基于面向对象及Landsat影像的广州市城市空间格局演变研究

发布时间：2020-08-18 15:47

【摘要】：随着经济的快速发展和城市化水平的提高,人口向城市聚集,促使城市不断向外扩张。城市空间扩张可以促进GDP的经济增长的繁荣并带来更多的就业岗位及城市居民生活空间,同时也带来了耕地资源锐减、环境污染和经济泡沫等各方面问题,城市扩张问题逐渐成为地学邻域关注和研究的热点。利用卫星遥感技术获取实时的城市空间信息,可以为当地政府及时掌握城市空间格局的演变、进行土地资源监管和城市规划建设等提供宝贵的资料。本文以广州市为研究区域,运用面向对象影像分类方法综合RS、GIS技术和统计学理论对广州市城市空间格局演变进行研究。主要研究工作如下:(1)利用面向对象分类理论和传统分类方法进行对比,通过理论分析和实验得出的精度进行比较,表明面向对象方法在遥感影像分类方面优于传统的分类方法。(2)针对Landsat系列卫星影像,采用面向对象分类技术,对分割方法、分割尺度和特征指数进行了最优选取,并通过实验进行了验证,结果表明,采用面向对象方法在对Landsat系列卫星影像分类方面优于传统分类方法。(3)利用面向对象方法对2005年、2010年和2015年广州市的Landsat系列影像数据进行土地利用分类提取,获取了广州市十年间建设用地变化情况;然后基于ArcGIS10.1技术对三期的建设用地矢量图进行叠加分析,动态展示了建成区空间格局演变轨迹。(4)挖掘广州市城市空间扩张的驱动因子,对广州市城市空间格局演变进行了定性和定量分析。即:通过查找广州市统计年鉴对广州市人口、经济、道路面积等数据对广州市城市扩张进行定性分析;通过查找广东省统计年鉴、广州市统计年鉴等统计局数据获取城市扩张潜在因子数据进行定量分析。最后利用SPSS19.0对数据进行主成份分析并构建主成份得分模型。分析结果表明,广州市城市驱动力因子可以归为以国民经济和人口等的外部驱动因素和以城市道路、机场、港口等的内部驱动因素两个主成份。
【学位授予单位】：东华理工大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：F299.27;P237
【图文】：

影像,多尺度,拓扑关系,异质性

在影像分割中针对不同对象不同的影像特征，本文选择的分割尺度不同，比如一米左右的分辨率可以用了来分类出房屋甚至单颗树木，一千米左右的分辨率只能用来分类大面积的地表覆盖如植被覆盖、水域、建成区等。多尺度分割在有限的影像分辨率的基础上，针对用户需求利用不同的尺度最大化利用影像所有信息将影像分割成用户所需要的多边形。（4）多尺度分割原理多尺度分割算法是从底部寻找一个对象生长点遵循异质性最小原则寻找该生长点附近其他对象，将邻域异质性最小的合并掉，然后再寻找下一个对象直到异质性达到用户设定的最大值停止生长，这样一种自下向上的生长算法（任毅，2014）。这种算法的关键就在影像对象的异质性的判断，通常影像对象都有形状、纹理、光谱等多种特性。多尺度分割通过三种影像对象特征建立异质性最小原则并且不是单纯的用一种影像对象特征的异质性去判断，而是利用三种同时配合（根据不同面向对象特征配置分配三种异质性权重）达到综合异质性最小的原则，然后进行生长将影像分割成一块快互补重叠的影像对象（张振勇等，2007）。

参数选择,多尺度

图 2.4 多尺度分割参数选择Fig 2.4 Multi-scale segmentation parameter selection2.2.3 面向对象分类方法eCognition 面向对象分类方法是基于模糊理论的一种分类方法（周佳，2007）。影像对象通常都有一维或者多维对象特征，在影像分类中针对多维对象特征时需要不同的规则函数来定义它的返回值，因此需要建立一个基于模糊的规则库来表达每一类的描述。在面向对象分类中分类条件表达式通常有最邻近函数和隶属度函数两种。（1）最邻近分类法最邻近分类法与传统监督分类的最大似然法分类思想相似，都是基于样本的分类。最邻近分类法是通过样本建立特征库，用该影像特征向四周扩散捕捉与其特征最为相似的影像对象，然后将其合并。

原理图,样本分类,原理,影像对象

图 2.5 最邻近样本分类原理Fig 2.5 The principle of the nearest neighbor classification（2）隶属度函数分类隶属度函数法是根据用户所需的目标地类在影像中的特征（光谱、纹理和形状等特征，每一个目标地类建立一个有一个或多个模糊表达式组成的类描述集合（王亮等，2013）。每个影像对象要确定为哪一类必须符合哪一类的类描述。在判断影像对象过程中是通过隶属函数给出的一个[0，1]之间的函数的返回值来表示隶属程度，1 表示完全隶属（纪雯等，2013）。基于模糊数学的隶属度函数分类法区别与传统的方法在于，传统的是将某影像对象直接判定为 1 或者 0，即属于或不属于，而基于基于模糊数学的方法是将其模糊化将对象特征在[0，1]区间内的一个值做为返回值，表示其隶属的程度，这有利于提高分类的精度。隶属度分类器和常用的分类方法如图 2.6，表2.1。

【参考文献】