本次實習是在攝影測量的教學基礎上，理論實際相聯(lián)系的動手操作實習，是我們在學習測量專業(yè)的一個重要的實習環(huán)節(jié)。一方面是培養(yǎng)我們的實踐操作能力和運用軟件解算數據的能力，另一方面培養(yǎng)我們在今后遇到問題應該如何去解決的能力，通過實習發(fā)現自己在實踐動手方面的不足并想辦法解決，為以后的工作實踐打下扎實的基礎。使我們熟練地掌握攝影測量及遙感的原理，信息獲取的途徑，數字處理系統(tǒng)和應用處理方法。并進一步鞏固和深化理論知識，使理論與實踐相結合。切實加強我們大家的實踐動手能力，提高大家對這門新技術的認識和把握，全面培養(yǎng)我們的應用能了、創(chuàng)新能力和探索精神。
測繪工程專業(yè)的“攝影測量與遙感實習”是同“攝影測量學”、“遙感與圖像處理”、“近景攝影測量”等課程教學緊密聯(lián)系。實習目的是運用所學基礎理論知識與課內實驗已掌握的基本技能，利用現有儀器設備及資料進行綜合訓練，讓我們系統(tǒng)全面地學習并應用已學攝影測量及遙感知識，鍛煉實踐技能。
根據攝影測量與遙感學科發(fā)展狀況及生產實踐水平，并考慮工測專業(yè)教學要求及現有條件，實習基于四個重點：一是以航空攝影測量為主的攝影測量學基本理論和方法;二是以測制建筑物立面圖為目標的地面攝影測量完整作業(yè)過程;三是以數字攝影測量系統(tǒng)為平臺的數字攝影測量生產作業(yè);四是基于遙感圖像處理系統(tǒng)的衛(wèi)星遙感影像專題制圖。
為提高我們的遙感解譯思維和技巧、培養(yǎng)實際動手能力、并檢驗大家對課程內容的理解,老師帶領我們在學校周邊地區(qū)進行了一次野外實習。
在實習課上,我們得到的輔助數據是一幅學校周邊地區(qū)遙感影像圖,從數據來源看,這幅圖屬于遙感數據。GIS通常的數據源還包括文本資料、實測數據、多媒體數據、已有系統(tǒng)數據等，實測數據還包括野外試驗、實地測量。為了解遙感影像的比例尺，我們量測出校門口至學院路與豐樂達到交口的距離，利用地圖比例尺的定義測算出這幅地圖的比例尺，量測結果為1:10000。
我們通過GPS接收機獲得所處位置的經緯度，并記錄之。GPS是Global Position System的簡稱，該系統(tǒng)是美軍自上世紀70年代開始研制的新一代衛(wèi)星導航和定位系統(tǒng)，由空間部分、地面控制部分和用戶接收機三部分組成，具有高精度、高效益、全天候、低成本、高靈活性、實時性等優(yōu)勢。
我們來到學校北門的學院路上，路南面是校區(qū)，北面是農田和荒田，這條路是明顯的`一條土地利用類型分界線。遙感影像顯示路北面有一塊是深藍色的，可解譯為水體，可我們實地考察德結果是荒田，原因是此時水體已干涸為荒田，這告訴我們土地分類要實地考察。同時，這聯(lián)系到遙感數據的誤差，不管何級別的數據都會存在誤差，誤差指的是數據與真值的偏差，老師告訴我們遙感數據的誤差主要分為兩大類：
一、由于傳感器內檢測器性能的差異等情況，使進入傳感器的輻射值發(fā)生畸變，引起圖像模糊，對比度下降等;
二，由于衛(wèi)星飛行時姿態(tài)變化及地球形狀等因素的影響，圖像中地物目標的幾何位置也會發(fā)生畸變，對應這些誤差可采取輻射校正和幾何校正。
實踐課第三點在學院路的一處山丘頂部，遙感影像上顯示山丘西北顏色偏深，這是由于該處有水體，且在上午拍攝時的陰影所致，色彩是地圖語言的重要內容。
附近的軍事訓練區(qū)在影像上顏色偏深，是因為在雨后拍攝，由于是在冬季，草已枯死，所以靶區(qū)顏色較淺。一般情況下，同類地物采用同一種模版，但老師同時指出，對于不同長勢的地物也應采用不同模版，在此前提下進行監(jiān)督分類。
最后實踐的地方位于一處山頂的基準面控制點，該控制點的經緯度均為東經118度17分北緯32度17分，基準面的分類較多，但為方便統(tǒng)一，要選取某些點為控制點，用于多種基準面的仿射變換。
通過野外實習，我加深了對遙感課程的認識，更重要的是通過老師的講解，我學會了基本的遙感解譯的方法和技巧。在完成此實習報告之前我查閱了相關資料，對相關的學習進行了復習。希望以后多進行這樣的野外實習。
一、 實習目的與要求
林業(yè)遙感是遙感技術在林業(yè)經營中具體應用的實用性強的專業(yè)課，旨在培養(yǎng)學生利用遙感手段進行森林資源監(jiān)測和管理的基本技能，實習的主要目的是培養(yǎng)學生使用GPS進行野外地形參數的手工測量，內業(yè)計算機遙感圖像的幾何精校正和探索學習決策樹分類方法對林業(yè)遙感影像進行分類研究的動手能力。通過實習，加深遙感技術在森林資源監(jiān)測和管理中的應用和理解。
二、 實習內容
1)GPS采集地面控制點坐標
2)(經緯度或平面直角坐標)以及地形參數
3)(坡度，坡向) 野外訓練區(qū)的地面調查
4)內業(yè)遙感圖像的幾何精校正
5) ENVI圖像處理軟件決策樹分類器建立逐級決策規(guī)則
6)決策規(guī)則的修改與添加(與實地調查進行比較分析)
7)利用建立的決策規(guī)則對林業(yè)遙感圖像進行分類 保存分類規(guī)則與分類圖像
三、 實習中涉及的理論知識
1. 決策樹分類簡介
與其它分類方法相比，決策樹分類具有如下特點：1)決策樹分類是非參數分類，因此其獨立于訓練區(qū)像元亮度值的統(tǒng)計分布模式;2)決策樹分類時模型的輸入既可以是連續(xù)的光譜波段值，也可以是離散的數值，甚至是定名變量;3)分類結束后可以生成易于解譯的分類判別準則文件;4)樣本訓練的速度快，分類精度通常高于其它的分類器
2. 決策樹分類原理
決策樹分類實質是利用輸入分類器的多元特征參數，從多角度挖掘出蘊藏在其中的模式類別間的差異，并建立起“特征識別矩陣”(類似于判讀檢索表)，其外在表現為多個“If Then, else if then”的連用，就如同數學上的多個集合求交集運算，從而將滿足交集條件的模式與不滿足交集條件的模式區(qū)分開來，實現不同模式類別的自動識別。具體地講，決策樹可以像分類過程一樣被定義，依據某種規(guī)則將窨數據集一級級往下細分以定義決策樹的各個分支。決策樹由一個根結點，一系列內部結點及終極結點組成，每一個結點只有一個父結點和兩個或多個子結點。根據決策樹的構成思想，以選定的樣本數據為對象逐級找到分類樹的結點，并且在每個結點上記錄所選的空間數據圖層的編號以及相應的判別函數參數，從而有可能反過來從樹根到葉按照生成的判別規(guī)則，逐級地在每個結點上對樣本數據以外的待分類數據進行分類
3. 本實習決策樹分類規(guī)則描述
類1(class 1)：NDVI值大于0.3，坡度大于或等于20度
類2(class 2)：NDVI值大于0.3，坡度小于20度，陰坡
類3(class 3)：NDVI值大于0.3，坡度小于20度，陽坡
類4(class 4)：NDVI值小于或等于0.3，波段4的值大于或等于20
類5(class 5)：NDVI值小于或等于0.3，波段4的值小于20
類6(class 6)：波段4的值等于0
類7(class 7)：波段1的值小于波段1的均值
決策樹分類規(guī)則是在決策樹分類過程中不斷修改和添加的，為了實現逐步分類更加精細與準確
四、 實習步驟
1. 外業(yè)數據采集
在中山陵地區(qū)選取若干樣點，利用GPS記錄樣點坐標，測定相應位置的地形參數。目的：練習使用GPS以及DEM的建立方法。
2. 研究資料確定與處理
1) 運行ENVI軟件，打開并顯示對決策樹分類有貢獻的影像文件：
bouldr_tm.dat (Landsat 5 TM影像) 與boulder_dem.dat(相應的DEM空間子集)
2) 投影類型轉換
查看bouldr_tm影像特征：
Projection : UTM
Pixel: 30 Meters
Datum: NAD 27
查看boulder_dem影像特征：
Projection : GAUSS-KRUGER
Pixel: 30 Meters
Datum: WGS84
以bouldr_tm影像為基準，轉換boulder_dem影像的投影類型：
運行ENVI軟件，點擊Map/Convert Map Projection，在彈出的Convert Map
Projection Input Image中選擇boulder_dem，在彈出的Convert Map Projection對話框中選擇UTM，DATUM選擇NAD 27，可選擇多項式和最鄰近點方式，保存投影類型轉換后的圖像。
3)圖像配準
為提高TM影像的分辨率，從而提高分類精度，以bouldr_tm影像與相應地區(qū)的SPOT影像配準(SPOT為已經過精校正的影像，空間分辨率為10m)
配準方法：點擊Map/Registration/Select GCPs: Image to Image，使得bouldr_tm影像的分辨率也達到10m，查看配準后的影像特征：
Projection : UTM
Pixel: 10 Meters
Datum: NAD 27
如圖1所示：
bouldr_tm boulder_dem
3. 輸入決策樹規(guī)則
1) 選擇Classification/Decision Tree/Build new decision tree，打開決策樹工具 決策樹工具打開時就只有一個空的決策節(jié)點，在這個空的節(jié)點中輸入任意條件的決策表達式，將該數據集的像素分為兩組
2) 第一個決策要基于landsat影像。要定義這個決策點，點擊決策節(jié)點，當前這個節(jié)點被標注為Node，輸入表達式：
{ndvi} gt 0.3
這個決策將像素分為兩類，一類為綠色植被，另一類為非植被
3) 指定應用決策表達式的文件
在出現的Variables/Files Pairing對話框中，點擊{ndvi}，在隨后出現的對話框中選擇bouldr_tm影像，這表明當上述決策規(guī)則計算時，NDVI值將從bouldr_tm影像中計算出來
這里ENVI會根據NDVI這個特定名稱，自動搜索所需的紅波段和近紅外波段，計算出NDVI值
4) 完成第一個簡單決策樹分類器，NDVI大于0.3被分成白色類，NDVI值小于或等于0.3像素被分為黑色。
4. 輸入決策樹附加規(guī)則
1) 右鍵點擊Class 1的節(jié)點，從彈出的快捷菜單中選擇Add Children，從而將NDVI大的那類細分為兩個新的子類
2) 點擊空白節(jié)點，并在Edit Decision Parameters對話框中，輸入下面這個決策規(guī)則：
{Slope} lt 20
這個決策規(guī)則將根據坡面的陡峭程度，將NDVI值高的像素分為兩類，同樣，ENVI會根據Slope(坡度)這個特定名稱，自動搜索計算Slope值
3) 在節(jié)點的Name區(qū)域，輸入slope<20，點擊OK
4) 指定應用決策表達式的文件
在出現的Variables/Files Pairing對話框中，點擊{slope}，在隨后出現的對話框中選擇boulder_dem影像，這表明當上述決策規(guī)則計算時，slope值將從boulder_dem影像中計算出來
5) 繼續(xù)添加決策規(guī)則
右鍵點擊綠色的端元節(jié)點，它包括了NDVI值高、坡度低的那類像素，從彈出的快捷菜單中，選擇Add Children。點擊節(jié)點，在Edit Decision Parameters對話框中，輸入下面這個決策規(guī)則：
{aspect} lt 20 and {aspect} gt 340
這個決策將把NDVI值高、坡度小的那些像素，分為坡面北朝向的和坡面北朝向不顯著的兩類。
6) 在節(jié)點的Name區(qū)域，輸入North，點擊OK
7) 指定應用決策表達式的文件
在出現的`Variables/Files Pairing對話框中，點擊{aspect}，在隨后出現的對話框中選擇boulder_dem影像，這表明當上述決策規(guī)則計算時，aspect值將從boulder_dem影像中計算出來
8) 在節(jié)點的Name區(qū)域，輸入North，點擊OK
9) 繼續(xù)添加決策規(guī)則
右鍵點擊黑色的端元節(jié)點，它包括了NDVI值低的那類像素，從彈出的快捷菜單中，選擇Add Children。點擊節(jié)點，在Edit Decision Parameters對話框中，輸入下面這個決策規(guī)則：
b4 lt 20
這個決策規(guī)則將水體非植被中分離出來，經過目視解譯遙感影像發(fā)現，在波段4中，像素值小于20的主要是水體
10) 指定應用決策表達式的文件
在出現的Variables/Files Pairing對話框中，點擊b4，在隨后出現的對話框中選擇bouldr_tm影像
11) 在節(jié)點的Name區(qū)域，輸入Low B4，點擊OK
決策樹如圖2所示：
應用決策表達式的文件如圖3所示：
5. 執(zhí)行決策樹
1) 選擇Options/Execute
2) 在Decision Tree Execution Parameters對話框中，點擊bouldr_tm影像，作為基準影像。其它影像的地圖投影，像素大小和范圍都將被自動調整，以匹配該基準影像
3) 輸入要輸出的分類影像文件名，保存
6. 查看決策樹分類結果
1) 輸出的決策樹分類結果中，給定像素的顏色是由分類指定的端元節(jié)點的顏色確定的。Class1，Class2，Class3，Class4，Class5分別對應紅色，綠色，藍色，黃色，藍綠色。如下圖所示
2) 查看決策樹信息
在ENVI Decision Tree
對話框的空白背景上，點擊右鍵，從彈出的對話框中，選擇Zoom In，現在每個節(jié)點標簽都會顯示像素的個數以及所包含像素點總影像像素的百分比。
如下圖所示：
7. 修改決策樹
1) 添加新的決策
執(zhí)行完決策樹后查看分類結果，發(fā)現上述決策規(guī)則中，波段4小于20的那些像素中，某些像素是邊緣像素，值為0，以藍綠色顯示，因此需修改決策樹：
在波段4的值小于20的那些像素的端元節(jié)點上，點擊右鍵，并從彈出的快捷菜單中，選擇Add Children。點擊節(jié)點，在Edit Decision Parameters對話框中，輸入下面這個決策規(guī)則：
b4 eq 0
在Name文本框中，輸入B4=0
2)
執(zhí)行新添加的決策，此時輸出結果中，邊緣像素就歸為另一類了，以紅紫色表示
如下圖所示：
8. 在決策表達式中使用波段索引
幾個內置的決策樹變量在決策表達式使用過程中，需要波段索引
1) 在黃色端元節(jié)點上，點擊右鍵，該節(jié)點包括了NDVI值低但波段4的值高的那一類像素。從快捷菜單中，選擇Add Children。點擊節(jié)點，在Edit Decision Parameters對話框中，輸入下面這個決策規(guī)則：
b1 lt {mean[1]}
在Name文本框中，輸入Low B1
該表達式將判斷波段1的像素值是否小于波段1的均值
2) 指定應用決策表達式的文件
在出現的Variables/Files Pairing對話框中，點擊b1，在隨后出現的對話框中選擇bouldr_tm影像的band 1
在出現的Variables/Files Pairing對話框中，點擊mean，在隨后出現的對話框中選擇bouldr_tm影像
如下圖所示：
3) 運行決策樹
4) 查看結果，波段1的值較低的某些黃色像素的顏色已變?yōu)榘导t色
如下圖所示：
9. 修剪決策樹
在使用決策樹的過程中，經常需要測試某個指定的子節(jié)點是否對決策樹的分類結果有效，即對決策樹的修剪
1) 在Low B1節(jié)點上，點擊右鍵，從彈出的快捷菜單中，選擇Prune Children。結果表明，可以看到這個子節(jié)點，但它們不再帶有顏色，而且也沒有連接到決策樹上，表明已被修剪，當執(zhí)行決策樹時，它們不會被使用
如下圖所示：
修剪后分類結果如下圖所示：
2) 右鍵點擊Low B1節(jié)點，從彈出的快捷菜單中，選擇Restore Pruned Children，可恢復修剪
10.保存生成的決策樹
11. 對分類結果進行評價
五、 實習結論
通過實習，從中學到了很多東西，受益匪淺!
此次實習為期5天，令人期待的實習從2012年6月6日開始，6月10日結束，雖然相對于之前做過的數字測土實習、大地測量實習，時間較短，但是收獲是頗豐的。全班在老師的全程指導下順利完成了此次實習任務。這里要感謝老師的悉心指導，耐心幫助。
記得是實習正式開始的地一個早上，班級的同學如數早早的到了實驗是門口，當時還沒到實驗室的開放時間，這也充分的體現了班級同學對此次實習的重視態(tài)度及積極性。在實習過程中，老師先是對原理及當天的實習內容進行講解，之后通過電腦給我們講解操作的過程。到了關鍵步驟，老師會著重強調，并將重點板書在實驗室的黑板上。由于機房的計算機運行速度較慢，所以到了第二天，大家都各自帶上筆記本，在實驗室用自己的電腦做起實驗，現在回想起來當時實驗室的氣氛非常好。中午的時候很多同學都沒有回寢室，而是繼續(xù)留在實驗室內，處理數據。實習過程中每個人都會遇到這樣或那樣的問題，有可能各不相同，也有出現相同或類似的問題，當遇到相似的問題時，同學之間會相互討論，討論不出結果的，向老師請教。
通過此次實習，我認識到了遙感獲得的數據經過處理后，可以轉化為一些有用的數據載有Arcgis軟件來處理。最后當我成功的用Arcgis制作出基于遙感研究區(qū)植被信息空間分布圖時，很有成就感。