摘要：本文是以面向對象的方法，高分辨率遙感影像為數據源，利用監督分類和基于專家知識的決策樹分類對研究區進行城市土地利用類型分類及對分類結果進行比較。實驗證明，對于高分辨率遙感影像來說，以選擇訓練樣區為基礎的監督分類精度要高于結合專家知識的決策樹分類效果。

　　關鍵字：SPOT影像,監督分類,決策樹分類,Envi,分類比較

　　1引言

　　隨著深圳特特區一體化和城市化的快速發展，如何最大限度地利用城市未利用地，對城市發展及資源的優化配置有著極其重要的意義，遙感技術的發展大大提升了人類對地球環境的認知能力，是目前人類改造世界積極有效的依據和工具。遙感技術對城市未利用地如裸地、臨時建筑、水體、閑置綠地等的提取提供了準確高效的方法，能有效地優化資源配置。

　　2本文用的數據及方法

　　本文利用法國SPOT-5衛星影像數據，借助Envi軟件來實現對影像進行所需地物的提取。SPOT-5衛星是2002年5月4日由法國阿里安-4火箭發射入軌的，是法國空間局SPOT衛星系列中的最后一顆，其獲取的影像較好地兼有高分辨率和大面積的技術優勢，已被國土資源部列為較大比例尺土地利用調查、土地利用信息系統數據更新的主要衛星遙感影像。如何基于SPOT-5影像對地物進行解譯，對地物進行準確的分類，從而輔助城市發展戰略的規劃，具有較為重要的意義。

　　SPOT-5衛星遙感數據特點：(1)采用新的技術，提高圖像的幾何精度，達到更高的地面分辨率;(2)采用12000 像元的CCD 探測器，以維持60km的地面數據寬度;(3)保留傳感器的側視功能,以增強重復觀測能力;(4)增加沿軌道方向的立體成像功能;(5)在數據壓縮、存儲和傳輸等一系列方面都有了顯著的提高[1]。

　　SPOT遙感影像特點：SPOT影像數據是由SPOT衛星上的可見光高分辨率傳感器HRV獲得的。HRV是一種推掃式掃描儀,采用了電荷耦合器件技術(CCD),具有良好的攝像質量。HRV有單波段全色和多光譜兩種工作方式,相應獲得兩種數據:XS(XS1，XS2，XS3，XS4)和PAN。SPOT數據波段見表1。

 

　　3本文的技術流程

　　本文的技術流程如下圖：

 

　　4 數據來源及分類過程

　　本文選取深圳市寶安區某區域SPOT影像作為基本數據源，進行預處理和分類比較。影像具有紅、綠、近紅外、全色四個波段。

　　先將數據進行幾何校正、噪聲去除、影像配準、用HIS方法將多光譜與全色波段進行影像融合等預處理。預處理之后的影像如圖1。

 

　　4.1 監督分類

　　監督分類又稱作訓練分類法，用被確認類別的樣本像元去識別其他未知類別像元的過程。它就是在分類之前通過目視判讀和野外調查，對遙感圖像上某些樣區中影像地物類別屬性有了先驗知識，對每一種類別選取一定數量的訓練樣本，計算機計算每種訓練樣區的統計或其它信息，同時用這些種子類別對判決函數進行訓練，使其符合于對各種子類別分類的要求，隨后用訓練好的判決函數去對其他待分數據進行分類。使每個像元和訓練樣本作比較，按不同的規則將其劃分到和其最相似的樣本類，以此來完成對整個圖像的分類。

　　本文根據典型區域選擇訓練樣區，建立分類體系分別為水體、道路、園地、建筑物、耕地、裸地、綠地(綠地根據地物分布特征分為道路綠化帶、公園和山林地)，選擇分類器為最大似然法，分類結果如下：

 

　　4.2 根據專家知識的決策樹分類

　　決策樹分類法具有靈活、直觀、清晰、強健、運算效率高等特點，在遙感分類問題上表現出巨大優勢。它是遙感圖像分類中的一種分層處理結構。其基本思想是通過一些判斷條件對原始數據集逐步進行細化。其中，每一個分叉點代表一個決策判斷條件，每個分叉點下有2個葉節點，分別代表滿足和不滿足條件的類別[3]。這種方法不但不需要依賴任何先驗的統計假設條件，而且可方便地利用除亮度值以外的其它知識，所以在遙感影像分類和專題信息提取具有廣泛的應用價值。有關SPOT5影像的研究，張曉星用專家分類方法應用在森林資源清查中[4]，楊敏、徐冬寅等利用SPOT5遙感圖像數據應用在礦山地質環境調查[5]，張艮龍、馮益明等探討了基于SPOT5遙感影像的小班區劃[6]，本文總結他們的方法，利用SPOT5影像應用于土地分類。

　　地物光譜特征，簡要總結如下：

　　1)居民地在綠光波段反射率最高;

　　2)水體在近紅外和短波紅外反射率明顯低于其他地物反射率;

　　3)植被提取采取耕地和綠地在近紅外反射率高，但前者在短波紅外反射率最高;

　　4)道路在紅光波段反射率最高;

　　5)居民地、城市建筑物在綠光波段反射率最高;

　　其中，選擇的部分特征參數如下[7]：

 

　　根據研究區特征及其地物光譜特征，自定義決策樹分類規則，分類結果如下：

 

　　5 分類的精度評價

　　由于影像地形的復雜性，任何軟件都不可能完全精確的分類。通過評估可以判斷所用分類器是否適合于特定的影像，所以評估分類結果的質量是極其重要的。本文通過分類穩定統計表和誤差矩陣來評定分類的精度。且參照08年該區域第二次全國土地大調查數據，以水體為例：選取試驗中232個水體對象，監督分類中：其中水體為211個，山體陰影為6個，園地為5個，精度達到91%;而利用目視解譯可以發現，基于專家知識的決策樹分類把許多山體陰影都判斷成了水體，精度較低，這是由于地物紋理信息以及地物之間光譜和相元的相似性，導致其分類結果的誤差。因此實驗證明，針對SPOT5高分辨率影像來說，對SPOT5高分辨率影像，利用監督分類的方法精度較基于專家知識的決策樹的分類精度高。

　　6 參考文獻

　　[1] 廖瑛.SPOT-5遙感數據特性及其圖像處理關鍵技術探討[J].Science and Technology Innovation Herald科技創新導報,2009 NO.01:233-234.

　　[2]王曉怡，王艷澤等.基于決策樹技術的城市建設用地信息提取方法研究[J].資源開發與市場Resource Development&Market,2009.25(3):226-228.

　　[3]陳華麗,陳植華,丁國平.用基于知識的決策樹方法分層提取礦區土地類型--以湖北大冶為例[J]. 國土資源遙感,2004,(3):49-53.

　　[4]張曉星，專家分類方法在森林資源清查中的應用研究[J].林業資源管理FOREST RESOURCES MANAFGEMENT,2010,2(1):118-122.

　　[5]楊敏，徐冬寅等.Spot5遙感圖像數據在礦山地質環境調查中的應用研究[J].黃金GOLD，2010,1(31):51-55.

　　[6]張艮龍，馮益明等.基于SPOT-5遙感影像的小班區劃探討[J].浙江林學院學報，2010,27(2)299-303.

　　[7]黃亮，左小青等.面向對象的道路信息識別提取分析[J].昆明理工大學學報(理工版)，2010,35(6)：6-10