土地覆盖遥感制图方法研究现状与展望

朱 爽，张锦水，李长青，郑 阔

(1. 北京工业职业技术学院，北京 100042； 2. 地表过程与资源生态国家重点实验室，北京师范大学地理科学学部，北京 100875； 3. 北京市陆表遥感数据产品工程技术研究中心，北京师范大学地理科学学部，北京 100875； 4. 北京师范大学地理科学学部遥感科学与工程研究院，北京 100875)

土地覆盖是地球表面的组成部分，与生物、非生物的景观格局有着密切的关系[1]。区域尺度土地利用/覆盖分类研究是当今国际上开展土地利用/覆盖变化研究的重要领域之一。及时、准确地获取地球表面要素对于掌握人类和自然现象之间的关系和相互作用是非常重要的[2-4]。遥感是获取时空土地覆盖监测信息的有效手段。许多学者不断探讨先进的分类方法，从而提高遥感影像的分类精度，以满足气候变化[5]、农产量预测[6]、自然灾害评估[7]等不同研究目的的需要。

根据分类输出结果划分，当前常用的遥感分类方法可分为硬分类、软分类[2]。硬分类的输出结果为排他性的特定地物类型，但是由于传感器空间分辨率及地面复杂多样性的影响，遥感影像中像元很少是由单一、均匀的地表覆盖类型组成，而是产生大量的混合像元，造成较大的分类误差[8-9]。软分类是针对影像上混合像元的存在而提出的，根据已有端元光谱特征对混合像元进行光谱分解，输出各种端元的丰度信息。已有研究表明，由于受到类内、类间光谱不稳定性的影响[10]，造成单一端元光谱的混合像元分解误差[11]，因此解决光谱不稳定对软分类的影响一直是混合光谱分解模型中待解决的难点和热点问题[10]。

文献[12]提出扩展的SVM(extended support vector machines)软硬复合分类方法，将整个遥感影像划分为纯净、混合像元集合，以已有硬分类结果为端元进行混合像元的软分类，最终得到硬分类专题图和软分类丰度结果，消除了传统分类方法采用单一的端元均值进行混合像元分解的不足。从某种角度上看，软硬复合的分类方法作为一种新的分类理念，而不是单纯硬分类或软分类方法，符合遥感影像纯净、混合像元共存的特点，较单一的硬、软分类方法更易于表达遥感影像的实际情况，作为一种新型的遥感分类框架具有很好的应用前景[13]。但是，软硬分类的方法仍处于初级发展阶段，对混合像元的分解还是沿用传统的分解方法，未考虑混合像元的空间针对目前软硬复合分类方法存在着纯净、混合像元划分和混合像元分解端元不稳定性等因素。

现有土地覆盖遥感制图方法主要侧重于硬分类、软分类方法的介绍，本文进一步扩充软硬分类方法在土地覆盖制图中的应用，使研究工作者可以更加全面地了解与掌握土地覆盖遥感制图现状，最后提出变端元的软硬分类土地覆盖制图方法研究框架思路，展望这一技术的发展趋势。

1 硬分类方法在土地覆盖制图中的研究

传统基于像元分类器的硬分类方法主要是选取分类训练进行土地覆盖的分类，包括参数(如最大似然分类)和非参数分类器。参数分类器假定遥感数据集呈正态分布，利用训练样本计算统计参数(如均值、协方差矩阵)。一般而言，光谱呈正态分布是不现实的，尤其在复杂的异质性地区。此外，样本代表性或多峰分布都会导致图像分类精度的不确定。对于非参数分类器，不需要数据集呈正态分布的前提假设。非参数分类器适合于集成非光谱数据的分类，尤其在复杂景观地区能够获取比参数分类器更高的分类精度[14-15]。众多常用非参数分类器包括神经网络、决策树、支撑向量机和专家系统等。其中，支撑向量机是建立在统计学习理论上的一种学习方法，体现了学习过程的一致性和结构风险最小化原理，具有小样本量、高推广能力的特点，已被广泛应用于土地覆盖分类之中[16]。如文献[17]选择混合样本输入SVM分类器进行分类，在小样本量的前提下能够保证各种土地分类的分类精度；文献[3]综合光谱与纹理信息进行SVM分类，优于传统最大似然分类精度；文献[18]利用SPOT 5 HRG数据进行土地覆盖分类，证明SVM方法要在一定程度上优于人工神经网络。文献[16]统计出，在遥感中的应用方面发表的含有SUM的科技论文数目约占10年来的50%以上，而且仍呈上升趋势。

但受限于遥感影像空间分辨率的影响，遥感影像上的像元很少由单一均匀的土地覆盖类型组成，多由几种地物混合组成[19]。因此，硬分类识别结果无法有效地满足地面连续景观的表达，存在很大程度的不合理性[6,20-21]。

2 软分类在土地覆盖制图方法中的研究

遥感影像中每个像元所对应的地表，往往包含不同的土地覆盖类型，它们有着不同的光谱响应特征。若该像元仅包含一种地物类型，则为纯像元(pure pixel)，它所记录的正是该类型的光谱响应特征或光谱信号；若该像元包含不止一种土地覆盖类型，则称为混合像元(mixed pixels)，它记录的是所对应的不同土地覆盖类型光谱响应特征的综合[22]。混合像元的存在是传统像元级遥感分类和面积测量难以达到实用要求的主要原因[2]。为了提高遥感应用的精度，使遥感应用由像元级达到亚像元级，进入像元内部，将混合像元分解为不同的基本组分单元或终端端元(endmember)，并求得基本组分所占比例，这就是所谓的混合像元分解，即软分类[2,20,23]。不同的方法被用于软分类，其中包括最大似然分类概率似然度法、图像的亚像元分类、神经网络法、线性分解模型法等。混合光谱分析(spectral mixture analysis，SMA)是最为常用的混合像元分解方法[10]。SMA作为一种解决混合像元问题的有效方法，假设混合像元是端元光谱的线性组合，输出结果是各端元的丰度图。端元选择是进行SMA的关键，众多研究进行了相关的探讨[2]。一般而言，端元选择获取方式包括3种：第一类是从光谱库中选择；第二类是从影像中直接选取；第三类是结合以上两种方法。其中从影像上直接选择端元是一种相对简单、便捷的方法，应用范围广，但是并非所有影像上都能找到足够纯净的端元像元，尤其是空间分辨率比较低的影像。

对端元时空的不稳定性表达的不足成为线性光谱混合模型的最大缺陷，这也是采用SMA进行混合像元分解进行土地覆盖制图的瓶颈所在。目前，解决端元光谱不稳定的方法包括5种：混合光谱迭代循环法、光谱特征选择法、光谱权重法、光谱变化法和辐射传输模型[10]。国内学者提出了可变端元的解决方案[19,24-25]以解决光谱的不稳定性，其中基于光谱贡献率的端元可变的混合像元分解模型(variable endmember unmixed based on spectral contribution,VEUSC)是根据每个像元的光谱信息来动态确定参与光谱分解的实际组分端元数，尽可能去除不相关端元的影响，因而取得理想的土地覆盖估算结果，该方法在湿地和城市不透水层估算中得到很好的应用[4,23]。目前，变端元混合像元分解方法多采用残差混合光谱来分析、确定有效的端元光谱类型和特征空间，在不同的适用条件下均进行了试验验证[10]。

综上，对于混合像元光谱可以采用两个特征进行表达：端元类型与端元光谱特征，这是有效进行混合像元分解的基础。当前方法是计算混合像元与端元的光谱特征之间的相关性，以最小的光谱分解残差作为判断标准，从而确定最优的端元类型和端元光谱特征[12]。而对于遥感影像而言，由于不同地物的景观特征和光照条件，区域内的类内差异性、类间相似性给混合像元分解带来很大的困难，从全区影像上选择全局变化端元输入到混合模型进行分解，只考虑满足数学意义的解析表达来确定端元，未考虑混合像元的空间特征[10]，忽略了混合像元与空间邻近光谱特征的纯净像元，降低了有效端元搜索的效率。

3 软硬分类在土地覆盖方法中的研究

软硬分类方法作为一种全新的遥感分类理念，已经在土地覆盖制图中得到了应用。该方法将整个遥感影像划分为纯净、混合的集合，针对不同像元特性采用不同方法确定土地覆盖类型，这一做法符合遥感影像上纯净、混合像元并存的现状，成为一套普适性强的土地覆盖制图技术框架[12]。文献[12]提出扩展的SVM的软硬分类方法并进一步在洪水分类中得到应用；针对扩展SVM方法，文献[12]又初步探讨了限制性端元下光谱分解的适用性；文献[13]结合SVM和线性分解模型实现目标地物(冬小麦)的准确识别，性能明显优于硬、软分类方法；文献[26]采用SVM对高光谱数据进行分类，输出分类专题图和归属概率图，对归属概率图进行判定，确定纯净、混合像元集合，针对混合像元集合采用全限制性最小二乘线性分解，得到满意的分类精度。

当前，软硬分类方法虽然处于初级阶段，尤其是对混合像元分解仍是沿用传统的分解方法，未考虑混合像元的空间针对目前软硬复合分类方法存在纯净、混合像元划分和混合像元分解端元不稳定性等因素，但其已经在土地覆盖制图中展现出强有力的应用潜力。其应用框架如图1所示。

4 展 望

软硬分类方法作为一种新型、普适性的专题土地覆盖信息提取分类框架，具有广泛的发展潜力和应用价值。其中，土地覆盖遥感软硬分类方法核心要突破两个问题：

(1) 纯净、混合像元的有效划分。纯净、混合像元的划分多采用归属概率人为判定阈值或窗口内分类结果异质性进行判断[13,25]，这易受到主观因素或者分类结果精度的影响。此外，划分出的混合像元同传统软分类一样，仍然面临着光谱不稳定性对分类精度的影响。

(2) 混合像元的分解。变端元的软硬分类方法作为一个统一的遥感分类框架，丰富了传统遥感分类技术体系，在硬分类的基础上进行变端元的软分类，实现了硬、软分类的有机结合，势必成为今后遥感分类的主流发展方向之一。软硬分类生成的专题图分为纯净像元识别结果(排他性的土地覆盖类型)和混合像元识别结果(丰度图)，更加符合遥感影像对地表现实地物的表达，蕴含了更加翔实的土地覆盖语义特征，为在此基础上开展气候变化、生态资源调查、土地覆盖变化监测等资源环境方面的研究提供了更加准确的地表数据。

今后需要针对上述问题开展深入的研究，将提高软硬分类方法在土地覆盖应用中的普适性和稳健性。