全国高分辨率土地利用数据服务 土地利用数据服务 土地覆盖数据服务 坡度数据服务 土壤侵蚀数据服务 全国各省市DEM数据服务 耕地资源空间分布数据服务 草地资源空间分布数据服务 林地资源空间分布数据服务 水域资源空间分布数据服务 建设用地空间分布数据服务 地形、地貌、土壤数据服务 分坡度耕地数据服务 全国大宗农作物种植范围空间分布数据服务
多种卫星遥感数据反演植被覆盖度数据服务 地表反照率数据服务 比辐射率数据服务 地表温度数据服务 地表蒸腾与蒸散数据服务 归一化植被指数数据服务 叶面积指数数据服务 净初级生产力数据服务 净生态系统生产力数据服务 生态系统总初级生产力数据服务 生态系统类型分布数据服务 土壤类型质地养分数据服务 生态系统空间分布数据服务 增强型植被指数数据服务
多年平均气温空间分布数据服务 多年平均降水量空间分布数据服务 湿润指数数据服务 大于0℃积温空间分布数据服务 光合有效辐射分量数据服务 显热/潜热信息数据服务 波文比信息数据服务 地表净辐射通量数据服务 光合有效辐射数据服务 温度带分区数据服务 山区小气候因子精细数据服务
全国夜间灯光指数数据服务 全国GDP公里格网数据服务 全国建筑物总面积公里格网数据服务 全国人口密度数据服务 全国县级医院分布数据服务 人口调查空间分布数据服务 收入统计空间分布数据服务 矿山面积统计及分布数据服务 载畜量及空间分布数据服务 农作物种植面积统计数据服务 农田分类面积统计数据服务 农作物长势遥感监测数据服务 医疗资源统计数据服务 教育资源统计数据服务 行政辖区信息数据服务
Landsat 8 高分二号 高分一号 SPOT-6卫星影像 法国Pleiades高分卫星 资源三号卫星 风云3号 中巴资源卫星 NOAA/AVHRR MODIS Landsat TM 环境小卫星 Landsat MSS 天绘一号卫星影像
决策树分类主要的工作是获取规则,本文介绍使用CART算法获取规则,基于规则提取土地覆盖信息。下图是总体技术流程。
图:总体技术流程图
在获取规则过程中,由于计算量较大,我们选择一部分典型的区域作为实验区获取决策树。
本例使用环境小卫星CCD数据,已经过几何校正、工程区裁剪。这一步主要是构建多元数据集。数据集由蓝、绿、红、近红外四个波段、NDVI、ISODATA非监督分类结果、DEM。其中DEM使用30米的G-DEM,使用相同工程区矢量进行裁剪。
(1) 选择ENVI主菜单->Transform->NDVI,使用CCD数据计算NDVI。
(2) 选择ENVI主菜单->Classification->Unsupervised->IsoData,最大分类数量为10,迭代次数为10,选择路径输出分类结果。
(3) 选择ENVI主菜单->Layer Stacking,分别将蓝、绿、红、近红外四个波段、NDVI、ISODATA结果、DEM组合成一个7个波段的文件。
(4) 在波段列表中,打开Edit Header,将Band names修改为Band1、2、3、4,NDVI,ISODATA,DEM。
这里使用CART算法获取规则,首先安装ENVI下的CART扩展工具,下载地址:http://bbs.esrichina-bj.cn/ESRI/thread-44349-1-1.html,将解压后的文件拷贝到ENVI安装目录下的Save_Add文件夹内,重新启动ENVI。
首先从影像中选择一部分区域作为获取规则的实验区,
(1) 在Display中显示影像,在Image视窗中单击Overlay->Region of Interest。在ROI Tool面板中,单击ROI_Type->Polygon,绘制一定大小的实验区,这个区域包含土地覆盖所有类型。
(2) 在ROI Tool面板中,选择File-> Subset data via ROIs,裁剪出实验区。
下面在实验区影像中选择一定数量的训练样本,利用训练样本获取专家知识规则。
(1) 在Display中显示裁剪的实验区影像,在Image视窗中单击Overlay->Region of Interest。在ROI Tool面板中,分别选择5个类型的训练样本(如下图),训练样本的可分离度在1.8以上。
图:训练样本
(2) 选择ENVI主菜单->Classification->Decision Tree->RuleGen ->Classifier,选择实验区影像。
(3) 选择决策树输出路径及文件名,单击OK执行。
注:由于此工具包基于4.4版本开发,在之后版本上运行完得到决策树文件之后会自动退出ENVI,不影响决策树规则文件的使用。
图:运行CART工具
(4) 选择ENVI主菜单->Classification->Decision Tree->Edit Existing Decision Tree,打开从实验区获取的决策树规则,如下图。
(5) 在ENVI Decision Tree面板中,选择Options->Execute,执行决策树。
图:决策树
(6) 对分类结果进行验证,类似选择训练样本,选择一部分ROI作为验证样本。选择主菜单->Classification->Post Classification->Confusion Matrix,计算精度验证混淆矩阵。
精度达到要求,规则的获取工作就完成了。
这一步是将获取的规则应用于整个图像。
(1) 选择ENVI主菜单->Classification->Decision Tree->Edit Existing Decision Tree,打开从实验区获取的决策树规则。
(2) 选择Options->Show Variable/File Pairings,单击第一列中的变量,全部替换为整个影像中对应的波段。
(3) 选择Options->Execute,执行决策树,得到最终的土地覆盖结果。
图:修改变量
图:土地覆盖
分类后处理根据需求选择,包括更改类别颜色、分类统计分析、小斑点处理(类后处理)、栅矢转换、精度验证等操作。这里不一一叙述了。