基于ＭＥＲＳＩ和ＭＯＤＩＳ數據的２種監督分類方法比較研究

王馨凝　李國春

摘要 在VC++6.0環境下實現2種監督分類方法，即最小距離法和最大似然法對250m MERSI和MODIS數據進行分類，并對分類結果進行分析。通過分析可看出，將250m分辨率數據增加到5通道的MERSI數據在2種分類方法下分類效果都要好于MODIS數據。

關鍵詞 MERSI數據a；MODIS數據；分類；精度檢驗

中圖分類號 P412.27 文獻標識碼 A 文章編號 1007-5739（2009）07-0266-03

風云三號氣象衛星是我國首顆新一代極軌氣象衛星，它在獲取地球大氣環境方面具有三維、全球、全天候、定量、高精度資料等特點。其攜帶的中分辨率成像光譜儀MERSI具有20個通道，其中19個處于可見光、近紅外和短波紅外波段，它的通道設置基本上與美國EOS中裝載的MODIS一致，所不同的是減掉了1.240μm、1.375μm兩個通道，增加了1個0.94μm水汽吸收通道。MERSI星下點分辨率為250m，通道增加到5個通道，其余通道為1 000m，而 MODIS 250m空間分辨率只有兩通道數據[1]。目前對于MERSI數據的分類研究較少，針對MODIS進行了一些分類研究。例如，徐曉桃等選取3種方法即最大似然法、人工神經網絡法和決策樹法對7通道MODIS數據進行分類，得出決策樹分類精度最高達82.13%的結論[2]。劉勇洪等人使用最大似然法、Parzen窗、CART決策樹等5種方法，使用MODIS數據對華北地區土地覆蓋類型進行分類，并通過不同訓練樣本數量的選取對各方法之間的差異進行了很好的比較[3]。本試驗設置2種監督分類方法即最小距離法和最大似然法對MERSI 5通道250m分辨率數據進行分類，將分類結果與MODIS 250m通道數據在2種分類方法下得到的分類結果進行比較，測試在相同條件下兩者在不同分類方法下的分類效果。

1 試驗區選擇

為比較方便，兩幅圖像均由2008年8月16日的數據合成，使用WGS84橢球體，投影方式采用橫軸麥卡托投影，有效像元尺度250m，影像大小為200行×200列。成像范圍北緯41.654 433°～42.105 168°，東經123.097 636°～123.702 364°。使用前向映射方法進行重定位后的圖像會有重復或空缺，對圖像進行5次濾波。使用最近鄰點法對圖像進行重采樣。重采樣后的圖像如圖1、圖2。試驗區主要位于中國東北地區南部、遼寧省中部，地形主要以平原為主，渾河在圖中穿過。

2 訓練樣本選擇

對于監督分類而言，訓練區的選擇是否準確合理對分類精度有著很大的影響。特別是對于大尺度的土地覆蓋分類來說，通過實地考察選取訓練區是非常困難的。在進行宏觀土地覆蓋分類研究時通常采用從TM等高分辨率遙感影像提取訓練區的方法[4，5] ，根據唐根年（2002）在區域土地利用/土地覆被變化動態監測與生態影響評價研究中指出，在TM圖像中，TM5、4、3三波段為試驗區彩色合成最佳波段組合[6]，使用2001年8月11日Landsat7的TM圖像作為輔助數據判讀各類別的所在位置（TM圖像如圖3）。因圖像為8月采集，為有植被覆蓋時期，可將類別設置為建筑用地、水田、旱田、林地、水體5類，各類別判讀標志如表1所示，從圖像中可以很好地辨別出各類地物的分布情況。

通過鼠標直接在TM圖像中獲得訓練樣本數據，訓練樣本數據的選擇對分類結果有很大的影響，為保證分類結果有較高精度，首先要保證有足夠的訓練樣本。實踐表明，如果對n個類別的數據進行分類，訓練樣本的數目至少不要少于10n，最好達到100n。同時，所選訓練樣本數據應該具有很好的代表性，同一地物因所處的地區、環境和時間不同，光譜特征會產生很大差異。因此，選擇訓練樣本應盡可能選擇與該地物分布相一致的區域，避免集中在局部位置。根據TM圖像中各類別地物所處的地理坐標在MERSI和MODIS相應位置選取訓練樣本，通過篩選對于2種數據每個類別選擇103個訓練樣本，一共選擇515個訓練樣本。

3 分類及精度檢驗

3.1 分類

3.1.1 最小距離法分類。最小距離法利用訓練樣本中各類別在各波段的均值，根據各像元離訓練樣本平均值距離的大小決定其類別。最小距離分類器常采用的距離測度為馬氏距離、歐式距離等。本文選取歐式距離作為距離測度，此方法分類速度快且對樣本概率分布特征沒有特別要求。根據所選的訓練樣本可計算出MERSI和MODIS數據的各通道的聚類中心如表2、表3。

3.1.2 最大似然法分類。最大似然法是一種傳統的統計分類方法，屬于參數分類方法，有其嚴密的統計理論基礎，是在分類方法應用中使用最為廣泛的分類器。其假定訓練區地物的光譜特征近似服從正態分布，利用貝葉斯公式進行后驗概率的計算，根據其最大值原則判定類別歸屬。在有足夠多的訓練樣本、一定的類別先驗概率分布的知識，且樣本接近正態分布的條件下，此方法被認為是分類精度最高的分類方法。最大似然法中判別函數的建立是關鍵，它關系到分類的精確程度。根據所選訓練樣本建立判別函數如下：

MODIS數據判別函數建立：

水田=0.067 788×ch1+0.016 352×ch2-107.176 002

旱田=0.057 645×ch1+0.020 445×ch2-140.493 322

建筑用地=0.191 692×ch1+0.004 137×ch2-201.098 397

林地=0.068 658×ch1+0.011 001×ch2-65.272 925

水體=0.068 368×ch1+0.000 565×ch2-24.258 233

MERSI數據判別函數建立：

水田=12.492 916×ch1-3.422 869×ch2-3.358 740×ch3+0.263 570×ch4+0.442 469×ch5-4 586.573 450

旱田=12.618 129×ch1-3.420 806×ch2-3.453 945×ch3+0.276 384×ch4+0.437 091×ch5-4 568.209 020

建筑用地=12.819 125×ch1-3.610 229×ch2-3.464 880×ch3+0.159 504×ch4-0.492 442×ch5-5 168.843 767

林地=11.976 816×ch1-3.050 169×ch2-3.459 295×ch3+0.189 754×ch4+0.450 023×ch5-4 483.491 869

水體=11.753 161×ch1-2.957 765×ch2-3.437 992×ch3+0.169 203×ch4+0.451 089×ch5-4 421.636 392

3.2 分類結果圖

由圖4、圖5、圖6、圖7可看出，MODIS數據在2種方法下分類圖像在一致性方面要好于MERSI數據。在使用2種方法對2類圖像進行分類后發現4幅圖像中林地和水體的識別比較一致，對于大面積水體的識別還是比較正確的，與同時期的TM圖像對比發現微小水系和小面積建筑用地的識別比較困難，特別是兩者與田地相混合的部分識別是困難的。使用MERSI數據分類時，對于分布在田地之間的建筑用地的識別不如使用MODIS數據。但是對于旱地的識別要大大好于使用MODIS數據。MERSI和MODIS圖像的空間分辨率要遠遠低于TM圖像，因此其中的混合像元要多于TM圖像，而田地與建筑用地的混合相對比較嚴重，在較低空間分辨率的條件下，建筑用地與田地的區分比較困難。

3.3 分類精度檢驗

目前對分類精度的主要檢驗方法是建立誤差矩陣。對角線上的元素為被正確分類的樣本數，非對角線上的元素為被混分類的樣本數，總體分類精度是所有分類正確的像元數即主對角線上數據之合與總抽樣數的百分比。Kappa系數利用不連續多變量統計分析原理，充分體現了誤差矩陣的信息，也是進行精度檢驗的重要指標，其計算公式如下：

K=

其中，r為誤差矩陣中總列數（即總的類別數）；xii 是誤差矩陣中第i行和第i列上像元數量（即正確分類的數目）；xi+和x+i分別是第i行和第i列的總像元數量；N是總的用于精度評估的像元數量[6]。使用以上2個指數對分類后的圖像做精度檢驗。為方便比較在分類圖像上各類別均取100個數據與TM圖像進行對比建立混淆矩陣，求算分類精度及Kappa系數（見表4~7）。

由以上4個精度分析表可看出，2種方法對于MERSI數據的分類精度均要高于MODIS數據，MERSI數據中水田和旱地的分類精度均高于MODIS，而建筑用地和林地的分類精度不如MODIS數據。2種方法對2幅圖中的大面積水體都很高的分類精度。最小距離法分類效果不如最大似然法分類精度高。

4 各類地物面積統計

土地利用面積統計是使用計算機對圖像分類的重要應用，對于不同圖像來說，各類別面積的統計也會有很大的差別，使用分類后的各類別的像元數占所選圖像總像元數的百分比表征各類別所占的面積比例。通過計算得出統計數據（見表8、表9），從中可看出，使用2種方法對同一種圖像分類得出的面積所占百分比基本上比較一致，只是在建筑用地和水田的統計上差異較大。而對于2種圖像各類別統計面積，面積差別很大，由上面的精度分析可得知，2種方法對于MERSI的分類精度要高于對MODIS分類，與TM圖像對比后可看出，對于旱田和水田的分類效果顯然是MERSI數據要好于MODIS數據。

5 結語

遙感數據分類是圖像應用的前提，圖像分類的效果直接影響著對于圖像的分析效果。使用傳統的分類方法對MERSI增加到5通道的250m空間分辨率數據進行分類達到了一定分類精度的要求，其分類精度要高于同等情況下的MODIS數據。在實際分類應用中，可以使用這2種分類方法對MERSI數據進行分類。

6 參考文獻

[1] 范天賜.風云三號氣象衛星的特點和作用[J].氣象科技，2002，30（6）：321-327.

[2] 徐曉桃，韓濤，頡耀文.基于單時相Modis數據的土地覆蓋三種分類方法比較[J].干旱地區農業研究，2008，26（3）：253-258.

[3] 劉勇洪，牛錚.基于 MODIS遙感數據的宏觀土地覆蓋特征分類方法與精度分析研究[J].遙感技術與應用，2004，19（4）：217-224.

[4] DEFRIES R S，HANSEN M，TOWNSHEND J R G，et al. Global land cover classifications at 8km spatial resolution；The use of training data derived from imagery in decision tree classifiers[J].International Journal of Remote Sensing，1998，19（16）：3141-3168.

[5] FRIEDL M A，MCLVER D K，HODGES J C F，et al. Global land cover mapping from MODIS：Algorithms and early results[J].Remote Sensing of Environment，2002，83（1/2）；287-302.

[6] 趙英時.遙感應用分析原理與方法[M].北京：科學出版社，2003.