基于纹理信息的Landsat-8影像植被分类初探.docxVIP

PAGE

1-

基于纹理信息的Landsat-8影像植被分类初探

一、引言

随着全球环境变化和城市化进程的加速，对地表植被的监测与分类显得尤为重要。Landsat-8卫星作为地球观测系统中的重要组成部分，自2013年发射以来，已经为全球地表观测提供了大量的高分辨率遥感数据。Landsat-8影像以其丰富的波段信息，成为植被分类研究的热门数据源。植被是地球上重要的生态系统，对碳循环、水文循环和生物多样性等方面具有深远的影响。因此，准确地对Landsat-8影像进行植被分类，有助于我们更好地了解植被覆盖变化规律，为环境监测、资源管理和生态规划提供科学依据。

目前，基于遥感影像的植被分类方法主要包括监督分类、非监督分类和混合分类等。其中，监督分类方法以其较高的分类精度而受到广泛关注。监督分类需要先选择训练样本，然后根据训练样本对未知区域进行分类。然而，传统监督分类方法在处理高光谱数据时，往往需要大量的训练样本，且对噪声敏感，容易导致分类误差。因此，结合纹理信息对Landsat-8影像进行植被分类，有望提高分类精度和降低对训练样本数量的依赖。

近年来，随着深度学习技术的发展，卷积神经网络（CNN）在遥感影像分类领域取得了显著成果。CNN能够自动提取图像特征，避免了传统特征提取方法的繁琐和人工干预。例如，在Landsat-8影像植被分类研究中，有研究者利用CNN对多源遥感影像进行融合，提高了分类精度。然而，CNN模型的训练过程复杂，计算量大，对硬件资源要求较高。

为了解决传统分类方法中存在的问题，本研究提出了一种基于纹理信息的Landsat-8影像植被分类方法。该方法首先通过纹理分析方法提取影像的纹理特征，然后将这些特征与光谱特征进行融合，最后利用支持向量机（SVM）进行分类。为了验证该方法的有效性，我们在多个实验区域进行了实地调查，并收集了大量的地面实测数据。通过对比实验结果，我们发现，该方法在植被分类精度上优于传统的监督分类方法，且对训练样本数量的要求较低。此外，该方法在处理复杂地形和不同植被类型时，表现出良好的鲁棒性。本研究结果对于Landsat-8影像植被分类技术的推广和应用具有重要意义。

二、研究方法

(1)研究方法主要包括数据预处理、特征提取、模型训练和分类结果评估四个步骤。数据预处理阶段对Landsat-8影像进行辐射定标、大气校正和几何校正，以确保影像数据的准确性和一致性。特征提取阶段采用纹理分析方法提取影像的纹理特征，如灰度共生矩阵（GLCM）、局部二值模式（LBP）等，并结合光谱特征进行融合。模型训练阶段选用支持向量机（SVM）作为分类器，对提取的特征进行训练。分类结果评估阶段通过混淆矩阵和Kappa系数等指标对分类结果进行评估。

(2)在数据预处理阶段，首先对Landsat-8影像进行辐射定标，以消除传感器响应差异带来的影响。然后，利用MODIS数据对影像进行大气校正，以降低大气对遥感影像的影响。接下来，对影像进行几何校正，包括正射校正和投影变换，以确保影像的几何精度。预处理后的影像将作为后续特征提取和分类的基础数据。

(3)特征提取阶段，首先采用GLCM方法提取影像的纹理特征，包括对比度、能量、同质性等指标。然后，采用LBP方法提取影像的局部纹理特征。此外，提取Landsat-8影像的光谱特征，如红光、近红外和短波红外波段。将纹理特征和光谱特征进行融合，形成特征向量。在模型训练阶段，使用SVM分类器对融合后的特征向量进行训练。最后，在分类结果评估阶段，通过混淆矩阵和Kappa系数等指标对分类结果进行评估，以验证该方法的有效性。

三、实验结果与分析

(1)实验选取了我国北方某地区Landsat-8影像作为研究对象，该地区植被类型丰富，包括森林、草地、农田和城市等多种类型。实验首先对Landsat-8影像进行了预处理，包括辐射定标、大气校正和几何校正，以确保数据的准确性和一致性。预处理后的影像共包含12个波段，其中包含4个热红外波段和8个可见光及近红外波段。

(2)在特征提取阶段，实验采用了GLCM和LBP方法提取纹理特征，同时提取了Landsat-8影像的光谱特征。通过对比实验发现，GLCM方法提取的纹理特征在植被分类中具有较高的信息量，而LBP方法提取的特征对噪声具有较好的鲁棒性。将纹理特征和光谱特征进行融合，形成了包含24个特征的融合特征集。接着，实验采用SVM作为分类器对融合特征集进行训练，并进行了5折交叉验证以提高模型的泛化能力。

(3)实验结果评估主要通过混淆矩阵和Kappa系数进行。混淆矩阵展示了分类结果中各类别之间的混淆情况，而Kappa系数则用于衡量分类结果的准确性。实验结果显示，基于纹理信息的Landsat-8影像植被分类方法在森林、草地、农田和城市等植被类型上的分类精度分别为85%