成淑艷， 曹生奎， 曹廣超， 韓建平， 漢光昭， 吳方濤

(1.青海師范大學(xué) 地理科學(xué)學(xué)院， 青海 西寧 810008； 2.青海師范大學(xué) 青海省自然地理與環(huán)境過程重點(diǎn)實(shí)驗(yàn)室， 青海 西寧810008； 3.青海省第二測繪院， 青海 西寧 810008)

土地是人類賴以生存和發(fā)展的物質(zhì)基礎(chǔ)，土地覆被信息是進(jìn)行國土資源規(guī)劃、土地資源評價、土地資產(chǎn)評估等的重要條件。隨著全球變化研究的深入，土地覆被信息提取已經(jīng)成為一個研究的熱點(diǎn)[1]。遙感技術(shù)因?yàn)槠淇梢钥焖贉?zhǔn)確地提取地物類別信息而被越來越多的應(yīng)用于土地覆蓋分類中。目前，隨著遙感技術(shù)的快速發(fā)展，高分辨率遙感影像數(shù)據(jù)已經(jīng)成為了一個重要和關(guān)鍵的信息來源，其在光譜特征、空間特征和紋理特征等方面比一般衛(wèi)星影像更具有優(yōu)勢[2]，能夠獲取精度更高的地物信息。

區(qū)域土地覆蓋分類信息是區(qū)域生態(tài)、經(jīng)濟(jì)可持續(xù)發(fā)展的基礎(chǔ)數(shù)據(jù)支撐，科學(xué)地提取地表覆被信息，對地物精準(zhǔn)分類，對于區(qū)域生態(tài)環(huán)境保護(hù)、生態(tài)和經(jīng)濟(jì)建設(shè)具有直接的影響[3]。目前對遙感影像分類最常規(guī)的計(jì)算機(jī)自動分類方法有監(jiān)督分類和非監(jiān)督分類法。很多研究表明監(jiān)督分類精度要高于非監(jiān)督分類，更適用于遙感圖像的精確分類，因此目前大部分對地物的分類研究還是采用傳統(tǒng)的監(jiān)督分類方法。青藏高原高寒河源區(qū)自然環(huán)境獨(dú)特，其土地覆被信息是青藏高原生態(tài)環(huán)境變化研究的重要組成部分[4]，對于青藏高原土地資源規(guī)劃、生態(tài)系統(tǒng)功能評價、生態(tài)環(huán)境保護(hù)與建設(shè)等具有重要意義[5]。為此，本文擬以青海湖沙柳河流域?yàn)檠芯繀^(qū)，以高分辨率遙感影像為數(shù)據(jù)源，通過監(jiān)督分類方法的6種監(jiān)督分類器，對流域地表覆被信息進(jìn)行提取，探討青藏高原高寒河源區(qū)的土地覆蓋分類方法，以期為后續(xù)土地覆被信息提取提供技術(shù)支撐和相關(guān)參考評價標(biāo)準(zhǔn)。研究結(jié)果也可為青海湖流域土地資源現(xiàn)狀評價、生態(tài)環(huán)境保護(hù)建設(shè)等提供數(shù)據(jù)來源。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于沙柳河流域，屬于青海湖的河源地區(qū)。沙柳河位于青海省剛察縣城西側(cè)0.2 km處，是青海湖流域第二大河流，發(fā)源于大通山可可賽尼哈，整個流域海拔在3 036～4 694 m，落差較大。河流全長106 km，自北向南流入青海湖[6]。河源地區(qū)年降水量500～600 mm，河口地區(qū)為300 mm。每年6—9月為汛期，冰凍期6個月。整個流域植被類型以高寒草甸為主[7]。研究區(qū)屬于高原大陸性氣候，光照充足，日照強(qiáng)烈，冬嚴(yán)寒夏涼爽，天氣多變，無明顯的四季之分，氣溫年較差小而日較差大，雨熱同期。

1.2 影像數(shù)據(jù)來源及預(yù)處理

本文以2景高分1號衛(wèi)星影像和3景資源3號衛(wèi)星影像為基礎(chǔ)數(shù)據(jù)源。高分辨率影像數(shù)據(jù)來自于青海省第二測繪院。高分1號衛(wèi)星是中國高分辨率對地觀測系統(tǒng)重大專項(xiàng)天基系統(tǒng)中的首發(fā)星，搭載有2臺2 m分辨率全色/8 m分辨率多光譜高分相機(jī)和4臺16 m分辨率多光譜寬幅相機(jī)。資源3號衛(wèi)星是中國首顆自主的民用高分辨率立體測繪衛(wèi)星，搭載有1臺2.1 m分辨率正視全色相機(jī)，2臺3.5 m分辨率的前視和后視全色相機(jī)和1臺5.8 m分辨率的正視多光譜相機(jī)。

由于植被生長季節(jié)地表信息豐富，不同地物反射的電磁波在影像上呈現(xiàn)的光譜和紋理特征不僅有利于提取植被覆蓋信息，還易于區(qū)分其他的土地覆被類型，有利于影像的目視解譯工作[8]，因此本文選擇研究區(qū)5—9月的高分影像作為數(shù)據(jù)來源，其中包括2017年的4景影像與2016年的1景影像。2017年高分辨率影像受云層、季相等的限制，使得2017年影像在數(shù)量上不足以用于研究區(qū)地表覆蓋分類?？紤]到所缺影像地區(qū)為研究區(qū)邊緣地帶海拔較高的山區(qū)，土地覆被類型以裸地為主，植被較少，在短時間內(nèi)土地覆被狀況不會發(fā)生較大變化，因此采用相鄰年份的影像對該區(qū)地物分類的影響不大，從而選擇2016年的1景影像作為代替補(bǔ)充。表1列舉了本文所用的5景高分辨率遙感影像的具體信息。

表1 本研究所用遙感影像具體信息

1.3 研究方法

1.3.1 土地覆被信息提取方法 本文運(yùn)用監(jiān)督分類方法對青海湖沙柳河流域的地表覆被信息進(jìn)行提取。監(jiān)督分類法常用的分類器有6種，每種分類器具有不同的判別函數(shù)和判別準(zhǔn)則，因而具有不同的分類精度和分類結(jié)果。下文分別將6種監(jiān)督分類器做如下介紹。

(1) 平行六面體(parallelpiped classification)。根據(jù)訓(xùn)練樣本的亮度值形成一個n維平行六面體的數(shù)據(jù)空間，其他像元的光譜值如果落在任何一個訓(xùn)練樣本所對應(yīng)的區(qū)域，就被劃為其中。其尺度由標(biāo)準(zhǔn)差閾值所確定，標(biāo)準(zhǔn)差閾值則根據(jù)所選類別的均值確定[9]。此種分類器分類標(biāo)準(zhǔn)簡單，計(jì)算速度快。

(2) 最小距離(minimum distance classification)。通過訓(xùn)練樣本數(shù)據(jù)去計(jì)算每種類別的均值向量和標(biāo)準(zhǔn)差向量，然后以均值向量作為該類在特征空間中的中心位置，計(jì)算輸入圖像中每個像元到各類中心的距離，將像元?dú)w入到距離中心最小的類別中[9]。此種分類器分類算法簡單，適用性強(qiáng)，計(jì)算速度快。

(3) 馬氏距離(Mahalanobis distance classification)。通過計(jì)算輸入像元到各訓(xùn)練樣本的馬氏距離(計(jì)算2個未知樣本集的相似度的方法)，統(tǒng)計(jì)馬氏距離最小的即為此類別[9]。馬氏距離既考慮離散度，也考慮到各軸間總體分布的相關(guān)(協(xié)方差)，能夠考慮到分類類別的內(nèi)在變化[10-11]。

(4) 最大似然(likelihood classification)。假設(shè)每個波段每一類統(tǒng)計(jì)都呈正態(tài)分布，計(jì)算像元屬于某一訓(xùn)練樣本的似然度，將像元?dú)w為似然度最大的一類中[9]。此種分類器應(yīng)用較為廣泛，發(fā)展也較為成熟。

(5) 神經(jīng)網(wǎng)絡(luò)(neutral net classification)。用計(jì)算機(jī)模擬人腦的結(jié)構(gòu)，用小的處理單元模擬大腦的神經(jīng)元，用算法實(shí)現(xiàn)人腦的識別、記憶、思考過程并應(yīng)用于圖像的分類[9]。近年來此種分類器得到了廣泛的應(yīng)用。

(6) 支持向量機(jī)(support vector machine classification)。是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法，可自動尋找對分類有較大區(qū)分功能的支持向量并構(gòu)造分類器，最大化類別之間的間隔，分類準(zhǔn)確率較高[9]。

1.3.2 土地覆被信息提取流程

(1) 訓(xùn)練樣本選擇及評價。監(jiān)督分類的第一步是在影像上定義訓(xùn)練樣本。訓(xùn)練樣本的準(zhǔn)確合理選擇是監(jiān)督分類的基礎(chǔ)，也會直接影響分類精度的高低[12]。通過遙感影像的色調(diào)與亮度、紋理、形狀與結(jié)構(gòu)以及目標(biāo)地物與成像時間的關(guān)系等特征，結(jié)合已有資料和野外工作的先知經(jīng)驗(yàn)，對影像進(jìn)行目視判讀，確定地物的類別[13-14]。 應(yīng)用ENVI軟件提供的ROI Tool工具創(chuàng)建感興趣區(qū)，根據(jù)研究區(qū)范圍大小，在影像范圍內(nèi)選取足夠數(shù)量的覆蓋各種地物的訓(xùn)練樣本，以克服偶然因素的影響[15]，要保證訓(xùn)練樣本具有代表性和典型性且在研究區(qū)內(nèi)均衡分布[16]。選取訓(xùn)練樣本后，通過ENVI軟件的compute ROI separability工具，計(jì)算每個感興趣區(qū)組合的Jeffries-Matusita距離和轉(zhuǎn)換分離度，其值范圍在0～2.0之間，若兩值均大于1.9說明樣本之間可分離性好，屬于合格樣本，小于1.8則需要重新選擇樣本，小于1就考慮將兩類樣本合成一類樣本[17]。

(2) 執(zhí)行監(jiān)督分類。若訓(xùn)練樣本合格，符合分類要求，則應(yīng)選擇一種監(jiān)督分類器對研究區(qū)影像進(jìn)行地物分類。若對分類結(jié)果不滿意則需要重新選擇分類器。本文的研究目的是探討高寒河源區(qū)的土地覆蓋分類方法，因此執(zhí)行了6種監(jiān)督分類器。

(3) 精度評價。對圖像分類結(jié)果進(jìn)行精度評價，一方面可以定量地檢驗(yàn)分類結(jié)果是否理想，另一方面可以評價監(jiān)督分類器的優(yōu)缺點(diǎn)。ENVI軟件提供了混淆矩陣(confusion matrix)和ROC曲線(ROC curves)兩種對分類結(jié)果精度進(jìn)行評價的方法。本文選擇混淆矩陣的方法來對分類結(jié)果進(jìn)行精度評價?；煜仃囀菍⒚總€地表真實(shí)像元的位置和分類類別與輸出圖像中的相應(yīng)位置和分類類別相比較，列出基準(zhǔn)圖像上的i類像元在分類圖像中被分到j(luò)類的像元總數(shù)或者百分比[18]。通過計(jì)算的混淆矩陣，可以進(jìn)一步計(jì)算出不同的分類精度估量指標(biāo)。在ENVI軟件輸出的混淆矩陣報(bào)表中，用于評價分類精度的估量指標(biāo)主要包括總體分類精度、Kappa系數(shù)、制圖精度、用戶精度等?？傮w分類精度等于被正確分類的像元總和除以總像元數(shù)，反映分類圖中被正確分類像元占總像元數(shù)的比重，該值越大，表示分類效果越好，精度越高[9]。

Kappa系數(shù)是通過把所有地表真實(shí)參考的像元總數(shù)乘以混淆矩陣對角線的和，再減去某一類中地表真實(shí)參考像元數(shù)與該類中被分類像元總數(shù)之積之后，再除以像元總數(shù)的平方減去某一類中地表真實(shí)參考像元總數(shù)與該類中被分類像元總數(shù)之積對所有類別求和的結(jié)果[9]。Kappa系數(shù)是由Cohen在1960年提出的用于評價遙感影像分類結(jié)果的一致性檢驗(yàn)方法，用來測定兩幅圖像之間的吻合程度，能夠較準(zhǔn)確地驗(yàn)證分類精度，現(xiàn)已發(fā)展成為遙感影像分類的主要精度評價方法[19-20]。Kappa系數(shù)分類評價標(biāo)準(zhǔn)[21-22]現(xiàn)已普遍地運(yùn)用于影像分類精度評價中(表2)。

表2 Kappa系數(shù)分類評價標(biāo)準(zhǔn)

制圖精度指分類器將整個圖像的像元正確分為某類的像元數(shù)與該類真實(shí)參考總數(shù)的比率，即分類結(jié)果符合實(shí)際地物的比率[9]。該指標(biāo)可以反映地物是否被準(zhǔn)確分類，同時可以用來比較各種分類方法的好壞，制圖精度與漏分誤差互補(bǔ)，制圖精度越低，漏測誤差越高[23-24]。

用戶精度指正確分到某類的像元總數(shù)與分類器將整個圖像的像元分為該類的像元總數(shù)的比率，即分類結(jié)果符合用戶定義地物的比率[9]。該指標(biāo)用來反映分類圖中各類別的可信度，即分類圖的可靠性，用戶精度與錯分誤差互補(bǔ)，用戶精度越低，多測誤差越高[23-24]。

本文根據(jù)野外實(shí)地調(diào)查數(shù)據(jù)，對照原始影像，在Google Earth 高分辨率圖像上選擇驗(yàn)證樣本，生成用于混淆矩陣精度評價的地表真實(shí)感興趣區(qū)，通過ENVI軟件的confusion matrix using ground truth ROIs工具輸出不同分類結(jié)果的混淆矩陣報(bào)表，并通過報(bào)表中的不同量化指標(biāo)來進(jìn)一步鑒別每一種分類結(jié)果和不同分類器分類精度的高低。

(4) 分類后處理。計(jì)算機(jī)監(jiān)督分類后的結(jié)果只是初步的分類結(jié)果，一般無法直接應(yīng)用，還需要進(jìn)行后期的圖像處理。分類后的圖中不可避免地會產(chǎn)生很多小圖斑，需要通過majority/minority 分析、聚類處理(clump)和過濾處理(sieve)等方法對小圖斑進(jìn)行剔除或者重新歸類，從而得到最終理想的分類結(jié)果。若分類結(jié)果有錯分和漏分現(xiàn)象，結(jié)合實(shí)地驗(yàn)證、先知經(jīng)驗(yàn)和研究區(qū)其他高分辨率遙感影像對分類結(jié)果進(jìn)行目視判讀，通過ENVI classic對圖像錯分像元進(jìn)行局部手動修改，以進(jìn)一步提高分類結(jié)果質(zhì)量。

2 結(jié)果與分析

2.1 訓(xùn)練樣本可分離度

根據(jù)研究區(qū)遙感影像光譜、紋理等特征，通過目視判讀并結(jié)合野外考察的先知經(jīng)驗(yàn)，將該研究區(qū)的土地覆被分為草地、濕地、農(nóng)田、裸地、水體、建筑6大類。計(jì)算了訓(xùn)練樣本的可分離度，結(jié)果顯示Jeffries-Matusita距離和轉(zhuǎn)換分離度的值均大于1.8，樣本之間的可分離性好，符合分類的標(biāo)準(zhǔn)(表3)。

表3 研究區(qū)訓(xùn)練樣本可分離度

2.2 分類結(jié)果

本文選擇了監(jiān)督分類的6種分類器對研究區(qū)影像進(jìn)行計(jì)算機(jī)分類，目的是尋求最佳土地覆蓋分類方法。為了從細(xì)節(jié)上更好地辨別分類結(jié)果的準(zhǔn)確度和6種分類器的分類精度，將6種分類器的局部分類結(jié)果圖進(jìn)行對比。

結(jié)合野外考察的先驗(yàn)知識觀察6種分類結(jié)果圖可知，平行六面體分類器的分類效果最差，將很多裸地和草地錯分為水體，與實(shí)際地表覆被相差甚遠(yuǎn)，這與其分類原理和分類準(zhǔn)則密切相關(guān)。平行六面體的分類準(zhǔn)則是像素落在任一類訓(xùn)練樣本分布區(qū)域，則就屬于哪一類，若同時落在多個區(qū)域，則將其歸為最后一個匹配的類別中，有時候在某些分類像素與訓(xùn)練像素光譜差異很大時也會被分為其中，因此存在較多錯分現(xiàn)象[11]。最小距離分類器的最終分類結(jié)果將眾多草地和裸地像元誤分為濕地，也不符合實(shí)際。最小距離分類器的判別準(zhǔn)則是首先根據(jù)訓(xùn)練區(qū)計(jì)算每個類別的平均值，以此作為類別中心，然后計(jì)算待判像素到每類別中心的距離，取距離最小的一類作為該像素的分類，因此在分類的過程中，真正影響分類結(jié)果的是各個類的均值，這是在若干先決條件下的簡單分類，容易產(chǎn)生錯誤，因此分類結(jié)果精度較低[25]。馬氏距離分類器對地表覆蓋分類的局部結(jié)果，從結(jié)果中可以發(fā)現(xiàn)，馬氏距離分類器對濕地的錯分現(xiàn)象較為嚴(yán)重。馬氏距離與最小距離相似，但馬氏距離考慮了樣本間相關(guān)性的影響，因此比最小距離的精度相對較高。

目視分析可知，最大似然、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)分類器的分類效果較好，結(jié)果較為理想。最大似然是基于貝葉斯準(zhǔn)則的分類錯誤概率最小的一種非線性分類，也是機(jī)器學(xué)習(xí)中較為穩(wěn)健的典型分類方法[11,25]。神經(jīng)網(wǎng)絡(luò)具有非線性、容錯性和魯棒性、自學(xué)習(xí)、自適應(yīng)和自我調(diào)節(jié)等顯著優(yōu)勢，在分類過程中沒有任何前提假設(shè)，直接進(jìn)行迭代運(yùn)算，且在每次迭代過程中動態(tài)調(diào)節(jié)決策區(qū)域，一直計(jì)算到結(jié)果與實(shí)際的差異滿足要求后停止，因此該方法具有強(qiáng)大的穩(wěn)定性和優(yōu)越性，可獲得比傳統(tǒng)基于統(tǒng)計(jì)的分類方法更高精度的分類結(jié)果[11,25-27]。支持向量機(jī)基于統(tǒng)計(jì)學(xué)理論，利用現(xiàn)有樣本信息在模型和學(xué)習(xí)能力間尋求最佳折中，獲得最佳泛化能力，從而令樣本的分類誤差極小化，在統(tǒng)計(jì)樣本較少時，也能獲得較好的統(tǒng)計(jì)規(guī)律，因此是一種優(yōu)良的機(jī)器學(xué)習(xí)分類方法[11,28]。很明顯，最大似然、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)分類器均具有優(yōu)良的內(nèi)部算法和分類準(zhǔn)則，對地物進(jìn)行分類均能獲得較好的效果，但是計(jì)算時間也相對較長。

6種監(jiān)督分類器有好有壞，各有優(yōu)缺。在本文中，6種分類結(jié)果存在的共同的誤差是，提取的濕地均比實(shí)際情況多，這原因是山體背陰面草地和濕地的光譜特征極為相似，分類器將背陰面草地誤分為濕地的緣故，因此還需要細(xì)致的分類后處理。

2.3 精度評價

運(yùn)用ENVI軟件平臺，通過一定的驗(yàn)證樣本數(shù)據(jù)可以對影像分類結(jié)果進(jìn)行精度評價。表4—6分別列舉了不同分類器的分類精度估量指標(biāo)，可以反映不同分類器的優(yōu)劣及分類效果的好壞。

表4顯示了不同分類器對不同地物的分類精度。平行六面體、最小距離、馬氏距離、最大似然、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的總體分類精度分別為51.76%，84.26%，89.96%，97.68%，96.46%，99.15%，Kappa系數(shù)分別為0.44，0.79，0.86，0.97，0.95，0.99，支持向量機(jī)的分類精度最高，其次為最大似然和神經(jīng)網(wǎng)絡(luò)，馬氏距離和最小距離次之，分類精度最低的為平行六面體。在區(qū)分不同地物方面，最大似然、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)同時對草地達(dá)到最高的分類精度，對濕地和建筑的識別支持向量機(jī)精度可達(dá)最高，對于農(nóng)田最大似然和支持向量機(jī)精度最高，而馬氏距離和平行六面體分別對裸地和水體達(dá)到最高的分類精度。

表4 各分類器對研究區(qū)不同地物分類精度對比

表5為各分類器制圖精度對比結(jié)果，對比各種分類器的制圖精度可發(fā)現(xiàn)，平行六面體對草地、濕地、裸地和建筑的制圖精度均較低，表明對這幾種地物漏測現(xiàn)象嚴(yán)重，而最小距離對草地的漏測現(xiàn)象嚴(yán)重，馬氏距離和最大似然對各種地物的制圖精度較高，說明總體漏測誤差較小，神經(jīng)網(wǎng)絡(luò)對裸地的漏測誤差較大。支持向量機(jī)對各種地物的制圖精度均較高，漏分現(xiàn)象較少。

表5 各分類器對研究區(qū)不同地物制圖精度 %

從各種分類器的用戶精度對比表(表6)可知，平行六面體對草地和濕地分類的用戶精度非常低，說明這兩種地物的多測現(xiàn)象非常嚴(yán)重，最小距離和馬氏距離對草地和裸地的多測誤差較高，最大似然對草地的多測誤差較高，神經(jīng)網(wǎng)絡(luò)對濕地的多測誤差較高，支持向量機(jī)對各種地物的多測誤差均較小。

表6 各分類器對研究區(qū)不同地物的用戶精度 %

2.4 制圖及結(jié)果統(tǒng)計(jì)

本次分類結(jié)果中，支持向量機(jī)的總體分類精度和Kappa系數(shù)最高，制圖精度和用戶精度均較高，對地物的分類效果較好，分類精度滿足應(yīng)用的需求，但是也存在大量錯分現(xiàn)象。以支持向量機(jī)分類器的結(jié)果作為分類的初步結(jié)果，在此基礎(chǔ)上進(jìn)行主要/次要分析、聚類和過濾處理。通過實(shí)地考察驗(yàn)證與先知經(jīng)驗(yàn)，結(jié)合Google Earth 的高分辨率影像，對上一步后處理結(jié)果圖進(jìn)行目視判讀，將錯分地物進(jìn)行細(xì)致處理使其正確歸類，最終得到研究區(qū)地表覆蓋分類結(jié)果(附圖20，表7)。

表7 青海湖沙柳河流域地物信息

經(jīng)遙感影像解譯可得沙柳河流域的基本概況。沙柳河流域河流水體面積約19.03 km2，約占流域總面積的1.13%，干流偏流域右側(cè)，左岸分布有較大支流，上游河道走向西北向東南，坡陡谷深，中游河道走向由北向南，河谷漸寬，水流分散，流經(jīng)下游地勢平坦區(qū)最終注入青海湖。整個流域內(nèi)多為天然草場，其總面積約為1193.76 km2，約占流域總面積的71.09%，植被條件良好，覆蓋度高。濕地主要分布在干支流兩岸以及流域南部青海湖北岸，總面積約為172.02 km2，約占流域面積的10.24%。裸地主要分布在流域上游海拔較高的山區(qū)，總面積約為273.03 km2，占流域總面積的16.26%。剛察縣城位于山體出口處，其建筑總面積約6.04 km2。山口以下為下游，地形開闊，廣袤無垠，寬闊的沖積扇形成肥沃的草原，農(nóng)田在其中零散分布，總面積約15.36 km2，僅約占流域總面積的0.91%。

3 討 論

3.1 基于高分辨率遙感影像的監(jiān)督分類方法在土地覆蓋分類中的適用性

高分辨率遙感影像區(qū)分地物的精度較高，滿足了對各類地物的遙感監(jiān)測需求?；诟叻直媛蔬b感影像，采用支持向量機(jī)、最大似然和神經(jīng)網(wǎng)絡(luò)分類器對研究區(qū)地物實(shí)現(xiàn)了良好的分類，說明這3種分類器在地處高寒河源區(qū)的青海湖沙柳河流域具有良好的適用性。

從3種分類器的分類原理和判別準(zhǔn)則來說，其分別采用了結(jié)構(gòu)風(fēng)險最小化原則[28]、貝葉斯判決準(zhǔn)則[25]和迭代算法[27]，優(yōu)越的分類準(zhǔn)則和分類算法決定了它們高精度的分類結(jié)果，因此這3種分類器也被運(yùn)用在諸多分類研究中。例如閆琰等[29]運(yùn)用最大似然、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)3種監(jiān)督分類器對某城市土地覆被進(jìn)行分類，其中支持向量機(jī)的總體分類精度達(dá)到97.25%，Kappa系數(shù)達(dá)到0.96，神經(jīng)網(wǎng)絡(luò)和最大似然總體分類精度分別達(dá)96.91%和96.69%，Kappa系數(shù)均可達(dá)0.96，對地物的分類效果較好。張杰等[12]通過本文中用到的6種監(jiān)督分類器對鄱陽湖濱湖區(qū)的土地覆被進(jìn)行分類，結(jié)果表明支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、最大似然和最小距離4種分類器具有較高的分類精度。孫坤等[11]基于本文中的6種監(jiān)督分類器對某山地丘陵地塊進(jìn)行分類，結(jié)果表明支持向量機(jī)、最大似然、神經(jīng)網(wǎng)絡(luò)的分類精度較高，最小距離和馬氏距離次之，平行六面體的分類精度最低。諸多研究的結(jié)論和本研究結(jié)果是一致的，說明這是每種分類器普遍存在的特點(diǎn)，對不同研究區(qū)的適用性較強(qiáng)。

青海湖沙柳河流域自然環(huán)境獨(dú)特，受人類活動影響較小，整個流域土地覆被大類較為單一，上中游為山谷地形，下游地勢較為平坦，采用高分辨率遙感影像進(jìn)行分類，效果較好。孫小飛等[30]基于高分1號衛(wèi)星影像對青藏高原深切割區(qū)土地覆被進(jìn)行分類，該研究區(qū)以高山地貌為主，植被覆蓋率較高，水體、草地、林地等地物類型分布明顯，采用最大似然、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)分類器均取得了較高的分類精度，其中支持向量機(jī)分類精度最高，總體精度達(dá)到91.67%，Kappa系數(shù)為 0.90，神經(jīng)網(wǎng)絡(luò)和最大似然的總體分類精度分別為87.50%和80.83%，Kappa系數(shù)分別為0.84和0.76。因此采用高分辨率遙感影像，選用精度較高的監(jiān)督分類器在青藏高原土地覆被大類較為單一、地物分類明顯的地區(qū)信息提取中具有優(yōu)勢。

3.2 基于高分辨率遙感影像的監(jiān)督分類方法在土地覆蓋分類中的不足

盡管支持向量機(jī)、最大似然和神經(jīng)網(wǎng)絡(luò)監(jiān)督分類器可以達(dá)到較高的分類精度，但這并不代表分類結(jié)果一定理想。由于實(shí)際地表類型復(fù)雜多樣，采用監(jiān)督分類方法，計(jì)算機(jī)會僅根據(jù)地物光譜特征進(jìn)行分類，結(jié)果中勢必有錯分和漏分的現(xiàn)象，與實(shí)際地表覆被信息有別。尤其是在有大量山體分布的地區(qū)，山體的陽坡和陰坡光譜響應(yīng)有巨大差異[31]，而陰坡對分類結(jié)果的影響不可避免，即使訓(xùn)練區(qū)選擇準(zhǔn)確，但分類結(jié)果還是存在大量錯分現(xiàn)象[32]。本文中陰坡草地和濕地的光譜特征極為相似，6種監(jiān)督分類器均出現(xiàn)將陰坡草地錯分為濕地的現(xiàn)象。馮琦勝等[33]對甘肅省瑪曲縣沼澤濕地的研究發(fā)現(xiàn)，監(jiān)督分類和非監(jiān)督分類的方法因?yàn)殛幤碌挠绊?，都會造成濕地的錯分和漏分現(xiàn)象。該研究還提出，通過專家分類方法引入坡度和坡向數(shù)據(jù)，排除了山體陰影、陰坡對沼澤濕地分類的影響，但是也會存在部分漏分的情況[33]，因此僅僅依靠光譜特征來對地物分類存在誤差。一些學(xué)者借助于其他方法顯著提高了分類結(jié)果的可靠性，例如潘倩等[34]將康定縣監(jiān)督分類后的圖像與高程、坡度、坡向等DEM輔助信息引入專家知識輔助決策分類中，顯著提高了分類精度。常布輝等[35]采用監(jiān)督分類方法和基于NDVI時間序列的決策樹分類與監(jiān)督分類相結(jié)合的方法對河套灌區(qū)沈?yàn)豕嘤虻母剡M(jìn)行提取，結(jié)果顯示，基于 NDVI 時間序列的決策樹分類與監(jiān)督分類相結(jié)合的方法比單純監(jiān)督分類方法的精度高13.42%。

本文結(jié)合原始影像、Google Earth的高分辨率遙感影像和實(shí)地考察驗(yàn)證，對初步分類結(jié)果進(jìn)行目視修改與處理，將錯分像元正確歸類，顯著提高了分類準(zhǔn)確度。陳超等[32]以Quick Bird為數(shù)據(jù)源，采用監(jiān)督分類方法對山東科技大學(xué)及周邊地區(qū)進(jìn)行地物分類，初次分類總精度為71.33%，存在較多錯分現(xiàn)象，在后期對圖像目視修改后，總分類精度達(dá)到93%。因此監(jiān)督分類和目視修改相結(jié)合可以顯著提高分類圖質(zhì)量，但此過程會加大工作者的任務(wù)量，費(fèi)時費(fèi)力。在今后的地物分類實(shí)踐操作中，還需要考慮DEM、植被指數(shù)等因素對遙感影像分類的影響，以盡量減少后期工作量，同時進(jìn)一步提高分類精度。

4 結(jié) 論

本文應(yīng)用高分辨率遙感影像，使用監(jiān)督分類方法的6種分類器對青海湖沙柳河流域的地表覆蓋進(jìn)行分類，得出以下結(jié)論：

(1) 通過高分辨率遙感影像，使用支持向量機(jī)分類器對地處高寒河源區(qū)的青海湖沙柳河流域的地表覆被信息提取效果最佳，但由于地表實(shí)際狀況復(fù)雜，加上人工目視解譯的誤差和遙感影像本身“同物異譜”和“同譜異物”現(xiàn)象的存在，使得單純依靠光譜特征進(jìn)行分類后的圖像存在一定的偏差，通過后期目視修改等分類后處理可以顯著提高分類結(jié)果的準(zhǔn)確度。

(2) 通過解譯可知，流域內(nèi)以天然草場分布最多，從上游到中游至下游全流域均有分布。裸地主要分布在上游海拔較高的山區(qū)。河流兩岸地勢較為平坦，濕地顯著發(fā)育。流域下游地區(qū)水草豐茂，有農(nóng)田分布于其中。整個流域植被覆蓋度高，生態(tài)環(huán)境良好，適合于高寒農(nóng)牧業(yè)的發(fā)展。