基于监督分类的土地利用遥感影像提取方法研究

张森 马迪 王滔 邱海英 董彬

摘要：随着卫星遥感技术的成熟.遥感影像的应用越来越多，监督分类解释土地利用信息使用广泛。以湖北武汉市2006年的UTM投影影像图为基础数据，根据国家中科院土地利用分类标准，利用ERDAS9.2、Arc GIS等相关软件与技术。采用监督分类的方法，对有关土地分类信息进行了提取并展示后续成果图，结果表明该方法精度能满足实际工作需要。

关键词：遥感;监督分类;武汉市：土地利用分类引言

中图分类号：P237

文献标识码：A

文章编号：1674-9944（2018）14-0223-02

1引言

遥感图像分类是指在一定特征空间中，利用计算机进行统计、分析、对比和归纳遥感图像中各类地物的光谱和空间信息，再以相应的特征作为判据的标准，并将其特征空间划分为若干子空间，这些子空间是互不重叠的，最后根据每类地物像元的灰度值，将其划分至各个子空间中，以此来完成识别目标图像的工作。监督分类，又称训练分类，它是指人为干预下选取训练样本，依据训练样本的亮度特征建立“判别函数”，进行分类。本文以湖北省武汉市为例，采用监督分类的方法土地分类信息进行提取分析，以检验其能否满足工作需要。

2研究区整体概况及数据来源

2.1 武汉市研究区的自然资源条件概况

武汉市位于江汉平原的东部，研究区面积为3484. 950 km²。武汉市属于北亚热带季风性湿润气候区，口照充足、冬冷夏炎、降水充沛，四季分明。由于武汉市地表处在百米深处的位置，导致其有多种多样土壤类型。大部分土壤由地质年代第四纪堆积的松散物质组成，下层结构为岩石层，在土壤的成土过程中，受多种条件影响，地势崎岖不平。土地利用主要以耕地、草地、水域为主，其次是城乡工矿居民点建设用地，林地和园地等面积较少。

2.2数据来源

本文主要使用的遥感数据影像是武汉市2006年的TM遥感数据影像。中国科学院土地利用分类系统内将土地利用分为耕地、林地、草地、城乡工矿居民地、水域和未利用地六大类，以及25个小类。此处海洋用地不考虑。主要使用的软件是：ARCGIS10.2.ERDAS9.2。

3影像数据处理

运用Arc GIS软件.将相应的DEM数据进行配准，再通过数字化边界、掩膜提取、数据导出等方法对影像进行前期处理。训练样本和训练场地的选择是监督分类的关键，所选择的样本质量则是分类能否取得良好的效果重要依据，在分类过程中，为了使选择的样区与实际地物一致，应该尽可能多选择训练样本。对于纯度较高的地物.应该多选样区（比如水体），以此来提高分类精度。但是像城乡居民点之类比较杂的地物，要尽量少选。

3.1确立土地利用分类标准

根据中国科学院土地利用分类标准以及武汉地区土地利用的实际情况，将武汉市土地利用类型分为耕地、林地、水域和城乡工矿居民地四大类，四犬类下又分为九小类。

3.2定义分类模板

定义分类模板是利用ERDAS里的模板编辑器完成的，主要是应用AOI绘图工具在原始图像里获取训练样区的分类模板信息，并且每个子类选择的AOI区域应不少于5个（除上文所提到的一些不纯地物）并且每个AOI区域内像素的颜色类型应-致，跳跃不能很大，即不出现杂色。如果对同一个训练样区的专题类型（如耕地）采集了多个AOI并分别生成了不同的小范圍模板，则可合并这些模板，从而使多区域的综合特性在该分类模板中体现出来。这里需要特别指出说明的是我们在进行选择分类样区时，为r保证分类精度，最好将耕地分为旱地、水田来进行提取，城乡工矿居民用地也要分为城镇用地和农村居民用地，最后再对其进行分类重编码。

3.3评价分类模板

对分类模板使用可能性矩阵方法进行评价。分析AOI区域的像元是否与相应的类别相呼应，一般情况下AOI区域的像元都会分到样区训练的类别当中，事实上都有一个关于各个类的权重值在AOI中的像元里呈现，对类别模板进行加权是AOI训练样区唯一作用的体现。

可能性矩阵所输出的是一个百分比矩阵，其结果表示了每个所选训练区中相应的类别所属的像元个数。从数据来看，如果误差矩阵比85%小，则需要建立新的模板。

3.4执行监督分类

执行监督分类的原理就是选择比较合适的分类算法。最小距离分类、Parallelpipe、马氏距离分类、神经元网络分类、Fisher判别分类、模糊分类、最大似然法等方法是监督分类常用的算法。此外，根据分类决策规则的多层次特性，特征空间、平行六面体等方法应用于非参数模板。而参数模板则有最小距离法和最大似然法。但应用范围要准确，如参数型规则只能适用于非参数模板;而参数型模板使用参数型规则。另外，使用非参数型模板刚，要注意确定未分类规则和叠加规则。

3.5分类后处理

计算机分类只能得到一个初步分类结果，最终的结果需要进行分类后处理才能得到。

（1）分类评价。同时打开原图像和分类好的图像，再通过分类图像的属性表来检验样区提取准确程度及其确定类别的专题意义。

（2）分类精度评估。分类精度评估是将已知分类的参考像元与专题分类图像中的特定像元进行比较。其关键点在于在精度评价对话框中设置随机点的色彩，然后产生随机点，显示随机点及其类别，接着下一步输入参考点的实际类别值。通过数据表中输入的实际类别值，由计算机进行比较，最后输出分类评价报告。

（3）聚类统计和去除分析。当对遥感影像使用不同的遥感分类方法进行分类后，小面积图斑会在遥感影像上经常出现，这时就需要使用聚类、剔除等操作来去除小的面积图斑，合并小的同类多边形，从而让分类结果吏精确。对碎斑进行重新分类处理时，则采用距离处理、重要和次要根系和聚类处理等方法。

湖北武汉市2006年土地利用分类图如图1所示。由图1可知，武汉市水资源极为丰富，其次占地最多的为草地和林地，该现状分布的主要原因是该地区地属亚热带季风性湿润气候，四季分明，又有长江流经。此外，该区域农田面积较大，主要集中于江汉平原一带，而主要的城乡工矿居民建设用地大多集中在叶-部地区，沿长江流域形成用地布局沿江河而建的特点。

4讨论

利用Arc GIS软件对遥感影像进行配准，然后通过数字化边界、掩膜提取、数据导出等方法进行影像前期处理。再利用ERDAS软件对遥感影像进行图像处理包括选择样区、执行监督分类、分类后处理等。最后通过Arc GIS对基础数据进行加工处理并进行相关成图的展示。监督分类的最大优点是它能够人为确定分类类别，从而避免出现一些不相关的类别;再者，其对样区的选择也是可控的;最后，监督分类的分类后处理相对于非监督分类来说是很科学的，有多种方法可以使用。但是，通过对执行监督分类后所成图的观察（图2）。

经比较发现，监督分类虽然可以对TM图像进行精确解译，所选样本类别越多则解译越精准。反之，所选样本类别少，则解译与实际地块差异大，致使无法精确解译出来。

但此方法也存在一些不足，由于在影像图中，一些地物光谱颜色并不能很好区分，再加上又是人为操作，这就可能导致样区的选择与实际地物不一致，最后使得成图有极多小面积图斑，导致成图不精确。

5结语

本文就监督分类的执行过程及分类后处理作了解释说明，经研究证明，利用监督分类所成图，其分类精度大致能够满足实际工作的需要。倘若想更准确地对一个地区的土地进行分类处理，应将非监督分类与监督分类结合使用，当然，除此之外，更重要的是进行实地调研验证，经由实践得出真知。由于土地数据不好获取，所以本文所利用数据年代有些久，但是本文主要是通过举例子来说明监督分类和非监督分类两种方法的研究。