土地利用变化报告.doc

土 地 利 用 变 化 报 告 1 前言 经过一学期对《土地利用与植被覆盖变化研究》课程的学习，使我对这门课程有了更进一步的认识和了解。为了巩固所学内容，灵活的将理论与实际相结合，本次研究特选取西安市临潼区2000、2009年的tm影像，利用所学理论知识，结合软件操作，完成土地利用分类、动态度计算、土地利用转移矩阵、土地利用程度综合指数计算和马尔科夫预测等工作，并对研究结果进行分析总结。本次研究旨在掌握土地利用变化研究的基本流程，从而加深对遥感与土地利用基本理论的理解，着重培养我们分析问题和解决问题的能力。 2 研究过程 2.1 土地利用分类 土地利用分类是区分土地利用空间地域组成单元的过程。这种空间地域单元是土地利用的地域组合单位，表现人类对土地利用、改造的方式和成果，反映土地的利用形式和用途（功能）。分类提供土地覆盖以及土地利用中涉及的人类活动类型等信息。它也可能有助于环境影响评价，以及潜在的土地利用多样性。本研究采用监督分类的方法对临潼区2000年和2009年土地利用情况进行分类，以分析研究区的土地利用分布格局。 2.1.1 影像分析及样本选取 根据已有的影像资料分析判别，可将研究区地物类别划分为四类：建设用地、耕地、水体和林地。在ENVI中利用ROI Tool来定义训练样本，也就是将感兴趣区当做训练样本。根据人工经验知识和影像波段组合，可确定影像中白色有尖锐颗粒的呈片状分布地区为建设用地，影响颜色呈浅绿、深绿，并且纹理清晰，分布在城市着农村周围的平缓区域的为耕地，水体的分布呈现出带状或颜色均一的片状，一般为蓝色或浅蓝色，而在影像东南地区的山上则分布着大量的林地，颜色为墨绿，色泽均一或有浅绿色颗粒。根据上述的解译特征，在ENVI软件中的Region of Interest中选择土地类别的样本，并按照3、7的规则分为验证样本和训练样本。如图所示： 图1. 样本选取过程 对于选好的训练样本在Options下的Compute ROI Separability中计算可分离度，一般可分离度大于1.8，则表示训练样本的可分离性较好。本研究所选的分类样本分离度均大于1.6，表明可分离性较好。 2.1.2 监督分类 根据分类的复杂程度和精度要求，本次研究选择最大似然法分类器。最大似然法分类器假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中。 在ENVI软件菜单中选择Classification——Supervised——Likelihood Classification功能，对2000年和2009年的遥感影像进行土地利用分类，制作成专题地图如下： 图2. 2000年、2009年土地利用分布图 2.1.3 精度检验 执行监督分类后，需要对分类结果进行评价。用之前选好的验证样本对分类后的影像进行精度评价。使用Confusion Matrix工具可以把分类结果的精度显示在一个混淆矩阵，用于比较分类结果和地表真实信息。ENVI可以使用一幅地表真实图像或地表真实感兴趣区来计算混淆矩阵。 在Classification——Post Classification——Confusion Matrix——Using Ground Truth Image下完成精度评定的工作，得到下面的报表： 表1 2000年和2009年土地利用精度评价表 2000年土地利用精度检验 类型 建设用地 耕地 水体 林地 总计 建设用地 2275 72 0 159 2506 耕地 2 5110 71 253 5436 水体 307 15 2260 6 2588 林地 363 232 0 2612 3207 总计 2947 5429 2331 3030 13737 总精度=89.2262% ；Kappa=0.8506 2009年土地利用精度检验 类型 建设用地 耕地 水体 林地 总计 建设用地 1662 164 269 0 2095 耕地 240 3183 0 597 4020 水体 150 0 1072 0 1222 林地 4 602 239 1254 2099 总计 2056 3949 1580 1851 9436 总精度=75.9962% ；Kappa=0.6610 2.2 土地利用变化分析 土地覆盖主要表达的是土地表层以植被为主要覆盖物的自然类型和状态；土地利用则是人类对土地的利用方式和使用状况。因此，土地利用变化主要体现在土地利用类型变化、土地利用类型数量变化、土地资源生态背景质量变化、土地利用程度变化及土地利用变化的区域差异等方面。 2