姚鑫 左小清 郭文浩
摘 要：土地利用的分類精度對土地資源開發有很大影響。選取雄安新區2017年5月12日的高分一號影像作為試驗數據，分別運用監督分類方法中的最大似然分類器和面向對象的分類方法對影像進行土地利用分類，得到研究區域的土地利用分類情況。面向對象分類方法的Kappa係數和總體分類精度都高於最大似然分類器的分類結果，分別達到了0.968 8和97.500 0%。實驗結果表明：針對高分一號影像，對比最大似然分類器，使用面向對象的分類能提高研究區域的土地利用分類精度。面向對象分類結果可以為雄安新區的土地利用分類提供參考。
關鍵詞：雄安新區；高分一號衛星影像；土地利用分類；監督分類；面向對象分類
DOI：10.11907/rjdk.172723
中圖分類號：TP317.4
文獻標識碼：A 文章編號：1672-7800（2018）004-0212-04
Abstract：The accuracy of land use classification has a great impact on the development of land resources. In this paper， we select GF-1 image of Xiongan new area in May 12，2017 as the test data， and use the maximum likelihood classifier of supervised classification and object-oriented classification method respectively to do the classification of land use. The classification of land use in the study area is obtained. The Kappa coefficient and the overall classification accuracy of the object-oriented classification method are higher than the classification results of the maximum likelihood classifier， and they reach to 0.968 8 and 97.500 0% respectively. The results of the experiment show that： for GF-1 image， by comparing the maximum likelihood classifier， the method of using object-oriented classification can improve the land use classification accuracy of the study area. The results of object-oriented classification can provide reference for land use classification in Xiongan new area.
Key Words：Xiongan new area； GF-1 satellite； land use classification； supervised classification； object-oriented classification
0 引言
隨著社會建設迅速發展，土地利用成為社會發展過程中重要的研究內容[1]。土地利用與人類生產、生活息息相關，相互影響[2-3]。土地利用類型有建設用地、植被、裸地、水體以及道路等，對這些土地利用類型的分類提取，有助於土地利用規劃和土地資源開發。對研究區域提前進行土地利用分類研究，有助於其後期規劃以及發展。因此一個好的土地利用分類方法顯得很重要[4]。
高分一號衛星自從2013年發射成功，就改變了我國長期以來依靠購買國外衛星數據的局面[5-6]。 高分一號衛星提高了我國高解析度數據自給率，具有覆蓋範圍廣、空間解析度高、時間解析度高等優點[7-9]。高分一號衛星通過增加高解析度多光譜相機，使得解析度得到很大提高。
本文選取雄安新區2017年5月12日的高分一號影像作為試驗數據，分別應用監督分類和面向對象的分類方法對影像進行土地利用分類，得到雄安新區的各個土地利用類型情況。對土地利用分類的研究有助於雄安新區的生態保護和生態建設，對於新區建設具有非常重要的意義。
1 研究區概況與數據源
1.1 研究區概況
雄安新區是繼深圳特區和上海浦東新區之後，國家第三個重點發展的新區，隸屬於河北省，由雄縣、容城縣以及安新縣組成，地處115°35′～116°24′E與38°42′～39°12′N之間。雄安新區生態環境良好，交通便利，有巨大的發展空間，是河北省建設中一顆冉冉之星，其遠期控制區面積約2 000km2，潛力不可估量。
其中，雄縣歷史悠久，距離首都北京108km，總面積達524km2。2007年，雄縣還被命名為「中國古地道文化之鄉」、「中國古地道文化研究中心」。容城具有深厚文化底蘊，距離北京和天津都是120km。安新縣地理位置極佳，總面積達738.6km2。雄縣、容城縣以及安新縣都位於我國河北省保定市，具有歷史悠久、環境優美以及地理位置良好的特點，共同組成了發展起點高的雄安新區。
雄安新區還在發展建設的起步階段，發展任務是建設綠色智慧新城，打造優美生態環境，構建成為水城共融、藍綠交織的生態城市；發展高端創新型產業，培育新動能；通過建設優質公共設施，創建城市管理新樣板，從而提供優質的公共服務；通過打造快捷的交通網絡，讓人們生活更加便捷；擴大全方位對外開放。對其進行土地利用分類研究有助於後期建設，所以本次選擇了雄安新區作為研究區。圖1為研究區的地理位置。
1.2 數據選取
本文所用數據是2017年5月12日的GF1-WFV3數據，其編號為L1A0002355576。研究區域影像的空間解析度為10m。高分一號是我國第一顆具有高解析度的衛星，於2013年底正式開始運行，具有範圍廣、空間解析度高、時間解析度高等優點。高分一號衛星的特點在於增加高解析度多光譜相機，多光譜相機的幅寬有800km，遠遠超過之前的SPOT6，其解析度得到了很大提高。高分一號衛星在擁有相似空間解析度的情況下，如果重複地對一個地方照相，只需要花更少時間就能完成。因此可以說，高分一號衛星集時間短、範圍廣、效率高、影像更清晰等優點於一身。
高分一號衛星使我國有了高解析度數據的自給能力。本文選取雄安新區2017年5月12日的GF1-WFV3數據作為試驗數據，試驗中還用到河北省行政區劃矢量數據，利用ARCGIS得到研究區域的矢量數據。
2 研究方法
2.1 技術路線
如圖2，對獲取的雄安新區2017年5月12日影像進行數據預處理，將經過處理的影像分別使用監督分類中的最大似然分類器和面向對象的分類完成研究區域土地利用分類，並得到兩種分類的分類精度評價結果，根據分類精度對比分析兩種分類方法，總結優缺點，得出更適用於處理高解析度遙感影像的方法。
2.2 數據預處理
由於選取的原始遙感影像會有許多干擾因素，導致其存在一定誤差，例如傳感器自身原因、大氣、衛星、地形等，所以要先通過試驗數據預處理降低這些干擾。為了排除地形、大氣干擾的影響，得到更加準確的試驗數據，進行大氣校正處理，這是數據預處理中一個重要的步驟。為了更正由於地形變化、傳感器、地勢等因素引起的影像位置變化，進行正射校正。
由於獲得的高分一號遙感影像範圍大於研究區域，本文對其進行圖像裁剪。利用ENVI，根據雄安新區的矢量文件對遙感影像進行不規則裁剪，得到研究區域的遙感影像，從而減小數據量，方便後期工作進行。剪裁完成後影像的光譜值穩定，沒有發生變化，裁剪合格，可用於試驗研究。
2.3 方法
2.3.1 監督分類
監督分類方法，也被稱作訓練場地法，它將在研究區域範圍內選取的訓練場地作為試驗樣本，根據這些確認類型的試驗樣本，識別不在樣本範圍內像元的類型[10]。監督分類的種類有神經元網絡分類、模糊分類、平行六面體分類以及最大似然分類等，本文選擇最大似然分類器對研究區域進行監督分類。
雄安新區的土地利用類型有裸地、建設用地、植被、水體以及道路。本文創建該5種訓練樣本類型，對應顏色分別是黃色、紅色、綠色、藍色以及灰色，並且分別畫出對應的感興趣區域。完成研究區域影像感興趣區域的繪製，進行感興趣區域的可分離性計算。當計算結果的參數值大於1.9時，表明此時兩種訓練樣本相對彼此來說選擇較好，便可認為符合要求；當參數值在1.0～1.8之間時，說明樣本選取不夠好，需重新選擇訓練樣本，再進行分離度計算，直到參數值大於1.8為止；當參數值小於1.0時，應該將訓練樣本合併。試驗中，建設用地與道路的計算結果參數值比1.8小，經過再次選擇感興趣區域，反覆修改，直到參數值大於1.8。
本文根據訓練樣本，利用監督分類中的最大似然分類器對雄安新區進行分類，得到雄安新區土地利用現狀監督分類圖（見圖3，彩圖見封二）。對比雄安新區遙感影像圖，可以發現，利用監督分類能夠很好地區分水體和植被的邊界，提取效果較好。但由於光譜特徵相似，監督分類的分類依據又是光譜特徵，結果圖3中道路與建設用地的錯分現象比較嚴重；建設用地與裸地之間由於光譜特徵比較相似，不易進行分類，所以分類結果就出現了建設用地被誤分成裸地的現象，結果不如預期好。
2.3.2 面向對象的分類
面向對象的分類是先對研究區域進行分割，然後對形成的各個小單元進行研究，這是面向對象的分類方法與傳統方法的最大不同所在，傳統方法的研究對象是一個一個的像元[11]。傳統方法僅僅考慮到研究區域的光譜特徵[12-14]，面向對象的分類還考慮到研究區域的空間等其它特徵。面向對象的分類是把影像分成許多個性質相同的小單元，再把得到的小單元作為試驗的基本單元。監督分類方法與之不同的是，其最基本研究對象是一個一個的原始像元。面向對象的分類考慮到研究區域的形狀，甚至還包括拓撲、語義等特徵，適用於高解析度遙感影像分類。面向對象的分類方法完成分割之後，可以發現各個小單元都比較規則完整；面向對象分類的第一步也是最關鍵一步就是把影像分成一個一個規則的小單元，要想後面的分類精度高，就一定要將圖像分割這一步做好，所以在面向對象分類中圖像分割比較重要。
面向對象的分類要對影像進行圖像分割處理，在ENVI中打開研究區域的影像數據，選擇研究區域邊界的矢量文件作為掩膜文件，自動選擇（在有中心波長的情況下）紅色和近紅外波段計算NDVI。選擇4、3、2波段組合方式，經過觀察比較，最終設置分割尺度為50，合併尺度為80，完成對影像的分割與合併。
面向對象的分類，土地利用類型還是分為5類：建設用地、植被、裸地、水體以及道路。在分割圖上給這幾個類型分別選擇一些樣本。樣本選擇好之後，對影像進行土地利用分類處理，本文選擇支持向量機分類器，其所包含的幾個內容是：結構風險學說、核空間學說以及二次優化學說等。統計學習學說後來衍生出現在使用的支持向量機分類器。支持向量機分類器也是面向對象中比較常用的，完成對研究區域的面向對象分類，得到了土地利用類型的分類結果，見圖4（彩圖見封二）。
3 結果分析
通過對比最大似然分類器和面向對象分類的分類結果中Kappa係數、總體精度以及製圖精度，可以看到：第一種最大似然分類器分類結果中Kappa係數以及總體精度分別是0.812 5、85.000 0%，從數據看出監督分類中的最大似然分類器對高解析度影像進行分類的總體精度不高；第二種面向對象分類，其Kappa係數以及總體精度分別是0.968 8、97.500 0%，面向對象分類中的支持向量機分類器對高解析度影像進行分類，總體精度比較高。Kappa係數可以評價整個分類圖的精度[15]；用被分類正確的像元個數對比上影像總的像元個數，得到的結果就是總體精度。面向對象方法的Kappa係數和總體精度分別比最大似然分類器分類結果的Kappa係數和總體精度高，這是由於最大似然分類器對道路和建設用地分類的精度都偏低，導致其分類結果的總體精度不高。
表1是使用面向對象和監督分類分別進行試驗的5種土地利用類型的精度結果，可以看到，水體、植被、裸地使用這兩種方法進行分類的精度都大於90%，有些接近100%，說明面向對象分類和監督分類對水體、植被、裸地這3種土地類型的分類都是符合分類精度要求的。這是由於該3種土地類型的光譜特徵都較明顯，容易與周圍其它土地類型區分開。通過觀察表1可以發現，監督分類方法對道路和裸地的試驗精度都小於80%，精度不高，監督分類對這兩種土地利用類型的分類中存在不足。這是由於這兩種土地類型的光譜特徵不夠明顯，容易與周圍其它土地類型混淆；而面向對象對這兩種土地類型的實驗結果精度明顯高於最大似然分類器的分類精度，在建設用地和道路的分類問題上，面向對象法分類精度更好。
通過以上分析可以總結出，利用高解析度影像進行土地利用分類試驗，對水體、植被以及裸地進行分類時，最大似然分類器和面向對象分類都適用；而對道路和建設用地進行分類時，面向對象法分類精度更高，更能滿足總體精度以及製圖精度的要求。
4 結語
本文將雄安新區作為試驗區域，以雄安新區2017年5月12日的GF1-WFV3數據作為試驗數據，使用ENVI軟體對其分別採用監督分類中的最大似然分類器和面向對象法進行土地利用類型分類處理。分類結果精度表明：與最大似然分類器相比，面向對象法試驗得到的精度更高，Kappa係數和總體精度分別為0.968 8和97.500 0%。對高解析度影像進行土地利用分類試驗，面向對象法是一種更有效的方法。
兩種方法對水體、植被以及裸地進行分類時，精度都比較高，但是對道路和裸地進行分類時，最大似然分類器的分類精度沒有面向對象法的分類精度高。值得注意的是，面向對象分類對5種土地利用類型進行分類，道路分類精度最低。在以後的研究中，道路分類精度有待提高。本文研究結果可以為雄安新區的土地利用分類提供參考，有助於其建設綠色智慧新城，打造優美生態環境。
參考文獻：
[1] 吳健生，潘況一，彭建，等.基於QUEST決策樹的遙感影像土地利用分類——以雲南省麗江市為例[J].地理研究，2012，31（11）：1973-1980.
[2] 劉麗雅.基於國產GF-1的高寒山區土地利用/覆蓋分類研究[D].杭州：浙江大學，2016.
[3] 王勝男，汪西原.基於ENVI的高解析度遙感圖像土地利用分類方法研究[J].數位技術與應用，2016（10）：105-106.
[4] 成思敏.基於ArcGIS與ENVI對四川省成都市1990年土地利用分類[C].武漢：科技研究——2015科技產業發展與建設成就研討會論文集（下），2015.
[5] 熊子瀟.基於高分一號遙感影像的土地覆蓋信息提取技術研究[D].南昌：東華理工大學，2016.
[6] 程燦然，楊樹文，石鵬卿.基於高分一號衛星遙感影像的城市綠地提取對比研究[J].礦山測量，2017，45（3）：12-16.
[7] 武笑天.基於高分一號和Landsat-8的昌吉市小麥面積提取研究[D].烏魯木齊：新疆農業大學，2016.
[8] 郭會敏，洪運富，李營，等.基於高分一號衛星影像的多種融合方法比較[J].地理與地理信息科學，2015，31（1）：23-26+40.
[9] 陳陽，趙俊三，陳應躍.基於ENVI的高解析度遙感影像城市綠地信息提取研究[J].測繪工程，2015，24（4）：33-36.
[10] 金傑，朱海岩，李子瀟，等.ENVI遙感圖像處理中幾種監督分類方法的比較[J].水利科技與經濟，2014，20（1）：146-148+160.
[11] 徐菲楠，祁元，王建華，等.面向對象的黑河下遊河岸林植被覆蓋信息分類[J].遙感技術與應用，2015，30（5）：996-1005.
[12] WANG Y T， AINSWORTH T L， LEE J S. Estimation of the orientation and shape parameters of canopy scatterers from POLSAR observations[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2012，5（3）：835-847.
[13] CLAPHAM JR W B. Continuum-based classification of remotely sensed imagery to describe urban sprawl on a watershed scale[J]. Remote Sensing of Environment，2003，86（3）：322-340.
[14] POWELL R L， ROBERTS D A， DENNISON P E， et al. Sub-pixel mapping of urban land cover using multiple endmember spectral mixture analysis： Manaus， Brazil[J]. Remote Sensing of Environment，2007，106（2）：253-267.
[15] 胡茂瑩.基於高分二號遙感影像面向對象的城市房屋信息提取方法研究[D].長春：吉林大學，2016.
（責任編輯：何 麗）
摘 要：土地利用的分類精度對土地資源開發有很大影響。選取雄安新區2017年5月12日的高分一號影像作為試驗數據，分別運用監督分類方法中的最大似然分類器和面向對象的分類方法對影像進行土地利用分類，得到研究區域的土地利用分類情況。面向對象分類方法的Kappa係數和總體分類精度都高於最大似然分類器的分類結果，分別達到了0.968 8和97.500 0%。實驗結果表明：針對高分一號影像，對比最大似然分類器，使用面向對象的分類能提高研究區域的土地利用分類精度。面向對象分類結果可以為雄安新區的土地利用分類提供參考。
關鍵詞：雄安新區；高分一號衛星影像；土地利用分類；監督分類；面向對象分類
DOI：10.11907/rjdk.172723
中圖分類號：TP317.4
文獻標識碼：A 文章編號：1672-7800（2018）004-0212-04
Abstract：The accuracy of land use classification has a great impact on the development of land resources. In this paper， we select GF-1 image of Xiongan new area in May 12，2017 as the test data， and use the maximum likelihood classifier of supervised classification and object-oriented classification method respectively to do the classification of land use. The classification of land use in the study area is obtained. The Kappa coefficient and the overall classification accuracy of the object-oriented classification method are higher than the classification results of the maximum likelihood classifier， and they reach to 0.968 8 and 97.500 0% respectively. The results of the experiment show that： for GF-1 image， by comparing the maximum likelihood classifier， the method of using object-oriented classification can improve the land use classification accuracy of the study area. The results of object-oriented classification can provide reference for land use classification in Xiongan new area.
Key Words：Xiongan new area； GF-1 satellite； land use classification； supervised classification； object-oriented classification
0 引言
隨著社會建設迅速發展，土地利用成為社會發展過程中重要的研究內容[1]。土地利用與人類生產、生活息息相關，相互影響[2-3]。土地利用類型有建設用地、植被、裸地、水體以及道路等，對這些土地利用類型的分類提取，有助於土地利用規劃和土地資源開發。對研究區域提前進行土地利用分類研究，有助於其後期規劃以及發展。因此一個好的土地利用分類方法顯得很重要[4]。
高分一號衛星自從2013年發射成功，就改變了我國長期以來依靠購買國外衛星數據的局面[5-6]。 高分一號衛星提高了我國高解析度數據自給率，具有覆蓋範圍廣、空間解析度高、時間解析度高等優點[7-9]。高分一號衛星通過增加高解析度多光譜相機，使得解析度得到很大提高。
本文選取雄安新區2017年5月12日的高分一號影像作為試驗數據，分別應用監督分類和面向對象的分類方法對影像進行土地利用分類，得到雄安新區的各個土地利用類型情況。對土地利用分類的研究有助於雄安新區的生態保護和生態建設，對於新區建設具有非常重要的意義。
1 研究區概況與數據源
1.1 研究區概況
雄安新區是繼深圳特區和上海浦東新區之後，國家第三個重點發展的新區，隸屬於河北省，由雄縣、容城縣以及安新縣組成，地處115°35′～116°24′E與38°42′～39°12′N之間。雄安新區生態環境良好，交通便利，有巨大的發展空間，是河北省建設中一顆冉冉之星，其遠期控制區面積約2 000km2，潛力不可估量。
其中，雄縣歷史悠久，距離首都北京108km，總面積達524km2。2007年，雄縣還被命名為「中國古地道文化之鄉」、「中國古地道文化研究中心」。容城具有深厚文化底蘊，距離北京和天津都是120km。安新縣地理位置極佳，總面積達738.6km2。雄縣、容城縣以及安新縣都位於我國河北省保定市，具有歷史悠久、環境優美以及地理位置良好的特點，共同組成了發展起點高的雄安新區。
雄安新區還在發展建設的起步階段，發展任務是建設綠色智慧新城，打造優美生態環境，構建成為水城共融、藍綠交織的生態城市；發展高端創新型產業，培育新動能；通過建設優質公共設施，創建城市管理新樣板，從而提供優質的公共服務；通過打造快捷的交通網絡，讓人們生活更加便捷；擴大全方位對外開放。對其進行土地利用分類研究有助於後期建設，所以本次選擇了雄安新區作為研究區。圖1為研究區的地理位置。
1.2 數據選取
本文所用數據是2017年5月12日的GF1-WFV3數據，其編號為L1A0002355576。研究區域影像的空間解析度為10m。高分一號是我國第一顆具有高解析度的衛星，於2013年底正式開始運行，具有範圍廣、空間解析度高、時間解析度高等優點。高分一號衛星的特點在於增加高解析度多光譜相機，多光譜相機的幅寬有800km，遠遠超過之前的SPOT6，其解析度得到了很大提高。高分一號衛星在擁有相似空間解析度的情況下，如果重複地對一個地方照相，只需要花更少時間就能完成。因此可以說，高分一號衛星集時間短、範圍廣、效率高、影像更清晰等優點於一身。
高分一號衛星使我國有了高解析度數據的自給能力。本文選取雄安新區2017年5月12日的GF1-WFV3數據作為試驗數據，試驗中還用到河北省行政區劃矢量數據，利用ARCGIS得到研究區域的矢量數據。
2 研究方法
2.1 技術路線
如圖2，對獲取的雄安新區2017年5月12日影像進行數據預處理，將經過處理的影像分別使用監督分類中的最大似然分類器和面向對象的分類完成研究區域土地利用分類，並得到兩種分類的分類精度評價結果，根據分類精度對比分析兩種分類方法，總結優缺點，得出更適用於處理高解析度遙感影像的方法。
2.2 數據預處理
由於選取的原始遙感影像會有許多干擾因素，導致其存在一定誤差，例如傳感器自身原因、大氣、衛星、地形等，所以要先通過試驗數據預處理降低這些干擾。為了排除地形、大氣干擾的影響，得到更加準確的試驗數據，進行大氣校正處理，這是數據預處理中一個重要的步驟。為了更正由於地形變化、傳感器、地勢等因素引起的影像位置變化，進行正射校正。
由於獲得的高分一號遙感影像範圍大於研究區域，本文對其進行圖像裁剪。利用ENVI，根據雄安新區的矢量文件對遙感影像進行不規則裁剪，得到研究區域的遙感影像，從而減小數據量，方便後期工作進行。剪裁完成後影像的光譜值穩定，沒有發生變化，裁剪合格，可用於試驗研究。
2.3 方法
2.3.1 監督分類
監督分類方法，也被稱作訓練場地法，它將在研究區域範圍內選取的訓練場地作為試驗樣本，根據這些確認類型的試驗樣本，識別不在樣本範圍內像元的類型[10]。監督分類的種類有神經元網絡分類、模糊分類、平行六面體分類以及最大似然分類等，本文選擇最大似然分類器對研究區域進行監督分類。
雄安新區的土地利用類型有裸地、建設用地、植被、水體以及道路。本文創建該5種訓練樣本類型，對應顏色分別是黃色、紅色、綠色、藍色以及灰色，並且分別畫出對應的感興趣區域。完成研究區域影像感興趣區域的繪製，進行感興趣區域的可分離性計算。當計算結果的參數值大於1.9時，表明此時兩種訓練樣本相對彼此來說選擇較好，便可認為符合要求；當參數值在1.0～1.8之間時，說明樣本選取不夠好，需重新選擇訓練樣本，再進行分離度計算，直到參數值大於1.8為止；當參數值小於1.0時，應該將訓練樣本合併。試驗中，建設用地與道路的計算結果參數值比1.8小，經過再次選擇感興趣區域，反覆修改，直到參數值大於1.8。
本文根據訓練樣本，利用監督分類中的最大似然分類器對雄安新區進行分類，得到雄安新區土地利用現狀監督分類圖（見圖3，彩圖見封二）。對比雄安新區遙感影像圖，可以發現，利用監督分類能夠很好地區分水體和植被的邊界，提取效果較好。但由於光譜特徵相似，監督分類的分類依據又是光譜特徵，結果圖3中道路與建設用地的錯分現象比較嚴重；建設用地與裸地之間由於光譜特徵比較相似，不易進行分類，所以分類結果就出現了建設用地被誤分成裸地的現象，結果不如預期好。
2.3.2 面向對象的分類
面向對象的分類是先對研究區域進行分割，然後對形成的各個小單元進行研究，這是面向對象的分類方法與傳統方法的最大不同所在，傳統方法的研究對象是一個一個的像元[11]。傳統方法僅僅考慮到研究區域的光譜特徵[12-14]，面向對象的分類還考慮到研究區域的空間等其它特徵。面向對象的分類是把影像分成許多個性質相同的小單元，再把得到的小單元作為試驗的基本單元。監督分類方法與之不同的是，其最基本研究對象是一個一個的原始像元。面向對象的分類考慮到研究區域的形狀，甚至還包括拓撲、語義等特徵，適用於高解析度遙感影像分類。面向對象的分類方法完成分割之後，可以發現各個小單元都比較規則完整；面向對象分類的第一步也是最關鍵一步就是把影像分成一個一個規則的小單元，要想後面的分類精度高，就一定要將圖像分割這一步做好，所以在面向對象分類中圖像分割比較重要。
面向對象的分類要對影像進行圖像分割處理，在ENVI中打開研究區域的影像數據，選擇研究區域邊界的矢量文件作為掩膜文件，自動選擇（在有中心波長的情況下）紅色和近紅外波段計算NDVI。選擇4、3、2波段組合方式，經過觀察比較，最終設置分割尺度為50，合併尺度為80，完成對影像的分割與合併。
面向對象的分類，土地利用類型還是分為5類：建設用地、植被、裸地、水體以及道路。在分割圖上給這幾個類型分別選擇一些樣本。樣本選擇好之後，對影像進行土地利用分類處理，本文選擇支持向量機分類器，其所包含的幾個內容是：結構風險學說、核空間學說以及二次優化學說等。統計學習學說後來衍生出現在使用的支持向量機分類器。支持向量機分類器也是面向對象中比較常用的，完成對研究區域的面向對象分類，得到了土地利用類型的分類結果，見圖4（彩圖見封二）。
3 結果分析
通過對比最大似然分類器和面向對象分類的分類結果中Kappa係數、總體精度以及製圖精度，可以看到：第一種最大似然分類器分類結果中Kappa係數以及總體精度分別是0.812 5、85.000 0%，從數據看出監督分類中的最大似然分類器對高解析度影像進行分類的總體精度不高；第二種面向對象分類，其Kappa係數以及總體精度分別是0.968 8、97.500 0%，面向對象分類中的支持向量機分類器對高解析度影像進行分類，總體精度比較高。Kappa係數可以評價整個分類圖的精度[15]；用被分類正確的像元個數對比上影像總的像元個數，得到的結果就是總體精度。面向對象方法的Kappa係數和總體精度分別比最大似然分類器分類結果的Kappa係數和總體精度高，這是由於最大似然分類器對道路和建設用地分類的精度都偏低，導致其分類結果的總體精度不高。
表1是使用面向對象和監督分類分別進行試驗的5種土地利用類型的精度結果，可以看到，水體、植被、裸地使用這兩種方法進行分類的精度都大於90%，有些接近100%，說明面向對象分類和監督分類對水體、植被、裸地這3種土地類型的分類都是符合分類精度要求的。這是由於該3種土地類型的光譜特徵都較明顯，容易與周圍其它土地類型區分開。通過觀察表1可以發現，監督分類方法對道路和裸地的試驗精度都小於80%，精度不高，監督分類對這兩種土地利用類型的分類中存在不足。這是由於這兩種土地類型的光譜特徵不夠明顯，容易與周圍其它土地類型混淆；而面向對象對這兩種土地類型的實驗結果精度明顯高於最大似然分類器的分類精度，在建設用地和道路的分類問題上，面向對象法分類精度更好。
通過以上分析可以總結出，利用高解析度影像進行土地利用分類試驗，對水體、植被以及裸地進行分類時，最大似然分類器和面向對象分類都適用；而對道路和建設用地進行分類時，面向對象法分類精度更高，更能滿足總體精度以及製圖精度的要求。
4 結語
本文將雄安新區作為試驗區域，以雄安新區2017年5月12日的GF1-WFV3數據作為試驗數據，使用ENVI軟體對其分別採用監督分類中的最大似然分類器和面向對象法進行土地利用類型分類處理。分類結果精度表明：與最大似然分類器相比，面向對象法試驗得到的精度更高，Kappa係數和總體精度分別為0.968 8和97.500 0%。對高解析度影像進行土地利用分類試驗，面向對象法是一種更有效的方法。
兩種方法對水體、植被以及裸地進行分類時，精度都比較高，但是對道路和裸地進行分類時，最大似然分類器的分類精度沒有面向對象法的分類精度高。值得注意的是，面向對象分類對5種土地利用類型進行分類，道路分類精度最低。在以後的研究中，道路分類精度有待提高。本文研究結果可以為雄安新區的土地利用分類提供參考，有助於其建設綠色智慧新城，打造優美生態環境。
參考文獻：
[1] 吳健生，潘況一，彭建，等.基於QUEST決策樹的遙感影像土地利用分類——以雲南省麗江市為例[J].地理研究，2012，31（11）：1973-1980.
[2] 劉麗雅.基於國產GF-1的高寒山區土地利用/覆蓋分類研究[D].杭州：浙江大學，2016.
[3] 王勝男，汪西原.基於ENVI的高解析度遙感圖像土地利用分類方法研究[J].數位技術與應用，2016（10）：105-106.
[4] 成思敏.基於ArcGIS與ENVI對四川省成都市1990年土地利用分類[C].武漢：科技研究——2015科技產業發展與建設成就研討會論文集（下），2015.
[5] 熊子瀟.基於高分一號遙感影像的土地覆蓋信息提取技術研究[D].南昌：東華理工大學，2016.
[6] 程燦然，楊樹文，石鵬卿.基於高分一號衛星遙感影像的城市綠地提取對比研究[J].礦山測量，2017，45（3）：12-16.
[7] 武笑天.基於高分一號和Landsat-8的昌吉市小麥面積提取研究[D].烏魯木齊：新疆農業大學，2016.
[8] 郭會敏，洪運富，李營，等.基於高分一號衛星影像的多種融合方法比較[J].地理與地理信息科學，2015，31（1）：23-26+40.
[9] 陳陽，趙俊三，陳應躍.基於ENVI的高解析度遙感影像城市綠地信息提取研究[J].測繪工程，2015，24（4）：33-36.
[10] 金傑，朱海岩，李子瀟，等.ENVI遙感圖像處理中幾種監督分類方法的比較[J].水利科技與經濟，2014，20（1）：146-148+160.
[11] 徐菲楠，祁元，王建華，等.面向對象的黑河下遊河岸林植被覆蓋信息分類[J].遙感技術與應用，2015，30（5）：996-1005.
[12] WANG Y T， AINSWORTH T L， LEE J S. Estimation of the orientation and shape parameters of canopy scatterers from POLSAR observations[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2012，5（3）：835-847.
[13] CLAPHAM JR W B. Continuum-based classification of remotely sensed imagery to describe urban sprawl on a watershed scale[J]. Remote Sensing of Environment，2003，86（3）：322-340.
[14] POWELL R L， ROBERTS D A， DENNISON P E， et al. Sub-pixel mapping of urban land cover using multiple endmember spectral mixture analysis： Manaus， Brazil[J]. Remote Sensing of Environment，2007，106（2）：253-267.
[15] 胡茂瑩.基於高分二號遙感影像面向對象的城市房屋信息提取方法研究[D].長春：吉林大學，2016.
（責任編輯：何 麗）
收藏