易達 李院瞧 楊宇

摘? 要： 遙感圖像分類是遙感信息提取的重要技術手段，目前已有多種遙感圖像分類方法運用在地表覆被分類中，而分類精度的提升是遙感數(shù)據(jù)處理及其應用的核心所在。因此，針對具體研究區(qū)環(huán)境特性，并通過比較分析各種遙感圖像分類方法的精度狀況，成為了如何選擇最合適遙感應用方法的根本依據(jù)。本文選取具有云南省滇中高原湖泊區(qū)域典型代表性的星云湖及周邊湖濱帶徑流區(qū)域為研究試驗區(qū)，通過采用監(jiān)督分類、BP神經(jīng)網(wǎng)絡分類和面向對象分類等三種遙感分類方法，開展研究區(qū)地表覆被類型的遙感圖像信息提取，并對三種方法所獲取結果的精度狀況進行對比分析研究。結果顯示，面向對象方法相對其余兩種方法更適用于星云湖流域土地利用分類。研究結果對于推進面向云南滇中高原湖濱帶地表覆蓋信息的遙感快速提取與動態(tài)監(jiān)測具有現(xiàn)實科技指導作用，同時對研究云南滇中高原湖泊區(qū)域的資源環(huán)境利用與保護管理等具有重要的科學意義。

關鍵詞： 遙感監(jiān)測;地表覆蓋;分類技術;精度評價;高原湖泊

中圖分類號： P237 ???文獻標識碼： A??? DOI：10.3969/j.issn.1003-6970.2020.07.009

本文著錄格式：易達，李院瞧，楊宇. 面向滇中高原湖泊區(qū)地表覆蓋遙感探測的分類精度對比研究[J]. 軟件，2020，41（07）：45-50

Comparison of Accuracy of Land Cover Classification by RemoteSensing Monitoring Methods in Yunnan Plataea Lake Area

YI Da¹， LI Yuan-qiao²， YANG Yu³

（1. Oxbridge College， Kunming University of Science and Technology， Kunming 650106， China;2. Yunnan Honghe Hydropower Survey and Design Institute， Kunming 650200， China;3. Faculty of Land Resources Engineering， Honghe 661100， China）

【Abstract】： Remote sensing classification is an important technology used for the extraction of information， there are varieties of remote sensing methods used in the classification， accuracy is the represent of the effect of classification which makes the improvement of accuracy become the core of remote sensing data processing and applications. Therefore， the analyst of accuracy by comparing the different classification methods in the specific study area has become the fundamental basis of remote sensing application. The typical representative area of Central Yunnan Plateau lakes region， Xing Yun lake and the runoff area were selected as study area in this paper. Three methods of unsupervised classification， BP neural network classification and object-oriented classification were used for the extraction of land cover information in remote sensing image， and comparing the three classification methods by accuracy evaluation. The results show that the object-oriented method is more suitable for land use classification in the Xingyun Lake Basin than the other two methods. There is practical guidance for the results in promoting quickly extraction and dynamic monitoring of land cover information， and important scientific significance for the study of resource and environment management， utilization and protection in Central Yunnan plateau lake.

【Key words】： Remote sensing monitoring; Land cover; Classification technology; Accuracy evaluation; Plateau lakes

0? 引言

通過遙感圖像識別各種地面目標是遙感技術發(fā)展的一個重要環(huán)節(jié)，無論是專題信息提取、動態(tài)變化監(jiān)測、專題制圖、還是遙感數(shù)據(jù)庫建設等都離不開遙感圖像分類技術^[1]。而我們所觀察到的地球表面生物物理覆蓋情況叫做地表覆蓋，它是由各種自然形成和人為建造所組成地表覆蓋的模式。遙感圖像分類實際上是將圖像中每個像元點或每塊區(qū)域根據(jù)其在不同譜段的光譜特征、空間結構特征或其他信息，按照某種規(guī)劃分為不同類別^[2]。

最初的遙感圖像分類方法是通過目視解譯來實現(xiàn)的，即主要是根據(jù)人的經(jīng)驗和知識，通過解譯基本要素和具體解譯標志來識別地物類型^[3]。如從遙感數(shù)據(jù)中提取土地利用信息的常見方法就是通過可視化解譯來實現(xiàn)的，但因可視化解譯受限于單一波段或三色合成波段，所以解譯過程往往具有強烈主觀性^[4]。利用計算機進行自動解譯方面，圍繞不同遙感監(jiān)測分類方法精度對比分析研究，張成才（2008）以昭平臺水庫為例，對比了監(jiān)督分類和非監(jiān)督分類在提取不同地物信息中的精度，得到了最大似然法在此次分析中精度最優(yōu)^[5]。尹作霞，杜培軍（2007）運用面向對象圖像分析理論與方法進行高光譜遙感圖像分類，在精度評價上得到傳統(tǒng)的分類方法較面向對象的分類方法精度要低，尤其體現(xiàn)在對陰影和水體的區(qū)分上，水體正確分類率達100%^[6]。此外，麥格，童新華應用BP神經(jīng)網(wǎng)絡方法進行了石漠化遙感圖像分類，對比BP神經(jīng)網(wǎng)絡分類法、ISODATA分類法、最大似然法，提出BP神經(jīng)網(wǎng)絡分類法在石漠化信息的遙感分類精度上比傳統(tǒng)監(jiān)督和非監(jiān)督分類精度高^[7]。Arnon Karnieli以以色列的內(nèi)蓋夫為例，探究得到使用監(jiān)督分類和非監(jiān)督分類相結合的方法較單一使用其中一種方法精度更高的產(chǎn)品，同時使用基于專家知識以及輔助GIS數(shù)據(jù)的DSS更新地圖數(shù)據(jù)時，能夠明顯提升5%-10%的分類精度^[8]。

為了支撐星云湖高原湖泊區(qū)域環(huán)境演變綜合研究，借鑒有關地表覆蓋遙感監(jiān)測技術應用研究成果，基于遙感監(jiān)測技術應用以快速有效地獲取研究區(qū)地表覆蓋分類狀況成為必然選擇，為此首先需要確定的是科學有效且可行的遙感分類技術方法，由此明確了此次探討的主要研究工作是進行不同遙感分類監(jiān)測技術應用的多方案試驗分析與精度比較研究。研究中將選擇具有滇中高原湖泊區(qū)域特色代表性的星云湖及湖濱帶為試驗區(qū)，選取遙感圖像分類中傳統(tǒng)監(jiān)督分類和發(fā)展后的BP神經(jīng)網(wǎng)絡分類和面向對象分類三種分類方法，主要針對湖泊水體及其周邊湖濱帶不同地表覆蓋信息，開展遙感監(jiān)測分類技術應用，對比不同方法得到的分類精度，從而分析得出面向云南高原湖泊區(qū)域的科學適用的地表覆蓋分類技術，為該區(qū)域的土地資源利用現(xiàn)狀調查、土地利用變化監(jiān)測、水資源宏觀監(jiān)測、土地開發(fā)及保護等資源環(huán)境監(jiān)測與管理方面提供技術方法體系支撐。

具體確定了本次研究的目標為：（1）開展研究區(qū)的遙感圖像預處理，分別采用監(jiān)督分類、BP神經(jīng)網(wǎng)絡分類和面向對象分類等技術處理，對研究區(qū)地表覆蓋進行遙感分類技術進行精度評估;（2）對所處理圖像創(chuàng)建混淆矩陣并計算精度指標，比較評定不同分類方法得到的精度狀況，推薦優(yōu)選可行、可靠的面向滇中高原湖泊區(qū)域地表覆蓋的遙感監(jiān)測分類技術方法。

1 ?研究區(qū)概況

星云湖地理位置為東經(jīng)102°45′～102°48′，北緯24°17′～24°23′，是云南滇中的典型高原湖泊之一，本次研究選取地表覆被類型豐富的星云湖周邊部分徑流區(qū)域作為研究區(qū)。

調查資料表明，星云湖周圍徑流區(qū)的土壤主要是由石灰?guī)r、砂巖、玄武巖等發(fā)育而成的紅壤，還有棕壤和非地帶性的石灰土和紫色土。在這些土壤上孕育著云南松、華山松、柏木、旱冬瓜和以櫟類為主的常綠闊葉林。研究區(qū)位置及遙感圖像如圖1所示。

2 ?地表覆蓋分類體系與精度評價方法確定

2.1? 地表覆蓋分類體系

為了開展研究區(qū)的遙感分類技術研究，首先需要明確有利于遙感監(jiān)測的地表覆蓋類型的分類體系。為此，分析對比各種地表覆蓋類型體系后，鑒于安德森分類系統(tǒng)主要針對遙感監(jiān)測技術專門設計，即只有土地利用和地表覆蓋類型能被遙感所識別才適合于使用這套系統(tǒng)，因此，本研究確定采用了國際通用的安德森分類系統(tǒng)的第一層次。具體在這項研究中使用的6個級別的不同的土地利用和地表覆蓋類型整理如表1。

2.2 ?精度評定方法

為了比較分析各種分類方法的應用效果，明確選擇哪一類方法應用更精確時，首先需要確定分類結果屬性正確性的精度評價方法。目前常使用構建混淆矩陣作為地表覆蓋分類后處理的重要精度評價方法之一^[9]，具體又通過總體精度或Kappa統(tǒng)計量來判斷分類精度水平。

一般地，混淆矩陣構建是以表格的形式呈現(xiàn)，混淆矩陣對角線上的元素值越大，表示分類結果的可靠性越高，反之則分類錯誤的現(xiàn)象嚴重?；诨煜仃嚇嫿ㄖ械目傮w精度和Kappa系數(shù)定義如下：

式中：n為總的像元數(shù)量;為i類別正確分類像元數(shù)量;為參考數(shù)據(jù)中i類別的總像元數(shù);為所要評價的土地覆蓋分類數(shù)據(jù)i類別的總像 元數(shù)。

當K值為0時，表示只存在隨機一致性，當K值為1時，表示在人或測量工具之間完全一致性，若介于0和1之間則只有粗略的分別。表2是對Kappa在0和1之間的區(qū)分分類以及相應的一致性高低的解釋。

3 ?地表覆被遙感探測分類技術應用

3.1? 不同遙感分類方法選取

監(jiān)督分類方法是遙感分類技術發(fā)展最早且應用最為廣泛的傳統(tǒng)經(jīng)典分類方法。其技術核心是在分類之前通過人們的實地抽樣調查，或配合人工目視判讀，對遙感圖像上某些抽樣區(qū)中圖像地物的類別屬性獲得先驗的知識，然后利用計算機按照這些已知類別的特征去“訓練”判決函數(shù)，以此判別并歸類處理以完成對整個圖像的分類^[11]。

面向對象分類技術以圖斑作為分類的處理對象，圖斑包含的語義信息比單個像元更加豐富，不僅包含光譜信息，還包括多種特征如形狀、大小、紋理、位置等信息^[12]。目前的已有研究成果表明，由于該方法中，面向圖斑對象綜合利用了遙感圖像的光譜、形狀、紋理等信息，因此使得其分類效果更為客觀與精確可靠^[13]。

近年來神經(jīng)網(wǎng)絡被廣泛應用于遙感圖像分類，分類精度也明顯得到了提升^[14]。BP神經(jīng)網(wǎng)絡是利用非線性可微分函數(shù)進行權值訓練的多層網(wǎng)絡，包括輸入層、中間層和輸出層，它具有收斂速度快和自學習、自適應功能強的特點，能最大限度地利用樣本集的先驗知識，自動提取合理的模型，因此BP神經(jīng)網(wǎng)絡具有較高的精度^[15]。

3.2? 圖像預處理與監(jiān)督分類技術應用

圖像數(shù)據(jù)選自于包含星云湖流域的地帶，遙感探測成像于2014年2月5日的Landsat TM數(shù)據(jù)，空間分辨率為30 m。為了便于分類技術處理研究，首先對遙感圖像進行幾何精校正，并結合研究區(qū)地表覆蓋圖像特性進行了有關預處理，使得地表覆蓋類型輪廓更加明顯，從而利于按照安德森土地利用分類（表1）標準體系進行進一步光譜分析。

在傳統(tǒng)方法技術中，選擇了監(jiān)督分類中分類錯誤最小、精度最高的最大似然法。根據(jù)不同地物在TM圖像上表現(xiàn)出的不同顏色、亮度和光譜建立解譯標志，并以此劃出訓練區(qū)。采用了所有地表覆蓋類型訓練樣本的樣本像元對圖像分類。分類后為提高精度，對圖像進行圖斑融合、相同屬性歸并、過濾處理等分類后處理。

3.3 ?BP神經(jīng)網(wǎng)絡與面向對象技術應用

網(wǎng)絡的實現(xiàn)分兩步完成，即正向傳播和反向傳播。本文選擇基于光譜特征的BP神經(jīng)網(wǎng)絡分類方法。研究中選擇ENVI5.1為平臺，并首先對遙感圖像進行預處理，即對其做光譜增強、降噪、去條帶、幾何、輻射校正等處理。具體對BP 神經(jīng)網(wǎng)絡的各參數(shù)設置如下：初始權值a=0.1，學習速率因子η=0.9，動量因子a=0.01，給定網(wǎng)絡全局誤差E=0.01，經(jīng)過了≤1000次的學習，網(wǎng)絡模型收斂，獲得較好的分類結果。將上述訓練參數(shù)對研究區(qū)的訓練樣本進行BP 網(wǎng)絡訓練。從中推斷出，所構建的基于光譜數(shù)據(jù)和地理信息數(shù)據(jù)的BP網(wǎng)絡結構和各相關參數(shù)設定較為合理，可以進行快速有效的 BP網(wǎng)絡訓練，并能夠得到較準確的分類結果。

研究中對于面向對象方法技術處理采用了ENVI5.1中基于樣本的分類方法進行。具體運用ENVI5.0EX模塊作為數(shù)據(jù)處理平臺，分割閾值設為30，合并分塊閾值設為70，以表1作為地表覆蓋分類依據(jù)，選取具有典型性和代表性的訓練樣區(qū)，最終得到6種類型的圖像分布。即分類過程中需要嘗試幾種不同的分割參數(shù)，分別選擇分割尺度50，聚合尺度50;分割尺度40，聚合尺度60;分割尺度30，聚合尺度70。具體效果如下圖2所示。

可以看出，當分割尺度為最小30時，地物斑塊較為零碎，但各地物分割較為準確;同時將聚合尺度參數(shù)調高至70，使得細小零碎斑塊與相近光譜值的斑塊合并，分類結果更為合理。最后確定分割尺度參數(shù)為30，聚合尺度參數(shù)為70。

4 ?遙感監(jiān)測分類結果精度對比分析

4.1 ?目視解析比較分析

通過最大似然法、BP神經(jīng)網(wǎng)絡和面向對象分類并進行分類后處理所得到的研究區(qū)地表覆蓋遙感分類監(jiān)測結果如圖3所示。此外，為進一步在遙感圖像中反映出三種分類方法產(chǎn)生的差別，選取地物類型較為全面的區(qū)域并對該區(qū)域進行了局部放大，如圖4所示。

通過以上對比圖可以發(fā)現(xiàn)，監(jiān)督分類以及BP神經(jīng)網(wǎng)絡分類方法存在零碎圖斑過多、分類不準確

圖2? 不同尺度下分割示意圖：（A） 543波段組合原始圖像;（B）分割尺度50，聚合尺度50;（C）分割尺度40，聚合尺度60;（D）分割尺度30，聚合尺度70的情況，而相較之，面向對象的圖斑規(guī)整性良好;在監(jiān)督分類中，存在明顯的錯分、漏分現(xiàn)象（紅框部分）。而面向對象分類方法由于采用合理的對象分割和合并尺度，在最終的處理結果畫面干凈程度以及準確度上都有更好的表現(xiàn)。

4.2 ?統(tǒng)計評價對比分析

為了比較分析各種分類方法的應用效果，以明確選擇哪一類方法應用更精確時，本文還使用了通過分類器產(chǎn)生的混淆矩陣來進行整體精度或Kappa統(tǒng)計量判斷的統(tǒng)計評價分析。研究中，分別針對最大似然分類、BP神經(jīng)網(wǎng)絡和面向對象三種不同分類技術方法的分類結果進行混淆矩陣構建與精度統(tǒng)計檢驗，結果整理如表3、4、5所列。

基于監(jiān)督分類、面向對象與BP神經(jīng)網(wǎng)絡等的誤差混淆矩陣對比得出了三種不同分類技術應用的分類結果精度狀況為：（1）監(jiān)督分類總體精度83.46%，整體卡巴統(tǒng)計量0.79;（2）BP神經(jīng)網(wǎng)絡分類總體精度88.97%，整體卡巴統(tǒng)計量0.86;（3）面向對象分類總體精度91.45%，整體卡巴統(tǒng)計量0.8879。

通過對比分析還可以較為直觀地得出：在研究區(qū)中采用的基于監(jiān)督分類、面向對象與BP神經(jīng)網(wǎng)絡等三種地表覆被遙感監(jiān)測分類技術方法應用中，面向對象和BP神經(jīng)網(wǎng)絡分類方法的分類精度總體都比傳統(tǒng)的監(jiān)督分類方法精度有較大提高，且面向對象分類方法相比較于BP神經(jīng)網(wǎng)絡分類方法而言，其分類精度效果更好，但是由于研究區(qū)較小，分類精度提升較小。

5 ?結論

以星云湖流域為研究區(qū)，基于研究區(qū)的TM遙感圖像，分別采用最大似然法、BP神經(jīng)網(wǎng)絡與面向對象等三種不同的遙感監(jiān)測分類技術方法，針對研究區(qū)地表覆蓋狀況進行遙感分類技術應用試驗分析研究，初步可得到以下結果：

（1）監(jiān)督分類中的最大似然法這種傳統(tǒng)的分類方式，在解譯過程中需要對研究區(qū)地表覆蓋情況有充分了解，當對大型的、復雜的以及地表多樣性的地區(qū)缺乏認知時，這種方法呈現(xiàn)出較大的局限性，需要與其他方法結合進行混合分類，從解譯圖中也可清晰的識別出，對于同譜異物這種狀況，監(jiān)督分類誤差很大，難以精確運用;

（2）BP神經(jīng)網(wǎng)絡分類方法由于在分類初期就 需要對樣本進行多次網(wǎng)絡訓練，因此，相對于最大似然法這種傳統(tǒng)的分類方法，該技術應用結果可以較好地提升分類精度;

（3）相對而言，面向對象分類方法因不同于傳統(tǒng)基于像元的識別模式與自下而上分類歸并機制，很大程度上規(guī)避了訓練樣本的個體誤差，因而也可使分類精度得到較好提高。此外需要特別指出的是，在本研究區(qū)中，使用面向分類的技術總體可以明顯提升分類精度，但是在光譜特征區(qū)別較為明顯的區(qū)域，精度提升程度的優(yōu)勢并不明顯。

總之，在本研究面向滇中高原湖泊區(qū)域地表覆蓋遙感監(jiān)測分類技術應用試驗中，總體上，從遙感分類解譯精度評價中可以得出，面向對象和BP神經(jīng)網(wǎng)絡的分類方法精度較為接近，原因在于研究區(qū)的地物類別光譜特征較為明顯，除去草地與林地以及旱地的同譜異物現(xiàn)象外，各地物之間的區(qū)別較大，

容易區(qū)分，因此分類精度較高，效果較好。而在一般應用中，對于分類技術方法的選擇與使用，仍然有待針對不同的研究區(qū)域具體地表覆蓋狀況的復雜性，結合當?shù)貙嶋H狀況進行深化分析研究以確定。

參考文獻

1. 賈坤， 李強子， 田亦陳， 吳炳方. 遙感圖像分類方法研究進展[J]. 光譜學與光譜分析， 2011， 10： 2618-2623.

2. 趙英時. 遙感應用分析原理與方法[M]. 科學出版社， 2003.

3. 張成才， 竇小楠， 張楠， 張穎. 遙感圖像分類方法在水體面積估算中的比較研究[J]. 氣象與環(huán)境科學， 2008， 03： 24-28.

4. Bolstad， P. V， Gessler， P， & Lillesand， T. M. （1990）. Posi?tional uncertainty in manually digitized map data[J]. Inter?national Journal of Geographical Information Systems， 2007， 7： 399-412.

5. 張成才， 竇小楠， 張楠， 張穎. 遙感圖像分類方法在水體面積估算中的比較研究[J]. 氣象與環(huán)境科學， 2008， 03： 24-28.

6. 尹作霞， 杜培軍. 面向對象的高光譜遙感圖像分類方法研究[J]. 遙感應用， 2007， 04： 29-32

7. 麥格， 童新華. 基于BP神經(jīng)網(wǎng)絡的石漠化遙感圖像分類方法探討[J]. 廣西師范學院學報： 自然科技版， 2013. 03： 70-77.

8. A Offer Rozenstein， Arnon Karnieli. Comparison of methods for land-use classification incorporating remote sensing and GIS inputs[J]. Elsevier Ltd， 2010， 31（2）.

9. 信冠棟， 施昆， 呂曉陽. 遙感動態(tài)監(jiān)測模型在拉市海濕地保護區(qū)土地利用中的研究[J]. 軟件， 2018， 39（04）： 170-175.

10. Giles M. Foody. Explaining the unsuitability of the kappa coefficient in the assessment and comparison of the accuracy of thematic maps obtained by image classification[J]. Remote Sensing of Environment， 2020， 239.

11. 鄭怡鵬. 基于Landsat遙感影像的土地利用變化動態(tài)監(jiān)測[J]. 軟件， 2019， 40（06）： 200-203+222.

12. 肖太平， 陳志. 面向對象的高空間分辨率遙感影像植被信息的提取[J]. 江西科學， 2019， 37（06）： 964-967.

13. 尚夏明， 劉思涵， 席敏哲. 基于ENVI的面向對象決策樹分類研究[J]. 信息技術與信息化， 2019（10）： 170-173.

14. 王宏濤， 孫劍偉. 基于BP神經(jīng)網(wǎng)絡和SVM的分類方法研究[J]. 軟件， 2015， 36（11）： 96-99.

15. 盧柳葉， 張青峰， 李光錄. 基于BP神經(jīng)網(wǎng)絡的遙感圖像分類研究[J]. 測繪科學， 2012， 06： 140-143.