基于Landsat8遥感影像的合肥市土地利用分类研究

许伟　奚砚涛

摘要：基于Landsat8卫星2013年9月获取的合肥市OLI多光谱数据，在经过校正以及波段的融合等处理后得到的数据作为研究数据，采用不同分类方法进行分类识别，并且对比不同分类器在遥感影像分类中的效果和分类精度。根据国家土地利用现状分类的标准和合肥市土地利用的现状，将合肥市的土地主要分为建设用地、交通用地、水体、绿化用地、农业用地、林地等6类，并采用5种常见监督分类方法和BP神经网络分类法对于本研究数据进行分类，结合实际用地情况对分类结果进行了总结分析，完成总体分类精度和Kappa系数等指标对各分类器精度的评价，对比了各分类器对各要素的分类精度。

关键词：遥感；Landsat8；土地利用分类； 监督分类；BP神经网络

中图分类号：F301.24；S127 文献标识码：A 文章编号：0439-8114（2015）15-3625-05

Abstracts： Based on OLI multi-spectral data acquired from Landsat8 of Hefei City in September 2013， after correction and band fusion， the processed data as the research data. The effects and classification accuracy among different classifiers were compared by using different classification recognition in remote sensing images. According to the national standards of land using classification and the land use present situation about Hefei， the land in Hefei is divided into construction land， transportation land， water， green land， agricultural land and forest land， then use 5 kinds of common supervised classification methods and BP neural network method for this paper's research data， analyzed the classification results combined with the actual status in land use. The evaluation about each classifier accuracy was completed by some indicators such as overall accuracy and Kappa coefficient， and the classification accuracy of each elements with each classifier was compared.

Key words： remote sensing； Landsat8； land use classification； supervised classification； BP neural network

遥感技术发展至今，已经展现出其宏观、动态、实时的特点，无论是植被覆盖研究还是土地利用变化，以及商业化领域的农作物监测等方面都发挥着重要作用。其中，遥感影像数据分类是对于遥感数据分析和信息提取的重要内容，主要是将图像中的每个像元根据在不同波段下的亮度和空间结构特征，按照某种规则或算法划分为不同类别[1]。运用遥感影像对于城市土地利用变化的宏观动态监测技术已经得到广泛应用。根据城市影像数据的信息提取，可以将城市的土地划分出其区域特点的利用类型。

Landsat8卫星是美国对地观测的最新数据支持系统[2]，于2013年发射成功，代替Landsat7卫星继续为全球的生态环境提供连续的观测数据，继承了先前系列的传统，提供多波段，中高分辨率影像。Landsat 8卫星提供多光谱8个波段，空间分辨率30 m，一个全色波段，空间分辨率达到15 m，此外还有热红外数据。文研究运用平行六面体法、最小距离法、马氏距离法、最大似然法、波谱角法、BP神经网络法等6种分类方法，对合肥市2013年9月的Landsat8遥感影像数据进行土地利用的分类，以期对合肥市土地利用现状有一定的了解。

1 研究区概况及数据来源

1.1 研究区概况

合肥市是安徽省的省会，地处安徽中部，江淮流域之间，地理坐标位于北纬31°31′-32°37′、东经116°40′-117°52′。全年四季分明，冬冷夏热，春秋温和，属于暖温带向亚热带的过渡带气候类型，为亚热带湿润性季风气候。年平均气温15.7 ℃，年降雨量近1 000 mm，年日照时间2 100多个小时。合肥地处江淮丘陵，北起舜耕山，南至巢湖盆地周围，大部分地域岗冲起伏，垄畈相间，总的地势是中部高，南北低。合肥市建市历史悠久，早在秦汉年间就开始在此设置县城，在历史车轮的滚动下，合肥市的城市形态逐渐发展为块状结构。随着城市发展进程的进一步加快，以市中心向外辐射为典型的环形结构，原有的土地满足不了城市大规模的发展要求，近些年来，城市郊区地带发展比较迅速，土地利用类型也变得多式多样。

1.2 数据来源及预处理

美国Landsat8卫星是美国对地观测的最新数据支持系统，于2013年2月11日发射成功，在3月底正式为全球的生态环境提供连续的观测数据，并且可以提供免费下载。Landsat8采用两个传感器[2]，Operational Land Imager（OLI，陆地成像仪）和Thermal Infrared Sensor（TIRS，热红外传感器）。其中OLI陆地成像仪，共包括9个波段，除了包括ETM+传感器的所有波段外，为了避免大气吸收特征，OLI对波段进行了重新调整，比较大的调整是OLI Band5（0.85～0.88 μm），排除了0.825 μm处的水汽吸收特征，OLI全色波段Band8波段范围较窄，使得在全色图像上更好区分植被和无植被特征；此外还添加了两个新的波段：深蓝波Band1（0.43～0.45 μm），主要应用海岸带观测；卷云波段Band9（1.36～1.39 μm），对水汽强吸收特征可用于云检测。Landsat8与Landsat7有关参数对照见表1。

本研究区的数据来源于地理空间数据云，经过筛选，选取数据标识为LC81210382013246LGN00的数据，条带号为121，行编号为38，云量为4.38，研究区内云量为0，图像质量很好。研究区的遥感影像已经经过几何校正，误差精度小于1个像素，影像投影为UTM，参考椭球体为WGS-84椭球，影像获取时间2013年9月3日。

为了提高分类结果的准确性，本研究采用波谱融合的方法，将OLI传感器的全色波段的高分辨率影像（15 m）与OLI的前7个波段的影像（30 m）进行融合，将得到融合后的7个波段图像的分辨率提高到15 m，并且保存了波段信息的完整，融合结果很理想。以真彩色合成波段（band4，3，2）打开原图像和融合后图像，得到融合前后对比图，图像变得更加清晰，有助于分类时样本信息的提取。融合结果如图1。

2 研究方法

基于光谱的影像分类可分为监督分类与非监督分类[3]。监督分类又称为训练分类法，简单的来说就是用被确认类别的样本像元去识别其他未知类别像元的过程。在分类之前通过目视判读和野外调查，对遥感图像上某些样本区的地物类别有了先验认识，接下来对每种类别选取一定数量的训练样本，计算每种训练样本区的统计信息，同时用这些子类别对判别函数进行训练，当满足对子类别分类的要求后，用训练好的判别函数对其他待分数据进行分类。将每个像元与训练样本进行比较，最终划分到和其最相似的样本类，从而完成对整幅图像的分类。遥感影像的监督分类一般包括5个步骤[4]：

1）类别判定：确定待分类类别；

2）样本选择：选取一定量的样本数，一般根据待分类别种类进行样本的选取；

3）分类器选择：常用的分类器包括平行六面体、最大似然、最小距离、马氏距离、神经网络以及波谱角等；

4）影像分类：通过一些处理遥感图像的软件，如ENVI、ERDAS等进行监督分类，得到分类结果；

5）结果精度检验和分析：对于分类后的结果进行相应的检验和分析。

对于遥感影像分类，必须依据城市自然和人文的综合属性，在《国家土地利用现状分类表》的基础上进行分类[5]。一般有两种方式，一种是利用现有的城市土地利用图作为背景数据，以此为依据，进行土地利用的分类。另一种是依据人工判读，和结合地图材料或实地验证等方法，建立感兴趣区。本研究采用后面一种，通过目视的方法建立样本区，并且划分为6种土地利用类型：建设用地、交通用地、水体、绿化用地、农业用地、林地。

本研究区是通过裁剪得到合肥市主城区范围的影像数据，没有包括其辖属的几个县市（巢湖市、长丰县、肥西县、肥东县、庐江县）。将研究区内的土地划分为6种类型：建设用地、交通用地、水体、绿化用地、农业用地、林地等；每类样本各选取250个，总计1 500个样本数。选取的训练样本进行必要的可分离性判定，常见使用Jeffries-Matusita和Transformed Divergence两种参数，值都是在0～2之间，并且越接近2越好，小于1，则应该考虑将两类样本进行合并[6]。本研究中选用Jeffries-Matusita系数进行可分离性的判定。影像数据是在9月初获得的，此时植被茂盛，种类繁多，各类地物要素之间的区分度不够明显，如绿化用地与农业用地，以及林地之间的可分离度相对较低。Jeffries-Matusita系数如表2所示。

通过对得到的Jeffries-Matusita系数进行分析，选取的训练样本适用下一步分类的进行，样本采集合理有效。

3 结果与分析

根据选取的样本，运用了平行六面体、最小距离、马氏距离、最大似然、波谱角、BP神经网络共6种分类器对研究区的影像进行了土地利用类型的分类。其中平行六面体、最小距离和波谱角分类器分类结果中包含未分类像元，没有被简单地归为某一种类型中，其他几种分类器的分类结果中没有出现未分类像元。

3.1 传统监督分类结果

平行六面体分类法原理：相当于在多维数据特征空间中划分出若干个互不重叠的平行六面体块，根据样本的亮度值形成一个n维的平行六面体数据空间，其他像元的光谱值如果落在平行六面体任何一个训练样本的区域内，就被划分到对应类别中。最小距离分类法原理：是以特征空间中的距离作为像素分类的依据。根据训练样本得到每一类别的均值和协方差矩阵，然后以各类的均值作为该类在多维空间的中心，计算待分类图像的每个像元到各类中心的距离，最近的像元就归类为此类。马氏距离法原理：马氏距离是一种加权的欧氏距离，计算待分类图像到各样本的马氏距离，统计马氏距离最小的即为此类别。最大似然法原理：最大似然法是基于Bayes分类准则的应用最广泛的监督分类方法，前提是认为每一类的概率分布都是正态的，然后依据光谱性质的相似和属于某类的概率最大的假设来指定每个像元的类别。波谱角法原理：是对地物光谱波形相似度的一种度量，它将每条光谱都视为波段空间的一个矢量，通过计算一个测试光谱与一个参考光谱之间的“角度”来确定它们之间的相似性。分类结果如图2所示。

除了以上几种常见的传统监督分类的方法外，近些年来，随着遥感技术、计算机技术、智能科学以及非线性理论的发展，在遥感影像的分类中也涌现出许多新的分类技术[3]。如决策树分类、模糊分类、人工神经网络（ANN）、支持向量机（SVM）等分类方法。其中人工神经网络分类取得了很多成就，并得到了大量的使用。

3.2 BP神经网络分类结果

使用人工神经网络对遥感图像进行分类具有很大的优势[7]。神经网络方法与传统数值计算方法相比最大的优点就是其非线性映射能力，此外，其计算过程大量并行，使得能够高速处理大量数据和求解非常复杂的问题；具有自学习、自适应和自组织能力，能利用已知类别遥感图像样本的先验知识，自动并行计算提取出类别要素等。BP（Back Propagation，反向传播）网络是采用误差反向传播的前馈式网络，网络结构包括输入层、隐含层和输出层[8]。同一层神经元之间互不相连，不同层神经元之间则相互连接。隐含层神经元太多或太少都不能使神经网络达到最佳效果，太多会加重网络的负担，延长训练时间，太少会影响信息的容量，网络难以学到知识[9，10]。往往通过试验来确定隐含层神经元个数。在结构上最简单最常用的是三层BP神经网络（图3）。

图3中，输入层m个节点对应网络m个输入，本试验中，将研究区待分类的融合后影像，包括7个波段的数据作为输入特征；输出层n个节点，对应于待分类的6种土地利用类型；隐含层设为一层。即构成最常用的三层BP神经网络。通过设计好的神经网络，使用ENVI软件监督分类模块的神经网络方法，在输入所需参数后，经过1 000次的迭代运算，得到基于BP神经网络算法的合肥市土地利用分类图如图4所示。

3.3 分类精度评价

遥感图像的分类精度评价是对分类结果与实际地表准确的土地使用现状进行比较，通过正确分类的比例来表示精度，最常用的评价系数就是总体精度系数和Kappa系数[11-13]。本研究通过现有的土地利用现状图与实地测验，选取合适的检验样本，对各分类结果进行了精度评价。

1）混淆矩阵。混淆矩阵是进行精度评价的第一步。混淆矩阵是一个n×n矩阵，其中n为分类数，如本研究的n是6。此外，本研究有的分类结果中含有未分类的图像，所以在计算精度时，为了保证数据的准确性，这时n则是7。混淆矩阵的表达式如表3所示。

表3中，Pij是第i类分类数据与第j类实测数据所占的组成成分；Pi是第i类分类数据的总和；P′i是第i类实测数据的总和；P为样本总数。当i=j时，表示的是分类正确的数据。实测总和表示各类别真实像元的总数量，分类总和表示分类器所得各类别的总数量。

2）整体分类精度（Overall accuracy）。整体分类精度是指分类结果与对应地区实际类型相一致的比例，由正确分类的像元总和除以总像元数决定的。此外，Kappa系数也是常与整体分类精度一起比较，并且结果相近。整体分类精度的公式如下：

Poa=■Pkk/P （1）

3）制图精度（Mapping accuracy）：是指分类器将整个影像的像元正确分为第m类的像元数（对角线值）与第m类实测参考总和（混淆矩阵中第m类（列）的总和）的比例。

Pma=Pkk/Pk k∈（1，n）（2）

精度分析的结果如图4和图5所示。

由图4可知，根据各分类器的分类结果比较，结果差异很明显，整体分类精度最高的是基于BP神经网络的分类，说明所选用的网络结构和样本作用明显，取得比较理想的结果，整体分类精度达到了89.30%。此外，使用最大似然法和马氏距离法也得到了较高的精度，整体分类精度分别达到了87.18%和81.72%，说明这两种分类器在传统分类方法中是较为合适的选择，平行六面体法的分类精度最差，整体分类精度只有40.30%。

另外，从图4还可以看出，各分类器得到的整体分类精度和Kappa系数是呈正比关系的，整体分类精度高，则Kappa系数也高，本研究中基于BP神经网络的分类Kappa系数达到了0.836 3，最大似然法的Kappa系数为0.806，马氏距离法的Kappa系数为0.726 5；而平行六面体法、最小距离法和波谱角法的Kappa系数分别为0.286 3、0.547、0.560 2。由此可以得到，整体分类精度越高，Kappa系数越高，并且两个系数的差值较小；整体分类精度越低，Kappa系数越低，并且两个系数的差值较大。如BP神经网络分类法的整体分类精度和Kappa系数的绝对差值为0.056 7，最大似然法、马氏距离法、波谱角法、最小距离法和平行六面体法的整体分类精度和Kappa系数的绝对差值分别为0.075 8、0.080 7、0.132 7、0.130 6、0.116 7。

图5中，通过计算各土地利用分类的制图精度，可以从中了解每种类型分类的准确性以及不同分类器对于各类别分类的效果有所不同。其中，对于水体的分类效果很好，除了平行四面体法，其他几种分类器的分类精度都达到了80%以上，也反映出水体在遥感影像分类中是较易分类的一种类型；对于建设用地的分类，几种分类器的效果很相近，BP神经网络法相对取得的效果更好；对于农业用地的分类，各分类器的分类结果相差明显，BP神经网络的分类精度最高，达到了86.29%，从而体现出它的优势；而对于绿化用地的分类，相比较其他几种常规分类器，BP神经网络法取得的效果反而不够理想，精度只有51.09%。

4 小结和讨论

1）分类器选择的不同，对于Landsat8遥感影像数据的分类结果差异较大。本研究中基于BP神经网络、最大似然法、马氏距离法的分类精度较高，其整体分类精度分别达到了89.30%、87.18%、81.72%，说明BP神经网络法在Landsat8遥感影像分类中取得的效果很好。研究经过对原影像进行波段的融合，分辨率得到提高，对于提高分类结果的精度是有所帮助的。

2）遥感影像分类对于样本选取的质量要求很高，如果选取的样本可分离性不高，那么分类结果往往会受到很大影响。对于绿化用地的分类，整体分类精度最高的BP神经网络法，其对于绿化用地的分类反而效果很差，可见样本选取的质量影响到了最后的结果。

3）水体是较为容易识别的一种类型。本研究中，各分类器对于水体的分类精度都很高，基于BP神经网络法、最大似然法、马氏距离法、波谱角法、最小距离法的分类精度都在80%以上，分别达到了99.10%、98.80%、95.76%、88.66%、82.80%。

虽然BP神经网络在遥感影像分类中已经得到很多的应用，并且效果也很好，但是由于其所需的时间较长，所以应用还是不够广泛。并且从本研究可知，对于某些类型的分类，效果还不够理想，在今后的研究中对于BP神经网络的结构或者参数进行改进，将是提高分类精度的有效措施。

参考文献：

[1] 赵英时.遥感应用分析原理与方法[M].北京：科学出版社，2003.

[2] 徐涵秋，唐 菲.新一代Landsat系列卫星：Landsat 8遥感影像新增特征及其生态环境意义[J].生态学报，2013，33（11）：3249-3257.

[3] 杜培军.遥感原理与应用[M].江苏徐州：中国矿业大学出版社，2006.

[4] 杨 鑫.浅谈遥感图像监督分类与非监督分类[J].四川地质学报，2008，28（3）：251-254.

[5] 李双成，郑 度.人工神经网络模型在地学研究中的应用进展[J].地球科学进展，2003，18（1）：68-76.

[6] 汪少华，张茂震，赵平安，等.基于TM影像、森林资源清查数据和人工神经网络的森林碳空间分布模拟[J].生态学报，2011，31（4）：998-1008.

[7] 韩 玲.基于人工神经网络--多层感知器（MLP）的遥感影像分类模型[J].测绘通报，2004（9）：29-30，42.

[8] 骆剑承，周成虎，杨 艳.人工神经网络遥感影像分类模型及其与知识集成方法研究[J].遥感学报，2001，5（2）：122-129.

[9] 李朝锋，杨茂龙，许 磊，等.概率神经网络与BP网络模型在遥感图像分类中的对比研究[J].国土资源遥感，2004（4）：11-13.

[10] 王野乔.遥感及多源地理数据分类中的人工神经网络模型[J].地理科学，1997，17（2）：10-17.

[11] 付 佳，黄海军，杨曦光.基于ENVI的唐山湾三岛土地利用遥感分类方法的比较分析[J].海洋科学，2014，38（1）：20-26.

[12] 张 雨，林 辉，臧 卓，等.基于MODIS数据的辽宁省土地利用分类研究[J].西南林业大学学报，2014，34（1）：52-54.

[13] 孙艳玲，杨小唤，王新生，等.基于决策树和MODIS数据的土地利用分类[J].资源科学，2007，29（5）：169-174.b