多光譜遙感影像的光譜規(guī)則分類(lèi)算法修正及海島、海岸帶應(yīng)用

丁 凌，陳建裕*，朱乾坤，陳寧華

(1.上海交通大學(xué) 海洋學(xué)院，上海 200230; 2.自然資源部第二海洋研究所，浙江 杭州 310012; 3. 浙江大學(xué) 地球科學(xué)學(xué)院，浙江 杭州 310058)

0 引言

多光譜遙感影像在自然資源監(jiān)測(cè)、生態(tài)環(huán)境保護(hù)等方面得到廣泛應(yīng)用[1-2]，其中Landsat系列衛(wèi)星提供的長(zhǎng)達(dá)40多年的連續(xù)數(shù)據(jù)集已成為全球變化研究、土地覆蓋/土地利用演變分析的重要數(shù)據(jù)源[3]。中低分辨率遙感影像的分類(lèi)算法主要利用地物光譜特征[4-6]，針對(duì)不同地物光譜響應(yīng)曲線的反射率差異，選取特定波段構(gòu)建地物光譜指數(shù)，提取圖像中的植被、水體、建筑物等地物信息。BARALDI et al[7-8]綜合地物光譜響應(yīng)曲線和光譜指數(shù)，提出了針對(duì)Landsat 5/7影像的光譜規(guī)則分類(lèi)算法(Spectral Rule-based Classifier, SRC)，并將SRC算法推廣至SPOT5、WorldView2等高分辨率多光譜數(shù)據(jù)類(lèi)型[9]。光譜規(guī)則算法被廣泛應(yīng)用于時(shí)間序列遙感影像的處理分析，如BOSCHETTI et al[10]將SRC算法用于Landsat序列影像的火災(zāi)監(jiān)測(cè)，ARVOR et al[11]基于Sentinel-2序列影像的SRC分類(lèi)結(jié)果繪制了巴西亞馬遜南部地區(qū)的植被梯度和水體地圖。光譜規(guī)則分類(lèi)實(shí)現(xiàn)了不同地物光譜特性的數(shù)值化表達(dá)，如ANDRéS et al[12]將SRC分類(lèi)結(jié)果作為地理本體論的參數(shù)，TIEDE et al[13]將SRC方法用于遙感影像的地理信息語(yǔ)義查詢(xún)，SRC方法也可與面向?qū)ο蟮倪b感影像分析方法結(jié)合[14]。

SRC算法的光譜規(guī)則建立在大氣層頂表觀反射率的基礎(chǔ)上，成像過(guò)程中大氣狀態(tài)會(huì)影響地物的光譜響應(yīng)曲線信息，而大氣校正方法能有效消除大氣吸收和散射引起的輻射誤差。徐春燕 等[15]探討了大氣校正對(duì)地物光譜響應(yīng)曲線的影響，發(fā)現(xiàn)在可見(jiàn)光波段反射率明顯減小，在近紅外和短波紅外波段反射率增大。MORAVEC et al[16]測(cè)試了大氣校正對(duì)歸一化差異植被指數(shù)(Normalized Difference Vegetation Index, NDVI)的影響，發(fā)現(xiàn)大氣校正后NDVI增幅明顯。研究表明，大氣校正前后多光譜遙感影像的水體指數(shù)[17]、建筑物指數(shù)[18]同樣存在明顯區(qū)別。因而，SRC算法在計(jì)算光譜指數(shù)時(shí)，需要考慮大氣校正前后地物光譜數(shù)據(jù)的差異性。

SRC算法應(yīng)用于大氣校正后的Landsat系列影像需要進(jìn)行光譜規(guī)則修正。本文提出了一種改進(jìn)光譜規(guī)則的分類(lèi)算法(Modified Spectral Rule-based Classifier, MSRC)，補(bǔ)充細(xì)化了原SRC算法的光譜規(guī)則，改進(jìn)了光譜指數(shù)的判斷閾值。以珠江三角洲海島和海岸帶Landsat 8多光譜影像為實(shí)驗(yàn)數(shù)據(jù)，對(duì)MSRC算法的地物分類(lèi)進(jìn)行精度評(píng)價(jià)，并與其他遙感分類(lèi)算法進(jìn)行了對(duì)比。

1 針對(duì)大氣校正后多光譜影像的光譜規(guī)則分類(lèi)算法改進(jìn)

在MSRC算法實(shí)施前，多光譜影像應(yīng)進(jìn)行輻射定標(biāo)和大氣校正處理，將輸入的圖像亮度值(Digital Number, DN)轉(zhuǎn)換為地表反射率(Surface Albedo, SA)，熱紅外波段校正為在衛(wèi)星高度所觀測(cè)到的亮度溫度。MSRC算法的數(shù)據(jù)處理流程如圖1所示，包括兩個(gè)階段：第一階段，基于光譜特征，提取核心光譜類(lèi)別集和特征空間模糊集，修正SRC光譜規(guī)則，以準(zhǔn)確提取大氣校正后的地物光譜特征；第二階段，基于類(lèi)別集和模糊集，構(gòu)建不同特征光譜類(lèi)別的層級(jí)歸類(lèi)系統(tǒng)，引入Landsat 8衛(wèi)星的質(zhì)量評(píng)估(Quality Assessment, QA)波段區(qū)分冰雪、云和陰影，并對(duì)光譜類(lèi)別進(jìn)行細(xì)化和補(bǔ)充。

圖1 MSRC算法流程圖Fig.1 Flowchart of the MSRC algorithm(灰色區(qū)域表示進(jìn)行修正的步驟。)(Gray region represents the modified algorithm steps.)

1.1 核心光譜類(lèi)別集提取

SRC算法基于對(duì)地物光譜響應(yīng)曲線的描述，定義了一系列特征表達(dá)完備的核心光譜類(lèi)別，通過(guò)多波段的線性組合或比值構(gòu)建相應(yīng)規(guī)則集。和SRC算法一致，在MSRC算法的第一階段，遙感圖像的各個(gè)像元經(jīng)過(guò)波段計(jì)算和邏輯判別后被劃分為特定的核心光譜類(lèi)別。

遙感影像經(jīng)過(guò)大氣校正處理后，各波段的反射率降低，標(biāo)準(zhǔn)差增大。MSRC算法利用大氣校正后的地物光譜響應(yīng)曲線和標(biāo)準(zhǔn)波譜庫(kù)數(shù)據(jù)，對(duì)SRC算法定義的14類(lèi)核心光譜類(lèi)別的規(guī)則集進(jìn)行逐類(lèi)驗(yàn)證，共對(duì)5種類(lèi)別進(jìn)行了改進(jìn)(表1)。MSRC算法的輸入值為地表反射率，修正的核心光譜類(lèi)別的規(guī)則集可以輸入實(shí)測(cè)地物光譜響應(yīng)曲線進(jìn)行驗(yàn)證。

表1 修正的核心光譜類(lèi)別及規(guī)則集表達(dá)式Tab.1 Modified kernel spectral categories and rule set expressions

2.表中B1、B2、B3表示Landsat遙感影像的可見(jiàn)光光譜波段(藍(lán)、綠、紅)，B4表示近紅外波段(NIR)， B5和B7為兩個(gè)短波紅外波段(SWIR)。

1.2 特征空間模糊集提取

SRC算法根據(jù)不同地物的光譜特性，基于地物敏感波段反射率或其數(shù)學(xué)組合構(gòu)建特征空間，并通過(guò)高斯模型與貝葉斯規(guī)則計(jì)算各個(gè)特征空間的高、中、低的判斷閾值[7]。同樣，在MSRC算法的第一階段，遙感圖像的各個(gè)像元經(jīng)過(guò)相應(yīng)的波段運(yùn)算和閾值劃分，得到不同的特征空間模糊集。

MSRC算法對(duì)SRC算法利用的10種反射率特征量和光譜指數(shù)閾值逐個(gè)驗(yàn)證：基于大氣校正后植被信息量增加的特征，調(diào)整了NDVI的判別閾值；基于歸一化差異土壤指數(shù)(Normalized Difference Bare Soil Index, NDBSI)和歸一化差異雪指數(shù)(Normalized Difference Snow Index, NDSI)構(gòu)建差值復(fù)合指數(shù)(Differential Bare soil and Built-up Index，DBBI)以進(jìn)一步區(qū)分裸地和建設(shè)用地像元；基于耕地在紅外波段反射率略高于林地的特征，構(gòu)建紅外反射率特征量(Near-infrared and Short-Wave Infrared Reflectance，NSWIR)以進(jìn)一步區(qū)分林地和耕地像元(表2)；基于耕地在各波段反射率略高于草地的特征，利用亮度分量的低閾值(LBright)進(jìn)一步區(qū)分耕地和草地像元。

表2 修正的特征空間、對(duì)應(yīng)表達(dá)式和閾值Tab.2 Modified feature space, corresponding expressions and thresholds

1.3 層級(jí)歸類(lèi)系統(tǒng)

SRC算法的第二階段是基于提取的類(lèi)別集和模糊集構(gòu)建層級(jí)歸類(lèi)系統(tǒng)，共計(jì)輸出67類(lèi)具有不同特征的光譜類(lèi)別[7]，部分為過(guò)渡類(lèi)別。在MSRC算法的第二階段，以第一階段獲取的類(lèi)別集和模糊集作為輸入項(xiàng)，經(jīng)過(guò)系統(tǒng)中的多層邏輯判別歸類(lèi)，并對(duì)SRC算法的過(guò)渡類(lèi)別進(jìn)一步劃分，輸出一個(gè)特定的光譜類(lèi)別。

2.在逐個(gè)像元計(jì)算時(shí)對(duì)原波段數(shù)值進(jìn)行縮放，波段數(shù)值范圍從[0,1]調(diào)整到[0,255]，“*”表示縮放處理后逐層歸類(lèi)時(shí)所用的閾值。

在多光譜遙感影像中，云的反射率總體較高，在近紅外波段有明顯增幅，在短波紅外波段隨波長(zhǎng)增加而降低。受到云層厚度和遮擋程度的影響，薄云像元亮度變化范圍大，較難判別。大氣校正處理后，SRC算法對(duì)云陰影的判別不理想，故在MSRC算法的層級(jí)歸類(lèi)系統(tǒng)的邏輯判別條件中引入QA波段，作為下一層級(jí)光譜類(lèi)別細(xì)化的附加條件，進(jìn)而區(qū)分“冰雪、云、陰影混合光譜類(lèi)”和“無(wú)法確定的其他光譜類(lèi)”(表3)。

表3 基于MSRC光譜規(guī)則分類(lèi)結(jié)果合并得到的土地覆蓋類(lèi)型Tab.3 Merged land-cover types based on MSRC results

2.表格中帶陰影的內(nèi)容為MSRC算法增加的類(lèi)別。

3.表格中對(duì)部分相似的類(lèi)別名稱(chēng)進(jìn)行合并后表達(dá)，名稱(chēng)后括號(hào)內(nèi)的數(shù)字為包含的類(lèi)別數(shù)。

SRC算法輸出的林地和草地類(lèi)中有耕地像元混雜的現(xiàn)象，MSRC算法將“高NIR林地光譜類(lèi)”中不具備紅外反射率低值特征的像元進(jìn)一步劃分為“高NIR的耕地光譜類(lèi)”，將“高/低NIR灌木林或草地光譜類(lèi)”中不具備低閾值亮度分量(LBright)的像元進(jìn)一步劃分為“類(lèi)灌木林或草地光譜類(lèi)”(表3)。

SRC算法輸出的“裸地-建設(shè)用地”混合的光譜類(lèi)別，給后續(xù)的光譜類(lèi)別合并和分類(lèi)評(píng)價(jià)帶來(lái)困難。MSRC算法增加了混合光譜類(lèi)別的細(xì)分判別條件，將屬于紅外反射率特征高閾值(HNSWIR)的像元進(jìn)一步劃分為“不同特征的裸地光譜類(lèi)”；將屬于紅外反射率特征低閾值(LNSWIR)的像元進(jìn)一步劃分為“不同特征的建設(shè)用地光譜類(lèi)”；對(duì)屬于紅外反射率特征中閾值(MNSWIR)的像元，依據(jù)差值復(fù)合指數(shù)(DBBI)進(jìn)一步細(xì)分，大于DBBI閾值的歸為“裸地”類(lèi)別，反之為“建設(shè)用地”類(lèi)別(表3)。

SRC算法輸出的“背陰面林地光譜類(lèi)”結(jié)果中有建筑物陰影像元混雜的現(xiàn)象，MSRC算法利用低閾值的歸一化差異植被指數(shù)特征量(滿(mǎn)足NDVI<0.2的像元)，從該類(lèi)別中進(jìn)一步提取“建設(shè)用地陰影”類(lèi)別(表3)。

綜上所述，改進(jìn)后的MSRC算法增加了判別條件，從部分林地、草地光譜類(lèi)別像元中進(jìn)一步劃分出耕地光譜類(lèi)別；將SRC算法輸出的“裸地-建設(shè)用地”混合類(lèi)別結(jié)果進(jìn)一步劃分為裸地光譜類(lèi)別和建設(shè)用地光譜類(lèi)別；從“背陰面林地光譜類(lèi)”像元中進(jìn)一步劃分出“建設(shè)用地陰影”類(lèi)別；基于QA波段數(shù)值，進(jìn)一步區(qū)分冰雪、云、陰影和其他光譜類(lèi)別。

1.4 精度評(píng)價(jià)與算法分析

MSRC算法是一種光譜規(guī)則分類(lèi)算法，輸出的光譜類(lèi)別是對(duì)地物的一種光譜規(guī)則的特征描述。為定量評(píng)估MSRC算法的分類(lèi)精度，基于光譜類(lèi)別的定義與描述，對(duì)光譜規(guī)則分類(lèi)的結(jié)果進(jìn)行合并處理，得到最終的土地覆蓋分類(lèi)結(jié)果(表3)。合并得到的土地覆蓋類(lèi)型為林地、耕地、草地、裸地、建設(shè)用地和水體，參考BARALDI et al[7]和CHEN et al[4]研究中的土地覆蓋類(lèi)型進(jìn)行定義。

采用混淆矩陣和Kappa系數(shù)對(duì)MSRC分類(lèi)算法進(jìn)行精度評(píng)價(jià)[19]?；煜仃?Confusion Matrix)是遙感影像分類(lèi)常用的精度評(píng)價(jià)方法，反映了分類(lèi)結(jié)果與地表真實(shí)類(lèi)別的相關(guān)性。基于混淆矩陣計(jì)算總體精度(Overall Accuracy, OA)、生產(chǎn)者精度(Producer Accuracy, PA)和使用者精度(User Accuracy, UA)。Kappa系數(shù)綜合運(yùn)用上述精度結(jié)果，能夠更全面地呈現(xiàn)算法的分類(lèi)精度。

為進(jìn)一步評(píng)價(jià)算法性能，選取了4種遙感影像監(jiān)督分類(lèi)算法進(jìn)行比較：最小距離分類(lèi)(Minimum Distance Classification, MDC)算法、最大似然分類(lèi)(Maximum Likelihood Classification, MLC)算法、支持向量機(jī)分類(lèi)(Support Vector Machine, SVM)算法[20]和神經(jīng)網(wǎng)絡(luò)分類(lèi)(Neural Network Classification, NNC)算法。

為評(píng)估大氣校正對(duì)光譜指數(shù)分類(lèi)算法的影響，將MSRC算法分類(lèi)結(jié)果與基于光譜指數(shù)的地物分類(lèi)結(jié)果進(jìn)行比較。選取了5種常用的光譜指數(shù)(表4)，基于大氣校正后的影像分別計(jì)算光譜指數(shù)值，采用SVM訓(xùn)練隨機(jī)采樣點(diǎn)以自動(dòng)獲取分類(lèi)閾值，實(shí)現(xiàn)基于光譜指數(shù)的地物分類(lèi)。

表4 光譜指數(shù)名稱(chēng)和表達(dá)式Tab.4 Spectral indices and corresponding expressions

2 數(shù)據(jù)和預(yù)處理

2.1 遙感數(shù)據(jù)與實(shí)驗(yàn)區(qū)域

選用3幅Landsat 8遙感影像、4幅WorldView-2/3高分辨率影像和2020年的全球地表覆蓋數(shù)據(jù)集GlobeLand30，其空間分辨率分別為30 m、2 m和 30 m。選擇珠江三角洲的4個(gè)典型海島、海岸帶區(qū)域進(jìn)行實(shí)驗(yàn)，其對(duì)應(yīng)的遙感影像和數(shù)據(jù)集詳細(xì)信息如 表5 所示。所選衛(wèi)星影像的云覆蓋率均小于5%。

表5 遙感影像和數(shù)據(jù)集信息Tab.5 Remote sensing images and dataset information

采用4個(gè)實(shí)驗(yàn)區(qū)的WorldView-2/3高分辨率影像(圖2)作為地物分類(lèi)和精度評(píng)價(jià)的參考數(shù)據(jù)，其中佳蓬和淇澳為海島影像，土地覆蓋類(lèi)型較簡(jiǎn)單；荃灣和惠東為海岸帶影像，土地覆蓋類(lèi)型相對(duì)復(fù)雜。佳蓬區(qū)域位于113°58′31″E—114°04′32″E，21°50′06″N— 21°55′33″N之間，涵蓋佳蓬列島中的北尖島和廟灣島，島嶼呈NE—SW走向，北尖島上植被覆蓋密集，均為陡峭巖岸；廟灣島多為裸露基巖，植被零星分布。淇澳區(qū)域位于113°34′13″E—113°39′55″E，22°22′21″N—22°27′31″N之間，包括珠海淇澳島、南側(cè)唐家灣填海造陸和西側(cè)圍墾養(yǎng)殖區(qū)域，淇澳島現(xiàn)設(shè)有省級(jí)紅樹(shù)林自然保護(hù)區(qū)。荃灣區(qū)域位于114°30′03″E—114°34′47″E，22°38′48″N—22°45′49″N之間，為惠州市南部大亞灣區(qū)下轄澳頭街道的沿海區(qū)域，有石油化工基地和大面積的網(wǎng)箱養(yǎng)殖區(qū)。惠東區(qū)域位于114°41′34″E—114°47′12″E，22°34′22″N—22°39′35″N 之間，覆蓋惠州市的惠東港區(qū)、三角洲島和桑洲島范圍，位于大亞灣東側(cè)，擁有寬廣海域和豐富濕地資源。

圖2 實(shí)驗(yàn)數(shù)據(jù)及其空間位置Fig.2 Experimental data and spatial locations(淇澳、佳蓬、惠東、荃灣地區(qū)所展示的影像為WorldView-2/3遙感影像。)(The images displayed about Qi’ao, Jiapeng, Huidong and Quanwan regions are WorldView-2/3 remote sensing images.)

2.2 數(shù)據(jù)預(yù)處理

對(duì)Landsat 8遙感影像進(jìn)行數(shù)據(jù)預(yù)處理，包括輻射定標(biāo)和大氣校正。輻射定標(biāo)將遙感影像的DN值轉(zhuǎn)換為大氣層頂表觀反射率和亮度溫度，相關(guān)定標(biāo)參數(shù)的取值通過(guò)影像頭文件獲取。采用6S(Second Simulation of Satellite Signal in the Solar Spectrum)輻射傳輸模型[21]對(duì)影像進(jìn)行大氣校正預(yù)處理，得到地表反射率圖像。

GlobeLand30是中國(guó)研制的30 m空間分辨率全球地表覆蓋數(shù)據(jù)，包括水體、耕地等10大類(lèi)型，2020年時(shí)相的總體精度達(dá)85%以上。高分辨率影像可以作為中、低分辨率(30 m～1 km)土地覆蓋分類(lèi)精度評(píng)價(jià)的有效參考數(shù)據(jù)。對(duì)實(shí)驗(yàn)數(shù)據(jù)包含的每種土地覆蓋類(lèi)型，通過(guò)隨機(jī)采樣獲取初始樣本點(diǎn)，基于WorldView-2/ 3高分辨率影像的解譯結(jié)果，篩選和修正GlobeLand30 V2020數(shù)據(jù)的土地覆蓋類(lèi)型標(biāo)簽，作為MSRC算法用于珠江三角洲典型海島和海岸帶地物分類(lèi)和精度評(píng)價(jià)的訓(xùn)練和驗(yàn)證數(shù)據(jù)集。

3 大氣校正影響分析

3.1 多光譜影像的反射率變化

大氣校正前后遙感影像的各波段反射率具有差異。表6列出了惠東區(qū)域的Landsat 8多光譜影像經(jīng)不同預(yù)處理后的各波段基本統(tǒng)計(jì)特征。大氣校正消除了大氣影響所造成的輻射誤差，使得遙感影像各波段的反射率降低?？梢?jiàn)光波段，特別是藍(lán)光波段反射率的降幅較大，近紅外波段和短波紅外波段變化較小。波段間的標(biāo)準(zhǔn)差反映了圖像平均值的離散度和像元灰度值，在一定程度上可反映各波段所包含的信息量。經(jīng)過(guò)大氣校正處理后，各波段標(biāo)準(zhǔn)差均增大，波段包含的信息量增加，其中近紅外波段包含的信息量最大。

表6 惠東區(qū)域大氣校正前后各波段反射率對(duì)比Tab.6 Band reflectance before and after atmospheric correction of Huidong area

3.2 地物光譜響應(yīng)曲線變化

針對(duì)實(shí)驗(yàn)數(shù)據(jù)，對(duì)MSRC光譜規(guī)則分類(lèi)的結(jié)果進(jìn)行合并，得到6種土地覆蓋類(lèi)型?；谟跋癫蓸狱c(diǎn)，計(jì)算土地覆蓋類(lèi)型的平均反射率，以定量比較大氣校正前后的地物光譜響應(yīng)曲線差異(圖3)。大氣校正后，各類(lèi)地物光譜響應(yīng)曲線均產(chǎn)生了一定變化，此為SRC算法的原始光譜規(guī)則適用性下降的主要原因。水體總體反射率低，且隨波長(zhǎng)增加而降低，容易和其他地物區(qū)分；大氣校正后水體藍(lán)光反射率顯著降低，其均值與水體綠光反射率均值相近。植被(林地、耕地、草地)的“紅邊效應(yīng)”在大氣校正后更顯著，在可見(jiàn)光波段的反射率有不同程度的降低。建設(shè)用地受建筑材料影響，光譜信息相對(duì)復(fù)雜，通過(guò)較高的近紅外和短波紅外波段反射率可以和水體、植被區(qū)分，大氣校正后其藍(lán)光、綠光波段反射率均有所下降。裸地和建設(shè)用地的光譜響應(yīng)曲線類(lèi)似。

圖3 不同土地覆蓋類(lèi)型在大氣校正前后的反射率變化Fig.3 Reflectance changes of different land-cover types before and after atmospheric correction

3.3 大氣校正對(duì)光譜規(guī)則分類(lèi)的影響分析

如表7所示，將SRC算法分別應(yīng)用于大氣校正前后的多波段數(shù)據(jù)時(shí)，由于大氣校正后各類(lèi)地物光譜響應(yīng)曲線變化，SRC算法的原始光譜規(guī)則適用性下降，大氣校正后的數(shù)據(jù)應(yīng)用上總體精度和Kappa系數(shù)略有降低。MSRC算法基于大氣校正對(duì)地物光譜響應(yīng)曲線和遙感光譜指數(shù)的影響分析對(duì)光譜規(guī)則進(jìn)行修正，使得其總體精度和Kappa系數(shù)都高于大氣校正前的SRC算法。

表7 基于不同預(yù)處理數(shù)據(jù)的不同光譜規(guī)則分類(lèi)算法精度對(duì)比Tab.7 Accuracy comparison of different spectral rule-based classifiers based on different pre-processed data

②海島場(chǎng)景多林地，土地覆蓋類(lèi)型簡(jiǎn)單，大氣校正后圖像信息量增加，對(duì)林地判定精度小幅上升，導(dǎo)致該場(chǎng)景下大氣校正后SRC算法總體精度和Kappa系數(shù)反而有所上升。

4 分類(lèi)結(jié)果精度分析

4.1 海島實(shí)驗(yàn)數(shù)據(jù)的精度分析

佳蓬區(qū)域的土地類(lèi)型為林地、草地、裸地及水體4類(lèi)。SRC算法的總體精度為83.85%，Kappa系數(shù)為0.76；MSRC算法的總體精度為87.66%，Kappa系數(shù)為0.82(表8)。就SRC的土地覆蓋分類(lèi)結(jié)果(圖4c)而言，林地和水體基本被正確分類(lèi)，而草地和裸地的判別精度較低。MSRC算法(圖4e)一定程度上改善了廟灣島的基巖-植被混合像元的誤分類(lèi)現(xiàn)象，提升了草地和裸地的判別精度；減輕了廟灣島西北部小片山坡背陰面的林地被誤判為水體的現(xiàn)象，小幅提升了水體的判別精度。

淇澳區(qū)域的土地類(lèi)型為林地、草地、裸地、建設(shè)用地及水體5類(lèi)。SRC算法的總體精度為80.20%，Kappa系數(shù)為0.75；MSRC算法的總體精度為82.38%，Kappa系數(shù)為0.78(表8)。Landsat 8影像中存在大量混合像元，主要為由于成像時(shí)刻潮位高低不同而形成的島嶼西、北部沙灘區(qū)域的裸地-水體混合類(lèi)型，由于無(wú)明確規(guī)劃的土地用途而形成的南側(cè)唐家灣填海區(qū)的草地-裸地-建設(shè)用地混合類(lèi)型以及受Landsat 8影像空間分辨率限制而形成的網(wǎng)狀池塘水面的裸地-水體混合類(lèi)型、陸水交界碼頭等區(qū)域的建設(shè)用地-水體混合類(lèi)型。SRC算法的光譜規(guī)則對(duì)混合像元中的水體信息更為敏感，將大部分陸水交界的混合像元判別為水體，因此裸地和建設(shè)用地的判別精度較低(圖4h)。MSRC算法能更好地提取混合像元中的裸地和建設(shè)用地信息，也在一定程度上改善了南側(cè)唐家灣填海區(qū)的草地像元誤分類(lèi)現(xiàn)象(圖4j)。MSRC算法的總體精度和Kappa系數(shù)高于SRC算法(表8)。

圖4 針對(duì)海島影像的光譜規(guī)則分類(lèi)算法的光譜類(lèi)別和土地覆蓋類(lèi)型分類(lèi)結(jié)果Fig.4 Spectral category result and land-cover map of spectral rule-based classifiers for island images(a～e：佳蓬區(qū)域；f～j：淇澳區(qū)域；a,f：Landsat 8影像；b,g：SRC算法光譜類(lèi)別結(jié)果；c,h：SRC算法土地覆蓋類(lèi)型分類(lèi)結(jié)果；d,i：MSRC算法光譜類(lèi)別結(jié)果；e,j：MSRC算法土地覆蓋類(lèi)型分類(lèi)結(jié)果。)(a-e:Jiapeng; f-j: Qi’ao; a, f: Landsat 8 images; b, g: Spectral category results of SRC; c, h: Land-cover maps of SRC; d, i: Spectral category results of MSRC; e, j: Land-cover maps of MSRC.)

表8 針對(duì)海島影像的SRC和MSRC算法分類(lèi)精度Tab.8 Classification accuracy of SRC and MSRC algorithm for island images

表9為海島場(chǎng)景下遙感影像監(jiān)督分類(lèi)算法和基于光譜指數(shù)的地物分類(lèi)算法的精度。由表可知，除MDC算法外，其余遙感影像監(jiān)督分類(lèi)算法的總體精度均超過(guò)80%，Kappa系數(shù)大于0.75，SVM和NNC算法的結(jié)果略?xún)?yōu)于MSRC算法；基于光譜指數(shù)的地物分類(lèi)在部分土地類(lèi)型上分類(lèi)精度較高，但對(duì)于草地和建設(shè)用地類(lèi)別的判別效果較差，總體精度較低。不同方法相比較，MSRC算法的精度僅略低于SVM和NNC算法，該算法應(yīng)用于海島影像時(shí)能保持與遙感影像監(jiān)督分類(lèi)較一致的分類(lèi)精度，其優(yōu)勢(shì)在于遙感光譜規(guī)則的可解釋性。

表9 針對(duì)海島影像的監(jiān)督分類(lèi)和基于光譜指數(shù)的地物分類(lèi)的精度Tab.9 Classification accuracy of typical supervised classification and spectral indices methods for island images

4.2 海岸帶實(shí)驗(yàn)數(shù)據(jù)的精度分析

荃灣區(qū)域的土地類(lèi)型為林地、草地、裸地、建設(shè)用地及水體5類(lèi)。SRC算法的總體精度為74.11%，Kappa系數(shù)為0.67；MSRC算法的總體精度為77.67%，Kappa系數(shù)為0.72(表10)。就SRC算法的土地覆蓋分類(lèi)結(jié)果而言(圖5c)，林地和水體基本被正確分類(lèi)，而草地、裸地和建設(shè)用地的判別精度較低。裸地和建設(shè)用地的誤分類(lèi)現(xiàn)象主要存在于荃灣區(qū)域東北部的在建石化工業(yè)區(qū)和零散分布的待建區(qū)的裸地-建設(shè)用地混合像元；草地的精度誤差則來(lái)源于小部分林地、裸地和高植被覆蓋的建設(shè)用地像元的誤分類(lèi)。MSRC算法(圖5e)能更好地提取混合像元中的裸地和建設(shè)用地信息，改善了SRC結(jié)果中裸地-建設(shè)用地混合像元、高植被覆蓋的建設(shè)用地像元和陸水交界碼頭區(qū)域的誤分類(lèi)現(xiàn)象，但MSRC算法將水域中的零散船只也誤歸為裸地或建設(shè)用地的范疇，導(dǎo)致裸地和建設(shè)用地類(lèi)別的精度提升較小。

惠東區(qū)域的土地類(lèi)型為林地、耕地、草地、裸地、建設(shè)用地及水體6類(lèi)。SRC算法的總體精度為75.66%，Kappa系數(shù)為0.70；MSRC算法的總體精度為80.05%，Kappa系數(shù)為0.75(表10)。SRC算法能準(zhǔn)確分類(lèi)林地和水體像元以及集中分布的裸地和建設(shè)用地像元，但對(duì)零星分布的裸地和建設(shè)用地像元有一定錯(cuò)分；由于其所建立的耕地類(lèi)光譜規(guī)則不適用于該區(qū)域，導(dǎo)致耕地像元基本全部被誤分類(lèi)為林地或草地類(lèi)別(圖5h)，對(duì)SRC算法總體精度的影響較大。MSRC算法在一定程度上改善了零星分布的裸地和建設(shè)用地像元的錯(cuò)分，提升了裸地和建設(shè)用地的判別精度；建立了相對(duì)適用于惠東區(qū)域的耕地類(lèi)光譜規(guī)則，提升了耕地的判別精度，但仍有部分耕地被判定為林地或草地類(lèi)別。此外，由于影像的成像時(shí)間為冬季，部分耕地處于未耕作狀態(tài)，因此被判別為裸地類(lèi)別(圖5j)?？傮w而言，耕地的誤判對(duì)SRC算法總體精度的影響較大，相比之下，MSRC算法有效提高了耕地的判別結(jié)果，其他類(lèi)別的精度也有所提升(表10)。

圖5 針對(duì)海岸帶影像的光譜規(guī)則分類(lèi)算法的光譜類(lèi)別和土地覆蓋類(lèi)型分類(lèi)結(jié)果Fig.5 Spectral category result and land-cover map of spectral rule-based classifiers for coastal zone images(a～e：荃灣區(qū)域；f～j：惠東區(qū)域；a,f：Landsat 8影像；b,g：SRC算法光譜類(lèi)別結(jié)果；c,h：SRC算法土地覆蓋類(lèi)型分類(lèi)結(jié)果；d,i：MSRC算法光譜類(lèi)別結(jié)果；e,j：MSRC算法土地覆蓋類(lèi)型分類(lèi)結(jié)果。)(a-e:Quanwan; f-j: Huidong; a, f: Landsat 8 images; b, g: Spectral category results of SRC; c, h: Land-cover maps of SRC; d, i: Spectral category results of MSRC; e, j: Land-cover maps of MSRC.)

表11為海岸帶場(chǎng)景下遙感影像監(jiān)督分類(lèi)算法和基于光譜指數(shù)的地物分類(lèi)算法的精度分析。由表10和11可知，監(jiān)督分類(lèi)算法在荃灣區(qū)域的分類(lèi)精度均有所降低，不同方法相比較，MSRC算法的總體精度和Kappa系數(shù)最高，僅在個(gè)別地物類(lèi)別的精度上略低于其他算法。惠東區(qū)域除MDC算法外，其余遙感影像監(jiān)督分類(lèi)的總體精度均超過(guò)75%，其中SVM、NNC算法總體精度高于80%，Kappa系數(shù)均大于0.75，略高于MSRC算法的結(jié)果。復(fù)雜場(chǎng)景下基于光譜指數(shù)的地物分類(lèi)算法表現(xiàn)不佳，對(duì)于耕地和建設(shè)用地類(lèi)別的判別結(jié)果較差，基于NDVI和NDWI指數(shù)的精度相對(duì)較好。綜上，MSRC算法在應(yīng)用于較復(fù)雜的海岸帶影像時(shí)仍能保持較優(yōu)的分類(lèi)結(jié)果。

表10 針對(duì)海岸帶影像的SRC和MSRC算法分類(lèi)精度Tab.10 Classification accuracy of SRC and MSRC algorithm for coastal zone images

表11 針對(duì)海岸帶影像的監(jiān)督分類(lèi)和基于光譜指數(shù)的地物分類(lèi)的精度Tab.11 Classification accuracy of typical supervised classification and spectral indices methods for coastal zone images

續(xù)表11

總體而言，大氣校正后遙感影像的光譜信息更為豐富，改進(jìn)的MSRC算法精度高于原SRC算法。基于光譜指數(shù)的地物分類(lèi)算法應(yīng)用于土地類(lèi)型簡(jiǎn)單的海島影像時(shí)表現(xiàn)較好；對(duì)于包含多種土地類(lèi)型的海岸帶影像，光譜響應(yīng)曲線相似的裸地和建設(shè)用地類(lèi)別出現(xiàn)了誤分類(lèi)現(xiàn)象，耕地和草地類(lèi)別容易被歸類(lèi)為林地類(lèi)別，各類(lèi)別精度和總體精度均降低。監(jiān)督分類(lèi)算法的結(jié)果對(duì)于海島和海岸帶影像地物分類(lèi)都優(yōu)于基于光譜指數(shù)的地物分類(lèi)算法，其中SVM和NNC算法精度較高。MSRC算法在無(wú)需人工標(biāo)注的優(yōu)勢(shì)下可以達(dá)到SVM和NNC算法的分類(lèi)精度，適用于海島和海岸帶的多光譜影像。

5 結(jié)論

本文在SRC算法基礎(chǔ)上，提出了一種改進(jìn)光譜規(guī)則的分類(lèi)算法(MSRC)。該算法通過(guò)優(yōu)化地物光譜響應(yīng)曲線和光譜指數(shù)構(gòu)建的光譜規(guī)則集，能準(zhǔn)確利用大氣校正后的光譜特征，具有較好的應(yīng)用前景。以珠江三角洲的海島和海岸帶Landsat 8多光譜影像為實(shí)驗(yàn)數(shù)據(jù)，分析了大氣校正前后各波段反射率和地物光譜響應(yīng)曲線的變化，并利用SRC算法和MSRC算法進(jìn)行地物分類(lèi)和精度評(píng)價(jià)，與4類(lèi)遙感影像監(jiān)督分類(lèi)算法以及基于光譜指數(shù)的地物分類(lèi)算法進(jìn)行比較。結(jié)果表明，改進(jìn)的MSRC算法對(duì)于4組實(shí)驗(yàn)數(shù)據(jù)的總體分類(lèi)精度分別為87.66%、82.38%、77.67%和80.05%，均高于原SRC算法、MDC算法、MLC算法和基于光譜指數(shù)的地物分類(lèi)算法，在無(wú)需人工標(biāo)注的優(yōu)勢(shì)下可以達(dá)到SVM和NNC算法的分類(lèi)精度，適用于海島和海岸帶多光譜影像，表明考慮大氣校正對(duì)遙感影像光譜反射率影響的MSRC算法能夠有效提高地物信息提取的精度。其中基于光譜指數(shù)的地物分類(lèi)算法應(yīng)用于海島影像時(shí)表現(xiàn)較好，但不適用于包含多種土地類(lèi)型的海岸帶影像；監(jiān)督分類(lèi)高度依賴(lài)于樣本選擇，算法的判別精度有所變動(dòng)；MSRC算法具有較好的穩(wěn)定性，光譜規(guī)則的非監(jiān)督分類(lèi)在普適性與自動(dòng)化影像數(shù)據(jù)處理方面展現(xiàn)出優(yōu)勢(shì)。