AVHRR图像上的水体提取
sar水体提取算法
sar水体提取算法
1. 目视解译法：通过人工观察和分析SAR图像，确定水体的位置和范围。
这种方法需要专业的知识和经验，但在某些情况下可能是唯一可行的方法。
2. 阈值自动提取法：设定一个阈值，低于该阈值的像素被认为是水体，这种方法简单易行，但需要根据具体情况选择合适的阈值。
3. 基于区域的提取法：根据图像灰度特征分布的匀称性，将1维倒数灰度熵的阈值选取公式扩展到2维，然后在求解2维最佳阈值时，将其化简为求解两个1维最佳阈值，最终利用分解的2维倒数灰度熵法分割出SAR图像中的河流区域。
4. 基于边缘的提取法：利用图像的边缘信息来提取水体，这种方法可以有效地排除干扰，但需要对图像进行预处理以提取边缘。
这些算法都有其适用的场景和限制，实际应用中需要根据具体情况选择合适的算法。
如何进行遥感影像的水体提取与监测
如何进行遥感影像的水体提取与监测遥感影像的水体提取与监测是一种利用遥感技术进行水体特征提取和监测的方法，它在水文、环境、气候等领域有重要的应用价值。
本文将以介绍遥感影像的水体提取和监测方法为主线，结合实例和理论知识，深入探讨这一领域的相关问题。
一、遥感影像的水体提取方法1. 阈值法阈值法是一种基于像素值对遥感影像进行水体提取的常用方法。
其基本原理是通过设定合适的阈值来判断像素是否为水体。
阈值的选择需要根据影像的特点和需要提取的水体特征来确定，通常可以结合样本点和经验来确定最佳阈值。
但是，阈值法在提取过程中容易受到光照和地物干扰的影响。
2. 归一化差异水体指数法归一化差异水体指数（Normalized Difference Water Index，NDWI）是一种常用的遥感影像水体提取方法，其基本原理是利用水体和其他地物在红外区域的反射特性差异进行提取。
NDWI可以消除光照和地物干扰，提高水体提取的准确性。
通过计算NDWI值，可以得到一个反映水体分布的二值图像。
3. 水体边界检测法水体边界检测法是一种通过检测水体与周围地物的边界来进行水体提取的方法。
该方法可以利用影像的边缘检测算法，如Canny边缘检测算法，提取出水体的边界。
然后，可以根据边界信息绘制水体的掩膜图像，进一步进行水体提取。
二、遥感影像的水体监测方法1. 水体变化监测水体的变化监测是一种通过比较不同时间点的遥感影像来检测水体变化的方法。
通过对比两个或多个时间点的影像，可以发现水体的变化情况，如水域面积的增加或减小、水体形态的改变等。
该方法可以通过计算水体的变化指数来量化水体的变化程度，并绘制变化图像。
2. 水体分类监测水体分类监测是一种将遥感影像中的水体区域与其他地物进行分类的方法。
该方法可以通过像元分类算法，如最大似然分类、支持向量机分类等，将影像中的每个像元分为水体或非水体。
通过分类结果，可以得到水体的空间分布图，并进行进一步的水体监测。
第三部分 水体信息提取
阴影和水体， ( TM2 + TM3) - ( TM4 + TM5)在山体和农林区域较好,却 难以区分部分建筑居民用地和水体。
ห้องสมุดไป่ตู้
存在着问题
阈值难确定：
由于部分细小水体在影像中以混合像元的形态存在,存在
水体和非水体地物过渡区，阈值难取。阈值高了将丢失 细小水体信息，阈值低了将不少其他的地物信息误提出 来。
各种方法增强效果均有区域局限性。
在地类复杂的区域中，NDWI只在非山地的植被区域较好。
MNDWI在建筑居民用地区域较好，却难以区分部分山体
水体的研究离不开对水体范围、界线的准确提取， 常用的 遥感影像水体信息提取方法主要有两类: 单波段法：
依据水体在 几个波段上光谱的不同特征以及其它地物
与水体的区别， 通过分析水体及背景地物的光谱值， 利用单个波段来提取 TM 影像中的水体信息 。单波段 阈值法简单可行， 却不易区分水体与阴影
水体提取
遥感影像记录了地表物体对电磁波的反射信
息及其自身向外的辐射信息， 相对于其他地 物而言， 水体在整个光谱范围内都呈现出较 弱的反射率， 在近红外、 中红外及短波红外 部分， 水体几乎吸收了全部的入射能量， 因 此水体在这些的反射率特别低， 而土壤、植 被、建筑物等在这些波段吸收能量较小，具 有较高的反射率， 使得水体与它们具有明显 的区别。
多波段法：
利用水体在不同波段上的光谱特性， 通过多波段之间
的组合运算来增强影像中的水体信息， 从而易于从其 他地物中分离提取出水体。
单波段法
单波段法主要选取对水陆界反映较好的 Landsat-7 的ETM+的第四或五波段， 即近红外和中红外波段， 利用阈值法对水体进行提取。 TM5〈T（阈值） 在第五波段水体和非水体有明显的区别，该法利用 了水体在这两个波段上的强吸收特性， 以及植被、 土壤在这两个波段较高的反射特性。 由于山体阴影的影响， 使得中红外在阴坡面的反射 能量特别低， 从而造成山体阴影在影像上呈现出明 显的暗色调，水体与阴影的混淆使得难以在单波段 上通过阈值法来提取水体。
遥感影像水体提取实验
基于高分一号卫星多时相数据的洪水监测摘要：本文利用两幅高分一号多光谱影像数据，通过ENVI4.8软件，采用NDVI对黑龙江地区水体进行了提取，并在图像上展示了水体变化区域，计算了水体变化面积。
结果表明：9月9日黑龙江水域面积比8月27日增加了226.6822km。
最后又采用了假彩色合成法展示了水体增加区域。
结果表明：两种方法对水体变化信息的提取具有一致性。
1 数据介绍本作业获得了两幅高分一号TIF数据，分别是8月27日，9月9日。
每幅影像有4个波段，查阅资料得知：1波段波长为0.45-0.52um，属于蓝、青光，2波段波长为0.52-0.59um，属于黄、绿光，3波段波长为0.63-0.69um，属于红光，4波段为0.77-0.89，属于近红外。
图1 0827影像信息图2 0909影像信息2 研究区域由所给数据的经纬度坐标可知，研究区域为抚远县，其地处黑龙江、乌苏里江交汇的三角地带。
地理方位是东经133° 40′ 08″至135° 5′20″,北纬47° 25′30″至48° 27′40″。
图3 研究区域的百度卫星地图2 水体提取方法选择单波段：水体在近红外波段的反射率很低，所以可以设置阈值进行提取。
归一化水体指数 )/()(NIR Green NIR Green NDWI ρρρρ+-=归一化植被指数 )/()(NDVI Re Re d NIR d NIR ρρρρ+-=但单波段方法中阈值的设置需要反复调整，而高分一号数据的1、2波段不完全是蓝、绿光，而3、4波段完全是红、近红外。
所以选择归一化植被指数提取水体。
-1=<NDVI<=1,植被为正值，岩石为0，水体为负值（本方法中有部分将居民区误认为水体了，所以水体的DN 值应该小于某个负值）。
3 图像处理（1）由于两幅影像的分辨率不一致，所以需要对两幅影像进行配准，以0827影像为基础对0909影像配准。
高分三号卫星SAR影像在水体信息提取中的应用
DOI：10.16660/ki.1674-098X.2018.32.066高分三号卫星SAR影像在水体信息提取中的应用①杨明军1 康冰锋1* 张珣1 曹殿才2 苗世源1(1. 中科遥感科技集团有限公司 天津 300384；2.吉林省航测遥感院 吉林长春 130051)摘 要：本文通过对高分三号的SAR影像进行预处理，包括辐射定标、复数据转换、多视处理、滤波处理以及转DB影像，对长春地区的影像进行水体提取操作，使用的方法为阈值法，并将提取的水体信息对比高分二号的高分辨率多光谱影像提取的水体信息，以确定水体提取的正确性。
关键词：高分三号 水体提取 合成孔径雷达中图分类号：TN957.52 文献标识码：A 文章编号：1674-098X(2018)11(b)-0066-05Abstract: In this paper, we discuss the water extraction operation with GF-3 satellite SAR image in Changchun area. At first, we preprocess GF-3 satellite SAR image, including radiation calibration, data conversion, multi-visual processing, filter processing and transfer the DB images. Then we extract water from the images using the method of threshold value, and check the correctness with water body information extracted from the GF-2 high resolution multispectral images.Key Words: GF-3; Water extraction; SAR (Synthetic Aperture Radar)①作者简介：杨明军(1985，6—)，男，汉族，甘肃临洮人，本科，工程师，研究方向：航空摄影和地理信息。
协同多光谱和sar影像的高时空分辨率地表水体提取方法
协同多光谱和sar影像的高时空分辨率地表水体提取方法
协同多光谱和SAR影像的高时空分辨率地表水体提取方法是
一种利用多种数据源的综合分析方法，结合多光谱和SAR影
像的特点，实现对地表水体的精确提取和监测。
具体的方法步骤如下：
1. 数据获取：获取多光谱和SAR影像数据，确保数据具有高
时空分辨率和覆盖目标区域。
2. 预处理：对多光谱和SAR影像进行预处理，包括大气校正、辐射校正、几何校正、滤波等操作，以提高数据质量和减少噪声。
3. 特征提取：从多光谱影像中提取出与水体相关的特征，如水体的反射率、光谱、植被指数等；从SAR影像中提取出与水
体相关的特征，如水体的散射系数、极化参数等。
4. 特征融合：将多光谱和SAR影像的特征进行融合，可以使
用组合方法，如加权融合、逻辑回归融合等，将两种数据源的信息相互补充，提高水体提取的准确性。
5. 分类与提取：利用分类算法对融合后的特征进行分类，常用的算法有支持向量机(SVM)、随机森林(RF)等，将地表水体和
其他地物进行区分，得到水体提取结果。
6. 精度评价：对提取结果进行精度评价，可以使用误差矩阵、
准确性指标等方法，评估提取结果的准确性和可靠性。
通过协同多光谱和SAR影像的高时空分辨率地表水体提取方法，可以克服单一数据源的局限性，利用多种数据的优势互补，提高水体提取的准确性和可信度。
这种方法在水资源管理、环境监测等领域具有重要的应用价值。
遥感影像提取水体的方法
遥感影像提取水体的方法遥感技术是一种高效准确的数据获取工具，它在水文学、环境科学和灾害管理等领域具有广泛的应用。
使用遥感技术提取水体是一种在遥感图像处理中常用的方法，因为它可以快速而准确地分析和检测区域中的水体。
以下是关于遥感影像提取水体的10种常见方法：1. 基于阈值法的水体检测方法阈值法是一种简单的遥感图像处理方法，它可以根据像元值的大小为图像中的不同对象分配不同的像元值。
在水体提取中，阈值将像素分为水和非水两个类别。
这种方法在成像分辨率相对较高的遥感图像中表现良好。
2. 基于形态学的水体检测方法形态学方法是一种以数学中的形态学为基础的图像处理方法，它可以消除噪声、填补空洞并修复边缘中的小孔。
在水体提取中，这种方法可以有效地分离与清晰未清晰水体，精准提取水体边界。
3. 基于纹理特征的水体检测方法纹理特征是描述像素之间空间约束关系的一种特征。
在水体提取中，通过核密度、图像风貌、局部变异和纹理梯度等方法可以提取水体。
4. 基于峰度的水体检测方法峰度是统计学中一个用于描述概率分布的形式的参数。
在水体提取中，根据图像中每个像素值周围像素的峰度值，可以将像素分类，从而识别水体。
5. 基于基准反射率的水体检测方法水体在不同波段下的反射率特征是有别于非水体的。
在水体提取中，可以利用这一特点进行分类并获得水体形态特征。
6. 基于物理模型的水体检测方法将自然界中的物理过程和遥感图像处理方法结合起来，就可以使用基于物理模型的水体检测方法。
这种方法包括利用水体吸收的方法、利用水体散射的方法、利用水体反射的方法、利用水体温度的方法等。
7. 基于垂直植被指数的水体检测方法垂直植被指数（NDVI）是反映植被状态的指数，它可以有效地分析水体和非水体之间的差异。
在水体提取中，可以使用NDVI的变化来分离水体和非水体区域。
8. 基于人工神经网络的水体检测方法人工神经网络（ANN）是一种模拟人脑信息处理机制的数学模型，它可以用于分类和识别任务。
遥感影像水体提取方法,植被分类方法
遥感影像水体提取方法与植被分类方法一、遥感技术在环境监测和资源管理中的应用遥感技术作为现代空间信息技术的重要组成部分，在环境监测和资源管理中发挥着越来越重要的作用。
水体提取和植被分类是遥感技术在环境监测中的两个关键应用方向。
通过提取水体信息，可以对水环境进行实时监测和保护；而植被分类则有助于研究生态系统的结构和功能，为资源管理和环境保护提供科学依据。
二、遥感技术原理遥感技术的基本原理是利用物体对电磁波的反射和发射特性来获取地表信息。
水体通常具有较强的吸收和散射特性，在可见光波段具有较强的反射，而在近红外波段则表现出较高的吸收特性。
植被对可见光波段有较高的反射率，而在近红外波段则表现出较低的反射率。
这些特征是水体提取和植被分类的主要依据。
三、水体提取方法1.基于纹理特征的水体提取：利用遥感影像中水体的纹理特征，通过图像处理技术进行提取。
该方法简单易行，但对于复杂背景下的水体提取效果较差。
2.监督学习方法：通过训练样本学习水体与其他地物的特征差异，建立分类模型进行水体提取。
该方法精度较高，但需要大量标注样本。
四、植被分类方法1.基于光谱特征的分类：利用植被在可见光和近红外波段的反射特征进行分类。
不同植被类型具有不同的光谱曲线，通过匹配已知光谱数据进行分类。
2.多特征融合分类：结合植被的形状、纹理、空间结构等多维特征进行分类。
该方法能够提高分类精度，但计算复杂度较高。
五、实例分析以某地区遥感影像为例，采用基于监督学习的水体提取方法和基于光谱特征的植被分类方法进行实际应用分析。
结果表明，两种方法均能取得较好的效果，但也存在一定的误差。
通过进一步优化算法参数和数据预处理，可以提高提取和分类的准确性和稳定性。
六、发展趋势和挑战随着遥感技术的发展，未来水体提取和植被分类的方法将更加多样化和精细化。
同时，数据源的更新和扩充也将为遥感应用提供更多可能性。
然而，如何提高方法的稳定性和精度，以及解决复杂地形和气候条件下的遥感应用问题，仍是未来研究的重要方向。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
AVHRR图像上的水体提取●AVHRR图像上水体表现及特征分析●AVHRR图像上的水体识别提取模型AVHRR图像上水体表现及特征分析●AVHRR数据拥有5个通道（CH），CH1（0.58-0.68微米）属橙色可见光范围，对水体中的泥沙含量十分敏感；CH2（0.725-1.1微米）为近红外通道，为水的强吸收带，水体的反射率很低，水体的边界轮廓十分清晰。
●为了整体上了解水体空间、时间、水质上的多变性在AVHRR影像上的反映，以及水体与其他易混地物的区别，采用分地物类别按时间、空间变化的规律对AVHRR数据进行采样分析，分别在2月、5-8月AVHRR图像上对湖泊（太湖、鄱阳湖、洞庭湖、青海湖）、河流（长江、辽河）、海洋（黄海、东海、渤海）、云、云影、城市（上海、无锡、苏州、杭州）的光谱值进行采样分析。
●该图幅内以平均值的光谱曲线为分界，厚云、薄云五个波段都相对为高值，光谱曲线明显高出平均曲线；而其它地物明显低于或围绕平均曲线有小的起伏，其中云影在CH3、CH4、CH5又稍高于平均水平。
从曲线的走向看，云、云影与河流、积水区一致，因此，要进一步区分水体与云及云影，在原有CH1>CH2的规律下，须加入CH2、CH3的判断条件，利用CH2、CH3的均值分别排除云及云影。
●图内的河流、湖泊、海洋的3、4、5波段则相对洪水期有增高，表现出高于图幅均值的规律；而云影在曲线走向和数据大小都与各种水体的规律极为相似，无法再加以区分；反而该时期的城市曲线依然全低于图幅均值，落在平均曲线的下方，虽然在CH1、CH2也满足水的规律，但完全可以利用CH3波段把它剔除掉。
●上面的采样分析可知，在AVHRR这一特定的传感器上，水体的遥感特性与地面实测相比呈现出一定程度的变化，表现为：正常情况下水体随空间的变化幅度较小，而随时间的变化幅度较大，而在洪水期间，水体表现大幅度的变化，由平常时期的相对稳定到起伏较大，呈现出特殊的规律。
其中由于降水的增加引起水中泥沙含量，水温等异常变化也起到了相当大的作用，而由于时间变化引起水体的变化反映则相当的微弱。
但无论水体随时间，空间怎么变化，则其在近红外吸收的特性则始终不变，且表现为CH1>>CH2，CH2<图像的均值；CH3有规律的上升或下降，在正常时期，水体CH3大于整幅图像的平均值，而洪水期间CH3小于整幅图像的均值，这就是水体在光谱多变性条件下，呈现出的统一规律，即光谱特征。
AVHRR图像上的水体提取模型根据大量的水体光谱样本分析，得出AVHRR数据的水体信息摄取的基本光谱模型：●CH1》CH2，且CH2<图像平均值；洪灾期：CH3<图像平均值；非洪水期，且CH3>图像均值；●随着水面积减小，混浊度增加，水深变浅，水体特征有所改变。
CH1相对减小，CH2相对增加，有向陆地逐渐过渡的趋势，且往往该部分水体是陆地包围的水体或覆盖在陆地上的浅水体。
●在分析了水体在图像上的空间特征后，在光谱模型上又给出水体的空间模型：–水体相对于陆地或云层等呈现出较为均一的图斑，无明显的纹理特征–水体图斑的边界相对于云层较稳定，河流的线状特征，湖泊、海洋等的面状特征较明显。
以上的光谱模型和空间模型采用面向对象的思想完成模型建立，可以实现水体的智能化信息提取。
TM图像上的水体提取●由于时间分辨率的限制，在洪水期难以获得无云雾的TM图像，因此TM主要用于洪水灾害损失评估和本底水体的提取。
●从TM数据中提取水体信息的关键是区分水体与其他地物的阴影，这同样需要进行不同地物各波段的光谱值分析。
●水体、阴影的第5波段明显小于第2波段。
而其它地物则刚好相反。
在第2、3波段上，水体的灰度值大于阴影，将这两个波段相加可以增大这种差异。
在第4、5波段上，阴影的值一般都大于水体。
将这两各波段相加，可以增大这种差异。
●将波段2与波段3相加，波段4与波段5相加，并作出改进后的地物波谱图。
可以看出，只有水体具有波段2加波段3大于波段4加波段5的特征。
●阈值法提取水体利用对水陆界线反映较好的Landsat－5的TM第5波段，即中红外波段，通过反复试验，确定其阈值。
用TM4、3、2作假彩色合成影像，用目视判读的方法检验阈值法提取水体的效果，所提取的水库和坑塘的轮廓与目视判读的一致，宽的河流与目视判读的基本一致，而较窄的河流没有被提取出来，但这些河流由目视判读也难判读出来。
因此，漏提的水体非常少。
同时，发现所提取的水体中有一部分并非为真正的水体，而是山体的阴影。
因此，多提的水体较多。
●谱间关系法提取水体水体具有独特的谱间关系特征，即波段2加波段3大于波段4加波段5。
用同样方法检验提取效果，漏提的水体非常少，也没有发现将山体的阴影当水体提取出来。
因此，该种方法提取的水体较为准确。
总之，谱间关系法比单波段阈值法提取水体更具优势。
尤其是，它能将水体与阴影区分开来。
该方法特别适合山区水体的提取。
无论是谱间关系法还是单波段阈值法，它们对于提取一些细小的河流都有一定的局限性。
这是因为，这些细小的河流都是以混和像元的形式存在。
SAR 图像上的水体提取●由于洪水最大淹没面积常常发生在坏天气条件下，多光谱遥感数据不可能发挥很好的作用，因而微波遥感成为洪水灾害监测的首选数据。
但在有山区的雷达图像上，水体与山体的阴影具有易混的亮度值，而使得自动提取洪水淹没范围较困难。
因而，现在多采用目视判读的方法从SAR图像上提取洪水水体。
目视判读方法尽管可以取得较高的精度，并将水体与阴影区别开来，但费工费时，难以满足快速监测评估的要求。
从图像复合的角度出发，Landsat TM 图像与Radarsat SAR图像相结合，能有效地将洪水淹没范围提取出来，而不会将阴影误提为水体。
水体提取步骤●图像配准–TM图像与地形图配准–SAR图像与TM图像配准●SAR图像的水体提取用目视的方法在SAR图像上测出水体的亮度值，从而确定水体与陆地的阈值k 1，DN<k 1为水体，DN>=k 1为非水体（DN为SAR图像的亮度值）。
●TM图像上的阴影的提取因在TM2上阴影的亮度值比较低，而其他地物的亮度值比较高，测定阈值k 2,因而有TM2<k 2为阴影，TM2>=k 2为非阴影。
水体提取步骤●SAR图像的水体与TM图像的阴影之间的融合分析–将SAR图像的水体与TM图像的阴影叠加，在山区被误提为水体的山体阴影中，有大部分都与TM图像的阴影重叠，有一小部分未重叠。
但未重叠的部分，均与TM图像的阴影靠得很近，并且与阴影相连。
为此，利用ARC/INFO的GRID模块中的EXPAND命令，对所提取的阴影进行扩展处理，将扩展后的阴影与SAR水体进行叠加融合分析。
凡是落入阴影中的SAR 水体，都被作为误提的水体剔除。
–但是，对于在SAR图像上与阴影相连的水体而言，由于对TM图像上的阴影进行了扩展处理，并用它来剔除SAR图像上的阴影，这就会造成将SAR图像上与阴影相连的那部分中的部分水体被错误地剔除掉。
因此，还需要对这部分水体进行进一步的定界。
水体提取步骤●与阴影相连部分水体的进一步定界–从TM图像上提取本底水体，提取模型为：（TM2+TM3）>(TM4+TM5)-k1TM2>=k2–利用ARC/INFO中的GRID模块EXPAND命令对本底水体进行扩展。
并用它来切取最初从SAR图像中提取的水体。
最后，将从TM图像中提取的阴影与所切取到的水体进行叠加分析，减去阴影部分，从而得到了由于阴影扩展而丢掉的那部分水体。
–并将这部分水体与去阴影后的SAR图像水体进行叠加，从而得到最终提取的水体。
居民地特征提取●研究意义●AVHRR影像上的居民地识别提取●TM图像上的居民地识别提取●SAR图像上的居民地识别提取研究意义●为灾害评估提供所需居民地空间分布信息●为了解人地关系服务●为社会、经济和人文等数据的空间化服务●为居住用地监测以及人居环境建设服务AVHRR影像上的居民地识别提取●AVHRR影像上居民地的影像特征分析在3（红）、2（绿）、1（蓝）假彩色合成图像上可以看出，特大城市、大城市、中等城市，无论是位于山区还是平原，都能在影像上识别出来。
这些城市在影像上呈暗灰蓝色，当其周围为农田时，其周边呈灰蓝色，当为森林时，呈浅黄色，当为水体时，呈红色。
城市的外部轮廓清楚明显，城市的内部的色调比较一致，而内部纹理特征不明显。
城市的形状一般为斑块状。
县城一级的城镇，以及小城市在NOAA影像上需要仔细识别才能识别出来。
一般面积在6平方公里以上的县级城镇在NOAA影像上只有几个像元，呈点斑状，其外部轮廓已经很不清楚了。
在其像元中，只有1到4个像元与周边像元有一定的区别，比较容易识别。
而其他周边像元都是以混合像元的形式存在。
此时的城镇已无纹理可见了。
●AVHRR影像上居民地的影像特征分析对于面积在2km2以下的乡镇、村一级的居民地，已完全与周围地类混淆在一起，在NOAA影像上难以辨别出来。
城市与城市之间的相对位置清晰可见，特大城市、大城市、中等城市、小城市、县城等之间的城镇体系结构关系也容易识别出来。
通过对各种类型的城市及其它地物进行典型光谱采样，据其均值绘制如下光谱曲线图●基于光谱知识的居民地提取模型通过对采样数据进行波段组合分析，建立模型如下：TM图像上的居民地识别提取●居民地在TM影像上的机理分析–农村普通居民地其房屋宽度大部分不超过28.5m，长度有可能超过28.5m，影像记录的通常是房屋及其周围的空地、散生树木组成的混合像元。
由于这些地物的尺寸及其配置在空间上的变异，从而导致农村居民地像元灰度值的空间变异，在居民地与周边地类交界处，又会出现居民地与周围地类相混合的混合像元，这些混合像元降低了农村居民地提取的精度。
居民地内部没有明显的纹理特征，与农村居民地相连的道路难以识别出来。
–村镇级居民地在镇的核心区一般多为2～3层的楼房、平房等，房顶多为水泥平顶、瓦盖尖顶。
一般房屋间有比较窄的空地，空地一般多为泥土面，部分为水泥面。
居民地内也有一些散生的树木等绿地。
因此居民地的像元多由水泥房顶、瓦顶、水泥路面、裸土地、绿地、散生树木等所构成的混合像元，其组成的空间变异导致像元灰度值的空间变异。
在边缘区的像元类似于乡村居民地的像元，在居民地与周围地类接边处，有居民地与周围地类混合而成的混合像元。
图中青灰色的斑块即为村镇级居民地，其内部有一定的纹理特征，基本可以识别到与其相连的道路。
–县城由于高楼大厦的影响，有可能出现水泥房顶的纯净像元，此外也会出现纯净的水域像元和绿地像元。
高大的房屋会造成房屋与房屋之间有很多阴影。
因而县城一级的居民地，其像元一般是由水泥顶、水泥路面、散生林木、绿草地、裸地以及阴影等所组成的混合像元，其组成比例的变化以及空间配置结构的变化就造成了这些像元的空间变异。