遥感技术在我国土地利用覆盖中的应用研究

遥感技术在我国土地利用/覆盖中的应用研究

土地是一个综合的自然地理学概念，是包括地表某一地段各种自然要素相互作用及人类活动影响在内的自然综合体。它是人类生存的基础，是人类活动最活跃的场所，地球表层系统最突出的景观标志是土地利用与土地覆盖。土地利用/覆盖变化（LUCC）研究是全球变化研究的核心内容，也是区域生态环境建设的重要内容，在全球环境变化和可持续发展中占有重要的地位。土地利用是人类在生产活动中为达到一定的经济效益、社会效益和生态效益，对土地资源的开发、经营、使用方式的总称；土地覆盖是指地球陆地表层和近地面层的自然状态，是自然过程和人类活动共同作用的结果（国际地圈与生物圈计划”（IGBP）和“全球环境变化人文计划”（HDP））。从两者的定义可以看出，土地利用和土地覆盖既有一定的联系又有差别。土地利用重点是表示与土地相结合的人类活动而产生的不同利用方式。土地覆盖主要是表示地球表面存在的不同类型的覆盖特征，强调的是土地的表面形状 。

随着科学技术的发展，越来越多的计算机技术被用于地理学研究中，遥感虽然才经历了四十年左右的发展，其发展速度之快和应用领域之广泛足以让我们认识到它的作用之大。遥感反映的是地表及地下一定深度环境信息的综合特征，是地表景观的缩影。国外利用遥感技术对土地覆盖和土地利用的研究至少可以追溯到20世纪20年代。用知网的期刊高级检索功能，输入主题土地利用/覆盖并含遥感，截止2015年4月4日，可以得到355篇期刊论文，时间跨度从2001年到2015年，虽然和遥感起步的时间有一定距离，但遥感在土地利用/土地覆盖中的发展是迅速的。

应用遥感技术监测土地覆盖，其实质就是根据不同时相的遥感影像，通过信息提取，快速准确地监测获取各时段的土地覆盖信息及其变化情况。利用遥感手段获得土地利用/土地覆盖信息的一个重要环节就是分类。本文主要从传统分类方法、传统分类方法的改进、其他新分类方法3大类来进行论述。

一 分类方法

1 传统的分类方法 1.1 目视解译

目视解译是根据确定的分类系统和解译标志以及解译经验，对图像进行判读等方法来获取土地利用/覆盖的分类，这种方法目前仍被广泛使用。它是人们通过遥感技术获取目标信息最直接、最基本的方法。目视解译具有简单易操作，利于空间信息提取，灵活性强等优点，但是耗时长，而且由于解译人员的专业知识水平以及解译经验的限制，解译结果也会存在差异，受个人主观因素影响大。

1.2 基于统计分析的分类方法

基于统计的分类方法是在数理统计的基础上，进行遥感图像的自动分类，因而又称为计算机自动分类方法。它主要包括监督分类和非监督分类。

1.2.1 监督分类 也称训练场地法，是指通过选择具有代表已知地面覆盖类型的训练样本区，用训练样本区中已知地面各类地物样本的光谱特性来“训练”计算机，获得识别各类地物的判别函数或模式（如均值、方差、判别域等），并以此对未知地区的像元进行分类处理，分别归入到已知具有最大相似度的类别中。监督分类的主要方法有最小距离法、最大似然法、神经元网络分类法、Parallelpip 、马氏距离法等。

1.2.2 非监督分类 也称为聚类分析或点群分析，是指 在没有先验类别（训练场地）作为样本的条件下，即事 先对分类过程不施加任何的先验知识，而主要根据统 计性判别准则，以像元间相似度的大小进行归类合并的方法。非监督分类的主要方法有动态聚类、模糊聚类、系统聚类和分裂法。

由于监督分类与非监督分类都是单一的依靠地物的光谱特征。因此，必然导致分类精度不高，分类效果不理想。随着计算机遥感技术的不断发展，传统的分类方法不断得到改进和发展。

2 传统的分类方法的改进 2.1 人工智能分类

目前，人工智能分类方法在遥感 图像分类中得到了广泛的应用。常用的算法有神经网络分类、决策树分类、专家系统分类法、遗传算法。

2.1.1神经网络分类 人工神经网络(ANN)，是以模拟人脑神经系统的结构和功能为基础而建立的一种数据分析处理系统，具有对信息的分布式存储，并行处理、自组织、自学习等特点，通过许多具有简单处理能力的神经元的复合作用

而具有复杂的非线性映射能力。目前，常用的神经网络模型有反向传播网络(BP)、自组织特征映射网络、径向基函数神经网络、自适应共振神经网络(ART)等。近年来，人工神经网络在土地覆盖和土地利用方面受到了广泛的应用。陈玉敏采用典型的前馈型网络（BP 神经元网络）模型对遥感影像进行分类处理，在BP算法分类中正确率达到90.87%。

2.1.2 决策树分类 决策树是一类相对比较简单的分类技术，它的决策依赖于1 个由问题和答案构成的树。决策树由1个根结点、一系列内部结点及终极结点组成，每1 结点只有1个父结点和2 个或多个子结点。决策树的每1个内部结点对应1个非类别属性或属性的集合，每条边对应该属性的每个可能值。决策树的叶结点对应1个类别属性值，不同的叶结点可以对应相同的类别属性值。余晶等以新疆乌鲁木齐市部分区域为研究区，运用决策树分类法对Landsat-7 影像进行分类，将分类结果与最大似然法分类结果相比较，结果表明，决策树分类较最大似然法分类的精度提高了5.66%，Kappa 系数提高了7.89%。

2.1.3 专家系统分类 专家系统是一种智能化的计算机程序或软件系统，能够像专家一样分析和解决复杂的实际问题。专家系统分类的关键是知识的发现和推理技术的运用 。它主要采用人工智能语言如：C、 LKSP 、PROLOG 语言等，将某一领域的专家分析方法 或经验，对地物的多种属性进行分析、判断，从而确定各地物的归属。

2.1.4遗传算法 其基本思想是模拟由一些基因串控制的生物群的进化过程，把该过程的原理应用到搜索算法中，以提高寻优的速度和质量 。由于遥感图像具有多波段、数据量大的特点，因此，遗传算法很难直接针对数据进行处理，一般是通过建立1个可以使用遗传算法进化的模型来对遥感图像进行分类。姚谦等 以江苏省扬州地区遥感图像分类为例，采用遗传算法选取LVQ2神经网络的初始权值，并通过与标准LVQ 神经网络、最大似然法进行比较，结果表明，利用遗传算法的LVQ2 神经网络在分类精度上有了一定的提高。

2.2支撑向量机分类

它是一种基于统计学习理论的新型机器学习算法，通过解算最优化问题，在高维特征空间中寻找最优分类超平面，从而解决复杂数据的分类及回归问题。朱海洲等从支持向量机基本理论出发，建立了一种基于支持向量机的遥感图像分类

器，实验结果表明，利用SVM 进行遥感图像分类的精度明显优于神经网络算法和最大似然算法分类精度，是一种有效的遥感图像分类方法。

3 其他分类方法 3.1遥感与GIS 结合法

GIS 具有强大的空间数据处理和分析功能，遥感 图像在GIS 支持下能够获得较高的分类精度。将遥感与GIS 结合，建立土地覆盖数据库，是当前土地覆盖研 究的热点 。黎夏 提出了一种利用GIS 技术来提取形状信息和改善分类精度的新方法，该方法有利于区分容易混淆的地物。

3.2 分层分类法

分层分类法是根据各类目标的光谱、时间、空间等不同特征，采取相应的信息提取方法，分别建立不同的专题信息层，最后把各专题层合并汇总得到整体分类图。它避免了一次划分多种类别方法在选择波段组合上的矛盾。赵书河等 曾利用分层分类方法在基于遥感的基础上结合GIS，分析县级土地利用时空变化，解决了遥感图像的某些波段存在的“异物同谱和同物异谱”现象，大大提高了分类精度。

3.3 模糊数学分类法

它是一种以模糊集合论作为基础，针对不确定性事物的分析方法，和普通集合论中事物归属的绝对化不同。郑文娟 提出一种面向对象的模糊分类方法，该方法使土地利用标准中可分类别的总体分类精度达到70%以上，部分类别达到80% 以上。

3.4 面向对象的分类方法

面向对象的分类方法是一种面向对象的影像分割技术，其最重要的特点就是分类的最小单元是由影像分割得到的同质影像对象（图斑），而不再是单个像素，可以实现较高层次的遥感图像分类和目标地物提取。对面向对象信息提取来说，目前具有代表性的是“面向地块”的图像分类，它是一种空间分片法，但它不是按光谱均一性来分片，而是按地块来分片，把地块作为基本分类单元。此方法需要集成遥感图像和数字化的矢量数据，要用GIS 功能或RS 和GIS 的集成系统，先将栅格图像和矢量图形或矢量数据进行联合处理，把图像先分成地块，然后进