引用本文
喻小倩, 刘娜, 李红, 廖铁军, 孙丹峰. 基于线性光谱混合分解和最大似然分类相结合的土地覆被分类——以红寺堡灌区为例[J]. 国土资源遥感, 2010,22(1): 96-100
YU Xiao-qian, LIU Na, LI Hong, LIAO Tie-jun, SUN Dan-feng. Land Cover Classification Based on Linear Spectral Mixture Decomposition Combined with Maximum Likelihood Classfication: A Case Study of Hongsipu Irrigation Area[J]. REMOTE SENSING FOR LAND & RESOURCES,2010,22(1): 96-100  
Permissions
Copyright©2010, 《国土资源遥感》编辑部
《国土资源遥感》编辑部
基于线性光谱混合分解和最大似然分类相结合的土地覆被分类——以红寺堡灌区为例
喻小倩1, 刘娜2, 李红3, 廖铁军1, 孙丹峰2
1.西南大学资源环境学院,重庆 400715
2.中国农业大学资源环境学院,北京 100193
3.北京农林科学院综合所,北京 100097

第一作者简介: 喻小倩(1984-),女,硕士,主要从事国土资源遥感应用研究。

收稿日期: 2009-07-01
摘要

采用线性光谱混合分解和最大似然分类相结合的方法,对宁夏红寺堡灌区开发前1989年的土地覆被状况进行分类。分类时,以基准端元为分类特征,分类函数稳定,分类结果易于解释。研究结果表明,基于混合像元分解丰度图的最大似然分类总体精度为77.53%,比应用原始影像直接进行最大似然分类的总体精度提高了9.8%。同时,为提高分类精度,本研究对分类结果进行了分类后处理以满足实际需求。

关键词: 混合像元; 线性混合分解模型; 最大似然分类; 端元; 主成分分析
中图分类号:TP79 文献标志码:A 文章编号:1001-070X(2010)01-0096-05
Land Cover Classification Based on Linear Spectral Mixture Decomposition Combined with Maximum Likelihood Classfication: A Case Study of Hongsipu Irrigation Area
YU Xiao-qian1, LIU Na2, LI Hong3, LIAO Tie-jun1, SUN Dan-feng2
1.School of Resources and Environmental Science,Southwest University,Chongqing 400715,China
2.School of Resources and Environmental Science,China Agricultural University, Beijing 100193,China
3.Comprehensive Institute, Beijing Academy of Agricultural Sciences, Beijing 100097, China
Abstract

This paper deals with the land cover classification of the Hongsipu Irrigation Area in Ningxia in 1989 based on remote sensing techniques, serving as a benchmark for the study of the development zones. Reference end-members were used as the characteristics of classification with which the classification function was stable and the results of classification were easily to explain. The results show that the overall accuracy of maximum likelihood classification based on abundance maps derived from the decomposition of mixed pixels is 77.53%. Compared with the maximum likelihood classification based on original image, the overall accuracy is raised by 9.8%. Therefore, the combination of the linear spectral mixture decomposition model and the maximum likelihood classification constitutes a good classification method. In order to improve the classification accuracy, this paper makes a post-processing on the classification results to meet the actual demand.

Keyword: Mixed-pixel; Decomposition of linear mixed model; Maximum likelihood classification; End-members; PCA
0 引言

土地覆被分类是近年来生态环境监测和研究的热点之一。随着遥感技术的逐步成熟, 目前应用遥感影像进行土地覆被分类已成为国土资源监测、作物评估及气象灾害监测等方面的基础工作。传统的土地覆被分类一般采用监督和非监督分类, 它们都是以像元为基本单位来检测和获取地物信息, 但混合像元现象的存在直接影响着分类精度。因此, 如何实现混合像元的分解问题一直是遥感应用研究的难点和热点。近年来国内外学者为提高混合像元分解的精度, 研究和发展了多种混合光谱分解方法, 概括起来主要有线性模型、概率模型、几何光学模型、随机几何模型及模糊分析模型等等[1]。其中线性光谱混合模型是混合像元分解最常用方法。

红寺堡灌区是宁夏扶贫扬黄工程的主体灌区, 是国家重点建设项目, 它的实质就是在荒漠中开发绿洲的过程。旨在为该区域的农业发展规划、作物布局和种植制度规划等提供科学依据, 促进当地农业经济的发展与生态的良性循环。本文采用线性光谱混合分解和最大似然分类相结合的遥感分类技术, 对红寺堡土地覆被进行研究, 以更快更好地掌握灌区开发前后土地覆被状态, 了解景观的演化过程。

1 材料和方法
1.1 研究区概况

红寺堡灌区位于宁夏回族自治区中部干旱半干旱地带, 105° 45'~106° 03'E, 36° 10'~37° 29'N之间, 土地总面积约为923 km2, 海拔1 240~1 450 m, 地势南高北低, 地形以缓坡丘陵为主。为典型大陆性气候, 降雨量少而集中且年际变化大。自然景观属于干旱荒漠草原, 自然植被稀疏, 风大沙多, 生态环境脆弱, 自古以来少有人居住[1]。灌区主要覆被类型为天然草场, 耕地少, 以旱地为主, 土壤耕殖率低, 荒地面积较大, 沙化程度严重。

1.2 数据搜集与处理

采用1989年8月24日宁夏红寺堡灌区Landsat 5 TM1~5, 7波段数据, 图像质量好, 如图1所示。

图1 红寺堡灌区TM 7、4、1假彩色合成影像Fig.1 The RGB 7、4、1 image composited with False-color of Hongsipu irrigation area

本文整个研究过程如图2所示。

图2 技术路线Fig.2 Technical line

遥感数据的预处理包括几何精校正和大气辐射校正。首先, 以该区域1:50 000地形图为基准, 选取控制点, 采用最近邻重采样方法完成数据的几何精校正, 几何校正平均误差控制在1个像元以内; 然后采用黑体像元法(Dark Object Subtract模型)[2]完成大气辐射校正, 形成反射率影像, 以减少大气程辐射的影响。

1.3 线性混合光谱模型

线性光谱混合模型是假设图像中每一像元点的反射率值是该像元内每种地物反射率(纯净像元反射率)的线性组合, 每种地物类型(典型地物)在该像元内所占的面积比(丰度)作为方程的权重系数[3], 即

Riλ = ∑k=1nfkiCkλ +ε iλ (1)

式中, Riλ 为第λ 波段第i像元的光谱反射率; fki为对应于i像元的第k个端元组分所占的分量值; Ckλ 为第k个基本组分在第λ 波段的光谱反射率; ε iλ 为残余误差值(即光谱的非模型化部分); n为基本组分的数目。该模型要满足两个约束条件才能求解, 即 ∑k=1nfki=1(k=1, 2, 3, …, n)和fki> 0[4]。应用该模型的关键是尽可能减少模型中每个像元的误差, 即使均方根误差(RMS)最小化, 即

RMS= ∑(ei, j, λ)2/N(2)

式中, N为像元总数; ei, j, λ 为λ 波段i行j列像元的误差值。解决该模型最常用的方法是最小二乘法, 即

f^=(MTM)-1MTX(3)

式中, f^为基本组分分量矢量; M为基本组分在不同波段反射率矢量; X为所有像元在相应波段的反射率。

1.4 端元选取

在进行混合像元分解时, 纯净端元的选择是影响分解结果精度关键的一步。选取端元一般采取两种方法: 一是根据野外波谱测量或者从已经有的地物波谱信息库中选择端元; 二是直接从待分类的影像上选择。由于研究区域缺少实测光谱数据, 同时考虑端元与影像数据光谱具有相同的度量尺度, 本研究采用基于影像的端元选择方法。大多研究表明, 基于主成分散点图进行端元选取是一种有效的方法[5]。

选取端元时首先通过主成分分析形成各分量的二维散点图, 在其中的多边形顶点位置圈定典型地物, 并在原图像中确定这些典型地物的波谱矢量。这些典型地物就是端元[6]。

1.5 最大似然分类

最大似然分类是监督分类中应用较为广泛的方法之一。该分类方法利用遥感数据统计特征, 假定各类分布函数为正态分布, 并选择训练区, 用统计方法根据最大似然比贝叶斯判决准则法建立非线性判别函数集, 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而进行分类[7]。理论上单个样本区中包含的像元个数最低值为N+1(N为光谱波段数), 实际应用中通常的规则是超过10N~100N个像元[8, 9]。本文采用线性光谱混合分解模型分解混合像元, 得到一组组分丰度图, 各组分之间去除了相关性, 彼此之间相互独立。在此基础上分类, 排除了其他地物光谱的干扰, 同时线性光谱混合分解结果代表地物面积百分比, 具有实际物理意义, 根据丰度值选择的样本更具有代表性, 结果更稳定、易于解释、具有可移植性。

2 研究结果
2.1 端元组分

本研究对红寺堡TM影像数据进行主成分变换, 其结果如表1所示。PC1表征了一个整体亮度, 反映土壤背景信息; PC2表达的是近红外波段和短波红外波段光谱反射率的对比, 反映植被特征信息; PC3与TM穗帽变换矩阵的湿度轴相对应, 反映水分湿度信息。由于研究区域地物主要由沙地、植被和水分3种基本要素组成, 首先初步确定这3种端元类型。但对于光谱存在两个或两个以上变异的典型地物, 难以通过主成分区分。研究区沙地光谱存在两类变异, 包含了结皮沙(表层有结皮)和沙, 为分离两种类型的沙地, 本文实验结合阈值分别提取出沙地, 再做主成分变换, 最终, 端元确定为植被端元、沙端元、水端元和结皮沙端元, 如图3所示。

表1 红寺堡1989年8月份Landsat TM主成分变换矩阵 Tab.1 Principal component transformation matrix of landsat TM for Hongsipu irrigation area

图3 端元组分的确定(注: 圈内代表圈定的各组分端元)Fig.3 The determination of end-member components

2.2 线性光谱混合分解结果

确定纯净端元以后, 提取端元光谱特征值, 基于全约束条件的线性光谱混合分解模型, 最终得到植被、沙、水和结皮沙在每个像元中的丰度图像(图4)。

图4 线性混合分解4个组分的丰度图Fig.4 The abundance map of the four components by linear mixed-decomposition

图4中白色或较亮颜色表示像元中该基本组分分量比重较高, 黑色或较暗颜色则表示像元中该基本组分分量的比重较低。同时求解出反映模型精度的均方根误差RMS平均值为0.004, 方差为0.005, 这表明混合像元分解是较为成功的[10]。

2.3 分类实验

在TM7、4、1原始假彩色合成图像上根据目视解译直接建立解译标志, 见表2, 得到分类体系, 确定了研究区的土地覆被类型主要有草地、裸地、沙地、荒草地、水域、耕地和林地7类。

表2 红寺堡灌区土地覆被的解译标志 Tab.2 The interpretation key of land cover in Hongsipu Irrigation Area

根据影像的光谱特征, 在光谱混合分解后的每组分丰度图上分别选择各类地物的训练样本进行最大似然分类, 分类结果如图5(a)所示。为比较分析, 得到基于原始图像最大似然分类得到的分类图, 如图5(b)所示。通过目视判读对两种方法得到的分类结果加以对比分析, 初步认为基于混合像元分类效果较好。

图5 分类结果Fig.5 Classification image

2.4 精度评价

为客观评价其分类的精度, 结合地面调查, 叠加红寺堡1989年1:1万地形图和土地利用现状图, 根据目视判读从遥感影像上随机选取每种类型地物一定数目的样本点, 对分类结果进行验证, 得到各种地物类型的分类精度, 如表3所示。评价结果表明, 在原始影像上直接分类的总体精度为67.71%, 而基于光谱混合分解之后再分类的总体精度为77.53%, 提高了9.8%。其中, 沙地、耕地、裸地、水域和草地的分类精度较高, 但林地、荒草地的分类精度较低, 不能满足实际应用要求, 为进一步提高分类精度, 本研究对分类结果进行了分类后处理。

表3 分类精度评价 Tab.3 Classification accuracy assessment
2.5 分类后处理

在ArcGIS软件的支持下, 对初步分类结果进行目视判别, 修正明显的错分像元, 完善了分类结果, 提高了分类精度。如图6所示。

图6 红寺堡灌区1989年TM影像分类矢量图Fig.6 The classification vector of TM image of Hongsipu irrigation area in 1989

3 结论

通过对红寺堡灌区1989年TM遥感影像的分类研究, 将红寺堡灌区土地覆被分成草地、裸地、沙地、荒草地、水域、耕地及林地7大类。在分类时, 考虑到了混合像元对分类结果的影响, 结合线性光谱混合分解和最大似然分类进行分类, 其分类效果明显优于直接对TM影像进行分类的效果, 总体精度提高了9.8%, 表明该方法为一种好的分类方法。总的来说初步分类精度满足要求, 但对实际应用和专题制图仍有一定的局限性, 因此需对分类结果进行后处理, 以达到更高的分类精度, 为研究灌区开发前后的演化规律提供依据。

The authors have declared that no competing interests exist.

参考文献
[1] 桂林过, 王世荣, 赵天成. 关于红寺堡新绿洲可持续发展战略的思考[J]. 水土保持通报, 2002, 22(6): 68-70. [本文引用:2]
[2] Pat S Chavez Jr. Imaged-based Atmospheric Correctionsrevisited and Improved[J]. Journal of Photogrammetry & Remote Sensing, 1996, 62(9): 1025-1036. [本文引用:1]
[3] Hu Y H, Lee H B, Scarpace F L. Optimal Linear Spectral Unmixing[J]. IEEE Trans. Geosci. Remote Sensing, 1999, 37(3): 639-644. [本文引用:1]
[4] 李霞, 王飞, 徐德斌, 等. 基于混合像元分解提取大豆种植面积的应用探讨[J]. 农业工程学报, 2008, 24(1): 213-217. [本文引用:1]
[5] Smith M O, Johnson P E, Adams J B. Quantitative Determination of Mineral Types and Abundances from Reflectance Spectra Using Principal Components Analysis[J]. Journal of Geophysical Research, 1985, 90: 792-804. [本文引用:1]
[6] 刘成, 王丹丽, 李笑梅. 用混合像元线性模型提取中等植被覆盖区的粘土蚀变信息[J]. 遥感技术与应用, 2008, 31(2): 95-98. [本文引用:1]
[7] 赵英时. 遥感应用与分析原理与方法[M]. 北京: 科学出版社, 2003, 328-334. [本文引用:1]
[8] Jensen J R. Introductory Digital Image Processing(2nd edition)[M]. Prentice-Hall, New Jersey, 1996. [本文引用:1]
[9] 李全, 王海燕, 李霖. 基于最大似然分类算法土地覆盖分类精度控制研究[J]. 国土资源科技管理, 2005, 19(4): 42-45. [本文引用:1]
[10] Wu C, Murray A T. Estimating Impervious Surface Distribution by Spectral Mixture Analysis[J]. Remote Sensing of Environment, 2003, 84: 493-505. [本文引用:1]