Landsat8影像分類(lèi)多分類(lèi)器對(duì)比分析

孫文瑞，姜慧芳，左曉慶，李瀟雨，劉懷鵬*

（1.洛陽(yáng)師范學(xué)院 國(guó)土與旅游學(xué)院，河南 洛陽(yáng) 471934）

利用遙感技術(shù)進(jìn)行土地利用分類(lèi)時(shí)，根據(jù)影像數(shù)據(jù)特點(diǎn)選擇適用的分類(lèi)方法非常重要。監(jiān)督分類(lèi)由于其具有研究區(qū)的先驗(yàn)知識(shí)，被廣泛應(yīng)用于遙感影像分類(lèi)中。利用監(jiān)督分類(lèi)方法進(jìn)行土地利用分類(lèi)的研究較多，如李帥[1]等以Landsat遙感影像為例，從分類(lèi)精度、錯(cuò)分漏分誤差等方面分析了平行六面體、最小距離、馬氏距離、最大似然對(duì)土地利用分類(lèi)精度的影響；史敏偉[2]等基于GF-2號(hào)影像，對(duì)比分析了隨機(jī)森林、最大似然監(jiān)督分類(lèi)法在高分辨率影像土地利用分類(lèi)中的優(yōu)勢(shì)；王棟[3]等基于Landsat5 TM影像，對(duì)比分析了最大似然、支持向量機(jī)（SVM）、隨機(jī)森林3種監(jiān)督分類(lèi)器對(duì)大姚縣各地類(lèi)的分類(lèi)效果；黃鵬程[4]等基于Landsat8 OLI影像，對(duì)比分析了最大似然、決策樹(shù)分類(lèi)法對(duì)于西安市土地利用分類(lèi)的效果；程國(guó)旗[5]等以黃島區(qū)為例，基于Landsat8 OLI_TIRS影像，對(duì)比分析了最大似然、SVM、神經(jīng)網(wǎng)絡(luò)等6種監(jiān)督分類(lèi)器的土地利用分類(lèi)效果；蘇志強(qiáng)[6]基于GF-2號(hào)遙感影像，對(duì)比了博湖縣監(jiān)督分類(lèi)方法，結(jié)果表明隨機(jī)森林能更好地發(fā)揮GF-2號(hào)影像數(shù)據(jù)在土地利用分類(lèi)中的應(yīng)用潛力。綜合上述研究可知，在高維特征影像分類(lèi)中，隨機(jī)森林、SVM表現(xiàn)優(yōu)異，分類(lèi)精度較高，而最大似然因產(chǎn)生休斯現(xiàn)象，分類(lèi)精度極低。土地利用分類(lèi)采用影像的光譜波段即可取得較高的分類(lèi)精度，針對(duì)應(yīng)用較廣泛、具有豐富光譜信息的Landsat8數(shù)據(jù)，利用哪種分類(lèi)器更為合適，是一個(gè)值得探索的問(wèn)題。因此，本文以洛陽(yáng)市為研究區(qū)，選取Landsat8遙感影像的9個(gè)光譜波段，分別采用SVM、隨機(jī)森林和最大似然3種監(jiān)督分類(lèi)器確定研究區(qū)影像的類(lèi)別，并采集不同像素容量的訓(xùn)練樣本對(duì)影像進(jìn)行分類(lèi)；再對(duì)3種分類(lèi)方法在不同訓(xùn)練樣本中的分類(lèi)精度進(jìn)行對(duì)比，從而確定以Landsat8影像光譜波段為信息源的影像分類(lèi)適用的分類(lèi)器，為基于遙感影像的土地利用分類(lèi)提供技術(shù)支撐。

1 數(shù)據(jù)來(lái)源與研究方法

1.1 研究區(qū)概況

洛陽(yáng)是隋唐大運(yùn)河的中心，先后有10多個(gè)王朝在此建都，具有千年帝都之稱(chēng)；橫跨黃河中下游南北兩岸，東鄰鄭州市，西接三門(mén)峽市，北跨黃河與焦作市接壤，南與平頂山市、南陽(yáng)市相連；截至2018年末，總?cè)丝跒?13.67萬(wàn)人，常住人口為688.85萬(wàn)人，總面積為15 230 km2。由于洛陽(yáng)市吉利區(qū)在空間位置上與老城區(qū)、西工區(qū)、廛河回族區(qū)、澗西區(qū)和洛龍區(qū)不相鄰，本文不將吉利區(qū)劃入研究區(qū)。研究區(qū)位置如圖1所示。

圖1 研究區(qū)位置圖

1.2 數(shù)據(jù)來(lái)源與預(yù)處理

本文選用Landsat8衛(wèi)星搭載的OLI陸地成像儀獲取的遙感影像數(shù)據(jù)，成像時(shí)間為2017-08-09，共11個(gè)波段，包括8個(gè)空間分辨率為30 m的多光譜波段，1個(gè)空間分辨率為15 m的全色波段和兩個(gè)空間分辨率為100 m的熱紅外波段。本文主要利用海岸藍(lán)色、藍(lán)色、綠色、紅色、近紅外、短波紅外1、短波紅外2、熱紅外1、熱紅外2等9個(gè)波段對(duì)影像進(jìn)行分類(lèi)，因此在影像分類(lèi)前，需對(duì)影像進(jìn)行波段合成、裁剪、融合等預(yù)處理，獲得具有15 m空間分辨率的9個(gè)波段影像再進(jìn)行分類(lèi)研究。

1.3 解譯標(biāo)志建立與樣本選擇

本文利用ENVI5.3軟件打開(kāi)研究區(qū)遙感影像，為便于各類(lèi)別訓(xùn)練樣本以及精度驗(yàn)證樣本的選擇，選用標(biāo)準(zhǔn)假彩色的波段組合顯示遙感影像。本文通過(guò)對(duì)影像的目視分析，采用自定義的形式確定影像的分類(lèi)類(lèi)別為水體、草類(lèi)、作物、裸地、樹(shù)木、不透水面和陰影，再根據(jù)遙感圖像解譯的相關(guān)內(nèi)容[7]，建立每種地類(lèi)的解譯標(biāo)志，如表1所示。

表1 影像類(lèi)別的解譯標(biāo)志

在確定類(lèi)別的研究區(qū)影像中，根據(jù)各種地類(lèi)建立的解譯標(biāo)志，為影像選擇3套訓(xùn)練樣本、一套精度驗(yàn)證樣本。訓(xùn)練樣本、精度驗(yàn)證樣本中各地類(lèi)數(shù)量如表2所示。

表2 訓(xùn)練樣本與驗(yàn)證樣本數(shù)量/個(gè)

1.4 地物類(lèi)別可分離性檢驗(yàn)

本文利用ENVI5.3中的ROI可分離性工具來(lái)計(jì)算任意類(lèi)別間的統(tǒng)計(jì)距離。根據(jù)相關(guān)文獻(xiàn)，類(lèi)別之間樣本的可分離性應(yīng)處于0～2 之間，數(shù)值大于1.9，說(shuō)明樣本之間的可分離性好；數(shù)值小于1.8，則需重新選擇樣本；數(shù)值小于1，需將兩個(gè)類(lèi)別的樣本合并。本文計(jì)算得到的樣本可分離性數(shù)值如表3所示，可以看出，各類(lèi)別之間的可分離性數(shù)值均大于1.8，說(shuō)明選取的訓(xùn)練樣本符合要求，可用于影像分類(lèi)。

表3 土地利用類(lèi)型樣本可分離性數(shù)值

1.5 影像分類(lèi)

基于隨機(jī)森林、SVM、最大似然3種監(jiān)督分類(lèi)器，分別利用3套訓(xùn)練樣本對(duì)洛陽(yáng)市9個(gè)波段組合的影像進(jìn)行分類(lèi)，再利用精度驗(yàn)證樣本檢驗(yàn)各種樣本下的總體精度，進(jìn)而分析不同分類(lèi)器在不同訓(xùn)練樣本情況下，總體精度的變化情況。為了分析波段組合、研究區(qū)變化情況下，Landsat8影像分類(lèi)結(jié)果與洛陽(yáng)市9個(gè)波段組合所得結(jié)果的異同，本文在不同波段組合下利用最佳分類(lèi)樣本對(duì)洛陽(yáng)市Landsat8影像進(jìn)行分類(lèi)檢驗(yàn)，同時(shí)增加不同時(shí)相臨沂市蘭山區(qū)的Landsat8影像進(jìn)行研究區(qū)變化檢驗(yàn)。

2 研究結(jié)果與分析

2.1 訓(xùn)練樣本數(shù)量對(duì)分類(lèi)精度的影響

本文分別采用訓(xùn)練樣本1、訓(xùn)練樣本2和訓(xùn)練樣本3對(duì)影像進(jìn)行分類(lèi)，并利用精度驗(yàn)證樣本進(jìn)行驗(yàn)證。隨機(jī)森林、SVM和最大似然3種分類(lèi)器的總體精度變化結(jié)果如圖2所示，可以看出，隨著訓(xùn)練樣本數(shù)量的增加，隨機(jī)森林、最大似然的總體分類(lèi)精度均有一定程度的提高；對(duì)于SVM而言，當(dāng)訓(xùn)練樣本數(shù)由40個(gè)增加到60個(gè)時(shí)，總體分類(lèi)精度有所下降，但整體上其總體分類(lèi)精度仍呈上升趨勢(shì)。在以9個(gè)波段為信息源的Landsat8影像分類(lèi)中，最大似然的分類(lèi)精度最高，隨機(jī)森林次之，SVM最低。

圖2 訓(xùn)練樣本數(shù)量對(duì)分類(lèi)精度的影響

2.2 不同分類(lèi)器的混淆矩陣對(duì)比

在3個(gè)分類(lèi)器中，訓(xùn)練樣本3的總體精度都是最高的。3個(gè)分類(lèi)器利用訓(xùn)練樣本3的分類(lèi)結(jié)果混淆矩陣如表4～6所示，可以看出，SVM、隨機(jī)森林和最大似然的總體精度分別為87.464 3%、91.000 0%和91.750 0%；SVM、隨機(jī)森林和最大似然的Kappa系數(shù)分別為0.853 8、0.895 0和0.903 8，最大似然優(yōu)于隨機(jī)森林，更優(yōu)于SVM；最大似然和隨機(jī)森林的制圖精度和用戶(hù)精度明顯高于SVM。

表4 SVM監(jiān)督分類(lèi)混淆矩陣

就單個(gè)地物的分類(lèi)精度而言，3種分類(lèi)器對(duì)水體、裸地和陰影均可達(dá)到較高的識(shí)別精度；而草類(lèi)、作物和樹(shù)木的分類(lèi)精度則較低；不透水面采用隨機(jī)森林進(jìn)行分類(lèi)可得到相對(duì)較高的分類(lèi)精度。

表5 隨機(jī)森林監(jiān)督分類(lèi)混淆矩陣

表6 最大似然監(jiān)督分類(lèi)混淆矩陣

2.3 多波段組合分析

在9個(gè)波段組合分類(lèi)的基礎(chǔ)上，本文利用最佳訓(xùn)練樣本（訓(xùn)練樣本3），在一些典型的波段組合上驗(yàn)證實(shí)驗(yàn)結(jié)果在不同分類(lèi)器中的異同。不同波段組合下，3種分類(lèi)器分類(lèi)的總體精度如圖3所示，可以看出，在12次波段組合變化中，最大似然分類(lèi)10次取得了最好的分類(lèi)結(jié)果，隨機(jī)森林兩次取得了最好的分類(lèi)結(jié)果，SVM未取得最好的分類(lèi)結(jié)果，說(shuō)明在波段組合變化的情況下，最大似然分類(lèi)效果仍然最好，隨機(jī)森林次之，SVM分類(lèi)精度最低。

圖3 不同波段組合分類(lèi)精度對(duì)比

2.4 分類(lèi)結(jié)果圖

以洛陽(yáng)市老城區(qū)、西工區(qū)、廛河回族區(qū)、澗西區(qū)和洛龍區(qū)為例，本文分別利用SVM、隨機(jī)森林和最大似然3種分類(lèi)器進(jìn)行分類(lèi)，結(jié)果如圖4所示，可以看出，整體上3種分類(lèi)器對(duì)影像分類(lèi)的效果均較好，水體、裸地、不透水面的分類(lèi)精度較高，結(jié)果與實(shí)地情況較接近，但草類(lèi)、作物和樹(shù)木互相之間易出現(xiàn)錯(cuò)分，分類(lèi)精度略低。

圖4 3種分類(lèi)器的分類(lèi)結(jié)果比較

2.5 研究區(qū)變化分析

本文采用與洛陽(yáng)市影像相同的處理方法，對(duì)2017-05-25成像的臨沂市蘭山區(qū)9個(gè)波段Landsat8遙感影像進(jìn)行不同分類(lèi)器分類(lèi)結(jié)果的檢驗(yàn)，將影像分為水體、植被、建筑物、裸地和陰影5個(gè)類(lèi)別，每種類(lèi)別分別選取80個(gè)像素作為訓(xùn)練樣本，400個(gè)像素作為精度驗(yàn)證樣本。實(shí)驗(yàn)結(jié)果表明，最大似然分類(lèi)的總體精度為94.950 0%，Kappa系數(shù)為0.936 9；SVM分類(lèi)的總體精度為93.850 0%，Kappa系數(shù)為0.923 1；隨機(jī)森林分類(lèi)的總體精度為92.650 0%，Kappa系數(shù)為0.908 4，表明最大似然的分類(lèi)效果優(yōu)于隨機(jī)森林和SVM。

3 結(jié) 語(yǔ)

本文分別利用隨機(jī)森林、SVM、最大似然3種分類(lèi)器對(duì)Landsat8影像進(jìn)行分類(lèi)，從而判斷較少特征采用的情況下所適用的分類(lèi)方法。結(jié)果表明，對(duì)于本文選用的Landsat8遙感影像，最大似然的分類(lèi)精度最高、分類(lèi)效果最好，表明在利用較少特征的Landsat8影像進(jìn)行分類(lèi)時(shí)，選用速度較快的最大似然分類(lèi)法即可，在高維特征中具有優(yōu)異性能的隨機(jī)森林和SVM，未顯現(xiàn)其優(yōu)勢(shì)。

本文所得結(jié)論是否適用于更多季節(jié)、地區(qū)還需進(jìn)一步研究。另外，隨機(jī)森林、SVM、最大似然3種分類(lèi)器對(duì)Landsat8影像進(jìn)行分類(lèi)時(shí)，訓(xùn)練樣本數(shù)將對(duì)分類(lèi)器總體精度產(chǎn)生影響，隨著訓(xùn)練樣本數(shù)的增加，3種分類(lèi)器的總體精度均呈上升趨勢(shì)，而它們的總體精度是否繼續(xù)隨訓(xùn)練樣本數(shù)的增加而上升，還有待于進(jìn)一步研究。