基于多源遙感數(shù)據(jù)的森林植被類型分類方法淺究

1、基于多源遙感數(shù)據(jù)的森林植被類型分類方法淺研摘 要：森林是地球上最大的陸地生態(tài)系統(tǒng)，是人類賴以生存和發(fā)展的必要基礎(chǔ)。它不僅給人類提供豐富的木材和林副產(chǎn)品，而且在調(diào)節(jié)氣候、涵養(yǎng)水源、保護環(huán)境等方面均起到重要作用。因此，開展森林資源調(diào)查，掌握森林資源現(xiàn)狀及其變化，對于提高林業(yè)發(fā)展決策水平，促進林業(yè)和社會經(jīng)濟乃至全球環(huán)境的可持續(xù)發(fā)展等具有極為重要的意義。本文根據(jù)SPOT 2.5米分辨率全色影像與10米分辨率多光譜影像融合后形成的多遙感數(shù)據(jù)對森林植被類型分類方法進行研究，利用ENVI圖像處理軟件分別進行了傳統(tǒng)的監(jiān)督分類中的最小距離法、最大似然法和基于專家知識的決策樹分類法的實驗，而且還嘗試了面向?qū)ο蟮男?/p>

2、的分類方法，對不同的分類方法進行了分類精度的對比，從而提出一個基于多遙感數(shù)據(jù)的森林植被類型分類方法的可行性建議。關(guān)鍵詞：遙感；圖像分類；最小距離法；最大似然法；面向?qū)ο?. 研究背景森林是地球上最大的陸地生態(tài)系統(tǒng)，是人類賴以生存和發(fā)展的必要基礎(chǔ)，是經(jīng)濟建設(shè)和生態(tài)環(huán)境建設(shè)中不可缺少的可再生資源。開展森林資源調(diào)查，掌握森林資源現(xiàn)狀和消長變化情況，預(yù)測其發(fā)展變化趨勢，為國家制定重大林業(yè)生產(chǎn)規(guī)劃和林業(yè)生產(chǎn)政策等提供科學依據(jù)，對于提高林業(yè)發(fā)展決策水平，促進林業(yè)和社會經(jīng)濟乃至全球環(huán)境的可持續(xù)發(fā)展等具有極為重要的意義。傳統(tǒng)的森林資源調(diào)查方法主要是基于地形圖和實地調(diào)查，存在著工作量大、成本高、周期長、效率低、

3、時效性差等問題，而且調(diào)查精度人為因素影響大，難以適應(yīng)現(xiàn)代林業(yè)可持續(xù)發(fā)展的需要1。我國于上世紀七十年代開始應(yīng)用航天遙感技術(shù)進行森林資源調(diào)查和監(jiān)測，遙感技術(shù)作為一種重要的資源監(jiān)測手段，具有宏觀性、綜合性、短周期、可重復性和低成本等特點，已廣泛應(yīng)用于農(nóng)業(yè)、林業(yè)、地質(zhì)、環(huán)境等的調(diào)查和監(jiān)測工作。近三十多年來，國內(nèi)外學者對遙感技術(shù)在森林資源調(diào)查和監(jiān)測中的運用進行了大量的探討與研究，取得了非常不錯的成績2?；谶b感技術(shù)的森林資源監(jiān)測技術(shù)與傳統(tǒng)方法相比，具有監(jiān)測范圍大、工作量小、調(diào)查周期短、精度高、現(xiàn)勢性強、調(diào)查成本低等優(yōu)點，其在我國森林資源監(jiān)測中具有廣闊的應(yīng)用前景。但由于遙感圖像的空間分辨率、光譜分辨率都比

4、較有限，由此造成了森林區(qū)劃最小面積過大，森林分類精度不高，遙感估測精度達不到林業(yè)生產(chǎn)的要求，這些問題在森林分布破碎、類型多樣和結(jié)構(gòu)復雜的南方地區(qū)尤為突出。由于不同領(lǐng)域遙感圖像的應(yīng)用對遙感圖像處理提出了不同的要求，所以圖像處理中重要的環(huán)節(jié)圖像分類也就顯得尤為重要。遙感圖像通過亮度值或像元值的高低差異( 反映地物的光譜信息) 及空間變化( 反映地物的空間信息) 來表示不同地物的差異。這是區(qū)分不同圖像地物的物理基礎(chǔ)。遙感圖像分類就是利用計算機通過對遙感圖像中各類地物的光譜信息和空間信息進行分析，選擇特征，將圖像中每個像元按照某種規(guī)則或算法劃分為不同的類別，然后獲得遙感圖像中與實際地物的對應(yīng)信息，從而

5、實現(xiàn)遙感圖像的分類。目前隨著各種新理論新方法的相繼涌現(xiàn)，遙感圖像存在多種分類方法，所以本文主要是選取幾種常用的監(jiān)督分類方法和ENVI EX提供的面向?qū)ο蠓诸惙椒ㄓ脤嶒灲Y(jié)果表明它們之間存在的差異。2.遙感圖像分類傳統(tǒng)方法監(jiān)督分類方法，首先需要從研究區(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。監(jiān)督分類的關(guān)鍵是訓練場地的選擇，其選擇的質(zhì)量將直接影響到分類結(jié)果的可靠性3。有時僅僅考慮在某特定時間和空間內(nèi)選取訓練樣本還是不夠的，為了提高分類的精度，所以有必要

6、研究一些新的分類算法，比如：基于專家知識的決策樹分類、支持向量機、面向?qū)ο髨D特征提取等方法(本文主要應(yīng)用第三種新分類方法)。2. 1 監(jiān)督分類遙感圖像監(jiān)督分類大致流程如圖2-1所示：數(shù)據(jù)獲取和預(yù)處理特征選擇和提取分類器設(shè)計圖像分類圖2-1：監(jiān)督分類流程遙感圖像監(jiān)督分類處理的基本過程，包括原始圖像的預(yù)處理、訓練樣本的選擇、特征的選擇和特征提取、分類器設(shè)計、圖像分類、結(jié)果輸出以及結(jié)果檢驗等。本實驗選用基于最小距離和最大似然法的監(jiān)督分類兩種方法。2.1.1 基于最小距離法的監(jiān)督分類最小距離分類法是以特征空間中的距離作為像素分類的依據(jù)。首先由訓練樣本數(shù)據(jù)得出每一類別的均值向量和協(xié)方差矩陣，然后以各類的

7、均值向量作為該類在多維空間中的中心位置。計算輸入圖像中的每個像元到各類的距離，到哪一類中心的距離最小，則該像元就歸入哪一類別。因此，在這類分類方法中距離就是一個判別函數(shù)4。2.1.2基于最大似然法的監(jiān)督分類最大似然法因有嚴密的理論基礎(chǔ)，對于呈正態(tài)分布的類別判別函數(shù)易于建立，綜合應(yīng)用了每個類別在各波段中的均值，方差以及各波段之間的協(xié)方差，有較好的統(tǒng)計特性，一直被認為是最先進的分類方法之一。最大似然法是建立在貝葉斯準則基礎(chǔ)上的，其分類錯誤概率較小，是監(jiān)督分類方法中風險最小的判決分析，是典型的和應(yīng)用最廣的監(jiān)督分類方法，偏重于集群分布的統(tǒng)計特性，并假定訓練樣本數(shù)據(jù)在光譜空間服從高斯正態(tài)分布。用最大似然

8、法分類，具體分為三步：首先確定各類的訓練樣本，再根據(jù)訓練樣本計算各類的統(tǒng)計特征值，建立分類判別函數(shù)，最后逐點掃描影像各像元，將像元特征向量代入判別函數(shù)求出其屬于各類的概率，將待判斷像元歸屬于判別函數(shù)概率最大的一組。該分類法錯誤最小精度高，是較好的一種分類方法。不足的是傳統(tǒng)的人工采樣方法工作量大，效率低，加上人為誤差的干擾，使得分類結(jié)果的精度較差。利用GIS 數(shù)據(jù)來輔助最大似然法分類，可以提高分類精度，通過建立知識庫指導分類的進行，可以減少分類的錯誤，這是提高最大似然法分類精度的有效途徑5。其分類步驟為：1）確定需要分類的地區(qū)、使用的波段和特征分類數(shù)，檢查所用各波段或特征分量的位置是否已經(jīng)相互配

9、準；2）根據(jù)已掌握典型地區(qū)的地面情況，在圖像上選擇訓練區(qū)；3）根據(jù)選出的各類訓練區(qū)的圖像數(shù)據(jù)，確定先驗概率；4）分類，將訓練區(qū)以外的圖像像元逐個逐類地代入公式2.2，對于每個像元，分幾類就計算幾次，最后比較大小，選擇最大值得出類別；5）產(chǎn)生分類圖，給每一類規(guī)定一個值，如分10類，就為1，2，10，分類后的像元值用類別值替代，最后得到分類專題圖像，因最大灰階值等于類別數(shù)，在監(jiān)視器上顯示時需要給各類加上不同彩色；6）檢驗結(jié)果，如分類中錯誤較多，需重新選擇訓練區(qū)再走以上各步，直到結(jié)果滿意為止。即該像元在所有波段的灰度值都符合上述條件，就把像元x歸入第i列，即Class（x）=i；否則不能歸入已知類別

10、，即Class（x）=0。式中T為人為規(guī)定的一個閾值，相當于有概率分布觸發(fā)，采用幾個標準差作為可信的分類邊界，T越大則一個類的范圍越大。2.1.3監(jiān)督分類的主要特點監(jiān)督分類可控制訓練樣本的選擇，并可通過反復檢驗訓練樣本，以提高分類精度（避免分類中的嚴重錯誤）；可避免非監(jiān)督分類中對光譜集群組的重新歸類。主要缺點：人為主觀因素較強；訓練樣本的選取和評估需花費較多的人力、時間；只能識別訓練樣本中所定義的類別，對于因訓練者不知或因數(shù)量太少未被定義的類別，監(jiān)督分類不能識別，從而影響分類結(jié)果（對土地覆蓋類型復雜的地區(qū)需特別注意）。2.2 基于專家知識的決策樹分類決策樹分類作為一種基于空間數(shù)據(jù)挖掘和知識發(fā)現(xiàn)

11、的監(jiān)督分類方法，突破了以往分類樹或分類規(guī)則的構(gòu)建要利用分類者的生態(tài)學和遙感知識先驗確定、其結(jié)果往往與其經(jīng)驗和專業(yè)知識水平密切相關(guān)的問題，而是通過決策樹學習過程得到分類規(guī)則并進行分類，分類樣本屬于嚴格“非參”，不需要滿足正態(tài)分布，可以充分利用GIS數(shù)據(jù)庫中的地學知識輔助分類，大大提高了分類精度。決策樹分類算法：決策樹(Decision tree)是通過對訓練樣本進行歸納學習生成決策樹或決策規(guī)則，然后使用決策樹或決策規(guī)則對新數(shù)據(jù)進行分類的一種數(shù)學方法。決策樹是一個樹型結(jié)構(gòu)，它由一個根結(jié)點、一系列內(nèi)部結(jié)點及葉結(jié)點組成每一結(jié)點只有一個父結(jié)點和兩個或多個子結(jié)點，結(jié)點間通過分支相連。決策樹的每個內(nèi)部結(jié)點對

12、應(yīng)一個非類別屬性或?qū)傩缘募?也稱為測試屬性)，每條邊對應(yīng)該屬性的每個可能值。決策樹的葉結(jié)點對應(yīng)一個類別屬性值，不同的葉結(jié)點可以對應(yīng)相同的類別屬性值。決策樹除了以樹的形式表示外，還可以表示為一組IFTHEN形式的產(chǎn)生式規(guī)則。決策樹中每條由根到葉的路徑對應(yīng)著一條規(guī)則，規(guī)則的條件是這條路徑上所有結(jié)點屬性值的舍取，規(guī)則的結(jié)論是這條路徑上葉結(jié)點的類別屬性。與其它分類方法相比，規(guī)則更簡潔、更便于人們理解、使用和修改，可以構(gòu)成專家系統(tǒng)的基礎(chǔ)。因此在實際應(yīng)用中更多的是使用規(guī)則6。決策樹分類流程圖如圖2-2所示：決策樹技術(shù)應(yīng)用于遙感影像的土地利分類過程中的優(yōu)點：決策樹方法不需要假設(shè)先驗概率分布，這種非參數(shù)化的

13、特點使其具有更好的靈活性，因此，當遙感影像數(shù)據(jù)特征的空間分布很復雜，或者多源數(shù)據(jù)各維具有不同的統(tǒng)計分布和尺度時，用決策樹分類法能獲得理想的分類結(jié)果；決策樹技術(shù)不僅可以利用連續(xù)實數(shù)或離散數(shù)值的樣本，而且可以利用“語義數(shù)據(jù)”，比如離散的語義數(shù)值：東、南、西、北、東南、東北、西南、西北；。決策樹方法生成的決策樹或產(chǎn)生式規(guī)則集具有結(jié)構(gòu)簡單直觀、容易理解、以及計算效率高的特點，可以供專家分析、判斷和修正，也可以輸入到專家系統(tǒng)中，而且對于大數(shù)據(jù)量的遙感影像處理更有優(yōu)勢；決策樹方法能夠有效地抑制訓練樣本噪音和解決屬性缺失問題，因此可以解決由于訓練樣本存在噪聲(可能由傳感器噪聲、漏掃描、信號混合、各種預(yù)處理誤

14、差等原因造成)使得分類精度降低的問題。2.2.1決策樹的規(guī)則分析決策樹的構(gòu)建可以使特征集數(shù)據(jù)規(guī)則可視化，輸出清晰，易于理解，決策樹的構(gòu)建方法很多，關(guān)鍵是要找到良好的分支和節(jié)點，產(chǎn)生有效的特征和特征集。遙感影像的基礎(chǔ)和原始特征信息時光譜特征，從基礎(chǔ)原始信息到到理想的特征信息，一般需要經(jīng)過復雜的非線性變換。比如，植被指數(shù)的的產(chǎn)生就是紅外和近紅外波段經(jīng)過非線性變換產(chǎn)生的特征。對遙感影像的特征生成來說，如何由原始特征逐漸衍生出各種不同層次的特征。特征選擇是提取最佳的特征即既有最大區(qū)分能力的數(shù)據(jù)集進行分類。不同地物在相同波段上表現(xiàn)得灰度值不一樣，同時不同地物在多波段影像上呈現(xiàn)的灰度值也不一樣。表2-1

15、各波段各類別平均灰度值平均灰度值松類闊葉類杉類band146.29-12.38-35.19band2-34.101-5.62-6.44band3-107.69-8.32-9.39band4-29.7632.010.41band53649.2139.53band62842.4832.04band72369.7659.72band81952.6137.75band90.300.110.19表2-2：非植被各波段平均灰度值水體雪地裸地建筑用地陰影10.91232.077134.6896.11-70.33-39.05-160.2641.591.002-10.7144.4234.1837.6927.20

16、16.8712.43-3.54-7.10-1.743.8096.76226.17107.2894.01238.0683.55234.28141.24113.8126.9445.63197.65104.5393.4021.4647.9085.167150.33126.3616.24-0.430-0.076-0.012-0.008-0.28 2.2.2決策樹規(guī)則構(gòu)建通過對各波段各分類樣本的平均灰度值進行對比，發(fā)現(xiàn)以下可行規(guī)則：1）植被的NDVI波段最小值為0.112，而非植被的NDVI波段最大值為0.0085，可 以考慮以此波段進行第一步分類，將所有影像地物分為植被與非植被。2）在非植被的各個類別

17、中，以平均灰度值差值最大為最優(yōu)波段，可以考慮選擇PCA 1波段將非植被進一步分類為水體、陰影和裸地、雪地及建筑用地。3）在植被的各個類別中，也是以平均灰度值差值最大為最優(yōu)波段，可以考慮選擇PCA 1波段將植被分為松柏類和闊葉類及杉類。2.3面向?qū)ο蟮姆诸惷嫦驅(qū)ο蠓诸惣夹g(shù)集合臨近像元對象用來識別感興趣的光譜要素，充分利用高分辨率的全色和多光譜的空間、紋理和光譜信息對圖像分割和分類，以高精度的分類結(jié)果或者矢量輸出。它主要分為兩部分過程：影像對象構(gòu)建和對象的分類。影像對象構(gòu)建主要用了影像分割技術(shù)，常用分割方法包括基于多尺度的、基于灰度的、紋理的、基于知識的及基于分水嶺的等分割算法。比較常用的就是多尺

18、度分割算法，這種方法綜合遙感圖像的光譜特征和形狀特征，計算圖像中每個波段的光譜異質(zhì)性與形狀異質(zhì)性的綜合特征值，然后根據(jù)各個波段所占的權(quán)重，計算圖像所有波段的加權(quán)值，當分割出對象或基元的光譜和形狀綜合加權(quán)值小于某個指定的閾值時，進行重復迭代運算，直到所有分割對象的綜合加權(quán)值大于指定閥值即完成圖像的多尺度分割操作7。影像對象的分類，目前常用的方法是“監(jiān)督分類”和“基于知識分類”。這里的監(jiān)督分類和我們常說的監(jiān)督分類是有區(qū)別的，它分類時和樣本的對比參數(shù)更多，不僅僅是光譜信息，還包括空間、紋理等信息。基于知識分類也是根據(jù)影像對象的熟悉來設(shè)定規(guī)則進行分類。表2-3為三大分類方法的一個大概對比。表2-3：傳

19、統(tǒng)基于光譜、基于專家知識決策樹與基于面向?qū)ο蟮挠跋穹诸悓Ρ阮愋突驹碛跋竦淖钚卧m用數(shù)據(jù)源缺陷傳統(tǒng)基于光譜的分類方法地物的光譜信息特征單個的影像像元中低分辨率多光譜和高光譜影像豐富的空間信息利用率幾乎為零基于專家知識的決策樹根據(jù)光譜特征、空間關(guān)系和其他上下文關(guān)系歸類像元單個的影像像元多源數(shù)據(jù)知識獲取比較復雜面向?qū)ο蟮姆诸惙椒◣缀涡畔ⅰ⒔Y(jié)構(gòu)信息以及光譜信息一個個影像對象中高分辨率多光譜和全色影像速度比較慢3特征分析3.1 傳感器波段特征分析SPOT-5衛(wèi)星由法國于2002年5月4日發(fā)射，空間分辨率最高可達2.5m，前后模式實時獲得立體像對，運營性能有很大改善，在數(shù)據(jù)壓縮、存儲和傳輸?shù)确矫嬉簿?/p>

20、有顯著提高。表3-1 ：SPOT 5 各波段信息SPOT5 波段波段寬度波段名稱Band1(XS1)0.50-0.59 m綠波段Band2(XS2)0.61-0.68 m紅波段Band3(XS3)0.79-0.89 m近紅外波段Band4(SWIR)1.58-1.75 m短波紅外3. 2森林光譜特征分析地物本身的存在、變化和差異等特征是通過地物發(fā)射的波譜信息來反映的，遙感信息就是記錄地表物體電磁波輻射數(shù)量與性質(zhì)變化的數(shù)據(jù)，實際上它所獲取的主要是地物的光譜特征值，屬譜類，而地面的實際信息屬信息類。理論上光譜類和信息類應(yīng)該具有一致性，同時相同的地物應(yīng)該表現(xiàn)出相同的光譜特征，不同的地類具有不同的光譜

21、特征值，據(jù)此遙感信息將地面上的復雜地類區(qū)別開來。但由于遙感影像獲取過程中受大氣條件和傳感器本身等因素的影響，地物周圍環(huán)境的多變性，以及地物結(jié)構(gòu)和成分的復雜性等，使得遙感影像上的地物光譜特征表現(xiàn)出復雜多變性，而且不同時相不同地域表現(xiàn)出不同的特點10。同時，地物光譜特征又是大氣校正、傳感器波段選擇、計算機自動分類以及用戶判讀、識別和分析等遙感過程的依據(jù)。因此，深入分析不同地物的光譜特征是進行遙感影像信息提取的首要前提和必要工作。通過ENVI自帶的波段計算及主成分分析功能，得到5個新的波段，并將已經(jīng)處理好的采樣點矢量文件分別疊置到遙感影像上，針對每一種典型地類分別在不同的地理位置上進行采樣，計算典型

22、地類的樣本灰度均值，最后得到每種植被類型在9個波段上的光譜響應(yīng)值和光譜變化曲線。4 分類方法的應(yīng)用與對比4.1 監(jiān)督分類一般情況下，為了使訓練樣本具有較好的代表性，應(yīng)盡可能多地利用一些已知資料來確定訓練樣本，從而提高監(jiān)督分類的精度。選擇訓練樣本的目的是為了從統(tǒng)計識別模式的角度分析遙感影像地類的光譜分布特征，因此訓練樣本的選擇應(yīng)遵循如下規(guī)則：(1)訓練樣本必須具有代表性和典型性，即訓練區(qū)選出的類別應(yīng)與遙感影像要區(qū)分的類別保持一致。因此為了保證選出的訓練樣本能很好地代表地物類型的光譜特征，一般要求在地物類別的中心部分選擇訓練樣本，避開地物類別的混交地區(qū)和邊緣地區(qū)，從而能正確地進行監(jiān)督分類；(2)對

23、于光譜特征變化較大的地物，即“同物異譜"現(xiàn)象，則選擇的訓練樣本數(shù)目要更多一些，目的是使選擇的樣本能正確地反映整個研究區(qū)內(nèi)每種地類的光譜特征差異。通常情況下，要使得出的統(tǒng)計數(shù)據(jù)可靠性更高，每種地類至少要有l(wèi)0-l00個訓練樣本數(shù)據(jù)；在監(jiān)督分類中，訓練樣本往往是認為選取的，因此分類完成后可能留下一些無類可歸的像元。這種情況一般有兩種解決方案：一是按最近距離原則劃分到各個已知類中；二是將所有無類可歸的像元組成一個未知類。 基于最小距離法的監(jiān)督分類對水體、裸地及建筑用地、森林等類別分類較為理想，且分類速度快，但是對森林種類的分類精度不論從目視解譯還是精度指標來看都較低，特別是森林種類中兩類地

24、理位置接近但光譜反射特征相對差別較大的兩類森林種類的分類精度較低，類別的區(qū)分邊界不夠明顯?；谧畲笏迫环ǖ谋O(jiān)督分類是監(jiān)督分類中精度最高的一種，而且計算速度也比較快，分類后不管是在目視解譯還是在分類精度指數(shù)方面都要優(yōu)于基于最小距離的監(jiān)督分類，而且森林種類分類的結(jié)果較為理想，但是對建筑用地及裸地的分類精度不高，可能是優(yōu)于該區(qū)域房屋低矮，分布不均勻，與裸地的光譜反射率相近導致，分類樣本選取是否經(jīng)典和數(shù)量是否足夠也是影響其分類精度的重要因素。4.2決策樹分類通過對的成果進行目視解譯發(fā)現(xiàn)，總體分類效果良好，達到中等一致性，但是在決策樹規(guī)則建立時，同一波段個別相似類別具有相似的平均灰度值，兩種類別平均灰度

25、值即使在差值的峰值也較為接近,分類情況不理想。而且建立決策樹規(guī)則時需要根據(jù)各樣本光譜響應(yīng)值和光譜變化曲線進行多次實驗，尋找最優(yōu)的分類規(guī)則。起初建立規(guī)則時波段的選擇不合理，用來評估分類精度的Kappa系數(shù)只有0.2，后來經(jīng)過數(shù)十次的實驗，終于達到了中等一致性Kappa系數(shù)0.5以上，但是由于同譜異物情況存在，嘗試多次改善分類規(guī)則后仍無法繼續(xù)提高分類的精度。4.3面向?qū)ο蠓诸愊葟哪恳暸凶x的方法看，面向?qū)ο蟮姆诸惙椒ㄟh好于上述傳統(tǒng)的分類方法，分類后圖像更加清晰，樣本尋找更加容易，判讀也更加準確，森林種類的分類精度得到了提高，但是房屋和裸地的分類精度與傳統(tǒng)的分類方法相比要差一些或者持平，因為2.5米的

26、分辨率影像對森林不同種類的紋理特征提取并參與分類決策，但是裸地與地面的建筑物由于分布稀疏，建筑物又多以占地面積較小的低矮房屋為主，紋理特征區(qū)分不明顯，導致兩類別分類精度不理想。5 結(jié)論從原圖像選擇驗證樣本(驗證AOI)，對分類結(jié)束后的樣本進行精度評估，在檢驗樣本符合要求的情況下對分類結(jié)果進行評估。然后再分類結(jié)果進行統(tǒng)計，分類結(jié)果的精度比較見表5-1。表5-1：分類結(jié)果精度比較分類方法Overall Accuracy(總精度/%)Kappa系數(shù)監(jiān)督分類最小距離法 62.6761%0.5504最大似然值法 67.581%0.6102 決策樹分類69.8303%0.6184 面向?qū)ο蟮姆诸惙椒?6.

27、1342%0.7154對以上實驗結(jié)果進行對比分析，可以得出這幾種分類方法中，面向?qū)ο蠓诸惙椒ú还懿捎媚姆N分類算法所得到的結(jié)果都具有相當高的分類精度，對于容易錯分的地物也得到了比較好的區(qū)分，能更準確地提取出目標地物。但是由于該地區(qū)房屋稀疏且分布不規(guī)律，多為低矮房屋，空間分辨率為2.5米的SPOT5影像難以提取較好的紋理特征，對裸地和建筑用地的分類精度較差，而且使用面向?qū)ο蟮姆诸惙椒ㄓ嬎銜r間較長，產(chǎn)生的中間數(shù)據(jù)過多，對計算機配置要求較高。在傳統(tǒng)的監(jiān)督分類中，最小距離分類法的分類精度也比較低，容易出現(xiàn)大面積的未分類區(qū)域，但算法簡單，計算時間較短。最大似然法計算時間相對也較短，雖結(jié)果中仍然存在錯誤分類

28、，但其分類精度卻是監(jiān)督分類方法中精度最高的。決策樹分類中由于森林同種類林地的光譜特征曲線近似，加之區(qū)域內(nèi)樣本的選取不夠典型以及某些種類樣本數(shù)量所選較少，導致難以找到合適的決策樹分類規(guī)則，結(jié)果分類精度不理想。所以基于多遙感數(shù)據(jù)的森林種類分類選用基于最大似然法的監(jiān)督分類或者面向?qū)ο蟮姆诸惖玫降姆诸惥瓤赡軙咭恍?。而且?jīng)過試驗發(fā)現(xiàn)，分類后圖像進行小碎圖斑合并處理后分類精度會有稍許提高，而且一定程度上減少了分類后的目視判讀工作的難度。從各地物的分類精度計算結(jié)果看：圖像中水域、建筑及裸地、林地等分類精度較好；而建筑用地、裸地的分類效果較差。經(jīng)分析，這兩類分類精度低的主要原因是他們的光譜特征非常相近，加之實驗區(qū)房屋低矮，分布不規(guī)則，無法提取較好的紋理特征，分類過程中存在相互錯分的現(xiàn)象。對于以上幾種分類方法的總體分類精度和Kappa系數(shù)而言，監(jiān)督分類的計算結(jié)果都相對較高，而且相差不大。雖然面向?qū)ο蠓椒ǖ姆诸惥纫咭稽c，但不能說面向?qū)ο蠓椒ǖ姆诸愋Ч褪亲詈玫?，同樣也不能說決策樹分類就是最差的。因為每一種分類方法都有其不同的算法和適合的應(yīng)用范圍，同時，分類精度的評價也必須從多個方