一種顧及先驗知識與光譜信息的土地利用/覆被遙感分類方法

尤淑撐,劉順喜

(中國土地勘測規(guī)劃院,北京 100035）

一種顧及先驗知識與光譜信息的土地利用/覆被遙感分類方法

尤淑撐,劉順喜

(中國土地勘測規(guī)劃院,北京 100035）

提出一種基于貝葉斯綜合模型的先驗知識與光譜信息的土地利用/覆被類型聯(lián)合決策方法:首先依據(jù)光譜信息對遙感影像進行預(yù)分類,然后利用先驗知識修正預(yù)分類結(jié)果,以減少因“同物異譜”和“異物同譜”造成的分類錯誤,抑制因空間分辨率較高造成的類內(nèi)噪聲較大等現(xiàn)象。試驗表明,通過引入先驗知識,分類精度顯著提高,單純應(yīng)用光譜信息總體分類精度為81.89%;引入數(shù)字高程模型,總體分類精度提高至88.75%;引入土地利用先驗知識,總體分類精度提高至94.41%。

遙感;土地利用;分類;聯(lián)合決策

0 引言

隨著航空航天和傳感器技術(shù)的不斷進步,遙感影像的空間分辨率不斷提高。目前廣泛應(yīng)用的高分辨率遙感影像的空間分辨率均優(yōu)于5 m,Ikonos和Quickird影像達到甚至突破米級?？臻g分辨率的提高一方面使得遙感影像提供的空間信息越來越豐富,擴大了遙感應(yīng)用領(lǐng)域;另一方面,對傳統(tǒng)的遙感影像處理方法提出了挑戰(zhàn),由于光譜空間異質(zhì)性增加,會產(chǎn)生大量椒鹽噪聲,單純應(yīng)用光譜信息往往難以取得滿意的分類結(jié)果。采用紋理信息雖能夠提高分類精度,但如何選擇合適的紋理量化指標和紋理提取尺度一直是制約紋理分類器精度的重要因素[1];同時,紋理提取所造成的邊緣效應(yīng)也會增加圖斑邊界提取的不確定性[2,3]。此外,對于包含若干種土地覆蓋類型的復(fù)雜土地利用類型(如城市用地）,采用紋理分類器并不能降低決策的不確定性。

國內(nèi)外研究表明,通過引入先驗知識可提高分類精度,如Congalton[4]應(yīng)用地統(tǒng)計學(xué)方法實現(xiàn)光譜信息與空間信息融合,Hammond等[5]提出了一種光譜空間分類器。然而,建立有效簡單的光譜信息和先驗知識聯(lián)合決策規(guī)則仍然是研究熱點和難點。基于此,本文提出了一種顧及先驗知識與光譜信息的土地利用/覆被遙感分類方法:首先基于光譜信息對影像進行分類,然后應(yīng)用數(shù)字高程模型或土地利用等先驗知識對光譜分類結(jié)果進行修正,抑制因空間分辨率較高造成類內(nèi)噪聲較大等現(xiàn)象,減少因“同物異譜、異物同譜”造成的分類錯誤。

1 聯(lián)合決策方法

1.1 算法描述

以往遙感分類過程,數(shù)字高程模型和土地利用數(shù)據(jù)庫作為輔助數(shù)據(jù),用于輔助分類前分層或輔助分類后處理,這種方法并未充分利用數(shù)字高程模型和土地利用數(shù)據(jù)庫提供的有效信息。數(shù)字高程模型可派生坡度、坡向及高程等信息,應(yīng)用這些信息可減少由于坡度、坡向及高程變化引起的“同物異譜、異物同譜”現(xiàn)象,同時提供土地利用/覆被空間分布規(guī)律信息,從而提高決策的可靠性;土地利用數(shù)據(jù)庫表征某一時點的土地利用現(xiàn)狀、空間布局,根據(jù)各種土地利用類型的轉(zhuǎn)移概率和土地利用邊界信息可減少復(fù)雜對象光譜空間異質(zhì)性增加產(chǎn)生的大量椒鹽噪聲和錯誤分類現(xiàn)象。

貝葉斯統(tǒng)計推理技術(shù)可合并不同來源的決策信息,在專家系統(tǒng)中得到廣泛的應(yīng)用,具有很強的魯棒性。因此,本文采用貝葉斯模型對光譜信息和先驗知識進行決策級融合,其表達式如下:

式中:Pi為i類后驗概率;Pti為i類先驗概率;Pci為i類光譜分類器輸出概率。

根據(jù)式(1）得到的聯(lián)合決策概率見表1。由表1可知,先驗概率對土地利用/覆被分類決策具有約束作用,如當某個圖斑決策為某類別的先驗概率較高時,只有光譜變異足夠顯著,該圖斑才有可能決策為其他類別。因此通過設(shè)定合適的先驗概率,可減少非土地利用類型改變引起光譜變異而造成錯誤決策的風(fēng)險。

表1 聯(lián)合決策概率Table 1 Probability for combined decision

數(shù)字高程模型和土地利用數(shù)據(jù)庫先驗概率可通過以下方法確定:通過土地利用數(shù)據(jù)庫與高程、坡度、坡向圖進行疊加分析,產(chǎn)生各類土地利用類型高程、坡度、坡向分布先驗概率;根據(jù)區(qū)域土地利用特點,建立土地利用轉(zhuǎn)移概率矩陣,產(chǎn)生各類土地利用類型變化的先驗概率。

1.2 土地利用轉(zhuǎn)移概率矩陣

土地利用轉(zhuǎn)移概率矩陣可全面而又具體地表征區(qū)域土地利用變化方向及相互轉(zhuǎn)化的難易程度,如建設(shè)用地很難發(fā)生變化,耕地很容易轉(zhuǎn)變?yōu)槠渌仡悺Ｔ摲椒▉碓从谙到y(tǒng)分析中對系統(tǒng)狀態(tài)與狀態(tài)轉(zhuǎn)移的定量描述,轉(zhuǎn)移矩陣的一般數(shù)學(xué)形式為:

式中:Pij為i類土地利用類型轉(zhuǎn)化為j類土地利用類型的概率。表2為土地利用轉(zhuǎn)移概率矩陣的一個實例,假設(shè)該區(qū)域為城鄉(xiāng)結(jié)合部,待識別類別包括建設(shè)用地、耕地、林地和水體,由于該區(qū)域建設(shè)用地極難轉(zhuǎn)變?yōu)槠渌恋仡愋?土地利用轉(zhuǎn)移概率賦值(1.0,0.0, 0.0,0.0）;而耕地較易轉(zhuǎn)變?yōu)榻ㄔO(shè)用地,賦值(0.3, 0.7,0.0,0.0）;林地轉(zhuǎn)移為其他地類概率較低,水域轉(zhuǎn)移為其他地類概率介于兩者之間,分別賦值(0.1, 0.05,0.80,0.05）和(0.15,0.10,0.05,0.70）。

表2 土地利用轉(zhuǎn)移概率矩陣Table 2 Land-use transfer probability matrix

2 實例分析

選擇SPOT5多光譜10m空間分辨率遙感數(shù)據(jù),軌道號為277/286,獲取時間2003年5月29日,側(cè)視角為3°。采用1∶5萬數(shù)字高程模型,像元大小為25 m。采用1∶1萬土地利用數(shù)據(jù)庫,數(shù)據(jù)庫更新至1997年11月。將遙感影像、數(shù)字高程模型和土地利用數(shù)據(jù)庫統(tǒng)一到同一空間坐標系統(tǒng),大地基準采用1954年北京坐標系,高程基準采用1956年黃海高程系,采用高斯-克呂格投影,6°分帶,中央經(jīng)線111°,東偏500 km;遙感影像、數(shù)字高程模型統(tǒng)一重采樣到10 m空間分辨率。

2.1 基于光譜信息遙感分類結(jié)果

選擇耕地、水域、林地和居民地4個訓(xùn)練樣區(qū),采用最大似然法進行分類。根據(jù)影像特征,每類隨機選取10～15個均質(zhì)斑塊,目視判讀確定土地利用類型,作為檢驗樣本。分類混淆矩陣如表3,光譜分類結(jié)果見圖1。林地 水域 居民地 耕地

表3 基于光譜遙感分類的混淆矩陣Table 3 Confusion matrix of spectral-based classification %

圖1 基于光譜分類結(jié)果Fig.1 Classification result by spectral-based classification method

2.2 光譜信息與數(shù)字高程模型聯(lián)合決策結(jié)果

在Erdas Imagine 8.4支持下,產(chǎn)生坡度、坡向圖。對土地利用數(shù)據(jù)庫與高程、坡度、坡向圖進行疊加分析,產(chǎn)生各類土地利用類型高程、坡度、坡向分布先驗概率(表4）。以該先驗概率為約束,對光譜分類結(jié)果進行修正。分類混淆矩陣如表5。

表4 基于數(shù)字高程模型地物空間分布先驗知識Table 4 Prior land use probability extracted from DEM %

表5 基于數(shù)字高程模型約束遙感分類混淆矩陣Table 5 Confusion matrix of classification under DEM constraintmethod %

2.3 光譜信息與土地利用數(shù)據(jù)庫聯(lián)合決策結(jié)果

采用表6所示土地利用轉(zhuǎn)移概率矩陣,根據(jù)土地利用數(shù)據(jù)庫提供的地類信息和邊界信息,對光譜分類結(jié)果進行修正。分類混淆矩陣如表6,分類結(jié)果見圖2。

表6 基于土地利用格局約束遙感分類的混淆矩陣Table 6 Confusion matrix of classification under prior land use constraint method %

圖2 基于土地利用數(shù)據(jù)庫空間約束遙感分類結(jié)果Fig.2 Classification result under prior land use constraint method

3 結(jié)論

通過引入先驗知識,使分類精度顯著提高。單純應(yīng)用光譜知識的總體分類精度為81.89%;充分應(yīng)用數(shù)字高程模型知識,總體分類精度提高至88.75%;引入土地利用先驗知識,總體分類精度達94.41%。

空間先驗知識的現(xiàn)勢性和可靠性是影響分類精度的主要因素。由于變化面積比例較小,勢性的數(shù)字高程模型或土地利用數(shù)據(jù)庫雖然可以產(chǎn)生比較可靠的土地利用類型空間分布先驗概率,但在變化區(qū)域會造成土地利用類型決策錯誤;此外,小比例尺數(shù)字高程模型或土地利用數(shù)據(jù)庫,可能會造成某些過渡區(qū)域決策的不確定性。為了提高分類決策效果,對光譜分類器和先驗空間信息進行加權(quán)決策,根據(jù)基礎(chǔ)信息源的質(zhì)量,確定決策權(quán)重,當基礎(chǔ)信息源現(xiàn)勢性較好時,提高其決策權(quán)重,否則降低其決策權(quán)重。

[1] WALTZ,LL INAS.Multi-sensor Data Fusion[M].Boston:A rtech House,1990.155-159.

[2] BIGING,CONGALTON.Advances in Forest Inventory Using Advanced Digital Imagery[M].Venice:Italy Kt House,2005. 71-78.

[3] SHARKER A,SHIW Z,BARA KA T H.Assessment of the rectification accuracy of IKONOS imagery based on two-dimensional models[J].International Journal of Remote Sensing, 2005,26(4）:719-731.

[4] CONGALTON.Using spatial autocorrelation analysis to explore errors in maps generated from remotely sensed data[J].Photogram Eng.Remote Sens.,1988,54(5）:587-592.

[5] HAMMOND,VERBYLA.Optimistic bias in classification accuracy assessment[J].International Journal of Remote Sensing, 1996,17(1）:1261-1266.

A Prior Knowledge&Spectral Information Combined Decision Method for Land Use/Land Cover Classif ication

YOU Shu-cheng,L IU Shun-xi
(China Land Surveying&Planning Institute,Beijing 100035,China）

It is very difficult to acquire satisfy classification resultonly using spectral info rmation and textual info rmation has its disadvantage to imp rove classification accuracy,such as it is difficult to select a suitable textual extraction algorithm and op timal w indow size.A p rio r know ledge and spectral information combined decision method is p roposed and Bayes rule is selected to merge p rior know ledge and spectral info rmation at decision level.Result show s that classification accuracy imp roves greatly.The overall accuracy acquired only by spectral information is 81.89%,the overall accuracy acquired by merging information derived f rom DEM is 88.75%,and the overall accuracy acquired by merging information derived from land use database is 94.41%.

remote sensing;land use;classification;decision merge

TP75;F301

A

1672-0504(2010）03-0041-03

2010-01-05;

2010-03-31

國土資源部百名科技人才計劃項目;國家科技支撐計劃(2008BAJ11B06）;國家高技術(shù)研究發(fā)展計劃(2007AA 12Z181-2）

尤淑撐(1975-）,男,高級工程師,從事土地遙感應(yīng)用研究,發(fā)表論文20余篇。E-mail:youshucheng@mail.clspi.org.cn