基于多源遙感影像的植被提取方法對(duì)比研究

華 鍵，岳 東，李柏霖，何紫玲，王建雄

（1.云南農(nóng)業(yè)大學(xué) 水利學(xué)院/云南省高校農(nóng)業(yè)遙感與精準(zhǔn)農(nóng)業(yè)工程研究中心，云南 昆明 650201；2. 云南農(nóng)業(yè)大學(xué) 水利學(xué)院/云南省高校國(guó)土資源科學(xué)技術(shù)工程研究中心，云南 昆明 650201；3. 云南農(nóng)業(yè)大學(xué) 水利學(xué)院，云南 昆明 650201）

0 引言

植被作為地球生態(tài)環(huán)境系統(tǒng)的重要因素，對(duì)土地資源、水土保持、生物固碳和氣候循環(huán)等方面具有重要作用。隨著城市化進(jìn)程的日益加快，通過傳統(tǒng)的地面調(diào)查獲取森林資源信息的方式已難以滿足生產(chǎn)中對(duì)森林植被信息的快速需求。多源遙感影像具有光譜信息豐富、空間分辨率高、大面積、時(shí)效性強(qiáng)等特點(diǎn)，是目前獲取森林資源現(xiàn)狀及其動(dòng)態(tài)變化信息不可或缺的重要途徑。同時(shí)，在遙感圖像植被識(shí)別提取上，不斷涌現(xiàn)出越來越多的改進(jìn)分類方法，但大致可以歸結(jié)為基于像元的非監(jiān)督分類和監(jiān)督分類、基于特征學(xué)習(xí)的深度學(xué)習(xí)及面向?qū)ο蟮姆诸愡@3類方法［1-5］。目前，國(guó)內(nèi)外學(xué)者展開了對(duì)植被提取方法應(yīng)用方面的研究，如Yang等［6］基于深度注意力模型實(shí)現(xiàn)了對(duì)高分辨率衛(wèi)星影像城市植被的提??；Zhuang等［7］利用多類多級(jí)特征( MCMLF )方法對(duì)野外植被進(jìn)行了有效提取，解決了包括各種光照條件、陰影區(qū)域和復(fù)雜背景在內(nèi)的室外挑戰(zhàn)；Ayhan等［8］使用不同的數(shù)據(jù)集訓(xùn)練了3個(gè)DeepLab V3模型，利用Rgb影像進(jìn)行了精確植被分類，結(jié)果表明使用圖像分辨率接近測(cè)試數(shù)據(jù)圖像的數(shù)據(jù)集訓(xùn)練的模型性能最好；鄭舒元等［9］基于“資源一號(hào)”02D衛(wèi)星可見光波段進(jìn)行了植被提取，并利用支持向量機(jī)進(jìn)行了植被提取精度的量化評(píng)價(jià)，結(jié)果表明以超紅指數(shù)（EXR）的提取效果最佳；張家玫等［10］采用多源高分遙感影像結(jié)合面向?qū)ο蟮拈撝捣诸惻c模糊分類方法提取了地類信息，其具有很好的提取效果；馬海榮等［11］基于全卷積神經(jīng)網(wǎng)絡(luò)和面向?qū)ο髮?shí)現(xiàn)提高高分辨率遙感影像土地覆蓋分類精度；向峰城等［12］基于機(jī)器學(xué)習(xí)方法 J48決策樹的面向?qū)ο蟮挠跋穹诸惙椒?，?shí)現(xiàn)了研究區(qū)的土地覆被分類，分類效果較好；歐陽雯思［13］基于UNet++從城市高分辨率遙感圖像中自動(dòng)、快速、高效地提取了植被信息；彭熙雯［14］通過改進(jìn)經(jīng)典語義分割U-Net模型并結(jié)合多源遙感數(shù)據(jù)，有效提高了地物分類精度和分類效果；丘鳴語等［15］采用面向?qū)ο蟮姆椒▽?duì)研究區(qū)進(jìn)行了多層次規(guī)則分類提取地物，結(jié)果表明面向?qū)ο蟮亩鄬哟我?guī)則分類法具有明顯的優(yōu)勢(shì)。

目前，面向?qū)ο蠓诸惙椒ǖ挠跋窕A(chǔ)多以單一衛(wèi)星、無人機(jī)影像為主，而多源影像融合結(jié)合面向?qū)ο蟮难芯糠椒ㄝ^少。其次，面向?qū)ο蟮姆诸惙椒ㄅc傳統(tǒng)分類方法的對(duì)比研究也有待補(bǔ)充。因此，本研究以植被作為研究對(duì)象，并從這2個(gè)方面展開深入研究。

1 研究區(qū)概況

滇池流域位于102°27′～103°3′E，24°27′～25°30′N，擁有云南省九大流域面積最大的淡水湖——滇池，流域面積2920 km2，涉及昆明市盤龍、晉寧、官渡、西山、五華、呈貢6個(gè)區(qū)及嵩明縣。流域地處長(zhǎng)江、珠江、紅河三江水系的分水嶺地帶，屬于北亞熱帶濕潤(rùn)季風(fēng)氣候，并受西南季風(fēng)和熱帶大陸氣團(tuán)昆明—貴陽準(zhǔn)靜止鋒的交替影響，具有低緯度高原季風(fēng)氣候特征和四季如春、干濕分明、垂直差異大的氣候特點(diǎn)。滇池流域主要由森林、草地、落葉松林、灌木林和荒漠植被組成。森林覆蓋率最高，其中以闊葉林為主，其次是落葉松林；草地主要分布在流域的中部和下游地區(qū)；灌木林主要分布在流域的上游地區(qū)；荒漠植被主要分布在流域的下游地區(qū)。

2 影像來源及研究方法

2.1 影像來源與預(yù)處理

通過調(diào)查及查閱資料發(fā)現(xiàn)，云南省降水時(shí)間主要集中在每年的6—9月，此時(shí)成像影像云量多，在植被提取分類等研究過程中需盡量避開該時(shí)段成像的遙感影像。本研究選用Landsat 8 OLI多光譜波段、Sentinel-2A多光譜波段及GF-1號(hào)多光譜和全色波段影像作為數(shù)據(jù)源，影像成像時(shí)間主要集中在3月，最大時(shí)間跨度為29 d，在該時(shí)段內(nèi)植被并無明顯變化，因此，在后續(xù)融合過程中能避免因同一像元不同地類而產(chǎn)生的問題。獲取的遙感影像數(shù)據(jù)如表1所示。

表1 遙感影像衛(wèi)星數(shù)據(jù)

由于Landsat 8和Sentinel-2A影像數(shù)據(jù)已經(jīng)由PIE-Engine 遙感與地理信息云服務(wù)平臺(tái)進(jìn)行了大氣校正和輻射校正處理，因此只需將GF-1B、GF-1C、GF-1D多光譜和全色波段影像分別在ENVI5.6中進(jìn)行輻射校正和大氣校正，并進(jìn)行圖像拼接。最后將所有影像的地理信息配準(zhǔn)到同一參考坐標(biāo)系下，并進(jìn)行不同影像同一地物點(diǎn)的校正。

2.2 影像融合方法

多源遙感融合影像主要是由高分辨率的全色影像和低分辨率的多光譜影像進(jìn)行融合處理后得到，融合后的多光譜影像具有較高的空間分辨率和較豐富的光譜信息［16］。融合后的影像比單一特征數(shù)據(jù)源的影像在光譜豐富度和紋理清晰度上表現(xiàn)出更為明顯的改善［17］。

2.2.1 主成分分析法(PCA) 主成分分析法(Principal Component Analysis，PCA)，是一種將原始多波段數(shù)據(jù)通過線性變化在統(tǒng)計(jì)特征基礎(chǔ)上轉(zhuǎn)換為一組新的互相獨(dú)立的變量，這些變量被稱為主成分，其第一主分量包含原始多光譜影像的各波段信息［18］。在影像融合過程中，通過部分主成分表示多個(gè)波段影像數(shù)據(jù)所包含的信息，以達(dá)到減少數(shù)據(jù)冗余、壓縮數(shù)據(jù)量的特點(diǎn)。

2.2.2 Brovey變換法 Brovey變換法也稱為色彩標(biāo)準(zhǔn)化變換法(Color Normalization，CN)， 是一種將多光譜影像空間分成色度和亮度2個(gè)成分，并與全色影像進(jìn)行比值運(yùn)算，以實(shí)現(xiàn)多光譜波段的色彩標(biāo)準(zhǔn)變化，最后通過全色影像對(duì)多光譜影像進(jìn)行重采樣來提高分辨率的一種方法［17］。

2.2.3 Gram-Schmidt變換法 Gram Schmidt變換也叫光譜銳化法，是一種常用于線性代數(shù)以及多元統(tǒng)計(jì)中的正交化融合算法，其核心是過多光譜影像模擬出一幅低分辨率的全色影像，然后將模擬影像作為Gram-Schmidt變換的第一分量與多光譜影像進(jìn)行Gram-Schmidt變換。Gram-Schmidt變換后各分量之間的信息量沒有較大差異，且變換前后第一分量沒有變化［19］。

2.2.4 NND變換法 NND變換法通過設(shè)置多光譜像元光譜為最小運(yùn)算單元，利用混合模型將多光譜每個(gè)鄰近像元進(jìn)行加權(quán)，從而產(chǎn)生高分辨率融合影像，其對(duì)應(yīng)的權(quán)重大小由全色波段的擴(kuò)散模型來確定，該方法不受波段限制，耗時(shí)短［20］。

2.3 植被分類方法

2.3.1 ISODATA算法 ISODATA算法也叫迭代自組織分析算法，是一種基于K均值聚類的改進(jìn)方法，它可以依照影像的空間結(jié)構(gòu)特征及光譜統(tǒng)計(jì)特征自動(dòng)確定聚類數(shù)目，并可以對(duì)聚類中心進(jìn)行合并和分裂操作，是一種不需要具備先驗(yàn)知識(shí)的分類方法。

2.3.2 最大似然法 最大似然法是一種基于概率論的分類方法，它假設(shè)每個(gè)地物類別的像元值是一個(gè)服從正態(tài)分布的隨機(jī)變量。通過分類前選取的若干分類樣本，計(jì)算每個(gè)像元值對(duì)應(yīng)每個(gè)分類樣本的概率密度函數(shù)，然后選擇具有最大概率的類別作為分類結(jié)果，該方法需要具備一定的先驗(yàn)知識(shí)。

2.3.3 馬氏距離法 馬氏距離法是通過計(jì)算每個(gè)像元到每個(gè)類的馬氏距離來實(shí)現(xiàn)的，通過像素的波段值和每個(gè)類的波段均值之間的馬氏距離計(jì)算得到，然后將其歸類為距離其最近的類。馬氏距離能夠更好地考慮特征之間的相關(guān)性，減少特征之間的冗余信息，該方法也需要具備一定的先驗(yàn)知識(shí)。

2.3.4 最小距離法 最小距離法是一種簡(jiǎn)單但常用的分類方法，其原理是將每個(gè)像元與各個(gè)類別的樣本像元進(jìn)行距離計(jì)算，將其分配到最接近的類別中。

2.3.5 基于規(guī)則的面向?qū)ο?基于規(guī)則的面向?qū)ο笫荅NVI 5.6軟件提供的面向?qū)ο蠓椒ㄖ械囊环N，是一種更加復(fù)雜和準(zhǔn)確的分類方法。它將像元組合成具有語義信息的對(duì)象，通過建立一系列規(guī)則來對(duì)這些對(duì)象進(jìn)行分類。其優(yōu)點(diǎn)是可以考慮到像元之間的空間關(guān)系和像元值之間的相關(guān)性，具有更好的分類精度，但它也需要更多的計(jì)算資源和專業(yè)知識(shí)來建立分類規(guī)則。其主要操作流程如圖1所示。

圖1 基于規(guī)則的面向?qū)ο蠹夹g(shù)流程圖

3 融合影像評(píng)價(jià)

本文采用像素級(jí)融合作為影像融合方法進(jìn)行對(duì)比研究，選用主成分分析法(PCA)、Brovey變換法、Gram-Schmidt變換法、NND變換法4種方法對(duì)研究區(qū)域的遙感圖像進(jìn)行融合處理。為了選擇出最優(yōu)的融合方法，需要對(duì)影像融合結(jié)果進(jìn)行定性和定量評(píng)價(jià)，定性評(píng)價(jià)主要是指通過目視判別來判斷融合影像的清晰度、分辨率、融合效果等。定量評(píng)價(jià)主要是指通過計(jì)算融合影像的均值、方差、熵值、平均交叉熵、均方根交叉熵、光譜扭曲、峰值信噪比等，定量比較不同融合方法對(duì)融合結(jié)果的影響［21-22］。

由于GF-1BCD、Landsat8和Sentinel-2A影像含有近紅外波段，因此，本研究Brovey變換增加紅外波段［Brovey(red)變換］和近紅外波段（Brovey變換）進(jìn)行擴(kuò)充對(duì)比。

3.1 融合結(jié)果定性評(píng)價(jià)

3.1.1 GF-1BCD全色影像與GF-1BCD多光譜影像融合 由GF-1BCD全色影像與GF-1BCD多光譜影像融合對(duì)比圖（圖2）可知，Brovey變換法光譜信息保持較好，但受波段限制，僅能保留3個(gè)波段，波譜失真較為嚴(yán)重，并有一定程度的光譜扭曲變形，而Brovey(red)變換法在植被反射率中有很大色差。采用Gram-Schmidt變換、NND變換、主成分分析法（PCA）變換融合影像能夠較好地保留原始影像的光譜特征，但NND變換相比Gram-Schmidt變換和主成分分析法（PCA）變換能夠更好地保持光譜特征，地物之間區(qū)分度更高。因此，NND變換融合效果最佳。

圖2 GF-1BCD全色影像與GF-1BCD多光譜影像融合對(duì)比圖

3.1.2 GF-1BCD全色影像與Landsat 8多光譜影像融合 由GF-1BCD全色影像與Landsat 8多光譜影像融合對(duì)比圖（圖3）可知，Brovey變換和Brovey(red)變換光譜信息保持較好，但僅能保留3個(gè)波段，波譜失真較為嚴(yán)重，可能還會(huì)使融合影像波譜范圍不均勻。主成分分析法(PCA)變換在植被和農(nóng)田反射率中亮度都偏高，存在易混淆、不易區(qū)分的現(xiàn)象。Gram-Schmidt變換、NND變換能夠較好地保留原始影像的光譜特征。因此，NND變換和GS變換融合效果均最佳。

圖3 GF-1BCD全色影像與Landsat 8多光譜影像融合對(duì)比圖

3.1.3 GF-1BCD全色影像與Sentinel-2A多光譜影像融合 由GF-1BCD全色影像與Sentinel-2A多光譜影像融合對(duì)比圖（圖4）可知， NND變換和Gram-Schmidt變換在草地和部分植被中與農(nóng)田的反射率都偏高，Brovey(red)變換存在部分植被與農(nóng)田顏色接近的情況， Brovey變換中部分草地和稀疏植被存在與道路的反射率相同或接近的情況，即顏色偏亮，反射率偏高，這4種變換都存在地物分類時(shí)，易混淆的現(xiàn)象。主成分分析法(PCA)變換雖然融合效果沒有想象中的好，且存在光譜散射現(xiàn)象，但總體來說地物區(qū)分度較高，且散射現(xiàn)象較少、范圍較小。因此，主成分分析法(PCA)變換融合效果最佳。

圖4 GF-1BCD全色影像與Sentinel-2A多光譜影像融合對(duì)比圖

3.2 融合結(jié)果定量評(píng)價(jià)

在對(duì)影像進(jìn)行定量評(píng)價(jià)時(shí)，主要考慮所用的評(píng)價(jià)因子對(duì)融合后的影像是否具備全色影像的空間細(xì)節(jié)信息和多光譜影像的光譜信息等，即具體的融合效果。本文利用Matlab 2020a軟件構(gòu)建評(píng)價(jià)指標(biāo)因子算法用于融合影像的評(píng)價(jià)，選用的評(píng)價(jià)指標(biāo)因子為：

熵(EN)：是衡量影像當(dāng)中包含信息量豐富程度的一個(gè)重要的指標(biāo)，熵值越大則所含信息量越多，融合效果也越好。

平均交叉熵(MCE)、均方根交叉熵（RCE）：反映融合圖像與參考標(biāo)準(zhǔn)圖像之間的差異程度，通過計(jì)算平均交叉熵和均方根交叉熵來體現(xiàn)，其值越小，則表明融合圖像和參考標(biāo)準(zhǔn)圖像的差別越小，融合效果也越好。

峰值信噪比(PSNR)： 區(qū)域噪聲是否有效抑制、信息量是否得到提高、邊緣信息是否有效保留、圖像均值是否得到提高等，都可以通過峰值信噪比值來體現(xiàn)，一般來說，峰值信噪比值越高，說明融合效果與質(zhì)量越好。

在計(jì)算平均交叉熵、均方根交叉熵和峰值信噪比時(shí)，由于沒有標(biāo)準(zhǔn)參考影像，所以本文用GF-1BCD號(hào)全色影像作為標(biāo)準(zhǔn)參考影像，對(duì)融合影像質(zhì)量的優(yōu)劣進(jìn)行評(píng)價(jià)。

由表2可知，GF-1BCD全色影像和GF-1BCD多光譜影像融合的各因子融合效果排序如下。EN：NND＞GS＞主成分分析法(PCA)＞Brovey(red)＞Brovey。MCE：NND＞GS＞主成分分析法(PCA)＞Brovey(red)＞Brovey。RCE：NND＞GS＞主成分分析法(PCA)＞Brovey(red)＞Brovey。PSNR：GS＞主成分分析法(PCA)＞Brovey＞Brovey(red)＞NND。

表2 GF-1BCD全色影像和GF-1BCD多光譜影像融合結(jié)果

由表3 可知，GF-1BCD 全色影像和Landsat 8多光譜影像融合的各因子融合效果排序如下。EN：主成分分析法(PCA)＞NND＞GS＞Brovey(red)＞Brovey。MCE：GS＞NND＞主成分分析法（PCA）＞Brovey(red)＞Brovey。RCE：GS＞NND＞主成分分析法(PCA)＞Brovey(red)＞Brovey。PSNR：GS＞主成分分析法(PCA)＞NND＞Brovey(red)＞Brovey。

表3 GF-1BCD全色影像和Landsat 8多光譜影像融合結(jié)果

由表4所知，GF-1BCD全色和Sentinel-2A多光譜影像融合的各因子融合效果排序如下。EN：NND＞GS＞主成分分析法(PCA)＞Brovey(red)＞Brovey。MCE：GS＞主成分分析法(PCA)＞NND＞Brovey(red)＞Brovey。RCE：GS＞主成分分析法(PCA)＞NND＞Brovey(red)＞Brovey。PSNR：Brovey(red)＞Brovey＞主成分分析法(PCA)＞GS＞NND。

表4 GF-1BCD全色影像和Sentinel-2A多光譜影像融合結(jié)果

3.3 綜合評(píng)價(jià)

結(jié)合上述定性和定量評(píng)價(jià)結(jié)果可以得出以下結(jié)論：

（1）GF-1BCD全色影像和GF-1BCD多光譜影像融合。在定性評(píng)價(jià)中，NND變換具有更好的光譜特征，地區(qū)之間區(qū)分度更高，具有更好的影像清晰度；在定量評(píng)價(jià)中，NND變換的EN、MCE和RCE效果最好，PSNR效果最差，即信息豐富，差距小，融合效果很好，但質(zhì)量較差，但從數(shù)值上看，PSNR值各融合方法之間差距在0.1之內(nèi)，因此，綜合定性和定量評(píng)價(jià)結(jié)果NND變換效果最佳。

（2）GF-1BCD全色影像和Landsat 8多光譜影像融合。在定性評(píng)價(jià)中，NND變換和GS變換均為最佳融合效果；在定量評(píng)價(jià)中，GS變換的MCE、RCE和PSNR效果最好，比NND變換更好，GS變換的EN融合效果比NND變換的差，比最好的主成分分析法(PCA)變換的低0.1333，即GS變換融合效果較好，質(zhì)量最高，因此，綜合定性和定量評(píng)價(jià)結(jié)果GS變換效果最佳。

（3）GF-1BCD全色影像和Sentinel-2A多光譜影像融合。在定性評(píng)價(jià)中，主成分分析法（PCA）變換為最佳融合效果；在定量評(píng)價(jià)中，主成分分析法(PCA)變換的MCE和RCE值分別低于其效果最好的GS變換0.0051和0.0096，EN值低于其效果最好的NND變換0.2000，PSNR值低于其效果最好的Brovey(red)變換0.0054。從融合效果的比較結(jié)果來看，GS變換應(yīng)作為最佳選擇，從GS變換和主成分分析法(PCA)變換兩者在數(shù)值上的比較發(fā)現(xiàn)，兩者差距也較小，但回歸定向評(píng)價(jià)發(fā)現(xiàn)，GS變換存在地物混淆現(xiàn)象，而主成分分析法(PCA)變換地物區(qū)分度較高，因此，綜合定性和定量評(píng)價(jià)結(jié)果，選定主成分分析法(PCA)變換作為最佳融合方法。

綜合上述，GF-1BCD全色影像和GF-1BCD多光譜影像融合選用NND變換法，GF-1BCD全色影像和Landsat 8 多光譜影像融合選用GS變換法，GF-1BCD全色影像和Sentinel-2A多光譜影像融合選用主成分分析法（PCA）。

4 植被分類結(jié)果分析

利用計(jì)算機(jī)對(duì)影像進(jìn)行分類，是將影像中的所有像元根據(jù)其空間結(jié)構(gòu)特征、像元值大小、紋理特征等依據(jù)某種算法將其劃分歸類到符合訓(xùn)練區(qū)特征的過程，并將訓(xùn)練區(qū)屬性賦予該像元。根據(jù)是否需要選取訓(xùn)練區(qū)樣本以及是否需要具備先驗(yàn)知識(shí)，將分類方法分為2個(gè)大類，即非監(jiān)督分類和監(jiān)督分類。將融合影像定性、定量分析結(jié)果選擇的3種最佳融合影像GF_NND、Landsat_GF_GS和Sentinel_GF_PCA影像進(jìn)行一級(jí)分類，即進(jìn)行林地和非林地劃分。分類結(jié)果能夠直觀地反映和了解研究區(qū)域植被的覆蓋分布情況和植被覆蓋率。

對(duì)3種融合影像選用非監(jiān)督分類的ISODATA算法和監(jiān)督分類的最大似然法、最小距離法、馬氏距離法和基于規(guī)則的面向?qū)ο蠓诸悺Ｆ渲谢谝?guī)則的面向?qū)ο蠓诸愂且环N通過多尺度角度對(duì)影像各類地物進(jìn)行分割的方法［23］，本文構(gòu)建的基于植被的面向?qū)ο蠓诸愐?guī)則集由3個(gè)層次（波譜、紋理、空間）不同尺度集成，其中L1層作為提取植被主要層，由植被與其他地物區(qū)分度高的灰度平均值（波段為歸一化植被指數(shù)［24］或紅外）和灰度最大值（波段為紅外或近紅外）構(gòu)成，L2層作為剔除無規(guī)則性的其他地物類型，由卷積核內(nèi)平均值（波段為紅外或藍(lán)波）構(gòu)成，L3層作為剔除有規(guī)則性的其他地物類型，由矩形度、延伸性、長(zhǎng)度、堅(jiān)固性、面積等構(gòu)成。各分類方法的可視化圖如圖5～圖7所示。

圖5 基于Gram-Schmidt融合的影像分類

圖6 基于NNDiffuse融合的影像分類

圖7 基于主成分分析法（PCA）融合的影像分類

對(duì)分類后的結(jié)果進(jìn)行精度分析，通過在更高分辨率的衛(wèi)星影像對(duì)分類精度進(jìn)行評(píng)價(jià)，利用計(jì)算像元分類結(jié)果與檢驗(yàn)樣本點(diǎn)一致的概率的總體精度和Kappa系數(shù)實(shí)現(xiàn)對(duì)分類效果和質(zhì)量的評(píng)價(jià)。檢驗(yàn)樣本點(diǎn)是由ArcGIS軟件隨機(jī)生成分布的1000個(gè)樣本點(diǎn)與更高分辨率同一成像時(shí)間的衛(wèi)星影像和地面調(diào)查數(shù)據(jù)通過判別并賦予屬性生成的，總體精度和Kappa系數(shù)由這1000個(gè)樣本點(diǎn)與每一個(gè)分類影像進(jìn)行混淆矩陣分析生成，本研究中，Kappa系數(shù)的分類結(jié)果等級(jí)使用Cohen提出的Kappa系數(shù)評(píng)價(jià)標(biāo)準(zhǔn)［25］?？傮w精度和Kappa系數(shù)結(jié)果如表5所示。

表5 影像分類后精度評(píng)價(jià)結(jié)果

由表5可知：（1）同一層次分類比較中，ISODATA算法效果最差，其總體分類精度和Kappa系數(shù)均低于最大似然法、最小距離法、馬氏距離法和基于規(guī)則的面向?qū)ο?，即采用監(jiān)督分類和特征學(xué)習(xí)的面向?qū)ο蟮男Ч黠@優(yōu)于非監(jiān)督分類，其原因包括非監(jiān)督分類無需具備先驗(yàn)知識(shí)，其分類結(jié)果完全依靠計(jì)算機(jī)自主分類，易受 “同譜異物，異物同譜”的影響。（2）整體來看，以GF_NND融合影像為基礎(chǔ)的馬氏距離法和基于規(guī)則的面向?qū)ο蠓诸惙椒ǖ姆诸惥茸罡咔屹|(zhì)量極佳，總體分類精度和Kappa系數(shù)分別為92.00%、91.60%和0.8363、0.8274，并且以GF_NND融合影像為基礎(chǔ)的5種分類方法，其總體分類精度和Kappa系數(shù)分列前5，總體分類精度和Kappa系數(shù)最低為89.60%和0.7878，分類精度和質(zhì)量較好，分析其原因包括GF-1BCD全色影像和多光譜影像是同一衛(wèi)星、同一傳感器拍攝成像生成的，無需進(jìn)行影像匹配校正，減少由校正產(chǎn)生的誤差，致使其分類精度也更好。（3）Landsat_GF_GS融合影像下的ISODATA算法和基于規(guī)則的面向?qū)ο蠓诸惙椒ǖ姆诸惥茸畹颓屹|(zhì)量最差，總體分類精度和Kappa系數(shù)分別為73.60%、76.40%和0.4754、0.5336，一致性程度達(dá)到中等，分析其原因包括GF-1BCD全色影像與Landsat 8多光譜影像由于不是同一衛(wèi)星、同一成像時(shí)間造成影像校正產(chǎn)生誤差，最終造成影像分類精度問題。（4）其余方法的Kappa系數(shù)均高于0.6300，即一致性程度達(dá)到較好，其原因包括Sentinel-2A多光譜影像含12個(gè)波段，具有豐富的光譜信息，同時(shí)主成分分析法（PCA）能夠通過部分主成分來保留多光譜影像所包含的信息，致使其分類精度也更好。

5 討論與結(jié)論

從結(jié)果中可以看出，Landsat_GF_GS融合影像下的分類方法存在分類精度偏低的情況較多，質(zhì)量在同一層次分類方法的比較中也較低，其中ISODATA算法效果最差，其原因可以從融合影像評(píng)價(jià)方面的PSNR這一因子值看出， PSNR值越低，說明其融合效果與質(zhì)量越差，在一定程度上也能夠間接地反映出分類精度的質(zhì)量和效果。其次，以GF_NND融合影像為基礎(chǔ)的馬氏距離法和基于規(guī)則的面向?qū)ο蠓诸惙椒ǖ姆诸惥茸罡咔屹|(zhì)量最好，一方面能夠通過融合影像效果反映得出，另一方面，對(duì)于面向?qū)ο蟮姆诸惙椒▉碚f，其分類精度與規(guī)則的選取和調(diào)節(jié)的尺度有關(guān)，對(duì)于馬氏距離法來說，能夠更好地考慮特征之間的相關(guān)性，減少了特征之間的冗余信息，提高了分類精度。最后，所有分類方法的分類精度和Kappa系數(shù)全部都沒有呈現(xiàn)出非常優(yōu)質(zhì)的分類效果，其原因一方面跟影像選取的時(shí)間節(jié)點(diǎn)有關(guān)，3月的研究區(qū)域已有部分露天農(nóng)田的農(nóng)作物處于綠色狀態(tài)，特別是在研究區(qū)的下部區(qū)域，在一定程度上會(huì)影響植被的提取效果；另一方面，GF-1BCD全色影像與Landsat 8 多光譜影像和Sentinel-2A多光譜影像由于不是同一衛(wèi)星和同一成像時(shí)間，造成影像校正和融合產(chǎn)生誤差，最終造成影像分類精度問題。

本研究以多源遙感影像為基礎(chǔ)，運(yùn)用面向?qū)ο笙碌幕谝?guī)則的分類方法，利用規(guī)則下的多尺度分割、多層次分類方法進(jìn)行分割，根據(jù)不同尺度和層次下植被的表現(xiàn)特征，建立植被的分類規(guī)則集，最后對(duì)基于規(guī)則的面向?qū)ο蟮姆诸惙椒ǎ謩e與常用的ISODATA算法、最大似然法、最小距離法和馬氏距離法進(jìn)行對(duì)比研究，得出以下結(jié)論：

（1）以GF_NND融合影像為基礎(chǔ)的5種分類方法的總體分類精度和Kappa系數(shù)效果均較好，其中馬氏距離法和基于規(guī)則的面向?qū)ο蟮姆诸惙椒ǖ姆诸惥茸罡咔屹|(zhì)量最佳，總體分類精度和Kappa系數(shù)分別為92.00%、91.60%和0.8363、0.8274。Landsat_GF_GS融合影像下的ISODATA算法和基于規(guī)則的面向?qū)ο蟮姆诸惙椒ǖ姆诸惥茸畹颓屹|(zhì)量最差，總體分類精度和Kappa系數(shù)分別為73.6%、76.40%和0.4754、0.5336。除以上分類方法以外，其余分類方法的總體分類精度和Kappa系數(shù)介于82%～91%和0.63～0.82之間，即分類精度較好，分類質(zhì)量中等。

（2）馬氏距離法在本研究中凸顯了分類優(yōu)勢(shì)，在同一層次分類方法的比較中總體分類精度和Kappa系數(shù)均較好。其次，基于規(guī)則的面向?qū)ο蟮姆诸惙椒ú]有呈現(xiàn)出一致的高分類精度效果，原因在于面向?qū)ο蟪叨鹊倪x擇和層次的分割以及在最終規(guī)則集的構(gòu)建過程中，其規(guī)則集中尺度的構(gòu)建更依賴于人工根據(jù)現(xiàn)有分析結(jié)果和經(jīng)驗(yàn)來確定特征值。因此，受經(jīng)驗(yàn)和效率的影響，后續(xù)可考慮通過機(jī)器語義學(xué)習(xí)的方法進(jìn)行特征的選取和值的確定，以減少對(duì)人工的依賴，進(jìn)而提高分類精度和效果。同時(shí)，本研究在面向?qū)ο蠓诸悤r(shí)，引入特征只有歸一化植被指數(shù)，且分類對(duì)象單一，在后續(xù)研究中可加入更多輔助數(shù)據(jù)，使分類對(duì)象多樣化，以增加面向?qū)ο蠓诸惖难芯俊?/p>