监督分类由于具有可充分利用分类地区的先验知识，预先确定分类类别，且可避免分类中出现严重错误的优点，是土地分类常用的分类方法之一。监督分类包括多种分类器，且对于分类器的适用范围，一直是遥感分类的关键问题。当前对于监督分类的研究，有些是将监督分类与其他分类方法进行对比研究，有些是对监督分类中的分类器进行研究。如金杰等以SPOT5遥感影像为例，从分类精度、错分漏分误差方面比较平行六面体法、最小距离法和最大似然估计法的利弊[1]；陈超等把监督分类和目视修改相结合对高分辨率遥感影像进行土地利用类型分类，显著提高了分类的精度[2]；昌小莉等针对湿地提取监督分类和决策树分类进行对比，发现监督分类的分类精度较高[3]；饶雄等利用多种分类器相结的方法对武汉市沌口开发区土地利用进行分类，发现多种分类器相结合比运用单一的分类器分类精度高[4]。为了进一步研究不同分类器对遥感影像分类精度的影响，该项研究运用平行六面体[5]、最小距离[6]、马氏距离[7]和最大似然[8]4种分类器对唐山市路南区、路北区的Landsat8遥感影像进行土地利用类型分类精度对比研究，以期为相似区域土地利用分类提供参考。

1 研究区概况与数据方法

1.1 研究区概况

本研究以唐山市路南区、路北区为主要案例区，研究区属唐山市核心城区，地处东经117°31′～119°19′，北纬38°55′～40°28′。路南区是唐山市的发祥地，历史、人文、生态资源丰富，其常住人口261 100人，总面积达67.33 km2；路北区是唐山政治、经济和文化中心，常住人口595 700人，总面积达112.85 km2。自2000年以来，唐山市市域空间布局从单一核心调整为“两核两代”的市域城镇空间新格局，市区土地利用也发生了快速变化。

1.2 数据来源

研究所用主要数据为唐山市2014年Landsat8 OLI遥感影像，包括9个波段，空间分辨率为30 m，其中包括一个15 m的全色波段，成像宽幅为185 km×185 km。其他的辅助数据包括2014年土地利用现状图、土地利用规划图、2010～2020年唐山市城市总体规划中心城区用地划分图等。

本次研究结果显示，术前超声误诊良性结节3个，误诊甲状腺癌6个，超声诊断甲状腺癌的灵敏度为70%，特异度为92.5%。甲状腺癌的声像图特征表现较为复杂，即便相同病理类型也会有不同的声像图表现，不同病理类型也会出现相同的声像图表现，因此甲状腺癌的临床诊断中，应综合考虑超声声像图表现的各项指标，这就需要从结节数量、形态、边界、回声强度、回声均匀、微小钙化、肿大淋巴结、Ⅲ型血流、囊变多个方面来进行综合鉴别。

1.3 监督分类方法

监督分类又被称为“训练分类法”，是用被确认类别的样本像元来识别未知类别像元的过程[9]。首先需要从研究区域选择有代表性的训练场地作为样本。根据已知训练区提供的样本，通过选择特征参数(如像素亮度均值、方差等)。建立判别函数，使每个像元和训练样本作比较，按不同的规则将其划分到最相似的样本类，以此完成对整个图像的分类。

本研究主要解译采用计算机解译与目视解译相结合的方法[13]，首先利用非监督分类中K-Means的方法对遥感影像进行计算机自动分类，查看分类类别数量以及各地类的空间分布，通过2014年土地利用现状图和规划图判断地物类别、合并相似类别；然后根据2010～2020年唐山市城市总体规划中心城区用地划分图、地类的光谱特性、研究区土地利用特征直接在图像上判读。根据实验结果，选取B7-5-1为最优波段组合，在此波段基础上进行解译。解译标志见表2。

 

表1 研究所用4种监督分类器说明

  

分类器分类原理像元值意义平行六面体(Paral-lelpiped)是指根据训练样本的亮度值形成一N维平行六面体的数据空间,其他像元的光谱值如果落到任何一个训练样本所对应的区域,就被划为其中[11]满足平行六面体准则的波段数最小距离(MinimumDistance)是以特征空间中的距离作为像素分类的依据[12],计算训练样本中每一类的均值向量作为该类在特征空间的中心位置,非样本的像元到哪一类中心距离最小就归为哪一类到类中心的距离马氏距离(MahalanobisDistance)计算输入图像到各训练样本的马氏距离(一种有效的计算两个未知样本集的相似度的方法),最终统计马氏距离最小的即为此类到类中心的距离最大似然(LikelihoodClassification)通过求出每个像元对于各类别的归属概率,把该像元分到归属概率最大的类别中去像元属于该类的概率

在Toolbox 工具箱中，分别选择平行六面体、最小距离、马氏距离、最大似然这4种分类器进行分类，分类结果见图1。

采用聚类方法[15]分别对4种分类结果中的零碎图斑进行平滑处理，然后对平滑后的4种监督分类结果建立混淆矩阵进行精度评价。精度评价借助2014年GF-1遥感影像，即从GF-1遥感影像中随机抽样采集真实初分6种土地利用类型样本，其中各类样本数均在20个以上，执行分类精度评价，分别得到4种分类方法的精度评价混淆矩阵(见表4～7)。

1.4 解译标志的建立

监督分类的分类器有平行六面体、最小距离、马氏距离、最大似然、神经网络、支持向量机等[10]。该项目对前4种方法进行讨论，这4种分类器的分类原理及其规则图像中像元值的意义见表1。

  

表2 土地利用类型遥感解译标志

2 土地利用类型遥感解译与精度对比

2.1 样本地类进行可分离性分析

2.正确把握好选人标准。《党政领导干部选拔任用工作条例》（以下简称《条例》）规定了选拔任用干部的六条原则和六项条件，对选拔领导干部的标准作出了明确规定。选拔干部要全面贯彻落实《条例》规定，坚持“四化”方针和德才兼备的原则，全面衡量、客观公正地评价备选干部，既不求全责备，也不以偏概全，要善于发现和选拔“有本事、靠得住”的人到领导岗位，做好领导干部能力建设的基础工作。

 

表3 土地利用类别样本可分离性数值

  

样本可分离性值样本可分离性值交通用地和城乡住宅0.89202993其他用地和其他建设用地1.99428185人工绿地和耕地1.47961554人工绿地和其他建设用地1.99623788园地和交通用地1.51143146水域和城乡住宅1.99671163人工绿地和园地1.66547689其他建设用地和工矿用地1.99790611园地和耕地1.76374833耕地和城乡住宅1.99915667其他建设用地和交通用地1.82528846其他用地和工矿用地1.99929677人工绿地和交通用地1.83199519人工绿地和水域1.99936314其他建设用地和城乡住宅1.84294962其他用地和园地1.99966852耕地和交通用地1.93929781人工绿地和工矿用地1.99970202其他用地和城乡住宅1.95958086耕地和其他建设用地1.99974352园地和城乡住宅1.96266735水域和其他建设用地1.99976025交通用地和工矿用地1.97941575水域和耕地1.99986439园地和其他建设用地1.97970981其他用地和人工绿地1.99994944水域和工矿用地1.98567556其他用地和水域1.99995853工矿用地和城乡住宅1.98675364耕地和工矿用地1.99997238人工绿地和城乡住宅1.98757426水域和园地1.99998451其他用地和交通用地1.99163339其他用地和耕地1.99999963水域和交通用地1.99310692园地和工矿用地1.99999989

由表3可知，交通用地和城乡住宅的可分离性值小于1，样本之间可分性最差；耕地、园地和人工绿地之间，交通用地和园地的可分离性数值均小于1.8，样本之间可分性较差；交通用地和其他建设用地、人工绿地，其他建设用地和城乡住宅的可分离性值处于1.8～1.9之间，样本之间可分离性较好；其他各地类的可分离性值均大于1.9，样本之间可分离性最好。所以将交通用地和城乡住宅合并，组成城乡住宅-交通用地类；将耕地、园地和人工绿地合并，组成耕地-园地-人工绿地类，最终选取耕地-园地-人工绿地、城乡住宅-交通用地、工矿用地、水域、其他建设用地、其他用地这6种训练样本。

利用ENVI 5.1软件中的ROI可分离性(Computer ROI Separability)工具来计算任意种类间的统计距离，根据参考文献[14]，地类间样本的可分离性值应处于0～2之间；当数值大于1.9时，样本之间可分离性好；当样本小于1.8时，需要重新选择样本；当小于1时，需将2种地类样本合并成一类样本。表3即为本实验计算出的样本可分离性数值。

2.2 土地利用类型监督分类结果

执行监督分类是根据分类的复杂度、精度需求等选择一种合适的分类器[11]。

  

图1 土地利用监督分类初分结果

根据目视效果，从整体上看，4种分类结果基本实现初分的目的，且层次较分明；但从细节上看，4种分类结果均出现零碎图斑，其中平行六面体和最小距离的分类结果碎斑较多，马氏距离和最大似然分类结果碎斑较少，且分类结果中均出现工矿用地和交通用地有所混淆的现象。

实践教学评价机制是通过对实践教学过程中的各个环节进行质量监督和评价，从而促进实践教学质量提高，是中医类专业教学环节中的重要一环。科学、系统、合理、客观的评价不仅能保证教学过程朝着人才培养目标发展，而且能及时了解教学中存在的问题，以评促建，以评促改，以评促管，评建改管相结合，为过程考核提供重要依据[2]。

2.3 4种分类器分类精度对比

熟练掌握几种常见离散型和连续型分布的相关函数命令,包括对应分布的随机数产生、分布函数、密度函数、分位数函数等命令;熟练掌握常用的特征数字的函数命令,例如均值、方差、中位数、协方差、相关系数、变异系数、峰度系数、偏度系数等;掌握常见的作图方法,包括绘制分布函数、密度函数、直方图等;能编写简单的程序来验证大数定律和中心极限定理;能设计简单的蒙特卡洛试验,来估计感兴趣的数值。

年底她刚刚从北京回来就在高速上出了交通事故，一时半会儿找不到熟悉的人帮忙，最后找到周桥前去协商处理，又带她去医院检查身体，然后被带到家里。

 

表4 平行六面体监督分类精度/%

  

错分精度用户精度漏分精度制图精度其他用地27.0572.955.0794.93水域3.9696.045.1594.85其他建设用地19.3280.688.7991.21工矿用地21.4078.6020.4779.53耕地-园地-人工绿地16.3783.632.3797.63城乡住宅-交通用地4.0595.9532.2567.75总体精度/%86.1444Kappa系数0.7868

 

表5 最小距离监督分类精度/%

  

错分精度用户精度漏分精度制图精度其他用地27.6572.356.3993.61水域0.2999.7114.7085.30其他建设用地11.1088.9014.0785.93工矿用地26.1573.853.2696.74耕地-园地-人工绿地4.1595.855.5594.45城乡住宅-交通用地7.5292.488.7891.22总体精度/%91.5857Kappa系数0.8719

 

表6 马氏距离监督分类精度/%

  

错分精度用户精度漏分精度制图精度其他用地14.3585.6512.8787.13水域0.3999.6111.0188.99其他建设用地9.5290.4810.3189.69工矿用地19.7480.263.3296.68耕地-园地-人工绿地4.5295.485.7894.22城乡住宅-交通用地9.8490.166.3293.68总体精度/%93.1543Kappa系数0.8946

 

表7 最大似然监督分类精度/%

  

错分精度用户精度漏分精度制图精度其他用地13.8086.200.6299.38水域0.3599.656.4193.59其他建设用地11.0188.993.1396.87工矿用地10.4989.513.0596.95耕地-园地-人工绿地4.1995.814.3495.66城乡住宅-交通用地7.7692.247.7892.22总体精度/%94.2569Kappa系数0.9117

分析表4～7发现，与其他3种分类结果相比，使用最大似然分类器执行监督分类的总体精度(94.256 9%)和Kappa系数(0.911 7)为最高。其中平行六面体总体精度为86.144 4%，Kappa系数为0.786 8；最小距离总体精度为91.587 5%，Kappa系数为0.871 9；马氏距离总体精度为93.154 3%，Kappa系数为0.894 6；最大似然总体精度为94.256 9%，Kappa系数为0.911 7。

就错分精度和漏分精度而言(精度越小越好)，最大似然和马氏距离分类效果明显好于平行六面体和最小距离；就用户精度而言(按地类精度超过90%的个数算，个数越多越好)，马氏距离除了工矿用地和其他用地之外，其他4种初分地类的用户精度均在90%以上，故认为马氏距离的用户精度最好，其他依次为最大似然、最小距离，平行六面体；就制图精度而言(按地类精度超过90%的个数算，个数越多越好)，最大似然的分类效果最好，其他依次为马氏距离、平行六面体、最小距离。

综上认为，最大似然分类效果最好，故以最大似然监督分类的结果作为6种土地利用类型的初分结果。

3 结论

(1)针对本实验认为运用最大似然分类器最合适，且最大似然分类法是经常使用的监督分类的方法之一。其他的3种分类器也是各有利弊，具体选取哪种分类要视影像具体情况而定，不能一概而论。分类中的难点是阈值的确定，需要经过实验得出。

(2)就初分土地利用类型而言，其他用地和工矿用地的精度最不稳定，错分和漏分较严重；水域分类精度最好，错分、漏分几乎没有，用户精度和制图精度均在85%以上；耕地、园地、人工绿地3种地类的可分离值较小，但根据本研究的意义，可将这3类划分成一大类，称耕地-园地-人工绿地。

参考文献：

[1] 金杰,朱海岩,李子潇,等.ENVI遥感图像处理中几种监督分类方法的比较[J].水利科技与经济,2014,20(1):146-160.

[2] 陈超,江涛,岳远平.监督分类和目视修改相结合在高分辨率遥感影像中的应用[J].国土资源信息化,2009(5):37-40.

[3] 昌小莉,董丞妍,罗明良,等.监督分类和决策树方法提取钦州湾湿地的对比分析[J].中国农学通报, 2014,30(32):295-300.

[4] 饶雄,高振宇.多分类器联合监督分类方法研究[J].四川测绘,2006,29(1):14-16.

[5] 刘建南,冷亮,杨国东.遥感影像平行六面体法则监督分类与目视识别的对比分析[J].才智, 2009(19):89-90.

[6] 王立国,赵亮,石瑶.基于最大最小距离的高光谱遥感图像波段选择[J].智能系统学报,2017,3(23):1-8.

[7] 林海军,张绘芳,高亚琪,等. 基于马氏距离法的荒漠树种高光谱识别[J].光谱学与光谱分析,2104,34(12):3358-3362.

[8] 王曾林,朱大明.基于遥感影像的最大似然分类算法的探讨[J].河南科学,2010,28(11):1458-1461.

[9] 李石华,王金亮,毕艳,等.遥感图像分类方法研究综述[J].国土资源遥感,2005,17(2):1-6.

[10] 靳文戟,刘政凯.多类别遥感图像的复合分类方法[J].环境遥感,1995,10(4):298-302.

[11] 邓书斌,陈囚锦,杜会建,等.ENVI遥感图像处理方法[M].北京:高等教育出版社,2014,134-140.

[12] 梅安新,彭望琭,秦其明,等.遥感导论[M].北京:高等教育出版社,2001,195-198.

[13] Usery E L.Book Review-Remote Sensing and Image Interpretation[J]. Photogrammetric Engineering & Remote Sensing,2015,81(8): 615-616.

[14] 王瀚征. 基于非监督分类与决策树相结合的30 m分辨率土地利用遥感反演研究[D]. 石家庄:河北师范大学, 2016.

[15] 韩超峰. 唐山南部地区土地利用/覆盖变化及其驱动机制研究[D]. 北京:中国农业科学院, 2008.