遙感影像土地利用分類方法研究進(jìn)展.docx

遙感影像土地利用分類方法研究進(jìn)展摘要: 為了研究遙感影像土地利用分類的方法，綜述了國內(nèi)外近10年的遙感圖像分類研究。在分析當(dāng)前主要遙感影像分類方法的基礎(chǔ)上，從傳統(tǒng)的分類方法和傳統(tǒng)分類方法的改進(jìn)兩個(gè)方面，對遙感影像土地利用分類方法研究進(jìn)展進(jìn)行了闡述。本研究還存在不足，今后還需進(jìn)一步研究利用各種遙感影像分類方法相互結(jié)合的應(yīng)用。關(guān)鍵詞: 遙感影像；土地利用；分類方法引言土地利用變化研究是全球變化及其區(qū)域響應(yīng)研究的核心領(lǐng)域，研究土地利用變化及其生態(tài)環(huán)境效應(yīng)有助于提高人們對區(qū)域生態(tài)環(huán)境問題的認(rèn)識，并可為有關(guān)部門的土地利用規(guī)劃、管理與決策提供科學(xué)依據(jù)1。目前，利用遙感圖像分類獲得土地利用信息已經(jīng)成為土地利用變化研究必不可少的一步。遙感圖像分類就是把圖像中的每一個(gè)像元或區(qū)域劃分為若干類別中的一種，即通過對各類地物的光譜特征分析來選擇特征參數(shù)，將特征空間劃分為互不重疊的子空間，然后將影像內(nèi)各個(gè)像元?jiǎng)澐值礁髯涌臻g中去，從而實(shí)現(xiàn)分類。由于新的分類方法的大量涌現(xiàn)，遙感圖像分類方法出現(xiàn)了很多問題。因此，本研究在分析當(dāng)前主要遙感圖像分類方法的基礎(chǔ)上，將遙感圖像分類方法劃分為傳統(tǒng)的分類方法、傳統(tǒng)分類方法的改進(jìn)兩大類，從這兩個(gè)方面對遙感圖像土地利用分類方法的研究進(jìn)展進(jìn)行了闡述。1 傳統(tǒng)分類方法1.1目視解譯 目視解譯是根據(jù)確定的分類系統(tǒng)和解譯標(biāo)志以及解譯經(jīng)驗(yàn)，對圖像進(jìn)行判讀等方法來獲取土地利用的分類，這種方法目前仍被廣泛使用。它是人們通過遙感技術(shù)獲取目標(biāo)信息最直接、最基本的方法。李秀梅提出對于數(shù)據(jù)精度產(chǎn)生的尺度效應(yīng)研究過程中，通常采用目視解譯并依據(jù)轉(zhuǎn)換誤差最小原則柵格化矢量數(shù)據(jù)，以保障數(shù)據(jù)精度，這是一種比較成功的分類方法，具有簡單易操作，利于空間信息提取，靈活性強(qiáng)等優(yōu)點(diǎn)，但解譯中顯示尺度越小，帶狀、面積小和邊界曲折的景觀要素類型損失越嚴(yán)重，會(huì)影響數(shù)據(jù)精度2。由于解譯人員的專業(yè)知識水平以及解譯經(jīng)驗(yàn)的限制，解譯結(jié)果會(huì)存在差異，此方法受個(gè)人主觀因素影響大。1.2 基于統(tǒng)計(jì)分析的分類方法 基于統(tǒng)計(jì)的分類方法是在數(shù)理統(tǒng)計(jì)的基礎(chǔ)上，進(jìn)行遙感圖像的自動(dòng)分類，因而又稱為計(jì)算機(jī)自動(dòng)分類方法。它主要包括監(jiān)督分類和非監(jiān)督分類。1.2.1 監(jiān)督分類 監(jiān)督分類，是指通過選擇具有代表已知地面覆蓋類型的訓(xùn)練樣本區(qū)，用訓(xùn)練樣本區(qū)中已知地面各類地物樣本的光譜特性來訓(xùn)練計(jì)算機(jī)，獲得識別各類地物的判別函數(shù)或模式，并以此對未知地區(qū)的像元進(jìn)行分類處理，分別歸入到已知具有最大相似度的類別中。監(jiān)督分類的主要方法有最小距離法、最大似然法、神經(jīng)元網(wǎng)絡(luò)分類法、馬氏距離法等。其中，最大似然法是監(jiān)督分類中最常用的方法。章恒等利用多源遙感影像對紅樹林信息提取方法進(jìn)行比較，得出最大似然法與影像的特征光譜信息量相關(guān)性較強(qiáng)的結(jié)論3。孫琳等在對太湖流域HJ-1B影像分類過程中提出最大似然法的分類結(jié)果存在較嚴(yán)重的“椒鹽噪聲”現(xiàn)象，分類圖像較破碎，而且從圖像上能直觀地發(fā)現(xiàn)林地分類誤差4。對比改進(jìn)后的傳統(tǒng)分類方法，最大似然法在分類結(jié)果的精度上略顯不足。1.2.2非監(jiān)督分類非監(jiān)督分類是指在沒有先驗(yàn)類別作為樣本的條件下，即事先對分類過程不施加任何的先驗(yàn)知識，而主要根據(jù)統(tǒng)計(jì)性判別準(zhǔn)則，以像元間相似度的大小進(jìn)行歸類合并的方法。非監(jiān)督分類在沒有任何先驗(yàn)信息的情況下，根據(jù)圖像本身的統(tǒng)計(jì)特征以及自然點(diǎn)群的分布情況確定分類判別準(zhǔn)則進(jìn)行分類。非監(jiān)督分類方法快速、簡單且具有一定的分類精度，可以作為監(jiān)督分類的重要補(bǔ)充手段，對監(jiān)督分類結(jié)果進(jìn)行修改和調(diào)整。非監(jiān)督分類方法包括K均值、ISODATA、動(dòng)態(tài)聚類、分裂法、平行六面體分類法和模糊聚類等5。其中，常用的是K-means 和ISODATA算法。王偉等采用K-means 聚類與多光譜閾值相結(jié)合的方法，在地物光譜分析的基礎(chǔ)上，實(shí)現(xiàn)了對MODIS 數(shù)據(jù)中的云體檢測6。由于監(jiān)督分類與非監(jiān)督分類都是單一的依靠地物的光譜特征。因此，必然導(dǎo)致分類精度不高，分類效果不理想。隨著計(jì)算機(jī)遙感技術(shù)的不斷發(fā)展，傳統(tǒng)的分類方法不斷得到改進(jìn)和發(fā)展。2 傳統(tǒng)分類方法的改進(jìn)2.1 人工智能分類隨著空間科學(xué)技術(shù)的飛速發(fā)展，遙感技術(shù)得到越來越廣泛的應(yīng)用。遙感圖像分類的研究也向更高層次的智能化方向發(fā)展。目前，人工智能分類方法在遙感圖像分類中得到了廣泛的應(yīng)用。常用的算法有神經(jīng)網(wǎng)絡(luò)分類、決策樹分類、基于遺傳算法的分類。2.1.1 神經(jīng)網(wǎng)絡(luò)分類人工神經(jīng)網(wǎng)絡(luò)是以模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能為基礎(chǔ)而建立的一種數(shù)據(jù)分析處理系統(tǒng)，具有對信息的分布式存儲(chǔ)，并行處理、自組織、自學(xué)習(xí)等特點(diǎn)，通過許多具有簡單處理能力的神經(jīng)元的復(fù)合作用而具有復(fù)雜的非線性映射能力。目前，常用的神經(jīng)網(wǎng)絡(luò)模型有反向傳播網(wǎng)絡(luò)、自組織特征映射網(wǎng)絡(luò)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)、自適應(yīng)共振神經(jīng)網(wǎng)絡(luò)等。近年來，人工神經(jīng)網(wǎng)絡(luò)在土地利用方面受到了廣泛的應(yīng)用。李剛等提出了一個(gè)基于高維云模型和改進(jìn)RBF 神經(jīng)網(wǎng)絡(luò)的不確定性分類技術(shù)，研究表明改進(jìn)的RBF 神經(jīng)網(wǎng)絡(luò)分類器得到的分類結(jié)果基本上與人眼目視解譯結(jié)果一致7。肖錦成等使用ETM+遙感數(shù)據(jù)，構(gòu)建了基于BP 神經(jīng)網(wǎng)絡(luò)的濱海濕地覆被分類模型，結(jié)果顯示，與最小距離法和極大似然法的分類總精度相比，分別提高了799%和608%，Kappa 系數(shù)也相比提高8。劉艷杰等在非監(jiān)督的自組織映射神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行了一定的改進(jìn)，構(gòu)建了有監(jiān)督的神經(jīng)網(wǎng)絡(luò)模型，對其土地覆蓋進(jìn)行分類，精度高于傳統(tǒng)的分類方法得出來的分類結(jié)果9。許多研究實(shí)驗(yàn)表明，神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的容錯(cuò)能力，比最大似然法等基于統(tǒng)計(jì)的分類方法的分類精度高，對不規(guī)則分布的復(fù)雜數(shù)據(jù)具有很強(qiáng)的處理能力，而且它能夠促進(jìn)目視解澤與基于統(tǒng)計(jì)的分類方法的相結(jié)合。但也存在不足之處，如局部極值問題，訓(xùn)練收斂速度太慢，對各類分類性能差別較大等。2.1.2 決策樹分類決策樹是一類相對比較簡單的分類技術(shù)，它的決策依賴于一個(gè)由問題和答案構(gòu)成的樹。決策樹由一根結(jié)點(diǎn)、一系列內(nèi)部結(jié)點(diǎn)及終極結(jié)點(diǎn)組成，每一結(jié)點(diǎn)只有一個(gè)父結(jié)點(diǎn)和兩個(gè)或多個(gè)子結(jié)點(diǎn)。決策樹的每一個(gè)內(nèi)部結(jié)點(diǎn)對應(yīng)一個(gè)非類別屬性或?qū)傩缘募?，每條邊對應(yīng)該屬性的每個(gè)可能值。決策樹的葉結(jié)點(diǎn)對應(yīng)一個(gè)類別屬性值，不同的葉結(jié)點(diǎn)可以對應(yīng)相同的類別屬性值。目前，決策樹分類方法已經(jīng)開始應(yīng)用于各種遙感影像信息提取和土地利用分類中。王志偉等通過對研究區(qū)多重信息進(jìn)行分割和合并來生成植被類型，克服了傳統(tǒng)決策樹分類方法成圖時(shí)像元分散的缺點(diǎn)，相比僅用單獨(dú)決策樹分類方法在保持環(huán)境、地域等因子同植被類型統(tǒng)計(jì)關(guān)系的基礎(chǔ)上，克服決策樹方法帶來的“椒鹽效應(yīng)”10。吳健生等應(yīng)用QUEST決策樹分類方法，對研究區(qū)的Landsat TM 5影像圖進(jìn)行分類，發(fā)現(xiàn)在地形復(fù)雜的山地地區(qū)，針對TM影像數(shù)據(jù)，選擇基于QUEST決策樹分類能夠有效提高土地利用分類結(jié)果精度11。2.1.3 基于遺傳算法的分類遺傳算法抽象于生物體的進(jìn)化過程，全面模擬自然選擇和遺傳機(jī)制。其基本思想是模擬由一些基因控制的生物群的進(jìn)化過程，把該過程的原理應(yīng)用到搜索算法中，以提高尋優(yōu)的速度和質(zhì)量。由于遙感圖像具有多波段、數(shù)據(jù)量大的特點(diǎn)，因此，遺傳算法很難直接針對數(shù)據(jù)進(jìn)行處理，一般是通過建立一個(gè)可以使用遺傳算法進(jìn)化的模型來對遙感圖像進(jìn)行分類。尹淑玲等采用自適應(yīng)遺傳算法和改進(jìn)BP 算法相結(jié)合的混合算法來訓(xùn)練BP 網(wǎng)絡(luò)的方法，達(dá)到了加快網(wǎng)絡(luò)收斂速度和避免陷入局部極小值的目的，其結(jié)果具有較高精度12。2.2 支持向量機(jī)分類支撐向量機(jī)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的新型機(jī)器學(xué)習(xí)算法，通過解算最優(yōu)化問題，在高維特征空間中尋找最優(yōu)分類超平面，從而解決復(fù)雜數(shù)據(jù)的分類及回歸問題。它具有小樣本學(xué)習(xí)、抗噪聲性能、學(xué)習(xí)效率高、推廣性好等優(yōu)點(diǎn)。張策等采用支持向量機(jī)方法進(jìn)行了濕地遙感分類研究并初步剖析了樣本數(shù)量與特征維度對分類結(jié)果的影響，研究結(jié)果顯示，支持向量機(jī)分類結(jié)果一般優(yōu)于最大似然分類結(jié)果13。在小樣本、高維度的遙感影像分類時(shí)，支持向量機(jī)方法具有較大優(yōu)勢。3 結(jié)論與討論傳統(tǒng)的目視解譯方法和基于統(tǒng)計(jì)分類的方法，簡單易行、應(yīng)用廣泛，其中最大似然法是目前應(yīng)用最多的一種分類方法。但是，由于遙感影像存在“同物異譜和同譜異物”等現(xiàn)象，傳統(tǒng)的分類方法的分類精度不高，往往難以達(dá)到分類要求。人工智能分類法和支撐向量機(jī)分類法的出現(xiàn)，有效地提高了分類精度，是對傳統(tǒng)分類方法的一種改進(jìn)。其中，神經(jīng)網(wǎng)絡(luò)分類法和支撐向量機(jī)分類法的分類精度要遠(yuǎn)遠(yuǎn)高于傳統(tǒng)分類法中的最大似然法。但是，如何改進(jìn)和優(yōu)化該類方法的算法過程，使其更加簡單、易操作、易理解是今后研究的一個(gè)重要方向。盡管國內(nèi)外學(xué)者提出了許多不同的分類方法，但是幾乎沒有一種方法能夠滿足所有的分類要求。因此，利用各種分類方法的相互結(jié)合，取長補(bǔ)短，能夠有效提高土地利用分類的精度，也是該領(lǐng)域研究的熱點(diǎn)之一。參考文獻(xiàn)1 李剛,萬幼川. 基于高維云模型和RBF神經(jīng)網(wǎng)絡(luò)的遙感影像不確定性分類方法J. 測繪科學(xué),2012,01:115-118.2 孫琳,宋愛紅,高文秀. 基于最大似然法和SVM法的太湖流域HJ-1B影像分類J. 測繪信息與工程,2012,03:30-33.3 劉艷杰,曾永年. 基于SOM神經(jīng)網(wǎng)絡(luò)的城市土地覆蓋遙感分類研究J. 測繪與空間地理信息,2012,06:42-45+48.4 李秀梅. TM影像目視解譯顯示尺度的選擇及尺度效應(yīng)分析以內(nèi)陸河流域綠洲-荒漠過渡帶為例J. 地理與地理信息科學(xué),2012,04:33-37.5 吳健生,潘況一,彭建,黃秀蘭. 基于QUEST決策樹的遙感影像土地利用分類以云南省麗江市為例J. 地理研究,2012,11:1973-1980.6 章恒,王世新,周藝,閻福禮,朱金峰. 多源遙感影像紅樹林信息提取方法比較J. 濕地科學(xué),2015,02:145-152.7 王偉,宋衛(wèi)國,劉士興,張永明,鄭紅陽,田偉. Kmeans聚類與多光譜閾值相結(jié)合的MODIS云檢測算法J. 光譜學(xué)與光譜分析,2011,04:1061-1064.8 李娜,趙慧潔. 高光譜數(shù)據(jù)非監(jiān)督分類的改進(jìn)獨(dú)立成分分析方法J. 國土資源遙感,2011,02:70-74.9 張策,臧淑英,金竺,張玉紅. 基于支持向量機(jī)的扎龍濕地遙感分類研究J. 濕地科學(xué),2011,03:263-269.10 肖錦成,歐維新,符海月. 基于BP神經(jīng)網(wǎng)絡(luò)與ETM+遙感數(shù)據(jù)的鹽城濱海自然濕地覆被分類J. 生態(tài)學(xué)報(bào),2013,23