王敏，高新華，陳思宇，馮琦勝，梁天剛(草地農(nóng)業(yè)生態(tài)系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室 蘭州大學(xué)草地農(nóng)業(yè)科技學(xué)院，甘肅 蘭州 730020)

基于Landsat 8遙感影像的土地利用分類研究
——以四川省紅原縣安曲示范區(qū)為例

王敏，高新華，陳思宇，馮琦勝，梁天剛
(草地農(nóng)業(yè)生態(tài)系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室 蘭州大學(xué)草地農(nóng)業(yè)科技學(xué)院，甘肅 蘭州 730020)

以四川省紅原縣安曲示范社區(qū)2013年7月23日的Landsat 8 OLI影像為數(shù)據(jù)源，參照國(guó)家土地利用分類標(biāo)準(zhǔn)，結(jié)合示范區(qū)的野外實(shí)際調(diào)查資料、數(shù)字高程模型、草地資源類型等輔助信息，建立了較為準(zhǔn)確的解譯標(biāo)志。將目視解譯結(jié)果視為地表真實(shí)狀況，對(duì)非監(jiān)督分類、監(jiān)督分類和基于專家知識(shí)的決策樹分類的結(jié)果進(jìn)行精度驗(yàn)證。結(jié)果表明，監(jiān)督分類方法對(duì)紅原安曲示范區(qū)的土地利用分類結(jié)果與實(shí)際類別吻合最好，其分類總體精度可達(dá)85.02%，其中面積占示范區(qū)總面積約99%以上的草地、濕地、道路及水體的分類精度分別達(dá)88.66%、83.42%、83.73%和85.26%。

Landsat 8；土地利用分類；遙感解譯

土地利用/覆蓋變化(Land Use/Cover Change，LUCC)是全球環(huán)境變化人文因素計(jì)劃(International Human Dimension Programme on Global Environmental Change，IHDP)與國(guó)際地圈生物圈計(jì)劃(International Geosphere-Biosphere Program，IGBP)的核心研究?jī)?nèi)容之一[1]，也是全球變化研究的重要因素之一。開展典型地區(qū)的土地利用現(xiàn)狀研究，對(duì)了解該地區(qū)土地利用的經(jīng)濟(jì)效益、預(yù)測(cè)未來土地利用的變化趨勢(shì)、制定有效的土地整改方案及改善生態(tài)環(huán)境等方面均具有重要的現(xiàn)實(shí)意義[2-4]。

土地利用現(xiàn)狀研究的關(guān)鍵在于準(zhǔn)確、定量地獲取和分析地物信息[5]，“3S”技術(shù)[遙感(RS)、全球定位系統(tǒng)(GPS)、地理信息系統(tǒng)(GIS)]的飛速發(fā)展為土地專題信息的獲取與處理提供了技術(shù)支持。近年來，土地利用現(xiàn)狀研究已成為國(guó)際上眾多學(xué)科研究關(guān)注的焦點(diǎn)。劉玉萍[6]研究發(fā)現(xiàn)，通過內(nèi)、外業(yè)對(duì)TM衛(wèi)片的大量應(yīng)用，將RS技術(shù)與模糊綜合判斷方法相結(jié)合應(yīng)用于各種土地專題信息的提取中，可以解決土地利用類型宏觀監(jiān)測(cè)的難題。張飛等[7]選用渭干河-庫(kù)車河三角洲綠洲地區(qū)的TM和ETM+遙感影像為數(shù)據(jù)源，采用非監(jiān)督分類方法處理影像，對(duì)獲得的初步分類結(jié)果進(jìn)行合并、聚類等處理，最終獲得符合精度要求的土地利用分類影像。田靜毅等[8]利用ETM+遙感影像數(shù)據(jù)，對(duì)秦皇島市土地利用現(xiàn)狀采取了監(jiān)督分類和目視解譯相結(jié)合的方法，提取出土地利用類型解譯圖。李愛農(nóng)等[9]選擇了在我國(guó)西南部具有較好代表性的地區(qū)——云南大理作為研究區(qū)，采用TM遙感數(shù)據(jù)，著重研究了在大面積的土地利用調(diào)查中應(yīng)用計(jì)算機(jī)自動(dòng)分類方法獲取土地利用信息的技術(shù)和方法。研究發(fā)現(xiàn)，將特殊地區(qū)的分區(qū)分類信息應(yīng)用到非監(jiān)督分類、監(jiān)督分類、專家知識(shí)決策樹分類的過程中，可大大提高圖像的操作性和分類精度。Kuplich等[10]分別基于ERS-1合成孔徑雷達(dá)(ERS-1 SAR)和Landsat 5主題成像儀(Landsat-5 TM)影像數(shù)據(jù)，采用最大似然分類法對(duì)巴西圣保羅州的坎皮納斯市進(jìn)行了土地利用分類研究，并對(duì)影像濾波前后的分類結(jié)果進(jìn)行了比較分析。結(jié)果表明，經(jīng)過濾波操作的SAR與TM圖像采用最大似然分類法，可顯著提高城鎮(zhèn)、牧區(qū)和森林等主要土地利用類型的分類精度。Paola和Schowengerdt[11]采用反向傳播神經(jīng)網(wǎng)絡(luò)和最大似然分類兩種方法，對(duì)亞利桑那州的圖森市和加利福尼亞州的奧克蘭市的Landsat TM影像進(jìn)行土地利用分類，并對(duì)兩種方法所得結(jié)果進(jìn)行了詳細(xì)的比較分析。結(jié)果表明，反向傳播神經(jīng)網(wǎng)絡(luò)法，在處理訓(xùn)練樣本的異質(zhì)性和使用土地利用分類模板這兩方面更加強(qiáng)大。

隨著現(xiàn)代航天技術(shù)、衛(wèi)星定位技術(shù)、“3S”集成技術(shù)的快速發(fā)展，各種高分辨率遙感影像應(yīng)運(yùn)而生，為衛(wèi)星遙感研究注入了新鮮血液，同時(shí)也為數(shù)據(jù)處理技術(shù)提出了新的挑戰(zhàn)。尤其是2013年2月11日美國(guó)Landsat 8衛(wèi)星在加州范登堡空軍基地發(fā)射成功后，針對(duì)該類衛(wèi)星遙感影像，采用何種方法才能更加高效、更大限度地挖掘其蘊(yùn)含的豐富信息，開展土地利用專題信息的提取等研究便成為目前的焦點(diǎn)。為此，本研究以四川省紅原縣安曲示范社區(qū)2013年7月23日的Landsat 8影像為數(shù)據(jù)源，利用目視解譯、非監(jiān)督分類、監(jiān)督分類和基于專家知識(shí)的決策樹分類4種方法對(duì)研究區(qū)土地利用類型進(jìn)行分類，并以人工目視解譯結(jié)果作為真實(shí)值對(duì)另外3種方法的分類結(jié)果進(jìn)行分析對(duì)比和精度驗(yàn)證，以期找到基于Landsat 8遙感影像的紅原地區(qū)土地利用專題信息提取的最佳方法，為該區(qū)土地利用現(xiàn)狀遙感分類及應(yīng)用提供科學(xué)基礎(chǔ)。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

四川省紅原縣位于青藏高原的東北部，阿壩藏族羌族自治州中部，屬長(zhǎng)江、黃河水系，平均海拔3 500 m，面積8 437.66 km2，屬純牧業(yè)縣。安曲示范社區(qū)位于紅原縣西南部的安曲鄉(xiāng)，地理位置為102°14′-102°19′ E，32°37′-32°42′ N，社區(qū)總面積26.61 km2，南北長(zhǎng)約9.26 km，東西寬約7.32 km，平均海拔約3 529 m，其中超過一半的區(qū)域海拔在3 550 m以上(圖1)。示范區(qū)涉及6個(gè)聯(lián)戶的草地范圍，天然草原面積25.74 km2，天然草地類型主要為山地草甸類、沼澤類和高寒草甸類，栽培草地主要為黑麥草(Loliumperenne)，放牧家畜以牦牛(Bosgrunniens)為主。示范區(qū)地處大陸性高寒溫帶季風(fēng)氣候帶，年均溫1.1 ℃，年均降水753 mm，年均日照時(shí)間2 417.9 h，晝夜溫差大，冷暖變化劇烈。冰凍期從10月底開始至翌年5月結(jié)束，凍土深度80～110 cm[12]。土壤主要為亞高山草甸土和草甸潮土。

圖1 示范區(qū)地理位置及其高程分布圖Fig.1 The map of geographical position and elevation distribution in demonstration area

1.2 Landsat 8遙感數(shù)據(jù)

本研究所用遙感數(shù)據(jù)是從美國(guó)地質(zhì)勘探局(United States Geological Survey，USGS)網(wǎng)站上下載的覆蓋紅原縣安曲示范社區(qū)的Landsat 8影像。行列號(hào)(Path/Row)為131/37，成像時(shí)間為2013年7月23日，整體云量在10%以內(nèi)，其中覆蓋示范區(qū)的圖像云量為0。Landsat 8衛(wèi)星攜帶的陸地成像儀(Operational Land Imager，OLI)包括9個(gè)波段，其中有8個(gè)分辨率為30 m的多光譜波段和1個(gè)分辨率為15 m的全色波段，成像寬幅為185 km×185 km[13]。OLI數(shù)據(jù)和TM數(shù)據(jù)類似，發(fā)布的數(shù)據(jù)產(chǎn)品為L(zhǎng)1T級(jí)，已進(jìn)行了幾何校正。因此，下載后的Landsat 8影像直接在ENVI(The Environment for Visualizing Images)5.0軟件中進(jìn)行輻射定標(biāo)、大氣校正、多波段圖像合成、全色波段與多波段圖像融合和裁剪等處理，得到研究區(qū)分辨率為15 m的Landsat 8 OLI 543假彩色融合影像。

1.3 輔助數(shù)據(jù)

外業(yè)調(diào)查主要集中在2013年7月11-12日和2013年8月11-12日進(jìn)行，樣地設(shè)置主要選擇在各地物空間分布較均一且具有區(qū)域異質(zhì)性的地方，以便涵蓋所有的土地覆蓋類型。在各地物一致性較好的樣地內(nèi)設(shè)置1～2個(gè)0.5 m×0.5 m的樣方，在地物比較復(fù)雜、分布不均勻的區(qū)域設(shè)置3～4個(gè)1.0 m×1.0 m的樣方，試驗(yàn)區(qū)樣點(diǎn)剔除部分異常后共計(jì)147個(gè)。樣地基本特征調(diào)查主要包括樣地所屬行政區(qū)、土地類型、坡度、坡向、土壤質(zhì)地、地表特征、季節(jié)利用方式、利用狀況等。同時(shí)，在試驗(yàn)區(qū)內(nèi)采集了20個(gè)地面控制點(diǎn)(Ground Control Point，GCP)，主要記錄經(jīng)緯度和高程等信息，用于衛(wèi)星影像的幾何精校正。另外，還用到的輔助數(shù)據(jù)有研究區(qū)的數(shù)字高程模型(Digital Elevation Model，DEM)、草地資源類型圖等相關(guān)資料。

2 研究方法

2.1 土地利用類型分類系統(tǒng)

根據(jù)研究區(qū)土地資源利用的實(shí)際情況及OLI影像分辨率、波譜特征等信息，參照國(guó)家土地利用分類標(biāo)準(zhǔn)，進(jìn)行適當(dāng)調(diào)整，建立了紅原縣安曲示范社區(qū)的土地利用分類系統(tǒng)，將其土地利用類型分為草地、濕地、道路、水體和居民地五大類。

2.2 目視解譯分類方法

人工目視解譯方法是根據(jù)遙感影像的解譯標(biāo)志及研究人員的解譯經(jīng)驗(yàn)來獲取土地專題信息的辦法和技術(shù)[14]。該方法受人為因素影響較大，在目視判讀過程中尤其要注意了解圖像內(nèi)容、研究區(qū)所處的地理位置、影像比例尺、影像灰階等信息。此外，還要了解各地物在不同空間分辨率影像上的表現(xiàn)，掌握掃描影像解譯標(biāo)志與解譯方法[15]。

通過目視解譯提取地物信息的基礎(chǔ)是建立遙感解譯標(biāo)志，而圖像信息和實(shí)際地物間的內(nèi)在聯(lián)系是圖像解譯標(biāo)志建立的依據(jù)。因此，在建立解譯標(biāo)志之前，需結(jié)合實(shí)地采樣點(diǎn)仔細(xì)分析遙感影像的色調(diào)、形狀、紋理、灰度及空間位置等特征，對(duì)比判讀其假彩色合成圖像。然后進(jìn)行樣點(diǎn)采集，建立解譯標(biāo)志。在本研究中，示范區(qū)的水體、道路清晰可見，亦可作為間接判讀的參照地物。最后，根據(jù)解譯標(biāo)志，參照不同地物在Landsat 8假彩色合成圖像上的色調(diào)、形狀等特征，結(jié)合地形數(shù)據(jù)、外業(yè)調(diào)查數(shù)據(jù)等輔助資料，在ArcGIS 10軟件中采取人機(jī)交互的方式分別對(duì)5種地物進(jìn)行勾繪、解譯，并統(tǒng)計(jì)各土地利用類型的面積。

2.3 基于ENVI軟件的計(jì)算機(jī)自動(dòng)分類方法

計(jì)算機(jī)自動(dòng)分類是通過模式識(shí)別理論，將遙感圖像自動(dòng)分成若干地物類別的方法。本研究采用了非監(jiān)督分類、監(jiān)督分類和專家知識(shí)決策樹分類3種方法。

2.3.1 非監(jiān)督分類 選用ISODATA(Iterative Self-Organizing Data Analysis Technique)算法對(duì)遙感影像進(jìn)行非監(jiān)督分類。分別將最小類別數(shù)量、最大類別數(shù)量、最大迭代次數(shù)設(shè)置為5類、16類、15次，執(zhí)行操作后生成初步分類結(jié)果。然后，判斷每個(gè)分類的專題屬性，把很明顯的錯(cuò)誤分類結(jié)果刪除或者并入。最后，使用Combine Classes工具合并子類，將16種類型歸并為所需的5種土地利用類型，即得到非監(jiān)督分類圖。

2.3.2 監(jiān)督分類 監(jiān)督分類是通過一定的先驗(yàn)知識(shí)對(duì)遙感圖像上各類地物分別選取一定數(shù)量的像元，以此作為感興趣區(qū)識(shí)別其他未知類別像元的方法。本研究中結(jié)合野外實(shí)際考察資料，在仔細(xì)判讀、分析圖像的基礎(chǔ)上對(duì)5種地物類別選取了可分離性較好的訓(xùn)練樣本。然后，采用最大似然分類器執(zhí)行監(jiān)督分類，生成初步分類結(jié)果圖像。最后，對(duì)結(jié)果進(jìn)行分類后處理。利用Interactive Class Tool工具對(duì)局部錯(cuò)分、漏分的像元進(jìn)行手動(dòng)修改，利用聚類(Clump)方法將周圍的“小斑點(diǎn)”合并到大類中，最終得到監(jiān)督分類圖。

2.3.3 基于專家知識(shí)的決策樹分類 基于專家知識(shí)的決策樹分類方法是對(duì)遙感圖像進(jìn)行一系列相關(guān)處理后，提取圖像上地物的各種相關(guān)指標(biāo)，再結(jié)合經(jīng)驗(yàn)進(jìn)行統(tǒng)計(jì)、歸納，得到分類規(guī)則并進(jìn)行遙感分類的過程。定義分類規(guī)則時(shí)，首先考慮研究區(qū)地物基本組成，采用自上向下的遞歸方式，選取不同的屬性值從根節(jié)點(diǎn)向下分支，直到分出所要求的終級(jí)葉結(jié)點(diǎn)類別為止。這樣，根結(jié)點(diǎn)與終級(jí)葉結(jié)點(diǎn)之間就形成了一個(gè)分類樹結(jié)構(gòu)，在分類樹的每一分叉結(jié)點(diǎn)處都有一個(gè)或多個(gè)分類規(guī)則用于進(jìn)一步的詳細(xì)分類[16-19]。

本研究選用基于OLI遙感數(shù)據(jù)計(jì)算的歸一化植被指數(shù)(NDVI)、各波段不同地物輻射亮度值、數(shù)字高程模型(DEM)等數(shù)據(jù)作為決策樹分類的特征數(shù)據(jù)。通過統(tǒng)計(jì)的方法從樣本中獲取節(jié)點(diǎn)分類規(guī)則，建立分類模型并生成初步分類結(jié)果。由于該結(jié)果的圖斑細(xì)小、瑣碎，因此對(duì)其進(jìn)行了剔除、聚類、過濾等處理，最終生成決策樹分類圖。

2.4 分類結(jié)果評(píng)價(jià)及精度驗(yàn)證方法

采用混淆矩陣(Confusion Matrix)方法對(duì)計(jì)算機(jī)分類結(jié)果進(jìn)行精度評(píng)價(jià)。以紅原示范區(qū)目視解譯的矢量文件作為地表實(shí)況信息，對(duì)非監(jiān)督分類、監(jiān)督分類及專家知識(shí)決策樹分類的結(jié)果進(jìn)行評(píng)價(jià)，建立混淆矩陣，計(jì)算總體分類精度、各地物類型的分類精度及Kappa系數(shù)。其中，Kappa系數(shù)的大小可以反映不同土地利用類型的分類結(jié)果與真實(shí)地物空間分布的一致性。當(dāng)Kappa系數(shù)小于0.4時(shí)，說明一致性程度不夠理想；當(dāng)Kappa系數(shù)介于0.40～0.75時(shí)，說明兩者一致程度一般；當(dāng)Kappa系數(shù)大于0.75時(shí)，說明兩者具有很好的一致性。

3 結(jié)果與分析

3.1 土地利用類型的目視解譯與分析

依據(jù)外業(yè)調(diào)查數(shù)據(jù)及輔助資料，反復(fù)核查及修改，建立了基于研究區(qū)OLI 5、4、3波段組合影像的遙感解譯標(biāo)志(表1)。從目視解譯(圖4A)及統(tǒng)計(jì)分析結(jié)果(表2)可知，2013年7月份紅原縣安曲示范社區(qū)土地利用類型主要以濕地和草地為主，二者分別約占示范區(qū)總面積的60.60%和32.63%。濕地分布較集中，主要在示范區(qū)中部大部分地區(qū)及北部、西北部的小部分地區(qū)；草地多分布于濕地外圍，主要集中在示范區(qū)西南部及東北部地區(qū)。水體分布于示范區(qū)中部及邊緣地區(qū)，道路貫穿于整個(gè)研究區(qū)內(nèi)，農(nóng)村居民地則分布于道路附近，這3種地物共占示范區(qū)總面積的6.77%左右。

表1 基于Landsat 8假彩色合成圖像的安曲示范區(qū)土地利用類型解譯標(biāo)志Table 1 The interpretation signature of land use type based on false color composite image of Landsat 8 in Anqu

3.2 決策樹分類規(guī)則的建立與分析

基于示范區(qū)Landsat 8遙感影像，通過反復(fù)試驗(yàn)，計(jì)算、統(tǒng)計(jì)和分析各地物訓(xùn)練樣本特征值，建立了以下決策樹分類規(guī)則：1)根據(jù)經(jīng)驗(yàn)，首先采用NDVI將5種地物區(qū)分為草地、濕地類和居民地、水體及道路類兩大類。2)由于示范區(qū)地勢(shì)平緩，海拔介于3 500～3 650 m的區(qū)域約占示范區(qū)總面積的85%，且中部平原地區(qū)為草地、濕地、水體交錯(cuò)帶，無法采用DEM、坡度等地形數(shù)據(jù)有效地區(qū)分各地物。3)采用單波段閾值法分離地物。在分離前對(duì)各地物的采樣點(diǎn)光譜數(shù)據(jù)進(jìn)行處理，統(tǒng)計(jì)分析不同地物在同一波段、同一地物在不同波段的表征[16]，得到各種地物的特征樣本值分布信息(圖2)。在OLI影像的第1、2、3、4、6波段上，5種地物的輻射亮度值分布相對(duì)集中，但在第5波段出現(xiàn)較大的差異，具有較好的可區(qū)分性，故選取第5波段輻射亮度值(規(guī)則中用b5表示)分離不同地物，獲得相應(yīng)的決策樹規(guī)則(圖3)。

3.3 分類精度評(píng)價(jià)

圖4顯示了研究區(qū)土地利用類型在4種分類方法下的空間分布狀況。借助ENVI軟件對(duì)各分類結(jié)果進(jìn)行精度檢驗(yàn)和Kappa系數(shù)分析(表2)，結(jié)果表明：非監(jiān)督分類、監(jiān)督分類和專家知識(shí)決策樹分類結(jié)果的總體精度分別為81.89%、85.02%和82.23%，Kappa系數(shù)分別為0.670 8、0.737 4和0.667 0。由此可見，這3種方法均有較高的分類精度，但監(jiān)督分類結(jié)果最優(yōu)。進(jìn)一步比較發(fā)現(xiàn)，監(jiān)督分類方法在各地物的分類上均有較好的精度，尤其是對(duì)道路、水體及居民地的提取遠(yuǎn)勝于另外兩種方法。

表2 各種解譯方法分類精度及Kappa系數(shù)比較Table 2 Comparison of precision and Kappa coefficient for different classification methods

圖2 不同地物的光譜響應(yīng)曲線Fig.2 The spectral response curves of different features

圖3 決策樹分類規(guī)則Fig.3 The decision tree classification rules

注：b5為L(zhǎng)andsat 8影像上Near Infrared波段輻射亮度值。

Note:b5 is the radiance of the Near Infrared absorption band of Landsat 8 image.

圖4 示范區(qū)土地利用類型的目視解譯結(jié)果(A)、非監(jiān)督分類(B)、監(jiān)督分類(C)和決策樹分類(D)結(jié)果Fig.4 The results of visual interpretation(A)，unsupervised classification(B)，supervised classification(C)and decision tree classification(D)

4 討論

2013年Landsat 8衛(wèi)星的成功發(fā)射為對(duì)地觀測(cè)研究提供了新的平臺(tái)和方向。Landsat 8數(shù)據(jù)的可用性與精度較以往的Landsat系列影像有了很大地提高，在保留Landsat 7衛(wèi)星基本特點(diǎn)的基礎(chǔ)上，新增了深藍(lán)波段(b1)和卷云波段(b9)。此外，Landsat 8還收窄了近紅外波段和全色波段的光譜范圍，將輻射分辨率從8 bit提高到12 bit[20]，大大增加了影像的灰度量化級(jí)。因此，充分利用Landsat 8衛(wèi)星影像的新特點(diǎn)、探索改進(jìn)土地利用類型的分類方法是本研究的重要目標(biāo)及切入點(diǎn)。

從分類結(jié)果的總體精度及Kappa系數(shù)來看，監(jiān)督分類方法均顯示出其優(yōu)越性，專家知識(shí)決策樹分類方法次之，非監(jiān)督分類方法最差。進(jìn)一步比較各地物分類精度，發(fā)現(xiàn)專家知識(shí)決策樹分類方法在對(duì)大面積的地物提取上同樣具有很高的精度，如在本試驗(yàn)中對(duì)面積約占示范區(qū)60.60%和32.63%的草地和濕地的提取精度分別達(dá)到85.84%和83.35%。但是，該方法在對(duì)小面積不規(guī)則地物的提取精度上卻遠(yuǎn)不及監(jiān)督分類方法，如本研究中監(jiān)督分類法對(duì)道路、水體及居民地的分類精度分別為83.73%、85.26%和17.50%，而決策樹分類法對(duì)這3種地物的分類精度為60.42%、52.28%和3.75%。

究其原因，監(jiān)督分類方法雖然容易受人為誤差的干擾，但在有充分的地面實(shí)測(cè)資料及先驗(yàn)知識(shí)的情況下，這種影響會(huì)降至最低，通過反復(fù)檢驗(yàn)訓(xùn)練樣本，可有效地避免非監(jiān)督分類等方法中對(duì)光譜集群組的重新歸類[21]。如本研究中的紅原縣安曲示范區(qū)面積較小(僅26.61 km2)、地物分類簡(jiǎn)單，且有詳細(xì)的地面實(shí)測(cè)資料，因此，在定義訓(xùn)練樣本的過程中可有效降低創(chuàng)建難度及人為誤差的影響，進(jìn)而提高分類結(jié)果的準(zhǔn)確度。非監(jiān)督分類方法較客觀，但受遙感影像成像時(shí)的大氣、傳感器觀測(cè)條件、土壤濕度與亮度等因素的影響[14]，主要誤差來源于同譜異物、異物同譜及混合象元等現(xiàn)象，分類結(jié)果具有一定的偶然性[22]。而基于專家知識(shí)的決策樹分類方法，其精度取決于對(duì)相關(guān)知識(shí)定量化表述的準(zhǔn)確性，包括特征指標(biāo)(如植被指數(shù)、高程、光譜特征值等)的選取、不同指標(biāo)之間的獨(dú)立性及可分離性、不同指標(biāo)閾值確定的合理性等方面。因此，如何獲得適合研究區(qū)土地利用類型的決策樹分類規(guī)則是該方法的難點(diǎn)，也是直接影響土地利用分類精度的關(guān)鍵環(huán)節(jié)。本研究通過各種嘗試獲得的決策樹分類規(guī)則的精度達(dá)到82.23%，基本能夠滿足相關(guān)應(yīng)用的需要。但是該方法對(duì)道路、水體、居民地3種地物的分類精度很低。通過檢驗(yàn)發(fā)現(xiàn)，可能是示范區(qū)內(nèi)的道路、水體分布較密集且形狀相似，居民地邊界模糊且沿道路呈窄帶狀分布的原因，導(dǎo)致分類的誤判率較高。另外，相關(guān)決策樹分類指標(biāo)的選擇及規(guī)則(如缺乏更高精度數(shù)字高程模型)的建立可能還需進(jìn)一步挖掘和改進(jìn)。相對(duì)而言，通過合理選擇安曲示范區(qū)訓(xùn)練樣本，監(jiān)督分類方法能更好地降低對(duì)面積較小地物的分類誤差。

5 結(jié)論

1)在目視判讀過程中，建立準(zhǔn)確的解譯標(biāo)志、采取適當(dāng)?shù)呐凶x方法、進(jìn)行有效的實(shí)地驗(yàn)證可大大提高土地利用類型的解譯質(zhì)量。另外，目視解譯工作反復(fù)枯燥且工作量較大，所以要有足夠的耐心，可遵循“先易后難、循序漸進(jìn)”的原則。

2)根據(jù)目視解譯結(jié)果可知：紅原縣安曲示范社區(qū)土地利用類型主要以濕地和草地為主，二者分別約占示范區(qū)總面積的60.60%和32.63%。濕地分布較集中，主要在示范區(qū)中部大部分地區(qū)及北部、西北部的小部分地區(qū)；草地多分布于濕地外圍，主要集中在示范區(qū)西南部及東北部地區(qū)；水體主要分布于示范區(qū)中部及邊緣地區(qū)，僅占總面積的2.85%；道路貫穿于整個(gè)研究區(qū)內(nèi)，農(nóng)村居民地則分布于道路附近，這兩類地物面積總和為1.057 km2，僅占總面積的3.92%。

3)專家知識(shí)決策樹分類方法的精度取決于對(duì)相關(guān)知識(shí)定量化表述的準(zhǔn)確性。在紅原安曲示范區(qū)土地利用分類中，專家知識(shí)決策樹分類方法可以很好地區(qū)分草地和濕地，但對(duì)面積較小的道路、水體及居民地的分類精度較低，僅為60.42%、52.28%和3.75%。

4)與非監(jiān)督分類及基于專家知識(shí)的決策樹分類方法相比，監(jiān)督分類方法中的最大似然判別法最適合紅原安曲示范區(qū)土地利用分類研究，分類結(jié)果正確率較高，與實(shí)際類別吻合較好。分類總體精度可達(dá)85.02%，其中面積占示范區(qū)總面積約99%以上的草地、濕地、道路及水體的分類精度分別達(dá)88.66%、83.42%、83.73%和85.26%。

[1] 史培軍.土地利用覆蓋變化研究的方法與實(shí)踐[M].北京:科學(xué)出版社,2000:8-10．

[2] 黨安榮,王曉棟,陳曉峰.ERDAS IMAGINE遙感圖像處理方法[M].北京:清華大學(xué)出版社,2003:574-576.

[3] 劉淼,胡遠(yuǎn)滿,布仁倉(cāng),常禹,韓文權(quán),胡志斌.河北省康保縣景觀變化研究[J].應(yīng)用生態(tài)學(xué)報(bào),2005,16(9):1729-1734.

[4] 史志華,王天巍,蔡崇法,趙春華,楊開望.三峽庫(kù)區(qū)樂天溪流域生態(tài)修復(fù)效果的遙感監(jiān)測(cè)研究[J].自然資源學(xué)報(bào),2006,21(3):473-480.

[5] 楊存建,周成虎.基于知識(shí)的遙感圖像分類方法的探討[J].地理學(xué)與國(guó)土研究,2001,17(1):72-77.

[6] 劉玉萍.RS技術(shù)在編制土地利用類型專題圖件中的應(yīng)用[J].內(nèi)蒙古林業(yè)調(diào)查設(shè)計(jì),2002,25(4):38-39.

[7] 張飛,塔西甫拉提·特依拜,孔祥德,丁建麗,趙睿,何祺勝.干旱區(qū)綠洲土地利用景觀空間格局動(dòng)態(tài)變化研究[J].資源科學(xué),2006,28(6):167-174.

[8] 田靜毅,林年豐,王立新,儲(chǔ)健.秦皇島市水土流失遙感調(diào)查與監(jiān)測(cè)[J].安徽農(nóng)業(yè)科學(xué),2006,34(16):4175-4190.

[9] 李愛農(nóng),江小波,馬澤忠,周愛霞.遙感自動(dòng)分類在西南地區(qū)土地利用調(diào)查中的應(yīng)用研究[J].遙感技術(shù)與應(yīng)用,2003,18(5):282-286.

[10] Kuplich T M,Freitas C C,Soares J V.The study of ERS-1 SAR and Landsat TM synergism for land use classification[J].International Journal of Remote Sensing,2000,21(10):2101-2111.

[11] Paola J D,Schowengerdt R A.A detailed comparison of backpropagation neural network and maximum-likelihood classifiers for urban land use classification[J].Geoscience and Remote Sensing,2002,33(4):981-996.

[12] 張昌兵,鄭群英,陳莉敏,肖冰雪,澤柏,張洪軒,劉剛.紅原安曲社區(qū)人工飼草現(xiàn)狀及發(fā)展對(duì)策[J].草業(yè)與畜牧,2014(2):49-52.

[13] 鄭鳳仙.美國(guó)Landsat-8衛(wèi)星發(fā)射升空[J].航天返回與遙感,2013,34(1):20.

[14] 葛靜茹.河北省太行山區(qū)土地利用類型遙感解譯及旅游區(qū)劃研究[D].保定：河北農(nóng)業(yè)大學(xué)碩士論文,2007:23-24.

[15] 余艷玲,李衛(wèi)忠,姜英.毛烏素沙漠土地利用類型解譯標(biāo)志的建立——以榆陽區(qū)為例[J].西北林學(xué)院學(xué)報(bào),2005,20(3):10-13.

[16] 王迅,徐丹丹,李文龍.瑪曲濕地遙感影像提取及精度分析[J].國(guó)土資源遙感,2009,82(4):97.

[17] 李彤,吳驊.采用決策樹分類技術(shù)對(duì)北京市土地覆蓋現(xiàn)狀進(jìn)行研究[J].遙感技術(shù)與應(yīng)用,2004,19(6):485-487.

[18] 溫興平,胡光道,楊曉峰.基于C5.0決策樹分類算法的ETM+影像信息提取[J].地理與地理信息科學(xué),2007,23(6):26-29.

[19] 張建平,朱教君,閆巧玲,王崇倡.基于決策樹的科爾沁沙地土地利用/覆蓋變化監(jiān)測(cè)[J].生態(tài)學(xué)雜志,2009,28(9):1730-1736.

[20] 徐涵秋,唐菲.新一代Landsat系列衛(wèi)星：Landsat 8遙感影像新增特征及其生態(tài)環(huán)境意義[J].生態(tài)學(xué)報(bào),2013,33(11):3249-3257.

[21] 易堯華,余長(zhǎng)慧,秦前清,龔健雅.基于獨(dú)立分量分析的遙感影像非監(jiān)督分類方法[J].武漢大學(xué)學(xué)報(bào),2005,30(1):19-20.

[22] 閆琰,董秀蘭,李燕.基于ENVI的遙感圖像監(jiān)督分類方法比較研究[J].北京測(cè)繪,2011,3(3):14-16.

(責(zé)任編輯 武艷培)

The land use classification based on Landsat 8 remote sensing image——A case study of Anqu demonstration community in Hongyuan County of Sichuan Province

WANG Min, GAO Xin-hua, CHEN Si-yu, FENG Qi-sheng, LIANG Tian-gang
(State Key Laboratory of Grassland Agro-ecosystem, College of Pastoral Agriculture Science and Technology, Lanzhou University, Lanzhou 730020, China)

According to the national standard of land use classification, based on the Landsat 8 OLI remote sensing data on July 23, 2013, combined with the ground observed data, digital elevation model, grassland resource type data and other auxiliary information, the visual interpretation signature of land use types were established in Anqu demonstration area in Hongyuan County of Sichuan Province. Regarding the results of the visual interpretation as the true values, we analyzed and compared the accuracy of unsupervised and supervised classifications and expert knowledge decision tree classification. The results show that, the supervised classification result has higher accuracy (85.02%) which is close to the actual situation comparing with other methods. The classification accuracy of the land use types of grassland, wetland, road and water, accounting for 99% of the entire study region, are 88.66%, 83.42%, 83.73% and 85.26%, respectively.

Landsat 8; land use classification; remote sensing interpretation

LIANG Tian-gang E-mail:tgliang@lzu.edu.cn

10.11829j.issn.1001-0629.2014-0263

2014-05-29 接受日期：2014-09-29

農(nóng)業(yè)部公益性行業(yè)(農(nóng)業(yè))科研專項(xiàng)(201203006);國(guó)家自然科學(xué)基金(31228021);中國(guó)工程院重大咨詢研究項(xiàng)目(2012-ZD-7);蘭州大學(xué)中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)(lzujbky-2013-201、lzujbky-2014-248)資金;長(zhǎng)江學(xué)者和創(chuàng)新團(tuán)隊(duì)發(fā)展計(jì)劃(IRT13019)

王敏(1990-)，女，甘肅皋蘭人，在讀碩士生，主要從事草地遙感與地理信息系統(tǒng)。E-mail:wangminlucky@163.com

梁天剛(1967-)，男，甘肅崇信人，教授，博導(dǎo)，博士，主要從事草地農(nóng)業(yè)遙感、地理信息系統(tǒng)作。E-mail:tgliang@lzu.edu.cn

S127;F301.24

A

1001-0629(2015)05-0694-08*

王敏，高新華，陳思宇，馮琦勝，梁天剛.基于Landsat 8遙感影像的土地利用分類研究——以四川省紅原縣安曲示范區(qū)為例[J].草業(yè)科學(xué),2015,32(5):694-701.

WANG Min,GAO Xin-hua,CHEN Si-yu,FENG Qi-sheng,LIANG Tian-gang.The land use classification based on Landsat 8 remote sensing image——A case study of Anqu demonstration community in Hongyuan County of Sichuan Province[J].Pratacultural Science，2015,32(5)：694-701.