基于Landsat 8影像的監督分類及后處理方法對比研究

王家福

（云南馳宏鋅鍺股份有限公司，云南 曲靖 655000）

土地開發利用管理是經濟社會的1種基本經濟管理[1]，并且其注重合理利用土地資源，并對土地資源進行開發、整治和保護[2-4]。近年來，我國開展土地利用資源調查的技術手段也在不斷發展，遙感和計算機等信息技術被廣泛運用[5]。其中，基于衛星遙感影像的土地調查分類方法和應用地理信息系統技術開展土地資源調查、評價的技術體系逐漸發展和成熟起來[6]。基于遙感影像的分類方法因其具有數據獲取方便、時效性強的優勢，成為了土地利用信息提取的高效方式。而遙感分類方法是影響土地利用覆蓋分類精度的關鍵因素[7-9]，因此國內外許多學者研究對比過不同分類方法的效果。成淑艷等[10]以青海湖沙柳河流域為研究區對比研究了幾種常見的監督分類方法用于土地覆蓋提取時的效果；徐曉桃等[11]比較研究了最大似然法、神經網絡法和決策樹法在甘肅省土地覆蓋分類時的分類精度；周麗紅等[12]比較了監督分類中幾種常見的分類器和決策樹方法在南昌市土地覆蓋分類時的精度。但大多數的研究都是對多種監督分類的方法進行對比實驗，面向監督分類及分類后處理的對比研究較少，因此，對比研究幾種常見的土地利用覆蓋遙感分類方法及分類后處理結果很有必要。鑒于此，以昆明地區的滇池流域為研究區，選取Landsat 8影像，分別利用監督分類法中的神經網絡和支持向量機2種分類器，分類后處理方法選用Majority/Minority分析和聚類處理，得到2種分類方法和2種分類后處理的研究區土地利用覆蓋分類結果，基于混淆矩陣對不同分類結果進行比較分析，以進行對研究區的土地利用覆蓋自動分類器及后處理方法的研究。

1 研究區及數據

1.1 研究區

晉寧區，隸屬于云南省昆明市，位于云南省中部，是昆明都市核心區的重要組成部分（24°24′～24°28′N，102°13′～102°52′E）[13]。由于晉寧區地處云貴高原，地勢南高北低，全區最高處海拔2648 m為南部的大梁子山，最低處海拔1340 m為西部的小石板河。截至2021年10月，晉寧區下轄昆陽街道、寶峰街道、晉城街道、二街鎮、上蒜鎮、六街鎮、雙河彝族鄉、夕陽彝族鄉，行政區域面積1336km2。根據第7次人口普查數據，截至2020年11月1日0時，晉寧區常住人口為346268人。

1.2 數據

考慮遙感影像數據的可獲取性和代表性，選取Landsat 8影像作為數據源[14]。Landsat 8于2013年2月11日發射[15-16]，包括9個波段，可以組合構成多個RGB方案用于支持自動分類方法的訓練區提取和目視解譯影像識別。論文選取2017年3月14日Landsat 8 OLI衛星影像為實驗數據，軌道號：43（Row），129（Path）。此外，還選取了研究區同期的GF-1衛星影像，主要用于輔助分類訓練樣本選擇、目視解譯信息提取的高分辨率影像參考。實驗利用ENVI 5.3軟件對Landsat 8影像進行數據預處理，主要預處理為影像裁剪和影像融合。通過影像預處理后得到空間分辨率為15m的遙感影像，為后續實驗提供了基礎數據。

1.3 分類體系

參考國土資源部2007年8月發布的《土地利用現狀分類》[17]，結合對所選遙感數據的判讀分析以及實驗研究目的，確定將研究區土地利用覆蓋信息分為5類，分別是耕地、綠地、城鎮用地、水體和裸地。

2 研究方法

2.1 分類方法

論文將基于監督分類的方法對研究區影像進行土地利用覆蓋的計算機自動分類提取。監督分類總體上一般可分為3個過程：選擇訓練樣本、執行監督分類和分類結果評價[18]。在進行分類信息提取時，一般會根據分類的復雜度和所需精度等因素，選擇多種分類器來輔助完成監督分類，本文所選用的分類器為神經網絡和支持向量機[19]。

2.2 分類后處理方法

通常情況下，監督分類得到的初步分類結果中會存在一些面積較小且細碎的圖斑。對于專題制圖或實際應用，均考慮剔除這些較為細碎的圖斑，或對細碎圖斑進行重新分類。因此，對監督分類的結果實現進一步的處理操作是很有必要的。只有通過分類后處理，才能得到更為理想的分類結果[19]。本文所選用的分類后處理方法為聚類處理（Clump）和Majority/Minority分析[20]。

2.3 精度評價方法

本文將基于混淆矩陣[21]對分類結果進行精度評價。混淆矩陣通過計算可以得到如下4個參數，分別為總體精度P、生產精度Pij、用戶精度Pij和Kappa系數，其計算公式如下：

式中，r為類別數量，Pii為第i行i列的被正確分類的對象，Pi+為第i+行的樣本總數，P+j為第+j列被分為該類型的樣本總數，N為樣本總數。

3 結果

運用神經網絡的分類器進行計算機自動解譯，并結合聚類處理和Majority/Minority分析進行分類后處理，得到的結果如圖1所示。

圖1 神經網絡分類結果圖

通過神經網絡分類結果圖1a可以發現，神經網絡的水體提取效果很好，且可以區分城鎮用地和耕地。在近水體處，綠地提取效果較好，但裸地和綠地的區分效果一般。經過聚類處理后的分類結果（圖1b）中的細碎圖斑有所減少，道路也相對更加清晰了，綠地錯分現象減少。經過Majority/Minority處理后的分類結果（圖1c）中仍存在一些明顯的細碎圖斑。

運用支持向量機的分類器進行計算機自動解譯，并結合聚類處理和Majority/Minority分析進行分類后處理，得到的結果如圖2所示。

圖2 支持向量機分類結果圖

通過支持向量機分類結果圖2a可以發現，支持向量機的分類結果較神經網絡的分類結果更佳，各地類提取斑塊中的細碎圖斑明顯減少，綠地錯分現象得到一定改善。尤其，經過聚類處理后（圖2b）的城鎮用地分類較為清晰，而Majority/Minority處理后（圖2c）的城鎮用地分類仍存在細碎圖斑。根據分類結果圖2可以看出經過聚類處理后的分類影像效果最好。

以Landsat 8影像為底圖，借助GF-1高分辨率影像為參考，利用ArcGIS 10.7軟件，通過目視解譯的方式繪制土地利用覆蓋分類，并以此作為精度評價的驗證數據。運用神經網絡法進行分類，計算并統計分類結果的混淆矩陣，得到如表1所示的基于神經網絡的土地利用覆蓋分類精度評價表。

表1 基于神經網絡的土地利用覆蓋分類精度評價表

讀表1可知：神經網絡法分類的總精度為68.55%，Kappa系數為0.5973，研究區整體分類質量好。其中，水體的分類效果最佳，用戶精度為96.53%，生產精度為94.56%；綠地和耕地的分類效果次之，用戶精度分別為84.89%和83.38%，生產精度分別為67.18%和46.20%；而裸地的分類效果較差，用戶精度和生產精度分別為21.00%和62.90%。

對神經網絡分類結果進行聚類后處理，并計算分類后處理結果的混淆矩陣，得到如表2所示的基于神經網絡聚類后處理的土地利用覆蓋分類精度評價表。

表2 基于神經網絡聚類后處理的土地利用覆蓋分類精度評價表

讀表2可知：對神經網絡分類結果進行聚類后處理的分類總精度為69.27%，Kappa系數為0.6053，研究區的整體分類質量較未進行后處理的分類結果有所提升。其中，水體、綠地、裸地和耕地的用戶精度均有所提升，而城鎮用地的用戶精度反而有所降低。綠地和城鎮用地的用戶精度均有所提升，而水體、裸地和耕地的用戶精度反而有所降低。

對神經網絡分類結果進行Majority/Minority后處理，并計算分類后處理結果的混淆矩陣，得到如表3所示的基于神經網絡Majority/Minority后處理的土地利用覆蓋分類精度評價表。

表3 基于神經網絡Majority/Minority后處理的土地利用覆蓋分類精度評價表

讀表3可知：對神經網絡分類結果進行Majority/Minority后處理的分類總精度為69.25%，Kappa系數為0.6061，研究區的整體分類質量較未進行后處理的分類結果有所提升。其中，水體、綠地、裸地和耕地的用戶精度均有所提升，而城鎮用地的用戶精度反而有所降低。水體、綠地、裸地、耕地和城鎮用地的用戶精度均有所提升。相比之下，神經網絡聚類后處理的土地利用覆蓋分類總精度更高。

運用支持向量機法進行分類，計算并統計分類結果的混淆矩陣，得到如表4所示的基于支持向量機的土地利用覆蓋分類精度評價表。

表4 基于支持向量機的土地利用覆蓋分類精度評價表

讀表4可知：支持向量機法分類的總精度為68.89%，Kappa系數為0.6008，研究區整體分類質量較好。其中，水體的分類效果最佳，用戶精度為91.86%，生產精度為95.87%；綠地和耕地的分類效果次之，用戶精度分別為85.73%和84.74%，生產精度分別為69.38%和43.58%；而裸地的分類效果較差，用戶精度和生產精度分別為21.32%和61.96%。

對支持向量機分類結果進行聚類后處理，并計算分類后處理結果的混淆矩陣，得到如表5所示的基于支持向量機聚類后處理的土地利用覆蓋分類精度評價表。

表5 基于支持向量機聚類后處理的土地利用覆蓋分類精度評價表

讀表5可知：對支持向量機分類結果進行聚類后處理的分類總精度為71.41%，Kappa系數為0.6302，研究區的整體分類質量較未進行后處理的分類結果有所提升。其中，水體、綠地、裸地和耕地的用戶精度均有所提升，而城鎮用地的用戶精度反而有所降低。綠地、耕地和城鎮用地的用戶精度均有所提升，而水體和裸地的用戶精度反而有所降低。

對支持向量機分類結果進行Majority/Minority后處理，并計算分類后處理結果的混淆矩陣，得到如表6所示的基于支持向量機Majority/Minority后處理的土地利用覆蓋分類精度評價表。

表6 基于支持向量機Majority/Minority后處理的土地利用覆蓋分類精度評價表

讀表6可知：對支持向量機分類結果進行Majority/Minority后處理的分類總精度為71.47%，Kappa系數為0.6322，研究區的整體分類質量較未進行后處理的分類結果有所提升。其中，水體、綠地、裸地、耕地和城鎮用地的用戶精度均有所提升。綠地、耕地和城鎮用地的用戶精度均有所提升，而水體和裸地的用戶精度反而有所降低。相比之下，支持向量機Majority/Minority后處理的土地利用覆蓋分類總精度更高。

綜上，對研究區的Landsat8遙感影像的監督分類及后處理方法對比研究可知，基于支持向量機Majority/Minority后處理的土地利用覆蓋分類總精度最高，為71.47%。并且對神經網絡和支持向量機的分類結果進行后處理，均可以有效提升分類精度。

4 結論

通過本文實驗研究可知：支持向量機的分類結果較神經網絡的分類結果更佳；經過后處理的分類結果較未進行后處理的分類結果更佳；基于神經網絡的分類結果中，聚類后處理的效果最好，總體精度為69.27%，Kappa系數為0.6053；基于支持向量機的分類結果中，Majority/Minority后處理效果最好，總體精度為71.47%，Kappa系數為0.6322。其中，支持向量機Majority/Minority后處理效果最好，因此大面積快速提取土地利用覆蓋分類，可針對金屬礦山項目建設、采礦權礦權登記用地類型以及礦山開發階段土地復墾類型，可做到一次性快速分類。但由于監督分類是以像元為單位，基于訓練樣本進行計算機自動解譯分類，導致分類結果存在部分“椒鹽”現象，未來還應不斷優化提取技術、豐富數據源等方式，提高分類精度。