集成RS与GIS在土地利用分类方法的比较.docx

集成RS与GIS在土地利用分类方法的比较关键词：遥感、土地利用、GIS、内盖夫摘要：在过去的几十年里, 以色列在土地利用方面发生了剧烈的改变。由以色列政府提供的土地利用图在对农业和城市用地分类方面比其他地方地图记录的更为详尽。它将之前过度放牧的地区重新绿化，变为人工灌溉和自然灌溉的耕地，并设置成自然保护区。而过去经常被用作大型军事训练场的地方，则变更成城乡居民点，或者将之视为闲置土地。同时，在内盖夫的北部地区，牧场仍然占很大比重，但其面积并没有明确定义。鉴于土地利用的不断变更以及在现有的土地利用现状图上缺乏对牧场区域的认知，创建一个供规划者，科学家和决策者更好使用的土地利用现状信息数据库是十分有必要的。RS数据在创建和更新土地利用图方面，是非常有效的数据源，结合现有的卫星遥感数据以及以色列地理信息系统信息数据，创建出相对精确并具有当前时效性的内盖夫北部的土地利用图，这项工作的目的是为了探索一种低成本的技术方式。比较利用遥感数据对土地利用进行分类的几种方式。此外，在GIS数据框架内，土里利用辅助数据可以更新和提高RS分类精度。结果发现，使用监督分类和非监督分类相结合的方法得到了比单一使用其中一种方法精度更高的产品。同时也发现，在更新这种产品时，辅助数据和GIS数据可以将数据精度提升10%，使得最终产品总精度达81%。 因此，本文提出的相关技术手段在当前不同时段的遥感影像图中的应用，可以精确对土里利用变更数据库的创建。引言我们所观察到的地球表面生物物理覆盖情况叫做地表覆盖，它是由各种自然形成和人为建造所组成的地表覆盖模式。换而言之，土地利用是受经济，文化，政策，历史和土地使用权等因素影响的人类地表活动。遥感数据（例如：卫星和航空影像）通常被用于通过土地覆盖观测来定义土地利用情况（Brown, Pijanowski, & Duh,2000; Karl & Maurer, 2010）。最新的土地利用信息对于规划师、科学家、资源管理者和决策者都是至关重要的。从遥感数据中提取土地利用信息的一种方法是通过可视化解译实现的，但可视化解译受限于单一波段或三色合成波段。土地利用片区的人工矢量化是极其繁琐并且具有强烈主观性的工作。(Bolstad, Gessler, & Lillesand, 1990)。因此，遥感自动分类更适用于大面积区域的土地利用图。当土地利用和地表覆盖模式在影像解译时表现明显时，自动解译就显得十分困难，因为自动分类技术并不拥有如同人脑般的超强识别能力(Hudak & Brockett, 2004)。当从遥感影像中自动分类复杂地形时，如何实现准确分类就成了一个难题(Manandhar, Odeh, & Ancev,2009)。以往的证据表明东地中海地势是最为多样化的(Alrababah & Alhamad, 2006)。因此这类地区的地形分类工作尤为繁琐。然而，先前研究表明，不论是从均匀热带景观还是差异性地中海景观来看，基于30m的 TM空间分辨率图像都可以精确分类各种变化起伏的地势(Alrababah & Alhamad, 2006; Koutsias & Karteris, 2003; Manandhar et al., 2009; Sader, Ahl, & Liou, 1995; Schulz,Cayuela, Echeverria, Salas, & Rey Benayas, 2010)。陆地卫星已经提供了从1972至今的几乎连续的全球地表变化记录(Cohen & Goward, 2004)。目前，两个陆地卫星传感器在轨道上正常运行：承载着TM机器的陆地卫星5和承载着ETMP的陆地卫星7。两个传感器在太阳能电磁波谱（可见光、近红外、短波红外）的主要部分获取测量数据，从而提供相对具有显著优势的传感器系统。然而，发射于1999年的陆地卫星7号，在2003年，其所承载的扫描线矫正仪出现了故障，导致绘制土地利用图时所需的应用程序质量发生明显降低。如今，发射于1984年的陆地卫星5号，工作年限已远远超过了其3年寿命，虽然在2010年将耗尽自身的所有燃料，但现今它仍然继续提供着高质量数据产品(Wulder et al., 2008)。相比较其他遥感数据源，陆地卫星数据由于其低成本、历史长、高频率等特点，广泛用于局部空间尺度的土地利用分类。尽管在这一时期为了建立新型分类算法进行了各种努力，但卫星图像分类水平在近15年并没有得到提升(Wilkinson, 2005)。因此，在遥感分类算法上，我们付出了持续的努力却得到了较小的价值(Manandhar et al., 2009)。最近，相关研究人员已经改变了单纯由统计得到的参数决定分析结果的方式，从而让地理数据变得更具有说服力。将遥感数据与其他地理信息源数据融合，得到更为精准的分类方式。如以前的土地利用数据，空间结构，数字高程模型（以及衍生出来的缓坡等因素），地质，土壤，水文，植被，气候和交通网络等(Lillesand & Kiefer, 2000;Manandhar et al., 2009; Stefanov, Ramsey, & Christensen, 2001;Tateishi & Shalaby, 2007)。该如何以及适时的使用特定数据源，通常是由图像分析所建立的一系列决策规则所决定的。GIS中的几种数据源集成要求分析者结合所有数据源制定一系列特定的分类决策规则(Lillesand & Kiefer, 2000)。RS，GIS和ES数据集成所形成的决策支持系统（DSS）较任何一种单一数据源具有更好的分类精度。这项工作的目的是探讨如何降低土地利用图制作成本，陆地卫星TM影像图由两种已成熟的、运用广泛的分类方式进行分类，这两种方式互相区别、互相补充。接下来，假设将现有的卫星遥感数据和以色列GIS数据进行监测融合，将会显著提升土地利用图检测精度。这项研究中所提出的土地利用分类技术可以用于土地用途变更监测，如监测土里利用转换和土地退化。该信息可以进一步用于土地利用变更与固碳，生物多样性，气候变化和自然资源的可持续发展等现象之间的关系研究。本研究的具体目标是：1、比较土地利用的监督分类和非监督分类技术。2、检验将监督分类和非监督分类相结合所获取的数据（混合分类）是否比单独一种方式所获取的数据具有更高精度。3、验证为了显著提升分类精度，是否应该使用基于专家知识和辅助GIS数据的决策系统去更新地图的方法。研究区研究区位于内盖夫北部，沙漠的边缘，总面积大约占40000平方公里。研究区南部是Ramat-Hovav，东部是Yatir 森林，北部是Kiryat-Gat and Ashkelon，西部是地中海、Gaza 和 Sinai。这些地区位于干旱、半干旱的过渡地带，拥有地中海气候区，有着其独特的特点，年平均降水量从北到南、从西到东沿着两个气候梯度带逐级递减。在内盖夫东北部，每年降水量超过450毫米/年，而南部的干旱地区的年降水量不足150毫米/年（研究区南部的地区）。例如，在该区域可以找到一些不同结构的地貌，其中包含洪水和冲积平原，钙质壳，新月形沙丘，沙域和不同母岩，因此，这里有很多土壤类型，包括粗骨土、沙化冲积岩、沙丘、黄土灰钙土、石漠岩、黑色石灰土、红色石灰土。这种环境的多样性导致物种和植被的多样化。在过去的几十年中，以色列的土地利用情况发生了巨大变化(Orenstein & Hamburg, 2009)。过去内盖夫北部的居民大都从事人工放牧活动，由于JNF的绿化项目和人口在城镇以及沿道路和水域的集中分布导致内盖夫可放牧场地地理分布的改变。结果，内盖夫地区可用的牧场和载畜率不断波动。以前的放牧区已经通过绿化变为人工和自然灌溉田、自然保护区。而过去经常被用作大型军事训练场的地方，则变更成城乡居民点，或者将之视为闲置土地。在这一时期，内盖夫的牧民，几乎所有的贝都因人（来自于几个部落）都受到社会、经济、政策因素的影响，特别是政府因素造成了人口结构、生活方式和对畜牧业的依赖程度的变化。与此同时，牧场仍然占北部内盖夫总面积的很大比重，但其具体面积没有给出明确定义。由以色列政府提供的土地利用图在对农业和城市用地分类方面比其他地方地图记录的更为详尽。当前，以色列只有两幅国家土地利用图可以使用：一个是由以色列中央统计局（CBS）绘制而成，另一个来自于调研。但这两幅地图都欠缺对牧场的具体划分，此外，农业部不拥有内盖夫北部牧场图，牧场土地也没有被栅栏分割。鉴于土地利用的不断变更以及在现有的土地利用现状图上缺乏对牧场区域的认知，创建一个供规划者，科学家和决策者更好使用的土地利用现状信息数据库是十分有必要的。图1（1）研究区延伸致以色列内盖夫沙漠的边缘（由陆地卫星5提供的TM影像4、3、2假彩色波段复合而成），并在气候过渡带的干地区旱半干旱显现出强烈的对比；（2）研究区爆破（3）图中示意了研究区的具体方位，以及以色列的边境和陆地卫星所拍摄的图像区域。研究方法论首先，我们对内盖夫（Negev）北部地区的Landsat-5的影像数据作预处理，并利用ERDAS IMAGINE 2010的几种方法进行分类处理。根据现有的土地利用数据库，再利用ArcGIS 9.3对基于专家知识的专家知识系统进行更新分类结果。不同的结果都通过STATISTICA 9.0的统计学的方法进行比较后，对每一个分类结果的精确通过几种方法进行评估。图2呈现了整个工作的流程。图2 研究流程图影像预处理土地利用分类的主要数据是Landsat-5卫星在2009年1月30日获取的TM影像，选中的区域无云。在此研究中，只使用传感器的5、7反射波段。影像预处理包括通过黑暗像元消除法和最新的辐射校正系数进行单波段辐射校正以及大气改正。为了促进辅助信息的集成，使用ERDAS AUTOSYNC特性对最新的以色列的正射影像作辐射改正以及大气改正。通过使用自动点测量软件（APM）自动测量1095个地面控制点（GCPs）以及为保证控制点均匀分布在整个研究区域而添加的人工测量的40个地面控制点。然后，卫星影像进行图像重采样，按照以色列横轴墨卡托投影坐标系统投影，以30米的像元尺寸用最邻近法、二次多项式变换方程进行几何校正。均方根误差达到0.35个像素，符合低于1个像素的常规要求，甚至低于0.5个像素分严格要求。成功的地理配准使得正射影像和其它影像的叠加成为可能。分类针对这项研究，使用了安德森分类系统的第一层次。由于这个分类系统主要是为使用遥感技术而设计的，因而，只有土地利用和地表覆盖类型被遥感所识别才能被用于这套系统。安德森分类系统（1976）的第一层次推荐使用Landsat的数据。虽然这种分类规则较为粗糙，但是它减少了分类误差，同时也使得分类信息更加丰富。在这项研究中使用的6个级别的不同的土地利用和地表覆盖类型如表1。 表1 基于陆地卫星数据建立的土地利用分类系统（After Anderson et al.1976）土地利用分区各分区所含土地利用和土地覆盖类别1城市建设用地住宅、商业、工业、农业、交通运输公共业、混合城市建设用地2农用区域农田、果园、葡萄园、苗圃3牧场防护林草本、灌木和混合牧场4森林落叶林、常绿林和混交林5水域水库、沿岸水源6荒地岩石裸地、采石场、建筑工地、土路非监督分类：迭代自组织数据分析通过使用迭代自组织数据分析技术将预处理的反射波段影像分类成80个类别，接下来的分类中，将这80类通过掩膜将80个类分别分配到6类土地利用分类中 。并且将结果投影到最新的通过目视解译的正射影像上。最后这期影像根据这六个土地利用分类被记录。监督分类：最大似然法（MLC）通过使用包含了所有地表覆盖类型训练样本的样本像元对影像分类，分类信息如表1。从所有的土地利用和地表覆盖类型中提取了120特征样本，并从以色列最新的高分辨率正射影像数字化多边形中有效得到的，然后投影到图像采集样本。通过使用这种方法能够使简单的数字化TM影像具有更高的精度。当选定训练样本后，根据光谱特征间的欧式距离将不同土地利用层进行有效分类，相同光谱特征的层合并为一类。最大似然法是运行在一个特征空间的非参数决策规则，是将结果产生的图像以六类土地利用类型进行记录。 混合分类使用迭代分类方法，通过使用监督分类后再进行非监督分类识别光谱特征从而创建特殊的土地利用和地表覆盖类型。在评估分类产品的精确性后，监督分类和非监督分类共同使用将会有助于更精确的分类，之后对更精确的分类结果再次使用最大似然法。分类后处理政府所绘制的土地利用图其自身是存在缺陷的，为了提高遥感分类精度，一些相关信息不得不从中获取。创建于2004年的CBS地图所使用的数据主要来源于2002年，虽然CBS地图是基于2002年的数据而创建的，虽然在2007年添加了内盖夫地区贝都因人所居住的建筑轮廓数据（住房和农用建筑），却没有对近些年土地利用变化情况进行更新。而CBS地图在城市建设用地和农用土地利用方面记录详细。这些牧场被包含在“其他开放用地”中，它不属于CBS地图中的基本地类。通过调研得到的以色列地图成本昂贵，此外，可以使用的也只是一部分，该部分数据更新到2004年。果园覆盖特征在该图上记录详细，但牧区定义却不明确，同时，并不是所有的城市土地利用都有明确定义，大部分的建设用地与其它未分类也被包含在未界定区域。因地图数据来源都相对较新，且包含有效的土地利用分类信息，所以将其结合以便提高基于遥感的分类成果。通过ArcGIS并利用研究区边界切除土地利用多边形图层中多余的部分，并利用ERDAS将得到的新图层转换成栅格格式，重采样成30m分辨率数据以匹配TM影像数据。在原始地图中的每一类土地利用及地表覆盖类型被记录为最符合的六类土地利用分类（图3），图表中的没有水域以及荒地类别。图3 （A）中央统计局绘制地图（2004）；（B）以色列调研绘制地图（2004）该图例同时适用于两份地图决策支持系统（DSS）是基于一套合理的土地利用发展模式和“收敛一致性”方法（Sader et al,1995）设计出来的，只要存在一个指标，像素值就会发生更新。由于土地利用图不需要考虑这些，就决定着不对水域和荒地像素数据进行更新。遥感产品中明确出现了“椒盐”噪声现象，大多数过滤器的使用就是为了减弱这些现象。以下所提到的大多数过滤器，分三步去阐述该产品的使用。图4 由噪声过滤器提升分类处理精度流程图和DSS辅助土地利用数据流程图在以色列，人们主要从事造林工作，所以滥砍乱伐现象较少，假设在这两张土地利用图中特征像素分类为森林用地，则最终分类产品中也应该相应的分类为森林。但是，由于地图中的森林区代表了JNF发展区域,该区域不完全是森林区，关于森林植被的一些信息也被纳入决策处理过程中。因此，信息层包含了更久远的森林植被信息和种植在水岸被用于确定JNF发展区域绿化的植被信息。相类似的，农业用地在理论上可以转化为建设用地，但很少将之变更为森林和牧场用地，大多数分类精度评估显示只有极少一部分像素分类为农业用地而非建设用地。同时，有观点认为，在五年间，有大量农用地未转变为建设用地，从而使土地利用图产品和卫星采集获取图像之间产生了差异。这些观点，决定了农用地像素分类在两张地图上都应纳入最总产品中。作为建筑用地，由于在这一层次上以色列调研图缺乏精准性，这就决定了该层次在两张土地利用图上不进行更新，然而，主要道路在被铺设后通常不会转换成其他土地利用类型，因此他们从GIS数据层上提取了包含在以色列和覆盖在最终产品分类上的所有道路。精确分类评估在分类过程中，分类图精度是由一套采用分层随机抽样评估获取的600个采样点组成的；在这项研究中形成的第一张分类图（ISODATA分类）中从每个层随机抽取100个点，这些有效点被投射到以色列最新的正射影像上，如表1所示，每个点被形象的分配到相应的土地利用层上。当使用粗分类方案时，如安德森1级分类，分析师通过详细的正射影像（1m分辨率）进行解译，这不仅是对地面数据的精确收集，也是最快最有效的方法。同样的有效点被进一步用于所有已有的分类产品中，以保证精度的差异值在自身接受的层次范围内，而不需要选择验证点（Foody，2004）。对于每一张地图，都需要创建混淆矩阵和计算精度指标。例如整体精度，Kappa统计，生产精度，用户精度和Kappa条件等这些衡量标准的使用，在许多国家是很常见的，并给出了详细的介绍。(e.g. Campbell, 1996; Congalton, 1991; Foody, 2002;Lillesand & Kiefer, 2000; Rosenfield & Fitzpatrick-Lins, 1986)。 专题地图精度比较当比较各种分类方法来决定使用哪一类方法更精确时，研究者可以简单地通过分类器产生的整体精度或Kappa统计量来判断。然而，不是所有的分类器间的精度差异都十分显著，因而，需要测试这种差异是否有统计学意义。采用Z检验来比较Kappa系数差异的方法也许是在专题图精度比较中最为适合的(Congalton, 1991; Congalton, Oderwald, & Mead, 1983;Elmahboub, Scarpace, & Smith, 2009; Foody, 2002, 2004;Rosenfield & Fitzpatrick-Lins, 1986; Sader et al., 1995)。所有的分类产品都使用了相同的验证点，不能认为推导每一个Kappa系数所使用的样本都是独立的。因此，比较Kappa系数所用的参数测试并不适合。(Foody, 2004)。如果使用Z检验，它可能会导致估计值的方差过大，以及两种方法间精度差异值估算太过保守。(De Leeuw et al, 2006).最近几年已经有了可替代相关样本比较的方法：使用McNemar方法代替Kappa系数来评估两个部分统计特征的差异，(De Leeuw et al.,2006; Foody, 2004)。这是一种基于正确与非正确类别之间的二进制差异的非参数检验，（如表2）。McNemar检验是一种基于方程式（1）的标准化的常规测试统计。类别1类别2正确 不正确正确ab不正确 cd因为Z的平方是遵循一个特定自由度的卡方分布 (Foody, 2004) ，测试方程式可以表达为公式（2）：2的分布是连续的，在Z分布测试中，抽样分布频率表现为离散型(Dietterich, 1998)。因而，一个连续性的校正意见在使用样本较小的情况下是尤为重要的，但其对大样本的影响也就相应减弱了。公式（3）中采用了这种连续校正。结果分析与结论：像素分类反射波段分类评估了监督分类和非监督分类对反射波段分类的精度，其混合矩阵（混淆矩阵对角线上的元素值越大，表示分类结果的可靠性越高，反之则分类错误的现象严重）以及精度测量的情况如表3和表4。从总体精度以及整体卡巴统计量（评价一致性的测量值）来看，显然非监督分类结果要优于监督分类（总体精度分别是70.67%，60.83%；卡巴统计量分别是0.65,0.53）。McNemar检验（又称配对资料的X2检验，主要用于配对资料率的检验，相当于配对卡方检验）的结果也证实了非监督分类与监督分类相比，其具有更为显著的作用(X2 = 19.67, p 0.0001)。比较监督分类以及非监督分类的对不同地物分类情况的精度表 3 非监督分类ISODATA方法的混合矩阵以及精度测量 类 参考数据总计123456分类数据161201900010027553530010032158300010041253638001005044290010060030097100总计71119180439097600生产精度用户精度条件卡巴系数85.92%61.00%0.5646.22%55.00%0.4446.11%83.00%0.7688.37%38.00%0.33100.00%90.00%0.88100.00%97.00%0.96注：加粗部分用于计算总体精度的精度计算总体精度：70.67%；整体卡巴统计量：0.65.表4 监督分类中最大似然分类的混合矩阵和精度测量 类 参考数据总计123456分类数据1708181111332592027730037315861302107406213002150013770816003009295总计71119180439097600生产精度用户精度条件卡巴系数98.59%27.03%0.1722.69%72.97%0.6647.78%80.37%0.7230.23%61.90%0.5985.56%95.06%0.9494.85%96.84%0.96注：加粗部分用于计算总体精度的精度计算总体精度：60.83%；整体卡巴统计量：0.53.K系数的高低等级解释K一致性程度K一致性程度 0.02差（Poor）0.41-0.60中等（Moderate）0.02-0.20轻微（Slight）0.61-0.80好（Substantial）0.21-0.40尚可（Fair）0.81-1.00几乎完全一致（Almost Perfect）然而，对明确的分类精度测量，如条件卡巴系数这种不同的现实展开；对大多数明确的地物类别来说，监督分类的精度要优于或相近与分监督分类。当近距离密切观察第一种地物类别（即表1中的城市用地或建设用地）时，监督分类又表现出极低的使用精度和条件卡巴指数，而非监督分类的各项指标都较高。根据以上结论，通过利用非监督分类中的ISODATA分类方法制作的地表特征作为第一种地物类别的训练样本进行混合分类，而不是利用监督分类方法从数字化定点区域的感兴趣区中提取特征。混合分类的误差矩阵以及精度测量情况如表5所示。混合最大似然分类协作结果，从某种意义上来说提高了总体精度和卡巴统计量值，McNemar检验结果也证实了混合分类方法的分类结果在统计上比监督分类的精度要高（X2=42.15，P0.0001），与非监督分类结果的精度的比较结果不明显（X2=1.43）。监督分类与非监督分类结合，利用混合分类的方法对地物分类表5 混合最大似然分类的混淆矩阵以及精度测量的结果 类 参考数据总计123456分类数据167492845015321357500483323129310159401213290054500028408660030097100总计71119180439097600生产精度用户精度条件卡巴系数94.37%43.79%0.3629.41%72.92%0.6671.67%81.13%0.7367.44%53.70%0.5093.33%97.67%0.97100.00%97.00%0.96注：加粗部分用于计算总体精度的精度计算总体精度：73.5%；整体卡巴统计量：0.68.GIS决策支持系统（DSS）使用DSS（决策支持系统）对每个基于遥感的过滤的分类产品进行分类改善，改善前后的结果如图5所示，混合矩阵以及精度测量情况如表6-8所示。结果发现，DSS方法对所有分类的精度有近10%的提升，这种改善在统计结果上十分明显，结果如表9所示。从表中可以看出，使用混合分类和DSS（决策支持系统）方法对反射波段分类得到的精度是最高的（总体精度81%，卡帕系数0.7681）。将这种分类成果的精度与其他分类方法得到的产品精度作对比时，如表10所示，有显著的区别。使用DSS对分类结果进行改善处理，精度提升图表6中总结了所有分类产品的精度，包括DSS各个阶段单独作用得到的精度。农用地的更新中的精度提升大都是由DSS贡献的。总体精度=70.67%； 总体精度=75.67%；整体卡巴统计量=0.6480 整体卡巴统计量=0.7057 总体精度=60.83%； 总体精度=71.00%；整体卡巴统计量=0.5308 整体卡巴统计量=0.6520总体精度=73.50%； 总体精度=81.00%；整体卡巴统计量=0.6767 整体卡巴统计量=0.7681图5 分类成果：（A）非监督分类迭代聚类分类（ISODATA）； （B）最大似然分类（MLC）+ GIS决策支持系统（DSS）； （C）监督分类最大似然分类（MLC）； （D）最大似然分类（MLC）+ GIS决策支持系统（DSS）； （E）混合分类； （F）混合分类+ GIS决策支持系统（DSS） 。表6 分类后处理非监督分类ISODATA方法的混合矩阵以及精度测量 类 参考数据总计123456分类数据1598150018321210046200160304790099240334390076504429001006002008789总计71119180439097600生产精度用户精度条件卡巴系数83.10%71.08%0.6784.03%62.50%0.5343.89%85.87%0.8090.70%51.32%0.48100.00%90.00%0.8889.69%97.75%0.97注：加粗部分用于计算总体精度的精度计算总体精度：75.67%；整体卡巴统计量：0.71.表7 分类处理后的监督分类最大似然分类的混合矩阵与精度测量情况 类 参考数据总计123456分类数据167326649918724812020010730479302884021132004550012810846003008689总计71119180439097600生产精度用户精度条件卡巴系数94.37%35.83%0.2768.07%75.70%0.7043.89%89.77%0.8574.42%71.11%0.6990.00%96.43%0.9688.66%96.63%0.96注：加粗部分用于计算总体精度的精度计算总体精度：71%；整体卡巴统计量：0.65.表8 分类处理后的反光带混合分类混合矩阵与精度测量情况 类 参考数据总计123456分类数据16626182501172581163001053071252111364051834005750002840866003008699总计71119180439097600生产精度用户精度条件卡巴系数92.96%56.41%0.5168.07%77.14%0.7169.44%91.91%0.8879.07%59.65%0.5793.33%97.67%0.9798.97%96.97%0.96注：加粗部分用于计算总体精度的精度计算总体精度：81%；整体卡巴统计量：0.76.表9 X2P值整体分类精度提升百分比ISODATA11.680.00065.00%MLC35.640.000110.17%HYBRID26.940.00018.00%表10 基于遥感分类成果与DSS改善后成果的比较X2P-valueISODATA24.810.0001MLC90.570.0001HYBRID26.940.0001ISODATA+DSS8.900.0029MLC+DSS40.48US一些人（Alrababah & Alhamad, 2006）发现监督分类工作的比非监督分类效果更好，这项工作中却表现出一个截然相反的结果。导致这种情况出现的原因可能是在监督分类过程中，训练样本并没有考虑在这个区域的地表覆盖中所有复杂的光谱变化。因而可以得出结论，进行监督分类的工作人员必须对该研究区域紧密的熟悉，才能够正确的使用最大似然分类法（MLC）。在一个庞杂的多样化区域，采集具有代表性的地面特征是非常具有挑战性的事情。再这样的地理情况下，显然，基于统计学的分类可以通过使用ISODATA（迭代分类）方法得到理想的成果。监督分类的局限性：对研究区熟悉在这项工作中取得的最佳的总体精度为81%，低于管理计划预计的85%的水平(Anderson et al., 1976)。然而，事实上在一些出版物中报道的精度同样普遍低于85%的目标(Foody, 2002; Wilkinson, 2005)，甚至评判精度达到多少视为有用的标准也不明确(Foody, 2008; Wulder, Franklin, White, Linke, &Magnussen, 2006)。虽然在一些研究中对土地利用和地表覆盖取得了更高的精度，但是出版物上关于精度评定是怎样进行的也不明确，其它精度评定的过程也受到现有数据量的限制(Cingolani et al., 2004; Elmahboub et al., 2009; Fuller, Groom, & Jones, 1994)。几个美国的地表覆盖地图计划使用了Landsat数据，数据精度达到了65-82%(Homer, Huang, Yang, & Wylie, 2002)，83.9%的区域具有70-98%的整体平均精度(Homer, Huang, Yang, Wylie, & Coan, 2004; Homer et al., 2007)，Xian, Homer, & Fry等人在2009年也达到了78.3-88.5%。因此，虽然我们有志于维护公正的标准，但是在这项研究中的精度的确令人十分满意，因为它类似于模拟研究。一直有人声称遥感学界对于精度评估方面的要求近乎于苛刻，制作专题图使用偏重保守的技术却受制于过度严厉的、严格的评估，但是对于其他的地图却能容忍一些问题的存在。在这项工作中，当作者们了解到这这种情况后，在分类后处理中使用了辅助地图(ancillary map)。因辅助数据由不同的专题类地图数据构成，所以使用同系列的检校数据评估基于遥感分类数据的地图的辅助地图的精度。地图图例（map legends）间的差异与互通性的问题往往是与专题地图的比较中最大问题。因为图例间的转换不一定是直接转换，所以这也可能是最主要的误差来源。同样含蓄的假设了在地图融合完美的情况，但是这种假设还没有被证实。因辅助地图的精度还不能确定，作者希望能够通过多种数据的结合使用，规避由于这些辅助地图融合带来的产品误差。不过，由于使用这些地图，一些错误可能已经被引入最终的专题图。评估DSS单独每个阶段的精度提升状况，证实了地图融合对精度的提高高于它所带来的误差，这种检验结果还没有被那些在分类后处理精度提升中融合了几组辅助数据的工作者报道。为提升精度而做的工作，添加辅助数据在未来的研究中建议采用这种方法，即在最终精度的过程中检查每个组成部分的附加值。任何附加数据都会对其精度产生影响，因为精度的提升取决于研究区状况，初步分类成果的质量以及辅助数据。在进行中的每个阶段都应单独进行评估，在工作流程中也同样需要评估；增加一种数据源可能会对精度有消极的影响，但是与另一个工作阶段或者是附加数据源的结合可能会增加精度，反之也一样。因而，尽管一般建议通过遥感技术结合附加的空间数据源，但不能保证添加越多的空间数据一定会提升最终的精度,这需要通过反复试验强制消除冗余的、损坏的数据。增加辅助数据对精度影响据观察，通过利用DSS所有组件对农业区域进行更新，对改善最终成果的精度起到了最大的作用。尽管包括农作作物在内的图斑在不同的MLC语音阶段的训练样本，仍与牧场区、城市区以及森林域混淆。由于有一些地区已经长时间未耕种了，这个问题可以通过对一年内多张影像进行分类，以此在所有区域来捕捉植物的峰值，这类技术以前被用来传统的稻田管理以及森林类型分类中。不幸的是，在目前的项目研究区中，只有一份来自USGS档案中在2009年拍摄的Landsat TM5影像，不考虑关闭了扫描线校正器的Landsat7 ETM+数据，因而没有考虑尝试multi-date分