高寒河源區(qū)土地覆蓋的精準(zhǔn)分類研究

高寒河源區(qū)土地覆蓋的精準(zhǔn)分類研究

土地是人類生存和發(fā)展的基礎(chǔ)。土壤覆蓋信息是土壤資源規(guī)劃、土壤資源評(píng)價(jià)、土地利用評(píng)價(jià)等的重要條件。隨著全球變化研究的深入,土地覆被信息提取已經(jīng)成為一個(gè)研究的熱點(diǎn)區(qū)域土地覆蓋分類信息是區(qū)域生態(tài)、經(jīng)濟(jì)可持續(xù)發(fā)展的基礎(chǔ)數(shù)據(jù)支撐,科學(xué)地提取地表覆被信息,對(duì)地物精準(zhǔn)分類,對(duì)于區(qū)域生態(tài)環(huán)境保護(hù)、生態(tài)和經(jīng)濟(jì)建設(shè)具有直接的影響1材料和方法1.1青海湖流域5.2mm研究區(qū)位于沙柳河流域,屬于青海湖的河源地區(qū)。沙柳河位于青海省剛察縣城西側(cè)0.2km處,是青海湖流域第二大河流,發(fā)源于大通山可可賽尼哈,整個(gè)流域海拔在3036~4694m,落差較大。河流全長(zhǎng)106km,自北向南流入青海湖1.2天基系統(tǒng)：3臺(tái)現(xiàn)代衛(wèi)星系統(tǒng)本文以2景高分1號(hào)衛(wèi)星影像和3景資源3號(hào)衛(wèi)星影像為基礎(chǔ)數(shù)據(jù)源。高分辨率影像數(shù)據(jù)來(lái)自于青海省第二測(cè)繪院。高分1號(hào)衛(wèi)星是中國(guó)高分辨率對(duì)地觀測(cè)系統(tǒng)重大專項(xiàng)天基系統(tǒng)中的首發(fā)星,搭載有2臺(tái)2m分辨率全色/8m分辨率多光譜高分相機(jī)和4臺(tái)16m分辨率多光譜寬幅相機(jī)。資源3號(hào)衛(wèi)星是中國(guó)首顆自主的民用高分辨率立體測(cè)繪衛(wèi)星,搭載有1臺(tái)2.1m分辨率正視全色相機(jī),2臺(tái)3.5m分辨率的前視和后視全色相機(jī)和1臺(tái)5.8m分辨率的正視多光譜相機(jī)。由于植被生長(zhǎng)季節(jié)地表信息豐富,不同地物反射的電磁波在影像上呈現(xiàn)的光譜和紋理特征不僅有利于提取植被覆蓋信息,還易于區(qū)分其他的土地覆被類型,有利于影像的目視解譯工作1.3學(xué)習(xí)方法1.3.1區(qū)域劃分的一般過(guò)程本文運(yùn)用監(jiān)督分類方法對(duì)青海湖沙柳河流域的地表覆被信息進(jìn)行提取。監(jiān)督分類法常用的分類器有6種,每種分類器具有不同的判別函數(shù)和判別準(zhǔn)則,因而具有不同的分類精度和分類結(jié)果。下文分別將6種監(jiān)督分類器做如下介紹。(1)平行六面體(parallelpipedclassification)。根據(jù)訓(xùn)練樣本的亮度值形成一個(gè)n維平行六面體的數(shù)據(jù)空間,其他像元的光譜值如果落在任何一個(gè)訓(xùn)練樣本所對(duì)應(yīng)的區(qū)域,就被劃為其中。其尺度由標(biāo)準(zhǔn)差閾值所確定,標(biāo)準(zhǔn)差閾值則根據(jù)所選類別的均值確定(2)最小距離(minimumdistanceclassification)。通過(guò)訓(xùn)練樣本數(shù)據(jù)去計(jì)算每種類別的均值向量和標(biāo)準(zhǔn)差向量,然后以均值向量作為該類在特征空間中的中心位置,計(jì)算輸入圖像中每個(gè)像元到各類中心的距離,將像元?dú)w入到距離中心最小的類別中(3)馬氏距離(Mahalanobisdistanceclassification)。通過(guò)計(jì)算輸入像元到各訓(xùn)練樣本的馬氏距離(計(jì)算2個(gè)未知樣本集的相似度的方法),統(tǒng)計(jì)馬氏距離最小的即為此類別(4)最大似然(likelihoodclassification)。假設(shè)每個(gè)波段每一類統(tǒng)計(jì)都呈正態(tài)分布,計(jì)算像元屬于某一訓(xùn)練樣本的似然度,將像元?dú)w為似然度最大的一類中(5)神經(jīng)網(wǎng)絡(luò)(neutralnetclassification)。用計(jì)算機(jī)模擬人腦的結(jié)構(gòu),用小的處理單元模擬大腦的神經(jīng)元,用算法實(shí)現(xiàn)人腦的識(shí)別、記憶、思考過(guò)程并應(yīng)用于圖像的分類(6)支持向量機(jī)(supportvectormachineclassification)。是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法,可自動(dòng)尋找對(duì)分類有較大區(qū)分功能的支持向量并構(gòu)造分類器,最大化類別之間的間隔,分類準(zhǔn)確率較高1.3.2分類精度評(píng)價(jià)(1)訓(xùn)練樣本選擇及評(píng)價(jià)。監(jiān)督分類的第一步是在影像上定義訓(xùn)練樣本。訓(xùn)練樣本的準(zhǔn)確合理選擇是監(jiān)督分類的基礎(chǔ),也會(huì)直接影響分類精度的高低(2)執(zhí)行監(jiān)督分類。若訓(xùn)練樣本合格,符合分類要求,則應(yīng)選擇一種監(jiān)督分類器對(duì)研究區(qū)影像進(jìn)行地物分類。若對(duì)分類結(jié)果不滿意則需要重新選擇分類器。本文的研究目的是探討高寒河源區(qū)的土地覆蓋分類方法,因此執(zhí)行了6種監(jiān)督分類器。(3)精度評(píng)價(jià)。對(duì)圖像分類結(jié)果進(jìn)行精度評(píng)價(jià),一方面可以定量地檢驗(yàn)分類結(jié)果是否理想,另一方面可以評(píng)價(jià)監(jiān)督分類器的優(yōu)缺點(diǎn)。ENVI軟件提供了混淆矩陣(confusionmatrix)和ROC曲線(ROCcurves)兩種對(duì)分類結(jié)果精度進(jìn)行評(píng)價(jià)的方法。本文選擇混淆矩陣的方法來(lái)對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)?；煜仃囀菍⒚總€(gè)地表真實(shí)像元的位置和分類類別與輸出圖像中的相應(yīng)位置和分類類別相比較,列出基準(zhǔn)圖像上的i類像元在分類圖像中被分到j(luò)類的像元總數(shù)或者百分比Kappa系數(shù)是通過(guò)把所有地表真實(shí)參考的像元總數(shù)乘以混淆矩陣對(duì)角線的和,再減去某一類中地表真實(shí)參考像元數(shù)與該類中被分類像元總數(shù)之積之后,再除以像元總數(shù)的平方減去某一類中地表真實(shí)參考像元總數(shù)與該類中被分類像元總數(shù)之積對(duì)所有類別求和的結(jié)果制圖精度指分類器將整個(gè)圖像的像元正確分為某類的像元數(shù)與該類真實(shí)參考總數(shù)的比率,即分類結(jié)果符合實(shí)際地物的比率用戶精度指正確分到某類的像元總數(shù)與分類器將整個(gè)圖像的像元分為該類的像元總數(shù)的比率,即分類結(jié)果符合用戶定義地物的比率本文根據(jù)野外實(shí)地調(diào)查數(shù)據(jù),對(duì)照原始影像,在GoogleEarth高分辨率圖像上選擇驗(yàn)證樣本,生成用于混淆矩陣精度評(píng)價(jià)的地表真實(shí)感興趣區(qū),通過(guò)ENVI軟件的confusionmatrixusinggroundtruthROIs工具輸出不同分類結(jié)果的混淆矩陣報(bào)表,并通過(guò)報(bào)表中的不同量化指標(biāo)來(lái)進(jìn)一步鑒別每一種分類結(jié)果和不同分類器分類精度的高低。(4)分類后處理。計(jì)算機(jī)監(jiān)督分類后的結(jié)果只是初步的分類結(jié)果,一般無(wú)法直接應(yīng)用,還需要進(jìn)行后期的圖像處理。分類后的圖中不可避免地會(huì)產(chǎn)生很多小圖斑,需要通過(guò)majority/minority分析、聚類處理(clump)和過(guò)濾處理(sieve)等方法對(duì)小圖斑進(jìn)行剔除或者重新歸類,從而得到最終理想的分類結(jié)果。若分類結(jié)果有錯(cuò)分和漏分現(xiàn)象,結(jié)合實(shí)地驗(yàn)證、先知經(jīng)驗(yàn)和研究區(qū)其他高分辨率遙感影像對(duì)分類結(jié)果進(jìn)行目視判讀,通過(guò)ENVIclassic對(duì)圖像錯(cuò)分像元進(jìn)行局部手動(dòng)修改,以進(jìn)一步提高分類結(jié)果質(zhì)量。2結(jié)果與分析2.1草地、濕地、水體、建筑根據(jù)研究區(qū)遙感影像光譜、紋理等特征,通過(guò)目視判讀并結(jié)合野外考察的先知經(jīng)驗(yàn),將該研究區(qū)的土地覆被分為草地、濕地、農(nóng)田、裸地、水體、建筑6大類。計(jì)算了訓(xùn)練樣本的可分離度,結(jié)果顯示JeffriesMatusita距離和轉(zhuǎn)換分離度的值均大于1.8,樣本之間的可分離性好,符合分類的標(biāo)準(zhǔn)(表3)。2.2分類準(zhǔn)則和認(rèn)識(shí)偏差本文選擇了監(jiān)督分類的6種分類器對(duì)研究區(qū)影像進(jìn)行計(jì)算機(jī)分類,目的是尋求最佳土地覆蓋分類方法。為了從細(xì)節(jié)上更好地辨別分類結(jié)果的準(zhǔn)確度和6種分類器的分類精度,將6種分類器的局部分類結(jié)果圖進(jìn)行對(duì)比。結(jié)合野外考察的先驗(yàn)知識(shí)觀察6種分類結(jié)果圖可知,平行六面體分類器的分類效果最差,將很多裸地和草地錯(cuò)分為水體,與實(shí)際地表覆被相差甚遠(yuǎn),這與其分類原理和分類準(zhǔn)則密切相關(guān)。平行六面體的分類準(zhǔn)則是像素落在任一類訓(xùn)練樣本分布區(qū)域,則就屬于哪一類,若同時(shí)落在多個(gè)區(qū)域,則將其歸為最后一個(gè)匹配的類別中,有時(shí)候在某些分類像素與訓(xùn)練像素光譜差異很大時(shí)也會(huì)被分為其中,因此存在較多錯(cuò)分現(xiàn)象目視分析可知,最大似然、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)分類器的分類效果較好,結(jié)果較為理想。最大似然是基于貝葉斯準(zhǔn)則的分類錯(cuò)誤概率最小的一種非線性分類,也是機(jī)器學(xué)習(xí)中較為穩(wěn)健的典型分類方法6種監(jiān)督分類器有好有壞,各有優(yōu)缺。在本文中,6種分類結(jié)果存在的共同的誤差是,提取的濕地均比實(shí)際情況多,這原因是山體背陰面草地和濕地的光譜特征極為相似,分類器將背陰面草地誤分為濕地的緣故,因此還需要細(xì)致的分類后處理。2.3主要分類器分類精度和制圖精度運(yùn)用ENVI軟件平臺(tái),通過(guò)一定的驗(yàn)證樣本數(shù)據(jù)可以對(duì)影像分類結(jié)果進(jìn)行精度評(píng)價(jià)。表4—6分別列舉了不同分類器的分類精度估量指標(biāo),可以反映不同分類器的優(yōu)劣及分類效果的好壞。表4顯示了不同分類器對(duì)不同地物的分類精度。平行六面體、最小距離、馬氏距離、最大似然、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的總體分類精度分別為51.76%,84.26%,89.96%,97.68%,96.46%,99.15%,Kappa系數(shù)分別為0.44,0.79,0.86,0.97,0.95,0.99,支持向量機(jī)的分類精度最高,其次為最大似然和神經(jīng)網(wǎng)絡(luò),馬氏距離和最小距離次之,分類精度最低的為平行六面體。在區(qū)分不同地物方面,最大似然、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)同時(shí)對(duì)草地達(dá)到最高的分類精度,對(duì)濕地和建筑的識(shí)別支持向量機(jī)精度可達(dá)最高,對(duì)于農(nóng)田最大似然和支持向量機(jī)精度最高,而馬氏距離和平行六面體分別對(duì)裸地和水體達(dá)到最高的分類精度。表5為各分類器制圖精度對(duì)比結(jié)果,對(duì)比各種分類器的制圖精度可發(fā)現(xiàn),平行六面體對(duì)草地、濕地、裸地和建筑的制圖精度均較低,表明對(duì)這幾種地物漏測(cè)現(xiàn)象嚴(yán)重,而最小距離對(duì)草地的漏測(cè)現(xiàn)象嚴(yán)重,馬氏距離和最大似然對(duì)各種地物的制圖精度較高,說(shuō)明總體漏測(cè)誤差較小,神經(jīng)網(wǎng)絡(luò)對(duì)裸地的漏測(cè)誤差較大。支持向量機(jī)對(duì)各種地物的制圖精度均較高,漏分現(xiàn)象較少。從各種分類器的用戶精度對(duì)比表(表6)可知,平行六面體對(duì)草地和濕地分類的用戶精度非常低,說(shuō)明這兩種地物的多測(cè)現(xiàn)象非常嚴(yán)重,最小距離和馬氏距離對(duì)草地和裸地的多測(cè)誤差較高,最大似然對(duì)草地的多測(cè)誤差較高,神經(jīng)網(wǎng)絡(luò)對(duì)濕地的多測(cè)誤差較高,支持向量機(jī)對(duì)各種地物的多測(cè)誤差均較小。2.4地表覆蓋分類結(jié)果本次分類結(jié)果中,支持向量機(jī)的總體分類精度和Kappa系數(shù)最高,制圖精度和用戶精度均較高,對(duì)地物的分類效果較好,分類精度滿足應(yīng)用的需求,但是也存在大量錯(cuò)分現(xiàn)象。以支持向量機(jī)分類器的結(jié)果作為分類的初步結(jié)果,在此基礎(chǔ)上進(jìn)行主要/次要分析、聚類和過(guò)濾處理。通過(guò)實(shí)地考察驗(yàn)證與先知經(jīng)驗(yàn),結(jié)合GoogleEarth的高分辨率影像,對(duì)上一步后處理結(jié)果圖進(jìn)行目視判讀,將錯(cuò)分地物進(jìn)行細(xì)致處理使其正確歸類,最終得到研究區(qū)地表覆蓋分類結(jié)果(附圖20,表7)。經(jīng)遙感影像解譯可得沙柳河流域的基本概況。沙柳河流域河流水體面積約19.03km3討論3.1土地覆蓋物分類高分辨率遙感影像區(qū)分地物的精度較高,滿足了對(duì)各類地物的遙感監(jiān)測(cè)需求。基于高分辨率遙感影像,采用支持向量機(jī)、最大似然和神經(jīng)網(wǎng)絡(luò)分類器對(duì)研究區(qū)地物實(shí)現(xiàn)了良好的分類,說(shuō)明這3種分類器在地處高寒河源區(qū)的青海湖沙柳河流域具有良好的適用性。從3種分類器的分類原理和判別準(zhǔn)則來(lái)說(shuō),其分別采用了結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則青海湖沙柳河流域自然環(huán)境獨(dú)特,受人類活動(dòng)影響較小,整個(gè)流域土地覆被大類較為單一,上中游為山谷地形,下游地勢(shì)較為平坦,采用高分辨率遙感影像進(jìn)行分類,效果較好。孫小飛等3.2地表覆被信息提取方法不多,容易導(dǎo)致地盡管支持向量機(jī)、最大似然和神經(jīng)網(wǎng)絡(luò)監(jiān)督分類器可以達(dá)到較高的分類精度,但這并不代表分類結(jié)果一定理想。由于實(shí)際地表類型復(fù)雜多樣,采用監(jiān)督分類方法,計(jì)算機(jī)會(huì)僅根據(jù)地物光譜特征進(jìn)行分類,結(jié)果中勢(shì)必有錯(cuò)分和漏分的現(xiàn)象,與實(shí)際地表覆被信息有別。尤其是在有大量山體分布的地區(qū),山體的陽(yáng)坡和陰坡光譜響應(yīng)有巨大差異本文結(jié)合原始影像、GoogleEarth的高分辨率遙感影像和實(shí)地考察驗(yàn)證,對(duì)初步分類結(jié)果進(jìn)行目視修改與處理,將錯(cuò)分像元正確歸類,顯著提高了分類準(zhǔn)確度。陳超等4青海湖流域地表覆被信息提取結(jié)果分析本文應(yīng)用高分辨率遙感影像,使用監(jiān)督分類方法的6種分類器對(duì)青海湖沙柳河流域的地表覆蓋進(jìn)行分類,得出以下結(jié)論:(1)通過(guò)高分辨率遙感影像,使用支持向量機(jī)分類器對(duì)地處高寒河源區(qū)的青海湖沙柳河流域