一、引言
長江中下游湖區(qū)作為重要的資源和生態(tài)環(huán)境保護區(qū)域,其地物分類情況對區(qū)域資源管理和生態(tài)可持續(xù)發(fā)展具有重要影響。通過對湖區(qū)地物進行有效地分類,可以幫助掌握湖區(qū)地物類型特征以及分布情況,為湖區(qū)資源管理利用與生態(tài)保護提供依據。不同地物分類方法提取地物有各自優(yōu)缺點,會因為采取分類方法的不同影響區(qū)域地物提取的精度效果。因此,在長江中下游湖區(qū)有必要進行地物分類方法對比研究來為湖區(qū)地物分類方法選擇提供借鑒。
龍感湖國家級自然保護區(qū)、華陽河湖群省級自然保護區(qū)是長江中下游淡水湖泊中保持完好且具有典型代表性的兩處湖泊濕地保護區(qū),孕育了豐富多樣的植物和野生動物資源,是我國重要水鳥越冬地和候鳥遷徙中轉站,對長江中下游經濟和生態(tài)發(fā)展發(fā)揮著重要作用。以該區(qū)域作為研究區(qū),以高分一號WFV作為數據源,采用人工神經網絡、隨機森林、支持向量機、最大似然、最小距離、馬氏距離6種不同地物分類方法進行地物分類,從空間和精度方面對試驗結果進行對比分析,探討地物分類效果,以選擇出適用于研究區(qū)地物特征提取的有效分類方法。
二、研究區(qū)概況
龍感湖國家級自然保護區(qū)是目前保持最為完好的重要淡水湖泊濕地之一,湖區(qū)跨湖北省黃梅縣和安徽省宿松縣,屬于亞熱帶濕潤季風氣候區(qū),總面積為223.22km2。華陽河湖群省級自然保護區(qū)是以保護濕地生態(tài)系統(tǒng)和珍稀水禽為主的自然保護區(qū),位于安徽省宿松縣境內,與龍感湖國家級自然保護區(qū)相接,屬于北亞熱帶濕潤氣候,總面積為504.97km2。
三、數據來源與研究方法
3.1數據來源
所采用數據為2022年11月7日GF1-WFV影像,云覆蓋量為0,空間分辨率為16m,時間分辨率為4d,成像幅寬為800km,光譜范圍0.45~0.89μm。衛(wèi)星遙感傳感器易受大氣、運行高度、運行速度等因素的影響導致影像數據出現(xiàn)信息偏差情況。為糾正影像數據誤差,提高分類處理效果,需對影像進行預處理。常用的ENVI軟件能夠快速地對影像進行預處理操作:首先通過對加載后的GF1-WFV影像進行線性拉伸提升顯示效果;然后對影像依次進行輻射定標、大氣校正、正射校正,其中輻射定標根據輻射定標參數在軟件中完成,大氣校正運用FLAASH模型完成;最后利用影像自帶的RPC信息和地面高程數據進行正射校正。
圖1預處理前后的對比影像
3.2研究方法
3.2.1分類體系及樣本選取
根據研究區(qū)地物實際特征,參照《土地利用現(xiàn)狀分類》(GB/T21010—2017)將地物類型分為耕地、植被、建設用地、河湖、坑塘5類。參照高清影像,采用目視解譯的方法對確定的地物類型進行訓練樣本選取,并對選擇出的地物訓練樣本進行可分離性計算。表1為可分離性數值計算結果,各地類間樣本可分離性數值均大于1.8,樣本可分離性較高,符合要求。
表1地類樣本可分離性數值
3.2.2分類方法
采用人工神經網絡、隨機森林、支持向量機、最大似然、最小距離、馬氏距離6種分類方法進行比較分析。
1)人工神經網絡:提出于20世紀40年代,隨著研究的深入,20世紀70年代算法逐漸運用于高分辨率遙感影像地物分類中,
通過各個神經元間的相互作用尋找優(yōu)化解、改變隱藏層節(jié)點處理影像數據,使其對于地表復雜度較高、地物紋理特征多樣的區(qū)域具有較好的分類效果。
圖2人工神經網絡算法示意圖
2)隨機森林:是一種組合多種決策樹于一體的集成化分類器。隨機森林算法利用bootstrap采樣技術從原訓練樣本中有放回的隨機抽取K個樣本,每個抽取的樣本容量需與原始訓練樣本容量一致,并對抽取的K個樣本建立起K個決策樹模型,隨機森林從K個決策樹得出的分類結果中選出最佳分類器進行分類。
3)支持向量機分類:通過分離面將不同地物訓練樣本分開,使得不同的分類樣本置于分類面兩側,尋找最優(yōu)分離面即最靠近不同地物訓練樣本且不同樣本之間距離最大的面。距離最優(yōu)分離面最近的訓練樣本被稱為支持向量。
4)最大似然分類:是指根據影像波段特征,將每類地物分類函數假設為正態(tài)函數,計算需要分類影像像元所屬某一類別訓練樣本的似然度,最后歸類到似然度最大一類的方法。
5)最小距離分類:通過計算每類地物的均值以及協(xié)方差,將均值定義為每類地物空間中心點,計算各類地物中心點與分類影像像元間的距離,將與地類中心點距離最近的像元歸為該類,從而對各地物進行歸類。最小距離D計算公式為
式中Xj為像元灰度值,Mij為第i類j波段均值,Sij為第i類j波段均值標準差。
6)馬氏距離:類似于歐式距離用來度量距離的指標,能夠考慮數據間的相互關系并根據計算出的各類別到分類影像的馬氏距離將待分類圖像歸到臨近類別,計算公式為
式中X為像元數據,∑為多變量協(xié)方差矩陣,μk為樣本均值。
3.2.3分類后處理
主要分析模塊能夠很好地處理破碎小斑塊,通過剔除過分細小的斑塊,將臨近的小斑塊聚合,使得圖像更加平滑,提高分類效果。
圖3研究區(qū)部分區(qū)域小斑塊處理前后對比影像
3.2.4精度評價
為了評價不同地物分類方法下的精度效果,在研究區(qū)范圍內隨機創(chuàng)建2000個檢驗樣本點(圖4),結合高清影像目視解譯隨機點所代表的各類地物真實分布情況,將檢驗樣本點結果與對應的樣本分類結果相對應,計算其混淆矩陣。由于用戶精度和生產者精度能夠反映出各地物類型的分類精度,總體精度和kappa系數能夠反映出地物分類結果的整體精度,因此針對各類方法下地物分類結果采用用戶精度(UA)、生產者精度(PA)、總體精度(OA)、kappa系數評定分類精度,計算公式分別為
式中Pii為混淆矩陣第i行第i列的樣本數,Pi+為混淆矩陣第i行樣本總數,P+i為第i列的樣本總數,N為樣本總數,m為土地覆蓋類型數量。
圖4研究區(qū)檢驗樣本點分布圖
四、結果與分析
4.1地物分類結果
通過采用人工神經網絡、隨機森林、支持向量機、最大似然、最小距離、馬氏距離6種分類方法對研究區(qū)地物類型進行結果對比,分類結果如圖5所示。從整體結果看,植被主要分布在研究區(qū)北部,少量零星分布于南部建設用地、耕地區(qū)域;耕地主要分布于湖泊區(qū)下方,研究區(qū)南部、西部和東部,少量分布于北部林地間隙;建設用地主要分布于南部耕地區(qū),其他細碎分布在山林區(qū)域;河湖區(qū)域集中在研究區(qū)中部以及湖泊支流上,坑塘主要分布在湖泊邊緣處。
4.2精度對比
在建立混淆矩陣基礎上通過計算用戶精度(UA)、生產者精度(PA)、總體精度(OA)以及kappa系數進行精度評價,檢驗地物分類結果的準確性。6種不同地物分類方法得到的分類結果精度見表2-表4。
表2不同分類方法用戶精度
從表2可以看出人工神經網絡法的整體用戶精度相對較好,各地物類型的用戶精度均大于75%。隨機森林、支持向量機分類法中,除建設用地其余4類地物用戶精度均大于85%,能達到較高的精度。最小距離、馬氏距離、最大似然分類法的整體用戶精度相對較差,其中最小距離整體用戶精度最差,坑塘用戶精度僅為23.33%。
表3不同分類方法生產者精度
從表3可以看出支持向量機分類法各地類生產者精度均大于70%,最大似然分類法各地類生產者精度均大于60%。相比于以上兩種方法,人工神經網絡和隨機森林分類法坑塘生產者精度較差均小于30%,除坑塘外其他4類地物生產者精度較好。最小距離、馬氏距離分類法的建設用地生產者精度較差,最小距離僅為22.97%。
圖5各類算法分類結果圖
從表4可以看出,kappa系數相對較好,總體精度達95%以上,kappa系數大于85%,其次為支持向量機、最大似然、隨機森林法,馬氏距離和最小距離分類法總體精度和kappa系數相對較差,總體精度均小于85%,kappa系數均小于0.80。
表4分類精度統(tǒng)計
通過整體精度結果綜合比較發(fā)現(xiàn)在不同的分類方法作用下研究區(qū)地物提取總體精度、kappa系數存在著較大差異,各類地物用戶精度和生產者精度也存在著較大差別。為了更好地探討6種分類方法分類效果,還需對分類空間結果進一步分析。
4.3空間對比
為對比不同分類方法下5種地物空間分布結果,選擇研究區(qū)局部典型區(qū)域進行比較,結果如圖6和圖7所示。通過最小距離分類法和馬氏距離分類法得出的空間分布結果相對較差,雖然能分辨出5類地物大致特征,但是部分河湖與坑塘區(qū)域不能區(qū)分開,且靠近耕地區(qū)域的部分零碎建設用地識別效果差,只識別出少量的建設用地,其他地類間也存在少量誤分現(xiàn)象。最大似然法雖然分辨出了耕地臨近區(qū)域的建設用地,但是同樣存在著部分河湖區(qū)被納入坑塘區(qū)域的問題。相對于以上3種方法隨機森林分類法和支持向量機的河湖和坑塘識別情況有所改善,且分辨出較多未被識別出的建設用地,但存在局部耕地區(qū)域識別為建設用地的現(xiàn)象。相對于以上幾種分類法,人工神經網絡法能夠較好地識別不易區(qū)分的河湖與坑塘、耕地與建設用地,減少了錯分漏分的情況,更貼近地類的真實分布。
圖6局部區(qū)域遙感影像
圖7各分類方法局部分類結果圖
五、結論
從分類精度結果看,支持向量機和最大似然分類結果分別存在建設用地、坑塘地類用戶精度較低的情況,隨機森林分類結果存在建設用地的用戶精度和坑塘的生產者精度較差的情況,馬氏距離和最小距離的用戶精度和生產者整體精度效果較差。相比而言,人工神經網絡分類法整體分類精度相對較好,總體精度達92.35%,
kappa系數達0.8933。從地物空間分類結果看,人工神經網絡優(yōu)于馬氏距離和最小距離、隨機森林、支持向量機、最大似然分類法分類結果,得出的地物空間分類效果較貼近實際地物分布情況,地物錯分漏分情況較少,能夠較好地識別出河湖、坑塘、耕地、建設用地、植被,更適用于研究區(qū)地物特征信息的提取,可為類似區(qū)域河湖濕地管理以及生態(tài)保護方面的探究提供參考。
推薦:
便攜式高光譜成像系統(tǒng)iSpecHyper-VS1000
專門用于公安刑偵、物證鑒定、醫(yī)學醫(yī)療、精準農業(yè)、礦物地質勘探等領域的最新產品,主要優(yōu)勢具有體積小、幀率高、高光譜分辨率高、高像質等性價比特點采用了透射光柵內推掃原理高光譜成像,系統(tǒng)集成高性能數據采集與分析處理系統(tǒng),高速USB3.0接口傳輸,全靶面高成像質量光學設計,物鏡接口為標準C-Mount,可根據用戶需求更換物鏡。
審核編輯 黃宇
-
遙感
+關注
關注
0文章
241瀏覽量
16758 -
成像系統(tǒng)
+關注
關注
2文章
191瀏覽量
13890 -
高光譜
+關注
關注
0文章
322瀏覽量
9881
發(fā)布評論請先 登錄
相關推薦
評論