利用武汉市遥感影像进行土地利用分类分析

目录

一、 遥感软件的基本功能实习

1.1 遥感影像的大气校正

（1）基本原理与操作步骤

（2）结论

  1.2 几何校正

（1）影像之间的相对几何校正与镶嵌基本原理与操作步骤

（2）基于同名控制点的绝对几何校正基本原理与操作步骤

（3）结论

1.3 计算机解译

         1.3.1 监督分类（最大似然法）

1.3.2 非监督分类（K-Means）

1.3.3 非监督分类（ISODATA）

1.3.4 三种分类方法的结果对比分析

二、 综合应用实践

三、总结

---

免费原报告详见(65条消息) 中国地质大学（武汉）遥感原理与应用实习报告（免费）-行业报告文档类资源-CSDN文库https://download.csdn.net/download/qq_58010729/85076102

---

一、 遥感软件的基本功能实习

1.1 遥感影像的大气校正

（1）基本原理与操作步骤

传感器探测并记录地物辐射或反射的电磁波能量时，得到的测量值（辐射亮 度）并不是地物本身真实的辐射亮度，这是因为传感器的光电系统特征、太阳高度、地形以及大气条件等多种因素都会对传感器的探测和记录产生一定的影响。这种影响造成了遥感图像上地物辐射亮度的失真，并对准确评价地物的反射特征及辐射特征产生不利影响，必须尽量消除，则整个过程称之为辐射校正。而大气校正则分别由辐射定标和大气及太阳高度校正组成。

数据来源：USGS Global     http://glovis.usgs.gov/

 

本次实验使用的是武汉市部分区域 Landsat 8 OLI 的 L1T 级别数据LC812303920180430801T1。在 Envi5.3 64-bit中通过如下操作打开影像：

File-> Open As-> Landsat-> GeoTIFF with Metadata，打开 2019 年冬（实际时间为 2020 年初）图像如图一：

      2020 年 2 月 18 日武汉地区（landsat122039）

准备数据：定标符合单位要求的辐射量数据、转换数据储存顺序等。

具体操作为：在 ENVIToolbox 中，选择 Toolbox/Radiometric Correction/Radiometric Calibration，选择*_MultiSpectral 可见光-红外组（7 个波段），打开辐射定标工具，对两景影像分别做辐射定标。

                                    

                                    

 校正后结果图如下：

辐射校正之后的影像，比以前亮了一些电磁波在大气中的传输和遥感器观测过程中受光照条件以及大气作用等的影响，只有小部分(在 0.85um 波段80%，在 0.45um 波段 50%)太阳辐射能反射到遥感器，导致遥感器的测量值与地物实际的光谱辐射率不一样。辐射损失主要发生在大气吸收和散射过程，因此地表参数的遥感定量反演研究中，必须纠正目标辐射的不确定性信息。ENVI 中的 FLAASH 模型是基于 MODTRAN4+辐射传输模型，通过参数查找表来进行大气校正的商业化软件。FLAASH 大气校正模块支持多种传感器数据，其光谱处理范围 0.4μm-2.5μm，可以有效地去除水蒸气/气溶胶散射效应，同时该方法基于图像像素级的校正，能够解决目标像元和邻近象元的“邻近效应” 问题。

具体操作为：在 Toolbox 中，选择 RadiometricCorrection/FLAASH Atmospheric Correction：

辐射校正之后的影像，比以前亮了一些

结果对比分析大气校正前后典型地物的光谱曲线变化对比分析（包括植被、裸土、水体、人工建筑物）

裸土：

左为大气校正后，右为大气校正前，可以发现其变化是校正后在可见光波段有了波峰，其余波段变化情况差异不大。

 植被：

左为大气校正后，右为大气校正前，总体反射率变大，在可见光区间变化尤其大。

 水体：

左为大气校正后，右为大气校正前，在可见光波段有了“小波峰”。其余地方变化不大。

 人工建筑物：

左为大气校正后，右为大气校正前，总体反射率变大，在长波段变化尤其大。

（2）结论

大气的衰减作用对不同的波长的光是有选择性的，因而大气对不同波段的图像的影响是不同的。

另外，太阳-目标-遥感器之间的几何关系不同，则所穿越的大气路径长度不同，使图像中不同地区地物的像元灰度值所受大气影响程度不同，且同一地物的像元灰度值在不同获取时间所受大气影响程度也不同。因此在提取地物光谱之前需要进行大气校正才能得到真实的地物光谱曲线。

额外实验：QUAC大气校正：

打开 Radiometric Correction/Atmospheric Correction Module/QUick Atmospheric Correction (QUAC)，QUAC 为快速校正工具，相比起 Flassh 大气校正，QUAC 更加高效便捷。直接选中要处理的影像，并添加保存路径即可。

              

  1.2 几何校正

（1）影像之间的相对几何校正与镶嵌基本原理与操作步骤

图像校正主要是指辐射校正和几何校正。几何校正就是校正成像过程中造成的各种几何畸变，包括几何粗校正和几何精校正。几何粗校正是针对造成畸变的原因进行的校正，我们得到的卫星遥感数据一般都是经过几何粗校正处理的。

传统的遥感影像图校正多采用光学校正，这种方法在数学上有一定的局限；而数字校正建立在严格的数学基础上，可以逐点逐行进行校正，所以它要求各种类型传感器图像实行严格校正。通过数字校正，改正原始图像的几何变形，产生符合某种地图投影的新图像。

镶嵌基本原理：指当研究区超出单幅遥感图像所覆盖的范围时，将两幅或多幅图像拼接起来形成一整幅覆盖全区的较大图像的过程。

几何校正步骤：

本来是根据指导书的建议，使用envi经典模式进行校正的，但没有留下过程图。后来在段文豪同学的建议下，重新采取了Image Registration Workflow流程化工具进行几何校正并进行截图留存：

(1) 选择Geometric Correction→Registration→Image Registration：

(2)放入同时相不同景的两幅影像进行相对校正：

这里的文件名虽然是定标，但其实是经过大气校正之后的图像（命名的时候把两个顺序弄反了，先命名的大气校正后命名的辐射定标）

这样就得到了自动选取的一些控制点： 

 另一幅图的：

结果还算可观，自动选取的控制点的error值普遍较低：

随后进行配准，选择保存路径：

配准之后的图：

依次类推，完成对后续几张图的配准再进行后续的镶嵌操作图像镶嵌： 

1.找到 Mosaicking-> Seamless mosaic：

                                                 

 2.设置如下参数：

                   

 3.得到的镶嵌结果如下：

等了挺久的。。。最终镶嵌结果镶嵌完了之后就是进行剪裁了，这一步不难，操作如下：

1.打开岳老师给的武汉市边界 shp 文件：

 2. 打开 Regions of Interest ->Subset Data from ROIs

                        

 得到了裁剪图：

接下来可以进行分类操作了。

（2）基于同名控制点的绝对几何校正基本原理与操作步骤

情况说明：这里在之前实习上机的时候是真的没有注意啊。本来用经典模式选控制点的时候还有机会研究一下，但由于没有注意到这一点所以没有留存什么截图，后来写报告的时候用的又是自动选取控制点，所以这里实在是没有什么实践经验，只能在最后进行了一些理论上的学习。以下内容来自同学帮助和自己查阅的资料，作了一点总结：

不同控制点：控制点不同对几何校正的结果影响不大。

控制点均匀分布与非均匀分布：当选在非均匀的密集控制点区域 时，几何校正较准确，当选在非均匀校正时所选控制点区域外时，几何校正不准确。

不同多项式的次数之间结果的对比：该操作对几何校正的结果影响较小。

（3）结论

图像的几何校正和镶嵌是非常重要的中间步骤。我本来采取的是先镶嵌后校正的做法，后来则改为了先几何校正后镶嵌。这两者的关系是期末考试的一个复习点，可见如下 ppt：

至于相对配准和绝对配准，也是一个复习点，见如下 ppt：

话说回来，我本来使用的是 envi 经典模式下的手动选择控制点，个中艰辛难以言表，后来采取了自动配准的方法，感觉不仅方便快速而且效果还比我自己选的要好，所以说还是要多与同学交流，或许能取得事半功倍的效果。

1.3 计算机解译

1.3.1 监督分类（最大似然法）

算法原理：

最大似然法是我们接触最多的一种监督分类算法，也是期末的重要考点。最大似然法假设各训练样本在每个波段都呈正态分布，它首先计算待分类像元对于已知各类别的似然度，然后将该像元分到似然度最大的一类中。

操作步骤：

1.首先是创建样本：

2.可分离性评价：

3.选择最大似然法进行分类：

4.得到的分类结果 ：

精度评价方法是通过混淆矩阵进行评价：

 由于缺少标准图，所以选取了另一年的分类结果进行配准：

精度一般般吧。。。。。。 

结果分析放上三个时相的分类图 ：

2018 夏 2019 夏 2019 冬

 对比三个时相的分类图，我比较满意的是 2018 年夏的，一方面是由于数据选区的时候云比较少，另一方面也可以从结果看出：2018 夏的建筑连成了片，这也是比较符合实际状况的。具体的分析还是放在后面进行。

1.3.2 非监督分类（K-Means）

算法原理

K-均值算法的聚类准则是使多模式点到其类别中心的距离平方和最小。通过迭代逐次移动各类别的中心，直至得到最好的聚类结果为止。

操作步骤操作步骤相较于之前的监督分类，比较简单：

精度评价还是通过混淆矩阵进行分析，但是结果，，，实在有些不堪入目，这里就不展示了。

结果分析：

2019 夏

三个时相中我只有 2019 夏采用的是 K-Means 算法，说实话这个结果出来的时候给我吓了一跳，因为实在是不高。我觉得非监督分类主要的用途还是协助进行监督分类，不然它本身的分类结果可能并没有什么实际价值。

1.3.3 非监督分类（ISODATA）

算法原理：

ISODATA 是 K-均值算法的改进，其算法思想是:先选择若干样本作为聚类中心，再按照最小距离准则使其余样本向各中心聚集，从而得到初始聚类，然后判断初始聚类结果是否符合要求。若不符，则将聚类集进行分裂和合并处理，以获得新的聚类中心(聚类中心是通过样本均值的迭代运算得出的)重新聚类，再判断聚类结果是否符合要求。如此反复迭代，直到完成聚类分类操作。

操作步骤还是不难：

（对默认参数稍作了修改）

 ​​精度评价：

虽说是对 K-means 的改进，但是精度还是很难看，加大了我对非监督分类的不信任。

结果分析：

以下是两个时相的非监督分类图（2018 夏、2019 冬）：

                       

2018夏

2019冬

 从我个人观感来看，ISO-DATA 确实比 K-Means 精度高了那么一些，但是还是远不如监督分类实在。

1.3.4 三种分类方法的结果对比分析

1.三种分类方法对比，可以很容易发现监督分类与非监督分类最大的区别在于有无先验样本。

2.非监督分类方法并不是一无是处，为了充分利用两种分类方法，可以采取以下步骤进行分类：

第一步：选择一些有代表性的区域进行非监督分类。

第二步：获得多个聚类别的先验知识。

第三步：特征选择。

第四步：使用监督法对整个影像进行分类第五步：输出标记图像。

3.监督分类更加由人为原因决定，而非监督分类是计算机自动深度学习得出的结果。

4.从分类精度上来看，虽然监督分类效果更好，但所花费时间人力物力更多，在以后我们可以提高非监督分类算法来实现人为参与度更少的高精度分类。

1.4 典型地物光谱分析

（1）影像光谱

 裸土：

左为大气校正后，右为大气校正前，可以发现其变化是校正后在可见光波段有了波峰，其余波段变化情况差异不大。

 植被：

左为大气校正后，右为大气校正前，总体反射率变大，在可见光区间变化尤其大。

 水体：

左为大气校正后，右为大气校正前，在可见光波段有了“小波峰”。其余地方变化不大。

 人工建筑物：

左为大气校正后，右为大气校正前，总体反射率变大，在长波段变化尤其大。

（2）光谱库光谱

（3）光谱仪实测光谱 

数据来源是之前的素质拓展课，采用手持式光谱仪测得： 

甚至还测了我的帽子

数据比较杂乱，最后还是段文豪组长整理并且分出了一套光谱曲线，但由于当时记录现在找不全了，所以没能分清哪些曲线是哪些地物的：

图片来源：段文豪

（4）典型地物光谱一致性

 典型地物光谱的一致性分析由于测量角度、日照等问题的影像，经过艰难辨别，也实在没能辨别出来什么，可以说做的是很失败了。

（5）结论

从课堂上的学习中，我深知地物光谱曲线本应是辨别地物的强有力武器，最后却因为当时记录的缺失和测量方法的不妥当等原因，没能从实践方面将地物光谱曲线的威力发挥出来，确实是很遗憾的事情。

二、 综合应用实践

为了掌握武汉市及局部土地利用变化的状况，根据所学的遥感软件基本功能模块，应用武汉市 Landsat8 OLI、2014-2020 任意两年夏季、冬季影像（要求云量尽可能少，约 4 景影像可完全覆盖武汉市范围），对武汉市 2015-2020年不同季节的水体以及植被变化进行检测，并分析其变化趋势及原因。 

数据选择：根据上述任务需求选择合适的遥感卫星数据

这里我对数据来源做一个说明：2019 夏与 2019 冬的数据来源于国外网站 USGS Global（http://glovis.usgs.gov/），2018 夏的数据来源于国内网站地理空间云数据。选取的均为 landsat8 122039、123038、123039 位置的尽量少云的影像。

数据预处理：包括辐射校正、几何校正与镶嵌等。

简易流程为：处理一个时相的数据时，分别对三幅影像进行辐射定标、大气校正、相对配准、镶嵌、裁剪。详见前面的步骤说明。

典型地物分类与精度评价：分别采取了非监督和监督分类，详细步骤见前述。

结果分析：由于非监督分类结果实在不好看，这里只采取三个时相的监督分类图进行展示：

2018夏
​​​​

2019夏

2019冬

单从分类结果而言，分类质量是 2018 夏>2019 夏>2019 冬。具体分析请见下一条。

结论：

        说实话，这个数据选择的时机不好。先开始没有注意，后来才发现选择相隔两年的影像导致的后果是，变化有限，很难分析出一些有价值的结果。例如 2018 夏和 2019 夏相比，直观感受就是建设用地变多了不少，但是仅仅一年的时间真的能有这么大变化吗？非要这么说就显得有些勉强了，我更倾向于是分类精度本身存在问题。北部的林地倒是一直保护的还可以，甚至有变大的趋势，可见武汉市政府深谙生态文明建设之道，在环保方便近几年一直在花力气去做。水域面积也是变小了一些，可能也与市政建设有关。除此之外耕地倒是没有太大变化，这也符合常理，毕竟只间隔了一年的时间。还有值得分析的就是同一年不同季节间的对比。对比 2019 夏和 2019 冬，会发现建设用地的颜色淡了不少？猜想可能是由于树木生长覆盖的原因。2019 冬，也就是 2020 年初，新冠疫情肆虐武汉，可能树木长期没有人修剪，所以覆盖了一些房屋，导致建设用地面积减少而且呈现出不连续的表现形态（当然也可能是由于分类精度本身的影响）。还有一个重要的点就是很多耕地被分为了草地？这一点我没能做出比较好的解释，只能说小草的生命力在冬天也很旺盛了。​​​​​​​