基于ENVI軟件對忻州窯礦土地類型識別及精度評價*

邵亞琴，王佳佳，銀玉霞

（1.內蒙古科技大學 礦業(yè)與煤炭學院，內蒙古 包頭 014010；2.內蒙古同方科技有限公司，內蒙古 烏蘭察布 012000）

自1995年，提出了“土地利用和土地變化”的研究計劃以來[1]，利用監(jiān)督分類、誤差矩陣等的方法，分析監(jiān)督分類的精度及原因.飛速進步和發(fā)展的遙感技術，出現更多的遙感影像分類方法，不同方法會有精度不一，所以在土地利用類型分類中對精度產生了一定的影響.我國專家學者在這一領域取得了很多研究成果[2].劉曉靜等[3]以長春市為例，選擇三景影像，分別進行土地利用分類，研究三期土地利用分類結果，利用GIS進行時空面積分析.張明等[4]以焦作地區(qū)為例，進行土地覆蓋分類，對結果進行比較分析和精度評價，實際工作中根據不同需求選取適當分類器提供依據.曹倩倩等以安徽省黃山市黟縣為例，結合軟件，對該區(qū)域分別用監(jiān)督分類中不同方法進行分類，最后對分類結果進行精度評價.利用不同的分類方法和分類精度評價結果，最終選取精確的分類方式[5].

1 數據處理

1.1 研究區(qū)域概況

忻州窯礦所在位置為大同煤田東北端，東經113°3′56″～113°8′16″，北緯40°2′8″～40°4′58″，面積為18.13 km2.研究區(qū)處于地形陡峭起伏的黃土高原的邊緣，屬于半干旱區(qū)暖濕帶氣候，礦區(qū)的居民及周圍企業(yè)的生命財產安全和煤炭開采活動都被它們影響.大同礦區(qū)煤炭規(guī)模開采始于二十世紀三十年代，煤炭產量逐年增長，但是煤炭開采嚴重影響到區(qū)域環(huán)境，形成很多的采煤塌陷區(qū).根據人類活動以及自然因素和數據來源，將時間劃分為5個階段，研究的影像時間主要是在7月和8月，云量要求小于百分之五，2004，2007，2010年所用數據為Landsat 4-5 TM遙感影像.2014，2017年所用數據為Landsat 8 OLI遙感影像.

1.2 輻射定標

一般來說，輻射定標目的就是將傳感器電壓值或圖像數字量化值（DN）的記錄，轉化為輻射亮度值或反射率或表面溫度等物理量的處理過程[6].利用在地理空間數據云中下載的數據，將*MTL文件先進行輻射定標，每景影像的輻射定標圖如圖1所示.

圖1 年輻射定標（a）2004年；（b）2007年；（c）2010年；（d）2014年；（e）2017年

1.3 大氣校正

為了了解某一物體表面的光譜屬性，將它的反射信息從大氣和太陽的信息中分離出來，這就需要進行大氣校正過程.為2004～2017年的光譜圖像，即大氣校正前與大氣校正后的對比圖像，如圖2～6所示.

圖2 2004年的光譜圖像（a）大氣校正前；（b）大氣校正后

圖3 2007年的光譜圖像（a）大氣校正前；（b）大氣校正后

圖4 2010年的光譜圖像（a）大氣校正前；（b）大氣校正后

圖5 2014年的光譜圖像（a）大氣校正前；（b）大氣校正后

圖6 2017年的光譜圖像（a）大氣校正前；（b）大氣校正后

1.4 圖像裁剪

在圖像裁剪前先應進行坐標轉換，統(tǒng)一坐標系.已有的矢量文件坐標系為西安1980坐標系，在地理空間數據云中下載的數據為WGS-84坐標系，所以按照分帶規(guī)則，研究區(qū)域經度為125°，轉為西安19帶.

圖像裁剪的目的是將研究之外的區(qū)域去除.本次在ENVI 5.3下利用矢量數據進行圖像的不規(guī)則裁剪，裁剪圖如圖7所示.

圖7 矢量數據影像的不規(guī)則裁剪

1.5 土地利用類型劃分

對大同礦區(qū)忻州窯礦的5期遙感影像分別進行輻射定標、大氣校正、坐標轉換與裁剪等一系列工作.土地利用分類系統(tǒng)在參照中國土地利用現狀分類國家標準的基礎上，綜合考慮遙感影像的解譯能力、研究區(qū)域主要地類以及科學性、系統(tǒng)性、實用性原則[7]，將大同礦區(qū)忻州窯礦的土地利用類型分為5種一級地類和2種二級地類.分別是林地、耕地、草地、工礦用地、建設用地、沙地、裸地等7類.各類土地類型利用現狀分類國家標準見表1.

表1 中國土地利用現狀分類國家標準（GB／T 21010—2007）

2 遙感影像解譯修正和統(tǒng)計

2.1 監(jiān)督分類

監(jiān)督分類，又稱訓練分類法，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.監(jiān)督分類的重點和難點在于選取訓練樣本，若是訓練樣本選的不好則會嚴重影像分類的精度[8].

2.2 采用最大似然技術

通過其他學者的驗證，證明最大似然在其他監(jiān)督分類的方法精度最高，而且采用最大似然方法也能使用掩模文件，符合研究區(qū)域不規(guī)則的性質.

為了確保分類精度，要避免各種其他原因的影響，要選擇充足的訓練樣本，能夠反映光譜的某些特性.選擇訓練區(qū)應遵循以下原則：

（1）選擇訓練區(qū)的時候，要具有典型性，單一的統(tǒng)計特征量應該與整體的統(tǒng)計特征量相近，這樣才能保證其精度.

（2）選擇訓練區(qū)的時候，要保證選擇區(qū)域內的地物屬于同一種地物，還要考慮到分布均勻的原則，防止過于片面，結果不夠準確[9].

（3）訓練區(qū)內的地物類型根據相關資料可以判斷.

選擇完訓練區(qū)后，應該判斷出各個樣本類型之間的可分離性，訓練樣本類型的可分離性較好，都超過了1.95.

3 分類后處理及精度分析

3.1 分類

監(jiān)督分類的分類結果中會因為計算機分類，產生很小的斑塊.所以對這些小斑塊，進行處理.選擇的是Majority／Minority分析，Majority／Minority分析采用類似于卷積濾波的方法將較大類別中的虛假像元歸到該類中，定義1個變換核尺寸[10].

總體分類精度：是指分類的時候符合要求的正確分類的像元總數除以總像元數，其公式如下：

Kappa系數計算公式如下：

錯分誤差：指分類的時候，將一種地類的像元，錯誤地將其分到另外一種或者幾種地類.計算式如下：

漏分誤差：指土地利用分類的時候，將原本應該分為一類的像元，漏分的像元，其公式如下：

制圖精度：制圖精度表示在本次分類中，該類別的地面真實參考數據被正確分類的概率，表達式如下：

用戶精度：用戶精度表示在該次分類中，落在該類別上的檢驗點，被正確分類為該類別的比率，比率表達式如下：

3.2 各期影像分類結果

按照最大似然的監(jiān)督分類方法，在ENVI 5.3中分類以及進行分類后處理，以下為2004～2017年土地利用類型分類結果，2004～2017年分類后處理的結果，將每期的分類后結果與分類后處理的結果放在一起，通過對比，達到突出效果的目的.對比圖如圖8～12所示.

圖8 2004年土地利用（a）分類結果；（b）處理結果

圖9 2007年土地利用（a）分類結果；（b）處理結果

圖10 2010年土地利用（a）分類結果；（b）處理結果

圖11 2014年土地利用（a）分類結果；（b）處理結果

圖12 2017年土地利用（a）分類結果；（b）處理結果

4 分類影像精度評價

對分類結果進行評價，確定分類的精度和可靠性，混淆矩陣用于本次精度驗證.真實參考源可以使用是標準的分類圖.真實的感興趣區(qū)驗證樣本的選擇在高分辨率影像上選擇.

4.1 2004年影像分類結果及精度分析

根據谷歌地球調查配合高精度衛(wèi)星圖片對2004年土地利用類型分類圖進行精度驗證，得到制圖精度中裸地的分類精度最低，為75%，雖然裸地的制圖精度較低，用戶精度都達到85%以上，總體精度為94.36%，Kappa系數為0.93，在5期影像分類中精度最高，說明2004年土地利用類型分類圖具有比較高的分類精度.分類精度評價情況由表2可知.

表2 2004年土地利用類型分類精度評價／%

4.2 2007年影像分類結果及精度分析

根據谷歌地球調查配合高精度衛(wèi)星圖片對2007年土地利用類型分類圖進行精度驗證，用戶精度中耕地的分類精度最低，為71%，制圖精度達到80%以上，其他分類精度均達到了70%以上，總體精度為92.20%，Kappa系數為0.90，說明2007年土地利用類型分類圖具有比較高的分類精度.2007年土地利用類型分類精度評價情況見表3.

表3 2007年土地利用類型分類精度評價／%

4.3 2010年影像分類結果及精度分析

根據谷歌地球調查配合高精度衛(wèi)星圖片對2010年土地利用類型分類圖進行精度驗證，錯分精度中耕地的分類精度較高，為31%，用戶精度達到68%以上，總體精度為90.41%，Kappa系數分別為0.88，說明2010年土地利用類型分類圖具有比較高的分類精度，具體情況由表4可知.

表4 2010年土地利用類型分類精度評價／%

4.4 2014年影像分類結果及精度分析

根據谷歌地球調查配合高精度衛(wèi)星圖片對2014年土地利用類型分類圖進行精度驗證，制圖精度中耕地的分類精度最低為63%，其他分類精度都達到88%，用戶精度都達到75%以上，總體精度為92.20%，Kappa系數為0.90，說明2014年土地利用類型分類圖具有比較高的分類精度.具體情況由表5可知.

表5 2014年土地利用類型分類精度評價／%

4.5 2017年影像分類結果及精度分析

根據谷歌地球調查配合高精度衛(wèi)星圖片對2017年土地利用類型分類圖進行精度驗證，制圖精度達到85%，精度較高，用戶精度耕地分類精度最低，為78%以上，雖然耕地的用戶精度較低，但是還是符合要求的，總體精度為94.33%，Kappa系數為0.93，在處理的幾期影像中精度最高，說明2017年土地利用類型分類圖具有比較高的分類精度.具體情況見表6.

表6 2017年土地利用類型分類精度評價／%

5 結論

利用監(jiān)督分類后的結果以及分類后精度，可以更好地對土地進行分類.根據表2～6可知：錯分誤差、漏分誤差較小，制圖精度和用戶精度較高.分析5期誤差矩陣還可知：由于沙地顏色明顯，在假彩色合成中呈白色，在遙感影像中容易識別，因此沙地幾乎沒有混分；工礦用地顏色較為明顯，紋理特征明顯，呈黑色或者深藍黑色，在遙感圖像上很容易識別，因此工礦用地幾乎沒有混分，精度最高；建設用地在假彩色合成的顏色也較為明顯，呈淺綠色或藍色，在遙感影像上容易識別，因此建設用地混分的較少；裸地以及耕地錯分誤差、漏分誤差較高，所以相比于其他地物類型，精度較低.總之，不同地類的訓練區(qū)提取精度都在85%以上，基本符合誤差矩陣的精度.對于土地利用類型的分類結果精度高，使用系列數據，更加準確地了解土地，制定更加合理的計劃.本次研究用Landsat影像數據作為數據源，使用ENVI軟件的監(jiān)督分類功能得到了大同礦區(qū)忻州窯礦2004～2017年的土地利用分類圖.獲得的2004～2017年的土地利用類型以及變化情況可以用于礦區(qū)土地發(fā)展的分析.利用遙感影像可以準確地獲得土地利用類型的變化，這為決策部門制定規(guī)劃提供了便利.