不同时期天水市TM遥感影像特征与分类分析毕业论文 精品Word文件下载.docx

不同时期天水市TM遥感影像特征与分类分析毕业论文 精品Word文件下载.docx

《不同时期天水市TM遥感影像特征与分类分析毕业论文 精品Word文件下载.docx》由会员分享，可在线阅读，更多相关《不同时期天水市TM遥感影像特征与分类分析毕业论文 精品Word文件下载.docx（17页珍藏版）》请在冰豆网上搜索。

TM遥感；

多光谱；

监督分类；

分类精度

外文

TMremotesensing;

multi-spectral;

supervisedclassification;

classificationaccuracy

摘要

本文利用ENVI4.3软件，结合地面数据，以1992、2001年2景陆地卫星TM图象为主要信息源，天水机场为中心，对天水市部分地区进行主要地物计算机分类研究。

根据地物波谱特征制定分类指标，运用多种监督分类方法生成研究区分类图，并对各种分类图进行精度对比，发现最大似然法具有较好的分类效果。

经地面调查检验，分类结果与实际下垫面情况基本吻合，分类精度较高。

对两年的分类图进行链接，结果表明研究区在10年间经历了一些明显的土地利用变化，例如建筑用地面积增大，耕地面积减少，植被面积增大等。

Combinedwithgrounddata,basedmainlyontheinformationoflandsatTMimagesin1992and2001,andcenteredTianShuiAirport,thispapermakesfulluseofENVI4.3softwarestudythemainthemajorsurfacefeaturesofcomputerclassificationinsomeareasinTianShuiCity,anddevelopaclassificationindex,usingavarietyofsupervisedclassificationtostudytheclassificationmapofarea.Thispaperalsocomparestheaccuraciesofvariousclassifications,findingoutthatthemaximumlikelihoodmethodhasbetterclassificationresults.Thegroundsurveyinspectionshowsthatsortingresultsareconsistentwiththeactuallandsurfaceconditions,withhighclassificationaccuracy.Afterthelinkageofclassificationdiagramintwoyears,theresultsshowthatthestudyareahasexperiencedsomesignificantchangesinlanduseinrecenttenyears,forinstances,theincreasesofbuildinglandarea,reductionofcultivatedlandarea,andincreasesofvegetationareasetc.

指导教师评定

本文选择天水市遥感影像作为研究对象，应用专业软件，解译和分类，论点明确。

论据充分，达到本科毕业论文水平，是一篇优秀的论文。

评定成绩

优

指导教师签名

答辩委员会意见

该论文选题较新颖，论点突出，论据充分，较正确应用所学基本知识，答辩过程中表达清楚，能够准确回答问题。

经答辩小组成员协商，一致认为该论文达到学士学位论文水平。

答辩委员会主任签字：

教务处审核：

目录

摘要1

关键词1

引言1

1研究区概况2

2分类数据及其处理方法2

2.1分类区数据2

2.2数据处理方法3

2.3分类方法3

2.3.1最大似然分类法5

2.3.2最小距离法6

2.3.3平行六面体法7

2.3.4马氏距离分类8

3分类结果与分析9

4结论与讨论11

参考文献11

作者：

柴淑秀指导老师：

王学恭

（天水师范学院生命科学与化学学院甘肃天水741000）

摘要：

本文利用ENVI4.3软件，结合地面数据，以1992、2001年2景陆地卫星TM图象为主要信息源，以天水机场为中心，对天水市部分地区进行主要地物计算机分类研究。

对两年的分类图进行像元统计比较，结果表明研究区在10年间经历了一些明显的土地利用变化，例如建筑用地面积增大，耕地面积减少，植被面积减小等。

关键词：

引言

遥感图像分类是遥感技术领域研究的重要课题之一，多年来一直受到遥感研究人员的普遍重视。

在遥感技术研究中，无论是专业信息提取、动态变化预测，还是专题地图制作和遥感数据库的建立等都离不开分类。

由于地物光谱特性的复杂性，传统的分类方法存在着一定的局限性。

近年来由于模式识别技术特别是人工智能的发展，开发出了许多新方法和新技术以改善分类效果或提高分类精度。

随着各种新理论和新方法的出现，一些数学工具不断的被引入到遥感图像的分类中，人们不断研究和尝试，就发现了许多新方法，如模糊分类、基于Markov随机场模型纹理描述的分类方法、小波分析的分类方法、分形的纹理方法、神经网络图像分类方法、基于知识的决策规则分类方法、专家系统分类方法，以及这些方法的相互结合分类方法等等。

遥感信息是地表各种地物要素的真实反映，能清晰的显示各种土地利用类型的特征与分布；

同时，遥感图像的多时相特性为土地利用动态监测的定性、定量分析提供了丰富的信息。

本文利用1992年和2001年天水市的TM影像资料，结合地面调查资料，对天水市部分地区进行主要地物计算机分类的探索，有助于更好得判别和提取天水市TM遥感影像特征。

1研究区概况

天水市位于甘肃省东南部，现辖秦州区、麦积区、秦安县、武山县、甘谷县、清水县和张家川回族自治县。

气候属温带大陆性气候和亚热带气候的过渡地带，城区附近属温带半湿润气候，年平均气温11.5℃，年平均降水量574mm，自东南向西北逐渐减少。

境内山脉纵横，地势西北高，东南低，海拔在1000—2100m之间。

天水地区在大地构造上处于中央造山系中祁连造山带和北秦岭造山带的结合部位，在地貌上则属于陇南山地与陇中黄土高原的过渡地带。

地貌区域分异明显：

东部和南部因古老地层褶皱而隆起，形成山地地貌；

北部因受地质沉陷和红、黄土层沉积，形成黄土层沉积，形成黄土丘陵地貌；

中部小部分地区因受纬向构造带的断裂，形成渭河地堑，经第四纪河流发育和侵蚀堆积，形成渭河河谷地貌。

图1天水市TM4-3-2波段合成遥感影像图

Fig.1SyntheticremotesensingimageintheTM4-3-2BandinTianShuiCity

2分类数据及其处理方法

2.1分类区数据

本文研究所采用的数据为1992年和2001年的TM影像，经纬度范围为：

104°

35′～106°

44′E、34°

05′～35°

10′N之间，所采用的分析软件为ENVI4.3。

分类区以天水市飞机场为中心，向四周辐射（见图2）。

分类区主要有河流，居民区，道路，耕地，裸地等地物。

图21992年分类区原始图像

Fig.2Theoriginalimageinclassificationareasin1992

2.2数据处理方法

用ENVI图像处理软件对TM资料进行预处理，主要包括波段的合成和增强。

在波段上选择了TM1,TM2,TM3，TM4，TM5，TM6波段，然后对其进行叠加处理，形成多光谱图像。

再对已合成的数据进行空间剪切，剪切出所要处理的那部分图像作为主要的研究区。

2.3分类方法

遥感图像包括了丰富的光谱信息，光谱信息反应了地物的某种物理测量值大小，是地物特征较直观的反映，不同地物的光谱特征不同〔图3〕。

遥感图像分类是将图像的所有像元按其性质分为若干个类别，按照像元之间的相似度分类，遥感图像分类包括监督分类和非监督分类。

本次分类研究采用了多光谱数据监督分类法，以TM数据为主要信息源，配合同年实地调查结果，经过ENVI4.3的处理，生成主要地物的分类图。

图3天水市TM遥感影像主要地物平均波谱

Fig.3ThesurfacefeatureofaveragespectrumofTMremotesensingimageinTianShuiCity

监督分类主要按以下步骤进行，首先要选定分类方案，确定要将遥感影像分成哪些类别；

其次要为每个类别选取训练样本，要选的准确、全面；

再选取适当的分类特征，所选特征要保证训练样本之间的可分性要高；

然后选择适当的分类方法，确定所有像元类别并进行精度评价。

在1992年的T2、T3、T4三个波段合成的假彩色合成图像上，根据不同地物的特征和分析，采用目视解译法，并根据国家土地利用分类的标准和已有的城市地类研究的结果，结合专家已经得出的遥感图像上地物类别的解译原理，在研究区确定其主要的地物类型，主要有5种地物：

河流、植被、耕地、裸地和建筑区。

再结合部分地区的实地考察及借助googleearth中的遥感图像作为参考，得出天水市区的典型地物类型的目视解译标志。

然后选取感兴趣区，对研究区选择不同的方法进行分类。

每种方法的最终分类结果大致分为五类，用红色表示河流，绿色表示植被分布区，蓝色表示城乡建筑区，深红色表示耕地，黄色表示裸地。

表1典型地物目标解译标志

Table1:

Theobjectiveinterpretationsignsofclassicsurfacefeature

地物类型

图像特征

样本图片

河流

橘黄色；

线状

植被

绿色；

块状

耕地

浅绿色；

有规则的块状

裸地

白色；

建筑地

紫色；

不规则的小块状

2.3.1最大似然分类法

最大似然分类法是经常使用的监督分类方法之一，它是通过计算每个像元对于各类别的归属概率，把该像元分到归属概率最大的类别中去的方法。

最大似然法假设训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布，利用训练区可求出均值、方差以及协方差等特征参数，从而可求出总体的先验概率密度函数。

此时，像元X归为类别k的归属概率Lk表示如下（这里省略了和类别无关的数据项）。

在该式中，n：

特征空间的维数；

p（k）：

类别k的先验概率；

（x）：

像元x归并到到类别k的归属概率；

x：

像元向量；

：

类别k的平均向量即n维列向量；

det：

矩阵A的行列式；

∑k：

类别k的方差、协方差矩。

在分类过程中主要是通过改变概率阈值来生成分类影像。

分类图像如图4所示：

图4最大似然法分类后的结果

Fig.4TheresultsofMaximumlikelihoodclassification

对分类后的图像进行分类精度评价，主要是选点然后进行数据统计分析，可以得出的一个混淆矩阵，在该矩阵中可以看出各种地物的分类效果以及总得分类效果。

表2研究区最大似然分类精度评价结果

Table2:

TheevaluationresultsofclassificationaccuracyofMaximumlikelihoodclassificationinstudyareas

居民区

用户精度（%）

107

21

12

8

72.3

199

10

9

34

78.97

5

51

57

11

45.97

1

15

69

26

61.6

18

87

69.05

生产精度（%）

90.68

66.11

65.52

68.83

55.06

总体精度：

99.7230%Kappa系数：

0.9963

2.3.2最小距离法

最小距离法使用了每个感兴趣区的均值矢量，并以均值向量作为该类在特征空间中的中心位置，来计算每一个未知象元到每一类均值矢量的距离，到哪一类中心的距离最小，像元都将被分类到那一类。

这种方法原理简单，分类精度不高，但计算速度快，可以在快速浏览分类概况中使用。

在分类过程中主要是利用改变标准差和最大距离误差来生成分类影像。

分类图像如图5所示：

图5最小距离法分类后的结果

Fig.5TheresultsofMinimumdistanceclassification

分类后精度评价结果如下表：

表3研究区最小距离法分类精度评价结果

Table3:

TheevaluationresultsofclassificationaccuracyofMinimumdistanceinstudyareas

52

22

3

53.6

48

4

30

46.15

71

16

85.54

80

62.5

7

6

2

13

17

25.37

61.18

71.64

63.39

59.25

56.3

97.8764%Kappa系数：

0.9693

2.3.3平行六面体法

平行六面体法用一条简单的判定规则对多光谱数据进行分类，根据训练样本的亮度值形成一个n维的平行六面体数据空间，其它像元的光谱值如果落在平行六面体任何一个训练样本所对应的区域，就被划分其类别中。

平行六面体的尺度是由标准差阈值所确定的，而该标准差阈值则是根据每种所选类的均值求出的。

分类结果如图6所示：

图6平行六面体法分类结果

Fig.6Theresultofparallelepipedclassification

表4研究区平行六面体法分类精度评价结果

Table4:

Theevaluationresultsofclassificationaccuracyofparallelepipedmethodinstudyareas

88.32

64.51

14

60.43

55.52

70.67

23.91

4.17

27.45

18.33

20.51

18.8525%Kappa系数：

0.1561

2.3.4马氏距离分类

马氏距离分类是一个方向灵敏的距离分类器，它分类时将使用到统计信息。

它与最大似然分类有些类似，但是它假定了所有类的协方差都相等，所以它是一种较快的分类方法。

除非用户指定了距离的阈值，在这种情况下，如果有些像元不满足所选的标准，那么它们就不会被归为任何类，否则所有像元都将分类到感兴趣区中最接近的那一类。

分类结果如图7所示：

图7马氏距离法分类结果

Fig.7TheresultofMahalanobisdistanceclassification

表5研究区马氏距离法分类精度评价结果

Table5:

TheevaluationresultsofclassificationaccuracyofMahalanobisdistanceinstudyareas

53.07

23

59.26

46

70.83

20

60

65.93

67

54.93

58.97

72.73

48.97

92.31

60.36

97.5410%Kappa系数：

0.9691

3分类结果与分析

对于分类结果只要采用混淆矩阵进行分类精度评价，将影像中的不同类和感兴趣区进行匹配，计算出混淆矩阵。

混淆矩阵也叫误差矩阵，是通过将每个地表真实像元的位置与分类图像中的相应位置的分类结果相比较计算而得的。

该矩阵的每一列代表一个地表的真实类别,每一行代表分类结果中的类,其对角线上的元素为被正确分类的样本数目,非对角线上的元素为被混分的样本数目。

矩阵中还显示出制图精度和用户精度，制图精度是指假定地表真实为A类,分类器能将一幅图像的像元归为A类的概率；

用户精度是指假定分类器将像元归到A类时,相应的地表真实类别是A的概率。

对以上每种方法所得的混淆矩阵进行对比分析，主要对比各自的总体精度和Kappa系数。

其中总体精度=被正确分类的像元总和/总像元数。

Kappa系数是遥感分类的主要精度评价方法，它显示了一个已分类与随机类之间的差异程度。

Kappa系数的定义为：

式中：

K为Kappa系数；

N为总样本数；

为某一类所在列总数；

为某一类所在行的总数。

经过对比分析发现，在所选用的四种方法中，最大似然法的分类精度最高，说明最大似然法最适合对所选地区进行分类处理；

但是分类结果显示分类过程对居民区和植被的分类精度不是很高，主要原因可能是由于原影像中阴影对居民区有一定的影响，而植被本身分布比较零散，影响了分类效果。

所得的用户精度和制图精度之间也有一定的差异，这说明在分类过程中有错分的现象，这主要是由于在分类过程中有些地物颜色或波谱特征比较接近导致的。

经过以上的对比分析，最大似然法比较适合该区域的分类，所以选择最大似然法对2001年的TM遥感影像数据进行分类处理，可以得出以下分类结果（如图8）。

图82001年图像分类结果

Fig.8TheresultofImageclassificationin2001

对1992和2001年两年的最大似然法分类后的数据进行统计分析，主要是统计两年各种地物的总像元点数和各自在整个研究区范围内所占的百分比（表6）。

表61992年和2001年主要地物像元统计

Table6:

Thestatisticsofimageelementofthesurfacefeaturein1992and2001

1992年

2001年

像元点数

占总面积比例（%）

60279

1.441

51059

1.221

1051360

25.142

454190

10.861

18157

4.404

328821

7.863

866124

20.712

217611

52.038

2019840

48.301

1171579

28.016

对比所得统计数据分析，即可发现在所选研究区域内，居民区也就是建筑用地所占的百分比显著增大，裸地所占百分比也在增大，耕地所占百分比显著减小，植被所占百分比减小，河流所占百分比也有减小的趋势。

说明从1992年到2001年所选研究区的地表主要地物分布情况的发生了很大变化，最主要的变化是居民区的增加和耕地的减少。

4结论与讨论

本文以2001年天水市区的遥感影像为基础，结合1992年的遥感影像，探讨土地利用类形遥感计算机自动分类技术，在了解监督分类的各类分类方法的异同点之后，进行分类并对分类结果图即土地利用在1992－2001年间的变化进行分析之后，得出以下结论：

（1）波谱影像特征是遥感图像地物识别中最直接、最重要的解译元素。

地物由于组成与结构的不同而具有各自独特的波谱反射与辐射特性，表征为图像上亮度值的差异。

根据波谱响应特征是进行地物分类的一个主要的方法。

（2）通过对研究区采用监督分类的各种分类方法相比较，最大似然分类法的分类精度比较的高，高达99.7230%，因此最大似然分类法是提高遥感分类精度的一个相对比较好的方法。

（3）从检查结果看，主要地物类型判识基本准确，有少量耕地、植被和居民区有漏判、误判现象，但由于面积较小，因此不影响分类图的精度。

对比地面实况信息，检查分类结果，水域的判识效果最好，其次是耕地。

参考文献

[1]叶明,蒋刚毅,杨晓平.论TM图像与GIS数据综合的土地利用动态监测[J].测绘学报,2002,增刊:

11-14.

[2]柳铮铮,曾从盛,钟春棋.基于TM影像的福州市地表植被变化分析[J].水土保持研究,2008,15（3）:

21-23.

[3]徐金鸿,陈淑娟.基于TM影像的水体信息提取[J].水土保持研究,2008,15（6）:

17-19.

[4]张焱,陈清,何丽娟.基于ENVI4.2的遥感图像分析处理——以广州市北部地区的ETM遥感图像为例[J].软件导刊,2008,7（6）:

45-47.

[5]杜凤兰,田庆久,夏学齐.遥感图像分类方法评析与展望[J].遥感技术与应用,2004,19（6）:

57-60.

[6]骆剑承,王钦敏,马江洪,周成虎,梁怡.遥感图像最大似然分类方法的EM改进算法[J].测绘学报,2002,31（3）:

20-22.

[7]骆剑承,周成虎,杨艳.具有部分监督的遥感影像模糊聚类方法研究及应用[J].遥感技术与应用,1999,14（4）:

37-43.

[8]