机构名称：
¥ 1.0
土地覆盖类别包括：树冠、草地和灌木（包括农田）、建筑物、不透水层（街道、车道和停车场）、水和裸土。主要土地分类是使用 eCognition Developer 8.0 版中提供的基于对象的图像分析 (OBIA) 技术进行的。该项目使用的辅助软件包括 ArcGIS 9.3.1 版和 ERDAS Imagine 2010 版。使用 Python 2.5 版脚本语言编写了其他自定义例程，以支持所需的处理。圣保罗市提供了 Shapefile 信息，以帮助识别街道、建筑物、道路和高速公路以及水景。实施该项目遵循了以下主要步骤：• 使用 ERDAS Imagine 中的减法分辨率对 QuickBird 影像进行全色锐化。• 利用可用的 RPC 文件和 30 米 DEM 层对 QuickBird 影像进行地理配准。• 对激光雷达数据进行地理配准以匹配 QuickBird 影像。• 使用自定义 Python 脚本将地理配准影像划分为 750 x 1000 米的图块，重叠度为 10%，以便进一步处理。此步骤创建了 180 个单独的图块。• 包含道路信息的街道图层在 ArcGIS 中缓冲一米，以创建多边形形状文件，随后在 eCognition 中使用。• 开发了三套规则来处理城市的以下子部分：o 西部小部分，包括六月的 QuickBird 和激光雷达数据。o 城市东侧的 1,500 米带，有 5 月份的 QuickBird 影像，但没有激光雷达数据。o 城市其余大部分区域有 5 月份的 QuickBird 和激光雷达数据。• 3 个规则集中的每一个都使用类似的过程创建： o 检查影像以找到代表性图块。o 创建支持性影像层，例如归一化差异植被指数。(NDVI) 和 Lee 的 Sigma 边缘提取有助于提高分类效率。o 从 Shapefile 生成表示道路和水特征的图像对象，并按此进行分类。o 如果有激光雷达数据，则首先将图像分割成高特征和短特征。o 利用 eCognition 中提供的算法对图像的剩余部分进行分类，利用光谱信息以及图像解释的其他元素，例如上下文、形状、大小、位置、关联、图案、阴影和纹理。o 将分类从 eCognition 导出到 TIF 光栅文件中。• 每套规则都经过了微调，并在城市中额外的随机图块上进行了测试。• 使用 eCognition Server，每个最终规则集都用于对圣保罗所有部分的所有图块进行分类。• 使用 ERDAS Imagine Mosaic Pro 中的几何接缝线将各个分类图块连接成一个马赛克。• 城市的三个不同部分（由 402 个单独的图块表示）被合并到一个分类文件中。
城市树木覆盖的数字分类和制图
主要关键词
相关文件推荐
