基于高分2號遙感影像的監(jiān)督分類方法探討
——以東川區(qū)小江的河谷地帶為例

袁新悅，甘淑,2，袁希平

(1.昆明理工大學國土資源工程學院，昆明 650093； 2.云南省高校高原山區(qū)空間信息測繪技術應用工程研究中心，昆明 650093；3. 滇西應用技術大學，大理 671000)

隨著空間遙感技術的發(fā)展，特別是高分二號(GF-2)衛(wèi)星，將衛(wèi)星影像分辨率提升至亞米級(1 m)，推進高分影像在土地規(guī)劃、生態(tài)環(huán)境保護以及自然災害災前預防和災后修復等方面的應用[1]。每年雨季，雨水沖散土壤導致大量泥沙或泥塊順勢滑落從而發(fā)生危害巨大的泥石流災害。泥石流的突發(fā)性、爆發(fā)性使得我們很難準確預判并加以防范，頻發(fā)的泥石流災害給當?shù)卦斐梢欢ǖ膿p害，沖毀鄉(xiāng)村城鎮(zhèn)、工廠、礦山等，淤塞河道阻斷航運，破壞房屋及其他工程設施，破壞農(nóng)作物、林木及耕地等，嚴重時造成人畜傷亡[2]。云南省東川區(qū)的小江流域，泥石流災害頻發(fā)，致使當?shù)厣鷳B(tài)環(huán)境慘遭破壞、阻礙經(jīng)濟發(fā)展。如今可通過監(jiān)督分類快速識別高分影像數(shù)據(jù)中的泥石流災害波及范圍及受災地區(qū)，為后續(xù)修護工作提供可靠的數(shù)據(jù)支持，并加速推進修護工作以節(jié)約時間，盡快恢復正常生活工作，盡可能減少人員傷亡和經(jīng)濟損失。

1 研究區(qū)概況與劃分

研究區(qū)小江位于云南省昆明市北端的東川區(qū)，與云南省曲靖市會澤縣毗鄰。小江為金沙江右岸的一個支流，其河谷谷底寬15～50 m，高程在1 000～2 000 m，兩岸懸崖陡峭，水流落差接近900 m[3]，加之河流兩岸巖層結(jié)構松散，育有深切割的河谷且河谷兩岸植被稀疏，導致這里極易形成大規(guī)模、強破壞性的泥石流，因此小江素有泥石流天然博物館之稱。

研究區(qū)劃分依據(jù)：以小江主流域(東川區(qū)至金沙江部分)為研究區(qū)主要研究對象，以流域周邊坡度小于8°左右、地勢平坦區(qū)域的地物邊界確定大致的研究區(qū)分界線，再根據(jù)區(qū)域真實地貌情況，盡量保證不將一種地物一分為二，最后不斷地更改完善以確定研究區(qū)最終分界線。

2 研究路線及方法

綜合實驗內(nèi)容與數(shù)據(jù)特點，設計總體實驗技術路線如圖1所示。

圖1 監(jiān)督分類的技術路線

2.1 影像數(shù)據(jù)來源

通過對比分析各時間段各類影像數(shù)據(jù)的質(zhì)量，包括鄰近影像的重疊是否大于4%、云霧量是否小于10%，地類信息是否豐富[4]等等，最終本次研究決定以2017年12月所得GF-2影像為影像數(shù)據(jù)源，以分辨率為30m的DEM數(shù)據(jù)所生成的坡度分析圖為本研究高程數(shù)據(jù)源。本研究將以農(nóng)村土地利用現(xiàn)狀分類標準(八大類)為基準[5]，再結(jié)合當?shù)刈匀粭l件和研究區(qū)域內(nèi)的自身土地利用現(xiàn)狀，剔除園地和牧草地這兩類，最終將地物依次劃分為耕地、林地、建筑用地、交通用地以及水域和未利用地這6種類別。

2.2 數(shù)據(jù)預處理

(1) 幾何校正和正射校正

遙感成像過程中，會受多種因素的影響，如傳感器自身影響、地形變化影響、大氣折射影響等，導致原始圖像上地物的幾何位置、形狀大小、方位等特征與其對應的地面地物的實際特征不一致，繼而需要進行幾何校正，以糾正偏差[6]。

影像在成像時，使得圖像中地物的幾何位置、大小、形狀等特征信息在受到多種要素的影響后，與其對應真實的特性信息有所偏差，該偏差稱之為幾何畸變[7]，正射校正就是進行傾斜改正和投影差改正，以處理幾何畸變。

(2) 圖像配準和融合

先配準后融合，尤其是高分影像，幾何校正使得同一區(qū)域的多光譜圖像和全色影像中的同一地物發(fā)生錯位后不能重疊，自然使得后面的圖像融合和圖像鑲嵌等工作無法進行下去，則需要對多光譜圖像和全色影像進行配準，將錯位地物正確歸位。

圖像融合是指將有著高分辨率的單波段的黑白圖像與有著多光譜的低分辨率影像基于某種算法進行重采樣，而獲取得到一幅新的遙感圖像[8]，融合后所得新的數(shù)據(jù)影像沿襲先前兩幅影像各自優(yōu)點——高分辨率和多光譜特性。

(3) 圖像鑲嵌和裁剪

為確保研究區(qū)域連貫性，先鑲嵌再進行無規(guī)則裁剪。圖像鑲嵌是將景象相鄰的多個遙感圖像無縫拼接為一個大范圍圖像，圖像裁剪是去除研究區(qū)域之外的部分，裁剪出所需的研究范圍[9]。

2.3 樣本選擇

監(jiān)督分類前需選取樣本，根據(jù)研究區(qū)實際的土地利用狀況確定分類系統(tǒng)以建立適合的分類樣本。評價訓練樣本主要是通過計算可分離值來判斷，其中可分離值大于1.9時說明分離性較好，小于1.8，則需重新選擇樣本，小于1時考慮將兩個樣本合并[10]。經(jīng)不斷反復實驗，選取樣本并計算可分離值，本文最終各類樣本的分離值如表1所示。

表1 各類別樣本分離值

2.4 監(jiān)督分類的分類器選擇

監(jiān)督分類即用被確認類別的樣本去識別其他未知像元的過程[11]。它就是在分類之前通過人工判定并選取每一種類別適量的樣本，計算機通過數(shù)學模型計算每種樣本的統(tǒng)計信息或其他信息，在滿足一定閾值的情況下挑選出符合條件的未知像元，以此完成整個分類過程。其中幾種主要的分類器如表2所示。

互聯(lián)網(wǎng)金融在現(xiàn)階段發(fā)展的并不完善，不具備商業(yè)銀行的不良資金撥備、存款準備金等防范措施，資金的流動性問題備受人們的關注。在2008年金融危機時，某貨幣基金的債券價值逐漸下跌，這在一定程度造成了人們的投資恐慌，貨幣基金在兩天內(nèi)就流失了一半以上的資金，最終因為流動資金的不足造成該貨幣基金的停止發(fā)售?，F(xiàn)階段人們的消費觀念逐漸發(fā)生了變化，人們在消費時逐漸使用支付寶或者螞蟻花唄，這樣可以實現(xiàn)在當月支付下月償還，這使年輕人的消費欲望得到了滿足，但是該平臺維持業(yè)務可能是通過墊付資金來實現(xiàn)的，如果使用的大部分用戶沒有按照規(guī)定的時間還款，這樣一定會重創(chuàng)平臺的流動性，進而產(chǎn)生流動性風險。

表2 監(jiān)督分類幾種分類方法原理及其優(yōu)缺點

2.5 分類后處理

監(jiān)督分類分類后處理是監(jiān)督分類過程中的必要步驟，分類結(jié)果中不可避免地會產(chǎn)生一些面積很小的圖斑，無論從專題制圖的角度，還是從實際應用的角度，都有必要對這些小面積圖斑進行剔除或重新分類，分類后處理可以減少噪聲和去除被過分細化了的小斑塊。本文主要用ENVI軟件來進行后處理以提高遙感圖像的使用質(zhì)量和分類結(jié)果精度，小斑塊去除，目前常用的方法有主/次要分析、聚類處理和過濾處理[12]。經(jīng)分類后處理的數(shù)據(jù)前后對照圖如圖2所示。

圖2 分類后處理數(shù)據(jù)前后對照圖

3 分類結(jié)果精度評定與分析

3.1 分類結(jié)果精度評定

本研究采用GF-2高分數(shù)據(jù)在東川區(qū)小江流域進行地物信息的快速識別，再通過目視解譯的方法構造真實地表信息，利用混淆矩陣將真實地表信息與分類后結(jié)果比對進行精度分析，3種分類方法對各類地物信息識別結(jié)果大同小異，如表3所示，3種分類的總體精度從低到高依次為：最大似然法的總體精度為63.763 0 %、最小距離法的總體精度為65.813 9 %、支持向量機的總體精度在三者中最高，為70.059 7 %。

表3 不同分類方法結(jié)果精度報表

在研究區(qū)內(nèi)，水域和居民地的識別精度較其他地物的識別情況差別較大，支持向量機法所識別的各類地物的具體精度和誤差如表4所示，其中錯分誤差最小的類別為居民地，為3.23%，漏分誤差最小的為水域為25.09%，制圖精度和用戶精度最大的分別為水域和居民地，為74.91%和96.77%。

表4 SVM法識別不同地物誤差精度報表

3.2 分類結(jié)果精度分析

由上述精度評定結(jié)果，比較研究中的3種方法，無論是分類總體精度還是Kappa系數(shù)，精度最高、系數(shù)最高的是支持向量機，說明支持向量機在提取東川區(qū)小江河谷地帶的地物信息比較適用，因此，在對GF-2高分數(shù)據(jù)進行地物識別和分類時，建議采用支持向量機方法。且由支持向量機的具體結(jié)果精度和誤差，發(fā)現(xiàn)對該區(qū)域內(nèi)大面積的連續(xù)塊狀地物即小江流域水體信息以及光譜信息特殊的居民點信息的提取，主要是因為研究區(qū)內(nèi)居民地有鮮明的光譜特征，水域為大面積連續(xù)地物，那么可以利用監(jiān)督分類方法快速提取影像數(shù)據(jù)中有鮮明光譜特征的大面積連續(xù)地物。

4 結(jié)論

基于高分影像如何更高效地提取區(qū)域內(nèi)地物信息一直是遙感學科研究熱點[13]。

對高分影像采用監(jiān)督分類進行地物信息提取的優(yōu)勢：

(1) 可單獨地提取實際生產(chǎn)所需地物，即在分類前，可通過訓練樣本的選擇，進行單一或多種地物的類別分類，并通過不斷訓練樣本增大樣本分離性以提高監(jiān)督分類的分類精度。

(2) 監(jiān)督分類針對于大面積連續(xù)塊狀地物和光譜信息突出的地物時較實用。

對高分影像采用監(jiān)督分類進行地物信息提取的劣勢：

(1) 容易忽略零星的小面積地物，出現(xiàn)一定程度的混分、錯分現(xiàn)象。

(2) 由于監(jiān)督分類僅依靠光譜信息進行地物分類，總體分類精度不理想。因此在后期實驗可以將監(jiān)督分類與其他分類方法巧妙結(jié)合，在沿襲監(jiān)督分類操作簡易、分類快速等優(yōu)點的同時提高分類精度。