EO—1Hyperion數據不同波段組合的分類結果比較

董躍宇

摘 要：高光譜遙感是目前的一個熱點研究鄰域。采用EO-1 Hyperion數據，應用波段選擇的方法，比較了不同波段組合用于同一研究區地物分類的效果。

關鍵詞：高光譜遙感 波段選擇 地物分類

中圖分類號：S758.4 文獻標識碼：A 文章編號：1672-3791（2015）05（b）-0016-02

高光譜遙感是高光譜分辨率遙感的簡略說法。由于其極高的光譜分辨率（可達10nm左右），能夠獲得數十至數百波段的數據，可以形成特定地物的連續的光譜曲線，能夠提供更豐富更準確的地物信息。結合標準光譜庫的建設，已經在找礦等領域取得了不錯的應用效果。同時，高光譜數據是一個高維度數據，存在著數據冗余度高、數據量大、計算代價高等缺點。對高光譜數據進行降維處理是應用時的一種常見的思路。降維處理的方法可分為變換的和非變換的兩類。波段組合選擇是非變換方法中有代表性的一種。其結合應用需求，針對性的選擇某一些波段作為信息來源，從而將高維數據的處理變為較低維數的數據處理問題。

1 實驗過程

1.1 研究區選擇

選擇普達措國家公園屬都湖與碧塔海周邊地區作為研究區域。該區域位于滇西北生物多樣性豐富區域，是入選國際名錄的重要濕地保護區。具有重要的生態地位和研究價值，是高原濕地研究的熱點區域。該區域中分布著高原湖泊、湖泊周邊及山間谷地中的草甸和草地、以松和杉為主的林地以及幾條道路。地物景觀類型構成不甚繁復，有利將研究問題聚焦于不同波段選擇的比較。同時草甸、林地類型中的次一級的景觀構成，為研究的深入提供了充足的空間。筆者近年曾較詳細的實地調查過該區域，積累了不少有價值的信息和數據。選擇該區域作為研究區，有較充分的研究基礎。

1.2 研究數據

使用于2003年12月獲取的EO-1 Hyperion數據，進行校正等預處理，并根據研究區界限進行裁切，獲得研究區的高光譜遙感數據。Hyperion數據是目前幾乎唯一的可以免費獲得的星載高光譜遙感數據。它提供了242波段的數據，頻譜分辨率10nm，空間分辨率30m。根據相關文獻，選擇三個典型的波段組合作為后續分類和比較的數據。這三個波段組合（數字代表波段號）分別是（29：23：16）、（50：23：16）和（204：150：93），對應的波長分別是：641：580：509nm，855：580：509nm，2194：1649：1074nm。（29：23：16）組合是用來形成真彩色圖像最常用的組合。使用（50：23：16）組合來形成真彩色圖像時，圖像中的植被會顯示成偏紅的顏色。（204：150：93）組合所對應的頻譜范圍避開了受大氣吸收影響最明顯的范圍，有利于規避大氣吸收對遙感數據的干擾。

1.3 分類方法

由于之前的調查數據數量不充足，使用監督分類方法效果不佳。故而使用非監督分類方法進行分類。K-均值聚類方法和ISODATA聚類方法是最常用的非監督分類方法。兩種方法較為相似，ISODATA有所改進。使用ISODATA方法的關鍵是確定分類是所使用的主要參數：迭代次數、分類數量的范圍、變化閾值、類別最大標準差、類別最小距離等。通過使用樣本數據多次嘗試，確定了所需要的參數數值。在實地調查信息的基礎上，結合對實驗所用影像的觀察，確定了地物景觀類型。共分為：水體、林地陽坡、林地陰坡、草甸、公路及裸地5種。ISODATA分類的結果，類別數大于地物景觀類型數。在分類的后處理中，主要進行了類別合并，將ISODATA分出的類別歸并成地物景觀類型。

2 分類結果評價

從主觀定性和客觀定量的兩種途徑，對分類結果進行評價。主觀定性途徑主要依據景觀格局的吻合程度、地物顯著特征點的分類細節情況，參照同時期研究區的高分辨率影像（圖1）和實地調查信息，進行判斷?？陀^定量途徑則進行了混淆矩陣的計算，使用總體分類精度、Kappa系數及類別間錯分情況來進行評價。參照同時期研究區的高分辨率影像和實地調查數據，對研究區高光譜數據均勻選擇了驗證位點，進行人工解譯。以此作為驗證數據，用于計算混淆矩陣。

3 實驗結果及分析

直觀觀察分類結果，總體上三個波段組合數據分類結果（分別見圖2、圖3和圖4）斑塊的破碎程度都不很高，應該與EO-1 Hyperion數據較低的空間分辨率有關。（29：23：16）組合的分類結果中，林地等植被覆蓋區域錯分為水體的情況較多，屬都湖的輪廓已不完整，景觀格局與實際情況差別明顯。其他兩個組合的分類結果中，景觀格局保持較好。尤其是（50：23：16）組合，水體的識別十分準確。兩個高原湖泊的水體是研究區最顯著的特征地物。以水體來觀察，（50：23：16）組合分類結果最佳，（204：150：93）組合次之，（29：23：16）組合最差。另一明顯地物是研究區左側邊緣附近公路沿線的居民點和農地，此地物的識別情況受限于較低的空間分辨率，總體都不理想，相較而言，（50：23：16）組合結果最佳，（29：23：16）組合次之，（204：150：93）組合最差。

通過計算混淆矩陣，得到使用三個波段組合分別進行分類的分類精度（見表1）。（50：23：16）組合分類精度最佳，（204：150：93）組合次之，（29：23：16）組合最差。這些數值總體偏高，應該是由于Hyperion數據幅寬較窄、空間分辨率較低，驗證數據選取的驗證點的數量偏少造成的。Hpyperion數據幅寬僅為7.7km，遠小于Landsat數據的185km。

得到的類別錯分數據顯示，在（50：23：16）組合的分類結果中，水體、公路及裸地兩種類型基本沒有發生錯分的情況，林地和草甸間的錯分比例也很低，均低于10%。在（204：150：93）組合的分類結果中水體出現了25.84%未能分類的問題，草甸錯分為公路及裸地、林地的比例較高，公路及裸地錯分為草甸的比例達到11.73%。在（29：23：16）組合的分類結果中，突出的問題是水體錯分為林地和林地錯分為草甸，比率分別為20.46%和16.02%。還各有5%左右的草甸錯分為林地和公路及裸地的情況發生。

總體來看，研究區位于保護良好的自然保護區中，植被覆蓋較好，從可見光影像上可以明顯看到整個區域的色彩分布較為集中，整體色調一片綠色。這對通過遙感數據進行地物分類識別帶來了困難。研究區地物分類識別的主要問題是能否有效、準確的區分林地與水體、草甸與公路及裸地。或者說有效、準確的區分植被覆蓋地類和無植被覆蓋地類。（50：23：16）組合具備區分植被區域和無植被覆蓋區域的突出能力，因而分類效果最佳。

4 結語

通過使用Hyperion數據不同波段組合的實驗表明，不同波段組區分植被覆蓋地類和無植被覆蓋地類的能力有明顯差別。高光譜數據的高頻譜分辨率帶來了更加豐富和精細的信息，適當地選取高光譜數據中的波段組合作為數據進行分類，突顯關注的地物，能有效的提高分類精度。波段組合選擇也是降低維數、降低計算代價，利用高光譜數據的有效方法。

參考文獻

[1] J Parecke.EO-1/Hyperion Science Data Users Guide[M].TRW Space， Defense & Information System，2011.

[2] 趙春暉，陳萬海，楊雷.高光譜遙感圖像最優波段選擇方法的研究進展與分析[J].黑龍江大學自然科學學報，2007，24（5）：592-602.

[3] 林志壘，晏路明.地球觀測1號高光譜與全色圖像融合的最佳方法[J].計算機應用，2014，34（8）：2365-2370.

[4] 劉建平，趙英時，孫淑玲.高光譜遙感數據最佳波段選擇方法試驗研究[J].遙感信息，2001（1）：7-13.

[5] 黃健元.模糊ISODATA聚類分析方法的改進[J].南京航空航天大學學報，2000，32（2）：179-183.