实验报告目录

对池州市 2013、2017 年 Landsat 8 OLI 的遥感图像进行土地利用分类，对分类结果进行修正和精度评价，并对各类土地利用类型的面积进行统计。基于计算机分类结果，生成土地利用动态变化专题图，分析主要的土地利用动态变化类型，变化的原因等。

这次实验主要包括了数据的预处理和动态监测两个方面，通过对遥感数据进行预处理，更加熟悉遥感数据预处理的流程，包括辐射定标、大气校正、影像镶嵌和影像裁剪的处理。对裁剪后的池州市 2013 和2017 年的遥感影像进行监督分类（选择支持向量机方法），制作 2013 年和 2017 年土地利用图，并对分类后结果进行评价，满足分类精度后，进行变化监测，制作2013-2017 年土地利用动态变化图，并对结果进行分析，求出单一动态变化度和综合动态变化度，定量地对结果进行分析。

3.1研究区域

池州市位于安徽省西南部，长江下游南岸，北与安庆市隔江相望，南接黄山市，西南与江西省九江市为临，东和东北分别与芜湖市、铜陵市、宣城市接壤，介于东经116°38′至108°05′，北纬29°33′至30°51′之间，池州市下辖1 个市辖区（贵池区）、3 个县（东至县、石台县、青阳县），总面积8272 平方公里。 3.2数据源

本文根据所研究的内容，对比各种数据源的优缺点以及资料的可得性，选用遥感影像为美国陆地卫星影像 Landsat-8 OLI，数据均从地理空间数据云网站获取。具体包括：2013 年 10 月和 2013 年 12 月池州市的 Landsat-8 OLI 两期遥感影像、2017 年 10 月和 2017 年 11 月池州市的 Landsat-8 OLI 两期遥感影像、池州市行政区划边界图，具体研究数据见表 1。

4.1遥感影像预处理 4.1.1辐射定标 辐射定标就是将图像的数字量化值（DN）转化为辐射亮度值或者反射率或者表面温度等物理量的处理过程。辐射定标参数一般存放在元数据文件中，ENVI中的通用辐射定标工具（Radiometric Calibration）能自动从元数据文件中读取参数，从而完成辐射定标。 显示辐射定标结果图像，选择 Display>Profiles>Spectral 查看波谱曲线，看到定标后的数值主要集中在 0-10 范围内，单位是 µW/(cm2 * sr * nm)。

4.1.2大气校正

大气校正的目的是消除大气和光照等因素对地物反射的影响，广义上讲获得地物反射率、辐射率或者地表温度等真实物理模型参数；狭义上是获取地物真实反射率数据。用来消除大气中水蒸气、氧气、二氧化碳、甲烷和臭氧等物质对地物反射的影响，消除大气分子和气溶胶散射的影响。大多数情况下，大气校正同时也是反演地物真实反射率的过程。

使用ENVI 进行大气校正时，在Toolbox 中打开FLAASH 工具：/Radiometric Correction/Atmospheric Correction Module/FLAASH Atmospheric Correction。启动FLAASH Atmospheric Correction Module Input Parameters 面板。基础参数设置如下图所示，设置输出路径、文件名和传感器基本参数等。注意设置影像区域的平均地面高程 Ground Elevation 为 0.4km（池州市平均地面高程为 400m）。影像成像时间（格林威治时间）：在layer manager 中的数据图层中右键选择View Metadata浏览 time 字段获取成像时间。大气模型根据成像时间和纬度信息设置，我国大气模型只有三种：Tropical、Mid-Latitude Summer 和 Mid-Latitude Winter。大气校正基本参数设置如图所示，在原始影像和经过大气校正后的图像上选取相同位置的点，观察其光谱特征曲线差异，如图所示。

从上述的结果展示以及曲线图对比可以看出，校正后的影像数据比校正前的更为清晰,曲线图上可以看出校正后的整体曲线平滑至上与实际的地物波普曲线趋势相同，结果精度满足需求。地物的光谱信息被还原，才能进行定量化的遥感处理。

4.1.3图像镶嵌

由于研究区域池州市的行政区划范围包括两景 Landsat 影像，因此，需要进行图像镶嵌处理，在 ENVI 中，打开 Mosaicking—Seamless Mosaic 进行图像镶嵌，镶嵌时可以进行镶嵌匀色、接边线绘制等功能调整镶嵌结果。镶嵌结果图如下所示，可以看见镶嵌效果较好。

4.1.4图像裁剪

对完成镶嵌的影像进行裁剪处理，在 ENVI 中，打开 Regions of Interest —Subset Data from ROIs 进行图像裁剪，如下图所示，添加池州市矢量边界图，进行裁剪，得到池州市的遥感影像图，如下图所示

4.2.1建立解译标志

在进行样本选取时，首先要对地类建立解译标志，开始分类时建立的解译标志可以根据影像特征细化到类，因为不同的地类在影像上呈现出来的效果会有一定的差异，细分亚类进行选取能够有效地提升选择的精确度。以及我们通过不同的光谱特征将地物细分尽量保证样区的数量都在 10 以上，选择的样区要较纯净，分布要相对均匀，以对后续的分类结果有较好的保证。 4.2.2分类方法

监督分类的关键是训练样本与训练场地的选择，其选择的质量关系到分类能否取得良好的效果，所以在选择训练样本时要从分考虑研究区地物的光谱特征和分布区域特征，训练样本的数目至少能够满足建立分类用判别函数的要求，且均匀选取，与解译标志尽量接近。

本文采取的是监督分类中的支持向量机方法。支持向量机分类（SVM）是一种建立在统计学习理论基础上的基础学习方法。SVM 可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确率。

4.2.3选择样本 利用裁剪后的影像将池州市土地利用分为五类：水体、裸地、耕地、林地和居民地，每类样本选取量不少于 10 个，且样本应随机分布在影像上。样本选择完以后，还需计算样本的可分离性。在 Region of Interest (ROI) Tool 面板上，选择Option>Compute ROI Separability，得到样本可分离程度如下图 4-6 所示。从图中可以看出 2013 年样本分离程度很好，基本都能达到 1.9，2017 年的样本分离程度虽然没有2013 年好，但基本在1.86 以上，样本分离度满足要求。 4.2.4分类结果评价

由于没有高空间分辨率的遥感影像作为验证影像，只能在原始的影像上选取验证样本，保证验证样本与分类样本没有重叠，同时保证验证样本类别的明确性，能够准确地进行判读。对分类结果进行评价，确定分类的精度和可靠性，本文利用混淆矩阵进行精度评价，在 ENVI 的 Toolbox 中，选择 Classification>Post Classification>Confusion Matrix Using Ground Truth ROIs，得到如下所示图。

从图 4-7 和图 4-8 可知，2013 年总体分类精度为 99.1212%，kappa 系数为0.9851，分类效果较好。2013 年分类效果不如 2013 年好，但总体分类精度也达98.9962%，kappa 系数为 0.9743。总的来说，2013 年和 2017 年监督分类结果精度很高，满足精度要求。并对分类后图像，利用 ArcGIS 软件，制作 2013 年和2017 年池州市土地利用专题图，得到如下所示图。 4.3土地利用动态监测 使用 ENVI 软件，在 Toolbox 中，选择 Change Detection>Change Detection Statistics，使用分类后比较法比较两时相影像分类结果，获得变化类型、面积、百分比等变化矩阵信息，如下图所示。 从各类地物所占百分比图，我们可以看出水体所占面积有所增加，共增加了9.197%，裸地面积也有所增加，共增加了 33.707%，林地面积相对有所减少，减少了9.011%，耕地面积也有所减少，减少了 3.776%，居民地增加的最多，增加了126.241%。

将各类地物所占面积整理成表，如下表所示，可以看出，池州市所占面积最大的地物是林地，但林地的变化也是最大的，有605.3202km2 的林地变化为其他地物，主要变化为耕地；居名地和裸地面积增加的比较明显，其中有378.6921km2的其他地物转换为居名地，主要是林地，有202.3677km2的其他地物变化为裸地；耕地面积有所减少，约19.8549km2 的耕地变化为其他地物；水体所占面积有所增大，面积增加约44.1153km2。 同时，将 2013 年和 2017 年两年的土地利用分类结果图在 Change Detection>Thematic Change Workflow 中使用分类后比较法比较两时相影像分类结果，将两期影像变化图转为tiff 进行输出。并利用 ArcGIS 制作2013 年到2017年池州市土地利用变化专题图，如下图所示，可以直观的看见各类地物变化情况。

5.1统计结果分析 从上表可以看出，变化面积较大的是林地到其他类（约有774.2727 km2）、其他类到裸地（约有527.9166 km2）、其他类到居名地（约有475.0263 km2）、耕地到其他类（约有394.5402 km2）和其他类到耕地（约有374.6853 km2），变化剧烈的主要是居名地、裸地和耕地。 5.2动态变化度分析 从上表可以看出，就单一动态度而言，水体的单一动态度为 2.3%，裸地的单一动态度为8.43%，林地的单一动态度为-2.25%，耕地的单一动态度为-0.94%，居名地的单一动态度为 31.56%。这说明，从 2013 年到 2017 年，这四年期间，池州市的林地和耕地面积减少，居名地和裸地面积增加。就空间变化动态度而言，水体的空间变化动态度为7.52%，裸地的空间变化动态度为35.54%，林地的空间变化动态度为3.51%，耕地的空间变化动态度为36.57%，居名地的空间变化动态度为47.62%。这说明了这四年间，居名地空间格局变化度最大，其次是耕地、裸地、水体和林地，通过这些数据我们可以知道，建筑区明显增加，耕地面积减少，池州市近年来生态情况遭到破坏，需要加以防范。

请关注我的个人公众号：遥感加油站，谢谢支持！