基于TM遙感影像曹妃甸區土地利用分類

王美玲，王曉紅，焦琳琳，吳 兵，肖星星

基于TM遙感影像曹妃甸區土地利用分類

王美玲，王曉紅，焦琳琳，吳 兵，肖星星

（華北理工大學 礦業工程學院，河北 唐山 063200）

以河北唐山曹妃甸區2018年Landsat 8 OLI影像為數據源，利用最大似然和平行六面體分類器對其土地利用類型進行分類，并比較了2種分類方法的精度。結果表明最大似然法分類效果較好，總體精度達到97.817 6%，Kappa系數為0.967 0。分類結果表明：農用地大面積聚集且形狀規則，呈片狀或塊狀集中在曹妃甸區北部。水域主要集中在曹妃甸區西南部，東部和南部也有零星分布。建設用地形狀規則且密集分布在農用地周邊。濕地形狀不規則，呈片狀或塊狀分布在曹妃甸濕地公園內，在西北部農用地與建設用地周圍也有稍許分布。其他用地形狀不規則，多成片狀零星分布在曹妃甸區南部。

曹妃甸區；Landsat 8 OLI數據；最大似然；平行六面體；Kappa系數

遙感技術在植被覆蓋研究、土地利用變化以及在農作物監測等方面有著重要的作用。對研究區土地利用類型進行精準分類是土地利用時空變化、動態變化、圖譜變化等研究工作的關鍵。在已有研究中，為了提高遙感影像數據分類精度，或者集中在監督分類方法與其他分類方法的對比上：許偉等[1]以合肥市Landsat 8 OLI為數據，分析對比了5種監督分類法和BP神經網絡分類法的精度，結果顯示BP神經網絡的分類精度較好。昌小莉等[2]基于2010年TM影像利用監督分類方法和決策樹方法對欽州灣濱海濕地信息提取，結果表明監督分類方法的分類精度較高；或者集中在對監督分類中不同分類器的分類精度進行對比：金杰等[3]用SPOT5為數據源，利用了3種監督分類的分類器，通過分析對比發現最大似然法總體分類精度最高。孫坤等[4]以同一地區的Landsat TM影像為數據源，對監督分類中的6種分類器的分類精度進行比較，結果顯示最大似然法具有較好的分類效果。本文以曹妃甸為研究區，運用最大似然和平行六面體分類器對2018年Landsat 8 OLI影像數據進行土地利用類型分類，并利用高分1號遙感影像驗證兩種分類器的分類精度，以期為該地區土地利用分類提供精度較高的分類方法。

1 研究區概況

曹妃甸區位于唐山南部，北緯39°07′43″- 39°27′23″，東經118°12′12″-118°43′16″，距離唐山市中心80 km[5]。曹妃甸區屬于暖溫帶濱海半濕潤大陸性季風氣候，多年平均氣溫12.4 ℃，平均降水量596.4 mm[6]。受自然條件、政府政策和發展年限等影響，曹妃甸區土地利用類型相對簡單，主要有農用地、水域、建設用地、濕地和其他用地5種土地類型。

2 研究方法

2.1 數據來源和預處理

選用2018年8月23日的Landsat 8 OLI影像數據作為數據來源。包括多光譜8個波段，空間分辨率為30 m，一個全色波段，空間分辨率達到15 m，此外還有熱紅外數據[7]。確定最佳波段影像組合為標準假彩色5（NIR）、4（R）、3（G），該組合地物色彩鮮明，有利于植被分類和水體識別。以2018年8月9日的GF-1 PMS影像數據作為精度評價的參照影像，云量覆蓋少于10%，GF-1 PMS包括2 m和8 m的全色和多光譜圖像，融合后可得到分辨率為2 m的遙感影像。其他輔助數據包括2017最新版的《土地利用現狀分類》（GBT 21010-2017）文件、2018年唐山統計年鑒、全國地理信息資源目錄服務系統下載的曹妃甸區矢量圖。

對Landsat 8 OLI影像數據的全色和多光譜影像進行輻射定標、大氣校正（只對多光譜影像進行）、正射校正后用Gram-Schmidt方法進行融合，得到分辨率為15 m的遙感影像。在進行精度檢驗時，對GF-1號數據的全色和多光譜影像進行輻射定標、大氣校正（只對多光譜影像進行）、正射校正后，用NNDiffuse方法進行融合，得到空間分辨率為2 m的遙感影像。根據曹妃甸區矢量圖對融合后的遙感影像進行裁剪，得到本文需要的遙感影像。

2.2 解譯標志的建立

本文結合土地利用現狀分類的標準來確定土地利用分類，然后根據計算機解譯與目視解譯，制定出符合曹妃甸區的解譯標志。參照最新版的《土地利用現狀分類》（GBT 21010-2017）和2018年唐山統計年鑒將曹妃甸區土地利用分為農用地、水域、建設用地、濕地和其他用地。解譯標志見表1。

表1 曹妃甸土地利用解譯標志

Landsat 8遙感影像經圖像預處理后，目視解譯創建5個訓練樣本種類，為農用地、建設用地、水域、濕地和其他用地，對應的顏色分別為綠色、紅色、藍色、天藍色和黃色，分別選取了16、27、49、42、20個感興趣區。

2.3 監督分類器的選擇

監督分類，又稱訓練分類法。通過野外調查和目視解譯，根據已知訓練區選取遙感圖上一定數量的訓練樣本，通過計算選擇特征參數建立判別函數之后，對待分類影像進行圖像分類的方法[8]。監督分類的分類器有平行六面體、最小距離、馬氏距離、最大似然、神經網絡、支持向量機等[9]。本文對最大似然和平行六面體2種方法進行討論。

3 研究結果

3.1 樣本地類分離性評價

利用ENVI 5.3軟件中ROI可分離性（Computer ROI Separability）工具來計算任意種類間的統計距離，類別間的統計距離是基于Jeffries-Matusita距離和轉換分離度（Transformed Divergence）來衡量訓練樣本（ROI）的可分離性。兩個參數的值在0-2.0之間，當兩個參數的值大于1.9，則表明樣本之間可分離性較好，小于1.8需要重新選擇樣本。

表2 2018 年樣本可分離性數值

由表2可知，農用地、水域、建設用地、濕地和其他用地之間的可分離性都在1.9以上。樣本可分離性好，樣本采集合理有效，選用的訓練樣本可用于接下來的分類。

3.2 土地利用類型分類結果

在ENVI 5.3中選擇監督分類中的最大似然和平行六面體分類器對樣本分類，分類結果分別如圖1和圖2所示。在圖1中，農用地大面積聚集且形狀規則，呈片狀或塊狀集中在曹妃甸區北部。水域形狀不規則，呈片狀或條狀集中在曹妃甸區西南部，東部和南部也有零星分布。建設用地形狀規則且密集分布在農用地周邊。濕地形狀不規則，呈片狀或塊狀分布在曹妃甸濕地公園內，在西北部農用地與建設用地周圍也有稍許分布。其他用地形狀不規則，多成片狀零星分布在曹妃甸區南部。在圖2中，建設用地分布較廣，其次是水域和農用地。

圖1 最大似然分類器分類結果

圖2 平行六面體分類器分類結果

根據目視效果可知，最大似然體分類器基本實現了土地利用初分的目的，層次較分明，如圖1；而平行六面體分類器存在地類混淆的情況，如圖2，其他用地和濕地在圖中無法識別。從細節上看，最大似然和平行六面體的分類結果均出現零碎圖斑。

3.3 不同分類器分類精度

對最大似然和平行六面體聚類處理后的遙感影像進行分類精度評價，最常見的方法是混淆矩陣和Kappa系數。進行精度檢驗時，通過目視解譯獲取高分1號數據5個地類的地表真實感興趣區，各類樣本數均在30個以上，執行分類精度評價，得到最大似然和平行六面體的精度評價混淆矩陣，具體見表3。

由表3可知，最大似然分類器的總體分類精度和Kappa系數高于平行六面體，分別為97.817 6%和0.967 0。而平行六面體分類器的總體精度僅有83.747 8%，Kappa系數僅為0.752 9。同樣地，對錯分精度和漏分精度而言，最大似然的分類效果相對較好。對制圖精度和用戶精度而言，利用最大似然進行分類的4個地類精度超過90%，而平行六面體僅有3個地類精度超過90%，說明最大似然方法的制圖精度和用戶精度都高于平行六面體。平行六面體分類法的總體分類精度較低，分析主要是由于所選類均值決定校準差閾值，尺度又由標準差閾值確定，所選類的劃分及均值的計算導致分類結果不理想[3]。

由上可見，最大似然分類精度明顯高于平行六面體，可以用最大似然方法的分類結果作為5種曹妃甸土地利用類型的初分結果。

表3 最大似然法（ML）和平行六面體法（PE）監督分類精度比較/%

4 結論

利用最大似然和平行六面體分類器對曹妃甸區土地類型進行分類，得到農用地、水域、建設用地、濕地和其他用地5種土地類型，并比較了2種分類方法的精度。結果表明最大似然法分類效果較好，總體精度達到97.817 6%，Kappa系數為0.967 0。

用最大似然方法分類的遙感影像，農用地大面積聚集且形狀規則，呈片狀或塊狀集中在曹妃甸區北部。水域形狀不規則，呈片狀或條狀集中在曹妃甸區西南部，東部和南部也有零星分布。建設用地形狀規則且密集分布在農用地周邊。濕地形狀不規則，呈片狀或塊狀分布在曹妃甸濕地公園內，在西北部農用地與建設用地周圍也有稍許分布。其他用地形狀不規則，多成片狀零星分布在曹妃甸區南部。

[1] 許偉,奚硯濤.基于Landsat8遙感影像的合肥市土地利用分類[J].湖北農業科學,2015,54(15):3625-3629.

[2] 昌小莉,董丞妍,羅明良,等.監督分類和決策樹方法提取欽州灣濕地的對比分析[J].中國農學通報,2014,30(32): 295-300.

[3] 金杰,朱海巖,李子瀟,等.ENVI遙感圖像處理中幾種監督分類方法的比較[J].水利科技與經濟,2014,20(1): 146-148.

[4] 孫坤,魯鐵定.監督分類方法在遙感影像分類處理中的比較[J].江西科學,2017,35(3):367-371.

[5] 楊金玉,王建華.唐山市曹妃甸鹽堿地綠化技術[J].現代農業科技,2013,42(10):186-188.

[6] 趙艷舫.鹽生植物在校園景觀建設中的應用研究——以曹妃甸大學城為例[J].工業技術與職業教育,2018, 16(4):58-61.

[7] 王瀚征.基于非監督分類與決策樹相結合的30m分辨率土地利用遙感反演研究[D].石家莊:河北師范大學,2016:13-14.

[8] 趙慧,汪云甲.影響ETM影像土地利用/覆蓋分類精度因素的研究[J].遙感技術與應用,2012,27(4):600-608.

[9] 李帥,張夢華,郭力娜.不同監督分類器對土地利用分類精度的影響[J].華北理工大學學報(自然科學版),2018, 40(2):42-48.

Land Use Classification in Caofeidian Area Based on TM Remote Sensing Image

WANG Mei-ling, WANG Xiao-hong,JIAO Lin-lin, WU Bing, XIAO Xing-xing

(College of Mining Engineering, North China University of Science and Technology, Tangshan 063200, China)

It uses the 2018 Landsat 8 OLI image as the data source to classify the land use types in Caofeidian area in Tangshan, Hebei Province by using the maximum likelihood and parallelepiped classifiers, and compares the accuracy of the two classification methods. The results show that the maximum likelihood method has a good classification effect, the overall accuracy reaches 97.817 6%, and the Kappa coefficient is 0.967 0. The classification results show that the agricultural land is concentrated in a large area and has a regular shape, which is concentrated in the form of flakes or blocks in the northern part of the Caofeidian area. The waters are mainly concentrated in the southwestern part of the Caofeidian area, and there are sporadic distributions in the east and south. The construction land is regularly shaped and densely distributed around the agricultural land. The shape of the wetland is irregular, distributed in a sheet or block form in the Caofeidian Wetland Park, and there is a slight distribution around the agricultural land and construction land in the northwest. Other land uses irregular shapes, and many of them are scattered in the south of Caofeidian.

Caofeidian area; Landsat 8 OLI data; maximum likelihood; parallelepiped; Kappa coefficient

TU198+.3

A

1009-9115(2019)06-0153-04

10.3969/j.issn.1009-9115.2019.06.037

華北理工大學博士基金項目（25395501）

2019-06-21

2019-09-04

王美玲（1993-），女，黑龍江雞西人，碩士研究生，研究方向為攝影技術與遙感監測。

（責任編輯、校對：王淑娟）