遥感在土地利用覆盖中的应用

1、 2 3 l土地利用是人类在生产活动中为达到一定的经济 效益、社会效益和生态效益，对土地资源的开发、 经营、使用方式的总称。 l土地覆盖的定义有： l1)“国际地圈与生物圈计划”（IGBP）和“全球 环境变化人文计划”（HDP）：地球陆地表层和 近地面层的自然状态，是自然过程和人类活动共 同作用的结果。 l2)美国“全球环境变化委员会”（USSGCR）： 覆盖着地球表面的植被及其它特质。 4 l从两者的定义可以看出，土地利用和土 地覆盖既有一定的联系又有差别。土地 利用重点是表示与土地相结合的人类活 动而产生的不同利用方式。土地覆盖主 要是表示地球表面存在的不同类型的覆 盖特征，强调的是土地的

2、表面形状 。 5 l我国土地利用分类的目的是查清各县各种土地 分类的面积、分布和利用状况，为国家制定国 民经济计划，农业区划和规划，指导农业生产 和服务与土地统计登记制度等管理工作。因此 土地利用分类的主要依据是土地用途、土地经 营方式、土地利用方式和土地覆盖特征等。土 地覆盖只是土地利用分类的一个依据，但遥感 图像最能够直接反映的是土地覆盖。 l大多数遥感土地应用使用土地覆盖/利用的概念。 6 l全国土地遥感动态监测的分类标准。该 标准基本遵循了全国农业区划委员会 1984年颁发的土地利用现状调查规程 的分类体系，并考虑遥感图像自身的特 点。土地覆盖/利用类别分类定为以下8大 类49二级类别

3、（表）。编码在矢量图形 中为多边形的属性码，在栅格图像上为 栅格值。 7 8 9 l福州市 l遥感影像：1990年，1996年，4景 LANDSAT-TM l土地利用图：长乐县1993年，1：10万 l1：10万，1：5万地形图 l农历、耕作、农事、等文字资料 10 福州市主要地物光谱曲线 0 50 100 150 200 250 123457 波段 灰度 城市 村庄 建设中 耕地（有作物） 耕地（无作物） 园林地 荒地 河流 浅海 深海 11 配 准 时相 TM 影像 地理辅 助数据 时相 TM 影像 波段分析 假彩色合成 训练区选择 样本分析与校正 最大似然方法 分类结果（90和97） 行

4、政界线清绘 扫描或数字化 矢量图形属性 投影变换 高斯克吕格 投影 矢量数据（V） 地图代数计算动态变化图象（dI） dI 和 V 配准 迭 加 初始动态图 统计数据 人机交互目视纠正 12 时相 遥感影像 时相 遥感影像 配准 裁剪 和高克投影配准 主成分分析法 分析图像特征选择反映变化信息明显的分量 分类 初始动态分类（有变化） 确定动态变化的具体内容（由什么变成什么） 初始动态变化图 详 查 图 数 字 化 形 式 配准 迭 加 13 l动态信息分类法 l三种变化信息提取的评述： 14 l利用公式 l B1*10+B2 l计算得到一幅新的图像，例如某点像元 在90年为耕地（灰度值为3），

5、97年变为 居民地（灰度值为0），则动态图像上该 像元的灰度值为30，表示耕地变为居民 地。 15 初始动态变化图象 个像元编码 野外实证，记录标注各图斑变更情况 表格修正的动态图 矢量境界图 真彩色合成 图框 公里网格 指北针 图例 排版 整饰 正式结果分析报告 正式表格 提 交 最 终 结 果 迭加 16 l鉴于混淆矩阵成为评价遥感图像分类结果的标准方 法，拟根据实地对变化图斑的考察记录，选取不少 于考察图斑60%的图斑，对比遥感得到的结果，形 成混淆矩阵，进行精度评价。 l利用混淆矩阵进行精度评价时，偶然的一致往往会 发生。而总体精度并不能排除这种偶然一致性。因 此在混淆矩阵基础上，加上

6、kappa统计来进行精度 评价。 lKappa统计的意义是：如果Kappa统计为0.7，则表 示所用的分类方法比随机赋予各点某一类别的方法 优越70%。 17 l因为变化精度与图斑的大小有关，一般 而言图斑越大，精度越高，反则反之。 按图斑的大小进行分级，不同级别图斑 精度要求不同。 l在经费允许的情况下，使用GPS将实地 考察的变化图斑输入计算机中，进行精 度检验。 18 19 20 21 22 l由于遥感信息存在固有的“同物异谱，异物 同谱”，严重制约了基于光谱特征的统计分 类精度的提高。 l而遥感专题分类的精度决定了遥感信息的实 际应用价值。 l增加遥感图像的分类精度作出了大量的工作。

7、大致可以分为以下几类： l 23 3.1 3.2 分层分区 3.3 图像空间信息分类 3.4 多源辅助数据综合分类 24 lFabio Maselli等认为传统遥感分类往往得不到 满意的结果，部分原因是算法内在的缺陷。基 于多维正态分布假设的最大似然法，统计上稳 定而强健，但是缺乏灵活性，在复杂或非均质 的情况下，这一假设往往难以满足而不能得到 正确的面积估计。从而根据无参数方法，从图 像灰度直方图中抽取先验概率，加入到MLC中， 使分类结果明显改善（kappa 0.3749-0.5860）。 25 lC.Conese等（1993）认为经过主成分分析 的第一主分量包含了亮度信息，和地形的 影响

8、密切相关，通过对图像训练样本进行 主成分分析，去除第一分量的影响来修订 最大似然分类法，以减少地形的影响。这 一修订的方法在进行地形破碎的地区分类 时改善了分类的精度。 26 3.1 传统方法的改进 3.2 3.3 图像空间信息分类 3.4 多源辅助数据综合分类 27 l分层分区则在对不同的类别利用不同的信息子 集。 l在山区植被分类中对图像进行四叉树分割，利 用距离判据来决定是否需要更多的信息参与分 类。这样每一步尽可能少地利用信息，只有当 判断模糊时，才询问辅助信息，以降低时间开 销。但基于四叉树的图像分割不具有地理学意 义，当图像中方格状图斑多时，效率较高；如 果地物复杂，四叉树划分的效

9、率不高。 28 l在研究草场植被类型分类中，鉴于单纯的监督 分类不能有效的区分不同景观单元的草场植被 类型，采用了先对图像按照地貌类型分区在在 各个分区上分别进行监督分类。 l在使用多景TM图像进行流域范围尺度上地形 覆盖类型分类时，在图像镶嵌后，将图像分为 三个生态区，进行分类，克服了单景分类不具 有任何生态学意义的缺点。 29 lLoveland（1991）在利用NOAA/AVHRR图像 进行美国土地利用分类制图时，先根据GIS数 据库中气候、植被、环境等数据将全国划分为 几个小的区域，然后再对各个小的区域进行非 监督分类，减少了误分的像元数。 lJesus S.M.A等（1997）利用T

10、M和SPOT图像派 生出比值图像主成分分析图像等，对于各种图 像组合进行了比较研究，肯定了分层分区的优 点。 30 3.1 传统方法的改进 3.2 分层分区 3.3 3.4 多源辅助数据综合分类 31 l遥感信息综合了地物种类、组成、坡度、坡向、 阴影、太阳高度角等信息，而传统的统计分类 仅仅使用了图像的单像元的光谱特性，忽略了 像元之间的相互空间关系。 l仅仅依赖于光谱信息的分类结果在实际应用中 是不成功的。 l遥感图像的空间信息在区分地物时具有非常重 要的作用，是目视解译的重要解译标志之一。 将图像空间信息用于计算机自动分类是自然而 然的想法。 32 l早在1980年，Switzer将邻域

11、像元的平均值 输入到最大似然法中，是计算机图像分类 运用空间信息的开始。 l纹理（Texture）是灰度在平面空间上的 变化，是遥感信息的重要内容。 l要利用图像空间信息提高分类精度，合理 而有效地度量纹理至关重要。 33 l图像纹理的表示方法分为两类， l一是结构方法，表示基本原始模式在空间的重复， 如砖墙。结构方式中排列的方式描述十分复杂。 l二是统计方法。由于地物的组成、空间分布的复 杂性和多样性，反映在遥感图像上的千差万别的 纹理不会象砖墙那样有规则不变的局部模式和简 单的周期性的重复。遥感图像的纹理特征和重复 性往往只具有统计学上的意义。因此统计纹理分 析方法是遥感图像纹理分析的主要

12、方法 34 l无论从历史发展还是从当前进展来看，统计的 方法仍然占主导地位（王润生，1995）。统计 方法又分为空间域和频率域方法。空间域方法 基于统计图像像元灰度级的分布情况，如利用 直方图。频率域方法首先将图像变换到傅立叶 变换的频率域中，然后抽取相应的特征量，做 高频或低频的压缩或扩展后，再变换回空间域 处理纹理。频率域方法是遥感光学图像处理中 常采用的纹理分析方法。 35 l图像模式识别领域对纹理的研究和应用 比较深入，描述纹理的方法归纳起来主 要有： l 共生矩阵， l 纹理能量测量， l Markov随机场模型， l 分形布朗模型等。 36 l纹理是图像处理相关领域的表达图像空间信

13、息的一个 重要度量，遥感应用中更多地使用结构（也称上下文， context）。研究人员根据其应用目的，提出了一些用 于图像分类的结构方法。 l出现频率。出现频率F(i,j,v)定义为灰度值为v的像元 在以i,j为中心。边长为l的窗口内出现的频率。对单波 段来讲，v是一个值，多波段时v为向量。由图像生成 出现频率表，表项的数目跟灰度级(n)和波段数(m)有 关，最大数目为nm。出现频率表较空间统计度量具有 两个优点。一是比任何一个空间域度量要包含更多的 信息。事实上常用的空间域度量可以从出现频率中直 接求出。二是出现频率表可以快速地生成，无须占据 硬盘空间。 37 lC. Ricotta等（19

14、96）在进行森林研究时， 对NDVI图像使用了计算简洁的纹理绝对 差值算法来利用空间信息。应用表明纹 理差值在对于植被和非植被类型的区分 时，能够抓住两者之间纹理特征的本质。 l显然本文研究的类别只有两种，是否对 更细类别分类时同样实用，需要实验。 38 l利用小波变换，产生的小波子图来利用 图像空间信息。在连同多波段图像输入 KOHONEN自组织神经网络分类器后的 分类结果表明，小波子图在区分细致地 物特别是边缘检测的优势是传统分类方 法所无法比拟的。 39 l空间信息的使用主要通过“窗口”来进行的。 窗口过大，将别的类别纳入，往往产生误差边 缘；窗口过小，常常引入不相关或相关小的像 元，产

15、生不可靠的纹理，并引入随机纹理。 l纹理在图像分类的作用严重受到“窗口”的影 响，对于分类的精度提高不是简单的提高。 l由于缺乏对遥感图像纹理机理的深刻认识，成 功的机遇并不很大，带有一定的随即性、偶然 性和片面性。 40 l要真正地利用遥感图像的空间信息，还 必须模拟目视解译过程，把判读人员的 经验加入到影响分类过程中，建立基于 知识的纹理和线形特征识别以及邻域分 析方法（Argials D. P等，1990）。Paul (1997)在这方面做了探讨，初步显示了基 于知识的图像空间信息方法在提高分类 精度的潜力。 41 3.1 传统方法的改进 3.2 分层分区 3.3 图像空间信息分类 3.

16、4 42 l遥感图像信息的原型自然环境的综合体是非常复 杂的。遥感获得的信息并非是自然综合体信息的 全部，而是自然综合体历史演进过程中瞬时的、 能够在二维平面上表现的那一部分。 l这就决定了遥感信息的单纯数学、物理处理结果 具有不确定性或多解性。为了提高遥感专题信息 识别结果的正确性和可靠性，必须将遥感未带回 的信息补充进去，即加入地学相关信息。 l然而遥感信息是主要的，地理相关信息是辅助性 的。 43 l地形图及其它等值线图。由地形图得 到数字地面模型（DTM），再由DTM计 算出绝对高程、相对高程、坡度和坡向。 这些信息是遥感图像辅助信息的最常用 的。其他的如降雨等值线图、温度等值 线图等

17、，可以采用类似DTM的处理方法。 44 l专题地图。专题地图是指与某一具体 专题研究有关的图件。如土地利用现状 图、土壤分布图、植被类型分布图、地 质图、地貌图等。从专题图上可以提取 过去某一时期相应专题的空间分布规律。 l其他非图像图形数据，包括点状实际 测量数据、坐标曲线、表格、文字记录 等。 45 l一是根据辅助数据推出各个类别的先验概 率，然后应用于最大似然分类中，这样无 需辅助数据和遥感图像的几何配准，操作 比较简单易行，但对辅助数据的应用不够 充分。辅助数据得到先验概率，并不总是 提高分类的精度，有时反而会降低分类的 精度，因为它增加了赋予先验概率类别分 错的机会 。 46 l另一

18、种是对辅助数据和遥感图像进行几何配 准，将辅助数据转换为图像，然后将该图像 作为输入图像向量的一个分量图像，进行常 规的图像分类（主要是最大似然法）。 l这一方法忽略了数据的分布特点，图像数据 一般而言，满足正态分布的前提，但辅助数 据的分布常常不能满足，因此分类的精度很 大程度上取决于假设条件的满足程度。 47 48 在遥感图像分类方面，人们试图以目视解译为样板， 模拟专家目视解译的过程，建立遥感图像解译专家系统，实现 遥感图像自动判读。目前遥感图像解译专家系统的研究成为遥 感图像解译的一个主要研究趋势。 1)规则表示 2)硬分类和软分类 3)不确定推理 49 l产生式规则表示知识。形式为：

19、 IF（条件）THEN（结论） l在这个条件和结论的二元组，通过推理的结 论是二值的，非此即彼。以后引入了不确定 的推理，由条件推出的结论有一个确定性程 度，规则的形式为 IF（条件） THEN（结论） CF（确定性因子） 其中CF为实数，其值域在不同的研究中有所 不同，一般为0，1或者-1，1。 50 l规则由 l 事实部分（H）和 l 类别部分（A）以及 l 确定性因子CFA，H组成。 l其中确定性因子CFA，H的设计与不确定 推理方法有关。在Shortlife设计的EMICIN 医疗专家系统中，使用的不确定性规则模 型效果很好，后为很多系统所采用。 51 lShortlife定义了两个概

20、率函数，一个是信 任增长度MBA，H和不信任增长度 MDA，H。 其它 ）（若 , )(1 )()(),/(max 1, 1 , AP APAPHAP AP HAMB 其它 ）（若 , )( )()(),/(min 0, 1 , AP APAPHAP AP HAMD 确定性因子CFA，H=MBA，H-MDA，H。 52 )()/(, )( )()/( )()/(, 0 )()/(, )(1 )()/( , APHAP AP APHAP APHAP APHAP AP APHAP HACF 若 若 若 确定性因子CFA，H的值域为-1，1。-1表示在事实 H为真的前提下，结论A是假的；1表示在事实

21、H为真 的前提下，类别A也为真，0表示在事实H对于类别A 是一无所知。一般的情况下是事实H为真的前提下， 类别A是真的确定性因子为小数，CFA，H的值越大， 表示A的可信度越真，越小可信度越假。 当A和H相互独立时，CF A，H的定义为 53 l对光谱分类的数理模型主要有三种：传统统计 分类、模糊分类和神经网络分类。 l这几种数理模型在确定分类结果时的思路是一 致的，像元的类别取判据（似然度、隶书度等） 的最大值对应的类别。这种将每一个像元只能 赋以唯一的类别的分类，为硬分类（Crisp Classification）。 l与硬分类相对应，每一个像元有可能赋以多类 别的分类为软分类（Soft Classification）。 54 lStep1：根据光谱软分类结果，确定使用 规则和辅助信息进行推理的像