利用武汉市遥感影像进行土地利用分类分析
目錄
一、 遙感軟件的基本功能實習
1.1 遙感影像的大氣校正
（1）基本原理與操作步驟
（2）結論
? 1.2 幾何校正
（1）影像之間的相對幾何校正與鑲嵌基本原理與操作步驟
（2）基于同名控制點的絕對幾何校正基本原理與操作步驟
（3）結論
1.3 計算機解譯
? ? ? ? ?1.3.1 監督分類（最大似然法）
1.3.2 非監督分類（K-Means）
1.3.3 非監督分類（ISODATA）
1.3.4 三種分類方法的結果對比分析
二、 綜合應用實踐
三、總結
免費原報告詳見(65條消息) 中國地質大學（武漢）遙感原理與應用實習報告（免費）-行業報告文檔類資源-CSDN文庫https://download.csdn.net/download/qq_58010729/85076102
一、 遙感軟件的基本功能實習
1.1 遙感影像的大氣校正
（1）基本原理與操作步驟
傳感器探測并記錄地物輻射或反射的電磁波能量時，得到的測量值（輻射亮 度）并不是地物本身真實的輻射亮度，這是因為傳感器的光電系統特征、太陽高度、地形以及大氣條件等多種因素都會對傳感器的探測和記錄產生一定的影響。這種影響造成了遙感圖像上地物輻射亮度的失真，并對準確評價地物的反射特征及輻射特征產生不利影響，必須盡量消除，則整個過程稱之為輻射校正。而大氣校正則分別由輻射定標和大氣及太陽高度校正組成。
數據來源：USGS Global???? http://glovis.usgs.gov/
?
本次實驗使用的是武漢市部分區域 Landsat 8 OLI 的 L1T 級別數據LC812303920180430801T1。在 Envi5.3 64-bit中通過如下操作打開影像：
File-> Open As-> Landsat-> GeoTIFF with Metadata，打開 2019 年冬（實際時間為 2020 年初）圖像如圖一：
2020 年 2 月 18 日武漢地區（landsat122039）準備數據：定標符合單位要求的輻射量數據、轉換數據儲存順序等。
具體操作為：在 ENVIToolbox 中，選擇 Toolbox/Radiometric Correction/Radiometric Calibration，選擇*_MultiSpectral 可見光-紅外組（7 個波段），打開輻射定標工具，對兩景影像分別做輻射定標。
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??
?校正后結果圖如下：
輻射校正之后的影像，比以前亮了一些電磁波在大氣中的傳輸和遙感器觀測過程中受光照條件以及大氣作用等的影響，只有小部分(在 0.85um 波段80%，在 0.45um 波段 50%)太陽輻射能反射到遙感器，導致遙感器的測量值與地物實際的光譜輻射率不一樣。輻射損失主要發生在大氣吸收和散射過程，因此地表參數的遙感定量反演研究中，必須糾正目標輻射的不確定性信息。ENVI 中的 FLAASH 模型是基于 MODTRAN4+輻射傳輸模型，通過參數查找表來進行大氣校正的商業化軟件。FLAASH 大氣校正模塊支持多種傳感器數據，其光譜處理范圍 0.4μm-2.5μm，可以有效地去除水蒸氣/氣溶膠散射效應，同時該方法基于圖像像素級的校正，能夠解決目標像元和鄰近象元的“鄰近效應” 問題。
具體操作為：在 Toolbox 中，選擇 RadiometricCorrection/FLAASH Atmospheric Correction：
輻射校正之后的影像，比以前亮了一些結果對比分析大氣校正前后典型地物的光譜曲線變化對比分析（包括植被、裸土、水體、人工建筑物）
裸土：
左為大氣校正后，右為大氣校正前，可以發現其變化是校正后在可見光波段有了波峰，其余波段變化情況差異不大。?植被：
左為大氣校正后，右為大氣校正前，總體反射率變大，在可見光區間變化尤其大。?水體：
左為大氣校正后，右為大氣校正前，在可見光波段有了“小波峰”。其余地方變化不大。?人工建筑物：
左為大氣校正后，右為大氣校正前，總體反射率變大，在長波段變化尤其大。（2）結論
大氣的衰減作用對不同的波長的光是有選擇性的，因而大氣對不同波段的圖像的影響是不同的。
另外，太陽-目標-遙感器之間的幾何關系不同，則所穿越的大氣路徑長度不同，使圖像中不同地區地物的像元灰度值所受大氣影響程度不同，且同一地物的像元灰度值在不同獲取時間所受大氣影響程度也不同。因此在提取地物光譜之前需要進行大氣校正才能得到真實的地物光譜曲線。
額外實驗：QUAC大氣校正：
打開 Radiometric Correction/Atmospheric Correction Module/QUick Atmospheric Correction (QUAC)，QUAC 為快速校正工具，相比起 Flassh 大氣校正，QUAC 更加高效便捷。直接選中要處理的影像，并添加保存路徑即可。
? ? ? ? ? ? ??
? 1.2 幾何校正
（1）影像之間的相對幾何校正與鑲嵌基本原理與操作步驟
圖像校正主要是指輻射校正和幾何校正。幾何校正就是校正成像過程中造成的各種幾何畸變，包括幾何粗校正和幾何精校正。幾何粗校正是針對造成畸變的原因進行的校正，我們得到的衛星遙感數據一般都是經過幾何粗校正處理的。
傳統的遙感影像圖校正多采用光學校正，這種方法在數學上有一定的局限；而數字校正建立在嚴格的數學基礎上，可以逐點逐行進行校正，所以它要求各種類型傳感器圖像實行嚴格校正。通過數字校正，改正原始圖像的幾何變形，產生符合某種地圖投影的新圖像。
鑲嵌基本原理：指當研究區超出單幅遙感圖像所覆蓋的范圍時，將兩幅或多幅圖像拼接起來形成一整幅覆蓋全區的較大圖像的過程。
幾何校正步驟：
本來是根據指導書的建議，使用envi經典模式進行校正的，但沒有留下過程圖。后來在段文豪同學的建議下，重新采取了Image Registration Workflow流程化工具進行幾何校正并進行截圖留存：
(1) 選擇Geometric Correction→Registration→Image Registration：
(2)放入同時相不同景的兩幅影像進行相對校正：
這里的文件名雖然是定標，但其實是經過大氣校正之后的圖像（命名的時候把兩個順序弄反了，先命名的大氣校正后命名的輻射定標）
這樣就得到了自動選取的一些控制點：?
?另一幅圖的：
結果還算可觀，自動選取的控制點的error值普遍較低：
隨后進行配準，選擇保存路徑：
配準之后的圖：
依次類推，完成對后續幾張圖的配準再進行后續的鑲嵌操作圖像鑲嵌：?
1.找到 Mosaicking-> Seamless mosaic：
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?
?2.設置如下參數：
? ? ? ? ? ? ? ? ? ?
?3.得到的鑲嵌結果如下：
等了挺久的。。。最終鑲嵌結果鑲嵌完了之后就是進行剪裁了，這一步不難，操作如下：
1.打開岳老師給的武漢市邊界 shp 文件：
?2. 打開 Regions of Interest ->Subset Data from ROIs
? ? ? ? ? ? ? ? ? ? ? ??
?得到了裁剪圖：
接下來可以進行分類操作了。
（2）基于同名控制點的絕對幾何校正基本原理與操作步驟
情況說明：這里在之前實習上機的時候是真的沒有注意啊。本來用經典模式選控制點的時候還有機會研究一下，但由于沒有注意到這一點所以沒有留存什么截圖，后來寫報告的時候用的又是自動選取控制點，所以這里實在是沒有什么實踐經驗，只能在最后進行了一些理論上的學習。以下內容來自同學幫助和自己查閱的資料，作了一點總結：
不同控制點：控制點不同對幾何校正的結果影響不大。
控制點均勻分布與非均勻分布：當選在非均勻的密集控制點區域 時，幾何校正較準確，當選在非均勻校正時所選控制點區域外時，幾何校正不準確。
不同多項式的次數之間結果的對比：該操作對幾何校正的結果影響較小。
（3）結論
圖像的幾何校正和鑲嵌是非常重要的中間步驟。我本來采取的是先鑲嵌后校正的做法，后來則改為了先幾何校正后鑲嵌。這兩者的關系是期末考試的一個復習點，可見如下 ppt：
至于相對配準和絕對配準，也是一個復習點，見如下 ppt：
話說回來，我本來使用的是 envi 經典模式下的手動選擇控制點，個中艱辛難以言表，后來采取了自動配準的方法，感覺不僅方便快速而且效果還比我自己選的要好，所以說還是要多與同學交流，或許能取得事半功倍的效果。
1.3 計算機解譯
1.3.1 監督分類（最大似然法）
算法原理：
最大似然法是我們接觸最多的一種監督分類算法，也是期末的重要考點。最大似然法假設各訓練樣本在每個波段都呈正態分布，它首先計算待分類像元對于已知各類別的似然度，然后將該像元分到似然度最大的一類中。
操作步驟：
1.首先是創建樣本：
2.可分離性評價：
3.選擇最大似然法進行分類：
4.得到的分類結果?：
精度評價方法是通過混淆矩陣進行評價：
?由于缺少標準圖，所以選取了另一年的分類結果進行配準：
精度一般般吧。。。。。。?
結果分析放上三個時相的分類圖 ：
2018 夏2019 夏2019 冬?對比三個時相的分類圖，我比較滿意的是 2018 年夏的，一方面是由于數據選區的時候云比較少，另一方面也可以從結果看出：2018 夏的建筑連成了片，這也是比較符合實際狀況的。具體的分析還是放在后面進行。
1.3.2 非監督分類（K-Means）
算法原理
K-均值算法的聚類準則是使多模式點到其類別中心的距離平方和最小。通過迭代逐次移動各類別的中心，直至得到最好的聚類結果為止。
操作步驟操作步驟相較于之前的監督分類，比較簡單：
精度評價還是通過混淆矩陣進行分析，但是結果，，，實在有些不堪入目，這里就不展示了。
結果分析：
2019 夏三個時相中我只有 2019 夏采用的是 K-Means 算法，說實話這個結果出來的時候給我嚇了一跳，因為實在是不高。我覺得非監督分類主要的用途還是協助進行監督分類，不然它本身的分類結果可能并沒有什么實際價值。
1.3.3 非監督分類（ISODATA）
算法原理：
ISODATA 是 K-均值算法的改進，其算法思想是:先選擇若干樣本作為聚類中心，再按照最小距離準則使其余樣本向各中心聚集，從而得到初始聚類，然后判斷初始聚類結果是否符合要求。若不符，則將聚類集進行分裂和合并處理，以獲得新的聚類中心(聚類中心是通過樣本均值的迭代運算得出的)重新聚類，再判斷聚類結果是否符合要求。如此反復迭代，直到完成聚類分類操作。
操作步驟還是不難：
（對默認參數稍作了修改）???精度評價：
雖說是對 K-means 的改進，但是精度還是很難看，加大了我對非監督分類的不信任。
結果分析：
以下是兩個時相的非監督分類圖（2018 夏、2019 冬）：
? ? ? ? ? ? ? ? ? ? ? ?
2018夏 2019冬?從我個人觀感來看，ISO-DATA 確實比 K-Means 精度高了那么一些，但是還是遠不如監督分類實在。
1.3.4 三種分類方法的結果對比分析
1.三種分類方法對比，可以很容易發現監督分類與非監督分類最大的區別在于有無先驗樣本。
2.非監督分類方法并不是一無是處，為了充分利用兩種分類方法，可以采取以下步驟進行分類：
第一步：選擇一些有代表性的區域進行非監督分類。
第二步：獲得多個聚類別的先驗知識。
第三步：特征選擇。
第四步：使用監督法對整個影像進行分類第五步：輸出標記圖像。
3.監督分類更加由人為原因決定，而非監督分類是計算機自動深度學習得出的結果。
4.從分類精度上來看，雖然監督分類效果更好，但所花費時間人力物力更多，在以后我們可以提高非監督分類算法來實現人為參與度更少的高精度分類。
1.4 典型地物光譜分析
（1）影像光譜
?裸土：
左為大氣校正后，右為大氣校正前，可以發現其變化是校正后在可見光波段有了波峰，其余波段變化情況差異不大。?植被：
左為大氣校正后，右為大氣校正前，總體反射率變大，在可見光區間變化尤其大。?水體：
左為大氣校正后，右為大氣校正前，在可見光波段有了“小波峰”。其余地方變化不大。?人工建筑物：
左為大氣校正后，右為大氣校正前，總體反射率變大，在長波段變化尤其大。（2）光譜庫光譜
（3）光譜儀實測光譜?
數據來源是之前的素質拓展課，采用手持式光譜儀測得：?
甚至還測了我的帽子數據比較雜亂，最后還是段文豪組長整理并且分出了一套光譜曲線，但由于當時記錄現在找不全了，所以沒能分清哪些曲線是哪些地物的：
圖片來源：段文豪（4）典型地物光譜一致性
?典型地物光譜的一致性分析由于測量角度、日照等問題的影像，經過艱難辨別，也實在沒能辨別出來什么，可以說做的是很失敗了。
（5）結論
從課堂上的學習中，我深知地物光譜曲線本應是辨別地物的強有力武器，最后卻因為當時記錄的缺失和測量方法的不妥當等原因，沒能從實踐方面將地物光譜曲線的威力發揮出來，確實是很遺憾的事情。
二、 綜合應用實踐
為了掌握武漢市及局部土地利用變化的狀況，根據所學的遙感軟件基本功能模塊，應用武漢市 Landsat8 OLI、2014-2020 任意兩年夏季、冬季影像（要求云量盡可能少，約 4 景影像可完全覆蓋武漢市范圍），對武漢市 2015-2020年不同季節的水體以及植被變化進行檢測，并分析其變化趨勢及原因。?
數據選擇：根據上述任務需求選擇合適的遙感衛星數據
這里我對數據來源做一個說明：2019 夏與 2019 冬的數據來源于國外網站 USGS Global（http://glovis.usgs.gov/），2018 夏的數據來源于國內網站地理空間云數據。選取的均為 landsat8 122039、123038、123039 位置的盡量少云的影像。
數據預處理：包括輻射校正、幾何校正與鑲嵌等。
簡易流程為：處理一個時相的數據時，分別對三幅影像進行輻射定標、大氣校正、相對配準、鑲嵌、裁剪。詳見前面的步驟說明。
典型地物分類與精度評價：分別采取了非監督和監督分類，詳細步驟見前述。
結果分析：由于非監督分類結果實在不好看，這里只采取三個時相的監督分類圖進行展示：
2018夏???? 2019夏 2019冬
單從分類結果而言，分類質量是 2018 夏>2019 夏>2019 冬。具體分析請見下一條。
結論：
????????說實話，這個數據選擇的時機不好。先開始沒有注意，后來才發現選擇相隔兩年的影像導致的后果是，變化有限，很難分析出一些有價值的結果。例如 2018 夏和 2019 夏相比，直觀感受就是建設用地變多了不少，但是僅僅一年的時間真的能有這么大變化嗎？非要這么說就顯得有些勉強了，我更傾向于是分類精度本身存在問題。北部的林地倒是一直保護的還可以，甚至有變大的趨勢，可見武漢市政府深諳生態文明建設之道，在環保方便近幾年一直在花力氣去做。水域面積也是變小了一些，可能也與市政建設有關。除此之外耕地倒是沒有太大變化，這也符合常理，畢竟只間隔了一年的時間。還有值得分析的就是同一年不同季節間的對比。對比 2019 夏和 2019 冬，會發現建設用地的顏色淡了不少？猜想可能是由于樹木生長覆蓋的原因。2019 冬，也就是 2020 年初，新冠疫情肆虐武漢，可能樹木長期沒有人修剪，所以覆蓋了一些房屋，導致建設用地面積減少而且呈現出不連續的表現形態（當然也可能是由于分類精度本身的影響）。還有一個重要的點就是很多耕地被分為了草地？這一點我沒能做出比較好的解釋，只能說小草的生命力在冬天也很旺盛了。???????
總結
以上是生活随笔為你收集整理的利用武汉市遥感影像进行土地利用分类分析的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 使用Magoshare for Mac无
- 下一篇： Go 编程规范