Landsat8影像分类多分类器对比分析.docxVIP

? ? Landsat8影像分类多分类器对比分析 ? ? 孙文瑞，姜慧芳，左晓庆，李潇雨，刘怀鹏* （1.洛阳师范学院 国土与旅游学院，河南 洛阳 471934） 利用遥感技术进行土地利用分类时，根据影像数据特点选择适用的分类方法非常重要。监督分类由于其具有研究区的先验知识，被广泛应用于遥感影像分类中。利用监督分类方法进行土地利用分类的研究较多，如李帅[1]等以Landsat遥感影像为例，从分类精度、错分漏分误差等方面分析了平行六面体、最小距离、马氏距离、最大似然对土地利用分类精度的影响；史敏伟[2]等基于GF-2号影像，对比分析了随机森林、最大似然监督分类法在高分辨率影像土地利用分类中的优势；王栋[3]等基于Landsat5 TM影像，对比分析了最大似然、支持向量机（SVM）、随机森林3种监督分类器对大姚县各地类的分类效果；黄鹏程[4]等基于Landsat8 OLI影像，对比分析了最大似然、决策树分类法对于西安市土地利用分类的效果；程国旗[5]等以黄岛区为例，基于Landsat8 OLI_TIRS影像，对比分析了最大似然、SVM、神经网络等6种监督分类器的土地利用分类效果；苏志强[6]基于GF-2号遥感影像，对比了博湖县监督分类方法，结果表明随机森林能更好地发挥GF-2号影像数据在土地利用分类中的应用潜力。综合上述研究可知，在高维特征影像分类中，随机森林、SVM表现优异，分类精度较高，而最大似然因产生休斯现象，分类精度极低。土地利用分类采用影像的光谱波段即可取得较高的分类精度，针对应用较广泛、具有丰富光谱信息的Landsat8数据，利用哪种分类器更为合适，是一个值得探索的问题。因此，本文以洛阳市为研究区，选取Landsat8遥感影像的9个光谱波段，分别采用SVM、随机森林和最大似然3种监督分类器确定研究区影像的类别，并采集不同像素容量的训练样本对影像进行分类；再对3种分类方法在不同训练样本中的分类精度进行对比，从而确定以Landsat8影像光谱波段为信息源的影像分类适用的分类器，为基于遥感影像的土地利用分类提供技术支撑。 1 数据来源与研究方法 1.1 研究区概况 洛阳是隋唐大运河的中心，先后有10多个王朝在此建都，具有千年帝都之称；横跨黄河中下游南北两岸，东邻郑州市，西接三门峡市，北跨黄河与焦作市接壤，南与平顶山市、南阳市相连；截至2018年末，总人口为713.67万人，常住人口为688.85万人，总面积为15 230 km2。由于洛阳市吉利区在空间位置上与老城区、西工区、廛河回族区、涧西区和洛龙区不相邻，本文不将吉利区划入研究区。研究区位置如图1所示。 图1 研究区位置图 1.2 数据来源与预处理 本文选用Landsat8卫星搭载的OLI陆地成像仪获取的遥感影像数据，成像时间为2017-08-09，共11个波段，包括8个空间分辨率为30 m的多光谱波段，1个空间分辨率为15 m的全色波段和两个空间分辨率为100 m的热红外波段。本文主要利用海岸蓝色、蓝色、绿色、红色、近红外、短波红外1、短波红外2、热红外1、热红外2等9个波段对影像进行分类，因此在影像分类前，需对影像进行波段合成、裁剪、融合等预处理，获得具有15 m空间分辨率的9个波段影像再进行分类研究。 1.3 解译标志建立与样本选择 本文利用ENVI5.3软件打开研究区遥感影像，为便于各类别训练样本以及精度验证样本的选择，选用标准假彩色的波段组合显示遥感影像。本文通过对影像的目视分析，采用自定义的形式确定影像的分类类别为水体、草类、作物、裸地、树木、不透水面和阴影，再根据遥感图像解译的相关内容[7]，建立每种地类的解译标志，如表1所示。 表1 影像类别的解译标志 在确定类别的研究区影像中，根据各种地类建立的解译标志，为影像选择3套训练样本、一套精度验证样本。训练样本、精度验证样本中各地类数量如表2所示。 表2 训练样本与验证样本数量/个 1.4 地物类别可分离性检验 本文利用ENVI5.3中的ROI可分离性工具来计算任意类别间的统计距离。根据相关文献，类别之间样本的可分离性应处于0～2 之间，数值大于1.9，说明样本之间的可分离性好；数值小于1.8，则需重新选择样本；数值小于1，需将两个类别的样本合并。本文计算得到的样本可分离性数值如表3所示，可以看出，各类别之间的可分离性数值均大于1.8，说明选取的训练样本符合要求，可用于影像分类。 表3 土地利用类型样本可分离性数值 1.5 影像分类 基于随机森林、SVM、最大似然3种监督分类器，分别利用3套训练样本对洛阳市9个波段组合的影像进行分类，再利用精度验证样本检验各种样本下的总体精度，进而分析不同分类器在不同训练样本情况下，总体精度的变化情况。为了分析波段组合、研究区变化情况下，Landsat8影像分类结果与洛