《基于遥感影像的土地利用现状分类方法研究毕业论文》由会员分享，可在线阅读，更多相关《基于遥感影像的土地利用现状分类方法研究毕业论文（9页珍藏版）》请在金锄头文库上搜索。
1、基于遥感影像的土地利用现状分类方法研究 摘 要：遥感技术已经成为土地利用信息来源的主要手段，分类方法研究在其中占有重要的地位，分类方法的优劣直接关系着分类的精度。本文在传统的遥感分类技术的基础上，结合当今遥感影像分类技术领域内的一些新进展和应用, 对土地利用分类技术做出较为全面的阐述。 关键词：遥感影像；土地利用；分类方法；Study of Classification Methods of Land UseBased on Remote Sensing Technology Abstract: Technology of Remote sensing has become the princ
2、ipal means of land use information sources,classification method research occupies an important position in the field,advantages and disadvantages of classification method are directly related to the accuracy of classification. Based on the development and application in the area of the remote sensi
3、ng image classification technology nowadays, the new technology methods of the land cover classificationare discussed completely in this article. Key Words: remote sensing image;classification method ; land use引言 土地分类是根据土地性状、地域和用途等方面存在的差异性, 按照一定的规律, 将土地归并成若干不同类别，为土地管理和调控提供基本信息。土地利用分类是人们对土地资源认识的表现, 科
4、学严谨的土地利用现状分类关系到土地资源的合理、可持续利用, 关系到土地利用类型结构的优化以及土地资源社会经济生态效益的综合发挥1。随着遥感平台的多样化和图像分辨率的提高，以及计算机技术的迅速发展，遥感技术已成为土地资源利用研究的重要手段。因而通过遥感图像处理、解译分类提取土地利用信息已成为土地利用研究必不可少的一步。遥感影像土地利用分类是指遥感影像中的像元根据其在不同波段的光谱亮度、空间结构特征或其它信息，按照某种规则或算法进行的土地利用的分类。本文基于遥感机助分类技术来阐述了几种不同的土地利用的分类方法。1 土地利用的分类概述 在遥感技术的研究中, 通过遥感影像判读识别各种地物是遥感技术发展
5、的1个重要环节无论是专题信息的提取, 动态变化的监测, 还是专题地图的制作, 或是遥感数据库的建立等都离不开遥感图像的分类。图像分类的过程, 实际上就是将图像中的每个像元点或每一块区域划分到若干类别中的一类, 或若干专题要素中的一种。分类的结果是将图像空间划分为若干子区域, 每个子区域代表一种实际地物2。遥感影像的计算机分类方法有2种, 统计模式方法和句法模式方法。常见的分类方法一般为统计识别模式, 如最大似然法、K2最近判别法等。近年来发展的分类新方法则多采用句法方法, 这类方法有人工神经网络方法、模糊数学方法、专家系统法和决策树分类法等。遥感图像的统计分类又分为2种： 非监督分类和监督分类
6、。非监督分类是对于遥感图像地物的属性不具有先验知识， 仅仅依靠不同的光谱数据组合在统计上的差别来进行分类, 然后再对已经分出的各类地物的属性进行确认的过程；监督分类是基于对遥感图像上样本区内的地物的类别已有一定的先验知识，即已经知道它所对应的地物类别，因而可以利用这些样本的类别特征作为依据, 从而判断非样本数据的类别3。2 土地利用的机助分类方法 众所周知,一幅遥感数字图像相应为一光谱数字矩阵,其行列交点为图像元素或称像素(像点、像元) 。对这些像元及其灰阶表现出的纹理特征,采用不同的分类决策进行分类识别,最终实现地物的分类和提取土地利用与土地覆盖信息。一个理想的分类决策应该符合如下标准: 精
7、确； 可重复使用；严谨(对细微变化不敏感) 且能完全开发出数据内涵；可整体运用于整个目标区域；客观(不依赖于分析者的决定)4。但这些标准往往很难满足。大多数分类器是基于光谱信息的统计模式进行分类识别的, 如聚类分析、决策树和相似性测度等，但一些后起的、融合有关分类类别知识的分类决策即基于知识或GIS 的分类器和多源遥感影像融合分类器也越来越重要。此外对土地资源这样的遥感图像进行分类，关键是要区分出土地覆被，所以通过动态监测模型来识别植被类型从而确定土地类型也已成为研究的趋势。2.1 基于统计的分类决策在土地利用与土地覆盖变化(LUCC) 分类研究中,绝大多数基于光谱信息统计模式的算法都采用了监
8、督和非监督分类方法,即使人工神经网络分类算法,目前也属于监督分类方法范畴。监督分类可以有效开发数据内容,但需要太多信息可以决定地表信息的先验概率以致一部分信息被忽略；非监督分类虽是基于整个区域特征进行的且不需要先验概率并具操作独立性,但常常可能丢失特定的却是相关的细节信息,进而限制了分类的客观性。基于统计决策分类器的缺陷随着分类方法而异,但大都因以下方面知识不能准确知道或在实际运用中不可能知道而受到影响5,即区域光谱聚类的先验知识(概率) ； 相似空间分布以及土地分类和土地覆盖目标光谱变化的先验知识(概率) ；多维光谱空间中光谱聚类以及它们分布的统计特征知识；控制分类过程事先规定的参数等。为克
9、服上述分类的缺点, 基于视觉神经理论的人工神经网络分类、基于逻辑推理的符号知识分类以及其他一些分类技术正得到深入的研究并日趋成熟。2.1.1 人工神经网络分类法神经网络（ANN）用于遥感图像分类的主要思想是把遥感图像的特征作为神经网络的输入信号, 神经网络按一定规则训练后, 在输出端即可对输出信号进行分类。具有对信息的分布式存储, 并行处理、自组织、自学习等特点, 通过许多具有简单处理能力的神经元的复合作用而具有复杂的非线性映射能力。ANN方法用于遥感图像分类始于1988 年, 目前这种技术已得到较为广泛和深入的应用, 从单一的BP网络发展到自组织网络、径向基函数网络、自适应共振网络等多种网络
10、。ANN 分类器是非参数型的, 有较好的容错特性, 已有的研究都表明其分类精度要高于传统的基于统计的分类方法。2.1.2 模糊分类法 遥感信息主要反映的是地球表层信息, 由于地球表层系统的复杂性和开放性, 地表信息是多维的、无限的, 遥感信息传递过程中的局限性以及遥感信息之间的复杂相关性, 决定了遥感信息的分析结果具有不确定性和多解性6, 这正是模糊分类成为遥感影像分类研究中一个重要趋势的原因所在, 已有的很多研究都证明了模糊分类在分析混合像元、提高分类精度等方面具有较大优势。模糊分类是神经网络和概率论之外, 另一个功能强大、在土地利用遥感分类领域应用广泛的软分类器。模糊逻辑( fuzzy l
11、ogic) 是模糊分类的理论基础, 它是一个对不确定性进行定量陈述的多值逻辑体系( mult-i valued logic) , 其基本思想是用连续的数值范围 0, 1 取代非/ 是(1) 0即/ 否( 0) 0的布尔逻辑陈述( Boolean logic statement) , 0与1之间任何数值均可用以表示是与否之间的过渡状态。由于避免了武断的人为设定阈值或硬性边界, 模糊逻辑能比二元语义的布尔逻辑更好地对真实世界进行描述。建立一个完整的模糊系统是实施模糊分类的前提, 这一系统包括三个主要基本环节: 输入变量的模糊化过程(fuzzification) 、模糊逻辑规则基础创建以及分类输出结
12、果的去模糊化过程(defuzzification) 。2.1.3 支撑向量机分类方法( Suppor t Vector Machine)支撑向量机( SVM) 是由Vapnik 提出的, 结构风险理论、二次优化理论、核空间理论是SVM 的三大基础理论7 。SVM 法不同于传统统计方法和ANN 法, 它不是通过特征个数变少来控制模型的复杂性, 它提供了一个与问题维数无关的函数复杂性的有意义刻划8 , 用事先定义的非线性变换函数集, 把向量映射到高维特征空间中, 按照支撑向量与决策曲面的空隙极大化的原则来产生最优超平面, 然后再把高维特征空间的线性决策边界映射到输入空间的非线性决策边界。C. Hu
13、ang 等人认为SVM 是在高维数据分类上最好的机器学习算法, 而且可以在小样本的情况下就获得较高的准确率, 因为SVM 划分边界时依靠支撑向量, 而不是靠由大量数据获得的统计特征8。 以上方法虽不依赖于光谱空间数据的先验知识而具有客观性,并在一定程度上提高了分类精度,但是仍不具有普遍性。2.2 基于知识和GIS的分类决策 基于知识和GIS的分类决策,是引入高层知识,并将有关类别的知识作用于分类设计的各个过程,以利于分类和提高分类精度。在土地利用现状调查中,涉及到许多利于土地覆盖与土地利用类型分类的知识。这些知识包括因不同的生长区域、不同的生长环境以及物种不同而表现出的不同特征。充分考虑到并运
14、用这些类别的知识能有效地提高分类精度。归纳起来有以下几种情况：(1) 基于植物生长特征的土地利用与土地覆盖分类识别。利用不同季相的遥感图像进行分类识别,利用植被指数如NDVI、GUI、WI、BI 等进行间接分类识别9；(2) 基于其它知识的分类识别。基于边缘检测和基于区域分类的双重信息基础之上的三维场景10以及建立在光谱和空间(知识) 规则上的图像分类系统11；(3) 基于句法结构的分类识别,如光谱知识和上下文信息相结合12以及使用语义网络场景的结构分析自动解译系统13；(4) 基于GIS 的分类识别。GIS 可以数值化(量化) 的形式存储大量的属性信息和地形地貌拓扑信息。这些信息可以充分地应
15、用到遥感图像的分类决策中。坡度、方位、地势,以及高程对植被的分布有很大的影响,同时人文因素也越来越多地作用于土地利用与土地覆盖变化8 ,14,有效的利用这些量化信息能够提高分类的精度15 ,16。 基于不同决策的分类方法,往往因强调不同的重点而侧重于不同的先验知识。基于知识和GIS的分类,因知识表达与量化存在一定的局限性,不能有效地融入分类识别决策之中而限制了其发展。2.3 基于多元数据融合的分类决策 多源信息融合就是把多种信息(遥感和非遥感数据)按照一定的方式有机地组合成统一的信息模型。这类方法有基于知识的推理、信息融合、空间数据挖掘等。知识的推理方法可以利用现有的GIS数据和先验知识,可以
16、减少分类时遇到的“同物异谱”和“同谱异物”的现象17 。信息融合是利用多个遥感信息源所提供的反映所处环境或对象的不同特征信息之间的互补性和冗余性,采用有效的方法将它们融合,弥补单一信息源的缺陷。GIS作为辅助数据用于提高遥感图像分类精度是近年常采用的方法。GIS可作为辅助数据用于训练区的选择、分类数据预分层及分类后处理,或作为附加波段用于分类的过程。例如, R. M. Prol - Ledesma将TM图像和地形图结合采用监督分类方法对Mexico郊区的土地利用变化进行分类,分类精度达到82%18 。程昌秀在土地利用动态监测中,将土地利用现状的矢量数据与同年同地区的遥感影像做配准与叠加,对于少数地类不单一的图斑做局部边界提取,使分割后输入图斑内的地类单一,再以图斑为单位提取整个图斑的灰度特征、纹
