果验证图4-1 非监督分类步骤Fig. 4-1 Unsupervised classification step 影像分析大体上判断主要地物的类别数量。一般非监督分类设置分类数目比最终分类数量要多2-3倍为宜，这样有助于提高分类精度。本文主要分大类为植被，水域，建筑，耕地，其他。所以设置分类数目为10到15。分类器选择目前非监督分类器比较常用的是ISODATA、K-Mean和链状方法。ENVI包括了ISODATA和K-Mean方法。ISODATA（Iterative Self-Orgnizing Data Analysize Technique）重复自组织数据分析技术，计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元进行迭代聚合，每次迭代都重新计算均值，且根据所得的新均值，对像元进行再分类。K-Means使用了聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的，然后迭代地重新配置他们，完成分类过程。本文主要采用ISODATA方法。打开ENVI，选择主菜单-Classification-Unsupervised-IsoData或者K-Means。这里选择IsoData对影像分类。分类后结果如下图： 图4-2 1990年非监督分类Fig. 4-2 Unsupervised classification of 1990图4-3 2000非监督分类Fig. 4-3 Unsupervised classification of 2000图4-4 2007年非监督分类Fig. 4-4 Unsupervised classification of 2007所得精度报表如下： 表4-1 1990年TM影像非监督分类评价精度Tab.4-1 Evaluation of unsupervised classification accuracy of imageof 1990类别其他耕地建筑植被水域总计其地0249561261建筑01001112植被022341856427水域01001011总计151254239191103938 总体精度= (595/938) =71.0024%，Kappa系数= 0.6204。植被的制图精度是185/191=96.8556%。表4-2 2000年TM影像非监督分类评价精度Tab.4-2 Evaluation of unsupervised classification accuracy of imageof 2000类别其他植被耕地建筑水域总计其他000000植被073078715839耕地003912611428建筑01000120112水域000077总计0830398125331386总体精度= (1228/1386) =88.6003%，Kappa系数= 0.7741。植被的制图精度是730/830=87.9545%表4-3 2007年TM影像非监督分类评价精度Tab.4-3 Evaluation of unsupervised classification accuracy of imageof 2007类别其他耕地植被 建筑水域总计其他2930000293耕地6399706412植被002780785建筑1500000水域015200727总计314414105013646总体精度= (570/646)=88.2352%，Kappa 系数= 0.8145。植被的制图精度是93/114=81.7932%其中KAPPA系数是通过把所有真实参考的像元总数（N）乘以混淆矩阵对角线（XKK）的和，再减去某一类中真实参考像元数与该类中被分类像元总数之积之后，再除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。4.1.2 监督分类监督分类：又称训练分类法，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的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他信息，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，以此完成对整个图像的分类。遥感影像的监督分类一般包括以下6个步骤：最大似然特征辨别样本选择最小距离分类器选择马氏距离影像分类神经网络精度评价支持向量机其他分类后处理结果验证图4-5 监督分类步骤图Fig. 4-5 Supervised classification step plan根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。建立分类函数，需要对每一类别选取一定数目的样本，在ENVI中是通过感兴趣区（ROIS）来确定，也可以将矢量文件转化为ROIS文件来获得，或者利用终端像元收集器（Endmember Collection）获得。根据分类的复杂度、精度需求等确定哪一种分类器。目前监督分类可分为基于传统统计分析学的，包括平行六面体、最小距离、马氏距离、最大似然，基于神经网络的，基于模式识别，包括支持向量机、模糊分类等，针对高光谱有波谱角（SAM），光谱信息散度，二进制编码。下面是几种分类器的简单描述。 1）平行六面体-根据训练样本的亮度值形成一个n维的平行六面体数据空间，其他像元的光谱值如果落在平行六面体任何一个训练样本所对应的区域，就被划分其对应的类别中。2）最小距离-利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类。 3）马氏距离-计算输入图像到各训练样本的协方差距离（一种有效的计算两个未知样本集的相似度的方法），最终技术协方差距离最小的，即为此类别。 4）最大似然-假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中。 5）神经网络-指用计算机模拟人脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程。 6）支持向量机-支持向量机分类（Support Vector Machine或SVM）是一种建立在统计学习理论（Statistical Learning Theory或SLT）基础上的机器学习方法。SVM可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确率。本文采用的的最大似然方法。主菜单下选择Classification-Supervised-Maximum Likelihood。按照默认设置参数输出分类结果。图4-6 1990年监督分类后的植被分布Fig. 4-6 By supervised classification of vegetation distribution of 1990图4-7 2000年监督分类后的植被分布Fig. 4-7 By supervised classification of vegetation distribution of 2000图4-8 2007年监督分类后的植被分布Fig. 4-8 By supervised classification of vegetation distribution of 2007表4-4 1990年TM影像监督分类评价精度Tab.4-4 Evaluation of supervised classification accuracy of imageof 1990类别植被耕地建筑水域其它总计未分类202048植被725108147764耕地530224110342建筑821221215267水域1010121312246其它297140247297总计7793502722402852041总体精度= (1708/2041)=83.6844%，Kappa系数=0.8056。植被的制图精度是725/779=93.0680%。表4-5 2000年TM影像监督分类评价精度Tab.4-5 Evaluation of supervised classification accuracy of imageof 2000类别植被耕地建筑水域其它总计未分类003104植被3531211442422耕地5293353316建筑00234120246水域16121711190其它37100230278总计3963122361932761441总体精度