面向滇中高原湖泊区地表覆盖遥感探测的分类精度对比研究

易达 李院瞧 杨宇

摘  要： 遙感图像分类是遥感信息提取的重要技术手段，目前已有多种遥感图像分类方法运用在地表覆被分类中，而分类精度的提升是遥感数据处理及其应用的核心所在。因此，针对具体研究区环境特性，并通过比较分析各种遥感图像分类方法的精度状况，成为了如何选择最合适遥感应用方法的根本依据。本文选取具有云南省滇中高原湖泊区域典型代表性的星云湖及周边湖滨带径流区域为研究试验区，通过采用监督分类、BP神经网络分类和面向对象分类等三种遥感分类方法，开展研究区地表覆被类型的遥感图像信息提取，并对三种方法所获取结果的精度状况进行对比分析研究。结果显示，面向对象方法相对其余两种方法更适用于星云湖流域土地利用分类。研究结果对于推进面向云南滇中高原湖滨带地表覆盖信息的遥感快速提取与动态监测具有现实科技指导作用，同时对研究云南滇中高原湖泊区域的资源环境利用与保护管理等具有重要的科学意义。

关键词： 遥感监测;地表覆盖;分类技术;精度评价;高原湖泊

中图分类号： P237    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2020.07.009

本文著录格式：易达，李院瞧，杨宇. 面向滇中高原湖泊区地表覆盖遥感探测的分类精度对比研究[J]. 软件，2020，41（07）：45-50

Comparison of Accuracy of Land Cover Classification by RemoteSensing Monitoring Methods in Yunnan Plataea Lake Area

YI Da¹， LI Yuan-qiao²， YANG Yu³

（1. Oxbridge College， Kunming University of Science and Technology， Kunming 650106， China;2. Yunnan Honghe Hydropower Survey and Design Institute， Kunming 650200， China;3. Faculty of Land Resources Engineering， Honghe 661100， China）

【Abstract】： Remote sensing classification is an important technology used for the extraction of information， there are varieties of remote sensing methods used in the classification， accuracy is the represent of the effect of classification which makes the improvement of accuracy become the core of remote sensing data processing and applications. Therefore， the analyst of accuracy by comparing the different classification methods in the specific study area has become the fundamental basis of remote sensing application. The typical representative area of Central Yunnan Plateau lakes region， Xing Yun lake and the runoff area were selected as study area in this paper. Three methods of unsupervised classification， BP neural network classification and object-oriented classification were used for the extraction of land cover information in remote sensing image， and comparing the three classification methods by accuracy evaluation. The results show that the object-oriented method is more suitable for land use classification in the Xingyun Lake Basin than the other two methods. There is practical guidance for the results in promoting quickly extraction and dynamic monitoring of land cover information， and important scientific significance for the study of resource and environment management， utilization and protection in Central Yunnan plateau lake.

【Key words】： Remote sensing monitoring; Land cover; Classification technology; Accuracy evaluation; Plateau lakes

0  引言

通过遥感图像识别各种地面目标是遥感技术发展的一个重要环节，无论是专题信息提取、动态变化监测、专题制图、还是遥感数据库建设等都离不开遥感图像分类技术^[1]。而我们所观察到的地球表面生物物理覆盖情况叫做地表覆盖，它是由各种自然形成和人为建造所组成地表覆盖的模式。遥感图像分类实际上是将图像中每个像元点或每块区域根据其在不同谱段的光谱特征、空间结构特征或其他信息，按照某种规划分为不同类别^[2]。

最初的遥感图像分类方法是通过目视解译来实现的，即主要是根据人的经验和知识，通过解译基本要素和具体解译标志来识别地物类型^[3]。如从遥感数据中提取土地利用信息的常见方法就是通过可视化解译来实现的，但因可视化解译受限于单一波段或三色合成波段，所以解译过程往往具有强烈主观性^[4]。利用计算机进行自动解译方面，围绕不同遥感监测分类方法精度对比分析研究，张成才（2008）以昭平台水库为例，对比了监督分类和非监督分类在提取不同地物信息中的精度，得到了最大似然法在此次分析中精度最优^[5]。尹作霞，杜培军（2007）运用面向对象图像分析理论与方法进行高光谱遥感图像分类，在精度评价上得到传统的分类方法较面向对象的分类方法精度要低，尤其体现在对阴影和水体的区分上，水体正确分类率达100%^[6]。此外，麦格，童新华应用BP神经网络方法进行了石漠化遥感图像分类，对比BP神经网络分类法、ISODATA分类法、最大似然法，提出BP神经网络分类法在石漠化信息的遥感分类精度上比传统监督和非监督分类精度高^[7]。Arnon Karnieli以以色列的内盖夫为例，探究得到使用监督分类和非监督分类相结合的方法较单一使用其中一种方法精度更高的产品，同时使用基于专家知识以及辅助GIS数据的DSS更新地图数据时，能够明显提升5%-10%的分类精度^[8]。

为了支撑星云湖高原湖泊区域环境演变综合研究，借鉴有关地表覆盖遥感监测技术应用研究成果，基于遥感监测技术应用以快速有效地获取研究区地表覆盖分类状况成为必然选择，为此首先需要确定的是科学有效且可行的遥感分类技术方法，由此明确了此次探讨的主要研究工作是进行不同遥感分类监测技术应用的多方案试验分析与精度比较研究。研究中将选择具有滇中高原湖泊区域特色代表性的星云湖及湖滨带为试验区，选取遥感图像分类中传统监督分类和发展后的BP神经网络分类和面向对象分类三种分类方法，主要针对湖泊水体及其周边湖滨带不同地表覆盖信息，开展遥感监测分类技术应用，对比不同方法得到的分类精度，从而分析得出面向云南高原湖泊区域的科学适用的地表覆盖分类技术，为该区域的土地资源利用现状调查、土地利用变化监测、水资源宏观监测、土地开发及保护等资源环境监测与管理方面提供技术方法体系支撑。

具体确定了本次研究的目标为：（1）开展研究区的遥感图像预处理，分别采用监督分类、BP神经网络分类和面向对象分类等技术处理，对研究区地表覆盖进行遥感分类技术进行精度评估;（2）对所处理图像创建混淆矩阵并计算精度指标，比较评定不同分类方法得到的精度状况，推荐优选可行、可靠的面向滇中高原湖泊区域地表覆盖的遥感监测分类技术方法。

1  研究区概况

星云湖地理位置为东经102°45′～102°48′，北纬24°17′～24°23′，是云南滇中的典型高原湖泊之一，本次研究选取地表覆被类型丰富的星云湖周边部分径流区域作为研究区。

调查资料表明，星云湖周围径流区的土壤主要是由石灰岩、砂岩、玄武岩等发育而成的红壤，还有棕壤和非地带性的石灰土和紫色土。在这些土壤上孕育着云南松、华山松、柏木、旱冬瓜和以栎类为主的常绿阔叶林。研究区位置及遥感图像如图1所示。

2  地表覆盖分类体系与精度评价方法确定

2.1  地表覆盖分类体系

为了开展研究区的遥感分类技术研究，首先需要明确有利于遥感监测的地表覆蓋类型的分类体系。为此，分析对比各种地表覆盖类型体系后，鉴于安德森分类系统主要针对遥感监测技术专门设计，即只有土地利用和地表覆盖类型能被遥感所识别才适合于使用这套系统，因此，本研究确定采用了国际通用的安德森分类系统的第一层次。具体在这项研究中使用的6个级别的不同的土地利用和地表覆盖类型整理如表1。

2.2  精度评定方法

为了比较分析各种分类方法的应用效果，明确选择哪一类方法应用更精确时，首先需要确定分类结果属性正确性的精度评价方法。目前常使用构建混淆矩阵作为地表覆盖分类后处理的重要精度评价方法之一^[9]，具体又通过总体精度或Kappa统计量来判断分类精度水平。

一般地，混淆矩阵构建是以表格的形式呈现，混淆矩阵对角线上的元素值越大，表示分类结果的可靠性越高，反之则分类错误的现象严重。基于混淆矩阵构建中的总体精度和Kappa系数定义如下：

式中：n为总的像元数量;为i类别正确分类像元数量;为参考数据中i类别的总像元数;为所要评价的土地覆盖分类数据i类别的总像 元数。

当K值为0时，表示只存在随机一致性，当K值为1时，表示在人或测量工具之间完全一致性，若介于0和1之间则只有粗略的分别。表2是对Kappa在0和1之间的区分分类以及相应的一致性高低的解释。

3  地表覆被遥感探测分类技术应用

3.1  不同遥感分类方法选取

监督分类方法是遥感分类技术发展最早且应用最为广泛的传统经典分类方法。其技术核心是在分类之前通过人们的实地抽样调查，或配合人工目视判读，对遥感图像上某些抽样区中图像地物的类别属性获得先验的知识，然后利用计算机按照这些已知类别的特征去“训练”判决函数，以此判别并归类处理以完成对整个图像的分类^[11]。

面向对象分类技术以图斑作为分类的处理对象，图斑包含的语义信息比单个像元更加丰富，不仅包含光谱信息，还包括多种特征如形状、大小、纹理、位置等信息^[12]。目前的已有研究成果表明，由于该方法中，面向图斑对象综合利用了遥感图像的光谱、形状、纹理等信息，因此使得其分类效果更为客观与精确可靠^[13]。

近年来神经网络被广泛应用于遥感图像分类，分类精度也明显得到了提升^[14]。BP神经网络是利用非线性可微分函数进行权值训练的多层网络，包括输入层、中间层和输出层，它具有收敛速度快和自学习、自适应功能强的特点，能最大限度地利用样本集的先验知识，自动提取合理的模型，因此BP神经网络具有较高的精度^[15]。

3.2  图像预处理与监督分类技术应用

图像数据选自于包含星云湖流域的地带，遥感探测成像于2014年2月5日的Landsat TM数据，空间分辨率为30 m。为了便于分类技术处理研究，首先对遥感图像进行几何精校正，并结合研究区地表覆盖图像特性进行了有关预处理，使得地表覆盖类型轮廓更加明显，从而利于按照安德森土地利用分类（表1）标准体系进行进一步光谱分析。

在传统方法技术中，选择了监督分类中分类错误最小、精度最高的最大似然法。根据不同地物在TM图像上表现出的不同颜色、亮度和光谱建立解译标志，并以此划出训练区。采用了所有地表覆盖类型训练样本的样本像元对图像分类。分类后为提高精度，对图像进行图斑融合、相同属性归并、过滤处理等分类后处理。

3.3  BP神经网络与面向对象技术应用

网络的实现分两步完成，即正向传播和反向传播。本文选择基于光谱特征的BP神经网络分类方法。研究中选择ENVI5.1为平台，并首先对遥感图像进行预处理，即对其做光谱增强、降噪、去条带、几何、辐射校正等处理。具体对BP 神经网络的各参数设置如下：初始权值a=0.1，学习速率因子η=0.9，动量因子a=0.01，给定网络全局误差E=0.01，经过了≤1000次的学习，网络模型收敛，获得较好的分类结果。将上述训练参数对研究区的训练样本进行BP 网络训练。从中推断出，所构建的基于光谱数据和地理信息数据的BP网络结构和各相关参数设定较为合理，可以进行快速有效的 BP网络训练，并能够得到较准确的分类结果。

研究中对于面向对象方法技术处理采用了ENVI5.1中基于样本的分类方法进行。具体运用ENVI5.0EX模块作为数据处理平台，分割阈值设为30，合并分块阈值设为70，以表1作为地表覆盖分类依据，选取具有典型性和代表性的训练样区，最终得到6种类型的图像分布。即分类过程中需要尝试几种不同的分割参数，分别选择分割尺度50，聚合尺度50;分割尺度40，聚合尺度60;分割尺度30，聚合尺度70。具体效果如下图2所示。

可以看出，当分割尺度为最小30时，地物斑块较为零碎，但各地物分割较为准确;同时将聚合尺度参数调高至70，使得细小零碎斑块与相近光谱值的斑块合并，分类结果更为合理。最后确定分割尺度参数为30，聚合尺度参数为70。

4  遥感监测分类结果精度对比分析

4.1  目视解析比较分析

通过最大似然法、BP神经网络和面向对象分类并进行分类后处理所得到的研究区地表覆盖遥感分类监测结果如图3所示。此外，为进一步在遥感图像中反映出三种分类方法产生的差别，选取地物类型较为全面的区域并对该区域进行了局部放大，如图4所示。

通过以上对比图可以发现，监督分类以及BP神经网络分类方法存在零碎图斑过多、分类不准确

图2  不同尺度下分割示意图：（A） 543波段组合原始图像;（B）分割尺度50，聚合尺度50;（C）分割尺度40，聚合尺度60;（D）分割尺度30，聚合尺度70的情況，而相较之，面向对象的图斑规整性良好;在监督分类中，存在明显的错分、漏分现象（红框部分）。而面向对象分类方法由于采用合理的对象分割和合并尺度，在最终的处理结果画面干净程度以及准确度上都有更好的表现。

4.2  统计评价对比分析

为了比较分析各种分类方法的应用效果，以明确选择哪一类方法应用更精确时，本文还使用了通过分类器产生的混淆矩阵来进行整体精度或Kappa统计量判断的统计评价分析。研究中，分别针对最大似然分类、BP神经网络和面向对象三种不同分类技术方法的分类结果进行混淆矩阵构建与精度统计检验，结果整理如表3、4、5所列。

基于监督分类、面向对象与BP神经网络等的误差混淆矩阵对比得出了三种不同分类技术应用的分类结果精度状况为：（1）监督分类总体精度83.46%，整体卡巴统计量0.79;（2）BP神经网络分类总体精度88.97%，整体卡巴统计量0.86;（3）面向对象分类总体精度91.45%，整体卡巴统计量0.8879。

通过对比分析还可以较为直观地得出：在研究区中采用的基于监督分类、面向对象与BP神经网络等三种地表覆被遥感监测分类技术方法应用中，面向对象和BP神经网络分类方法的分类精度总体都比传统的监督分类方法精度有较大提高，且面向对象分类方法相比较于BP神经网络分类方法而言，其分类精度效果更好，但是由于研究区较小，分类精度提升较小。

5  结论

以星云湖流域为研究区，基于研究区的TM遥感图像，分别采用最大似然法、BP神经网络与面向对象等三种不同的遥感监测分类技术方法，针对研究区地表覆盖状况进行遥感分类技术应用试验分析研究，初步可得到以下结果：

（1）监督分类中的最大似然法这种传统的分类方式，在解译过程中需要对研究区地表覆盖情况有充分了解，当对大型的、复杂的以及地表多样性的地区缺乏认知时，这种方法呈现出较大的局限性，需要与其他方法结合进行混合分类，从解译图中也可清晰的识别出，对于同谱异物这种状况，监督分类误差很大，难以精确运用;

（2）BP神经网络分类方法由于在分类初期就 需要对样本进行多次网络训练，因此，相对于最大似然法这种传统的分类方法，该技术应用结果可以较好地提升分类精度;

（3）相对而言，面向对象分类方法因不同于传统基于像元的识别模式与自下而上分类归并机制，很大程度上规避了训练样本的个体误差，因而也可使分类精度得到较好提高。此外需要特别指出的是，在本研究区中，使用面向分类的技术总体可以明显提升分类精度，但是在光谱特征区别较为明显的区域，精度提升程度的优势并不明显。

总之，在本研究面向滇中高原湖泊区域地表覆盖遥感监测分类技术应用试验中，总体上，从遥感分类解译精度评价中可以得出，面向对象和BP神经网络的分类方法精度较为接近，原因在于研究区的地物类别光谱特征较为明显，除去草地与林地以及旱地的同谱异物现象外，各地物之间的区别较大，

容易区分，因此分类精度较高，效果较好。而在一般应用中，对于分类技术方法的选择与使用，仍然有待针对不同的研究区域具体地表覆盖状况的复杂性，结合当地实际状况进行深化分析研究以确定。

参考文献

1. 贾坤， 李强子， 田亦陈， 吴炳方. 遥感图像分类方法研究进展[J]. 光谱学与光谱分析， 2011， 10： 2618-2623.

2. 赵英时. 遥感应用分析原理与方法[M]. 科学出版社， 2003.

3. 张成才， 窦小楠， 张楠， 张颖. 遥感图像分类方法在水体面积估算中的比较研究[J]. 气象与环境科学， 2008， 03： 24-28.

4. Bolstad， P. V， Gessler， P， & Lillesand， T. M. （1990）. Posi?tional uncertainty in manually digitized map data[J]. Inter?national Journal of Geographical Information Systems， 2007， 7： 399-412.

5. 张成才， 窦小楠， 张楠， 张颖. 遥感图像分类方法在水体面积估算中的比较研究[J]. 气象与环境科学， 2008， 03： 24-28.

6. 尹作霞， 杜培军. 面向对象的高光谱遥感图像分类方法研究[J]. 遥感应用， 2007， 04： 29-32

7. 麦格， 童新华. 基于BP神经网络的石漠化遥感图像分类方法探讨[J]. 广西师范学院学报： 自然科技版， 2013. 03： 70-77.

8. A Offer Rozenstein， Arnon Karnieli. Comparison of methods for land-use classification incorporating remote sensing and GIS inputs[J]. Elsevier Ltd， 2010， 31（2）.

9. 信冠栋， 施昆， 吕晓阳. 遥感动态监测模型在拉市海湿地保护区土地利用中的研究[J]. 软件， 2018， 39（04）： 170-175.

10. Giles M. Foody. Explaining the unsuitability of the kappa coefficient in the assessment and comparison of the accuracy of thematic maps obtained by image classification[J]. Remote Sensing of Environment， 2020， 239.

11. 郑怡鹏. 基于Landsat遥感影像的土地利用变化动态监测[J]. 软件， 2019， 40（06）： 200-203+222.

12. 肖太平， 陈志. 面向对象的高空间分辨率遥感影像植被信息的提取[J]. 江西科学， 2019， 37（06）： 964-967.

13. 尚夏明， 刘思涵， 席敏哲. 基于ENVI的面向对象决策树分类研究[J]. 信息技术与信息化， 2019（10）： 170-173.

14. 王宏涛， 孙剑伟. 基于BP神经网絡和SVM的分类方法研究[J]. 软件， 2015， 36（11）： 96-99.

15. 卢柳叶， 张青峰， 李光录. 基于BP神经网络的遥感图像分类研究[J]. 测绘科学， 2012， 06： 140-143.