基于遥感技术的土地利用／覆被变化研究(2)
2013-07-07 01:44
导读：遥感影像在成像时，由于成像投影方式、卫星传感器视角、地球曲率、地形起伏等因素的影响，使获得的遥感图像存在一定的几何变形。因此，遥感影像在
遥感影像在成像时，由于成像投影方式、卫星传感器视角、地球曲率、地形起伏等因素的影响，使获得的遥感图像存在一定的几何变形。因此，遥感影像在应用时必须进行几何校正。一般地面站提供的遥感数据都经过了几何粗校正，所以用户只需要进行几何精校正。几何精校正常采用多项式法，该方法在校正过程中要求地面控制点（GCP ）在影像中尽可能均匀分布，对二元n 次多项式来说，GCP 选取的数量应大于（n + l ） · （n + 2 ) / 2 。在实际工作中，常要采用的GCP 数量为理论数量的2 倍以上。另外经验表明，校正过程中GCP 的选择不是越多越好，取得太多不仅不能保证精度，而且耗时、耗力。几何精校正的好坏，会影响到后期影像的分类，面积统计等结果。因此，精校正要保证高质量的完成。
对于特定的研究区域，单景影像可能覆盖不全，这就需要进行影像的拼接，对拼接后的影像还需要按研究区域边界（如行政界限等）裁剪。在ERDAs 软件环境中，可以实现两景影像的无缝拼接，即在两景图像重复的区域，进行渐次的像元值加权平均，在重复区域形成一个像元过渡带，从而减轻影像间由色调差异造成的拼接缝现象。另外，对拼接后的影像还要按县界进行裁剪，即掩膜处理（Mask ）。首先将Arclnfo 或ERDAs 的vecto ，模块绘制的行政区划多边形矢量文件栅格化，形成二值图像，行政区内编码为1 ，界外编码为0 。再应用掩膜技术，将影像文件与行政区划二值栅格图像进行并运算就得到了以行政区划为边界的遥感影像图。图像裁剪的过程中要注意，遥感影像和多边形图像的投影系统要一致，且必须选择等面积投影，如果进行大面积的研究，不同的投影所得到的分类面积将差异很大。
为了提高影像的解译分类精度，增强地物特征，在遥感影像解译前可以进行一些影像增强处理，如空间增强、辐射增强、光谱增强、傅立叶变换等。在土地利用／覆被变化研究中，可以将多光谱的TM 、ETM ＋数据同sPOT 等高分辨率的数据融合到一起，使融合后的遥感影像既具有较高的空间分辨率，又具有多光谱特征，从而达到影像增强的目的。｝成分变换也是增强影像的主要手段之一，其通过对原存在相关性的遥感波段进行正交变换，从而生新的主分量，在特征域中这些新的主成分分量彼此之间相互独立，信息量向前儿个分量集中，从而实现对地物特征光谱的增强。傅立叶变换可以将遥感图像从空间领域转换到频率域，并在频率域上对图像进行滤波处理，减少或消除周期性噪声，达到增强图像的目的。遥感影像的增强处理需根据实际工作的需求进行灵活选择组合。
2 . 3 土地利用／覆被的遥感分类
遥感影像中同类地物在相同条件下（纹理、地形、光照以及植被覆盖等）应具有相同或相似的光谱信息特征和空间信息特征，因此同类地物像元的特征向量将集群在同一特征空间区域，而不同的地物由于光谱信息特征或空间信息特征的不同，将集群在不同的特征空间区域。根据这一特点，可以对经过预处理和增强的影像进行土地利用／覆被变化遥感分类。常规的土地利用／覆被变化遥感分类主要包括传统分类方法（除督分类和非监督分类）、人工神经网络（ANN ）分类方法、基于知识的分类方法和分类树方法等。
监督和非监督分类方法是基于光谱信息统计模式分类的，一般来说，非监督分类方法简单，不需要待分类别的先验知识，但其判别精度较差，尤其是在待分类别数目较多，地物、地形信息复杂的情况下更是如此。监督分类精度较高，但需要训练样本，因而对缺乏先验知识的待分类别就无能为力。
人工神经网络（ANN ）分类是通过对人脑神经系统结构和功能的模拟，建立一种简化的人脑
数学模型。它不需要任何关于统计分布的先验知识，不需要预定义分类中各个数据源的先验权值，可以处理不规则的复杂数据且易与辅助信息结合。与传统分类方法相比，ANN 分类方法一般可获得更高精度的分类结果，特别是对于复杂类型的土地覆盖分类，ANN 方法显示了其优越性！l4 ］。但某些地物的光谱数据的团聚性较差，使得网络对大多数易区分的地类识别率高，而对少数不易分的地类识别率低。
光谱信息仅是地物特征的一个方面，地物与地物的差别不仅表现在光谱信息上，而且还表现在形态、大小、位置分布、空间结构等各个方面。因此，基于知识的影像分类方法就以光谱数据识别出来的结果作为初始数据，使用辅助数据和知识库中的规则进行不精确推理，最后确定出像元所属类别。
土地利用／覆被变化的遥感分类不仅需要根据实际情况选择分类方法，而且还需要制定相应的分类体系。在实际应用中往往参照J . R . Anderson 分类体系，把土地利用类型分为：高密度城市用地、中低密度城市用地、农田、果园、灌草地、林地、水体、湿地和裸地9 大类。虽然土地利用／覆被变化的遥感分类在国际上尚未达成统一的标准，但目前国内不少学者在分类体系、分类方法等方面已做了一些有益的探索。骆剑承等以香港土地利用／覆被变化为例提出了基于RSIGIM 的土地利用／覆被变化分类体系。程昌秀等从遥感影像和GIS 矢量数据一体化角度出发，将二者配准叠置，利用矢量数据的图斑边界信息提取边界内像元灰阶信息，并根据灰阶信息、图斑矢量边界坐标等统计出灰度特征、纹理特征和形态特征，最后提出相应的决策树和判决规则，识别图斑类别。这些研究和探索为今后土地利用／覆被变化遥感分类提供了新的思路和创新，也为发展新的、成熟的土地利用／覆被变化遥感分类体系提供了研究基础。
2 . 4 动态信息提取
目前，主流的土地利用／覆被变化动态信息提取方法有两种，即光谱直接比较法和分类后比较法两大类。光谱直接比较法包含不同时相影像算术运算法（差值、比值、植被指数等）、回归分析法、主成分分析法、变化向量分析法等；分类后比较法包含多时相合成影像变化法、影像分类后比较法、影像与辅助数据比较法等。
光谱直接比较法是通过逐个像元光谱比较来提取变化信息的。因此可以探测细微变化信息，能够较准确地获取变化的位置和数量信息，适合单种类型的变化信息提取。但该方法需要进行严格的辐射标准化，排除大气状况、太阳高度角、土壤湿度、物候等“噪声”因素对图像光谱的影响。由于目前对各种干扰（尤其是物候）导致的辐射差异校正方法仍不成熟，因此，只能通过选择同一传感器、同一季相的数据来尽可能减小“噪声”。这种对数据和预处理的过高要求极大地限制了光谱直接比较法的广泛使用，同时光谱直接比较法只注重变化像元的提取，而不能提供土地利用／覆被变化类型信息。
