《集成rs与gis在土地利用分类方法的比较》由会员分享，可在线阅读，更多相关《集成rs与gis在土地利用分类方法的比较（22页珍藏版）》请在金锄头文库上搜索。
1、集成 RS 与 GIS 在土地利用分类方法的比较关键词：遥感、土地利用、GIS、内盖夫摘要：在过去的几十年里, 以色列在土地利用方面发生了剧烈的改变。由以色列政府提供的土地利用图在对农业和城市用地分类方面比其他地方地图记录的更为详尽。它将之前过度放牧的地区重新绿化，变为人工灌溉和自然灌溉的耕地，并设置成自然保护区。而过去经常被用作大型军事训练场的地方，则变更成城乡居民点，或者将之视为闲置土地。同时，在内盖夫的北部地区，牧场仍然占很大比重，但其面积并没有明确定义。鉴于土地利用的不断变更以及在现有的土地利用现状图上缺乏对牧场区域的认知，创建一个供规划者，科学家和决策者更好使用的土地利用现状信息数据
2、库是十分有必要的。RS 数据在创建和更新土地利用图方面，是非常有效的数据源，结合现有的卫星遥感数据以及以色列地理信息系统信息数据，创建出相对精确并具有当前时效性的内盖夫北部的土地利用图，这项工作的目的是为了探索一种低成本的技术方式。比较利用遥感数据对土地利用进行分类的几种方式。此外，在 GIS 数据框架内，土里利用辅助数据可以更新和提高 RS 分类精度。结果发现，使用监督分类和非监督分类相结合的方法得到了比单一使用其中一种方法精度更高的产品。同时也发现，在更新这种产品时，辅助数据和 GIS 数据可以将数据精度提升 10%，使得最终产品总精度达 81%。 因此，本文提出的相关技术手段在当前不同时
3、段的遥感影像图中的应用，可以精确对土里利用变更数据库的创建。引言我们所观察到的地球表面生物物理覆盖情况叫做地表覆盖，它是由各种自然形成和人为建造所组成的地表覆盖模式。换而言之，土地利用是受经济，文化，政策，历史和土地使用权等因素影响的人类地表活动。遥感数据（例如：卫星和航空影像）通常被用于通过土地覆盖观测来定义土地利用情况（Brown, Pijanowski, Karl & Maurer, 2010） 。最新的土地利用信息对于规划师、科学家、资源管理者和决策者都是至关重要的。从遥感数据中提取土地利用信息的一种方法是通过可视化解译实现的，但可视化解译受限于单一波段或三色合成波段。土地利用片区的人
4、工矢量化是极其繁琐并且具有强烈主观性的工作。(Bolstad, Gessler, & Lillesand, 1990)。因此，遥感自动分类更适用于大面积区域的土地利用图。当土地利用和地表覆盖模式在影像解译时表现明显时，自动解译就显得十分困难，因为自动分类技术并不拥有如同人脑般的超强识别能力(Hudak & Brockett, 2004)。当从遥感影像中自动分类复杂地形时，如何实现准确分类就成了一个难题(Manandhar, Odeh, & Ancev,2009)。以往的证据表明东地中海地势是最为多样化的(Alrababah & Alhamad, 2006)。因此这类地区的地形分类工作尤为繁琐。
5、然而，先前研究表明，不论是从均匀热带景观还是差异性地中海景观来看，基于 30m的 TM 空间分辨率图像都可以精确分类各种变化起伏的地势(Alrababah Koutsias Schulz,Cayuela, Echeverria, Salas, & Rey Benayas, 2010)。陆地卫星已经提供了从 1972 至今的几乎连续的全球地表变化记录(Cohen & Goward, 2004)。目前，两个陆地卫星传感器在轨道上正常运行：承载着 TM 机器的陆地卫星 5 和承载着 ETMP 的陆地卫星 7。两个传感器在太阳能电磁波谱（可见光、近红外、短波红外）的主要部分获取测量数据，从而提供相对具
6、有显著优势的传感器系统。然而，发射于 1999 年的陆地卫星 7 号，在 2003 年，其所承载的扫描线矫正仪出现了故障，导致绘制土地利用图时所需的应用程序质量发生明显降低。如今，发射于1984 年的陆地卫星 5 号，工作年限已远远超过了其 3 年寿命，虽然在 2010 年将耗尽自身的所有燃料，但现今它仍然继续提供着高质量数据产品(Wulder et al., 2008)。相比较其他遥感数据源，陆地卫星数据由于其低成本、历史长、高频率等特点，广泛用于局部空间尺度的土地利用分类。尽管在这一时期为了建立新型分类算法进行了各种努力，但卫星图像分类水平在近 15年并没有得到提升(Wilkinson,
7、2005)。因此，在遥感分类算法上，我们付出了持续的努力却得到了较小的价值(Manandhar et al., 2009)。最近，相关研究人员已经改变了单纯由统计得到的参数决定分析结果的方式，从而让地理数据变得更具有说服力。将遥感数据与其他地理信息源数据融合，得到更为精准的分类方式。如以前的土地利用数据，空间结构，数字高程模型（以及衍生出来的缓坡等因素） ，地质，土壤，水文，植被，气候和交通网络等(Lillesand Tateishi & Shalaby, 2007)。该如何以及适时的使用特定数据源，通常是由图像分析所建立的一系列决策规则所决定的。GIS 中的几种数据源集成要求分析者结合所有数
8、据源制定一系列特定的分类决策规则(Lillesand & Kiefer, 2000)。RS，GIS 和 ES 数据集成所形成的决策支持系统（DSS）较任何一种单一数据源具有更好的分类精度。这项工作的目的是探讨如何降低土地利用图制作成本，陆地卫星 TM 影像图由两种已成熟的、运用广泛的分类方式进行分类，这两种方式互相区别、互相补充。接下来，假设将现有的卫星遥感数据和以色列 GIS 数据进行监测融合，将会显著提升土地利用图检测精度。这项研究中所提出的土地利用分类技术可以用于土地用途变更监测，如监测土里利用转换和土地退化。该信息可以进一步用于土地利用变更与固碳，生物多样性，气候变化和自然资源的可持续
9、发展等现象之间的关系研究。本研究的具体目标是：1、比较土地利用的监督分类和非监督分类技术。2、检验将监督分类和非监督分类相结合所获取的数据（混合分类）是否比单独一种方式所获取的数据具有更高精度。3、验证为了显著提升分类精度，是否应该使用基于专家知识和辅助 GIS 数据的决策系统去更新地图的方法。研究区研究区位于内盖夫北部，沙漠的边缘，总面积大约占 40000 平方公里。研究区南部是Ramat-Hovav，东部是 Yatir 森林，北部是 Kiryat-Gat and Ashkelon，西部是地中海、Gaza 和 Sinai。这些地区位于干旱、半干旱的过渡地带，拥有地中海气候区，有着其独特的特点
10、，年平均降水量从北到南、从西到东沿着两个气候梯度带逐级递减。在内盖夫东北部，每年降水量超过 450 毫米/年，而南部的干旱地区的年降水量不足 150 毫米/年（研究区南部的地区） 。例如，在该区域可以找到一些不同结构的地貌，其中包含洪水和冲积平原，钙质壳，新月形沙丘，沙域和不同母岩，因此，这里有很多土壤类型，包括粗骨土、沙化冲积岩、沙丘、黄土灰钙土、石漠岩、黑色石灰土、红色石灰土。这种环境的多样性导致物种和植被的多样化。在过去的几十年中，以色列的土地利用情况发生了巨大变化(Orenstein & Hamburg, 2009)。过去内盖夫北部的居民大都从事人工放牧活动，由于 JNF 的绿化项目和
11、人口在城镇以及沿道路和水域的集中分布导致内盖夫可放牧场地地理分布的改变。结果，内盖夫地区可用的牧场和载畜率不断波动。以前的放牧区已经通过绿化变为人工和自然灌溉田、自然保护区。而过去经常被用作大型军事训练场的地方，则变更成城乡居民点，或者将之视为闲置土地。在这一时期，内盖夫的牧民，几乎所有的贝都因人（来自于几个部落）都受到社会、经济、政策因素的影响，特别是政府因素造成了人口结构、生活方式和对畜牧业的依赖程度的变化。与此同时，牧场仍然占北部内盖夫总面积的很大比重，但其具体面积没有给出明确定义。由以色列政府提供的土地利用图在对农业和城市用地分类方面比其他地方地图记录的更为详尽。当前，以色列只有两幅国
12、家土地利用图可以使用：一个是由以色列中央统计局（CBS）绘制而成，另一个来自于调研。但这两幅地图都欠缺对牧场的具体划分，此外，农业部不拥有内盖夫北部牧场图，牧场土地也没有被栅栏分割。鉴于土地利用的不断变更以及在现有的土地利用现状图上缺乏对牧场区域的认知，创建一个供规划者，科学家和决策者更好使用的土地利用现状信息数据库是十分有必要的。图 1（1）研究区延伸致以色列内盖夫沙漠的边缘（由陆地卫星 5 提供的 TM 影像 4、3、2假彩色波段复合而成） ，并在气候过渡带的干地区旱半干旱显现出强烈的对比；（2）研究区爆破（3）图中示意了研究区的具体方位，以及以色列的边境和陆地卫星所拍摄的图像区域。研究方
13、法论首先，我们对内盖夫（Negev）北部地区的 Landsat-5 的影像数据作预处理，并利用ERDAS IMAGINE 2010 的几种方法进行分类处理。根据现有的土地利用数据库，再利用ArcGIS 9.3 对基于专家知识的专家知识系统进行更新分类结果。不同的结果都通过STATISTICA 9.0 的统计学的方法进行比较后，对每一个分类结果的精确通过几种方法进行评估。图 2 呈现了整个工作的流程。图 2 研究流程图影像预处理土地利用分类的主要数据是 Landsat-5 卫星在 2009 年 1 月 30 日获取的 TM 影像，选中的区域无云。在此研究中，只使用传感器的 5、7 反射波段。影像
14、预处理包括通过黑暗像元消除法和最新的辐射校正系数进行单波段辐射校正以及大气改正。为了促进辅助信息的集成，使用 ERDAS AUTOSYNC 特性对最新的以色列的正射影像作辐射改正以及大气改正。通过使用自动点测量软件（APM）自动测量 1095 个地面控制点（GCPs ）以及为保证控制点均匀分布在整个研究区域而添加的人工测量的 40 个地面控制点。然后，卫星影像进行图像重采样，按照以色列横轴墨卡托投影坐标系统投影，以 30 米的像元尺寸用最邻近法、二次多项式变换方程进行几何校正。均方根误差达到 0.35 个像素，符合低于 1 个像素的常规要求，甚至低于 0.5 个像素分严格要求。成功的地理配准使
15、得正射影像和其它影像的叠加成为可能。分类针对这项研究，使用了安德森分类系统的第一层次。由于这个分类系统主要是为使用遥感技术而设计的，因而，只有土地利用和地表覆盖类型被遥感所识别才能被用于这套系统。安德森分类系统（1976）的第一层次推荐使用 Landsat 的数据。虽然这种分类规则较为粗糙，但是它减少了分类误差，同时也使得分类信息更加丰富。在这项研究中使用的 6个级别的不同的土地利用和地表覆盖类型如表 1。表 1 基于陆地卫星数据建立的土地利用分类系统（After Anderson et al.1976）土地利用分区 各分区所含土地利用和土地覆盖类别1 城市建设用地 住宅、商业、工业、农业、交
16、通运输公共业、混合城市建设用地2 农用区域 农田、果园、葡萄园、苗圃3 牧场防护林 草本、灌木和混合牧场4 森林 落叶林、常绿林和混交林5 水域 水库、沿岸水源6 荒地 岩石裸地、采石场、建筑工地、土路非监督分类：迭代自组织数据分析通过使用迭代自组织数据分析技术将预处理的反射波段影像分类成 80 个类别，接下来的分类中，将这 80 类通过掩膜将 80 个类分别分配到 6 类土地利用分类中 。并且将结果投影到最新的通过目视解译的正射影像上。最后这期影像根据这六个土地利用分类被记录。监督分类：最大似然法（MLC）通过使用包含了所有地表覆盖类型训练样本的样本像元对影像分类，分类信息如表1。从所有的土地利用和地表覆盖类型中提取了 120 特征样本，并从以色列最新的高分辨率正射影像数字化多边形中有效得到的，然后投影到图像采集样本。通过使用这种方法能够使简单的数字化 TM 影像具有更高的精度。当选定训练样本后，根据光谱特征间的欧式距离将不同土地利用层进行有效分类，相同光谱特征的层合并为一类。最大似然法是运行在一个特征空间的非参数决策规则
