用gis提取二維內(nèi)澇需要的障礙物的方法如下：
創(chuàng)新互聯(lián)長期為1000多家客戶提供的網(wǎng)站建設服務，團隊從業(yè)經(jīng)驗10年，關注不同地域、不同群體，并針對不同對象提供差異化的產(chǎn)品和服務；打造開放共贏平臺，與合作伙伴共同營造健康的互聯(lián)網(wǎng)生態(tài)環(huán)境。為乳源企業(yè)提供專業(yè)的成都網(wǎng)站設計、做網(wǎng)站，乳源網(wǎng)站改版等技術服務。擁有十余年豐富建站經(jīng)驗和眾多成功案例,為您定制開發(fā)。
1、打開gis軟件。
2、輸入流向柵格數(shù)據(jù)。
3、輸入蓄積柵格數(shù)據(jù)。
4、點擊水文分析工具箱中的計算工具，即可提取出來二維內(nèi)澇需要的障礙物。
面向?qū)ο蟮恼鸷p毀建筑物信息提取流程 “自上而下”分為三層，分別針對不同目標對象特征，采取不同的分割尺度 ( 從大到小) ，從地類光譜、形狀、紋理等屬性特征出發(fā)，建立各自的模糊判定規(guī)則，具有很強針對性; 同時面向?qū)ο蟮亩鄬哟畏诸惤Y構體系能夠把上一層次中的未分類的對象傳遞到下一層中作為輸入層，形成父、子對象關系，繼續(xù)信息提取和分類操作，大大避免傳統(tǒng)像元分類方法當中錯分和漏分現(xiàn)象的發(fā)生，并且層次結構分明，在一定程度上提高了分類的精度。具體思路如圖 5 －27 所示。
圖 5 －27 面向?qū)ο蟮恼鸷p毀建筑物信息提取方法
( 一) 數(shù)據(jù)源的選擇
Definiens 能夠根據(jù)實際的需要，整合不同的數(shù)據(jù) ( 柵格、矢量) 作為原始數(shù)據(jù)源參與分割。本節(jié)針對紫坪鋪鎮(zhèn)震害損毀建筑物提取的信息，將震后標準差異植被指數(shù) ( NDVI)影像和震后 QuickBird 影像的融合影像 ( 4 個波段) 作為輸入層導入軟件當中。
( 二) 多尺度分割 ( Multi-resolution Segmentation)
采取 “自上而下，從大到小”的方式，首先分離出植被和水體信息，將 NDVI 影像的權重設為 3，其他影像權重設為 1，形狀因子設為 0. 3，緊致度因子設為 0. 6，分割尺度經(jīng)過多次試驗后確定為 100，對影像進行第一次分割，結果如圖 5 －28 所示。
圖 5 －28 不同尺度的影像分割結果 ( 從左到右分割尺度分別為 48、80、100)
( 三) 水體和植被信息的分割
首先，分離出影像中的水體和植被信息 ( 不屬于震害建筑物損毀范圍) ，經(jīng)過分析歸一化植被指數(shù) ( Normalized Difference Vegetation Index) 特性，確定水體和植被信息提取閾值 ( NDVI 均值) 分別為 0. 06 和 0. 5，從而建立植被和水體信息的提取規(guī)則: 多邊形對象 NDVI 均值 ( MEAN) 小于或等于 0. 06 為水體，大于 0. 06 的為非水體，處于兩者之間的對象則利用成員函數(shù)計算其隸屬度進行分類 ( 圖 5 － 29) ; 對于植被，則采用 “布爾大于”的隸屬度函數(shù)，規(guī)定 NDVI 均值大于 0. 5 的對象判定為植被信息，小于或等于0. 5 的為非植被信息。然后把兩次分類的結果合并取交集 ( 邏輯與) ，最后把對象分為三類，結果如圖 5 －30 所示。
圖 5 －29 水體信息分類的模糊隸屬度函數(shù)
圖 5 －30 水體和植被信息提取結果
( 四) 臨時簡易房信息的提取
將第一層中的未分類別 ( 城市區(qū)域)作為輸入層，進行第二次分割，提取其中的臨時簡易房信息。臨時簡易房特征是具有固定的形狀，為正規(guī)長方形，容易分辨;屋頂呈藍綠色，又稱 “綠篷房”，和植被有些相似; 結構和紋理結果均勻，表現(xiàn)為同質(zhì)性。根據(jù)以上三個特征，選取 80 為第二次分割的尺度，建立如下的判定規(guī)則:
1 ) 對 象 的 長 寬 比， 計算 公式 為 式( 5 － 7) ，其中 eig1( S) 、eig2( S) 分別為協(xié)方差矩陣的特征值，S 為對象矢量化后各點的坐標組成的協(xié)方差矩陣，w 為對象寬度，l 為對象長度，γ 為對象的長寬比，
退化廢棄地遙感信息提取研究
，A 為對象的面積。經(jīng)過分析，設置判定規(guī)則 γ≥1. 28。
退化廢棄地遙感信息提取研究
2) 對象的亮度指該對象包含的所有像元點亮度的平均值。設定判定規(guī)則 Brightness ＞290。
3) 灰度共生矩陣同質(zhì)性。如果對象紋理同質(zhì)性越強，這個值就越高，其計算公式如下:
退化廢棄地遙感信息提取研究
式中:i為行數(shù);j為列數(shù);Pi，j為i行j列的標準化值;N為總的行數(shù)或列數(shù)，范圍為［0，90］。經(jīng)過分析，設定臨時簡易房的GLCMHomogeneity＞0.18。
將以上三個模糊判定規(guī)則進行邏輯交集運算，得到臨時簡易房信息提取結果，如圖5 － 31 所示。
圖 5 －31 分割尺度為 80 的臨時簡易房信息提取結果
( 五) 震害損毀建筑物信息的提取
損毀的建筑物特征一般有: ① 形狀不規(guī)則，由于建筑物受到破壞甚至倒塌，其原來規(guī)則的形狀特征已經(jīng)改變; ② 與鄰近的地物相比，失去協(xié)調(diào)性，對于完全倒塌的建筑來說，白色的瓦礫顯得特別顯眼，與周圍的地物形成很強烈的對比; ③ 建筑物的損壞或者倒塌使其原有的均勻紋理特征發(fā)生變化。根據(jù)以上震害損毀建筑物的特征，對上一層中未分類別進行第三次多尺度分割，對于損毀建筑物信息選擇 48 作為分割尺度，建立如下模糊判定規(guī)則:
1) 形狀指數(shù)。形狀指數(shù)描述的是一個對象邊界的光滑程度，當一個對象的邊界越規(guī)則，其形狀指數(shù)值就越小，當邊界組成正方形時，形狀指數(shù)為 1; 反之，邊界越不規(guī)則，形狀指數(shù)值就越大。所以形狀指數(shù)能夠很好地體現(xiàn)出震害損毀建筑物的形狀破壞情況。經(jīng)過對損毀建筑物的分析，設置判定規(guī)則為 Shape Index ＞2. 8。
2) 灰度差異向量 ( GLDV) 。灰度差異向量是灰度共生矩陣 ( GLCM) 對角線上元素的和，它顯示了對象與相鄰區(qū)域像元絕對差異發(fā)生率?；叶炔町愊蛄繉Ρ榷?( GLDVContrast) 反映了對象與周邊對象的差異量，值越大，差異就越大。在面向?qū)ο蟮倪b感影像分類方法當中，灰度差異向量對比度比灰度共生矩陣對比度更加適合于在有層次關系的對象域中使用，能夠更加突出建筑物的形狀特征，提高對比度的差異，所以本節(jié)選擇灰度差異向量對比度建立判定規(guī)則，設置判定規(guī)則為 GLDV Contrast ＞780。
3) 灰度共生矩陣熵 ( GLCM Entropy) ?；叶裙采仃囲孛枋龅氖菍ο蟮募y理均勻程度。當對象的紋理越均勻時，灰度共生矩陣熵值就越大; 反之，當紋理緊密或者稀疏時，灰度共生矩陣熵值就越小。經(jīng)過反復比較，多次分析，最后確定 GLCM Entropy≤4. 1。
綜合以上三個判定規(guī)則，進行 “邏輯與”運算，得到震害損毀建筑物提取結果，如圖5 － 32 所示。
( 六) 兩種方法的比較
從方法原理、目視效果和精度評價三個方面對基于像元技術和面向?qū)ο蠹夹g的震害損毀建筑物的信息提取結果進行比較。
1. 方法原理
傳統(tǒng)的基于像元的信息提取方法是一種基于光譜特征的統(tǒng)計方法，根據(jù)像元點 ( 像元) 光譜統(tǒng)計的特征值來對影像進行分類或信息提取。像元是最基本的操作單位，所利用的特征信息一般只有光譜信息 ( 方差、協(xié)方差、均值、亮度、熵等) ，既沒有考慮相鄰像元之間的關聯(lián)，也沒能利用到高分辨率遙感影像中豐富的形狀、紋理、空間拓撲關系等信息。隨著遙感影像分辨率的不斷提高，單個像元所包含的信息量越來越少，對單個像元進行孤立的分析與分類沒有多大的實際意義，這就給傳統(tǒng)的基于像元的信息提取和分類方法帶來了很大的難題和挑戰(zhàn)，在一定程度上影響了這種方法的應用。
面向?qū)ο蟮男畔⑻崛》椒ㄊ请S著高分辨率遙感影像技術不斷發(fā)展而提出的一種新方法，與基于像元的信息提取方法有著本質(zhì)的區(qū)別，其不是對單個孤立像元進行分類，而是對具有同質(zhì)性像元所組成的多邊形對象進行分析和操作。對象除了包含基本的光譜信息外，還包括形狀、紋理、位置、上下文關系等有用的特征信息。該方法能夠利用比較全面的對象特征，彌補了基于像元的信息提取和分類方法中特征信息單一的缺點，是對傳統(tǒng)遙感信息提取和分類方法的一次技術革新。
2. 目視效果
從基于像元的信息提取結果來看，其中分布有許多細碎的小斑塊，即所謂的 “胡椒鹽效應”，嚴重影響視覺效果，并且在一定程度上影響結果的實際應用，如果將提取結果矢量化后，不通過人工修改，很難達到入庫要求。產(chǎn)生 “胡椒鹽效應”的主要原因是高分辨率遙感影像局部異質(zhì)性大，未充分考慮像元之間的上下文關系，這是傳統(tǒng)基于像元分類方法的局限性 ( 曹寶等，2006) 。
圖 5 －32 震害損毀建筑物信息提取結果 ( 分割尺度 48)
從面向?qū)ο蟮奶崛〗Y果來看，它的抗噪聲能力比較強，能有效避免 “胡椒鹽效應”，并且含有豐富的語義信息 ( 游麗萍，2007) ，分類后的影像也更易于理解，其結果能夠直接矢量化入庫，方便遙感數(shù)據(jù)與 GIS 數(shù)據(jù)的相互結合。從目視效果來看，面向?qū)ο蟮奶崛〗Y果更適合人類視覺的要求。
3. 精度評價
由于條件限制，本研究并沒有獲得研究區(qū)紫坪鋪鎮(zhèn)地震損毀建筑物的相關參考圖件，因此，首先通過人工目視解譯方法，采用手工描繪的手段，在震后 0. 6m QuickBird DOM影像中勾繪 ( 分類) 一些典型的損毀建筑物作為精度評價的參考標準，總共分類出 3782個損毀建筑物像元點。然后以這些像元點作為參考標準，生成隨機樣本，采用誤差矩陣法對震害損毀建筑物信息提取的結果進行精度評價，其主要評價指標包括生產(chǎn)者精度、用戶精度、總體精度和 Kappa 系數(shù)。
經(jīng)過統(tǒng)計分析得到，手工描繪的參考損毀建筑物總像元數(shù)為 3782 個; 面向?qū)ο蠓椒ㄖ刑崛〉降膿p毀建筑物總像元數(shù)為 3845 個，其中正確分類個數(shù)為 3563 個; 基于像元方法提取到的損毀建筑物總像元數(shù)為 3883 個，其中正確分類個數(shù)為 3132 個。兩種方法的精度評價結果如表 5 －13 所示。
表 5 －13 兩種方法精度評價結果
精度評價結果顯示，面向?qū)ο蟮男畔⑻崛》椒ǖ目傮w精度為 90. 38%，Kappa 系數(shù)為0. 8684，而基于像元的信息提取方法的總體精度為 76. 84% ，Kappa 系數(shù)為 0. 7269。由此可見，面向?qū)ο蟮男畔⑻崛》椒▽φ鸷p毀建筑物的提取精度明顯高于傳統(tǒng)基于像元的信息提取方法，根本的原因在于面向?qū)ο蟮男畔⑻崛》椒ㄍㄟ^對高分辨率遙感影像的分割，將相鄰的具有同質(zhì)性光譜特征的像元合并到一起組成多邊形對象，然后充分利用對象的光譜、形狀、紋理、位置、上下文關系等各方面的屬性特性綜合分析，建立判斷規(guī)則，有效地避免了 “同物異譜，同譜異物”現(xiàn)象以及 “胡椒鹽效應”，明顯提高了高分辨率遙感影像信息提取的精度。
gis中提取自己所需要的區(qū)域這樣做：
1、點擊“開始”，“ArcGIS”，“ArcMap”，啟動ArcMap程序。
2、選擇“空白地圖”模板，點擊“確定”，創(chuàng)建一個空白地圖。
3、點擊ArcMap菜單欄的“添加數(shù)據(jù)”，打開添加數(shù)據(jù)對話框。
4、選擇要添加的數(shù)據(jù)，點擊“添加”，將shapefile文件添加到空白地圖。
5、同樣使用添加數(shù)據(jù)功能，在空白地圖上添加局部區(qū)域范圍線。
6、打開ArcMap的工具箱，選擇“工具箱”，“系統(tǒng)工具箱”，“AnalysisTools.tbx”，“提取”，“裁剪”，打開要素裁剪界面。
7、在要素裁剪界面，選擇輸入要素，就是要被裁剪的圖層，這里選擇添加的shapefile文件，選擇裁剪要素，就是用來裁剪shapefile的范圍線，選擇輸出結果的存儲位置，點擊“確定”，開始裁剪要素。
8、等待要素裁剪完成，完成后裁剪結果會自動添加到地圖上，這樣就截取了自己所需要的區(qū)域了。
重慶分公司
重慶分公司
