高寒河源區(qū)土地覆蓋的精準分類研究

高寒河源區(qū)土地覆蓋的精準分類研究

土地是人類生存和發(fā)展的基礎。土壤覆蓋信息是土壤資源規(guī)劃、土壤資源評價、土地利用評價等的重要條件。隨著全球變化研究的深入,土地覆被信息提取已經(jīng)成為一個研究的熱點區(qū)域土地覆蓋分類信息是區(qū)域生態(tài)、經(jīng)濟可持續(xù)發(fā)展的基礎數(shù)據(jù)支撐,科學地提取地表覆被信息,對地物精準分類,對于區(qū)域生態(tài)環(huán)境保護、生態(tài)和經(jīng)濟建設具有直接的影響1材料和方法1.1青海湖流域5.2mm研究區(qū)位于沙柳河流域,屬于青海湖的河源地區(qū)。沙柳河位于青海省剛察縣城西側0.2km處,是青海湖流域第二大河流,發(fā)源于大通山可可賽尼哈,整個流域海拔在3036~4694m,落差較大。河流全長106km,自北向南流入青海湖1.2天基系統(tǒng)：3臺現(xiàn)代衛(wèi)星系統(tǒng)本文以2景高分1號衛(wèi)星影像和3景資源3號衛(wèi)星影像為基礎數(shù)據(jù)源。高分辨率影像數(shù)據(jù)來自于青海省第二測繪院。高分1號衛(wèi)星是中國高分辨率對地觀測系統(tǒng)重大專項天基系統(tǒng)中的首發(fā)星,搭載有2臺2m分辨率全色/8m分辨率多光譜高分相機和4臺16m分辨率多光譜寬幅相機。資源3號衛(wèi)星是中國首顆自主的民用高分辨率立體測繪衛(wèi)星,搭載有1臺2.1m分辨率正視全色相機,2臺3.5m分辨率的前視和后視全色相機和1臺5.8m分辨率的正視多光譜相機。由于植被生長季節(jié)地表信息豐富,不同地物反射的電磁波在影像上呈現(xiàn)的光譜和紋理特征不僅有利于提取植被覆蓋信息,還易于區(qū)分其他的土地覆被類型,有利于影像的目視解譯工作1.3學習方法1.3.1區(qū)域劃分的一般過程本文運用監(jiān)督分類方法對青海湖沙柳河流域的地表覆被信息進行提取。監(jiān)督分類法常用的分類器有6種,每種分類器具有不同的判別函數(shù)和判別準則,因而具有不同的分類精度和分類結果。下文分別將6種監(jiān)督分類器做如下介紹。(1)平行六面體(parallelpipedclassification)。根據(jù)訓練樣本的亮度值形成一個n維平行六面體的數(shù)據(jù)空間,其他像元的光譜值如果落在任何一個訓練樣本所對應的區(qū)域,就被劃為其中。其尺度由標準差閾值所確定,標準差閾值則根據(jù)所選類別的均值確定(2)最小距離(minimumdistanceclassification)。通過訓練樣本數(shù)據(jù)去計算每種類別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,將像元歸入到距離中心最小的類別中(3)馬氏距離(Mahalanobisdistanceclassification)。通過計算輸入像元到各訓練樣本的馬氏距離(計算2個未知樣本集的相似度的方法),統(tǒng)計馬氏距離最小的即為此類別(4)最大似然(likelihoodclassification)。假設每個波段每一類統(tǒng)計都呈正態(tài)分布,計算像元屬于某一訓練樣本的似然度,將像元歸為似然度最大的一類中(5)神經(jīng)網(wǎng)絡(neutralnetclassification)。用計算機模擬人腦的結構,用小的處理單元模擬大腦的神經(jīng)元,用算法實現(xiàn)人腦的識別、記憶、思考過程并應用于圖像的分類(6)支持向量機(supportvectormachineclassification)。是一種基于統(tǒng)計學習理論的機器學習方法,可自動尋找對分類有較大區(qū)分功能的支持向量并構造分類器,最大化類別之間的間隔,分類準確率較高1.3.2分類精度評價(1)訓練樣本選擇及評價。監(jiān)督分類的第一步是在影像上定義訓練樣本。訓練樣本的準確合理選擇是監(jiān)督分類的基礎,也會直接影響分類精度的高低(2)執(zhí)行監(jiān)督分類。若訓練樣本合格,符合分類要求,則應選擇一種監(jiān)督分類器對研究區(qū)影像進行地物分類。若對分類結果不滿意則需要重新選擇分類器。本文的研究目的是探討高寒河源區(qū)的土地覆蓋分類方法,因此執(zhí)行了6種監(jiān)督分類器。(3)精度評價。對圖像分類結果進行精度評價,一方面可以定量地檢驗分類結果是否理想,另一方面可以評價監(jiān)督分類器的優(yōu)缺點。ENVI軟件提供了混淆矩陣(confusionmatrix)和ROC曲線(ROCcurves)兩種對分類結果精度進行評價的方法。本文選擇混淆矩陣的方法來對分類結果進行精度評價。混淆矩陣是將每個地表真實像元的位置和分類類別與輸出圖像中的相應位置和分類類別相比較,列出基準圖像上的i類像元在分類圖像中被分到j類的像元總數(shù)或者百分比Kappa系數(shù)是通過把所有地表真實參考的像元總數(shù)乘以混淆矩陣對角線的和,再減去某一類中地表真實參考像元數(shù)與該類中被分類像元總數(shù)之積之后,再除以像元總數(shù)的平方減去某一類中地表真實參考像元總數(shù)與該類中被分類像元總數(shù)之積對所有類別求和的結果制圖精度指分類器將整個圖像的像元正確分為某類的像元數(shù)與該類真實參考總數(shù)的比率,即分類結果符合實際地物的比率用戶精度指正確分到某類的像元總數(shù)與分類器將整個圖像的像元分為該類的像元總數(shù)的比率,即分類結果符合用戶定義地物的比率本文根據(jù)野外實地調(diào)查數(shù)據(jù),對照原始影像,在GoogleEarth高分辨率圖像上選擇驗證樣本,生成用于混淆矩陣精度評價的地表真實感興趣區(qū),通過ENVI軟件的confusionmatrixusinggroundtruthROIs工具輸出不同分類結果的混淆矩陣報表,并通過報表中的不同量化指標來進一步鑒別每一種分類結果和不同分類器分類精度的高低。(4)分類后處理。計算機監(jiān)督分類后的結果只是初步的分類結果,一般無法直接應用,還需要進行后期的圖像處理。分類后的圖中不可避免地會產(chǎn)生很多小圖斑,需要通過majority/minority分析、聚類處理(clump)和過濾處理(sieve)等方法對小圖斑進行剔除或者重新歸類,從而得到最終理想的分類結果。若分類結果有錯分和漏分現(xiàn)象,結合實地驗證、先知經(jīng)驗和研究區(qū)其他高分辨率遙感影像對分類結果進行目視判讀,通過ENVIclassic對圖像錯分像元進行局部手動修改,以進一步提高分類結果質(zhì)量。2結果與分析2.1草地、濕地、水體、建筑根據(jù)研究區(qū)遙感影像光譜、紋理等特征,通過目視判讀并結合野外考察的先知經(jīng)驗,將該研究區(qū)的土地覆被分為草地、濕地、農(nóng)田、裸地、水體、建筑6大類。計算了訓練樣本的可分離度,結果顯示JeffriesMatusita距離和轉換分離度的值均大于1.8,樣本之間的可分離性好,符合分類的標準(表3)。2.2分類準則和認識偏差本文選擇了監(jiān)督分類的6種分類器對研究區(qū)影像進行計算機分類,目的是尋求最佳土地覆蓋分類方法。為了從細節(jié)上更好地辨別分類結果的準確度和6種分類器的分類精度,將6種分類器的局部分類結果圖進行對比。結合野外考察的先驗知識觀察6種分類結果圖可知,平行六面體分類器的分類效果最差,將很多裸地和草地錯分為水體,與實際地表覆被相差甚遠,這與其分類原理和分類準則密切相關。平行六面體的分類準則是像素落在任一類訓練樣本分布區(qū)域,則就屬于哪一類,若同時落在多個區(qū)域,則將其歸為最后一個匹配的類別中,有時候在某些分類像素與訓練像素光譜差異很大時也會被分為其中,因此存在較多錯分現(xiàn)象目視分析可知,最大似然、神經(jīng)網(wǎng)絡和支持向量機分類器的分類效果較好,結果較為理想。最大似然是基于貝葉斯準則的分類錯誤概率最小的一種非線性分類,也是機器學習中較為穩(wěn)健的典型分類方法6種監(jiān)督分類器有好有壞,各有優(yōu)缺。在本文中,6種分類結果存在的共同的誤差是,提取的濕地均比實際情況多,這原因是山體背陰面草地和濕地的光譜特征極為相似,分類器將背陰面草地誤分為濕地的緣故,因此還需要細致的分類后處理。2.3主要分類器分類精度和制圖精度運用ENVI軟件平臺,通過一定的驗證樣本數(shù)據(jù)可以對影像分類結果進行精度評價。表4—6分別列舉了不同分類器的分類精度估量指標,可以反映不同分類器的優(yōu)劣及分類效果的好壞。表4顯示了不同分類器對不同地物的分類精度。平行六面體、最小距離、馬氏距離、最大似然、神經(jīng)網(wǎng)絡和支持向量機的總體分類精度分別為51.76%,84.26%,89.96%,97.68%,96.46%,99.15%,Kappa系數(shù)分別為0.44,0.79,0.86,0.97,0.95,0.99,支持向量機的分類精度最高,其次為最大似然和神經(jīng)網(wǎng)絡,馬氏距離和最小距離次之,分類精度最低的為平行六面體。在區(qū)分不同地物方面,最大似然、神經(jīng)網(wǎng)絡和支持向量機同時對草地達到最高的分類精度,對濕地和建筑的識別支持向量機精度可達最高,對于農(nóng)田最大似然和支持向量機精度最高,而馬氏距離和平行六面體分別對裸地和水體達到最高的分類精度。表5為各分類器制圖精度對比結果,對比各種分類器的制圖精度可發(fā)現(xiàn),平行六面體對草地、濕地、裸地和建筑的制圖精度均較低,表明對這幾種地物漏測現(xiàn)象嚴重,而最小距離對草地的漏測現(xiàn)象嚴重,馬氏距離和最大似然對各種地物的制圖精度較高,說明總體漏測誤差較小,神經(jīng)網(wǎng)絡對裸地的漏測誤差較大。支持向量機對各種地物的制圖精度均較高,漏分現(xiàn)象較少。從各種分類器的用戶精度對比表(表6)可知,平行六面體對草地和濕地分類的用戶精度非常低,說明這兩種地物的多測現(xiàn)象非常嚴重,最小距離和馬氏距離對草地和裸地的多測誤差較高,最大似然對草地的多測誤差較高,神經(jīng)網(wǎng)絡對濕地的多測誤差較高,支持向量機對各種地物的多測誤差均較小。2.4地表覆蓋分類結果本次分類結果中,支持向量機的總體分類精度和Kappa系數(shù)最高,制圖精度和用戶精度均較高,對地物的分類效果較好,分類精度滿足應用的需求,但是也存在大量錯分現(xiàn)象。以支持向量機分類器的結果作為分類的初步結果,在此基礎上進行主要/次要分析、聚類和過濾處理。通過實地考察驗證與先知經(jīng)驗,結合GoogleEarth的高分辨率影像,對上一步后處理結果圖進行目視判讀,將錯分地物進行細致處理使其正確歸類,最終得到研究區(qū)地表覆蓋分類結果(附圖20,表7)。經(jīng)遙感影像解譯可得沙柳河流域的基本概況。沙柳河流域河流水體面積約19.03km3討論3.1土地覆蓋物分類高分辨率遙感影像區(qū)分地物的精度較高,滿足了對各類地物的遙感監(jiān)測需求?；诟叻直媛蔬b感影像,采用支持向量機、最大似然和神經(jīng)網(wǎng)絡分類器對研究區(qū)地物實現(xiàn)了良好的分類,說明這3種分類器在地處高寒河源區(qū)的青海湖沙柳河流域具有良好的適用性。從3種分類器的分類原理和判別準則來說,其分別采用了結構風險最小化原則青海湖沙柳河流域自然環(huán)境獨特,受人類活動影響較小,整個流域土地覆被大類較為單一,上中游為山谷地形,下游地勢較為平坦,采用高分辨率遙感影像進行分類,效果較好。孫小飛等3.2地表覆被信息提取方法不多,容易導致地盡管支持向量機、最大似然和神經(jīng)網(wǎng)絡監(jiān)督分類器可以達到較高的分類精度,但這并不代表分類結果一定理想。由于實際地表類型復雜多樣,采用監(jiān)督分類方法,計算機會僅根據(jù)地物光譜特征進行分類,結果中勢必有錯分和漏分的現(xiàn)象,與實際地表覆被信息有別。尤其是在有大量山體分布的地區(qū),山體的陽坡和陰坡光譜響應有巨大差異本文結合原始影像、GoogleEarth的高分辨率遙感影像和實地考察驗證,對初步分類結果進行目視修改與處理,將錯分像元正確歸類,顯著提高了分類準確度。陳超等4青海湖流域地表覆被信息提取結果分析本文應用高分辨率遙感影像,使用監(jiān)督分類方法的6種分類器對青海湖沙柳河流域的地表覆蓋進行分類,得出以下結論:(1)通過高分辨率遙感影像,使用支持向量機分類器對地處高寒河源區(qū)的青海湖沙柳河流域