水体专题图和土地利用专题图制作

1 实验区域简介
1.1实验区地理位置
环翠区，隶属于山东威海市，是威海市的中心城区，是威海市的政治、经济、文化和科技中心。地处山东半岛最东边，三面环海，东与朝鲜半岛、日本列岛相望，属于胶东低山丘陵区，中部和东南高，西部和北部低，地山丘陵和平原低地相间分布，低丘陵区坡度较大，平原地区地势较平缓。
1.2实验所选影像介绍
本次实验数据使用的是从地理空间数据云下载的landsat8oli遥感影像数据，具体参数如表1所示。
表1 下载的影像参数数据

经过辐射定标和大气校正威海市影像具体如图1所示：

2水体专题信息提取以及叶绿素浓度反演
2.1数据源
本次实验数据使用的是从地理空间数据云下载landsat8oli遥感影像数据，具体参数如表1所示。
表1 下载的影像参数数据

首先对影像进行辐射定标。采用envi5.3软Radiometric Calibration工具，选择多光谱波段进行辐射定标，然后进行大气校正，采用flash大气校正工具，设置一定的参数，最终大气校正和裁剪后的影像如图1和图2所示。

2.2水体提取
2.21水体指数
利用ENVI软件提供的band math工具，利用NDWI = （绿色波段-近红外波段）/(绿色+近红)这个公式，构建NDWI水体指数；
2.22阈值的确定
右键new region of interest，点击threshold，利用直方图选择阈值，经过多次对比实验，最终确定阈值选择-0.1,使用band math工具，使用“b1 gt -0.1”，提取出水体。其中NDWI如图3所示，最终提取的水体如图4所示。

图5为导出的矢量格式，并将“gridcode=0”的斑块去除，由于最终提取的水体为单波段，若想显示为多波段影像，则利用图5所示导出的矢量对影像进行裁剪，最终的结果如图6所示。

根据建立好的模型反演水中叶绿素浓度，这里采用的模型是y=56.878*（float（b3）/float(b2)）-25.536，最后将影像导入到arcgis里进行出图，最终结果如图7所示：

3遥感图像分类与动态监测
3.1、实习目的
对威海市环翠区2013和2018年的Landsat-OLIDE的遥感影像进行土地分类，对分类结果进行后处理和精度评价，并对各类土地利用类型的面积进行统计。基于分类结果，生成土地利用动态变化专题图，分析主要的土地利用动态变化类型，变化的原因等。
3.2、实验区域及数据
3.21实验区概况
环翠区，隶属于山东威海市，是威海市的中心城区，是威海市的政治、经济、文化和科技中心。地处山东半岛最东边，三面环海，东与朝鲜半岛、日本列岛相望，属于胶东低山丘陵区，中部和东南高，西部和北部低，地山丘陵和平原低地相间分布，低丘陵区坡度较大，平原地区地势较平缓。属于温带季风气候，季风进退和四季变化都很明显，与同纬度的内陆地区相比，其具有雨水充沛、年温适宜、气候温和的特点。
3.22数据源
本次实验数据使用的是从地理空间数据云下载的landsat8oli遥感影像数据，具体参数如表1所示。
表1 下载的影像参数数据

经过大气校正并融合后的威海市影像具体如图1所示：

3.3、土地利用分类
3.31分类方法
我们先对影像进行预处理，包括影像的辐射定标，利用flash方法进行大气校正，利用GS方法进行图像融合，提高影像的分辨率，最后对影像进行裁剪，得到环翠区的遥感影像。预处理完成后进行图像解译，解译的目的是确定目标地类。有时图像不能很好的区分，这时可以变换波段组合，以更好地区分地物，例如我们可以采用764波段组合去提取城市建设用地，用654波段组合提取林地等。本次实验我们采取监督分类中的支持向量机方法。支持向量机的方法是一种建立在统计学习理论基础上的基础学习方法，它可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确性。
监督分类的关键是训练样本与训练场地的选择，其选择的质量关系到分类能否取得较好的效果，所以在选择训练样本时要充分考虑研究区地物的光谱特征和分布区域特征，倘若此时再不配合野外调查就很难确保所选的训练样本有较好的代表性。由于时间有限，这里主要是在原始影像上选择样本，选取的样本都能达到20个以上。
3.32各地类解译标志建立
在进行样本选择时，首先要对地类建立解译标志，开始分类时建立的解译标志可以根据影像的特征细化到亚类，因为不同的地类在影像上呈现出来的效果不同，亚分类进行选取可以有效地提高分类精度。我们通过不同的波段组合尽量保证数量都在20个以上，选择的样本要较纯净，分布相对均匀，对后续的分类结果有较好地保证。

3.33 分类结果
由于没有更高分辨率的遥感影像作为验证样本，只能在原始的影像上选择训练样本，保证训练样本与分类样本没有重叠，同时保证样本类别的一致性，能够准确地进行判读。
表 2 分类误差矩阵（2013）

分类结果＼验证 林地 水体 建设用地 耕地 总和
林地 602 0 12 1 615
水体 0 1142 32 0 1148
建设用地 0 0 3186 78 3264
耕地 83 0 5 1400 1488
总和 685 1144 3209 1479 6517
总体精度 97．13
制图精度 漏分误差 用户精度 错分误差
林地 87．88 12．12 97．89 2．11
水体 99．83 0．17 99．48 0．52
建设用地 99．28 0．72 97．61 0．72
耕地 94．66 5．34 94．09 5．91
kappa= 95．66

表 2 分类误差矩阵（2018）

分类结果＼验证 林地 水体 建设用地 耕地 总和
林地 676 0 7 7 690
水体 0 1266 0 0 1266
建设用地 0 0 3250 2 3250
耕地 9 0 1 1506 1515
总和 685 1268 3257 1515 6725
总体精度 99．58
制图精度 漏分误差 用户精度 错分误差
林地 98．69 1．31 97．97 2．03
水体 99．84 0．16 99．84 0
建设用地 99．79 0．21 99．94 0．06
耕地 99．41 0．59 99．41 0．59
kappa= 99．40
从表中我们可以看出，能够得到较好的分类精度

3.4土地利用动态监测

2013到2018年林地面积由77103000平方米增加为92314350平方米，面积增加了15211350平方米，水体由21599325平方米变为20931075平方米，面积减少了668250平方米，建设用地由167002875变为179796150平方米，面积增加了12793275平方米，耕地由148920750变为121638600平方米，减少了27282150平方米。其中，耕地变化较大，其中一部分与分类精度有很大关系，由于所选区域面积较小，遥感影像分辨率较低，分类的精度不能达到较好的保证，而且所选的影像为5月份，这在北方存在很多的休耕地，而在两期影像选择样本点时没有做好裸地和有农作物的耕地的区分；其次，随着五年的发展，耕地转为建设用地可以认为理所当然；由于威海市本身属于旅游度假城市，重视绿地面积，即林地面积的增加。本具体的情况如下图所示：

3.5 结论
通过以上实验和分析，我的分类结果还比较合理。分类的结果从精度上看，两幅影像的整体精度达到95%以上，Kappa系数也在0.95以上。所以，分类后的影像和原始影像相差不大。整体上分类结果是以林地和耕地为主，其次是建设用地，最后是水体，而由于此处的水体没有进行进一步的细分，许多滩涂和养殖场也包含在内，影响了最终的分类精度。
从变化检测的结果统计及动态变化监测图可以分析到，从2013到2018年，环翠区的林地和建设用地在扩大，而耕地和水体在减少，这可能是近几年强调绿色发展，更加注重环境保护，查阅相关资料得知，根据《威海市土地利用总体规划2006-2020》，威海市是胶东半岛重要的港口城市，土地利用率高，人均耕地少，明确指出严格控制建设用地规模，这也可以一定程度上解释本次实验中林地增加较多的原因，当然，如需要深度研究，应加以必要的实地考察。
综上所述，此次实验的结果还是具有一定的精确度和使用价值的，是经得起实际的经验考察的，如果能够结合更高分辨率的影像以及实际的调研，我相信实验结果会更加准确和科学。