envi遥感实验(土地利用)昌宁县.doc

自然地理环境数据采集与处理遥感原理与应用综合实验报告 题目：云南省昌宁县土地利用类型专题图姓名： 学号： 院、系： 旅游与地理科学学院 专业： 自然地理 指导教师： 时间2014年6月24日云南省昌宁县土地利用类型专题制图报告1 遥感数据下载1.1 网站：地理空间数据云 1.2 遥感影像基本信息数据源选择Landsat 8 OLI_TIRS 卫星数字产品，基本信息如表1所示。表1 Landsat 8 OLI_TIRS 卫星数字产品数据标识LC81310432014031LGN00卫星名称LANDSAT8数据类型OLI_TIRS传感器OLI_TIRS接收站LGN白天/晚上DAY条带号131行编号43太阳高度角40.9662太阳方位角146.0288获取时间2014-01-31开始时间2014-01-31 03:48:09.0结束时间2014-01-3103:48:40.0平均云量0.04中心经度99.9947中心纬度24.5532左上角经度99.2856左上角纬度25.6007右上角经度101.1227右上角纬度25.2309右下角经度100.6890右下角纬度23.4937左下角经度98.8775左下角纬度23.86482 合成多波段遥感图像下载所得的遥感图像为11个单波段影像，需要将其组合成多波段遥感图像。2.1 打开单波段影像（如图1所示）图1 单波段遥感影像2.2 多波段合成（1）打开filesave assave standard 弹出new file builder 对话框如图2所示，单击，按顺序依次添加分辨率相同的单波段遥感影像（该影像图为landsat8 共有11个波段，其中8波段分辨率为15m，其他都为30m，因此8波段不能合并）。添加完毕后选择好存储位置，点击OK即可，如图3所示。图2 new file builder 对话框 图3 单波段添加（2）合成真彩色多波段遥感影像 合成后在波段列表中选择RGB Calor 432波段（标准真彩色遥感影像）如图4所示。图4标准真彩色遥感影像3 图像裁剪于矢量边界生成的感兴趣区域的裁剪影像裁剪的目的是将研究区以外的区域去除，经常是按照行政区划或研究区域的边界对图像进行裁剪，这里选择用Arcmap对云南省昌宁县进行裁剪。3.1 用Arcmap裁剪出云南省昌宁县矢量图（如图5）ab图5 云南省昌宁县矢量图 a为裁剪前，b为裁剪后3.2 利用ENVI进行裁剪(1)叠加矢量图：选择主菜单FileOpen Vector File，打开Shapefile矢量文件，投影参数不变，选择Output Result to为Memory，点击OK。（如图6）。图6叠加矢量图步骤（2）选择裁剪方式（如图7）图7 裁剪方式（3）选择裁剪工具（4）对图像进行裁剪处理（如图810）图89图10裁剪后的图像结果4 图像增强处理色彩变换 在使用单波段图像时，由于成像系统动态范围的限制，地物显示的亮度值差异较小。又由于人眼对黑白图像亮度级的分辨能力仅有1020级左右，而对色彩和强度的分辨力可达100多种，因此将黑白图像转换成彩色图像可使地物的差别易于分辨。本例采用标准假彩色，由于多波段摄影中，一副图像多不是三原色的波长范围内获得的，如采用人眼看不见的红外波段等，因此由这些图像所进行的彩色合成称假彩色合成。实现步骤基本同上，分别将Band5、Band4、Band3名导入到标签为 “R:”、“G:”、“B:” 的文本框中，合成假彩色图像（如图11）。 图 11合成假彩色图像5 分类体系的选择监督分类5.1 类别定义/特征判别 根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。本例类别分为：耕地、林地、草地/灌木、水域、城乡规划交通用地、未利用地（戈壁、盐碱地等）六类。5.2样本选择为了建立分类函数，需要对每一类别选取一定数目的样本，在ENVI中是通过感兴趣区（ROIs）来确定，也可以将矢量文件转化为ROIs文件来获得，或者利用终端像元收集器（Endmember Collection）获得，本例中使用ROIs方法。 （1）打开分类图像，在Display-Overlay-Region of Interest，默认ROIs为多边形，按照默认设置在影像上定义训练样本。（2）训练样本的选择设置好颜色和类别名称（支持中文名称）如图12。图12训练样本的选择（3）计算样本的可分离性在ROIs面板中，选择Option-Compute ROI Separability,计算样本的可分离性。如图13表示各个样本类型之间的可分离性，用Jeffries-Matusita, Transformed Divergence参数表示，这两个参数的值在02.0之间，大于1.9说明样本之间可分离性好，属于合格样本；小于1.8，需要重新选择样本；小于1，考虑将两类样本合成一类样本。图13样本可分离性计算报表（4）分类器选择 根据分类的复杂度、精度需求等确定哪一种分类器。目前监督分类可分为基于传统统计分析学的，包括平行六面体、最小距离、马氏距离、最大似然，基于神经网络的，基于模式识别，包括支持向量机、模糊分类等，针对高光谱有波谱角（SAM），光谱信息散度，二进制编码。下面是几种分类器的简单描述。支持向量机。基于传统统计分析的分类方法参数设置比较简单，这里选择支持向量机分类方法。（5）影像分类 基于传统统计分析的分类方法参数设置比较简单，这里选择支持向量机分类方法。主菜单下选择Classification Supervised Support Vector Machine。按照默认设置参数输出分类结果，如图1415。图14 支持向量机分类器参数设置 图15 支持向量机分类结果6 分类后精度评定的混淆矩阵和精度计算结果（1）对分类结果进行评价，确定分类的精度和可靠性。有两种方式用于精度验证：一是混淆矩阵，二是ROC曲线，比较常用的为混淆矩阵，ROC曲线可以用图形的方式表达分类精度，比较形象。本例采用混淆矩阵，把原分类的TM影像当作是高分辨率影像，在上面进行目视解译得到真实参考源。直接利用ROI工具，在TM图上均匀的选择6类真实参考源。 步骤如下：选择主菜单Classification-Post Classification-Confusion Matrix-Using Ground Truth ROIs。将分类结果和ROI输入，软件会根据区域自动匹配，如不正确可以手动更改。点击ok后选择报表的表示方法（像素和百分比），就可以得到精度报表。（如图1617）图16验证操作面板图17 分类精度评价混淆矩阵（2）精度计算结果参考图17分类精度评价混淆矩阵，本次精度分类精度表中的Overall Accuracy = (1832/2083) 87.9501%、Kappa Coefficient = 0.8518。2 制图精度与用户精度如表12所示。表2 制图精度结果分类体系耕地林地草地未利用地城规交通制图精度%88.7797.8282.6085.3386.98表3 用户精度结果分类体系耕地林地草地未利用地城规交通水域用户精度%88.2896.2476.9490.6579.1592.047 分类结果专题图(见附件)13