QGIS 遥感分析

在地理信息科学 (GIS) 中， 遥感是指从远处获取有关地球表面特征信息的行为。 遥感数据是从许多不同的平台获取而来， 包括卫星、飞机和具有许多不同传感器的固定仪器， 包括光谱图像（相机）和激光雷达。 最常见的遥感数据形式是卫星和航空图像。

为了充分实现这些照片的价值， 需要对它们进行分析， 以正式识别和标记我们的眼睛和大脑识别的重要特征， 以便计算机可以识别和分析这些相同的特征。 遥感科学包括遥感数据的收集和随后对收集到的数据进行分析的方法。 本文旨在帮助大家熟悉在 QGIS 中分析遥感数据的方法。

为什么要使用 QGIS 进行遥感分析？

QGIS 是一款功能强大、跨平台、免费、开源的软件。 这意味着世界上几乎任何拥有运行 Windows、Mac 或 Linux 操作系统计算机的人都可以使用它。 QGIS 还支持多元化的开发人员和用户社区， 并与其他 GIS 分析库（如 SAGA 和 GRASS）集成。 此外，QGIS 支持开发第三方插件以扩展其功能。 所有这一切意味着 QGIS 是开始学习遥感分析的理想场所， 而不必担心高昂的软件价格或将自己局限于可能在未来几年变得无关紧要或失去支持的小众软件。

QGIS 可以进行哪些类型的遥感分析？

在核心 QGIS 工具、集成 GIS 库和第三方插件之间， 可以执行定性图像分析、计算光谱指数、执行无监督和监督分类以及实施自定义算法。 本文的其余部分将讨论如何使用 QGIS 执行这些任务的基础知识。

接下来将要讨论和演示的所有分析都将使用卫星数据进行。 许多卫星平台的数据都是免费提供的。 这些平台包括提供全球覆盖的 Sentinel 和 Landsat 任务。

QGIS 中的图像可视化

遥感分析的第一步是查看要分析的数据。 这涉及打开卫星图像并四处平移以查看不同特征的表示方式。 这样做会了解最适合数据和目的的特定分析。

可视化遥感数据并不总是像看起来那么简单。 通常，图像的结构方式与传统相机或手机相机的图像不同。 来自每个采样波长（例如，红色、绿色、蓝色、近红外）的数据通常存储在单独的数据文件中， 这些文件需要在 GIS 或遥感软件中组合才能可视化。 QGIS 可轻松操作不同的数据波段， 以创建真彩色和假彩色图像（见下图）， 帮助评估图像并识别其中的特征。

将单个灰度波段显示为真彩色和假彩色图像的一般工作流程可以使用 QGIS 分两步完成：

• 创建一个包含卫星图像所有波段的虚拟栅格。
• 更改虚拟光栅的显示设置以创建真彩色图像和假彩色合成图像。

有关详细的分步说明， 以及如何创建这些图像可以阅读此文（https://opensourceoptions.com/blog/how-to-make-a-false-color-satellite-image-in-qgis/）。

上图是在 QGIS 中显示的单个光谱波段数据灰度图像。

上图显示红色、绿色和蓝色光谱波段以显示 QGIS 的真彩色图像。

上图显示红色、绿色和近红外光谱波段以在 QGIS 中显示假彩色图像。

计算光谱指数

光谱指数是通过加、减、除和乘以不同的光谱波段组合而创建的。 结果值旨在提供有关陆地表面的特定信息。 以归一化植被指数 (NDVI) 为例。

NDVI 的计算方法是从近红外波段中减去红色波段， 将该结果除以近红外波段加上红色波段， 如下所示：

(NIR-Red) / (NIR+Red)

高 NDVI 值代表健康的绿色植被（如叶绿素）。 低 NDVI 值代表未被植被覆盖的地区或缺乏叶绿素。

有一些光谱指数旨在识别许多不同土地覆盖类型的存在。 其中一些指数是土壤调整植被指数（SAVI）、归一化差异水分指数（NDMI）、归一化差水分指数（NDAI）、归一化差值降雪指数（NDSI）和归一化燃烧比（NBR）。 这些指数旨在识别土壤/植被、土壤湿度、水、雪和森林火灾范围。

光谱指数是开始遥感的好方法， 它们计算起来非常简单， 可熟悉卫星图像和基本的遥感计算。 在 QGIS 中， 可以使用光栅计算器计算这些指数。

上图显示使用栅格计算器在 QGIS 中计算的归一化差异植被指数 (NDVI)。

监督图像分类

监督图像分类是从图像中识别不同土地覆盖类别的主要方法， 通常也是首选方法。 监督图像分类是通过识别和标记不同的土地覆盖类别来执行， 并使用来自标签的信息开发一个模型来预测整个图像的土地覆盖。

可以通过在田间标记位置和类型土地覆盖类型， 或通过视觉解释图像并创建点或多边形来表示土地覆盖类别， 进而创建标签。 每个图像波段的反射率值针对每种土地覆盖类型进行汇总， 以创建用于开发可预测未标记位置的土地覆盖模型的光谱剖面。

使用 QGIS 执行监督图像分类有两种方法。 第一种也是最简单的方法是使用 QGIS 的半自动分类插件 (SCP) 来定义土地覆盖类别的感兴趣区域、开发光谱剖面并训练分类模型。 SCP 拥有完成这些任务的全套工具， 并支持多种预测建模方法。

上图显示使用带有 Sentinel 2 图像的半自动分类插件在 QGIS 中执行的监督土地覆盖分类。

使用 QGIS 执行监督分类的另一种选择要繁琐得多。 它涉及在 QGIS 中创建多边形或点来定义土地覆盖类别和感兴趣的区域， 可以使用 QGIS 采样工具将代表这些类别的光谱值提取为表格格式。 一旦光谱值可用， 就可以使用 Excel 等外部软件开发模型来开发分类模型。 回到 QGIS，可以使用 QGIS Raster Calculator 来实现模型。

图像分类的另一种方法是无监督图像分类， 与无监督分类相比， 监督图像分类有优点也有缺点。 通过监督分类， 用户可以直接识别类别来确定每个土地覆盖类别的含义。 通过调整这些类以提高分类模型的准确性。 因为用户选择这些类别，所以它们具有内在的含义。

无监督图像分类

通过无监督分类， 数学算法根据特定位置（即像素）的所有反射率值将位置分配给组。 使用 QGIS 执行无监督分类有多种方法。

首先，通过使用 SAGA 工具箱中的 K-Means 无监督分类， 可在不安装插件的情况下执行无监督分类。 要使用 SAGA 工具， 将指定要生成的类的数量， 指定用于分类的输入反射率带， 然后运行该工具。 下图是使用 SAGA 无监督分类工具生成的。

通过 Landsat 9 图像在 QGIS 中进行无监督分类而创建的地表覆盖分类。

其次，可使用 SCP 执行无监督分类。 SCP 有多种无监督分类算法， 包括 K-Means 和 Isodata。

与监督图像分类相比， 使用无监督分类有一些优点和缺点。 最大的缺点是无监督分类派生出来的类没有内在的意义。 该算法只是将最相似的像素组合在一起， 由用户决定所确定的类别是否实际上代表景观中的不同特征。 通常，必须调整类的数量才能获得有意义的输出， 并且类与特征重叠或特征包含在多个类中是很常见的。

无监督分类的主要优点是它不需要任何训练数据。 不必为算法手动标记位置或绘制多边形来识别土地覆盖类别（尽管可能想要执行其中一些操作以执行定量准确性分析）。

自定义算法

除了上面列出的遥感分析方法外， 还可以使用 QGIS 栅格计算器实现自定义算法。 使用光栅计算器， 可实施穗帽变换分析、主成分分析、逻辑回归、线性回归和其他模型。 这些实现的一般方法是在 QGIS 之外开发一个方程， 一旦方程被开发， 通过使用栅格计算器将方程应用于图像波段在 QGIS 中实现。

或许有些可能还想查看 SAGA 和 GRASS 库中提供的遥感分析。 虽然这些库不是 QGIS 原生的， 但它们包含在 QGIS 安装中， 并且可以直接从 QGIS 调用， 从而扩展了可用的遥感工具。

结论

QGIS 是一个用途广泛的工具， 虽然乍一看它的遥感应用程序似乎有限， 但它有很多功能可以帮助分析影像。 如果是遥感新手， 那么建议先下载一些卫星图像并将其加载到 QGIS 中， 可体验显示不同的波段组合和创建光谱指数， 并继续实施分类算法。