光學遙感影像土地利用分類方法綜述

周 珂， 楊永清， 張儼娜， 苗 茹*， 楊 陽， 柳 樂

(1.河南大學計算機與信息工程學院， 開封 475004; 2.河南大學河南省大數據分析與處理重點實驗室， 開封 475004; 3.河南大學實驗室與設備管理處， 開封 475004)

土地利用和人類的生活與生產息息相關，人類一系列的活動正以前所未有的速度影響著陸地環境[1]。人類進行的活動對土地利用的變化是發生全球環境變化的主要因素，因此土地利用的研究已成為全球變化研究的重要內容[2-3]。

遙感技術以覆蓋面廣、信息量大等優勢為土地利用分類提供新的技術手段。光學遙感影像憑借其較高的空間分辨率和時間分辨率、適合的光譜分辨率以及共享度高等優勢，在土地利用分類中被廣泛使用[4-6]，主要對利用光學遙感影像進行土地利用分類的工作進行分析總結歸納了土地利用分類時所用到的光學遙感影像數據、分類方法，分類效果等內容。

1 土地利用分類數據源與預處理

1.1 數據源選擇

土地利用分類在選擇遙感圖像數據時，需要根據研究區域和分類目標的特點選擇不同的數據。研究區域較大的一般需要選擇中低分辨率大尺度數據[4]，區域較小研究則需要選擇高分辨率的影像數據；分類目標較小的選擇高分辨率影像，分類目標較大的選擇中低分辨率影像。高分辨率的影像并非是所有土地利用研究的最佳數據源[5]，因其覆蓋范圍較窄，對于研究大范圍的土地利用帶來了一定的復雜度，所以在選擇影像數據時，要根據具體的分類場景及分類目標進行選擇[6]。常用數據源如表1所示[7]。

表1 土地利用分類常用的光學遙感影像數據源[7]Table 1 Optical remote sensing image data sources commonly used in land use classification[7]

圖1 影像預處理基本流程[8]Fig.1 Basic process of image preprocessing[8]

1.2 數據預處理與預處理工具

原始遙感影像在對目標提取之前一般要進行預處理[8-9]。不同星源提供的數據需要的預處理過程不完全一樣，影像預處理基本流程如圖1所示。當前，有較多的開源或商業遙感影像軟件工具提供預處理功能，為影像的預處理提供了較好的技術支持。Sentinel-2[7]官網提供有已經進行過輻射校正和幾何校正的數據，可以根據研究目的決定是否利用其官網提供的影像處理軟件進行大氣校正。白秀蓮等[10]對數據預處理時選擇圖像可視化環境軟件(environment for visualizing images，ENVI)進行圖像裁剪，提取研究區域影像數據。肖國峰等[11]將ENVI和像素信息專家(pixel information expert，PIE)兩個軟件結合使用對高分二號數據進行大氣校正、影像融合等預處理。王瀚征[12]進行實驗時，選擇ENVI中的 FLAASH(fast line-of-sight atmospheric analysis of spectral hypercubes)大氣校正工具進行大氣校正。杜啟勝等[13]利用ENVI使用幾何校正、圖像裁剪等方式對數據進行預處理，最終將預處理后的數據與地圖疊加繪制了遙感專題地圖。

2 土地利用分類方法

應用較多的土地利用分類方法主要包括目視解譯、監督分類、非監督分類等[14-17]。近年來，隨著人工智能的發展，深度學習方法也逐漸引入土地利用分類中。

2.1 目視解譯

目視解譯是一種通過影像特征，建立解譯標志，圖形判讀，完成土地利用分類的一種影像信息分類方法[14]。Antrop等[15]利用目視解譯方法對郊區景觀全方位進行研究，構建了景觀指數圖，指出目視解譯，對復雜、異質景觀和空間單元進行分類而言是一種有效的分類方法。李鎮等[16]以陜北吳起縣和綏德縣為研究區，使用QuickBird 影像為實驗數據對該地區的土地切溝形態參數的精確度進行研究，采用目視解譯對實驗結果進行分析，結果表明在草本覆蓋的區域中目視解譯精度更高。趙旦等[17]在研究汶川地震后地表植被恢復狀況檢測時，采用目視解譯分類方式識別森林資源的變化，并根據植被指數變化對災區森林恢復做出評價，效果良好。

目視解譯對研究人員的經驗知識有較強的依賴性，分類結果會因個人經驗存在差異，同時目視解譯效率較低，適用于數據量較少，需精準分類情況，近年來，研究人員多將目視解譯結果作為其他分類方法的比對對象。

2.2 監督分類方法

監督分類是指分析者對圖像區域特征了解的基礎上，選擇已知的類別特征作為訓練樣本讓分類系統學習訓練出模型，并按照一定的分類原則對所有待分類圖像的像元進行判別處理，即通過系統已經掌握的分類特征去識別未進行訓練的圖像的像元的過程[18]。常見的有監督分類算法有：決策樹、最大似然分類、支持向量機等。

2.2.1 決策樹分類算法

決策樹分類[19]算法是建立在信息論的基礎上，將復雜抽象的信息轉化為易于理解的判斷。決策樹在層級上是數據結構中的樹或者二叉樹的結構內部節點代表分類特征或屬性，每一個內部節點處只根據較少屬性值進行判決[20]，葉子節點代表分類結果。決策樹模型的基本結構如圖2所示。白秀蓮等[10]以內蒙古赤峰市巴林右旗、林西縣等區域為實驗區，利用決策樹分類器模型對LandSat數據和高程數據進行處理，實驗結果表明，決策樹分類可以有效的減少目標物的同物異譜、異物同譜的影響，總體精度高達83%以上。張宇等[21]以山東任城區為實驗區，以LandSat影像作為數據，利用決策樹算法確立各地類的綜合閾值建立模型，得到三期影像數據全體精度均達到86%以上的結果。楊雪峰等[22]以塔里木河下游為研究區，數據源選取多角度成像光譜輻射計(multi-angle imaging spectro-radiometer，MISR)數據，利用4種決策樹模型：J48模型、邏輯模型樹(logistic model trees，LMT)、C5.0模型、分類回歸樹(classification and regression tree，CART)進行土地利用分類研究，結果顯示相比其他分類方法，決策樹中的C5.0算法分類效果最佳，而且實驗發現近紅外波段相比其他波段對地物反射異質性信息更敏感。周星宇等[23]以國產GF-1高分辨率影像作為數據源，選擇中國沿海海岸線作為實驗區，利用決策樹分類方法提取中國沿海地區地表物類信息，結果表明決策樹分類方法除了在堤壩、裸地方面分類精度不如其他分類方法，其他地物類型分類精度均表現良好。

決策樹分類算法可以在很大程度上不受異物同譜的影響，當遙感影像空間特征復雜，數據維度較高時，決策樹分類算法表現良好。決策樹模型的好壞對分類精度影像較大，因此設計更好決策樹模型是未來重要的研究方向之一。

圖2 決策樹分類基本結構[20]Fig.2 The basic structure of decision tree classification[20]

2.2.2 最大似然分類法

最大似然分類[24-25]又稱為貝葉斯(Bayes)分類，也是應用較多的一種分類方法，在進行分類時主要依據是Bayes準則，判斷函數的構造和對應的分類準則是整個方法的重要內容，在對遙感數據進行分類時，將多波段的影像數據看成滿足多維正態分布的數據，從而進行構造分類函數。

最大似然分類方法原理：設有n個類別，用ω1，ω2，…，ωn表示n種類別，用P(ω1)，P(ω2)，…，P(ωn)表示每一種類別發生的概率，設有未知類別的樣本X，P(X|ω1)，P(X|ω2)，…，P(X|ωn)為每一類對應的條件概率，由貝葉斯定理可得樣本X出現的后驗概率為[26]

(1)

通過將后驗概率作為判斷依據進而判斷所對應的類別，其分類準則為[26]

(2)

通過觀測樣本將先驗概率P(ωi)，通過轉換成后驗概率P(ωi|X)，然后將后驗概率最大設置為分類原則，確定樣本屬于哪種類別。

鄭彥龍等[27]以Landsat 影像為實驗數據，選擇咸安區為實驗區，使用最大似然分類法將該區域的土地利用類型分為六類，實驗表明該區域的地物提取總體精度高達90%以上。李杰等[28]在對土地利用類型進行分類時選擇五類土地利用類型(樹林、農田、人工水域、人工建筑、裸地)作為訓練樣本，以0.5 m分辨率的WorldView-2影像數據和1 m分辨率的IKONOS全色遙感圖像作為實驗數據，利用最大似然分類方法在4組實驗數據進行實驗，結果4組實驗數據總體精度都高達85%，其中最佳實驗組總體精度達到88.28%。郭力娜等[29]以LandSat 8影像為數據源，研究唐山市土地利用變化情況，實驗對比發現監督分類中最大似然法分類在本研究區中分類精度最高，最大似然分類在耕地、園林、人工綠地分類精度達到94%以上。樊利恒等[30]以印第安納州Tippecanoe郡為實驗區，基于該實驗區的多光譜影像數據測試改進后最大似然分類方法，結果表明改進后算法對地物類別總體分類精度提高3%以上。Otukei等[31]以LandSat影像為實驗數據，研究帕利薩區的基巴萊縣的土地利用變化，最大似然分類將帕利薩區的基巴萊縣影像中地物類別分為：森林、草本濕地、灌木濕地、草原、草地等，總體地物分類精度達到87%以上。陳明等[32]對黃土高原的平朔礦區的高分一號影像進行地類信息提取時采用了最大似然分類法，結果表明：居民點、旱地、工業用地、采礦用地、復墾土地地類信息總體精度為81.66%，Kappa系數為0.79。梅樹紅等[33]用最大似然法進行土地利用分類實驗，結果表明最大似然法分類在分類精度方面沒有其他方法高，但計算效率優勢明顯。

最大似然法的優點是簡單，便于操作，而且可以和貝葉斯理論、其他先驗知識融合，但是它也有自身的缺陷比如：只適合于波段數少的多波段數據，還有分類時間長，訓練樣本要求較高等問題。

2.2.3 支持向量機分類法

Corina等[34]在1993年提出支持向量機(su-pport vector machine，SVM)，通過計算出待分離樣本之間的最佳分離超平面對樣本進行歸類。圖3為兩類樣本數據可分離的支持向量機原理[34]。平面L要滿足兩個條件：一是可以劃分兩類樣本；二是L1距離L和L2距離L的距離要保證最大[34-36]。

當嚴格要求樣本不可以越過L1、L2兩個超平面時，這種情況被稱為硬邊緣分類，但是硬邊緣分類存在對異常值過于靈敏和只對線性可分離的數據有效等問題，因此在滿足最大化分類間隔的基礎上引入損失函數構建新的優化問題，從而使少量樣本允許出現在間隔帶中，這種情況稱為軟邊緣分類[37-39]。

□、○為兩種待分類的樣本；L為最佳分離超平面； L1、L2為兩個平行平面，其作用主要是阻隔樣本圖3 二維線性分類[34]Fig.3 Two dimensional linear classification[34]

對非線性可分的情況，非線性可分情況要通過使用核函數將待分離樣本進行歸類，主要是通過對二維空間使用核函數[40]轉換到高維空間，在高維空間尋找分類樣本的方法。

趙恒謙等[41]使用SVM分類方法對2006—2016年北京市通州區地物類型進行分類，分析該區域4類(水域、建筑用地、耕地、綠化用地)土地利用情況，結果表明使用SVM分類方法整體分類精度均高于80%以上。張靜等[42]使用Landsat TM 多光譜影像，以延安市、嘉峪關市、果洛藏族自治州等地為研究區域，通過對支持向量機引入地表植被指數以及地物在影像中的紋理信息特征進行優化，結果顯示改進后的算法在延安市的總體精度最高達到97%。李玲等[43]以高級陸地觀測衛星(advanced land observing satellite, ALOS)高空間分辨率圖像為數據源，選取浙江省湖州市為實驗區，將紋理特征加入到原始算法中，實驗結果表明，改進后的支持向量機在林地提取精度達到92%，水域和公共建筑精度為100%，交通設施精度達到95.45%，總體精度達到90%以上。鄧曾等[44]通過主成分分析降低訓練樣本維度和優化網格搜索參數對傳統支持向量機進行改進，實驗時以World-View2影像作為實驗數據源，采用改進后的算法對道路、水體等五類地物進行分類，結果分類精度平均都在90%以上。

支持向量機通過對樣本在光學遙感土地利用分類過程中的訓練，搭建了地物類型和光學遙感影像信息因子之間的橋梁，取得了較好的分類精度，適合解決小樣本、高維的、非線性的多源數據分類，特別是一對一多類方法的模型和以徑向基(一種支持向量機核函數)核函數為基礎的支持向量機模型更適合提取遙感影像中的類別信息。

2.2.4 隨機森林

隨機森林(random forest, RF)算法是由Breiman[45]率先提出的一種將多顆決策樹組合到一起進行分類的算法。其隨機主要體現在兩方面：一方面是子模型的訓練樣本是隨機抽取的；另一方面是子模型對應的特征信息也是隨機抽取的。每一顆決策樹模型的訓練是通過自助采樣法(Boostrap抽樣)抽出來的，在構建每一顆決策樹模型的時候是從所有特征中隨機抽取一個子集來對模型進行訓練。隨機森林算法是由眾多的決策樹組成，每一決策樹會產生一種分類結果，而隨機森林則是將所有結果匯總從中選出最佳的分類器，進行分類。由于該方法所具備的極高的準確率、能夠評估各個特征在分類問題上的重要性以及能提供快速、可靠的分類結果，所以在影像分類上具有廣泛的應用[46]。田紹鴻等[47]使用RF分類方法結合TH-1數據對新疆阿勒泰地區北屯市的土地利用情況進行研究，結果表明,通過 RF分類，分類精度達到80%以上。郭玉寶等[48]以北京市某區為研究區域，實驗數據選取國產高分一號數據，利用隨機森林算法對實驗區的土地利用情況進行分類提取分析，結果表明，在3種分類方法中隨機森林總體分類精度達到85%以上，隨機森林算法計算效率在3種方法中也是較優。張磊等[7]以黃河三角洲濕地為研究區，使用Sentinel-2影像作為實驗數據，利用隨機森林算法對濕地進行地物信息提取，實驗表明地表植被指數和紅邊指數提高地物分類的精度，而紋理特征信息則導致分類精度下降。劉代超等[49]以黃山市為研究區，數據源使用是國產GF-6影像和Google Earth影像，利用隨機森林算法對該地區林地與非林地信息進行提取，結果表明，紅邊波段信息和多時相數據融合使得隨機森林算法在該地區總體分類精度達到93%。顧海燕等[50]對潼城區的7種地類進行研究，將算法特征數量設定為10時，隨機森林的總體分類精度最高達到91.08%。李國慶等[51]以陜西麻塔流域為研究區，通過使用最大似然算法和隨機森林算法處理LandSat 8影像數據，發現隨機森林算法更適合用于麻塔流域土地利用分類，分類總體精度為74%。

隨機森林算法是一種比較成熟的算法，在光學遙感影像土地利用分類中普遍使用，特別是在數據維度較高，樣本數據少，同時對準確性要求較高的多光譜、多時相遙感影像分類中，隨機森林算法更能體現速度快、精度高、穩定性好的優勢，取得了很好的應用效果。

2.3 非監督分類方法

非監督分類，也稱為聚類分析，憑計算機自己對數據進行處理從而分出不同類別，但是不能確定分類結果的屬性[52]。迭代自組織數據(ISODATA)分析算法[53-54]是一種常見的非監督分類算法，廣泛使用在遙感影像中的信息分類[55-56]。

ISODATA算法思想首先確定初始分類個數確定歸類閾值，通過引入歸并與分裂過程不斷調整類別個數，兩種類別之間的樣本均值距離小于參數值時，就觸發歸并機制進行歸類，如果大于參數值則進行分裂，分成兩類，如此不斷調整分類樣本個數和參數值進行分類，直到迭代結果較為滿意為止[57]。

韓潔等[58]采用QuickBird影像數據使用非監督迭代自組織數據分析算法進行初步分割，同時融合了幾何、紋理等信息進行道路提取，最終結果表明實驗相比其他算法在完整率、正確率和監測質量平均提高了26.61% 、5.57% 和 26.77%。朱爽等[59]利用ISODATA算法對北京郊區LandSat TM影像中冬小麥種植區進行提取，研究表明，ISODATA算法的像元精度達到86.6%。Abbas等[60]以巴基斯坦大氣研究委員會的衛星數據為數據源，選擇巴基斯坦東北部巴德地區作為研究區域，以ISODATA算法作為影像分類的研究方法，當把迭代次數從1到10依次增加時，分類精度明顯提高，同時聚類數目也增加了10個。Vimala[61]使用LandSat7、LandSat8影像數據，對塞勒姆市的土地覆蓋變化進行研究，利用無監督ISODATA算法將遙感影像中土地利用類型劃分為道路、建筑、植被、水體、休耕土地、礦山和荒地，結果表明各種利用類型的精度均在83%～86%。

ISODATA算法簡單具有較好的分類精度，同物異譜和同譜異物對ISODATA算法分類精度影像較大。傳統的ISODATA算法以一整幅遙感影像為處理對象，邊學習邊分類，分類效率低，并行計算技術和ISODATA算法的結合解決了運算耗時問題。

2.4 深度學習分類方法

深度學習技術[62-65]的主要思想是利用神經網絡進行信息識別，通過利用大量的樣本進行訓練，尋找樣本數據內在的規律，得到最優訓練模型，然后將待處理數據輸入訓練模型得到最優分類的過程。在影像識別領域，神經網絡是最常用的分類方法。

2.4.1 BP神經網絡分類算法

反向傳播(back propagation，BP)神經網絡[66-67]是按照誤差反向傳播的多層前饋神經網絡，其基本網絡結構有：輸入層、隱藏層、輸出層，結構示意如圖4所示[66]。BP神經網絡主要流程是由輸入層接受待處理數據，然后由輸入層神經元將數據傳遞到隱藏層，由隱藏層對數據進行計算處理，最后交給輸出層，如果輸出層收到數據不能滿足預期，則由輸出層反向傳入隱藏層進行處理，并且修改參數，直至最終結果達到預期效果。

x1, x2,…, xn為輸入數據；y1, y2,…, yn為輸出數據圖4 BP神經網絡拓撲結構[66]Fig.4 BP neural network topology[66]

神經網絡以數據為驅動，通過自動提取遙感影像中的高層語義特征來識別目標物的能力得到了廣泛的應用。王佃來等[68]將BP算法和最鄰近節點算法 (K-nearest neighbor，KNN)融合，融合后的算法在土地分類精度提高了6.43%。劉倩[69]研究了全卷積神經網絡模型應用于遙感影像地物分類的可行性和優勢，結果表明神經網絡在本實驗中相比其他分類方法均提高9%以上。呂京國[70]以常州市為實驗區，選擇航空影像數據，分別使用單一神經網絡分類器和多種神經網絡分類器集成的方式進行實驗，結果表明BP神經網絡在對四類地物分類總體精度達到79%。何爽等[71]以江蘇省河口濕地為研究區，數據源選擇Sentinel-2影像，使用遺傳算法對神經網絡中的閾值進行設定，研究濕地的土地利用情況，結果表明改進后神經網絡在7類地物類型的總體分類精度提高了7%。肖國峰等[11]利用BP神經網絡對廊坊市進行實驗時發現，對于路面材質的提取精度最高達到91.4%。盧柳葉等[72]選擇山西定襄縣區域的LandSat影像為數據源，將神經網絡融入了光譜信息、歸一化植被指數(normalized difference vegetation index，NDVI)以及紋理信息，結果發現紋理信息和NDVI融合之后的神經網絡比未改進的神經網絡提高了6%以上。

神經網絡于其他統計分類方法相比沒有對數據的分布特征有任何假設限制，神經網絡是非線性的，對特征空間較為復雜的影像數據分類時表現效果比傳統分類方法更優。但隨著神經網絡層的增加，對計算機內存的消耗也是巨大的，未來在應用中如何降低對內存的消耗也是重點的研究方向。

2.4.2 空-譜結合的分類算法

空-譜結合的高光譜影像分類算法是一種將提取到的光譜特征信息和空間特征信息結合對高光譜影像進行分類的算法[73-74]。在傳統的空-譜結合是先將影像數據進行主成分分析進行降維用一維卷積神經網絡(one-dimensional convolution neural network，1D-CNN)將光譜信息特征提取出來，然后再用一個二維卷積神經網絡(two-dimensional convolution neural network，2D-CNN)對影像數據對應的空間信息提取出來，將兩次提取到信息進行計算完成分類。圖5為卷積神經網絡的基本結構示意[75]，1989年CNN模型被首次提出，1998年計算機科研人員創造了LeNet模型[75],LeNet模型很小，但是卻包括了CNN基本的五層結構，其中卷積層有3個，池化層有兩個每一層都有不同的參數，目前其他深度學習模型都以其為基礎進行改進。姚瓊等[76]在對高光譜圖像進行聯合空譜特征進行分類時先提取光譜特征信息再提取空間特征信息模式，首先將原始的影像按光譜信息劃分為多個子集，然后在子集上進行提取空間結構特征建立視圖，實驗結果表明，基于空譜特征建立視圖進行分類精度最高達到99.73%，可見將空間特征信息和光譜信息進行有機結合可以更加清晰劃分不同地物差異，提高分類精度。

圖5 卷積神經網絡的基本結構[75]Fig.5 The basic structure of convolutional neural network[75]

三維卷積神經網絡(three-dimensional convolution neural network，3D-CNN)[77],3D-CNN可以在3個不同維度空間同時進行計算，與原來的一維加二維提取方式相比3D-CNN可以將提取光譜特征和空間特征的工作同時進行，不再像以前先提取光譜特征再提取空間信息，三維卷積核能夠提取三維信息，可以使用兩個維度提取空間特征信息，一個維度用來提取光譜特征信息。陳亨等[78]將3D-CNN計算過程拆解成三步計算，以此來降低計算成本，并且在帕維亞大學高光譜數據集上進行實驗，實驗結果表明，改進后的三維卷積神經網絡對9種地物類別分類的總體精度高達95%以上，訓練時間與未分解相比降低了16%。Chen等[79]提出了一種策略改進原始的三維卷積神經網模型，改進后的模型在提取光譜特征信息和空間特征信息時融合了正則化方法。袁靜文等[80]利用高分五號高光遙感影像為實驗數據，研究區域為江北核心區，實驗方法是在空-譜聯合算法的基礎上進行改進，在提取影像數據中的光譜特征信息和空間特征信息時采用的是端到端的模式，并且對分類結果使用條件隨機場方式進行再次細分。黃鴻等[81]使用帕維亞大學數據集和薩利納斯山谷數據集作為實驗數據，利用基于深度學習的空譜聯合研究方法，對帕維亞大學區域和加利福尼亞州薩利納斯山谷進行土地利用類型分類實驗,實驗結果表明，在1%的樣本條件下總體分類精度達到90%以上，5%的樣本條件下總體分類精度達到97%以上。謝幸雨等[82]在使用空譜聯合提取地物信息時，在Indian Pines數據集上精確度為0.929，耗時762 s，在Pavia University精確度為0.914，耗時365 s。

實驗結果表明，空-譜結合的分類算法較單一的基于光譜信息進行地物提取精度要高，而且對于遙感影像的同譜異物和同物異譜現象的存在，空-譜結合的分類算法可以通過加入空間特征信息結合神經網絡模型有效地提高分類精度。空-譜結合的分類算法同樣會因為數據維度的增加，計算效率下降，未來的研究可以從增加維度、提高效率方面進行研究。

3 土地利用分類方法綜合分析

各種分類方法的最終目的都是將影像中的每個像元根據其在不同的波段、空間或其他信息中表現出來與其他周圍像元不同的特征，依據一定的規則和算法將其進行歸類。最簡單的是依靠專業人士的專業經驗對像元信息進行判斷，隨之便是利用單一光譜亮度值進行半自動化分類。復雜的分類方法不僅考慮像元在波段的光譜亮度值，同時結合該像元與周圍其他像元之間的空間關系，如形狀、方向性等信息，對像元進行歸類。因此對于維度信息的增加，計算量同樣也會增大，進而算法的計算效率會下降，但是分類精度有所提高。

目視解譯主要依靠專業人士的專業知識對遙感圖像的分析解譯以及相應的光譜特征描述。通過解譯標識的建立、類別的判斷等工作完成土地利用分類，該方法過于依賴人的專業知識，面對海量影像數據分類效率不高，但是總體分類精度較高。

監督分類利用計算機自動分類，計算效率遠高于目視解譯方法，適用于大范圍的研究區域，是目前遙感影像信息提取普及率較高的方法之一。監督分類可以根據研究區域和研究目的，充分利用該地區的先驗經驗，來決定分類類別，避免不必要的分類，可以通過對訓練樣本的控制與檢查判斷樣本數據是否被精準分類，避免重大錯誤。由于監督分類中訓練樣本的選擇人為因素較強，研究人員定義的分類類別可能并非影像中存在的類別，或者影像中某些類別沒有被定義均會導致監督分類方法無法識別。

非監督分類不需要像監督分類預先對研究區域進行樣本訓練，降低了研究人員對樣本分類差錯導致的分類錯誤的概率，但是仍然需要經驗豐富的研究員對分類集群進行解譯。非監督分類只需要設定初始參數(迭代次數，誤差閾值等)即可自動進行分類，而且可以識別影像中特殊的、小覆蓋類別。由于分類之前沒有進行過訓練，其分類結果需要大量的分析，結果中的類別可能并非研究員所需要的類別，研究人員需要對結果進行類別匹配，而且分類集群會因光譜特征的變化(時間、地形變化)無法連續。

深度學習分類模型應用最廣泛的是BP神經網絡，神經網絡對于待分類別的先驗知識要求較少，計算過程高速并行，可以處理海量數據，處理特征空間較為復雜數據，在處理非線性分類時優勢明顯。由于神經網絡層數確定并沒有理論基礎，目前均以實驗確定，因此算法存在收斂速度慢，參數復雜，易限于局部極小，網絡層和神經元個數難確定的局限。

針對各類分類方法中具有代表性算法的計算效率影響因數、精度、是否需要人工輔助、適用性等特點進行了分析，具體如表2所示。

從表2對比分析中可知，當樣本數據量過大、分類目標不明確時，非監督的ISODATA算法最為合適；當處理的數據維度較高或者數據來源較多但數據規模小時，應選擇支持向量機和隨機森林方法；樣本可訓練時且有較好的訓練模型，數據規模大可以采用基于深度學習的神經網絡模型分類法。但是各種分類方法都有自身的局限性，在利用計算機分類后再依靠人工目視解譯最后分類效果會更好。

4 結論與展望

光學遙感影像的土地利用分類近年來得到了深入的研究，雖然目前土地利用分類方法眾多，也取得了一定的研究成果和進展，但是目前的分類方法都有各自的局限性。

表2 土地利用分類方法特點Table 2 Characteristics of land use classification methods

目視解譯在中、高分辨率數據源下效果較好，方法簡單，但效率低，難適應海量數據的分析。監督分類、深度學習的分類方法在進行分類之前需要對分類模型進行大量的訓練，訓練過程復雜，這導致很多訓練之后的模型方法過于依賴訓練樣本出現過擬合現象，訓練過程中一味增加訓練次數可能導致分類精度下降。非監督分類不要預先訓練，可以處理海量數據，處理流程主要是數據特征歸類，較為簡單，但是其分類結果和實際類別差距較大，精度不高，結果需人工進行模式匹配。

在對光學遙感影像土地利用分類方法進行總結的同時，以下問題也值得進一步探索。

(1)光學遙感影像本身包含大量的信息，對于影像數據在土地利用分類方面進行處理時缺乏大型的、已標記的公開數據集，在進行深度學習訓練時，訓練數據不足導致算法和模型對分類結果影響較大，光譜數據標記比較困難，人工標注代價太大。現階段的神經網絡應用都處于大樣本、小任務的處理，研究構建高維、小樣本數據集分類算法是重要的研究方向。

(2)數據維度過高在數據存儲和處理方面都會非常困難，如何降低光譜數據維度，降低數據存儲的開銷也是光譜數據處理的一個難點。

(3)多數分類算法僅從數據的角度進行考慮，從應用需求出發，重視影像分類的地學解釋和意義也是當下一個關注熱點。