第23卷,第3期中国农业资源与区划Vol 123,No 13,pp21-25 2002年6月 Journal of China Ag ricultural Resour ces and Regional Planning June,2002 #技术方法#土地利用/土地覆盖遥感分类方法的研究综述张银辉,赵庚星(山东农业大学资源与环境学院,泰安 271018)摘 要 分类方法在土地利用/土地覆盖变化研究中占有重要的地位。

基于遥感技术的土地利用/土地覆盖分类首先涉及图像类型、时相的选择和图像预处理工作,概述了近十多年以来所使用的常规土地利用/土地覆盖遥感分类方法及发展的一些新型分类器。

关键词 土地利用/土地覆盖 遥感技术 分类方法 人工智能收稿日期:2001-03-05 张银辉为硕士研究生 赵庚星为教授为有效保护和合理开发利用土地资源,必须首先有效地把握真实、准确和实时的土地利用现状数据,同时进行不同时期土地利用类型转换的监测亦变得越来越重要。

采用遥感技术监测土地资源利用状况是一条行之有效的方法。

不仅要获得土地利用变化信息,而且要获得变化的类型,其实质是获得不同监测时间的土地利用/土地覆盖分类信息。

一、图像预处理(一)图像类型和时相的选择一般来说,用于全球变化研究的土地利用与土地覆盖的遥感,大区域范围研究一般采用低分辨率的大尺度图像(如:NOAA/AVHRR 1km 数据),而局部区域的土地利用调查一般采用高精度高分辨率的M SS 图像、TM 图像、SPOT 图像或它们之间的结合等。

因此,选择图像类型时,应考虑到研究区域的大小、研究的目的、意义等,以达到要求的精度,并避免造成不必要的浪费。

不同时相遥感图像的选择对分类精度具有很大的影响,因为植物物种、长势及生长阶段等不同而在遥感图像上有不同的光谱表现形式[1]。

在这一方面,已有学者做过专门阐述[2,3]。

另一方面,在农作物分类中应用物候历,对提高分类精度有重要保证作用。

(二)图像处理图像处理包括图像预处理和图像增强。

图像预处理主要涉及到图像的辐射恢复、几何校正、图像匹配和镶嵌及不同传感器或不同时相之间的图像配准等工作。

图像增强方法有多种,如直方图修改技术、比值增强、线性组合、滤波处理及主成分分析等。

土地利用/土地覆盖分类中应根据区域特点,图像纹理特征等选择相应的增强方法,以突出各类地物,使之层次分明。

近年来,有关专家对增强方法进行了许多新的研究:如波段的彩色合成增强处理[4,5]、彩色变换[6,7]和各类信息的融合增强处理[8,9]等。

二、目视解译分类方法目视解译就是根据样本的影像特征和空间特征(形状、大小、阴影、纹理、图型、位置和布局),与多种非遥感信息资料相结合,运用生物地学等相关规律,采用对照分析的方法,进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理[10]。

目视解译分类方法的应用主要有两种形式:一是通过航片、卫片或多种遥感图像资料的结合,进行人工判读之后,手工编汇土地利用图或数字化处理,由此得到土地利用分类信息。

这种形式从开始采用遥感手段22中国农业资源与区划2002年进行土地利用调查,一直到现在,仍然被广泛使用着。

如早期的/-三北.防护林遥感综合调查(1986~1991年)0[11]及原国家土地局主持的/全国土地利用现状调查0的前期工作等[12],近期的长江三角洲地区耕地变化遥感调查中,俞纯绅、张妙玲等以1:10万TM卫星影像图为基本信息源,采用了目视解译与野外调查相结合的方法进行。

第二种形式主要是随着计算机技术和遥感图像处理技术的发展而形成的人机交互式目视解译方法。

它通过遥感图像处理软件可对图像进行任意的放大、缩小,在对遥感图像进行各种增强处理,达到最佳目视判读效果之后,判读人员可根据影像中各地类的屏幕解译标志,直接用鼠标沿影像特征边缘准确地勾绘出地类界线。

陈宁强、戴锦芳两人运用Corel DRAW!6软件对人机交互式土地资源遥感解译的条件、过程及主要特点做了探索性研究。

张松岭、杨邦杰等人提出了基于GIS的耕地遥感监测人机交互式图像解译系统[13]。

两项研究都证明人机交互式方法可充分发挥人与计算机的优势,并可实现解译、成图一次性完成,与传统遥感土地利用制图相比,大大减少了人力的浪费。

三、计算机自动分类(一)非监督分类所谓/非监督0,是仅凭遥感图像地物的光谱特征的分布规律,随其自然地进行分类。

其分类的结果,只是对不同类别达到了区分,但(在联机过程中)并不确定类别的属性;其类属是通过事后对各类的光谱响应曲线进行分析,以及与实地调查时间相比较后确定的。

非监督分类中,主要算法有混合距离法(ISOM IX)、循环集群法(ISODATA)和合成序列积群方法等。

尽管非监督分类较少受人为因素的影响,不需要对地面有许多实际的了解,但由于/同谱异质0、/同质异谱0以及混合像元等现象的存在,许多专家认为非监督分类的结果不如监督分类令人满意,非监督分类不适用于对山区耕地的精确分类,只适用于图像中的类已知且特别规则和做大概的分类。

如Jose A.在进行土地覆盖/土地利用制图时,先采用非监督分类大体确定类别,然后再进行细致分类[14]。

而Hegarat-Mascle S.Le et al在利用多时相的ERS图像和雷达数据识别土地覆盖类型时,则强调了非监督分类的优势[15]。

ThomasH.C.et al则提出了一种多时相比值数据非监督分类法,并强调了该法不仅简单易行,而且精度高[16]。

(二)监督分类监督分类又称训练区分类,它的最基本特点是在分类之前人们通过实地的抽样调查,配合人工目视判读,对遥感图像上某些抽样区中影像地物的类别属性已有了先验的知识,计算机便按照这些已知类别的特征去/训练0判决函数,以此完成对整个图像的分类。

经典的监督分类法有最大似然法、平行六面体法、Maha-l anobis距离法和最小距离法等。

与非监督分类相比,监督分类有一定的优势,但其所产生的分类结果往往也有较多的错分、漏分情况,导致分类精度降低。

因此,在提取土地利用信息时,为了提高监督分类精度,总会在图像分类前或分类过程中采取一些措施。

图像分类前采取的措施主要是针对训练区的,因为监督分类的精度与训练区的选择是密切相关的。

吴健平和杨星卫两人提出了训练样本纯化的理论和方法,并经试验研究表明,训练样本纯化后,各类型间的发散度、样本像元的概率密度函数、高斯分布的拟合度以及分类结果的精度都得到不同程度的提高。

Baban S.M.J.和Luker C.两人通过问卷调查选择训练区,在保证训练区选择无误的基础上,提高了分类精度[17]。

有的学者还针对传统的手工训练区提取方法的局限性,提出了训练区自动[18]或半自动[19]提取方法,有的则研究了组成训练集的样本之间的距离对分类精度的影响[20]。

基于分类过程中的/同质异谱0、/同谱异质0现象,许多专家提出了改善方法。

在对青岛市的数据进行监督分类时,平宗良对/同质异谱0现象使用了分别采样的方法,从而得到了令人满意的结果。

潘贤章、曾志远在处理长江三峡地区资源遥感图像时,提出了/同质异谱0问题可采用类型细分的方法来解决,/同谱异质0带来的错分类,可引进地理控制系统对其校正,从而提高成图精度[21]。

莫源富、周立新在利用TM数据监测土地利用动态变化时,提出并采用了分区分类方法,认为该法可避免大量混分、错分现象。

除了上述光谱分类算法自身的改进之外,人们还采取一些辅助的处理措施,以设法改善分类效果,如上分析法、辅以纹理特征的光谱特征分类法。

此外,人们还致力于研究各种辅助数据在遥感影像计算机分类中的应用。

辅助数据的来源较为广泛,除地形图、航片判读草图、土壤图、植被图、地质图等各种图件资料外,还包括有关的地面实测数据和统计资料等,如杨凯和陈军两人着重介绍了配合有太阳入射角数据、辐射校正分类法和按高程分层分类法等三种方法[22]。

四、遥感图像计算机分类新方法常规的遥感统计分类方法主要是根据地物光谱的反射特征,基于单个像元进行操作,但由于遥感数据一般带有综合光谱信息的特点(即一个像元有时是地面各类地物光谱的总和),致使计算机分类面临着诸多模糊对象,导致精度降低。

为此,人们不断研究尝试新的分类方法。

(一)多时相、多源遥感数据复合分类方法充分利用遥感数据多平台、多传感器、多波段、多分辨率、多时相等众多优势,可使各种遥感数据相互补充,提高地物识别率。

多源数据复合已被证明是提高遥感分类精度的有效途径,而且它是解决充分利用已有遥感信息资源的有效手段。

如Fuller et al 制作英国土地利用图时,使用了冬夏两个时相的数据和最大似然法分类,从而提高了分类精度[23]。

Curtis k.M unechika 等人提出在多光谱数据与高空间分辨率数据融合时,若保证光谱辐射的整体性,可提高分类精度[24]。

近10年来,对雷达和光学数据、多光谱和高空间分辨率数据的融合用于土地利用/土地覆盖的研究逐渐增多,如SAR 和MSS 图像、SAR 和TM 图像、TM 和SPOT 数据、SPOT 全色与其多光谱数据的融合等。

(二)GIS 支持下的遥感分类方法遥感和GIS 的研究对象都是自然界中的空间实体,GIS 作为空间数据处理和分析的有效工具,可为遥感应用提供良好环境,使得遥感图像在GIS 支持下可得到较高的分类精度。

Paul M.et al 研究了在GIS 支持下对SPOT 分类结果作矩阵叠加分析,以使分类图像与土地利用分区信息结合起来,精度提高到78%[25]。

Paul V.Bolstad 利用土壤质地、地形等空间专题信息,提高了TM 数据的土地利用分类精度[26]。

刘行华在利用T M 数据进行分类及辅助制图研究时,指出GIS 辅助分类,不仅能提高分类精度,而且能提高可靠性。

黎夏在他的研究中也提出了利用GIS 技术来提取形状信息和改善分类精度的新方法,从而使一些容易混淆的分类得到纠正[27]。

(三)人工神经网络分类方法人工神经网络,是以模拟人体神经系统的结构和功能为基础而建立的一种信息处理系统,是一种人工智能。

它的研究已有近35年的历史。

目前这种技术在遥感图像分类处理中应用的较为广泛和深入,从单一的BP(Back Propagation,反向传播)网络发展到模糊神经网络、多层感知机、学习向量分层)2网络、Kohonen 自组织特征分类器、Hybrid 学习向量分层网络等多种分类器。

除了神经网络自身分类器的改进之外,专家们还研究了神经网络与其它处理技术相结合的方法,以更好地提高分类精度,如章杨清和刘政凯两人在使用神经网络方法的同时,引入分维向量来强化输入模式在纹理特征上的信息表达,使总体识别精度更上一层楼[28];熊桢等人将神经网络技术与分层处理技术相结合提出并设计了分层神经网络分类方法[29]。