孫小飛,劉 智,范 敏,韓 磊
(1.成都理工大學(xué)地學(xué)空間信息技術(shù)國土資源部重點(diǎn)實(shí)驗(yàn)室, 四川 成都610059;2.四川省地質(zhì)調(diào)查院,四川 成都 610081)
青藏高原深切割區(qū)GF-1土地利用分類精度研究
孫小飛1,劉 智2,范 敏2,韓 磊2
(1.成都理工大學(xué)地學(xué)空間信息技術(shù)國土資源部重點(diǎn)實(shí)驗(yàn)室, 四川 成都610059;2.四川省地質(zhì)調(diào)查院,四川 成都 610081)
以青藏高原深切割地區(qū)為例,研究高分一號影像在深切割地區(qū)的分類方法。分別采用最大似然法、神經(jīng)網(wǎng)絡(luò)法和支持向量機(jī)分類法對影像進(jìn)行分類,并對分類精度進(jìn)行評價(jià)和分析。結(jié)果表明: 1)高分一號區(qū)分地物的精度較高,可滿足土地利用的遙感監(jiān)測; 2)支持向量機(jī)分類方法其總體精度為91.67%,Kappa系數(shù)為89.54%,均高于最大似然法和神經(jīng)網(wǎng)絡(luò)分類法。因此,支持向量機(jī)分類方法更適合于高分一號影像在深切割地區(qū)的分類。
深切割區(qū);高分一號;分類;精度
青藏高原處于低緯度高海拔地區(qū),其南部地區(qū)位于喜馬拉雅山北麓,地質(zhì)構(gòu)造發(fā)育,屬典型的深切割地貌。在氣候變化和人類活動的共同作用下,該地區(qū)土地利用的空間分布發(fā)生巨大的變化[1]。為及時(shí)準(zhǔn)確地了解和掌握該地區(qū)的土地利用現(xiàn)狀,應(yīng)用國外高分辨率影像進(jìn)行遙感監(jiān)測,其價(jià)格高昂經(jīng)濟(jì)性差,不利于大范圍的遙感監(jiān)測。
我國于2013-04-26發(fā)射了首顆高分辨率對地觀測衛(wèi)星“高分一號”。高分一號衛(wèi)星共配置兩臺全色(2 m)/多光譜(8 m)高分辨率相機(jī)和四臺多光譜(16 m)中分辨率寬幅相機(jī)[2]。高分一號數(shù)據(jù)為自然條件惡劣、人車通達(dá)性差的深切割地區(qū)土地利用現(xiàn)狀監(jiān)測提供了更為經(jīng)濟(jì)的數(shù)據(jù)支撐。但目前關(guān)于高分一號數(shù)據(jù)在青藏高原深切割區(qū)土地利用分類精度的研究還不多見。
本文基于高分一號衛(wèi)星影像,以西藏自治區(qū)亞東縣作為研究實(shí)例區(qū),對基于目標(biāo)分解的方法以及面向?qū)ο蟮姆诸惙椒ㄕ归_研究,并對分類結(jié)果的精度進(jìn)行對比分析,為基于高分一號數(shù)據(jù)的青藏高原深切割區(qū)土地利用信息提取提供技術(shù)支持。
本文研究區(qū)域位于西藏自治區(qū)亞東縣境內(nèi),面積1 256 km2, 范 圍 為 88°52'00"~89°09'00"E、27°12'00"~27°35'00"N。該區(qū)主要包括亞東縣城、下亞東鄉(xiāng)等,地形復(fù)雜,以深切割高山地貌為主,植被覆蓋率較高,林地、草地、建設(shè)用地、水域、積雪等都有明顯分布。該區(qū)域?qū)儆诘湫偷那嗖馗咴钋懈顓^(qū),具有研究的典型性和代表性。
根據(jù)對研究區(qū)的衛(wèi)星影像分析和2015-08的實(shí)地考察,本文采用2007年頒布的《土地利用分類》標(biāo)準(zhǔn)將研究區(qū)的土地利用分為6類[3],分別為林地、草地、水域、建設(shè)用地、裸地以及冰川積雪。
本研究所采用的數(shù)據(jù)為高分一號衛(wèi)星的2 m全色影像和8 m多光譜影像,成像時(shí)間為2014-01-27。影像紋理結(jié)構(gòu)清晰,光譜信息豐富,能夠較好地反映研究區(qū)的土地利用類別。
1)正射校正。本研究針對所獲取的高分一號影像數(shù)據(jù),采用有理函數(shù)模型進(jìn)行正射校正,在影像上均勻分布25個控制點(diǎn),導(dǎo)入對應(yīng)的RPC和30 m的DEM文件,生成正射影像。
2)幾何精校正?;谘芯繀^(qū)的正射影像數(shù)據(jù),對全色影像和多光譜影像分別進(jìn)行幾何校正。在影像中選取18個控制點(diǎn),控制點(diǎn)均勻分布在影像中的道路交叉口、拐彎處以及河流轉(zhuǎn)折處,其均方根誤差為1.61。本次幾何校正采用的是二次多項(xiàng)式模型、重采樣方法為雙線性內(nèi)插法。對校正后的影像選取了9個點(diǎn)進(jìn)行精度驗(yàn)證,其驗(yàn)證點(diǎn)的均方根誤差為1.43,滿足本研究要求。
3)影像融合。對校正后全色影像和多光譜影像進(jìn)行融合。本文在已有研究基礎(chǔ)上[4]選取SFIM融合方法,該方法光譜保真度最高,適用于環(huán)境變化監(jiān)測等對多光譜數(shù)據(jù)保真度要求較高的工作。重采樣方法為雙線性內(nèi)插法。
本文主要采用3種分類方法,即基于圖像數(shù)據(jù)統(tǒng)計(jì)特性的最大似然法、基于目標(biāo)分解的神經(jīng)網(wǎng)絡(luò)法以及面向?qū)ο蟮腟VM分類方法[5-9]。
1)最大似然法分類。最大似然法分類方法是建立在貝葉斯準(zhǔn)則基礎(chǔ)上的,其分類錯誤概率最小,是風(fēng)險(xiǎn)最小的判決分析,也是典型的、應(yīng)用最廣的監(jiān)督分類方法,偏重于集群分布的統(tǒng)計(jì)特性,并假定訓(xùn)練樣本數(shù)據(jù)在光譜空間服從高斯正態(tài)分布[10]。
最大似然法分類分為3步:首先確定各類的訓(xùn)練樣本,再根據(jù)訓(xùn)練樣本計(jì)算各類的統(tǒng)計(jì)特征值,建立分類判別函數(shù),最后逐點(diǎn)掃描影像各像元,將像元特征向量代入判別函數(shù)求出其屬于各類的概率,將待判斷像元?dú)w屬于判別函數(shù)概率最大的一組。該分類法錯誤最小精度高,是較好的一種分類方法。
在進(jìn)行最大似然法分類時(shí),選取訓(xùn)練樣本時(shí)加入高分一號圖像的自定義特征函數(shù)NDVI、地形信息和紋理信息,以提高圖像分類精度。
2)神經(jīng)網(wǎng)絡(luò)分類。神經(jīng)網(wǎng)絡(luò)算法是利用計(jì)算機(jī)模擬人類的學(xué)習(xí)過程,是建立輸入數(shù)據(jù)和輸出數(shù)據(jù)之間關(guān)系的方法,被大量應(yīng)用于遙感分類領(lǐng)域。目前,國內(nèi)外研究者研究出多種形式的神經(jīng)網(wǎng)絡(luò)法分類模型,如模糊神經(jīng)網(wǎng)絡(luò)模型、多層感知網(wǎng)絡(luò)模型、反向傳播網(wǎng)絡(luò)模型、Hybrid學(xué)習(xí)向量分層網(wǎng)絡(luò)模型等。神經(jīng)網(wǎng)絡(luò)模型的輸入和輸出節(jié)點(diǎn)之間通過模型中的隱含層相連和權(quán)重鏈接,因此可將紋理、植被和地形等信息方便有效地融合到圖像分類中,提高了圖像的分類精度。本研究選取利用反向傳播算法(BP算法)訓(xùn)練權(quán)值的多層前饋神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分類[11]。
進(jìn)行神經(jīng)網(wǎng)絡(luò)分類時(shí),在選取訓(xùn)練樣本時(shí)加入高分一號圖像的自定義特征函數(shù)NDVI、地形信息和紋理信息,以提高圖像分類精度。
3)支持向量機(jī)(SVM)分類。支持向量機(jī)是由Vapnik于1995年提出的一種監(jiān)督學(xué)習(xí)方法。支持向量機(jī)(SVM)算法是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的學(xué)習(xí)方法,其目的是通過計(jì)算最優(yōu)化問題,在高維特征空間中構(gòu)建最優(yōu)分類平面,從而使學(xué)習(xí)器得到全局最優(yōu)化。只針對線性可分問題進(jìn)行分析,對于線性不可分的情況,可利用非線性映射算法將空間線性不可分的樣本投影為高維特征空間中使其線性可分,從而將線性不可分問題轉(zhuǎn)化為線性可分問題并應(yīng)用于支持向量機(jī)(SVM)[12]。
進(jìn)行支持向量機(jī)(SVM)分類時(shí),在選取訓(xùn)練樣本時(shí)加入高分一號圖像的自定義特征函數(shù)NDVI、地形信息和紋理信息,以提高圖像分類精度,且將核函數(shù)設(shè)置為二次多項(xiàng)式。
分類結(jié)果如圖1所示。利用ENVI5.1軟件,分別統(tǒng)計(jì)了3種分類結(jié)果的地物面積所占比例,如圖2所示。
圖1 研究區(qū)遙感影像及分類結(jié)果圖
圖2 研究區(qū)土地利用分類面積比例統(tǒng)計(jì)圖
從圖中可以看出,研究區(qū)的土地利用類型以草地和林地為主。從分類方法來看,草地的分類面積比從大到小依次為支持向量機(jī)分類、神經(jīng)網(wǎng)絡(luò)分類和最大似然法分類;林地的分類面積比從大到小依次為最大似然法分類、神經(jīng)網(wǎng)絡(luò)分類和支持向量機(jī)分類;其他土地利用類型的面積比均有一定的差異。
本文主要采用混淆矩陣法[13]對研究區(qū)圖像分類的精度進(jìn)行評價(jià)分析。混淆矩陣是通過實(shí)測點(diǎn)位置的類別與分類結(jié)果中相應(yīng)位置的類別進(jìn)行比較,列表示分類結(jié)果的類別,行表示數(shù)據(jù)的真實(shí)歸屬類別。在ENVI5.1軟件中隨機(jī)選取了120個樣點(diǎn),結(jié)合野外考察數(shù)據(jù)和分類數(shù)據(jù),分別建立上述3種分類結(jié)果的混淆矩陣,結(jié)果見表1~3。
通過上述公式,計(jì)算得到3種分類結(jié)果的總體精度和 系數(shù)結(jié)果如表4所示。
表1 基于支持向量機(jī)分類的混淆矩陣
表2 基于神經(jīng)網(wǎng)絡(luò)分類的混淆矩陣
表3 基于最大似然法分類的混淆矩陣
表4 評價(jià)精度
從表中可以得到,基于面向?qū)ο蟮腟VM分類方法總體精度為91.67%,Kappa系數(shù)為89.54%,均高于神經(jīng)網(wǎng)絡(luò)分類和最大似然法分類結(jié)果。由此可見,基于面向?qū)ο蟮腟VM分類方法得到的結(jié)果其精度更高,更適用于高分一號圖像的分類。
從分類結(jié)果和分類類型的面積比統(tǒng)計(jì)可以得到:1)對研究區(qū)中的林地分類時(shí),3種方法對河谷地區(qū)的林地分類結(jié)果都較好,但在草地和林地混交地區(qū)SVM分類方法明顯好于另外兩種;2)草地的分類結(jié)果中,最大似然法的分類結(jié)果最差,主要是將大部分草地歸為了裸地,而神經(jīng)網(wǎng)絡(luò)法在研究區(qū)的西南方向,將部分裸地誤分為草地;3)在山體陰影和冰川積雪的影響下,水域的分類精度較低,但對于河寬在20 m以上的河流和面積在400 m2以上的水域分類精度較高;4)由于研究區(qū)的建設(shè)用地面積較小,且主要分布于河谷,易與河流混淆,通過比較3種方法對建設(shè)用地的分類結(jié)果,得到SVM分類結(jié)果略好于另外兩種;5)3種分類方法對裸地的分類結(jié)果都比較好,研究區(qū)的裸地主要分布在海拔4 000 m以上的高山上;6)3種分類方法對冰川積雪的分類結(jié)果均是最高的,但仍將面積較小且有少量結(jié)冰的湖泊誤分為冰川積雪,導(dǎo)致冰川積雪的整體面積偏大。
本文選取了3種分類方法,利用高分一號影像對深切割地區(qū)進(jìn)行分類。從結(jié)果來看:
1)高分一號影像作為遙感信息基礎(chǔ),其數(shù)據(jù)空間分辨率較高、波譜信息豐富,地物解譯標(biāo)志清楚,地物可判性較好,能明顯區(qū)分林地、草地、水域、建設(shè)用地、裸地、冰川積雪等類型,且其區(qū)分精度較高,可滿足我國土地利用的遙感監(jiān)測。
2)對于同類地物大面積分布地區(qū),3種方法的結(jié)果均較好,但對于地物分布繁雜、破碎的地區(qū),地物的誤分現(xiàn)象較為嚴(yán)重。另外,從分類總精度和Kappa系數(shù)來看,基于面向?qū)ο蟮腟VM分類方法得到的分類結(jié)果要好于最大似然法和神經(jīng)網(wǎng)絡(luò)法的分類結(jié)果,故SVM分類法更適合于高分一號影像的分類。
[1] 張憲洲,楊永平,樸世龍,等.青藏高原生態(tài)變化[J].科學(xué)通報(bào),2015,60(32):3 048-3 056
[2] 白照廣.高分一號衛(wèi)星的技術(shù)特點(diǎn)[J].中國航天,2013(8):5-9
[3] GB/T21010 -2007.土地利用現(xiàn)狀分類 [S].
[4] 劉錕,付晶瑩,李飛.高分一號衛(wèi)星4種融合方法評價(jià)[J].遙感技術(shù)與應(yīng)用,2015,30(5):980-986
[5] 李德仁,邵振峰,丁霖.地理國情信息的多級網(wǎng)格化表達(dá)[J].地理空間信息,2014,12(1):1-5
[6] 魏思奇. 面向?qū)ο蟮牡乩砜臻g信息元數(shù)據(jù)分析[J].地理空間信息,2012,10(1):22-24
[7] 樊艷偉,林超,呂國勝.應(yīng)用MODIS數(shù)據(jù)對陜西地區(qū)土地利用/覆蓋變化的監(jiān)測[J].地理空間信息,2011,9(4):136-139
[8] 都業(yè)軍,周肅,斯琴其其格,等.人工神經(jīng)網(wǎng)絡(luò)在遙感影像分類中的應(yīng)用與對比研究[J].測繪科學(xué),2010(35):120-121
[9] 薛夢姣,陳剛,張笑,等.面向?qū)ο蟮馁Y源三號衛(wèi)星影像分類研究[J].測繪通報(bào),2015(7):42-45
[10] 許寧,郭旭東,田淑芳,等.基于遙感和GIS的土地利用分類方法及其在土地退化程度分析中的應(yīng)用:以陜西橫山雷龍灣地區(qū)為例[J].生態(tài)學(xué)報(bào),2008,28(11):5 410-5 416
[11] 駱劍承,周成虎,楊艷.人工神經(jīng)網(wǎng)絡(luò)遙感影像分類模型及其與知識集成方法研究[J].遙感學(xué)報(bào),2011,5(2):122-128
[12] 田源,塔西甫拉提·特依拜,丁建立,等.基于支持向量機(jī)的土地覆被遙感分類[J].資源科學(xué),2008,30(8):1 268-1 274
[13] 張麗蘇,吳嘉平.分層分區(qū)分景相結(jié)合的區(qū)域土地利用/覆蓋分類方法:以浙江錢塘江流域分類為例[J].國土資源遙感,2007,73(3):74-81
P237.9
B
1672-4623(2017)10-0013-03
10.3969/j.issn.1672-4623.2017.10.004
2015-12-31。
項(xiàng)目來源:國家自然科學(xué)基金資助項(xiàng)目(41302282,41401659);全國邊海防地區(qū)基礎(chǔ)地質(zhì)遙感調(diào)查資助項(xiàng)目(12120115063501);四川省科技廳應(yīng)用基礎(chǔ)資助項(xiàng)目(2015JY0145)。
孫小飛,碩士研究生,研究方向?yàn)榈乩硇畔⑾到y(tǒng)。