一种顾及先验知识与光谱信息的土地利用/覆被遥感分类方法

尤淑撑,刘顺喜

(中国土地勘测规划院,北京 100035）

一种顾及先验知识与光谱信息的土地利用/覆被遥感分类方法

尤淑撑,刘顺喜

(中国土地勘测规划院,北京 100035）

提出一种基于贝叶斯综合模型的先验知识与光谱信息的土地利用/覆被类型联合决策方法:首先依据光谱信息对遥感影像进行预分类,然后利用先验知识修正预分类结果,以减少因“同物异谱”和“异物同谱”造成的分类错误,抑制因空间分辨率较高造成的类内噪声较大等现象。试验表明,通过引入先验知识,分类精度显著提高,单纯应用光谱信息总体分类精度为81.89%;引入数字高程模型,总体分类精度提高至88.75%;引入土地利用先验知识,总体分类精度提高至94.41%。

遥感;土地利用;分类;联合决策

0 引言

随着航空航天和传感器技术的不断进步,遥感影像的空间分辨率不断提高。目前广泛应用的高分辨率遥感影像的空间分辨率均优于5 m,Ikonos和Quickird影像达到甚至突破米级。空间分辨率的提高一方面使得遥感影像提供的空间信息越来越丰富,扩大了遥感应用领域;另一方面,对传统的遥感影像处理方法提出了挑战,由于光谱空间异质性增加,会产生大量椒盐噪声,单纯应用光谱信息往往难以取得满意的分类结果。采用纹理信息虽能够提高分类精度,但如何选择合适的纹理量化指标和纹理提取尺度一直是制约纹理分类器精度的重要因素[1];同时,纹理提取所造成的边缘效应也会增加图斑边界提取的不确定性[2,3]。此外,对于包含若干种土地覆盖类型的复杂土地利用类型(如城市用地）,采用纹理分类器并不能降低决策的不确定性。

国内外研究表明,通过引入先验知识可提高分类精度,如Congalton[4]应用地统计学方法实现光谱信息与空间信息融合,Hammond等[5]提出了一种光谱空间分类器。然而,建立有效简单的光谱信息和先验知识联合决策规则仍然是研究热点和难点。基于此,本文提出了一种顾及先验知识与光谱信息的土地利用/覆被遥感分类方法:首先基于光谱信息对影像进行分类,然后应用数字高程模型或土地利用等先验知识对光谱分类结果进行修正,抑制因空间分辨率较高造成类内噪声较大等现象,减少因“同物异谱、异物同谱”造成的分类错误。

1 联合决策方法

1.1 算法描述

以往遥感分类过程,数字高程模型和土地利用数据库作为辅助数据,用于辅助分类前分层或辅助分类后处理,这种方法并未充分利用数字高程模型和土地利用数据库提供的有效信息。数字高程模型可派生坡度、坡向及高程等信息,应用这些信息可减少由于坡度、坡向及高程变化引起的“同物异谱、异物同谱”现象,同时提供土地利用/覆被空间分布规律信息,从而提高决策的可靠性;土地利用数据库表征某一时点的土地利用现状、空间布局,根据各种土地利用类型的转移概率和土地利用边界信息可减少复杂对象光谱空间异质性增加产生的大量椒盐噪声和错误分类现象。

贝叶斯统计推理技术可合并不同来源的决策信息,在专家系统中得到广泛的应用,具有很强的鲁棒性。因此,本文采用贝叶斯模型对光谱信息和先验知识进行决策级融合,其表达式如下:

式中:Pi为i类后验概率;Pti为i类先验概率;Pci为i类光谱分类器输出概率。

根据式(1）得到的联合决策概率见表1。由表1可知,先验概率对土地利用/覆被分类决策具有约束作用,如当某个图斑决策为某类别的先验概率较高时,只有光谱变异足够显著,该图斑才有可能决策为其他类别。因此通过设定合适的先验概率,可减少非土地利用类型改变引起光谱变异而造成错误决策的风险。

表1 联合决策概率Table 1 Probability for combined decision

数字高程模型和土地利用数据库先验概率可通过以下方法确定:通过土地利用数据库与高程、坡度、坡向图进行叠加分析,产生各类土地利用类型高程、坡度、坡向分布先验概率;根据区域土地利用特点,建立土地利用转移概率矩阵,产生各类土地利用类型变化的先验概率。

1.2 土地利用转移概率矩阵

土地利用转移概率矩阵可全面而又具体地表征区域土地利用变化方向及相互转化的难易程度,如建设用地很难发生变化,耕地很容易转变为其他地类。该方法来源于系统分析中对系统状态与状态转移的定量描述,转移矩阵的一般数学形式为:

式中:Pij为i类土地利用类型转化为j类土地利用类型的概率。表2为土地利用转移概率矩阵的一个实例,假设该区域为城乡结合部,待识别类别包括建设用地、耕地、林地和水体,由于该区域建设用地极难转变为其他土地类型,土地利用转移概率赋值(1.0,0.0, 0.0,0.0）;而耕地较易转变为建设用地,赋值(0.3, 0.7,0.0,0.0）;林地转移为其他地类概率较低,水域转移为其他地类概率介于两者之间,分别赋值(0.1, 0.05,0.80,0.05）和(0.15,0.10,0.05,0.70）。

表2 土地利用转移概率矩阵Table 2 Land-use transfer probability matrix

2 实例分析

选择SPOT5多光谱10m空间分辨率遥感数据,轨道号为277/286,获取时间2003年5月29日,侧视角为3°。采用1∶5万数字高程模型,像元大小为25 m。采用1∶1万土地利用数据库,数据库更新至1997年11月。将遥感影像、数字高程模型和土地利用数据库统一到同一空间坐标系统,大地基准采用1954年北京坐标系,高程基准采用1956年黄海高程系,采用高斯-克吕格投影,6°分带,中央经线111°,东偏500 km;遥感影像、数字高程模型统一重采样到10 m空间分辨率。

2.1 基于光谱信息遥感分类结果

选择耕地、水域、林地和居民地4个训练样区,采用最大似然法进行分类。根据影像特征,每类随机选取10～15个均质斑块,目视判读确定土地利用类型,作为检验样本。分类混淆矩阵如表3,光谱分类结果见图1。林地 水域 居民地 耕地

表3 基于光谱遥感分类的混淆矩阵Table 3 Confusion matrix of spectral-based classification %

图1 基于光谱分类结果Fig.1 Classification result by spectral-based classification method

2.2 光谱信息与数字高程模型联合决策结果

在Erdas Imagine 8.4支持下,产生坡度、坡向图。对土地利用数据库与高程、坡度、坡向图进行叠加分析,产生各类土地利用类型高程、坡度、坡向分布先验概率(表4）。以该先验概率为约束,对光谱分类结果进行修正。分类混淆矩阵如表5。

表4 基于数字高程模型地物空间分布先验知识Table 4 Prior land use probability extracted from DEM %

表5 基于数字高程模型约束遥感分类混淆矩阵Table 5 Confusion matrix of classification under DEM constraintmethod %

2.3 光谱信息与土地利用数据库联合决策结果

采用表6所示土地利用转移概率矩阵,根据土地利用数据库提供的地类信息和边界信息,对光谱分类结果进行修正。分类混淆矩阵如表6,分类结果见图2。

表6 基于土地利用格局约束遥感分类的混淆矩阵Table 6 Confusion matrix of classification under prior land use constraint method %

图2 基于土地利用数据库空间约束遥感分类结果Fig.2 Classification result under prior land use constraint method

3 结论

通过引入先验知识,使分类精度显著提高。单纯应用光谱知识的总体分类精度为81.89%;充分应用数字高程模型知识,总体分类精度提高至88.75%;引入土地利用先验知识,总体分类精度达94.41%。

空间先验知识的现势性和可靠性是影响分类精度的主要因素。由于变化面积比例较小,势性的数字高程模型或土地利用数据库虽然可以产生比较可靠的土地利用类型空间分布先验概率,但在变化区域会造成土地利用类型决策错误;此外,小比例尺数字高程模型或土地利用数据库,可能会造成某些过渡区域决策的不确定性。为了提高分类决策效果,对光谱分类器和先验空间信息进行加权决策,根据基础信息源的质量,确定决策权重,当基础信息源现势性较好时,提高其决策权重,否则降低其决策权重。

[1] WALTZ,LL INAS.Multi-sensor Data Fusion[M].Boston:A rtech House,1990.155-159.

[2] BIGING,CONGALTON.Advances in Forest Inventory Using Advanced Digital Imagery[M].Venice:Italy Kt House,2005. 71-78.

[3] SHARKER A,SHIW Z,BARA KA T H.Assessment of the rectification accuracy of IKONOS imagery based on two-dimensional models[J].International Journal of Remote Sensing, 2005,26(4）:719-731.

[4] CONGALTON.Using spatial autocorrelation analysis to explore errors in maps generated from remotely sensed data[J].Photogram Eng.Remote Sens.,1988,54(5）:587-592.

[5] HAMMOND,VERBYLA.Optimistic bias in classification accuracy assessment[J].International Journal of Remote Sensing, 1996,17(1）:1261-1266.

A Prior Knowledge&Spectral Information Combined Decision Method for Land Use/Land Cover Classif ication

YOU Shu-cheng,L IU Shun-xi
(China Land Surveying&Planning Institute,Beijing 100035,China）

It is very difficult to acquire satisfy classification resultonly using spectral info rmation and textual info rmation has its disadvantage to imp rove classification accuracy,such as it is difficult to select a suitable textual extraction algorithm and op timal w indow size.A p rio r know ledge and spectral information combined decision method is p roposed and Bayes rule is selected to merge p rior know ledge and spectral info rmation at decision level.Result show s that classification accuracy imp roves greatly.The overall accuracy acquired only by spectral information is 81.89%,the overall accuracy acquired by merging information derived f rom DEM is 88.75%,and the overall accuracy acquired by merging information derived from land use database is 94.41%.

remote sensing;land use;classification;decision merge

TP75;F301

A

1672-0504(2010）03-0041-03

2010-01-05;

2010-03-31

国土资源部百名科技人才计划项目;国家科技支撑计划(2008BAJ11B06）;国家高技术研究发展计划(2007AA 12Z181-2）

尤淑撑(1975-）,男,高级工程师,从事土地遥感应用研究,发表论文20余篇。E-mail:youshucheng@mail.clspi.org.cn