ArcGIS中的土地利用变化分析

本篇主要是针对矢量数据的分析。

统计的操作视频,点击这里观看。
用地变化分析操作视频,点击这里观看。
转移矩阵操作视频,点击这里观看。

一、不同时期的土地利用矢量数据,如何分析其图形及属性变化?


土地利用图(左图为1993年,右图为2003年)

思路如下:

可以先对2个图层进行Union操作,然后在结果中新建一个字段,分析属性的变化。如果属性没变,就赋值为1,如果属性变化了就赋值为0。

操作步骤如下:

1、将两个图层的属性放到一个图层里。

使用GP工具Union(联合)。注意JoinAttribute,选择All,也就是结果中包含两个图层的所有字段。

结果属性表如下:

Unoin可以将数据的属性合并到一起,同时,图斑不一样的区域也可以拆分开。见下图:

2、新建一个短整型字段。

3、使用字段计算器,比较两个字段的内容。如果属性没变,就赋值为1,如果属性变化了就赋值为0。这里我们定义isSame()函数,在函数中比较字段值,相同就赋值1,不相同就赋值0。

Python代码如下:

Pre-Logic Script Code中写:

def isSame(x, y):
    fieldA = str(x)
    fieldB = str(y)
    if fieldA == fieldB:
        return 1
    else:
        return 0

变化中写:(比较的是Class_Name和Class_Name1两个字段)

isSame( !Class_Name! , !Class_Name_1! )

简单方法:
Python语法中比较字段值是否相等,可以用 == 。注意,中间不能有空格。所以表达式可以简化为:
!Class_Name! == !Class_Name_1!

在这里插入图片描述
结果如下:

如果想知道变化的图斑是从什么类型转为什么类型,可以新建一个文本型字段,将土地利用类型的两个字段赋值过去。

结果如下:

二、如何统计不同土地利用类型的面积?

使用GP工具Summary Statistics(汇总统计数据),统计各类的总面积。

结果是一张统计表,如下:

三、如何统计不同区域各类土地利用类型的面积?

可以使用GP工具Tabulate Intersection(交集制表)进行统计。

结果如下:

四、如何将行政区划的信息追加到土地利用数据中?

有一份行政区划矢量数据,希望知道每个图斑隶属于哪个行政区划。数据可以是行政区域,也可以是坡度及其他数据。

一个图斑可能会跨区域,如果图斑需要切分,一部分属于行政区划A,另一部分属于B,可以使用GP工具Intersect(相交),参数中的JoinAttribute,选择All。结果如下:

如果不希望图斑被切分,在属性表中记录属于A、B、C区,可以使用GP工具Spatial Join(空间连接)。

在区域名字段上右键,合并规则选择连接,其他设置默认就可以了。

结果如下:

五、如何制作土地利用变化转移矩阵?


对于分类后的土地利用栅格数据,在ENVI里很容易计算土地利用变化矩阵。针对矢量数据,我们可以在ArcGIS中统计数据,然后在Excel中制作矩阵。

思路如下:

1、对两期土地利用数据分别进行融合Dissolve(融合)操作,使每个土地利用类型仅有一条记录;
2、再对融合的结果进行Intersect(相交)操作,分析土地利用变化;
3、转出为Excel表;
4、在Excel中采用透视表进行统计。


模型如下:

针对上面的操作思路,制作了一个Model模型,转出结果为Excel。模型内容如下:
模型下载网址,链接:https://pan.baidu.com/s/1pKNHDeb 密码:n9hy

双击工具箱中此工具,界面如下:

关于土地利用转移矩阵模型,适用ArcMap 10.2及以上版本。如何打开模型,编辑模型,见下图操作。大家可以参考模型中的工具,自己来制作这个模型。模型构建参考帮助文档:在模型构建器中执行工具

这里写图片描述

结果为一个Excel表格,制作透视图方法如下:

1、点击数据透视图,然后选中所有区域的数据;

2、先勾选第一期的土地利用类型字段;

3、再将第二期的土地利用类型字段拖拽到透视图的第一行位置;

4、最后将面积字段拖拽到透视图的中间空白位置;

再修改下字头内容,添加下边框,土地利用转移矩阵就做好了。

关于制图及出图,可以参考ArcGIS制图及出图小技巧——以土地利用图为例

更新了土地整理中的小案例,欢迎查看。

欢迎关注公众号,之后会发操作视频哦。

在这里插入图片描述

### ArcGIS土地利用类型分类方法 在ArcGIS中执行土地利用类型的分类可以通过多种方式进行,特别是借助机器学习和深度学习技术来提升效率与准确性[^1]。对于具体的实施步骤,通常会涉及到准备训练样本、构建模型以及应用该模型到整个研究区的数据上。 #### 准备工作 为了开始土地利用分类,在启动任何算法之前,需要准备好高质量的输入数据集。这包括但不限于高分辨率卫星图像或其他形式的遥感资料作为基础素材;同时还需要有精确的空间参考框架以确保所有参与运算的地图要素能够正确叠加在一起[^2]。 #### 训练样本的选择 选择合适的训练样本地点至关重要。理想情况下,应该选取具有代表性的地块覆盖目标区域内所有的主要植被类别和其他表面特征。通过实地考察或者已有地图信息辅助确定这些位置,并将其记录下来形成矢量文件用于后续处理过程中的监督分类阶段[^3]。 #### 应用机器学习/深度学习模型 一旦完成了前期准备工作之后就可以考虑采用何种具体的技术手段来进行最终的土地覆被识别了。现代版本的ArcGIS Pro内置了一些可以直接调用的支持向量机(SVM),随机森林(Random Forests)等经典机器学习算法模块,同时也允许用户导入自定义开发好的TensorFlow或PyTorch格式的人工神经网络结构来进行更复杂的任务求解。 ```python import arcpy from sklearn.ensemble import RandomForestClassifier # 假设已有的训练数据存储在一个名为training_data.shp 的shapefile 文件里 arcpy.MakeFeatureLayer_management("C:/data/training_data.shp", "lyr") # 提取属性表里的光谱反射率值作为特征变量X 和对应的标签Y cursor = arcpy.da.SearchCursor("lyr", ["BAND_1", "BAND_2", ..., "CLASS"]) X, Y = zip(*[(row[:-1], row[-1]) for row in cursor]) clf = RandomForestClassifier(n_estimators=100) clf.fit(X, Y) # 对新影像进行预测... ``` #### 结果评估与优化调整 完成初步分类后应当仔细审查所得成果的质量状况并据此作出必要的改进措施。比如增加更多种类别的训练实例数量、尝试更换不同的参数设定组合等等方式都可以帮助获得更加理想的输出效果[^4]。
评论 131
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值