遥感图像的分类与变化监测最终版

1、遥感图像的分类与变化监测1. 数据准备1.1研究区域概况研究区域为四川省成都市龙泉驿区。龙泉驿区位于成都平原东缘，地质构造为成都断陷带与龙泉山隆褶带之间的构造断块。不规则的箱状背斜、苏码头背斜、龙泉驿向斜等褶皱与平行展布的断层，构成了区内地质构造的基本格局。龙泉山隆褶带规模较大，北东方向10度至30度长有210公里，东西宽有15公里至20公里，是川西断陷带和川东隆起带(华蓥山以西)的分界线。龙泉驿区地貌主要以山地、丘陵、平坝为主，三者的面积分别占龙泉驿区总面积的39.07%、3.86%、57.07%。2009年，龙泉驿区土地总面积5.5698万公顷，其中耕地7367.83公顷，占土地总面积的1

2、3.23%;园地2.5295万公顷，占土地总面积的45.42%;林地7628.2公顷，占土地总面积的13.70 %;其他农用地3295.85公顷，占土地总面积的5.92%;居民点及工矿用地1.0742万公顷，占土地总面积的19.29%;交通运输用地539.83公顷，占土地总面积的0. 97%;水利设施用地553.30公顷，占土地总面积的0.99 %;未利用地274.93公顷，占土地总面积的0.49%。1.2数据下载在地理空间数据云中先搜索2000年-2005年的数据，选择云量较少，图像质量高的进行下载；搜索2009年-2015年图像选择质量高的下载，最终选定2001年和2009年龙泉驿区的图像

3、（landsat4-5）。两期影像的像元信息：影像 数据类型卫星名称传感器条带号太阳高度角太阳方位角平均云量数据标示2001TMlandsat4-5TM12937.5708141.15165.45LT51290392001045BJC002009TMlandsat4-5TM12951.3982133.26210LT51290392009083BJC002001年影像2009年图像2. 数据处理2.1图像格式的转换2.1.1格式转换利用Import工具，将下载的TIFF影像转换为后缀为img图像，并选择存储的路径。2.1.2多波段图像的融合在interpreter工具中利用image inter

4、preter中的layer stack进行1-7图像的融合，为后面的处理提供基础。2.1.3图像的裁剪利用龙泉地区边界图对已融合的图像进行裁剪，这里要用到interpreter中的mask工具裁剪结果：左为01年，右为09年3. 非监督分类3.1非监督分类的定义非监督分类是以不同影像地物在特征空间中类别特征的差别为依据的一种无先验（已知）类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计（聚类）分析的方法。根据待分类样本特征参数的统计特征，建立决策规则来进行分类。而不需事先知道类别特征。把各样本的空间分布按其相似性分割或合并成一群集，每一群集代表的地物类别，需经实地调查或与已

5、知类型的地物加以比较才能确定。是模式识别的一种方法。一般算法有：回归分析、趋势分析、等混合距离法、集群分析、 主成分分析和图形识别等。3.2非监督分类处理打开裁剪后的图像，利用classifier中的非监督分类工具将两期影像均分为水体、植被1、植被2、耕地1、耕地2、建筑1、建筑2这七个类别。打开两个图像的属性框根据地物类别改变颜色。分类结果图：第一幅为01年，第二幅为09年。3.3精度评估结果01年：CLASSIFICATION ACCURACY ASSESSMENT REPORT-Image File : f:/龙泉/01nianfeijiandu.imgUser Name : sumsu

6、ngDate : Sat Jun 13 10:30:14 2015ACCURACY TOTALS- Class ReferenceClassifiedNumberProducersUsers Name Totals TotalsCorrect AccuracyAccuracy - Unclassified 0 0 0 - - Class 1 4 4 4 100.00%100.00% Class 2 1 1 1 100.00%100.00% Class 3 0 2 0 - - Class 4 2 2 2 100.00%100.00% Class 5 2 2 2 100.00%100.00% Cl

7、ass 6 5 2 2 40.00%100.00% Class 7 1 2 1 100.00% 50.00% Totals 15 15 12Overall Classification Accuracy = 80.00%- End of Accuracy Totals -KAPPA (K) STATISTICS-Overall Kappa Statistics = 0.7606Conditional Kappa for each Category.- Class Name Kappa - - Unclassified 0.0000 Class 1 1.0000 Class 2 1.0000 C

8、lass 3 0.0000 Class 4 1.0000 Class 5 1.0000 Class 6 1.0000 Class 7 0.4643- End of Kappa Statistics -09年：CLASSIFICATION ACCURACY ASSESSMENT REPORT-Image File : c:/users/sumsung/09nianfeijiandu.imgUser Name : sumsungDate : Sat Jun 13 12:10:12 2015ACCURACY TOTALS- Class ReferenceClassifiedNumberProduce

9、rsUsers Name Totals TotalsCorrect AccuracyAccuracy - Unclassified 0 0 0 - - Class 1 1 1 1 100.00%100.00% Class 2 1 2 1 100.00% 50.00% Class 3 3 3 3 100.00%100.00% Class 4 4 3 3 75.00%100.00% Class 5 4 4 4 100.00%100.00% Class 6 1 2 1 100.00% 50.00% Class 7 1 0 0 - - Totals 15 15 13Overall Classifica

10、tion Accuracy = 86.67%- End of Accuracy Totals -KAPPA (K) STATISTICS-Overall Kappa Statistics = 0.8361Conditional Kappa for each Category.- Class Name Kappa - - Unclassified 0.0000 Class 1 1.0000 Class 2 0.4643 Class 3 1.0000 Class 4 1.0000 Class 5 1.0000 Class 6 0.4643 Class 7 0.0000- End of Kappa

11、Statistics -99999999999999999999999999999999999999999999999999994. 监督分类4.1监督分类的定义：监督分类 （supervised classification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。常用算法有：判别分

12、析、最大似然分析、特征分析、序贯分析和图形识别等。4.2研究区地物类型的判定根据龙泉地区土地利用类型的实际状况，确定主要地物有水体、植被、耕地和建筑。由于实际地物中地物又可以往下细分，所以将植被分为植被1、植被2，耕地分为耕地1、耕地2，建筑也分为1和2。4.3结合高分辨率的遥感影像对地物进行判定水体：从左到右分别为高分影像，01年湖泊图像，09年湖泊图像植被：从左到右分别为高分影像，01年植被1和09年植被耕地：从左到右分别为高分影像，01年耕地和09年耕地建筑：从左到右分别为高分影像，01年建筑和09年建筑。4.4 2001年的目视解译结果地物类别特征水体条状或面状，深蓝色或黑色植被1淡红

13、色，面状植被2暗红色，块状耕地1灰色，块状耕地2深灰色，不规则分布建筑1白色，块状建筑2灰白色，块状 4.5建立监督分类模板根据地物的光谱信息，利用AOI方法建立不同地物所代表的模板。由于将地物类别分为7类，所以建立7个模板分别对应7个地物类型。以下是建立的2001年的分类模板以下是建立的2009年的分类模板4.6监督分类结果对比4.6.1监督分类模板精度评估模板的数学统计与均值折线图：01年：（以水体为例）09年：（以水体为例）2009年各用地类别的值和均值统计表：地物类型统计值TM1TM2TM3TM4TM5TM6TM7水体最大值111232025293072最小值7119142123276

14、6均值8.843119.65716.55222.45524.90328.54569.59均方差0.8480.8141.230.6560.7930.5431.005建筑1最大值5714810164514694最小值451428654444086均值49.915144.39493.3857.81747.11341.6289.211均方差2.3221.4593.3522.0931.260.8681.502建筑2最大值72148119747558106最小值944960629814061均值66.368145.561108.37667.57768.9154.11698.206均方差2.2821.216

15、3.2132.0472.0051.4761.928植被1最大值361337468393980最小值231285350303272均值76.52334.28733.49760.50865.154130.67729.215均方差2.6071.093.7933.5221.5941.1261.635植被2最大值441358576444084最小值251326052323374均值31.838133.22569.74264.25136.13836.04978.69均方差2.9760.7524.1444.2811.8451.1541.513耕地1最大值351317193484892最小值241275970

16、414186均值27.379128.18263.57683.22743.89444.40988.894均方差1.2661.4251.3495.6132.3990.9272.081耕地2最大值541459669474085最小值421408456373578均值48.061142.62191.19761.90942.42438.0380.773均方差2.6651.22.5792.7782.2941.0811.4764.7监督分类重编码监督分类虽然知道实地有哪些地物，但由于同类异谱现象，分类时还需要将相同的地物类分成若干个光谱类进行处理。将植被1、植被2归为植被一类，耕地1、耕地2归为耕地，建筑1

17、、建筑2归为建筑这一类。01年监督分类重编码：重编码结果图：09年监督分类重编码：09年监督分类重编码结果：4.8聚类分析分类结果中会产生一些很小的图斑，这些图斑从制图和实际考虑，都需要去掉。在Erdas中用clump工具对监督分类的结果图像进行聚类分析，结果如下：01年：09年：4.9去除分析去除分析是去除聚类结果图中的小于一定大小的块，并将删除的小图斑合并到相邻的最大类当中。01年去除分析：09年去除分析：5. GIS中的制图综合在遥感中完成图像的重编码等工作后，在GIS中导入图像，将其由栅格转面并进行制图综合和叠加分析等工作。5.1制图综合步骤及结果以下是截取的部分步骤示意图：编辑图例：更改图例：添加字段：图层属性：专题地图：5.2数据分析本次实验的目的是进行遥感图像分类与变化监测，研究分析四川省成都市龙泉驿区从2000年2014年这5年时间内土地利用类型的变化。所以在Arcmap中首先使栅格转面，然后进行制图综合，包括图像融合和图层叠加运算，相交后进行计算，导出最后的结果：面积2001