以鄱阳湖为例对土地覆被进行分类以测量萎缩的湖泊（二）

对土地覆被进行分类以识别湖泊

要量化 1984 年至 2014 年间湖表面积的变化，需要对两幅影像中的土地覆被进行分类，确定被水覆盖的区域并将其与其他土地覆被（如植被或城市区域）区分开来。在多光谱影像（如 Landsat）中，影像中的每个像素（或像元）对于每个光谱波段都有一个值。从鄱阳湖充满活力的图像中可以看出，各种色调和色调都有许多可能的颜色值。但是，表示相同土地覆被的所有像素往往具有某种相似的光谱值。通过对影像进行分类，将识别值相似的像素，并将它们组合在一起以表示少量类，例如水、植被或城市区域。

将使用一种特定类型的分类技术（称为无监督分类），在该技术中，软件使用统计分析来确定哪些值彼此足够相似，可以组合在一起生成类。只需指定要获取的类数，该工具将生成该确切数量的类。将用于执行此操作的工具是 Iso 聚类无监督分类。

1984年影像土地覆被分类

在功能区上，单击"分析"选项卡。在地理处理组中，单击工具。随即显示地理处理窗格。

在地理处理窗格中，在搜索框中输入Iso 聚类无监督分类。单击具有相同名称的结果。将打开Iso 聚类无监督分类工具。此工具对选择的影像图层或栅格运行无监督分类。它使用 Iso 聚类算法来确定像元自然分组的特征，并根据所需的类数创建输出图层。将在 1984 影像图层上运行该工具

输入参数如下，运行

工具完成后，输出图层将添加到地图中。地图上的颜色可能与下图中的示例图像中的颜色不同。

新图层类似于原始的 1984 年 6 月影像，但现在只有四种颜色表示由分类工具生成的四个类中的每一种。所有影像图层都由像素网格（也称为像元）组成，但在原始影像中，像素具有数千种不同的颜色。Iso 聚类无监督分类工具获取原始影像中的所有像素，并根据它们的光谱相似性将它们分类为四个值类。然后，它随机选择四种颜色来符号化每个类。看起来所有水体都被归类为一个类（值1），而植被，云覆盖和其他土地覆盖类型则在其他三个类中被捕获。

对于Iso_1984图层，右键单击值 1并将颜色更改为等辉正长岩蓝色。将其他值（2、3 和 4）更改为无颜色。只有水值仍然可见。需要将其与 1984 年 6 月的原始图像进行比较，以确保分类正确无误。

打开Iso_1984.tif和1984 年 6 月.tif图层，并确保所有其他图层均已关闭。单击Iso_1984.tif图层以将其选中。

在功能区的"外观"选项卡上，打开"卷帘"工具以比较两个 1984 图层。

尽管湖泊边界大多相等，但分类值还包括湖泊周围较小的水体。将在下一节中移除其中一些较小的水体。由于云层覆盖，湖泊的一部分未被归类为与湖泊其余部分相同的值。（云层通常会遮挡卫星影像中的地面要素。此影像中的云层覆盖相对较小，因此不会对分析产生重大影响，但通过使用云层覆盖更小的影像可以改进分析。）

在功能区的地图选项卡上，重新激活浏览工具，在内容窗格中，关闭Iso_1984.tif和1984 年 6 月.tif图层。

2014年土地覆被分类

打开2014 年 5 月.tif图层。用同样的方法对2014 年影像进行分类

与之前的结果相似，水体部分均被分类为1

对于Iso_2014图层，将值 1的颜色更改为浅苹果色。将其他值（2、3 和 4）更改为无颜色。

这次结果分类相当准确

关闭 May 2014.tif图层，然后打开Iso_1984图层。可见的蓝色区域表示1984年被水覆盖的区域，但在2014年没有，更清楚地显示了两个时间点之间湖泊的减少。、

清理分类

现在，将使用制图综合分析工具清理分类影像，以清除湖泊周围的小错误或小水体。还可以平滑湖泊的边界。

筛选单个像素

首先，将清理被归类为水但不属于鄱阳湖的小型孤立像素。其中一些像素属于小池塘或水体，而另一些则被错误地分类。无论哪种方式，在计算鄱阳湖面积时都不应计算在内，因此将运行地理处理工具以尽可能多地消除它们。

在地理处理窗格在搜索框中，键入众数滤波。单击众数滤波工具。

众数滤波工具是一种数据制图综合工具。它根据大多数相邻像元的值替换影像或栅格图层中的像元。如果像元已分类为 1 类（水），但其四个相邻像元中有三个已分类为类 2，则该工具将更改像元值以拟合周围的值，换言之，即为类 2。将运行该工具两次，每个分类影像运行一次。

参数如下

泛化删除了许多单独的像素，但许多像素仍然存在。可能需要进行额外的泛化，但泛化还存在删除所需数据的风险。换句话说，可能会丢失代表鄱阳湖的水体。稍后在平滑边界时，将修复一些剩余问题，但现在，将在其他影像图层上运行该工具。

将输入栅格更改为Iso_2014并将输出栅格名称更改为Filter_2014，重新运行

现在，已经拥有两个分类影像的通用版本，不再需要地图上的原始分类影像，因此将将其移除，移除Iso_2014图层和Iso_1984图层

清理图像边界

已经移除了每张图片中的一些像素。接下来，将清理每个图像中值之间的边界，以删除像素化的粒度边缘。

搜索边界清理工具

"边界清理"工具通过扩展边界，然后将其缩小回其原始大小来平滑类之间的边界。这样做通常会删除单个像素，并用它们周围的像素值替换它们。其结果实现了与众数滤波工具的效果，但侧重于类边界

参数如下，排序技术参数确定在扩展过程中是优先处理面积较大还是较小的值，并且该复选框确定运行该过程的次数。将接受这些参数的默认选项。

新的 1984 年图层随即添加到地图中。差异很小，但值之间的边界被平滑了。此外，还会删除散布在整个图像中的更多小的单个像素。虽然还剩下一些，但泛化工具已经大大清理了图像。如果想自己查看差异，请尝试使用"滑动"工具并放大靠近图像进行比较。接下来，将对另一个影像运行边界清理工具。

在Filter_2014栅格上运行边界清理工具。将输出栅格名称更改为Clean_2014。移除众数滤波工具产生的图像

保存工程