word研究生遙感技術(shù)原理與應(yīng)用期末考試報告題 目：利用TM遙感數(shù)據(jù)進展土地覆蓋分類和制圖專 業(yè)： 地圖學(xué)與地理信息系統(tǒng) 201512- 9 - / 10一、研究方法纓帽變換：也稱K-T變換，是一種特殊的主成分變換。但與主成分不同，其旋轉(zhuǎn)軸不是指向主成分方向，而是指向與地面景物有密切關(guān)系的方向，特別是與植物生長過程和土壤有關(guān)。傳統(tǒng)的NDVI植被信息提取方法受到影像空間分辨率的限制，對影像上信息量少的植被如道路兩旁的行道樹、居民小區(qū)中的綠地等提取效果不佳。纓帽變換對區(qū)分不同類型植被類型如樹、灌木、草地、農(nóng)作物等非常有效，此次試驗具有較好的應(yīng)用。支持向量機分類法：是建立在統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小原理根底上的，根據(jù)有限的樣本信息在模型的復(fù)雜性即對特定訓(xùn)練樣本的學(xué)習(xí)精度和學(xué)習(xí)能力即無錯誤地識別任意樣本的能力之間尋求最優(yōu)折中，以求獲得最好的推廣能力。最大似然分類法：假設(shè)每一個波段的每一類統(tǒng)計都呈正態(tài)分布，計算給定像元屬于某一訓(xùn)練樣本的似然度，像元最終被歸并到似然度最大的一類當(dāng)中。二、研究容與數(shù)據(jù)對富民縣散旦鄉(xiāng)TM影像進展信息挖掘后突出植被和水體等地物信息；結(jié)合二調(diào)數(shù)據(jù)，選擇樣本，分別用最大似然和支持向量機SVM分類法對散旦鄉(xiāng)進展分類，通過比照分類精度，比擬兩種分類方法的優(yōu)缺點。數(shù)據(jù)：對富民縣進展裁剪后得到的散旦鄉(xiāng)Landsat TM影像；富民縣二類調(diào)查小班數(shù)據(jù)；富民縣縣行政區(qū)數(shù)據(jù)。三、研究過程1.裁剪研究區(qū)域?qū)⒏幻窨h行政區(qū)數(shù)據(jù)導(dǎo)入ArcGIS軟件中，根據(jù)屬性表查找得到散旦鄉(xiāng)數(shù)據(jù)，導(dǎo)入ENVI，再利用ENVI提供的不規(guī)如此裁剪工具進展裁剪得到散旦鄉(xiāng)TM影像4，3，2假彩色合成，見圖1、2。圖1 散旦鄉(xiāng)在富民縣的位置圖2 研究區(qū)原始影像2.纓帽變換在主菜單TransformsTassled Cap中使用纓帽變換對研究區(qū)影像進展正交變換，變換結(jié)果包括亮度“Brightness、綠度“Greenness、第三波段“Third三個波段信息。 圖3 纓帽變換結(jié)果3.歸一化植被指數(shù)NDVI的提取NDVI(Normal Differential Vegetation Index)，其表達式為NDVI=(NIR-R)/(NIR+R)，是基于近紅外波段與紅外波段的歸一化比值指數(shù)。利用波段運算工具Band Math對散旦鄉(xiāng)影像進展NDVI運算影像中3，4波段分別代表公式中的R和NIR，得到植被指數(shù)影像。圖4 NDVI提取結(jié)果對纓帽變換得到的綠度，NDVI得到的植被指數(shù)，以與原散旦鄉(xiāng)TM影像的4波段進展合成，得到一新的散旦鄉(xiāng)影像，信息挖掘前后比照見圖5。通過比照可以看出，植被與水體地物均得到了增強，為接下來影像的分類工作提供了方便。圖5 原始影像左與信息挖掘后右比照5.選擇訓(xùn)練樣本在ArcGIS中，依據(jù)屬性表中的class字段，根據(jù)分類要求提取6個類別的圖層數(shù)據(jù)；然后導(dǎo)入ENVI，疊加顯示在影像上圖上紅色圍，然后在小班圍勾繪的訓(xùn)練樣本圖上藍色區(qū)域，參考提取的小數(shù)據(jù)勾畫訓(xùn)練樣本，見圖6。圖6 選擇訓(xùn)練樣本6.影像分類為防止背景參與分類，使用主菜單下Basic toolmaskingbuild masking生成掩膜文件，然后對影像分別按照最大似然和支持向量機兩種方法進展分類得到分類結(jié)果圖，如圖7所示。圖7 最大似然左與支持向量機右分類結(jié)果圖后處理分類結(jié)果中，不可防止會產(chǎn)生一些面積很小的圖斑，需要對這些小圖斑進展處理。在主菜單ClassificationPost Classification中，選擇Majority/Minority工具將小圖斑合并到周圍的大類中，分類后處理結(jié)果如圖8所示。圖8 最大似然左與支持向量機右分類后處理結(jié)果圖在ENVI下打開前面用于分類的影像數(shù)據(jù)和提取出的小班數(shù)據(jù)，在Available Vectors List下選擇FileExport Layers to ROI，在彈出的對話框中選擇影像數(shù)據(jù)OK，然后選擇Covert each record of an EVF layer to a new ROI，將小班數(shù)據(jù)轉(zhuǎn)化成ROI興趣區(qū)；然后采用ClassificationPost ClassificationConfusion MatrixUsing Ground Truth ROIs混淆矩陣下的地表真實訓(xùn)練區(qū)方法進展檢驗。精度結(jié)果見表1。表1分類精度評價最大似然支持向量機類別制圖精度(%)用戶精度%制圖精度(%)用戶精度%闊葉林針葉林農(nóng)地裸地建筑用地水域總體分類精度40.8361%60.2669%Kappa9.制作專題圖將分類后處理結(jié)果導(dǎo)入ArcGIS中，進展專題圖制作，添加標(biāo)題、比例尺、指北針與圖例等要素，最終得到分類專題圖?？梢姼郊D9 專題圖結(jié)果四、分類結(jié)果分析表1可以看出，經(jīng)過前期增強處理，針葉林、農(nóng)地和水域分類效果較好；其他幾類分類效果均不佳。2.兩種分類方法的總體精度均不高，具體原因分析如下：1TM影像分辨率不高，對于光譜差異不明顯的闊葉林和針葉林，容易出現(xiàn)異物同譜與混分現(xiàn)象；2影像拍攝時間和二調(diào)數(shù)據(jù)采集時間不一致以與季節(jié)的不同，影像分類時會產(chǎn)生差異；3對于二調(diào)數(shù)據(jù)，有些區(qū)域含有混合成分，所以進展樣本選擇時會有錯誤樣本進入訓(xùn)練過程，同時利用整個區(qū)域進展驗證分類結(jié)果，因此也會對分類結(jié)果產(chǎn)生影響；4在分類過程中，訓(xùn)練區(qū)的數(shù)量與準確度也對分類精度有很大影響。五、實驗感悟?qū)嶒炃捌谧隽艘恍﹪L試，想利用決策樹方法來進展分類，但是類與類之間的判別信息不是很明確，實驗沒能進展下去，于是改用支持向量機的分類方法。實驗中有不正確的地方，希望教師指出。