基于GEE的洱海流域土地利用_覆被分类算法对比研究.pdf

西北林学院学报2 0 2 4,3 9(1):2 8-3 5J o u r n a l o f N o r t h w e s t F o r e s t r y U n i v e r s i t y d o i:1 0.3 9 6 9/j.i s s n.1 0 0 1-7 4 6 1.2 0 2 4.0 1.0 4基于G E E的洱海流域土地利用/覆被分类算法对比研究 收稿日期:2 0 2 2-1 2-3 1 修回日期:2 0 2 3-0 2-1 7 基金项目:国家自然科学基金地区项目(4 1 9 6 1 0 4 0);云南省农业联合专项面上项目(2 0 2 1 0 1 B D 0 7 0 0 0 1-1 0 1);云南省中青年学术和技术带头人后备项目(2 0 2 3 H B)。第一作者:董亚坤。研究方向:资源与环境遥感。E-m a i l:2 4 4 7 8 4 9 1 1 5q q.c o m*通信作者:曾维军,硕士生导师,副教授。研究方向:资源与环境遥感。E-m a i l:z e n g w e i j u n d e 1 6 3.c o m董亚坤1,3,王 钰1,3,何紫玲1,3,王 鹏1,3,赵 昊2,3,曾维军1,3*(1.云南农业大学 水利学院,云南 昆明 6 5 0 2 0 1;2.云南农业大学 资源与环境学院,云南 昆明 6 5 0 2 0 1;3.自然资源部 云南山间盆地土地利用野外科学观测研究站,云南 昆明 6 5 0 2 0 1)摘 要:快速准确地进行复杂高原山区的土地覆被长时序自动分类,可为国土规划、资源利用提供依据。利用G E E云平台,选取L a n d s a t影像地表反射率、植被指数、水体指数、D EM 4种空间数据集作为土地覆被分类的基础和辅助数据,分别运用C A R T、R F和S VM 3种分类算法,实现洱海流域土地覆被信息的自动提取和精度对比。结果表明:1)3种分类算法中,R F的总体分类精度最高,S VM的总体精度最低;R F是洱海流域L U L C的最适宜分类算法。2)采用光谱指数、地形特征等辅助数据集会进一步提高解译精度,而样本点的选取是最主要的影响因素。3)E r h a i_R F能够达到较高的精度,同时更加突出细节特征,在局部实际分类精度上会更高。研究结果可为洱海流域长时序土地覆被数据产品智能快速提取以及最优分类算法筛选提供方法和技术支撑。关键词:G E E;洱海流域;土地利用/覆被变化;分类算法;R F中图分类号:S 7 1 4.9 文献标志码:A 文章编号:1 0 0 1-7 4 6 1(2 0 2 4)0 1-0 0 2 8-0 8C o m p a r i s o n o f L a n d U s e/C o v e r C l a s s i f i c a t i o n A l g o r i t h m s i n t h e E r h a i W a t e r s h e d B a s e d o n G E ED O N G Y a-k u n1,3,WA N G Y u1,3,H E Z i-l i n g1,3,WA N G P e n g1,3,Z H A O H a o2,3,Z E N G W e i-j u n1,3*(1.C o l l e g e o f W a t e r R e s o u r c e s,Y u n n a n A g r i c u l t u r a l U n i v e r s i t y,K u n m i n g 6 5 0 2 0 1,Y u n n a n,C h i n a;2.C o l l e g e o f R e s o u r c e s a n d E n v i r o n m e n t,Y u n n a n A g r i c u l t u r a l U n i v e r s i t y,K u n m i n g 6 5 0 2 0 1,Y u n n a n,C h i n a;3.Y u n n a n I n t e r m o u n t a i n B a s i n L a n d U s e F i e l d S c i e n t i f i c O b s e r v a t i o n a n d R e s e a r c h S t a t i o n,M i n i s t r y o f N a t u r a l R e s o u r c e s,K u n m i n g 6 5 0 2 0 1,Y u n n a n,C h i n a)A b s t r a c t:I n c o m p l e x h i g h l a n d a n d m o u n t a i n o u s a r e a s,r a p i d a n d a c c u r a t e l o n g-t e r m a u t o m a t i c l a n d c o v e r c l a s s i f i c a t i o n c a n s e r v e a s a f o u n d a t i o n f o r l a n d p l a n n i n g a n d r e s o u r c e u t i l i z a t i o n.I n t h i s p a p e r,f o u r s p a t i a l d a t a s e t s,n a m e l y L a n d s a t i m a g e s u r f a c e r e f l e c t a n c e,v e g e t a t i o n i n d e x,w a t e r b o d y i n d e x,a n d D EM,w e r e s e-l e c t e d a s t h e b a s i s a n d s u p p o r t i n g d a t a f o r l a n d c o v e r c l a s s i f i c a t i o n b y u s i n g t h e G E E p l a t f o r m.T h r e e c l a s-s i f i c a t i o n a l g o r i t h m s,C A R T,R F,a n d S VM,w e r e a p p l i e d t o a u t o m a t i c a l l y e x t r a c t a n d c o m p a r e t h e a c c u r a c y o f l a n d c o v e r t y p e i n f o r m a t i o n i n t h e E r h a i w a t e r s h e d.T h e r e s u l t s s h o w e d t h a t 1)t h e c l a s s i f i c a t i o n a c c u r a-c y o f R F w a s t h e h i g h e s t,a n d t h e o v e r a l l a c c u r a c y o f S VM w a s t h e l o w e s t a m o n g t h e t h r e e c l a s s i f i c a t i o n a l-g o r i t h m s.R F w a s a o p t i m a l c l a s s i f i c a t i o n a l g o r i t h m f o r L U L C i n t h e E r h a i b a s i n.2)T h e u s e o f s u p p o r t i n g d a t a s e t s f u r t h e r i m p r o v e d t h e a c c u r a c y o f t h e i n t e r p r e t a t i o n.T h e s e l e c t i o n o f s a m p l e p o i n t s w a s t h e k e y i n-f l u e n c e.3)E r h a i_R F w a s c a p a b l e o f a c h i e v i n g h i g h e r a c c u r a c y.M e a n w h i l e,t h e d e t a i l e d f e a t u r e s w e r e m o r e p r o m i n e n t.I t w i l l b e m o r e a c c u r a t e i n t e r m s o f l o c a l a c t u a l c l a s s i f i c a t i o n.T h i s s t u d y c a n p r o v i d e m e t h o d o-l o g i c a l a n d t e c h n i c a l s u p p o r t f o r i n t e l l i g e n t a n d r a p i d e x t r a c t i o n o f l o n g-t i m e s e r i e s l a n d c o v e r d a t a p r o d u c t s a n d s c r e e n i n g o f o p t i m a l c l a s s i f i c a t i o n a l g o r i t h m s i n t h e E r h a i w a t e r s h e d.K e y w o r d s:G E E;E r h a i w a t e r s h e d;l a n d u s e/c o v e r c h a n g e;c l a s s i f i c a t i o n a l g o r i t h m;R F 土地利用/覆被变化(L U L C)反映区域的经济水平和城镇化的发展1-3。准确分类和评估土地利用变化对于保护土地和生态环境及制定可持续发展战略至关重要4。遥感影像具有观测面积广、周期短等优点,在监测大面积及长时序土地覆被变化方面具有优势,因此在L U L C分类中被广泛使用5。从单一类型的L U L C变化监测,如森林、水域等,到地表覆被的全部分类6;从传统的人工目视解译,到如今的人工智能自动、批量化解译7。随着遥感技术及处理平台的发展,机器学习算法、人工智能解译在遥感影像分类中的应用,分类和回归树(c l a s s i f i-c a t i o n a n d r e g r e s s i o n t r e e,C A R T)5、随 机 森 林(r a n d o m f o r e s t,R F)8、支持向量机(s u p p o r t v e c t o r m a c h i n e s,S VM)9等方法广泛应用于遥感图像分类中,G E E是一个采用J a v a S c r i p t或P y t h o n语言调用、处理和分析数据的平台6,其性能稳定,尤其适合大范围、长时间、多源遥感数据解译,一经推出便被众多科研人员使用,研究区涉及平原1 0、岛屿1 1、流域盆地1等地形地貌。洱海流域内的大理市属于旅游胜地,频繁的人类活动造成地表变动剧烈1 2。目前,有关洱海流域土地覆被产品,如G l o b e l a n d 3 0、G L C_F C S 3 0等是公认度较高的土地覆被产品,但总体精度不高,各有优缺点5,在对分类精度要求更高的中小尺度内会存在区域适应性不强的问题8。如G L C_F C S 3 0在云南山区会将湖泊、耕地错分成草地、林地或城镇用地;许晓聪等1 3指出G l o b e l a n d 3 0 分类结果细节表现不足且经过人工处理,而G L C_F C S 3 0在中国南部的丘陵城市、印度中部的乡村、美国的东部平原,会出现部分地类错分或者分类结果不完整。陈逸聪等1 4指出,F R OM_G L C、G L C_F C S 3 0 和 G l o b e-L a n d 3 0总体对占长三角地区面积越高的地类其分类精度越高。此外,谷晓天等1 5、戴琴等1 6对比4种分类算法,指出区域最优的分类算法并进行精度对比;贾玉洁等1 7将面向对象特征的决策树、I S O-D AT A法和最大似然法对S e n t i n e l-2 A影像进行分类对比,指出面向对象特征的决策树方法在大理市的适用性较好。众多分类方法多集中于单期的土地利用/覆被分类,缺少长时间序列下较大面积复杂高原山区的快速、准确提取。而高原山区受山脉阴影、地形复杂等因素影响,在遥感影像的长时间、高效分类上,难以满足研究需求。因此,本研究利用G E E平台,利用C A R T、R F和S VM 3种常用的机器学习方法,进行洱海流域的长时间土地利用覆被变化分类,寻找最适合的分类方法,为洱海流域土地的合理开发利用及产业布局规划提供数据参考。1 材料与方法1.1 研究区概况洱海流域位于中国云南省大理白族自治州境内,流域面积2 5 6 5.0 k m2,属于川滇生态屏障区的重要组成部分1 8。流域气候湿润,是典型的亚热带高原季风气候,具有年温差小、日温差大、干湿季节分明的气候特点1 9。1.2 数据来源和处理1.2.1 数 据 来 源 基 于G o o g l e E a r t h E n g i n e(G E E)平台数据集,选取数据见表1。表1 数据来源T a b l e 1 D a t a s o u r c e s数据描述地表反射率2 0 0 0、2 0 0 5年和2 0 1 0年影像为L AN D S A T/L T 0 5/C 0 1/T 1_S R数据,2 0 1 5年和2 0 2 0年的影像为L AN D S A T/L C 0 8/C 0 1/T 1_S R数据高程采用NA S A的D EM数据,分辨率为3 0 m土地利用土地利用/覆被数据(G L C_F C S 3 0)来自中国科学院地球大数据科学工程数据共享服务系统真彩色将L a n d s a t传感器中的红、绿、蓝3个波段在遥感图像处理软件中合成一幅彩色图像,以显示真实地表颜色信息1.2.2 数据处理 首先,基于G E E平台加载研究区矢量边界和已有的土地利用/覆被数据(G L C_F C S 3 0);选取研究区地表植被生长状况较好的时间段,同时为消除冬季高山积雪影响,设置各年份影像获取时间均为3-1 0月(此时间段虽横跨3个季节,但却为研究区种植水稻等粮食作物时节,也是植被生长旺盛时期,可利用季节性差异进行土地覆被分类),通过年份筛选含云量低于2 0%的遥感影像;其次,采用G E E中的算法对每期原始卫星影像数据进行裁剪等预处理,构建光谱指数;基于D EM数据提取高程、坡度等,构建地形特征,联合光谱指数构建多维分类特征集;然后,基于G o o g l e E a r t h P r o、遥感影像和G L C_F C S 3 0产品数据选取样本点,进行洱海流域的L U L C分类;之后进行八邻域空间滤波等分类后处理,平滑影像。研究技术路线见图 1。1.3 研究方法1.3.1 土地利用分类和样本点选择 结合研究区实际情况,将洱海流域的土地利用类型分为耕地、林92第1期董亚坤 等:基于G E E的洱海流域土地利用/覆被分类算法对比研究地、草地、水域、建设用地和未利用地 6 类。样本点的选取采用“多源一致、时序稳定、均匀选取”的方法5。首先在G L C_F C S 3 0等产品中遴选分类可信、稳定不变的区域选取样本点;其次利用实地调查数据、G o o g l e E a r t h P r o历史影像、不同波段的影像组合选取样本点;在此基础上,再根据分类结果、评价精度,结合实地确认的地类,以目视方式,适当修正少量样本点,保证样本均匀分布的同时反复调整训练样本使不同方法分类效果达到较优状态1 5。经对不同地类、不同年份的样本点计算,样本点的重合率在8 0%以上,重合的区域为湖泊、永久基本农田、受人类活动影响较小的林地和草地以及建设用地(表2)。图1 技术路线F i g.1 T e c h n i q u e r o u t e表2 训练样本点T a b l e 2 T r a i n i n g s a m p l e p o i n t s个年份耕地林地草地水域建设用地未利用地总计2 0 0 07 58 59 33 46 573 5 92 0 0 57 69 11 0 03 46 873 7 62 0 1 07 68 69 33 46 673 6 22 0 1 56 38 28 33 67 473 4 52 0 2 06 48 38 63 47 773 5 11.3.2 分类特征 洱海流域地形、地貌多样,有高耸的苍山山脉,需要选择多种特征参数进行辅助分类,以提高分类精度。首先应用遥感影像丰富的光谱信息,因此光谱特征是最主要的特征参数。而山体阴影、坡度等会影响洱海流域土地利用/覆被分类,所以地形特征是分类过程中除光谱特征外最主要的特征参数1 7。在光谱特征中,植被在洱海流域中所占面积最大,N D V I和E V I是区分植被与非植被的重要参数;洱海流域存在大面积水域,城镇用地主要分布在洱海周围坝区与盆地坝区,MN DW I和N D B I对水域和城镇用地的提取具有重要作用。1.3.3 土地利用分类算法 选取目前常用的3种机器分类方法 C A R T、R F和S VM分别进行土地利用分类,选取其中最适合研究区的分类算法。C A R T方法是一种决策树学习分类器,其基本原理是从训练数据中构建预测模型,通过递归分割数据空间,拟合每个分区预测模型来预测连续的测试变量和目标变量,获得决策树模型5。R F运用B o o t s t r a p方法进行随机且有放回地从训练集中抽取训练样本2 0。R F需要设置决策树个数和结点特征数2个参数,决策树个数过多会影响模型效率,过少则影响模型精度,因此在兼顾效率和精度的同时,通过试验确定决策树个数为3 03。S VM是V a p n i k根据统计学习理论提出的一种广义机器学习方法,通过计算出待分离样本之间的最佳分离超平面对样本进行归类2。G E E中 样 本 点 的 选 择 是 随 机 的,分 别 选 取6 0%、7 0%、8 0%、9 0%的样本点作为训练样本并进行分类对比,最终选取约7 0%的样本作为训练样本,约3 0%的样本作为验证样本。分类精度采用总体分类精度(OA)、消费者精度(UA)、生产者精度(P A)和K a p p a系数进行评价5。2 结果与分析2.1 整体分类结果对比分析在G E E中使用C A R T、R F和S VM对2 0 0 0、2 0 0 5、2 0 1 0、2 0 1 5年和2 0 2 0年的洱海流域L U L C进03西北林学院学报3 9卷 行分类,3 种分类算法的精度评价见表3。R F的总体精度和K a p p a系数均在9 0%以上;C A R T的总体精度在9 0%,K a p p a系数在8 7%;S VM的总体精度最高为9 1%,K a p p a系数最高为8 8%。单从总体精度和K a p p a系数来看,R F的总体精度和K a p p a系数都最高,C A R T,S VM的总体精度和K a p p a系数都最低。同时R F和C A R T的5期精度评价数值整体起伏变化基本一致,而S VM 5期精度评价数值结果波动较大,总体精度最大相差1 7%,K a p p a系数最大相差2 2%。以2 0 2 0年为例,3 种分类算法的分类结果及各土地利用类型的评 价精度见图2、表4。图2中,C A R T、R F和S VM均 能 够 很 好 地 对 洱 海 流 域 的L U L C进行分类。其中C A R T和R F的分类结果一致度更高,而S VM的分类结果和C A R T、R F有明显差别,尤其是在建设用地的分类中,如大理市区。R F算法下的6种土地利用类型的P A和U A整体要好于C A R T和S VM算法。除了未利用地的P A较低之外,其余土地利用类型的P A和U A均在8 0%以上,达到良好的分类效果。而通过比较,3种分类方法下的P A和U A均水体最高,林地次之,未利用地的分类精度结果最低。R F算法比C A R T和S VM算法的结果更准确,更适合于洱海流域的地类划分。表3 分类精度评价T a b l e 3 E v a l u a t i o n o f c l a s s i f i c a t i o n a c c u r a c y%年份C A R TOAK a p p aR FOAK a p p aS VMOAK a p p a2 0 0 08 9.08 6.09 3.00.9 17 4.06 6.02 0 0 59 0.08 5.09 3.00.9 18 3.07 8.02 0 1 09 0.08 7.09 5.00.9 38 3.07 8.02 0 1 59 2.09 0.09 3.00.9 19 1.08 8.02 0 2 09 1.08 8.09 3.00.9 18 8.08 4.0表4 2 0 2 0年3种分类算法下的混淆矩阵T a b l e 4 C o n f u s i o n m a t r i x u n d e r t h r e e c l a s s i f i c a t i o n a l g o r i t h m s i n 2 0 2 0分类方法土地利用类型耕地林地草地水域城镇用地未利用地UA(%)P A(%)C A R T耕地4 0100008 7.09 8.0林地02 610009 3.09 6.0草地211 70109 4.08 1.0水域0001 10011城镇用地40002 308 8.08 5.0未利用地00002000R F耕地4 0100009 3.09 8.0林地02 100008 4.01草地132 40109 6.08 3.0水域00060011城镇用地20003 409 7.09 4.0未利用地00100115 0.0S VM耕地3 7020008 6.09 5.0林地02 510008 9.09 6.0草地331 40017 8.06 7.0水域0001 50011城镇用地30001 4117 8.0未利用地001000002.2 局部分类结果对比分析由图3可知,C A R T解译的结果细节较为突出,如道路能够准确提取。但图斑较破碎,实际准确度不够高,有错分区域,如草地错分成耕地,林地错分成水域;S VM图斑较为连贯、成片,但线状地物不够突出,实际分类结果也不够高,存在错分或少区域,如建设用地比实际缩小或错分成未利用地;相比之下,R F在线状地物提取的准确度不如C A R T,在图斑连续性不如S VM,但实际分类结果要高于二者,尽管也存在错分地类,如草地错分成耕地。在满足评价精度和实际准确度的基础上,R F在三者当中分类精度最高,同时也可以处理分类上的微小差异。因此,得到了基于R F算法的5期洱海流域L U L C分类结果,称为E r h a i_R F(图4)。由表5可见,协同使用光谱和地形特征获得了最高解译精度,单独使用地形特征解译精度最低。洱海流域2 0 0 0、2 0 0 5、2 0 1 0、2 0 1 5年和2 0 2 0年最高总体精度分别为9 3.1 0%、9 2.9%、9 5.0%、9 3.3%和9 3.3%,对 应K a p p a系 数 分 别 为9 1.2%、9 0.6%、9 3.4%、9 1.5%和9 1.3%,满足分析要求。与单独使用光谱特征和地形特征的分类相比,加入光谱和地形特征后,5期OA平均分别提高了2.7%和2 0.8%。可见,联合光谱和地形特征后,总体精度得到一定提高。13第1期董亚坤 等:基于G E E的洱海流域土地利用/覆被分类算法对比研究图2 2 0 2 0年C A R T、R F和S VM土地利用分类结果F i g.2 L a n d u s e c l a s s i f i c a t i o n r e s u l t s o f C A R T,R F,a n d S VM i n 2 0 2 0图3 2 0 2 0年C A R T、R F、S VM分类结果细节对比F i g.3 A c o m p a r i s o n o f C A R T,R F,a n d S VM c l a s s i f i c a t i o n r e s u l t s i n 2 0 2 0图4 E r h a i_R F算法分类结果F i g.4 E r h a i_R F a l g o r i t h m c l a s s i f i c a t i o n r e s u l t s23西北林学院学报3 9卷 表5 R F不同特征组合的分类精度T a b l e 5 C l a s s i f i c a t i o n a c c u r a c y o f d i f f e r e n t c h a r a c t e r i s t i c c o m b i n a t i o n s o f R F%特征类型光谱特征OAK a p p a地形特征OAK a p p a光谱特征和地形特征OAK a p p a2 0 0 08 4.67 9.67 6.56 8.99 3.19 1.22 0 0 59 1.58 8.77 4.46 5.69 2.99 0.62 0 1 09 2.18 9.67 9.67 3.29 5.09 3.42 0 1 59 3.49 1.57 1.46 2.09 3.39 1.52 0 2 09 2.49 0.16 1.65 1.39 3.39 1.32.3 E r h a i_R F与G l o b e l a n d、G L C_F C S对比分析以2 0 2 0年为例,选取了海西海水库北部(图5 A)、山中道路(图5 B)、大理机场(图5 C)、典型草地(图5 D)和洱海入水口(图5 E)与出水口(图5 F)共6个区域进行对比分析。图5 A海西海水库北部的水体,图5 B、5 E、5 F的道路、桥梁,G l o b e l a n d和G L C_F C S 解译出部分或者未能完全解译出来,而E r h a i_R F能够较完整地解译出水体、道路和桥梁;从图5 C来看,E r h a i_R F和G l o b e l a n d均能够解译出机场跑道,但E r h a i_R F却将机场附近的草地错分成耕地。G L C_F C S 未能将机场解译出;由图5 B、5 D看,E r h a i_R F和G L C_F C S均能将林地和草地准确解译出,但E r h a i_R F也出现将草地错分成耕地。G l o b e l a n d也能够准确解译出林地但却将部分草地大面积错分成耕地。由表6分析可知,E r h a i_R F 2 0 2 0的P A和UA几乎全部高于G l o b e l a n d 3 0和G L C_F C S 3 0,最少也高出3.4 9%;同时OA和K a p p a系数也至少高出G l o b e l a n d 3 0和G L C_F C S 3 0 7.6%。其中E r h a i_R F 2 0 2 0的 草 地 的P A和U A较 于G l o b e l a n d 3 0和G L C_F C S 3 0相差最大,最大为7 4.0 4%;未利用地的P A和U A相较于二者相差最小,最小为4.3 4%。表6 E r h a i_R F 2 0 2 0与G l o b e l a n d 3 0、G L C_F C S 3 0的精度比较T a b l e 6 A c c u r a c y c o m p a r i s o n o f E r h a i_R F 2 0 2 0 w i t h G l o b e l a n d 3 0 a n d G L C_F C S 3 0%类型E r h a i_R F 2 0 2 0P AUAG l o b e l a n d 3 0P AUAG L C_F C S 3 0P AUA耕地9 8.09 3.07 4.8 67 6.8 77 4.4 15 9.4 7林地18 4.07 1.2 08 0.5 17 6.3 27 9.9 8草地8 3.09 6.06 5.3 82 1.9 43 9.2 33 1.0 9水域116 7.7 08 7.0 66 0.0 48 0.4 7建设用地9 4.09 7.06 8.3 67 9.3 37 6.9 47 5.9 2未利用地5 0.015 9.3 68 6.2 47 8.2 76 3.7 0OA9 3.38 5.77 7.3K a p p a9 1.38 2.07 2.9总之,局部区域解译 对比显示,E r h a i_R F与G l o b e l a n d、G L C_F C S 均存在错分区域。但E r h a i_R F与G l o b e l a n d、G L C_F C S较少存在错分,同时在线状地物上如道路提取更加准确。3 讨论使用R F、C A R T和S VM 3种分类算法进行洱海流域的土地覆被解译,均取得良好的分类结果。R F分类算法总体精度最高,C A R T次之,S VM最差,与K u l i t h a l a i等3、戴声佩等2学者的研究结果一致。3种分类算法在不同地类之间的分类精度各有优缺点。C A R T在城镇用地细节上更加突出,S VM在草地分类上准确度更高,而R F更适合实际分类准确度和评价精度都较高的地类。主要原因在于3种分类算法的原理不同,其次地形地貌、样本点的质量和数量也是原因之一。在多次分类试验中,使用高分辨率的遥感影像、样本点选取进一步准确、遥感影像进行正射校正消除山体阴影等都会进一步提高解译的精度。经对比分析,3种分类算法当中,R F的实际分类结果、总体精度等都最适合洱海流域,说明R F算法适合高原、山区、平原等地形地貌。同时在大范围内也可使用R F算法1 3,适用地形较多。训练样本点的质量、数量和分布对于分类结果至关重要1 3,2 0。样本点的数量和研究区的面积、地形、地类复杂度具有相关性。研究区面积越大、地形越复杂、分类地物越多所需样本点数量越多2 1。样本点数量要根据研究区的实际情况确定,样本点过多会影响解译的速度和效率,过少会影响解译的精度3。尽管将G o o g l e E a r t h P r o、已有的G L C_F C S产品、各种波段组合的影像联合在一起来选取样本点,但地表“同物异谱”“异物同谱”现象普遍存在,如坡耕地和草地,裸岩石区域和建设用地,从而不可避免地造成遥感图像分类过程中的错分、漏分等现象2 1。洱海流域属于高原山间盆地,流域面积2 0 0 0多k m2,属于中小尺度流域,分类只按一级地类。因此对样本点的选取力求随机均匀地分布在整个研究区。经多次试验,样本点选取的数量也只有数百个,和G l o b e l a n d、G L C_F C S等全球范围内的土地覆被产品选取数千甚至上万的样本点相比,相差巨大。但正是研究区域较小,所以R F分类方法在分类速度、分类精度上能够达到甚至超过G l o b e l a n d、G L C_F C S,但在地类分类数量上不如二者。一方面是尺度不同,G l o b e l a n d、G L C_F C S等是面向全球范围的L U L C产品,另一方面是面向的使用者不同,需求不同。小范围的研究区更追求分类结果的准确性。结合洱海流域的地形地貌,相关学者6提出R F的分类方法精度更高,与本研究结果一致,但仍存在不足33第1期董亚坤 等:基于G E E的洱海流域土地利用/覆被分类算法对比研究A.海西海水库北部;B.山中道路;C.大理机场;D.典型草地;E.洱海入水口;F.洱海出水口图5 E r h a i_R F与G l o b e l a n d、G L C_F C S分类结果对比F i g.5 C l a s s i f i c a t i o n r e s u l t s o f E r h a i_R F c o m p a r e d w i t h G l o b e l a n d a n d G L C_F C S之处。遥感影像分辨率可进一步提高,如使用高分辨卫星影像、多源影像融合等方法以达到更好的结果。另外,本次引入的主要特征为光谱及地形特征,在提高分辨率后可加入纹理特征,并使用其他分类方法如面向对象的分类方法进一步提高解译精度。同时今后选取更加准确的训练样本也会提高解译精度。4 结论在R F、C A R T和S VM分类算法中,R F对洱海流域分类精度最高,均超过9 0%,其次是C A R T,在9 0%左右,S VM最低,在8 5%左右;在使用相同数据源和训练样本的情况下,R F分类方法能够更准确识别各类地物信息,更适于洱海流域土地利用分类的研究。洱海流域土地覆被分类与地形地貌、样本点等具有相关性。R F、C A R T和S VM算法在洱海流域土地利用分类中均对水体的分类精度较高,对未利用地的分类精度较低。E r h a i_R F与G l o b e l a n d、G L C_F C S虽在局部分类上存在一定差异,但是在空间布局上保持着较高的一致性,具有较高的分类精度,满足研究需求。43西北林学院学报3 9卷 参考文献:1 位盼盼,昝梅.伊犁地区土地覆被变化及其对植被碳储量的影响J.西北林学院学报,2 0 2 0,3 5(4):1 5 8-1 6 6.WE I P P,Z AN M.L a n d c o v e r c h a n g e a n d i t s e f f e c t o n v e g e t a-t i o n c a r b o n s t o r a g e i n Y i l i R e g i o nJ.J o u r n a l o f N o r t h w e s t F o r e s t r y U n i v e r s i t y,2 0 2 0,3 5(4):1 5 8-1 6 6.(i n C h i n e s e)2 戴声佩,易小平,罗红霞,等.基于G E E和L a n d s a t时间序列数据的海南岛土地利用分类研究J.热带作物学报,2 0 2 1,4 2(1 1):3 3 5 1-3 3 5 7.D A I S P,Y I X P,L UO H X,e t a l.M a p p i n g l a n d u s e i n H a i n a n I s l a n d b a s e d o n G o o g l e E a r t h E n g i n e a n d L a n d s a t t i m e s e r i e s d a t aJ.C h i n e s e J o u r n a l o f T r o p i c a l C r o p s,2 0 2 1,4 2(1 1):3 3 5 1-3 3 5 7.(i n C h i n e s e)3 KU L I THA L A I S,D E KA P.S p a t i o-t e m p o r