遥感模型实习报告
遥感应用模型实习报告
中国地质大学
第一部分:大冶研究区土地使用情况分析
【实习目的】
完成研究区土地使用情况分析,通过遥感分类、空间分析将研究区内4种(批而未用、用而未尽、越界开发、用而未批)违规用地提取出来,并统计相关面积、位置数据。 【实验数据】
研究区影像数据:2009spot_area1.msi;2010spot_area1.msi 辅助数据:大冶批次用地建设用地红线.wp 【实验要求】
要求:1)制定提取方案 2)数据处理
3)要求成果以影像制图输出、数据报表的形式输出; 【参考方案】
方案一: 使用第一部分中的遥感变化监测方法进行提取分析; 方案二: 利用遥感分类提取建设用地图层,再利用空间分析进行4
种违法违规用地的提取分析。 本实验采用方案二。 【实验步骤】
1.最大似然法监督分类:
2009年影像监督分类 2010年影像监督分类 2.提取出的建设用地层和红线区如下图。
3.变化检测 Change=2010-2009 4.空间查询
变化图层Chang与建设用地红线进行查询。 5.提取结果
批而未用部分 未批先用部分
用而未尽部分 越界开发部分
6.土地利用情况总体一览图:
7.误差分析
因MAPGIS K9无法进行叠加分析,只好根据各种用地情况来手动分类,效果并不好。
第二部分:遥感反演与建模
【实习目的】
遥感技术的特征使得其可以实现大面积的同步监测,较传统实地点对点监测有不可比拟的优势。本实习通过太湖区域遥感技术叶绿素监测处理应用过程来学习简单的遥感反演与建模方法。 【实验数据】
研究区影像数据:HJ1B-CCD1-451-76-20091006-L[1**********];
太湖区域TM数据(L2级); HJ1B-CCD1波谱响应函数; 太湖矢量数据;
实测叶绿素样点浓度数据;
【实验要求】
要求:辐射定标、几何校正、大气校正、反演模型的建立、遥感反演过程、反演结果验证等内容。 注意:软件要求ENVI4.7以上版本。 【参考方案】
目前利用遥感技术可反演的水质参数包括:叶绿素 a(Chl-a)、悬浮物(TSM)、有色可溶性有机物(CDOM)透明度(SD)、溶解氧
(DO)、水表温度(TS)、总氮(TN)、总磷(TP)、高锰酸盐(CODMn)、电导率、海水盐度、含沙量等。
叶绿素 a 浓度目前有很多的模型,在大气纠正效果较好的前提下,比值植被指数和归一化植被指数能够较好的反演不同水体的叶绿素浓度(李云梅等),如下表 1 所示:
表1 部分叶绿素a浓度监测模型
本实习,指导书中采用第一种基于比值植被指数的chla=aX+b模型,要求同学们采用3种模型进行反演。说明:R2反映拟合效果,越接近1表示拟合效果越好。
基本处理过程:先对环境小卫星 CCD 数据进行数据预处理:数据读取、辐射定标、几何校正、大气校正、太湖区裁剪,利用波段比值法对实测的叶绿素 a 浓度数据建立反演模型,将模型应用于太湖水面区域影像,反演出整个太湖区的叶绿素 a 浓度。
技术路线如下:
【实验步骤】 1.数据预处理
1)安装环境卫星数据处理补丁 2)数据读取和定标 3)工程区裁剪
由于整景影像范围太大了,进行几何校正之前,裁剪出我们需要的太湖及其周边区域。裁剪结果如图:
4)几何校正
这一步是对环境数据进行几何校正,使其具有精确的地理信息,基准影像可以是地形图,也可以是已经过校正的其他中高分辨率影像,本实习中用到的是已经过校正的 TM 数据作为基准影像 面以 TM 作为基准影像对环境小卫星图像进行图像配准。 几何校正可以采用两种方式:人工选取GCPs、自动选择GCPs。 人工选取GCPs:Map -> Registration -> Select GCPs: Image to Image。然后进行人工添加控制点,再进行校正即可。
下面介绍交互式自动选择GCs的方法:
(1)选 择 基 准 影 像(TM_baseimage.img)的波段 4 作为匹配波段, 选择被配准影像 HJ1B-CCD1-20091006-Cal-sub.img band4 作为匹配波段。
(2)在 Automatic Registration Parameters 面板中,设置如下图中的参数,单击 OK 执行基于像元值自动寻找同名点; (3)将所有控制点按照 RMS 值由高到低排序;
(4) 对于 RMS 高的点,可以直接删除;也可以在两个影像的 ZOOM 窗口上,将十字光标定位到正确的位置,再点击 Updata 按钮进行微调,本实验中,水域中的点由于没有固定参照物,所以均删除,湖岸线的点,RMS 高的可删除或者更新到正确位置; (5) 当把误差较大的点调整完之后,按照点序重新排列,一个个浏览点的选择是否合适并做出调整;
(6) 在缺少控制点的区域手动添加一些点,充分利用 Predict
预
测功能,能减少很多工作量;
(7) 调整控制点,直到总的 RMS Error 小于 1 个像素时,完成控制点的选择。保存控制点;
(8)下图为选择好的控制点图:
(9)选择校正文件;在校正参数面板中,投影参数默认;在 X 和 Y 的像元大小输入 30 米,按回车,图像输出大小自动更改; (10) 重采样方法选择 Nearest Neighbor,(保持图像辐射值不变,做大气校正);
(11) 选择输出路径和文件名 HJ1B-CCD1-20091006-Cal-sub-jz.img,单击 OK 按钮;
(12)下图为几何校正好后的图像:
5. FLASSH大气校正 (1)制作波谱曲线
(2)大气校正
(3)区域裁剪 下图为裁剪后的结果:
2.反演建模
(1)整理采样点实测数据 (2)获取采样星上数据 (3)模型参数反演
下图为导出的数据和绘制的相应3种模型函数。
1)线性函数:
y = 0.0477x + 0.015 R²
= 0.8355
2)指数函数:
y = 0.025e0.9126x R² = 0.8137
3)对数函数:
y = 0.0358ln(x) + 0.0626 R² = 0.816
(4)反演结果:
3.质量评价
第三部分:QuickBird数据融合后分类提取实验
1. 影像融合
下图为影像融合后的图像:
2. 监督分类
(1)最大似然法监督分类
(2)精度评价
:
3.非监督分类 (1)ISODATA分类法
通过连接融合的影像和分类后的影像来分辨类别:
通过目视分类识别出的类别如下图:
合并后的非监督分类图像及生成的质量报告如下图:
3. 面向对象分类
(1)准备工作
对数据进行预处理。
(2)发现对象
启动Rule Based FX工具并选择参数。
(2)影像分割、合并
FX根据临近像素亮度、纹理、颜色等对影像进行分割,它使用了一种基于边缘的分割算法,这种算法计算很快,并且只需一个输入参数,就能产生多尺度分割结果。通过不同尺度上边界的差异控制,从而产生从细到粗的多尺度分割。 1)分割阈值(Scale Level):选择高尺度影像分割将会分出很少的图斑,选择一个低尺度影像分割将会分割出更多的图斑,分割效果的好坏一定程度决定了分类效果的精确度,我们可以通过勾选preview预览分割效果,选择一个理想的分割阀值,尽可能好地分割出边缘特征。有两个图像分割算法供选择: ∙ Edge, 基于边缘检测,需要结合合并算法可以达到最佳效果; ∙ Intensity: 基于亮度,这种算法非常适合于微小梯度变化(如DEM)、电磁场图像等,不需要合并算法即可达到
较好的效果。
2)合并阈值(Merge Level):影像分割时,由于阈值过低,一些特征会被错分,一个特征也有可能被分成很多部分。我们可以通过合并来解决这些问题。合并算法也有两个供选择:
∙ Full Lambda Schedule,合并存在于大块、纹理性较强的区域,如树林、云等,该方法在结合光谱和空间信息的基础
上迭代合并邻近的小斑块;
Fast Lambda: 合并具有类似的颜色和边界大小相邻节段。
设定一定阈值,预览效果。这里我们设置的阈值为90,点
Next进入下一步。
3)纹理内核的大小(Texture Kernal Size):如果数据区域较大而纹理差异较小,可以把这个参数设置大一点。默认是3,最大是19。
(3)根据规则进行特征提取
(4)结果输出
5.三种分类方法比较: