基于GF-1數(shù)據(jù)復(fù)雜地區(qū)地物類型提取探究

張德軍，顏 瑋，陳志軍，祝 好，何澤能，饒志杰，楊世琦

1. 重慶市氣象科學(xué)研究所，重慶 401147； 2. 永川區(qū)氣象局，重慶 永川 402160； 3. 四川省西充縣氣象局，四川 西充 637200

隨著人類本身對(duì)地球環(huán)境影響速率的加快，全球變化已成為研究地球系統(tǒng)整體行為的熱點(diǎn)問題[1]．土地利用/土地覆蓋變化作為影響地球環(huán)境變化最直接的因素，影響了全球生物多樣性、 生物系統(tǒng)的承載力和服務(wù)功能[2]．因而，能及時(shí)有效地獲取土地覆蓋信息對(duì)于研究全球地表環(huán)境變化至關(guān)重要．

真實(shí)有效的土地覆蓋數(shù)據(jù)為監(jiān)測(cè)地球環(huán)境變化、 評(píng)估可持續(xù)發(fā)展以及建立生態(tài)氣候模型提供了重要的數(shù)據(jù)支持[3]．衛(wèi)星遙感技術(shù)具有宏觀、 快速、 經(jīng)濟(jì)等特點(diǎn)，能實(shí)現(xiàn)不同尺度下地表環(huán)境的觀測(cè)[4]，為全球范圍土地覆蓋和地表環(huán)境變化監(jiān)測(cè)提供可能．目前，大尺度的地表環(huán)境遙感觀測(cè)主要以低分辨率遙感數(shù)據(jù)為主(300 m～1 km)[5-6]，如美國(guó)地質(zhì)調(diào)查局、 馬里蘭大學(xué)、 波士頓大學(xué)和歐洲發(fā)布的4套空間分辨率為1 km的全球土地覆蓋產(chǎn)品，以及歐空局制作的空間分辨率為300 m的GLOBCOVER產(chǎn)品[7]．但低分辨率土地覆蓋產(chǎn)品存在空間分辨率低、 時(shí)間跨度短以及分類精度低等問題[8]．中高分辨率土地覆蓋產(chǎn)品數(shù)據(jù)雖然具有高精度、 高空間分辨率等優(yōu)點(diǎn)，但此類產(chǎn)品制作過于依賴分類算法和人工目視解譯，存在自動(dòng)化程度低、 效率差、 費(fèi)時(shí)費(fèi)力等缺點(diǎn)[4，9]．如何利用中高分辨率遙感數(shù)據(jù)實(shí)現(xiàn)土地覆蓋類型的快速、 自動(dòng)化提取以及動(dòng)態(tài)監(jiān)測(cè)已成為遙感研究的熱點(diǎn)和難點(diǎn)．

人工智能技術(shù)的加入，使得土地覆蓋分類催生出了諸多新的算法，其中包括人工智能神經(jīng)元網(wǎng)絡(luò)分類方法[10]、 決策樹分類法[11-12]、 支持向量機(jī)法[13-14]和隨機(jī)森林算法[15-16]等．人工智能與遙感技術(shù)的結(jié)合，為實(shí)現(xiàn)土地覆蓋類型的自動(dòng)化識(shí)別和提取提供了可能．新算法充分利用了中高分辨率遙感數(shù)據(jù)的光譜、 紋理和空間特征，極大地提高了土地覆蓋產(chǎn)品的制作效率和分類精度．李亞飛等[17]以向量的形式融合了遙感圖像的光譜、 紋理和空間結(jié)構(gòu)等特征，并將特征融合后用于卷積神經(jīng)網(wǎng)絡(luò)模型中，使得融合后的模型能識(shí)別更抽象、 更具有代表性的高層特征，提高了土地覆蓋信息的分類精度．王恩德等[18]設(shè)計(jì)了一種結(jié)合ResNet18網(wǎng)絡(luò)預(yù)訓(xùn)練模型的雙通道遙感圖像特征提取網(wǎng)絡(luò)，同時(shí)采用標(biāo)準(zhǔn)化層和帶有位置索引的最大池化方法進(jìn)一步優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，提高了遙感圖像的語義分割效果和分類精度．肖國(guó)峰等[19]利用Landsat數(shù)據(jù)和HJ-1A數(shù)據(jù)采用CART決策樹法，提取得到1990-2017年山東省慶云縣和無棣縣土地利用圖，并制定了撂荒地的識(shí)別規(guī)則，依據(jù)識(shí)別規(guī)則提取了研究區(qū)的撂荒地空間分布．為推廣國(guó)產(chǎn)高分?jǐn)?shù)據(jù)在森林樹種分類方面的應(yīng)用，同時(shí)探究不同時(shí)相、 分類特征及分類器的組合對(duì)樹種分類結(jié)果的影響，李哲等[20]利用3景高分二號(hào)影像構(gòu)建了3種單時(shí)相和4種多時(shí)相，通過多尺度分割、 C5.0特征優(yōu)選及SVM和RF兩種分類器分別實(shí)現(xiàn)了不同時(shí)相及特征維度下面向?qū)ο蟮?個(gè)樹種的分類．為評(píng)估機(jī)器學(xué)習(xí)算法在復(fù)雜地表環(huán)境下覆蓋類型土地分類的精度，本文以國(guó)產(chǎn)GF-1 PMS為數(shù)據(jù)源，利用支持向量機(jī)、 隨機(jī)森林和人工神經(jīng)網(wǎng)絡(luò)算法提取重慶市永川區(qū)土地覆蓋類型，并結(jié)合不同地物類型之間NDVI以及形狀因子的差異，對(duì)機(jī)器學(xué)習(xí)算法分類結(jié)果中混淆像元進(jìn)行修正，以期最終得到高精度、 高空間分辨率的地物分類結(jié)果．

1 研究區(qū)及數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)位于105°48′E～105°52′E，29°8′N～29°11′N的重慶市永川區(qū)南部，東西橫跨6.9 km，南北向?qū)? km，區(qū)域總面積為34.5 km2．該區(qū)域地貌主要以丘陵、 低山和平壩為主[21]，海拔高度介于280 m～506 m．土地覆蓋類型主要包括林地、 農(nóng)田、 建筑、 道路、 水體和大棚等．為詳細(xì)分析試驗(yàn)區(qū)各典型地物的提取效果，本文選擇了5個(gè)559×559像元大小的區(qū)域(圖1)．其中，紅色區(qū)域被用于分析林地和道路提取效果，紫色區(qū)域?yàn)榻ㄖ锞奂?，黃色區(qū)域?yàn)檗r(nóng)田，淺綠色區(qū)域?yàn)椴灰?guī)則水體，藍(lán)色區(qū)域含有部分種植大棚．

底圖來源于自然資源部標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)，審圖號(hào)： CS(2019)3333．圖1 研究區(qū)地理位置及GF-1號(hào)真彩色圖像

1.2 數(shù)據(jù)及預(yù)處理

文中數(shù)據(jù)源為國(guó)產(chǎn)GF-1 PMS影像，包括空間分辨率為2 m的全色波段和8 m的多光譜波段，PMS數(shù)據(jù)波段介紹如表1所示．影像時(shí)間為2017年7月10日，云覆蓋量為1%．GF-1 PMS數(shù)據(jù)處理主要包括輻射定標(biāo)、 大氣校正、 正射校正、 圖像融合、 圖像鑲嵌和裁剪等步驟[14]．公式(1)為GF-1圖像輻射定標(biāo)方程，式中Gain為定標(biāo)斜率，DN為衛(wèi)星載荷觀測(cè)值，Bias為定標(biāo)截距，Lλ的單位為W/(m2*um*sr)，各定標(biāo)參數(shù)來源于中國(guó)資源衛(wèi)星應(yīng)用中心(http： //www.cresda.com)．輻射定標(biāo)后，利用FLASSH模型進(jìn)行大氣校正，校正后的數(shù)據(jù)借助DEM對(duì)圖像中的每個(gè)像元進(jìn)行地形誤差校正，使得遙感圖像滿足正射投影的需要．然后采用NNDiffuse融合技術(shù)生成高光譜、 高空間分辨率的圖像．最后，利用研究區(qū)矢量范圍對(duì)融合后的高光譜、 高空間分辨率數(shù)據(jù)進(jìn)行拼接和裁剪．

Lλ=Gain*DN+Bias (1)

2 研究方法

2.1 支持向量機(jī)法

1995年Vapnik等人基于統(tǒng)計(jì)學(xué)理論的VC維理論(Vapnik-Chervonenkis)和結(jié)構(gòu)風(fēng)險(xiǎn)最小化(Structural Risk Minimization，SRM)準(zhǔn)則提出了一種機(jī)器學(xué)習(xí)方法——支持向量機(jī)法[22]．該方法具有易用、 穩(wěn)定和精度高等特點(diǎn)，能較好地解決小樣本、 非線性、 高維數(shù)據(jù)等實(shí)際問題[4]．

圖2 線性可分條件下的最優(yōu)平面

SRM的基本思想是尋找能夠正確劃分訓(xùn)練數(shù)據(jù)集，且劃分的幾何間隔最大的分離超平面[22]．此平面有許多種可能性，因此需要找出最佳的超平面(Optimal Separating Hyperplane，OSH)，使類別間區(qū)分距離最遠(yuǎn)．一般情況下，樣本到超平面距離的遠(yuǎn)近被用于表征樣本分類預(yù)測(cè)的準(zhǔn)確程度．圖2中H為線性可分條件下的OSH[4]，H1和H2之間的距離M稱為分類間隔．

2.2 隨機(jī)森林算法

2001年Breiman L提出了一種利用多棵樹對(duì)樣本進(jìn)行訓(xùn)練和預(yù)測(cè)的分類方法——隨機(jī)森林算法[23]．該算法很好地解決了決策樹過擬合的缺點(diǎn)，較好地容忍了訓(xùn)練過程中出現(xiàn)的噪聲和異常值，在高維度數(shù)據(jù)分類過程中具有良好的并行性和可擴(kuò)展性[24]．其優(yōu)異的分類性能，使得RF分類算法在醫(yī)學(xué)、 生物學(xué)、 地理學(xué)等領(lǐng)域得到廣泛的應(yīng)用．RF模型中包含了多個(gè)由Bagging集成技術(shù)訓(xùn)練生成的決策樹，以這些決策樹為分類器，由各單個(gè)決策樹分類結(jié)果進(jìn)行投票決定最終的分類結(jié)果(圖3)．

圖3 隨機(jī)森林算法示意圖

圖4 人工神經(jīng)網(wǎng)絡(luò)算法示意圖

2.3 人工神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)最早于20世紀(jì)40年代，由心理學(xué)家W. S. McCulloch和數(shù)理邏輯學(xué)家W. Pitts提出的，他們通過MP模型提出了神經(jīng)元的形式化數(shù)學(xué)描述和網(wǎng)絡(luò)結(jié)構(gòu)方法，證明了單個(gè)神經(jīng)元能執(zhí)行邏輯功能，從而開創(chuàng)了人工神經(jīng)網(wǎng)絡(luò)研究的時(shí)代[25]．到了20世紀(jì)70年代，擁有自學(xué)習(xí)、 聯(lián)想存儲(chǔ)和高速尋找優(yōu)化解等優(yōu)勢(shì)的ANN算法開始被應(yīng)用于高分辨率遙感影像地表覆蓋類型分類中，由于ANN算法在地表含混度較高、 地物紋理特征豐富的區(qū)域分類效果較好，通過改變隱含層的節(jié)點(diǎn)，從而較好地解決了地物分類過程中存在的“同物異譜”和“異物同譜”的現(xiàn)象[26]．圖4為人工神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)圖，圖中xi為輸入層接收的特征向量，hΘx為輸出層預(yù)測(cè)的結(jié)果，介于輸入層與輸出層之間的是隱含層．

2.4 分類精度驗(yàn)證

目前，用于評(píng)估土地覆蓋類型分類精度以及分類算法可靠性檢驗(yàn)的方法有兩種，一種是通過混淆矩陣計(jì)算得到總體分類精度(公式2)和Kappa系數(shù)(公式3)； 另一種以ROC曲線圖形來表達(dá)分類精度．本文選擇利用分類后結(jié)果與檢驗(yàn)樣本間的混淆矩陣，以數(shù)字的形式更直觀地評(píng)價(jià)各分類算法的精度．

(2)

(3)

公式(2)為總體分類精度P0的計(jì)算公式，式中n為被正確分類的像元總數(shù)，n′為圖像內(nèi)總像元個(gè)數(shù)．公式(3)為Kappa系數(shù)的計(jì)算公式，其中P0是總體分類精度； 假設(shè)每一類的真實(shí)樣本格式分別為α1、α2、 …、αn； 而預(yù)測(cè)出來的每一類的樣本個(gè)數(shù)分別為b1、b2、 …bn，總樣本個(gè)數(shù)為m，則有：

(4)

3 結(jié)果及分析

3.1 樣本提取及可分離性檢驗(yàn)

在選擇訓(xùn)練樣本時(shí)，必須遵循樣本本身典型、 具有足夠的充分性，且樣本個(gè)數(shù)要滿足分類器的要求．本文結(jié)合研究區(qū)地表實(shí)際情況，將研究區(qū)土地覆蓋類型劃分為林地、 道路、 大棚、 農(nóng)田、 水體以及建筑用地6類，每類地物選擇50個(gè)訓(xùn)練樣本以及100個(gè)用于評(píng)估分類精度的檢驗(yàn)樣本．

為檢驗(yàn)地物樣本選擇的合理性，避免人為誤差對(duì)地物分類造成的影響，本文利用Export ROIs to n-visualizer 將樣本進(jìn)行多維展示，以判斷不同樣本間的分離程度．圖5為不同地物訓(xùn)練樣本在三維空間上的展示，不同地物數(shù)據(jù)團(tuán)離得越遠(yuǎn)，表明分類效果越明顯．在不同角度下，林地、 建筑、 農(nóng)田數(shù)據(jù)團(tuán)間距離相對(duì)較遠(yuǎn)，不存在混雜融合的情況，說明林地、 建筑和農(nóng)田3類地物訓(xùn)練樣本間可分離性較好．但林地與水體，大棚與道路地物樣本點(diǎn)混合在一起，可分離性相對(duì)較差．為更直觀地判斷訓(xùn)練樣本間可分離度，本文采用Compute ROI Separability工具對(duì)各樣本可分離性進(jìn)行定量評(píng)估，采用Jeffries-Matusita(JM)，Transformed Divergence(TD)參數(shù)評(píng)估不同樣本間可分離程度，結(jié)果如表2所示．JM和TD的值域范圍為0～2.0之間，當(dāng)JM或TD值大于1.8，表明訓(xùn)練樣本間可分離性較好，屬于合格樣本； 當(dāng)JM或TD值介于1.0～1.8，則需要對(duì)樣本進(jìn)行編輯或修改； JM或TD值小于1則需要考慮將兩類樣本合成一類樣本．從表2中可以發(fā)現(xiàn)，林地和水體之間的JM為1.01，TD值為1.25； 農(nóng)田和大棚之間的JM值為1.30，大棚與建筑之間的JM值為1.38．較低的JM和TD表明，林地與水體、 農(nóng)田與大棚以及大棚和建筑訓(xùn)練樣本間可分離度較低，在執(zhí)行分類運(yùn)算前，我們還需對(duì)這部分訓(xùn)練樣本進(jìn)行修正．

林地(紅色)、 道路(綠色)、 農(nóng)田(黃色)、 水體(藍(lán)綠色)、 建筑(紫色)和大棚(藍(lán)色)．圖5 不同訓(xùn)練樣本在三維空間上的分布

表2 ROI樣本可分離性

3.2 地物分類對(duì)比分析

圖6為RF算法(a)、 SVM算法(b)和ANN算法(c)提取的研究區(qū)地表類型分類結(jié)果．對(duì)比圖6a、 圖6b和圖6c可以看出，在相同的訓(xùn)練樣本條件下，RF、 SVM和ANN 3種分類算法分類結(jié)果差異相對(duì)較大，尤其是水體和林地兩類地物分類差異最明顯．結(jié)合原始高分?jǐn)?shù)據(jù)(圖1)目視判斷可知，RF算法的分類結(jié)果與原始高分?jǐn)?shù)據(jù)中地類分布較為一致，SVM和ANN算法分類結(jié)果中明顯存在大量林地像元被錯(cuò)分為水體和農(nóng)田的現(xiàn)象，ANN算法分類結(jié)果中還存在道路像元被錯(cuò)分為大棚．

本文從原始高分圖像中每類地物選擇100個(gè)檢驗(yàn)樣本，用于定量評(píng)估各算法的分類精度．表3、 表4和表5分別為研究區(qū)域RF算法、 SVM算法和ANN算法轉(zhuǎn)移矩陣，從表3中可以看出，檢驗(yàn)樣本中98.2%的林地、 92.68%的道路和97.85%的農(nóng)田被正確分類，而在水體分類檢驗(yàn)中僅有72.31%的像元被正確分類，建筑和大棚被正確分類的像元百分比分別為79.60%和70.12%．在SVM轉(zhuǎn)移矩陣中，林地、 道路、 農(nóng)田、 水體、 建筑和大棚的正確劃分百分比分別為69.40%、 86.26%、 98.11%、 73.95%、 80.75%和39.59%．ANN算法分類轉(zhuǎn)移矩陣中，林地、 道路、 農(nóng)田、 水體、 建筑和大棚的正確劃分百分比分別為63.95%、 38.44%、 97.65%、 75.42%、 77.67%和37.02%．對(duì)比可知，RF分類結(jié)果中林地、 道路和大棚3類地物被正確分類的比例與SVM和ANN算法分類結(jié)果間存在較大差異，且RF分類結(jié)果中正確分類像元所占百分比均高于SVM和ANN算法．

總精度驗(yàn)證結(jié)果表明(表6)，RF算法的總體分類精度為85.74%，Kappa系數(shù)為0.828； SVM算法的總體分類精度為73.17%，Kappa系數(shù)為0.679； ANN算法的總體分類精度為63.80%，Kappa系數(shù)為0.57．表明在復(fù)雜地表環(huán)境下RF算法地表分類精度最高，SVM次之，ANN算法的分類精度最差．為詳細(xì)分析3種算法不同地物的分類精度，本研究通過轉(zhuǎn)移矩陣獲得RF、 SVM和ANN 3種算法不同地物的精度評(píng)價(jià)結(jié)果(表6)．除建筑地物外，其余地物SVM算法的錯(cuò)分誤差均高于RF算法，而ANN算法所有地物的錯(cuò)分誤差均高于RF算法．尤其是道路、 水體和大棚3類，ANN算法錯(cuò)分誤差高達(dá)49.59%、 40.87%和49.99%； SVM算法錯(cuò)分誤差高達(dá)50.97%、 40.61%和25.28%； 而RF錯(cuò)分誤差則為33.68%、 2.11%和13.53%．ANN算法林地、 道路和大棚的漏分誤差分別為36.05%、 61.56%和62.98%； 相對(duì)應(yīng)的SVM算法的漏分誤差分別為30.60%、 13.74%和60.41%； RF算法的漏分誤差分別為1.80%、 7.32%和29.88%．RF算法林地、 道路和大棚的制圖精度(98.20%、 92.68%和70.12%)均優(yōu)于SVM算法(69.40%、 86.26%和39.59%)和ANN算法(63.95%、 38.44%和37.02%)； 除建筑地物RF算法用戶精度與SVM算法相近外(RF為98.55%； SVM為98.99%)，其余各類地物RF算法的用戶精度均高于SVM算法和ANN算法．

以上精度驗(yàn)證結(jié)果表明，在復(fù)雜地表環(huán)境狀態(tài)下，基于RF算法地物分類精度要優(yōu)于SVM算法和ANN算法，尤其是林地、 道路和大棚3類地物RF算法分類精度與SVM算法分類精度之間具有較大差異； 而相較于ANN算法，RF算法在各地物的分類精度均優(yōu)于ANN算法．綜上所述，本研究將采用RF算法實(shí)現(xiàn)復(fù)雜地表環(huán)境下地物覆蓋類型的精確提?。?/p>

圖6 基于RF算法(a)、 SVM算法(b)和ANN算法(c)試驗(yàn)區(qū)地表分類結(jié)果圖

表3 RF轉(zhuǎn)移矩陣

表4 SVM轉(zhuǎn)移矩陣 %

表5 ANN轉(zhuǎn)移矩陣 %

表6 精度評(píng)價(jià)結(jié)果

3.3 RF算法地物分類后處理

3.3.1 區(qū)分易混淆像元

雖然在復(fù)雜地表環(huán)境下，RF算法的分類精度明顯優(yōu)于SVM算法．但結(jié)合RF地表分類結(jié)果(圖6a)和轉(zhuǎn)移矩陣(表3)中可以發(fā)現(xiàn)，RF分類結(jié)果中依舊存在部分林地和水體、 道路和大棚像元錯(cuò)分和漏分現(xiàn)象(圖7)．對(duì)比真彩色高分遙感圖像，圖7a黑色框體內(nèi)地物類型為水體，而在RF分類結(jié)果圖7a′中，該區(qū)域被錯(cuò)分為林地； 在圖7b中，黑框內(nèi)地物類型實(shí)為大棚，而在RF分類結(jié)果圖7b′中，該部分像元被錯(cuò)分為道路．精度評(píng)價(jià)表6顯示，RF分類結(jié)果中林地、 道路、 農(nóng)田和大棚的錯(cuò)分誤差均超過了10%，水體、 建筑和大棚的漏分誤差超過了20%．較大的錯(cuò)分和漏分誤差，使得基于RF算法直接得到的地物分類結(jié)果不滿足當(dāng)前精細(xì)化遙感業(yè)務(wù)的需求，因此，針對(duì)機(jī)器學(xué)習(xí)分類結(jié)果的處理至關(guān)重要．

圖7 部分區(qū)域GF-1真彩色圖像(a、 b)與對(duì)應(yīng)的RF分類結(jié)果(a′、 b′)

通常，利用機(jī)器學(xué)習(xí)和人工目視解譯相結(jié)合的方法可以實(shí)現(xiàn)分類后數(shù)據(jù)的再處理[4]．雖然人工目視解譯的加入會(huì)提高高分辨率遙感數(shù)據(jù)地物分類的精度，但該方法存在工作量大、 效率低等缺點(diǎn)．本文通過對(duì)RF地物轉(zhuǎn)移矩陣(表3)的分析發(fā)現(xiàn)，分類結(jié)果中易混淆的地物類型主要為林地和水體以及大棚和道路，這是因?yàn)镽F算法是通過訓(xùn)練樣本的光譜特征來區(qū)分地物，而本文僅從GF-1 RGB波段組成的真彩色圖像中選擇的訓(xùn)練樣本，常存在異物同譜或同物異譜現(xiàn)象，致使水體與林地，以及大棚與道路像元混淆難以區(qū)分．

為快速準(zhǔn)確地實(shí)現(xiàn)易混淆像元的區(qū)分，作者對(duì)研究區(qū)內(nèi)各典型地物分別提取了50個(gè)像元樣本(圖8)，并統(tǒng)計(jì)了典型地物樣本的NDVI值(圖9)．NDVI統(tǒng)計(jì)結(jié)果顯示，水體和林地之間NDVI值相差較大，林地像元NDVI值介于0.5～1.0之間，水體像元NDVI值小于0，通過NDVI值域范圍的差異能快速分離混淆的林地和水體像元．

大棚和道路兩類地物，由于其光譜特性接近，加之其NDVI值也接近(圖9)，直接通過RF算法和NDVI無法將兩者區(qū)分開．但我們發(fā)現(xiàn)兩地物在形狀上存在明顯的差異，道路接近于線狀，大棚更接近于面狀．本文利用IDL程序語言，以道路(或大棚)為中心像元，建立了一個(gè)101×101的移動(dòng)窗口(圖10)，通過統(tǒng)計(jì)移動(dòng)窗口內(nèi)道路(或大棚)像元占總像元的百分比可以發(fā)現(xiàn)，3個(gè)試驗(yàn)區(qū)道路像元占總像元的百分比分別為8.66%、 4.77%和15.46%； 3個(gè)大棚試驗(yàn)區(qū)像元占比分別為48.24%、 32.14%和45.84%．通過以上分析我們發(fā)現(xiàn)，帶狀道路在移動(dòng)窗口內(nèi)像元占比小于20%，而成片的大棚在移動(dòng)窗口內(nèi)像元占比高于20%．因此，本文設(shè)定以20%像元占比為劃分界限，當(dāng)滿足中心像元為道路(或大棚)，且101×101移動(dòng)窗口內(nèi)道路(或大棚)像元所占百分比大于20%，則認(rèn)定該中心像元為大棚； 反之，當(dāng)?shù)缆?或大棚)像元所占百分比小于20%，則判定該中心像元為道路．

紅色為林地，綠色為道路，黃色為農(nóng)田，淺綠色為水體，紫色為建筑，藍(lán)色為大棚．圖8 各類地物特征分析提取點(diǎn)

紅色為林地，綠色為道路，黃色為農(nóng)田，淺綠色為水體，紫色為建筑，藍(lán)色為大棚．圖9 研究區(qū)內(nèi)典型地物NDVI值分布圖

圖11為經(jīng)上述判定規(guī)則修改后的分類結(jié)果．對(duì)比圖10a-10c與圖11a-11c，基于道路和大棚形狀上的差異，道路中夾雜的被錯(cuò)分為大棚的像元已經(jīng)被修正為道路像元，提高了道路的完整性和連續(xù)性．對(duì)比圖10d-10f與圖11d-11f可知，在圖10e和圖10f中大量被錯(cuò)分為道路的像元，經(jīng)形狀因子判識(shí)后，將其正確修正為大棚類，并且在圖10d中穿插在大棚間的道路像元依舊被較好地保留．以上結(jié)果表明，基于形狀因子能較好地將大棚與道路地類區(qū)分開，修正后的分類結(jié)果與地表真實(shí)覆蓋情況相符．圖11g和圖11h分別為基于NDVI值修正前后區(qū)域內(nèi)地表分類結(jié)果，圖11g顯示，RF分類結(jié)果中部分林地像元被錯(cuò)分為水體像元，而經(jīng)NDVI值修正后(圖11h)，錯(cuò)分像元被正確地修正為林地像元，表明利用林地和水體NDVI值域范圍的差異能較好地區(qū)分兩類地物，對(duì)提高RF地物分類精度有重要幫助．

圖a-c中心像元為道路； 圖d-f中心像元為大棚．百分比值為中心像元對(duì)應(yīng)地物的面積占移動(dòng)窗口總面積的百分比．圖10 移動(dòng)窗口內(nèi)地物分布情況

3.3.2 小圖斑處理

采用機(jī)器學(xué)習(xí)算法得到的分類結(jié)果一般為初步結(jié)果，分類的精度難以達(dá)到實(shí)際業(yè)務(wù)應(yīng)用的要求，雖然基于形狀特征和NDVI值域差異等特性實(shí)現(xiàn)了RF分類結(jié)果中混淆像元的修正，但從圖11中清晰地看出，修正后的分類結(jié)果中存在部分面積較小的小圖斑，這部分小圖斑不僅會(huì)影響后期專題圖的制作，在實(shí)際應(yīng)用中也會(huì)帶來干擾．因此，極有必要對(duì)該部分小圖斑進(jìn)行剔除或重新分類．

本文利用ENVI遙感圖像處理平臺(tái)中的Majority/Minority分析工具將較大類別中的虛假像元?dú)w到該類中，并借助Clump工具將鄰近的類似分類區(qū)域聚類并進(jìn)行合并，從而實(shí)現(xiàn)了RF分類結(jié)果中小圖斑的去除，使得調(diào)整后的RF分類結(jié)果更符合實(shí)際情況．最后利用GIS軟件，將柵格數(shù)據(jù)轉(zhuǎn)換為矢量文件，以供后期分類結(jié)果的統(tǒng)計(jì)和專題圖的制作(圖12)．

4 結(jié)論與討論

4.1 結(jié) 論

為對(duì)比RF、 SVM和ANN算法在復(fù)雜地表環(huán)境下地物分類的能力和適用性，本文以重慶市永川區(qū)為例，以國(guó)產(chǎn)GF-1 PMS遙感數(shù)據(jù)為數(shù)據(jù)源，分別采用RF、 SVM和ANN算法實(shí)現(xiàn)研究區(qū)內(nèi)地表覆蓋類型的提?。畬?duì)比結(jié)果表明： ① 利用原始GF-1數(shù)據(jù)目視判斷可知，在訓(xùn)練樣本相同的條件下，RF算法分類結(jié)果與原始高分?jǐn)?shù)據(jù)中地類分布較為一致，SVM算法分類結(jié)果中明顯存在大量林地像元被錯(cuò)分為水體的現(xiàn)象，ANN算法分類結(jié)果中還存在大量道路像元被錯(cuò)分為大棚．② 精度評(píng)估結(jié)果表明，RF算法地物分類精度要優(yōu)于SVM和ANN算法，尤其是林地、 道路和大棚3類地物RF算法分類精度與SVM和ANN算法分類精度之間差異較大．

道路(a～c)，大棚(d～f)，水體與林地(g、 h)．圖11 修正RF分類結(jié)果中的混淆像元

雖然在復(fù)雜地表環(huán)境下，RF算法的分類精度明顯優(yōu)于SVM算法，但RF分類結(jié)果中依舊存在部分林地和水體、 道路和大棚像元錯(cuò)分和漏分現(xiàn)象，不能滿足當(dāng)前精細(xì)化遙感業(yè)務(wù)的需求．本文利用易混淆像元在NDVI和形狀上的差異，實(shí)現(xiàn)了RF分類結(jié)果中易混淆像元的修正，從而提高了地物分類的精度．而后，利用ENVI和GIS軟件實(shí)現(xiàn)了RF修正后結(jié)果中小圖斑的去除，柵格數(shù)據(jù)轉(zhuǎn)換成矢量，并最終制作完成研究區(qū)地表覆蓋類型分布圖．

4.2 討論與展望

本文雖然利用易混淆像元在NDVI值域和形狀上的差異，能較好地實(shí)現(xiàn)混淆像元的修正和區(qū)分，但依舊存在以下幾個(gè)問題值得我們繼續(xù)思考和探究： (1) 復(fù)雜地表環(huán)境下，混淆在不同背景地物中的目標(biāo)地物很難通過單一的規(guī)則進(jìn)行提取和修正．雖然利用NDVI值域的差異能較好地區(qū)分林地和水體兩類地物，但對(duì)于建筑和道路兩類地物，繼續(xù)采用NDVI作為區(qū)分因子是不合適的．我們可以嘗試引入歸一化建筑指數(shù)(NDBI)作為建筑和道路之間的區(qū)分標(biāo)準(zhǔn)，但GF-1 PMS數(shù)據(jù)中缺少中紅外波段，無法生成NDBI，從而失去了區(qū)分建筑和道路的能力．(2) 由于矢量數(shù)據(jù)是由柵格數(shù)據(jù)轉(zhuǎn)換而成，使得矢量文件中各地物圖塊邊界不平滑．(3) 地物劃分種類較少．本文中，作者通過對(duì)GF-1 PMS真彩色圖像的分析，將試驗(yàn)區(qū)地表覆蓋類

圖a為整個(gè)研究區(qū)地物分類結(jié)果，圖b-圖g分別為大棚、 道路、 建筑、 林地、 農(nóng)田和水體分類細(xì)節(jié)展示圖．圖12 易混淆像元修正后RF地物分類圖

型主要?jiǎng)澐譃榱值亍?道路、 農(nóng)田、 水體、 建筑和大棚，忽略了裸土和草地，這使得被劃分為林地的像元中有少量像元真實(shí)地表覆蓋類型為草地，而裸土像元?jiǎng)t更多的被劃分為農(nóng)田．