1、土地覆盖/土地利用遥感标题添加点击此处输入相关文本内容点击此处输入相关文本内容前言点击此处输入相关文本内容标题添加点击此处输入相关文本内容随着全球变化研究的深入和发展，各国科学家越来越感到人类活动对环境变化的影响，尤其人类的生存与发展对土地的开发利用以及引起的土地覆盖变化被认为是全球环境变化的重要组成部分和主要原因，因此国际地圈与生物圈计划”（IGBP）和“全球环境变化人文计划”（HDP）在1995年联合提出了“土地利用和土地覆盖变化”（Land use and land cover change，LUCC）研究计划，使土地利用变化研究成为目前全球变化研究的前沿和热点课题。土地利用：是人类根据
2、土地的特点，按一定的经济与社会目的，采取一系列生物和技术手段，对土地进行的长期性或周期性的经营活动。它是一个把土地的自然生态系统变为人工生态系统的过程。土地覆盖：“国际地圈与生物圈计划”（IGBP）和“全球环境变化人文计划”（HDP）：地球陆地表层和近地面层的自然状态，是自然过程和人类活动共同作用的结果。美国“全球环境变化委员会”（USSGCR）：覆盖着地球表面的植被及其它特质。也就是指自然营造物和人工建筑所覆盖的地表诸要素的综合体，包括地表植被、土壤、冰川、湖泊、沼泽湿地及各种建筑物（如道路等），具有特定的时间和空间属性，其形成和状态可在多种时空尺度上变化。土地覆盖作为一种综合体，它包括的因
3、素可以很多。包括的因素如：土地类型、植被类型；植被冠层的密度、植被生长季节的动态特征；生长季节的累积生物量；地表覆盖的生物物理特征量，如地表反照率、地表粗糙度、植物叶面积指数、叶面及冠层的阻抗系数、有效光合作用辐射等；与土地覆盖类型密切相关的生态环境要素，如：植被所处的生态区域、地形与气候条件、土壤的理化性质、土地利用状况等。从土地覆盖的角度看，陆地表面自然状态可以粗分为：以植被为主的绿色覆盖；以内陆水面为主的兰色覆盖；以建筑、半荒漠为主的灰色覆盖；以积雪、冰川为主的白色覆盖；以荒漠、裸岩为主的浅色覆盖。土地利用侧重于土地的社会经济属性，土地覆盖侧重于土地的自然属性。土地利用/土地覆盖的变化可
4、划分为两类：改造与变异，前者指由一种土地覆盖类型转变为另一类土地覆盖类型，如由农业用地转变为非农业用地；后者指土地覆盖类型内部的变化，如工业用地转变为商业居住用地的变化。土地利用与土地覆盖的区别为什么要用遥感技术进行土地利用/土地覆盖监测？常规的土地利用调查是通过实地测绘的方法来进行，工作量大，调查周期长。但随着近年来高时间、高空间、高光谱分辨率的遥感传感器的出现，遥感技术已经能完全胜任不同尺度上的土地利用/土地覆盖调查。遥感技术的引用，大大节省了调查成本和时间。例如，英国曾进行过一次英伦三岛24万km2的土地利用常规调查，当时动员了6000名中小学老师，花去6年时间才完成，等到土地利用图绘制
5、完成后，土地利用状况已发生很大的变化；1976年英国应用卫星图像分析与野外调查相结合的方法，只有4个人9个月就完成了全国的土地利用调查，而且统计非常详细，大大缩短了调查的周期。又如，上海市中心区的土地利用调查，90年代曾用常规方法花了2年多的时间才完成，但完成后的图件已不能反映2年后的情况；1995年初利用航空遥感方法，只花了2个多月就完成了调查，并且比常规方法更加详细。1、土地利用和土地覆盖分类体系11美国USGS分类体系在20世纪70年代中期，美国USGS 的Anderson等人制定了全球第一套比较科学、完备的用于遥感数据的土地利用和土地覆盖的分类体系。这套体系的基本原理和结构至今仍在使用
6、。近来部分土地利用和土地覆盖制图遵循了此体系的原理，虽然它们的制图单位更细或更专业化，且使用新近的遥感系统作为数据源，但它们仍沿用最先由USGS制定的基本结构。根据USGS分类体系，理想的情况是土地利用和土地覆盖的信息应在不同地图上表现，而不能混在一起。然而，从实际的角度出发，当这种制图的主要数据来源于遥感数据时，将这两个体系混在一起更有效。虽然土地覆盖信息能直接从有关的遥感影像中解译得到，但在土地（土地利用）上的人类活动信息常不能直接从土地覆盖上推出。例如，从遥感影像上获取不到覆盖面广的娱乐活动的信息。狩猎这种普通且流行的娱乐活动所用的土地，在地面调查或图像解译中，常被归为林地、牧场、湿地或
7、农地。因此，必须有另外的信息源来补充土地覆盖数据。鉴于有些信息是不能从遥感图像上获得的，因此USGS分类体系根据能合理地从遥感数据上解译的类型制定。利用遥感数据的的解译精度至少不低于85%；各种类型的解译精度应该大约相等；不同解译员的解译和不同的时间数据来源的结果应能重复；分类体系应可适用于广大领域；应该可从土地覆盖类型推断出土地利用的种类；分类体系应该适用于一年中不同时间获取的遥感数据；能从各类中细分出能从大比例尺影像和地面调查得到的亚类；各类应是可合并的；能与将来的土地利用和土地覆盖相比较；可能情况下，应考虑土地的多种利用形式。USGS的土地利用和土地覆盖分类体系标准该分类系统采用典型的阶
8、层式结构，由四个层次的分类系统构成。I 级分类主要基于土地覆盖/土地利用宏观类型与土地资源自然生态背景，通过卫星遥感影像解译或数据处理过程获取；II 级分类通常通过航片解译得到；III 级、IV 级分类依据各级需求在II 级分类基础上灵活扩展。USGS的土地利用和土地覆盖分类体系结构I I级IIII级1城市或建成区（Urban o r Built-up Land）11住宅12商业和服务设施13工业14交通、通信和公用事业15工业和商业综合体16混合城市或郊区用地17其他城市用地2农业用地（Agricultural Land）21作物地和牧草地22果园、树林、葡萄园、苗圃以及艺术性园艺区23有范
9、围的饲料作业区24其他农业用地3牧场地（Rangeland）31草本植物牧场32灌木及灌木林牧场33混合牧场4林地（Forest Land）41落叶林地42常绿树林地43混合林地5水体（Water）51溪水和运河52湖泊53水库54湾和河口6湿地（Wetland）61有森林覆盖湿地62无森林覆盖湿地7贫瘠地（Barren L and）71干盐块地72海难73除海难以外的砂地地区74光秃岩石地75露天矿、采石场和砾石坑76过渡地带77混合贫瘠地8冻土地带（Tundra）81灌木和灌木冻土地带82草本植物冻土地带83赤裸冻土地带84湿冻土地带85混合冻土地带9常年降雪或冰川（Perennial S
10、now o r Ice）91常年雪地92冰川12中国土地利用和土地覆盖分类体系中国科学院分类系统中国科学院1991 年开始的“八五”重大应用项目“国家资源环境遥感宏观调查与动态研究”首次采用了基于遥感和GIS 相结合的技术、组合分类和构建多层地理单元技术，建成了具有土地资源分类和生态背景信息的第一个中国资源环境数据库。图像的解译，用目视解译解决面上的调查问题，而用数字图像处理和分析解决专题研究和典型区调查问题。本着“着重存储有使用价值的类型实体信息，尽量减少或压缩一般科学分类等级层次”的原则，以1984 年全国农业区划委员会土地利用调查技术规程为基础，根据遥感影像在亮度、纹理和色调等方面的特点
11、，对其分类内容进行了调整，形成了土地资源分类系统。该分类系统采用两层结构，将土地利用与土地覆被分为1-耕地、2-林地、3-草地、4-水域、5-城乡工矿居民用地、6-未利用地等6 个I 级类，25 个II 级类。并根据有林地的显著亮度和纹理特征，将II 级地类中的有林地进一步细分为针叶林地、阔叶林地、针阔混交林3 个III 级类。该分类系统的特点：该分类系统的特点在于它从土地覆盖遥感监测实用操作性出发，紧密结合土地利用调查技术规程县级土地利用现状分类系统，便于土地覆盖遥感监测成果与地面常规土地利用调查成果的联系及数据追加处理。如该系统I 级分类的6 种类别基本同县级土地利用现状分类系统I 级分类
12、的8 个类别相对应；同时考虑到遥感解译技术的操作可能性，将土地利用中的园地归属为林地，将居民点及工矿用地、交通用地归并为一类，即城乡工矿居民用地。而该系统的II级分类主要针对遥感影像解译判读类别可能性、土地利用宏观类型覆盖程度并综合土地利用现状调查II 级分类而获得。该分类系统基本满足利用TM 影像判读土地覆盖特征的要求，具有较强的可操作性。但同时也要看到，该分类系统在II级土地覆盖分类类别中仍需进一步协调与县级土地利用分类系统中II 级类别的关系，使其避免类别交叉、混淆，尽可能调整到层次分明，便于从土地覆盖分类下进一步分离土地利用类别。该分类系统的局限性：u 是土地覆被分类系统过分地依赖特定
13、遥感数据源，造成采用单一遥感数据源的土地覆被分类系统的通用性不强；u 是针对某种需要而拟定的土地覆被分类系统，很难将其转换成适应不同目的的土地覆被分类系统。国土资源部分类系统国土资源部于2001 年启动了“土地利用/土地覆被变化过程及效应”专项科技计划，“构建国家级土地利用和覆被变化数据库及服务体系”是该专项科技计划的2 个重点项目之一，而“国家级的土地利用与覆被分类系统构建”正是该项目的主要专题。该分类系统的适用范围，旨在为国土资源部“构建国家级土地利用和覆被变化数据库及服务体系”提供分类依据，同时为宏观土地资源遥感动态监测提供分类参考。该分类系统主要采用两层结构，将土地利用与土地覆被分为1
14、-耕地、2-林地、3-草地、4-水域、5-建设用地、6-未利用地、7-湿地等7 个I 级类，26 个II 级类。并根据有林地的显著亮度纹理特征，将II 级地类中的有林地进一步细分为针叶林、阔叶林、混生林3 个III 级类。I 级类别按土地覆被的自然属性分类，II 级类别在土地覆被的基础上适当考虑土地利用的社会经济因素。如草地，在名称上考虑自然覆被叫“草地”，考虑社会经济因素往往叫“牧草地”；按社会经济分类是人工草场、天然草场，按自然分类是高覆被度草地、中覆被度草地、低覆被度草地。湿地在我国以往的土地分类系统中均没有提及，但湿地作为自然生态环境中的一个重要的用地类型，在保持一个地区的空气湿度、降
15、雨量、地下水水位及生态环境质量等方面起着越来越重要的作用。一个国家湿地覆盖面积的变化，已成为衡量这个国家环境保护和生态质量好坏的一个重要指标。因此，本系统将湿地作为一个独立的I 级类别，指常年被水浸泡或覆盖水的长有自然生草本或木本植物的区域(Anderson 1976年的定义)，可分为沼泽、苇地、滩涂3 个II 级类。湿地与水域的区别为植被和水面的比率，如果树木、灌木、自然生草本植物、苔藓等植被所覆盖的水面比率小于25%，则该用地类型为水域，否则为湿地。而湿地与水田等含水农用地的区别为；第一，土壤的类型上，生长湿地植物的土壤必须长期含水或被水覆盖，而水田的含水期长短依作物的生长期而定，具有明显
16、的季相特征；第二，覆盖的植被类型上，水稻等农作物是人工种植的，而湿地的植被覆盖是自然生长的。2 土地利用/土地覆盖遥感制图利用遥感数据进行土地利用制图一般包括确定分类体系和实现分类两部分的内容。分类体系的设计主要来自用户需求。有了分类体系我们往往会发现仅用某一种数据或某一类制图方法很难实现对土地利用完整准确地制图。因此需要综合运用多种资料并使用不同的制图方法。如果仅有一种数据资料可供使用或只可使用一种分类方法，应该尽量充分利用现有资料和方法。对于实现分类的过程，我们列出利用计算机自动分类进行遥感制图的五个步骤。第一步，数据收集和预处理。包括辐射纠正、几何纠正、特征提取和选择、数据压缩和消除噪音
17、。第二步，训练样区的选择。对于非监督分类来说，也需要选择样区以辅助对簇分析结果的归类。对于监督分类来说，训练样区用于提取各类的特征参数以对各类进行模拟。第三步，对像元进行分类。利用分类算法根据像元特征值将任一象元划归最合适的的类。像元特征可以是光谱反射、相邻像元的纹理特征及所在位置的几何特征，如高度、坡度、坡向等。第四步，对分类结果进行后处理。这包括各类滤波、簇分析结果重新归类、对分类结果依据地图投影的要求完成几何转换、对分类图进行整饰等。第五步，评价分类准确度。将分类结果与已知准确的类型进行比较得到分类图的客观分对率。一般通过随机采样、地面实况调查，然后与相应位置的分类结果进行比较，得到误差
18、矩阵（称混淆矩阵或列联表）。如果分类结果不够准确，需要检查前述几个步步骤有无改善的可能。由于遥感信息存在固有的“同物异谱，异物同谱”，严重制约了基于光谱特征的统计分类精度的提高。而遥感专题分类的精度决定了遥感信息的实际应用价值。增加遥感图像的分类精度作出了大量的工作。大致可以分为以下几类：传统方法的改进分层分区图像空间信息分类多源辅助数据综合分类Fabio Maselli等认为传统遥感分类往往得不到满意的结果，部分原因是算法内在的缺陷。基于多维正态分布假设的最大似然法，统计上稳定而强健，但是缺乏灵活性，在复杂或非均质的情况下，这一假设往往难以满足而不能得到正确的面积估计。从而根据无参数方法，从
19、图像灰度直方图中抽取先验概率，加入到MLC中，使分类结果明显改善（kappa 0.3749-0.5860）传统方法的改进C.Conese等（1993）认为经过主成分分析的第一主分量包含了亮度信息，和地形的影响密切相关，通过对图像训练样本进行主成分分析，去除第一分量的影响来修订最大似然分类法，以减少地形的影响。这一修订的方法在进行地形破碎的地区分类时改善了分类的精度。分层分区分层分区则在对不同的类别利用不同的信息子集。在山区植被分类中对图像进行四叉树分割，利用距离判据来决定是否需要更多的信息参与分类。这样每一步尽可能少地利用信息，只有当判断模糊时，才询问辅助信息，以降低时间开销。但基于四叉树的图
20、像分割不具有地理学意义，当图像中方格状图斑多时，效率较高；如果地物复杂，四叉树划分的效率不高。在研究草场植被类型分类中，鉴于单纯的监督分类不能有效的区分不同景观单元的草场植被类型，采用了先对图像按照地貌类型分区在在各个分区上分别进行监督分类。在使用多景TM图像进行流域范围尺度上地形覆盖类型分类时，在图像镶嵌后，将图像分为三个生态区，进行分类，克服了单景分类不具有任何生态学意义的缺点。Loveland（1991）在利用NOAA/AVHRR图像进行美国土地利用分类制图时，先根据GIS数据库中气候、植被、环境等数据将全国划分为几个小的区域，然后再对各个小的区域进行非监督分类，减少了误分的像元数。Je
21、sus S.M.A等（1997）利用TM和SPOT图像派生出比值图像主成分分析图像等，对于各种图像组合进行了比较研究，肯定了分层分区的优点。图像空间信息分类遥感信息综合了地物种类、组成、坡度、坡向、阴影、太阳高度角等信息，而传统的统计分类仅仅使用了图像的单像元的光谱特性，忽略了像元之间的相互空间关系。仅仅依赖于光谱信息的分类结果在实际应用中是不成功的。遥感图像的空间信息在区分地物时具有非常重要的作用，是目视解译的重要解译标志之一。将图像空间信息用于计算机自动分类是自然而然的想法。早在1980年，Switzer将邻域像元的平均值输入到最大似然法中，是计算机图像分类运用空间信息的开始。纹理（Tex
22、ture）是灰度在平面空间上的变化，是遥感信息的重要内容。要利用图像空间信息提高分类精度，合理而有效地度量纹理至关重要。图像纹理的表示方法分为两类：一是结构方法，表示基本原始模式在空间的重复，如砖墙。结构方式中排列的方式描述十分复杂。二是统计方法。由于地物的组成、空间分布的复杂性和多样性，反映在遥感图像上的千差万别的纹理不会象砖墙那样有规则不变的局部模式和简单的周期性的重复。遥感图像的纹理特征和重复性往往只具有统计学上的意义。因此统计纹理分析方法是遥感图像纹理分析的主要方法。无论从历史发展还是从当前进展来看，统计的方法仍然占主导地位（王润生，1995）。统计方法又分为空间域和频率域方法。空间域
23、方法基于统计图像像元灰度级的分布情况，如利用直方图。频率域方法首先将图像变换到傅立叶变换的频率域中，然后抽取相应的特征量，做高频或低频的压缩或扩展后，再变换回空间域处理纹理。频率域方法是遥感光学图像处理中常采用的纹理分析方法。图像模式识别领域对纹理的研究和应用比较深入，描述纹理的方法归纳起来主要有：共生矩阵 纹理能量测量 Markov随机场模型 分形布朗模型等纹理是图像处理相关领域的表达图像空间信息的一个重要度量，遥感应用中更多地使用结构（也称上下文，context）。研究人员根据其应用目的，提出了一些用于图像分类的结构方法。出现频率。出现频率F(i,j,v)定义为灰度值为v的像元在以i,j为
24、中心。边长为l的窗口内出现的频率。对单波段来讲，v是一个值，多波段时v为向量。由图像生成出现频率表，表项的数目跟灰度级(n)和波段数(m)有关，最大数目为nm。出现频率表较空间统计度量具有两个优点。一是比任何一个空间域度量要包含更多的信息。事实上常用的空间域度量可以从出现频率中直接求出。二是出现频率表可以快速地生成，无须占据硬盘空间。C.Ricotta等（1996）在进行森林研究时，对NDVI图像使用了计算简洁的纹理绝对差值算法来利用空间信息。应用表明纹理差值在对于植被和非植被类型的区分时，能够抓住两者之间纹理特征的本质。显然他的研究类别只有两种，是否对更细类别分类时同样实用，需要实验。利用小
25、波变换，产生的小波子图来利用图像空间信息。在连同多波段图像输入KOHONEN自组织神经网络分类器后的分类结果表明，小波子图在区分细致地物特别是边缘检测的优势是传统分类方法所无法比拟的。空间信息的使用主要通过“窗口”来进行的。窗口过大，将别的类别纳入，往往产生误差边缘；窗口过小，常常引入不相关或相关小的像元，产生不可靠的纹理，并引入随机纹理。纹理在图像分类的作用严重受到“窗口”的影响，对于分类的精度提高不是简单的提高。由于缺乏对遥感图像纹理机理的深刻认识，成功的机遇并不很大，带有一定的随机性、偶然性和片面性。要真正地利用遥感图像的空间信息，还必须模拟目视解译过程，把判读人员的经验加入到影响分类过
26、程中，建立基于知识的纹理和线形特征识别以及邻域分析方法。多源辅助数据综合分类遥感图像信息的原型自然环境的综合体是非常复杂的。遥感获得的信息并非是自然综合体信息的全部，而是自然综合体历史演进过程中瞬时的、能够在二维平面上表现的那一部分。这就决定了遥感信息的单纯数学、物理处理结果具有不确定性或多解性。为了提高遥感专题信息识别结果的正确性和可靠性，必须将遥感未带回的信息补充进去，即加入地学相关信息。然而遥感信息是主要的，地理相关信息是辅助性的。地形图及其它等值线图。由地形图得到数字地面模型（DTM），再由DTM计算出绝对高程、相对高程、坡度和坡向。这些信息是遥感图像辅助信息的最常用的。其他的如降雨等
27、值线图、温度等值线图等，可以采用类似DTM的处理方法。专题地图。专题地图是指与某一具体专题研究有关的图件。如土地利用现状图、土壤分布图、植被类型分布图、地质图、地貌图等。从专题图上可以提取过去某一时期相应专题的空间分布规律。其他非图像图形数据，包括点状实际测量数据、坐标曲线、表格、文字记录等。一是根据辅助数据推出各个类别的先验概率，然后应用于最大似然分类中。对于无需辅助数据和遥感图像的几何配准，操作比较简单易行，但对辅助数据的应用不够充分；辅助数据得到先验概率，并不总是提高分类的精度，有时反而会降低分类的精度，因为它增加了赋予先验概率类别分错的机会。另一种是对辅助数据和遥感图像进行几何配准，将
28、辅助数据转换为图像，然后将该图像作为输入图像向量的一个分量图像，进行常规的图像分类（主要是最大似然法）。但这一方法忽略了数据的分布特点，图像数据一般而言，满足正态分布的前提，但辅助数据的分布常常不能满足，因此分类的精度很大程度上取决于假设条件的满足程度。基于规则的遥感图像解译系统在遥感图像分类方面，人们试图以目视解译为样板，模拟专家目视解译的过程，建立遥感图像解译专家系统，实现遥感图像自动判读。目前遥感图像解译专家系统的研究成为遥感图像解译的一个主要研究趋势。产生式规则表示知识。形式为：IF（条件）THEN（结论）在这个条件和结论的二元组，通过推理的结论是二值的，非此即彼。以后引入了不确定的推
29、理，由条件推出的结论有一个确定性程度，规则的形式为IF（条件）THEN（结论）CF（确定性因子）其中CF为实数，其值域在不同的研究中有所不同，一般为0，1或者-1，1。规则由 事实部分（H）和 类别部分（A）以及 确定性因子CFA，H组成。其中确定性因子CFA，H的设计与不确定推理方法有关。在Shortlife设计的EMICIN医疗专家系统中，使用的不确定性规则模型效果很好，后为很多系统所采用。Shortlife定义了两个概率函数，一个是信任增长度MBA，H和不信任增长度MDA，H。确定性因子CFA，H=MBA，H-MDA，H。其它）（若,)(1)()(),/(max1,1,APAPAPHAP
30、APHAMB其它）（若,)()()(),/(min0,1,APAPAPHAPAPHAMD当A和H相互独立时，CF A，H的定义为)()/(,)()()/()()/(,0)()/(,)(1)()/(,APHAPAPAPHAPAPHAPAPHAPAPAPHAPHACF若若若 确定性因子CFA，H的值域为-1，1。-1表示在事实H为真的前提下，结论A是假的；1表示在事实H为真的前提下，类别A也为真，0表示在事实H对于类别A是一无所知。一般的情况下是事实H为真的前提下，类别A是真的确定性因子为小数，CFA，H的值越大，表示A的可信度越真，越小可信度越假。推理过程Step1：根据光谱软分类结果，确定使用
31、规则和辅助信息进行推理的像元。GIS中辅助信息和规则引入目的是提高遥感图像专题分类的精度。在使用规则使可以采用两种策略：对整个图像进行逐个像元的推理；只对图像中部分难以用光谱分类的像元使用规则。Step2：读入辅助数据作为事实Step3：读入待定像元的辅助数据，在规则库中搜索所有条件部分与该像元辅助数据相匹配的规则，规则结论作为目标（TARGET）。如果同一类型辅助数据与规则条件部分的匹配，进行最小距离优先原则，选择条件与事实最为接近的规则，最终形成该像元属于某类的规则集合，如有规则 IF 高度 30 THEN 林地 0.4 IF 高度 60 THEN 林地 0.5若当前像元的高度为70，由于
32、70-603时，对 G指向的分析必须分离到许多三维子空间中去考察。园此，分析高于3维的 G比较困难。G的指向决定了某点土地覆盖向另一特定类型的转变。当 G超过某一阈值时，即标志着一类到另一类土地覆盖变化的完成。(9)基于知识的计算机视觉系统法：即用规划推理或其他专家系统方法探测变化，这种方法目前还不太成熟下面我们对比较流行的第二、三种方法做进一步介绍，先介绍第三种方法。不同时相图像的算术运算法对同一波段不同时相的图像逐像元相减或比值得到g=g-h ratio=g/h如果辐射纠正得较好，则未发生变化的像元g0或ration=1。g和ratio一般需要进行一定变换才可以显示成图像。如C为未发生变化
33、地区g的平均，所有g的平均值或g直方图上频率取峰值时的g，如下图1所示，从上式可见，我们只是将g线性拉伸到0,254值阈范围内，且c被转换为127。在探测土地覆盖变化时，先确定g分布的标准差S，则可以试验某一值（0），使它能够较好地划分出发生了变化的地区。127Sg127+S 无变化g127+S 或g127S 变化这种变化探测的方法如下图所示。图1g数据分布及c的取值方法图2差值图像变化探测的方法将ration比值转化成此图像时，使用这样便可以用类似于差值图像的方法探测变化。从差值图像或比值图像上探测变化的方法简单，但必须逐波段进行，因此较费时；同时也无法知道变化的类型，所以需要结合图像分类使
34、用。第一个缺陷可以通过多时相图像变换法克服。这类方法还有可能将未变化的地区错误地划为变化区。这可能由图像在几何纠正时正误差超过1个像元造成，如下图所示。假设差值图像上取像元领域边长为2w+1。（i,j）=G（i,j）mm为G图像的平均或中值计算像元领域内的明度总值b(i,j)或暗度总值d(i,j)经过明暗充填后的像元值D(i,j)为像元窗的大小，即w大小需凭经验而定。小对较窄小地物有效，大可对较宽大地物有效，但也可能造成真实变化区的损失。不同时相合成图像的主成分分析法尽管将不同时相图像合成后可以进行多种变换，目前较为流行的是主成分分析法。Richards首次使用这一方法是基于一种假设，即两个时
35、相间的土地覆盖变化较小。他使用了两幅陆地卫星MSS影像，8个波段。当进行主成分分析时，发生变化的区域会在较次要的一两个主成分变换图像上反映出来，然后再采用对该图像进行阈值操作即可找出变化区。冯通将这方法运用于TM图像得到相似的结论。这种方法的优点是将多渡段信息的变化变换集中于一两个主成分图像上，以方便对变化信息进行监测，但由于主成分变换使得到的主成分图像失去了原有各波段的物理意义。因此，有时还需要参考差值或比值图像来分析土地变化的因果关系。对合成图像应用主成分分析，有时候仍无法确定变化信息到底存在于哪个次要主成分图像中。因此，Gong提出了另一个简单的方法，以确保变化信息集中反映在第一主成分中
36、，以便于探测变化。这种方法的基本步骤为：(1)先对同波段不同时相的图像求差值图像(2)对差值图像进行主成分变换；(3)在第一主成分图像上确定变化区域。4 应用实例4.1 全球1公里空间分辨率土地覆盖数据库的开发 进入二十世纪八十年代，随着全球环境变化研究的深入，人们越加认识到土地覆盖、土地利用及其变化对全球自然环境，特别是对气候的影响。在总结前人有关全球土地覆盖土地利用工作的基础之上，人们发现在现有的各种有关全球植被和土地覆盖分类图之间无论是类型还是数量均存在着相当大的差异。造成这些差异的原因是多种多样的，既有资料来源的不同，又有分类系统的不同和时间上的差异等。显然全球土地覆盖数据的现状不能满
37、足全球变化尤其是气候变化研究的需要。利用卫星遥感资料，开发研制全球土地覆盖数据库的计划正是在这样的背景下产生的。全球土地覆盖数据库的开发分为两阶段进行。第一阶段为全球范围内卫星遥感数据的接收、处理和存档。从1991年起，在IGBP的组织协调下，由几十个国家参与对世界各地1992年4月至1993年3月间的美国NOAA极轨气象卫星数据进行接收和预处理。再由美国地球资源观测卫星数据中心对每日的NOAAAVHRR的图像进行轨道拼接、辐射订正、几何校正、和大气校正。并将每10天的图像进行合成，制作以10天为间隔的合成图，以消除云的影响。最终的数据产品包括了从AVHRR的5个光谱波段和有关卫星一地面太阳之
38、间几何关系的4个参数以及合成数据中每个像元所对应的影像获取日期。这样一套高质量的全球陆地1公里空间分辨率的卫星数据为全球土地覆盖数据库的开发提供了必要的和宝贵的基础资料。第二阶段自1994年起至1997年共持续三年多时间。由美国内务部国家地质调查局的EROS地球资源观测卫星数据中心和美国内布拉斯加大学的科学家主持合作，并与美国航空航天总署(NASA)、美国国家环境保护署(EPA)、美国农业部森林服务局、联合国环境规划署，欧洲联盟共同研究中心以及其它机构合作，首次开发研制了全球1公里空间分辨率土地覆盖数据库。全球1公里空间分辨率土地覆盖数据库特点全球土地覆盖数据库分类系统全球1公里土地覆盖数据库
39、的分类系统不同于传统的土地分类系统。考虑到这一数据库用户的多种需要和广泛的应用领域，研制者没有预先制定某种固定的分类系统，而是采用了前述的“灵活土地覆盖分类”策略。根据遥感数据本身和其它辅助数据，利用非监督分类和反复的人机交互解译分析划分出“基本土地覆盖类型单元”季节土地覆盖单元。这种季节土地覆盖单元可以根据区域特点和不同的应用需求进行逐级归并，并纳入不同的分类系统中。这种灵活土地覆盖数据库可以满足多种不同研究和应用目的的需要。全球土地覆盖数据库的基本要素全球1公里空间分辨率土地覆盖特征数据库包括以下基本要素：A)土地覆盖类型及描述；B)季节特征，包括地物光谱和植被指数的时间序列；如季节反照率
40、，绿度开始、峰值、绿度期等；C)地理环境要素，包括地形、高程、所处地理生态区。全球土地覆盖数据库共包括961个季节土地覆盖单元，以及以此为基础推导出的7种全球土地覆盖分类图。这7种图的土地分类系统是近年来全球变化研究中经常采用的分类系统。季节土地覆盖单元是有关全球土地景观特征的基本单元，而其它10种分类系统是将基本单元归入到某一统一的全球分类系统中，以揭示出全球土地覆盖总体分布特征。根据全球土地覆盖数据库，全球陆地的总面积约为145,696,845平方公里。其中近28为森林和疏林，24为非植被覆盖区(包括荒漠和半荒漠，积雪和冰)，19为农业或农牧用地，14为灌丛，14为草原或稀树草原，城市用地
41、近0.2，湿地约占1。应当指出，由AVHRR卫星数据估算的湿地面积很可能偏低，这和卫星本身的空间分辨率有关。城市用地面积是从非卫星影象数据估算的，因此可能有一定误差North AmericaSouth AmericaAsia-PacificEurasiaAfrica4.1美国本土30米空间分辨率土地覆盖土地利用开发项目自1992年起，美国国家地质调查局EROS数据中心与美国国家环境保护署、美国农业部森林服务局以及美国国家海洋与大气管理局合作，利用美国陆地卫星影像和其它地学和社会经济学数据对美国本土48个州的土地覆盖和土地利用现状进行制图和数据库的开发。该项目主要目标包括评估自然生态系统状态、水
42、资源质量、化肥及农药施用对河川径流的影响、生物多样性保护研究、联邦和各州土地资源管理以及土地开发利用政策制定等数据和方法 该项目采用的主要数据为1992年前后的LandsatTM数据，包括枯叶期和生长期两个季相的影像，空间分辨率为30米。除了TM影像数据外，还汇集编辑了数字高程模型、全国湿地调查数据、全国人口普查数据、土壤数据、基本地理环境要素数据，以及1990年以前的有关植被及土地资源的数据。以上数据构成了多时相和多源数据空间，用于全国土地覆盖和土地利用的分类研究。分类中采用了多种分类方法组合应用的策略。首先对多时相、多谱段光谱数据进行非监督分类，获取若干初始光谱类；然后对每一光谱类的若干样
43、区，利用大比例尺彩红外照片进行解译分析，确定其中包括的各种土地覆盖类型；再从确定的每一种土地类型中抽取一定数量的空间样本，并结合对应的各种辅助数据(非光谱数据)组成在地理坐标上相匹配的多源样本数据。利用分类树方法对多元样本数据进行统计分析，确定出与每一土地类型相关联的主要变量，并建立初步的分类模型。在此基础上，用模型在航片所包含的空间范围内进行分类，对分类结果进行反复分析和修正。最终将修正好的模型运用到整个研究区域的分类，并对全区的分类结果再次进行检验。必要时返回至分类树分析阶段重建模型，最终得到分类结果。分类系统美国本土30米空间分辨率土地覆盖和土地利用数据库采用了统一的等级分类系统。包括了
44、9个第一级、23个第二级的类型。分类系统的选取考虑了该数据库主要用户的需要，以及卫星遥感数据的特点和局限性。分类的基本系统与美国国家地质调查局的Anderson分类中第一级相似。第二级类型则更多考虑了遥感资料的其它辅助数据的特点。具体分类系统如下：1水体 1.1 水域 1.2 永久积雪和冰川 2人工开发用地 2.1 低密度住宅区 2.2 高密度住宅区 2.3 高密度商业、工业、交通用地 3裸地 3.1 裸岩 3.2 采石场、矿山 3.3 过渡地区、砍伐区4.天然森林植被 4.1 落叶林 4.2 常绿林 4.3 混交林5天然灌丛 5.1 落叶灌丛 5.2 常绿灌丛 5.3 混合灌丛6.非天然植被
45、 6.2 种植地(园林、果木等)7.草本植被 7.1 草原、草地8种植地 8.1 牧草 8.2 垄种农地 8.3 麦类农地 8.4 休闲地 8.5 其它种类种植草地(公园、高尔夫球场等)9湿地 9.1 林木湿地 9.2 草本混地精度检验对于美国本土土地覆盖和土地利用的分类结果(分类图)己建立了一套精度检验的详细方案。对每一个已完成的地区都将进行精度评价。精度评价采取了聚点抽样(两次抽样)的策略，即第一次抽样是先在检验空间内抽取一定数量的主样本，每个主样本对应的是一幅大比例尺航空照片。具体做法是先对评价区用地理网络进行分区，在每一个网络中从32幅航空像片中随机抽取一幅航空照片作为主样本。第二次抽
46、样只在主样本内进行，自每一航片内随机抽取4个33像元组成的集群作为与实际分类结果进行对照的第二级样本。此外，由于分类区内某些类型占地很少且分布集中(如城市绿地)，对这些特殊类型，采用了以该土地类型本身为分层的随机抽样，以保证得到足够数量的样本。Q&A问答环节敏而好学，不耻下问。学问学问，边学边问。Heisquickandeagertolearn.Learningislearningandasking.感谢参与本课程，也感激大家对我们工作的支持与积极的参与。课程后会发放课程满意度评估表，如果对我们课程或者工作有什么建议和意见，也请写在上边结束语最后、感谢您的到来讲师：XXXX时间：202X.XX.XX
