基于Landsat8數(shù)據(jù)和監(jiān)督分類方法的土地利用分類研究

肖凡　郭俊軍　張夢杰

摘 要：該研究以Landsat8數(shù)據(jù)為基礎，采用ENVI軟件對數(shù)據(jù)進行預處理，以《土地利用現(xiàn)狀分類》（GB/T21010-2017）為標準，將研究區(qū)的土地利用分為農(nóng)用地、林地、水域、建筑用地和未利用地5種類型，分別采用平行六面體法、馬氏距離法、最小距離法、最大似然法、神經(jīng)網(wǎng)絡法、支持向量機等6種監(jiān)督分類方法進行分類，并對土地分類結果和精度進行評價，以分類精度和制圖精度最高的支持向量機分類結果為對象，用其他5種分類方法與其進行結果差異對比分析。通過多種監(jiān)督分類方法結果對比，以期為后期土地利用分類提供指導和借鑒。

關鍵詞：Landsat8;監(jiān)督分類方法;土地利用分類

中圖分類號 TP79文獻標識碼 A文章編號 1007-7731（2020）08-0110-04

土地利用/覆蓋變化（LUCC）是全球環(huán)境變化人文因素計劃（IHDP）與國際地圈生物圈計劃（IGBP）的核心研究內(nèi)容之一，也是全球變化研究的重要因素之一[1]。開展土地利用分類研究有助于及時掌握區(qū)域土地覆蓋變化，合理制定土地利用規(guī)劃，節(jié)約土地資源，提升土地利用效率。20世紀以來，打造新型衛(wèi)星的傳感器相繼發(fā)射，針對不同問題，不同傳感器有不同的參數(shù)特點[2]。Landsat8由于波段信息豐富、空間分辨率高、易獲取等優(yōu)點成為廣大學者研究的重要數(shù)據(jù)來源。而隨著國內(nèi)遙感技術的發(fā)展，高分辨率遙感影像憑借地物內(nèi)部分異明顯、紋理清晰、細節(jié)豐富等優(yōu)點也被應用到土地利用分類中。

本研究通過獲取Landsat8 OLI遙感影像數(shù)據(jù)，以長沙市望城區(qū)為研究區(qū)域，對其遙感影像進行輻射校正、大氣校正、融合、裁剪等預處理后，采用目視解譯選取具有代表性的土地利用分類訓練樣本，分別采取平行六面體法、馬氏距離法、最大似然法、最小距離法、神經(jīng)網(wǎng)絡法和支持向量機等監(jiān)督分類方法對研究區(qū)域進行分類，并對分類結果進行對比分析。

1 研究區(qū)概況

望城區(qū)位于湖南省長沙市，地處湘中東北部，湘江下游，屬中亞熱帶季風濕潤氣候。全區(qū)整體地形由南向北傾斜，呈不規(guī)則的長方形，東北部最高峰黑麋峰，海拔590.5m;西南部嵇珈山海拔474.2m;西北部為濱湖沖擊平原區(qū)，土地平曠;內(nèi)有湘江、溈水河流過，且有團頭湖等湖泊分布。望城區(qū)共有5個鎮(zhèn)、10個街道，總面積951km2，總人口58.9萬人（不含雷峰街道，2018年）。

2 數(shù)據(jù)來源及分類

2.1 數(shù)據(jù)來源 本研究所使用的Landsat8影像數(shù)據(jù)來源于地理空間數(shù)據(jù)云（http：//www.gscloud.cn/），時間為2018年2月3日，云量2.12%，研究區(qū)內(nèi)無云，多光譜波段空間分辨率為30m，全色波段空間分辨率為15m。選擇與Landsat8同期的2m分辨率遙感影像1張，利用高分影像選取訓練樣本，作為土地利用分類后的驗證樣本，以此評價土地利用分類精度。

2.2 分類

2.2.1 數(shù)據(jù)預處理 下載的Landsat8數(shù)據(jù)為L1T級產(chǎn)品，已經(jīng)進行相關幾何校正，此次處理過程中不再進行幾何校正。利用ENVI軟件進行輻射校正和大氣校正，同時根據(jù)望城區(qū)行政區(qū)界線對遙感影像進行裁剪，提取出研究區(qū)的遙感影像。同時將多光譜波段（Band1-Band7）和全色波段（Band8）進行融合，從而得到15m分辨率的多光譜融合影像。

2.2.2 分類方法 監(jiān)督分類方法[3]，首先從研究區(qū)域選取有代表性的訓練場地作為樣本。根據(jù)已知訓練區(qū)提供的樣本，通過選擇特征參數(shù)（如像素亮度均值、方差等），建立判別函數(shù)，據(jù)此對樣本像元進行分類，依據(jù)樣本類別的特征來識別非樣本像元的歸屬類別。常用的監(jiān)督分類方法有以下幾種：

（1）平行六面體法 平行六面體法（Parallelpiped）是指以地物光譜特征曲線為參照，假定同類地物的光譜特征曲線相似作為判決的規(guī)則。其尺度由訓練樣本學習產(chǎn)生的類別均值求出的標準差閾值確定[3]。對于某一類別i，當像元X的灰度值滿足：

（5）神經(jīng)網(wǎng)絡法 神經(jīng)網(wǎng)絡法（Neural Net）是一種應用類似于大腦神經(jīng)突觸鏈接結構進行信息處理的數(shù)學模型。這個方法將人工神經(jīng)網(wǎng)絡中的處理單元類比為人類大腦神經(jīng)元模式，通過計算機模擬人腦的結構。用模型中一系列小的處理單元模擬人類大腦的神經(jīng)元，再通過算法來實現(xiàn)人腦的認知、識別、思考的過程，最終將其應用于影像分類中。神經(jīng)網(wǎng)絡法適應性強、抗干擾能力高。但存在效率低，處理過程需要設置較多的參數(shù)等問題[6]。

（6）支持向量機 支持向量機分類法（Support Vector Machine）是由VapniK提出的，主要應用于模式識別領域，是一種建立在統(tǒng)計學習理論基礎上的機器學習方法。支持向量機的基本思想是在樣本空間或特征空間構造出最有超平面，使超平面與不同類別樣本集之間的距離最大，從而達到最大的泛化能力。支持向量機分類方法可以支持高維數(shù)據(jù);其次，它具有抗躁性強、訓練樣本較小、分類速度較快以及穩(wěn)定性較強的特點。但是該方法也有不足，就是其需要大量的合適特征參數(shù)保證分類精度[7-8]。

2.3 樣本選擇 土地利用分類被廣泛應用到國土、水利、環(huán)保等各行業(yè)，近些年也被應用到全國性水土流失動態(tài)監(jiān)測中，本研究以《土地利用現(xiàn)狀分類》（GB/T21010-2017）[9]為基礎，結合Landsat8數(shù)據(jù)屬性和分類對象的分布特點，將地類分為5類，每種土地利用類型確定200個訓練樣本。具體分類包括：（1）農(nóng)用地：包含種植物農(nóng)作物的耕地，種植果、葉、汁等多年生木本和草本作物的園地，以及草本植被的草地。（2）林地：包含種植生產(chǎn)喬木、竹類、灌木的土地。（3）水域：包含河流、湖泊、坑塘等天然水域。（4）建筑用地：包含城鎮(zhèn)、農(nóng)村以及交通建設的土地。（5）未利用地：包含空閑地、裸地等地類。

訓練樣本的建立需要具有良好的可分離性，常用的判斷方法包括Jeffries-Matusita和Tranesformed-Divergence2種，數(shù)值在0～2之間，越接近于2，說明分離性越好;<1.8時，需要重新選擇樣本;<1時需考慮將2類樣本進行合并。此次采用Jeffries-Matusita系數(shù)來對訓練樣本進行判別，結果發(fā)現(xiàn)各類樣本均在1.8～2.0之間，樣本的可分離性良好。具體系數(shù)值表1所示。

3 結果與分析

3.1 分類結果 根據(jù)監(jiān)督分類方法及原理，利用ENVI軟件對望城區(qū)Landsat8遙感影像數(shù)據(jù)進行分類，結果如圖2所示。根據(jù)此次分類結果，對研究區(qū)內(nèi)各地類進行數(shù)據(jù)統(tǒng)計，其各分類方法所得到的結果如圖3所示

從圖2可以看出，6種分類方法所得到的建筑用地主要位于望城區(qū)中部地區(qū)，也是望城區(qū)的主城區(qū)，東南部金星北地區(qū)、北部沿江右岸銅官窯附近以及中東部與開福區(qū)交界處附近也是建筑用地相對集中的區(qū)域;望城區(qū)西北部團頭湖、中部湘江水域對應各分類方法中的白色區(qū)域，分類結果相對準確;結合圖3可以看出，6種分類方法所得到的地類中，農(nóng)用地和林地占比最高，整體分布符合望城區(qū)的實際情況，但占研究區(qū)國土總面積的比例與實際情況略有差異;對未利用地的分類各方法之間有較大差異，存在誤分的可能，這可能與分類方法和訓練樣本的選擇有關。

3.2 分類精度評價 對于土地分類精度的評價包括整體分類精度評價和制圖精度評價。

3.2.1 整體分類精度 土地利用整體分類精度的評價是對分類結果的檢驗，常用的方法有2種，一是將分類結果與實際土地利用現(xiàn)狀分類數(shù)據(jù)進行比較;二是采用高分辨率遙感影像選取一定比例的訓練樣本來檢驗Landsat8分類數(shù)據(jù)的準確性。最常用的評價系數(shù)就是總體精度系數(shù)（Overall Accuracy）和Kappa系數(shù)[10]。本研究利用2m分辨率遙感影像，針對農(nóng)用地、建筑用地、林地、水域和未利用地各選取200個訓練樣本，利用ENVI軟件對分類結果進行評價，其結果如表3所示。從表3和圖4可以看出，土地利用分類總體精度和Kappa值的總體趨勢相同，由高到低的監(jiān)督分類方法依次是支持向量機、最大似然法、神經(jīng)網(wǎng)絡法、馬氏距離法、平行六面體法、最小距離法。

3.2.2 制圖精度 制圖精度指分類器將整個圖像的像元正確分為第m類的像元數(shù)（對角線值）與該類真實參考總數(shù)（混淆矩陣中第m類列的總和）的比率。

從圖5可以看出，農(nóng)用地的制圖精度中支持向量機、神經(jīng)網(wǎng)絡法、馬氏距離法和最大似然法相近，集中在98%附近，而平行六面體和最小距離法與其他4種方法差異較大，最小距離法制圖精度為61.51%，在所有方法中最低;建筑用地的制圖精度中，6種分類方法均有差異，精度由高到低依次是支持向量機、最大似然法、神經(jīng)網(wǎng)絡法、馬氏距離法、最小距離法、平行六面體法;對于林地的制圖精度除最小距離法略有差異外，其余，5種分類方法精度相當;6種分類方法對于水域的區(qū)分表現(xiàn)相同，制圖精度差異較小;未利用地的制圖精度中最大似然法精度最高，其余5種方法緊隨其后，精度均在70%以上。整體趨勢看出，支持向量機在不同地類制圖精度中相比其余5種方法較高，且不同地類所表現(xiàn)的趨勢相對穩(wěn)定，精度差異較小。

4 結語

本研究根據(jù)6種不同監(jiān)督分類方法原理，以ENVI軟件為支撐，以望城區(qū)為研究對象，對比分析了平行六面體法、馬氏距離法、最小距離法、最大似然法、神經(jīng)網(wǎng)絡法和支持向量機6種方法的分類結果和精度，結果發(fā)現(xiàn)：（1）6種分類方法在分類中得到的5種地類空間分布相近，但相同地類的面積存在差異;（2）支持向量機法和最大似然法得到的分類總體精度較其余4種分類精度高;（3）在制圖精度分析中，支持向量機法得到的6種地類整體精度較高，在建筑用地分類中各方法差異較大，后期可以根據(jù)不同方法對于不同地類的分類精度進行敏感性分類。

參考文獻

[1]王敏，高新華，陳思宇，等.基于Landsat8遙感影像的土地利用分類研究——以四川省紅原縣安曲示范區(qū)為例[J].草業(yè)科學，2015，32（5）：694-701.

[2]宋軍偉，張友靜，李鑫川，等.基于GF-1與Landsat8影像的土地利用覆蓋分類比較[J].地理科學進展，2016，35（2）：255-263.

[3]梅安新，彭望琭.遙感導論[M].北京：高等教育出版社，2001.

[4]張明，黃雙燕.基于Landsat-8的遙感影像分類研究[J].測繪與空間地理信息，2019，42（1）：177-180;

[5]楊鑫.淺談遙感圖像監(jiān)督分類與非監(jiān)督分類[J].四川地質(zhì)學報，2008，28（3）：251-254.

[6]白宇興.基于Landsat8的土地利用分類方法對比研究——以西安市未央?yún)^(qū)為例[J].西部大開發(fā)（土地開發(fā)工程研究），2019，4（11）：1-7.

[7]李平，吳曼喬，曾聯(lián)明.支持向量機技術在土地利用監(jiān)測的應用研究[J].測繪通報，2010（8）：28-30.

[8]楊長坤，王崇，張鼎凱，等.基于SVM的高分一號衛(wèi)星影像分類[J].測繪與空間地理信息，2015，38（9）：142-146.

[9]GB/T201010-2017.土地利用現(xiàn)狀分類[S].2017.

[10]許偉，奚硯濤.基于Landsat8遙感影像的合肥市土地利用分類[J].湖北農(nóng)業(yè)科學，2015，54（15）：3625-3637.

（責編：張 麗）