分区分类法——针对山区遥感图象的一种全新的分类方法

莫源富 周立新

（国土资源部岩溶研究所 桂林 541444）

【摘　要】　高原山区山高坡陡、地形复杂、地块零碎，形成大量的阴影区及混合象元，被认为是遥感分类的难点地区。笔者在多年的山区遥感研究的基础上，通过对地形地貌、地物生态环境、地物分布特点的分析，提出分区为类法，对光照区与阴影区、地形陡峭区与地形平缓区、不同地物组合、地物生境分区分别分类，是针对山区遥感图像的行之有效的分类方法。
【关键词】　遥感分类 山区 分区分类法 光照区 阻影区 毕节市

　　1、前 言
　　卫星遥感以其覆盖面广、信息量大、实时性强等特点在整个地学领域得到广泛应用。用于土地利用现状调查更体现其快速、经济等特点。随着微机软硬件技术的飞速发展、计算机的模式识别技术日趋成熟，卫星遥感数据计算机自动识别在土地利用调查越来越占主导地立。
　　卫星遥感提供二方面的信息：光谱信息和空间纹理信息。对光谱信息主要利用统计模式识别技术，可以分为非监督分类和监督分类。应用得最广泛的监督分类为最大似然。但传统的监督分类法对于某些地区、某些地物分类效果不甚理想，因而人们不断地在研究新的分类方法，如针对同物异谱及异物同谱现象，用地理信息系统或其它辅助数据支持参与图象分类，并采用分层分类引入专家系统及推理模式等技术[1]；对与存在着大量阴影的山区遥惑图象，多采用类别细分来处理阴影区的地物识别问题[2]；分维技术的引入则更注意利用遥感图象的空间纹理特征[3][4]；针对地物特征和模糊性提出的模糊滥督分类法[5]；近年来人工神经网络分类法的研究方兴未艾，期望能模拟人脑的思维方式对图象进行分类处理[4][6][7]。这些反映遥惑图象的计算机识别分类的最新研究从不同方面、不同程度地提高了分类精度，改善了常规分类结果。
　　对于山区遥感图象，前述采用类别细分的方法结果也不尽如人意，笔者数年来在贵州高原山区十余个县市从事遥感分类研究，针对高原山区山高坡陡、阴影区面积大等待点，提出分区分类法，结合GIS多因子辅助分类及人工屏幕修改，有效地促进了山区遥惑图象的识别分类。分类结果得到有关部门的认可和好评。本文以毕节市为例介绍分区分类法在山区遥惑图象分类中的应用。
　　2、数字图象的预处理
　　图象增强　 图象增强处理的目的是要突出图象中的有用信息，扩大不同影象待征（灰度、颜色）之间的差别，最大限度地扩大各种地物类别在影象特征上的差别，增强处理后的图象，大大有助于后续的训练场地的选取及屏幕图象分析。
　　卫星影象的几何精校正 　地面站对遥感影象在成象过程中产生变形误差岸作了一定程度的纠正，用于土地利用调查的遥感图象必须有很高的空间定位精度，这就要求作进一步的几何精校正。
　　波段选取及主成份分析 　我们的研究采用1995年8月2日的TM数据。对于屏幕显示和屏幕图象分析，选用信息量最为丰富的5、4、3波段组合配以红、绿、兰三种颜色生成假彩色合成图象，这个组合的合成图象不仅类似于自然色，较为符号人们的视觉习惯，而且由于信息量丰富，能充分显示各种地物影像特征的差别，便于训练场地的选取，可以保证训练场地的准确性；对于计算机自动识别分类，采用主成分分析（K-L变换）进行数据压缩，形成三个组分的图象数据，用于自动识别分类。
　　3、土地利用类型训练场地选取、统计
　　3.1土地利用类型的划分
　　这次识别分类中，土地利用类型的划分是在毕节市区划办提供的样地图斑所包含的土地利用类别基础上，参照国家有关的技术规范结合TM图象对地物的区分能力进行重新归并。市区划办提供了耕地（旱地、水田）、园地（果园、茶园）、林地（松、杉、柏、阔叶林、竹林、柒树、核桃）、灌木林、灌丛林、疏林地、草地、观测灌丛草地、难利用地共108个样地图斑训练场地样点。这些样地图斑中，园地、主力竹林、柒树、核桃总面积及实地地块面积均很小，TM图象上无法界定和识别而略去不用，疏林地由于林木稀疏其背景地类是灌丛、草地等，自动识别分类时难以作为一种独立地类，故而也删去，另增加水林及居民地两类。这样增删过后，以水田、旱地（耕种旱地、轮闲旱地）、针叶林、阔叶林、灌木林、灌丛林、草地、水体、居民地、难利用地等10个地类参加自动识别分类。
　　3.2 训练场地选取、统计
　　如上所述，毕节市有关部门在本次研究的前期，以他们对毕节市各种地物分布情况的，按要求在野外实地选取了大量的各种地物类别的典型的样地图斑，为在屏幕TM图象上准确圈定、提取训练场地提供了有力的保障。这些样地图斑中有少数或是定位有误，或是面积太小，另外区域分布欠均匀，因而需要参考其它的专题图件在屏幕上另外圈出一些图斑作为补充。形成一套包括上述10个地类的特征值（即识别模式，包括均值向量，标准差向量，或协方差矩阵）。
　　4、分区分类法—针对山区遥感图象的一种全新的分类方法
　　毕节市位于云贵高原，地形高差大，海拔最低450米，最高2217.8米。山高坡陡，切割深，具有典型的高原山区地形地貌特点。这些特点反映在遥感图象上，表现为存在着大量的阴影区。据分析研究，在一定的太阳高度角与方位角条件下，遥感图象上阴影区所占的百分比，与地形的起伏程度（高差）、起伏频率（粗糙度）及地形主导走势（上脉延伸方向）有关，具体的数学模型有待进一步探索。就毕节市而言，全市总面积达5125977亩，在太阳方位角为97°高度角为55°的TM图象上（1995年8月2日），阴影面积达1270505亩，占全市总面积24.79%。
　　阴影区各种地物的光谱信息均集中在很低的范围内，由于信息很弱，目视解译难以区分，而范围很窄，各地物间的差别与参照区相比而大大减少，故而如若训练场地不能准确选取或代表性不够，计算机很难作到有效的自动识别分类。尽管阴影区光谱范围在很低、很窄的区段，然而根据对准确选取的各种地物训练场地统计分析可知，各类地物的光谱特征在阴影区还是有差别的，这正是阴影区也能进行计算机识别的基础。关键是要准确地选取训练场地，以及分类方案的正确制定。笔者集多年的山区工作经验，通过对地形地貌、地物生态环境、地物分布特点的分析，提出并采用了分区分类法，即光照区与阴影区分别分类，在光照区选取一套训练场地先完成光照区的分类，在完成光照区分类后，阴影区的训练场地在野外选取的样地图斑的基础上参照光照区分类结果，采用地物邻域相关法，补充选取阴影区训练场地，进行阴影区的分类，将光照区、阴影区的分类结果叠加合成的即为最终的分类结果，这种方案与采用类别细分方法区分阴阳坡同类地物有着本质的不同：
　　（1）遥感图象上的阴区阳区概念和具体位置与常规意义上的阴阳坡有区别。
　　（2）野外选取地物样地图斑时，会有意无意忽略阴影区的地物，既使注意到阴坡地物，通常也是常规意义上的阴坡，结果实地上所谓的阴坡，也有部分落在遥感图象上的光照区，因而野外选取的样地图斑绝大多数分布在光照区，据此在遥感图象上圈定训练场地会导致阴影区训练场地偏少，代表性不足，甚至于缺失本应有的地物。
　　（3）上述缺陷尽管可在屏幕补充选取，但由于阳影区亮度值范围窄，人眼更难区分各种地物，硬性选取难免错选，混选、导致错分、混分。而采用分区分类法，在完成光照区分类后，根据地物（或作物）群落，植物生态学、气候、物候等知识，参照邻近的光照区选取阴影区训练场地，能保证训练场地尽可能正确，从而提高阴影区的分类精度。
　　（4）分区分类法—阴影区与光照区分别分类，可避免大量混分错分现象，如针叶林的光谱值偏低，易与阴影区其他地物类别混淆，统一分类，阴影区很多本不是针叶林的地方，得出针叶林的结果。分区分类可最大限度避免出现这种错分现象。
　　综上所述，本次研究，在对阴影区作过深入研究的基础上，提出了分区分类法，有效地解决了阴影区的识别分类难题，并推广到贵州省其它十余个县市的卫星遥感土地利用调查工作中，得到认可和好评。分区分类法还可用于其它立地条件差异大的地区，如包含地形陡峻区与地形平缓区的地区、有着不同地物组合、生态环境分布区的地区等。
　　5、识别分类的具体实施
　　图象分类的关键之一是选择适当的分类规则（或叫分类器），这些规则可以把图象数据划分为尽可能符合实际情况的不同类别。目前，普遍应用的、较成熟的分类器是监督分类中的贝叶斯法（即最大似然法分类器），本次研究用的也是这种分类器。根据分区分类法，先对光照区的训练场地进行统计，利用形成的统计文件用最大似然法完成光照区的分类。然后参照光照区的分类结果，补选阴影区训练场地，进行统计、分类，完成阴影区的分类，两个分类结果叠加合成，即为统一的机助分类结果。

　　图1 分区分类法步骤图
Fig.1 Sequent map of sub-region classification method
A、TM543合成图象　　B、光照区分类结果　　C、阴影区分类结果　　D、叠加合成结果
1、水田 2、旱地 3、针叶林 4、阔叶林 5、灌木 6、草地 7、水体 8、居民地 0、未分地

　　具体分类时，有两个因素影响着分类精度：
　　（1）先验概率：一种地物的先验概率，是指该类地物面积占待分类区面积的百分比，对毕节市而言，我们以该市数年前的土地详查数据，估算各种地类的先验概率，据此进行试分类后，屏幕检查及统计检查分类结果，再对各地物先验概验率作调整修正。经验表明，先验概率，对混合象元的识别分类有程度不同的影响，如对地块小、零星分布的地类影响较大，而对地块大、分布集中的地类影响较小。
　　（2）光谱范围：理论上说，整个待分类区内所有光谱值范围内的象元都可参加各个待分地类的识别分类。然而再实际操作中，这样做的结果是把一些明显不属于某种地类的象元参加该种地类的判别计算（如建筑用地之于林地），不仅耗费了大量机时，更增大了错分的机率，影响分类精度，因此很有必要对各类地物按下列确定一个参加识别分类的各波段（组分）光谱值范围。　　　　　　　　　　　　　　　　　　Mi－aδi≤X≤Mi＋bδi
　　式中：X为待分像元的光谱值，Mi、δi分别为地类i的均值和方差，a、b为范围系数，要通过多次分类试验的结果，进行不断修改调整，直到取得最满意结果，范围系数估计需要丰富的经验，取值正确，不仅大大节省分类机时，也能提高分类精度。
　　6、分类结果的屏幕修改及后处理
　　计算机自动识别分类是根据地物的光谱特征的统计分析，计算判别把分类区每一象元归于某一地类，无论采用那一种识别分类方法，都不可能达到百分之百的分类精度，错分、漏分现象在所难免，而再完善的分类器也不可能百分之百地完成待分类图象的分类，总会存在一定比例的未分地板。而人眼以其对色调和色彩的敏感，在不造成疲劳的前提下，也能较为准确地在遥感图象上判别地物，因而在自动分类后，辅以屏幕人工判别分类、修改，可以修正大部分错分象元、判断未分象元的归属，从而完善分类结果，提高分类精度，具体做法有三。
　　（1）将遥感图象与分类结果图象分左右显示在屏幕上，两图象上光标点的位置是一一对应的同位置点，这样可以逐个象元检查，人工纠正错分象元，判别末分象元。
　　（2）专题图件辅助判别。利用自主开发的软件，在屏幕上左边显示遥感图象，中间显示专题图象，右边显示分类图象。专题图象可以是地形图、地质、土壤、行政等各种图件。引入专家知识，在对地物的光谱特征，生长环境等知识充分掌握的前提下，如水田仅在一定海拔高度以下分布、某林种只在某种地质母岩分布区生长等。增长判别依据，减少由于主观性造成的错判，这时候，需要操作人员有丰富的经验、广博的知识。
　　（3）任意窗口批处理。在某一任意窗口内成批地判别和修改错分、漏分象元。如毕节市TM图象是8月份获取的，处于水稻生长期，水稻的光谱特征与各种林地有不同程度的相似性，在分类结果上，水田区内出现针叶林、灌木林等几种类别显然属错分，这时可用批处理方法进行修正。
　　在完成自动识别分类及屏幕修改之后，将细分的同类地物合并得到最终的分类结果。
　　7、精度分析
　　分类过程中光照区以水田、旱地（耕种旱地、轮闲旱地）、针叶林、阔叶林、灌木林、灌木丛、草地、水体、居民地、难利用地等10个地类共149个训练样本图斑，阴影区以旱地、针叶林、灌木、草地、难利用地5个地类共50个训练样本参加自动识别分类。仍以这些训练样本来测试分类结果的精度，见表1、2。
　　据表1，光照区的分类总精度达到83.16%，单个地类中尤以水田、水体、居民地的精度为高，达到97%以上；旱地、灌木次之，83-86%；草地、难利用地（以裸露石山为主）与旱地，由于光谱特征有着一定程度的类似，加之高原山区地块零碎，这三种地类之间存在混分现象；阔叶林很难取得大而纯的训练样本，光谱特征又与灌木极为相似且先验概率小，故样本中大部分被分成灌木。据表2，阴影区总精度为64.45%，以旱地的分类精度最高，达78.92%；灌木达71.07%；其他三类相对较低。从最终分类结果图来看，分区分类辅以屏幕人工判别分类及专题图件辅助判别可以有效地解决山区遥感图象的分类问题。

　　8、结语
　　九十年代以来，笔者集多年高原山区遥感分类的实践，提出分区分类法，一九九四年起用于贵州高原山区十余个县市的土地利用遥感调查分类。在贵州这样的高原山区，山高坡陡、地块零碎，遥感图象上表现为大量的阴影和混合象元，利用分区分类法辅以屏幕人工判别分类及专题图件辅助判别可以有效地解决山区遥感图象的分类问题，分类精度能满足山区土地利用调查要求。十余个市县的分类结果得到好评和认可。

参考文献：
[1] 胡德永，王杰生等，用于土地利用分类的计算机复合分层分类方法，环境遥感，4（4），1989.
[2] 潘贤章，曾志远，长江三峡地区资源遥感处理中的几个技术难题，环境遥感，9（3），1994.
[3] 塔西浦拉提.特依拜，利用分维特征量提高土地覆盖分类精度的研究，环境遥感，9（2），1994.
[4] 章杨清，刘政凯，利用分维向量改进神经网络在遥感模式识别中的分类精度，环境遥感，9（1），1994.
[5] Fangju Wang，Fuzzy Supervised classification of Remote Sensing images，IEEE Trans.Geosci.Remote Sensing，Vol.28，No.2，March 1990.
[6] T.Yoshida，S.Omato，Neural Network Approach to Land Cover Mapping，IEEE Trans.Geosci.Remote Sensing，Vol.32，No.5，September 1995.
[7] J.D.Paola，R.A.Schowengerdt，A Detailed Comparison of Back-propagation Neural network and Maximum-likelihood Classifiers for Urban land Use classification，Trans.Geosci.Remote Sensing，Vol.33，No.4，July 1995.