遥感专题信息（通用4篇）
遥感专题信息 篇1
基于像元光谱信息的统计分类方法作为常见的遥感信息提取方法, 按照是否根据训练样本来进行分类, 可分为两大类:监督分类与非监督分类。
1 非监督分类
非监督分类是在没有先验知识的情况下, 仅根据图像自身的统计特征以及自然点群的分布情况来划分地物的类别, 在分类完成后再对分出的地物进行属性确认, 因此, 分类带有一定的盲目性, 这种方法无需选取各类样本, 一般只提供某些阈值对分类过程加以部分控制, 它实际分出的是“谱类”而不是“地类”, 常用非监督分类法有ISODATA, K-MEANS等。
1.1 常见的非监督分类方法
(1) ISODATA分类。ISODATA方法是非监督分类中具有代表性的一种方法。这种方法是先对遥感图像进行初始分类, 得到粗略的分类结果, 然后基于某种原则在分出的类别间重新组合样本, 直到分出比较合理的类别为止。 (2) K-MEANS分类。K-means方法是通过计算数据空间上均匀分布的初始类别值, 然后采取最短距离技术进行迭代, 并将它们聚集到最近的类别中。
1.2 实验结果
对于ISODATA分类, 结合实际情况, 将最小分类数以及最大分类数均设置为7, 迭代次数的最大值设为500, 变化阈值设为5.0, 每一类中的最小像元设为10, 其余值均采用系统默认值。而K-MEANS分类, 则只设置三个参数, 分别是分类数为7, 变化阈值设为5.0, 迭代次数的最大值设为500。采用非监督分类的方法分类, 水体分类比较准确, 但是对于其它的地物类型都没有得到很好的区分, 我们有必要采取更好的方法对图像进行进一步的分析。
2 监督分类
2.1 常见的监督分类方法
监督分类法用于在数据集中根据用户定义的训练样本类别来聚集像元, 它又称为训练场地法或先学习后分类法。在分类过程中, 可以选择ROI训练样本来“训练”计算机, 对未知地区的像元进行处理分类, 各类别之间不应该有重叠, 最后将分类结果分别归入到已知的类别中, 达到自动分类识别的目的。
监督分类主要包含以下两个阶段, 一是训练样本ROI的选取过程;二是执行监督分类的过程, 具体的监督分类只需要选取某一种监督分类方法, 其余的交给计算机自动完成。
2.1.1 平行六面体分类
平行六面体分类法是通过设定在各轴上的一系列分割点, 将多维特征划分成分别对应不同分类类别的互不重叠的特征子空间的分类方法。它用一条简单的判定尺度对多光谱数据进行分类, 来判定边界在图像数据空间中, 形成了一个n维平行六面体。平行六面体的维数由来自每一种选择类别的平均值的标准差的阈值确定。如果像元值位于多个类别中, 则将其归入到最后一个匹配的类别中, 如果未落入到任何一个类别中, 则属于未知类型, 按照这种方法直到完成所有像元的分类。
2.1.2 最小距离分类
最小距离分类法是一种常见的监督分类方法。它的具体分类思想如下:
(1) 利用训练样本数据计算每一类的标准差和均值向量。
(2) 以均值向量为类别在特征空间中的中心位置, 计算影像中每个像元到各种类别中心的距离。在给定的阈值范围内进行距离比较时, 距离越大, 相似度越小;距离越小, 相似度越大。
(3) 假设图像中有n类, 各个类别的中心参考向量分别为:R1, R2, …, Rn。假设未知类别像素的特征向量为:Ri。则所属类别的判定可以通过计算Ri与各个类别的中心参考向量之间的距离来确定。在遥感影像分类处理中, 应用最广的距离函数是欧几里德距离:
由式 (1) 中D值可以得出, 如果D值小于设定的阈值, 则判定为相对应的类别。
2.1.3 最大似然分类
最大似然分类, 是假设每一个波段的每一种类别统计都呈正态均匀分布, 并计算给定像元属于某一种特定类别的似然度的一种分类方法。最大似然分类是一种稳定性、鲁棒性好的分类器。除非选择一个似然度阈值, 所有像元都将被分类。每一个像元被归并到似然度最大的那一类中去的方法。
最大似然分类使用高斯概率密度函数作为它的概率密度函数。
2.1.4 马氏距离分类
马氏距离分类, 它与最大似然分类相似, 是一个应用了每个类别统计信息的方向灵敏的距离分类器。它假定所有类别的协方差都是相等的, 所以是一种较快的分类方法。除非用户限定了一个距离阈值, 这时, 如果一个像元不在阈值内, 就会被划为无类别, 否则所有像元都被归到最邻近的那一类。
2.1.5 支持向量机分类
支持向量机 (SVM) 是一种建立在统计学习理论基础上的分类学习方法。正因为它具有统计学的特点, 因此, 适合有限样本 (小样本) 问题, 在很大程度上解决了传统方法存在的过学习、非线性、局部极小点等问题。支持向量机算法有它独有的优势, 不仅设置参数简单容易, 更重要的是它能够得到全局最优的结果。当它在区别两种光谱均值非常接近的类别时, 能够根据有限的训练样本将它们分开, 得到较好的效果。因此, 将SVM应用到高空间分辨率的遥感影像图中进行分类会能够取得不错的效果。
2.1.6 BP神经网络分类
神经元网络分类在进行监督学习时使用标准的反向技术 (back propagation) 。用户可以根据实际需要选择隐藏层的数量, 也可以选择所需要的函数 (对数或双曲线活化函数) 。由于调整节点中的权重可以使输出节点活化与所需的输出结果间的差异达到最小化, 因此神经网络技术利用该方法对发生的事件进行学习。
2.1.7 波谱角分类 (SAM)
波谱角分类方法是一个基于自身的波谱分类, 这一算法是通过计算波谱间的角度来判定两个波谱间的相似度。样本光谱与待分类图像像元光谱之间的夹角越小, 两条光谱越相似。
2.2 ROI的选取
在进行监督分类前, 必须先进行ROI样本的选取。为了保证监督分类结果有较高的精度, 这里选取ROI训练样本有两个标准, 第一是训练样本的数量足够多, 具体多少要视分类影像的大小而定。一般情况下, 每类至少要有10到100个训练样本数据。其次, 选择ROI训练样本应具有代表性, 即训练样本必须覆盖分类遥感影像图中的所有的类型。但是自然条件、仪器精密程度等因素的影响, 分布在不同位置的同类地物光谱特性往往会有些差异, 因此, 选取ROI训练样本像元尽可能与地类分布相一致, 避免集中在某个局部位置上。
3 分类比较
3.1 分类结果比较
比较两种非监督分类方法所得出的结果以及七种监督分类方法得出的结果, 从中非监督分类结果普遍精度较低, 基本上每一种地物的分类精度都较低, 而监督分类则相对来说除了平行六面体、SAM分类的分类效果较差外, 其余五种分类方法对大部分地物的分类精度都能够达到60%以上, 部分甚至能够达到80%以上。说明这五种分类器的分类效果相对其他几种分类器来说较好。
3.2 优缺点比较
从上面各种子分类器得出的最终分类结果可以得出, 不管是非监督分类还是监督分类方法, 总体分类精度来说都还不是特别理想, 分类精度最高的SVM也只达到了81%, 不能满足用户的生产需求。从非监督分类与监督分类的优缺点比较可以看出, 单独的非监督分类以及监督分类都存在一定的缺陷。如何弥补这种缺陷进而获得更高的分类精度就成为了我们必须解决的问题。
参考文献
[1]V.Vapnik.Statistical learning theory[M].New York:John Wiley and Sons, 1998:57-73.
[2]蒋宗礼.人工神经网络导论[M].北京:高等教育出版社, 2003:278-313.
基于找矿的遥感信息提取及分析 篇2
遥感找矿是遥感在地质找矿中的一个重要应用, 它是遥感信息获取、含矿信息提取以及含矿信息成矿分析与应用的过程。
一、遥感找矿原理
遥感找矿是建立在成矿理论的基础上, 结合遥感图像, 对其所包含的各种地物目标特征进行解译、提取、分类并配合成矿模式的研究及外业调查, 对工作区域进行综合性分析, 以保证遥感找矿的有效性。
二、研究区数据预处理
原始影像输入ERDAS9.1软件中利用1:50 000地形图进行几何校正, 鉴于工作区采矿的复杂程度及其对地形地貌的影响, 选取控制点时遵循了以下原则:
(1) 取地面上不随时间而变化的地物作为控制点, 如避免选择河流作为控制点;
(2) 选取图像上有明显的、清晰的定位识别标志处作为控制点。
三、图象增强处理
1. 图像处理及分析
在ERDAS的Subset窗口下将左上角的坐标和右下角的坐标设置按参数进行分割, 对每个波段的图像设置相同的参数, 完成数据预处理的ETM影像裁剪 (如图1) 。
2. 主成分分析
各类矿物岩石所具有的特征光谱是遥感蚀变信息提取的理论依据, 根据含铁离子Fe2+、Fe3+的矿物波谱曲线特征, 主要采用主成分分析, 辅以IHS变换、比值等假彩色合成等方法增强与铁离子有关的遥感蚀变信息。
四、矿化蚀变信息的表达及提取
1. 提取主分量
采用的主分量分析方法不同于常规的以压缩维数来突出主要信息为目的的主分量分析, 而是采取避开主要信息, 利用微弱的次要分量信息的途径。
铁离子分布区域在主分量影像pc4中, 就必须从主成分分析后的图像中将其分离。
2. 密度分割
将PC4图像打开, 点击RASTER下的Profile Tools并选择Spatial, 然后在已知的含矿区中的5点连成一条闭合曲线, 经过5点路径的灰度值将通过下面的窗口表示出来。从这里可以看出, 含铁矿地区的灰度值仅在-70至-100之间的范围之内, 经过多次选择已知含矿地区, 计算得到精确的灰度值异常范围为-95.8154至-110.496。
五、找矿验证
将密度分割的矿点图将其坐标表示出来, 主要的矿点图如图2所示。
本文通过实地考察结合弓长岭区地形图对密度分割所得的矿点进行了验证得到了以下的散点A (542 255.49, 4 553 096.26) 、B (544 941.23, 4 549721.81) 、C (542 737.55, 4 553 905.26) 、D (547213.77, 4 556 532.91) 、E (541 153.65, 4 548 895.49) 确实是在弓长岭铁矿区域附近, 由于进行图像处理时, 异物同谱所带来的误差不可避免, 虽对图像进行水体阴影、植被、云等去除干扰, 但仍会有不是矿点的地方表现出矿点的特征。
六、结语
本文通过对TM图像的预处理, 几何校正与裁剪等的处理来达到消除图像在获取时由传感器以及大气所带来的误差, 然后对图像进行增强处理, 按照矿点在图像中的灰度值进行密度分割等级的划分。从而得到密度分割图像。由于弓长岭地区具有典型地质结构和自然地貌, 这就使本研究对矿产行业具有一定的成矿预测指导意义。
摘要：对ETM+的多波段数据采用波段比值法和主成分分析法, 提取有针对性的矿化蚀变异常信息, 利用ETM+遥感蚀变异常信息, 结合成矿理论, 可以得到精确的遥感矿化蚀变异常位置。
关键词：主成分分析,密度分割,矿化蚀变信息提取
参考文献
[1]谢艳玲, 洪金益.遥感图像中蚀变信息的提取方法研究[D].中南大学地学与环境工程学院, 2009.
[2]冯雨林, 时建民, 杨利军.ETM遥感影像矿化蚀变信息的提取与找矿实践[J].地质与资源, 2008 (1) .
[3]郭娜, 陈建平, 唐菊兴, 张廷斌, 凌娟.遥感技术在西藏东部找矿中的应用研究[D].成都理工大学信息管理学院, 2007.
土地利用的遥感信息变化提取研究 篇3
土地资源是人类赖以生存和发展的基础,是国土资源的重要组成部分。随着城市化进程加快,人口不断增长和经济高速发展,土地利用成为了人口、资源、环境和经济问题的焦点,从而引发了一系列环境、资源的新问题[1]。例如耕地水土流失现象严重,荒漠化、沟壑化程度加剧,城市用地情况日益紧张,生态环境遭到破坏等。
多年来, 利用遥感分类技术进行土地利用状况的监测一直都是国内外学者研究的热点。莫源富、周立新等利用30 m分辨率的TM影像进行毕节市土地利用动态监测,平均分类精度为83%左右[2]。吕惠萍利用SPOT—4 20 m全色影像及10 m多光谱影像进行南皮县土地利用现状变化调查,1、2级地类的解译结果仅有少量图斑(少于总图斑数的1%)存在疑义[3];张京红应用SPOT—4 20 m的影像进行常熟市1∶5万土地利用调查,土地利用一级分类精度在95%以上[4]等。Jens Keuchel等基于TM影像使用三种不同分类方法对特纳利夫岛进行监督分类,并对各种分类方法进行探讨[5]。Hossein Saadat等利用ETM+影像对伊朗大部分地区进行土地利用和土地覆盖类型分类和精度评价[6]。
本研究选取Landsat ETM+和SPOT—5两期遥感影像作为基础数据源,在阐述遥感基础理论和技术方法的基础上,采用监督分类法提取变化信息,既可以提高分类类别的数目,又能确保一定的分类精度。应用遥感技术和计算机技术能够快速提取土地利用的变化信息,更新土地利用现状图,对土地资源的合理规划和对未利用土地资源的开发潜力评价有重要意义。
1 研究区概况及数据来源
锦西市幅区位于辽宁省西部,行政区划大部属辽宁省葫芦岛市辖区。海拔高度一般为(20～500) m,相对高差(200～350) m。山体总体走向为北东向,地势总体上西北高而东南低。气候北半球暖温带亚湿润气候,四季分明,气候温和,光照充足,年平均气温8.7 ℃。年平均降水量600 mm,雨热同季,无霜期175 d左右。区域内植被类型较多,包括森林、灌丛、耕地、盐碱地等类型。
本研究选取Landsat ETM+数据和SPOT—5遥感影像作为基础数据源。Landsat ETM+数据,共两景,每景数据有八个波段。其中一景数据成像时间为2000年9月7日,卫星轨道号为120/32;另外一景数据成像时间为2001年9月3日,轨道号为121/32。两景图像中,ETM+1～5,7波段分辨率为30 m。
SOPT影像共四景,每景3个波段。其中一景数据成像时间为2007年5月25日,一景数据成像时间为2010年2月6日,两景数据成像时间为2010年10月8日。四景影像经分辨率为5 m。
2 动态监测的技术方法
2.1 技术流程
通过对兴城地区不同时相的ETM+和SPOT—5卫星遥感影像进行图像剪裁、重采样、几何校正、图像增强等处理,分别对影像进行监督分类,对分类后的结果采用直接比较的方法进行动态分析并评价其分类精度[7]。建立解译标志,对研究区进行分析、判读,根据判读结果得到不同时相的土地利用类型变化数据,快速提取土地利用的变化信息(具体流程如图1)。
2.2 图像预处理
2.2.1 图像融合
本文对土地利用类型变化的动态过程进行监测研究,提取土地利用类型的变化信息。为了使遥感图像能提供更丰富的内容和更精确的分类精度,要求 3 波段合成图像的信息量大、相关性小、冗余度小、特征明显[7]。通过对研究区的 7 个波段的信息特征进行统计分析和相关性分析,结果表明: ETM+影像的最佳波段组合为ETM+7( R) ,5( G) ,2( B) 假彩色合成方案。
2.2.2 图像几何校正
为了使两个不同时期的图像所对应的地物点吻合,以便获取精确的后期动态变化监测的数据,必须对图像进行几何校正[8]。以SPOT—5影像为基准,分别在ETM+和SPOT—5影像上均匀地选择46个地面控制点,采用双线性内插法对图像进行重采样,使相同地物出现在校正后的图像相同位置,完成配准。在几何校正过程中,必须满足配准精度RMS小于一个像元。
2.2.3 图像增强处理
图像增强的目的是增强图像,以便处理结果图像比原图像更适合于特定的要求。为了突出相关的专题信息,提高图像的对比度,使研究者更容易地识别图像所反映出的信息,便于图像解译,从而最大限度地提取图像中有用的定量化信息。增强图像对比度的方法采用直方图均衡化处理( Histogram Equalization) 和交互式直方图拉伸(Interactive stretching)。经图像增强处理以后,观察遥感影像直方图的形态越接近正太分布,其图像效果越好,图像对比度越高,从而提高了图像的视觉显示,达到了预期要求(图2) 。
2.3 监督分类
监督分类是用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查,对遥感图像上某些样区中图像地物的类别属性有了先验知识,对每一种类别选取一定数量的训练样本,计算机计算每种训练样区的统计或其他信息,同时用这些种子类别对判决函数进行训练,使其符合分类要求;随后用训练好的判决函数去对其他数据进行分类,使每个像元和训练样本做比较,按不同的规则将其划分到与其最相似的样本类,以此完成对整个图像的分类。
根据研究区的实际情况,将该区分为林地、耕地、居民用地、未利用地(本地区以裸地为主)、水域(包括河流、水库、海洋和滩涂)5个类别。通过野外踏勘考察和分析相关资料,综合考虑研究区的地形、地貌、土壤、植被和现阶段土地利用情况等因素,并将ETM+和SPOT—5影像进行对比验证,得出该研究区土地利用类型的解译标志。根据两个时相的影像特征,根据感兴趣区选择训练样本,利用这些样本数据去识别其他未知对象,进行监督分类,从而得到ETM+和SPOT—5影像的土地利用现状数据及其土地利用分布图(图3、图4)。
2.4 分类后处理
变化信监测采用分类后比较法,将经过配准的两个时相的遥感影像用统一的分类标准分别进行分类,然后比较分类结果得到变化检测信息。该方法的核心是基于分类基础发现变化信息,该方法也是获取土地利用转移矩阵的过程。本次研究对两幅分类影像进行差异分析,分析识别出哪些像元发生了变化,以像元数量、百分比和面积统计参数输出(表1)。
3 数据分析与精度验证
3.1 数据分析
对监督分类后的数据进行统计分析,可以看出:耕地、河流和海洋的面积减少,而林地、居民用地、未利用地(这里主要是裸地)、水库和滩涂的面积增加。产生原因可能有(1)围海造田和近海养殖区的建立也使得海洋面积减少;(2)由于SPOT—5空间分辨率较高,地物边界清晰,能够识别出ETM+影像上无法清楚辨别的地物类型,如滩涂,从而准确地反映地物空间分布状况;(3)耕地水土流失现象严重,盲目开垦、土壤费力下降、荒漠化、沟壑化(原已有的沟渠加长加宽,原来无沟处出现沟)都导致耕地不断减少,土地利用格局不断发生变化(4)随着人口数量的增加和经济的发展,居民用地的面积也随之增加;(5)由于开发不当、过度采伐等因素,使得未利用土地的面积大幅度增加,因此对未利用土地进行合理规划迫在眉睫。
3.2 精度验证
Kappa系数是在综合了用户精度和制图精度两个参数上提出的一个最终指标,用来评价分类图像的精度问题,在遥感里主要应该使用在准确性评价和图像的一致性判断。Kappa系数为-1～+1, 如果两幅图像差异越大,则其kappa系数越小;kappa系数越大则说明一致性越高。一般说来, Kappa系数≥0.75,一致性程度比较好;在0.4～0.75,一致性尚可;Kappa系数<0.4,一致性程度较差[9]。
本次研究中,ETM+的Kappa系数为0.826 8,SPOT—5的Kappa系数为0.936 1;可以看出此次分类的精度较高,分类结果较好。由于SPOT—5图像的分辨率较高,因此分类效果更优于ETM+图像,更能准确的反映土地类型的变化信息。
4 结论与讨论
利用卫星遥感影像进行土地利用类型监督分类和动态变化监测是一种有效、便捷地获得不同时期土地利用数据的方法。通过对锦西市幅区不同时相的ETM+和SPOT—5卫星遥感影像数据进行土地利用专题信息提取,不仅速度快、方法科学,而且能够达到精度要求,可以为土地利用、资源调查与监测提供现状分类图及专题信息分布图。
(1)研究区内耕地、居民用地、裸地、河流变化明显。总体趋势是居民用地、裸地明显增加,而耕地、河流较大幅度减少。各类用地间相互转化,并以耕地和居民用地间相互转化最为显著。林地、水库、海洋及滩涂状况变化微小。
(2)监督分类可以有选择的决定分类类别,避免出现一些不必要类别;可以通过检查决定训练样本是否被精确分类,从而避免分类中的重复错误,避免了非监督分类中对光滑集群组的重新归类。
(3)遥感图像的空间分辨率对动态监测分析的结果有直接作用,从而影响分类精度。本次研究中ETM +影像的空间分辨率相对较低,因此分类结果和精度都较SPOT—5影像差。
随着人口大量增加,城市化进程的不断加快,可以预见,研究区未来几年土地利用的演化速度还会加快。由于粮食需求加大,而耕地面积逐年减少,未利用土地资源呈上升趋势。因此,快速开展对未利用土地资源的合理规划和开发势在必行,这对缓解人地矛盾以及保证社会的稳定和持续发展有着十分重要的意义;而遥感技术必将在土地利用变化监测方面发挥出更大的优势。
谈遥感信息在水工环中的应用 篇4
遥感信息与水工环中的应用:
1 主要遥感信息源及其发展
根据传感器类型不同, 遥感图像可分为可见光摄影、红外摄影和扫描、多光谱扫描、微波雷达和成像光谱图像等。近10年来, 传感器技术迅猛发展, 主要表现在: (1) 图像分辨率提高, 卫星图像分辨率已达到米级。 (2) 具备立体观察功能。 (3) 应用波段数增加, 机载高光谱成像仪已投入使用。如美国的AVIRIS (航空可见光/红外成像光谱仪) , 波谱范围0.4~2.5/l, 波段数224个。CASI (袖珍航空光谱成像仪) 波谱范围0.4~0.95/u, 波段数72个。高光谱成像光谱仪简称成像光谱仪, 也称超光谱成像仪, 按其波段数目可分为高光谱成像光谱仪 (波段数<1000, 通常100~200左右) 和甚高光谱成像光谱仪 (波段数1000~10000) , 后者多为测量大气化学成分而研制的。传统的多光谱成像的波段数只有几个, 高光谱成像的波段数大幅提高, 波段连续性强, 光谱分辨率高, 使得运用光谱分析技术成为可能。
近年来发射的主要对地观测卫星及图像进步简述如下:1999年美国发射了Landsat7卫星, 其ETM+图像分辨率与过去的TM相同为30m, 增加丁分辨率15m的全色波段 (PAN) 。热红外波段ETM+6分辨率从TM6图像120m基础上提高到60m。TM图像图幅185X185km, 最大可放大到1:10万。1995年升空的加拿大雷达卫星RADARSAT为C波段、HH极化方式, 具7种模式, 25种波束的特点分辨率有10、25、35、50、100m多种, 图幅50lan×50km~500Km×500km, 有立体观察功能, 实际重复周期1~8d。1999年9月, 美国IKONOS-2发射成功, 图像分辨率高达1m。
2 水工环领域遥感应用技术的发展现状
经过近30年的应用研究, 遥感技术依靠传感器技术、图像处理技术及计算机技术的提高, 在水工环领域的应用取得了长足的发展。遥感水文地质开始逐步形成一门独立的学科。传统的遥感水文地质着重于水文地质测绘系统中定性特征的解释和特殊标志的识别, 近期的研究则扩展到应用热红外和多光谱影像进行地下水流系统内的地下水分析和管理, 目前研究的重点集中到了空间补给模式、污染评价中植被、区域测图单元参数的确定和空间地下水模型中地表水文地质特征的监测。纵观国内外遥感技术在水工环领域的一些应用成果, 可把近年来遥感技术的应用发展现状概括为以下几个方面:
2.1 从目视解译发展到计算机辅助解译
如线性影像计算机自动判释专家系统及土地利用 (分类) 计算机判读模型以及机助信息提取与制图系统等。由于影像的多解性及识别系统的不完善性, 虽还需要投入一定的人力工作, 但已大幅提高解译工作效率。
2.2 从几何形态解译到充分利用光谱信息
过去的多光谱遥感数据波段划分过少, 只有几个波段, 使地面波谱测试数据与图像光谱数据难以精确比较。因此, 图像解译工作很少考虑地物的波谱特征, 主要根据影像的色彩、色调、纹理、阴影等所形成的几何形态特征。随着机载成像光谱仪 (高光谱) 技术的商业运作及2000年前后的高光谱成像卫星的发射, 使得用光谱信息对地物的分析更精细、更准确。
2.3 出现地面温度反演技术
地面温度反演是指从热红外图像数据的辐射亮度值获得地表温度信息。反演方法主要有地表温度多通道反演法和多角度数据进行组分温度反演法等。
2.4 从定性分析评价到依靠计算机数字模型模拟的定量分析评价
如遥感技术在地下水流系统应用中, 根据遥感数据建立的地形、流域面积、水系密度等数据集结合气象数据建立空间补给模型。数字模型成为遥感技术实现定量评价的重要途径, 而DEM/DTM是涉及地形数据计算方面不可缺少的工具。
2.5 使用单一遥感信息源到多元信息拟合
目前的遥感应用技术, 已不再是单一使用各种遥感数据, 而是根据需要结合利用了其他信息源, 如地质、地形、水文、土壤、植被、气象、岩土物理力学特征及人类活动等资料。这样, 图像数据的预处理尤其重要, 如几何较正、多波段数字合成、镶嵌、数据变换等, 而地理信息系统 (GIS) 在多元信息数据管理中起着重要作用。
2.6 从单一手段应用到多手段应用
近年来, 遥感技术 (RS) 与地理信息系统 (GIS) 和全球定位系统 (GPS) 的综合应用, 即“3S”技术, 成为遥感技术应用的主流。GIS是数据库管理、数据图形处理、各主题图件叠加、制图的重要工具。GPS可以对地面控制点精确定位, 提高遥感数据空间精度。另外, 在具体手段配合上, 也出现了遥感技术与物探技术、钻探技术等相结合的新方法。
2.7 数字摄影测量技术的发展
数字摄影技术的成熟, 推进了制图工作的现代化, 改善了基础图件的质量和成图效率, 并影响着遥感技术的调查方法。该技术的产品可直接作为GIS的数据源, 便于遥感与GIS一体化研究与开发。如我国自己开发的全数字摄影测量软件VIRTUOZO, 具有数字化测图、自动生成DEM/DTM和等高线、生成正射影像等功能。
2.8 遥感技术应用成果向着便于保存、复制、携带及传输方向发展
这意味着遥感技术应用成果的数字化。由于是数字成果, 可载于多种介质上, 如CD-ROM、磁带及计算机硬盘上, 使携带处理更加方便。随着1998年“数字地球”计划的提出及我国国土资源部“数字国土”工程的实施, 遥感应用成果数字化显得尤其必要。
参考文献
[1]中华人民共和国建设部, 地质工程勘察规范[S].北京:中国建筑工业出版社, 2002, 2.