土地利用数据是国土资源管理工作最重要的基础数据之一,也是全球环境变化过程中的重要影响因子。土地覆盖和土地利用(LCLU)数据是环境管理和规划工作中的重要信息。它集中反映出全球环境变化的特点,不仅受自然因素限制,还受到社会的因素,经济,技术和历史因素的影响。而遥感是监测地球表面变化(如：土地利用和土地覆盖变化分析,自然灾害评估等)的最重要的技术手段之一,它与地理信息系统(GIS)技术紧密结合,并迅速发展成为更有效的检测和监测方法。变化检测是对同一地区不同时点的遥感影像序列进行分析的技术,其目的是确定其变化信息。卫星遥感技术是提取土地覆盖变化信息的有效方法,它能保证数据更新的及时性和一致性。然而利用卫星遥感技术是提取土地覆盖变化信息仍存在许多不足。首先,数字土地覆盖变化检测是根据地表反射率的变化进行提取的。但是遥感数据的变化并不是随机的。地表反射率的变化受很多复杂的因素影响,如空间分辨率,传感器的辐射响应机制,太阳辐射和太阳高度角,大气条件以及物候差异(Yuan and Elvidge,1998)。为了减少这些因素对地表反射率的影响,应该利用同一传感器在相近的气候条件下,或者相近时期所得到的遥感数据进行变化监测,用以消除日照角度等因素可能导致的遥感数据地物反射率差异。对于不同年份的遥感数据,应该利用相同季节的影像数据以保持数据的一致性。其次,选择恰当的植物物候周期以及清楚的认识物候周期对地表的反射性能的影响是必要的(Jensen et al.,1997)。此外,土地覆盖变化并不是离散的,其变化往往是从不变逐渐发展到巨变。利用遥感技术进行的土地覆盖变化检测研究,往往仅局限于描述土地覆盖的转换。因此,为了进一步的量化土地覆盖变化以及亚象元尺度的变化,变化检测算法趋向是引入“模糊逻辑”的概念。(Jensen,1996; Foody,2001)。此外,变化检测结果是具有尺度的,每个尺度上变化检测的结果是不同的,往往一个尺度上的变化会引起不同尺度上变化监测的结果,这种影响是巨大的并具有可积累性(Walsh et al,1999)。最后,很难为变化监测的精度评价提供一个统一的并且广泛适用的方法,尤其是处理大面积的数据库的变更时,合适的历史数据库数据很难得到(Foody,2001)。现阶段针对这个问题仍没有很好的解决方案,它也是数字变化检测的主要限制之一。对多时相卫星数据的土地覆盖／土地利用变化检测是遥感技术所面临的最重要的挑战之一。通常需要专家知识的辅助才能对变化信息进行有效识别。而在城市地区,由于复杂的环境因素,使得这一课题面临更多困难。其主要表现是“在有限区域内土地利用的巨大差异”此外,城市环境的构成要素(例如,道路、建筑物等)具有较高的重复性和较小的尺寸,与农村和自然环境的特点迥异。考虑到上述情况,为了提高变化检测的结果,必须设计一个方法,能综合不同的影像特征,包括颜色,纹理和形状,以及上下文关系(如邻域关系)等。图像匹配是多时相遥感数据变化检测的首要工作。科学家们针对这一问题,研究了大量人工处理和自动计算的方法。在本研究中,我们获得了黄陂市(位于中国湖北省)从2002年到2005年的遥感影像数据,将其作为研究的区域之一。首先采用旋转尺度不变特征算法(SIFT)实现图像匹配,它具有自动化、精度高的优点,但是,该算法不能量化变更类型和数量。因而,我们利用支持向量机(SVM)实现遥感影像分类。SVM方法通过对各种土地利用特征进行训练来确定土地类别。实验表明,将灰度共生矩阵(GLCM)作为支持向量机的训练对象,效果并不好；采用Gabor小波特征进行训练,其结果也不太理想；而采用SIFT特征进行训练,其结果也较差。通过分析发现,实验中采用的是单一影像特征,并且各时相遥感数据的亮度分布不同,所以得到很多错误的训练数据,影响分类效果。我们选取了第二块实验区域,它位于老挝万象市,实验数据是1999年的航空遥感影像和2009的QuickBird卫星影像数据。在此过程中,采用SIFT算法匹配两时相的数据,再利用SVM算法进行遥感分类,从而实现土地利用和土地覆盖变化检测。在分类阶段,同样使用了灰度共生矩阵,Gabor系数和SIFT特征,其效果比第一个实验区域的更好。综上所述,利用多特征分类比利用单特征分类的精度更高。而灰度共生矩阵,Gabor小波,SIFT特征在的分类中都具有其各自的优势,因此很难说哪一个特征更优。全文的实验在opencv平台下,采用C++编程语言完成,同时利用了网上开源的SIFT算法代码。