基于GF—2與LandSat—8影像的土地覆蓋分類比較

鄔志剛 丁嘉樹

摘 要：基于GF-2與LandSat-8影像數據， 利用支持向量機分類器（SVM）對同區域同期兩種數據進行土地利用覆蓋分類對比研究。結果表明：典型樣本的光譜比較接近，但在農田與林地、不透水面與裸土的典型樣本可分離性方面， LandSat-8優于 GF-2； GF-2與LandSat-8的分類總精度分別為92.25%和 92.06%，但不同地物類型的分類精度存在差異，波譜響應函數的差異可能是導致LandSat-8對林地的分類精度高于 GF-2的原因；此外，GF-2對零碎分布地物類型的分類精度高于 LandSat-8， 主要原因是 GF-2具有更高的空間分辨率。

關鍵詞：土地利用覆蓋；遙感分類；支持向量機；GF-2影像

隨著遙感技術的不斷進步，SVM已越來越多地應用到遙感影像分類研究中，并取得了很好的效果 [ 1 ]。

本文對比GF-2與LandSat-8數據對土地覆蓋分類能力與精度的影響，評價GF-2在土地覆蓋分類中的應用價值，選取同期GF-2和LandSat-8影像數據，采用SVM分類器進行土地覆蓋分類， 對比GF-2與LandSat-8數據的分類結果差異并分析。

1 研究區域、 數據與方法

1.1 研究區概況

研究區位于江西省南昌市安義縣（28°44N-28°59N，115°34 E-115°51 E）。該縣西北與靖安接壤，南接高安，東鄰灣里區、新建縣。總面積為面積656平方千米。總人口30.06萬人。地形概貌為丘陵為主，水田莊園次之。區域內主要土地覆蓋類型包括林地、裸土、水體、農田和不透水面等。

研究區西部、東部海拔較高地區土地覆蓋類型為林地； 潦河兩岸地區以農田為主， 農田與分散的居民點呈混合分布狀態， 對比較不同分辨率影像中零碎分布地物的分類效果較為典型。

1.2 數據與方法

GF2搭載了兩臺高分辨率1M全色、4M多光譜相機，觀測幅寬達到45公里，具有亞米級空間分辨率、高定位精度和快速姿態機動能力等特點，有效地提升了衛星綜合觀測效能，達到了國際先進水平。本文選取了一景2015年10月獲取的高分二號PMS1影像數據（GF2_PMS1_E115.7_N28.9_20151021_ L1A 0001 11 8 839）。

LandSat-8衛星上攜帶兩個傳感器，分別是OLI和TIRS傳感器，選取同一時期、同一區域的 LandSat-8 衛星OLI 傳感器數據（LC81220402015291LGN00）。

分類訓練樣本的選擇和分類結果的驗證，選擇同期的2.5 m分辨率的SPOT5多光譜與全色波段融合影像（數據來自Google earth）。在選取樣本時， 采取訓練樣本和驗證樣本同時選取的方式。對兩景影像進行正射校正，DEM數據采用2015年USGS發布的最新7.5秒分辨數據，通過輻射定標將傳感器記錄的DN值轉換成大氣頂層輻射亮度或反射率。通過 FLAASH 進行大氣校正，將其轉換為地面真實反射率數據。利用矢量數據（2015年 GADM V2.8）對影像進行裁剪得出研究區。投影選擇UTM投影，WGS-84 地理坐標系。

2 分類方案及方法

分類體系建立參考2015年《土地利用現狀分類標準（GB-T21010-2015）.》一級分類系統，并考慮所用數據及研究區土地覆蓋類型的特點，最終確定將研究區的土地覆蓋類型劃分為林地、水體、農田、不透水面和裸地五類。

本文選擇支持向量機分類器對研究區進行土地覆蓋分類，SVM方法是根據有限的樣本信息在模型的復雜性和學習能力間尋求最佳折衷，以期獲得最好的推廣能力[ 2 ]，SVM根據已知訓練樣本的類別及其特征屬性，求得訓練樣本與樣本類別或屬性間的關系預測未知樣本的類別、屬性以及分布[ 3 ]。

3 結果評價與分析

基于ENVI5.3軟件平臺和檢驗樣本實現SVM法的精度評價。評價指標包括KAPAA系數、總體精度、用戶精度、生產者精度等，并進一步對分類結果進行對比分析。

為了獲取高質量且具有代表性的樣本數據， 利用同期GoogleEarth2.5 m分辨率的SPOT5多光譜與全色波段融合影像選擇驗證樣本和分類樣本。 兩種傳感器中對應地物類型的反射率曲線趨勢一致性良好， 在近紅外波段的反射率差異最小。在藍光波段、 綠光波段和紅光波段LandSat-8各地物的反射率略大于 GF-2，其中不透水面最為明顯，裸土和農田次之， 水體的反射率最為接近。

兩種數據各類地物的光譜可分離性：農田和林地，不透水面和裸土兩組的類別可分離性 LandSat-8 高于 GF-2， 其他各組的差異不大，這說明在光譜可分離性方面，LandSat-8優于 GF-2。

選取相同的訓練樣本， 利用SVM對兩景影像進行分類，利用 PMS傳感器的4個波段、 OLI傳感器除去卷云波段和熱紅外波段的其余 8個波段進行分類。

利用SPOT5影像目視判讀，對分類結果進行精度評價，通過分類結果的混淆矩陣看出GF-2分類總精度較高。 LandSat-8 對林地、裸地、水體的分類精度高于 GF-2，主要因為波譜響應函數的差異造成GF-2將更多的林地誤分為農田。

GF-2 對農田與不透水面的分類精度高于 LandSat-8，因為研究區分布較多水塘、細小河流、村莊和小規模的城鎮，地物類型破碎，在更高分辨率 GF-2 影像上混合像元少，紋理與細節信息明顯，從而分類效果更好。

GF-2將部分收割農田和未利用耕地分為裸土，是造成裸土分類精度低于LandSat-8 的主要原因。

參考文獻：

[1] 范懷剛，岳彩榮，王棟. 基于支持向量機的宜良縣遙感分類與土地覆蓋變化研究[J].林業調查規劃， 2014（2）：51-56.

[2] 張學工.關于統計學習理論與支持向量機[J].自動化學報，2000， 26（1）：32-42.

[3] 鄧乃揚.數據挖掘中的新方法[M].科學出版社，2004.

作者簡介：

鄔志剛（1990-），男，漢族，江西撫州人，碩士。