基于Landsat8數據和監督分類方法的土地利用分類研究

肖凡　郭俊軍　張夢杰

摘 要：該研究以Landsat8數據為基礎，采用ENVI軟件對數據進行預處理，以《土地利用現狀分類》（GB/T21010-2017）為標準，將研究區的土地利用分為農用地、林地、水域、建筑用地和未利用地5種類型，分別采用平行六面體法、馬氏距離法、最小距離法、最大似然法、神經網絡法、支持向量機等6種監督分類方法進行分類，并對土地分類結果和精度進行評價，以分類精度和制圖精度最高的支持向量機分類結果為對象，用其他5種分類方法與其進行結果差異對比分析。通過多種監督分類方法結果對比，以期為后期土地利用分類提供指導和借鑒。

關鍵詞：Landsat8;監督分類方法;土地利用分類

中圖分類號 TP79文獻標識碼 A文章編號 1007-7731（2020）08-0110-04

土地利用/覆蓋變化（LUCC）是全球環境變化人文因素計劃（IHDP）與國際地圈生物圈計劃（IGBP）的核心研究內容之一，也是全球變化研究的重要因素之一[1]。開展土地利用分類研究有助于及時掌握區域土地覆蓋變化，合理制定土地利用規劃，節約土地資源，提升土地利用效率。20世紀以來，打造新型衛星的傳感器相繼發射，針對不同問題，不同傳感器有不同的參數特點[2]。Landsat8由于波段信息豐富、空間分辨率高、易獲取等優點成為廣大學者研究的重要數據來源。而隨著國內遙感技術的發展，高分辨率遙感影像憑借地物內部分異明顯、紋理清晰、細節豐富等優點也被應用到土地利用分類中。

本研究通過獲取Landsat8 OLI遙感影像數據，以長沙市望城區為研究區域，對其遙感影像進行輻射校正、大氣校正、融合、裁剪等預處理后，采用目視解譯選取具有代表性的土地利用分類訓練樣本，分別采取平行六面體法、馬氏距離法、最大似然法、最小距離法、神經網絡法和支持向量機等監督分類方法對研究區域進行分類，并對分類結果進行對比分析。

1 研究區概況

望城區位于湖南省長沙市，地處湘中東北部，湘江下游，屬中亞熱帶季風濕潤氣候。全區整體地形由南向北傾斜，呈不規則的長方形，東北部最高峰黑麋峰，海拔590.5m;西南部嵇珈山海拔474.2m;西北部為濱湖沖擊平原區，土地平曠;內有湘江、溈水河流過，且有團頭湖等湖泊分布。望城區共有5個鎮、10個街道，總面積951km2，總人口58.9萬人（不含雷峰街道，2018年）。

2 數據來源及分類

2.1 數據來源 本研究所使用的Landsat8影像數據來源于地理空間數據云（http：//www.gscloud.cn/），時間為2018年2月3日，云量2.12%，研究區內無云，多光譜波段空間分辨率為30m，全色波段空間分辨率為15m。選擇與Landsat8同期的2m分辨率遙感影像1張，利用高分影像選取訓練樣本，作為土地利用分類后的驗證樣本，以此評價土地利用分類精度。

2.2 分類

2.2.1 數據預處理 下載的Landsat8數據為L1T級產品，已經進行相關幾何校正，此次處理過程中不再進行幾何校正。利用ENVI軟件進行輻射校正和大氣校正，同時根據望城區行政區界線對遙感影像進行裁剪，提取出研究區的遙感影像。同時將多光譜波段（Band1-Band7）和全色波段（Band8）進行融合，從而得到15m分辨率的多光譜融合影像。

2.2.2 分類方法 監督分類方法[3]，首先從研究區域選取有代表性的訓練場地作為樣本。根據已知訓練區提供的樣本，通過選擇特征參數（如像素亮度均值、方差等），建立判別函數，據此對樣本像元進行分類，依據樣本類別的特征來識別非樣本像元的歸屬類別。常用的監督分類方法有以下幾種：

（1）平行六面體法 平行六面體法（Parallelpiped）是指以地物光譜特征曲線為參照，假定同類地物的光譜特征曲線相似作為判決的規則。其尺度由訓練樣本學習產生的類別均值求出的標準差閾值確定[3]。對于某一類別i，當像元X的灰度值滿足：

（5）神經網絡法 神經網絡法（Neural Net）是一種應用類似于大腦神經突觸鏈接結構進行信息處理的數學模型。這個方法將人工神經網絡中的處理單元類比為人類大腦神經元模式，通過計算機模擬人腦的結構。用模型中一系列小的處理單元模擬人類大腦的神經元，再通過算法來實現人腦的認知、識別、思考的過程，最終將其應用于影像分類中。神經網絡法適應性強、抗干擾能力高。但存在效率低，處理過程需要設置較多的參數等問題[6]。

（6）支持向量機 支持向量機分類法（Support Vector Machine）是由VapniK提出的，主要應用于模式識別領域，是一種建立在統計學習理論基礎上的機器學習方法。支持向量機的基本思想是在樣本空間或特征空間構造出最有超平面，使超平面與不同類別樣本集之間的距離最大，從而達到最大的泛化能力。支持向量機分類方法可以支持高維數據;其次，它具有抗躁性強、訓練樣本較小、分類速度較快以及穩定性較強的特點。但是該方法也有不足，就是其需要大量的合適特征參數保證分類精度[7-8]。

2.3 樣本選擇 土地利用分類被廣泛應用到國土、水利、環保等各行業，近些年也被應用到全國性水土流失動態監測中，本研究以《土地利用現狀分類》（GB/T21010-2017）[9]為基礎，結合Landsat8數據屬性和分類對象的分布特點，將地類分為5類，每種土地利用類型確定200個訓練樣本。具體分類包括：（1）農用地：包含種植物農作物的耕地，種植果、葉、汁等多年生木本和草本作物的園地，以及草本植被的草地。（2）林地：包含種植生產喬木、竹類、灌木的土地。（3）水域：包含河流、湖泊、坑塘等天然水域。（4）建筑用地：包含城鎮、農村以及交通建設的土地。（5）未利用地：包含空閑地、裸地等地類。

訓練樣本的建立需要具有良好的可分離性，常用的判斷方法包括Jeffries-Matusita和Tranesformed-Divergence2種，數值在0～2之間，越接近于2，說明分離性越好;<1.8時，需要重新選擇樣本;<1時需考慮將2類樣本進行合并。此次采用Jeffries-Matusita系數來對訓練樣本進行判別，結果發現各類樣本均在1.8～2.0之間，樣本的可分離性良好。具體系數值表1所示。

3 結果與分析

3.1 分類結果 根據監督分類方法及原理，利用ENVI軟件對望城區Landsat8遙感影像數據進行分類，結果如圖2所示。根據此次分類結果，對研究區內各地類進行數據統計，其各分類方法所得到的結果如圖3所示

從圖2可以看出，6種分類方法所得到的建筑用地主要位于望城區中部地區，也是望城區的主城區，東南部金星北地區、北部沿江右岸銅官窯附近以及中東部與開福區交界處附近也是建筑用地相對集中的區域;望城區西北部團頭湖、中部湘江水域對應各分類方法中的白色區域，分類結果相對準確;結合圖3可以看出，6種分類方法所得到的地類中，農用地和林地占比最高，整體分布符合望城區的實際情況，但占研究區國土總面積的比例與實際情況略有差異;對未利用地的分類各方法之間有較大差異，存在誤分的可能，這可能與分類方法和訓練樣本的選擇有關。

3.2 分類精度評價 對于土地分類精度的評價包括整體分類精度評價和制圖精度評價。

3.2.1 整體分類精度 土地利用整體分類精度的評價是對分類結果的檢驗，常用的方法有2種，一是將分類結果與實際土地利用現狀分類數據進行比較;二是采用高分辨率遙感影像選取一定比例的訓練樣本來檢驗Landsat8分類數據的準確性。最常用的評價系數就是總體精度系數（Overall Accuracy）和Kappa系數[10]。本研究利用2m分辨率遙感影像，針對農用地、建筑用地、林地、水域和未利用地各選取200個訓練樣本，利用ENVI軟件對分類結果進行評價，其結果如表3所示。從表3和圖4可以看出，土地利用分類總體精度和Kappa值的總體趨勢相同，由高到低的監督分類方法依次是支持向量機、最大似然法、神經網絡法、馬氏距離法、平行六面體法、最小距離法。

3.2.2 制圖精度 制圖精度指分類器將整個圖像的像元正確分為第m類的像元數（對角線值）與該類真實參考總數（混淆矩陣中第m類列的總和）的比率。

從圖5可以看出，農用地的制圖精度中支持向量機、神經網絡法、馬氏距離法和最大似然法相近，集中在98%附近，而平行六面體和最小距離法與其他4種方法差異較大，最小距離法制圖精度為61.51%，在所有方法中最低;建筑用地的制圖精度中，6種分類方法均有差異，精度由高到低依次是支持向量機、最大似然法、神經網絡法、馬氏距離法、最小距離法、平行六面體法;對于林地的制圖精度除最小距離法略有差異外，其余，5種分類方法精度相當;6種分類方法對于水域的區分表現相同，制圖精度差異較小;未利用地的制圖精度中最大似然法精度最高，其余5種方法緊隨其后，精度均在70%以上。整體趨勢看出，支持向量機在不同地類制圖精度中相比其余5種方法較高，且不同地類所表現的趨勢相對穩定，精度差異較小。

4 結語

本研究根據6種不同監督分類方法原理，以ENVI軟件為支撐，以望城區為研究對象，對比分析了平行六面體法、馬氏距離法、最小距離法、最大似然法、神經網絡法和支持向量機6種方法的分類結果和精度，結果發現：（1）6種分類方法在分類中得到的5種地類空間分布相近，但相同地類的面積存在差異;（2）支持向量機法和最大似然法得到的分類總體精度較其余4種分類精度高;（3）在制圖精度分析中，支持向量機法得到的6種地類整體精度較高，在建筑用地分類中各方法差異較大，后期可以根據不同方法對于不同地類的分類精度進行敏感性分類。

參考文獻

[1]王敏，高新華，陳思宇，等.基于Landsat8遙感影像的土地利用分類研究——以四川省紅原縣安曲示范區為例[J].草業科學，2015，32（5）：694-701.

[2]宋軍偉，張友靜，李鑫川，等.基于GF-1與Landsat8影像的土地利用覆蓋分類比較[J].地理科學進展，2016，35（2）：255-263.

[3]梅安新，彭望琭.遙感導論[M].北京：高等教育出版社，2001.

[4]張明，黃雙燕.基于Landsat-8的遙感影像分類研究[J].測繪與空間地理信息，2019，42（1）：177-180;

[5]楊鑫.淺談遙感圖像監督分類與非監督分類[J].四川地質學報，2008，28（3）：251-254.

[6]白宇興.基于Landsat8的土地利用分類方法對比研究——以西安市未央區為例[J].西部大開發（土地開發工程研究），2019，4（11）：1-7.

[7]李平，吳曼喬，曾聯明.支持向量機技術在土地利用監測的應用研究[J].測繪通報，2010（8）：28-30.

[8]楊長坤，王崇，張鼎凱，等.基于SVM的高分一號衛星影像分類[J].測繪與空間地理信息，2015，38（9）：142-146.

[9]GB/T201010-2017.土地利用現狀分類[S].2017.

[10]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）：3625-3637.

（責編：張 麗）