QGIS基于快鸟（QuickBird）影像统计小麦种植面积
01 数据情况
本次选用某地4月份快鸟（QuickBird）影像为例，使用QGIS演示提取小麦播种情况，并按照200米*200米分区计算种植面积的过程。
注：本文对应的操作视频作为今天第二篇推送同时发布，习惯看视频的朋友可以点击观看。
附数据压缩包：
链接：https://pan.baidu.com/s/1JVUS8uAOR61RxC1n9Or9_w
提取码：qgis
含快鸟影像QB_subset.tif和200*200米分区矢量图层200Mgrid.shp。
02 确定类别
本文将演示使用QGIS把快鸟影像分为四个类别：小麦、裸地、林地、建筑物。
03 准备工作
安装插件
从开始菜单启动QGIS。
如果是第一次使用QGIS，先把界面改成中文，操作步骤为：
1) Settings-->Options-->General；
2) 勾选“Override system locale”，在“User Interface Translation”下拉列表框中选择“简体中文”；
3) 重启QGIS。
点击菜单【插件】->【管理并安装插件】，打开安装插件对话框。
选中左边的“全部”栏，在搜索框输入“semi-”，QGIS将从几百个插件中过滤出符合条件的插件，选中“Semi-Automatic Classification Plugin”，点击【安装插件】按钮，完成安装。
返回到QGIS主窗口，如果看到菜单栏有【SCP】菜单，同时增加SCP面板和SCP工具栏，表明安装成功。
再次点击菜单【插件】->【管理并安装插件】，使用同样步骤安装插件“Serval”。
打开示范数据
将示范数据解压缩到本地目录，点击工具栏上的【添加栅格图层】，点击【…】按钮，找到示范数据中的QB_subset.tif文件，添加到地图窗口。
打开数据后如下图：
点击按钮在右侧打开图层样式面板，从第一个下拉框选择“多波段彩色”，采用4-3-2组合显示图像，即波段4（近红外）用红色通道、波段3用蓝色通道，波段2用绿色通道，形成假彩色。
04 采集训练样本
在采集样本之前，先设置波段基本信息。点击工具栏按钮打开SCP对话框。在“Band set”页面，“Multiband image list”下选择打开的图层，即“QB_subset”，如果下拉框找不到图层，点击右边的刷新一下。“Wavelength quick setting”下拉框选择“QuickBird [bands,1,2,3,4]”。
点击SCP面板的“Training input”标签切换到样本输入页面，点击面板上方的按钮，新建一个样本文件。
下面开始勾绘训练样本区域，步骤为：
1) 点击工具栏按钮；
2) 鼠标移动到地图上，在样本区域按鼠标左键开始绘制，右键点击结束绘制；
3) 确认样本区域无误，点击面板下方的按钮，把样本保存到训练文件。
使用相同步骤，勾绘出裸地、林地和建筑物的样本区域，最终结果如下图：
05 分类
点击工具栏按钮，预览分类效果，如果发现误差较大，可以调整训练样本。有了训练样本，我们就可以进行分类了。
点击按钮，打开“Band Processing”页面。“Select input band set”设置为1，勾选“MC ID”，分类算法任意选一，根据效果调整，点击【Run】，根据提示设置结果保存路径，开始进行分类运算。
分类结果如下：
观察分类结果，发现林地和小麦、裸地和建筑物之间分类有误差。此时可以选择微调训练样本重新分类，或者借助Serval工具手工调整分类结果。
Serval工具调整分类结果的步骤为：
1) 单个像素调整：在Serval工具栏“band 1”后的文本框输入目标分类，点击按钮，然后在地图上逐个点击分类错误的像素，将把该像素分类调整到目标分类。
2) 区域调整：在Serval工具栏“band 1”后的文本框输入目标分类，点击按钮，框选分类错误的像素，使用按钮把所有选中的像素归并到正确分类上。
06 提取
分类完成后，将每个类别二值化，为分区统计做准备。具体操作如下：
点击菜单【栅格计算器】，打开栅格计算器窗口。
以小麦类别二值化为例，在栅格波段中选择“classification1@1”，输出图层名称为“任意路径\小麦.tif”，栅格计算表达式为：“"classification1@1" = 1”，如下图：
计算结果为一个二值化栅格图层，像素取值为1表示小麦，像素取值为0表示其他类别。在图层样式面板选择“调色板/唯一值”，设置图层颜色。
07 分区统计
使用QGIS的“分区统计”工具，可以完成小麦按区域统计面积。
首先，点击按钮，找到并打开200Mgrid.shp，把200米*200米格网图层加载到地图中：
然后点击菜单【地理处理】->【工具箱】，在窗口右侧打开工具箱面板。
在搜索框输入“分区统计”，找到“栅格分析”下的“分区统计”工具，双击打开对话框。参数设置如下：
1)输入图层：200MGrid；
2)栅格图层：小麦；
3)输出列的前缀：tj_；
4)要计算的统计信息：点击【…】，选择“计数”和“总和”；
5)分区统计：指定输出路径\小麦面积.shp。
点击运行，生成一个带小麦统计信息的图层。
右键点击“小麦面积”图层，打开属性表，可以看到两个生成的统计字段。
使用字段计算器计算小麦种植面积。点击属性窗口上方的按钮，打开字段计算器，设置如下：
1) 新建字段：勾选；
2) 输出字段名称：小麦面积；
3) 类型：小数（实型）；
4) 表达式："tj_sum" *2.4*2.4*0.0015 。
点击【OK】生成每个格网对应的小麦播种面积，以亩为单位。
版权声明
QGIS基于QuickBird数据小麦面积统计就介绍到这里，本文欢迎转载，转载时请注明出处。
更多QGIS学习资源请关注公众号：
QGIS基于快鸟（QuickBird）影像统计小麦种植面积相关推荐
- QGIS基于多期哨兵2影像遥感指数阈值法提取冬小麦分布（1）-数据预处理
本文演示使用QGIS基于NDVI遥感指数阈值法结合决策树提取冬小麦种植面积的过程,总体思路为:根据研究区域冬小麦生长周期特点,选择关键生长期多期遥感影像,计算NDVI指数,并根据NDVI提取关键地类, ...
- QGIS基于多期哨兵2影像遥感指数阈值法提取冬小麦分布（4）-分类精度评价
本文继续介绍使用QGIS基于多期哨兵2影像遥感指数阈值法提取冬小麦分布,本文为教程的第四部分:分类结果精度评价.所使用的示范数据下载地址为: 链接: https://pan.baidu.com/s/1 ...
- QGIS基于多期哨兵2影像遥感指数阈值法提取冬小麦分布（3）-NDVI阈值
本文继续介绍使用QGIS基于多期哨兵2影像遥感指数阈值法提取冬小麦分布,本文为教程的第三部分:NDVI阈值选择和冬小麦种植面积提取.所使用的示范数据下载地址为: 链接: https://pan.bai ...
- 基于深度学习的影像深度重建综述
基于深度学习的影像深度重建综述 论文名称:A Survey on Deep Learning Architectures for Image-based Depth Reconstruction 作者 ...
- 基于PyTorch的遥感影像、无人机影像的地物分类、目标检测、语义分割和点云分类
我国高分辨率对地观测系统重大专项已全面启动,高空间.高光谱.高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成,将成为保障国家安全的基础性和战略性资源.随着小卫星星座的普及,对地观 ...
- 基于内容的遥感影像场景检索
基于内容的遥感影像场景检索(一) (一)基础练习 1.从遥感影像文件夹里批量读取遥感影像,并计算其灰度直方图特征 ①首先学习matlab批量读取文件 (由于之前此部分没认真学习,所以试图理解每一个函数 ...
- docker 快鸟_GitHub - fffonion/Xunlei-Fastdick: 迅雷快鸟 Xunlei Network Accelerator For Router
迅雷快鸟 一个可以运行在路由器的迅雷快鸟(diǎo)和上行提速客户端 在提交issue前,请先阅读须知 快速入门 下载并解压 同目录下新建 swjsq.account.txt,填入用户名,密码,如ah ...
- 基于 U-Net 的医学影像分割算法综述
来源:UNknown知识库 转载自新机器视觉 仅做学术分享,若侵权,请联系删文 ▍一.医学图像分割简介 医学影像分割是医学影像分析中的重要领域,也是计算机辅助诊断.监视.干预和治疗所必需的一环,其关键 ...
- 基于git命令的代码统计方法
基于git命令的代码统计方法 没什么好说的,基于git log命令,使用前提是安装了git ......1.统计所有人代码量 统计所有人代码增删量,拷贝如下命令,直接在git bash等终端,git项 ...
最新文章
- 在C#.net中如何操作XML
- python编程程序设计_程序设计入门—Python
- 前端基础之设计一个个人工作室介绍界面
- Linux系统下用python写程序,用Python写个Linux系统命令
- 特征锦囊：怎么批量把特征中的离群点给处理下？
- JSP response request 中文乱码
- P3312 [SDOI2014]数表（离线 + 树状数组前缀和优化）
- ubuntu 安装 swoole 和mac 安装swoole 扩展
- 【java】窗口控件及字符串和异常的综合应用
- 数字化生产车间可视化管理——电子看板
- word自动添加标题以及批量生成图片题注
- 题解 P1774 【最接近神的人_NOI导刊2010提高（02）】
- 事件风暴的设计要素与驱动力
- html导航条布局,div+css菜单导航条布局自适应宽度
- 增量表、全量表、拉链表的应用场景及优缺点详解
- 基于vue的时间轴轮播图插件 timeline-carousel
- python基础 日常总结——列表（二）
- windows中安装绿色版的mysql
- 电子词典 C语言实现
- 程序员公司合作协议范本