摘要：本文是以面向对象的方法，高分辨率遥感影像为数据源，利用监督分类和基于专家知识的决策树分类对研究区进行城市土地利用类型分类及对分类结果进行比较。实验证明，对于高分辨率遥感影像来说，以选择训练样区为基础的监督分类精度要高于结合专家知识的决策树分类效果。
关键字：SPOT影像,监督分类,决策树分类,Envi,分类比较
1引言
随着深圳特特区一体化和城市化的快速发展，如何最大限度地利用城市未利用地，对城市发展及资源的优化配置有着极其重要的意义，遥感技术的发展大大提升了人类对地球环境的认知能力，是目前人类改造世界积极有效的依据和工具。遥感技术对城市未利用地如裸地、临时建筑、水体、闲置绿地等的提取提供了准确高效的方法，能有效地优化资源配置。
2本文用的数据及方法
本文利用法国SPOT-5卫星影像数据，借助Envi软件来实现对影像进行所需地物的提取。SPOT-5卫星是2002年5月4日由法国阿里安-4火箭发射入轨的，是法国空间局SPOT卫星系列中的最后一颗，其获取的影像较好地兼有高分辨率和大面积的技术优势，已被国土资源部列为较大比例尺土地利用调查、土地利用信息系统数据更新的主要卫星遥感影像。如何基于SPOT-5影像对地物进行解译，对地物进行准确的分类，从而辅助城市发展战略的规划，具有较为重要的意义。
SPOT-5卫星遥感数据特点：(1)采用新的技术，提高图像的几何精度，达到更高的地面分辨率;(2)采用12000 像元的CCD 探测器，以维持60km的地面数据宽度;(3)保留传感器的侧视功能,以增强重复观测能力;(4)增加沿轨道方向的立体成像功能;(5)在数据压缩、存储和传输等一系列方面都有了显著的提高[1]。
SPOT遥感影像特点：SPOT影像数据是由SPOT卫星上的可见光高分辨率传感器HRV获得的。HRV是一种推扫式扫描仪,采用了电荷耦合器件技术(CCD),具有良好的摄像质量。HRV有单波段全色和多光谱两种工作方式,相应获得两种数据:XS(XS1，XS2，XS3，XS4)和PAN。SPOT数据波段见表1。
3本文的技术流程
本文的技术流程如下图：
4 数据来源及分类过程
本文选取深圳市宝安区某区域SPOT影像作为基本数据源，进行预处理和分类比较。影像具有红、绿、近红外、全色四个波段。
先将数据进行几何校正、噪声去除、影像配准、用HIS方法将多光谱与全色波段进行影像融合等预处理。预处理之后的影像如图1。
4.1 监督分类
监督分类又称作训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其它信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此来完成对整个图像的分类。
本文根据典型区域选择训练样区，建立分类体系分别为水体、道路、园地、建筑物、耕地、裸地、绿地(绿地根据地物分布特征分为道路绿化带、公园和山林地)，选择分类器为最大似然法，分类结果如下：
4.2 根据专家知识的决策树分类
决策树分类法具有灵活、直观、清晰、强健、运算效率高等特点，在遥感分类问题上表现出巨大优势。它是遥感图像分类中的一种分层处理结构。其基本思想是通过一些判断条件对原始数据集逐步进行细化。其中，每一个分叉点代表一个决策判断条件，每个分叉点下有2个叶节点，分别代表满足和不满足条件的类别[3]。这种方法不但不需要依赖任何先验的统计假设条件，而且可方便地利用除亮度值以外的其它知识，所以在遥感影像分类和专题信息提取具有广泛的应用价值。有关SPOT5影像的研究，张晓星用专家分类方法应用在森林资源清查中[4]，杨敏、徐冬寅等利用SPOT5遥感图像数据应用在矿山地质环境调查[5]，张艮龙、冯益明等探讨了基于SPOT5遥感影像的小班区划[6]，本文总结他们的方法，利用SPOT5影像应用于土地分类。
地物光谱特征，简要总结如下：
1)居民地在绿光波段反射率最高;
2)水体在近红外和短波红外反射率明显低于其他地物反射率;
3)植被提取采取耕地和绿地在近红外反射率高，但前者在短波红外反射率最高;
4)道路在红光波段反射率最高;
5)居民地、城市建筑物在绿光波段反射率最高;
其中，选择的部分特征参数如下[7]：
根据研究区特征及其地物光谱特征，自定义决策树分类规则，分类结果如下：
5 分类的精度评价
由于影像地形的复杂性，任何软件都不可能完全精确的分类。通过评估可以判断所用分类器是否适合于特定的影像，所以评估分类结果的质量是极其重要的。本文通过分类稳定统计表和误差矩阵来评定分类的精度。且参照08年该区域第二次全国土地大调查数据，以水体为例：选取试验中232个水体对象，监督分类中：其中水体为211个，山体阴影为6个，园地为5个，精度达到91%;而利用目视解译可以发现，基于专家知识的决策树分类把许多山体阴影都判断成了水体，精度较低，这是由于地物纹理信息以及地物之间光谱和相元的相似性，导致其分类结果的误差。因此实验证明，针对SPOT5高分辨率影像来说，对SPOT5高分辨率影像，利用监督分类的方法精度较基于专家知识的决策树的分类精度高。
6 参考文献
[1] 廖瑛.SPOT-5遥感数据特性及其图像处理关键技术探讨[J].Science and Technology Innovation Herald科技创新导报,2009 NO.01:233-234.
[2]王晓怡，王艳泽等.基于决策树技术的城市建设用地信息提取方法研究[J].资源开发与市场Resource Development&Market,2009.25(3):226-228.
[3]陈华丽,陈植华,丁国平.用基于知识的决策树方法分层提取矿区土地类型--以湖北大冶为例[J]. 国土资源遥感,2004,(3):49-53.
[4]张晓星，专家分类方法在森林资源清查中的应用研究[J].林业资源管理FOREST RESOURCES MANAFGEMENT,2010,2(1):118-122.
[5]杨敏，徐冬寅等.Spot5遥感图像数据在矿山地质环境调查中的应用研究[J].黄金GOLD，2010,1(31):51-55.
[6]张艮龙，冯益明等.基于SPOT-5遥感影像的小班区划探讨[J].浙江林学院学报，2010,27(2)299-303.
[7]黄亮，左小青等.面向对象的道路信息识别提取分析[J].昆明理工大学学报(理工版)，2010,35(6)：6-10
