keyword:ecogntion;envi;arcgis;土地利用分类;雄安新区;面向对象
1.研究区域概述
雄安新区是国家级新区(副省级功能区),位于我国华北平原的东北部,雄安新区涉及河北省雄县、容城、安新3县及周边部分区域,面积为1557km²,经度跨度为115°38′9″~116°19′46″,纬度跨度为38°43′36″~39°10′17″,属于暖温带大陆性季风气候。雄安新区位于太行山东麓、冀中平原中部、南拒马河下游南岸,在大清河水系冲积扇上,属太行山麓平原向冲积平原的过渡带。全境西北较高,东南略低,海拔标高7~19 m,自然纵坡1‰左右,为缓倾平原,土层深厚,地形开阔。
雄安新区是位于京津冀地区核心腹地,由河北省保定市所辖雄县、容城、安新3县组成。雄安新区规划建设以特定区域为起步区先行开发,起步区面积约100平方公里,中期发展区面积约200平方公里,远期控制区面积约2000平方公里。设立雄安新区,对于集中疏解北京非首都功能,探索人口经济密集地区优化开发新模式,调整优化京津冀城市布局和空间结构,培育创新驱动发展新引擎,具有重大现实意义和深远历史意义。
2.数据源简介与数据下载过程
2.1数据简介
本实验数据来源于“地理空间数据云”平台(https://www.gscloud.cn/home),选用Landsat 8 OLI_TIRS数据,数据标识分别为:LC81230332014247LGN01、LC81230332020264LGN00,影像日期为2014-9-4(云量0.02%)、2020-9-20(云量0.39%),条带号123,行编号33。这两幅影像都能够完整包含研究区域-雄安新区,且云量均较小方便后期使用。另外,为确保两幅影像地物变化较明显,选取的时间跨度为6年即14年和20年。由于本实验涉及到两时相地物分类对比,所以两幅影响选择的月份均为9月份,避免因处于不同季节对地物变化分析产生干扰。区域平均高程为平均高程:53.62061641165046米。全区影像覆盖范围如下图2-1所示:
(图2-1 影像覆盖区域)
两幅影像具体信息如下图2-2所示:
(图2-2 影像具体信息)
2.2数据下载过程
打开地理空间数据云平台(https://www.gscloud.cn/home)并登录,在数据资源一栏中选择“高级检索”选项。
(图2-3 高级检索)
在高级检索中选择卫星产品“Landsat 8 OLI_TIRS卫星数字产品”,框选研究区域的大致范围,设定时间范围为2013-2023年,筛选云量≤10%,且勾选数据为“有”,月份均选择9月份(以免因不同季节导致植被有较大变化)如下图所示:
(图2-4 高级检索设置)
点击检索可以检索出所有符合以上筛选条件的影像,点击其中一幅影像可以在地图中显示其覆盖范围。如图2-5所示:
(图2-5 检索结果)
最后根据实际需要,筛选出以下两幅影像,时间跨度、云量、范围等均符合要求。
(图2-6 影像最终选择)
确定影像后,点击后面的下载按钮开始下载影像数据。
3、影像预处理
因两年份的影像数据预处理流程完全相同,故本报告中的数据预处理具体流程只展示2014年,2020年只展示结果。
3.1辐射定标
3.1.1多光谱辐射定标
打开ENVI软件并加载2014年实验数据,加载数据后打开工具箱中位于“辐射校正”下的“辐射定标工具。”
(图3-1 辐射定标工具)
打开辐射定标对话框进行数据选择,这里选择多光谱数据,如图3-2所示:
(图3-2 辐射定标-数据选择)
在辐射定标参数设置对话框中,设置定标类型为“辐射亮度值”,输出存储顺序为“BIP”,缩放系数为0.1,输出数据类型选择float,设置文件输出路径以及文件名称,如图3-3所示:
(图3-3 辐射定标参数设置)
辐射定标完成后将辐射定标结果加载进来,对比辐射定标前后结果。
(图3-4 多光谱辐射定标前)
(图3-5 多光谱辐射定标后)
3.1.2全色辐射定标
在辐射定标数据选择窗口选择全色影像,如图3-6所示:
(图3-6 辐射定标数据选择)
在辐射定标参数设置界面设置定标类型为“表观反射率”,输出存储顺序为BIP,输出数据类型为“UINT”,缩放系数设置为10000,如下所示:
(图3-7 辐射定标参数设置)
全色影像辐射定标结果如下图所示:
(图3-8 全色辐射定标结果)
3.2大气校正
选择大气校正模块下的FLAASH大气校正。
(图3-9 大气校正)
在大气校正对话框中输入多光谱辐射定标的结果,如下图所示:
(图3-10 选择输入数据)
设置大气校正参数,平均高程设置为0.054km,atospheric model选择中纬度夏季,传感器类型选择Landsat8 OLI。
(图3-11 大气校正参数设置)
在大气校正窗口中点击“multispectral settings”,选择over-land retrieval standard,如下图所示:
(图3-12 multispectral settings)
3.3影像融合
下面将低分辨率的高光谱影像和高分辨率的全色影像进行融合,在“图像融合”中选择“NNDiffuse图像融合”,如下图所示:
(图3-13 NNDiffuse图像融合)
分别输入低分辨率的多光谱和高分辨率的全色影像,设置文件输出路径以及名称,如下图所示:
(图3-14 影像融合参数设置)
影像融合结果如下图所示:
(图3-15 影像融合结果)
可见影像融合效果较好。
3.4影像裁剪
将雄安新区行政边界的矢量数据导入到envi中,使用“利用ROI裁剪图像”工具对影像进行裁剪,以获得研究区域的实验数据。
(图3-16 利用ROI裁剪图像)
选择要进行裁剪的数据,这里选择前面影像融合的结果:
(图3-17 数据裁剪-选择数据)
输入ROI选择EVF:雄安新区边界.shp,如下图所示:
(图3-18 选择ROI)
由于研究区域不是规则矩形会存在黑边,通过忽略值0去黑边,如下图所示:
(图3-19 去黑边)
数据预处理完成,处理结果如下所示:
2014年雄安新区:
(图3-20 雄安新区2014年)
2020年雄安新区:
(图3-21 雄安新区2020年)
4、影像分类
本实验采用易康软件面向对象进行影像分类。
打开易康软件,导入数据预处理阶段裁剪后所得到的数据,如下图所示:
(图4-1 加载数据)
双击图层,在弹出的对话框中更改图层名称,如下图所示,对每一个波段进行修改,方便后面辨认波段:
(图4-2 修改图层名称)
更改所有图层名称后,设置项目名称:
(图4-3 修改结果)
由于实验区域并不是规则图形所以会存在黑边,为了防止背景值被后面分割或参与分类,对实验结果造成干扰,这里需要忽略背景值0,如下图所示,设置完成后点击OK:
(图4-4 忽略背景值)
加载影像后点击“view settings”对显示波段进行设置:
(图4-5 view settings)
将影像以彩红外显示:
(图4-6 设置图像显示波段)
显示效果如下:
(图4-7 彩虹外显示)
在process中点击process tree:
(图4-8 process tree)
在process tree中右击空白处,点击“Append New“,如下图所示:
(图4-9 append new)
选择多尺度分割算法multiresolution segmentation,并把右边分割尺度的参数Scale parameter的参数设为70(分辨率高的分割尺度越大,分辨率低的分割尺度越小)形状因子的参数(shape)设为0.2,紧凑度的参数(compactness)设为0.5,名称设置为“L70”如下图所示,然后点击Execute执行操作。
(图4-10 分割参数设置)
检查分割的是否合理,看原本是一个整体的地方被分成几块又或者不同的地类是否有分割开来,若没分割好需要重新分割,这里通过尝试最终确定了分割参数为70。分割结果如下图所示,可见分割尺度合适,很少出现同一分割块包含两个地物的情况。
(图4-11 分割结果)
在工具中选择feature view,如下图所示:
(图4-12 feature view)
在mean中为各个波段添加mean
(图4-13 mean)
添加NDVI,设置feature name为NDVI并输入NDVI的计算公式,如下图所示:
(图4-14 添加NDVI)
双击添加的NDVI可以看到如下效果,在植被茂盛的地方显示高亮:
(图4-15 双击NDVI显示)
同样的方法添加NDWI:
(图4-16 添加NDWI)
双击添加的NDWI可见有水体的区域呈现高亮状态:
(图4-17 双击NDWI显示)
在“classification”中点击“class hierarchy”:
(图4-18 class hierarchy)
在Class Hierarchy对话框中右键选择Insert Class,创建不同颜色的类别。
(图4-19 insert class)
分别设置类名称以及相应的颜色,如下所示:
(图4-20 新建类设置)
所有类添加完成后,如下图所示包括建筑物、裸地、道路、植被、水体:
(图4-21 新建类)
下面对各个类选择样本,点击“classification”下的“select samples”,如下图所示:
(图4-22 select samples)
2014年所选择样本如下图所示:
(图4-23 2014年分类训练样本)
2020年样本选择如下:
(图4-24 2020年分类训练样本)
在classification下选择nearest neighbo下的apply standard nn to classes:
(图4-25 apply standard nn to classes)
选择所有的类,为所有类分配一个最邻近分类器:
(图4-26选择所有类)
双击某一个类可以看到对该类的描述,如下图所示:
(图4-26 class description)
双击“standard nearest neighbor”,弹出如下对话框,分别选择不同的分类使用的特征,这里我选择了各个波段的特征,NDVI,NDWI,长宽比,矩形宽、椭圆宽、紧致性等,如图4-27所示:
(图4-28 分类特征选择)
选择分类特征后,在process tree里面新建一个分类,algorithm选择“classification,domain选择image object level,在active calsses中选择所有类,如下图所示:”
(图4-29 新建分类进程)
点击菜单栏上方的view classification选项(如图4-30),查看分类结果
(图4-30 view classification)
2014年雄安新区土地利用分类结果如下图所示:
(图4-31 2014年雄安新区土地利用分类)
2020年雄安新区土地利用分类结果如下图所示:
(图4-32 2020年雄安新区土地利用分类)
下面进行精度评价,首先在前面分类训练样本的基础上再添加一些样本用于精度评价,方法过程与前面相同,添加完成后,选择classification下simples中的create TTA Mask from samples,如下图所示:
(图4-33 create TTA Mask from samples)
2014年测试样本如下所示:
(图4-34 2014年测试样本)
2020年测试样本如下:
(图4-35 2020年测试样本)
点击“tools”下的accuracy assessment进行精度评价:
(图4-36 accuracy assessment)
选择前面所创建的所有类:
(图4-37 选择用于精度评价的类)
生成精度报告如下所示:
2014年雄安新区土地利用分类精度报告:
(图4-38 2014年精度报告)
2020年雄安新区土地利用分类精度报告如下:
(图4-39 2020年精度报告)
将分类结果导出结果,点击“export”下的“export results”,如下图所示:
(图4-40 exports results)
导出类型选择栅格类型,内容选择“classification”,选择所有的类并输入导出文件名称如下图所示:
(图4-41 导出结果设置)
五、变化区域获取与变化信息分析
将导出的tif数据导入到arcmap中,使用“计算统计数据”如下图所示:
(图5-1 计算统计数据)
将计算统计数据之后的栅格数据转为面数据如下图说所示,输入栅格设置字段以及输出的面要素:
(图5-2 栅格转面)
全部转为矢量数据后,计算各地物面积,打开计算几何工具,属性选择“面积”,单位选择“平方千米”,如下图所示:
(图5-3 计算几何)
计算各地物面积后制作饼状图如下:
(图5-4 2014年雄安新区土地利用饼状图)
(图5-5 2020年雄安新区土地利用饼状图)
将arcmap中的属性表转到excel中并使用数据透视表进行分析,可得到两年份各类型土地利用占比以及土地利用变化表:
(图5-6 2014、2020年雄安新区各土地利用类型占比)
2014年到2020年各地物变化统计表如下所示:
(图5-7 2014-2020年雄安新区土地利用变化统计表)
土地利用转移矩阵如下所示:
(图5-8 土地利用转移矩阵)
分析:从图中可以看出,建筑物、道路和裸地面积增长较为明显,植被减少量最大,水体面积变化最小。这是由于雄安新区在建设初期的基础设施建设和城市建设会占用一定原来的农田同时大幅增加道路和建筑物的面积,同时在建设过程中会在一定程度上对地表植被等造成破坏形成裸地,所以裸地面积也有所增长。水体这一地物面积变化很小,因为占用水体的生态和经济成本都过高,所以水体面积变化较小。虽然水体变化较小,但是水体面积减小可能与城市基础设施建设和人口增加导致生产生活用水的增加从而使水体面积小幅减小。
使用联合工具将2014年和2020年土地利用联合起来,连接要素选择全部字段,如下图所示:
(图5-9 联合工具)
将联合得到的结果添加“change”字段,使用python语句判断前面两个类字段是否相等,是则等于1否则等于0即
def isSame(x,y):
fieldA = str(x)
fieldB = str(y)
if fieldA == fieldB:
return 1
else:
return0
值为0的即为土地利用没有变化的,为1则发生变化,最后得到土地利用变化结果如下所示:
(图5-10 2014-2020雄安新区土地利用变化图)