高寒河源区土地覆盖的精准分类研究.docxVIP

高寒河源区土地覆盖的精准分类研究 土地是人类生存和发展的基础。土壤覆盖信息是土壤资源规划、土壤资源评价、土地利用评价等的重要条件。随着全球变化研究的深入, 土地覆被信息提取已经成为一个研究的热点 区域土地覆盖分类信息是区域生态、经济可持续发展的基础数据支撑, 科学地提取地表覆被信息, 对地物精准分类, 对于区域生态环境保护、生态和经济建设具有直接的影响 1 材料和方法 1.1 青海湖流域5.2mm 研究区位于沙柳河流域, 属于青海湖的河源地区。沙柳河位于青海省刚察县城西侧0.2km处, 是青海湖流域第二大河流, 发源于大通山可可赛尼哈, 整个流域海拔在3 036~4 694m, 落差较大。河流全长106km, 自北向南流入青海湖 1.2 天基系统：3台现代卫星系统 本文以2景高分1号卫星影像和3景资源3号卫星影像为基础数据源。高分辨率影像数据来自于青海省第二测绘院。高分1号卫星是中国高分辨率对地观测系统重大专项天基系统中的首发星, 搭载有2台2m分辨率全色/8m分辨率多光谱高分相机和4台16m分辨率多光谱宽幅相机。资源3号卫星是中国首颗自主的民用高分辨率立体测绘卫星, 搭载有1台2.1m分辨率正视全色相机, 2台3.5m分辨率的前视和后视全色相机和1台5.8m分辨率的正视多光谱相机。 由于植被生长季节地表信息丰富, 不同地物反射的电磁波在影像上呈现的光谱和纹理特征不仅有利于提取植被覆盖信息, 还易于区分其他的土地覆被类型, 有利于影像的目视解译工作 1.3 学习方法 1.3.1 区域划分的一般过程 本文运用监督分类方法对青海湖沙柳河流域的地表覆被信息进行提取。监督分类法常用的分类器有6种, 每种分类器具有不同的判别函数和判别准则, 因而具有不同的分类精度和分类结果。下文分别将6种监督分类器做如下介绍。 (1) 平行六面体 (parallelpiped classification) 。根据训练样本的亮度值形成一个n维平行六面体的数据空间, 其他像元的光谱值如果落在任何一个训练样本所对应的区域, 就被划为其中。其尺度由标准差阈值所确定, 标准差阈值则根据所选类别的均值确定 (2) 最小距离 (minimum distance classification) 。通过训练样本数据去计算每种类别的均值向量和标准差向量, 然后以均值向量作为该类在特征空间中的中心位置, 计算输入图像中每个像元到各类中心的距离, 将像元归入到距离中心最小的类别中 (3) 马氏距离 (Mahalanobis distance classification) 。通过计算输入像元到各训练样本的马氏距离 (计算2个未知样本集的相似度的方法) , 统计马氏距离最小的即为此类别 (4) 最大似然 (likelihood classification) 。假设每个波段每一类统计都呈正态分布, 计算像元属于某一训练样本的似然度, 将像元归为似然度最大的一类中 (5) 神经网络 (neutral net classification) 。用计算机模拟人脑的结构, 用小的处理单元模拟大脑的神经元, 用算法实现人脑的识别、记忆、思考过程并应用于图像的分类 (6) 支持向量机 (support vector machine classification) 。是一种基于统计学习理论的机器学习方法, 可自动寻找对分类有较大区分功能的支持向量并构造分类器, 最大化类别之间的间隔, 分类准确率较高 1.3.2 分类精度评价 (1) 训练样本选择及评价。监督分类的第一步是在影像上定义训练样本。训练样本的准确合理选择是监督分类的基础, 也会直接影响分类精度的高低 (2) 执行监督分类。若训练样本合格, 符合分类要求, 则应选择一种监督分类器对研究区影像进行地物分类。若对分类结果不满意则需要重新选择分类器。本文的研究目的是探讨高寒河源区的土地覆盖分类方法, 因此执行了6种监督分类器。 (3) 精度评价。对图像分类结果进行精度评价, 一方面可以定量地检验分类结果是否理想, 另一方面可以评价监督分类器的优缺点。ENVI软件提供了混淆矩阵 (confusion matrix) 和ROC曲线 (ROC curves) 两种对分类结果精度进行评价的方法。本文选择混淆矩阵的方法来对分类结果进行精度评价。混淆矩阵是将每个地表真实像元的位置和分类类别与输出图像中的相应位置和分类类别相比较, 列出基准图像上的i类像元在分类图像中被分到j类的像元总数或者百分比 Kappa系数是通过把所有地表真实参考的像元总数乘以混淆矩阵对角线的和, 再减去某一类中地表真实参考像元数与该类中被分类像元总数之积之后, 再除以像元总数的平方减去某一类中地表真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结