QGIS文章四——对遥感影像进行土地类型分类

关于土地类型分类，按照性质、用途、利用现状有不同的分类标准。

一、按照国家土地性质分类标准，一般分五类:商业用地、综合用地、住宅用地、工业用地和其他用地。

二、按照用途进行土地分类：可以分为农用地、建设用地和未利用土地，其中

农用地是指直接用于农业生产的土地，包括耕地、林地、草地、农田水利用地、养殖水面等；

建设用地是指建造建筑物、构筑物的土地，包括城乡住宅和公共设施用地、工矿用地、交通水利设施用地、旅游用地、军事设施用地等；

未利用地是指农用地和建设用地以外的土地

三、根据土地利用现状分类，《土地利用现状分类》国家标准采用一级、二级两个层次的分类体系，共分12个一级类、57个二级类。其中一级类包括：耕地、园地、林地、草地、商服用地、工矿仓储用地、住宅用地、公共管理与公共服务用地、特殊用地、交通运输用地、水域及水利设施用地、其他土地。

利用遥感卫星影像进行土地分类是一种常见的遥感应用，它可以帮助识别和划分不同类型的地表覆盖，如农田、森林、城市、水体、建筑等等。

关于基于遥感影像进行土地分类的步骤主要如下：

1、数据源选择：选择高分辨率的多光谱卫星影像，如Landsat、Sentinel等，以获取丰富的地表信息，目前开源的遥感影像数据集比较匮乏，要么为海外网站、要么分辨率不够精细、要么时间比较久，但这不影像土地分类的尝试。

2、数据获取：从卫星数据提供机构获取目标城市的多时相影像数据，覆盖不同季节和时间段，这个取决于分析的目标，变化分析需要多时段、季节的数据。

3、数据预处理：对获取的影像进行大气校正、辐射校正等预处理，确保数据的准确性和一致性。

4、图像预处理： 对不同时间的影像进行几何校正和配准，保证影像在同一坐标系下进行比较，本文暂不涉及。

5、特征提取：利用光谱、纹理、形状等特征提取方法，将影像转化为可供机器学习算法处理的特征向量。

6、地物分类：使用监督或非监督分类算法，如支持向量机（SVM）、随机森林等，对特征向量进行分类，将地表分为不同的类别，如建筑区、绿地、水体等。

关于基于遥感影像进行土地分类的技术主要如下：

1、基于机器学习的方法，如监督分类学习等，1和2通常结合使用

2、基于深度学习网络的方法，如U-Net网络等，1和2通常结合使用

3、基于QGIS、ENVI等软件的方法，通常内置一些1和2的算法，但软件提供了较为友好的处理手段。

4、基于GEE Sentinel平台的方法，这个目前无法访问

后续如有时间和精力，将会按照1、2、3方法进行土地类型提取，并进行比对。