基于遙感指數(shù)灰度分割與面向?qū)ο蟮耐恋乩眯畔⑻崛。?/h1>
2023-01-07 13:14:04楊智博姜志偉左合君李云飛
科技與創(chuàng)新 2023年1期 關(guān)鍵詞：分類
楊智博，姜志偉，左合君，楊 清，瑪 瑙，李云飛，吳 霞
（1.內(nèi)蒙古農(nóng)業(yè)大學(xué)沙漠治理學(xué)院，內(nèi)蒙古 呼和浩特 010011；2.內(nèi)蒙古風(fēng)沙物理與防沙治沙工程重點實驗室，內(nèi)蒙古 呼和浩特 010011；3.烏海市公用事業(yè)發(fā)展中心，內(nèi)蒙古 烏海 016000）
隨著3S技術(shù)的發(fā)展以及社會信息化的需求，地理信息遙感技術(shù)已越來越廣泛地被應(yīng)用于國民經(jīng)濟的各個領(lǐng)域，社會各行業(yè)對地理信息的需求也越來越多，越來越廣[1]。遙感影像因其覆蓋面積大、信息直觀、現(xiàn)實性較強等優(yōu)點，成為各種地理信息產(chǎn)品的重要信息源，如何快速地從這些影像數(shù)據(jù)上提取空間數(shù)據(jù)，實現(xiàn)空間數(shù)據(jù)的快速更新，使地理信息產(chǎn)品為更多用戶服務(wù)，具有重要意義。土地沙漠化一直是備受關(guān)注的全球性重大資源與環(huán)境問題之一。國內(nèi)外學(xué)者通過3S技術(shù)，分別采用監(jiān)督分類最大似然法[2]、光譜增強處理分類[3]、決策樹分類[4]和面向?qū)ο蠓诸怺5]等方法進行了土地利用信息提取研究。以上的研究雖然都可以取得不同程度較好的提取效果，但大多采用單一方法，針對遙感影像光譜混淆、地物類型復(fù)雜的地方而言，提取方法難免受到限制，存在局限性[6]。
遙感影像分類一般有2種，分別是基于像素分類和基于對象分類。其中基于像素分類主要包括了監(jiān)督分類和非監(jiān)督分類、基于專家知識決策樹分類等；基于對象分類通常是指面向?qū)ο蠓诸惙椒ā１狙芯炕贓NVI5.3軟件和Arcgis10.8軟件，提取遙感影像中的EVI[7]、MNDWI[8]、NDBI[9]、DVI[10]、RVI[11]等遙感指數(shù)，通過灰度分割的方式，經(jīng)過大量實驗的分析比較采用最優(yōu)波段閾值來進行土地利用特征信息提取。然后利用ENVI中的面向?qū)ο罂臻g特征提取模塊（featureextraction，F(xiàn)X）進行特征信息提取[12-15]，其中有2種不同的分類方式：一種是基于規(guī)則的分類方法，即通過圖像的光譜、形狀和紋理特征等信息，建立規(guī)則模型進行分類；另一種為基于樣本的分類方法，即通過建立訓(xùn)練樣本，選取合適的算法后再分類。
1 研究區(qū)概況及數(shù)據(jù)來源
本文選取庫布其沙漠及周邊地理環(huán)境作為主要實驗研究區(qū)，研究區(qū)范圍為107.059°E—111.368°E，39.787°N—40.913°N。長400 km，寬50 km，總面積約1.39萬km2。庫布其沙漠常年干旱少雨，其地理位置位于鄂爾多斯高原的北部，覆蓋杭錦旗、達拉特旗和準格爾旗的部分地區(qū)。
本文為了能夠為特征信息提取土地利用和沙漠化動態(tài)監(jiān)測提供多光譜、多時間和多空間分辨率的遙感信息，選取了庫布其沙漠2021年Landsat-OLI影像，影像來自于地理空間數(shù)據(jù)云（http://www.gscloud.cn/home），考慮到研究區(qū)的夏季時間相對較長，植物生長周期較短，為了便于目視解譯，使得研究結(jié)果具有可比性，10期影像成像時間均選擇在時間相距較近的時段，基本在7—8月上旬，影像成像效果較好，云量均控制在3%以下。研究區(qū)概況圖如圖1所示。
2 研究方法
本研究研究區(qū)需三景影像覆蓋，首先對其3張衛(wèi)片進行預(yù)處理，分別對它們依次進行輻射定標、FLAASH大氣校正，目的是消除大氣、氣溶膠、光照等因素對地物反射率的影像，獲取地表真實的反射率和輻射率以及地表溫度等相關(guān)物理模型參數(shù)，其次對三景影像進行鑲嵌處理，最后將鑲嵌后的影像進行裁剪，以庫布其沙漠為中心裁剪成矩形狀影像。
本研究的土地利用類型是根據(jù)土地用途和性質(zhì)的不同所劃分的地域單元。文中的土地利用分類體系參照的是國土資源部組織修訂的國家標準GB/T 21010—2017《土地利用現(xiàn)狀分類》。根據(jù)此標準從中選擇出6個一級分類，分別是耕地，林地，草地，水域，城鄉(xiāng)、工礦居民用地，未利用土地等。
本研究是對特征影像提取，采用灰度分割與面向?qū)ο筇崛》诸惤Y(jié)合的方法，對分類遙感影像進行二次調(diào)節(jié)：第一次是基于機器的自動分類，通過參考野外訓(xùn)練樣本，來手動調(diào)節(jié)閾值參數(shù)，為面向?qū)ο蠖握{(diào)節(jié)設(shè)定閾值范圍；第二次調(diào)節(jié)是基于遙感影像的光譜進行分析提取，結(jié)合Landsat8OLI影像中的藍綠波段、綠色波段、紅色波段、近紅外波段等，確定閾值參數(shù)，對特征地物進行調(diào)節(jié)，以此來提取特征信息。技術(shù)流程如圖2所示。
圖2 技術(shù)流程圖
2.1 計算遙感指數(shù)
研究中需要用到5種遙感指數(shù)，分別是EVI增強型植被指數(shù)、MNDWI改進型水體指數(shù)、NDBI歸一化建筑指數(shù)、DVI差值植被指數(shù)、RVI比值植被指數(shù)。EVI增強型植被指數(shù)不僅繼承了NDVI歸一化植被指數(shù)的優(yōu)點，還改進了高植被區(qū)域飽和、大氣影響校正不完善和土壤背景等問題。改進型水體指數(shù)MNDWI基于綠波段和近紅外波段的歸一化比值指數(shù)，一般用來提取影像中的水體信息，而MNDWI是基于綠波段和中紅外波段的比值指數(shù)。歸一化建筑指數(shù)NDB主要是通過中紅外和近紅外波段的差值，來提取城鎮(zhèn)建設(shè)用地。DVI差值植被指數(shù)又稱環(huán)境指數(shù)，為二通道反射率之差，近紅外波段與紅色波段的差值，能較好地識別植被和水體，該指數(shù)隨生物量的增加而迅速增大。RVI是兩個波段反射率的比值，近紅外波段與紅色波段的比值，是綠色植物的靈敏指示參數(shù)。運用ENVI中的波段運算，對這些指數(shù)進行計算，如有異常值則進行歸一化處理。
2.2 灰度分割
結(jié)合野外采樣點，通過灰度分割的方式對各類遙感指數(shù)的閾值進行調(diào)節(jié)，參考野外訓(xùn)練樣本，對水域、建設(shè)用地、沙地、耕地、林地、草地等地物進行標記，比較分析將每種地物的閾值范圍盡可能縮小。表1是各類地物與其對應(yīng)的遙感指數(shù)的閾值取值范圍，從表中可得知不同閾值區(qū)間可以呈現(xiàn)不同的地物特征，分別有水域、建設(shè)用地、沙地、耕地、林地、草地；通過野外樣點訓(xùn)練樣本，沿庫布其沙漠及周邊勘察地物類型，根據(jù)實際地形采樣狀況，為地物的灰度分割提供有力的參考依據(jù)。
2.3 波段合成
對所需指數(shù)波段進行合成處理，需用到的波段有NDBI、EVI、MNDWI、DVI、RVI、Landsat8OLI第二至第五波段，藍綠波段、綠色波動、紅色波段、近紅外波段等，將這些波段進行融合，形成的新的遙感影像一共含有13個光譜波段，然后將新的遙感影像進行基于光譜的面向?qū)ο筇卣魈幚怼?/p>
ENVI FX基于遙感影像的亮度、紋理、顏色等對影像進行分割，調(diào)節(jié)分割閾值，使不同尺度上邊界的差異受到控制，從而產(chǎn)生從細到粗的多尺度分割。影像分割時，由于閾值過高或過低，某些特征會被錯分，一個特征也有可能被分成很多部分，所以這時候需要一種合并算法來完善尺度分割的結(jié)果。合并算法通常選擇Full Lambda Schedule，合并影像中大塊、紋理性較強的區(qū)域，例如草地、沙地、樹林、云等，該方法在結(jié)合光譜和空間信息的基礎(chǔ)上迭代合并鄰近的小斑塊。根據(jù)表1多次實驗觀察比較分析得知，分割尺度為20時，影像的圖斑效果相對有一個較好的呈現(xiàn)，選擇合并閾值80，對斑塊進行近似合并，紋理內(nèi)核設(shè)置為3。
表1 遙感指數(shù)規(guī)則數(shù)據(jù)集
2.4 面向?qū)ο蠓诸愄崛?/h3>
通過圖3可得知：當EVI閾值范圍在（0.75，1）時，地表覆蓋類型主要為耕地和林地；當NIR閾值范圍在（1，0.3）時為耕地，反之則為林地；當MNDWI閾值范圍在（0.35，1）時，可以區(qū)分典型的水域地物特征；當DVI閾值范圍在（0.075，0.17）時，地表覆蓋類型主要為沙地、建設(shè)用地，反之則為草地；當RVI閾值范圍在（1.05，1.3）時，地物類型主要是沙地，反之則為建設(shè)用地。
圖3 土地利用類型提取流程圖
2.5 特征信息提取
利用波段計算器，通過水域、耕地、林地、建設(shè)用地、沙地分類圖對原始影像進行掩膜處理，依次分離出剩余地物。為了避免監(jiān)督分類造成的“同譜異物”“同物異譜”現(xiàn)象，輔以空間特征、光譜特征、地理位置等精確分類，構(gòu)建不同地物的掩膜，加載到面向?qū)ο蠊ぷ髁鞒讨?，按反向掩膜提取的方式，依次對水域、耕地、林地、建設(shè)用地、沙地、草地等6類地物進行提取。庫布其沙漠及周邊土地利用類型如圖4所示。
圖4 庫布其沙漠及周邊土地利用類型
3 結(jié)果與分析
3.1 提取結(jié)果分析
運用Arcgis計算分類面積結(jié)果，通過SpatialAnalyst工具，對分類結(jié)果進行小斑塊剔除處理，并統(tǒng)計地物類型的分類結(jié)果，得出各地類的占地面積以及其比例。統(tǒng)計后由表2可知，草地面積最大，為19 435.71 km2，占總研究區(qū)面積的41.13%；沙地面積是6 035.96 km2，占總研究區(qū)面積的12.77%；林地面積是6 037.47 km2，占總研究區(qū)面積的12.78%；建設(shè)用地為2 717.78 km2，其占總研究區(qū)面積的5.75%；耕地面積是12 379.60 km2，占總研究區(qū)面積的26.20%；水域面積最小，占地面積是643.20 km2，占總研究區(qū)面積的1.36%。通過圖4可以清晰看出：草地覆蓋面積占地面積最大，其次是耕地面積，位列其二，林地和沙地占地面積相近，總體呈現(xiàn)對半趨勢，城鎮(zhèn)建設(shè)用地面積相對較少，比例也相對較小，最后，水域的總占地面積最小。
表2 庫布其沙漠及周邊面積及其比例
本文為綜合比較研究方法的優(yōu)越性，采用監(jiān)督分類中應(yīng)用最廣泛、分類效果和效率較高的最大似然法進行土地利用分類，采用人工目視解譯定義訓(xùn)練樣本，訓(xùn)練樣本的選擇決定監(jiān)督分類的精度，當在解譯過程中無法確定土地利用類型時，本研究借助BIG MAP對土地利用類型進行判讀，提高訓(xùn)練樣本的精度。
3.2 精度評價
精度驗證分析如表3所示。
表3 精度驗證分析
根據(jù)庫布其沙漠野外實測124個樣點，將其投影到分類結(jié)果中，根據(jù)精度驗證的評價方法，灰度分割和面向?qū)ο蠼Y(jié)合方法與最大似然法支持向量機進行對比，進行精度驗證?；?020年土地利用現(xiàn)狀圖和前期實地調(diào)查取樣進行精度驗證。2種分類方法獲取的分類結(jié)果與實際采樣點重合，進行疊置分析。精度評價結(jié)果表明，基于灰度分割和面向?qū)ο蠼Y(jié)合方法土地利用特征信息提取總體精度90.32%，利用最大似然法支持向量機提取土地利用特征信息總體精度為62.86%，精度相對監(jiān)督分類支持向量機的方法提高了27.46%，Kappa系數(shù)分別為0.847 9和0.444 4。大部分地物類型提取的使用者精度及生產(chǎn)者精度也高于支持向量機，灰度分割和面向?qū)ο蠼Y(jié)合提取土地利用信息效果較為理想。
4 討論與結(jié)論
本實驗采用灰度分割和面向?qū)ο蠼Y(jié)合的方法進行了土地利用信息提取，得出以下結(jié)論：草地總面積最大，林地面積和沙地面積相當；生態(tài)環(huán)境改善，說明近些年的林業(yè)造林工程有顯著成效，很好地起到了治理庫布其沙漠的作用；沙地退化顯著，草地林地增加明顯，對城鎮(zhèn)的生態(tài)化建設(shè)作出極大的貢獻；城鎮(zhèn)用地面積、水域面積有不同程度的增加。
灰度分割和面向?qū)ο蠼Y(jié)合的方法提取地物特征信息，既可以避免同時提取多種地物類別在波組合選擇上的矛盾，也一定程度上避免了傳統(tǒng)分類方法中的“同物異譜”和“同譜異物”現(xiàn)象對分類精度的影響，取得了較高的分類精度。利用灰度分割和面向?qū)ο蠼Y(jié)合提取庫布其沙漠地物特征信息可為該區(qū)域研究信息提取提供技術(shù)支撐。
猜你喜歡
2021年本刊分類總目錄西北民族大學(xué)學(xué)報(自然科學(xué)版)(2021年4期)2021-12-29 02:54:24 分類算一算數(shù)學(xué)小靈通(1-2年級)(2021年4期)2021-06-09 06:25:56 垃圾分類的困惑你有嗎大眾健康(2021年6期)2021-06-08 19:30:06 星星的分類小聰仔(科普版)(2020年12期)2021-01-18 09:16:52 我給資源分分類東方少年·布老虎畫刊(2020年4期)2020-06-08 15:48:10 垃圾分類，你準備好了嗎學(xué)生天地(2019年32期)2019-08-25 08:55:22 分類討論求坐標中學(xué)生數(shù)理化·七年級數(shù)學(xué)人教版(2019年4期)2019-05-20 10:06:32 數(shù)據(jù)分析中的分類討論中學(xué)生數(shù)理化·七年級數(shù)學(xué)人教版(2018年6期)2018-06-26 08:36:06 按需分類小天使·一年級語數(shù)英綜合(2017年11期)2017-12-05 18:49:56 教你一招：數(shù)的分類初中生世界·七年級(2017年9期)2017-10-13 22:27:46
楊智博，姜志偉，左合君，楊 清，瑪 瑙，李云飛，吳 霞
（1.內(nèi)蒙古農(nóng)業(yè)大學(xué)沙漠治理學(xué)院，內(nèi)蒙古 呼和浩特 010011；2.內(nèi)蒙古風(fēng)沙物理與防沙治沙工程重點實驗室，內(nèi)蒙古 呼和浩特 010011；3.烏海市公用事業(yè)發(fā)展中心，內(nèi)蒙古 烏海 016000）
隨著3S技術(shù)的發(fā)展以及社會信息化的需求，地理信息遙感技術(shù)已越來越廣泛地被應(yīng)用于國民經(jīng)濟的各個領(lǐng)域，社會各行業(yè)對地理信息的需求也越來越多，越來越廣[1]。遙感影像因其覆蓋面積大、信息直觀、現(xiàn)實性較強等優(yōu)點，成為各種地理信息產(chǎn)品的重要信息源，如何快速地從這些影像數(shù)據(jù)上提取空間數(shù)據(jù)，實現(xiàn)空間數(shù)據(jù)的快速更新，使地理信息產(chǎn)品為更多用戶服務(wù)，具有重要意義。土地沙漠化一直是備受關(guān)注的全球性重大資源與環(huán)境問題之一。國內(nèi)外學(xué)者通過3S技術(shù)，分別采用監(jiān)督分類最大似然法[2]、光譜增強處理分類[3]、決策樹分類[4]和面向?qū)ο蠓诸怺5]等方法進行了土地利用信息提取研究。以上的研究雖然都可以取得不同程度較好的提取效果，但大多采用單一方法，針對遙感影像光譜混淆、地物類型復(fù)雜的地方而言，提取方法難免受到限制，存在局限性[6]。
遙感影像分類一般有2種，分別是基于像素分類和基于對象分類。其中基于像素分類主要包括了監(jiān)督分類和非監(jiān)督分類、基于專家知識決策樹分類等；基于對象分類通常是指面向?qū)ο蠓诸惙椒ā１狙芯炕贓NVI5.3軟件和Arcgis10.8軟件，提取遙感影像中的EVI[7]、MNDWI[8]、NDBI[9]、DVI[10]、RVI[11]等遙感指數(shù)，通過灰度分割的方式，經(jīng)過大量實驗的分析比較采用最優(yōu)波段閾值來進行土地利用特征信息提取。然后利用ENVI中的面向?qū)ο罂臻g特征提取模塊（featureextraction，F(xiàn)X）進行特征信息提取[12-15]，其中有2種不同的分類方式：一種是基于規(guī)則的分類方法，即通過圖像的光譜、形狀和紋理特征等信息，建立規(guī)則模型進行分類；另一種為基于樣本的分類方法，即通過建立訓(xùn)練樣本，選取合適的算法后再分類。
1 研究區(qū)概況及數(shù)據(jù)來源
本文選取庫布其沙漠及周邊地理環(huán)境作為主要實驗研究區(qū)，研究區(qū)范圍為107.059°E—111.368°E，39.787°N—40.913°N。長400 km，寬50 km，總面積約1.39萬km2。庫布其沙漠常年干旱少雨，其地理位置位于鄂爾多斯高原的北部，覆蓋杭錦旗、達拉特旗和準格爾旗的部分地區(qū)。
本文為了能夠為特征信息提取土地利用和沙漠化動態(tài)監(jiān)測提供多光譜、多時間和多空間分辨率的遙感信息，選取了庫布其沙漠2021年Landsat-OLI影像，影像來自于地理空間數(shù)據(jù)云（http://www.gscloud.cn/home），考慮到研究區(qū)的夏季時間相對較長，植物生長周期較短，為了便于目視解譯，使得研究結(jié)果具有可比性，10期影像成像時間均選擇在時間相距較近的時段，基本在7—8月上旬，影像成像效果較好，云量均控制在3%以下。研究區(qū)概況圖如圖1所示。
2 研究方法
本研究研究區(qū)需三景影像覆蓋，首先對其3張衛(wèi)片進行預(yù)處理，分別對它們依次進行輻射定標、FLAASH大氣校正，目的是消除大氣、氣溶膠、光照等因素對地物反射率的影像，獲取地表真實的反射率和輻射率以及地表溫度等相關(guān)物理模型參數(shù)，其次對三景影像進行鑲嵌處理，最后將鑲嵌后的影像進行裁剪，以庫布其沙漠為中心裁剪成矩形狀影像。
本研究的土地利用類型是根據(jù)土地用途和性質(zhì)的不同所劃分的地域單元。文中的土地利用分類體系參照的是國土資源部組織修訂的國家標準GB/T 21010—2017《土地利用現(xiàn)狀分類》。根據(jù)此標準從中選擇出6個一級分類，分別是耕地，林地，草地，水域，城鄉(xiāng)、工礦居民用地，未利用土地等。
本研究是對特征影像提取，采用灰度分割與面向?qū)ο筇崛》诸惤Y(jié)合的方法，對分類遙感影像進行二次調(diào)節(jié)：第一次是基于機器的自動分類，通過參考野外訓(xùn)練樣本，來手動調(diào)節(jié)閾值參數(shù)，為面向?qū)ο蠖握{(diào)節(jié)設(shè)定閾值范圍；第二次調(diào)節(jié)是基于遙感影像的光譜進行分析提取，結(jié)合Landsat8OLI影像中的藍綠波段、綠色波段、紅色波段、近紅外波段等，確定閾值參數(shù)，對特征地物進行調(diào)節(jié)，以此來提取特征信息。技術(shù)流程如圖2所示。
圖2 技術(shù)流程圖
2.1 計算遙感指數(shù)
研究中需要用到5種遙感指數(shù)，分別是EVI增強型植被指數(shù)、MNDWI改進型水體指數(shù)、NDBI歸一化建筑指數(shù)、DVI差值植被指數(shù)、RVI比值植被指數(shù)。EVI增強型植被指數(shù)不僅繼承了NDVI歸一化植被指數(shù)的優(yōu)點，還改進了高植被區(qū)域飽和、大氣影響校正不完善和土壤背景等問題。改進型水體指數(shù)MNDWI基于綠波段和近紅外波段的歸一化比值指數(shù)，一般用來提取影像中的水體信息，而MNDWI是基于綠波段和中紅外波段的比值指數(shù)。歸一化建筑指數(shù)NDB主要是通過中紅外和近紅外波段的差值，來提取城鎮(zhèn)建設(shè)用地。DVI差值植被指數(shù)又稱環(huán)境指數(shù)，為二通道反射率之差，近紅外波段與紅色波段的差值，能較好地識別植被和水體，該指數(shù)隨生物量的增加而迅速增大。RVI是兩個波段反射率的比值，近紅外波段與紅色波段的比值，是綠色植物的靈敏指示參數(shù)。運用ENVI中的波段運算，對這些指數(shù)進行計算，如有異常值則進行歸一化處理。
2.2 灰度分割
結(jié)合野外采樣點，通過灰度分割的方式對各類遙感指數(shù)的閾值進行調(diào)節(jié)，參考野外訓(xùn)練樣本，對水域、建設(shè)用地、沙地、耕地、林地、草地等地物進行標記，比較分析將每種地物的閾值范圍盡可能縮小。表1是各類地物與其對應(yīng)的遙感指數(shù)的閾值取值范圍，從表中可得知不同閾值區(qū)間可以呈現(xiàn)不同的地物特征，分別有水域、建設(shè)用地、沙地、耕地、林地、草地；通過野外樣點訓(xùn)練樣本，沿庫布其沙漠及周邊勘察地物類型，根據(jù)實際地形采樣狀況，為地物的灰度分割提供有力的參考依據(jù)。
2.3 波段合成
對所需指數(shù)波段進行合成處理，需用到的波段有NDBI、EVI、MNDWI、DVI、RVI、Landsat8OLI第二至第五波段，藍綠波段、綠色波動、紅色波段、近紅外波段等，將這些波段進行融合，形成的新的遙感影像一共含有13個光譜波段，然后將新的遙感影像進行基于光譜的面向?qū)ο筇卣魈幚怼?/p>
ENVI FX基于遙感影像的亮度、紋理、顏色等對影像進行分割，調(diào)節(jié)分割閾值，使不同尺度上邊界的差異受到控制，從而產(chǎn)生從細到粗的多尺度分割。影像分割時，由于閾值過高或過低，某些特征會被錯分，一個特征也有可能被分成很多部分，所以這時候需要一種合并算法來完善尺度分割的結(jié)果。合并算法通常選擇Full Lambda Schedule，合并影像中大塊、紋理性較強的區(qū)域，例如草地、沙地、樹林、云等，該方法在結(jié)合光譜和空間信息的基礎(chǔ)上迭代合并鄰近的小斑塊。根據(jù)表1多次實驗觀察比較分析得知，分割尺度為20時，影像的圖斑效果相對有一個較好的呈現(xiàn)，選擇合并閾值80，對斑塊進行近似合并，紋理內(nèi)核設(shè)置為3。
表1 遙感指數(shù)規(guī)則數(shù)據(jù)集
2.4 面向?qū)ο蠓诸愄崛?/h3>
通過圖3可得知：當EVI閾值范圍在（0.75，1）時，地表覆蓋類型主要為耕地和林地；當NIR閾值范圍在（1，0.3）時為耕地，反之則為林地；當MNDWI閾值范圍在（0.35，1）時，可以區(qū)分典型的水域地物特征；當DVI閾值范圍在（0.075，0.17）時，地表覆蓋類型主要為沙地、建設(shè)用地，反之則為草地；當RVI閾值范圍在（1.05，1.3）時，地物類型主要是沙地，反之則為建設(shè)用地。
圖3 土地利用類型提取流程圖
2.5 特征信息提取
利用波段計算器，通過水域、耕地、林地、建設(shè)用地、沙地分類圖對原始影像進行掩膜處理，依次分離出剩余地物。為了避免監(jiān)督分類造成的“同譜異物”“同物異譜”現(xiàn)象，輔以空間特征、光譜特征、地理位置等精確分類，構(gòu)建不同地物的掩膜，加載到面向?qū)ο蠊ぷ髁鞒讨?，按反向掩膜提取的方式，依次對水域、耕地、林地、建設(shè)用地、沙地、草地等6類地物進行提取。庫布其沙漠及周邊土地利用類型如圖4所示。
圖4 庫布其沙漠及周邊土地利用類型
3 結(jié)果與分析
3.1 提取結(jié)果分析
運用Arcgis計算分類面積結(jié)果，通過SpatialAnalyst工具，對分類結(jié)果進行小斑塊剔除處理，并統(tǒng)計地物類型的分類結(jié)果，得出各地類的占地面積以及其比例。統(tǒng)計后由表2可知，草地面積最大，為19 435.71 km2，占總研究區(qū)面積的41.13%；沙地面積是6 035.96 km2，占總研究區(qū)面積的12.77%；林地面積是6 037.47 km2，占總研究區(qū)面積的12.78%；建設(shè)用地為2 717.78 km2，其占總研究區(qū)面積的5.75%；耕地面積是12 379.60 km2，占總研究區(qū)面積的26.20%；水域面積最小，占地面積是643.20 km2，占總研究區(qū)面積的1.36%。通過圖4可以清晰看出：草地覆蓋面積占地面積最大，其次是耕地面積，位列其二，林地和沙地占地面積相近，總體呈現(xiàn)對半趨勢，城鎮(zhèn)建設(shè)用地面積相對較少，比例也相對較小，最后，水域的總占地面積最小。
表2 庫布其沙漠及周邊面積及其比例
本文為綜合比較研究方法的優(yōu)越性，采用監(jiān)督分類中應(yīng)用最廣泛、分類效果和效率較高的最大似然法進行土地利用分類，采用人工目視解譯定義訓(xùn)練樣本，訓(xùn)練樣本的選擇決定監(jiān)督分類的精度，當在解譯過程中無法確定土地利用類型時，本研究借助BIG MAP對土地利用類型進行判讀，提高訓(xùn)練樣本的精度。
3.2 精度評價
精度驗證分析如表3所示。
表3 精度驗證分析
根據(jù)庫布其沙漠野外實測124個樣點，將其投影到分類結(jié)果中，根據(jù)精度驗證的評價方法，灰度分割和面向?qū)ο蠼Y(jié)合方法與最大似然法支持向量機進行對比，進行精度驗證?；?020年土地利用現(xiàn)狀圖和前期實地調(diào)查取樣進行精度驗證。2種分類方法獲取的分類結(jié)果與實際采樣點重合，進行疊置分析。精度評價結(jié)果表明，基于灰度分割和面向?qū)ο蠼Y(jié)合方法土地利用特征信息提取總體精度90.32%，利用最大似然法支持向量機提取土地利用特征信息總體精度為62.86%，精度相對監(jiān)督分類支持向量機的方法提高了27.46%，Kappa系數(shù)分別為0.847 9和0.444 4。大部分地物類型提取的使用者精度及生產(chǎn)者精度也高于支持向量機，灰度分割和面向?qū)ο蠼Y(jié)合提取土地利用信息效果較為理想。
4 討論與結(jié)論
本實驗采用灰度分割和面向?qū)ο蠼Y(jié)合的方法進行了土地利用信息提取，得出以下結(jié)論：草地總面積最大，林地面積和沙地面積相當；生態(tài)環(huán)境改善，說明近些年的林業(yè)造林工程有顯著成效，很好地起到了治理庫布其沙漠的作用；沙地退化顯著，草地林地增加明顯，對城鎮(zhèn)的生態(tài)化建設(shè)作出極大的貢獻；城鎮(zhèn)用地面積、水域面積有不同程度的增加。
灰度分割和面向?qū)ο蠼Y(jié)合的方法提取地物特征信息，既可以避免同時提取多種地物類別在波組合選擇上的矛盾，也一定程度上避免了傳統(tǒng)分類方法中的“同物異譜”和“同譜異物”現(xiàn)象對分類精度的影響，取得了較高的分類精度。利用灰度分割和面向?qū)ο蠼Y(jié)合提取庫布其沙漠地物特征信息可為該區(qū)域研究信息提取提供技術(shù)支撐。
猜你喜歡
西北民族大學(xué)學(xué)報(自然科學(xué)版)(2021年4期)2021-12-29 02:54:24
數(shù)學(xué)小靈通(1-2年級)(2021年4期)2021-06-09 06:25:56
大眾健康(2021年6期)2021-06-08 19:30:06
小聰仔(科普版)(2020年12期)2021-01-18 09:16:52
東方少年·布老虎畫刊(2020年4期)2020-06-08 15:48:10
學(xué)生天地(2019年32期)2019-08-25 08:55:22
中學(xué)生數(shù)理化·七年級數(shù)學(xué)人教版(2019年4期)2019-05-20 10:06:32
中學(xué)生數(shù)理化·七年級數(shù)學(xué)人教版(2018年6期)2018-06-26 08:36:06
小天使·一年級語數(shù)英綜合(2017年11期)2017-12-05 18:49:56
初中生世界·七年級(2017年9期)2017-10-13 22:27:46
