熊 敏

（福建省地質(zhì)測(cè)繪院，福建 福州 350011）

0 引言

隨著國(guó)家的快速發(fā)展，我國(guó)各個(gè)領(lǐng)域各個(gè)行業(yè)的發(fā)展也是日新月異，對(duì)于測(cè)繪工程來(lái)說(shuō)，區(qū)別于傳統(tǒng)的大地測(cè)量，遙感技術(shù)、GPS 技術(shù)、地理信息系統(tǒng)以及攝影測(cè)量技術(shù)的發(fā)展與進(jìn)步，改變了測(cè)繪界一直以來(lái)基于傳統(tǒng)測(cè)量的局面，有效地提高了測(cè)量的效率與精度。而其中遙感技術(shù)是必不可少的組成部分。本文首先對(duì)最初的遙感影像進(jìn)行預(yù)處理操作，然后使用不同的分類方法進(jìn)行分類，最后評(píng)價(jià)分析分類的結(jié)果，通過(guò)這種方法對(duì)土地覆蓋現(xiàn)狀進(jìn)行調(diào)查，有利于我們更好地管理利用土地，減少國(guó)土資源的浪費(fèi)和破壞。

1 研究方法與過(guò)程

1.1 研究區(qū)的概況

本文研究所選地區(qū)為安徽省馬鞍山市，位于長(zhǎng)江下游長(zhǎng)三角區(qū)，土地總面積約40.49 萬(wàn)hm2，其中，耕地面積14.79 萬(wàn)hm2，林地面積7.37 萬(wàn)hm2，交通用地0.94 萬(wàn)hm2，水域10.61 萬(wàn)hm2，其他用地6.67 萬(wàn)hm2，市區(qū)年平均降水量1060 mm，降水總量約2.9 億m3。

1.2 數(shù)據(jù)來(lái)源及軟件平臺(tái)

本文所采用的數(shù)據(jù)下載自官方網(wǎng)站地理空間數(shù)據(jù)云，行編號(hào)與列編號(hào)分別為120，38 的某地區(qū)Landsat 8 衛(wèi)星影像數(shù)據(jù)。Landsat 8 衛(wèi)星上攜帶有OLI 和TIRS 兩個(gè)主要的傳感器，本次研究所用數(shù)據(jù)即由地理空間數(shù)據(jù)云下載的云量遮擋少、能見度高的衛(wèi)星影像數(shù)據(jù)。我們將下載的Landsat 8 衛(wèi)星影像數(shù)據(jù)在所選用的軟件平臺(tái)ENVI 4.7 進(jìn)行初步地裁剪、大氣校正輻射定標(biāo)影像融合等處理后，通過(guò)監(jiān)督分類、非監(jiān)督分類以及構(gòu)建決策樹的方法對(duì)影像數(shù)據(jù)進(jìn)行分類比較，分析其分類精度和效果。

1.3 影像數(shù)據(jù)預(yù)處理

本文實(shí)驗(yàn)用的影像數(shù)據(jù)經(jīng)過(guò)篩選后下載，該影像畫面清晰，云量較少，圖像質(zhì)量總體較好，以下為預(yù)處理操作過(guò)程以及原理作簡(jiǎn)單地介紹。

1.3.1 試驗(yàn)區(qū)裁剪

所謂影像裁剪就是裁剪出本次研究所需區(qū)域，依據(jù)行政區(qū)邊界或者自身研究所需的區(qū)域大小的自然邊界進(jìn)行裁剪，裁剪時(shí)可以根據(jù)行政區(qū)的邊界大小使用ArcGIS 軟件進(jìn)行手動(dòng)摳圖裁剪。

1.3.2 影像融合

本文研究所作的圖像融合是在基于ENVI 4.7軟件系統(tǒng)的支持下將低空間分辨率的多光譜影像和高光譜數(shù)據(jù)與高空間分辨率的單波段影像重采樣生成高分辨率的多光譜影像，使得處理過(guò)后的遙感影像在具有高空間分辨率的同時(shí)又比單波段影像具有多光譜的特征。

1.3.3 輻射定標(biāo)

輻射定標(biāo)，通俗來(lái)講就是把記錄的原始的數(shù)字量化值DN 轉(zhuǎn)化為大氣外層表面反射率或者輻射亮度值等，目的是消除傳感器本身產(chǎn)生的誤差，從而確保傳感器接收的輻射值準(zhǔn)確，這也是進(jìn)行大氣校正的前期準(zhǔn)備［1］。

1.3.4 大氣校正

利用遙感技術(shù)獲取地物信息時(shí)，是用傳感器來(lái)接收觀測(cè)目標(biāo)所發(fā)出的電磁能量。大氣校正有多種方法和模型，這里我們使用的ENVI 的FLAASH 模塊，直接使用atmospheric correction 工具進(jìn)行大氣校正。

2 遙感影像分類方法

2.1 非監(jiān)督分類

2.1.1 K-Means

K-Means 是非監(jiān)督的聚類算法，使用的是聚類分析的方法。聚類分析就是在給定的一些數(shù)據(jù)中查找發(fā)現(xiàn)數(shù)據(jù)與數(shù)據(jù)之間的關(guān)系，并以此為依據(jù)將數(shù)據(jù)進(jìn)行分組，同組內(nèi)的對(duì)象之間相似度越高、不同組間的差別就越大，那么就代表著該聚類分析的聚類效果越好。

聚類算法時(shí)如果希望提高分類精度，可以嘗試適當(dāng)提高迭代次數(shù)，分類的操作步驟大致如下：首先打開需要分類的影像數(shù)據(jù)，在K-Means 分類器的參數(shù)設(shè)置界面K-Means Paramenters 上我們可以設(shè)置分類數(shù)目Number of Classes 和最大迭代次數(shù)Maximum Iteration，迭代次數(shù)越多，分類效果和精度越好［2］。

圖1 K-Means 分類圖

2.1.2 IsoData

IsoData 中文名稱就是重復(fù)自組織數(shù)據(jù)分析技術(shù)。IsoData 和K-Means 算法是ENVI 非監(jiān)督分類的2 種分類器，從算法的角度比較，IsoData 算法是通過(guò)選擇初始值，包括聚類中心（也稱質(zhì)心）等指標(biāo)，然后計(jì)算數(shù)據(jù)空間中均勻分布的類均值，按照距離中心的最短距離進(jìn)行分類，然后用最小距離技術(shù)將剩余像元進(jìn)行迭代聚合，計(jì)算出距離函數(shù)等指標(biāo)，重新迭代計(jì)算后都計(jì)算出一個(gè)新的均值，按照給定的要求使用新計(jì)算出的各項(xiàng)指標(biāo)，對(duì)之前獲得的聚類像元進(jìn)行合并或分裂處理再分類，從而獲得新的聚類中心，聚類中心的個(gè)數(shù)也會(huì)隨之改變。

圖2 IsoData 分類圖

2.2 監(jiān)督分類

2.2.1 最大似然法

ENVI4.7 軟件中的監(jiān)督分類一共有兩類9 種分類器，其中，最大似然法是一種基于傳統(tǒng)統(tǒng)計(jì)分析學(xué)的統(tǒng)計(jì)方法，其特點(diǎn)是事先知道地物類別的特征信息，即類別的先驗(yàn)知識(shí)。分類的步驟大致如下，首先本文對(duì)影像的土地利用分類定義了5 個(gè)類別，植被、水體、農(nóng)田、居民區(qū)和道路，在主頁(yè)窗口中點(diǎn)擊Region Of Interest 選擇Roi Tool 工具欄定義分類名稱和顏色繪制多邊形選擇訓(xùn)練樣本。選擇最大似然分類器在參數(shù)設(shè)置界面根據(jù)需要更改參數(shù)。

一般默認(rèn)參數(shù)，選擇文件輸出保存路徑后，對(duì)影像進(jìn)行分類顯示，經(jīng)過(guò)最大似然分類后的影像結(jié)果，如圖3 所示。

圖3 最大似然分類圖

圖4 最小距離分類圖

圖5 決策樹分類圖

2.2.2 最小距離法

最小距離法（Minimum Distance）屬于遙感影像監(jiān)督分類這個(gè)模塊，通俗來(lái)說(shuō)，最小距離法就是經(jīng)過(guò)計(jì)算影像中所有像元到選取的樣本點(diǎn)的距離，統(tǒng)計(jì)后進(jìn)行對(duì)比分析，然后根據(jù)距離的大小來(lái)將其規(guī)劃進(jìn)某一類別中。最小距離法的原理大致如下：假設(shè)將數(shù)據(jù)庫(kù)n分成A、B、C 和D 等幾種類別，通過(guò)距離算法求出像元到各個(gè)類別中心X的距離S，通過(guò)比較選擇出最小的距離S，將該像元?jiǎng)澐值阶钚【嚯x的類別中。

2.3 決策樹

監(jiān)督分類和非監(jiān)督分類是比較傳統(tǒng)簡(jiǎn)單的分類方法，隨著測(cè)繪學(xué)科范圍不斷擴(kuò)大，遙感技術(shù)日新月異快速發(fā)展，許多新的分類方法不斷誕生，其中決策樹分類計(jì)數(shù)發(fā)展較為成熟應(yīng)用較多。決策樹顧名思義是一種樹的結(jié)構(gòu)，并且是一個(gè)二叉樹或者多叉樹，樹的分叉處是結(jié)點(diǎn)包括葉結(jié)點(diǎn)和根節(jié)點(diǎn)，葉結(jié)點(diǎn)表示一個(gè)類，根結(jié)點(diǎn)是二叉樹上面那個(gè)結(jié)點(diǎn)。本次研究使用決策樹分類是基于CART 算法下的，通過(guò)CART 算法來(lái)獲取規(guī)則，并基于此規(guī)則對(duì)影像數(shù)據(jù)分類［3］，以下是基于該算法決策樹分類的總體技術(shù)流程：

1）數(shù)據(jù)預(yù)處理；

2）構(gòu)建多源數(shù)據(jù)。這里需要構(gòu)建一個(gè)混合波段，這個(gè)合成波段包括紅、綠、藍(lán)和近紅4 個(gè)波段，NDVI 數(shù)據(jù)，裁減過(guò)后的該試驗(yàn)區(qū)DEM 矢量數(shù)據(jù)以及經(jīng)過(guò)IsoData 分的類數(shù)據(jù)共7 個(gè)波段；

3）獲取規(guī)則。與監(jiān)督分類方法相同使用Roi Tool 工具選擇選練樣本，樣本選取后，在Decision Tree 下選擇Classifier 計(jì)算，得到?jīng)Q策樹；

4）在打開的決策樹面板點(diǎn)擊菜單欄的Options選擇execute 執(zhí)行決策樹，得出分類結(jié)果。

本次研究使用的決策樹分類是基于CART 算法的，但是在ENVI 4.7 軟件中需要在網(wǎng)上自行下載CART 插件，安裝到ENVI 下。

3 分類結(jié)果檢驗(yàn)與處理

3.1 精度驗(yàn)證

對(duì)遙感數(shù)據(jù)分類后，需要評(píng)價(jià)分析分類的結(jié)果，判定分類的精度。這是非常重要的一個(gè)步驟，精度評(píng)價(jià)不僅可以判定分類結(jié)果的錯(cuò)誤率是否對(duì)分類結(jié)果造成較大影響，而且還能夠鑒別每個(gè)分類方法的精確度。沒(méi)有精度說(shuō)明的分類數(shù)據(jù)是沒(méi)有利用價(jià)值和使用意義的。對(duì)結(jié)果進(jìn)行精度驗(yàn)證最核心和關(guān)鍵的要素就是作為驗(yàn)證樣本的數(shù)據(jù)，該樣本數(shù)據(jù)的來(lái)源可以是親自進(jìn)行野外調(diào)查后得到的數(shù)據(jù)，也可以從高分辨率的數(shù)據(jù)源獲取。本次實(shí)驗(yàn)所用的樣本來(lái)自Google Earth，主要步驟如下：

1）獲取高分辨率的數(shù)據(jù)樣本。

通過(guò)Google Earth 軟件，將該地區(qū)根據(jù)之前分類方法中的分類類別，對(duì)每種類別選擇幾處繪制多變形保存。由于Google Earth 上的文件保存類型是Kml 和Kmz 形式，在ENVI 中無(wú)法直接打開，因此需要在ArcGIS 中將圖層轉(zhuǎn)換為shp 文件。然后將獲取的樣本數(shù)據(jù)，加載進(jìn)ENVI 影像中，通過(guò)操作軟件將多變形數(shù)據(jù)轉(zhuǎn)成訓(xùn)練樣本。

2）選擇分類器進(jìn)行圖像分類。

3）精度驗(yàn)證。在ENVI 主菜單欄Classifiation單擊Post Classifiation 選擇精度驗(yàn)證方法對(duì)分類結(jié)果驗(yàn)證，獲取精度評(píng)價(jià)結(jié)果。本次精度驗(yàn)證方法選擇的是混淆矩陣驗(yàn)證，混淆矩陣的另一個(gè)名稱是誤差矩陣［4］。

表1 IsoData 分類方法精度驗(yàn)證結(jié)果

表2 K-Mean 分類精度驗(yàn)證結(jié)果

表3 最小距離精度驗(yàn)證結(jié)果

表4 最大似然法精度驗(yàn)證結(jié)果

表5 決策樹精度驗(yàn)證結(jié)果

總體分類精度與Kappa 系數(shù)的驗(yàn)證結(jié)果：

3.2 精度驗(yàn)證結(jié)果

通過(guò)對(duì)每一種的分類結(jié)果進(jìn)行混淆矩陣精度評(píng)價(jià)后，將Kappa 系數(shù)與總分類精度值的數(shù)據(jù)列出，為了讓分類的結(jié)果有一個(gè)明顯對(duì)比，同時(shí)通過(guò)對(duì)比表6 中的Kappa 系數(shù)值的來(lái)確定精度的范圍級(jí)別。

表6 結(jié)果對(duì)比

通過(guò)對(duì)比分析可以得出非監(jiān)督分類方法IsoData 和K-Means 兩種分類方法的Kappa 系數(shù)分別為0.34 和0.48，通過(guò)對(duì)照表7 中的分類精度，IsoData 分類法的分類精度處于一般精度，K-Means分類法的分類精度為良好。對(duì)于監(jiān)督分類，最小距離與最大似然法的總分類精度高于監(jiān)督分類的兩種方法，且最小距離與最大分類方法的Kappa 系數(shù)值分別是0.64 和0.66，分類精度較好。相比于前4種分類方法決策樹分類法的分類結(jié)果顯示其總體分類精度和Kappa 系數(shù)值明顯高于其他4 種分類方法，分類精度較好且高于其他分類法。因此結(jié)合精度分類的結(jié)果數(shù)據(jù)對(duì)比分析，包括總分類精度和Kappa 系數(shù)等，得出對(duì)于該地區(qū)的土地利用分類方法的選擇，決策樹分類更加適合。

4 結(jié)語(yǔ)

本文以某地區(qū)為研究區(qū)域，使用ENVI 軟件遙感分類方法對(duì)該地區(qū)的衛(wèi)星影像數(shù)據(jù)處理分類，分類方法使用了5 類，得到以下一些結(jié)論：

1）利用遙感影像進(jìn)行實(shí)驗(yàn)研究時(shí)，需要對(duì)原始的遙感影像進(jìn)行處理，未經(jīng)處理的遙感影像清晰度和準(zhǔn)確度不高，可能會(huì)對(duì)研究結(jié)果造成偏差，因此只有合理地對(duì)數(shù)據(jù)加以處理才能獲取較為滿意的結(jié)果。

2）對(duì)特定的地區(qū)地物進(jìn)行分類時(shí)，需要大量數(shù)據(jù)支持，除了研究所需要的地區(qū)原始影像，精度驗(yàn)證時(shí)使用的標(biāo)準(zhǔn)數(shù)據(jù)也是非常關(guān)鍵，若是檢驗(yàn)數(shù)據(jù)的精度達(dá)不到要求，就無(wú)法對(duì)以上分類的結(jié)果作出準(zhǔn)確和權(quán)威的精度評(píng)價(jià)。

3）就本次研究而言，該地區(qū)最優(yōu)的分類方法是基于CART 算法的決策樹分類，相較于其他分類方法而言，決策樹分類的優(yōu)勢(shì)在于根據(jù)分類樣本生成可被理解的決策樹，該算法簡(jiǎn)單易行，運(yùn)行的效率較高。