集成RS與GIS在土地利用分類方法的比較關(guān)鍵詞：遙感、土地利用、GIS、內(nèi)蓋夫摘要：在過去的幾十年里,以色列在土地利用方面發(fā)生了劇烈的改變。由以色列政府提供的土地利用圖在對(duì)農(nóng)業(yè)和城市用地分類方面比其他地方地圖記錄的更為詳盡。它將之前過度放牧的地區(qū)重新綠化，變?yōu)槿斯す喔群妥匀还喔鹊母兀⒃O(shè)置成自然保護(hù)區(qū)。而過去經(jīng)常被用作大型軍事訓(xùn)練場(chǎng)的地方，則變更成城鄉(xiāng)居民點(diǎn)，或者將之視為閑置土地。同時(shí)，在內(nèi)蓋夫的北部地區(qū)，牧場(chǎng)仍然占很大比重，但其面積并沒有明確定義。鑒于土地利用的不斷變更以及在現(xiàn)有的土地利用現(xiàn)狀圖上缺乏對(duì)牧場(chǎng)區(qū)域的認(rèn)知，創(chuàng)建一個(gè)供規(guī)劃者，科學(xué)家和決策者更好使用的土地利用現(xiàn)狀信息數(shù)據(jù)庫是十分有必要的。RS數(shù)據(jù)在創(chuàng)建和更新土地利用圖方面，是非常有效的數(shù)據(jù)源，結(jié)合現(xiàn)有的衛(wèi)星遙感數(shù)據(jù)以及以色列地理信息系統(tǒng)信息數(shù)據(jù)，創(chuàng)建出相對(duì)精確并具有當(dāng)前時(shí)效性的內(nèi)蓋夫北部的土地利用圖，這項(xiàng)工作的目的是為了探索一種低成本的技術(shù)方式。比較利用遙感數(shù)據(jù)對(duì)土地利用進(jìn)行分類的幾種方式。此外，在GIS數(shù)據(jù)框架內(nèi)，土里利用輔助數(shù)據(jù)可以更新和提高RS分類精度。結(jié)果發(fā)現(xiàn)，使用監(jiān)督分類和非監(jiān)督分類相結(jié)合的方法得到了比單一使用其中一種方法精度更高的產(chǎn)品。同時(shí)也發(fā)現(xiàn)，在更新這種產(chǎn)品時(shí)，輔助數(shù)據(jù)和GIS數(shù)據(jù)可以將數(shù)據(jù)精度提升10%，使得最終產(chǎn)品總精度達(dá)81%。因此，本文提出的相關(guān)技術(shù)手段在當(dāng)前不同時(shí)段的遙感影像圖中的應(yīng)用，可以精確對(duì)土里利用變更數(shù)據(jù)庫的創(chuàng)建。引言我們所觀察到的地球表面生物物理覆蓋情況叫做地表覆蓋，它是由各種自然形成和人為建造所組成的地表覆蓋模式。換而言之，土地利用是受經(jīng)濟(jì)，文化，政策，歷史和土地使用權(quán)等因素影響的人類地表活動(dòng)。遙感數(shù)據(jù)(例如：衛(wèi)星和航空影像)通常被用于通過土地覆蓋觀測(cè)來定義土地利用情況(Brown,Pijanowski,&Duh,2000;Karl&Maurer,2010)。最新的土地利用信息對(duì)于規(guī)劃師、科學(xué)家、資源管理者和決策者都是至關(guān)重要的。從遙感數(shù)據(jù)中提取土地利用信息的一種方法是通過可視化解譯實(shí)現(xiàn)的，但可視化解譯受限于單一波段或三色合成波段。土地利用片區(qū)的人工矢量化是極其繁瑣并且具有強(qiáng)烈主觀性的工作。(Bolstad,Gessler,&Lillesand,1990)。因此，遙感自動(dòng)分類更適用于大面積區(qū)域的土地利用圖。當(dāng)土地利用和地表覆蓋模式在影像解譯時(shí)表現(xiàn)明顯時(shí)，自動(dòng)解譯就顯得十分困難，因?yàn)樽詣?dòng)分類技術(shù)并不擁有如同人腦般的超強(qiáng)識(shí)別能力(Hudak&Brockett,2004)。當(dāng)從遙感影像中自動(dòng)分類復(fù)雜地形時(shí)，如何實(shí)現(xiàn)準(zhǔn)確分類就成了一個(gè)難題(Manandhar,Odeh,&Ancev,2009)。以往的證據(jù)表明東地中海地勢(shì)是最為多樣化的(Alrababah&Alhamad,2006)。因此這類地區(qū)的地形分類工作尤為繁瑣。然而，先前研究表明，不論是從均勻熱帶景觀還是差異性地中海景觀來看，基于30m的TM空間分辨率圖像都可以精確分類各種變化起伏的地勢(shì)(Alrababah&Alhamad,2006;Koutsias&Karteris,2003;Manandharetal.,2009;Sader,Ahl,&Liou,1995;Schulz,Cayuela,Echeverria,Salas,&ReyBenayas,2010)。陸地衛(wèi)星已經(jīng)提供了從1972至今的幾乎連續(xù)的全球地表變化記錄(Cohen&Goward,2004)。目前，兩個(gè)陸地衛(wèi)星傳感器在軌道上正常運(yùn)行：承載著TM機(jī)器的陸地衛(wèi)星5和承載著ETMP的陸地衛(wèi)星7。兩個(gè)傳感器在太陽能電磁波譜(可見光、近紅外、短波紅外)的主要部分獲取測(cè)量數(shù)據(jù)，從而提供相對(duì)具有顯著優(yōu)勢(shì)的傳感器系統(tǒng)。然而，發(fā)射于1999年的陸地衛(wèi)星7號(hào)，在2003年，其所承載的掃描線矯正儀出現(xiàn)了故障，導(dǎo)致繪制土地利用圖時(shí)所需的應(yīng)用程序質(zhì)量發(fā)生明顯降低。如今，發(fā)射于1984年的陸地衛(wèi)星5號(hào)，工作年限已遠(yuǎn)遠(yuǎn)超過了其3年壽命，雖然在2010年將耗盡自身的所有燃料,但現(xiàn)今它仍然繼續(xù)提供著高質(zhì)量數(shù)據(jù)產(chǎn)品(Wulderetal.,2008)。相比較其他遙感數(shù)據(jù)源，陸地衛(wèi)星數(shù)據(jù)由于其低成本、歷史長(zhǎng)、高頻率等特點(diǎn)，廣泛用于局部空間尺度的土地利用分類。盡管在這一時(shí)期為了建立新型分類算法進(jìn)行了各種努力，但衛(wèi)星圖像分類水平在近15年并沒有得到提升(Wilkinson,2005)。因此，在遙感分類算法上，我們付出了持續(xù)的努力卻得到了較小的價(jià)值(Manandharetal.,2009)。最近，相關(guān)研究人員已經(jīng)改變了單純由統(tǒng)計(jì)得到的參數(shù)決定分析結(jié)果的方式，從而讓地理數(shù)據(jù)變得更具有說服力。將遙感數(shù)據(jù)與其他地理信息源數(shù)據(jù)融合，得到更為精準(zhǔn)的分類方式。如以前的土地利用數(shù)據(jù)，空間結(jié)構(gòu)，數(shù)字高程模型(以及衍生出來的緩坡等因素)，地質(zhì)，土壤，水文，植被，氣候和交通網(wǎng)絡(luò)等(Lillesand&Kiefer,2000;Manandharetal.,2009;Stefanov,Ramsey,&Christensen,2001;Tateishi&Shalaby,2007)。該如何以及適時(shí)的使用特定數(shù)據(jù)源，通常是由圖像分析所建立的一系列決策規(guī)則所決定的。GIS中的幾種數(shù)據(jù)源集成要求分析者結(jié)合所有數(shù)據(jù)源制定一系列特定的分類決策規(guī)則(Lillesand&Kiefer,2000)。RS,GIS和ES數(shù)據(jù)集成所形成的決策支持系統(tǒng)(DSS)較任何一種單一數(shù)據(jù)源具有更好的分類精度。這項(xiàng)工作的目的是探討如何降低土地利用圖制作成本，陸地衛(wèi)星TM影像圖由兩種已成熟的、運(yùn)用廣泛的分類方式進(jìn)行分類，這兩種方式互相區(qū)別、互相補(bǔ)充。接下來，假設(shè)將現(xiàn)有的衛(wèi)星遙感數(shù)據(jù)和以色列GIS數(shù)據(jù)進(jìn)行監(jiān)測(cè)融合，將會(huì)顯著提升土地利用圖檢測(cè)精度。這項(xiàng)研究中所提出的土地利用分類技術(shù)可以用于土地用途變更監(jiān)測(cè)，如監(jiān)測(cè)土里利用轉(zhuǎn)換和土地退化。該信息可以進(jìn)一步用于土地利用變更與固碳，生物多樣性，氣候變化和自然資源的可持續(xù)發(fā)展等現(xiàn)象之間的關(guān)系研究。本研究的具體目標(biāo)是：1、比較土地利用的監(jiān)督分類和非監(jiān)督分類技術(shù)。2、檢驗(yàn)將監(jiān)督分類和非監(jiān)督分類相結(jié)合所獲取的數(shù)據(jù)（混合分類）是否比單獨(dú)一種方式所獲取的數(shù)據(jù)具有更高精度。3、驗(yàn)證為了顯著提升分類精度，是否應(yīng)該使用基于專家知識(shí)和輔助GIS數(shù)據(jù)的決策系統(tǒng)去更新地圖的方法。研究區(qū)研究區(qū)位于內(nèi)蓋夫北部，沙漠的邊緣，總面積大約占40000平方公里。研究區(qū)南部是Ramat-Hovav，東部是Yatir森林，北部是Kiryat-GatandAshkelon,西部是地中海、Gaza和Sinai。這些地區(qū)位于干旱、半干旱的過渡地帶，擁有地中海氣候區(qū)，有著其獨(dú)特的特點(diǎn)，年平均降水量從北到南、從西到東沿著兩個(gè)氣候梯度帶逐級(jí)遞減。在內(nèi)蓋夫東北部，每年降水量超過450毫米/年，而南部的干旱地區(qū)的年降水量不足150毫米/年（研究區(qū)南部的地區(qū)）。例如，在該區(qū)域可以找到一些不同結(jié)構(gòu)的地貌，其中包含洪水和沖積平原，鈣質(zhì)殼，新月形沙丘，沙域和不同母巖，因此，這里有很多土壤類型，包括粗骨土、沙化沖積巖、沙丘、黃土灰鈣土、石漠巖、黑色石灰土、紅色石灰土。這種環(huán)境的多樣性導(dǎo)致物種和植被的多樣化。在過去的幾十年中，以色列的土地利用情況發(fā)生了巨大變化（Orenstein&Hamburg,2009）。過去內(nèi)蓋夫北部的居民大都從事人工放牧活動(dòng)，由于JNF的綠化項(xiàng)目和人口在城鎮(zhèn)以及沿道路和水域的集中分布導(dǎo)致內(nèi)蓋夫可放牧場(chǎng)地地理分布的改變。結(jié)果，內(nèi)蓋夫地區(qū)可用的牧場(chǎng)和載畜率不斷波動(dòng)。以前的放牧區(qū)已經(jīng)通過綠化變?yōu)槿斯ず妥匀还喔忍铩⒆匀槐Ｗo(hù)區(qū)。而過去經(jīng)常被用作大型軍事訓(xùn)練場(chǎng)的地方，則變更成城鄉(xiāng)居民點(diǎn)，或者將之視為閑置土地。在這一時(shí)期，內(nèi)蓋夫的牧民，幾乎所有的貝都因人（來自于幾個(gè)部落）都受到社會(huì)、經(jīng)濟(jì)、政策因素的影響，特別是政府因素造成了人口結(jié)構(gòu)、生活方式和對(duì)畜牧業(yè)的依賴程度的變化。與此同時(shí)，牧場(chǎng)仍然占北部?jī)?nèi)蓋夫總面積的很大比重，但其具體面積沒有給出明確定義。由以色列政府提供的土地利用圖在對(duì)農(nóng)業(yè)和城市用地分類方面比其他地方地圖記錄的更為詳盡。當(dāng)前，以色列只有兩幅國(guó)家土地利用圖可以使用：一個(gè)是由以色列中央統(tǒng)計(jì)局（CBS）繪制而成，另一個(gè)來自于調(diào)研。但這兩幅地圖都欠缺對(duì)牧場(chǎng)的具體劃分，此外，農(nóng)業(yè)部不擁有內(nèi)蓋夫北部牧場(chǎng)圖，牧場(chǎng)土地也沒有被柵欄分割。鑒于土地利用的不斷變更以及在現(xiàn)有的

土地利用現(xiàn)狀圖上缺乏對(duì)牧場(chǎng)區(qū)域的認(rèn)知，創(chuàng)建一個(gè)供規(guī)劃者，科學(xué)家和決策者更好使用的土地利用現(xiàn)狀信息數(shù)據(jù)庫是十分有必要的。Rozmsiein,戌KtrmaeM/片卩pliedGeo^ruphy31Rozmsiein,戌KtrmaeM/片卩pliedGeo^ruphy31f20JJ)533—列屮BLIsraelJordanJerusaleiSinaiNegevMediterrariean笊皿訓(xùn)曽Sea/ /圖1（1）研究區(qū)延伸致以色列內(nèi)蓋夫沙漠的邊緣（由陸地衛(wèi)星5提供的TM影像4、3、2假彩色波段復(fù)合而成），并在氣候過渡帶的干地區(qū)旱半干旱顯現(xiàn)出強(qiáng)烈的對(duì)比；（2）研究區(qū)爆破（3）圖中示意了研究區(qū)的具體方位，以及以色列的邊境和陸地衛(wèi)星所拍攝的圖像區(qū)域。研究方法論首先，我們對(duì)內(nèi)蓋夫（Negev）北部地區(qū)的Landsat-5的影像數(shù)據(jù)作預(yù)處理，并利用ERDAS

IMAGINE2010的幾種方法進(jìn)行分類處理。根據(jù)現(xiàn)有的土地利用數(shù)據(jù)庫，再利用ArcGIS9.3對(duì)基于專家知識(shí)的專家知識(shí)系統(tǒng)進(jìn)行更新分類結(jié)果。不同的結(jié)果都通過STATISTICA9.0的統(tǒng)計(jì)學(xué)的方法進(jìn)行比較后，對(duì)每一個(gè)分類結(jié)果的精確通過幾種方法進(jìn)行評(píng)估。圖2呈現(xiàn)了整個(gè)工作的流程。圖2研究流程圖影像預(yù)處理土地利用分類的主要數(shù)據(jù)是Landsat-5衛(wèi)星在2009年1月30日獲取的TM影像，選中的區(qū)域無云。在此研究中，只使用傳感器的5、7反射波段。影像預(yù)處理包括通過黑暗像元消除法和最新的輻射校正系數(shù)進(jìn)行單波段輻射校正以及大氣改正。為了促進(jìn)輔助信息的集成，使用ERDASAUTOSYNC特性對(duì)最新的以色列的正射影像作輻射改正以及大氣改正。通過使用自動(dòng)點(diǎn)測(cè)量軟件（APM）自動(dòng)測(cè)量1095個(gè)地面控制點(diǎn)（GCPs）以及為保證控制點(diǎn)均勻分布在整個(gè)研究區(qū)域而添加的人工測(cè)量的40個(gè)地面控制點(diǎn)。然后，衛(wèi)星影像進(jìn)行圖像重采樣，按照以色列橫軸墨卡托投影坐標(biāo)系統(tǒng)投影，以30米的像元尺寸用最鄰近法、二次多項(xiàng)式變換方程進(jìn)行幾何校正。均方根誤差達(dá)到0.35個(gè)像素，符合低于1個(gè)像素的常規(guī)要求，甚至低于0.5個(gè)像素分嚴(yán)格要求。成功的地理配準(zhǔn)使得正射影像和其它影像的疊加成為可能。分類針對(duì)這項(xiàng)研究，使用了安德森分類系統(tǒng)的第一層次。由于這個(gè)分類系統(tǒng)主要是為使用遙感技術(shù)而設(shè)計(jì)的，因而，只有土地利用和地表覆蓋類型被遙感所識(shí)別才能被用于這套系統(tǒng)。安德森分類系統(tǒng)（1976）的第一層次推薦使用Landsat的數(shù)據(jù)。雖然這種分類規(guī)則較為粗糙，但是它減少了分類誤差，同時(shí)也使得分類信息更加豐富。在這項(xiàng)研究中使用的6個(gè)級(jí)別的不同的土地利用和地表覆蓋類型如表1。表1基于陸地衛(wèi)星數(shù)據(jù)建立的土地利用分類系統(tǒng)（AfterAndersonetal.1976）土地利用分區(qū) 各分區(qū)所含土地利用和土地覆蓋類別1城市建設(shè)用地住宅、商業(yè)、工業(yè)、農(nóng)業(yè)、交通運(yùn)輸公共業(yè)、混合城市建設(shè)用地2農(nóng)用區(qū)域農(nóng)田、果園、葡萄園、苗圃3牧場(chǎng)防護(hù)林草本、灌木和混合牧場(chǎng)4森林洛葉林、常綠林和混父林5水域水庫、沿岸水源6荒地巖石裸地、采石場(chǎng)、建筑工地、土路非監(jiān)督分類：迭代自組織數(shù)據(jù)分析通過使用迭代自組織數(shù)據(jù)分析技術(shù)將預(yù)處理的反射波段影像分類成80個(gè)類別，接下來的分類中，將這80類通過掩膜將80個(gè)類分別分配到6類土地利用分類中。并且將結(jié)果投影到最新的通過目視解譯的正射影像上。最后這期影像根據(jù)這六個(gè)土地利用分類被記錄。監(jiān)督分類：最大似然法（MLC）通過使用包含了所有地表覆蓋類型訓(xùn)練樣本的樣本像元對(duì)影像分類，分類信息如表1。從所有的土地利用和地表覆蓋類型中提取了120特征樣本，并從以色列最新的高分辨率正射影像數(shù)字化多邊形中有效得到的，然后投影到圖像采集樣本。通過使用這種方法能夠使簡(jiǎn)單的數(shù)字化TM影像具有更高的精度。當(dāng)選定訓(xùn)練樣本后，根據(jù)光譜特征間的歐式距離將不同土地利用層進(jìn)行有效分類，相同光譜特征的層合并為一類。最大似然法是運(yùn)行在一個(gè)特征空間的非參數(shù)決策規(guī)則，是將結(jié)果產(chǎn)生的圖像以六類土地利用類型進(jìn)行記錄。混合分類使用迭代分類方法，通過使用監(jiān)督分類后再進(jìn)行非監(jiān)督分類識(shí)別光譜特征從而創(chuàng)建特殊的土地利用和地表覆蓋類型。在評(píng)估分類產(chǎn)品的精確性后，監(jiān)督分類和非監(jiān)督分類共同使用將會(huì)有助于更精確的分類，之后對(duì)更精確的分類結(jié)果再次使用最大似然法。分類后處理政府所繪制的土地利用圖其自身是存在缺陷的，為了提高遙感分類精度，一些相關(guān)信息不得不從中獲取。創(chuàng)建于2004年的CBS地圖所使用的數(shù)據(jù)主要來源于2002年，雖然CBS地圖是基于2002年的數(shù)據(jù)而創(chuàng)建的，雖然在2007年添加了內(nèi)蓋夫地區(qū)貝都因人所居住的建筑輪廓數(shù)據(jù)（住房和農(nóng)用建筑），卻沒有對(duì)近些年土地利用變化情況進(jìn)行更新。而CBS地圖在城市建設(shè)用地和農(nóng)用土地利用方面記錄詳細(xì)。這些牧場(chǎng)被包含在“其他開放用地”中，它不屬于CBS地圖中的基本地類。通過調(diào)研得到的以色列地圖成本昂貴，此外，可以使用的也只是一部分，該部分?jǐn)?shù)據(jù)更新到2004年。果園覆蓋特征在該圖上記錄詳細(xì)，但牧區(qū)定義卻不明確，同時(shí)，并不是所有的城市土地利用都有明確定義，大部分的建設(shè)用地與其它未分類也被包含在未界定區(qū)域。因地圖數(shù)據(jù)來源都相對(duì)較新，且包含有效的土地利用分類信息，所以將其結(jié)合以便提高基于遙感的分類成果。通過ArcGIS并利用研究區(qū)邊界切除土地利用多邊形圖層中多余的部分，并利用ERDAS將得到的新圖層轉(zhuǎn)換成柵格格式，重采樣成30m分辨率數(shù)據(jù)以匹配TM影像數(shù)據(jù)。在原始地圖中的每一類土地利用及地表覆蓋類型被記錄為最符合的六類土地利用分類（圖3），圖表中的沒有水域以及荒地類別。圖3（A）中央統(tǒng)計(jì)局繪制地圖（2004）；（B）以色列調(diào)研繪制地圖（2004）該圖例同時(shí)適用于兩份地圖

決策支持系統(tǒng)(DSS)是基于一套合理的土地利用發(fā)展模式和“收斂一致性”方法(Saderetal,1995)設(shè)計(jì)出來的，只要存在一個(gè)指標(biāo)，像素值就會(huì)發(fā)生更新。由于土地利用圖不需要考慮這些，就決定著不對(duì)水域和荒地像素?cái)?shù)據(jù)進(jìn)行更新。遙感產(chǎn)品中明確出現(xiàn)了“椒鹽”噪聲現(xiàn)象，大多數(shù)過濾器的使用就是為了減弱這些現(xiàn)象。以下所提到的大多數(shù)過濾器，分三步去闡述該產(chǎn)品的使用。圖4由噪聲過濾器提升分類處理精度流程圖和DSS輔助土地利用數(shù)據(jù)流程圖在以色列，人們主要從事造林工作，所以濫砍亂伐現(xiàn)象較少，假設(shè)在這兩張土地利用圖中特征像素分類為森林用地，則最終分類產(chǎn)品中也應(yīng)該相應(yīng)的分類為森林。但是，由于地圖中的森林區(qū)代表了JNF發(fā)展區(qū)域，該區(qū)域不完全是森林區(qū)，關(guān)于森林植被的一些信息也被納入決策處理過程中。因此，信息層包含了更久遠(yuǎn)的森林植被信息和種植在水岸被用于確定JNF發(fā)展區(qū)域綠化的植被信息。相類似的，農(nóng)業(yè)用地在理論上可以轉(zhuǎn)化為建設(shè)用地，但很少將之變更為森林和牧場(chǎng)用地，大多數(shù)分類精度評(píng)估顯示只有極少一部分像素分類為農(nóng)業(yè)用地而非建設(shè)用地。同時(shí)，有觀點(diǎn)認(rèn)為，在五年間，有大量農(nóng)用地未轉(zhuǎn)變?yōu)榻ㄔO(shè)用地，從而使土地利用圖產(chǎn)品和衛(wèi)星采集獲取圖像之間產(chǎn)生了差異。這些觀點(diǎn)，決定了農(nóng)用地像素分類在兩張地圖上都應(yīng)納入最總產(chǎn)品中。作為建筑用地，由于在這一層次上以色列調(diào)研圖缺乏精準(zhǔn)性，這就決定了該層次在兩張土地利用圖上不進(jìn)行更新，然而，主要道路在被鋪設(shè)后通常不會(huì)轉(zhuǎn)換成其他土地利用類型，因此他們從GIS數(shù)據(jù)層上提取了包含在以色列和覆蓋在最終產(chǎn)品分類上的所有道路。精確分類評(píng)估在分類過程中，分類圖精度是由一套采用分層隨機(jī)抽樣評(píng)估獲取的600個(gè)采樣點(diǎn)組成的在這項(xiàng)研究中形成的第一張分類圖(ISODATA分類)中從每個(gè)層隨機(jī)抽取100個(gè)點(diǎn)，這些有效點(diǎn)被投射到以色列最新的正射影像上，如表1所示，每個(gè)點(diǎn)被形象的分配到相應(yīng)的土地利用層上。當(dāng)使用粗分類方案時(shí)，如安德森1級(jí)分類，分析師通過詳細(xì)的正射影像(lm分辨率)進(jìn)行解譯，這不僅是對(duì)地面數(shù)據(jù)的精確收集，也是最快最有效的方法。同樣的有效點(diǎn)被進(jìn)一步用于所有已有的分類產(chǎn)品中，以保證精度的差異值在自身接受的層次范圍內(nèi)，而不需要選擇驗(yàn)證點(diǎn)(Foody,2004)。對(duì)于每一張地圖，都需要?jiǎng)?chuàng)建混淆矩陣和計(jì)算精度指標(biāo)。例如整體精度，Kappa統(tǒng)計(jì)，生產(chǎn)精度，用戶精度和Kappa條件等這些衡量標(biāo)準(zhǔn)的使用，在許多國(guó)家是很常見的，并給出了詳細(xì)的介紹。(e.g.Campbell,1996;Congalton,1991;Foody,2002;Lillesand&Kiefer,2000;Rosenfield&Fitzpatrick-Lins,1986)。專題地圖精度比較當(dāng)比較各種分類方法來決定使用哪一類方法更精確時(shí)，研究者可以簡(jiǎn)單地通過分類器產(chǎn)生的整體精度或Kappa統(tǒng)計(jì)量來判斷。然而，不是所有的分類器間的精度差異都十分顯著，因而，需要測(cè)試這種差異是否有統(tǒng)計(jì)學(xué)意義。采用Z檢驗(yàn)來比較Kappa系數(shù)差異的方法也許是在專題圖精度比較中最為適合的(Congalton,1991;Congalton,Oderwald,&Mead,1983;Elmahboub,Scarpace,&Smith,2009;Foody,2002,2004;Rosenfield&Fitzpatrick-Lins,1986;Saderetal.,1995)。所有的分類產(chǎn)品都使用了相同的驗(yàn)證點(diǎn)，不能認(rèn)為推導(dǎo)每一個(gè)Kappa系數(shù)所使用的樣本都是獨(dú)立的。因此，比較Kappa系數(shù)所用的參數(shù)測(cè)試并不適合。(Foody,2004)。如果使用Z檢驗(yàn)，它可能會(huì)導(dǎo)致估計(jì)值的方差過大，以及兩種方法間精度差異值估算太過保守。(DeLeeuwetal,2006).最近幾年已經(jīng)有了可替代相關(guān)樣本比較的方法：使用McNemar方法代替Kappa系數(shù)來評(píng)估兩個(gè)部分統(tǒng)計(jì)特征的差異，(DeLeeuwetal.,2006;Foody,2004)。這是一種基于正確與非正確類別之間的二進(jìn)制差異的非參數(shù)檢驗(yàn)，(如表2)。McNemar檢驗(yàn)是一種基于方

程式（1）的標(biāo)準(zhǔn)化的常規(guī)測(cè)試統(tǒng)計(jì)。類別1類別2正確不正確正確ab不正確cd(1)b-c(1)Vb-\-c因?yàn)閆的平方是遵循一個(gè)特定自由度的卡方分布（Foody,2004），測(cè)試方程式可以表達(dá)為公式（2）：X2的分布是連續(xù)的，在Z分布測(cè)試中,抽樣分布頻率表現(xiàn)為離散型（Dietterich,1998）。因而，一個(gè)連續(xù)性的校正意見在使用樣本較小的情況下是尤為重要的，但其對(duì)大樣本的影響也就相應(yīng)減弱了。公式（3）中采用了這種連續(xù)校正。2—（|b_匚|_］）'A_—b^c—結(jié)果分析與結(jié)論：像素分類反射波段分類評(píng)估了監(jiān)督分類和非監(jiān)督分類對(duì)反射波段分類的精度，其混合矩陣（混淆矩陣對(duì)角線上的元素值越大，表示分類結(jié)果的可靠性越高，反之則分類錯(cuò)誤的現(xiàn)象嚴(yán)重）以及精度測(cè)量的情況如表3和表4。從總體精度以及整體卡巴統(tǒng)計(jì)量（評(píng)價(jià)一致性的測(cè)量值）來看，顯然非監(jiān)督分類結(jié)果要優(yōu)于監(jiān)督分類（總體精度分別是70.67%,60.83%；卡巴統(tǒng)計(jì)量分別是0.65,0.53）。McNemar檢驗(yàn)（又稱配對(duì)資料的X2檢驗(yàn)，主要用于配對(duì)資料率的檢驗(yàn)，相當(dāng)于配對(duì)卡方檢驗(yàn)）的結(jié)果也證實(shí)了非監(jiān)督分類與監(jiān)督分類相比，其具有更為顯著的作用（X2=19.67,p<0.0001）。表3非監(jiān)督分類ISODATA方法的混合矩陣以及精度測(cè)量總計(jì)參考數(shù)據(jù)

總計(jì)1234561612019000100275535300100321583000100分類4125363800100數(shù)據(jù)5044290010060030097100總計(jì)71119180439097600生產(chǎn)精度用戶精度條件卡巴系數(shù)85.92%61.00%0.5646.22%55.00%0.4446.11%83.00%0.7688.37%38.00%0.33100.00%90.00%0.88100.00%97.00%0.96注：加粗部分用于計(jì)算總體精度的精度計(jì)算總體精度：70.67%；整體卡巴統(tǒng)計(jì)量：0.65.表4監(jiān)督分類中最大似然分類的混合矩陣和精度測(cè)量類-124-Fy.456-總計(jì)參考數(shù)據(jù)31708181111332592027730037315861302107分類4062130021數(shù)據(jù)50013770816003009295總計(jì)71119180439097600生產(chǎn)精度用戶精度條件卡巴系數(shù)98.59%27.03%0.1722.69%72.97%0.6647.78%80.37%0.7230.23%61.90%0.5985.56%95.06%0.9494.85%96.84%0.96注：加粗部分用于計(jì)算總體精度的精度計(jì)算總體精度：60.83%；整體卡巴統(tǒng)計(jì)量：0.53.K系數(shù)的高低等級(jí)解釋K一致性程度K一致性程度<0.02差（Poor）0.41-0.60中等（Moderate）0.02-0.20輕微（Slight）0.61-0.80好（Substantial）0.21-0.40尚可（Fair）0.81-1.00幾乎完全致（AlmostPerfect）然而，對(duì)明確的分類精度測(cè)量，如條件卡巴系數(shù)這種不同的現(xiàn)實(shí)展開；對(duì)大多數(shù)明確的地物類別來說，監(jiān)督分類的精度要優(yōu)于或相近與分監(jiān)督分類。當(dāng)近距離密切觀察第一種地物類別（即表1中的城市用地或建設(shè)用地）時(shí)，監(jiān)督分類又表現(xiàn)出極低的使用精度和條件卡巴指數(shù)，而非監(jiān)督分類的各項(xiàng)指標(biāo)都較高。根據(jù)以上結(jié)論，通過利用非監(jiān)督分類中的ISODATA分類方法制作的地表特征作為第一種地物類別的訓(xùn)練樣本進(jìn)行混合分類，而不是利用監(jiān)督分類方法從數(shù)字化定點(diǎn)區(qū)域的感興趣區(qū)中提取特征。混合分類的誤差矩陣以及精度測(cè)量情況如表5所示。混合最大似然分類協(xié)作結(jié)果，從某種意義上來說提高了總體精度和卡巴統(tǒng)計(jì)量值McNemar檢驗(yàn)結(jié)果也證實(shí)了混合分類方法的分類結(jié)果在統(tǒng)計(jì)上比監(jiān)督分類的精度要高（X2=42.15，P<0.0001），與非監(jiān)督分類結(jié)果的精度的比較結(jié)果不明顯（X2=1.43）。

表5混合最大似然分類的混淆矩陣以及精度測(cè)量的結(jié)果參考數(shù)據(jù)類 總計(jì)123456167492845015321357500483323129310159分類401213290054數(shù)據(jù)500028408660030097100總計(jì)71119180439097600生產(chǎn)精度用戶精度條件卡巴系數(shù)94.37%43.79%0.3629.41%72.92%0.6671.67%81.13%0.7367.44%53.70%0.5093.33%97.67%0.97100.00%97.00%0.96注：加粗部分用于計(jì)算總體精度的精度計(jì)算總體精度：73.5%；整體卡巴統(tǒng)計(jì)量：0.68.GIS決策支持系統(tǒng)（DSS）使用DSS（決策支持系統(tǒng)）對(duì)每個(gè)基于遙感的過濾的分類產(chǎn)品進(jìn)行分類改善,改善前后的結(jié)果如圖5所示，混合矩陣以及精度測(cè)量情況如表6-8所示。結(jié)果發(fā)現(xiàn),DSS方法對(duì)所有分類的精度有近10%的提升,這種改善在統(tǒng)計(jì)結(jié)果上十分明顯，結(jié)果如表9所示。從表中可以看出，使用混合分類和DSS（決策支持系統(tǒng)）方法對(duì)反射波段分類得到的精度是最高的（總體精度81%,卡帕系數(shù)0.7681）。將這種分類成果的精度與其他分類方法得到的產(chǎn)品精度作對(duì)比時(shí)，如表10所示，有顯著的區(qū)別。圖表6中總結(jié)了所有分類產(chǎn)品的精度，包括DSS各個(gè)階段單獨(dú)作用得到的精

度。農(nóng)用地的更新中的精度提升大都是由DSS貢獻(xiàn)的。B總體精度=70.67%；整體卡巴統(tǒng)計(jì)量=0.6480總體精度=75.67%；整體卡巴統(tǒng)計(jì)量度。農(nóng)用地的更新中的精度提升大都是由DSS貢獻(xiàn)的。B總體精度=70.67%；整體卡巴統(tǒng)計(jì)量=0.6480總體精度=75.67%；整體卡巴統(tǒng)計(jì)量=0.7057總體精度=60.83%；總體精度=71.00%；整體卡巴統(tǒng)計(jì)量=0.5308整體卡巴統(tǒng)計(jì)量=0.6520總體精度=73.50%；總體精度=81.00%；整體卡巴統(tǒng)計(jì)量=0.6767 整體卡巴統(tǒng)計(jì)量=0.7681

圖5分類成果(A)非監(jiān)督分類迭代聚類分類(ISODATA);(B)最大似然分類(MLC)+GIS決策支持系統(tǒng)(DSS); (C)監(jiān)督分類最大似然分類(MLC); (D)最大似然分類(MLC)+GIS決策支持系統(tǒng)(DSS);(E)混合分類；(F)混合分類+GIS決策支持系統(tǒng)(DSS)。表6分類后處理非監(jiān)督分類ISODATA方法的混合矩陣以及精度測(cè)量類參考數(shù)據(jù)總計(jì)12345615981500183212100462001603047900992分類40334390076數(shù)據(jù)504429001006002008789總計(jì)71119180439097600生產(chǎn)精度用戶精度條件卡巴系數(shù)83.10%71.08%0.6784.03%62.50%0.5343.89%85.87%0.8090.70%51.32%0.48100.00%90.00%0.8889.69%97.75%0.97注：加粗部分用于計(jì)算總體精度的精度計(jì)算總體精度：75.67%；整體卡巴統(tǒng)計(jì)量：0.71.表7分類處理后的監(jiān)督分類最大似然分類的混合矩陣與精度測(cè)量情況類-參考數(shù)據(jù)123456總、計(jì)16732664991872481202001073047930288分類40211320045數(shù)據(jù)50012810846003008689總計(jì) 71119180439097600生產(chǎn)精度用戶精度條件卡巴系數(shù)94.37%35.83%0.2768.07%75.70%0.7043.89%89.77%0.8574.42%71.11%0.6990.00%96.43%0.9688.66%96.63%0.96注：加粗部分用于計(jì)算總體精度的精度計(jì)算總體精度：71%；整體卡巴統(tǒng)計(jì)量：0.65.表8分類處理后的反光帶混合分類混合矩陣與精度測(cè)量情況類參考數(shù)據(jù)總計(jì)1234561662618250117258116300105307125211136分類40518340057數(shù)據(jù)50002840866003008699總計(jì)71119180439097600生產(chǎn)精度用戶精度條件卡巴系數(shù)

68.07%77.14%0.7169.44%91.91%0.8879.07%59.65%0.5793.33%97.67%0.9798.97%96.97%0.96注：加粗部分用于計(jì)算總體精度的精度計(jì)算總體精度：81%；整體卡巴統(tǒng)計(jì)量：0.76.表9X2P值整體分類精度提升百分比ISODATA11.680.00065.00%MLC35.64<0.000110.17%HYBRID26.94<0.00018.00%表10基于遙感分類成果與DSS改善后成果的比較X2 P-valueISODATA24.81<0.0001MLC90.57<0.0001HYBRID26.94<0.0001ISODATA+DSS8.900.0029MLC+DSS40.48<0.0001圖66反射波段討論運(yùn)用三種方法對(duì)LandsatTM影像進(jìn)行影像預(yù)處理以及分類：監(jiān)督分類、非監(jiān)督分類以及混合分類方法，隨后對(duì)得到的分類成果的精度進(jìn)行評(píng)估。同時(shí)對(duì)各類分類成果作比較，旨在找出分類產(chǎn)品精度上的差別在統(tǒng)計(jì)特征上有無明顯差異經(jīng)研究發(fā)現(xiàn)，非監(jiān)督分類相較于監(jiān)督分類更加精確；結(jié)合監(jiān)督分類與非監(jiān)督分類的混合分類方法同樣比監(jiān)督分類的精度要高。但是，混合分類在與非監(jiān)督分類的比較中卻沒有表現(xiàn)出顯著的優(yōu)勢(shì)。之后，通過使用GIS提升了分類精度：首先，通過使用眾數(shù)濾波器(majorityfilter)去除椒鹽噪聲(也稱為脈沖噪聲)；然后，通過DSS應(yīng)用土地利用地圖中的輔助數(shù)據(jù)以及道路圖更新分類數(shù)據(jù)。其結(jié)果是，分類結(jié)果的精度有多達(dá)近10%的提高。一些人(Alrababah&Alhamad,2006)發(fā)現(xiàn)監(jiān)督分類工作的比非監(jiān)督分類效果更好，這項(xiàng)工作中卻表現(xiàn)出一個(gè)截然相反的結(jié)果。導(dǎo)致這種情況出現(xiàn)的原因可能是在監(jiān)督分類過程中，訓(xùn)練樣本并沒有考慮在這個(gè)區(qū)域的地表覆蓋中所有復(fù)雜的光譜變化。因而可以得出結(jié)論，進(jìn)行監(jiān)督分類的工作人員必須對(duì)該研究區(qū)域緊密的熟悉，才能夠正確的使用最大似然分類法(MLC)。在一個(gè)龐雜的多樣化區(qū)域，采集具有代表性的地面特征是非常具有挑戰(zhàn)性的事情。再這樣的地理情況下，顯然，基于統(tǒng)計(jì)學(xué)的分類可以通過使用ISODATA(迭代分類)方法得到理想的成果。在這項(xiàng)工作中取得的最佳的總體精度為81%，低于管理計(jì)劃預(yù)計(jì)的85%的水平(Andersonetal.,1976)。然而，事實(shí)上在一些出版物中報(bào)道的精度同樣普遍低于85%的目標(biāo)(Foody,2002;Wilkinson,2005),甚至評(píng)判精度達(dá)到多少視為有用的標(biāo)準(zhǔn)也不明確(Foody,2008;Wulder,Franklin,White,Linke,&Magnussen,2006)。雖然在一些研究中對(duì)土地利用和地表覆蓋取得了更高的精度，但是出版物上關(guān)于精度評(píng)定是怎樣進(jìn)行的也不明確，其它精度評(píng)定的過程也受到現(xiàn)有數(shù)據(jù)量的限制(Cingolanietal.,2004;Elmahboubetal.,2009;Fuller,Groom,&Jones,1994)。幾個(gè)美國(guó)的地表覆蓋地圖計(jì)劃使用了Landsat數(shù)據(jù)，數(shù)據(jù)精度達(dá)到了65-82%(Homer,Huang,Yang,&Wylie,2002)，83.9%的區(qū)域具有70-98%的整體平均精度(Homer,Huang,Yang,Wylie,&Coan,2004;Homeretal.,2007)，Xian,Homer,&Fry等人在2009年也達(dá)到了78.3-88.5%。因此，雖然我們有志于維護(hù)公正的標(biāo)準(zhǔn)，但是在這項(xiàng)研究中的精度的確令人十分滿意，因?yàn)樗愃朴谀M研究。一直有人聲稱遙感學(xué)界對(duì)于精度評(píng)估方面的要求近乎于苛刻，制作專題圖使用偏重保守的技術(shù)卻受制于過度嚴(yán)厲的、嚴(yán)格的評(píng)估，但是對(duì)于其他的地圖卻能容忍一些問題的存在。在這項(xiàng)工作中，當(dāng)作者們了解到這這種情況后，在分類后處理中使用了輔助地圖(ancillarymap)。因輔助數(shù)據(jù)由不同的專題類地圖數(shù)據(jù)構(gòu)成，所以使用同系列的檢校數(shù)據(jù)評(píng)估基于遙感分類數(shù)據(jù)的地圖的輔助地圖的精度。地圖圖例（maplegends）間的差異與互通性的問題往往是與專題地圖的比較中最大問題。因?yàn)閳D例間的轉(zhuǎn)換不一定是直接轉(zhuǎn)換，所以這也可能是最主要的誤差來源。同樣含蓄的假設(shè)了在地圖融合完美的情況，但是這種假設(shè)還沒有被證實(shí)。因輔助地圖的精度還不能確定，作者希望能夠通過多種數(shù)據(jù)的結(jié)合使用，規(guī)避由于這些輔助地圖融合帶來的產(chǎn)品誤差。不過，由于使用這些地圖，一些錯(cuò)誤可能已經(jīng)被引入最終的專題圖。評(píng)估DSS單獨(dú)每個(gè)階段的精度提升狀況，證實(shí)了地圖融合對(duì)精度的提高高于它所帶來的誤差，這種檢驗(yàn)結(jié)果還沒有被那些在分類后處理精度提升中融合了幾組輔助數(shù)據(jù)的工作者報(bào)道。在未來的研究中建議采用這種方法，即在最終精度的過程中檢查每個(gè)組成部分的附加值。任何附加數(shù)據(jù)都會(huì)對(duì)其精度產(chǎn)生影響，因?yàn)榫鹊奶嵘Q于研究區(qū)狀況，初步分類成果的質(zhì)量以及輔助數(shù)據(jù)。在進(jìn)行中的每個(gè)階段都應(yīng)單獨(dú)進(jìn)行評(píng)估，在工作流程中也同樣需要評(píng)估；增加一種數(shù)據(jù)源可能會(huì)對(duì)精度有消極的影響，但是與另一個(gè)工作階段或者是附加數(shù)據(jù)源的結(jié)合可能會(huì)增加精度，反之也一樣。因而，盡管一般建議通過遙感技術(shù)結(jié)合附加的空間數(shù)據(jù)源，但不能保證添加越多的空間數(shù)據(jù)一定會(huì)提升最終的精度,這需要通過反復(fù)試驗(yàn)強(qiáng)制消除冗余的、損壞的數(shù)據(jù)。據(jù)觀察，通過利用DSS所有組件對(duì)農(nóng)業(yè)區(qū)域進(jìn)行更新，對(duì)改善最終成果的精度起到了最大的作用。盡管包括農(nóng)作作物在內(nèi)的圖斑在不同的MLC語音階段的訓(xùn)練樣本，仍與牧場(chǎng)區(qū)、城市區(qū)以及森林域混淆。由于有一些地區(qū)已經(jīng)長(zhǎng)時(shí)間未耕種了，這個(gè)問題可以通過對(duì)一年內(nèi)多張影像進(jìn)行分類，以此在所有區(qū)域來捕捉植物的峰值，這類技術(shù)以前被用來傳統(tǒng)的稻田管理以及森林類型分類中。不幸的是，