光學遙感影像在土地分類中的應用

張 妍，徐 歡，黃嘉艇

(宿遷學院 建筑工程學院，江蘇 宿遷 223800)

0 前 言

隨著我國城市化建設進程的不斷加快,城鎮(zhèn)土地利用類型也在短時間之內(nèi)發(fā)生了一些巨大變化。土地綜合利用的情況變化不僅直接反映了我國過去一個時期地區(qū)的經(jīng)濟發(fā)展總體情況,而且可以直接預測未來的發(fā)展趨勢,因此，及時準確掌握當前土地綜合利用情況變化相關信息就顯得尤為重要。遙感技術以其檢測速度高、精度高、周期短等技術特點在我國土地分類中一直占有明顯技術優(yōu)勢。本文以江蘇省宿遷市為實例,介紹遙感影像監(jiān)督分類方法中的最大似然法以及最小距離法的應用并對其結(jié)果進行分析。

1 研究方法

1.1 技術路線(見圖1)

圖1 技術路線圖

1.2 研究區(qū)概況及數(shù)據(jù)源

研究區(qū)選自江蘇省宿遷市,地處北緯33.96°,東經(jīng)118.30°。北與江蘇省徐州市、連云港市接壤;西與安徽省宿州市、蚌埠市區(qū)相連;南與滁州比鄰;東與淮安蚌埠相接?？偯娣e8 555 km2,研究地區(qū)分為居民區(qū)、商業(yè)辦公用地、工業(yè)區(qū)、農(nóng)業(yè)區(qū)等。而且在該研究所在區(qū)域內(nèi)公路、鐵路交通并存。水資源也比較豐富,既有條狀水體分布的幾條河流,也夾帶有一些塊狀的河流,故筆者選此區(qū)域作為本文研究區(qū)。數(shù)據(jù)主要來源有在地理信息空間數(shù)據(jù)云平臺免費下載的2017年landsat8影像數(shù)據(jù)、來源于相關民政部門最新發(fā)布的宿遷市城市行政區(qū)劃地理圖、區(qū)域內(nèi)土地開發(fā)利用情況現(xiàn)狀、宿遷市城市道路公共交通圖等。

2 土地利用遙感影像分類體系

2.1 確定分類體系

根據(jù)第三次土地調(diào)查分類工作標準,結(jié)合實際研究區(qū)內(nèi)土地綜合利用實際開展情況，通過對影像的解譯本研究土地取得后綜合利用主要土地類型包括耕地、林地、河流、住宅用地、交通運輸用地五種用地類型。

2.2 分類方法

此次在研究區(qū)中采用目視解譯結(jié)合監(jiān)督分類的方法對土地類型進行分類,借助人的相關知識和實踐經(jīng)驗以及對研究區(qū)現(xiàn)有土地綜合利用后的狀況等對研究區(qū)進行訓練樣本選擇。通過使用最大似然法和最小距離法分別進行土地分類,對現(xiàn)有遙感圖像數(shù)據(jù)進行空間信息分析提取。最后,對本次分類結(jié)果分析評定,得出精度較高的一種分類方法。

3 遙感影像預處理及解譯

3.1 確定分類體系

選用4、3、2波段組合配以紅、綠、藍生成彩色圖像。同時,配合5、4、3波段圖像配以紅、綠、藍三種不同顏色技術合成后的影像，可輔助遙感圖像的判斷解讀。圖2～3分別是4、3、2波段及5、4、3波段的波段組合。

圖2 4、3、2波段

圖3 5、4、3波段

3.2 遙感影像鑲嵌及裁剪

本次試驗需獲取兩幅遙感影像才可以將研究區(qū)全部覆蓋，因而需要下載兩幅影像并對其進行鑲嵌。鑲嵌后的影像會覆蓋研究區(qū)以外的區(qū)域，因此，需進行影像裁剪。利用ARCGIS在我國地圖中找到研究區(qū)生成shapefile文件，按此文件將鑲嵌后的柵格影像進行裁剪。接著進行柵格數(shù)據(jù)裁剪。圖4～5分別是鑲嵌后和裁剪后的部分影像。

圖4 鑲嵌后影像

圖5 裁剪后部分影像

3.3 遙感影像增強處理

通過圖像增強等技術處理優(yōu)化遙感影像,降低多信號波段遙感圖像的模糊度,解決方法之一是通過纓帽變換進行圖像光譜增強圖像處理,突出植被遙感圖像局部特征,優(yōu)化遙感圖像上的顯示視覺效果。圖6～7分別顯示是增強前后的兩幅部分影像。

圖6 增強前部分影像

圖7增強后部分影像

4 影像分類方法

參照1 ∶10萬的地形圖、調(diào)差研究區(qū)土地綜合利用發(fā)展現(xiàn)狀情況圖,數(shù)據(jù)分析依據(jù)綜合典型性、全面性、均衡性以及單純性的四個原則來選取訓練樣本。然后采用最大似然距法和最小距離法對影像數(shù)據(jù)進行監(jiān)督分類。

4.1 最大似然分類法

基于ENVI5.3平臺監(jiān)督分類中的最大似然法,選取近紅外波段、紅外波段和綠波段進行波段組合,基于執(zhí)行目視解譯,選擇訓練樣區(qū)并執(zhí)行最大似然分類法，分類后總體精度為99.501 2%，Kappa系數(shù)為0.980 8。

4.2 最小距離分類法

最小距離分類法利用訓練樣本數(shù)據(jù)分析計算出每一類的均值向量和標準差向量,以均值向量作為特征空間的中心位置，計算每個像元到各類特征空間中心節(jié)點的距離,選擇該像元就被歸類到距離最小的那一類，分類后總體精度為95.265 0%，Kappa系數(shù)為0.814 4。

4.3 分類結(jié)果比較

對圖像進行圖斑合并以及生成混淆矩陣得出各類土地類型分類精度。如最大似然分類法中耕地分類精度為94.67%，但最小距離分類法耕地精度只46.31%，Kappa系數(shù)也是最大似然分類法的0.980 8，大于最小距離分類法的0.814 4。

由分析可知,最大似然分類法相比于最小距離分類法具有較高的分類精度、漏分誤差和錯分差誤差較低、工作時間相對較短等優(yōu)點;最小距離法因為易于受到相近地物光譜信息的干擾,容易被劃分到相近物理地物的類別中,因而漏分誤差和錯分誤差相對較高,但其分類算法相對簡單,速度相對較快。

5 結(jié) 果

本文選用監(jiān)督分類常用的最大似然分類法以及最小距離分類法，將目前研究重點區(qū)域的土地類型細分為5類，通過對分類結(jié)果進行分析比較,得出了兩種分類方法的優(yōu)劣。從而得出更適用于該研究區(qū)域的土地分類方法，為該區(qū)域的土地分類和土地規(guī)劃提供了更加詳細且精準的資料。

[ID:010451]