毕业论文终结版
基于遥感影像的土地利用现状分类方法研究
姓名：熊枝艳学号：20095084058
学院：城市与环境科学学院专业:地理信息系统
指导老师：施新程职称：教授
摘要：遥感技术已经成为土地利用信息来源的主要手段，分类方法研究在其中占有重要的地位，分类方法的优劣直接关系着分类的精度。本文在传统的遥感分类技术的基础上，结合当今遥感影像分类技术领域内的一些新进展和应用, 对土地利用分类技术做出较为全面的阐述。
关键词：遥感影像；土地利用；分类方法；
Study of Classification Methods of Land Use
Based on Remote Sensing Technology
Abstract:Technology of Remote sensing has become the principal means of land use information sources,classification method research occupies an important position in the field,advantages and disadvantages of classification method are directly related to the accuracy of classification. Based on the development and application in the area of the remote sensing image classification technology nowadays, the new technology methods of the land cover classificationare discussed completely in this article.
Key Words: remote sensing image;classification method ; land use
引言
土地分类是根据土地性状、地域和用途等方面存在的差异性, 按照一定的规律, 将土地归并成若干不同类别，为土地管理和调控提供基本信息。土地利用分类是人们对土地资源认识的表现, 科学严谨的土地利用现状分类关系到土地资源的合理、可持续利用, 关系到土地利用类型结构的优化以及土地资源社会经济生态效益的综合发挥[1]。随着遥感平台的多样化和图像分辨率的提高，以及计算机技术的迅速发展，遥感技术已成为土地资源利用研究的重要手段。因而通过遥感图像处理、解译分类提取
土地利用信息已成为土地利用研究必不可少的一步。遥感影像土地利用分类是指遥感影像中的像元根据其在不同波段的光谱亮度、空间结构特征或其它信息，按照某种规则或算法进行的土地利用的分类。本文基于遥感机助分类技术来阐述了几种不同的土地利用的分类方法。
1 土地利用的分类概述
在遥感技术的研究中, 通过遥感影像判读识别各种地物是遥感技术发展的1个重要环节无论是专题信息的提取, 动态变化的监测, 还是专题地图的制作, 或是遥感数据库的建立等都离不开遥感图像的分类。图像分类的过程, 实际上就是将图像中的每个像元点或每一块区域划分到若干类别中的一类, 或若干专题要素中的一种。分类的结果是将图像空间划分为若干子区域, 每个子区域代表一种实际地物[2]。
遥感影像的计算机分类方法有2种, 统计模式方法和句法模式方法。常见的分类方法一般为统计识别模式, 如最大似然法、K2最近判别法等。近年来发展的分类新方法则多采用句法方法, 这类方法有人工神经网络方法、模糊数学方法、专家系统法和决策树分类法等。
遥感图像的统计分类又分为2种：非监督分类和监督分类。非监督分类是对于遥感图像地物的属性不具有先验知识，仅仅依靠不同的光谱数据组合在统计上的差别来进行分类, 然后再对已经分出的各类地物的属性进行确认的过程；监督分类是基于对遥感图像上样本区内的地物的类别已有一定的先验知识，即已经知道它所对应的地物类别，因而可以利用这些样本的类别特征作为依据, 从而判断非样本数据的类别[3]。
2 土地利用的机助分类方法
众所周知,一幅遥感数字图像相应为一光谱数字矩阵,其行列交点为图像元素或称像素(像点、像元) 。对这些像元及其灰阶表现出的纹理特征,采用不同的分类决策进行分类识别,最终实现地物的分类和提取土地利用与土地覆盖信息。一个理想的分类决策应该符合如下标准: ①精确；②可重复使用；③严谨(对细微变化不敏感) 且能完全开发出数据内涵；④可整体运用于整个目标区域；⑤客观(不依赖于分析者的决定)[4]。但这些标准往往很难满足。大多数分类器是基于光谱信息的统计模式进行分类识别的, 如聚类分析、决策树和相似性测度等，但一些后起的、融合有关分类类
别知识的分类决策即基于知识或GIS 的分类器和多源遥感影像融合分类器也越来越重要。此外对土地资源这样的遥感图像进行分类，关键是要区分出土地覆被，所以通过动态监测模型来识别植被类型从而确定土地类型也已成为研究的趋势。
2.1 基于统计的分类决策
在土地利用与土地覆盖变化(LUCC) 分类研究中,绝大多数基于光谱信息统计模式的算法都采用了监督和非监督分类方法,即使人工神经网络分类算法,目前也属于监督分类方法范畴。监督分类可以有效开发数据内容,但需要太多信息可以决定地表信息的先验概率以致一部分信息被忽略；非监督分类虽是基于整个区域特征进行的且不需要先验概率并具操作独立性,但常常可能丢失特定的却是相关的细节信息,进而限制了分类的客观性。基于统计决策分类器的缺陷随着分类方法而异,但大都因以下方面知识不能准确知道或在实际运用中不可能知道而受到影响[5],即①区域光谱聚类的先验知识(概率) ；②相似空间分布以及土地分类和土地覆盖目标光谱变化的先验知识(概率) ；③多维光谱空间中光谱聚类以及它们分布的统计特征知识；④控制分类过程事先规定的参数等。
为克服上述分类的缺点, 基于视觉神经理论的人工神经网络分类、基于逻辑推理的符号知识分类以及其他一些分类技术正得到深入的研究并日趋成熟。
2.1.1 人工神经网络分类法
神经网络（ANN）用于遥感图像分类的主要思想是把遥感图像的特征作为神经网络的输入信号, 神经网络按一定规则训练后, 在输出端即可对输出信号进行分类。具有对信息的分布式存储, 并行处理、自组织、自学习等特点, 通过许多具有简单处理能力的神经元的复合作用而具有复杂的非线性映射能力。ANN方法用于遥感图像分类始于1988 年, 目前这种技术已得到较为广泛和深入的应用, 从单一的BP网络发展到自组织网络、径向基函数网络、自适应共振网络等多种网络。ANN 分类器是非参数型的, 有较好的容错特性, 已有的研究都表明其分类精度要高于传统的基于统计的分类方法。
2.1.2 模糊分类法
遥感信息主要反映的是地球表层信息, 由于地球表层系统的复杂性和开放性, 地表信息是多维的、无限的, 遥感信息传递过程中的局限性以及遥感信息之间的复杂
相关性, 决定了遥感信息的分析结果具有不确定性和多解性[6], 这正是模糊分类成为遥感影像分类研究中一个重要趋势的原因所在, 已有的很多研究都证明了模糊分类在分析混合像元、提高分类精度等方面具有较大优势。模糊分类是神经网络和概率论之外, 另一个功能强大、在土地利用遥感分类领域应用广泛的软分类器。模糊逻辑( fuzzy logic) 是模糊分类的理论基础, 它是一个对不确定性进行定量陈述的多值逻辑体系( mult-i valued logic) , 其基本思想是用连续的数值范围[ 0, 1] 取代非/ 是(1) 0即/ 否( 0) 0的布尔逻辑陈述( Boolean logic statement) , 0与1之间任何数值均可用以表示是与否之间的过渡状态。由于避免了武断的人为设定阈值或硬性边界, 模糊逻辑能比二元语义的布尔逻辑更好地对真实世界进行描述。建立一个完整的模糊系统是实施模糊分类的前提, 这一系统包括三个主要基本环节: 输入变量的模糊化过程(fuzzification) 、模糊逻辑规则基础创建以及分类输出结果的去模糊化过程(defuzzification) 。
2.1.3 支撑向量机分类方法( Suppor t Vector Machine)
支撑向量机( SVM) 是由Vapnik 提出的, 结构风险理论、二次优化理论、核空间理论是SVM 的三大基础理论[7]。SVM 法不同于传统统计方法和ANN 法, 它不是通过特征个数变少来控制模型的复杂性, 它提供了一个与问题维数无关的函数复杂性的有意义刻划[8] , 用事先定义的非线性变换函数集, 把向量映射到高维特征空间中, 按照支撑向量与决策曲面的空隙极大化的原则来产生最优超平面, 然后再把高维特征空间的线性决策边界映射到输入空间的非线性决策边界。C. Huang 等人认为SVM 是在高维数据分类上最好的机器学习算法, 而且可以在小样本的情况下就获得较高的准确率, 因为SVM 划分边界时依靠支撑向量, 而不是靠由大量数据获得的统计特征[8]。
以上方法虽不依赖于光谱空间数据的先验知识而具有客观性,并在一定程度上提高了分类精度,但是仍不具有普遍性。
2.2 基于知识和GIS的分类决策
基于知识和GIS的分类决策,是引入高层知识,并将有关类别的知识作用于分类设计的各个过程,以利于分类和提高分类精度。在土地利用现状调查中,涉及到许多利于土地覆盖与土地利用类型分类的知识。这些知识包括因不同的生长区域、不同的生长
环境以及物种不同而表现出的不同特征。充分考虑到并运用这些类别的知识能有效地提高分类精度。归纳起来有以下几种情况：
(1) 基于植物生长特征的土地利用与土地覆盖分类识别。利用不同季相的遥感图像进行分类识别,利用植被指数如NDVI、GUI、WI、BI 等进行间接分类识别[9]；
(2) 基于其它知识的分类识别。基于边缘检测和基于区域分类的双重信息基础之上的三维场景[10]以及建立在光谱和空间(知识) 规则上的图像分类系统[11]；
(3) 基于句法结构的分类识别,如光谱知识和上下文信息相结合[12]以及使用语义网络场景的结构分析自动解译系统[13]；
(4) 基于GIS 的分类识别。GIS 可以数值化(量化) 的形式存储大量的属性信息和地形地貌拓扑信息。这些信息可以充分地应用到遥感图像的分类决策中。坡度、方位、地势,以及高程对植被的分布有很大的影响,同时人文因素也越来越多地作用于土地利用与土地覆盖变化[8 ,14],有效的利用这些量化信息能够提高分类的精度[15 ,16]。
基于不同决策的分类方法,往往因强调不同的重点而侧重于不同的先验知识。基于知识和GIS的分类,因知识表达与量化存在一定的局限性,不能有效地融入分类识别决策之中而限制了其发展。
2.3 基于多元数据融合的分类决策
多源信息融合就是把多种信息(遥感和非遥感数据)按照一定的方式有机地组合成统一的信息模型。这类方法有基于知识的推理、信息融合、空间数据挖掘等。知识的推理方法可以利用现有的GIS数据和先验知识,可以减少分类时遇到的“同物异谱”和“同谱异物”的现象[17]。信息融合是利用多个遥感信息源所提供的反映所处环境或对象的不同特征信息之间的互补性和冗余性,采用有效的方法将它们融合,弥补单一信息源的缺陷。GIS作为辅助数据用于提高遥感图像分类精度是近年常采用的方法。GIS可作为辅助数据用于训练区的选择、分类数据预分层及分类后处理,或作为附加波段用于分类的过程。例如, R. M. Prol - Ledesma将TM图像和地形图结合采用监督分类方法对Mexico郊区的土地利用变化进行分类,分类精度达到82%[18]。程昌秀在土地利用动态监测中,将土地利用现状的矢量数据与同年同地区的遥感影像做配准与叠加,对于少数地类不单一的图斑做局部边界提取,使分割后输入图斑内的地类单一,再以图斑为单位提取整个图斑的灰度特征、纹理特征和形态特征等多种判别指标,大大提
高了影像的判别精度[19]。
但是,当分类器要求数据具有一定的统计特征时,而多数GIS数据作为辅助数据往往又不满足统计分类所要求的统计特性。这样附加“波段”方法就不合适。为解决这个问题,有不少研究者提出了知识驱动的遥感解译,即将空间数据发掘和知识发现作用于GIS数据库并用于遥感分类。空间数据挖掘是从空间数据库中提取用户感兴趣的空间模式与特征、空间与非空间数据的普遍关系及其它一些隐含在数据库中的普遍的数据特征的过程[20]。它主要是采用数据发掘技术从GIS数据库和遥感图像中发现知识,用于改善遥感图像分类。这类方法可以利用已经获得的相关知识来改进或确定分类结果,但是需解决多种信息不一致时的问题。例如,游代安提出了从GIS空间数据库中挖掘知识用以辅助遥感影像分类,以提高分类精度[21]。邸凯昌等将该方法用于北京地区SPOT多光谱图像和GIS数据库进行土地利用分类,能较好地解决同物异谱,异物同谱等问题,分类精度得到提高,并且能根据发现的知识进一步细分类,扩展了图像分类的能力[20]。
2.4 基于频谱分析的分类决策
对土地资源分类时，地表植被的类型判断尤为重要。而在植被信息中，归一化植被指数(NDVI)随着季节的变化，不同植被类型的NDVI 值发生变化，而对同一区域，时间序列相同的植被，其NDVI 具有相似的变化曲线，因此可以考虑把NDVI 曲线看作是一个时间信号。根据Parseval理论，对任一时间序列，其在时间领域的能量等同于其在频率领域的能量[5]，因此可以通过变换将原始的时间序列从时间领域变换到频率领域，然后用于土地覆被遥感图像的分类。如郑玉坤，宋杨等[22,23]用频谱分析方法中的傅立叶变换对土地覆被遥感图像的分类作了初步的研究。总之，基于频谱分析的分类方法是一种结合了地表生物信息的有效的分类方法，但由于该分类方法主要是基于NDVI 时序的变化特征来进行分类，因此在对诸如水体等NDVI 无明显特征变化的地类无法进行识别，存在一定的缺陷。在应用过程中应辅以其他的分类方法。此外，在分类中受空间分辨率小、不同地物绿度变化曲线缺乏、考虑的因素不全面等原因也会造成分类精度相对较低。该方法目前应用还不普遍。
3 土地利用的分类精度评价
在土地利用与土地覆盖变化研究中,土地利用分类精度的评价不仅必要也十分重
要。一方面可以有效地对分类器进行评价从而改造分类器,另一方面也是对遥感分类成果的最终评价,即对分类图中错误的理解,全面评价分类图的可靠性。精度评价一般基于下列准则[4]:
(1) 取样设计必须经济有效;
(2) 分类规则必须严谨且定义完美;
(3) 评价精度程序具有统计定义上的严谨;
(4) 检验数据的精度也要进行评估;
(5) 评价分类精度的数据必须与用于分类的那些数据一样具有相同的规范化的高质量。
分类精度一般采用矩阵、混淆矩阵表示,其它如误差动态表示方式等也可采用。
4 土地利用分类方法研究的趋势和前景
随着遥感技术的发展,结合人工智能技术和理论的发展,模糊数学的成熟应用以及计算机运算能力的大幅提高,基于光谱特征空间分析的非参数型技术分类方法逐步成熟。基于神经计算理论的遥感影像分类方法在国内外很多专家都已经做了大量的研究工作,人工神经网络已经在遥感影像分类和信息提取等研究中得到了广泛的应用,如土地覆盖的分类问题、多时相动态地物的区分、基于多源空间数据的融合和分类、模糊分类、融合先验知识的遥感影像分类、影像结构信息提取等,这些应用在不同程度上都获得了有实际意义的结果。但是,遥感影像数据类别多,含混度大,如何解决多类别分类识别并满足一定的分类精度,是当前遥感影像研究中的一个关键问题。当前遥感影像分类的研究热点主要包括: ①影像空间分布与结构信息的提取；②基于知识库和推理机的遥感影像分类；③人工神经网络方法；④面向对象分类；⑤分类结果的定量评价方法。随着这些研究的进一步深入,遥感影像分类更加自动化和智能化,分类精度将得到进一步提高。
5 结语
目前,遥感应用中使用较多的仍是传统的分类方法。近年来,随着遥感技术和计算机技术的不断发展,专家系统、神经网络、模糊技术和数学形态学等一些原来实现困难的新方法也在遥感图像分类中发挥作用,虽然这些新的方法比传统的方法在分类精
度上有明显提高,可也存在一定的不足。为了进一步提高分类精度,综合利用各种信息进行遥感图像分类势在必行,同时这也是遥感应用科学家们一直探索的方向之一。
参考文献
[1]贾庭芳，尹琦，李勃等.利用遥感信息实现土地利用分类方法研究[J]．云南地质，2008，27（3）：383～389．
[2] 汤国安.遥感数字图像处理[M].北京:科学出版社，2004：1170 ～1731．
[3] 纪仰慧，李国春，关宏强.土地利用/覆盖遥感分类研究综述[J]．信息资源建设与管理，2005，15(8)：36～38
[4] Congalton R G, et al. Mapping and monitoring agricultural crops and other land cover in the lower Colorado River Basin.PE &RS , 1998 ,64 (11) :1107～1113
[5]Cihlar J , et al. Classification by progressive generalization : A new authomated methodology for remote sensing multichanneldata. Int . J . Remote Sensing ,1998 ,19 (14) :2685～2704
[6] 骆建承, 周成虎, 杨艳. 具有部分监督的遥感影像模糊聚类方法研究及应用[J].遥感技术与应用, 1999, 14( 4): 37~ 43
[7] 刘伟强, 胡静, 夏德深. 基于核空间的多光谱遥感图像分类方法[J]．国土资源遥感, 2002( 3) : 44~ 47
[8] C.Huang, L. S. Davis, J. R. G. Tow nshend. An assessment of support vect or machine
f or land cover classification [ J] . Int ernat ional Journal of Remot e Sensing, 2002,
23( 4)725~ 749
[9] Todd S W, et al. Responses of spectral indices to variations in vegetation cover and soil background. PE &RS , 1998 ,64 (9) :915～921
[10]Bonnin P , Zadorique B. An edge point/ region cooperative segmentation spectic to 3D scence reconstruction. in vcip’90. SPIE ,1990 ,1360 :1270～1281
[11] Ton J , et al. Knowledge- based segmentation of land images. IEEE Trans. Geosci. Remote Sensing , 1991 ,29 (3) :222～231
[12] Wharton S W. A spectral- knowledge- based approach for urban land cover discrimination. IEEE Trans. Geosci. Remote Sensing , 1987 ,Ge～25 (5) :272～282
[13] Nicolin B , et al. A knowledge- based systemfor the analysis of aerial images. IEEE Trans. Geosci. Remote Sensing , 1987 , GE-25 (5) :317～329
[14]陈白明. 试论中国土地利用和土地覆被变化及其人类驱动力研究．自然资源，1997，2：31～35
[15] Prakash A , et al. Land- use mapping and change detection in coal mining area-a case study in the J haria coalfield , India. Int . J .Remote Sensing , 1998 ,19 (3) :391～410
[16]陈健飞.“3S”技术与资源可持续利用. 资源科学，1998 ，20 (6)：20～24
[17]杨存建,周成虎. 基于知识的遥感图像分类方法的探讨[J]．地理学与国土研究，2001，17 (1)：72 ～77
[18] Prol - LedesmaM. A Comparison of contextual classification methods using TM [ J ]. Int. J. Remote Sensing, 1997, 18 (18) : 3885 ～3842
[19] 程昌秀,严泰来.GIS与RS集成的高分辨率遥感影象分类技术在地类识别中的应用[ J ]．中国农业大学学报，2001，6 (3)：50 ～54
[20] 邸凯昌,李德仁,李德毅. 基于空间数据发掘的遥感图像分类方法研究[ J ]．武汉测绘科技大学学报，1997，12 (4)：42～48
[21] 游代安,蒋定华.GIS辅助下的Bayes法遥感影象分类[J]．测绘
学院学报，2001，18 (2)：113 ～117
[22] 郑玉坤,庄大方.多时相AVHRR 数据的傅立叶分析[J]．中国科学院研究生院学报，2003，20(1)：62～68
[23]宋杨,万幼川,申绍洪,等,基于傅立叶变换的混合分类模型用于NDVI 时序影像分析[J]．武汉大学学报(信息科学版)，2007，32(5)：406～409