第七章+遥感在土地利用覆盖中的应用ppt课件.ppt

《第七章+遥感在土地利用覆盖中的应用ppt课件.ppt》由会员分享，可在线阅读，更多相关《第七章+遥感在土地利用覆盖中的应用ppt课件.ppt（55页珍藏版）》请在三一办公上搜索。

1、1,第七章 遥感应用1遥感在土地利用/土地覆盖中的应用,2,土地利用和土地覆盖,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。土地覆盖的定义有：1)“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。2)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。,3,概念（续）,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

2、表面存在的不同类型的覆盖特征，强调的是土地的表面形状。,4,概念（续）,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。大多数遥感土地应用使用土地覆盖/利用的概念。,5,分类标准,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

3、别分类定为以下8大类49二级类别（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。,6,分类标准（续）,7,示例福建土地利用动态监测,8,数 据,福州市遥感影像：1990年，1996年，4景LANDSAT-TM土地利用图：长乐县1993年，1：10万1：10万，1：5万地形图农历、耕作、农事、等文字资料,9,光谱分析,10,变化信息提取,11,变化信息提取（续）,12,变化信息提取（续）,动态信息分类法三种变化信息提取的评述：,13,动态信息提取,利用公式 B1*10+B2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），97年变为居民地（灰度值为0），则动态图像上

4、该像元的灰度值为30，表示耕地变为居民地。,14,成果图件制作和整饰,15,精度检验方法,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。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kappa统计来进行精度评价。Kappa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%。,16,精度检验方法（续）,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。

5、按图斑的大小进行分级，不同级别图斑精度要求不同。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。,17,分类结果,18,动态结果,19,结果1,20,结果2,21,3 提高分类精度的方法改进,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。而遥感专题分类的精度决定了遥感信息的实际应用价值。增加遥感图像的分类精度作出了大量的工作。大致可以分为以下几类：,22,3 提高分类精度的方法改进,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3.4 多源辅助数据综合分类,23,3.1 传统最大似然法的改进,Fabio

6、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）。,24,3.1 传统最大似然法的改进（续）,C.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

7、行地形破碎的地区分类时改善了分类的精度。,25,提高分类精度的方法改进,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3.4 多源辅助数据综合分类,26,3.2 分层分区,分层分区则在对不同的类别利用不同的信息子集。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，四叉树划分的效率不高。,27,3.2 分层分区（续）,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

8、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。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。,28,3.2 分层分区（续）,Loveland（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。Jesus S.M.A等（1997）利用TM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

9、分层分区的优点。,29,3 提高分类精度的方法改进,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3.4 多源辅助数据综合分类,30,3.3 图像空间信息的分类,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。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。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。,31,3.3 图像空间信息的分类（续）,早在1980年，Switzer将邻域像元的平均值输入

10、到最大似然法中，是计算机图像分类运用空间信息的开始。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。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。,32,3.3 图像空间信息的分类（续）,图像纹理的表示方法分为两类，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。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方法,33,3.3

11、图像空间信息的分类（续）,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。,34,3.3 图像空间信息的分类（续）,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：共生矩阵，纹理能量测量，Markov随机场模型，分形布朗模型等。,35,3.3 图像空间信息的分类（续）,纹理是

12、图像处理相关领域的表达图像空间信息的一个重要度量，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。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。,36,3.3 图像空间信息的分

13、类（续）,C.Ricotta等（1996）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。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。,37,3.3 图像空间信息的分类（续）,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。,38,3.3 图像空间信息的分类（续）评论,空间信息的使用主要通过“窗口”来进行的。窗口过大，将

14、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，产生不可靠的纹理，并引入随机纹理。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。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。,39,3.3 图像空间信息的分类（续）评论,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。

15、,40,3 提高分类精度的方法改进,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3.4 多源辅助数据综合分类,41,3.4 多源辅助数据综合分类,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。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。然而遥感信息是主要的，地理相关信息是辅助性的。,42,3.4.1 辅助数据的类型,地形图及其它等值线图。由地形图得到

16、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，可以采用类似DTM的处理方法。,43,3.4.1 辅助数据的类型（续）,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。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。,44,3.4.2 多源辅助数据的处理方法传统统计,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

17、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。,45,3.4.2 多源辅助数据的处理方法传统统计（续）,另一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）。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。,46,3.4.3 多源辅助数据的处理方法神经网络分类方法,47,3.4

18、.4基于规则的遥感图像解译系统,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。规则表示硬分类和软分类不确定推理,48,1)规则表示,产生式规则表示知识。形式为：IF（条件）THEN（结论）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。,49,1)规则表示（续）

19、,规则由 事实部分（H）和 类别部分（A）以及 确定性因子CFA，H组成。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。,50,3)规则表示（续）,Shortlife定义了两个概率函数，一个是信任增长度MBA，H和不信任增长度MDA，H。,确定性因子CFA，H=MBA，H-MDA，H。,51,4)规则表示（续）,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

20、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,52,2）硬分类和软分类,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。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）。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）。,53,3）推理过程,Step1：根据光谱软分类结果，确

21、定使用规则和辅助信息进行推理的像元。GIS中辅助信息和规则引入目的是提高遥感图像专题分类的精度。在使用规则使可以采用两种策略：对整个图像进行逐个像元的推理；只对图像中部分难以用光谱分类的像元使用规则。,54,3）推理过程（续）,Step2：读入辅助数据作为事实Step3：读入待定像元的辅助数据，在规则库中搜索所有条件部分与该像元辅助数据相匹配的规则，规则结论作为目标（TARGET）。如果同一类型辅助数据与规则条件部分的匹配，进行最小距离优先原则，选择条件与事实最为接近的规则，最终形成该像元属于某类的规则集合，如有规则 IF 高度 30 THEN 林地 0.4 IF 高度 60 THEN 林地 0.5若当前像元的高度为70，由于70-6070-30，选择规则。,55,3)推理过程（续）,Step5：基于光谱统计特征的软分类结果得到的该像元的后验概率为，则结合规则得到属于各个类别的可能性为：,Step6：像元的最终类别确定,其中m为类别的数目,