基于TM遥感影像曹妃甸区土地利用分类

王美玲，王晓红，焦琳琳，吴 兵，肖星星

基于TM遥感影像曹妃甸区土地利用分类

王美玲，王晓红，焦琳琳，吴 兵，肖星星

（华北理工大学 矿业工程学院，河北 唐山 063200）

以河北唐山曹妃甸区2018年Landsat 8 OLI影像为数据源，利用最大似然和平行六面体分类器对其土地利用类型进行分类，并比较了2种分类方法的精度。结果表明最大似然法分类效果较好，总体精度达到97.817 6%，Kappa系数为0.967 0。分类结果表明：农用地大面积聚集且形状规则，呈片状或块状集中在曹妃甸区北部。水域主要集中在曹妃甸区西南部，东部和南部也有零星分布。建设用地形状规则且密集分布在农用地周边。湿地形状不规则，呈片状或块状分布在曹妃甸湿地公园内，在西北部农用地与建设用地周围也有稍许分布。其他用地形状不规则，多成片状零星分布在曹妃甸区南部。

曹妃甸区；Landsat 8 OLI数据；最大似然；平行六面体；Kappa系数

遥感技术在植被覆盖研究、土地利用变化以及在农作物监测等方面有着重要的作用。对研究区土地利用类型进行精准分类是土地利用时空变化、动态变化、图谱变化等研究工作的关键。在已有研究中，为了提高遥感影像数据分类精度，或者集中在监督分类方法与其他分类方法的对比上：许伟等[1]以合肥市Landsat 8 OLI为数据，分析对比了5种监督分类法和BP神经网络分类法的精度，结果显示BP神经网络的分类精度较好。昌小莉等[2]基于2010年TM影像利用监督分类方法和决策树方法对钦州湾滨海湿地信息提取，结果表明监督分类方法的分类精度较高；或者集中在对监督分类中不同分类器的分类精度进行对比：金杰等[3]用SPOT5为数据源，利用了3种监督分类的分类器，通过分析对比发现最大似然法总体分类精度最高。孙坤等[4]以同一地区的Landsat TM影像为数据源，对监督分类中的6种分类器的分类精度进行比较，结果显示最大似然法具有较好的分类效果。本文以曹妃甸为研究区，运用最大似然和平行六面体分类器对2018年Landsat 8 OLI影像数据进行土地利用类型分类，并利用高分1号遥感影像验证两种分类器的分类精度，以期为该地区土地利用分类提供精度较高的分类方法。

1 研究区概况

曹妃甸区位于唐山南部，北纬39°07′43″- 39°27′23″，东经118°12′12″-118°43′16″，距离唐山市中心80 km[5]。曹妃甸区属于暖温带滨海半湿润大陆性季风气候，多年平均气温12.4 ℃，平均降水量596.4 mm[6]。受自然条件、政府政策和发展年限等影响，曹妃甸区土地利用类型相对简单，主要有农用地、水域、建设用地、湿地和其他用地5种土地类型。

2 研究方法

2.1 数据来源和预处理

选用2018年8月23日的Landsat 8 OLI影像数据作为数据来源。包括多光谱8个波段，空间分辨率为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[7]。确定最佳波段影像组合为标准假彩色5（NIR）、4（R）、3（G），该组合地物色彩鲜明，有利于植被分类和水体识别。以2018年8月9日的GF-1 PMS影像数据作为精度评价的参照影像，云量覆盖少于10%，GF-1 PMS包括2 m和8 m的全色和多光谱图像，融合后可得到分辨率为2 m的遥感影像。其他辅助数据包括2017最新版的《土地利用现状分类》（GBT 21010-2017）文件、2018年唐山统计年鉴、全国地理信息资源目录服务系统下载的曹妃甸区矢量图。

对Landsat 8 OLI影像数据的全色和多光谱影像进行辐射定标、大气校正（只对多光谱影像进行）、正射校正后用Gram-Schmidt方法进行融合，得到分辨率为15 m的遥感影像。在进行精度检验时，对GF-1号数据的全色和多光谱影像进行辐射定标、大气校正（只对多光谱影像进行）、正射校正后，用NNDiffuse方法进行融合，得到空间分辨率为2 m的遥感影像。根据曹妃甸区矢量图对融合后的遥感影像进行裁剪，得到本文需要的遥感影像。

2.2 解译标志的建立

本文结合土地利用现状分类的标准来确定土地利用分类，然后根据计算机解译与目视解译，制定出符合曹妃甸区的解译标志。参照最新版的《土地利用现状分类》（GBT 21010-2017）和2018年唐山统计年鉴将曹妃甸区土地利用分为农用地、水域、建设用地、湿地和其他用地。解译标志见表1。

表1 曹妃甸土地利用解译标志

Landsat 8遥感影像经图像预处理后，目视解译创建5个训练样本种类，为农用地、建设用地、水域、湿地和其他用地，对应的颜色分别为绿色、红色、蓝色、天蓝色和黄色，分别选取了16、27、49、42、20个感兴趣区。

2.3 监督分类器的选择

监督分类，又称训练分类法。通过野外调查和目视解译，根据已知训练区选取遥感图上一定数量的训练样本，通过计算选择特征参数建立判别函数之后，对待分类影像进行图像分类的方法[8]。监督分类的分类器有平行六面体、最小距离、马氏距离、最大似然、神经网络、支持向量机等[9]。本文对最大似然和平行六面体2种方法进行讨论。

3 研究结果

3.1 样本地类分离性评价

利用ENVI 5.3软件中ROI可分离性（Computer ROI Separability）工具来计算任意种类间的统计距离，类别间的统计距离是基于Jeffries-Matusita距离和转换分离度（Transformed Divergence）来衡量训练样本（ROI）的可分离性。两个参数的值在0-2.0之间，当两个参数的值大于1.9，则表明样本之间可分离性较好，小于1.8需要重新选择样本。

表2 2018 年样本可分离性数值

由表2可知，农用地、水域、建设用地、湿地和其他用地之间的可分离性都在1.9以上。样本可分离性好，样本采集合理有效，选用的训练样本可用于接下来的分类。

3.2 土地利用类型分类结果

在ENVI 5.3中选择监督分类中的最大似然和平行六面体分类器对样本分类，分类结果分别如图1和图2所示。在图1中，农用地大面积聚集且形状规则，呈片状或块状集中在曹妃甸区北部。水域形状不规则，呈片状或条状集中在曹妃甸区西南部，东部和南部也有零星分布。建设用地形状规则且密集分布在农用地周边。湿地形状不规则，呈片状或块状分布在曹妃甸湿地公园内，在西北部农用地与建设用地周围也有稍许分布。其他用地形状不规则，多成片状零星分布在曹妃甸区南部。在图2中，建设用地分布较广，其次是水域和农用地。

图1 最大似然分类器分类结果

图2 平行六面体分类器分类结果

根据目视效果可知，最大似然体分类器基本实现了土地利用初分的目的，层次较分明，如图1；而平行六面体分类器存在地类混淆的情况，如图2，其他用地和湿地在图中无法识别。从细节上看，最大似然和平行六面体的分类结果均出现零碎图斑。

3.3 不同分类器分类精度

对最大似然和平行六面体聚类处理后的遥感影像进行分类精度评价，最常见的方法是混淆矩阵和Kappa系数。进行精度检验时，通过目视解译获取高分1号数据5个地类的地表真实感兴趣区，各类样本数均在30个以上，执行分类精度评价，得到最大似然和平行六面体的精度评价混淆矩阵，具体见表3。

由表3可知，最大似然分类器的总体分类精度和Kappa系数高于平行六面体，分别为97.817 6%和0.967 0。而平行六面体分类器的总体精度仅有83.747 8%，Kappa系数仅为0.752 9。同样地，对错分精度和漏分精度而言，最大似然的分类效果相对较好。对制图精度和用户精度而言，利用最大似然进行分类的4个地类精度超过90%，而平行六面体仅有3个地类精度超过90%，说明最大似然方法的制图精度和用户精度都高于平行六面体。平行六面体分类法的总体分类精度较低，分析主要是由于所选类均值决定校准差阈值，尺度又由标准差阈值确定，所选类的划分及均值的计算导致分类结果不理想[3]。

由上可见，最大似然分类精度明显高于平行六面体，可以用最大似然方法的分类结果作为5种曹妃甸土地利用类型的初分结果。

表3 最大似然法（ML）和平行六面体法（PE）监督分类精度比较/%

4 结论

利用最大似然和平行六面体分类器对曹妃甸区土地类型进行分类，得到农用地、水域、建设用地、湿地和其他用地5种土地类型，并比较了2种分类方法的精度。结果表明最大似然法分类效果较好，总体精度达到97.817 6%，Kappa系数为0.967 0。

用最大似然方法分类的遥感影像，农用地大面积聚集且形状规则，呈片状或块状集中在曹妃甸区北部。水域形状不规则，呈片状或条状集中在曹妃甸区西南部，东部和南部也有零星分布。建设用地形状规则且密集分布在农用地周边。湿地形状不规则，呈片状或块状分布在曹妃甸湿地公园内，在西北部农用地与建设用地周围也有稍许分布。其他用地形状不规则，多成片状零星分布在曹妃甸区南部。

[1] 许伟,奚砚涛.基于Landsat8遥感影像的合肥市土地利用分类[J].湖北农业科学,2015,54(15):3625-3629.

[2] 昌小莉,董丞妍,罗明良,等.监督分类和决策树方法提取钦州湾湿地的对比分析[J].中国农学通报,2014,30(32): 295-300.

[3] 金杰,朱海岩,李子潇,等.ENVI遥感图像处理中几种监督分类方法的比较[J].水利科技与经济,2014,20(1): 146-148.

[4] 孙坤,鲁铁定.监督分类方法在遥感影像分类处理中的比较[J].江西科学,2017,35(3):367-371.

[5] 杨金玉,王建华.唐山市曹妃甸盐碱地绿化技术[J].现代农业科技,2013,42(10):186-188.

[6] 赵艳舫.盐生植物在校园景观建设中的应用研究——以曹妃甸大学城为例[J].工业技术与职业教育,2018, 16(4):58-61.

[7] 王瀚征.基于非监督分类与决策树相结合的30m分辨率土地利用遥感反演研究[D].石家庄:河北师范大学,2016:13-14.

[8] 赵慧,汪云甲.影响ETM影像土地利用/覆盖分类精度因素的研究[J].遥感技术与应用,2012,27(4):600-608.

[9] 李帅,张梦华,郭力娜.不同监督分类器对土地利用分类精度的影响[J].华北理工大学学报(自然科学版),2018, 40(2):42-48.

Land Use Classification in Caofeidian Area Based on TM Remote Sensing Image

WANG Mei-ling, WANG Xiao-hong,JIAO Lin-lin, WU Bing, XIAO Xing-xing

(College of Mining Engineering, North China University of Science and Technology, Tangshan 063200, China)

It uses the 2018 Landsat 8 OLI image as the data source to classify the land use types in Caofeidian area in Tangshan, Hebei Province by using the maximum likelihood and parallelepiped classifiers, and compares the accuracy of the two classification methods. The results show that the maximum likelihood method has a good classification effect, the overall accuracy reaches 97.817 6%, and the Kappa coefficient is 0.967 0. The classification results show that the agricultural land is concentrated in a large area and has a regular shape, which is concentrated in the form of flakes or blocks in the northern part of the Caofeidian area. The waters are mainly concentrated in the southwestern part of the Caofeidian area, and there are sporadic distributions in the east and south. The construction land is regularly shaped and densely distributed around the agricultural land. The shape of the wetland is irregular, distributed in a sheet or block form in the Caofeidian Wetland Park, and there is a slight distribution around the agricultural land and construction land in the northwest. Other land uses irregular shapes, and many of them are scattered in the south of Caofeidian.

Caofeidian area; Landsat 8 OLI data; maximum likelihood; parallelepiped; Kappa coefficient

TU198+.3

A

1009-9115(2019)06-0153-04

10.3969/j.issn.1009-9115.2019.06.037

华北理工大学博士基金项目（25395501）

2019-06-21

2019-09-04

王美玲（1993-），女，黑龙江鸡西人，硕士研究生，研究方向为摄影技术与遥感监测。

（责任编辑、校对：王淑娟）