基于分层分类思想的龙海市典型地物分类提取研究

基于分层分类思想的龙海市典型地物分类提取研究

1aster数据分析土地使用和恢复是自然和人文过程交叉的最密切相关的问题，也是导致世界变化的主要原因。也是生态环境变化研究的重要方面。利用遥感数据进行土地利用/覆被监测,国内外已进行了许多研究。ASTER是地球对地观测系统EOS的第一颗先进的极地轨道环境卫星Terra(EOS-AM1)上所搭载的5种对地观测仪器之一,空间分辨率高,波段覆盖范围广,从可见光、近红外、短波红外到热红外,共有14个波段,其中3个可见近红外波段,相当于TM的2~4波段,空间分辨率为15m;6个短波红外波段,空间分辨率为30m;5个热红外波段,空间分辨率为90m。与TM影像相比,ASTER有着更高的空间分辨率和光谱分辨率,将能在土地利用/覆盖动态监测中发挥重要的作用。近年来,国内外许多学者利用ASTER数据进行土地利用/覆盖监测方面的研究。GuobinZhuetal(2002)利用ASTER数据和自动支撑向量机算法对以色列的BeerSheva地区进行了分类研究,结果显示ASTER数据比较适合用于城市的分类研究。MaJianwenetal(2005)先对ASTER数据进行小波融合,然后进行土地覆盖类型的神经网络分类研究。哈斯巴干(2003)以北京地区作为研究区,介绍了基于ASTER数据聚类分析的自组织特征映射分类方法。分层分类是针对各地物不同的信息特点,将其按一定原则进行层层分解,信息的提取环境比较纯净,可以在较大程度上避免那些传统分类方法因为同物异谱或异物同谱现象而导致的分类精度不高的现象。不少学者利用分层分类方法,对土地利用/覆盖进行研究。这些研究结果表明分层分类方法比传统的监督和非监督分类方法有更高的分类精度,结果也更合理。本文以福建省龙海市为研究区,针对研究区内典型地物的光谱特征,并结合相关的地理图层,在分层分类方法思想的指导下,进行基于ASTER数据的土地利用/覆盖分类方法研究。2龙海市森林概况龙海市位于福建南海部沿海,24°09′~24°36′N,117°29′~118°15′E,面积1128km2。龙海市地势南北较高,中间低缓。主要河流九龙江为福建第二大河,干流285km,分西溪、南溪、北溪3条支流。境内耕地2.27万hm2,林木蓄积量76.2万m3,森林覆盖率55.1%。龙海市处于厦门、汕头两个经济特区之间,主要区域属于南亚热带,自然环境良好,气候温和,四季常春,适宜广泛性农作物生长,粮食作物一年三熟,是福建省农业发达地区之一。3基于分层技术的分类方法研究3.1aster数据处理本次研究所采用的数据以2003年12月8号ASTER影像为主,其他辅助资料为已校正的2000年ETM数据、2000年龙海市1∶10000土地利用现状图、1∶5万DEM数据、2002~2004年3次现场考察的实测数据以及龙海市年鉴等。首先利用已经校正的ETM+全色波段影像(分辨率15m)对龙海市ASTER影像1、2、3波段进行几何精校正,校正误差控制在0.5个像元内。其次将ASTER影像4~9波段重采样为15m分辨率,利用校正1、2、3波段的GCP点进行几何校正,然后利用龙海市行政界线图将龙海市范围的影像切割出来(图1,见图版Ⅱ)。ASTER数据的4~9波段都是短波红外,相关性较大,可能会对某些地物的区分产生干扰,为了减小地物在这些波段的同物异谱和异物同谱现象,对4~9波段进行主成分(PC)分析,选取前两个主成分分量PC1和PC2作为短波红外的波段,这两个波段所含的信息量占整幅图像的99%。植被指数可以增强植被信息,采用归一化植被指数NDVI作为其中的一个波段参与专题提取:NDVI=(ASTER3-ASTER2)/(ASTER3+ASTER2)。把ASTER影像的1~3波段、4~9波段的PC1和PC2、NDVI共6个波段进行叠加,作为后续分析处理的数据源。根据影像所反映的景观特点和龙海市的实际情况,将龙海市地物分为以下10种类型:居民地、建设用地、裸露地、火烧迹地、林地、农田、海水、河流、湖泊水库以及人工养殖场。其中居民地、建设用地、裸露地、火烧迹地为无植被覆盖类,林地、农田为植被覆盖类,海水、河流、湖泊水库以及人工养殖场为水体类。3.2分类方案和依据同物异谱和异物同谱是遥感数据普遍存在的现象,如果把多种地物放在一起考虑,由于这些波段的存在,会使信息的提取变得复杂、困难,这也是造成传统的监督和非监督分类方法的分类精度不高的重要原因。面对这些复杂的景物或现象人们不可能用一个统一的分类模式来很好的描述或进行区域景物的识别与分类。因此,基于分层分析的信息提取方法,首先将原始的图像分割成具有某些相同特征的子区,然后对不同的子区基于一定的知识和条件对地物的类别进行细化,即针对各地物不同的信息特点,按一定原则进行层层分解,通过选择合适的波段与波段组合、采用不同的算法,或加一些辅助数据进行复合处理等,针对各类地物分别建立专题层,并采取逐层分类掩模的技术将分离出的地物去除,以免对下一步的分类产生影响,为以后的信息提取创造更加纯净的提取环境。在对每一类地物的提取中,目标明确单一,每个类别只需考虑与区分目标有关的最佳变量,有利于单一地类精度上的提高,并且可以在较大程度上避免不同区域内同物异谱或异物同谱的干扰,使分类结果更加合理。为了便于分析,我们对每一类地物选取一定数量的样本,用来分析各种地物的光谱曲线(图2),并且对每个类别进行均值统计(表1)。从图上可以看出,林地、农田等植被覆盖区域在b3波段上的光谱值均高于b2和PC1,并且NDVI明显高于其它地物,因此利用b2、b3和NDVI易与其它地物区分开。养殖场、水库、河流以及海水等水体类在1~4波段表现为逐渐下降趋势,而pc1~pc2波段为上升趋势,建设用地、交通用地等非植被本身的光谱值都比较高,因此我们可以依据这些光谱特性,通过选取最佳的波段来实现整个影像区域的自动分区,然后获得相对独立的影像区域块。分区完成后,在每一个子区的基础上进行分层提取,分层提取也主要依据地物的光谱特征,并且结合坡度、坡向、以及土地利用现状图等等。具体过程如下(图3):(1)居民地和熔喷地过滤碎斑的分离首先根据开发用地的光谱值较其它地类高,设定条件:b1>100andb2>100分离出建设用地,过滤掉碎斑后将其掩模掉;然后在掩模掉建设用地的影像上利用居民地在可见光和近红外波段反射率比裸露地和火烧迹地高的特性,结合坡度图设定slop<2分离出居民地,同样过滤碎斑并将其掩模。火烧迹地利用b2<60可与裸露地较好的分离。(2)农田与林地混淆从影像上反映出该区农用地大部分都以菜地的形式出现,植被覆盖好,如果采用一般监督分类方法,农田与部分林地混淆。利用坡度信息,结合波谱特性,设定band1<85andband3>70andband4<50可以较好的分离出农田,再结合目视解译效果,根据耕地和林地的纹理特征差异,对结果进行修正,形成林地和耕地的专题图层。(3)提取场及模型的建立水体分层的工作比较困难,该区水体特征较为复杂,几乎所有的水体类如养殖场、海水、河流和水库的光谱曲线大致相同,首先利用水产养殖地具有典型的网格状纹理结构特征,可以对养殖场采取边缘检测和邻域分析相结合的方法,可以较好的提取养殖场。然后建立河流提取模型:V=(B4-B3)/(B4+B3),可以清楚地看到海水和湖泊水库部分都属于高亮度区,河流的亮度都偏低,于是设定阈值K=100,小于K的为河流。最后采用非监督分类和监督分类结合加人工判读修正区分海水和湖泊水库。将各个专题图层进行合并,并结合上下文分析方法进行适当的修正,形成龙海市土地利用/覆盖专题图层(图4,见图版Ⅱ)。4分析点分层分类为了分析分层技术的分类结果好坏,采用传统的监督分类和非监督分类对ASTER影像进行分类,作为对比分析。在进行监督分类时,采用最小距离法对每一类别都选取了充足的样本,配合野外考察的结果进行分类。非监督分类初始的类别为60类,最后合并为10个类别。分类结果评价是进行遥感监测中极其重要的一步,本文采用分层随机采样法,选用2002~2004年3次野外实地调查数据、2000年龙海市1∶1万的土地利用图,并结合目视判读经验,对分类结果进行评价。在进行分层分类方法时选取450个分析点,其中包括龙海野外考察点(20个)并作为用户自定义点导入,其它430个点由机子随机产生。精度评价结果列于表2,然后将这些自动生成的随机点和野外考查点保存起来,并且作为监督与非监督方法的评价点。可以看出,经过分区和分层处理后图像的总体精度明显高于传统的非监督和监督分类,主要是因为传统的分类方法都是在全图范围内一次性进行所有地物的分类,各种地物之间容易产生干扰,影响分类的精度,例如火烧迹地和裸露地以及居民地混淆情况十分严重,另外湖泊、水库等由于光谱值和火烧迹地大致相同,特别是在非监督分类中,由于养殖场和河流的光谱曲线十分相似,很难将其区分开。分层的分类方法就可以在很大程度上消除这种情况,它按照一定的分类规则分别设计各种分类器,对图像中的各个像元进行逐层的识别、归类、通过若干次中间判别最终得到判别分类的结果,在层次间不断的加入专家知识和各种地理图层,采用逐级逻辑判别的方式,使人的知识及判别思维与图像有机的结合起来,避免出现逻辑上的分类错误。例如,即使植被中某些林地光谱与某块田地的光谱值接近或者湖泊水库与海水光谱接近,由于在分层的过程中不仅考虑了它们的光谱信息,同时也考虑了它们的地物特征以及空间特征,提供了不同的分类方案,所以即使在常规方法中容易混淆的类别也不会将它们错误的分为一类。当然,也不能完全避免误分的现象,如仍有若干养殖场与海水混淆,少量的田地与林地混淆的情况,但程度已远远小于传统的分类方法,分类的精度也得到较大的提高。5分层标准划分地物本文以龙海市作为研究区域,利用ASTER数据,基于分层分类方法对土地利用/覆盖分类进行研