基于遥感的农业用地变化检测技术研究本科毕业论文

河北工业大学2014届本科毕业设计论文毕业设计（论文）中文摘要基于遥感的农业用地变化检测技术研究摘要：遥感技术是近年来随着航天遥感技术的发展而兴起的一种探测技术，高分辨率图像的出现，使提取农业土地利用变化信息变得更加有效而快捷。本课题以Landsat多光谱数据为研究对象，结合相应的指数，利用压缩数据维的方法进行分类后变化检测，获取研究区域主要土地利用类型的变化信息。对所要研究区域的地类以及地物分布特点进行分析，选取不同的指数组合来表示实验区的三大土地利用类型，即植被、水体及建筑用地。分析TM影像三个指数波段的相关性；选择分类样本；对指数影像进行分类后变化检测。试验结果表明指数模型不仅降低了数据维数，还减少了不同地类的光谱混淆；而改进的指数模型优于原始的指数模型。改进后的指数具有更好的分类精度，便于提取更加准确的变化信息。关键词： 遥感技术 数据维压缩 土地利用 变化监测 监督分类2014届本科毕业设计论文毕业设计（论文）外文摘要Title Agricultural land use change detection technology based on Remote SensingAbstractWith the development of space remote sensing technology,remote sensing technology is a detection technology risen in recent years,the advent of high resolution image makes extracting the land use change information become more effective and efficient. This paper takes Landsat multispectral data as the object of study, combines with the corresponding index,and detects the change after carrying out classification by using the method of data dimension compression . We select different index models to represent the three major land use types in experimentation area, through analyzing the land use types and characteristics of feature distribution in the study region .namely vegetation, water and land for construction. Analyze correlation of three index bands; select classifying instances;then detect the changes of the index image after Classification.The test results show that the exponential model not only reduces the dimension of data, but also reduces the spectral confusion among different kinds of land; and the improved index model is better than the original index model.The classification accuracy of the improved index model is better and easy to extract more accurate change information.Keywords： remote sensing technique data dimension compression land use change monitoring Supervised classification目 录1 绪论11.1 遥感技术11.2 遥感技术的发展历程11.3 国内外研究现状31.3.1 国外应用研究31.3.2 国内应用研究31.4 论文主要工作内容52.1 实验数据的获取62.2 影像目视解译72.3 地类反射光谱分析82.4 指数模型的选择92.4.1 指数介绍92.4.2 创建指数模型103 图像分类113.1 数据预处理113.2 影像分类113.2.1 分类法简介113.2.2 机选样本分类123.3.3 自选样本分类134 分类后变化监测224.1 变化检测简介22结 论26参 考 文 献27致 谢30河北工业大学2014届本科毕业设计论文1 绪论传统的农业用地调查主要是通过基层单位逐级上报实地抽样调查和统计数据来完成，其资金、人力和物力的投入都很大，时间周期长，因此数据受人为因素影响较大且精度较低，空间统计分析功能不足。然而基于遥感的农业用地变化检测技术能够在很大程度上克服这些缺点。遥感影像分为中低分辨率遥感影像和高空间分辨率遥感影像。其中具有丰富的细节信息的高空间分辨率遥感影像的综合程度较低，而中低分辨率遥感影像因其影像波段数较多，一般在波段，根据地物在不同波段范围内的反射光谱特性的差异综合地判别地物类型，进而对地物进行综合描述1。 由于地物的反射率随着波长变化是有规律可循的，并且同一地物在不同波段表现出的反射率不同2。因此通过找出要研究区域的地物类型在多光谱波段内的最强反射波段和最弱反射波段，构建新的指数模型,使要研究的地物在新的指数影像上得到最大的亮度增强，而背景地物受到普遍的抑制3。1.1 遥感技术遥感技术是通过感知远距离目标物或自然现象反射或自身辐射的电磁波、可见光等来进行探测并识别的技术4。例如航空摄影就是一种遥感技术。一切物体，如大气、水体、植被、土壤等，都具有不同的辐射、吸收、反射光谱的特性。即使在同一光谱区不同的物体反映的情况也是不同的，同一物体对不同光谱也有不同的反映。遥感技术就是建立在物体发射和反射电磁波的原理上，对物体作出识别判断的5。遥感技术主要由信息的获取、传输、存储和处理四个环节组成6。上述环节组成完整的遥感系统，其中获取信息是遥感系统的核心环节，主要设备是遥感器。遥感器的种类主要包括照相机、摄像机、成像光谱仪、多光谱扫描仪、合成孔径雷达等；传输设备用于的作用将远距离平台获得的遥感信息传给地面站；信息处理设备主要有图像判读仪、彩色合成仪等6。1.2 遥感技术的发展历程早在20世纪60年代初，随着航空摄影技术的迅速发展，遥感技术应运而生。1972年，美国成功发射了世界上第一颗陆地卫星，标志着航天遥感时代的开始7。经过近几十年的发展，遥感技术已经广泛应用在资源环境、气象、军事等各个领域，成为一种既实用又先进的空间探测技术7。其发展历程大体可划分为过以下四个阶段：(1)无记录的地面遥感阶段（1608-1838年）顾名思义，无记录的地面遥感阶段是不能用图像的形式记录观测到的事物的。它是建立在第一架望远镜的诞生及科学望远镜的出现的基础上的，为观测远距离的目标物拉开了序幕。(2)有记录的地面遥感阶段（1839-1857年）摄影技术的发展推动了遥感技术的成形。遥感技术始于摄影术出现的19世纪初期（1839年）。将摄影技术与望远镜相结合，完成对远距离目标物的成像记录。达盖尔1839年展示了他和尼普斯拍摄的照片，首次将拍摄到的事物几近真实地记录在胶片上8。法国人艾米.劳塞达特于1849年制定摄影测量工作计划。从此，进入有记录的地面遥感阶段。(3)空中摄影遥感阶段（1858-1956年）G.F.陶纳乔于1858年在热气球上首次完成空中拍摄巴黎的“鸟瞰”图像。J.布莱克在1860年乘坐热气球升至六百多米的高空，拍摄了波士顿的照片8。1903年，J.钮布郎特将设计的微型相机捆绑在鸽子身上。空间摄影实验的成功，为将来的航空摄影奠定了基础。1903年第一架飞机问世以后，航空遥感开始了第一次对地面进行空中摄影的试验。航空影像开始应用于制图方面。从此揭开了当今遥感技术的序幕。 1909年，首次在飞机上进行摄影；1913年，C.塔迪沃（Captain Tardivo）发表论文，阐述了应用飞机摄影测绘地图的问题。1924年，彩色胶片问世；1935年，彩色胶片投入市场；彩色胶片技术的日渐成熟，使由航空摄影记录的目标物的信息更加形象生动；为航空遥感打下了基础。(4)航空遥感阶段（1957-）随着第一颗人造地球卫星的成功发射，人类空间观测技术跨入了新纪元。此后，美国拍摄地球云图；苏联拍摄月球背面照片。1960年美国发射TIROS-1和NOAA-1太阳同步卫星,开始了真正从航天器上对地球进行长期探测8。迄今，航空遥感欣欣向荣；以更快的速度继续发展。此外，雷达、多光谱成像、激光测高与GPS等多宗探测技术日趋成熟，可以得到更加精确的经纬度坐标和地面的高程数据，便于实时性测图9。综上所述，随着遥感应用范围的推广和不断深入，遥感探测更趋于经济化、实用化和全球化。1.3 国内外研究现状各国学者做了大量有关遥感技术的研究工作，使基于遥感的农业用地变化检测技术研究得到进一步的发展及完善。1.3.1 国外应用研究美国，19741977年，开展”大面积农作物估产实验计划(LACIE)”，对农作物(主要是小麦)种植面积、总产量进行估算。19801986年，开展了“利用空间遥感技术进行农业和资源调查计划(AGRISTARS)”；在空间遥感技术的基础上，对农业资源进行清查；并获得农作物生长信息；完成了对美国本土和世界其他区域的多种农作物的长势评估和总产量预测10 。20世纪90年代中期，开始利用Landsat TM影像对土地利用进行全面调查。目前美国利用遥感技术对农业用地、建筑用地、水体等的覆盖信息和变化信息进行动态监测6。1987年，欧盟提出“农业遥感监测项目(MARS)”。1992年，欧盟应用遥感技术对国家农作物、耕地的变化进行监测,该计划规定采用抽样遥感监测方法。1995年，欧盟部分国家将SPOT/HRV影像与地面样点数据结合，对农作物进行估产10。许多学者在国家和地区等不同尺度上进一步研究了抽样技术和遥感技术相结合的方法。2000年，Flores结合遥感技术和地面抽样调查数据，对小面积农作物面积进行线性无偏估计。2002年，Mdver. D. K等利用Boosting算法估算各类概率，并结合贝叶斯规则进行土地覆盖分类11。Cleave分析比较基于像素和对象的分类方法，发现基于像素的分类方法不适用于高分辨率影像12。目前，澳大利亚正进行土地评价。该计划旨在改进对土地资源信息获取和使用的过程，促进土地利用和环境保护的可持续发展。1.3.2 国内应用研究我国的遥感事业开始于20世纪50年代的航空摄影的应用，在我国土地资源领域的应用起于20世纪70年代末80年代初。20世纪80年代初，利用MSS卫星遥感数据对全国土地进行了概查工作；20世纪90年代初，组织并完成了全国县级土地详细调查工作。1999年为响应新一轮国土资源调查的部署，首次应用高分辨率卫星影像监测耕地被占用的情况;2000年，在高分辨率卫星影像的基础上，对全国人口密集的多个城市和四个经济热点城市进行监控13;2004年，提出的“金土工程”要求：通过开展数据库、网络体系、应用系统、数据中心、安全体系和标准化体系六方面的工程建设，建成“天上看、地上查、网上管”的高水平的服务管理体系。2007年7月，由国家统一筹备，基于遥感技术和正射影像图，全国第二次土地调查展开;2009.102010.2，国土资源部首次开展了遥感监测“一张图”工程，用来监测土地利用变化状况，尤其是农业用地被新增建设用地占用的情况14。2010年，高志宏等以山东泰安为研究区域发现：基于ISP的变化监测方法，在反映土地利用类型转化的关系的基础上，量化定义并解释了城市建筑用地变化情况。该方法是对变化检测方法的补充15。同年，吴大千等以黄河三角洲为研究区域，证明了以元胞自动机模型模拟用地变化的可实施性，是一种可预测不同状况下用地变化的工具16。2012年，天津测绘院的陈楚等，以某乡村澳大利亚昆士兰州的为研究对，对变化检测的几种算法进行比较，得出基于Mean-Shift17图像分割技术，可提高变化检测效率18。2014年，在马航失联事件中，我国首次动用卫星展开搜救工作。在海上搜寻失联飞机残骸方面，遥感技术虽然发挥了巨大作用，但同时暴露了遥感卫星在时间和空间覆盖率有限的弊端。近几年来，国内对遥感技术的研究也层出不穷，很多应用都在国际上得到了肯定。下表简要介绍了国内一些学者的主要研究成果表：1-1 研究者成果统计随着无线电电子技术、光学技术、空间技术和计算机技术的不断发展,遥感技术得到深入发展，现已应用于社会生活的各个领域：水资源调查、植被资源调查、土地资源调查、城市遥感调查、军事侦查、海上搜寻、环境监测和规划管理等。1.4 论文主要工作内容论文的主要研究方向是基于遥感的农业用地变化检测技术研究，根据任务要求，本论文设计的主要章节安排如下：第一章主要介绍了遥感技术的含义、发展历程、国内外研究现状以及论文工作的主要内容安排。第二章以Landsat多光谱数据为研究对象，通过目译土地利用类型和地物分布特点，选取选取不同的指数组合代表实验区的主要土地利用类型一植被、建筑用地及水体。利用压缩数据维的方法建立新的指数模型。第三章分析TM影像三个指数波段的相关性，并对多时相影像进行监督分类及分类精度评价。第四章对指数影像进行分类后变化检测，提取变化信息。最后，总结全文内容。2 数据获取及指数模型的选择2.1 实验数据的获取下载获得Landsat TM 数据为数据源，获得2个时相农业用地变化类型分别为ag_08_quac.img和ag_09_quac.img（数据已经过Landsat 定标工具和快速大气校正工具处理，并进行了空间子区裁剪）。如图图.1所示。 （a） (b)图. (a)ag_0_quac.img(b)ag_09_quac.img所选取的Landsat TM影像的波段信息如表.1所示:表.1 Landsat数据波段信息影像获取的时间和相关参数如表2.2所示。表2.2 影像相关参数传感器获取时间投影带号空间分辨率（m）基准面地理坐标经度地图坐标TM200811N30WGS-84W,N609075.000,3682815.00020092.2 影像目视解译Landsat TM影像不同的波段合成可以增强不同的地物，根据不同的用途选择不同的波长范围内的波段作为RGB分量合成RGB彩色图像。图.2为200年(a)及200年(b)遥感影像的543波段组合的非标准接近于真彩色的假彩色影像，这个波段组合的图像对水体、建筑用地、林地的图像判读比较有利，而且色彩饱和，可以目视解译出地物类型。对影像进行目视解译后，可初步确定实验区的主要土地利用类型有green fields、 stubble field、fallow fieldbare soil、water、bare groundrock五类。其精确分类结果如图2.3所示。 （a） (b)图2.2 2008年（a）,2009年（b）假彩色合成图像 （a） （b）图2.3 2008（a）2009(b)影像目视分类结果 图2.4 颜色定义2.3 地类反射光谱分析所有地物由于种类和所处的地理环境不同，反射和辐射的电磁波的特征随波长变化19。图2.5是试验区五种主要土地利用类型样本的反射光谱曲线。各地类反射光谱强度在不同波长范围内是不同的，不同地物具有相似的反射光谱曲线，例如greenfields与 stubble field、fallow fieldbare soil与bare groundrock在对影像进行分类时容易产生混淆，因此，将具有相似反射特性的地物归为一类，以便提高TM影像的分类精度。图2.5五种主要土地利用类型样本的反射光谱曲线2.4 指数模型的选择2.4.1 指数介绍根据影像目译结果及反射光谱分析，选取与实验区主要土地利用类型相关的改进的归一化差异水体指数、土壤调节植被指数及归一化建筑用地指数来综合反映实验区的土地利用类型。土壤调节植被指数(Soil-Adjusted Vegetation Index,SAVI)，是Huete于1988在归一化植被指数（The normalized difference vegetation index，NDVI）和大量数据的基础上为了削弱土壤背景影响而提出的20。归一化建筑物指数(Normalized construction index，NDBI)，NDBI不但可以自动地提取建筑用地信息，而且可以使建筑用地和裸地的亮度增强，提取信息更加准确快捷21;改进的归一化差异水体指数(Modified normalized difference water index,MNDWI)可以有效地提取水体信息22。这三个指数可以突出显示实验区的三大土地利用类型:建筑用地、植被及水体。(1)土壤调节植被指数(SAVI )绿色植被在可见光和红光波段有很强的吸收能力，在近红外波段有很强的反射能力，几乎不吸收。基于此原理，通过选用不同的配对组合这两个波段测值就可以得到想要的植被指数23。目前常用的有比值植被指数RVI;垂直植被指数PVI;全球植被指数GVI;归一化植被指数NDVI及消除土壤影响的植被指数SAVI等。SAVI与NDVI的主要区别在于SAVI中引入了土壤调节系数L，其参数值随着植被密度的疏密在01变化，很好地解决了NDVI对高植被区灵敏度低的问题，更适合研究低植被覆盖区24。其公式如下:SAVI=(NIR-Red)*(1+L)/(NIR+Red+L) 式(2.1)式中Red代表红光波段,NIR代表近红外波段，在 TM多光谱影像中分别对应的是第4波段和第3波段;L是土壤调节系数，取值范围是0-1之间(如果L=0，植被覆盖度很高；如果L=1，土壤背景的影响较大，植被覆盖度极低)25。Huete等在对土壤调节植被指数进行深入研究后提出，L取0.5可以较好地减弱土壤的背景差异26。(2)归一化建筑指数(NDBI)NDBI前身是杨山仿归一化植被指数基于城市建筑用地灰度值TM影像的在第5波段和第4波段的增高，其他地物的灰度值却降低了的原理提出27。后由查勇等在TM影像提取建筑用地信息时，改称为归一化建筑指数3。其计算公式如下: NDBI=(MIR-NIR)/(MIR+NIR) 式(2.2)MIR为Landsat影像第5波段;NIR为第4波段。(3)改进的归一化差异水体指数(MNDWI)Mcfeeters28受比值型指数的启发，根据ASTER数据不同地物的光谱反射特性不同的原理,构建了归一化差异水体指数(Normalized Difference Water Index)，其构成公式如下: NDWI=(Green-NIR)/(Green+NIR) 式(2.3)徐涵秋针对Mcfeeters构造的NDWI无法区别水体和建筑用地信息的缺陷，改进其模型，修改指数的波段组合提出改进的归一化差异水体指数。与NDWI相比其对波段组合的修改情况是：将近红外波段替换为中红外。这样水体的细微特征可以得到更好的体现，进而降低建筑物和阴影与水体的混淆29。其修正后的归一化差异水体指数公式构造如下: MNDWI=(Green-MIR)/(Green+MIR) 式(2.4)2.4.2 创建指数模型选取土壤调节植被指数、归一化建筑用地指数及改进的归一化差异水体指数构建的指数影像，称为改进指数模型；选取归一化的植被指数、归一化建筑用地指数及归一化差异水体指数构建的指数影像，称为原指数模型图2.5和图2.6是200年(a)及200年(b)的指数影像。 (a) (b)图2.5 200年(a)及200年(b)原指数影像 (a) (b)图2.6 200年(a)及200年(b)改进指数影像3 图像分类3.1 数据预处理进行变化信息监测前，由于遥感器类型差异、采集日期和时间差异、图像像元单位差异、像素分辨率差异、大气条件差异、图像配准的精度等因素引起的对不同时相的TM图像产生的差异信息，可以通过图像选择、定标、重采样、大气校正、图像配准减少甚至消除14。本课题数据已经过Landsat 定标工具和快速大气校正工具处理，并进行了空间子区裁剪。3.2 影像分类3.2.1 分类法简介分类方法分为监督分类和非监督分类。监督分类，又称“训练分类法”，是根据已经被识别的像元去判别未知类型的像元的过程30。非监督分类，又称“聚类分析”或“点聚分析”，是在多光谱图像中搜寻、定义其自然相似光谱集群的过程。本课题采用监督分类法，运用最大似然（Likelihood Classification）分类器,其原理是：假设每一个波段中的每一种地类的统计都以正态分布存在，计算给定像元属于某一训练样本的似然度，像元最终被归到似然度最大的一类中31。3.2.2 机选样本分类本课题先使用ENVI EX模块中的Classification流程化工具对原始6波段影像和3波段影像进行监督分类,其流程图如图3.1所示。图3.2是采用training data中的数据得到的训练样本，图3.3、图3.4和图3.5分别是对不同波段和不同指数模型处理而得到的较为真实、准确的分类结果图像。 图3.1ENVI EX分类流程 图3.2样本颜色定义 （a） (b)图3.3 200年(a)及200年(b)的原影像分类结果 （a) (b) 图3.4 2008年(a)及200年(b)原指数影像分类结果 (a) (b) 图3.5 2008年(a)及200年(b)改进指数影像分类结果 分析：通过图像对比，无论是否采用数据维压缩甚至何种指数模型，绿地面积都有大幅度增加，且更加聚集；水体面积有小幅度增加。而且NDBI、SAVI、MNDWI指数模型比NDBI、NDVI、NDWI指数模型土壤背景的影响降低了，建筑用地和裸地的亮度增强，提取水体信息更加有效。3.3.3 自选样本分类使用ENVI软件另一种分类工具对图像进行监督分类。按照监督分类的一般流程：定义训练样本、执行监督分类、评价分类结果、分类后处理，对原始6波段影像和新生成的两种3波段指数影像进行监督分类。1 定义训练样本分别分析6波段影像和3波段影像的各波段的相关性，选择相关性小的波段构造二维散点图，从散点图上获取训练样本（ROI）。 （a） (b)图3.6 200年(a)及200年(b)的原影像各波段相关性 （a） (b)图3.7 200年(a)及200年(b)原指数影像各波段相关性注：图3.7中band1是NDWI,band2是NDVI,band3是NDBI （a） (b)图3.8 200年(a)及200年(b)改进指数影像各波段相关性注：图3.8中band1是SAVI,band2是MNDWI,band3是NDBI由上图可知6波段影像的band1和band2两个波段的相关性最小；NDBI、NDVI、NDWI 3波段压缩数据维影像的band3和band2两个波段的相关性最小，即NDVI和NDBI两个波段的相关性最小；NDBI、SAVI、MNDWI 3波段压缩数据维影像的band3和band2两个波段的相关性最小，即MNDWI和NDBI两个波段的相关性最小。分别选取相关性最小的波段构建二维散点图，获取训练样本，其采集过程如图3.9所示。 (a) (b) (c) 图3.9 建筑用地（a）,绿地（b），水体（c）样本采集点示例在选取足够多的分类样本的基础上，对训练样本进行评价。利用ROI可分离性工具（compute ROI separability）计算任意类别间的统计距离，用于确定任意两个类别间的差异性程度。参数的值为02.0，当介于1.92.0时表示样本之间的可分离性好，选取的样本合格；小于1.8时，需要对样本进行重新选择；如果小于1，考虑把两类归为一类样本。各图像ROI 可分离性如图3.10、图3.11和图3.12所示： （a） (b)图3.10 2008年（a）2009年（b）原影像的ROI分离性 （a） (b) 图3.11 2008年（a）2009年（b）原指数影像的ROI分离性 (a) (b) 图3.12 2008年（a）2009年（b）改进指数影像的ROI分离性2 执行监督分类分别对6波段影像和3波段影像进行监督分类，采用最大似然法，为了便于比较两类图像的分类精度，各参数设置均相同。分类结果如图3.13、如图3.14和如图3.15。 (a) (b) 图3.13 2008年（a）2009年（b）原指数影像的分类结果 (a) (b)图3.14 2008年（a）2009年（b）原影像的分类结果 (a) (b)图3.15 2008年（a）2009年（b）改进指数影像的分类结果3 评价分类结果完成监督分类以后，对结果进行评价。主要有三种评价方法：分混淆矩阵、类结果叠加、ROC曲线。本课题采用混淆矩阵法。将利用ENVI EX模块得到的分类结果作为地表真实图像。分类精度如图3.16、图3.17和图3.18所示： （a） (b)图3.16 2008年（a）2009年（b）原影像的分类评价 (a) (b)图3.17 2008年（a）2009年（b）原指数影像的分类评价（a）(b)图3.18 2008年（a）2009年（b）改进指数影像的分类评价总体分类精度32（Overall Accuracy）=正确分类的像元总和/总像元数。从图3.16、图3.17和图3.18可以看出，两种波段影像的分类精度都比较高，而且在分类样本和分类方法相同的条件下，指数影像分类精度比原始影像分类精度高；而选取NDBI、SAVI、MNDWI这三个指数的模型比选取NDBI、NDVI、NDWI这三个指数的模型分类精度高。说明将原始TM 6波段影像压缩为由土壤调节植被指数(SAVI)、归一化建筑用地指数(NDBI)及修正归一化差异水体指数(MNDWI)构成的3波段影像后，不仅降低了数据维数，还减少了不同地类的光谱混淆；而改进的指数模型优于原始的指数模型。4 分类后变化监测4.1 变化检测简介变化检测33是指在不同的时间对同一地物的状态或现象进行多次观测以便及时快速地发现差异变化的过程。遥感变化检测技术主要应用于土地利用与覆盖变化、湿地变化、森林或者植被变化、城镇变化、环境变化、陆地景观变化和地质灾害评估等领域。变化信息监测：根据处理过程分为三类：a)图像直接比较法 它直接对经过配准的两个时相的TM图像中的像元值进行运算变化处理，找出变化位置。b)分类后比较法 它分别对经过配准的两个时相的TM图像进行分类，再用同样的方法比较分类结果输出变化检测信息。c)直接分类法 结合了上述两种方法的思想。本课题采用分类后比较法，主要工具有Change Detection Statistics和Thematic Change工具。4.2 提取变化信息本课题使用Change Detection Statistics工具对两幅图像进行差异分析，识别出发生了变化的像元，以像元数量、面积统计和百分比参数输出。同时生成一幅记录分类图像相应像素变化的空间信息的掩模图像，帮助识别发生变化的区域和变化像元的归属。土地利用转移矩阵用二维表的形式说明同一区域内的土地利用类型在不同的时间段内的相互转换关系，可从表中快速查看各个地类间的相互转化情况，如图4.1所示。掩模图像存储为ENVI分类图像，像元中的类别属性（颜色、名称、值）与Final State Class一致，0值像元表示没有发生变化，非0值像元表示发生变化。如图4.2所示。（a）（b）(c)图4.1 2008-2009年改进指数模型变化分析报表（a）像元数目（b）百分比（c）面积以“像元数”解释字段含义：“Class Total”行：每个Initial State Class类别中所包含的像元数。“Class Total”列：每个Final State Class类别中所包含的像元数。“Row Total”列：Final State Class每一类从Initial State Class变化的总和。“Class Change”行:改变类别的初始状态像元数。“Image Difference”行:两幅图像中分析的像元总数的差值32。将两幅图像中分析的三类变化信息做成柱状图表示如图4.3所示。图4.2 变化信息掩模图像 图4.3 变化信息柱状图分析：对改进后的指数模型进行研究发现：在三大地类与未分类类型之间的转化，主要集中在未分类类型与水体之间，且改进后的指数模型在像元数目、百分比、面积方面都明显降低了；而在改进的指数模型中植被用地增加，建筑用地增加，水体和未分类减少，基本符合实际分类结果；说明改进后的指数具有较好的分类精度，便于提取更加准确的变化信息。结 论以同一地区不同时间的Landsat TM多光谱影像作为研究对象，首先目视解译出所要研究的区域的主要土地利用类型和地物分布特点；分别以归一化植被指数、归一化建筑用地指数和归一化水体指数为一组，以土壤调节植被指数、归一化建筑用地指数和改进后的归一化水体指数构建指数模型为一组，构建两幅新的指数模型并分析三个指数的相关性；最后进行监督分类并检测变化信息。将两幅新的指数模型与原始TM 6波段影像进行比较发现：改进后的指数模型分类精度最高，原始影像最低，说明基于比值的数据为压缩的可行性同时减少了不同地类之间的光谱混淆；而改进的指数模型优于原始的指数模型,检测的变化信息综合性更好。参 考 文 献1段赛仙. 基于多时相遥感影像的土地利用变化检测研究D.昆明理工大学,2013.2梅安新和彭望碌，遥感概论M.北京:高等教育出版社,2002.3徐涵秋.基于谱间特征和归一化指数分析的城市建筑用地信息提取J.一地理研究,2005,24(2):311-313.4李建军. 浅谈遥感技术的发展与应用J. 中国科技博览, 2010, (27): 319-3195陈洪清等. 遥感的物理学基础及其在林业上的应用J. 林业勘察设计, 2002, (1): 313-313.6雷文东. 遥感技术如何“给力”城市“热岛效应”J. 北方环境, 2011, (4): 182-182.7张永民. 遥感技术在数字城市建设中的应用J. 中国信息界, 2010, (4): 23-25.8赵海庆. 遥感数据记录存档系统技术研究D. 西安电子科技大学:西安电子科技大学, 2006.9张卡等. 遥感新技术的若干进展及其应用J. 遥感信息, 2004, (2): 58-59.10黄青,王迪，刘佳. 农情遥感监测中空间抽样技术研究现状与发展趋势J. 中国农业资源与区划, 2009, (2): 13-17.11Mclver.D.K,Friendl M A,Using prior probabilities in decision-tree classification of remotely sensed dataJ,Remote Sensing of Environment,2002(81):253-261.12C. Cleave, F.R. Kearns, M. Mortiz, and M. Kelly, Classification of the wildland-urban interface: A comparison of pixel and object-based classifications using high-resolution aerial photography,Computers, Environment and Urban Systems, vol. 32, no. 4, pp. 317-326, July 2008.13杨承蕊，张和生. 遥感技术在我国土地利用调查中的应用J. 科技情报开发与经济, 2008, (1): 132-133.14柴渊，李万东主编.土地利用动态遥感监测技术与方法M.北京:地质出版社,2011.15高志宏,张路,李新延,廖明生,邱建壮. 城市土地利用变化的不透水面覆盖度检测方法J. 遥感学报,2010,03:593-606.16吴大千,王仁卿,高甡,丁文娟,王炜,葛秀丽,刘建. 黄河三角洲农业用地动态变化模拟与情景分析J. 农业工程学报,2010,04:285-290.17D Comaniciu,P Meer.Mean shift: A robust approach toward feature space analysisJ.IEEE Trans Pattern Anal.Machine Intell,2002,24:603-619.18陈楚,甄冬松,方芳. 地理变化信息的检测方法初探J. 海洋测绘,2012,03:53-55.19王晓飞. 高光谱图像分辨率增强及在小目标检测中的应用研究D. 哈尔滨工业大学:哈尔滨工业大学, 2011.20Huete AR.A Soil-Adjusted Vegetation Index(SAVI).Remote Sensing of Environment,1988,25:295-309.21查勇，倪绍样，杨山.一种利用TM图像自动提取城镇用地信息的有效方法J.遥感学报，2003,7(1):37-40.22徐涵秋.利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究J.遥感学报，2005,9(5):589-594.23武鹏飞，胡列群，李贵才等.基于棉田光谱的FY-3AMERSI与MODIS植被指数关系研究J. 沙漠与绿洲气象, 2011, (4): 49-5324彭道黎，滑永春. 几种植被指数探测低盖度植被能力的研究J. 福建林学院学报, 2009, 29(1): 11-1625宋小宁，赵英时. 应用MODIS卫星数据提取植被-温度-水分综合指数的研究J. 地理与地理信息科学, 2004, (2): 13-1826Huete A R,Liu H. An error and sensitivity analysis of the armospheric and soil-correcting variants of the NDVI for the MODIS-EOS. IEEE Transactions on Geosciences and Remote Sensing, 1994,32(4):897-905.27李建，杨昆.基于NDBI的提取城镇用地的最佳时相遥感影像研究J数字技术与应用，2013，（1）：79-80.28McFeeters S K. The Use of Normalized Difference Water Index(NDWI) in the Delineation of Open Water Features闭.International Journal of Remote Sensing, 1996,17(7):1425-1432.29徐涵秋. 利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究J. 遥感学报, 2005, 9(5): 589-58930胡胜华等. 结构与光谱信息相结合的遥感图像分类方法J.河北遥感, 2007, (2): 19-22.31潘勇. 遥感影像信息提取方法研究信息提取方法J. 数字技术与应用, 2010, (12): 70-70.32邓书斌著.ENVI遥感图像处理方法M.北京:科学出版社，2010.33Singh A. Digital change detection techniques using remotely-sensed data J.International journal of remote sensing, 1989, 10(6): 989-1003.致 谢日月如梭，不知不觉已踩上大学时光的尾巴。四年的学习生活，不仅是知识的积累，更多是对生活的感悟。在这半年毕业设计时间里，从对课题有一个懵懂的概念，经过阅读相关参考文献以及上网查阅，对课题有了进一步的了解和研究。同时，被高老师那种“活到老学到老”的求知精神所感染，在老师的悉心帮助和严格要求下，我体会到了独立思考的重要性，学习到作为一名新世纪青年应时刻抱着认真求实的态度。感谢父母在我求学之路上的支持！ 感谢在求学之路上相互扶持的同学的陪伴！ 最后，感谢评审我学士论文的各位老师！“雄关漫道真如铁，而今迈步从头越”。以此作为结尾，挥别我大学四年的学习生活踏上实现自我价值的社会旅途。30