【RS学习笔记】e Cognition Developer（易康）基于面向对象的遥感综合解译

一、实验目的与要求： 

目的:

（1）熟悉易康、Envi、ArcGis、Google earth、Excel等软件的操作与应用，并利用各软件对遥感影像进行土地利用类型解译，得到丰都县2000年与2016年的土地利用类型，分析其时空变化；

（2）学会根据影像进行地物判断。

要求：

（1） 完成对应区县2016、2000两期Landsat影像解译，土地利用类型包括：林地、耕地、建设用地、水域、草地、裸地等6类。

注意：草地与耕地区别——草地一般是不规则，耕地人为耕种，一般是规则形状；草地与林地的区别——颜色与纹理。 建议：利用易康软件实现面向对象的分类。

（2）对2016图像进行精度验证，要求总精度80%以上（Google 采样验证，每类不得少于5个样点，分布均匀）；

（3）对两期土地类型面积进行统计，并制作转置矩阵。

 

二、实验步骤过程  

1 遥感影像预处理

1.1 遥感影像下载

    选取2期晴朗少云条件下Landsat8及Landsat7数据作为遥感影像数据（表1），数据来源地理空间数据云，空间分辨率为30m，已经过几何校正和辐射校正等预处理。

  表1遥感影像信息

	条带号	成像时间	中心经纬度
LE71270392000133SGS00	127/39	2000.5.12	30°18' E, 107°39' N
LC81270392016169LGN00	127/39	2016.6.22	30°18' E, 107°39' N

 

1.2 图像裁剪

打开00年的“header.dat”、“16年的*MTL.txt”、“重庆区界线图.shp”文件。

（1）     右击“重庆区界线.shp”——【View/Edit Attributes】——选中“丰都县”，点击【File】——【Save Selected Records As New Shapefile】——OK。

（2）     点击【Tool Box】——【Regions of Interest】——【subset Data from ROIs】——选择波段——OK,在弹出的对话框中选择fd.shp，设置Mask pixels output of ROI为YES，Mask Background Value 0及输出路径——OK。裁剪出的结果如图所示。

          

    

2000年影像	2016年影像

 

 

2 2016年影像面向对象的监督分类（基于eCognition Developer软件）

2.1 前期准备

（1）格式转换。在Envi中，点击【File】——【Save as】，将两幅影像从*.dat格式转换为*.tif格式，并且将所有文件夹名称改为英文（易康软件仅支持英文路径）；

（2）新建工作空间。打开eCognition Developer9.0软件，点击左上角【Create New Project】创建新的工作空间，添加2016.tif数据——OK。

  

 

（3）更改RGB组合。点击上方工具栏【Edit Image Layer Mixing】，改变图像RGB组合为321，使其以真彩色显示。

2.2 影像分割（将影像分为一个一个由多个光谱特征相似像元构成的对象）

点击主菜单【Process Tree】，在弹出的【Process Tree】对话框中，右击空白处并点击选择【Append New】，在弹出的【Edit Process】对话框中： 设置Name：“Interpertation  Process（解译流程）”，右击“Interpertation  Process”——【Insert Child】，在弹出的【Edit Process】对话框中：设置Name：“1. Segmentation”——OK；

右击“1. Segmentation”——【Insert Child】，在弹出的【Edit Process】对话框中：设置Algorithm（算法）为multiresolution segmentation（多尺度分割），Domain为pixel level，Level Name为Level Main，Scale parameter为50——Execute。（经多次实验，为避免对象分割过大，不同地物像元混杂，故将2016年影像分割尺度设置为50。）

 

2.3 监督分类

（1）构建类别。主菜单【Classification】下拉——选择【Class Hierarchy】（类描述），在弹出的【Class Hierarchy】窗口中，右击空白处【Insert Class】，右击【and（min）】——【Insert new Expression】，在弹出的【new Expression】对话框中：点击Nearest neighbor——Insert；双击【Nearest neighbor】——双击【Object features】——双击【Layer Values】：双击删除其他的，仅选择Mean和Standard deviation——OK。

返回【Class Description】界面，设置 Name：land，color：黄色——OK。

重复上诉构建耕地（land）类别步骤，以相同方式设置林地（forest）、草地（grass）、裸地（bare land）、建设用地（city）、水域（water）等类别。

（2）选取样本区。右击上方空白处——【Toolbars】——勾选【Sample】，得到选择样本工具栏，从左至右依次为：点选、样本刷、样本编辑器、样本选择信息。

    

 

点击右侧【Class Hierarchy】窗口下各类别，点击（点选，所选样本形状较小）或（样本刷，所选区域较大），在图像中选择各类别样本，选取样本需均匀分布于研究区内（可选择不同波段组合突出地物，LandSat8图像可选择543（标准假彩色）及 652突出植被或水体），各类别所选样本依据如下表所示：

  表2 样本选取依据

类别	选取依据	典型案例
耕地 （land）	人为耕种，在波段组合为652下，表现为绿色，且形状规则。
草地 （grass）	在波段组合为652下，表现为绿色，且形状不规则。
林地 （forest）	在波段组合为652下，颜色较深，易于区分。
水域 （water）	在波段组合为543下，表现为蓝色。
建设用地 （city）	在波段组合为543下，表现为亮绿色，且新城颜色比旧城更亮。
裸地 （bare land）	在波段组合为432下，即真彩色情况下，表现为土色、大地色。

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

（3）执行最邻近法分类。

右击“1.Segmentation”——【Append New】——Name：“2.NNclassification”——OK，右击“2.NNclassification”——【Insert Child】，在弹出的【new Expression】对话框中：设置Algorithm：classification，Active classes：六个类别——Execute。

 

最邻近法分类结果：

 

2.4 分类后处理

（1）合并。右击“2.NNclassification”——【Append New】，在弹出的【new Expression】对话框中：Name：“3.after”——OK，右击“3.after”——【Insert Child】，在弹出的【new Expression】对话框中：Name：“union”——OK，右击“union”——【Insert Child】，在弹出的【new Expression】对话框中：设置Name:“water”,Algorithm：merge region，Class filter：water——Execute。

Copy+Paste“water”，将六个类别进行单独合并（Class filter改为相应类别即可）。

   （2）平滑（规范化）。

a.增长模式（growing）。右击“union”——【Append New】，在弹出的【new Expression】对话框中：Name：“smooth”——OK，右击“smooth”——【Insert Child】，在弹出的【new Expression】对话框中：Algorithm：pixel-based object resizing，Mode：Growing，Class filter：water，Reference：object，Operation：>=，Value：0.5——Execute。

b.收缩模式（shrinking）

先在【Class Hierarchy】中新建一个类，名称为temp，用于存放收缩后不需要的图斑。右击“smooth”——【Insert Child】，在弹出的【new Expression】对话框中：Algorithm：pixel-based object resizing，Mode：Shrinking，左边Class filter：city,右边Class for new image objects：temp，Reference：object，Operation：<，Value：0.5——Execute。

右击【Append New】，在弹出的【new Expression】对话框中：Algorithm：remove objects，Class filter：temp——Execute。

    上述两种模式均可用于平滑，无特殊说明，故本次实验water、bareland、forest、land、grass5种类别利用增长模式，city采用收缩模式。

 

平滑后的图像如下：

平滑前	平滑后

 

2.5 转为矢量并导出

点击主菜单【Export】——【export results】，在弹出的对话框中：【Select classes】：全部类别。

点击【Select features】，在弹出的对话框中：Create new ‘Class name’（保证导出的矢量数据有类别属性）。

 

2.6 Google Earth 取样

  （1）shp边界转为kml格式。打开ArcGis，点击【图层转KML工具】，输入丰都县的矢量边界，即可转为KML格式，以便在Google Earth中打开。

（2）Google Earth采样。打开Google Earth，并添加上一步*.kmz文件，以便确定采样点范围。

      添加点，并将该点经纬度复制到Excel中，且带类别属性。

   

将度分秒转换为度，以便导入ArcGis。先统一单元格格式为xx°xx′xx″，再依据公式转换（注意不能有空格且位数不足用0补充！）：

纬度：MID(A3,1,3)+MID(A3,5,2)/60+MID(A3,8,5)/3600

经度：MID(B2,1,2)+MID(B2,4,2)/60+MID(B2,7,5)/3600

（3）样本点转为shp格式。点击【Add XY Data】工具生成event事件（注意坐标必须是地理坐标系，不能是投影坐标系，不然和影像合不上！），再导出成shapefile文件，使其带有属性信息，以便参与运算。

   

 

2.7 精度验证。

（1）新建工作空间。关闭用于分类的工作空间，点击左上角【Create New Project】创建新的工作空间，添加遥感影像数据（点击第一个insert添加）、分类后的shp数据（点击第二个insert添加）、样本shp数据（点击第二个insert添加）——OK。

 

（2）棋盘分割。点击【Process Tree】——【Append New】，在弹出的【new Expression】对话框中：Name：“Assessment”，右击“Assessment”——【Insert Child】：Algorithm：chessboard segmentation（棋盘分割），Object Size：10，Thematic Layer：Yes。

  （3）输入样本图层：点击【Process Tree】——【Append New】，在弹出的【new Expression】对话框中：Algorithm： assign class by thematic layer，Thematic Layer attribute：Class_name，Class Mode：Create new class——OK。

（4）输入影像。点击【Process Tree】——【Append New】，在弹出的【new Expression】对话框中：Algorithm：classified image objects to samples，Class filter：all。

（5）输入监督分类后图像。点击【Process Tree】——【Append New】，在弹出的【new Expression】对话框中：Algorithm：assign class by thematic layer，Thematic Layer ：classification，Thematic Layer attribute：Class_name，Class Mode：默认第一个——OK。

（6）查看精度。点击主菜单【Tool】——【Accuracy Assessment】——【Statistic type】：Error Matrix based on Samples，点击Show statistics即可查看精度检验结果。

  

从overall Accuracy可以看出，本次实验分类精度达到80%以上，可进行后续步骤。

 

3 2000年影像面向对象的监督分类（基于eCognition Developer软件）

    与2016年影像分类步骤一致，不再重复叙述，需注意的是2000年影像久远，质量稍差，故经多次试验，分割像元不同于2016年影像的50，设置为10时效果最好。

 

4 精细化处理

将被误分的云层合并为周围土地利用类型，将断裂的道路或河流连接完整，将出现阴影或明显分类错误的区域进行编辑修正，精细化处理，具体操作如下：

去除云层：【编辑器】——【开始编辑】：选中云层 ，点击按钮打开属性表：将其改为旁边与之接近的其他地物。

处理明显错误分类：对于比较明显的错误，可在编辑状态下直接对其进行修正，如河流中心出现了城市建设用地等。  

矢量化河流：由于计算机分类存在误差以及样本的主观性等原因，河流很可能被中断，而河流是研究一个地区的重要指标，现按如下步骤矢量化河流：

a)  目录——右击文件夹——【新建】——shapefile：要素类型为折线。

b) 【编辑器】——【开始编辑】——点击，创建要素选择河流，根据影像矢量化河流。 

c)  点击工具中的按钮——测出河流宽度约为60m。

d) 【地图处理】——【缓冲区】：输入河流.shp，线性单位30m。

e) 【地图处理】——【联合】：输入河流缓冲区及分类后图像。

f) 右击分类后图像——打开属性表——点击 ——按属性选择："FID_heliuh" = 0。

g) 【编辑器】——【开始编辑】——点击——合并：点击水域。

        计算各类面积：右击分类后图层——打开属性表——点击按钮——添加字段：名称为面积，且为双精度，右击面积——计算几何：单位km²。

 

5 计算转置矩阵

（1）交集制表。 打开ArcGis，【工具箱】——【分析工具】——【统计分析】——【交集制表】：输入区域要素：00年结果，区域字段：00类型，输入类要素16年结果，类字段：16年类型——确定。

 

（2）制作转置矩阵。将交集制表的dbf表导出，后存为*.xls格式并打开，【插入】——【数据透视表】，选中所有数据。在【数据透视表字段】中，列选择00年，行选择16年，值选择求和，得到2000年与2016年土地利用类型转置矩阵。

   

 

表3 土地利用类型转置矩阵（单位/km²）

 

	bareland	city	forest	grass	land	water	sum
bareland	8.506	3.137	30.654	85.642	100.426	4.120	232.488
city	3.137	2.531	0.558	1.902	17.200	1.749	27.080
forest	2.379	0.558	404.47	64.162	85.914	1.934	559.427
grass	3.679	1.902	90.080	153.566	136.840	1.575	387.643
land	40.763	17.200	176.141	620.334	687.606	21.602	1563.649
water	7.316	1.749	23.623	25.489	32.513	44.610	135.302
sum	63.855	16.563	725.896	953.441	1048.578	76.222	2895.074

 

 

5 制图输出

（1）打开ArcGIS——模板——Standrad Page Size。

（2）边界晕染。点击丰都的矢量边界——【将符号系统转换为制图表达】：设置效果为缓冲区，并更改颜色。

（3）插入标题、图例、指北针、比例尺、经纬网。点击【insert】菜单，依次加入图例、指北针、比例尺；右击数据框选择properties里面的grids，为地图设置经纬度坐标（需注意经纬度的设置不可过于密集，线条颜色不可太深等），最终制图如下：

 

三、实验结果及分析：   

1、定性分析

 

2000年	2016年

 

2000年	2016年

 

可以发现，2000年:

（1）丰都县以耕地、草地及林地为主，裸地及建设用地较少；

（2）林地、草地、耕地混杂，土地类型破碎化严重。

2016年：

（1）丰都县以耕地为主，草地减少，裸地增加；

（2）建设用地增多，城市化进程加快；

（3）东南部林地、草地、耕地依旧混杂，土地破碎化依旧严重。

通过直观对比，有两个明显特点：

（1）      建设用地面积有所增加，城市群兴起，城市化进程迅速；

（2）      2016年的土地利用类型图斑破碎程度比2000年大，土地类型混杂交错分布的现象更明显。

2、定量分析

表5 土地利用类型面积（单位/km²）

	2000年	2016年	变化
bareland	63.855	232.488	168.633
city	16.563	27.080	10.516
forest	725.896	559.427	-166.469
grass	953.441	387.643	-565.797
land	1048.578	1563.649	515.070
water	76.222	135.302	59.079

 

 

 

 

 

 

 

 

可以看出，丰都县在2000年，耕地占地面积最多，达到1048.578km²；草地面积其次，为953.441 km²；建设用地最少，仅16.563 km²；从2000年到2016年，丰都县建设用地增加了10.516 km²，耕地增加了515.070 km²，裸地增加了168.633 km²，水域增加了59.079 km²，草地减少了565.797 km²，林地减少了166.469 km²。

  表6 土地利用类型转置矩阵（单位/km²）

 

	bareland	city	forest	grass	land	water
bareland	8.506	3.137	30.654	85.642	100.426	4.120
city	3.137	2.531	0.558	1.902	17.200	1.749
forest	2.379	0.558	404.47	64.162	85.914	1.934
grass	3.679	1.902	90.080	153.566	136.840	1.575
land	40.763	17.200	176.141	620.334	687.606	21.602
water	7.316	1.749	23.623	25.489	32.513	44.610

从上表中可以看出，从2000年到2016年:

（1）建设用地主要转变为耕地及裸地，变化面积分别为17.2 km²、3.137 km²，2.531 km²保持建设用地不变，仅有0.558 km²转化为了林地。

（2）林地变化相对较小，绝大部分保持不变，不变面积达404.47 km²，其余主要转变为耕地，面积达176.141 km²；转为建设用地较少，仅0.558 km²。

（3）草地变化相对较大，有620.334 km²转为耕地，转为裸地的面积达85.642 km²，保持不变的面积有153.566 km²，而仅1.902 km²转为建设用地。

（4）耕地变化相对较小，绝大部分保持不变，达687.606 km²；其余主要转化为草地，达136.840 km²；次之为裸地，达100.426 km²；85.914 km²转化为林地，仅17.2 km²转化为建设用地。

（5）水域变化相对较小，绝大部分没有发生变化，不变面积达44.61 km²；其余主要转化为建设用地，达21.602 km²。

（6）裸地变化相对较大，主要转化为耕地，达40.763 km²；8.506 km²保持不变，3.173 km²转化为建设用地。

从以上数据可以看出，从2000年到2016年丰都县土地类型结构变动较大，耕地、建设用地增幅明显，林地、耕地、草地交错混杂分布，土地类型破碎化较为严重。

综上所述，研究区丰都县耕地面积达1563.649km²（占总面积54%），充分体现其以农业为主及农业的重要地位。林地也占有重要比例，面积达559.427km²，表明其生态环境良好，因此丰都县旅游资源均以自然景观和人文景观为主，有丰都名山(国家级风景名胜区)、双桂山(国家级森林公园)、鬼国神宫(中国最大的动态人文景观)、鬼王石刻(中国最大摩岩石刻造像)等著名景观，推动当地经济的发展。

3、不足

（1）两期影像草地与耕地均较难区分，虽已采用不同波段组合且结合Google Earth识别，分类效果及精度仍不佳，仍出现误分的可能；

（2）2000年影像质量稍差，对分类精度造成一定影响；

（3）由于河流支流在山区中某些位置出现断流与干枯情况，故影像反射值较高，部分被误分为建设用地，而分类后处理并没有完全将误分的建设用地还原为河流。