摘要：以重庆市铜梁县为研究区域，以landsat/tm遥感影像，矢量数据为主要数据来源，结合envi，google earth，arcgis等软件，综合应用影像数据，矢量数据，统计数据及各软件之间的交互操作对该区域土地利用类型进行分类，再利用往年统计数据和kappa系数对分类结果的可靠性进行检验，最后土地分类结果精度比传统方法高。

关键词：土地分类 铜梁县 google earth envi

1.传统分类方法

传统分类方法主要是目视解译。它是从影像色调、颜色、阴影、目标物的大小、形状、纹理结构、图型格式、位置、组合等基本解译要素结合具体目标物的解译要素来识别目标，获取目标物信息的最直接、最基本的方法。由cih-iarj提出，目视解译具有操作简单，灵活性强等优点有，但由于解译经验和专业知识的差别，解译结果受个人主观因素影响较大，尤其是单纯利用空间分辨率不高的图像进行解译分类时，精度往往不高。

2.数据准备与说明

2007年9月27日重庆市tm/ landsat影像（已经过辐射和几何精校正），重庆市矢量数据，1990、2007、2008年铜梁县土地统计数据及一些文字资料。

3.实验步骤

3.1影像镶嵌

由于铜梁县全区不在一景完整的tm影像上，需要将相邻两景tm影像镶嵌。

3.2确定工作范围

用铜梁县边界的矢量数据裁剪tm影像。

3.3图像增强与变换

3.3.1彩色合成

tm前7个波段当中第六个波段为热红外波段，用于探测地物自身的热辐射特征，与地表的光谱特征无直接联系，且分辨率较低，为120m。因此，将第6波段剔除，剩余6个波段作为融合的信息源。由于铜梁县上空云雾较多，在能明显反应地表不同地物光谱特征的前提下，有要尽量消除云雾对目视解译的影响，经多次试验后，选择5，4，3波段组合。

3.3.2图像融合

高分辨率图像对图象解译有很重要的作用，用hsv变换和全色波段（空间分辨率为15m）可以实现在保证光谱分辨率的前提下提高空间分辨率。

hsv变换具体方法为[2]：首先采用立方卷积作为重采样方法将多光谱图像放大一倍，完成后用rgb模式显示5，4，3波段，并对图像（scroll窗口）进行均衡化拉伸。

将图像（image窗口）作为输入数据进行rgbhsv变换，由于v是与颜色无关的属性，并且v的值域范围是[0，1]，先用波段计算的方法将全色波段值域调至[0，1]（用band8/255），再通过hsv→rgb变换用全色波段替换掉v成分，其余两个成分不变。

3.3.3图像变换

图像变换的常用方法有主成分变换，缨帽变换，brovey变换，傅里叶变换，乘积变换，小波变换等。实验要保证在减少数据冗余的情况下，尽可能不丢失有用信息，以保证小地块的分类精度。主成分变换满足上述要求，是研究该地区的较理想的融合方法。

3.4土地利用类型分类

3.4.1分类方法及分类依据的确定

本研究采用的是监督分类的方法，监督分类的方法有很多，如最小距离法，马氏距离法，最大似然法，神经网络，支持向量机分类法等[3]。对于以上分类方法中，支持向量机分类法具有最高的分类精度，对于容易错分的地物也得到了比较好的区分，能更准确地提取出目标地物，但是计算时间长。最小距离分类法的分类精度最低，但是算法简单，计算时间短。最大似然分类法和神经网络分类法的精度也很高，但是最大似然法的计算时间很短，神经网络法的计算时间是这四种分类方法中最长的。最大似然法由于分类精度较高，且计算时间快，所以仍是使用较多的分类方法[4]。本研究采用最大似然法。

3.4.2操作要点

3.4.2.1结合谷歌地球帮助解译

除结合传统的解译标志—色调、颜色、形状、大小、纹理结构解译之外，还结谷歌地球帮助解译。图像经过以上步骤后，空间分辨率为15m，但图像仍然存在大量混合象元，各类地物之间边界不明晰，除了一些光谱特征比较明显的地物可直接进行roi（region of interest）选取，光谱特征不太明显的地物借助谷歌地球，注意要调整谷歌地球数据时间点。对于影像上不确定的地物可以直接用envi的tools工具跳转至实际地点帮助解译；还可以先在谷歌地球找到面积较大的一类地物后，在其上新建地标，查看地标属性，将属性当中经纬度信息输入roi，精准定位到相应地物象元，较大程度避免了混合象元的选取。

3.4.2.2结合已有矢量数据

由于在5，4，3波段组合下交通用地和工矿用地都是亮白色的，且纹理也相似，很

难手动将它们划分成不同的roi。

本实验采用结合矢量数据的方法：先将这两种地物分为同一类，并且将公路等矢量数据转为栅格数据，计算出总面积，在用两种地类的总面积减去交通用地就可得出工矿用地面积。最后土地分类图像叠加上矢量的交通线图层。

3.4.2.3利用统计资料

在选取“未利用”土地类型时，参考统计文献[4]可知铜梁县“未利用”土地类

型大部分是田埂，对于空间分辨率为15m的图像来说，宽度为1m左右的田埂是和其他地类混在一起的混合象元，如果强行在图像选取roi的话，难免不将其他地类包含其中，影响总体分类精度。这里采取“间接”的方法：先将其他地类分好，最后用总面积减去其他地类面积之和，可以得出“未利用”土地面积。

3.5精度评价

3.5.1kappa系数

kappa分析采用一种离散多元技术，考虑了矩阵的所有因子，克服了利用总体精度、用户制图精度的缺点：象元类别的小变动可能导致百分比变化较大，这些指标的客观性依赖于采样样本和方法。

结论与建议

在用像landsat/tm之类的中等分辨率进行土地利用类型进行分类时，应充分结合该地区的高分辨率的影像，矢量数据，往年统计数据，google earth等手段帮助解译，提高解译精度。

参考文献：

1. 纪仰慧，李国春，关宏强. 土地利用/覆盖遥感分类研究综述[j]. 农业网络信息，2005（8）：36-38.

2. 韦玉春. 遥感数字图像处理实验教程[m] 北京：科学出版社， 2011

3. 赵英时等. 遥感应用分析原理与方法[m]. 北京：科学出版社， 2003

4. 闫琰， 董秀兰， 李燕. 基于envi的遥感图像监督分类方法比较与研究[j]. 北京测绘 2011（3）：14-16

5. 张振德等. 重庆市国土资源遥感综合调查与信息系统建设[m]. 北京：地质出版社， 2002

6. congalton r. g.，1991，a review of assessing the accuracy of classification of remotely sensed data， remote sens. environ. 37：35-36.下载本文