《基于遥感技术的土地利用与土地覆盖的分类方法》由会员分享,可在线阅读,更多相关《基于遥感技术的土地利用与土地覆盖的分类方法(6页珍藏版)》请在金锄头文库上搜索。
1、基于遥感技术的土地利用与 土地覆盖的分类方法甘甫平1 王润生2 王永江2 付正文11(中国地质大学,北京 100083)2(国土资源部航空物探遥感中心,北京 100083)摘 要 分类方法在土地利用和土地覆盖变化研究中占据重要的地位。土地利用与覆盖分类首先涉及图像的处理以及分类系统的建立。目前机助分类技术主要着眼于统计模式识别和基于知识的分类决策。最终的精度评价可以进一步完善分类决策。关键词 分类方法 土地利用与土地覆盖 统计模式识别 基于知识的分类决策 精度评价分类号 TP 79 : P 2852 + 30 引言在土地利用与土地覆盖变化(LUCC)研究中,土地利用与土地覆盖的分类是必不可少的
2、 一步,且分类调查要具有现势性,分类周期短,更新资源信息快,从而达到以最快的速度动态监 测土地资源利用及环境变化情况。本文基于遥感机助分类技术来阐述土地利用与土地覆盖的 分类方法。1 预处理1. 1 图像类型与时相的选择 一般而言,用于全球变化研究的土地利用与土地覆盖的遥感,大区域范围研究一般采用低 分辨率小比例尺的AVHRR图像,而局部区域及资源调查一般采用高精度高分辨率的TM图像、SPOT图像等。SAR图像因不受大气限制而具有潜在的应用前景1。对遥感图像类型的选择,需要结合研究的目的、 意义以及区域的大小进行,以免造成不必要的浪费。比如完全可 以用低分辨率的小比例尺数据解决全球变化问题,若
3、选择高精度大比例尺如航片和TM图像 等则完全没有必要;同样,若研究局部小区域变化而选择了小比例尺的遥感图像也难以解决 实际问题。中国地域辽阔,因人文和地理景观的不同,全国范围内土地利用与土地覆盖研究可根据不同区域选择不同传感器的遥感图像。收稿日期: 1999 - 07 - 20。第4期,总第42期国 土 资 源 遥 感No. 4 ,1999 1999年12月15日 REMOTE SENSING FOR LAND 图像增强处理除了常规的比值拉伸处理、 直方图均衡化、 滤波处理等外,近年来,有关专家对以下几方面进行了研究3: 波段合成增强处理。如最佳指数(OIF) 的运用,样本间灰度差异特征、 视
4、觉色差合成等; 各类信息源融合增强处理。如对不同传感 器数据的的融合处理、 遥感信息与非遥感信息的融合、 专家知识应用等。1. 3 分类系统的建立 为了有效地获取地物类型,动态地了解土地利用现状,同时也为了更好地从遥感图像上获取土地利用与土地覆盖信息,就必须规范地物解译标志。图像信息和地物的的地表特征4二 者间的内在联系可通过解译标志有效地连系起来。一个分类系统具有两个关键组成部分4,即一套解译标志和一套分类规则,没有一个严谨的分类规则,地物类型的分类将是随机的并缺 乏连续性。诚然,一个分类系统还必须遵循两个准则: 类与类之完全排斥,即土地覆盖类型 中的任何一类都属于且仅属于一个类别; 分类必
5、须完全穷尽,即任何一个分单元都且只有一个标志。一个最终的分类系统必须具有层次性和等级性。为了便于资源共享,需建立统一 规范的土地利用与土地覆盖分类标准。2 基于遥感技术的机助分类方法众所周知,一幅遥感数字图像相应为一光谱数字矩阵,其行列交点为图像元素或称像素 (像点、 像元)。对这些像元及其灰阶表现出的纹理特征,采用不同的分类决策进行分类识别,最终实现地物的分类和提取土地利用与土地覆盖信息。一个理想的分类决策应该符合如下标 准: 精确; 可重复使用; 严谨(对细微变化不敏感)且能完全开发出数据内涵; 可整 体运用于整个目标区域; 客观(不依赖于分析者的决定)4。但这些标准往往很难满足。大多数分
6、类器是基于光谱信息的统计模式进行分类识别的,如聚类分析、 决策树和相似性测度 等;但一些后起的、 融合有关分类类别知识的分类决策即基于知识或GIS的分类器也越来越 重要。2. 1 基于统计的分类决策 在土地利用与土地覆盖变化(LUCC)分类研究中,绝大多数基于光谱信息统计模式的算法都采用了监督和非监督分类方法,即使人工神经网络分类算法,目前也属于监督分类方法范 畴5。统计监督分类决策通用流程如图1所示。监督分类可以有效开发数据内容,但需要太 多信息可以决定地表信息的先验概率以致一部分信息被忽略;非监督分类虽是基于整个区域 特征进行的且不需要先验概率并具操作独立性,但常常可能丢失特定的却是相关的
7、细节信息, 进而限制了分类的客观性。基于统计决策分类器的缺陷随着分类方法而异,但大都因以下方面知识不能准确知道或在实际运用中不可能知道而受到影响5,即 区域光谱聚类的先验知识(概率) ; 相似空间分布以及土地分类和土地覆盖目标光谱变化的先验知识(概率) ; 多 维光谱空间中光谱聚类以及它们分布的统计特征知识; 控制分类过程事先规定的参数等。14第4期甘甫平等: 基于遥感技术的土地利用与土地覆盖的分类方法图1 统计分类决策流程示意图(引自边肇祺.模式识别.清华大学自动化系,1998 ,有增删)为了克服上述缺陷,有些学者开发设计了不同的分类器。例如Cihlar等5设计出进程规范分类(Classfi
8、cation by progressive generalization ,即CPG)。即首先寻找数据组中代表光谱聚 类的均值,然后划分一像元到某聚类,并对相同类进行融合直到所剩下的聚类都被标上分类标 志为止。该方法对空间分辨率以及输入数据量的大小不敏感,在不需要光谱空间数据分布的 先验知识下,能够根据来自分析者最少输入参数进行自动分类; Solaiman等6也提出了多光 谱分类后信息融合的方法。该算法主要基于图像平滑和信息融合方法,即首先确定来自多光谱图像、 分类图像以及平滑分类图(STM)的相关特征,然后在分类图上利用区域生长算法直 到达到一边界为止。该算法也不需要图像数据的先验信息,且能
9、有效的去除salt and pepper 噪声,增强边界信息,提高分类精度;另外是Harsanyi等7提出了基于正交子空间的投影算 法。该算法在一定程度上能解决混合像元的问题并能压缩数据,从而获得较好分类结果。 以上算法虽不依赖于光谱空间数据的先验知识而具有客观性,并在一定程度上提高了分 类精度,但是仍不具有普遍性。2. 2 基于知识和GIS的分类决策 基于知识和GIS的分类决策,是引入高层知识,并将有关类别的知识作用于分类设计的 各个过程,以利于分类和提高分类精度。其流程如图2所示:图2 基于知识分类决策流程示意图(引自林行刚模式识别研究生课程讲稿.清华大学工程系,1995 ,有增删)在土地
10、利用现状调查中,涉及到许多利于土地覆盖与土地利用类型分类的知识。这些知 识包括因不同的生长区域、 不同的生长环境以及物种不同而表现出的不同特征。充分考虑到并运用这些类别的知识能有效地提高分类精度。归纳起来有以下几种情况: (1)基于植物生长特征的土地利用与土地覆盖分类识别。利用不同季相的遥感图像进行24国 土 资 源 遥 感1999年分类识别2 ,8,利用植被指数如NDVI、GUI、WI、BI等进行间接分类识别9;(2)基于其它知识的分类识别。基于边缘检测和基于区域分类的双重信息基础之上的三维场景10以及建立在光谱和空间(知识)规则上的图像分类系统11;(3)基于句法结构的分类识别,如光谱知识
11、和上下文信息相结合12以及使用语义网络场 景的结构分析自动解译系统13;(4)基于GIS的分类识别。GIS可以数值化(量化)的形式存储大量的属性信息和地形地貌拓扑信息。这些信息可以充分地应用到遥感图像的分类决策中。坡度、 方位、 地势,以及高 程对植被的分布有很大的影响,同时人文因素也越来越多地作用于土地利用与土地覆盖变 化8 ,14,有效的利用这些量化信息能够提高分类的精度15 ,16。基于不同决策的分类方法,往往因强调不同的重点而侧重于不同的先验知识。基于知识 和GIS的分类,因知识表达与量化存在一定的局限性,不能有效地融入分类识别决策之中而 限制了其发展。 2. 3 动态监测 土地利用与
12、土地覆盖研究的最终目的是为了研究土地的发展过程及未来的趋势。因此动 态监测尤为重要。一般地,动态监测的精度取决于分类的精度。在土地利用与土地覆盖变化 研究中,不仅要获得土地利用变化的信息,而且还要获得变化的类型,即获得不同监测时期的 土地分类信息。其具体方法是对不同时期对象单独比较分析和多时期数据同时分 析17 ,18 ,1 ,9,即: (1)图像间的数据运算。单变量图像差值法、 比值法、 直接多时期分类法、 背景提取法、 分类后比较法等; (2)图像信息直接提取间接比较。植被指数法9、 发射系数测定变化分析1等; (3)图像变化信息矩阵分析。变化向量分析法、 图像回归法、K - T(缨帽变换
13、)、 正交子空间投影法等。3 分类精度评价在土地利用与土地覆盖变化研究中,土地利用分类精度的评价不仅必要也十分重要。一 方面可以有效地对分类器进行评价从而改造分类器,另一方面也是对遥感分类成果的最终评 价,即对分类图中错误的理解,全面评价分类图的可靠性。精度评价一般基于下列准则4:(1)取样设计必须经济有效;(2)分类规则必须严谨且定义完美;(3)评价精度程序具有统计定义上的严谨;(4)检验数据的精度也要进行评估;(5)评价分类精度的数据必须与用于分类的那些数据一样具有相同的规范化的高质量。分类精度一般采用矩阵、 混淆矩阵表示,其它如误差动态表示方式19等也可采用。4 讨论基于遥感技术的土地利
14、用与土地覆盖变化调查,其关键技术是图像分类处理获取信息的34第4期甘甫平等: 基于遥感技术的土地利用与土地覆盖的分类方法方法。目前,遥感图像的分类技术远远跟不上遥感技术本身的发展。因此,如何有效地利用这 些巨大的信息源并且获得高精度的土地覆盖类型以及变化信息,一直是人们努力的方向。各 种学科、 各种知识、 各种技术的渗透越来越增加了分类的精度与可靠性,并向普适性、 高效性的 分类器方向发展。但仍需指出,时至今日,成功的分类方法仍是目视解译5。如何有效地模拟人脑识别分类的能力以便有效地进行自动分类将是今后研究的重要方向之一。在相当长的 一段时间内,目视解译分类与机助自动分类将协调发展。参 考 文
15、 献1 Grandell J , et al. Subpixel land use classification and retrieval of forest stem volume in the boreal forest zone by employingSSM/ I data. Remote Sensing of Environment. 1998 , 63 :1401542 Pierce L. E , et al. Multiemporal land-cover classification using SIRC/ XSAR imagery. Remote Sensing of En
16、vironment ,1998 ,64 :20333 方红亮,黄绚.地学应用中的遥感图像处理若干问题的分析.地理研究,1997 ,16(2) :961034 Congalton R G, et al. Mapping and monitoring agricultural crops and other land cover in the lower Colorado River Basin.PE an orthogonal subspace projectionapproach. IEEE Trans. Geosci. Remote Sensing , 1994 ,32(4) :7797858 Vogelmon J e , et al. Regional characterization of lead cover using mult