不同分類方法在土地利用信息提取中的精度對比

何立恒，覃 偉，徐 迅

(1.南京林業(yè)大學(xué)土木工程學(xué)院，江蘇 南京 210037；2.南京市測繪勘察研究院股份有限公司，江蘇 南京 210019；3.化學(xué)工業(yè)巖土工程有限公司，江蘇 南京 210031)

0 引言

遙感技術(shù)在我國土地資源調(diào)查中發(fā)揮了重大作用，遙感影像土地利用分類工作是將遙感技術(shù)應(yīng)用于土地科學(xué)領(lǐng)域的基礎(chǔ)性工作。如何快速獲取高精度的土地利用分類信息？遙感影像土地利用分類方法的選擇是具有重要理論意義和應(yīng)用前景的研究內(nèi)容之一。

土地利用分類方法主要有專家目視解譯和基于像元的分類方法[1-4]，前者通常應(yīng)用于高精度、高分辨率(米級)遙感圖像分類中，但生產(chǎn)效率低，個人主觀性強，地類邊界容易錯位，定位精度不高；后者主要利用像元的紋理、光譜等信息，能快速獲取分類結(jié)果較好、圖形美觀的分類土地利用信息。

基于像元的分類方法很多[5-10]，不同方法提取信息的精度區(qū)別較大[11-12]。因此，利用不同分類方法對研究區(qū)進行土地利用信息提取，并進行精度評價和比較，可以為合理選擇分類方法提供參考。

1 研究區(qū)概況和數(shù)據(jù)源

1.1 研究區(qū)概況

東方市地處海南省西南部(108°36′46″-109°07′19″E，18°43′08″-19°18′43″′N)，北距海口市210 km，南距三亞市180 km。南及東南與樂東縣接壤，北至東北與昌江黎族自治縣交界，西臨北部灣，與越南隔海相望。

東方市屬熱帶海洋性季風(fēng)氣候，旱濕分明，日照充足，蒸發(fā)量大，年平均蒸發(fā)量達2 596.8 mm。年平均氣溫24℃-25℃，年日照時數(shù)2 777.2 h，年平均降雨量1 000-1 900 mm，是反季節(jié)瓜果蔬菜的生產(chǎn)基地。地勢由東南向西北傾斜，有山地、丘陵、臺地和平原等地貌。不同地貌的土壤、植被、光、熱、水存在明顯差異，沿海地帶海拔50 m以下的平原和臺地是農(nóng)業(yè)和城鎮(zhèn)的集聚區(qū)。

1.2 數(shù)據(jù)源

OLI遙感數(shù)據(jù)從中國科學(xué)院對地觀測與數(shù)字地球科學(xué)中心下載(網(wǎng)址：http：//ids.ceode.ac.cn/)，過境時間為2014年3月。此外，還有全國縣級1∶400萬行政界線數(shù)據(jù)和實地調(diào)研數(shù)據(jù)。

2 研究方法

借助遙感圖像處理平臺ENVI，對OLI遙感影像進行預(yù)處理，基于像素的分類方法進行土地利用分類，對分類結(jié)果進行后處理，制作土地利用現(xiàn)狀圖和統(tǒng)計各地類面積。采用影像重選感興趣區(qū)自評和Google Earth選點評定兩種方法進行精度評定和對比分析。

2.1 數(shù)據(jù)預(yù)處理

對遙感影像進行輻射定標(biāo)、FLAASH模型大氣校正、Gram-Schmidt影像融合、影像鑲嵌等預(yù)處理，按行政界線裁剪出研究區(qū)。

2.2 非監(jiān)督分類

非監(jiān)督分類是指不具備對遙感影像地物屬性的先驗知識，完全依靠光譜數(shù)據(jù)組合的統(tǒng)計差別進行“盲目分類”，計算機按照一定規(guī)則自動根據(jù)像元光譜或空間等特征組成集群組(聚類)。由于非監(jiān)督分類沒有選用訓(xùn)練樣本，無先驗信息，通常分類效果較差，且無法給出數(shù)據(jù)類別的含義。

按照像元的光譜特征進行統(tǒng)計分類，受人為因素的影響較少，不需要對地面信息有詳細的了解，自動化程度較高。非監(jiān)督分類進行土地利用類別劃分的主要算法有K-mean法和ISODATA法。

2.3 監(jiān)督分類

選擇可識別或借助其他信息可以斷定地類的像元建立模板，基于該模板使計算機系統(tǒng)自動識別具有相同特征的像元，即先學(xué)習(xí)后分類。選用最大似然法、最小距離法和支持向量機作為土地利用監(jiān)督分類算法。

2.4 分類后處理

Majority分析解決虛假像元地類的歸并，聚類處理(clump)保證地類空間連續(xù)性，過濾處理(Sieve)解決分類圖像中出現(xiàn)的孤島問題。分類統(tǒng)計(Class statistics)計算源分類圖像的統(tǒng)計信息。

2.5 精度評價指標(biāo)

建立混淆矩陣進行監(jiān)督驗證，并計算精度指標(biāo)。

(1)總體分類精度

(1)

OA是具有概率意義的統(tǒng)計量，表述對每一個隨機樣本所分類的結(jié)果與參考數(shù)據(jù)所對應(yīng)區(qū)域的實際類型相一致的概率。

(2)用戶精度(對于第i類)

UA=xii/xi+

(2)

UA表示從分類結(jié)果中任取一個隨機樣本，其所具有的類型與地面實際類型相同的條件概率。

(3)生產(chǎn)者精度(對于第j類)

PA=xjj/x+j

(3)

PA表示相對于參考數(shù)據(jù)中的任意一個隨機樣本，分類圖上同一地點的分類結(jié)果與其相一致的條件概率。

(4)Kappa指數(shù)

(4)

Kappa指數(shù)是一種定量評價遙感分類圖與參考數(shù)據(jù)間的一致性或精度的指標(biāo)。

式(1)—(4)中，n是混淆矩陣中的總列數(shù)(即總的類別數(shù))；xij是混淆矩陣中第i行、第j列上的像元數(shù)量(即正確分類的數(shù)目)；xi+和x+i分別是第i行和第i列的總像元數(shù)量；N是總的用于精度評估的像元數(shù)量。xij表示應(yīng)屬于j類的像素被分到i類的像素總數(shù)。

3 結(jié)果與分析

3.1 土地利用分類結(jié)果

參照 《土地利用現(xiàn)狀分類》國家標(biāo)準(zhǔn)，結(jié)合東方市的地理位置和特征，將土地分為林地、草地、耕地、建設(shè)用地、水域和其他用地。由于園地與林地區(qū)分度較小，將園地分到林地中。建設(shè)用地包括國標(biāo)中的城鎮(zhèn)用地、農(nóng)村宅基地、交通運輸用地等。為了類與類間可分離性更高，將其他用地依顏色、紋理特性分為設(shè)施農(nóng)用地、灘涂和未利用地(沙地、裸地等)。

行政邊界疊加預(yù)處理后的遙感影像，計算出土地總面積為2 274.77 km2。分別用五種分類方法提取各地類，后處理后統(tǒng)計各地類占比(表1)。

表1 各分類方法所得地類占比結(jié)果/%

3.2 自評精度與分析

在OLI原影像上重新選取一些新的、目視非常明顯的地類作為感興趣區(qū)，以感興趣區(qū)代替整幅圖像進行軟件自評(表2)。

(1)K-mean法。耕地和建設(shè)用地被錯分為未利用地的較多，未利用地占比高。林地的占比偏低，錯分為耕地和灘涂較多，導(dǎo)致耕地和灘涂的用戶精度低。但設(shè)施農(nóng)用地占比偏少，而精度評定表明此地類很少被錯分和漏分，可能是人為因素和方法本身的局限所致。

(2)ISODATA法。林地占比偏多，草地被錯分為林地很多，草地的用戶精度極低。錯分為耕地和灘涂的地類較多。未利用地的錯分和漏分情況比較嚴(yán)重，占比偏低。

表2 各地類自評精度/%

(3)最小距離法。耕地和林地被錯分為草地很多，草地的用戶精度很低。林地和草地被錯分為耕地較明顯，因此，林地和草地占比偏小，耕地占比偏高。錯分為灘涂的地類和像元多，導(dǎo)致灘涂的用戶精度較低，占比偏高。建設(shè)用地錯分很少，存在一定的漏分，但占比卻明顯偏少，分析是非人為誤差，可能是方法本身的原因。最小距離法易將建設(shè)用地周邊分成未利用地，當(dāng)建設(shè)用地與其他地類相鄰時，更傾向把邊界的像元分為相鄰地類，而精度評定時，選用邊界點較少，導(dǎo)致沒有體現(xiàn)出建設(shè)用地的漏分情況。

(4)最大似然法。草地占比明顯偏高，草地的用戶精度很低，主要是林地和耕地被錯分為草地。耕地占比稍低，耕地被錯分的地類多。有一定的未利用地和灘涂被錯分。

(5)支持向量機。草地漏分較嚴(yán)重，漏分的草地多被認(rèn)定為耕地，草地的生產(chǎn)者精度很低，導(dǎo)致草地占比明顯偏小。未利用地存在少量的漏分和錯分，占比偏少。

3.3 對比精度與分析

使用Google Earth同期數(shù)據(jù)目視解譯，每種地類隨機選20-50個點跟OLI影像上的數(shù)據(jù)進行比較，計算出精度指標(biāo)(表3)。

(1)K-mean法的分類精度不高，耕地和未利用地的生產(chǎn)者精度較低，耕地、草地和未利用地的用戶精度偏低。存在建設(shè)用地和林地的錯分、設(shè)施農(nóng)用地和草地的漏分等現(xiàn)象。耕地、未利用地和草地之間的錯分，耕地的漏分，由于三月份的農(nóng)作物還未成熟，田埂與未利用中的裸地、沙地等從顏色、紋理上區(qū)分度不夠強，同為綠色植被的耕地和草地被錯分也較多。

(2)ISODATA法。耕地和未利用地的互相錯分較多，水域附近的灘涂漏分較明顯，隨機選點數(shù)量和典型性不夠是主要原因。草地錯分明顯，大都被錯分為林地或耕地，用戶精度很低。草地、耕地和林地的互相混淆情況和K-mean法相當(dāng)。

(3)最小距離法。耕地被錯分明顯，耕地的生產(chǎn)者精度顯著偏低，水域被錯分為灘涂的現(xiàn)象較多，未利用地的生產(chǎn)者精度較低。

(4)最大似然法。用戶精度比較均衡，生產(chǎn)者精度大部分較好，未利用地和耕地的稍低。錯分漏分大為減少，分類結(jié)果比較好。

(5)支持向量機。地類的分類精度都比較高。耕地的生產(chǎn)者精度稍低，但相比于其他幾種方法綠色植被的混淆情況，錯分和漏分問題均有不同程度的緩解。

3.4 精度比較與分析

自評的Kappa系數(shù)和總體精度都偏高，有較強的主觀性。對比精度較為客觀。

非監(jiān)督分類的總體精度和Kappa系數(shù)相差不大，綠色植被的錯分漏分情況較明顯，對綠色植被的區(qū)分能力較差。水域極少被錯分和漏分，對水域的區(qū)分能力較好。

監(jiān)督分類的總體精度和Kappa指數(shù)明顯高于非監(jiān)督分類。其中，支持向量機的分類精度最高。無論是Kappa系數(shù)，還是用戶精度和生產(chǎn)者精度都明顯優(yōu)于其他方法，總體精度達0.88。類與類之間的間隔最大化，有較好的推廣性和較高的分類準(zhǔn)確率。缺點是數(shù)據(jù)處理耗時稍長，林地、耕地、草地的混淆，未利用地和耕地的混淆依舊存在。

表3 各地類對比精度/%

從用戶精度看，非監(jiān)督分類和監(jiān)督分類相差不大。林地、草地、耕地的用戶精度，監(jiān)督分類稍優(yōu)于非監(jiān)督分類。建設(shè)用地的用戶精度都比較高，監(jiān)督分類基本能做到建設(shè)用地不錯分。水域很少被錯分，監(jiān)督分類和非監(jiān)督分類都能較好地區(qū)分。其他用地中的設(shè)施農(nóng)用地、灘涂、未利用地的用戶精度都不高，監(jiān)督分類精度稍高，但優(yōu)勢不明顯。

從生產(chǎn)者精度看，對于林地、草地、耕地、建設(shè)用地，監(jiān)督分類都要高于非監(jiān)督分類。水域基本沒有被漏分，精度較好。設(shè)施農(nóng)用地、灘涂、未利用地的監(jiān)督分類和非監(jiān)督分類精度相當(dāng)，設(shè)施農(nóng)用地區(qū)分較好，未利用地區(qū)分較差。非監(jiān)督分類對水域的區(qū)分較好，而監(jiān)督分類對所有地類都能做到較好地區(qū)分。未利用地和耕地的精度始終比較低。

4 結(jié) 語

4.1 討 論

(1)五種分類方法對草地、林地、耕地等綠色植被的分辨能力不強。草地錯分為林地和耕地、耕地和林地錯分為草地、林地錯分為耕地等時有發(fā)生。綠色植被的光譜特征相似，是導(dǎo)致混淆不清的主要原因。

(2)建設(shè)用地、耕地和未利用地之間存在錯分。主要是因為耕地斑塊多與農(nóng)村宅基地共存，斑塊由縱橫交錯的田間小路或村鎮(zhèn)公路相連。在圖像上表現(xiàn)細碎零散的田間小路和農(nóng)村宅基地周邊或其中的未利用地，容易在分類過程中與相鄰地類發(fā)生混淆。

(3)林地除被錯分為耕地外，還被錯分為灘涂。主要是因為灘涂大多分布在水陸交錯區(qū)，而河流兩岸是耕地和防護林交錯分布的區(qū)域，像元既包含水體信息，又包含部分植被信息，混合像元帶來的“異物同譜”造成了錯分。

基于像元的分類方法并未充分利用幾何、紋理和結(jié)構(gòu)等多方信息，決策樹、神經(jīng)網(wǎng)絡(luò)、知識規(guī)則、面向?qū)ο?、多分類器集成等分類方法可有效彌補基于像元分類方法的缺陷，具有更大的發(fā)展空間和應(yīng)用前景。

4.2 結(jié) 論

(1)監(jiān)督分類精度明顯高于非監(jiān)督分類。盡管用戶精度相差不大，但監(jiān)督分類的生產(chǎn)者精度明顯優(yōu)于非監(jiān)督分類。

(2)不同地類的分類精度差異明顯。建設(shè)用地和水域的分類精度較高。未利用地和耕地的分類精度較低。林地、草地、耕地等綠色植被之間存在混淆。監(jiān)督分類的設(shè)施農(nóng)用地、灘涂、未利用地的用戶精度略優(yōu)于非監(jiān)督分類，但生產(chǎn)者精度相當(dāng)。

(3)支持向量機的分類精度最高。kappa系數(shù)、用戶精度、生產(chǎn)者精度和總體精度都明顯優(yōu)于另四種分類方法。