一、引言

長江中下游湖區(qū)作為重要的資源和生態(tài)環(huán)境保護(hù)區(qū)域，其地物分類情況對區(qū)域資源管理和生態(tài)可持續(xù)發(fā)展具有重要影響。通過對湖區(qū)地物進(jìn)行有效地分類，可以幫助掌握湖區(qū)地物類型特征以及分布情況，為湖區(qū)資源管理利用與生態(tài)保護(hù)提供依據(jù)。不同地物分類方法提取地物有各自優(yōu)缺點，會因為采取分類方法的不同影響區(qū)域地物提取的精度效果。因此，在長江中下游湖區(qū)有必要進(jìn)行地物分類方法對比研究來為湖區(qū)地物分類方法選擇提供借鑒。

龍感湖國家級自然保護(hù)區(qū)、華陽河湖群省級自然保護(hù)區(qū)是長江中下游淡水湖泊中保持完好且具有典型代表性的兩處湖泊濕地保護(hù)區(qū)，孕育了豐富多樣的植物和野生動物資源，是我國重要水鳥越冬地和候鳥遷徙中轉(zhuǎn)站，對長江中下游經(jīng)濟和生態(tài)發(fā)展發(fā)揮著重要作用。以該區(qū)域作為研究區(qū)，以高分一號WFV作為數(shù)據(jù)源，采用人工神經(jīng)網(wǎng)絡(luò)、隨機森林、支持向量機、最大似然、最小距離、馬氏距離6種不同地物分類方法進(jìn)行地物分類，從空間和精度方面對試驗結(jié)果進(jìn)行對比分析，探討地物分類效果，以選擇出適用于研究區(qū)地物特征提取的有效分類方法。

二、研究區(qū)概況

龍感湖國家級自然保護(hù)區(qū)是目前保持最為完好的重要淡水湖泊濕地之一，湖區(qū)跨湖北省黃梅縣和安徽省宿松縣，屬于亞熱帶濕潤季風(fēng)氣候區(qū)，總面積為223.22km2。華陽河湖群省級自然保護(hù)區(qū)是以保護(hù)濕地生態(tài)系統(tǒng)和珍稀水禽為主的自然保護(hù)區(qū)，位于安徽省宿松縣境內(nèi)，與龍感湖國家級自然保護(hù)區(qū)相接，屬于北亞熱帶濕潤氣候，總面積為504.97km2。

三、數(shù)據(jù)來源與研究方法

3.1數(shù)據(jù)來源

所采用數(shù)據(jù)為2022年11月7日GF1-WFV影像，云覆蓋量為0，空間分辨率為16m，時間分辨率為4d，成像幅寬為800km，光譜范圍0.45～0.89μm。衛(wèi)星遙感傳感器易受大氣、運行高度、運行速度等因素的影響導(dǎo)致影像數(shù)據(jù)出現(xiàn)信息偏差情況。為糾正影像數(shù)據(jù)誤差，提高分類處理效果，需對影像進(jìn)行預(yù)處理。常用的ENVI軟件能夠快速地對影像進(jìn)行預(yù)處理操作：首先通過對加載后的GF1-WFV影像進(jìn)行線性拉伸提升顯示效果；然后對影像依次進(jìn)行輻射定標(biāo)、大氣校正、正射校正，其中輻射定標(biāo)根據(jù)輻射定標(biāo)參數(shù)在軟件中完成，大氣校正運用FLAASH模型完成；最后利用影像自帶的RPC信息和地面高程數(shù)據(jù)進(jìn)行正射校正。

圖1預(yù)處理前后的對比影像

3.2研究方法

3.2.1分類體系及樣本選取

根據(jù)研究區(qū)地物實際特征，參照《土地利用現(xiàn)狀分類》（GB/T21010—2017）將地物類型分為耕地、植被、建設(shè)用地、河湖、坑塘5類。參照高清影像，采用目視解譯的方法對確定的地物類型進(jìn)行訓(xùn)練樣本選取，并對選擇出的地物訓(xùn)練樣本進(jìn)行可分離性計算。表1為可分離性數(shù)值計算結(jié)果，各地類間樣本可分離性數(shù)值均大于1.8，樣本可分離性較高，符合要求。

表1地類樣本可分離性數(shù)值

3.2.2分類方法

采用人工神經(jīng)網(wǎng)絡(luò)、隨機森林、支持向量機、最大似然、最小距離、馬氏距離6種分類方法進(jìn)行比較分析。

1）人工神經(jīng)網(wǎng)絡(luò)：提出于20世紀(jì)40年代，隨著研究的深入，20世紀(jì)70年代算法逐漸運用于高分辨率遙感影像地物分類中，

通過各個神經(jīng)元間的相互作用尋找優(yōu)化解、改變隱藏層節(jié)點處理影像數(shù)據(jù)，使其對于地表復(fù)雜度較高、地物紋理特征多樣的區(qū)域具有較好的分類效果。

圖2人工神經(jīng)網(wǎng)絡(luò)算法示意圖

2）隨機森林：是一種組合多種決策樹于一體的集成化分類器。隨機森林算法利用bootstrap采樣技術(shù)從原訓(xùn)練樣本中有放回的隨機抽取K個樣本，每個抽取的樣本容量需與原始訓(xùn)練樣本容量一致，并對抽取的K個樣本建立起K個決策樹模型，隨機森林從K個決策樹得出的分類結(jié)果中選出最佳分類器進(jìn)行分類。

3）支持向量機分類：通過分離面將不同地物訓(xùn)練樣本分開，使得不同的分類樣本置于分類面兩側(cè)，尋找最優(yōu)分離面即最靠近不同地物訓(xùn)練樣本且不同樣本之間距離最大的面。距離最優(yōu)分離面最近的訓(xùn)練樣本被稱為支持向量。

4）最大似然分類：是指根據(jù)影像波段特征，將每類地物分類函數(shù)假設(shè)為正態(tài)函數(shù)，計算需要分類影像像元所屬某一類別訓(xùn)練樣本的似然度，最后歸類到似然度最大一類的方法。

5）最小距離分類：通過計算每類地物的均值以及協(xié)方差，將均值定義為每類地物空間中心點，計算各類地物中心點與分類影像像元間的距離，將與地類中心點距離最近的像元歸為該類，從而對各地物進(jìn)行歸類。最小距離D計算公式為

式中Xj為像元灰度值，Mij為第i類j波段均值，Sij為第i類j波段均值標(biāo)準(zhǔn)差。

6）馬氏距離：類似于歐式距離用來度量距離的指標(biāo)，能夠考慮數(shù)據(jù)間的相互關(guān)系并根據(jù)計算出的各類別到分類影像的馬氏距離將待分類圖像歸到臨近類別，計算公式為

式中X為像元數(shù)據(jù)，∑為多變量協(xié)方差矩陣，μk為樣本均值。

3.2.3分類后處理

主要分析模塊能夠很好地處理破碎小斑塊，通過剔除過分細(xì)小的斑塊，將臨近的小斑塊聚合，使得圖像更加平滑，提高分類效果。

圖3研究區(qū)部分區(qū)域小斑塊處理前后對比影像

3.2.4精度評價

為了評價不同地物分類方法下的精度效果，在研究區(qū)范圍內(nèi)隨機創(chuàng)建2000個檢驗樣本點（圖4），結(jié)合高清影像目視解譯隨機點所代表的各類地物真實分布情況，將檢驗樣本點結(jié)果與對應(yīng)的樣本分類結(jié)果相對應(yīng)，計算其混淆矩陣。由于用戶精度和生產(chǎn)者精度能夠反映出各地物類型的分類精度，總體精度和kappa系數(shù)能夠反映出地物分類結(jié)果的整體精度，因此針對各類方法下地物分類結(jié)果采用用戶精度（UA）、生產(chǎn)者精度（PA）、總體精度（OA）、kappa系數(shù)評定分類精度，計算公式分別為

式中Pii為混淆矩陣第i行第i列的樣本數(shù)，Pi+為混淆矩陣第i行樣本總數(shù)，P+i為第i列的樣本總數(shù)，N為樣本總數(shù)，m為土地覆蓋類型數(shù)量。

圖4研究區(qū)檢驗樣本點分布圖

四、結(jié)果與分析

4.1地物分類結(jié)果

通過采用人工神經(jīng)網(wǎng)絡(luò)、隨機森林、支持向量機、最大似然、最小距離、馬氏距離6種分類方法對研究區(qū)地物類型進(jìn)行結(jié)果對比，分類結(jié)果如圖5所示。從整體結(jié)果看，植被主要分布在研究區(qū)北部，少量零星分布于南部建設(shè)用地、耕地區(qū)域；耕地主要分布于湖泊區(qū)下方，研究區(qū)南部、西部和東部，少量分布于北部林地間隙；建設(shè)用地主要分布于南部耕地區(qū)，其他細(xì)碎分布在山林區(qū)域；河湖區(qū)域集中在研究區(qū)中部以及湖泊支流上，坑塘主要分布在湖泊邊緣處。

4.2精度對比

在建立混淆矩陣基礎(chǔ)上通過計算用戶精度（UA）、生產(chǎn)者精度（PA）、總體精度（OA）以及kappa系數(shù)進(jìn)行精度評價，檢驗地物分類結(jié)果的準(zhǔn)確性。6種不同地物分類方法得到的分類結(jié)果精度見表2-表4。

表2不同分類方法用戶精度

從表2可以看出人工神經(jīng)網(wǎng)絡(luò)法的整體用戶精度相對較好，各地物類型的用戶精度均大于75%。隨機森林、支持向量機分類法中，除建設(shè)用地其余4類地物用戶精度均大于85%，能達(dá)到較高的精度。最小距離、馬氏距離、最大似然分類法的整體用戶精度相對較差，其中最小距離整體用戶精度最差，坑塘用戶精度僅為23.33%。

表3不同分類方法生產(chǎn)者精度

從表3可以看出支持向量機分類法各地類生產(chǎn)者精度均大于70%，最大似然分類法各地類生產(chǎn)者精度均大于60%。相比于以上兩種方法，人工神經(jīng)網(wǎng)絡(luò)和隨機森林分類法坑塘生產(chǎn)者精度較差均小于30%，除坑塘外其他4類地物生產(chǎn)者精度較好。最小距離、馬氏距離分類法的建設(shè)用地生產(chǎn)者精度較差，最小距離僅為22.97%。

圖5各類算法分類結(jié)果圖

從表4可以看出，kappa系數(shù)相對較好，總體精度達(dá)95%以上，kappa系數(shù)大于85%，其次為支持向量機、最大似然、隨機森林法，馬氏距離和最小距離分類法總體精度和kappa系數(shù)相對較差，總體精度均小于85%，kappa系數(shù)均小于0.80。

表4分類精度統(tǒng)計

通過整體精度結(jié)果綜合比較發(fā)現(xiàn)在不同的分類方法作用下研究區(qū)地物提取總體精度、kappa系數(shù)存在著較大差異，各類地物用戶精度和生產(chǎn)者精度也存在著較大差別。為了更好地探討6種分類方法分類效果，還需對分類空間結(jié)果進(jìn)一步分析。

4.3空間對比

為對比不同分類方法下5種地物空間分布結(jié)果，選擇研究區(qū)局部典型區(qū)域進(jìn)行比較，結(jié)果如圖6和圖7所示。通過最小距離分類法和馬氏距離分類法得出的空間分布結(jié)果相對較差，雖然能分辨出5類地物大致特征，但是部分河湖與坑塘區(qū)域不能區(qū)分開，且靠近耕地區(qū)域的部分零碎建設(shè)用地識別效果差，只識別出少量的建設(shè)用地，其他地類間也存在少量誤分現(xiàn)象。最大似然法雖然分辨出了耕地臨近區(qū)域的建設(shè)用地，但是同樣存在著部分河湖區(qū)被納入坑塘區(qū)域的問題。相對于以上3種方法隨機森林分類法和支持向量機的河湖和坑塘識別情況有所改善，且分辨出較多未被識別出的建設(shè)用地，但存在局部耕地區(qū)域識別為建設(shè)用地的現(xiàn)象。相對于以上幾種分類法，人工神經(jīng)網(wǎng)絡(luò)法能夠較好地識別不易區(qū)分的河湖與坑塘、耕地與建設(shè)用地，減少了錯分漏分的情況，更貼近地類的真實分布。

圖6局部區(qū)域遙感影像

圖7各分類方法局部分類結(jié)果圖

五、結(jié)論

從分類精度結(jié)果看，支持向量機和最大似然分類結(jié)果分別存在建設(shè)用地、坑塘地類用戶精度較低的情況，隨機森林分類結(jié)果存在建設(shè)用地的用戶精度和坑塘的生產(chǎn)者精度較差的情況，馬氏距離和最小距離的用戶精度和生產(chǎn)者整體精度效果較差。相比而言，人工神經(jīng)網(wǎng)絡(luò)分類法整體分類精度相對較好，總體精度達(dá)92.35%，

kappa系數(shù)達(dá)0.8933。從地物空間分類結(jié)果看，人工神經(jīng)網(wǎng)絡(luò)優(yōu)于馬氏距離和最小距離、隨機森林、支持向量機、最大似然分類法分類結(jié)果，得出的地物空間分類效果較貼近實際地物分布情況，地物錯分漏分情況較少，能夠較好地識別出河湖、坑塘、耕地、建設(shè)用地、植被，更適用于研究區(qū)地物特征信息的提取，可為類似區(qū)域河湖濕地管理以及生態(tài)保護(hù)方面的探究提供參考。

推薦：

便攜式高光譜成像系統(tǒng)iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫(yī)學(xué)醫(yī)療、精準(zhǔn)農(nóng)業(yè)、礦物地質(zhì)勘探等領(lǐng)域的最新產(chǎn)品，主要優(yōu)勢具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性價比特點采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學(xué)設(shè)計，物鏡接口為標(biāo)準(zhǔn)C-Mount，可根據(jù)用戶需求更換物鏡。

審核編輯 黃宇