基于遙感數(shù)據(jù)的土地資源分類方法比較

王蕊，程海龍，黃如兵

1.山東交通學(xué)院 交通土建工程學(xué)院，山東 濟南 250357； 2.中國水電八局有限公司，湖南 長沙 410004;3.中國重型汽車集團有限公司，山東 濟南 250101

0 引言

近年來遙感技術(shù)發(fā)展非常迅速，應(yīng)用越來越廣泛，其在災(zāi)害監(jiān)測、環(huán)境調(diào)查、土地利用情況監(jiān)測等方面發(fā)揮著重要作用[1]。原始的土地分類方法(如求積儀法)具有比較高的出錯率，精度較低，研究結(jié)果主要以紙質(zhì)的形式體現(xiàn)，研究成果的更新和應(yīng)用比較困難[2]。而遙感技術(shù)有即時、快速、精確、周期短等特點，已成為目前土地分類中高效的技術(shù)手段之一[3-6]。

目前基于遙感數(shù)據(jù)的土地資源分類方法較多，傳統(tǒng)的遙感影像分類方法主要有非監(jiān)督分類和監(jiān)督分類2種。監(jiān)督分類包括最小距離法[7]、平行管道法和最大似然法[8]等，非監(jiān)督分類包括K-Means法和ISODATA法[9-10]。這幾種分類法都是基于遙感圖像中地物光譜特征的差異進行地物分類，并未考慮到遙感圖像中地物的空間信息和幾何信息，其地物分類結(jié)果精度較低[11-12]。Basrin[13]對多種監(jiān)督分類法進行比較，并對這些分類法進行分析與評價。朱建華等[14]利用自適應(yīng)最小距離法對泰吉河流域遙感圖像進行分類，分類結(jié)果較好。

隨著遙感技術(shù)的不斷發(fā)展，從遙感圖像中提取信息的方法不斷變化，先后分別有目視判讀、計算機解譯、提取光譜特性、提取光譜與紋理結(jié)合特征等方法[15]。雖然遙感數(shù)據(jù)中有很多信息，但同時也可能存在信息間相互干擾的問題，從而增大分類識別的難度。因此如何實現(xiàn)多類別分類，提高分類精度，成為目前研究的難點[16]。高志強等[17]使用遙感技術(shù)和GIS技術(shù)，研究分析了我國土地資源的利用情況。賈坤等[18]深入探討了遙感影像分類方法，分析了其研究現(xiàn)狀。

隨著遙感圖像的廣泛應(yīng)用，隨之出現(xiàn)了一些遙感圖像分類的新方法。其中，決策樹法分類過程直觀、快速，且有高準確度等特點，因此其應(yīng)用非常廣泛[19-20]。該分類法以逐級劃分的形式，將影像的輔助信息(紋理信息、地形信息等)融入到整體系統(tǒng)中，并且對分支點參數(shù)進行逐步優(yōu)化，從而提高遙感圖像的分類精度[21-22]。

本文以安徽省安慶市懷寧縣為研究區(qū)域，探討分析不同分類方法的精確性和適用性。以Landsat遙感圖像為數(shù)據(jù)源，分別采用K-Means、最大似然、最小距離、基于專家知識的決策樹分類4種分類方法進行該研究區(qū)域的土地資源分類，比較和分析各種分類法的結(jié)果，評價各種方法的分類精度，從而找出適合該研究區(qū)域的土地資源最優(yōu)分類方法。

1 研究區(qū)域與研究方法

1.1 研究區(qū)域概況

安慶市懷寧縣位于安徽省西南部、長江下游北岸，該區(qū)東臨安慶市，西鄰潛山和太湖，北鄰?fù)┏?，南鄰?fù)？h域面積1276 km2。人口70萬人，轄20個鄉(xiāng)鎮(zhèn)。該研究區(qū)域?qū)賮啛釒Ъ撅L(fēng)濕潤區(qū)，具有氣候溫和、雨熱同期、降水適中、光照充足、無霜期長等特點。

1.2 研究數(shù)據(jù)

本研究數(shù)據(jù)來自Landsat ETM+遙感圖像[23]，采用ENVI5.1軟件對Landsat ETM+遙感圖像數(shù)據(jù)進行預(yù)處理，以消除大氣等因素造成的影響，從而獲取真實的地表反射率。

預(yù)處理包括：1)使用工具箱中的Radiometric Correction→Radiometric Calibration模塊輻射定標；2)運用FLAASH校正模塊進行大氣校正；3)采用ENVI5.1矢量裁剪工具，利用懷寧縣矢量邊界對遙感圖像進行裁剪，得到該研究區(qū)域的遙感圖像，如圖1所示。

圖1 研究區(qū)域遙感圖像

1.3 研究流程

數(shù)據(jù)處理流程如圖2所示，主要包括：Landsat7 ETM+遙感圖像數(shù)據(jù)下載；遙感數(shù)據(jù)的預(yù)處理(輻射定標、大氣校正、影像裁剪)；K-Means、最大似然、最小距離、基于專家知識的決策樹法4種遙感影像分類方法的分類精度評價及結(jié)果比較分析。

圖2 數(shù)據(jù)處理流程

1.4 研究方法

以Landsat7 ETM+遙感圖像為數(shù)據(jù)源，利用Arcgis10.2從全國縣邊界矢量圖中提取研究邊界矢量數(shù)據(jù)，利用ENVI 5.1對遙感數(shù)據(jù)進行處理，采用K-Means、最大似然、最小距離、基于專家知識的決策樹法4種不同分類方法，分別對研究區(qū)域土地資源利用信息進行提取，再結(jié)合研究區(qū)域的谷歌地圖衛(wèi)星影像圖，對比各種方法的分類結(jié)果圖，評價各種方法的分類精度。

2 土地資源分類及結(jié)果分析

2.1 土地資源分類

綜合考慮研究區(qū)域的情況和Landsat7 ETM+遙感圖像的特點，依據(jù)國家頒布的分類標準[24]，確定該區(qū)域的土地利用類型。選取谷歌衛(wèi)星地圖影像數(shù)據(jù)[25]作為基礎(chǔ)參考數(shù)據(jù)，采用Landsat ETM+遙感圖像的543波段組合，最終將該區(qū)域的土地資源分為水體、建設(shè)用地、農(nóng)田、林地和裸地5類。

2.2 分類結(jié)果

采用K-Means、最大似然、最小距離和基于專家知識的決策樹法4種具有代表性的分類方法對研究區(qū)域的影像數(shù)據(jù)進行分類，分類結(jié)果如圖3所示。

圖3 4種方法的分類結(jié)果

由圖3可知：1)圖3a)中，區(qū)域土地分成了建設(shè)用地、水體、農(nóng)田(林地)和裸地4類。林地和農(nóng)田因為波譜特性相近而沒有區(qū)分開，被分成了一類，裸地與建設(shè)用地的區(qū)分也不明顯，因此K-Means分類法誤差相對較大，分類效果差； 2)圖3b)、3c)的土地類別劃分較清楚，兩者對建設(shè)用地的劃分差距較大，圖3b)中建設(shè)用地分布較少，圖3c)中建設(shè)用地分布較多，圖3b)與谷歌衛(wèi)星圖較貼近，但兩種方法對林地的劃分結(jié)果都較差；圖3各圖對水體的分類結(jié)果相對來說都比較接近；圖3d)最貼近衛(wèi)星圖，各類土地與實際土地類別分布誤差較小，即基于專家知識的決策樹法的分類結(jié)果更準確。

綜上分析，4種分類方法中，分類效果最差的是K-Means分類法，最好的是基于專家知識的決策樹分類法。

2.3 分類精度評價

采用混淆矩陣進行精度評價，從混淆矩陣中計算多種精度統(tǒng)計值，具體包括：運行誤差(圖像的某一類地物被錯分到其他類別的百分比)、結(jié)果誤差(實際某一類地物被錯誤地分到其他類別的百分比)、用戶精度(從分類結(jié)果圖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)、制圖精度(實際任意一個隨機樣本與分類圖上同一地點的分類結(jié)果相一致的條件概率)、總體精度(正確分類樣本數(shù)/總檢驗樣本數(shù))和Kappa系數(shù)(該值越高，分類精度也越高)，以此來了解各種分類方法的分類精度，確定各分類方法的準確度。利用ENVI5.1軟件得到4種分類方法的運行誤差、結(jié)果誤差、用戶精度、制圖精度及總體精度如表1～4所示。

表1 K-Means法分類精度評價結(jié)果 %

表2 最大似然分類精度評價結(jié)果 %

表3 最小距離分類精度評價結(jié)果 %

表4 基于專家知識的決策樹分類精度評價結(jié)果 %

由表1～4可知：1)K-Means法精度參數(shù)普遍較低，其中裸地的用戶精度最高，為80.65%，建設(shè)用地的用戶精度最低，為8.85%，其他3種方法建設(shè)用地的分類精度都達到了80%以上；2)農(nóng)田和林地的光譜特性有一定的相似性，容易混淆，不易區(qū)分，K-Means法將農(nóng)田和林地分成了一類，最大似然法對農(nóng)田和林地的分類更精確，農(nóng)田的用戶精度達到82.98%；3)4種方法中，最小距離分類法對裸地的分類精度最低，用戶精度為57.90%；4)4種分類方法對水體的分類精度最高，K-Means法的用戶精度達到了70%以上，其他3種分類方法都達到了90%以上；5)4種方法的總體分類精度都超過了90%，基于專家知識的決策樹分類法總體精度最高，達到了97.23%；6)4種方法的Kappa系數(shù)都在0.75以上，K-Means法的Kappa系數(shù)最小，為0.76，決策樹分類法的Kappa系數(shù)最大，為0.92。

綜合比較4種分類方法的建設(shè)用地、農(nóng)田、林地、裸地和水體5類土地的分類結(jié)果，基于專家知識的決策樹方法對該研究區(qū)影像的分類結(jié)果最好，精度最高。

3 結(jié)語

本文對安慶市懷寧縣土地的Landsat ETM+遙感圖像進行輻射定標、大氣校正和裁剪，分別采用K-Means、最大似然、最小距離、基于專家知識的決策樹法4種分類方法對土地進行分類處理，結(jié)合谷歌衛(wèi)星圖對4種分類方法的分類精度進行比較。4種分類方法中，K-Means分類法對建設(shè)用地、農(nóng)田、林地、裸地和水體5類土地分類的效果最差，基于專家知識的決策樹分類法的分類效果最好，總體精度最高，Kappa系數(shù)最大。