通过遥感影像如何准确识别出地物的类型

图像分类是与图像信息提取和增强不同的遥感图像处理中另一重要的方面，与图像增强后仍需人为解译不同，它企图用计算机做出定量的决定来代替人为视觉判译步骤。因此，分类处理后输出的是一幅专题图像。在此图像中，原来图像中的每一个象元依据不同的统计决定准则被划归为不同的地表覆盖类，由于是一种统计决定，必然伴随着某种错误的概率。因此，在逻辑上的合理要求是，对每一个象元所做的决定，应是使整个被分类面积即对大量单个象元的分类的某个错误判据为最小。

以下是几种常用的遥感图像分类方法：

1.最大似然分类（maximum likelihood classification）

最大似然分类是一种基于贝叶斯判别准则的非线性监督分类方法，需要知道已知的或确定的训练样区典型标准的先验概率P（wi）和条件概率密度函数P（wi，x）。P（wi）通常根据各种先验知识给出或假定它们相等：P（wix）则是首先确定其分布形式，然后利用训练样本估计其参数。一般假设为正态分布，或通过数学方法化为正态分布。其判别函数集为：

Di（x）=P（wix），i=1，2，…，m （2-2）

如果Di（x）≥ Dj（x），则x属于wi类。其中，j≠i，j=1，2，…，m。m为类别数。

从上述最大似然分类的说明看，其关键就在于已知类别的定义，先验概率的确定，参与分类的变量的好坏和结果误差评价。直到现在，最大似然分类至少还有两个缺点：一是事先大量人力已知光谱类的选择和定义：二是需要长时间的计算机分类计算时间。实际上这也使得最大似然分类法遥感应用受到了限制，因此许多人专门研究改进算法以便解决和缩减图像分类的时间，提高分类的精度。Solst和Lillesand（1991）为了解决已知类别定义消耗大量人力的缺点，发展了半自动训练法进行已知光谱类的定义。Fabio Maselli等（1992）利用Skidmore和Tumer提出的非参数分类器计算出各已知类训练集的先验概率，然后将它们插入常规的最大似然分类过程中进行分类。该方法融合了非参数和参数分类过程的优点，提高了分类的精度。

通常情况下，地形会影响到训练集数据，这样训练集光谱数据就偏离了最大似然分类的假设条件正态分布，从而常规的最大似然分类法在地形起伏较大的地区效果并不太好。为了解决这一问题，C.Conese和G.Maracchi和F.Maselli（1993）提出了一种改进的最大似然分类算法，即去掉每一类数据集中与第一主成分相关的信息（地形信息）然后再进行分类。通过试验，这种方法是有效的，分类精度得到了提高。

K.Arai（1993）用光谱和空间信息进行分类改进了最大似然分类方法。该方法简单易行，大大提高了正确分类的概率。C.Conese和Fabio Maselli（1992）用误差矩阵提高最大似然分类面积估计的精度。Irina Kerl（1996）加最大似然分类精度的一种方法，即多概率比较法。他对同一遥感数据的原始波段、主成分和植被指数的22种组合进行了最大似然分类，发现没有一种波段组合的分类能给出图像中所有土地利用类型的精确分类，每一波段组合仅对图像中的一两类土地利用类型分类有效。因此他提出将能有效区分出所要决定的土地利用类型的几个波段组合的分类结果进行组合来进行图像分类，并称这种方法为多概率比较法，这种方法的基础就是图像数据不同波段组合的分类结果之间分类概率大小的比较。应用这种方法提高了分类的精度。

2.最小距离分类（minimum distance classification）

最小距离分类是一种线性判别监督分类方法，也需要对训练区模式样本进行统计分析，是大似然分类法中的一种极为重要的特殊情况。最小距离分类在算法上比较简单，首先需选出要区分类别的训练样区，并且从图像数据中求出各类训练样区各个波段的均值和标准差，然后再计算图像中其他各个象元的灰度值向量到各已知类训练样区均值向量之间的距离。如果距离小于指定的阈值（一般取标准差的倍数），且与某一类的距离最近，就将该象元划归为某类。因此称为最小距离分类。该方法的精度主要取决于已知类训练样区的多少和样本区的统计精度。另外，距离度量的方法不同，分类的结果也不相同，常见的有：

（1）明氏距离（minkowski distance）

中亚地区高光谱遥感地物蚀变信息识别与提取

当q=2时，即为欧氏距离，而当q趋于无穷时，得到切比雪夫距离。明氏距离，特别是其中的欧氏距离，在实际中用得较多，但它存在着两方面的缺点：一是它与各指标的量纲有关；为克服这一缺点，常常采用先将数据规格化的方法。二是它没有考虑变量之间的相关性。一种改进的距离就是马氏距离。

（2）马氏距离（mahalanobis distance）

中亚地区高光谱遥感地物蚀变信息识别与提取

当

中各特征间完全不相关，这时的马氏距离即为欧氏距离。

总之，最小距离分类是一个能在程序上经济有效实现的简单方法，与最大似然方法不同，它在理论上并不使平均分类错误为最小，所得到的精度与最大似然分类法可相比拟，而计算时间却只有后者的一半。

3.平行管道分类（parallelepiped classification）

平行管道分类是一种最简单的分类方法，是通过研究训练样区数据的各个光谱成分的直方图来进行分类的图像直方图中灰度值的上下限描述了图像中每个波段中类别的灰度值范围。某一光谱类在所有波段的灰度值范围定义了一个多维的平行管道。通过分类计算，图像中的未知象元被划分到属于已知一光谱类的平行管道内，因此称该方法为平行管道分类。这种方法简单易行，但也有几个缺点：①各已知光谱类的平行管道之间必定具有一定的间隔，如果图像中的象元落在这些间隔内，则这些象元不被分类。②对于图像中相关性强的光谱类，它们所定义的平行管道之间必定具有某些重叠，结果落在重叠区的这些象元不能被很好地分离。③没有考虑已知光谱类的先验概率。④根据直方图定义的已知光谱类的平行管道仅仅是通常用来定义光谱类特征的椭圆平面的粗略表示。

T.W.Kellenberger和K.I.Iten（1996）提出改进方法。改进过的平行管道方法基于每个图像波段内两类之间累积百分比直方图的最大差值自动分离已知目标类，这种分离值和图像波段都是自动选择的。他利用改进过的平行管道分类对TM遥感数据进行了森林覆盖分类，结果取得了较好的效果，提高了分类的精度。

4.模糊分类（fuzzy classification）

模糊理论（fuzzy theory）是处理模糊性的理论的总称，它是以1965年由Zadeh提出的模糊集合论为基础的。模糊分类即是建立在模糊理论之上的分类方法。在常规遥感图像分类中，图像中的每个象元都被划归为某一种地物类型，象元和类别之间一一对应，并没有考虑遥感图像中实际存在的混合象元问题，即某一象元中同时存在有几种地物类型，所以这种分类方法的结果必然存在有误差，这也是常规遥感图像分类方法的局限性。模糊分类法正好克服了这一不足，它利用象元隶属度表示象元的归属问题。当一象元对某一类地物的隶属度为0时，表示该象元不属于该类；当一象元对某一类地物的隶属度为1时，表示该象元属于该类；当一象元对某一类地物的隶属度为0和1之间的数时，表示该象元以该隶属度属于该类，也即表明该象元为混合象元。模糊分类的方法有很多，大多是常规分类方法的扩展。F.Wang（1990）详细讨论了遥感图像模糊监督分类的意义，他认为模糊监督分类与常规分类方法相比，在3个方面有所改进：①用模糊集合表示地学信息更合理；②光谱空间的模糊划分；③分类参数的模糊估计。

Paolo Gamba等（1996）利用完全模糊分类链对多光谱遥感图像进行了分类，他们不仅考虑了图像中象元的光谱特征，而且还考虑了图像中邻近象元之间空间上的相互关系，结果图像的分类精度得到了提高。

5.神经元网络分类（neural network classification）

神经元网络的结构包含一个输入层、一个输出层以及一个或多个隐层。输入层结点数与参加分类的特征数相同，输出层结点数与最终类别数相同，而中间隐含层结点数则由实验来确定。神经元网络分类主要就是网络的训练迭代，要达到一定的精度，往往需要很多次的迭代，这是非常费时的，然而网络训练一经完成，则可较快地应用于分类识别。

F.Amar等（1995）基于分类误差百分比和用户CPU时间比较了4 种神经元网络的遥感应用，他发现后向传播神经元网络算法（back-propagation neural network algorithm）需要最多的迭代次数，是其中最慢获得88%分类精度的算法。动态学习神经元网络算法（dynamic-learning neural network algorithm）只需迭代两次，占用591 s的CPU时间就可获得85%的分类精度，达到86%的分类精度需要迭代5次，占用CPU时间1613.7 s；功能连接神经元网络算（functional link neural network algorithm）分类精度比快速学习神经元网络算（fast-learning neural network algorithm）算法低，但占用了较少的CPU时间；快速学习神经元网络算法提供了最高的分类精度，但两次迭代运算后比功能连接神经元网络算法和动态学习神经元网络算法需要更长的CPU时间。另外，许多研究者利用神经元网络算法对遥感图像数据进行了分类（Mcclellan et al.，1989；Benediktsson et al.，1990；Kanellopoulos et al.，1991；Heermann and Khazenie，1992；Bischof et al.，1992），这些研究表明神经元网络分类能够给出好的分类结果，该结果与常规最大似然分类算法取得的分类精度大致相当，如神经元网络分类算法应用恰当，则分类精度更高。K.Sanjo（1996）研究了神经元网络技术的遥感图像分类，发现监督分类中训练样本数据的排列影响着分类的精度，因此必须注意由于简单地神经元网络算法学习阶段训练样本数据的重新排列所造成的分类结果的改变。另外，他还研究了混合象元问题，结果表明通过学习混合数据，神经元网络算法能有效地减少分类的误差。

6.N维概率密度函数（N-dimensional probability density functions）

Haluk Cetin和Donald W.Levandowski（1991）利用N维概率密度函数对多维遥感数据进行了分类和填图。N维概率密度函数是一种用来显示、分析和分类数据的算法，源于常称的频率透视图，但又克服了早先方法的内在限制。利用N维概率密度函数算法进行的交互式分类过程是一种新的多维数据的分类方法，它提供了遥感数据分布的清晰透视和监督分类中被选择的训练区分布的清晰透视。经过多维数据和训练区分布的N维概率密度函数的制图后，N维概率密度函数空间根据训练区数据的分布被划分，然后将N维概率密度函数的这种划分当作查询表（look-up table）分类遥感图像数据。对非监督分类，N维概率密度函数图可以提供数据分布的一种有价值的代表，数据分布可直接用来选择类别数和数据初始聚类时类均值的位置。与传统的统计分类方法，例如最大似然分类和最小距离分类，需要大量计算机内存、计算缓慢、对显示重叠类能力有限相比，N维概率密度函数分类速度极快，可利用无限制的波段数，图形地显示数据和类别的分布。Haluk Cetin和Timothy A.Warner和Donald W.Levandowski（1993）利用N维概率密度函数对TM等多种遥感数据源数据进行了分类、可视化和增强，结果取得了良好的效果，取得了比传统分类方法较高的分类精度。

7.其他分类方法

N.B.Venkateswarlu和P.S.V.S.K.Raju（1993）提出了一种新的遥感图像快速分类器该分类器是一种非参数分类器，叫做整体平均分类（ensemble-average classifier），利用了最小距离的概念，算法步骤如下：

①计算每一组的整体平均值（一般为均值）Mi，i=1，2，...，C

②如果满足下列两式，那么任一随机象元X将被划归wi组。

XT（Mi-Mj）＜ Tij，j≠ I （2-5）

中亚地区高光谱遥感地物蚀变信息识别与提取

式中Tij=-Tij。

③经过①②步后，随机象元X被划归为正确的类。

另外，通过对参与计算变量的排序和部分一总和逻辑的考虑，可大大降低该算法计算的时间。与最小距离（欧氏距离）和最大似然分类器相比，整体平均分类器所用时间最少，分类精度与最小距离大致相同，对像农田面积和森林这样的名义类型的分类十分有效。

Haluk Cetin（1996）提出了一种分类方法：类间距离频率分布法（interclass distance frequency dis-tribution），这是多光谱数据非参数分类方法的一种。类间距离频率分布过程简单，是一种有力的可视化技术，它图形地显示多光谱数据和类分布。首先选择感兴趣的类，这些类的统计信息从典型的训练样区可获得。利用类的平均测量矢量计算多光谱数据中每个象元的距离，并存放在一个两维数据分布数组中。选择其他类的训练区，训练区数据的分布通过距离计算可获得。通过可视化地检查结果，建立分类查询表（look-up table），然后利用分类查询表进行多光谱图像数据的分类，具体细节请参见原文。

H.N.Srikanta Prakash等（1996）改进了遥感数据凝聚聚类分析，这是一种基于相互近邻概念，用来进行多光谱数据分类的非参数、层次、凝聚聚类分析算法。该方法定义了围绕象元的感兴趣区域（area of interest around each pixel），然后在它内部寻找分类时初始合并操作需要的k最近邻，将象元的特征值、波段值和象元的相对位置值一起考虑，提出了改进的距离量度，这样，大大减少了计算的时间和内存的需求，降低了分类的误差概率。

Steven E.Franklin和Bradley A.Wilson（1992）设计了3阶段分类器进行遥感图像的分类，它由一个基于四叉树的分割算子、一个高斯最小距离均值测试和一个包括辅助地理网数据和光谱曲线测量的最终测试构成。与最大似然分类技术相比，3阶段分类器的总体分类精度得到了提高，减少计算时间，另外仅需最少的训练样区数据（它们在复杂地形区很难获得）。

(一)区域遥感地质解译基础

服务于地质找矿工作的区域遥感地质解译是在基础遥感影像图上开展以线、环形构造解译和与成矿有关的岩性地层提取为重点的工作。在遥感图像上进行上述工作在现代技术条件下一般在GIS系统中，采取人机结合的形式开展。通过区域遥感地质解译所形成的成果图件上各种线条实际上是影像地质界线(薛重生，1997)。所谓影像地质界线是指在遥感图像上解译识别出的反映地质单元范围、空间形态和特征的界线。影像地质界线的可解译性取决于图像的信息显示模式、界线类型及区域背景参数。不同地质地理景观区(如沉积岩区、侵入岩区、火山岩区、变质岩区，露头好与露头较差地区等)遥感图像的地质可解译程度及其影像地质界线的解译精度存在一定的差异。理论上，在可解译程度高的遥感图像上对同一级别地质单元圈定的解译界线与野外实际填图结果应是一致的，并高于实际填图成果，特别是一些岩体的界线。另一方面，由于解译和识别工作均在遥感图像上进行，与实际野外填图更具宏观性，同时也带有一定的推断和预测性，因此也允许解译界线与实际界线之间存在差异。因为中分辨率图像上的遥感地质信息对于细分岩性难以准确区别，但却对处于浅隐伏条件下的构造和岩体能有相对清晰的显示。因此，研究不同岩类地质单元填图界线的图像基本信息类型及其信息显示模式(结构模式)，对于正确指导地质界线的解译和制定合理的解译规范都是至关重要的。两者之间的差异可通过有选择性的野外实地查证对影像地质界线或实际填图结果予以更正。

(二)遥感图像地质信息的基本模式

在区域遥感地质解译中，影像地质界线是通过不同地物的影像地质信息显示模式鉴别而确定的。而不同地物在遥感图像上的显示模式是不尽相同的，从成因机理上讲，可分为3类显示模式，即光谱模式、纹理模式和景观模式。

(1)光谱模式:是遥感图像的基本信息类型。不同地物，如岩(矿)石的反射光谱存在差异，在遥感影像图上通过不同的色调和亮度显示出来，同一类地物则具有大致相似的影像特征，这种反映某一类地物存在的色调和亮度等影像标志便是遥感图像信息显示的光谱模式，它能够反映岩石单元、地层序列、构造地质体(或单元)等不同地质体空间分布特征，并可能根据其光谱特征确定其成分属性。因此光谱模式是遥感地质填图，特别是岩体和地层、蚀变带等解译的重要基础。

(2)纹理结构模式:是指不同地物(地质体)由于具有不同构造应变特征和抗风化剥蚀能力，而在漫长的内外生地质作用过程下，形成的特征的纹理结构。大到区域性的构造线，小到一般性的线性体等都是纹理模式的表现方式。这种纹理模式是解译线环构造的最重标志，同时对岩性地层等的解译也可起到间接指示作用。光谱模式和纹理模式相结合便形成了由色线、色带、色斑、色块、色环所构成的色-形纹理复合结构。如线理结构(平行式、斜交式、菱格式等)、水系网纹结构、图案结构(菱块图形、菱环图形、占型结构)等一些特殊的影像色调-纹理标志，是遥感地质解译的主要依据。

(3)景观模式:是遥感地质信息分析中的一种间接识别信息，它主要反映的是地理景观特征，如植被及其类型的发育和覆盖状况、地貌地形发育特征、人文特征等，它们是遥感地质解译的辅助标志，同时有些景观标志也能反映出不同的地质体边界属性，对解译具有重要意义。

(三)影像地质界线的基本类型

根据不同岩类区地质体(含正式及非正式填图单位)在遥感影像上的划界特征及其可解译程度，可将影像地质界线分为下列3种类型:

(1)确定性界线:指可在遥感图像上通过影像显示模式直接确定并不存疑问的地物界线。光谱模式和纹理模式中色调和纹理所构成的边界标志对地质界线成因类型或构造属性具有识别和判断能力，可根据影像地层学标志确定界线的层序类型和属性;根据岩体与围岩的色调、形态及三维(立体解译)结构确定岩体侵位边界的产出状态和接触界面的构造属性;根据一些特殊岩性单元及其背景特征确定其边界的地质属性，如岩脉边界、互层岩石单元中的特殊夹层(泥质岩中的灰岩或砂岩，泥质、粉砂质板岩中的变余石英砂岩、大理岩等)、层序地层中的各类构造界面(如构造不整合界面、超覆不整合界面、相叠覆界面等)。在露头较好的地区，解译的影像地质界线一般都是确定性界线，并与野外填图结果吻合较好，甚至精度高于实际填图结果，尽管对其成分特征的准确区分但还需要野外工作的密切配合。

(2)推断性或预测性界线:是指地质单元在影像上存在较明显差异的过渡界线，如色调过渡界线、地貌单元界线、纹理差异界线、隐伏岩体、蚀变区带以及第四系覆盖区等，但却不能显示清晰的边界。这类影像地质界线需要结合其色调、纹理变化状况，推断性或预测性的色绘。也就是说，影像信息的光谱模式或纹理模式及其在空间展布规律可确认其具有地质上的划界意义，推断或预测其应为一类区别于其他的地物单元，但又没有准确清晰的边界，只能根据其空间变化特征进行解译勾绘。但该类界线的地质成因或层序界面属性具有一定的多解性和不确定性，需要通过路线调查验证，对其影像界线的成因机理进行研究并调绘。这种界线反映的地质体是客观存在，但其大部分在野外实际填图工作中实际上更难圈定，该类界线的确定，尽管并非特别精确，但却对地质找矿工作具有重要意义。推断性或预测性界线的确定及其反映的地质信息是遥感地质解译的优势之一。

(3)不可靠界线:指具有一定的光谱模式、纹理模式显示，但其所反映的地物信息很不确定，有时可能是干扰或假的信息显示界线。在多时相或很多景镶嵌的遥感图像中由于对色调处理难以达到该类界线多出现在变质岩区和块状结构的火山岩区，在影像上无明显的识别或划分标志，可供地质解译的信息丰度较低。对这类界线一般根据景观特征(模式)或其他辅助信息并结合地质知识予以推测确定。对于这类地质界线应采用路线穿越调查和现场影像调绘相结合的方法予以野外实地查证和修改。

(四)遥感地质解译的方法

遥感地质解译应始终贯穿于工作全过程，可以从两个方面对遥感图像进行不同程度的判读和解译。首先从过程上看，具体可分为3个阶段，即初步解译、野外验证和综合整理(白朝军，2001)。

(1)初步解译:该阶段的遥感解译工作程序是:根据地质复杂程度(地层展布、构造线方向、岩石类型等)、地貌条件(地貌类型、切割程度等)和侧重解决问题的不同，编制测区遥感解译程度分区图，初步划分遥感影像岩石地层单元，建立不同时代的地层、岩石、构造的解译标志，遵循由已知到未知，由简单到复杂，先构造后地层的原则，在计算机软件支持下人机交互方式逐一进行解译，编制遥感地质草图。解译内容包括地层界线、标志层、特征岩层或岩层组合、断层及线性构造、环形构造、褶皱类型、形态及组合型式;解译侵入体分布形态，侵入关系及岩石类型;解译第四系的分布及界线、成因类型等。

(2)野外验证:在室内解译成果的基础上，要布置地质观察路线进行实地验证。查证的对象以解译过程中的不确定或推测部分为重点。查证过程中观察到的地质现象要及时补充、修改、完善在解译图上，并不断积累丰富不同地层、岩石、构造的解译标志。

(3)综合整理:在上述工作的基础上，结合其他工作结果，进行最终成果图件编制工作，对有疑问的重要地质界线、地质现象、重点研究区域、成矿有利地段及图面不合理地区，充分利用计算机和遥感技术，通过多种图像处理，突出有用信息，抑制干扰信息，最大限度地提取地质矿产信息，丰富图面内容，编制高质量的解译成果图。

从区域上看，则分为总体解译和局部解译，前者主要包括区域性线环型构造、大规模出露的岩浆岩体和特征的岩性地层以及遥感矿化蚀变信息提取(需进行进一步工作)等，通过解译，从宏观上了解和分析区域构造特征和重要地质体的分布情况。通过解译成果与矿床点间相互关系的分析，为总结区域成矿规律、划分区域成矿区带等提供基本信息。后者则是针对特定感兴趣区，将图像切割放大到合适的比例尺后进行的解译工作。主要服务于矿田、大的矿区或矿带的构造、岩性展布特征，发现矿床与其他地质构造要素的相互关系，如确定含矿构造带的延伸问题，矿化蚀变区的色调、纹理特征及其同非含矿区的区别等，以对矿区(带)进一步找矿工作提供指导等。

土地利用分类是区分土地利用空间地域组成单元的过程。由于地块所处的自然地理位置不同，受自然条件和社会经济条件的影响，导致土地用途、利用方式、经营特点等各方面的差异。为实现土地资源科学化管理，从土地利用现状出发，根据土地利用的地域分异规律、土地用途、土地利用方式等，将一个国家和地区的土地利用情况，按照一定的层次等级体系划分为若干不同的土地利用类别。

6.1.1 国内外土地利用分类方法历史沿革

国外土地分类至今约有半个多世纪的历史，到 20 世纪 60 年代和 70 年代就出现了各种土地分类系统。国外土地分类多数以土地利用现状作为分类的依据，具体到各国又有差异。如，美国主要以土地功能作为分类的主要依据；英国和德国以土地覆盖（是否开发用于建设用地）作为分类依据；俄罗斯、乌克兰和日本以土地用途作为分类的主要依据；印度则以土地覆盖情况（自然属性）作为划分地类的依据。

国内的土地分类研究起步相对较晚，主要是在改革开放以后。国内土地分类依据与国外基本相同，也是以土地利用现状作为分类依据，如土地利用现状调查（简称土地详查）采用以土地用途、经营特点、利用方式和覆盖特征为分类依据，城镇地籍调查采用以土地用途为分类依据等。

为了满足土地用途管理的需要，国土资源部先后制定了《土地利用现状分类及含义》（1984），《城镇土地分类及含义》（1989），城乡统一的《全国土地分类》（2001）。《全国土地分类》包括《全国土地分类》（试行）和《全国土地分类》（过渡期间适用），第二次土地调查国家发布了《土地利用现状分类》（2007）国家标准等，为全国土地分类提供了标准和依据。

6.1.2 基于遥感影像土地利用分类原则

面向国土资源行业遥感数据的规模化、高效率应用，达到快速规模化获取土地利用信息，实现高精度、高效获取土地利用变化信息，迅速建立满足国家和省级土地资源业务管理需要的国家级、省级土地利用现势信息源需求，在研究分析前期实行的土地利用分类方法的基础上，提出了基于遥感影像的土地利用分类，在项目区予以应用并得到预期良好效果。

基于遥感影像的土地利用分类，是依据遥感影像的色彩、纹理等影像光谱特征、分布特征和地物光谱的可分性，结合土地的自然属性、覆盖特征以及土地用途等因素，从满足基于遥感影像快速获取土地利用信息的需要进行分类。

分类原则：

（1）具有可操作性。要求土地利用分类体系要简便易用、层次分明，要具有适宜遥感影像特点，通过遥感影像所反映色彩、纹理等影像光谱特征以及分布特征，在遥感影像上能够明显区分不同地类类型，适用于人机交互并基本满足计算机自动分类提取土地利用信息。

（2）具有统一性。要与国家土地利用分类体系框架保持一致。

（3）具有兼容性。既能向上归并到国家土地分类标准体系中的某一类型，还可根据管理和应用需要进行续分 , 可实现不同分类标准之间的相同地类进行地类代码转换，与以往的以及现在适用的土地分类进行有效衔接。

（4）具有通用性。即具有时间和空间上的通用性，不同的作业者用不同季节的影像应该能达到精度范围内的同样效果。

为了科学合理利用和管理土地资源，采用遥感影像数据获取土地利用信息，快速掌握土地利用变化情况，根据我省土地利用管理业务实际需要，建立更适合土地利用精确调查和我省遥感监测业务调整与扩展的基于遥感信息土地利用分类标准具有重要的现实意义。

6.1.3 严格管理土地需要快速、规模化获取土地利用变化信息

近年来，随着社会经济的发展，遥感技术也随之得到了快速发展，遥感技术在土地资源的管理中得到了广泛应用。但随着人、地矛盾的日益加大，如何科学、合理地利用土地资源，如何监督新增建设用地及其占用耕地情况和土地规划、土地利用计划执行情况，及时发现和查处土地违法、违规行为，检查土地严格管理和土地调控措施的落实与效果，利用遥感技术快速规模化获取土地利用变化情况成为当今土地资源管理的有效手段。

在土地资源管理中，近几年国家和省不断加大土地执法监察力度，每年都要对耕地和新增建设用地变化情况进行遥感动态监测，利用前、后时相遥感影像（DOM）进行比对，或利用已有土地利用数据库与后时相遥感影像进行比对，发现和提取土地利用变化信息，通过外业核查、后处理和数据汇总，快速获取和宏观分析土地利用、变化的总体情况，及时发现和查处土地违法、违规行为，为土地执法监察提供了有力的技术依据。

6.1.4 原有土地利用分类不适宜快速提取土地利用信息

1984～2007 年间，我国普遍采用的是《土地利用现状分类及含义》（1984）标准、《全国土地分类》（试行）标准和《全国土地分类》（过渡期间适用）标准，采用以上分类标准对于快速提取土地利用分类信息和动态遥感监测存在一些问题和缺陷。

首先，分类过细。《土地利用现状分类及含义》（1984）分为 8 个一级地类，46 个二级地类，河南省根据地方实际在全国土地分类基础上又续分了 12 个三级地类；《全国土地分类》（试行）分为 3 个一级地类，15 个二级地类，71 个三级地类；《全国土地分类》（过渡期间适用）分为 3 个一级地类，10 个二级地类、52 个三级地类。以上分类标准都具有类别繁多、过于细化的特点，无法满足国家和省快速提取和掌握土地利用变化信息的需求。

其次，部分地类在遥感影像上无法区分，如：耕地中水浇地与旱地，园地与林地，独立工矿与特殊用地等，影像纹理、色彩特征极为相近，难以区分。

再次，部分地类与遥感影像无法衔接，如商服用地、工矿仓储用地、公共建筑用地等信息，从遥感影像上无法直接获取。

6.1.5 区域土地利用类型的特殊性

黄河滩地，是指在黄河大堤之间河床滚动所淤积而成的滩地。横穿河南省中北部的黄河属河南省的特有特征，即地上悬河、河床宽度大、非洪水期过水面积小、大堤内近 90% 的滩涂分别由黄河两岸农民在耕作。但是由于黄河河床经常变动等原因，黄河滩地的面积和方位不断发生变化，可种植面积也不稳定。许多滩地至今仍权属不明，经常引发滩地耕种纠纷。另外在黄河滩地种植农作物具有一定的风险性，种植的作物一旦遇到河水上涨被水淹没会造成收成大减甚至颗粒无收。

公路林带，在河南省辖区内，高速公路、国道、省道、干线铁路等主要交通用地两侧均栽种了宽度 30～50 m 不等的速生树种，在地类统计时，国土资源管理部门是按耕地计算，而林业部门则按照林地计算，为准确获取林带数据有必要单独统计，以解决在统计上口径不一、数出多门的问题。

6.1.6 遥感影像上光谱信息，纹理、色彩等特征相近的土地类型

高分辨率卫星遥感影像光谱信息丰富、色彩鲜艳，接近于自然地物的真实色彩。通过遥感影像所反映的纹理、颜色等影像特征和分布特征，大部分土地利用类型在影像上能够明显区分。但是按照全国土地分类，有些地类在影像上呈现相近或相同特征，对于室内判读难以分辨。

（1）水浇地与旱地（图 6-1、图 6-2）。

图 6-1 水浇地（113）

图 6-2 旱地（114）

（2）园地与林地（图 6-3、图 6-4）。

图 6-3 果园（121）

图 6-4 有林地（131）

（3）独立工矿与特殊用地（图 6-5、图 6-6）。

图 6-5 独立工矿（204）

图 6-6 特殊用地（206）

土地利用分类体系还要充分考虑未来遥感技术发展，适用于遥感自动化提取信息的需要，影像特征相近的土地利用类型无法利用自动分类技术进行区分。