王蕊，程海龍，黃如兵

1.山東交通學(xué)院 交通土建工程學(xué)院，山東 濟(jì)南 250357； 2.中國(guó)水電八局有限公司，湖南 長(zhǎng)沙 410004;3.中國(guó)重型汽車集團(tuán)有限公司，山東 濟(jì)南 250101

0 引言

近年來(lái)遙感技術(shù)發(fā)展非常迅速，應(yīng)用越來(lái)越廣泛，其在災(zāi)害監(jiān)測(cè)、環(huán)境調(diào)查、土地利用情況監(jiān)測(cè)等方面發(fā)揮著重要作用[1]。原始的土地分類方法(如求積儀法)具有比較高的出錯(cuò)率，精度較低，研究結(jié)果主要以紙質(zhì)的形式體現(xiàn)，研究成果的更新和應(yīng)用比較困難[2]。而遙感技術(shù)有即時(shí)、快速、精確、周期短等特點(diǎn)，已成為目前土地分類中高效的技術(shù)手段之一[3-6]。

目前基于遙感數(shù)據(jù)的土地資源分類方法較多，傳統(tǒng)的遙感影像分類方法主要有非監(jiān)督分類和監(jiān)督分類2種。監(jiān)督分類包括最小距離法[7]、平行管道法和最大似然法[8]等，非監(jiān)督分類包括K-Means法和ISODATA法[9-10]。這幾種分類法都是基于遙感圖像中地物光譜特征的差異進(jìn)行地物分類，并未考慮到遙感圖像中地物的空間信息和幾何信息，其地物分類結(jié)果精度較低[11-12]。Basrin[13]對(duì)多種監(jiān)督分類法進(jìn)行比較，并對(duì)這些分類法進(jìn)行分析與評(píng)價(jià)。朱建華等[14]利用自適應(yīng)最小距離法對(duì)泰吉河流域遙感圖像進(jìn)行分類，分類結(jié)果較好。

隨著遙感技術(shù)的不斷發(fā)展，從遙感圖像中提取信息的方法不斷變化，先后分別有目視判讀、計(jì)算機(jī)解譯、提取光譜特性、提取光譜與紋理結(jié)合特征等方法[15]。雖然遙感數(shù)據(jù)中有很多信息，但同時(shí)也可能存在信息間相互干擾的問(wèn)題，從而增大分類識(shí)別的難度。因此如何實(shí)現(xiàn)多類別分類，提高分類精度，成為目前研究的難點(diǎn)[16]。高志強(qiáng)等[17]使用遙感技術(shù)和GIS技術(shù)，研究分析了我國(guó)土地資源的利用情況。賈坤等[18]深入探討了遙感影像分類方法，分析了其研究現(xiàn)狀。

隨著遙感圖像的廣泛應(yīng)用，隨之出現(xiàn)了一些遙感圖像分類的新方法。其中，決策樹(shù)法分類過(guò)程直觀、快速，且有高準(zhǔn)確度等特點(diǎn)，因此其應(yīng)用非常廣泛[19-20]。該分類法以逐級(jí)劃分的形式，將影像的輔助信息(紋理信息、地形信息等)融入到整體系統(tǒng)中，并且對(duì)分支點(diǎn)參數(shù)進(jìn)行逐步優(yōu)化，從而提高遙感圖像的分類精度[21-22]。

本文以安徽省安慶市懷寧縣為研究區(qū)域，探討分析不同分類方法的精確性和適用性。以Landsat遙感圖像為數(shù)據(jù)源，分別采用K-Means、最大似然、最小距離、基于專家知識(shí)的決策樹(shù)分類4種分類方法進(jìn)行該研究區(qū)域的土地資源分類，比較和分析各種分類法的結(jié)果，評(píng)價(jià)各種方法的分類精度，從而找出適合該研究區(qū)域的土地資源最優(yōu)分類方法。

1 研究區(qū)域與研究方法

1.1 研究區(qū)域概況

安慶市懷寧縣位于安徽省西南部、長(zhǎng)江下游北岸，該區(qū)東臨安慶市，西鄰潛山和太湖，北鄰?fù)┏?，南鄰?fù)？h域面積1276 km2。人口70萬(wàn)人，轄20個(gè)鄉(xiāng)鎮(zhèn)。該研究區(qū)域?qū)賮啛釒Ъ撅L(fēng)濕潤(rùn)區(qū)，具有氣候溫和、雨熱同期、降水適中、光照充足、無(wú)霜期長(zhǎng)等特點(diǎn)。

1.2 研究數(shù)據(jù)

本研究數(shù)據(jù)來(lái)自Landsat ETM+遙感圖像[23]，采用ENVI5.1軟件對(duì)Landsat ETM+遙感圖像數(shù)據(jù)進(jìn)行預(yù)處理，以消除大氣等因素造成的影響，從而獲取真實(shí)的地表反射率。

預(yù)處理包括：1)使用工具箱中的Radiometric Correction→Radiometric Calibration模塊輻射定標(biāo)；2)運(yùn)用FLAASH校正模塊進(jìn)行大氣校正；3)采用ENVI5.1矢量裁剪工具，利用懷寧縣矢量邊界對(duì)遙感圖像進(jìn)行裁剪，得到該研究區(qū)域的遙感圖像，如圖1所示。

圖1 研究區(qū)域遙感圖像

1.3 研究流程

數(shù)據(jù)處理流程如圖2所示，主要包括：Landsat7 ETM+遙感圖像數(shù)據(jù)下載；遙感數(shù)據(jù)的預(yù)處理(輻射定標(biāo)、大氣校正、影像裁剪)；K-Means、最大似然、最小距離、基于專家知識(shí)的決策樹(shù)法4種遙感影像分類方法的分類精度評(píng)價(jià)及結(jié)果比較分析。

圖2 數(shù)據(jù)處理流程

1.4 研究方法

以Landsat7 ETM+遙感圖像為數(shù)據(jù)源，利用Arcgis10.2從全國(guó)縣邊界矢量圖中提取研究邊界矢量數(shù)據(jù)，利用ENVI 5.1對(duì)遙感數(shù)據(jù)進(jìn)行處理，采用K-Means、最大似然、最小距離、基于專家知識(shí)的決策樹(shù)法4種不同分類方法，分別對(duì)研究區(qū)域土地資源利用信息進(jìn)行提取，再結(jié)合研究區(qū)域的谷歌地圖衛(wèi)星影像圖，對(duì)比各種方法的分類結(jié)果圖，評(píng)價(jià)各種方法的分類精度。

2 土地資源分類及結(jié)果分析

2.1 土地資源分類

綜合考慮研究區(qū)域的情況和Landsat7 ETM+遙感圖像的特點(diǎn)，依據(jù)國(guó)家頒布的分類標(biāo)準(zhǔn)[24]，確定該區(qū)域的土地利用類型。選取谷歌衛(wèi)星地圖影像數(shù)據(jù)[25]作為基礎(chǔ)參考數(shù)據(jù)，采用Landsat ETM+遙感圖像的543波段組合，最終將該區(qū)域的土地資源分為水體、建設(shè)用地、農(nóng)田、林地和裸地5類。

2.2 分類結(jié)果

采用K-Means、最大似然、最小距離和基于專家知識(shí)的決策樹(shù)法4種具有代表性的分類方法對(duì)研究區(qū)域的影像數(shù)據(jù)進(jìn)行分類，分類結(jié)果如圖3所示。

圖3 4種方法的分類結(jié)果

由圖3可知：1)圖3a)中，區(qū)域土地分成了建設(shè)用地、水體、農(nóng)田(林地)和裸地4類。林地和農(nóng)田因?yàn)椴ㄗV特性相近而沒(méi)有區(qū)分開(kāi)，被分成了一類，裸地與建設(shè)用地的區(qū)分也不明顯，因此K-Means分類法誤差相對(duì)較大，分類效果差； 2)圖3b)、3c)的土地類別劃分較清楚，兩者對(duì)建設(shè)用地的劃分差距較大，圖3b)中建設(shè)用地分布較少，圖3c)中建設(shè)用地分布較多，圖3b)與谷歌衛(wèi)星圖較貼近，但兩種方法對(duì)林地的劃分結(jié)果都較差；圖3各圖對(duì)水體的分類結(jié)果相對(duì)來(lái)說(shuō)都比較接近；圖3d)最貼近衛(wèi)星圖，各類土地與實(shí)際土地類別分布誤差較小，即基于專家知識(shí)的決策樹(shù)法的分類結(jié)果更準(zhǔn)確。

綜上分析，4種分類方法中，分類效果最差的是K-Means分類法，最好的是基于專家知識(shí)的決策樹(shù)分類法。

2.3 分類精度評(píng)價(jià)

采用混淆矩陣進(jìn)行精度評(píng)價(jià)，從混淆矩陣中計(jì)算多種精度統(tǒng)計(jì)值，具體包括：運(yùn)行誤差(圖像的某一類地物被錯(cuò)分到其他類別的百分比)、結(jié)果誤差(實(shí)際某一類地物被錯(cuò)誤地分到其他類別的百分比)、用戶精度(從分類結(jié)果圖中任取一個(gè)隨機(jī)樣本，其所具有的類型與地面實(shí)際類型相同的條件概率)、制圖精度(實(shí)際任意一個(gè)隨機(jī)樣本與分類圖上同一地點(diǎn)的分類結(jié)果相一致的條件概率)、總體精度(正確分類樣本數(shù)/總檢驗(yàn)樣本數(shù))和Kappa系數(shù)(該值越高，分類精度也越高)，以此來(lái)了解各種分類方法的分類精度，確定各分類方法的準(zhǔn)確度。利用ENVI5.1軟件得到4種分類方法的運(yùn)行誤差、結(jié)果誤差、用戶精度、制圖精度及總體精度如表1～4所示。

表1 K-Means法分類精度評(píng)價(jià)結(jié)果 %

表2 最大似然分類精度評(píng)價(jià)結(jié)果 %

表3 最小距離分類精度評(píng)價(jià)結(jié)果 %

表4 基于專家知識(shí)的決策樹(shù)分類精度評(píng)價(jià)結(jié)果 %

由表1～4可知：1)K-Means法精度參數(shù)普遍較低，其中裸地的用戶精度最高，為80.65%，建設(shè)用地的用戶精度最低，為8.85%，其他3種方法建設(shè)用地的分類精度都達(dá)到了80%以上；2)農(nóng)田和林地的光譜特性有一定的相似性，容易混淆，不易區(qū)分，K-Means法將農(nóng)田和林地分成了一類，最大似然法對(duì)農(nóng)田和林地的分類更精確，農(nóng)田的用戶精度達(dá)到82.98%；3)4種方法中，最小距離分類法對(duì)裸地的分類精度最低，用戶精度為57.90%；4)4種分類方法對(duì)水體的分類精度最高，K-Means法的用戶精度達(dá)到了70%以上，其他3種分類方法都達(dá)到了90%以上；5)4種方法的總體分類精度都超過(guò)了90%，基于專家知識(shí)的決策樹(shù)分類法總體精度最高，達(dá)到了97.23%；6)4種方法的Kappa系數(shù)都在0.75以上，K-Means法的Kappa系數(shù)最小，為0.76，決策樹(shù)分類法的Kappa系數(shù)最大，為0.92。

綜合比較4種分類方法的建設(shè)用地、農(nóng)田、林地、裸地和水體5類土地的分類結(jié)果，基于專家知識(shí)的決策樹(shù)方法對(duì)該研究區(qū)影像的分類結(jié)果最好，精度最高。

3 結(jié)語(yǔ)

本文對(duì)安慶市懷寧縣土地的Landsat ETM+遙感圖像進(jìn)行輻射定標(biāo)、大氣校正和裁剪，分別采用K-Means、最大似然、最小距離、基于專家知識(shí)的決策樹(shù)法4種分類方法對(duì)土地進(jìn)行分類處理，結(jié)合谷歌衛(wèi)星圖對(duì)4種分類方法的分類精度進(jìn)行比較。4種分類方法中，K-Means分類法對(duì)建設(shè)用地、農(nóng)田、林地、裸地和水體5類土地分類的效果最差，基于專家知識(shí)的決策樹(shù)分類法的分類效果最好，總體精度最高，Kappa系數(shù)最大。