紫金山遥感植被分类
一、研究区概况：
紫金山位于南京玄武区，又称钟山，江南四大名山之一，有“金陵毓秀”的美誉，紫金山位于南京东郊（32° 01′ 57″ -32° 06′ 15″ N， 118° 48′ 24″ -118°53′ 04″ E）， 居于江苏省南京市东郊， 是宁镇丘陵山脉西端的一部分， 呈东西走向。
地形地貌：紫金山整个山体呈弓形， 弧口向南， 东翼向西南倾斜， 西翼向东南倾斜， 东西，两端相距 7km， 南北宽约 6.6km， 周长约 23km， 总面积 3008.8km²， 主峰头陀岭是宁镇丘陵山脉的最高峰， 海拔高度 448.9km， 相对高度 420km， 其他二峰分别为 365.8m（小茅山） 和 244.5m（天文台及天堡城），三峰相连形如巨龙，山，水，城浑然一体，古有“中山龙蟠，石城虎踞”之称。 基本地貌为低山丘陵， 南坡和北坡均有较宽的山麓面延伸， 成斜面状， 近山体处较高， 远山体处较低。
水系：紫金山区域内地形起伏多变，水系比较发达，为紫金山地区植被多样性和复杂性奠定了生长基础，风景区内共有湖泊、水库、河溪、池、井等水体面积64公顷。
气候：紫金山地处中纬度地区，属亚热带季风气候。降水丰富，四季分明，气候温和，由于背负大陆，中间没有高山阻隔，寒潮直驱南下，因此年温差比较大，可达26度。夏季盛行东南东风，冬季盛行东北东风。由于钟山风景区内的特殊地形和大面积森林植被，使其在大范围内的气候条件下具有局部小气候的特点，又由于地处亚热带与热带季风气候过渡地带这一特殊的地理位置，因而兼有两者气候特征，但偏向于大陆性气候，形成了独有的“光热丰富，雨量充沛，温凉合度，寒暑适宜。年平均日照1628.8小时，平均温度19.6°，极端最高气温38.8°，极端最低气温-3.7°；年平均降水量1530.1毫米，年最大降水量2371.4海米，最小降水量1091毫米；无霜期322天。丰富的光热、充沛的雨量和温和的气候，为发展农业经济提供了良好的条件。
土壤：因为地形、母质和植被的不同，所以形成的土壤性状也不同。紫金山土壤大部分属于黄棕壤和黄褐土类。黄棕土层的色调均一，发生层次不明显，显酸性或弱酸性反应，这种土壤地带的景观、和土地利用具有温带向亚热带过渡的明显特征，介于北方土壤和南方土壤之间。
植被：紫金山作为*森林公园，拥有森林面积三万余亩，从1500年前起“种松百株”，至明代松杉已是遮天蔽日，后来民国期间大面积种植马尾松，和黑松、赤松等，但在抗日战争期间遭到大面积破坏，紫金山植物种类繁多，大多为适应南京亚热带季风气候的常绿阔叶林为主，而且间杂落叶阔叶林，和成片的竹林，可以当得上“蔚然成林”。根据《中国植被》的区分，紫金山主要有六大植物群落，针叶林，针阔混交林、落叶原叶林、落叶常绿混交林、灌丛和竹林等构成繁茂的天然林和人工林交错分布的良好植被，林冠郁茂，层次不齐，具有明显的季相变化，群落色彩丰富。其中区内森林覆盖率70.2%，占南京森林面积的15.6%，对市内环境美化，空气净化，噪音减弱、气候调节，具有重要作用。紫金山作为*森林公园，拥有森林面积三万余亩。
二、坐标数据采集：
紫金山：
|
序号 |
坐标 |
|
1 |
N 32°03′37.61″ E 118°48′39.69″ |
|
2 |
N 32°03′39.11″ E 118°48′56.04″ |
|
3 |
N 32°03′38.86″ E 118°49′02.71″ |
|
4 |
N 32°03′37.26″ E 118°49′04.36″ |
|
5 |
N 32°03′48.55″ E 118°49′08.71″ |
|
6 |
N 32°03′58.94″ E 118°49′12.61″ |
|
7 |
N 32°04′08.91″ E 118°49′19.44″ |
|
8 |
N 32°03′58.87″ E 118°49′19.65″ |
|
9 |
N 32°03′54.04″ E 118°49′19.84″ |
|
10 |
N 32°04′03.48″ E 118°49′29.38″ |
|
11 |
N 32°04′02.61″ E 118°49′35.82″ |
|
12 |
N 32°03′47.74″ E 118°49′07.55″ |
宜兴：
|
序号 |
坐标 |
|
1 |
N 32°03′38.23″ E 118°48′58.44″ |
|
2 |
N 31°22′46.92″ E 118°38′36.13″ |
|
3 |
N 31°22′48.14″ E 119°38′30.30″ |
|
4 |
N 31°22′42.82″ E 119°38′26.73″ |
|
5 |
N 31°22′39.65″ E 119°38′25.46″ |
|
6 |
N 31°22′33.65″ E 119°38′25.58″ |
|
7 |
N 31°22′27.00″ E 119°38′20.48″ |
|
8 |
N 31°22′28.44″ E 119°38′12.35″ |
|
9 |
N 31°22′21.99″ E 119°38′16.43″ |
|
10 |
N 31°22′44.17″ E 119°38′21.87″ |
|
11 |
N 31°22′42.38″ E 119°38′13.40″ |
|
12 |
N 31°22′48.22″ E 119°37′59.38″ |
|
13 |
N 31°22′38.87″ E 119°37′55.18″ |
|
14 |
N 31°22′35.51″ E 119°37′56.27″ |
|
15 |
N 31°22′28.24″ E 119°37′49.29″ |
|
16 |
N 31°22′05.76″ E 119°37′40.95″ |
|
17 |
N 31°21′57.54″ E 119°37′56.56″ |
|
18 |
N 31°22′03.55″ E 119°38′19.49″ |
|
19 |
N 31°22′51.51″ E 119°38′28.27″ |
|
20 |
N 31°23′06.78″ E 119°38′18.95″ |
|
21 |
N 31°23′18.14″ E 119°37′54.67″ |
|
22 |
N 31°23′17.25″ E 119°37′38.49″ |
|
23 |
N 31°22′24.90″ E 119°38′42.25″ |
三、技术路线图：
四、具体实现步骤：
1.图像预处理：
由于获取遥感影像实际时间较为久远，加之太阳高度角以及拍摄角度的原因，导致阴坡产生了大面积的阴影。这对于分类的精度影像较大，为了获得精确的分类结果，因此对于紫金山研究区的遥感影像进行了大气校正和辐射定标。
辐射定标：
一般来讲，辐射定标就是将图像的数字量化值（DN）转化为辐射亮度值或者反射率或者表面温度等物理量的处理过程。
大气校正：
太阳辐射通过大气以某种方式入射到物体表面然后再反射回传感器，由于大气气溶胶、地形和邻近地物等影像，使得原始影像包含物体表面，大气，以及太阳的信息等信息的综合。如果我们想要了解某一物体表面的光谱属性，我们必须将它的反射信息从大气和太阳的信息中分离出来，这就需要进行大气校正过程。
2.基于像元分类——监督分类：
最小距离分类：
选取ROI：
在进行紫金山区域ROI（Region OF Interest）的选取时，利用按像元进行ROI（Region Of Interest）的选择。ROI的分离性：
|
|
道路 |
水体 |
居民地 |
落叶阔叶林 |
常绿阔叶林 |
针叶林 |
竹林 |
|
道路 |
|
1.999 |
1.994 |
1.897 |
1.999 |
2.000 |
1.999 |
|
水体 |
1.988 |
|
1.998 |
1.999 |
2.000 |
2.000 |
1.999 |
|
居民地 |
1.994 |
1.998 |
|
1.999 |
2.000 |
1.999 |
2.000 |
|
落叶阔叶林 |
1.897 |
1.999 |
1.999 |
|
1.999 |
2.000 |
2.000 |
|
常绿阔叶林 |
1.965 |
2.000 |
2.000 |
1.999 |
|
1.999 |
2.000 |
|
针叶林 |
2.000 |
2.000 |
2.000 |
1.998 |
1.999 |
|
2.000 |
|
竹林 |
1.999 |
1.999 |
2.000 |
2.000 |
2.000 |
2.000 |
|
最大似然分类：
3.
4.精度评价：
分类后处理：
监督分类和决策树分类等分类方法得到的一般是初步结果，难于达到最终的应用目的。因此，需要对初步的分类结果进行一些处理，才能得到满足需求的分类结果，这些处理过程就通常称为分类后处理。
4.1小斑块去除：
应用监督分类或者非监督分类以及决策树分类，分类结果中不可避免地会产生一些面积很小的图斑。无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除或重新分类，目前常用的方法有Majority/Minority分析、聚类处理（clump）和过滤处理（Sieve）。
4.1.1Majority与Minority分析：
Majority/Minority分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该类中，定义一个变换核尺寸，主要分析（Majority Analysis）用变换核中占主要地位（像元数最多）的像元类别代替中心像元的类别。如果使用次要分析（Minority Analysis），将用变换核中占次要地位的像元的类别代替中心像元的类别。
查看结果如图所示，可以看到原始分类结果的碎斑归为了背景类别中，更加平滑。
4.1.2聚类分析（Clump）
聚类处理（clump）是运用数学形态学算子（腐蚀和膨胀），将临近的类似分类区域聚类并进行合并。分类图像经常缺少空间连续性（分类区域中斑点或洞的存在）。低通滤波虽然可以用来平滑这些图像，但是类别信息常常会被临近类别的编码干扰，聚类处理解决了这个问题。首先将被选的分类用一个膨胀操作合并到一块，然后用变换核对分类 图像进行腐蚀操作。
图3 Majority/Minority分析
4.1.3过滤处理（Sieve）
过滤处理（Sieve）解决分类图像中出现的孤岛问题。过滤处理使用斑点分组方法来消除这些被隔离的分类像元。类别筛选方法通过分析周围的4个或8个像元，判定一个像元是否与周围的像元同组。如果一类中被分析的像元数少于输入的阈值，这些像元就会被从该类中删除，删除的像元归为未分类的像元（Unclassified）。
4.2分类统计：
分类统计(Class statistics)可以基于分类结果计算源分类图像的统计信息。基本统计包括：类别中的像元数、最小值、最大值、平均值以及类中每个波段的标准差等。可以绘制每一类对应源分类图像像元值的最小值、最大值、平均值以及标准差，还可以记录每类的直方图，以及计算协方差矩阵、相关矩阵、特征值和特征向量，并显示所有分类的总结记录。
五、专题图制作：
