土地利用/覆盖遥感分类研究

地理国情监测

　　遥感数据资料的简介
　　目前，遥感数据的常用信息源有 NOAA、MSS、TM、SPOT等航天遥感数据及部分不同尺度的航空像片。不同类型的遥感资料具有不同的信息提取精度，从而适应于不同的研究尺度。NOAA气象卫星地面分辨率低，最小为 1km。可用于全球及洲际尺度的土地利用/土地覆盖的遥感变化。应用 NOAA/AVHRR 数据进行此范围的植被变化和土地研究始于 1981 年。最早应用多时相NOAA/AVHRR 的植被指数(NDVI)数据进行洲际尺度的土地覆盖研究者是 Tucker 和 Townshed。利用 NOAA图像开发的 1km土地覆盖数据库可用于地表覆盖对中尺度大气环流和区域天气影响检验、分析气候干湿变化及季节降水、温度和蒸发对地表植被及其动态变化的依赖性和敏感性。
　　TM图像最小分辨率为 30m，在资源、环境动态、生态效益等的综合调查中，具有明显的技术与经济优势。表现在进行各种处理(数字、光学)潜力大，波段组合能力强，成图几何精度高，可满足 1：5 万~1：10 万~1：20万等比例尺专题制图的要求，分类精度高，地学综合信息丰富，价格适中。SPOT图像最小分辨率 10m，明显高于 TM图像，但其价格过高，不易推广使用。综合看来TM和 SPOT 图像均适用于局部区域尺度土地利用/土地覆盖变化的研究。例：中科院遥感所将遥感与非遥感数据相结合，应用 GIS技术以 20 世纪 80 年代初和 20世纪 90 年代的 LANDSAT/TM图像，经分层数字化的方法进行全国土地资源动态变化研究;黑龙江省应用1997 年大比例尺 LANDSAT/TM合成图像，对 1992 年土地详查图进行了更新。中国科学院遥感卫星地面站应用 1987 年、1989 年和 1992 年 LANDSAT/TM图像进行北京地区的土地覆盖变化的遥感实验研究等。
　　针对不同类型遥感数据的特点，为了提高土地利用/土地覆盖信息提取精度，不少学者进行了不同类型遥感数据的融合技术研究。如对不同传感器数据的融合处理、遥感信息与非遥感信息的融合、专家知识应用等。通过信息融合增强处理会产生比单一信息源更精确、更完全、更可靠的估计和判断。例：王海晖将Dempster———shafer 证据理论的信息融合技术应用于遥感图像纹理的分类。提取纹理图像不同特征构成该理论中的证据, 极大地提高图像纹理的识别分类能力。贾永红采用 Bayes 融合分类的方法，利用 LANDSAT/TM和航空 SAR 影像进行土地利用分类试验，其分类精度提高了 20%。
　　统计方法的土地利用遥感分类方法
　　遥感图像的统计分类一般分为两种方法：监督分类(supervised classfication)和非监督分类(unsupervisedclassfication)。监督分类(supervised classfication)又称为训练区分类。它是利用对地面样区的实况调查资料，从已知训练样区得出实际地物的统计资料，然后再用这种统计资料作为图像分类的判别依据，并依一定的判别准则对所有图像象元进行判别处理，使得具有相似特征并满足一定识别规则的象元归并为一类。在训练区分类中，由于训练样区所提供的判别资料是与一定的地物相对应，则计算机便将满足该类条件的象元识别为与训练样区相一致的地物，如此完成对整幅图像的处理。常用的监督分类方法有：①K 近邻法(K—Nearest Neighbor)。②决策树法(Decision tree classifier)。③贝叶斯分类法(Bayesian c1assifier)。例：赵萍等利用SPOT图像，采用决策树法提取南京市江宁县居民地信息，将背景地物类型复杂的江南地区的城镇和集村居民地自动的提取出来，与常规的监督分类相比，分类精度提高了 23.38%。
　　非监督分类方法(unsupervised classfication)并不要求具体地物的已知知识，它是依赖于图像的统计特性作为基础的。假定相同的地物特征反映为相同的光谱反射值，在多*河*维*蟹*图像空间中，则考虑为同一地物在多*河*维*蟹*空间中存在着一个聚集点所构成的“点群”。即同点群的象元彼此相似。非监督分类方法有贝叶斯学习、最大似然度分类(Maximum likelihood classifier)以及聚类方法(Clustering)等。
　　监督分类和非监督分类是最基本的两种分类方法，由于其单一的依靠地物的光谱特征，因此对某些地物和某些地区分类效果并不理想，随着遥感技术和计算机技术的发展及人们实践经验的增多，科学研究工作者在此基础上发展了很多其它分类方法。本文摘自《土地利用/覆盖遥感分类研究综述》更多文献及空间地理信息数据请咨询地理国情监测云平台，电话：010-84896208转898。