搜索
利用卫星遥感技术进行土地变化监测的研究---以北京市为例引言土地利用变化检测是遥感技术的主要应用领域之一。遥感土地利用变化检测利用同一地区两幅经过严格的几何校正的不同时相的遥感影像，进行叠加分析，通过变化检测算法检测变化区域。土地利用/土地覆盖及其变化，在诸如环境、森林、水文、农业、地理、生态等方面的研究中是一个关键因素。土地利用/土地覆盖变化，以及由其带来的相应变化对人类环境和生态过程有着直接的影响，自然资源的管理和相关决策也依赖于此。随着世界人口的迅速增长，人类在越来越快地破坏着自然资源、生态系统和环境。其结果是，人类面临严重的森林退化、荒漠化、土壤流失、土地减产和生物多样性消失。由此可见。土地利用/土地覆盖的变化检测的必要性越来越凸现出来。由于遥感对地观测具有实时、快速、覆盖范围广、多光谱、周期性等特点，数十年来，科学家已经发展了不同的遥感变化检测方法，大致可归纳为分类前比较法和分类后比较法。这些方法有各自的特点，同时也存在各自的不足。土地利用/土地覆盖变化检测方法较多，分别适合不同目的和不同精度要求，主要方法有：1、图像差值法2、图像比值法3、图像回归法4、主成分分析法5、变化矢量分析法6、分类后比较图像差值法这种方法是将时间t1，t2获取的两幅影像进行严格配准，然后逐像素相减，从而得到一幅结果影像以表示在这两个时间当中所发生的变化，通过对差值分析设定合适的阈值即可得到地表变化的结果。这种方法的主要特点是简单、直接、便于解释结果，不足之处在于不能提供地物变化的信息。图像比值法图像比值法是指将多时相遥感图像按波段逐个像元相除，那么未发生变化的像元其比值接近1，发生变化的像元则偏差较大，根据比值设定阈值便可得到变化的区域。图像比值法需要对多时相图像进行某种标准化或辐射校正。作为一种变化检测方法，比值法在一定程度上能减少影像间太阳高度角、阴影和地形不同造成的影响。图像回归法此方法假定时相t1是时相t2的线性函数，通过最小方差回归法可以做出与之间的回归方程（x是波段k，i行，j列的像素值）有关的线性函数，而那些两个日期之间发生了变化的像素将会与确定函数的预测值有显著的差异。如果是从回归方程计算出预测值，差值影像可由=-得到。通过相减实际值和预测值，再使用阈值，就可实现变化检测。这种方法减少了大气状况和太阳高度角的不同带来的不利影响。主成分分析法该方法是对多时相数据按一般主成分分析研究或标准主成分分析的方法进行线性变换，得到反应各种变化的分量，这些分量互不相关，而且按其强度及影响范围顺序排列。通过对进行主成分变化的变化分量进行分析就可以总结变化规律，揭示变化原因。这种方法减少了波段之间的数据冗余，强调了衍生成分的不同信息。但是这种方法不能提供一个完全的类别变化信息矩阵且需要阈值确认变化的区域。变化向量分析法(ChangeVectorAnalysis，CVA)是在相对辐射归一化校正的基础上进行的。光谱向量变化分析是一种特征向量空间变化检测方法。变化向量法描述从第一时间到第二时间的光谱变化的方向和数量。每个像元可生成一个具有变化方向和变化强度(大小)两个特征的变化向量。变化向量的分析结果可输出变化强度(向量强度)和变化方向码两幅图像。变化强度通过确定n维空间中两个数据点之间的欧氏距离求得(n为选用的波段数)。变化方向反映了该点在每个波段的变化是正向还是负向，根据变化向量的方向和角度来确定。每个像元的变化方向有2的n次方种模式。变化矢量分析法分类后比较方法首先是将不同时相的图像各自进行分类，然后对分类后的图像进行叠加分析，得到变化监测的结果。将不同时相图像的所有波段混在一起进行分类，分类的结果可以反映出变化类型。这种变化检测的方法较为明显，需要比较独立生成的分类图像，通过对两个时相的分类结果进行适当编码，分析人员能够生成一个变化图来反映完全的变化矩阵。这种方法可以避免对不同时相数据的精确配准问题。总之，现有的遥感变化检测的方法较多，这些方法分别适用于不同的实际需求，根据实际情况选择合适的方法可以达到较好的检测结果。研究区域北京市不仅是京津唐城市连绵带的主要城市，也是全国的重要城市。在改革开放政策的驱动下，随着中国加入世界贸易组织和北京申办奥运会成功，北京市得到较快发展，经历了一个经济和人口高速增长的过程，出现了以城市化为主要特征的大规模的土地利用/覆盖变化，土地利用类型之间转化明显。因此，研究北京市及其边缘地区土地利用/土地覆盖的动态变化具有重要意义。研究区概况北京是中华人民共和国的首都，是全国的政治、经济和文化中心，是世界历史文化名城和古都之一。北京市位于北纬39°28′～41°05′，东经115°24′～117°30′。北京位于华北平原的西北边缘，地势西北高、东南低。北京北有军都山，西有西山，东南是向渤海倾斜的平原。北京为典型的暖温带大陆性季风气候。全市总面积16386km2，其中山区占61.4%，平原占38.6%，全市共划16区、2县。2004年底，北京市总人口数为1162.9万人，暂住人口约341.5万人。遥感信息源此次研究是利用陆地卫星LandsatTM影像。对于辖区土地利用的监测采用的遥感数据是2000年和2006年TM数据，对北京市2000—2006年快速城市化过程中复杂的土地利用变化进行了监测，并在此基础上对该区域土地利用变化的基本特征和原因进行了研究。432假彩色合成2000年2006年图像处理将2006年的数据进行叠加选择2006年数据的1-5、7波段进行叠加，去除信息量较少的6、8波段。叠加后的图像如右图所示：图像处理坐标转换由于2000年和叠加后的2006年影像不在同一坐标系中，所以需要转换到同一个坐标系中。将图像转到2000年影像的坐标系下：Clarke1866坐标系。图像处理几何校正首先将2006年的数据进行初次裁剪。2006年的图像是以2000年的图像为基准，裁剪出一块比2000年影像稍微大一些的区域，然后再进行几何校正。裁剪后裁剪前图像处理几何校正：以2000年为基准，对2006年的影像进行几何校正。控制点如图，误差控制在半个像元以内。校正后的影像图像处理再次裁剪：将几何校正后的2006年的图像裁剪成和2000年的影像一般大小。2000年2006年监督分类将2000年影像和裁剪后的2006年影像进行监督分类。我粗略的分了六类：植被（Red）、农田（Green）、建筑用地（Blue）、湖泊（Yellow）、裸土地（Magenta），采用的是最大似然法。2000年2006年精度评价2000年的影像：重新在影像中选取样本区（与用来做分类的训练区不一样）。精度评价的结果包括混淆矩阵、总体精度、Kappa系数。矩阵中对角线上元素为被正确分类的样本数目，非对角线上的元素为被混分的样本数。总体精度(OverallAccuracy)：分类后类别与真实类别一致的检验点的个数与所有检验点个数的比值。即表示所有检验点中被正确分类的百分比例。为了更能表现整体影像分类的误差性，可由误差矩阵间的相互运算而产生Kappa统计值。期望精度指由误差矩阵中，将相同的分类项目的行与列的数值相乘，再相加后所产生的数值，除以左上到右下对角线上的数值自乘的值，所产生的百分比数，称为期望精度。精度评价精度评价•2006年的影像：重新在影像中选取样本区（与用来做分类的训练区不一样）。精度评价的结果（混淆矩阵、总体精度、Kappa系数）：变化监测将2000年和2006年的分类结果进行比较，得到变化的图像①Pixelcount（发生变化的像素情况）：变化监测②Percentage（发生变化的像素百分比情况）：变化监测③Area(squaremeters)（发生变化的面积情况）：2000-2006年各类有一定的变化。就像素变化情况进行分析，可知：对角线上表示2000-2006各类型未发生变化的像素个数。2000年所选的农田的像素总数为36067，到2006年农田变化成其他类型的像素总数为29569，2006年农田的像素数为22775；植被的像素总数为146265，到2006年变化成其他类型的像素总数为88644，2006年植被的像素数为108264；建筑用地的像素总数为167669，到2006年变化成其他类型的像素总数为36073，2006年建筑用地的像素数为221773；水体的像素总数为11952，到2006年变化成其他类型的像素总数为9715，2006年水体的像素数为8178；裸土地的像素总数为28047，到2006年变化成其他类型的像素总数为24593，2006年裸土地的像素数为29000。虽然不是很准确，但从中还是可以看出个类型的变化。变化监测从1到6分别为农田,植被，建筑用地，水体，裸土地的变化情况：建筑用地增长结果提取建筑用地变化的结果：其中黑色代表没有变化的区域，白色代表2006相对于2000增长的建筑用地谢谢大家