基于ENVI的唐山灣三島土地利用遙感分類方法的比較分析

付 佳, 黃海軍 楊曦光

(1. 中國科學院海洋研究所, 山東 青島 266071; 2. 中國科學院研究生院, 北京 100049)

基于ENVI的唐山灣三島土地利用遙感分類方法的比較分析

付 佳1,2, 黃海軍1, 楊曦光1,2

(1. 中國科學院海洋研究所, 山東 青島 266071; 2. 中國科學院研究生院, 北京 100049)

對唐山灣三島2010年10月10 m分辨率的SPOT5多光譜數據源, 采用不同分類方法進行識別和判斷, 并對比不同分類器在遙感影像分類中的應用效果和分類精度。有針對性地探究海島土地利用遙感分類過程中不同方法的優劣, 獲取最適于島陸地區土地利用的遙感分類方法。根據土地利用現狀分類標準(GB/T 21010-2007)和海島陸域土地利用類型劃分的相關規定, 將唐山灣三島主要分為灘涂、裸地、林地、草地、居住區、內陸水體和潮間帶(潮水覆蓋區)6類。并分別構建結合人為控制的非監督分類、監督分類和基于專家知識的決策樹分類系統, 參照更高分辨率影像、先驗知識和野外調查資料, 評價分類結果與實地調查結果的吻合程度, 最終通過總體分類精度和Kappa系數等指標對各分類器精度進行評價和對比分析。

唐山灣三島; 土地利用分類; 遙感; 監督分類; 決策樹分類

土地利用在一定程度上決定了人類的生產和生活, 而人類活動也正在快速地改變著土地利用類型的分布和屬性。隨著海洋資源的進一步開發, 海島作為開發海洋基地的作用愈顯重要。尤其海島陸域面積較小, 土地資源就顯得更加珍貴了。因此, 科學地進行土地利用分類, 不僅有助于弄清楚島陸現有的土地利用狀況, 建立和加強國家對海島土地的管理規劃, 滿足調查研究以及制圖的需要, 也有利于因地制宜, 合理制定島陸及周邊地區經濟建設和發展計劃, 可持續地開發和使用海洋資源。

近年來, 遙感技術被廣泛用于海島土地利用分類和環境調查及景觀變化監測等工作中。遙感圖像分類就是將圖像中每個像元根據其在不同波段的光譜亮度、空間結構特征或者其他信息, 按照某種規則或算法劃分為不同的類別[1]。文中分別采用人為控制的非監督分類、監督分類和基于專家知識的決策樹三種方法的多種算法, 對唐山灣三島的土地利用狀況進行了分類, 并針對該研究區對各分類方法的分類結果和精度進行了系統的對比分析。

1 數據準備與處理

1.1 研究區概況及實驗數據預處理

研究區選取在唐山灣三島, 位于河北省唐山市東南的渤海灣內, 樂亭縣西南部, 西鄰曹妃甸新城,東接海港開發區, 為京津唐秦四市所環抱。包括三個無居民海島: 石臼坨島(菩提島)、月坨島(月亮島)和打網崗島(祥云島), 位于 118°48′32′～118°59′10′E, 39°05′36′～39°11′13′N范圍內, 三島總面積37.75 km2,其中石臼坨島面積 4.04 km2, 月坨島 11.96 km2, 打網崗島22.41 km2。

本文采用的數據源為研究區2010年10月14日的SPOT5多光譜遙感影像, 空間分辨率10 m, 為二級產品, 已完成輻射校正和幾何粗校正處理。然后在ENVI軟件中對數據源影像進行了影像-影像模式的配準處理, 并裁減出唐山灣三島的陸域研究區域影像。SPOT5多光譜遙感影像包括4個波段, Ms1(近紅外波段)、Ms2(紅色波段)、Ms3(綠色波段)和Ms4(短波紅外), 圖1為SPOT影像中第1、2、3波段的標準假彩色合成影像。

1.2 結合人為控制的非監督分類

非監督分類是在沒有選取訓練樣本的前提下,主要根據像元特征相似程度的大小進行歸類合并。非監督分類方法是計算機對圖像的統計特征進行的自動分類, 不需要具體地物的已知知識, ENVI執行非監督分類時, 常用的是最大似然分類(ISODATA)和聚類分析(K-Mean)兩種方法。結合人為控制主要是指預先將類數定義為多于目標類數的值, 執行非監督分類后通過參照研究區原始影像和更高分辨率遙感影像, 將部分類別進行刪除或合并的操作, 得到目標分類結果。

圖1 研究區域的標準假彩色合成影像Fig. 1 The standard false color composite image of the sample area

1.2.1 最大似然分類結果

利用該方法對標準假彩色合成影像進行計算機自動分類, 結果共分出 17類, 通過合并子類共得到6類島陸地物, 分別是灘涂、潮間帶(漲潮有水)、內陸水體、林地、草地和裸地。結合研究區原始影像、0.61 m高分辨率Quick bird影像和野外實地調查數據分析分類結果, ISODATA分類方法雖然可以大致區分出研究區域內的不同土地利用類型, 但是地物屬性錯分、不同地物類型尤其是相似地物類型混淆情況較為嚴重。如人工地物(包括建筑物、公路等)和裸地混淆嚴重, 難以區分; 內陸水體和高潮時的潮間帶地區也有較嚴重的混淆。

1.2.2 聚類分析分類結果

與最大似然分類過程一樣, 首先利用計算機自動分類識別出17類, 然后將子類合并為灘涂、潮間帶(漲潮有水)、林地、草地、裸地和內陸水體。通過原始影像和更高分辨率影像的目視判別以及野外調查資料的對照, 可以發現, K-Means分類結果同樣呈現出較嚴重的混淆情況。

非監督分類方法雖然不需要對研究區域有先驗知識, 但分類產生的光譜集群組與本文目標產生的裸地、灘涂、林地、草地、內陸水體、人工地物和潮間帶(潮水覆蓋地區)這7類之間不能一一對應, 混淆和錯分情況較嚴重。盡管在子類合并過程中加入了人為控制因素, 在一定程度上提高了分類精度, 但結果仍不甚理想, 在裸地與人工地物、內陸水體和覆有海水的潮間帶的區分上沒有太大的實際應用價值。

1.3 監督分類

監督分類, 又稱訓練分類法, 即用被確認類別的樣本像元去識別其他未知類別像元的過程。在這種分類中, 分析者在圖像上對每一種類別選取一定數量的訓練區, 計算機計算每種訓練樣區的統計或其他信息, 每個像元和訓練樣本作比較, 按照不同規則將其劃分到和其最相似的樣本類中[1]。

根據研究區土地利用的實際情況, 在 SPOT遙感影像中定義了7種土地利用類型: 灘涂、裸地、潮間帶(漲潮覆水)、居住區、林地、草地和內陸水體。從SPOT影像中可以看出, 灘涂分布面積較廣泛, 因含水顏色較裸地暗; 裸地反射率高, 多為高亮, 形狀不規則, 無特殊紋理特征; 漲潮后被海水覆蓋的潮間帶地區與外海相連, 呈寬度不規則的條帶狀分布在岸線附近, 光譜特征與內陸水體相近, 但屬開放式, 不封閉; 居住區主要包含居民區和交通用地等人工地貌, 在影像上同樣反映出高亮度、高反射率的特征, 大都具有規則形狀, 尤其交通用地表現出細長平滑的規則特征; 林地為不規則形狀, 簇狀紋理;草地的色調在影像上接近于林地, 但色彩比林地亮;內陸水體大多為暗色, 無明顯棱角, 河流、溝渠等為細長型, 湖泊等為不規則形狀, 水庫、養殖池等多為規則形狀, 區域內顏色均勻較少變化。根據上述特征,在研究區影像內選取各類別的訓練樣本, 并對各樣本進行了可分離度計算(表 1), 結果表明, 裸地與居民地可分離程度較低, 混淆較多; 內陸水體與潮間帶、灘涂與居住區之間存在少量混淆, 可分離程度一般。其他地物類樣本之間均具有較好的分離性。下面就利用該訓練樣本對研究區影像進行監督分類。

根據選取的訓練樣本, 本文運用了平行六面體、最小距離、馬氏距離、最大似然、支持向量機 5種監督分類器對研究區 SPOT影像進行了土地利用類型分類。其中平行六面體和最小距離分類器分類結果中包含未分類像元, 無法簡單將其歸并到某一類中。其他監督分類器運算結果均未出現未分類像元。

平行六面體算法的基本思想是: 根據訓練樣本的亮度值形成一個n維的平行六面體數據空間, 其他像元的光譜值如果落在平行六面體任何一個訓練樣本所對應的區域, 就被劃分到其對應的類別中。平行六面體的尺度是由標準差閾值所確定的, 而該標準差閾值則是根據所選類的均值求出的。最小距離算法的基本思想是: 利用訓練樣本數據計算出每一類的均值向量和標準差向量, 然后以均值向量作為該類在特征空間中的中心位置, 計算輸入圖像中每個像元到各類中心的距離, 到哪一類中心的距離最小, 該像元就歸入到哪一類。馬氏距離算法的基本思想是: 計算輸入圖像到各訓練樣本的馬氏距離(一種有效的計算兩個未知樣本集的相似度的方法), 最終統計馬氏距離最小的, 即為此類別。最大似然算法的基本思想是: 假設每一個波段的每一類統計都呈正態分布, 計算給定像元屬于某一訓練樣本的似然度,像元最終被歸并到似然度最大的一類當中。支持向量機算法(SVM)是一種建立在統計學習理論基礎上的機器學習方法, 其基本思想是: 自動尋找那些對分類有較大區分能力的支持向量, 由此構造出分類器, 可以將類與類之間的間隔最大化, 因而有較好的推廣性和較高的分類準確率[2]。其中, 平行六面體、最小距離和馬氏距離分類方法均是通過設置均值、標準差或馬氏距離等閾值對圖像像元進行歸類判別的, 最大似然算法是利用相似程度最大的原則對像元進行歸并的, 支持向量機運用統計學習理論確立了每一類特征最為顯著的支持向量, 使不同的地物類型盡可能地得到區分。

對標準假彩色合成影像進行各種監督分類, 分類結果如圖2(a, b, c, d, e), 分別對應五種監督分類器結果。

表1 訓練樣本的可分離程度計算Tab.1 Calculation of the separability of the training samples

1.4 基于專家知識的決策樹分類

基于專家知識的決策樹分類是基于遙感圖像數據及其他空間數據, 通過專家經驗總結、簡單的數學統計和歸納方法等, 獲得分類規則并進行遙感分類[2]。本文主要運用了逐層邏輯判斷的方式, 在各波段或波段運算模式下, 通過盡可能避免或減少每種土地利用類型的光譜統計特征值域的交叉重疊, 而將各地物類型逐一區分、識別出來。各地物類型的分布特征復雜多變, 給土地利用遙感分類帶來了許多難題。針對這些光譜統計特征和分布范圍大相徑庭的景物或現象, 不可能用一個統一的分類模式來判別、區分和識別。因而, 在實際分類過程中往往需要深入研究各區域景物的總體規律及其內在聯系, 理順其主次或因果關系, 建立一種樹狀結構的框架。即通過建立決策分類樹對各種土地利用類型進行分層分類。

1.4.1 遙感影像統計特征分析

首先, 對監督分類時選取的訓練區內各已知類別進行各波段數據的統計分析, 主要地物類型的統計信息包括: 各波段下的最大值、最小值、均值、方差等。這是對遙感圖像亮度值的隨機變量概率分布狀況較完整的描述(表2)。

本文分別提取了典型地物在 1、2、3波段和歸一化植被指數運算(INDV)的統計特征值。歸一化植被指數是近紅外波段和紅光波段兩個通道反射率的差除以它們的和, 計算公式表示為:

其中,RNI為近紅外波段的反射率,R為紅光波段的反射率。INDV能反映出植物冠層的背景影響, 如土壤、潮濕地面、枯葉、粗糙度等, 且與植被覆蓋有關。通常, -1≤INDV≤1。

各波段的統計特征顯示, 內陸水體、灘涂和裸地基本可以通過SPOT紅波段加以區分; 林地、草地和居住區可以通過SPOT綠波段區分出來; SPOT藍波段能夠將潮間帶和裸地區分出來。但無論通過哪個波段, 裸地與居住區、灘涂與居住區以及內陸水體與潮間帶之間都存在一定的混淆, 區分過程中有不同程度的困難。過程中期望通過波段運算的方法可以進一步區分出這些地物類型之間的混淆, 雖然可以從一定程度上減少混淆, 但由于光譜特征較為類似,實際統計結果并不能徹底區分有混淆的地物類別。

1.4.2 決策樹的建立

結合以上的統計分析情況, 采用單波段統計特征值與NDVI相結合的方式建立分類決策樹(圖3)。首先利用 SPOT綠波段區分林地和非林地部分, 然后利用 SPOT紅波段區分出混淆在林地中的內陸水體。隨后再利用 SPOT紅波段區分灘涂, 并結合SPOT綠波段、SPOT紅波段及NDVI區分出混淆其中的草地, 其中的居住區與裸地、灘涂之間仍存留部分混淆, 未能完全區分。最后利用SPOT紅波段區分其他類型中的內陸水體和潮間帶, 同樣內陸水體與潮間帶之間也存在部分混淆, 不能徹底區分開來。

1.4.3 決策樹分類結果

在 ENVI中對標準假彩色合成影像執行決策樹分類, 得到基于專家知識的決策樹分類方法的分類結果, 見圖2(f)。

圖2 5種監督分類器得到的監督分類結果和基于專家知識的決策樹分類結果Fig. 2 Results of the five classification and decision tree classification based on expert knowledge

表2 研究區影像上提取的各地物類型的統計特征信息Tab.2 The statistic characteristic information of all the surface features drawn from the image of the research area

2 分類結果評價

遙感圖像的分類精度評價通常是對分類結果圖與標準圖件或地面實測值進行比較, 以正確分類的百分比來表示精度, 是遙感數據分類過程中不可缺少的工作[3]。

本文主要通過與同期的野外實測驗正點和更高分辨率的Quick bird影像進行比較, 對各種監督器分類結果和基于專家知識的決策樹分類結果展開精度評價。對分類數據采用混淆矩陣法, 行代表實地調查驗證的地物點, 列代表被評價分類結果顯示的地物類型。在混淆矩陣中, 對角線位置處的數值為正確分類樣本數目, 非對角線上的數值為混淆分類樣本數目。因此, 每類地物在對角線處的數值越接近實地采樣點總數, 該地物的單類分類精度就越高。本次研究運用混淆矩陣進行精度評價的主要參數及其計算公式參考文獻[3]。

Kappa系數與分類質量的對應關系見表3。

以上各參數中, 總分類精度和 Kappa系數反映的是整個遙感分類結果圖的分類精度, 用戶精度和制圖精度則反映的是各個類型的分類精度。下面就以這些參數為標準對本研究監督分類器和專家決策樹算法的分類結果進行精度評價。表 4反映了不同分類器的總體分類精度和Kappa系數。

以上數據顯示, 無論是分類精度還是地物類型的可分離性都是決策樹分類方法明顯優于其他分類方法?？梢? 基于專家知識的決策樹分類系統具有相對較高的區分和識別能力。此外, 本文還對某一種土地利用類型比較了不同分類方法的制圖精度和用戶精度(表5、表6)。

圖3 決策樹結構圖Fig.3 Decision tree structure diagram

表3 Kappa系數與分類質量的對應關系Tab.3 The correspondence between Kappa and classification quality

表4 各分類方法分類精度比較Tab.4 Comparison of the accuracy among all the classification methods

表6 各地物類別在不同分類方法下的用戶精度Tab.6 The user accuracy of all the classification methods

3 結論

本文運用非監督分類、監督分類和基于專家知識的決策樹分類等多種單分類器對唐山灣三島研究區域的SPOT5影像進行了遙感土地利用分類, 分析和討論了不同遙感分類方法對島陸地物類型識別和判斷能力的差異。通過對比不同分類器的制圖精度、用戶精度和 Kappa系數, 總結了其對各種地物類型的區分和識別能力, 提取出針對唐山灣三島地區土地利用遙感分類效果最理想的單分類器。

結果表明, 非監督分類雖不需要預先對所要分類的區域有廣泛的認知和了解, 且人為誤差少, 但產生的光譜集群組與最終想要獲取的類別在匹配上存在較大差距。本研究在非監督分類過程中加入了人為控制子類合并這一過程, 精度較計算機自動分類的精度提高了許多, 但實際分類結果仍然存在較大的混淆和誤分。在這一點上, 監督分類就可以根據應用目的和區域,人為控制訓練樣本的選取, 有針對性地決定分類類別,但該方法需耗費較多的人力和時間來選取和評估訓練樣本, 加大了人為誤差, 且只能識別訓練樣本中已定義的類別, 未定義類別就會出現不能識別和混淆的狀況。而基于專家知識的決策樹分類具有靈活、直觀、清晰、強健、運算效率高等特點, 在遙感分類問題上表現出巨大的優勢。與其他分類算法相比, 決策樹分類速度快, 計算量相對較小, 容易轉化成分類規則。只要沿著“樹根”向下一直走到“葉”, 沿途的分裂條件就能夠唯一確定一種土地利用類型。此外, 挖掘出的分類規則準確性高, 便于理解, 決策樹可以清晰地顯示哪些波段或波段運算統計特征值在區分不同類別時比較重要。但決策樹分類法也存在一定弊端, 由于進行深度優先搜索, 所以算法受內存大小限制, 難以處理大訓練集, 伸縮性差。

精度評價結果顯示, 本研究采用的幾種基于統計學習的分類方法都不甚理想, 基于專家知識的決策樹分類結果相對較好, 精度也較高, 與外業實地驗證點的對應情況也最為理想。該研究對居住區、草地、裸地、灘涂而言, 所有分類方法獲得的結果都不甚理想。推斷主要是因為島陸上的居住區分布零散, 影像上呈現出零碎斑塊的特征, 而且其間夾雜著小塊的其他地物, 如草地、林地和小面積的水體等, 這部分信息也混淆了居住區本身的光譜屬性。在光譜特征上, 沙壩、沙堤等裸地也與主要為砂質、水泥制的居住區具有相似相近的特點, 反射率較高, 為計算機分類和識別帶來了困難, 在提取訓練樣本時也易產生人為目視誤差。野外調查研究發現, 在部分灘涂和裸地上分布有小片草地和樹木, 但由于面積較小, 在10 m分辨率的SPOT5多光譜影像中未達一個像元或受下墊面土地利用類型的影響, 難以區分和識別。此外, 地物邊界的多樣性,使得判定類別的邊界往往是很困難的事。灘涂與被潮水覆蓋區域、林地和草地的邊界不明顯, 裸地與灘涂之間還存在著過渡地帶, 要精確將其邊界區分出來并非易事。相比較而言, 對于今后海島土地利用遙感分類任務,若采用單分類器進行分類且在地物類型數目不是很多的前提下, 建議選擇基于專家知識的決策樹分類法。

[1] 趙英時等. 遙感應用分析原理與方法[M]. 北京: 科學出版社, 2003: 194.

[2] 鄧書斌. ENVI遙感圖像處理方法[M]. 北京: 科學出版社, 2010: 132.

[3] 田金苓. 土地利用遙感分類計數探討[J]. 科技創新導報, 2010, 9: 18.

(本文編輯: 劉珊珊 李曉燕)

Comparison of land use classification methods used in analysis of the Tangshan Bay three islands using remote sensing images based on ENVI

FU Jia1,2, HUANG Hai-jun1, YANG Xi-guang1,2
(1. Institute of Oceanology, Chinese Academy of Sciences, Qingdao 266071, China; 2. Graduate School, Chinese Academy of Sciences, Beijing 100049, China)

Apr., 1, 2012

the Tangshan Bay three islands; land use classification; remote sensing; supervised classification; decision tree classification

In this paper, different classification methods were used to recognize the SPOT5 multispectral images of the Tangshan Bay three islands in October, 2010 with a resolution of 10 meters. The application and classification accuracy among different classifiers were compared. To find out the best remote sensing classification method for land usage analysis, we compared the advantages and disadvantages of all the methods used in land using classification analysis. According to the standards of land using classification and relevant rules about main land using classification of islands, we divided the Tangshan Bay three islands into tidal flat, bare land, forest, grass land, residential district, inland water and intertidal zone. Referring to high resolution images, future knowledge and field investigation data, we shave uccessfully set up the artificially controlled unsupervised classification and supervised classification and decision tree classification system based on expert knowledge. Then we evaluated the match condition between classification results and the results of actual investigation. At last, we evaluated and analyzed the accuracy of all the classifiers by some indicators such as Kappa.

P283.8

A

1000-3096(2014)01-0020-07

10.11759/hykx20120401001

2012-04-01;

2013-11-28

海洋沉積與環境地質國家海洋局重點實驗室開放基金資助項目(MASEG200807); 海洋公益性行業科研專項經費項目(200905004)

付佳(1984-), 女, 山東東營人, 碩士研究生, 主要從事黃河三角洲地面沉降和海島土地利用遙感分類方法的研究, 電話: 0532-82898531, E-mail:dy1014311e@163.com; 黃海軍, 通信作者, E-mail: hjhuang@qdio.ac.cn