遥感影像土地利用分类方法研究进展

遥感影像土地利用分类方法研究进展摘要:为了研究遥感影像土地利用分类的方法，综述了国内外近10年的遥感图像分类研究。在分析当前主要遥感影像分类方法的基础上，从传统的分类方法和传统分类方法的改进两个方面，对遥感影像土地利用分类方法研究进展进行了阐述。本研究还存在不足，今后还需进一步研究利用各种遥感影像分类方法相互结合的应用。关键词:遥感影像；土地利用；分类方法引言土地利用变化研究是全球变化及其区域响应研究的核心领域，研究土地利用变化及其生态环境效应有助于提高人们对区域生态环境问题的认识，并可为有关部门的土地利用规划、管理与决策提供科学依据[1]。目前，利用遥感图像分类获得土地利用信息已经成为土地利用变化研究必不可少的一步。遥感图像分类就是把图像中的每一个像元或区域划分为若干类别中的一种，即通过对各类地物的光谱特征分析来选择特征参数，将特征空间划分为互不重叠的子空间，然后将影像内各个像元划分到各子空间中去，从而实现分类。由于新的分类方法的大量涌现，遥感图像分类方法出现了很多问题。因此，本研究在分析当前主要遥感图像分类方法的基础上，将遥感图像分类方法划分为传统的分类方法、传统分类方法的改进两大类，从这两个方面对遥感图像土地利用分类方法的研究进展进行了阐述。1传统分类方法1.1目视解译目视解译是根据确定的分类系统和解译标志以及解译经验，对图像进行判读等方法来获取土地利用的分类，这种方法目前仍被广泛使用。它是人们通过遥感技术获取目标信息最直接、最基本的方法。李秀梅提出对于数据精度产生的尺度效应研究过程中，通常采用目视解译并依据转换误差最小原则栅格化矢量数据，以保障数据精度，这是一种比较成功的分类方法，具有简单易操作，利于空间信息提取，灵活性强等优点，但解译中显示尺度越小，带状、面积小和边界曲折的景观要素类型损失越严重，会影响数据精度[2]。由于解译人员的专业知识水平以及解译经验的限制，解译结果会存在差异，此方法受个人主观因素影响大。1.2基于统计分析的分类方法基于统计的分类方法是在数理统计的基础上，进行遥感图像的自动分类，因而又称为计算机自动分类方法。它主要包括监督分类和非监督分类。1.2.1监督分类监督分类，是指通过选择具有代表已知地面覆盖类型的训练样本区，用训练样本区中已知地面各类地物样本的光谱特性来训练计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，分别归入到已知具有最大相似度的类别中。监督分类的主要方法有最小距离法、最大似然法、神经元网络分类法、马氏距离法等。其中，最大似然法是监督分类中最常用的方法。章恒等利用多源遥感影像对红树林信息提取方法进行比较，得出最大似然法与影像的特征光谱信息量相关性较强的结论[3]。孙琳等在对太湖流域HJ-1B影像分类过程中提出最大似然法的分类结果存在较严重的“椒盐噪声”现象，分类图像较破碎，而且从图像上能直观地发现林地分类误差[4]。对比改进后的传统分类方法，最大似然法在分类结果的精度上略显不足。1.2.2非监督分类非监督分类是指在没有先验类别作为样本的条件下，即事先对分类过程不施加任何的先验知识，而主要根据统计性判别准则，以像元间相似度的大小进行归类合并的方法。非监督分类在没有任何先验信息的情况下，根据图像本身的统计特征以及自然点群的分布情况确定分类判别准则进行分类。非监督分类方法快速、简单且具有一定的分类精度，可以作为监督分类的重要补充手段，对监督分类结果进行修改和调整。非监督分类方法包括K均值、ISODATA、动态聚类、分裂法、平行六面体分类法和模糊聚类等[5]。其中，常用的是K-means和ISODATA算法。王伟等采用K-means聚类与多光谱阈值相结合的方法，在地物光谱分析的基础上，实现了对MODIS数据中的云体检测[6]。由于监督分类与非监督分类都是单一的依靠地物的光谱特征。因此，必然导致分类精度不高，分类效果不理想。随着计算机遥感技术的不断发展，传统的分类方法不断得到改进和发展。2传统分类方法的改进2.1人工智能分类随着空间科学技术的飞速发展，遥感技术得到越来越广泛的应用。遥感图像分类的研究也向更高层次的智能化方向发展。目前，人工智能分类方法在遥感图像分类中得到了广泛的应用。常用的算法有神经网络分类、决策树分类、基于遗传算法的分类。2.1.1神经网络分类人工神经网络是以模拟人脑神经系统的结构和功能为基础而建立的一种数据分析处理系统，具有对信息的分布式存储，并行处理、自组织、自学习等特点，通过许多具有简单处理能力的神经元的复合作用而具有复杂的非线性映射能力。目前，常用的神经网络模型有反向传播网络、自组织特征映射网络、径向基函数神经网络、自适应共振神经网络等。近年来，人工神经网络在土地利用方面受到了广泛的应用。李刚等提出了一个基于高维云模型和改进RBF神经网络的不确定性分类技术，研究表明改进的RBF神经网络分类器得到的分类结果基本上与人眼目视解译结果一致[7]。肖锦成等使用ETM+遥感数据，构建了基于BP神经网络的滨海湿地覆被分类模型，结果显示，与最小距离法和极大似然法的分类总精度相比，分别提高了7．99%和6．08%，Kappa系数也相比提高[8]。刘艳杰等在非监督的自组织映射神经网络的基础上进行了一定的改进，构建了有监督的神经网络模型，对其土地覆盖进行分类，精度高于传统的分类方法得出来的分类结果[9]。许多研究实验表明，神经网络具有较强的容错能力，比最大似然法等基于统计的分类方法的分类精度高，对不规则分布的复杂数据具有很强的处理能力，而且它能够促进目视解泽与基于统计的分类方法的相结合。但也存在不足之处，如局部极值问题，训练收敛速度太慢，对各类分类性能差别较大等。2.1.2决策树分类决策树是一类相对比较简单的分类技术，它的决策依赖于一个由问题和答案构成的树。决策树由一根结点、一系列内部结点及终极结点组成，每一结点只有一个父结点和两个或多个子结点。决策树的每一个内部结点对应一个非类别属性或属性的集合，每条边对应该属性的每个可能值。决策树的叶结点对应一个类别属性值，不同的叶结点可以对应相同的类别属性值。目前，决策树分类方法已经开始应用于各种遥感影像信息提取和土地利用分类中。王志伟等通过对研究区多重信息进行分割和合并来生成植被类型，克服了传统决策树分类方法成图时像元分散的缺点，相比仅用单独决策树分类方法在保持环境、地域等因子同植被类型统计关系的基础上，克服决策树方法带来的“椒盐效应”[10]。吴健生等应用QUEST决策树分类方法，对研究区的LandsatTM5影像图进行分类，发现在地形复杂的山地地区，针对TM影像数据，选择基于QUEST决策树分类能够有效提高土地利用分类结果精度[11]。2.1.3基于遗传算法的分类遗传算法抽象于生物体的进化过程，全面模拟自然选择和遗传机制。其基本思想是模拟由一些基因控制的生物群的进化过程，把该过程的原理应用到搜索算法中，以提高寻优的速度和质量。由于遥感图像具有多波段、数据量大的特点，因此，遗传算法很难直接针对数据进行处理，一般是通过建立一个可以使用遗传算法进化的模型来对遥感图像进行分类。尹淑玲等采用自适应遗传算法和改进BP算法相结合的混合算法来训练BP网络的方法，达到了加快网络收敛速度和避免陷入局部极小值的目的，其结果具有较高精度[12]。2.2支持向量机分类支撑向量机是一种基于统计学习理论的新型机器学习算法，通过解算最优化问题，在高维特征空间中寻找最优分类超平面，从而解决复杂数据的分类及回归问题。它具有小样本学习、抗噪声性能、学习效率高、推广性好等优点。张策等采用支持向量机方法进行了湿地遥感分类研究并初步剖析了样本数量与特征维度对分类结果的影响，研究结果显示，支持向量机分类结果一般优于最大似然分类结果[13]。在小样本、高维度的遥感影像分类时，支持向量机方法具有较大优势。3结论与讨论传统的目视解译方法和基于统计分类的方法，简单易行、应用广泛，其中最大似然法是目前应用最多的一种分类方法。但是，由于遥感影像存在“同物异谱和同谱异物”等现象，传统的分类方法的分类精度不高，往往难以达到分类要求。人工智能分类法和支撑向量机分类法的出现，有效地提高了分类精度，是对传统分类方法的一种改进。其中，神经网络分类法和支撑向量机分类法的分类精度要远远高于传统分类法中的最大似然法。但是，如何改进和优化该类方法的算法过程，使其更加简单、易操作、易理解是今后研究的一个重要方向。尽管国内外学者提出了许多不同的分类方法，但是几乎没有一种方法能够满足所有的分类要求。因此，利用各种分类方法的相互结合，取长补短，能够有效提高土地利用分类的精度，也是该领域研究的热点之一。参考文献[1]李刚,万幼川.基于高维云模型和RBF神经网络的遥感影像不确定性分类方法[J].测绘科学,2012,01:115-118.[2]孙琳,宋爱红,高文秀.基于最大似然法和SVM法的太湖流域HJ-1B影像分类[J].测绘信息与工程,2012,03:30-33.[3]刘艳杰,曾永年.基于SOM神经网络的城市土地覆盖遥感分类研究[J].测绘与空间地理信息,2012,06:42-45+48.[4]李秀梅.TM影像目视解译显示尺度的选择及尺度效应分析——以内陆河流域绿洲-荒漠过渡带为例[J].地理与地理信息科学,2012,04:33-37.[5]吴健生,潘况一,彭建,黄秀兰.基于QUEST决策树的遥感影像土地利用分类——以云南省丽江市为例[J].地理研究,2012,11:1973-1980.[6]章恒,王世新,周艺,阎福礼,朱金峰.多源遥感影像红树林信息提取方法比较[J].湿地科学,2015,02:145-152.[7]王伟,宋卫国,刘士兴,张永明,郑红阳,田伟.Kmeans聚类与多光谱阈值相结合的MODIS云检测算法[J].光谱学与光谱分析,2011,04:1061-1064.[8]李娜,赵慧洁.高光谱数据非监督分类的改进独立成分分析方法[J].国土资源遥感,2011,02:70-74.[9]张策,臧淑英,金竺,张玉红.基于支持向量机的扎龙湿地遥感分类研究[J].湿地科学,2011,03:263-269.[10]肖锦成,欧维新,符海月.基于BP神经网络与ETM+遥感数据的盐城滨海自然湿地覆被分类[J].生态学报,2013,23:7496-7504.[11]王志伟,史健宗,岳广阳,赵林,南卓铜,吴晓东,乔永平,吴通华,邹德福.玉树地区融合决策树方法的面向对象植被分类[J].草业学报,2013,05:62-71.[12]尹淑玲,舒宁,刘新华.基于自适应遗传算法和改进BP算法的遥感影像分类[J].武汉大学学报(信息科学版),2007,03:201-204.[13]张策,臧淑英,金竺,张玉红.基于支持向量机的扎龙湿地遥感分类研究[J].湿地科学,2011,03:263-269.