遥感在土地利用覆盖中的应用题稿.ppt

遥感在土地利用/土地覆盖中的应用2002/5/30 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。 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 。 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。 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。 分类标准（续） 示例－福建土地利用动态监测 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 光谱分析 变化信息提取（续） 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： 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），则动态图像上该像元的灰度值为30，表示耕地变为居民地。 成果图件制作和整饰 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%。 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。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。 分类结果 动态结果 结果1 结果2 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： 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 3.1 传统最大似然法的改进 Fabio 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）。 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行地形破碎的地区分类时改善了分类的精度。 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 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