土地利用信息提取

土地利用信息提取

目录

一流程图 (3)

二监督分类 (4)

1 镶嵌 (4)

2 裁剪 (4)

3 定义训练样本 (5)

4 绘制感兴趣区（ROI） (6)

5监督分类 (7)

6精度评价 (8)

三决策树 (10)

1 建立决策树 (10)

2 分类结果 (10)

四监督分类与决策树分类区别 (11)

五制作专题图 (12)

六疑问及错误操作............................... 错误!未定义书签。七总结......................................... 错误!未定义书签。

一 流程图

图1 上海市土地覆盖信息提取流程图

LE71189382002331EDC001803样本（ROI ） 精度评价（shanghai.shp ）

LE71180392002315SGS00

决策树

分类结果

监督分类 区别 制作专题图

镶嵌、裁剪

二监督分类

1 镶嵌

LE71180382002331EDC00.tar”和“LE71180392002315SGS00.tar”影像都为有投影信息影像，所以选用有地理参考的图像镶嵌对两幅影像进行镶嵌，图像镶嵌的原则是（1）几何配准（2）镶嵌边搜索（3）边缘平滑（4）调整色调与反差

将两幅影像以432波段在map basic Mosaic中显示，由于影像已有投影信息，直接设置影像的叠放次序，观察镶嵌边，进行镶嵌边边缘平滑和色调设置，输出影像，得到镶嵌图像。如图2所示。

图2 影像镶嵌

2 裁剪

裁剪包括规则分幅裁剪和不规则分幅裁剪。规则分幅裁剪需要行列号，左上角、右下角坐标。不规则分幅裁剪是根据所研究区域的形状手工绘制的一个任意多边形，多边形文件可以是事先绘制好的文件，也可以是临时绘制的ROI感兴趣区。

利用ARCGIS软件对上海的矢量文件进行去代号处理，将结果与镶嵌影像叠合后，对影像进行裁剪，得到上海市范围影像。如图3所示。

图3 上海市裁剪结果

3 定义训练样本

观察裁剪后的上海市范围影像，根据上海市的土地利用情况，我定义了林地、建筑用地、水系、耕地等四类样本数量。并建立感兴趣区（ROI），如图4所示。

图

4 绘制感兴趣区（ROI）

在envi中，打开ROI TOOL对话框，在主图像中绘制多边形感兴趣区，样本的数量要满足总像元的千分之一，以保证分类达到较高的精度要求。通过ROI可分离性计算评价训练样本确定分类是否合理，结果如图5图6所示。

图5 样区分类散点图

图6 定义训练样区

5监督分类

监督分类的思想是：首先根据已知的样本类别和类别的先验知识，确定判别函数和相应的判别准则，其中利用一定数量的已知类别的样本的观测值求解待定参数的过程称之为学习或训练，然后将未知的样本的观测值代入判别函数，再依据判别准则对样本的所属类别做出判定。监督分类的精度较高。

这里采用的监督分类方法是最小距离法，并对分类后的影像进行色调调整得到分类结果如图7所示。

图7 感兴趣区像元统计结果

图8 监督分类结果影像

6精度评价

精度评价是对监督或非监督分类后分类结果的分析，对分类像元的统计等，通过混淆矩阵、KAPPA系数和分类精度，制图精度用户精度的结果，判断分类是否合理。

对分类后的影像进行进度评价，，结果如图7所示。

图7 监督分类精度评价

从图7可以看出，总体精度87.8811%。KAPPA系数为0.8544。各地类分类结果如表1 所示。

表1 上海市图利利用覆盖统计

地类水系耕地植被背景建筑用地像元数2411 2157 1607 2501 1567

像元总数2575 2250 2067 2501 2255

百分比93.64% 95.87% 77.75% 100% 69.49%

制图精度93.63% 95.87% 77.75% 100% 69.49%

用户精度95.94% 69.47% 87.1% 100% 83.66%

三决策树

决策树分类是通过专家经验总结，简单的数学统计和归纳方法，利用多源数据和分类规则进行分类。

1 建立决策树

根据决策树规则创建决策树

规则如下：

1.水体（water）：wentness大于18；

2.植被（vegetation）：wentness小于18 且NDVI 大于等于0.001；

3.建筑用地（building）：wentness小于18 且NDVI 小于0.001 且NDBI 大于0.001；

4.裸地（bareland）: wentness小于18 且NDVI 小于0.001 且NDBI 小于等于0.001

且B5 大于0；

5.背景（background）: wentness小于18 且NDVI 小于0.001 且NDBI 小于等于

0.001 且B5 小于等于0。

决策树如图8所示

图8 创建决策树

2 分类结果

运行决策树，得到分类结果如图9所示。

图9分类结果影像

四监督分类与决策树分类区别

监督分类是思想是首先根据已知的样本类别和类别的先验知识，确定判别函数和相应的判别准则，其中利用一定数量的已知类别的样本的观测值求解待定参数的过程称之为学习或训练，然后将未知的样本的观测值代入判别函数，再依据判别准则对样本的所属类别做出判定。监督分类是通过目视判读的方法进行样区的提取，需要判读这具有分幅的判读经验，需反复进行分类，直至精度符合要求为止，而且精度较高，但花费较多的人力和时间。

决策树分类是通过NDVI（归一化植被指数）和植物的光谱特性进行分类，不通过目视判读的方法，利用规则函数直接对某一地物进行划分提取，精度较监督分类高，但是需要了解地物的光谱曲线及NDVI的相关信息，决策树分类要比监督分类更熟悉ENVI操作，要熟悉各种遥感知识。