遥感图像监督分类的两个关键问题

遥感图像监督分类的两个关键问题

随着遥感应用的普及，每个应用的遥感图像监测和分类结果的精度要求越来越高。提高监督分类结果的精度关键在于训练样本的选取和分类决策也就是分类器的选择。1山地植被现状分析塞罕坝机械林场按地形分坝上、坝下两部分。坝上是内蒙古高原南缘,以丘陵、曼甸为主,海拔1500～1939.6m;坝下是阴山山脉与大兴安岭余脉交汇处,典型的山地地形,海拔1010～1500m。境内是滦河、辽河的发源地之一。塞罕坝林场位于河北省最北部,林场中天然林18805.4hm2,人工林42887.4hm2,混交林8138.3hm2,各林分年龄以中幼龄林为主。该林区就树种而言,优势树种主要有落叶松、桦树、柞树、油松、樟子松等,而华北落叶松占90%以上,且无其他乔灌木与之伴生混交,堪称大面积高密度人工落叶松纯林;而在林龄组成上,该林场则以单层同龄林为主,严重缺乏多层异龄混交林。2研究过程2.1分类样本的选择为了保证监督分类结果有较高精度,首先要保证有足够数量的训练样本,以克服各种偶然因素的影响,一般情况下,每类至少要有10到100个训练样本数据。其次,选择样本像元应具有典型性、代表性。同类树种在不同的立地条件(海拔、湿度、坡度、土壤厚度等)或不同的年龄光谱特性往往会有差异,也就是同物异谱现象的表现。为了保证分类精度,应将同一树种根据立地条件和年龄分为多类。本研究经过训练区的检验,最后分类模板主要分为水泡子、落叶松、樟子松、桦树、云杉、柞树,其中落叶松分为落叶松幼、落叶松2、落叶松4;桦树分为桦树、桦树2、桦树4;樟子松分为樟子松2,樟子松3;云杉分为云杉幼、云杉。2.2a遥感技术监督本研究利用加拿大PCIGematica遥感图象处理软件对塞罕坝机械林场的SPOT5图象进行监督分类。监督分类有3种运算法则:最大似然、最小距离、平行六面体。2.2.1最大概率法以贝叶斯准则为基础,通过求出每个像元对于各类别的归属概率,把该像元分到归属概率最大的类别中去的方法。2.2.2统计特征量均值的计算这种方法要求对遥感图像中每一个类别选一个具有代表意义的统计特征量(均值),首先计算待分像元与己知类别之间的距离,然后将其归属于距离最小的一类。2.2.3关于分类结果的混淆通过设定在各轴上的一系列分割点,将多维特征空间化分成分别对应不同分类类别的互不重叠的特征子空间的分类方法。监督分类结果用混淆矩阵表示。p(ij)=⎡⎣⎢⎢⎢⎢p11p21pn1p12p22pn2⋯⋯⋮⋯p1np2npnn⎤⎦⎥⎥⎥⎥p(ij)=[p11p12⋯p1np21p22⋯p2n⋮pn1pn2⋯pnn]其中:i表示来自第i类训练区的样本数据;j表示来自第j类的样本数据;pij表示来自第i类训练区,但被分到第j类的样本数据占原训练区数据的百分比,即∑j=1npij=100%∑j=1npij=100%(注:∑j=1npij∑j=1npij不一定等于100%)显然,混淆矩阵中对角元素数值愈大,则表示分类的效果愈接近先验的考虑。反之,非对角元素数值愈大,则表示分类结果中混类的现象愈严重。如果混类现象严重,则需要重新选择训练区,找到类别纯度高,更具有典型性状的样本数据,特别是要想办法减少或降低训练区中的异类成分;如果认为训练区的样本数据已经够典型,精度够纯,只是判决函数与实际集群分布情况不符,则用训练区的样本数据对判决函数进行调整训练。表1、2、3为最大似然、最小距离和平行六面体3种运算法则分类结果的混淆矩阵。分析比较表1、2、3可以看出:运用最大似然运算法则平均精度为87.76%,KAPPACOEFFICIENT=0.84531;运用最小距离运用法则平均精度为78.17%,KAPPACOEFFICIENT=0.73269;而运用平行六面体运算法则平均精度可达到90.41%,KAPPACOEFFICIENT=0.87655。由此可见,运用最小距离运算法则精度太低,达不到生产需要。运用平行六面体法则精度比较高,kappa系数也最大,但是由于本次研究只是对树种进行了分类,并没有对那些建筑用地、道路、荒山荒地等非林业用地进行划分,由于同谱异物和同物异谱现象的不可避免性,肯定会有错分现象,但是运用平行六面体法则进行分类,在混淆矩阵中,被分为树种其他类的概率为零,不符合实际情况。运用最大似然法则,平均精度达到了要求,并且没有忽略同物异谱和同谱异物现象。2.3种树种在静态遥感图像分类和种植对比中所占比例的分析本研究利用塞罕坝机械林场的大唤起林场的二类调查数据和最大似然分类结果进行统计计算。得出了桦树、落叶松、云杉、樟子松、柞树等5种树种在二类调查和遥感图像分类结果中所占的百分比(见表4)。由表4可以看出,桦树在5种树种中的百分比,分类结果和二类调查结果基本一致,落叶松、樟子松、云杉和柞树的