基于Landsat TM数据的建筑用地信息提取及变化分析.docxVIP

PAGE

1-

基于LandsatTM数据的建筑用地信息提取及变化分析

一、1.LandsatTM数据介绍及预处理

(1)LandsatTM（ThematicMapper）数据是美国地质勘探局（USGS）发射的一系列地球观测卫星所携带的传感器所收集的遥感数据。LandsatTM系列传感器自1982年首次发射以来，已经为全球提供了大量高质量的地球表面观测数据。这些数据在土地利用、环境监测、灾害评估等领域具有广泛的应用。LandsatTM数据包含11个波段，其中前7个波段为可见光和近红外波段，后4个波段为热红外波段。这些波段能够提供地表反射率和热辐射的信息，为不同应用场景提供丰富的数据资源。

(2)在进行建筑用地信息提取之前，对LandsatTM数据进行预处理是非常关键的步骤。预处理主要包括辐射校正、几何校正和大气校正等。辐射校正的目的是消除传感器本身和大气等因素对遥感数据的影响，使数据更加真实地反映地表反射率。几何校正则用于校正由于地球曲率和传感器视角变化引起的图像畸变，确保不同时间、不同区域的遥感数据具有相同的空间分辨率。大气校正则是通过消除大气对遥感数据的吸收、散射和辐射效应，进一步提高数据的精度。

(3)预处理后的LandsatTM数据还需进行数据融合、波段组合等操作，以增强建筑用地信息提取的效果。数据融合是指将不同时间、不同波段的遥感数据进行组合，以获取更全面、更准确的地表信息。波段组合则是根据不同的应用需求，选择合适的波段进行组合，以提高遥感图像的对比度和信息量。例如，在建筑用地信息提取中，可以通过组合近红外波段和热红外波段的数据，提高建筑用地与背景地物的区分度。此外，还可以利用增强型图像处理技术，如主成分分析（PCA）、最小噪声分离（MNF）等，进一步提取和增强建筑用地信息。

二、2.建筑用地信息提取方法与实现

(1)建筑用地信息提取方法主要包括监督分类、非监督分类和混合方法。监督分类法要求先选取训练样本，然后利用这些样本建立分类模型。在LandsatTM数据中，常用的监督分类方法有支持向量机（SVM）、决策树（DT）和最大似然法（ML）。例如，在北京市某区域的建筑用地信息提取中，通过收集2010年和2015年的LandsatTM数据，选取了包含不同地物类型的样本，使用SVM方法对建筑用地进行了分类，分类精度达到了85%。

(2)非监督分类方法不需要预先选取训练样本，而是根据数据本身的分布进行分类。常用的非监督分类方法有K-均值聚类（K-means）、ISODATA和FuzzyC-means等。例如，在印度尼西亚某地区的建筑用地信息提取中，利用LandsatTM数据，采用K-means聚类方法对2010年和2015年的数据进行分类，结果显示建筑用地面积增加了10%，表明该地区城市化进程加快。

(3)混合方法结合了监督分类和非监督分类的优点，提高了建筑用地信息提取的精度。在混合方法中，可以先利用非监督分类方法对遥感数据进行初步分类，然后根据监督分类的结果对非监督分类的结果进行校正。例如，在巴西某城市的建筑用地信息提取中，首先利用LandsatTM数据采用ISODATA方法进行非监督分类，然后结合建筑物数据库和地面调查数据，利用监督分类方法对非监督分类结果进行校正，最终建筑用地信息提取的精度达到了90%。

三、3.建筑用地变化分析及趋势预测

(1)建筑用地变化分析通常采用空间分析、时间序列分析和统计分析等方法。通过对比不同时期遥感影像，可以识别出建筑用地的变化范围、变化速度和变化强度。例如，在广州市某区域的建筑用地变化分析中，利用LandsatTM数据，通过空间分析方法，识别出2000年至2020年间建筑用地扩张了15平方公里，变化速度约为每年1.5平方公里。

(2)趋势预测是建筑用地变化分析的重要环节。通过对历史数据的分析，可以建立模型来预测未来建筑用地的变化趋势。常用的预测模型包括线性回归、时间序列分析和空间自回归模型（SAR）。例如，在上海市某区域的建筑用地趋势预测中，采用时间序列分析方法，结合过去十年LandsatTM数据，预测未来五年内建筑用地将增加约30%，主要集中于市中心区域。

(3)建筑用地变化分析及趋势预测对于城市规划、环境保护和可持续发展具有重要意义。通过对建筑用地变化的研究，可以更好地指导城市规划和土地管理，优化土地利用结构，减少对生态环境的破坏。同时，预测未来建筑用地变化趋势，有助于提前制定应对策略，减少因城市化进程带来的潜在风险。例如，在北京市某区域的建筑用地变化分析中，通过预测未来建筑用地的变化趋势，政府相关部门提前调整了城市发展规划，优化了土地利用布局，实现了城市可持续发展。

四、4.结果验证与讨论

(1)结果验证是确保建筑用地信息提取及变化分析准确性的关键