郑勇 成都理工大学 四川成都 610051

　　遥感作为现代地学研究的重要手段之一,已发展成为高精度、大范围、可实时获取地物信息的重要探测手段.利用遥感影像可提高对地物的识别能力,提高数据的利用率,方便数据的采集和处理【1】.

　　本文在用监督分类与非监督分类提取植被信息的同时,尝试用支持向量机法、最小距离法、IOSDATA法分类方法进行分析,并采用混淆矩阵等评价方法对分类结果进行精度评定.通过对比,得到了精度较高的植被分类方法,为植被信息提取方法的研究提供了重要的研究依据.

一、研究区概况

涪江的源头为岷山雪宝峰峰顶,其位置处于四川省松潘县与平武县之间,全长约700公里,其流域包括绵阳、遂宁以及重庆的部分地区,并最终在重庆合川区汇入嘉陵江,涪江上游段主要指涪江流经平武及江油的相关区域,以平武为主,江油为辅.研究区流域图如图1所示:

　　

　　图1 涪江流域示意图

二、数据来源

本次研究所用的遥感影像是从中国科学院地理空间数据云平台上下载的Landsat-8影像,其条带号为129,行编号为38,中心经度为104.9380,中心纬度为31.7420,Landsat-8影像的拍摄日期为2014年12月19日,当日的天气状况良好,影像上云量较少,占比为12.9%.

三、结果分析

(一)遥感影像的监督分类

(1)最小距离法分类

　　最小距离法是一种较为基础的分类方法.在执行最小距离法时,需要通过对已知的训练样本进行分析计算,得出其均值矢量,并以此作为其特征空间的中心位置,再将待分类区域的图像进行计算分析,并对图像像元距各类样本的距离进行统计分析.

　　在ENVI中选择supervised classification > Minimun distance classification,在弹出的框体中,选中所有的分类样本,对每一个需要进行类别分类的样本都进行标准差阀值的设定,选择Single Value,将值设置为4,并将最大距离误差(Max Distance Error )设置为None,然后再选择输出路径,执行最小距离分类.

　　(2)支持向量机法

　　支持矢量机是基于统计分析的一种算法,具有一定的学习与分析能力.通过对训练样本进行统计分析,查找各类别之间的差异性,并构造分类器,使各个类别之间的差异最大化.支持向量机法在各类地物的差异性较大时效果显著,应用的效果较好.

(二)遥感影像的非监督分类

(1)IOSDATA法

　　生成图像后,根据影像实际情况,将影像分类类别进行合并,最后对分类类别的颜色和名称进行调整.在这里,非监督分类图像被分为了光阴影区及水域、建设用地、林地、耕地、牧草地类.

(三)精度评价

本次研究共采用了三种分类方法对影像进行分类,下面就总体分类精度和卡帕系数对分类结果进行对比,对比结果如表1所示:

　　

　　表1 三种分类方法精度对比

　　从表1可看出支持矢量机法的分类精度最高,分类的效果最好,最小距离法次之,IOSDATA法精度最差.同时,考虑到三种分类方法中最小距离法对林地和耕地的分类精度较差,IOSDATA对地物的整体分类精度较差,支持矢量机法则对地物进行了有效的区分.