envi遥感实验土地利用昌宁县.docx
《envi遥感实验土地利用昌宁县.docx》由会员分享,可在线阅读,更多相关《envi遥感实验土地利用昌宁县.docx(15页珍藏版)》请在冰豆网上搜索。
envi遥感实验土地利用昌宁县
自然地理环境数据采集与处理
遥感原理与应用综合实验报告
题 目:
云南省昌宁县土地利用类型专题图
姓 名:
学 号:
院、 系:
旅游与地理科学学院
专 业:
自然地理
指导教师:
时间2014年6月24日
云南省昌宁县土地利用类型专题制图报告
1遥感数据下载
1.1网站:
地理空间数据云
1.2遥感影像基本信息
数据源选择Landsat8OLI_TIRS卫星数字产品,基本信息如表1所示。
表1Landsat8OLI_TIRS卫星数字产品
数据标识
LC81310432014031LGN00
卫星名称
LANDSAT8
数据类型
OLI_TIRS
传感器
OLI_TIRS
接收站
LGN
白天/晚上
DAY
条带号
131
行编号
43
太阳高度角
40.9662
太阳方位角
146.0288
获取时间
2014-01-31
开始时间
2014-01-3103:
48:
09.0
结束时间
2014-01-3103:
48:
40.0
平均云量
0.04
中心经度
99.9947
中心纬度
24.5532
左上角经度
99.2856
左上角纬度
25.6007
右上角经度
101.1227
右上角纬度
25.2309
右下角经度
100.6890
右下角纬度
23.4937
左下角经度
98.8775
左下角纬度
23.8648
2合成多波段遥感图像
下载所得的遥感图像为11个单波段影像,需要将其组合成多波段遥感图像。
2.1打开单波段影像(如图1所示)
图1单波段遥感影像
2.2多波段合成
(1)打开file——saveas——savestandard弹出newfilebuilder对话框如图2所示,单击
,按顺序依次添加分辨率相同的单波段遥感影像(该影像图为landsat8共有11个波段,其中8波段分辨率为15m,其他都为30m,因此8波段不能合并)。
添加完毕后选择好存储位置,点击OK即可,如图3所示。
图2newfilebuilder对话框图3单波段添加
(2)合成真彩色多波段遥感影像
合成后在波段列表中选择RGBCalor432波段(标准真彩色遥感影像)如图4所示。
图4标准真彩色遥感影像
3图像裁剪——于矢量边界生成的感兴趣区域的裁剪
影像裁剪的目的是将研究区以外的区域去除,经常是按照行政区划或研究区域的边界对图像进行裁剪,这里选择用Arcmap对云南省昌宁县进行裁剪。
3.1用Arcmap裁剪出云南省昌宁县矢量图(如图5)
a
b
图5云南省昌宁县矢量图a为裁剪前,b为裁剪后
3.2利用ENVI进行裁剪
(1)叠加矢量图:
选择主菜单File→OpenVectorFile,打开Shapefile矢量文件,投影参数不变,选择OutputResultto为Memory,点击OK。
(如图6)。
图6叠加矢量图步骤
(2)选择裁剪方式(如图7)
图7裁剪方式
(3)选择裁剪工具
(4)对图像进行裁剪处理(如图8—10)
图8—9
图10裁剪后的图像结果
4图像增强处理——色彩变换
在使用单波段图像时,由于成像系统动态范围的限制,地物显示的亮度值差异较小。
又由于人眼对黑白图像亮度级的分辨能力仅有10~20级左右,而对色彩和强度的分辨力可达100多种,因此将黑白图像转换成彩色图像可使地物的差别易于分辨。
本例采用标准假彩色,由于多波段摄影中,一副图像多不是三原色的波长范围内获得的,如采用人眼看不见的红外波段等,因此由这些图像所进行的彩色合成称假彩色合成。
实现步骤基本同上,分别将Band5、Band4、Band3名导入到标签为“R:
”、“G:
”、“B:
”的文本框中,合成假彩色图像(如图11)。
图11合成假彩色图像
5分类体系的选择——监督分类
5.1类别定义/特征判别
根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统;对影像进行特征判断,评价图像质量,决定是否需要进行影像增强等预处理。
这个过程主要是一个目视查看的过程,为后面样本的选择打下基础。
本例类别分为:
耕地、林地、草地/灌木、水域、城乡规划交通用地、未利用地(戈壁、盐碱地等)六类。
5.2样本选择
为了建立分类函数,需要对每一类别选取一定数目的样本,在ENVI中是通过感兴趣区(ROIs)来确定,也可以将矢量文件转化为ROIs文件来获得,或者利用终端像元收集器(EndmemberCollection)获得,本例中使用ROIs方法。
(1)打开分类图像,在Display->Overlay->RegionofInterest,默认ROIs为多边形,按照默认设置在影像上定义训练样本。
(2)训练样本的选择——设置好颜色和类别名称(支持中文名称)如图12。
图12训练样本的选择
(3)计算样本的可分离性
在ROIs面板中,选择Option->ComputeROISeparability,计算样本的可分离性。
如图13表示各个样本类型之间的可分离性,用Jeffries-Matusita,TransformedDivergence参数表示,这两个参数的值在0~2.0之间,大于1.9说明样本之间可分离性好,属于合格样本;小于1.8,需要重新选择样本;小于1,考虑将两类样本合成一类样本。
图13样本可分离性计算报表
(4)分类器选择
根据分类的复杂度、精度需求等确定哪一种分类器。
目前监督分类可分为基于传统统计分析学的,包括平行六面体、最小距离、马氏距离、最大似然,基于神经网络的,基于模式识别,包括支持向量机、模糊分类等,针对高光谱有波谱角(SAM),光谱信息散度,二进制编码。
下面是几种分类器的简单描述。
支持向量机。
基于传统统计分析的分类方法参数设置比较简单,这里选择支持向量机分类方法。
(5)影像分类
基于传统统计分析的分类方法参数设置比较简单,这里选择支持向量机分类方法。
主菜单下选择Classification>Supervised>SupportVectorMachine。
按照默认设置参数输出分类结果,如图14——15。
图14支持向量机分类器参数设置
图15支持向量机分类结果
6分类后精度评定的混淆矩阵和精度计算结果
(1)对分类结果进行评价,确定分类的精度和可靠性。
有两种方式用于精度验证:
一是混淆矩阵,二是ROC曲线,比较常用的为混淆矩阵,ROC曲线可以用图形的方式表达分类精度,比较形象。
本例采用混淆矩阵,把原分类的TM影像当作是高分辨率影像,在上面进行目视解译得到真实参考源。
直接利用ROI工具,在TM图上均匀的选择6类真实参考源。
步骤如下:
选择主菜单Classification->PostClassification->ConfusionMatrix->UsingGroundTruthROIs。
将分类结果和ROI输入,软件会根据区域自动匹配,如不正确可以手动更改。
点击ok后选择报表的表示方法(像素和百分比),就可以得到精度报表。
(如图16—17)
图16验证操作面板
图17分类精度评价混淆矩阵
(2)精度计算结果
参考图17分类精度评价混淆矩阵,本次精度分类精度表中的OverallAccuracy=(1832/2083)87.9501%、KappaCoefficient=0.8518。
2制图精度与用户精度如表1—2所示。
表2制图精度结果
分类体系
耕地
林地
草地
未利用地
城规交通
制图精度%
88.77
97.82
82.60
85.33
86.98
表3用户精度结果
分类体系
耕地
林地
草地
未利用地
城规交通
水域
用户精度%
88.28
96.24
76.94
90.65
79.15
92.04
7分类结果专题图(见附件)