土地利用信息提取方法

（1）目视解译

目视解译是专业人员通过直接观察或借助辅助判读仪器在遥感图像上获取特定目标地物信息的过程。即利用图像的影像特征（色彩空间特征（形状、大小、阴影、纹理、图型、位置和资料相结合，运用生物地学相关规律，对地表事物进难过程，具体利用地图数字化软件（ArcCIS）以通感影像为底图进本利用数据。

（2）计算机自动分类

遥感图像计算机分类的依据是遥感图像像素的相似度数来衡量相似度，采用距离衡量相似度时，距离越小，相似度越大；采用相关系数衡量相似度时，相关程度越大，相似度越大。

a.计算机分类原理

出不同地物的，如雪、小麦、沙漠和混地等典型地物的反射光话射光谱曲线不同

0.4-~0.5μm段的影像可以把雪和其他地物区分开；0.5~0.6μm波段的影像可以把沙漠和小麦区分开；0.7~0.9μm波段的影像可以把小麦和湿地区分开。这是利用遥感影像进行地物识别的基础。

b.计算机分类基本过程

计算机分类基本过程：

①根据图像分类目的选取特定区域的遥感数字图像，需考虑图像的空间分辨率、光谱分不同地物的光谱曲线辨率、成像时间、图像质量等。

②根据研究区域，收集与分析地面参考信息与有关数据。

③根据分类要求和图像数据的特征，选择合适的图像分类方法和算法。制定分类系统，确定分类类别。

④找出代表这些类别的统计特征。

⑤选择具有代表性的训练场地进行采样，测定其特征。在非监督分类中，可用聚类等方法对特征相似的像素进行归类，测定其特征。

⑥对遥感图像中各像素进行分类。

⑦分类精度检查。

⑧对判别分析的结果进行统计检验。

c.计算机分类基本方法

遥感图像计算机分类的基本方法有监督分类和非监督分类。

监督分类选择具有代表性的典型实验区或训练区，用训练区中已知地面各类地物样本的光谱特性来“训练”计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，分别归入到已知的类别中。

非监督分类 是在没有先验类别（训练场地）作为样本的条件下 ，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（即相似度高的像元归为一类）的方法。

混合分类 鉴于监督与非监督分类各自的限制，人们往往采用两者结合的混合方法，对光谱数据先进行非监督聚类，以取得光谱特征较为均一的集群，再对集群进行监督分类，以获得所需的土地类型图。

以数理统计理论为基础的遥感图像数据的自动分类，具有算法成熟、充分利用人机交互等特点，但其用时多，对解译分析人员依赖性强，其结果往往因地因时因人而异，难以相互比较和转换，很大程度上不具备可重复性等。

d.遥感分类的新方法

模糊分类模糊分类是根据混合像元中各类型的百分比将一个像元归到几个类型中。例如，TM 30mX30m的像元所对应的居住区也是由房屋、草地、道路组成。若该像元50%是草地、20%是房屋、30%是道路，则在模糊分类中，这个像元属于这三种类型的成分分别为0.5，0.2和0.3，而在传统的分类中，这个像元被归为草地。

分类树方法 分类树方法是以各像元的特征值为设定的基准值，分层逐次进行比较的分类方法。其比较的依据（基准值）是按照地面实况数据及与目标物有关的知识等做出的（如光谱值、光谱指数等），分类树先将分类总体划分为相互差异最大的两个子集，这种差异的大小是由相应的统计量确定给出的，所划分出的子集可再次被分割成次一级的子集，如此逐级划分，以确定最佳的分类结构。

优点：没有做任何有关数据结构的假设（如线性和正态分布），每一种类型可出现在分类树的多个终端点；可减少数据维数，简化运算。

缺点：可能形成过多的枝叶层，需要进行“去枝叶”修改，使树的结构更为合理并使其预测能力更为稳定。

人工神经网络分类 神经元网络是建立输入和输出数据之间联系的程序。这种程序模仿人脑学习的过程，通过重复地输入和输出训练，来增强和修改输人和输出数据之间的联系。通常人工神经网格包括三个层，即输入层、输出层和隐含层。

此外，还有多元数据的专家系统、计算机识别法等土地遥感分类新方法。其中分类树及神经元网络方法已应用于EOS/MODIS土地覆盖数据库的开发试验。而专家系统与计算机识别，尚处于小范围研究阶段。

e.分类精度的评价

精度评价多在图像的部分像元中进行，包括以下内容。

采样方法最常用的采样方法是随机采样，即在分类图上随机地选择一定数量的像元，再比较这些像元的类别和其标准（或实际）类别之间的一致性。当图像中某些类别占的数量很小时，随机采样往往会丢掉这些类别。为了保证每个类别都能在采样中出现，也可以用分层采样，即分别对每个类别进行随机采样。