内容发布更新时间 : 2024/5/7 17:12:22星期一 下面是文章的全部内容请认真阅读。

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：