自然地理环境数据采集与处理 遥感原理与应用综合实验报告 题 目:云南省昌宁县土地利用类型专题图 姓 名: 学 号: 院、 系: 旅游与地理科学学院 专 业: 自然地理 指导教师: 时间2014年6月24日 1 云南省昌宁县土地利用类型专题制图报告 1 遥感数据下载 1.1 网站:地理空间数据云http://www.gscloud.cn/ 1.2 遥感影像基本信息 数据源选择Landsat 8 OLI_TIRS 卫星数字产品,基本信息如表1所示。 表1 Landsat 8 OLI_TIRS 卫星数字产品 数据标识 数据类型 接收站 条带号 太阳高度角 获取时间 开始时间 平均云量 中心经度 左上角经度 右上角经度 右下角经度 左下角经度 LC81310432014031LGN00 OLI_TIRS LGN 131 40.9662 2014-01-31 2014-01-31 03:48:09.0 0.04 99.9947 99.2856 101.1227 100.6890 98.8775 卫星名称 传感器 白天/晚上 行编号 太阳方位角 结束时间 中心纬度 左上角纬度 右上角纬度 右下角纬度 左下角纬度 LANDSAT8 OLI_TIRS DAY 43 146.0288 2014-01-3103:48:40.0 24.5532 25.6007 25.2309 23.4937 23.8648 2 合成多波段遥感图像 下载所得的遥感图像为11个单波段影像,需要将其组合成多波段遥感图像。 2.1 打开单波段影像(如图1所示) 图1 单波段遥感影像 2 2.2 多波段合成 (1)打开file——save as——save standard 弹出new file builder 对话框如图2所示,单击,按顺序依次添加分辨率相同的单波段遥感影像(该影像图为landsat8 共有11个波段,其中8波段分辨率为15m,其他都为30m,因此8波段不能合并)。添加完毕后选择好存储位置,点击OK即可,如图3所示。 图2 new file builder 对话框 图3 单波段添加 (2)合成真彩色多波段遥感影像 合成后在波段列表中选择RGB Calor 432波段(标准真彩色遥感影像)如图4所示。 图4标准真彩色遥感影像 3 3 图像裁剪——于矢量边界生成的感兴趣区域的裁剪 影像裁剪的目的是将研究区以外的区域去除,经常是按照行政区划或研究区域的边界对图像进行裁剪,这里选择用Arcmap对云南省昌宁县进行裁剪。 3.1 用Arcmap裁剪出云南省昌宁县矢量图(如图5) a b 图5 云南省昌宁县矢量图 a为裁剪前,b为裁剪后 3.2 利用ENVI进行裁剪 4 (1)叠加矢量图:选择主菜单File→Open Vector File,打开Shapefile矢量文件,投影参数不变,选择Output Result to为Memory,点击OK。(如图6)。 图6叠加矢量图步骤 (2)选择裁剪方式(如图7) 图7 裁剪方式 5 (3)选择裁剪工具 (4)对图像进行裁剪处理(如图8—10) 图8—9 6 图10裁剪后的图像结果 4 图像增强处理——色彩变换 在使用单波段图像时,由于成像系统动态范围的限制,地物显示的亮度值差异较小。又由于人眼对黑白图像亮度级的分辨能力仅有10~20级左右,而对色彩和强度的分辨力可达100多种,因此将黑白图像转换成彩色图像可使地物的差别易于分辨。 本例采用标准假彩色,由于多波段摄影中,一副图像多不是三原色的波长范围内获得的,如采用人眼看不见的红外波段等,因此由这些图像所进行的彩色合成称假彩色合成。 实现步骤基本同上,分别将Band5、Band4、Band3名导入到标签为 “R:”、“G:”、“B:” 的文本框中,合成假彩色图像(如图11)。 图 11合成假彩色图像 7 5 分类体系的选择——监督分类 5.1 类别定义/特征判别 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。本例类别分为:耕地、林地、草地/灌木、水域、城乡规划交通用地、未利用地(戈壁、盐碱地等)六类。 5.2样本选择 为了建立分类函数,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,本例中使用ROIs方法。 (1)打开分类图像,在Display->Overlay->Region of Interest,默认ROIs为多边形,按照默认设置在影像上定义训练样本。 (2)训练样本的选择——设置好颜色和类别名称(支持中文名称)如图12。 图12训练样本的选择 (3)计算样本的可分离性 在ROIs面板中,选择Option->Compute ROI Separability,计算样本的可分离性。如图13表示各个样本类型之间的可分离性,用Jeffries-Matusita, Transformed Divergence参数表示,这两个参数的值在0~2.0之间,大于1.9说明样本之间可分离性好,属于合格样本;小于1.8,需要重新选择样本;小于1,考虑将两类样本合成一类样本。 8 图13样本可分离性计算报表 (4)分类器选择 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。 支持向量机。基于传统统计分析的分类方法参数设置比较简单,这里选择支持向量机分类方法。 (5)影像分类 9 基于传统统计分析的分类方法参数设置比较简单,这里选择支持向量机分类方法。主菜单下选择Classification > Supervised > Support Vector Machine。按照默认设置参数输出分类结果,如图14——15。 图14 支持向量机分类器参数设置 图15 支持向量机分类结果 6 分类后精度评定的混淆矩阵和精度计算结果 (1)对分类结果进行评价,确定分类的精度和可靠性。 10 有两种方式用于精度验证:一是混淆矩阵,二是ROC曲线,比较常用的为混淆矩阵,ROC曲线可以用图形的方式表达分类精度,比较形象。本例采用混淆矩阵,把原分类的TM影像当作是高分辨率影像,在上面进行目视解译得到真实参考源。直接利用ROI工具,在TM图上均匀的选择6类真实参考源。 步骤如下:选择主菜单Classification->Post Classification->Confusion Matrix->Using Ground Truth ROIs。将分类结果和ROI输入,软件会根据区域自动匹配,如不正确可以手动更改。点击ok后选择报表的表示方法(像素和百分比),就可以得到精度报表。(如图16—17) 图16验证操作面板 11 图17 分类精度评价混淆矩阵 (2)精度计算结果 参考图17分类精度评价混淆矩阵,本次精度分类精度表中的Overall Accuracy = (1832/2083) 87.9501%、Kappa Coefficient = 0.8518。2 制图精度与用户精度如表1—2所示。 12 表2 制图精度结果 分类体系 耕地 制图精度% 88.77 林地 97.82 草地 82.60 未利用地 城规交通 85.33 86.98 表3 用户精度结果 分类体系 耕地 用户精度% 88.28 林地 96.24 草地 76.94 未利用地 城规交通 水域 90.65 79.15 92.04 7 分类结果专题图(见附件) 13 本文来源:https://www.wddqw.com/doc/bc51a9c29a8fcc22bcd126fff705cc1755275fca.html