成淑艷, 曹生奎, 曹廣超, 韓建平, 漢光昭, 吳方濤
(1.青海師范大學 地理科學學院, 青海 西寧 810008; 2.青海師范大學 青海省自然地理與環(huán)境過程重點實驗室, 青海 西寧810008; 3.青海省第二測繪院, 青海 西寧 810008)
土地是人類賴以生存和發(fā)展的物質(zhì)基礎(chǔ),土地覆被信息是進行國土資源規(guī)劃、土地資源評價、土地資產(chǎn)評估等的重要條件。隨著全球變化研究的深入,土地覆被信息提取已經(jīng)成為一個研究的熱點[1]。遙感技術(shù)因為其可以快速準確地提取地物類別信息而被越來越多的應用于土地覆蓋分類中。目前,隨著遙感技術(shù)的快速發(fā)展,高分辨率遙感影像數(shù)據(jù)已經(jīng)成為了一個重要和關(guān)鍵的信息來源,其在光譜特征、空間特征和紋理特征等方面比一般衛(wèi)星影像更具有優(yōu)勢[2],能夠獲取精度更高的地物信息。
區(qū)域土地覆蓋分類信息是區(qū)域生態(tài)、經(jīng)濟可持續(xù)發(fā)展的基礎(chǔ)數(shù)據(jù)支撐,科學地提取地表覆被信息,對地物精準分類,對于區(qū)域生態(tài)環(huán)境保護、生態(tài)和經(jīng)濟建設具有直接的影響[3]。目前對遙感影像分類最常規(guī)的計算機自動分類方法有監(jiān)督分類和非監(jiān)督分類法。很多研究表明監(jiān)督分類精度要高于非監(jiān)督分類,更適用于遙感圖像的精確分類,因此目前大部分對地物的分類研究還是采用傳統(tǒng)的監(jiān)督分類方法。青藏高原高寒河源區(qū)自然環(huán)境獨特,其土地覆被信息是青藏高原生態(tài)環(huán)境變化研究的重要組成部分[4],對于青藏高原土地資源規(guī)劃、生態(tài)系統(tǒng)功能評價、生態(tài)環(huán)境保護與建設等具有重要意義[5]。為此,本文擬以青海湖沙柳河流域為研究區(qū),以高分辨率遙感影像為數(shù)據(jù)源,通過監(jiān)督分類方法的6種監(jiān)督分類器,對流域地表覆被信息進行提取,探討青藏高原高寒河源區(qū)的土地覆蓋分類方法,以期為后續(xù)土地覆被信息提取提供技術(shù)支撐和相關(guān)參考評價標準。研究結(jié)果也可為青海湖流域土地資源現(xiàn)狀評價、生態(tài)環(huán)境保護建設等提供數(shù)據(jù)來源。
研究區(qū)位于沙柳河流域,屬于青海湖的河源地區(qū)。沙柳河位于青海省剛察縣城西側(cè)0.2 km處,是青海湖流域第二大河流,發(fā)源于大通山可可賽尼哈,整個流域海拔在3 036~4 694 m,落差較大。河流全長106 km,自北向南流入青海湖[6]。河源地區(qū)年降水量500~600 mm,河口地區(qū)為300 mm。每年6—9月為汛期,冰凍期6個月。整個流域植被類型以高寒草甸為主[7]。研究區(qū)屬于高原大陸性氣候,光照充足,日照強烈,冬嚴寒夏涼爽,天氣多變,無明顯的四季之分,氣溫年較差小而日較差大,雨熱同期。
本文以2景高分1號衛(wèi)星影像和3景資源3號衛(wèi)星影像為基礎(chǔ)數(shù)據(jù)源。高分辨率影像數(shù)據(jù)來自于青海省第二測繪院。高分1號衛(wèi)星是中國高分辨率對地觀測系統(tǒng)重大專項天基系統(tǒng)中的首發(fā)星,搭載有2臺2 m分辨率全色/8 m分辨率多光譜高分相機和4臺16 m分辨率多光譜寬幅相機。資源3號衛(wèi)星是中國首顆自主的民用高分辨率立體測繪衛(wèi)星,搭載有1臺2.1 m分辨率正視全色相機,2臺3.5 m分辨率的前視和后視全色相機和1臺5.8 m分辨率的正視多光譜相機。
由于植被生長季節(jié)地表信息豐富,不同地物反射的電磁波在影像上呈現(xiàn)的光譜和紋理特征不僅有利于提取植被覆蓋信息,還易于區(qū)分其他的土地覆被類型,有利于影像的目視解譯工作[8],因此本文選擇研究區(qū)5—9月的高分影像作為數(shù)據(jù)來源,其中包括2017年的4景影像與2016年的1景影像。2017年高分辨率影像受云層、季相等的限制,使得2017年影像在數(shù)量上不足以用于研究區(qū)地表覆蓋分類??紤]到所缺影像地區(qū)為研究區(qū)邊緣地帶海拔較高的山區(qū),土地覆被類型以裸地為主,植被較少,在短時間內(nèi)土地覆被狀況不會發(fā)生較大變化,因此采用相鄰年份的影像對該區(qū)地物分類的影響不大,從而選擇2016年的1景影像作為代替補充。表1列舉了本文所用的5景高分辨率遙感影像的具體信息。
表1 本研究所用遙感影像具體信息
1.3.1 土地覆被信息提取方法 本文運用監(jiān)督分類方法對青海湖沙柳河流域的地表覆被信息進行提取。監(jiān)督分類法常用的分類器有6種,每種分類器具有不同的判別函數(shù)和判別準則,因而具有不同的分類精度和分類結(jié)果。下文分別將6種監(jiān)督分類器做如下介紹。
(1) 平行六面體(parallelpiped classification)。根據(jù)訓練樣本的亮度值形成一個n維平行六面體的數(shù)據(jù)空間,其他像元的光譜值如果落在任何一個訓練樣本所對應的區(qū)域,就被劃為其中。其尺度由標準差閾值所確定,標準差閾值則根據(jù)所選類別的均值確定[9]。此種分類器分類標準簡單,計算速度快。
(2) 最小距離(minimum distance classification)。通過訓練樣本數(shù)據(jù)去計算每種類別的均值向量和標準差向量,然后以均值向量作為該類在特征空間中的中心位置,計算輸入圖像中每個像元到各類中心的距離,將像元歸入到距離中心最小的類別中[9]。此種分類器分類算法簡單,適用性強,計算速度快。
(3) 馬氏距離(Mahalanobis distance classification)。通過計算輸入像元到各訓練樣本的馬氏距離(計算2個未知樣本集的相似度的方法),統(tǒng)計馬氏距離最小的即為此類別[9]。馬氏距離既考慮離散度,也考慮到各軸間總體分布的相關(guān)(協(xié)方差),能夠考慮到分類類別的內(nèi)在變化[10-11]。
(4) 最大似然(likelihood classification)。假設每個波段每一類統(tǒng)計都呈正態(tài)分布,計算像元屬于某一訓練樣本的似然度,將像元歸為似然度最大的一類中[9]。此種分類器應用較為廣泛,發(fā)展也較為成熟。
(5) 神經(jīng)網(wǎng)絡(neutral net classification)。用計算機模擬人腦的結(jié)構(gòu),用小的處理單元模擬大腦的神經(jīng)元,用算法實現(xiàn)人腦的識別、記憶、思考過程并應用于圖像的分類[9]。近年來此種分類器得到了廣泛的應用。
(6) 支持向量機(support vector machine classification)。是一種基于統(tǒng)計學習理論的機器學習方法,可自動尋找對分類有較大區(qū)分功能的支持向量并構(gòu)造分類器,最大化類別之間的間隔,分類準確率較高[9]。
1.3.2 土地覆被信息提取流程
(1) 訓練樣本選擇及評價。監(jiān)督分類的第一步是在影像上定義訓練樣本。訓練樣本的準確合理選擇是監(jiān)督分類的基礎(chǔ),也會直接影響分類精度的高低[12]。通過遙感影像的色調(diào)與亮度、紋理、形狀與結(jié)構(gòu)以及目標地物與成像時間的關(guān)系等特征,結(jié)合已有資料和野外工作的先知經(jīng)驗,對影像進行目視判讀,確定地物的類別[13-14]。 應用ENVI軟件提供的ROI Tool工具創(chuàng)建感興趣區(qū),根據(jù)研究區(qū)范圍大小,在影像范圍內(nèi)選取足夠數(shù)量的覆蓋各種地物的訓練樣本,以克服偶然因素的影響[15],要保證訓練樣本具有代表性和典型性且在研究區(qū)內(nèi)均衡分布[16]。選取訓練樣本后,通過ENVI軟件的compute ROI separability工具,計算每個感興趣區(qū)組合的Jeffries-Matusita距離和轉(zhuǎn)換分離度,其值范圍在0~2.0之間,若兩值均大于1.9說明樣本之間可分離性好,屬于合格樣本,小于1.8則需要重新選擇樣本,小于1就考慮將兩類樣本合成一類樣本[17]。
(2) 執(zhí)行監(jiān)督分類。若訓練樣本合格,符合分類要求,則應選擇一種監(jiān)督分類器對研究區(qū)影像進行地物分類。若對分類結(jié)果不滿意則需要重新選擇分類器。本文的研究目的是探討高寒河源區(qū)的土地覆蓋分類方法,因此執(zhí)行了6種監(jiān)督分類器。
(3) 精度評價。對圖像分類結(jié)果進行精度評價,一方面可以定量地檢驗分類結(jié)果是否理想,另一方面可以評價監(jiān)督分類器的優(yōu)缺點。ENVI軟件提供了混淆矩陣(confusion matrix)和ROC曲線(ROC curves)兩種對分類結(jié)果精度進行評價的方法。本文選擇混淆矩陣的方法來對分類結(jié)果進行精度評價?;煜仃囀菍⒚總€地表真實像元的位置和分類類別與輸出圖像中的相應位置和分類類別相比較,列出基準圖像上的i類像元在分類圖像中被分到j類的像元總數(shù)或者百分比[18]。通過計算的混淆矩陣,可以進一步計算出不同的分類精度估量指標。在ENVI軟件輸出的混淆矩陣報表中,用于評價分類精度的估量指標主要包括總體分類精度、Kappa系數(shù)、制圖精度、用戶精度等。總體分類精度等于被正確分類的像元總和除以總像元數(shù),反映分類圖中被正確分類像元占總像元數(shù)的比重,該值越大,表示分類效果越好,精度越高[9]。
Kappa系數(shù)是通過把所有地表真實參考的像元總數(shù)乘以混淆矩陣對角線的和,再減去某一類中地表真實參考像元數(shù)與該類中被分類像元總數(shù)之積之后,再除以像元總數(shù)的平方減去某一類中地表真實參考像元總數(shù)與該類中被分類像元總數(shù)之積對所有類別求和的結(jié)果[9]。Kappa系數(shù)是由Cohen在1960年提出的用于評價遙感影像分類結(jié)果的一致性檢驗方法,用來測定兩幅圖像之間的吻合程度,能夠較準確地驗證分類精度,現(xiàn)已發(fā)展成為遙感影像分類的主要精度評價方法[19-20]。Kappa系數(shù)分類評價標準[21-22]現(xiàn)已普遍地運用于影像分類精度評價中(表2)。
表2 Kappa系數(shù)分類評價標準
制圖精度指分類器將整個圖像的像元正確分為某類的像元數(shù)與該類真實參考總數(shù)的比率,即分類結(jié)果符合實際地物的比率[9]。該指標可以反映地物是否被準確分類,同時可以用來比較各種分類方法的好壞,制圖精度與漏分誤差互補,制圖精度越低,漏測誤差越高[23-24]。
用戶精度指正確分到某類的像元總數(shù)與分類器將整個圖像的像元分為該類的像元總數(shù)的比率,即分類結(jié)果符合用戶定義地物的比率[9]。該指標用來反映分類圖中各類別的可信度,即分類圖的可靠性,用戶精度與錯分誤差互補,用戶精度越低,多測誤差越高[23-24]。
本文根據(jù)野外實地調(diào)查數(shù)據(jù),對照原始影像,在Google Earth 高分辨率圖像上選擇驗證樣本,生成用于混淆矩陣精度評價的地表真實感興趣區(qū),通過ENVI軟件的confusion matrix using ground truth ROIs工具輸出不同分類結(jié)果的混淆矩陣報表,并通過報表中的不同量化指標來進一步鑒別每一種分類結(jié)果和不同分類器分類精度的高低。
(4) 分類后處理。計算機監(jiān)督分類后的結(jié)果只是初步的分類結(jié)果,一般無法直接應用,還需要進行后期的圖像處理。分類后的圖中不可避免地會產(chǎn)生很多小圖斑,需要通過majority/minority 分析、聚類處理(clump)和過濾處理(sieve)等方法對小圖斑進行剔除或者重新歸類,從而得到最終理想的分類結(jié)果。若分類結(jié)果有錯分和漏分現(xiàn)象,結(jié)合實地驗證、先知經(jīng)驗和研究區(qū)其他高分辨率遙感影像對分類結(jié)果進行目視判讀,通過ENVI classic對圖像錯分像元進行局部手動修改,以進一步提高分類結(jié)果質(zhì)量。
根據(jù)研究區(qū)遙感影像光譜、紋理等特征,通過目視判讀并結(jié)合野外考察的先知經(jīng)驗,將該研究區(qū)的土地覆被分為草地、濕地、農(nóng)田、裸地、水體、建筑6大類。計算了訓練樣本的可分離度,結(jié)果顯示Jeffries-Matusita距離和轉(zhuǎn)換分離度的值均大于1.8,樣本之間的可分離性好,符合分類的標準(表3)。
表3 研究區(qū)訓練樣本可分離度
本文選擇了監(jiān)督分類的6種分類器對研究區(qū)影像進行計算機分類,目的是尋求最佳土地覆蓋分類方法。為了從細節(jié)上更好地辨別分類結(jié)果的準確度和6種分類器的分類精度,將6種分類器的局部分類結(jié)果圖進行對比。
結(jié)合野外考察的先驗知識觀察6種分類結(jié)果圖可知,平行六面體分類器的分類效果最差,將很多裸地和草地錯分為水體,與實際地表覆被相差甚遠,這與其分類原理和分類準則密切相關(guān)。平行六面體的分類準則是像素落在任一類訓練樣本分布區(qū)域,則就屬于哪一類,若同時落在多個區(qū)域,則將其歸為最后一個匹配的類別中,有時候在某些分類像素與訓練像素光譜差異很大時也會被分為其中,因此存在較多錯分現(xiàn)象[11]。最小距離分類器的最終分類結(jié)果將眾多草地和裸地像元誤分為濕地,也不符合實際。最小距離分類器的判別準則是首先根據(jù)訓練區(qū)計算每個類別的平均值,以此作為類別中心,然后計算待判像素到每類別中心的距離,取距離最小的一類作為該像素的分類,因此在分類的過程中,真正影響分類結(jié)果的是各個類的均值,這是在若干先決條件下的簡單分類,容易產(chǎn)生錯誤,因此分類結(jié)果精度較低[25]。馬氏距離分類器對地表覆蓋分類的局部結(jié)果,從結(jié)果中可以發(fā)現(xiàn),馬氏距離分類器對濕地的錯分現(xiàn)象較為嚴重。馬氏距離與最小距離相似,但馬氏距離考慮了樣本間相關(guān)性的影響,因此比最小距離的精度相對較高。
目視分析可知,最大似然、神經(jīng)網(wǎng)絡和支持向量機分類器的分類效果較好,結(jié)果較為理想。最大似然是基于貝葉斯準則的分類錯誤概率最小的一種非線性分類,也是機器學習中較為穩(wěn)健的典型分類方法[11,25]。神經(jīng)網(wǎng)絡具有非線性、容錯性和魯棒性、自學習、自適應和自我調(diào)節(jié)等顯著優(yōu)勢,在分類過程中沒有任何前提假設,直接進行迭代運算,且在每次迭代過程中動態(tài)調(diào)節(jié)決策區(qū)域,一直計算到結(jié)果與實際的差異滿足要求后停止,因此該方法具有強大的穩(wěn)定性和優(yōu)越性,可獲得比傳統(tǒng)基于統(tǒng)計的分類方法更高精度的分類結(jié)果[11,25-27]。支持向量機基于統(tǒng)計學理論,利用現(xiàn)有樣本信息在模型和學習能力間尋求最佳折中,獲得最佳泛化能力,從而令樣本的分類誤差極小化,在統(tǒng)計樣本較少時,也能獲得較好的統(tǒng)計規(guī)律,因此是一種優(yōu)良的機器學習分類方法[11,28]。很明顯,最大似然、神經(jīng)網(wǎng)絡和支持向量機分類器均具有優(yōu)良的內(nèi)部算法和分類準則,對地物進行分類均能獲得較好的效果,但是計算時間也相對較長。
6種監(jiān)督分類器有好有壞,各有優(yōu)缺。在本文中,6種分類結(jié)果存在的共同的誤差是,提取的濕地均比實際情況多,這原因是山體背陰面草地和濕地的光譜特征極為相似,分類器將背陰面草地誤分為濕地的緣故,因此還需要細致的分類后處理。
運用ENVI軟件平臺,通過一定的驗證樣本數(shù)據(jù)可以對影像分類結(jié)果進行精度評價。表4—6分別列舉了不同分類器的分類精度估量指標,可以反映不同分類器的優(yōu)劣及分類效果的好壞。
表4顯示了不同分類器對不同地物的分類精度。平行六面體、最小距離、馬氏距離、最大似然、神經(jīng)網(wǎng)絡和支持向量機的總體分類精度分別為51.76%,84.26%,89.96%,97.68%,96.46%,99.15%,Kappa系數(shù)分別為0.44,0.79,0.86,0.97,0.95,0.99,支持向量機的分類精度最高,其次為最大似然和神經(jīng)網(wǎng)絡,馬氏距離和最小距離次之,分類精度最低的為平行六面體。在區(qū)分不同地物方面,最大似然、神經(jīng)網(wǎng)絡和支持向量機同時對草地達到最高的分類精度,對濕地和建筑的識別支持向量機精度可達最高,對于農(nóng)田最大似然和支持向量機精度最高,而馬氏距離和平行六面體分別對裸地和水體達到最高的分類精度。
表4 各分類器對研究區(qū)不同地物分類精度對比
表5為各分類器制圖精度對比結(jié)果,對比各種分類器的制圖精度可發(fā)現(xiàn),平行六面體對草地、濕地、裸地和建筑的制圖精度均較低,表明對這幾種地物漏測現(xiàn)象嚴重,而最小距離對草地的漏測現(xiàn)象嚴重,馬氏距離和最大似然對各種地物的制圖精度較高,說明總體漏測誤差較小,神經(jīng)網(wǎng)絡對裸地的漏測誤差較大。支持向量機對各種地物的制圖精度均較高,漏分現(xiàn)象較少。
表5 各分類器對研究區(qū)不同地物制圖精度 %
從各種分類器的用戶精度對比表(表6)可知,平行六面體對草地和濕地分類的用戶精度非常低,說明這兩種地物的多測現(xiàn)象非常嚴重,最小距離和馬氏距離對草地和裸地的多測誤差較高,最大似然對草地的多測誤差較高,神經(jīng)網(wǎng)絡對濕地的多測誤差較高,支持向量機對各種地物的多測誤差均較小。
表6 各分類器對研究區(qū)不同地物的用戶精度 %
本次分類結(jié)果中,支持向量機的總體分類精度和Kappa系數(shù)最高,制圖精度和用戶精度均較高,對地物的分類效果較好,分類精度滿足應用的需求,但是也存在大量錯分現(xiàn)象。以支持向量機分類器的結(jié)果作為分類的初步結(jié)果,在此基礎(chǔ)上進行主要/次要分析、聚類和過濾處理。通過實地考察驗證與先知經(jīng)驗,結(jié)合Google Earth 的高分辨率影像,對上一步后處理結(jié)果圖進行目視判讀,將錯分地物進行細致處理使其正確歸類,最終得到研究區(qū)地表覆蓋分類結(jié)果(附圖20,表7)。
表7 青海湖沙柳河流域地物信息
經(jīng)遙感影像解譯可得沙柳河流域的基本概況。沙柳河流域河流水體面積約19.03 km2,約占流域總面積的1.13%,干流偏流域右側(cè),左岸分布有較大支流,上游河道走向西北向東南,坡陡谷深,中游河道走向由北向南,河谷漸寬,水流分散,流經(jīng)下游地勢平坦區(qū)最終注入青海湖。整個流域內(nèi)多為天然草場,其總面積約為1193.76 km2,約占流域總面積的71.09%,植被條件良好,覆蓋度高。濕地主要分布在干支流兩岸以及流域南部青海湖北岸,總面積約為172.02 km2,約占流域面積的10.24%。裸地主要分布在流域上游海拔較高的山區(qū),總面積約為273.03 km2,占流域總面積的16.26%。剛察縣城位于山體出口處,其建筑總面積約6.04 km2。山口以下為下游,地形開闊,廣袤無垠,寬闊的沖積扇形成肥沃的草原,農(nóng)田在其中零散分布,總面積約15.36 km2,僅約占流域總面積的0.91%。
高分辨率遙感影像區(qū)分地物的精度較高,滿足了對各類地物的遙感監(jiān)測需求?;诟叻直媛蔬b感影像,采用支持向量機、最大似然和神經(jīng)網(wǎng)絡分類器對研究區(qū)地物實現(xiàn)了良好的分類,說明這3種分類器在地處高寒河源區(qū)的青海湖沙柳河流域具有良好的適用性。
從3種分類器的分類原理和判別準則來說,其分別采用了結(jié)構(gòu)風險最小化原則[28]、貝葉斯判決準則[25]和迭代算法[27],優(yōu)越的分類準則和分類算法決定了它們高精度的分類結(jié)果,因此這3種分類器也被運用在諸多分類研究中。例如閆琰等[29]運用最大似然、神經(jīng)網(wǎng)絡和支持向量機3種監(jiān)督分類器對某城市土地覆被進行分類,其中支持向量機的總體分類精度達到97.25%,Kappa系數(shù)達到0.96,神經(jīng)網(wǎng)絡和最大似然總體分類精度分別達96.91%和96.69%,Kappa系數(shù)均可達0.96,對地物的分類效果較好。張杰等[12]通過本文中用到的6種監(jiān)督分類器對鄱陽湖濱湖區(qū)的土地覆被進行分類,結(jié)果表明支持向量機、神經(jīng)網(wǎng)絡、最大似然和最小距離4種分類器具有較高的分類精度。孫坤等[11]基于本文中的6種監(jiān)督分類器對某山地丘陵地塊進行分類,結(jié)果表明支持向量機、最大似然、神經(jīng)網(wǎng)絡的分類精度較高,最小距離和馬氏距離次之,平行六面體的分類精度最低。諸多研究的結(jié)論和本研究結(jié)果是一致的,說明這是每種分類器普遍存在的特點,對不同研究區(qū)的適用性較強。
青海湖沙柳河流域自然環(huán)境獨特,受人類活動影響較小,整個流域土地覆被大類較為單一,上中游為山谷地形,下游地勢較為平坦,采用高分辨率遙感影像進行分類,效果較好。孫小飛等[30]基于高分1號衛(wèi)星影像對青藏高原深切割區(qū)土地覆被進行分類,該研究區(qū)以高山地貌為主,植被覆蓋率較高,水體、草地、林地等地物類型分布明顯,采用最大似然、神經(jīng)網(wǎng)絡和支持向量機分類器均取得了較高的分類精度,其中支持向量機分類精度最高,總體精度達到91.67%,Kappa系數(shù)為 0.90,神經(jīng)網(wǎng)絡和最大似然的總體分類精度分別為87.50%和80.83%,Kappa系數(shù)分別為0.84和0.76。因此采用高分辨率遙感影像,選用精度較高的監(jiān)督分類器在青藏高原土地覆被大類較為單一、地物分類明顯的地區(qū)信息提取中具有優(yōu)勢。
盡管支持向量機、最大似然和神經(jīng)網(wǎng)絡監(jiān)督分類器可以達到較高的分類精度,但這并不代表分類結(jié)果一定理想。由于實際地表類型復雜多樣,采用監(jiān)督分類方法,計算機會僅根據(jù)地物光譜特征進行分類,結(jié)果中勢必有錯分和漏分的現(xiàn)象,與實際地表覆被信息有別。尤其是在有大量山體分布的地區(qū),山體的陽坡和陰坡光譜響應有巨大差異[31],而陰坡對分類結(jié)果的影響不可避免,即使訓練區(qū)選擇準確,但分類結(jié)果還是存在大量錯分現(xiàn)象[32]。本文中陰坡草地和濕地的光譜特征極為相似,6種監(jiān)督分類器均出現(xiàn)將陰坡草地錯分為濕地的現(xiàn)象。馮琦勝等[33]對甘肅省瑪曲縣沼澤濕地的研究發(fā)現(xiàn),監(jiān)督分類和非監(jiān)督分類的方法因為陰坡的影響,都會造成濕地的錯分和漏分現(xiàn)象。該研究還提出,通過專家分類方法引入坡度和坡向數(shù)據(jù),排除了山體陰影、陰坡對沼澤濕地分類的影響,但是也會存在部分漏分的情況[33],因此僅僅依靠光譜特征來對地物分類存在誤差。一些學者借助于其他方法顯著提高了分類結(jié)果的可靠性,例如潘倩等[34]將康定縣監(jiān)督分類后的圖像與高程、坡度、坡向等DEM輔助信息引入專家知識輔助決策分類中,顯著提高了分類精度。常布輝等[35]采用監(jiān)督分類方法和基于NDVI時間序列的決策樹分類與監(jiān)督分類相結(jié)合的方法對河套灌區(qū)沈烏灌域的耕地進行提取,結(jié)果顯示,基于 NDVI 時間序列的決策樹分類與監(jiān)督分類相結(jié)合的方法比單純監(jiān)督分類方法的精度高13.42%。
本文結(jié)合原始影像、Google Earth的高分辨率遙感影像和實地考察驗證,對初步分類結(jié)果進行目視修改與處理,將錯分像元正確歸類,顯著提高了分類準確度。陳超等[32]以Quick Bird為數(shù)據(jù)源,采用監(jiān)督分類方法對山東科技大學及周邊地區(qū)進行地物分類,初次分類總精度為71.33%,存在較多錯分現(xiàn)象,在后期對圖像目視修改后,總分類精度達到93%。因此監(jiān)督分類和目視修改相結(jié)合可以顯著提高分類圖質(zhì)量,但此過程會加大工作者的任務量,費時費力。在今后的地物分類實踐操作中,還需要考慮DEM、植被指數(shù)等因素對遙感影像分類的影響,以盡量減少后期工作量,同時進一步提高分類精度。
本文應用高分辨率遙感影像,使用監(jiān)督分類方法的6種分類器對青海湖沙柳河流域的地表覆蓋進行分類,得出以下結(jié)論:
(1) 通過高分辨率遙感影像,使用支持向量機分類器對地處高寒河源區(qū)的青海湖沙柳河流域的地表覆被信息提取效果最佳,但由于地表實際狀況復雜,加上人工目視解譯的誤差和遙感影像本身“同物異譜”和“同譜異物”現(xiàn)象的存在,使得單純依靠光譜特征進行分類后的圖像存在一定的偏差,通過后期目視修改等分類后處理可以顯著提高分類結(jié)果的準確度。
(2) 通過解譯可知,流域內(nèi)以天然草場分布最多,從上游到中游至下游全流域均有分布。裸地主要分布在上游海拔較高的山區(qū)。河流兩岸地勢較為平坦,濕地顯著發(fā)育。流域下游地區(qū)水草豐茂,有農(nóng)田分布于其中。整個流域植被覆蓋度高,生態(tài)環(huán)境良好,適合于高寒農(nóng)牧業(yè)的發(fā)展。