基于ＭＥＲＳＩ和ＭＯＤＩＳ數(shù)據(jù)的２種監(jiān)督分類方法比較研究

王馨凝　李國春

摘要 在VC++6.0環(huán)境下實(shí)現(xiàn)2種監(jiān)督分類方法，即最小距離法和最大似然法對(duì)250m MERSI和MODIS數(shù)據(jù)進(jìn)行分類，并對(duì)分類結(jié)果進(jìn)行分析。通過分析可看出，將250m分辨率數(shù)據(jù)增加到5通道的MERSI數(shù)據(jù)在2種分類方法下分類效果都要好于MODIS數(shù)據(jù)。

關(guān)鍵詞 MERSI數(shù)據(jù)a；MODIS數(shù)據(jù)；分類；精度檢驗(yàn)

中圖分類號(hào) P412.27 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1007-5739（2009）07-0266-03

風(fēng)云三號(hào)氣象衛(wèi)星是我國首顆新一代極軌氣象衛(wèi)星，它在獲取地球大氣環(huán)境方面具有三維、全球、全天候、定量、高精度資料等特點(diǎn)。其攜帶的中分辨率成像光譜儀MERSI具有20個(gè)通道，其中19個(gè)處于可見光、近紅外和短波紅外波段，它的通道設(shè)置基本上與美國EOS中裝載的MODIS一致，所不同的是減掉了1.240μm、1.375μm兩個(gè)通道，增加了1個(gè)0.94μm水汽吸收通道。MERSI星下點(diǎn)分辨率為250m，通道增加到5個(gè)通道，其余通道為1 000m，而 MODIS 250m空間分辨率只有兩通道數(shù)據(jù)[1]。目前對(duì)于MERSI數(shù)據(jù)的分類研究較少，針對(duì)MODIS進(jìn)行了一些分類研究。例如，徐曉桃等選取3種方法即最大似然法、人工神經(jīng)網(wǎng)絡(luò)法和決策樹法對(duì)7通道MODIS數(shù)據(jù)進(jìn)行分類，得出決策樹分類精度最高達(dá)82.13%的結(jié)論[2]。劉勇洪等人使用最大似然法、Parzen窗、CART決策樹等5種方法，使用MODIS數(shù)據(jù)對(duì)華北地區(qū)土地覆蓋類型進(jìn)行分類，并通過不同訓(xùn)練樣本數(shù)量的選取對(duì)各方法之間的差異進(jìn)行了很好的比較[3]。本試驗(yàn)設(shè)置2種監(jiān)督分類方法即最小距離法和最大似然法對(duì)MERSI 5通道250m分辨率數(shù)據(jù)進(jìn)行分類，將分類結(jié)果與MODIS 250m通道數(shù)據(jù)在2種分類方法下得到的分類結(jié)果進(jìn)行比較，測(cè)試在相同條件下兩者在不同分類方法下的分類效果。

1 試驗(yàn)區(qū)選擇

為比較方便，兩幅圖像均由2008年8月16日的數(shù)據(jù)合成，使用WGS84橢球體，投影方式采用橫軸麥卡托投影，有效像元尺度250m，影像大小為200行×200列。成像范圍北緯41.654 433°～42.105 168°，東經(jīng)123.097 636°～123.702 364°。使用前向映射方法進(jìn)行重定位后的圖像會(huì)有重復(fù)或空缺，對(duì)圖像進(jìn)行5次濾波。使用最近鄰點(diǎn)法對(duì)圖像進(jìn)行重采樣。重采樣后的圖像如圖1、圖2。試驗(yàn)區(qū)主要位于中國東北地區(qū)南部、遼寧省中部，地形主要以平原為主，渾河在圖中穿過。

2 訓(xùn)練樣本選擇

對(duì)于監(jiān)督分類而言，訓(xùn)練區(qū)的選擇是否準(zhǔn)確合理對(duì)分類精度有著很大的影響。特別是對(duì)于大尺度的土地覆蓋分類來說，通過實(shí)地考察選取訓(xùn)練區(qū)是非常困難的。在進(jìn)行宏觀土地覆蓋分類研究時(shí)通常采用從TM等高分辨率遙感影像提取訓(xùn)練區(qū)的方法[4，5] ，根據(jù)唐根年（2002）在區(qū)域土地利用/土地覆被變化動(dòng)態(tài)監(jiān)測(cè)與生態(tài)影響評(píng)價(jià)研究中指出，在TM圖像中，TM5、4、3三波段為試驗(yàn)區(qū)彩色合成最佳波段組合[6]，使用2001年8月11日Landsat7的TM圖像作為輔助數(shù)據(jù)判讀各類別的所在位置（TM圖像如圖3）。因圖像為8月采集，為有植被覆蓋時(shí)期，可將類別設(shè)置為建筑用地、水田、旱田、林地、水體5類，各類別判讀標(biāo)志如表1所示，從圖像中可以很好地辨別出各類地物的分布情況。

通過鼠標(biāo)直接在TM圖像中獲得訓(xùn)練樣本數(shù)據(jù)，訓(xùn)練樣本數(shù)據(jù)的選擇對(duì)分類結(jié)果有很大的影響，為保證分類結(jié)果有較高精度，首先要保證有足夠的訓(xùn)練樣本。實(shí)踐表明，如果對(duì)n個(gè)類別的數(shù)據(jù)進(jìn)行分類，訓(xùn)練樣本的數(shù)目至少不要少于10n，最好達(dá)到100n。同時(shí)，所選訓(xùn)練樣本數(shù)據(jù)應(yīng)該具有很好的代表性，同一地物因所處的地區(qū)、環(huán)境和時(shí)間不同，光譜特征會(huì)產(chǎn)生很大差異。因此，選擇訓(xùn)練樣本應(yīng)盡可能選擇與該地物分布相一致的區(qū)域，避免集中在局部位置。根據(jù)TM圖像中各類別地物所處的地理坐標(biāo)在MERSI和MODIS相應(yīng)位置選取訓(xùn)練樣本，通過篩選對(duì)于2種數(shù)據(jù)每個(gè)類別選擇103個(gè)訓(xùn)練樣本，一共選擇515個(gè)訓(xùn)練樣本。

3 分類及精度檢驗(yàn)

3.1 分類

3.1.1 最小距離法分類。最小距離法利用訓(xùn)練樣本中各類別在各波段的均值，根據(jù)各像元離訓(xùn)練樣本平均值距離的大小決定其類別。最小距離分類器常采用的距離測(cè)度為馬氏距離、歐式距離等。本文選取歐式距離作為距離測(cè)度，此方法分類速度快且對(duì)樣本概率分布特征沒有特別要求。根據(jù)所選的訓(xùn)練樣本可計(jì)算出MERSI和MODIS數(shù)據(jù)的各通道的聚類中心如表2、表3。

3.1.2 最大似然法分類。最大似然法是一種傳統(tǒng)的統(tǒng)計(jì)分類方法，屬于參數(shù)分類方法，有其嚴(yán)密的統(tǒng)計(jì)理論基礎(chǔ)，是在分類方法應(yīng)用中使用最為廣泛的分類器。其假定訓(xùn)練區(qū)地物的光譜特征近似服從正態(tài)分布，利用貝葉斯公式進(jìn)行后驗(yàn)概率的計(jì)算，根據(jù)其最大值原則判定類別歸屬。在有足夠多的訓(xùn)練樣本、一定的類別先驗(yàn)概率分布的知識(shí)，且樣本接近正態(tài)分布的條件下，此方法被認(rèn)為是分類精度最高的分類方法。最大似然法中判別函數(shù)的建立是關(guān)鍵，它關(guān)系到分類的精確程度。根據(jù)所選訓(xùn)練樣本建立判別函數(shù)如下：

MODIS數(shù)據(jù)判別函數(shù)建立：

水田=0.067 788×ch1+0.016 352×ch2-107.176 002

旱田=0.057 645×ch1+0.020 445×ch2-140.493 322

建筑用地=0.191 692×ch1+0.004 137×ch2-201.098 397

林地=0.068 658×ch1+0.011 001×ch2-65.272 925

水體=0.068 368×ch1+0.000 565×ch2-24.258 233

MERSI數(shù)據(jù)判別函數(shù)建立：

水田=12.492 916×ch1-3.422 869×ch2-3.358 740×ch3+0.263 570×ch4+0.442 469×ch5-4 586.573 450

旱田=12.618 129×ch1-3.420 806×ch2-3.453 945×ch3+0.276 384×ch4+0.437 091×ch5-4 568.209 020

建筑用地=12.819 125×ch1-3.610 229×ch2-3.464 880×ch3+0.159 504×ch4-0.492 442×ch5-5 168.843 767

林地=11.976 816×ch1-3.050 169×ch2-3.459 295×ch3+0.189 754×ch4+0.450 023×ch5-4 483.491 869

水體=11.753 161×ch1-2.957 765×ch2-3.437 992×ch3+0.169 203×ch4+0.451 089×ch5-4 421.636 392

3.2 分類結(jié)果圖

由圖4、圖5、圖6、圖7可看出，MODIS數(shù)據(jù)在2種方法下分類圖像在一致性方面要好于MERSI數(shù)據(jù)。在使用2種方法對(duì)2類圖像進(jìn)行分類后發(fā)現(xiàn)4幅圖像中林地和水體的識(shí)別比較一致，對(duì)于大面積水體的識(shí)別還是比較正確的，與同時(shí)期的TM圖像對(duì)比發(fā)現(xiàn)微小水系和小面積建筑用地的識(shí)別比較困難，特別是兩者與田地相混合的部分識(shí)別是困難的。使用MERSI數(shù)據(jù)分類時(shí)，對(duì)于分布在田地之間的建筑用地的識(shí)別不如使用MODIS數(shù)據(jù)。但是對(duì)于旱地的識(shí)別要大大好于使用MODIS數(shù)據(jù)。MERSI和MODIS圖像的空間分辨率要遠(yuǎn)遠(yuǎn)低于TM圖像，因此其中的混合像元要多于TM圖像，而田地與建筑用地的混合相對(duì)比較嚴(yán)重，在較低空間分辨率的條件下，建筑用地與田地的區(qū)分比較困難。

3.3 分類精度檢驗(yàn)

目前對(duì)分類精度的主要檢驗(yàn)方法是建立誤差矩陣。對(duì)角線上的元素為被正確分類的樣本數(shù)，非對(duì)角線上的元素為被混分類的樣本數(shù)，總體分類精度是所有分類正確的像元數(shù)即主對(duì)角線上數(shù)據(jù)之合與總抽樣數(shù)的百分比。Kappa系數(shù)利用不連續(xù)多變量統(tǒng)計(jì)分析原理，充分體現(xiàn)了誤差矩陣的信息，也是進(jìn)行精度檢驗(yàn)的重要指標(biāo)，其計(jì)算公式如下：

K=

其中，r為誤差矩陣中總列數(shù)（即總的類別數(shù)）；xii 是誤差矩陣中第i行和第i列上像元數(shù)量（即正確分類的數(shù)目）；xi+和x+i分別是第i行和第i列的總像元數(shù)量；N是總的用于精度評(píng)估的像元數(shù)量[6]。使用以上2個(gè)指數(shù)對(duì)分類后的圖像做精度檢驗(yàn)。為方便比較在分類圖像上各類別均取100個(gè)數(shù)據(jù)與TM圖像進(jìn)行對(duì)比建立混淆矩陣，求算分類精度及Kappa系數(shù)（見表4~7）。

由以上4個(gè)精度分析表可看出，2種方法對(duì)于MERSI數(shù)據(jù)的分類精度均要高于MODIS數(shù)據(jù)，MERSI數(shù)據(jù)中水田和旱地的分類精度均高于MODIS，而建筑用地和林地的分類精度不如MODIS數(shù)據(jù)。2種方法對(duì)2幅圖中的大面積水體都很高的分類精度。最小距離法分類效果不如最大似然法分類精度高。

4 各類地物面積統(tǒng)計(jì)

土地利用面積統(tǒng)計(jì)是使用計(jì)算機(jī)對(duì)圖像分類的重要應(yīng)用，對(duì)于不同圖像來說，各類別面積的統(tǒng)計(jì)也會(huì)有很大的差別，使用分類后的各類別的像元數(shù)占所選圖像總像元數(shù)的百分比表征各類別所占的面積比例。通過計(jì)算得出統(tǒng)計(jì)數(shù)據(jù)（見表8、表9），從中可看出，使用2種方法對(duì)同一種圖像分類得出的面積所占百分比基本上比較一致，只是在建筑用地和水田的統(tǒng)計(jì)上差異較大。而對(duì)于2種圖像各類別統(tǒng)計(jì)面積，面積差別很大，由上面的精度分析可得知，2種方法對(duì)于MERSI的分類精度要高于對(duì)MODIS分類，與TM圖像對(duì)比后可看出，對(duì)于旱田和水田的分類效果顯然是MERSI數(shù)據(jù)要好于MODIS數(shù)據(jù)。

5 結(jié)語

遙感數(shù)據(jù)分類是圖像應(yīng)用的前提，圖像分類的效果直接影響著對(duì)于圖像的分析效果。使用傳統(tǒng)的分類方法對(duì)MERSI增加到5通道的250m空間分辨率數(shù)據(jù)進(jìn)行分類達(dá)到了一定分類精度的要求，其分類精度要高于同等情況下的MODIS數(shù)據(jù)。在實(shí)際分類應(yīng)用中，可以使用這2種分類方法對(duì)MERSI數(shù)據(jù)進(jìn)行分類。

6 參考文獻(xiàn)

[1] 范天賜.風(fēng)云三號(hào)氣象衛(wèi)星的特點(diǎn)和作用[J].氣象科技，2002，30（6）：321-327.

[2] 徐曉桃，韓濤，頡耀文.基于單時(shí)相Modis數(shù)據(jù)的土地覆蓋三種分類方法比較[J].干旱地區(qū)農(nóng)業(yè)研究，2008，26（3）：253-258.

[3] 劉勇洪，牛錚.基于 MODIS遙感數(shù)據(jù)的宏觀土地覆蓋特征分類方法與精度分析研究[J].遙感技術(shù)與應(yīng)用，2004，19（4）：217-224.

[4] DEFRIES R S，HANSEN M，TOWNSHEND J R G，et al. Global land cover classifications at 8km spatial resolution；The use of training data derived from imagery in decision tree classifiers[J].International Journal of Remote Sensing，1998，19（16）：3141-3168.

[5] FRIEDL M A，MCLVER D K，HODGES J C F，et al. Global land cover mapping from MODIS：Algorithms and early results[J].Remote Sensing of Environment，2002，83（1/2）；287-302.

[6] 趙英時(shí).遙感應(yīng)用分析原理與方法[M].北京：科學(xué)出版社，2003.