基于ENVI软件对忻州窑矿土地类型识别及精度评价*

邵亚琴，王佳佳，银玉霞

（1.内蒙古科技大学 矿业与煤炭学院，内蒙古 包头 014010；2.内蒙古同方科技有限公司，内蒙古 乌兰察布 012000）

自1995年，提出了“土地利用和土地变化”的研究计划以来[1]，利用监督分类、误差矩阵等的方法，分析监督分类的精度及原因.飞速进步和发展的遥感技术，出现更多的遥感影像分类方法，不同方法会有精度不一，所以在土地利用类型分类中对精度产生了一定的影响.我国专家学者在这一领域取得了很多研究成果[2].刘晓静等[3]以长春市为例，选择三景影像，分别进行土地利用分类，研究三期土地利用分类结果，利用GIS进行时空面积分析.张明等[4]以焦作地区为例，进行土地覆盖分类，对结果进行比较分析和精度评价，实际工作中根据不同需求选取适当分类器提供依据.曹倩倩等以安徽省黄山市黟县为例，结合软件，对该区域分别用监督分类中不同方法进行分类，最后对分类结果进行精度评价.利用不同的分类方法和分类精度评价结果，最终选取精确的分类方式[5].

1 数据处理

1.1 研究区域概况

忻州窑矿所在位置为大同煤田东北端，东经113°3′56″～113°8′16″，北纬40°2′8″～40°4′58″，面积为18.13 km2.研究区处于地形陡峭起伏的黄土高原的边缘，属于半干旱区暖湿带气候，矿区的居民及周围企业的生命财产安全和煤炭开采活动都被它们影响.大同矿区煤炭规模开采始于二十世纪三十年代，煤炭产量逐年增长，但是煤炭开采严重影响到区域环境，形成很多的采煤塌陷区.根据人类活动以及自然因素和数据来源，将时间划分为5个阶段，研究的影像时间主要是在7月和8月，云量要求小于百分之五，2004，2007，2010年所用数据为Landsat 4-5 TM遥感影像.2014，2017年所用数据为Landsat 8 OLI遥感影像.

1.2 辐射定标

一般来说，辐射定标目的就是将传感器电压值或图像数字量化值（DN）的记录，转化为辐射亮度值或反射率或表面温度等物理量的处理过程[6].利用在地理空间数据云中下载的数据，将*MTL文件先进行辐射定标，每景影像的辐射定标图如图1所示.

图1 年辐射定标（a）2004年；（b）2007年；（c）2010年；（d）2014年；（e）2017年

1.3 大气校正

为了了解某一物体表面的光谱属性，将它的反射信息从大气和太阳的信息中分离出来，这就需要进行大气校正过程.为2004～2017年的光谱图像，即大气校正前与大气校正后的对比图像，如图2～6所示.

图2 2004年的光谱图像（a）大气校正前；（b）大气校正后

图3 2007年的光谱图像（a）大气校正前；（b）大气校正后

图4 2010年的光谱图像（a）大气校正前；（b）大气校正后

图5 2014年的光谱图像（a）大气校正前；（b）大气校正后

图6 2017年的光谱图像（a）大气校正前；（b）大气校正后

1.4 图像裁剪

在图像裁剪前先应进行坐标转换，统一坐标系.已有的矢量文件坐标系为西安1980坐标系，在地理空间数据云中下载的数据为WGS-84坐标系，所以按照分带规则，研究区域经度为125°，转为西安19带.

图像裁剪的目的是将研究之外的区域去除.本次在ENVI 5.3下利用矢量数据进行图像的不规则裁剪，裁剪图如图7所示.

图7 矢量数据影像的不规则裁剪

1.5 土地利用类型划分

对大同矿区忻州窑矿的5期遥感影像分别进行辐射定标、大气校正、坐标转换与裁剪等一系列工作.土地利用分类系统在参照中国土地利用现状分类国家标准的基础上，综合考虑遥感影像的解译能力、研究区域主要地类以及科学性、系统性、实用性原则[7]，将大同矿区忻州窑矿的土地利用类型分为5种一级地类和2种二级地类.分别是林地、耕地、草地、工矿用地、建设用地、沙地、裸地等7类.各类土地类型利用现状分类国家标准见表1.

表1 中国土地利用现状分类国家标准（GB／T 21010—2007）

2 遥感影像解译修正和统计

2.1 监督分类

监督分类，又称训练分类法，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.监督分类的重点和难点在于选取训练样本，若是训练样本选的不好则会严重影像分类的精度[8].

2.2 采用最大似然技术

通过其他学者的验证，证明最大似然在其他监督分类的方法精度最高，而且采用最大似然方法也能使用掩模文件，符合研究区域不规则的性质.

为了确保分类精度，要避免各种其他原因的影响，要选择充足的训练样本，能够反映光谱的某些特性.选择训练区应遵循以下原则：

（1）选择训练区的时候，要具有典型性，单一的统计特征量应该与整体的统计特征量相近，这样才能保证其精度.

（2）选择训练区的时候，要保证选择区域内的地物属于同一种地物，还要考虑到分布均匀的原则，防止过于片面，结果不够准确[9].

（3）训练区内的地物类型根据相关资料可以判断.

选择完训练区后，应该判断出各个样本类型之间的可分离性，训练样本类型的可分离性较好，都超过了1.95.

3 分类后处理及精度分析

3.1 分类

监督分类的分类结果中会因为计算机分类，产生很小的斑块.所以对这些小斑块，进行处理.选择的是Majority／Minority分析，Majority／Minority分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该类中，定义1个变换核尺寸[10].

总体分类精度：是指分类的时候符合要求的正确分类的像元总数除以总像元数，其公式如下：

Kappa系数计算公式如下：

错分误差：指分类的时候，将一种地类的像元，错误地将其分到另外一种或者几种地类.计算式如下：

漏分误差：指土地利用分类的时候，将原本应该分为一类的像元，漏分的像元，其公式如下：

制图精度：制图精度表示在本次分类中，该类别的地面真实参考数据被正确分类的概率，表达式如下：

用户精度：用户精度表示在该次分类中，落在该类别上的检验点，被正确分类为该类别的比率，比率表达式如下：

3.2 各期影像分类结果

按照最大似然的监督分类方法，在ENVI 5.3中分类以及进行分类后处理，以下为2004～2017年土地利用类型分类结果，2004～2017年分类后处理的结果，将每期的分类后结果与分类后处理的结果放在一起，通过对比，达到突出效果的目的.对比图如图8～12所示.

图8 2004年土地利用（a）分类结果；（b）处理结果

图9 2007年土地利用（a）分类结果；（b）处理结果

图10 2010年土地利用（a）分类结果；（b）处理结果

图11 2014年土地利用（a）分类结果；（b）处理结果

图12 2017年土地利用（a）分类结果；（b）处理结果

4 分类影像精度评价

对分类结果进行评价，确定分类的精度和可靠性，混淆矩阵用于本次精度验证.真实参考源可以使用是标准的分类图.真实的感兴趣区验证样本的选择在高分辨率影像上选择.

4.1 2004年影像分类结果及精度分析

根据谷歌地球调查配合高精度卫星图片对2004年土地利用类型分类图进行精度验证，得到制图精度中裸地的分类精度最低，为75%，虽然裸地的制图精度较低，用户精度都达到85%以上，总体精度为94.36%，Kappa系数为0.93，在5期影像分类中精度最高，说明2004年土地利用类型分类图具有比较高的分类精度.分类精度评价情况由表2可知.

表2 2004年土地利用类型分类精度评价／%

4.2 2007年影像分类结果及精度分析

根据谷歌地球调查配合高精度卫星图片对2007年土地利用类型分类图进行精度验证，用户精度中耕地的分类精度最低，为71%，制图精度达到80%以上，其他分类精度均达到了70%以上，总体精度为92.20%，Kappa系数为0.90，说明2007年土地利用类型分类图具有比较高的分类精度.2007年土地利用类型分类精度评价情况见表3.

表3 2007年土地利用类型分类精度评价／%

4.3 2010年影像分类结果及精度分析

根据谷歌地球调查配合高精度卫星图片对2010年土地利用类型分类图进行精度验证，错分精度中耕地的分类精度较高，为31%，用户精度达到68%以上，总体精度为90.41%，Kappa系数分别为0.88，说明2010年土地利用类型分类图具有比较高的分类精度，具体情况由表4可知.

表4 2010年土地利用类型分类精度评价／%

4.4 2014年影像分类结果及精度分析

根据谷歌地球调查配合高精度卫星图片对2014年土地利用类型分类图进行精度验证，制图精度中耕地的分类精度最低为63%，其他分类精度都达到88%，用户精度都达到75%以上，总体精度为92.20%，Kappa系数为0.90，说明2014年土地利用类型分类图具有比较高的分类精度.具体情况由表5可知.

表5 2014年土地利用类型分类精度评价／%

4.5 2017年影像分类结果及精度分析

根据谷歌地球调查配合高精度卫星图片对2017年土地利用类型分类图进行精度验证，制图精度达到85%，精度较高，用户精度耕地分类精度最低，为78%以上，虽然耕地的用户精度较低，但是还是符合要求的，总体精度为94.33%，Kappa系数为0.93，在处理的几期影像中精度最高，说明2017年土地利用类型分类图具有比较高的分类精度.具体情况见表6.

表6 2017年土地利用类型分类精度评价／%

5 结论

利用监督分类后的结果以及分类后精度，可以更好地对土地进行分类.根据表2～6可知：错分误差、漏分误差较小，制图精度和用户精度较高.分析5期误差矩阵还可知：由于沙地颜色明显，在假彩色合成中呈白色，在遥感影像中容易识别，因此沙地几乎没有混分；工矿用地颜色较为明显，纹理特征明显，呈黑色或者深蓝黑色，在遥感图像上很容易识别，因此工矿用地几乎没有混分，精度最高；建设用地在假彩色合成的颜色也较为明显，呈浅绿色或蓝色，在遥感影像上容易识别，因此建设用地混分的较少；裸地以及耕地错分误差、漏分误差较高，所以相比于其他地物类型，精度较低.总之，不同地类的训练区提取精度都在85%以上，基本符合误差矩阵的精度.对于土地利用类型的分类结果精度高，使用系列数据，更加准确地了解土地，制定更加合理的计划.本次研究用Landsat影像数据作为数据源，使用ENVI软件的监督分类功能得到了大同矿区忻州窑矿2004～2017年的土地利用分类图.获得的2004～2017年的土地利用类型以及变化情况可以用于矿区土地发展的分析.利用遥感影像可以准确地获得土地利用类型的变化，这为决策部门制定规划提供了便利.