遥感技术在土地利用分类中的应用
遥感技术在土地利用分类中的应用
——以秦皇岛为例
摘要：以LANDSAT TM遥感影像为数据源，经过波段选择、色彩合成、拼接裁剪、遥感图像增强和人机交互解译等步骤，将秦皇岛市土地利用类型分为耕地、林地、草地、水域湿地、建设用地和未利用土地等6类，绘制出秦皇岛市土地利用现状图。
关键字：遥感；土地利用；秦皇岛；土地分类
前言
土地是人类赖以生存和发展的物质基础，是社会生产的劳动资料，是农业生产的基本生产资料，是一切生产和一切存在的源泉[1]。土地是一种不可再生资源，且资源的数量是相对有限的，土地的利用是否合理直接关系着社会经济的未来发展。因此如何合理的配置现有的土地资源，使其不断满足经济、社会、环境等各方面的需求，逐渐成为学者们研究的焦点。
遥感技术具有高光谱分辨率、高空间分辨率、实时观测、重访周期短等特点，在土地利用中显示出明显的优势，在国内外得到了广泛应用[2]。本文以秦皇岛市为例，介绍遥感技术在土地利用分类中的应用。
1研究区域自然经济概况
秦皇岛市位于河北省东部沿海，处于北纬39o24'-40o37'，东经118o34'-119o51'。东邻辽宁、西接唐山、北靠燕山、南临渤海。西南距省会石家庄483km，西距首都北京280km，距天津220km。现辖海港区、山海关区、北戴河区3区和昌黎县、抚宁县、卢龙县、青龙满族自治县四县，为我国重要的综合性港口城市，著名的旅游城市。
随着秦皇岛市人口的增加和社会经济的发展，人类加大了对土地资源开发的力度，引起土地利用景观格局发生变化。对土地资源的过度和无序利用，导致秦皇岛市生态环境恶化，产生了土地退化、水土流失等严重威胁生存安全的生态问题。
2遥感影像数据概述
遥感图像是各种传感器所获信息能量的产物。具有以下四个特征[3]。
1）空间分辨率（Spatial Resolution），指图像上能够详细区分的最小单元的尺寸或大小，或指遥感器区分两个目标的最小角度或线性距离的度量。它们均反映对两个非常靠近的目标物的识别、区分能力。
2）光谱分辨率（Spectral Resolution），指遥感器接受目标辐射时能分辨的最小波长间隔。间隔越小，分辨率越高。所选用的波段数量的多少、各波段的波长位置、及波长间隔的大小，这三个因素共同决定光谱分辨率。
3）辐射分辨率（Radiant Resolution），指探测器的灵敏度，遥感器感测元件在接收光谱信号时能分辨的最小辐射度差，或指对两个不同辐射源的辐射量的分辨能力。
4）时间分辨率（TemporalResolution），是关于遥感影像间隔时间的一项性能指标。遥感探测器按一定的时间周期重复采集数据，这种重复周期，又称回归周期。它是由飞行器的轨道高度、轨道倾角、运行周期、轨道间隔、偏栘系数等参数所决定。这种重复观测的最小时间间隔称为时间分辨率。
研究以秦皇岛市为研究区，以秦皇岛LANDSAT TM遥感影像为数据源,LANDSAT 是美国陆地探测卫星系统，包括从1972年开始发射的第一颗卫星LANDSAT一1到1999年发射的LANDSAT一7。LANDSAT TM数据广泛应用与土地覆盖、土地利用、土壤、海洋表面温度等温度等制图。
使用的软件有ERDAS IMAGINE和ArcGIS。ERDAS IMAGINE是美国ERDAS公司开发的遥感图像处理系统。它的图像处理技术先进，用户界面和操作方式友好、灵活，具有内容丰富而功能强大的图像处理工具，是一个用于影像制图、影像可视化、影像处理和高级遥感技术的完整的产品套件。ArcGIS是美国ESRI公司在全推出的代表GIS最高技术水平的全系列GIS平台。可以完成任何从简单到复杂的GIS工作，包括制图，数据管理，地理分析和空间处理。
3图像预处理
3.1波段选择与彩色合成
单波段的遥感影像是灰度影像，彩色影像比黑白影像有着丰富色彩，包含更大的信息量，所以往往需要选择3个波段的灰度影像，分别赋予红、绿、蓝进行假彩色合成。TM数据包含7个多光谱波段，地物在不同波段有不同的反射波谱特征信息，在遥感影像上呈现不同的灰度值，而且各类型的波谱差异也不一样。好的波段组合能大大提高区分不同植被和地物类型的能力。波段选择的原则为波段辐射量的方差应尽可能大，因为方差的大小体现了所含信息的多少，方差越大波段所包含的信息量越大；波段组合之间的相关性要小[4]。TM遥感数据中TM3、4、5三个波段的信息量能代表TM六个波段全部信息量的绝大部分而且相关性小，根据波段选择的原则，确定3、4、5波段组合为假彩色合成的最佳波段组合。3.2遥感影像的拼接和裁剪
分别将TM影像的3、4、5波段进行假彩色合成，并将影像拼接在一起，然后用秦皇岛市行政边界裁剪，得到秦皇岛市TM3、4、5波段的假彩色合成图像。
3.3遥感图像的增强
考虑到影像的特点和研究的精度，有针对性地进行预处理，其中涉及到的技术操作主要包括：遥感影像的空间增强、辐射增强、光谱增强、高光谱增强、傅立叶变换、地形分析等。其主要操作方式包括卷积增强处理、锐化处理、滤波分析、直方图处理、主成分分析、色彩变换等。
4图像的解译
4.1土地利用分类及解译判读标志
根据秦皇岛市的具体情况采用土地利用二级分类系统，将秦皇岛市土地利用类型分为耕地、林地、草地、水域湿地、建设用地和未利用土地等6类。如表1。并在此基础上，结合研究区土地利用情况又划分了21个二级类型，包括水田、旱地；有林地、灌木丛、疏林地、其它林地；高覆盖度草地、中覆盖度草地、低覆盖度草地；河渠、水库坑塘、滩地、滩涂、沼泽地；城镇用地、农村居民点、其它建设用地、沙地、盐碱地、裸土地和裸岩石砾地[5]。并用遥感图像的大小、
纹理、阴影、形状、位置和布局等与多种非遥感信息资料相结合建立解译标志。
表1秦皇岛市土地利用分类
土地利用一级分类土地利用二级分类
水地水田、旱地
林地林地、灌木丛、疏林地、其它林地
草地高覆盖度草地、中覆盖度草地、低覆盖度草地
水域湿地河渠、水库坑塘、滩地、滩涂、沼泽地
建设用地城镇用地、农村居民点、其它建设用地
未利用土地沙地、盐碱地、裸土地和裸岩石砾地
4.2人机交互图像解译
遥感图像解译分为自动解译和非自动解译二大类。由于技术、数据源、模型等多方面的因素，土地利用/覆被计算机自动解译有时候达不到期望的精度。人机交互解译用于土地利用解译可获得更准确的分类结果。研究采用人工解译结合监督分类的方法解译秦皇岛遥感图像数据。
4.2.1人工解译
人工解译（Manual interpretation）是根据人的经验和知识，分析图像解译的基本要素，建立具体的解译标志来识别图像中目标的方法[6]。根据秦皇岛的实际情况，在对土地类型进行分类并确立土地类型判读标志后，手动勾画秦皇岛地类，解译各土地类型的影响特征。并在ArcGIS支持下通过人机交互的方式，多次修改初分类结果，获得更准确的分类结果，绘制秦皇岛市的土地利用现状图。
4.2.2监督分类
监督分类(Supervised classification)又称训练场地法或先学习后分类法。是根据类别的先验知识确定判别函数和相应的判别准则，利用一定数量的已知样本的观测值确定判别函数中待定参数，然后将未知类别的样本观测值代人判别函数，依判别准则对该样本的所属类别作出判定[7]。
建立分类模板。ERDAS IMAGINE的监督分类是基于分类模板进行的，分类模板的生成、管理、评价和编辑功能对监督分类结果尤为重要。结合秦皇岛市实际情况。将土地利用类型分为耕地、林地、草地、水域湿地、建设用地和未利用土地，在ERDAS IMAGINE中用AOI建立分类模板。
用可能性矩阵对分类模板进行评价，分析AOI训练区的像元是否完全落在相应的类别之中。可能性矩阵的输出结果是一个百分比矩阵，说明每个AOI训练区中有多少个像元分别属于相应的类别。经检验，各种土地利用类型的分类模板精度都在90％以上，说明该分类模板符合要求。如果分类模板精度在85％以下，说明分类模板精度太低，需要重新建立[8]。
执行监督分类。监督分类实质上就是依据所建立的分类模板．在一定的分类决策规则条件下，对图像进行聚类判断的过程。执行监督分类，绘制秦皇岛市的土地利用现状图。
5成果
利用上述方法对秦皇岛遥感影像数据解译得到秦皇岛的土地利用解译图，解译结果以矢量格式转入地理信息系统软件ARC／INFO中。在GIS环境下，对图形数据进行统计分析，获得秦皇岛地区土地利用二级分类信息。根据解译结果分析秦皇岛市土地利用存在的问题，并提出秦皇岛市土地利用的调整对策，合理利用土地，发挥土地的最大功效。
6参考文献
[1]郭丽英，刘彦随，任志远.生态脆弱区土地利用格局变化及其驱动机制分析—以陕西榆林市为例[J].资源科学，2005,27（2）：128-133.
[2]贾凌，都金康，赵萍等.基于TM的海南省土地利用/覆盖动态变化的遥感监测和分析[J].应用技术，2003，(1)：22-25.
[3]郭之怀.遥感技术在环境保护领域的应用现在.环境科学,1993，14（4）：28-33.
[4]韩丽君.土地利用分类中TM影响最佳波段组合和选择研究[J].太原师范学院学报（自然科学版）2010.9(1):126-129.
[5]田静毅，林年丰，王立新等.ETM+图像处理和土地利用分类实验研究[J].微计算机信息，2005，21（8）:46-48.
[6]贾海峰，刘雪华等.环境遥感原理与应用[M].清华大学出版社，2006:1-304.
[7]王雨晴,宋戈.城市土地利用综合效益评价与案例研究[J].地理科学，2006,26（6）：743-748.
[8]党安荣，贾海峰，易善桢等.ArcGIS IMAGINE遥感图像处理方法.北京：清华大学出版社，2003.
遥感图像几种分类方法的比较
摘要 遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图像的分类识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。 遥感图像的计算机分类是通过计算机对遥感图像像素进行数值处理，达到自动分类识别地物的目的。遥感图像分类主要有两类分类方法:一种是非监督分类方法，另一种是监督分类方法。非监督分类方法是一个聚类过程，而监督分类则是一个学习和训练的过程，需要一定的先验知识。非监督分类由十不能确定类别属性，因此直接利用的价值很小，研究应用也越来越少。而且监督分类随着新技术新方法的不断发展，分类方法也是层出不穷。从传统的基十贝叶斯的最大似然分类方法到现在普遍研究使用的决策树分类和人工神经网络分类方法，虽然这些方法很大程度改善了分类效果，提高了分类精度，增加了遥感的应用能力。但是不同的方法有其不同优缺点，分类效果也受很多因素的影响。 本文在对国内外遥感图像分类方法研究的进展进行充分分析的基础上，应用最大似然分类法、决策树分类法对TM影像遥感图像进行了分类处理。在对分类实现中，首先对分类过程中必不可少的并影响分类效果的步骤也进行了详细地研究，分别是分类样本和分类特征；然后详细介绍两种方法的分类实验；最后分别分析分类结果图，采用混淆矩阵和kappa系数对两种方法的分类结果进行精度评价。 关键词:TM遥感影像，图像分类，最大似然法，决策树 题目：遥感图像几种分类方法的比较...................................... 错误！未定义书签。摘要.. (1) 第一章绪论 (3)
1.1遥感图像分类的实际应用及其意义 (4) 1.2我国遥感图像分类技术现状 (5) 1.3遥感图像应用于测量中的优势及存在的问题 (6) 1.3.1遥感影像在信息更新方面的优越性 (6) 1.3.2遥感影像在提取信息精度方面存在的问题 (6) 1.4研究内容及研究方法 (8) 1.4.1研究内容 (8) 1.4.2 研究方法 (8) 1.5 论文结构 (9) 第二章遥感图像的分类 (9) 2.1 监督分类 (9) 2.1.1 监督分类的步骤 (9) 2.1.2 最大似然法 (11) 2.1.3 平行多面体分类方法 (12) 2.1.4 最小距离分类方法 (13) 2.1.5监督分类的特点 (13) 2.2 非监督分类 (14) 2.2.1 K-means算法 (14) K-均值分类法也称为 (14) 2.2.2 ISODATA分类方法 (15) 2.2.3非监督分类的特点 (17) 2.4遥感图像分类新方法 (17) 2.4.1基于决策树的分类方法 (17) 2.4.2 人工神经网络方法 (19) 2.4.3 支撑向量机 (20) 2.4.4 专家系统知识 (21) 2.5 精度评估 (22) 第三章研究区典型地物类型样本的确定 (24) 3.1 样本确定的原则和方法 (24) 3.2 研究区地物类型的确定 (24) 3.3样本区提取方案 (25) 3.4 各个地物类型的样本的选取方法 (25) 3.4.1 建立目视解译标志 (25) 3.4.2 地面实地调查采集 (26) 3.4.3 利用ENVI遥感图像处理软件选取样本点 (26) 第四章遥感图像分类实验研究 (26) 4.1遥感影像适用性的判定 (26) 4.2分类前的预处理 (28) 4.2.1空间滤波的处理 (28) 4.2.2 频域滤波处理 (28) 4.3利用ENVI软件对影像按照不同的分类方法进行监督分类 (30) 4.3.1监督分类 (30) 4.3.2 决策树 (33) 4.4分类后的处理 (35)
土地利用分类系统标准
土地利用分类系统标准 土地分类是指在研究分析各类土地的特点及它们之间的相同性和差异性的基础上划分土地类型。 土地分类成果可直接用于生产和土地科学的研究。土地分类的目的是如实反映土地的利用现状，分析在土地利用方面存在的问题，为科学管理土地提供依据。 一，我国主要采用三种土地分类系统 1.土地自然分类系统：主要依据土地自然特性的差异性分类，也可以依据土地的某一自然特性分类，还可以依据土地的自然综合特性分类； 2.土地评价分类系统：主要依据土地的经济特性分类； 3.土地利用分类系统：主要依据土地的综合特性分类。 我国城镇土地的分类是根据土地用途的差异、利用的方式、经营的特点和覆盖的特征等因素对土地进行的分类。 二，土地利用分类系统标准的发展过程 我国的土地分类体系有一个不断发展、完善的过程。 1984 年全国农业区划委员会发布的《土地利用现状调查技术规程》规定了《土地利用现状分类及含义》。 1989 年9 月原国家土地管理局发布的《城镇地籍调查规程》规定
了《城镇土地分类及含义》。 在研究、分析两个现行土地分类基础上，国土资源部于2001年8月21日下发了“关于印发试行《土地分类》的通知”，制定了城乡统一的全国土地分类体系，并于2002 年 1 月 1 日起在全国试行。 中华人民共和国质量监督检验检疫总局和中国国家标准化管理委员会于2007年8月10日联合发布《土地利用现状分类》。 1.老八类 全国农业区划委员会1984 年9 月颁布发的《土地利用现状调查技术规程》制定了《土地利用现状分类及含义》，规定全国土地利用现状采用两级分类，统一编码排列。其中一级分8 类，二级分46 类。具体分类的名称及含义见表1。 表1 土地利用现状分类及含义(1984年标准) 一级分类二级分类含义 代码名称代 码 名称 1耕地 指种植农作物的土地。包括熟地、新开荒地、休闲地、 轮歇地、草田轮作地；以种植农作物为主间有零星果树、 桑树或其他树木的土地；耕种三年以上的滩地和海涂。 耕地中包括南方宽小于1.0m，北方宽小于2.0m的沟、 渠、路和田埂。 11灌溉水田 指有水源保证和灌溉设施，在一般年景能正常灌溉，用 于种植水稻、莲藕、席地等水生作物的耕地，包括灌溉 的水旱轮作地。 12望天田 指无浇灌工程设施，主要依靠天然降雨，用以种植水稻、 莲藕、席草等水生作物的耕地，包括灌溉的水旱轮作地。13水浇地指水田、菜地以外，有水源保证和固定灌溉设施，在一
土地分类国家标准
土地利用现状分类 1.1.概述 土地利用是人类根据自身需要和土地的特性，对土地资源进行的多种形式的利用。土地利用现状是土地资源的自然属性和经济特性的深刻反映。土地利用划分具有如下特点：是在自然、经济和技术条件的综合影响下，经过人类的劳动所形成的产物。 在一定的空间分布上服从社会经济条件，因此，它们在地域分布上不一定连成片。 种类、数量、分布是随着社会经济技术条件的进步而变化的。 1.1.1.土地分类方法 土地分类是国家为掌握土地资源现状、制定土地政策、合理利用土地的重要基础工作之一。土地分类由于目的不同，有着显著的差别，形成不同的土地分类系统。 1.土地自然分类系统： 指主要依据土地的自然属性的相同性和差异性对土地进行分类。一般按地貌、土壤、植被为具体标志进行分类。其目的是揭示土地类型的分异和演替规律，遵循土地构成要素的自然规律，最佳、最有效地挖掘土地生产力。 2.土地评价分类系统： 指主要依据一些评价指标的相同性和差异性对土地进行分类。一般按土地生产力水平、土地质量、土地生产潜力、土地适宜性等为具体标志进行分类。也称为土地的经济特性分类。其分类的主要依据是土地的自然属性和社会经济属性，其目的是为开展土地条件调查和适宜性调查服务，为实现土地资源最佳配置服务。 3.土地综合分类系统： 指主要依据土地的自然特性和社会经济特性、管理特性及其他因素对土地进行综合分类。土地利用分类是土地综合分类主要形式。土地利用分类一般按土地利用现状的土地覆盖特征、土地利用方式、土地用途、土地经营特点、土地利用效果等为具体标志进行分类。其目的是了解土地利用现状，反映国家各项管理措施的执行情况和效果，为国家和地区宏观管理和调控服务。 在这三种分类中，土地利用分类即土地综合分类是在土地资源管理中应用最广、全覆盖的基础分类。掌握土地利用现状是国家制定国民经济计划和有关政策，发挥土地资源在经济社会发展中的宏观调控作用，加强土地管理，合理利用土地资源，切实保护耕地的重要基础。 1.1. 2.国内外土地利用分类 国外土地分类工作至今约有半个多世纪的历史，到二十世纪六十年代和七十年代就出现了各种土地分类系统。国外土地利用分类多数以土地利用现状作为分类依据，具体到各国又有差异，如美国主要以土地功能作为分类的主要依据，英国和德国以土地覆盖(是否开发用于建设用地)作为分类依据，俄罗斯、乌克兰和日本以土地用途作为分类的主要依据，印度则以土地覆盖情况(自然属性)作为划分利用分类的依据。 国内土地分类研究起步较迟，而且主要工作是在解放以后。国内土地利用分类依据与国外基本相同，也是以土地利用现状作为分类依据，如土地利用现状调查(详查)采用的土地利用现状分类以土地用途、经营特点、利用方式和覆盖特征为分类依据，城镇地籍调查采用的城镇土地分类以土地用途为分类依据，中科院中国土地利用分类以利用方式和土地覆盖为分类依据。 虽然国内外土地利用分类依据基本相同，但由于国情差异，在具体划分的类型上却不尽相同，如我国是农业大国，人多地少，因此对农用地的分类较细，而国外则相对较粗。
试述遥感图像分类的方法,并简单分析各种分类方法的优缺点。
遥感原理与应用 1.试述遥感图像分类的方法，并简单分析各种分类方法的优缺点。答：监督分类：1、最大似然法；2、平行多面体分类法:这种方法比较简单，计算速度比较快。主要问题 是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致，也就造成俩类的互相重叠，混淆不清的情况；3、最小距离分类法:原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。通常使用马氏距离、欧氏距离、计程距离这三种判别函数。主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。 非监督分类：1、ISODATA； 2、K-Mean：这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果；主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。
土地利用分类系统实用标准84、89、02、07各版(全)
《土地利用分类系统标准》 土地分类是指在研究分析各类土地的特点及它们之间的相同性和差异性的基础上划分土地类型。 土地分类成果可直接用于生产和土地科学的研究。土地分类的目的是如实反映土地的利用现状，分析在土地利用方面存在的问题，为科学管理土地提供依据。 一，我国主要采用三种土地分类系统 1.土地自然分类系统：主要依据土地自然特性的差异性分类，也可以依据土地的某一自然特性分类，还可以依据土地的自然综合特性分类； 2.土地评价分类系统：主要依据土地的经济特性分类； 3.土地利用分类系统：主要依据土地的综合特性分类。 我国城镇土地的分类是根据土地用途的差异、利用的方式、经营的特点和覆盖的特征等因素对土地进行的分类。 二，土地利用分类系统标准的发展过程 我国的土地分类体系有一个不断发展、完善的过程。 1984 年全国农业区划委员会发布的《土地利用现状调查技术规程》规定了《土地利用现状分类及含义》。 1989 年9 月原国家土地管理局发布的《城镇地籍调查规程》规定了《城镇土地分类及含义》。 在研究、分析两个现行土地分类基础上，国土资源部于2001年8月21日下发了“关于印发试行《土地分类》的通知”，制定了城乡统一的全国土地分类体系，并于2002 年1
月1 日起在全国试行。 中华人民国质量监督检验检疫总局和中国国家标准化管理委员会于2007年8月10日联合发布《土地利用现状分类》。 1.老八类 全国农业区划委员会1984 年9 月颁布发的《土地利用现状调查技术规程》制定了《土地利用现状分类及含义》，规定全国土地利用现状采用两级分类，统一编码排列。其中一级分8 类，二级分46 类。具体分类的名称及含义见表1。 表1 土地利用现状分类及含义(1984年标准)
遥感影像的分类处理
摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程
遥感技术在土地利用分类中的应用
遥感技术在土地利用分类中的应用 ——以秦皇岛为例 摘要：以LANDSAT TM遥感影像为数据源，经过波段选择、色彩合成、拼接裁剪、遥感图像增强和人机交互解译等步骤，将秦皇岛市土地利用类型分为耕地、林地、草地、水域湿地、建设用地和未利用土地等6类，绘制出秦皇岛市土地利用现状图。 关键字：遥感；土地利用；秦皇岛；土地分类 前言 土地是人类赖以生存和发展的物质基础，是社会生产的劳动资料，是农业生产的基本生产资料，是一切生产和一切存在的源泉[1]。土地是一种不可再生资源，且资源的数量是相对有限的，土地的利用是否合理直接关系着社会经济的未来发展。因此如何合理的配置现有的土地资源，使其不断满足经济、社会、环境等各方面的需求，逐渐成为学者们研究的焦点。 遥感技术具有高光谱分辨率、高空间分辨率、实时观测、重访周期短等特点，在土地利用中显示出明显的优势，在国内外得到了广泛应用[2]。本文以秦皇岛市为例，介绍遥感技术在土地利用分类中的应用。 1研究区域自然经济概况 秦皇岛市位于河北省东部沿海，处于北纬39o24'-40o37'，东经118o34'-119o51'。东邻辽宁、西接唐山、北靠燕山、南临渤海。西南距省会石家庄483km，西距首都北京280km，距天津220km。现辖海港区、山海关区、北戴河区3区和昌黎县、抚宁县、卢龙县、青龙满族自治县四县，为我国重要的综合性港口城市，著名的旅游城市。 随着秦皇岛市人口的增加和社会经济的发展，人类加大了对土地资源开发的力度，引起土地利用景观格局发生变化。对土地资源的过度和无序利用，导致秦皇岛市生态环境恶化，产生了土地退化、水土流失等严重威胁生存安全的生态问题。
土地利用现状分类和编码
《土地利用现状分类》国家标准采用一级、二级两个层次的分类体系，共分12个一级类、56个二级类。其中一级类包括：耕地、园地、林地、草地、商服用地、工矿仓储用地、住宅用地、公共管理与公共服务用地、特殊用地、交通运输用地、水域及水利设施用地、其他土地。
土地用途分区
土地用途分区主要是作为土地利用总体规划的一项规划内容而存在，是在土地用途管制制度下派生出的分区，将区域土地资源根据用途管制需要、经济社会发展客观要求和管理目标，划分出不同空间区域，并制定各区域土地用途管制规则，通过用途变更许可制度，实现对土地用途的管制。当前，我国的土地用途分区主要应用于县、乡级土地利用总体规划，一般分为基本农田保护区、耕地开垦区、一般耕地区、林业用地区、牧业用地区、城镇建设用地区、村镇建设用地区、独立工矿用地区、风景旅游用地区、自然和人文景观保护区以及其他用地区等。 土地利用分区 发表时间：2011/8/2 11:33:26 作者：来源：浏览：1530 【土地用途分区类型】 根据东兴市土地利用现状、土地适宜性和规划需要，将全市土地划分为城镇建设用地区、农村居民点用地区、采矿与独立建设用地区、基本农田保护区、一般农业用地区、林牧综合用地区、风景名胜和自然人文景观保护区等七类土地用途区，并明确各类分区土地主导用途和管制规则。 【城镇建设用地区】 1、规模范围 城镇建设用地区面积2918.6公顷，占全市土地总面积的5.32%，包括东兴中心城区、江平镇区、马路镇区和国有火光农场场部的现状城镇建设用地、规划新增城镇建设用地。 2、土地主导用途 该区是为城镇建设发展需要划定的土地用途区，区内土地主要用于城市、城镇和依托城镇的各类工业园区的建设。 3、土地利用管制规则
遥感影像土地利用分类方法研究进展
遥感影像土地利用分类方法研究进展 摘要: 为了研究遥感影像土地利用分类的方法，综述了国内外近10年的遥感图像分类研究。在分析当前主要遥感影像分类方法的基础上，从传统的分类方法和传统分类方法的改进两个方面，对遥感影像土地利用分类方法研究进展进行了阐述。本研究还存在不足，今后还需进一步研究利用各种遥感影像分类方法相互结合的应用。 关键词: 遥感影像；土地利用；分类方法 引言 土地利用变化研究是全球变化及其区域响应研究的核心领域，研究土地利用变化及其生态环境效应有助于提高人们对区域生态环境问题的认识，并可为有关部门的土地利用规划、管理与决策提供科学依据[1]。目前，利用遥感图像分类获得土地利用信息已经成为土地利用变化研究必不可少的一步。遥感图像分类就是把图像中的每一个像元或区域划分为若干类别中的一种，即通过对各类地物的光谱特征分析来选择特征参数，将特征空间划分为互不重叠的子空间，然后将影像内各个像元划分到各子空间中去，从而实现分类。由于新的分类方法的大量涌现，遥感图像分类方法出现了很多问题。因此，本研究在分析当前主要遥感图像分类方法的基础上，将遥感图像分类方法划分为传统的分类方法、传统分类方法的改进两大类，从这两个方面对遥感图像土地利用分类方法的研究进展进行了阐述。 1 传统分类方法 1.1目视解译 目视解译是根据确定的分类系统和解译标志以及解译经验，对图像进行判读等方法来获取土地利用的分类，这种方法目前仍被广泛使用。它是人们通过遥感技术获取目标信息最直接、最基本的方法。李秀梅提出对于数据精度产生的尺度效应研究过程中，通常采用目视解译并依据转换误差最小原则栅格化矢量数据，以保障数据精度，这是一种比较成功的分类方法，具有简单易操作，利于空间信息提取，灵活性强等优点，但解译中显示尺度越小，带状、面积小和边界曲折的景观要素类型损失越严重，会影响数据精度[2]。由于解译人员的专业知识水平以及解译经验的限制，解译结果会存在差异，此方法受个人主观因素影响大。 1.2 基于统计分析的分类方法 基于统计的分类方法是在数理统计的基础上，进行遥感图像的自动分类，因而又称为计算机自动分类方法。它主要包括监督分类和非监督分类。 1.2.1 监督分类 监督分类，是指通过选择具有代表已知地面覆盖类型的训练样本区，用训练样本区中已知地面各类地物样本的光谱特性来训练计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，分别归入到已知具有最大相似度的类别中。监督分类的主要方法有最小距离法、最大似然法、神经元网络分类法、马氏距离法等。其中，最大似然法是监督分类中最常用的方法。章恒等利用多源遥感影像对红树林信息提取方法进行比较，得出最大似然法与影像的特征光谱信息量相关性较强的结论[3]。孙琳等在对太湖流域HJ-1B影像分类过程中提出最大似然法的分类结果存在较严重的“椒盐噪声”现象，分类图像较破碎，而且从图像上能直观地发现林地分类误差[4]。对比改进后的传统分类方法，最大似然法在分类结果的精度上略显不足。 1.2.2非监督分类
遥感图像分类方法的国内外研究现状与发展趋势
遥感图像分类方法的国内外研究现状与发展趋势
遥感图像分类方法的研究现状与发展趋势 摘要：遥感在中国已经取得了世界级的成果和发展，被广泛应用于国民经济发展的各个方面，如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等，形成了适合中国国情的技术发展和应用推广模式。随着遥感数据获取手段的加强，需要处理的遥感信息量急剧增加。在这种情况下，如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求，正成为遥感信息处理面临的一大难题。这里涉及二个方面，一是遥感图像处理本身技术的开发，二是遥感与地理信息系统的结合，归结起来，最迫切需要解决的问题是如何提高遥感图像分类精度，这是解决大区域资源环境遥感快速调查与制图的关键。 关键词：遥感图像、发展、分类、计算机 一、遥感技术的发展现状 遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。这种发展主要表现在以下4个方面： 1. 多分辨率多遥感平台并存。空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台
上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。 2. 微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。微波具有穿透性强、不受天气影响的特性，可全天时、全天候工作。微波遥感采用多极化、多波段及多工作模式，形成多级分辨率影像序列，以提供从粗到细的对地观测数据源。成像雷达、激光雷达等的发展，越来越引起人们的关注。例如，美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术，在一架航天飞机上安装了两个雷达天线，对同一地区一次获取两幅图像，然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。高光谱遥感的出现和发展是遥感技术的一场革命。它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。高光谱遥感的发展，从研制第一代航空成像光谱仪算起已有二十多年的历史，并受到世界各国遥感科学家的普遍关注。但长期以来，高光谱遥感一直处在以航空为基础的研究发展阶段，且主要
基于高分辨率遥感影像城市土地利用类型分类方法比较
基于高分辨率遥感影像城市土地利用类型分类方法比较摘要：本文是以面向对象的方法，高分辨率遥感影像为数据源，利用监督分类和基于专家知识的决策树分类对研究区进行城市土 地利用类型分类及对分类结果进行比较。实验证明，对于高分辨率遥感影像来说，以选择训练样区为基础的监督分类精度要高于结合专家知识的决策树分类效果。 关键字：spot影像，监督分类，决策树分类，envi，分类比较abstract: this article is based on the object-oriented method, high resolution remote sensing image as data sources, using supervised classification based on expert knowledge and decision tree category in the study area of urban land use type and classification of classification results are compared. experiments show that for high resolution for remote sensing image, to select the training sample area based supervision and classification accuracy than combining the expert knowledge decision tree classification effect. key word: spot image, supervision and classification, the decision tree classification, envi, classification comparison 1引言 随着深圳特特区一体化和城市化的快速发展，如何最大限度地利
遥感图像分类方法综述
遥感图像分类方法综述 刘佳馨 摘要：伴随着科学技术在我们的生活中不断发展，遥感技术便应运而生，而遥感图像因成为遥感技术分析中的不可缺少的依据，变得备受关注。在本文中，以遥感图像分类方法为研究中心，从传统分类方法、近代分类方法两个方面对分类方法进行了介绍，并以此为基础对分类思想及后续处理进行说明，进而展望了遥感图像分类的研究趋势和发展前景。 关键词：遥感图像；图像分类；分类方法 1 引言 遥感，作为采集地球数据及其变化信息的重要技术手段，在世界范围内的各个国家以及我国的许多部门、科研单位和公司等，例如地质、水体、植被、土壤等多个方面，得到广泛的应用，尤其在监视观测天气状况、探测自然灾害、环境污染甚至军事目标等方面有着广泛的应用前景。伴随研究的深入，获取遥感数据的方式逐渐具有可利用方法多、探测范围广、获取速度快、周期短、使用时受限条件少、获取信息量大等特点。遥感图像的分类就是对遥感图像上关于地球表面及其环境的信息进行识别后分类，来识别图像信息中所对应的实际地物，从而进一步达到提取所需地物信息的目的。 2 遥感图像分类基本原理 遥感是一种应用探测仪器，在不与探测目标接触的情况下，从远处把目标的电磁波特性记录下来，并且通过各种方法的分析，揭示出物体的特征性质及其变化的综合性探测技术。图像分类的目的在于将图像中每个像元根据其不同波段的光谱亮度、空间结构特征或其他信息，按照某种规则或算法划分为不同的类别。而遥感图像分类则是利用计算机技术来模拟人类的识别功能，对地球表面及其环境在遥感图像上的信息进行属性的自动判别和分类，以达到提取所需地物信息的目的。 3 遥感图像传统分类方法 遥感图像传统分类方法是目前应用较多，并且发展较为成熟的分类方法。从分类前是否需要获得训练样区类别这一角度进行划分，可将遥感图像传统分类方法分为两大类，即监督分类（supervised classification）和非监督分类(Unsupervised
全国土地利用数据遥感信息提取土地利用数据说明
全国土地利用数据遥感信息提取土地利用数据说明北京揽宇方圆信息技术有限公司是中国科学院系统的遥感影像数据服务企业，专注于遥感影像数据一站式的基础卫星数据服务、卫星影像数据处理服务。 土地利用数据时间：1985年、1990年、1995年、2000年、2005年、2010年、2015年 土地利用数据源：Landsat TM影像Landsat ETM影像 土地利用数据遥感信息的提取：根据影像光谱特征，利用ARCGIS、易康软件、ENVI软件等，同时参照有关地理图件，对地物的几何形状，颜色特征、纹理特征和空间分布情况进行分析，提取土地利用信息。 土地利用/覆被变化信息的提取。采用arcgis与易康结合，它通过分析地物光谱特征和其他图像特征，充分利用高程、坡度等地理辅助信息可以有效地提高分类精度，比较适合于地形破碎、地物分布复杂的地区。基于Landsat TM遥感影像，采用全数字化人机交互遥感快速提取方法，同时参考国内外现有的土地利用/土地覆盖分类体系，以及遥感信息源的实际情况，将遥感影像进行解译并进行验证将土地利用数据类型划分为6个一级分类，24个二级分类以及部分三级分类的土地利用/土地覆盖数据产品，并结合本项目制定土地利用数据产品分类体系。 目视解译侧重于人的知识的参与，为了减少由于不同人员的主观差异性所造成的误差，提高遥感判读精度，因此建立统一解译标志是十分
必要的。根据影像光谱特征，结合野外实测资料，同时参照有关地理图件，对地物的几何形状，颜色特征、纹理特征和空间分布情况进行分析。 一、TM影像数据的预处理。遥感数据处理主要包括大气校正、几何校正和图像增强，并利用行政边界矢量图对影像进行裁剪。 二、土地利用变化信息提取。首先对其中的一期影像分别采用人工解译的方法，然后利用易康开始分类。 三、数据集成 对数据形式特征（如格式、单位、分辨率、精度）等和内部特征（特征、属性、内容等）做出全部或部分的调整、转化、合成、分解等操作，形成充分兼容的数据库。包括空间、属性和时间等对对象数据特征的处理。 四、质量控制方法 （1）遥感影像纠正采用投影变换方法（PROJECT），控制点要选择比较明显的地物，如道路交差点，坝址等，并与地形图相对应，分布要均匀，尽可能多的选择控制点，误差控制在一个像元，TM影像纠正的方根误差（a RES error）小于0.01，MSS影像纠正的方根误差（a RES error）小于0.08。 （2）地形图纠正采用有限元方法（Finite Element）。①经纬网 偏差不超过一个像素，②经线方向的方里网误差不超过2个像素，③纬线方向的方里网不超过3个像素。 （3）专题信息矢量化采用人机交互判读实现，分为基于遥感影像 的专题信息和分为基于地形图的专题信息。遥感影像解译精度保证耕地、
遥感影像分类实验报告
面向对象分类实验报告 姓名： 学号： 指导老师： 地球科学与环境工程学院
一、实验目的 面向对象法模拟人类大脑认知过程，将图像分割为不同均质的对象，充分利用对象所包含的信息，将知识库转换为规则特征，从而提取影像信息。因为分析的是对象而不是像元，因此我们可以利用对象丰富的语义信息，结合各种地学概念，如面积、距离、光谱、尺度、纹理等进行分析。 面向对象的遥感影像分析方法与传统的面向像元的影像分析方法不同。首先我们要用一定方法对遥感影像进行分割，在提取分割单元（图像分割后所得到的内部属性相对一致或均质程度较高的图像区域）的各种特征后，在特征空间中进行对象识别和标识，从而最终完成信息的分类与提取。 二、实验意义 1、使用eCognition进行面向对象的影像分类的流程； 2、体会面向对象思想的内涵，学会将大脑认知过程转变为机器语言； 三、实验内容 3.1、影像的预处理 利用ERDAS软件将所给的全色影像和多光谱遥感影像进行融合，达到既满足高空间分辨率，又保留光谱信息。Image interperter-> spatial enhancement-> resolution merge.输入融合前的两幅影像，完成影像的预处理过程。 图 1 图像融合步骤
图 2 融合后的图像 3.2、使用eCongition 创建工程 a、使用规则集模式创建工程 图 3 模式选择 b、file->new projection ，打开Create Project和Import Image Layers两个
对话框，将上面的实验数据导入。（注意，数据以及工程文件保存路径不要有中文） 图 4 导入数据 c、选择数据修改波段名称,并设置Nodata选项。
土地利用现状分类(一)
土地利用现状分类 王川 一、概述 （一）土地分类体系 土地分类因目的不同，形成不同的土地分类体系。 1、土地自然分类体系：如土地坡度级 2、土地评价分类体系：如城市土地定级 3、土地综合分类体系：如土地利用现状分类 （二）土地分类特点 土地利用现状是土地资源自然属性和经济特性利用状况的反映。土地利用类型划分具有如下特点： 1、在自然、经济和技术条件的综合影响下形成的产物 2、在一定的空间分布上服从社会经济自然条件，在地域分布上可以是单独成块，也可以是连成片 3、类型、面积数量、分布是随着社会经济技术自然条件的变化而变化 （三）土地利用分类的意义 土地利用现状的分类数据是国家制定国民经济计划和有关政策，发挥土地宏观调控作用，加强土地管理，合理利用土地资源，切实保护耕地的重要依据。 （四）制定统一土地利用现状分类标准的重要性
1、土地资源管理的需要 管理、保护和合理利用土地资源首先要对对土地利用状况进行统一的分类、调查、登记和统计，需要制定统一的土地利用现状分类标准。 2、统一不同土地分类标准的需要 目前存在着许多有关土地的分类，其标准和含义不完全统一，造成在土地调查和统计上口径不一、数出多门，给管理和决策带来很大的困难《国务院关于深化改革严格土地管理的决定》（国发﹝2004﹞28号）要求“国土资源部要会同有关部门抓紧建立和完善统一的土地分类、调查、登记和统计制度，启动新一轮土地调查，保证土地数据的真实性。” 3、国家宏观调控和科学决策的迫切需求 当前，土地参与国民经济宏观调控，编制土地利用规划，制定土地供应、保护、开发、集约和节约利用政策，都需要经统一分类汇总的各地类面积数据作为决策的重要依据 二、我国土地分类体系的发展 （一）1984年土地利用现状分类 1984年9月，由全国农业区划委员会颁布的《土地利用现状调查技术规程》中制定了“土地利用现状分类及其含义”，采用两级分类，其中一级类8个，二级类46个，这就是我们所称的“8大类土地分类”。第一次土地利用现状调查以及后来的变更调查都采用此分类，从1984年颁布开始，一直沿用到2001年12月。
遥感卫星影像数据土地利用数据制作说明
北京揽宇方圆信息技术有限公司 全国土地利用数据遥感信息提取土地利用数据说明 北京揽宇方圆信息技术有限公司是中国科学院系统的遥感影像数据服务企业，专注于遥感影像数据一站式的基础卫星数据服务、卫星影像数据处理服务。 土地利用数据时间：1995年、2000年、2005年、2010年、2015年 土地利用数据源：Landsat TM影像 Landsat ETM影像 土地利用数据遥感信息的提取：根据影像光谱特征，利用ARCGIS、易康软件、ENVI软件等，同时参照有关地理图件，对地物的几何形状，颜色特征、纹理特征和空间分布情况进行分析，提取土地利用信息。 土地利用/覆被变化信息的提取。采用arcgis与易康结合，它通过分析地物光谱特征和其他图像特征，充分利用高程、坡度等地理辅助信息可以有效地提高分类精度，比较适合于地形破碎、地物分布复杂的地区。基于Landsat TM遥感影像，采用全数字化人机交互遥感快速提取方法，同时参考国内外现有的土地利用/土地覆盖分类体系，以及遥感信息源的实际情况，将遥感影像进行解译并进行验证将土地利用数据类型划分为6个一级分类，24个二级分类以及部分三级分类的土地利用/土地覆盖数据产品，并结合本项目制定土地利用数据产品分类体系。 目视解译侧重于人的知识的参与，为了减少由于不同人员的主观差异性所造成的误差，提高遥感判读精度，因此建立统一解译标志是十分必要的。根据影像光谱特征，结合野外实测资料，同时参照有关地理图件，对地物的几何形状，颜色特征、纹理特征和空间分布情况进行分析。
一、TM影像数据的预处理。遥感数据处理主要包括大气校正、几何校正和图像增强，并利用行政边界矢量图对影像进行裁剪。 二、土地利用变化信息提取。首先对其中的一期影像分别采用人工解译的方法，然后利用易康开始分类。 三、数据集成 对数据形式特征（如格式、单位、分辨率、精度）等和内部特征（特征、属性、内容等）做出全部或部分的调整、转化、合成、分解等操作，形成充分兼容的数据库。包括空间、属性和时间等对对象数据特征的处理。 四、质量控制方法 （1）遥感影像纠正采用投影变换方法（PROJECT），控制点要选择比较明显的地物，如道路交差点，坝址等，并与地形图相对应，分布要均匀，尽可能多的选择控制点，误差控制在一个像元，TM影像纠正的方根误差（a RES error）小于0.01，MSS影像纠正的方根误差（a RES error）小于0.08。 （2）地形图纠正采用有限元方法（Finite Element）。①经纬网偏差不超过一个像素，②经线方向的方里网误差不超过2个像素，③纬线方向的方里网不超过3个像素。 （3）专题信息矢量化采用人机交互判读实现，分为基于遥感影像的专题信息和分为基于地形图的专题信息。遥感影像解译精度保证耕地、城镇图班的属性判对率达到95%和其他地类达到90%。最小图斑大于6*6个像元，图斑最窄距离为4个像元。漏绘率小于98%，最小绘图单位为4平方毫米。 投影信息：Authority: Custom Projection: Albers False_Easting: 0.0 False_Northing: 0.0 Central_Meridian: 105.0 Standard_Parallel_1: 25.0 Standard_Parallel_2: 47.0 Latitude_Of_Origin: 0.0 Linear Unit: Meter (1.0) Geographic Coordinate System: GCS_Krasovsky_1940 Angular Unit: Degree (0.0174532925199433) Prime Meridian: Greenwich (0.0) Datum: D_Krasovsky_1940 Spheroid: Krasovsky_1940 Semimajor Axis: 6378245.0 Semiminor Axis: 6356863.018773047 Inverse Flattening: 298.3 数据分类精度：总体精度87%左右 分类系统：共计6大类24小类 1 耕地水田及水浇地.旱田 2 林地有林地.灌木林.疏林地.其他林地 3 草地高覆盖度草地.中覆盖度草地.低覆盖度草地
土地利用现状分类标准
土地利用现状分类 1范围 本标准规定了上地利用的类型、含义。 本标准还适用于土地地调查、规划、评价、统计、登记及信息化管理等工作。 在使用本标准时，也可根据需要，在本分类基础上续分土地利用类型。 2规范性引用文件 下列文件中的条款通过本标准的引用而成为本标准的条款。凡是注日期的引用文件，其随后所有的修改单（不包括勘误的内容）或修订版均不适用于本标准，然而，鼓励根据本标准达成协议的各方面研究是否可适用这些文件的最新版本。凡是不注明日期的引用文件，其最新版适用本标准。 GB/T19231 土地基本术语 3术语 下列术语适用于本标准。 3.1 覆盖度(盖度) cover degree 指一定面积上植被垂直投影面积占总面积的百分比。 3.2 郁闭度 canopy density 指林冠(树木的枝叶部分称为树冠)垂直投影面积与林地面积之比值。 4总则 4.1为实施全国土地和城乡地政统一管理，科学划分土地利用类
型，明确土地利用各类型含义，统一土地调查、统计分类标准，合理规划、利用土地，制定本标准。 4.2维护土地利用分类的科学性、实用性、开放性和继承性，满足制定国民经济计划、社会经济宏观调控以及国土资源管理的需要。 4.3主要依据土地的用途、经营特点、利用方式和覆盖特征等因素，对土地利用类型进归纳、划分。反映土地利用的基本现状，但不以此划分部门管理范围。 5编码方法 5.1土地利用现状分类采用一级、二级两个层次的分类体系，共分12个一级类、57个二级类。 5.2土地利用现状分类采用数字编码，一级采用二位阿拉伯数字编码，二级采用一位阿拉伯数数字编码，从左到右依次代表一、二级。 6土地利用现状分类和编码 土地利用现状分类和编码见表1。
遥感影像分类方法实验报告
实验报告
目录 1 实验目的 (4) 2 实验数据 (4) 3 实验内容 (4) 4 实验步骤 (5) 4.1 对人口矢量数据（shapefile）进行投影转换 (5) 4.1.1 Census.shp文件投影坐标的检查 (5) 4.1.2 将投影坐标转换为WGS_1984_UTM_Zone_16N (6) 4.2 对遥感影像进行几何精校正（以经过投影变换的人口矢量数据为基准） (6) 4.2.1 Census.shp在ENVI软件的加载 (6) 4.2.2 对遥感影像进行几何精校正（以矢量数据为基准） (7) 4.2.3 用矢量图层对遥感影像进行裁剪 (10) 4.3 将Pan波段和多光谱波段进行融合，并对融合效果进行定性和定量评价 (11) 4.3.1 两种融合方法的原理 (11) 4.3.2 进行 Gram-Schmidt Spectral Sharpening融合 (11) 4.3.4 融合效果进行定性评价 (14) 4.3.5 融合效果进行定量评价(软件提供的计算方法) (15) 4.3.6 融合效果进行定量评价(Matlab编程计算) (16) 4.3.7 遥感影像融合定量分析代码 (20) 4.4 生成住房密度栅格影像 (23) 4.4.1 两表的连接 (23) 4.4.2 计算房屋密度 (24) 4.4.3 直接栅格化 (25) 4.4.4 IDW插值 (25) 4.4.5 对房屋密度图进行重分类 (26) 4.5 将住房密度栅格影像作为额外的通道与ETM+多光谱波段进行叠加 (26) 4.6 监督分类（融合方法为HSV，波段为5，4，3） (27) 4.6.1 打开Google Earth影像作为监督分类的参照 (27) 4.6.2 建立兴趣区 (29) 4.6.3 训练样区的选择 (30) 4.6.4 训练样区的评价 (31) 4.6.5 执行监督分类 (33) 4.6.6 分类后处理 (35) 4.6.7 评价结果分析 (37) 4.6.8 分类结果面积统计 (38) 4.6.9 分类结果 (41) 4.7 分类结果评价与分析 (41) 4.7.1 未加入房屋密度图层的分类结果评价与分析 (41) 4.7.2 加入IDW插值房屋密度图层的分类结果评价与分析 (42) 4.7.3 加入直接栅格化房屋密度图层的分类结果评价与分析 (43) 4.7.4 加入重分类后IDW插值房屋密度图层的分类结果评价与分析 (44) 4.7.5 从总精度与Kappa系数对分类结果进行评价 (45)