丁 凌，陳建裕*，朱乾坤，陳寧華

(1.上海交通大學(xué) 海洋學(xué)院，上海 200230; 2.自然資源部第二海洋研究所，浙江 杭州 310012; 3. 浙江大學(xué) 地球科學(xué)學(xué)院，浙江 杭州 310058)

0 引言

多光譜遙感影像在自然資源監(jiān)測(cè)、生態(tài)環(huán)境保護(hù)等方面得到廣泛應(yīng)用[1-2]，其中Landsat系列衛(wèi)星提供的長(zhǎng)達(dá)40多年的連續(xù)數(shù)據(jù)集已成為全球變化研究、土地覆蓋/土地利用演變分析的重要數(shù)據(jù)源[3]。中低分辨率遙感影像的分類算法主要利用地物光譜特征[4-6]，針對(duì)不同地物光譜響應(yīng)曲線的反射率差異，選取特定波段構(gòu)建地物光譜指數(shù)，提取圖像中的植被、水體、建筑物等地物信息。BARALDI et al[7-8]綜合地物光譜響應(yīng)曲線和光譜指數(shù)，提出了針對(duì)Landsat 5/7影像的光譜規(guī)則分類算法(Spectral Rule-based Classifier, SRC)，并將SRC算法推廣至SPOT5、WorldView2等高分辨率多光譜數(shù)據(jù)類型[9]。光譜規(guī)則算法被廣泛應(yīng)用于時(shí)間序列遙感影像的處理分析，如BOSCHETTI et al[10]將SRC算法用于Landsat序列影像的火災(zāi)監(jiān)測(cè)，ARVOR et al[11]基于Sentinel-2序列影像的SRC分類結(jié)果繪制了巴西亞馬遜南部地區(qū)的植被梯度和水體地圖。光譜規(guī)則分類實(shí)現(xiàn)了不同地物光譜特性的數(shù)值化表達(dá)，如ANDRéS et al[12]將SRC分類結(jié)果作為地理本體論的參數(shù)，TIEDE et al[13]將SRC方法用于遙感影像的地理信息語(yǔ)義查詢，SRC方法也可與面向?qū)ο蟮倪b感影像分析方法結(jié)合[14]。

SRC算法的光譜規(guī)則建立在大氣層頂表觀反射率的基礎(chǔ)上，成像過(guò)程中大氣狀態(tài)會(huì)影響地物的光譜響應(yīng)曲線信息，而大氣校正方法能有效消除大氣吸收和散射引起的輻射誤差。徐春燕 等[15]探討了大氣校正對(duì)地物光譜響應(yīng)曲線的影響，發(fā)現(xiàn)在可見(jiàn)光波段反射率明顯減小，在近紅外和短波紅外波段反射率增大。MORAVEC et al[16]測(cè)試了大氣校正對(duì)歸一化差異植被指數(shù)(Normalized Difference Vegetation Index, NDVI)的影響，發(fā)現(xiàn)大氣校正后NDVI增幅明顯。研究表明，大氣校正前后多光譜遙感影像的水體指數(shù)[17]、建筑物指數(shù)[18]同樣存在明顯區(qū)別。因而，SRC算法在計(jì)算光譜指數(shù)時(shí)，需要考慮大氣校正前后地物光譜數(shù)據(jù)的差異性。

SRC算法應(yīng)用于大氣校正后的Landsat系列影像需要進(jìn)行光譜規(guī)則修正。本文提出了一種改進(jìn)光譜規(guī)則的分類算法(Modified Spectral Rule-based Classifier, MSRC)，補(bǔ)充細(xì)化了原SRC算法的光譜規(guī)則，改進(jìn)了光譜指數(shù)的判斷閾值。以珠江三角洲海島和海岸帶Landsat 8多光譜影像為實(shí)驗(yàn)數(shù)據(jù)，對(duì)MSRC算法的地物分類進(jìn)行精度評(píng)價(jià)，并與其他遙感分類算法進(jìn)行了對(duì)比。

1 針對(duì)大氣校正后多光譜影像的光譜規(guī)則分類算法改進(jìn)

在MSRC算法實(shí)施前，多光譜影像應(yīng)進(jìn)行輻射定標(biāo)和大氣校正處理，將輸入的圖像亮度值(Digital Number, DN)轉(zhuǎn)換為地表反射率(Surface Albedo, SA)，熱紅外波段校正為在衛(wèi)星高度所觀測(cè)到的亮度溫度。MSRC算法的數(shù)據(jù)處理流程如圖1所示，包括兩個(gè)階段：第一階段，基于光譜特征，提取核心光譜類別集和特征空間模糊集，修正SRC光譜規(guī)則，以準(zhǔn)確提取大氣校正后的地物光譜特征；第二階段，基于類別集和模糊集，構(gòu)建不同特征光譜類別的層級(jí)歸類系統(tǒng)，引入Landsat 8衛(wèi)星的質(zhì)量評(píng)估(Quality Assessment, QA)波段區(qū)分冰雪、云和陰影，并對(duì)光譜類別進(jìn)行細(xì)化和補(bǔ)充。

圖1 MSRC算法流程圖Fig.1 Flowchart of the MSRC algorithm(灰色區(qū)域表示進(jìn)行修正的步驟。)(Gray region represents the modified algorithm steps.)

1.1 核心光譜類別集提取

SRC算法基于對(duì)地物光譜響應(yīng)曲線的描述，定義了一系列特征表達(dá)完備的核心光譜類別，通過(guò)多波段的線性組合或比值構(gòu)建相應(yīng)規(guī)則集。和SRC算法一致，在MSRC算法的第一階段，遙感圖像的各個(gè)像元經(jīng)過(guò)波段計(jì)算和邏輯判別后被劃分為特定的核心光譜類別。

遙感影像經(jīng)過(guò)大氣校正處理后，各波段的反射率降低，標(biāo)準(zhǔn)差增大。MSRC算法利用大氣校正后的地物光譜響應(yīng)曲線和標(biāo)準(zhǔn)波譜庫(kù)數(shù)據(jù)，對(duì)SRC算法定義的14類核心光譜類別的規(guī)則集進(jìn)行逐類驗(yàn)證，共對(duì)5種類別進(jìn)行了改進(jìn)(表1)。MSRC算法的輸入值為地表反射率，修正的核心光譜類別的規(guī)則集可以輸入實(shí)測(cè)地物光譜響應(yīng)曲線進(jìn)行驗(yàn)證。

表1 修正的核心光譜類別及規(guī)則集表達(dá)式Tab.1 Modified kernel spectral categories and rule set expressions

2.表中B1、B2、B3表示Landsat遙感影像的可見(jiàn)光光譜波段(藍(lán)、綠、紅)，B4表示近紅外波段(NIR)， B5和B7為兩個(gè)短波紅外波段(SWIR)。

1.2 特征空間模糊集提取

SRC算法根據(jù)不同地物的光譜特性，基于地物敏感波段反射率或其數(shù)學(xué)組合構(gòu)建特征空間，并通過(guò)高斯模型與貝葉斯規(guī)則計(jì)算各個(gè)特征空間的高、中、低的判斷閾值[7]。同樣，在MSRC算法的第一階段，遙感圖像的各個(gè)像元經(jīng)過(guò)相應(yīng)的波段運(yùn)算和閾值劃分，得到不同的特征空間模糊集。

MSRC算法對(duì)SRC算法利用的10種反射率特征量和光譜指數(shù)閾值逐個(gè)驗(yàn)證：基于大氣校正后植被信息量增加的特征，調(diào)整了NDVI的判別閾值；基于歸一化差異土壤指數(shù)(Normalized Difference Bare Soil Index, NDBSI)和歸一化差異雪指數(shù)(Normalized Difference Snow Index, NDSI)構(gòu)建差值復(fù)合指數(shù)(Differential Bare soil and Built-up Index，DBBI)以進(jìn)一步區(qū)分裸地和建設(shè)用地像元；基于耕地在紅外波段反射率略高于林地的特征，構(gòu)建紅外反射率特征量(Near-infrared and Short-Wave Infrared Reflectance，NSWIR)以進(jìn)一步區(qū)分林地和耕地像元(表2)；基于耕地在各波段反射率略高于草地的特征，利用亮度分量的低閾值(LBright)進(jìn)一步區(qū)分耕地和草地像元。

表2 修正的特征空間、對(duì)應(yīng)表達(dá)式和閾值Tab.2 Modified feature space, corresponding expressions and thresholds

1.3 層級(jí)歸類系統(tǒng)

SRC算法的第二階段是基于提取的類別集和模糊集構(gòu)建層級(jí)歸類系統(tǒng)，共計(jì)輸出67類具有不同特征的光譜類別[7]，部分為過(guò)渡類別。在MSRC算法的第二階段，以第一階段獲取的類別集和模糊集作為輸入項(xiàng)，經(jīng)過(guò)系統(tǒng)中的多層邏輯判別歸類，并對(duì)SRC算法的過(guò)渡類別進(jìn)一步劃分，輸出一個(gè)特定的光譜類別。

2.在逐個(gè)像元計(jì)算時(shí)對(duì)原波段數(shù)值進(jìn)行縮放，波段數(shù)值范圍從[0,1]調(diào)整到[0,255]，“*”表示縮放處理后逐層歸類時(shí)所用的閾值。

在多光譜遙感影像中，云的反射率總體較高，在近紅外波段有明顯增幅，在短波紅外波段隨波長(zhǎng)增加而降低。受到云層厚度和遮擋程度的影響，薄云像元亮度變化范圍大，較難判別。大氣校正處理后，SRC算法對(duì)云陰影的判別不理想，故在MSRC算法的層級(jí)歸類系統(tǒng)的邏輯判別條件中引入QA波段，作為下一層級(jí)光譜類別細(xì)化的附加條件，進(jìn)而區(qū)分“冰雪、云、陰影混合光譜類”和“無(wú)法確定的其他光譜類”(表3)。

表3 基于MSRC光譜規(guī)則分類結(jié)果合并得到的土地覆蓋類型Tab.3 Merged land-cover types based on MSRC results

2.表格中帶陰影的內(nèi)容為MSRC算法增加的類別。

3.表格中對(duì)部分相似的類別名稱進(jìn)行合并后表達(dá)，名稱后括號(hào)內(nèi)的數(shù)字為包含的類別數(shù)。

SRC算法輸出的林地和草地類中有耕地像元混雜的現(xiàn)象，MSRC算法將“高NIR林地光譜類”中不具備紅外反射率低值特征的像元進(jìn)一步劃分為“高NIR的耕地光譜類”，將“高/低NIR灌木林或草地光譜類”中不具備低閾值亮度分量(LBright)的像元進(jìn)一步劃分為“類灌木林或草地光譜類”(表3)。

SRC算法輸出的“裸地-建設(shè)用地”混合的光譜類別，給后續(xù)的光譜類別合并和分類評(píng)價(jià)帶來(lái)困難。MSRC算法增加了混合光譜類別的細(xì)分判別條件，將屬于紅外反射率特征高閾值(HNSWIR)的像元進(jìn)一步劃分為“不同特征的裸地光譜類”；將屬于紅外反射率特征低閾值(LNSWIR)的像元進(jìn)一步劃分為“不同特征的建設(shè)用地光譜類”；對(duì)屬于紅外反射率特征中閾值(MNSWIR)的像元，依據(jù)差值復(fù)合指數(shù)(DBBI)進(jìn)一步細(xì)分，大于DBBI閾值的歸為“裸地”類別，反之為“建設(shè)用地”類別(表3)。

SRC算法輸出的“背陰面林地光譜類”結(jié)果中有建筑物陰影像元混雜的現(xiàn)象，MSRC算法利用低閾值的歸一化差異植被指數(shù)特征量(滿足NDVI<0.2的像元)，從該類別中進(jìn)一步提取“建設(shè)用地陰影”類別(表3)。

綜上所述，改進(jìn)后的MSRC算法增加了判別條件，從部分林地、草地光譜類別像元中進(jìn)一步劃分出耕地光譜類別；將SRC算法輸出的“裸地-建設(shè)用地”混合類別結(jié)果進(jìn)一步劃分為裸地光譜類別和建設(shè)用地光譜類別；從“背陰面林地光譜類”像元中進(jìn)一步劃分出“建設(shè)用地陰影”類別；基于QA波段數(shù)值，進(jìn)一步區(qū)分冰雪、云、陰影和其他光譜類別。

1.4 精度評(píng)價(jià)與算法分析

MSRC算法是一種光譜規(guī)則分類算法，輸出的光譜類別是對(duì)地物的一種光譜規(guī)則的特征描述。為定量評(píng)估MSRC算法的分類精度，基于光譜類別的定義與描述，對(duì)光譜規(guī)則分類的結(jié)果進(jìn)行合并處理，得到最終的土地覆蓋分類結(jié)果(表3)。合并得到的土地覆蓋類型為林地、耕地、草地、裸地、建設(shè)用地和水體，參考BARALDI et al[7]和CHEN et al[4]研究中的土地覆蓋類型進(jìn)行定義。

采用混淆矩陣和Kappa系數(shù)對(duì)MSRC分類算法進(jìn)行精度評(píng)價(jià)[19]?；煜仃?Confusion Matrix)是遙感影像分類常用的精度評(píng)價(jià)方法，反映了分類結(jié)果與地表真實(shí)類別的相關(guān)性?；诨煜仃囉?jì)算總體精度(Overall Accuracy, OA)、生產(chǎn)者精度(Producer Accuracy, PA)和使用者精度(User Accuracy, UA)。Kappa系數(shù)綜合運(yùn)用上述精度結(jié)果，能夠更全面地呈現(xiàn)算法的分類精度。

為進(jìn)一步評(píng)價(jià)算法性能，選取了4種遙感影像監(jiān)督分類算法進(jìn)行比較：最小距離分類(Minimum Distance Classification, MDC)算法、最大似然分類(Maximum Likelihood Classification, MLC)算法、支持向量機(jī)分類(Support Vector Machine, SVM)算法[20]和神經(jīng)網(wǎng)絡(luò)分類(Neural Network Classification, NNC)算法。

為評(píng)估大氣校正對(duì)光譜指數(shù)分類算法的影響，將MSRC算法分類結(jié)果與基于光譜指數(shù)的地物分類結(jié)果進(jìn)行比較。選取了5種常用的光譜指數(shù)(表4)，基于大氣校正后的影像分別計(jì)算光譜指數(shù)值，采用SVM訓(xùn)練隨機(jī)采樣點(diǎn)以自動(dòng)獲取分類閾值，實(shí)現(xiàn)基于光譜指數(shù)的地物分類。

表4 光譜指數(shù)名稱和表達(dá)式Tab.4 Spectral indices and corresponding expressions

2 數(shù)據(jù)和預(yù)處理

2.1 遙感數(shù)據(jù)與實(shí)驗(yàn)區(qū)域

選用3幅Landsat 8遙感影像、4幅WorldView-2/3高分辨率影像和2020年的全球地表覆蓋數(shù)據(jù)集GlobeLand30，其空間分辨率分別為30 m、2 m和 30 m。選擇珠江三角洲的4個(gè)典型海島、海岸帶區(qū)域進(jìn)行實(shí)驗(yàn)，其對(duì)應(yīng)的遙感影像和數(shù)據(jù)集詳細(xì)信息如 表5 所示。所選衛(wèi)星影像的云覆蓋率均小于5%。

表5 遙感影像和數(shù)據(jù)集信息Tab.5 Remote sensing images and dataset information

采用4個(gè)實(shí)驗(yàn)區(qū)的WorldView-2/3高分辨率影像(圖2)作為地物分類和精度評(píng)價(jià)的參考數(shù)據(jù)，其中佳蓬和淇澳為海島影像，土地覆蓋類型較簡(jiǎn)單；荃灣和惠東為海岸帶影像，土地覆蓋類型相對(duì)復(fù)雜。佳蓬區(qū)域位于113°58′31″E—114°04′32″E，21°50′06″N— 21°55′33″N之間，涵蓋佳蓬列島中的北尖島和廟灣島，島嶼呈NE—SW走向，北尖島上植被覆蓋密集，均為陡峭巖岸；廟灣島多為裸露基巖，植被零星分布。淇澳區(qū)域位于113°34′13″E—113°39′55″E，22°22′21″N—22°27′31″N之間，包括珠海淇澳島、南側(cè)唐家灣填海造陸和西側(cè)圍墾養(yǎng)殖區(qū)域，淇澳島現(xiàn)設(shè)有省級(jí)紅樹(shù)林自然保護(hù)區(qū)。荃灣區(qū)域位于114°30′03″E—114°34′47″E，22°38′48″N—22°45′49″N之間，為惠州市南部大亞灣區(qū)下轄澳頭街道的沿海區(qū)域，有石油化工基地和大面積的網(wǎng)箱養(yǎng)殖區(qū)?；輺|區(qū)域位于114°41′34″E—114°47′12″E，22°34′22″N—22°39′35″N 之間，覆蓋惠州市的惠東港區(qū)、三角洲島和桑洲島范圍，位于大亞灣東側(cè)，擁有寬廣海域和豐富濕地資源。

圖2 實(shí)驗(yàn)數(shù)據(jù)及其空間位置Fig.2 Experimental data and spatial locations(淇澳、佳蓬、惠東、荃灣地區(qū)所展示的影像為WorldView-2/3遙感影像。)(The images displayed about Qi’ao, Jiapeng, Huidong and Quanwan regions are WorldView-2/3 remote sensing images.)

2.2 數(shù)據(jù)預(yù)處理

對(duì)Landsat 8遙感影像進(jìn)行數(shù)據(jù)預(yù)處理，包括輻射定標(biāo)和大氣校正。輻射定標(biāo)將遙感影像的DN值轉(zhuǎn)換為大氣層頂表觀反射率和亮度溫度，相關(guān)定標(biāo)參數(shù)的取值通過(guò)影像頭文件獲取。采用6S(Second Simulation of Satellite Signal in the Solar Spectrum)輻射傳輸模型[21]對(duì)影像進(jìn)行大氣校正預(yù)處理，得到地表反射率圖像。

GlobeLand30是中國(guó)研制的30 m空間分辨率全球地表覆蓋數(shù)據(jù)，包括水體、耕地等10大類型，2020年時(shí)相的總體精度達(dá)85%以上。高分辨率影像可以作為中、低分辨率(30 m～1 km)土地覆蓋分類精度評(píng)價(jià)的有效參考數(shù)據(jù)。對(duì)實(shí)驗(yàn)數(shù)據(jù)包含的每種土地覆蓋類型，通過(guò)隨機(jī)采樣獲取初始樣本點(diǎn)，基于WorldView-2/ 3高分辨率影像的解譯結(jié)果，篩選和修正GlobeLand30 V2020數(shù)據(jù)的土地覆蓋類型標(biāo)簽，作為MSRC算法用于珠江三角洲典型海島和海岸帶地物分類和精度評(píng)價(jià)的訓(xùn)練和驗(yàn)證數(shù)據(jù)集。

3 大氣校正影響分析

3.1 多光譜影像的反射率變化

大氣校正前后遙感影像的各波段反射率具有差異。表6列出了惠東區(qū)域的Landsat 8多光譜影像經(jīng)不同預(yù)處理后的各波段基本統(tǒng)計(jì)特征。大氣校正消除了大氣影響所造成的輻射誤差，使得遙感影像各波段的反射率降低?？梢?jiàn)光波段，特別是藍(lán)光波段反射率的降幅較大，近紅外波段和短波紅外波段變化較小。波段間的標(biāo)準(zhǔn)差反映了圖像平均值的離散度和像元灰度值，在一定程度上可反映各波段所包含的信息量。經(jīng)過(guò)大氣校正處理后，各波段標(biāo)準(zhǔn)差均增大，波段包含的信息量增加，其中近紅外波段包含的信息量最大。

表6 惠東區(qū)域大氣校正前后各波段反射率對(duì)比Tab.6 Band reflectance before and after atmospheric correction of Huidong area

3.2 地物光譜響應(yīng)曲線變化

針對(duì)實(shí)驗(yàn)數(shù)據(jù)，對(duì)MSRC光譜規(guī)則分類的結(jié)果進(jìn)行合并，得到6種土地覆蓋類型?；谟跋癫蓸狱c(diǎn)，計(jì)算土地覆蓋類型的平均反射率，以定量比較大氣校正前后的地物光譜響應(yīng)曲線差異(圖3)。大氣校正后，各類地物光譜響應(yīng)曲線均產(chǎn)生了一定變化，此為SRC算法的原始光譜規(guī)則適用性下降的主要原因。水體總體反射率低，且隨波長(zhǎng)增加而降低，容易和其他地物區(qū)分；大氣校正后水體藍(lán)光反射率顯著降低，其均值與水體綠光反射率均值相近。植被(林地、耕地、草地)的“紅邊效應(yīng)”在大氣校正后更顯著，在可見(jiàn)光波段的反射率有不同程度的降低。建設(shè)用地受建筑材料影響，光譜信息相對(duì)復(fù)雜，通過(guò)較高的近紅外和短波紅外波段反射率可以和水體、植被區(qū)分，大氣校正后其藍(lán)光、綠光波段反射率均有所下降。裸地和建設(shè)用地的光譜響應(yīng)曲線類似。

圖3 不同土地覆蓋類型在大氣校正前后的反射率變化Fig.3 Reflectance changes of different land-cover types before and after atmospheric correction

3.3 大氣校正對(duì)光譜規(guī)則分類的影響分析

如表7所示，將SRC算法分別應(yīng)用于大氣校正前后的多波段數(shù)據(jù)時(shí)，由于大氣校正后各類地物光譜響應(yīng)曲線變化，SRC算法的原始光譜規(guī)則適用性下降，大氣校正后的數(shù)據(jù)應(yīng)用上總體精度和Kappa系數(shù)略有降低。MSRC算法基于大氣校正對(duì)地物光譜響應(yīng)曲線和遙感光譜指數(shù)的影響分析對(duì)光譜規(guī)則進(jìn)行修正，使得其總體精度和Kappa系數(shù)都高于大氣校正前的SRC算法。

表7 基于不同預(yù)處理數(shù)據(jù)的不同光譜規(guī)則分類算法精度對(duì)比Tab.7 Accuracy comparison of different spectral rule-based classifiers based on different pre-processed data

②海島場(chǎng)景多林地，土地覆蓋類型簡(jiǎn)單，大氣校正后圖像信息量增加，對(duì)林地判定精度小幅上升，導(dǎo)致該場(chǎng)景下大氣校正后SRC算法總體精度和Kappa系數(shù)反而有所上升。

4 分類結(jié)果精度分析

4.1 海島實(shí)驗(yàn)數(shù)據(jù)的精度分析

佳蓬區(qū)域的土地類型為林地、草地、裸地及水體4類。SRC算法的總體精度為83.85%，Kappa系數(shù)為0.76；MSRC算法的總體精度為87.66%，Kappa系數(shù)為0.82(表8)。就SRC的土地覆蓋分類結(jié)果(圖4c)而言，林地和水體基本被正確分類，而草地和裸地的判別精度較低。MSRC算法(圖4e)一定程度上改善了廟灣島的基巖-植被混合像元的誤分類現(xiàn)象，提升了草地和裸地的判別精度；減輕了廟灣島西北部小片山坡背陰面的林地被誤判為水體的現(xiàn)象，小幅提升了水體的判別精度。

淇澳區(qū)域的土地類型為林地、草地、裸地、建設(shè)用地及水體5類。SRC算法的總體精度為80.20%，Kappa系數(shù)為0.75；MSRC算法的總體精度為82.38%，Kappa系數(shù)為0.78(表8)。Landsat 8影像中存在大量混合像元，主要為由于成像時(shí)刻潮位高低不同而形成的島嶼西、北部沙灘區(qū)域的裸地-水體混合類型，由于無(wú)明確規(guī)劃的土地用途而形成的南側(cè)唐家灣填海區(qū)的草地-裸地-建設(shè)用地混合類型以及受Landsat 8影像空間分辨率限制而形成的網(wǎng)狀池塘水面的裸地-水體混合類型、陸水交界碼頭等區(qū)域的建設(shè)用地-水體混合類型。SRC算法的光譜規(guī)則對(duì)混合像元中的水體信息更為敏感，將大部分陸水交界的混合像元判別為水體，因此裸地和建設(shè)用地的判別精度較低(圖4h)。MSRC算法能更好地提取混合像元中的裸地和建設(shè)用地信息，也在一定程度上改善了南側(cè)唐家灣填海區(qū)的草地像元誤分類現(xiàn)象(圖4j)。MSRC算法的總體精度和Kappa系數(shù)高于SRC算法(表8)。

圖4 針對(duì)海島影像的光譜規(guī)則分類算法的光譜類別和土地覆蓋類型分類結(jié)果Fig.4 Spectral category result and land-cover map of spectral rule-based classifiers for island images(a～e：佳蓬區(qū)域；f～j：淇澳區(qū)域；a,f：Landsat 8影像；b,g：SRC算法光譜類別結(jié)果；c,h：SRC算法土地覆蓋類型分類結(jié)果；d,i：MSRC算法光譜類別結(jié)果；e,j：MSRC算法土地覆蓋類型分類結(jié)果。)(a-e:Jiapeng; f-j: Qi’ao; a, f: Landsat 8 images; b, g: Spectral category results of SRC; c, h: Land-cover maps of SRC; d, i: Spectral category results of MSRC; e, j: Land-cover maps of MSRC.)

表8 針對(duì)海島影像的SRC和MSRC算法分類精度Tab.8 Classification accuracy of SRC and MSRC algorithm for island images

表9為海島場(chǎng)景下遙感影像監(jiān)督分類算法和基于光譜指數(shù)的地物分類算法的精度。由表可知，除MDC算法外，其余遙感影像監(jiān)督分類算法的總體精度均超過(guò)80%，Kappa系數(shù)大于0.75，SVM和NNC算法的結(jié)果略優(yōu)于MSRC算法；基于光譜指數(shù)的地物分類在部分土地類型上分類精度較高，但對(duì)于草地和建設(shè)用地類別的判別效果較差，總體精度較低。不同方法相比較，MSRC算法的精度僅略低于SVM和NNC算法，該算法應(yīng)用于海島影像時(shí)能保持與遙感影像監(jiān)督分類較一致的分類精度，其優(yōu)勢(shì)在于遙感光譜規(guī)則的可解釋性。

表9 針對(duì)海島影像的監(jiān)督分類和基于光譜指數(shù)的地物分類的精度Tab.9 Classification accuracy of typical supervised classification and spectral indices methods for island images

4.2 海岸帶實(shí)驗(yàn)數(shù)據(jù)的精度分析

荃灣區(qū)域的土地類型為林地、草地、裸地、建設(shè)用地及水體5類。SRC算法的總體精度為74.11%，Kappa系數(shù)為0.67；MSRC算法的總體精度為77.67%，Kappa系數(shù)為0.72(表10)。就SRC算法的土地覆蓋分類結(jié)果而言(圖5c)，林地和水體基本被正確分類，而草地、裸地和建設(shè)用地的判別精度較低。裸地和建設(shè)用地的誤分類現(xiàn)象主要存在于荃灣區(qū)域東北部的在建石化工業(yè)區(qū)和零散分布的待建區(qū)的裸地-建設(shè)用地混合像元；草地的精度誤差則來(lái)源于小部分林地、裸地和高植被覆蓋的建設(shè)用地像元的誤分類。MSRC算法(圖5e)能更好地提取混合像元中的裸地和建設(shè)用地信息，改善了SRC結(jié)果中裸地-建設(shè)用地混合像元、高植被覆蓋的建設(shè)用地像元和陸水交界碼頭區(qū)域的誤分類現(xiàn)象，但MSRC算法將水域中的零散船只也誤歸為裸地或建設(shè)用地的范疇，導(dǎo)致裸地和建設(shè)用地類別的精度提升較小。

惠東區(qū)域的土地類型為林地、耕地、草地、裸地、建設(shè)用地及水體6類。SRC算法的總體精度為75.66%，Kappa系數(shù)為0.70；MSRC算法的總體精度為80.05%，Kappa系數(shù)為0.75(表10)。SRC算法能準(zhǔn)確分類林地和水體像元以及集中分布的裸地和建設(shè)用地像元，但對(duì)零星分布的裸地和建設(shè)用地像元有一定錯(cuò)分；由于其所建立的耕地類光譜規(guī)則不適用于該區(qū)域，導(dǎo)致耕地像元基本全部被誤分類為林地或草地類別(圖5h)，對(duì)SRC算法總體精度的影響較大。MSRC算法在一定程度上改善了零星分布的裸地和建設(shè)用地像元的錯(cuò)分，提升了裸地和建設(shè)用地的判別精度；建立了相對(duì)適用于惠東區(qū)域的耕地類光譜規(guī)則，提升了耕地的判別精度，但仍有部分耕地被判定為林地或草地類別。此外，由于影像的成像時(shí)間為冬季，部分耕地處于未耕作狀態(tài)，因此被判別為裸地類別(圖5j)?？傮w而言，耕地的誤判對(duì)SRC算法總體精度的影響較大，相比之下，MSRC算法有效提高了耕地的判別結(jié)果，其他類別的精度也有所提升(表10)。

圖5 針對(duì)海岸帶影像的光譜規(guī)則分類算法的光譜類別和土地覆蓋類型分類結(jié)果Fig.5 Spectral category result and land-cover map of spectral rule-based classifiers for coastal zone images(a～e：荃灣區(qū)域；f～j：惠東區(qū)域；a,f：Landsat 8影像；b,g：SRC算法光譜類別結(jié)果；c,h：SRC算法土地覆蓋類型分類結(jié)果；d,i：MSRC算法光譜類別結(jié)果；e,j：MSRC算法土地覆蓋類型分類結(jié)果。)(a-e:Quanwan; f-j: Huidong; a, f: Landsat 8 images; b, g: Spectral category results of SRC; c, h: Land-cover maps of SRC; d, i: Spectral category results of MSRC; e, j: Land-cover maps of MSRC.)

表11為海岸帶場(chǎng)景下遙感影像監(jiān)督分類算法和基于光譜指數(shù)的地物分類算法的精度分析。由表10和11可知，監(jiān)督分類算法在荃灣區(qū)域的分類精度均有所降低，不同方法相比較，MSRC算法的總體精度和Kappa系數(shù)最高，僅在個(gè)別地物類別的精度上略低于其他算法?；輺|區(qū)域除MDC算法外，其余遙感影像監(jiān)督分類的總體精度均超過(guò)75%，其中SVM、NNC算法總體精度高于80%，Kappa系數(shù)均大于0.75，略高于MSRC算法的結(jié)果。復(fù)雜場(chǎng)景下基于光譜指數(shù)的地物分類算法表現(xiàn)不佳，對(duì)于耕地和建設(shè)用地類別的判別結(jié)果較差，基于NDVI和NDWI指數(shù)的精度相對(duì)較好。綜上，MSRC算法在應(yīng)用于較復(fù)雜的海岸帶影像時(shí)仍能保持較優(yōu)的分類結(jié)果。

表10 針對(duì)海岸帶影像的SRC和MSRC算法分類精度Tab.10 Classification accuracy of SRC and MSRC algorithm for coastal zone images

表11 針對(duì)海岸帶影像的監(jiān)督分類和基于光譜指數(shù)的地物分類的精度Tab.11 Classification accuracy of typical supervised classification and spectral indices methods for coastal zone images

續(xù)表11

總體而言，大氣校正后遙感影像的光譜信息更為豐富，改進(jìn)的MSRC算法精度高于原SRC算法?；诠庾V指數(shù)的地物分類算法應(yīng)用于土地類型簡(jiǎn)單的海島影像時(shí)表現(xiàn)較好；對(duì)于包含多種土地類型的海岸帶影像，光譜響應(yīng)曲線相似的裸地和建設(shè)用地類別出現(xiàn)了誤分類現(xiàn)象，耕地和草地類別容易被歸類為林地類別，各類別精度和總體精度均降低。監(jiān)督分類算法的結(jié)果對(duì)于海島和海岸帶影像地物分類都優(yōu)于基于光譜指數(shù)的地物分類算法，其中SVM和NNC算法精度較高。MSRC算法在無(wú)需人工標(biāo)注的優(yōu)勢(shì)下可以達(dá)到SVM和NNC算法的分類精度，適用于海島和海岸帶的多光譜影像。

5 結(jié)論

本文在SRC算法基礎(chǔ)上，提出了一種改進(jìn)光譜規(guī)則的分類算法(MSRC)。該算法通過(guò)優(yōu)化地物光譜響應(yīng)曲線和光譜指數(shù)構(gòu)建的光譜規(guī)則集，能準(zhǔn)確利用大氣校正后的光譜特征，具有較好的應(yīng)用前景。以珠江三角洲的海島和海岸帶Landsat 8多光譜影像為實(shí)驗(yàn)數(shù)據(jù)，分析了大氣校正前后各波段反射率和地物光譜響應(yīng)曲線的變化，并利用SRC算法和MSRC算法進(jìn)行地物分類和精度評(píng)價(jià)，與4類遙感影像監(jiān)督分類算法以及基于光譜指數(shù)的地物分類算法進(jìn)行比較。結(jié)果表明，改進(jìn)的MSRC算法對(duì)于4組實(shí)驗(yàn)數(shù)據(jù)的總體分類精度分別為87.66%、82.38%、77.67%和80.05%，均高于原SRC算法、MDC算法、MLC算法和基于光譜指數(shù)的地物分類算法，在無(wú)需人工標(biāo)注的優(yōu)勢(shì)下可以達(dá)到SVM和NNC算法的分類精度，適用于海島和海岸帶多光譜影像，表明考慮大氣校正對(duì)遙感影像光譜反射率影響的MSRC算法能夠有效提高地物信息提取的精度。其中基于光譜指數(shù)的地物分類算法應(yīng)用于海島影像時(shí)表現(xiàn)較好，但不適用于包含多種土地類型的海岸帶影像；監(jiān)督分類高度依賴于樣本選擇，算法的判別精度有所變動(dòng)；MSRC算法具有較好的穩(wěn)定性，光譜規(guī)則的非監(jiān)督分類在普適性與自動(dòng)化影像數(shù)據(jù)處理方面展現(xiàn)出優(yōu)勢(shì)。