王家福

（云南馳宏鋅鍺股份有限公司，云南 曲靖 655000）

土地開發(fā)利用管理是經(jīng)濟(jì)社會(huì)的1種基本經(jīng)濟(jì)管理[1]，并且其注重合理利用土地資源，并對(duì)土地資源進(jìn)行開發(fā)、整治和保護(hù)[2-4]。近年來(lái)，我國(guó)開展土地利用資源調(diào)查的技術(shù)手段也在不斷發(fā)展，遙感和計(jì)算機(jī)等信息技術(shù)被廣泛運(yùn)用[5]。其中，基于衛(wèi)星遙感影像的土地調(diào)查分類方法和應(yīng)用地理信息系統(tǒng)技術(shù)開展土地資源調(diào)查、評(píng)價(jià)的技術(shù)體系逐漸發(fā)展和成熟起來(lái)[6]?；谶b感影像的分類方法因其具有數(shù)據(jù)獲取方便、時(shí)效性強(qiáng)的優(yōu)勢(shì)，成為了土地利用信息提取的高效方式。而遙感分類方法是影響土地利用覆蓋分類精度的關(guān)鍵因素[7-9]，因此國(guó)內(nèi)外許多學(xué)者研究對(duì)比過(guò)不同分類方法的效果。成淑艷等[10]以青海湖沙柳河流域?yàn)檠芯繀^(qū)對(duì)比研究了幾種常見的監(jiān)督分類方法用于土地覆蓋提取時(shí)的效果；徐曉桃等[11]比較研究了最大似然法、神經(jīng)網(wǎng)絡(luò)法和決策樹法在甘肅省土地覆蓋分類時(shí)的分類精度；周麗紅等[12]比較了監(jiān)督分類中幾種常見的分類器和決策樹方法在南昌市土地覆蓋分類時(shí)的精度。但大多數(shù)的研究都是對(duì)多種監(jiān)督分類的方法進(jìn)行對(duì)比實(shí)驗(yàn)，面向監(jiān)督分類及分類后處理的對(duì)比研究較少，因此，對(duì)比研究幾種常見的土地利用覆蓋遙感分類方法及分類后處理結(jié)果很有必要。鑒于此，以昆明地區(qū)的滇池流域?yàn)檠芯繀^(qū)，選取Landsat 8影像，分別利用監(jiān)督分類法中的神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)2種分類器，分類后處理方法選用Majority/Minority分析和聚類處理，得到2種分類方法和2種分類后處理的研究區(qū)土地利用覆蓋分類結(jié)果，基于混淆矩陣對(duì)不同分類結(jié)果進(jìn)行比較分析，以進(jìn)行對(duì)研究區(qū)的土地利用覆蓋自動(dòng)分類器及后處理方法的研究。

1 研究區(qū)及數(shù)據(jù)

1.1 研究區(qū)

晉寧區(qū)，隸屬于云南省昆明市，位于云南省中部，是昆明都市核心區(qū)的重要組成部分（24°24′～24°28′N，102°13′～102°52′E）[13]。由于晉寧區(qū)地處云貴高原，地勢(shì)南高北低，全區(qū)最高處海拔2648 m為南部的大梁子山，最低處海拔1340 m為西部的小石板河。截至2021年10月，晉寧區(qū)下轄昆陽(yáng)街道、寶峰街道、晉城街道、二街鎮(zhèn)、上蒜鎮(zhèn)、六街鎮(zhèn)、雙河彝族鄉(xiāng)、夕陽(yáng)彝族鄉(xiāng)，行政區(qū)域面積1336km2。根據(jù)第7次人口普查數(shù)據(jù)，截至2020年11月1日0時(shí)，晉寧區(qū)常住人口為346268人。

1.2 數(shù)據(jù)

考慮遙感影像數(shù)據(jù)的可獲取性和代表性，選取Landsat 8影像作為數(shù)據(jù)源[14]。Landsat 8于2013年2月11日發(fā)射[15-16]，包括9個(gè)波段，可以組合構(gòu)成多個(gè)RGB方案用于支持自動(dòng)分類方法的訓(xùn)練區(qū)提取和目視解譯影像識(shí)別。論文選取2017年3月14日Landsat 8 OLI衛(wèi)星影像為實(shí)驗(yàn)數(shù)據(jù)，軌道號(hào)：43（Row），129（Path）。此外，還選取了研究區(qū)同期的GF-1衛(wèi)星影像，主要用于輔助分類訓(xùn)練樣本選擇、目視解譯信息提取的高分辨率影像參考。實(shí)驗(yàn)利用ENVI 5.3軟件對(duì)Landsat 8影像進(jìn)行數(shù)據(jù)預(yù)處理，主要預(yù)處理為影像裁剪和影像融合。通過(guò)影像預(yù)處理后得到空間分辨率為15m的遙感影像，為后續(xù)實(shí)驗(yàn)提供了基礎(chǔ)數(shù)據(jù)。

1.3 分類體系

參考國(guó)土資源部2007年8月發(fā)布的《土地利用現(xiàn)狀分類》[17]，結(jié)合對(duì)所選遙感數(shù)據(jù)的判讀分析以及實(shí)驗(yàn)研究目的，確定將研究區(qū)土地利用覆蓋信息分為5類，分別是耕地、綠地、城鎮(zhèn)用地、水體和裸地。

2 研究方法

2.1 分類方法

論文將基于監(jiān)督分類的方法對(duì)研究區(qū)影像進(jìn)行土地利用覆蓋的計(jì)算機(jī)自動(dòng)分類提取。監(jiān)督分類總體上一般可分為3個(gè)過(guò)程：選擇訓(xùn)練樣本、執(zhí)行監(jiān)督分類和分類結(jié)果評(píng)價(jià)[18]。在進(jìn)行分類信息提取時(shí)，一般會(huì)根據(jù)分類的復(fù)雜度和所需精度等因素，選擇多種分類器來(lái)輔助完成監(jiān)督分類，本文所選用的分類器為神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)[19]。

2.2 分類后處理方法

通常情況下，監(jiān)督分類得到的初步分類結(jié)果中會(huì)存在一些面積較小且細(xì)碎的圖斑。對(duì)于專題制圖或?qū)嶋H應(yīng)用，均考慮剔除這些較為細(xì)碎的圖斑，或?qū)?xì)碎圖斑進(jìn)行重新分類。因此，對(duì)監(jiān)督分類的結(jié)果實(shí)現(xiàn)進(jìn)一步的處理操作是很有必要的。只有通過(guò)分類后處理，才能得到更為理想的分類結(jié)果[19]。本文所選用的分類后處理方法為聚類處理（Clump）和Majority/Minority分析[20]。

2.3 精度評(píng)價(jià)方法

本文將基于混淆矩陣[21]對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)?；煜仃囃ㄟ^(guò)計(jì)算可以得到如下4個(gè)參數(shù)，分別為總體精度P、生產(chǎn)精度Pij、用戶精度Pij和Kappa系數(shù)，其計(jì)算公式如下：

式中，r為類別數(shù)量，Pii為第i行i列的被正確分類的對(duì)象，Pi+為第i+行的樣本總數(shù)，P+j為第+j列被分為該類型的樣本總數(shù)，N為樣本總數(shù)。

3 結(jié)果

運(yùn)用神經(jīng)網(wǎng)絡(luò)的分類器進(jìn)行計(jì)算機(jī)自動(dòng)解譯，并結(jié)合聚類處理和Majority/Minority分析進(jìn)行分類后處理，得到的結(jié)果如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)分類結(jié)果圖

通過(guò)神經(jīng)網(wǎng)絡(luò)分類結(jié)果圖1a可以發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)的水體提取效果很好，且可以區(qū)分城鎮(zhèn)用地和耕地。在近水體處，綠地提取效果較好，但裸地和綠地的區(qū)分效果一般。經(jīng)過(guò)聚類處理后的分類結(jié)果（圖1b）中的細(xì)碎圖斑有所減少，道路也相對(duì)更加清晰了，綠地錯(cuò)分現(xiàn)象減少。經(jīng)過(guò)Majority/Minority處理后的分類結(jié)果（圖1c）中仍存在一些明顯的細(xì)碎圖斑。

運(yùn)用支持向量機(jī)的分類器進(jìn)行計(jì)算機(jī)自動(dòng)解譯，并結(jié)合聚類處理和Majority/Minority分析進(jìn)行分類后處理，得到的結(jié)果如圖2所示。

圖2 支持向量機(jī)分類結(jié)果圖

通過(guò)支持向量機(jī)分類結(jié)果圖2a可以發(fā)現(xiàn)，支持向量機(jī)的分類結(jié)果較神經(jīng)網(wǎng)絡(luò)的分類結(jié)果更佳，各地類提取斑塊中的細(xì)碎圖斑明顯減少，綠地錯(cuò)分現(xiàn)象得到一定改善。尤其，經(jīng)過(guò)聚類處理后（圖2b）的城鎮(zhèn)用地分類較為清晰，而Majority/Minority處理后（圖2c）的城鎮(zhèn)用地分類仍存在細(xì)碎圖斑。根據(jù)分類結(jié)果圖2可以看出經(jīng)過(guò)聚類處理后的分類影像效果最好。

以Landsat 8影像為底圖，借助GF-1高分辨率影像為參考，利用ArcGIS 10.7軟件，通過(guò)目視解譯的方式繪制土地利用覆蓋分類，并以此作為精度評(píng)價(jià)的驗(yàn)證數(shù)據(jù)。運(yùn)用神經(jīng)網(wǎng)絡(luò)法進(jìn)行分類，計(jì)算并統(tǒng)計(jì)分類結(jié)果的混淆矩陣，得到如表1所示的基于神經(jīng)網(wǎng)絡(luò)的土地利用覆蓋分類精度評(píng)價(jià)表。

表1 基于神經(jīng)網(wǎng)絡(luò)的土地利用覆蓋分類精度評(píng)價(jià)表

讀表1可知：神經(jīng)網(wǎng)絡(luò)法分類的總精度為68.55%，Kappa系數(shù)為0.5973，研究區(qū)整體分類質(zhì)量好。其中，水體的分類效果最佳，用戶精度為96.53%，生產(chǎn)精度為94.56%；綠地和耕地的分類效果次之，用戶精度分別為84.89%和83.38%，生產(chǎn)精度分別為67.18%和46.20%；而裸地的分類效果較差，用戶精度和生產(chǎn)精度分別為21.00%和62.90%。

對(duì)神經(jīng)網(wǎng)絡(luò)分類結(jié)果進(jìn)行聚類后處理，并計(jì)算分類后處理結(jié)果的混淆矩陣，得到如表2所示的基于神經(jīng)網(wǎng)絡(luò)聚類后處理的土地利用覆蓋分類精度評(píng)價(jià)表。

表2 基于神經(jīng)網(wǎng)絡(luò)聚類后處理的土地利用覆蓋分類精度評(píng)價(jià)表

讀表2可知：對(duì)神經(jīng)網(wǎng)絡(luò)分類結(jié)果進(jìn)行聚類后處理的分類總精度為69.27%，Kappa系數(shù)為0.6053，研究區(qū)的整體分類質(zhì)量較未進(jìn)行后處理的分類結(jié)果有所提升。其中，水體、綠地、裸地和耕地的用戶精度均有所提升，而城鎮(zhèn)用地的用戶精度反而有所降低。綠地和城鎮(zhèn)用地的用戶精度均有所提升，而水體、裸地和耕地的用戶精度反而有所降低。

對(duì)神經(jīng)網(wǎng)絡(luò)分類結(jié)果進(jìn)行Majority/Minority后處理，并計(jì)算分類后處理結(jié)果的混淆矩陣，得到如表3所示的基于神經(jīng)網(wǎng)絡(luò)Majority/Minority后處理的土地利用覆蓋分類精度評(píng)價(jià)表。

表3 基于神經(jīng)網(wǎng)絡(luò)Majority/Minority后處理的土地利用覆蓋分類精度評(píng)價(jià)表

讀表3可知：對(duì)神經(jīng)網(wǎng)絡(luò)分類結(jié)果進(jìn)行Majority/Minority后處理的分類總精度為69.25%，Kappa系數(shù)為0.6061，研究區(qū)的整體分類質(zhì)量較未進(jìn)行后處理的分類結(jié)果有所提升。其中，水體、綠地、裸地和耕地的用戶精度均有所提升，而城鎮(zhèn)用地的用戶精度反而有所降低。水體、綠地、裸地、耕地和城鎮(zhèn)用地的用戶精度均有所提升。相比之下，神經(jīng)網(wǎng)絡(luò)聚類后處理的土地利用覆蓋分類總精度更高。

運(yùn)用支持向量機(jī)法進(jìn)行分類，計(jì)算并統(tǒng)計(jì)分類結(jié)果的混淆矩陣，得到如表4所示的基于支持向量機(jī)的土地利用覆蓋分類精度評(píng)價(jià)表。

表4 基于支持向量機(jī)的土地利用覆蓋分類精度評(píng)價(jià)表

讀表4可知：支持向量機(jī)法分類的總精度為68.89%，Kappa系數(shù)為0.6008，研究區(qū)整體分類質(zhì)量較好。其中，水體的分類效果最佳，用戶精度為91.86%，生產(chǎn)精度為95.87%；綠地和耕地的分類效果次之，用戶精度分別為85.73%和84.74%，生產(chǎn)精度分別為69.38%和43.58%；而裸地的分類效果較差，用戶精度和生產(chǎn)精度分別為21.32%和61.96%。

對(duì)支持向量機(jī)分類結(jié)果進(jìn)行聚類后處理，并計(jì)算分類后處理結(jié)果的混淆矩陣，得到如表5所示的基于支持向量機(jī)聚類后處理的土地利用覆蓋分類精度評(píng)價(jià)表。

表5 基于支持向量機(jī)聚類后處理的土地利用覆蓋分類精度評(píng)價(jià)表

讀表5可知：對(duì)支持向量機(jī)分類結(jié)果進(jìn)行聚類后處理的分類總精度為71.41%，Kappa系數(shù)為0.6302，研究區(qū)的整體分類質(zhì)量較未進(jìn)行后處理的分類結(jié)果有所提升。其中，水體、綠地、裸地和耕地的用戶精度均有所提升，而城鎮(zhèn)用地的用戶精度反而有所降低。綠地、耕地和城鎮(zhèn)用地的用戶精度均有所提升，而水體和裸地的用戶精度反而有所降低。

對(duì)支持向量機(jī)分類結(jié)果進(jìn)行Majority/Minority后處理，并計(jì)算分類后處理結(jié)果的混淆矩陣，得到如表6所示的基于支持向量機(jī)Majority/Minority后處理的土地利用覆蓋分類精度評(píng)價(jià)表。

表6 基于支持向量機(jī)Majority/Minority后處理的土地利用覆蓋分類精度評(píng)價(jià)表

讀表6可知：對(duì)支持向量機(jī)分類結(jié)果進(jìn)行Majority/Minority后處理的分類總精度為71.47%，Kappa系數(shù)為0.6322，研究區(qū)的整體分類質(zhì)量較未進(jìn)行后處理的分類結(jié)果有所提升。其中，水體、綠地、裸地、耕地和城鎮(zhèn)用地的用戶精度均有所提升。綠地、耕地和城鎮(zhèn)用地的用戶精度均有所提升，而水體和裸地的用戶精度反而有所降低。相比之下，支持向量機(jī)Majority/Minority后處理的土地利用覆蓋分類總精度更高。

綜上，對(duì)研究區(qū)的Landsat8遙感影像的監(jiān)督分類及后處理方法對(duì)比研究可知，基于支持向量機(jī)Majority/Minority后處理的土地利用覆蓋分類總精度最高，為71.47%。并且對(duì)神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的分類結(jié)果進(jìn)行后處理，均可以有效提升分類精度。

4 結(jié)論

通過(guò)本文實(shí)驗(yàn)研究可知：支持向量機(jī)的分類結(jié)果較神經(jīng)網(wǎng)絡(luò)的分類結(jié)果更佳；經(jīng)過(guò)后處理的分類結(jié)果較未進(jìn)行后處理的分類結(jié)果更佳；基于神經(jīng)網(wǎng)絡(luò)的分類結(jié)果中，聚類后處理的效果最好，總體精度為69.27%，Kappa系數(shù)為0.6053；基于支持向量機(jī)的分類結(jié)果中，Majority/Minority后處理效果最好，總體精度為71.47%，Kappa系數(shù)為0.6322。其中，支持向量機(jī)Majority/Minority后處理效果最好，因此大面積快速提取土地利用覆蓋分類，可針對(duì)金屬礦山項(xiàng)目建設(shè)、采礦權(quán)礦權(quán)登記用地類型以及礦山開發(fā)階段土地復(fù)墾類型，可做到一次性快速分類。但由于監(jiān)督分類是以像元為單位，基于訓(xùn)練樣本進(jìn)行計(jì)算機(jī)自動(dòng)解譯分類，導(dǎo)致分類結(jié)果存在部分“椒鹽”現(xiàn)象，未來(lái)還應(yīng)不斷優(yōu)化提取技術(shù)、豐富數(shù)據(jù)源等方式，提高分類精度。