基于GF—2與LandSat—8影像的土地覆蓋分類比較

鄔志剛 丁嘉樹

摘 要：基于GF-2與LandSat-8影像數(shù)據(jù)， 利用支持向量機(jī)分類器（SVM）對(duì)同區(qū)域同期兩種數(shù)據(jù)進(jìn)行土地利用覆蓋分類對(duì)比研究。結(jié)果表明：典型樣本的光譜比較接近，但在農(nóng)田與林地、不透水面與裸土的典型樣本可分離性方面， LandSat-8優(yōu)于 GF-2； GF-2與LandSat-8的分類總精度分別為92.25%和 92.06%，但不同地物類型的分類精度存在差異，波譜響應(yīng)函數(shù)的差異可能是導(dǎo)致LandSat-8對(duì)林地的分類精度高于 GF-2的原因；此外，GF-2對(duì)零碎分布地物類型的分類精度高于 LandSat-8， 主要原因是 GF-2具有更高的空間分辨率。

關(guān)鍵詞：土地利用覆蓋；遙感分類；支持向量機(jī)；GF-2影像

隨著遙感技術(shù)的不斷進(jìn)步，SVM已越來越多地應(yīng)用到遙感影像分類研究中，并取得了很好的效果 [ 1 ]。

本文對(duì)比GF-2與LandSat-8數(shù)據(jù)對(duì)土地覆蓋分類能力與精度的影響，評(píng)價(jià)GF-2在土地覆蓋分類中的應(yīng)用價(jià)值，選取同期GF-2和LandSat-8影像數(shù)據(jù)，采用SVM分類器進(jìn)行土地覆蓋分類， 對(duì)比GF-2與LandSat-8數(shù)據(jù)的分類結(jié)果差異并分析。

1 研究區(qū)域、 數(shù)據(jù)與方法

1.1 研究區(qū)概況

研究區(qū)位于江西省南昌市安義縣（28°44N-28°59N，115°34 E-115°51 E）。該縣西北與靖安接壤，南接高安，東鄰灣里區(qū)、新建縣?？偯娣e為面積656平方千米?？?cè)丝?0.06萬人。地形概貌為丘陵為主，水田莊園次之。區(qū)域內(nèi)主要土地覆蓋類型包括林地、裸土、水體、農(nóng)田和不透水面等。

研究區(qū)西部、東部海拔較高地區(qū)土地覆蓋類型為林地； 潦河兩岸地區(qū)以農(nóng)田為主， 農(nóng)田與分散的居民點(diǎn)呈混合分布狀態(tài)， 對(duì)比較不同分辨率影像中零碎分布地物的分類效果較為典型。

1.2 數(shù)據(jù)與方法

GF2搭載了兩臺(tái)高分辨率1M全色、4M多光譜相機(jī)，觀測(cè)幅寬達(dá)到45公里，具有亞米級(jí)空間分辨率、高定位精度和快速姿態(tài)機(jī)動(dòng)能力等特點(diǎn)，有效地提升了衛(wèi)星綜合觀測(cè)效能，達(dá)到了國(guó)際先進(jìn)水平。本文選取了一景2015年10月獲取的高分二號(hào)PMS1影像數(shù)據(jù)（GF2_PMS1_E115.7_N28.9_20151021_ L1A 0001 11 8 839）。

LandSat-8衛(wèi)星上攜帶兩個(gè)傳感器，分別是OLI和TIRS傳感器，選取同一時(shí)期、同一區(qū)域的 LandSat-8 衛(wèi)星OLI 傳感器數(shù)據(jù)（LC81220402015291LGN00）。

分類訓(xùn)練樣本的選擇和分類結(jié)果的驗(yàn)證，選擇同期的2.5 m分辨率的SPOT5多光譜與全色波段融合影像（數(shù)據(jù)來自Google earth）。在選取樣本時(shí)， 采取訓(xùn)練樣本和驗(yàn)證樣本同時(shí)選取的方式。對(duì)兩景影像進(jìn)行正射校正，DEM數(shù)據(jù)采用2015年USGS發(fā)布的最新7.5秒分辨數(shù)據(jù)，通過輻射定標(biāo)將傳感器記錄的DN值轉(zhuǎn)換成大氣頂層輻射亮度或反射率。通過 FLAASH 進(jìn)行大氣校正，將其轉(zhuǎn)換為地面真實(shí)反射率數(shù)據(jù)。利用矢量數(shù)據(jù)（2015年 GADM V2.8）對(duì)影像進(jìn)行裁剪得出研究區(qū)。投影選擇UTM投影，WGS-84 地理坐標(biāo)系。

2 分類方案及方法

分類體系建立參考2015年《土地利用現(xiàn)狀分類標(biāo)準(zhǔn)（GB-T21010-2015）.》一級(jí)分類系統(tǒng)，并考慮所用數(shù)據(jù)及研究區(qū)土地覆蓋類型的特點(diǎn)，最終確定將研究區(qū)的土地覆蓋類型劃分為林地、水體、農(nóng)田、不透水面和裸地五類。

本文選擇支持向量機(jī)分類器對(duì)研究區(qū)進(jìn)行土地覆蓋分類，SVM方法是根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力間尋求最佳折衷，以期獲得最好的推廣能力[ 2 ]，SVM根據(jù)已知訓(xùn)練樣本的類別及其特征屬性，求得訓(xùn)練樣本與樣本類別或?qū)傩蚤g的關(guān)系預(yù)測(cè)未知樣本的類別、屬性以及分布[ 3 ]。

3 結(jié)果評(píng)價(jià)與分析

基于ENVI5.3軟件平臺(tái)和檢驗(yàn)樣本實(shí)現(xiàn)SVM法的精度評(píng)價(jià)。評(píng)價(jià)指標(biāo)包括KAPAA系數(shù)、總體精度、用戶精度、生產(chǎn)者精度等，并進(jìn)一步對(duì)分類結(jié)果進(jìn)行對(duì)比分析。

為了獲取高質(zhì)量且具有代表性的樣本數(shù)據(jù)， 利用同期GoogleEarth2.5 m分辨率的SPOT5多光譜與全色波段融合影像選擇驗(yàn)證樣本和分類樣本。 兩種傳感器中對(duì)應(yīng)地物類型的反射率曲線趨勢(shì)一致性良好， 在近紅外波段的反射率差異最小。在藍(lán)光波段、 綠光波段和紅光波段LandSat-8各地物的反射率略大于 GF-2，其中不透水面最為明顯，裸土和農(nóng)田次之， 水體的反射率最為接近。

兩種數(shù)據(jù)各類地物的光譜可分離性：農(nóng)田和林地，不透水面和裸土兩組的類別可分離性 LandSat-8 高于 GF-2， 其他各組的差異不大，這說明在光譜可分離性方面，LandSat-8優(yōu)于 GF-2。

選取相同的訓(xùn)練樣本， 利用SVM對(duì)兩景影像進(jìn)行分類，利用 PMS傳感器的4個(gè)波段、 OLI傳感器除去卷云波段和熱紅外波段的其余 8個(gè)波段進(jìn)行分類。

利用SPOT5影像目視判讀，對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)，通過分類結(jié)果的混淆矩陣看出GF-2分類總精度較高。 LandSat-8 對(duì)林地、裸地、水體的分類精度高于 GF-2，主要因?yàn)椴ㄗV響應(yīng)函數(shù)的差異造成GF-2將更多的林地誤分為農(nóng)田。

GF-2 對(duì)農(nóng)田與不透水面的分類精度高于 LandSat-8，因?yàn)檠芯繀^(qū)分布較多水塘、細(xì)小河流、村莊和小規(guī)模的城鎮(zhèn)，地物類型破碎，在更高分辨率 GF-2 影像上混合像元少，紋理與細(xì)節(jié)信息明顯，從而分類效果更好。

GF-2將部分收割農(nóng)田和未利用耕地分為裸土，是造成裸土分類精度低于LandSat-8 的主要原因。

參考文獻(xiàn)：

[1] 范懷剛，岳彩榮，王棟. 基于支持向量機(jī)的宜良縣遙感分類與土地覆蓋變化研究[J].林業(yè)調(diào)查規(guī)劃， 2014（2）：51-56.

[2] 張學(xué)工.關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J].自動(dòng)化學(xué)報(bào)，2000， 26（1）：32-42.

[3] 鄧乃揚(yáng).數(shù)據(jù)挖掘中的新方法[M].科學(xué)出版社，2004.

作者簡(jiǎn)介：

鄔志剛（1990-），男，漢族，江西撫州人，碩士。