基于GF—2与LandSat—8影像的土地覆盖分类比较

邬志刚 丁嘉树

摘 要：基于GF-2与LandSat-8影像数据， 利用支持向量机分类器（SVM）对同区域同期两种数据进行土地利用覆盖分类对比研究。结果表明：典型样本的光谱比较接近，但在农田与林地、不透水面与裸土的典型样本可分离性方面， LandSat-8优于 GF-2； GF-2与LandSat-8的分类总精度分别为92.25%和 92.06%，但不同地物类型的分类精度存在差异，波谱响应函数的差异可能是导致LandSat-8对林地的分类精度高于 GF-2的原因；此外，GF-2对零碎分布地物类型的分类精度高于 LandSat-8， 主要原因是 GF-2具有更高的空间分辨率。

关键词：土地利用覆盖；遥感分类；支持向量机；GF-2影像

随着遥感技术的不断进步，SVM已越来越多地应用到遥感影像分类研究中，并取得了很好的效果 [ 1 ]。

本文對比GF-2与LandSat-8数据对土地覆盖分类能力与精度的影响，评价GF-2在土地覆盖分类中的应用价值，选取同期GF-2和LandSat-8影像数据，采用SVM分类器进行土地覆盖分类， 对比GF-2与LandSat-8数据的分类结果差异并分析。

1 研究区域、 数据与方法

1.1 研究区概况

研究区位于江西省南昌市安义县（28°44N-28°59N，115°34 E-115°51 E）。该县西北与靖安接壤，南接高安，东邻湾里区、新建县。总面积为面积656平方千米。总人口30.06万人。地形概貌为丘陵为主，水田庄园次之。区域内主要土地覆盖类型包括林地、裸土、水体、农田和不透水面等。

研究区西部、东部海拔较高地区土地覆盖类型为林地； 潦河两岸地区以农田为主， 农田与分散的居民点呈混合分布状态， 对比较不同分辨率影像中零碎分布地物的分类效果较为典型。

1.2 数据与方法

GF2搭载了两台高分辨率1M全色、4M多光谱相机，观测幅宽达到45公里，具有亚米级空间分辨率、高定位精度和快速姿态机动能力等特点，有效地提升了卫星综合观测效能，达到了国际先进水平。本文选取了一景2015年10月获取的高分二号PMS1影像数据（GF2_PMS1_E115.7_N28.9_20151021_ L1A 0001 11 8 839）。

LandSat-8卫星上携带两个传感器，分别是OLI和TIRS传感器，选取同一时期、同一区域的 LandSat-8 卫星OLI 传感器数据（LC81220402015291LGN00）。

分类训练样本的选择和分类结果的验证，选择同期的2.5 m分辨率的SPOT5多光谱与全色波段融合影像（数据来自Google earth）。在选取样本时， 采取训练样本和验证样本同时选取的方式。对两景影像进行正射校正，DEM数据采用2015年USGS发布的最新7.5秒分辨数据，通过辐射定标将传感器记录的DN值转换成大气顶层辐射亮度或反射率。通过 FLAASH 进行大气校正，将其转换为地面真实反射率数据。利用矢量数据（2015年 GADM V2.8）对影像进行裁剪得出研究区。投影选择UTM投影，WGS-84 地理坐标系。

2 分类方案及方法

分类体系建立参考2015年《土地利用现状分类标准（GB-T21010-2015）.》一级分类系统，并考虑所用数据及研究区土地覆盖类型的特点，最终确定将研究区的土地覆盖类型划分为林地、水体、农田、不透水面和裸地五类。

本文选择支持向量机分类器对研究区进行土地覆盖分类，SVM方法是根据有限的样本信息在模型的复杂性和学习能力间寻求最佳折衷，以期获得最好的推广能力[ 2 ]，SVM根据已知训练样本的类别及其特征属性，求得训练样本与样本类别或属性间的关系预测未知样本的类别、属性以及分布[ 3 ]。

3 结果评价与分析

基于ENVI5.3软件平台和检验样本实现SVM法的精度评价。评价指标包括KAPAA系数、总体精度、用户精度、生产者精度等，并进一步对分类结果进行对比分析。

为了获取高质量且具有代表性的样本数据， 利用同期GoogleEarth2.5 m分辨率的SPOT5多光谱与全色波段融合影像选择验证样本和分类样本。 两种传感器中对应地物类型的反射率曲线趋势一致性良好， 在近红外波段的反射率差异最小。在蓝光波段、 绿光波段和红光波段LandSat-8各地物的反射率略大于 GF-2，其中不透水面最为明显，裸土和农田次之， 水体的反射率最为接近。

两种数据各类地物的光谱可分离性：农田和林地，不透水面和裸土两组的类别可分离性 LandSat-8 高于 GF-2， 其他各组的差异不大，这说明在光谱可分离性方面，LandSat-8优于 GF-2。

选取相同的训练样本， 利用SVM对两景影像进行分类，利用 PMS传感器的4个波段、 OLI传感器除去卷云波段和热红外波段的其余 8个波段进行分类。

利用SPOT5影像目视判读，对分类结果进行精度评价，通过分类结果的混淆矩阵看出GF-2分类总精度较高。 LandSat-8 对林地、裸地、水体的分类精度高于 GF-2，主要因为波谱响应函数的差异造成GF-2将更多的林地误分为农田。

GF-2 对农田与不透水面的分类精度高于 LandSat-8，因为研究区分布较多水塘、细小河流、村庄和小规模的城镇，地物类型破碎，在更高分辨率 GF-2 影像上混合像元少，纹理与细节信息明显，从而分类效果更好。

GF-2将部分收割农田和未利用耕地分为裸土，是造成裸土分类精度低于LandSat-8 的主要原因。

参考文献：

[1] 范怀刚，岳彩荣，王栋. 基于支持向量机的宜良县遥感分类与土地覆盖变化研究[J].林业调查规划， 2014（2）：51-56.

[2] 张学工.关于统计学习理论与支持向量机[J].自动化学报，2000， 26（1）：32-42.

[3] 邓乃扬.数据挖掘中的新方法[M].科学出版社，2004.

作者简介：

邬志刚（1990-），男，汉族，江西抚州人，硕士。