根据使用的数据可以分为哪些类别？

根据所使用的数据，可以分为以下类别:

(1)单波段影像:单波段数据包括，A-高分辨率的单波段全色数据、航拍相片、雷达数据等；B-中低分辨率多光谱原始数据的某一波段等；C-由原始数据衍生或者构造的单波段特征数据，如NDVI, NDWI等。就数据A而言，其主要特点是空间分辨率较高，反映地表地物细节清晰，但是光谱信息并不充分且影像覆盖范围通常较小。某种程度上对于大范围区域的城市扩展监测并不一定适用，但是就局部区域的重点监测和提高检测精度上还是具有一定作用。对数据B和C来说，所选取的单一波段属于多波段数据的子集或为反映某种变化类型的特定波段，常常需要解译人员根据先验知识事先选择或者利用波段选择技术、特征提取技术得到。所以，对于上述单一波段检测时，可运用可视化分析法、图像差值法、图像比值法和图像回归分析法等方案，构造差异影像，设定合适分割阈值，从而检测出变化区域。特别针对高分辨率数据来说，可运用面向对象检测方法，选取合适的图像分割算法，合井同质区域，以提高检测结果的完整性和精确性，同时降低孤立像素点所造成的“椒盐”噪声。

 (2)多光谱影像:中低分辨率的多光谱数数据是研究城市环境变化，特别是城市扩展遥感动态监测的主要数据源。对于多光谱数据而言，由于光谱范围的差异，反映不同变化特征的信息分布于不同波段上。若是传统意义上的二值变化检测，即只需检测城市扩展过程中变化与不变化两类地物信息，则可:①运用变化失量分析的强度信息，或者多个波段计算距离（如欧氏距离、马氏距离等)或相似度(如相关性，光谱角相似度等)等方法，将变化信息集中于单一波段进行检测；②对多波段逐一进行检测，然后对检测结果进行合并集成；③通过数据变换(transformation)，如主成分分析(principal com-ponent alysis PCA)、 独立成分分析(ndendet component analysis ICA)等，选择其中具有最大变化信息量或者对于特定检测目标优势的分量进行检测。若需要进行多类别的变化信息检测，除了获取变化的强度信息，主要在于有效判别不同种类的变化，同时提高自动化和可视化程度。一些研究已经或者正在成为热点，如迭代权重多变量变化检测、极坐标系多类变化检测等，代表着非监督多类别变化检测研究的趋势。此外，随着传感器技术的不断发展，多光谱数据将朝着更高空间分辨率发展，所以，对于高分辨率数据在城市监测中的应用将值得进-一步的研究。

(3)高光谱影像:对于高光谱影像数据来说，其丰富细致的光谱信息无疑将遥感变化检测的能力带上了一个新的台阶。在监测城市扩展的研究中，高光谱数据虽然不是主流的可用数据源，但是其精细的光谱分辨率可以辅助探测如植被、水质等变化，利于更好地理解和全面分析城市扩展过程对于环境的影响。所以，高光谱影像在城市环境监测中将进一步发挥其数据的优势，成为潜在的、最值得关注和应用的数据源。但是，处理高光谱数据还是具有诸多挑战，其高维数据量和较窄的波长范围给数据处理和分析带来一定的难度， 主要体现在计算量的增加，数据冗余和信息复杂性。所以，数据降维、特征提取和变化信息识别与综合都是高光谱数据有效应用的关键步骤。就目前来说，利用高光谱数据变化检测从而监测城市扩展的应用还不够广泛和深入，值得进一步研究和探讨。