2.6TM/ETM数据解读

TM／ETM数据的解译通常可分为目视解译和计算机解译（包括监督分类和非监督分类）。目视解译就是通过专业人员的判读进行数字化解译，这种方式耗时，但对于专业人员来说精度一般较好。通过ERDAS软件进行计算机解译，有两种方式，一种是非监督分类方法，就是计算机根据影像的特征值进行的自动解译分类，是指人们事先对分类过程不施加任何的先验知识，仅凭据遥感影像地物的光谱特征的分布规律，随其自然地进行盲目的分类；一种是监督分类方法，是用户首先设定地类的模板，然后计算机软件再根据模板进行解译分类，监督分类是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术，即根据已知样本，求出特征参数作为决策规则，以建立判别准则，由计算机实现图像分类。

遥感图像分类的主要依据是地物的光谱特征，即地物电磁波辐射的多波段测量值，由于同物异谱和同谱异物现象的普遍存在，原始亮度值并不能很好地表达类别特征，需要对数字图像进行运算处理，以寻找能有效描述地物类别特征的模式变量，然后利用这些特征变量对数字图像进行分类。分类是对图像上每个像素按照亮度接近程度给出对应类别，以达到大致区分遥感图像中多种地物的目的。遥感图像计算机分类的依据是遥感图像像素的相似度。相似度是两类模式之间的相似程度，在遥感图像分类过程中，常使用距离和相关系数来衡量相似度。

计算机分类实现的思想基础：“同类地物具有相同（似）的光谱特征，不同地物的光谱特征具有明显的差别”，但由于影响地物光谱特征的因素很多，所以影像的判读分类都是建立在统计分析的基础上的；同类地物的图像灰度概率在单波段（一维空间）符合正态分布规律；多维图像（即多波段）中的一个像元值（灰度）向量，在几何上相当于多维空间中的一个点，而同类地物的像元值，既不集中于一点，也绝非是杂乱无章的分布，而是相对地密集在一起，形成一个点群（一个点群就是地物的一种类别），一般情况下，点群的边界不是截然的，有少部分重叠和交错的情况。

因此，监督分类是从研究区域选取有代表性的训练场地作为样本，根据已知训练区提供的样本，通过选择特征参数（如像素亮度均值、方差等），建立判别函数，据此对数字图像待分像元进行分类，依据样本类别的特征来识别非样本像元的归属类别。监督分类的主要方法有：最小距离分类、最大似然比分类、线性判别分类、平行管道分类等。(www.xing528.com)

而非监督分类是在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（将相似度大的像元归为一类）的方法。主要采用聚类分析的方法进行图像分类，过程为：确定最初类别数和类别中心；计算每个像元对应的特征矢量与各聚类中心的距离；选与其中心距离最近的类别作为这一矢量（像元）的所属类别；计算新的类别均值向量；比较新的类别均值与原中心位置的变化，形成新的聚类中心；重复上述步骤反复迭代；如聚类中心不再变化，停止计算。常用的距离判别函数：欧氏距离、绝对值距离、明考斯基距离（欧氏距离和绝对距离的统一）、Mahalanobis距离（考虑了特征参数间的相关性）。

在遥感数据日益成为城市与区域规划主要数据源的背景下，遥感数据的解译与处理已经成为城市与区域规划中获取规划研究区信息的重要技术手段。本例中以上杭县TM数据解译获取县域土地利用现状图为例来说明遥感数据的处理过程。从数据精度要求的角度来讲，上杭县域使用SPOT数据（全色5m，多光谱10m）会更好。我们在湖南省“3＋5”城市群规划、湖北省城镇化发展战略规划、青海省东部城市群城镇体系规划、昆明城市区域发展战略规划、冀中南空间发展战略规划等区域规划中均使用的是TM／ETM遥感数据，能够满足规划研究区的数据精度要求。