遥感地学智能图解模型支持下的土地覆盖/土地利用分类_地理论文

提　要　土地覆盖/土地利用 (LC/LU) 调查已经成为开展土地利用动态变化预测、自然灾害防治及土地利用规划、土地管理和环境保护的一项关键的基础性工作，受到广泛注意和重视。随着遥感技术和各种地学分析模型的发展和深入，利用遥感技术获得的影像数据对区域的 LC/LU 情况及其动态变化进行定期或不定期的监测，成为一种最为迅速可靠和理想有效的手段。常规的 LC/LU 遥感分类方法主要包括基于常规数理统计分类方法、基于人工神经网络分类方法、基于知识逻辑推理的分类方法等。论文综合这些方法的特性，提出了遥感地学智能图解模型支持下的 LC/LU 分类体系，并以香港地区为试验对象，采用多平台遥感数据和辅助地理信息，进行了土地覆盖/土地利用遥感应用研究。

关键词　遥感地学智能图解模型；土地覆盖—土地利用；遥感影像分类

中图分类号　TP75；F301.2

文献标识码　A

文章编号　1000－3037(2001)02－0166－06

1 引言

　　土地覆盖/土地利用 (LC/LU) 分类是随着遥感技术发展而出现的针对土地分类的新概念。土地覆盖侧重于土地的自然属性，是被自然营造体和人工建造物所覆盖的地表诸要素的综合体的反映，遥感影像分类可对所有地表覆盖物（包括已利用和未利用）进行分类；而土地利用则侧重于土地的社会属性，是人类根据土地的自然特点，按照一定的经济、社会目的，采取一系列生物、技术手段，对土地进行长期或周期性的经营管理和治理改造活动。土地利用是一个把土地的自然生态系统变为人工生态系统的过程，是自然、经济、社会诸因素综合作用的复杂过程，土地利用的方式、程度、结构及地域分布和效益，既受自然条件影响，更受到各种社会、经济、技术条件的约束，而且社会生产方式往往起决定性的作用^[1～2]。土地利用是土地覆盖变化的最直接和主要的驱动因子。

　　LC/LU 调查已经成为开展土地利用预测、自然灾害防治及土地规划管理和环境保护等关键的基础性工作，受到广泛重视。随着遥感技术和地学分析模型的深入发展，利用遥感技术对区域的土地覆盖或土地利用情况及动态变化进行定期或不定期的监测，成为最迅速可靠和理想有效的手段之一。在开展遥感 LC/LU 的调查研究工作中，经常将两者合并考虑，建立统一的分类系统，称为遥感 LC/LU 分类体系。本文针对香港地区 LC/LU 特点，在多平台遥感数据（包括 TM、SPOT－HRV、IRS－1C PAN）和地理辅助信息（包括地形数据和目视解译土地利用图）基础上，首先提出遥感地学智能图解模型 (RSIGIM)，并初步建立 LC/LU 智能化分类体系，最后是香港地区土地覆盖分类的实例分析。

2 土地覆盖/土地利用遥感分类一般研究方法

　　常规 LC/LU 遥感分类方法主要包括传统分类方法、人工神经网络分类方法、基于知识分类方法等。

2.1 传统 LC/LU 遥感分类方法

　　传统的遥感影像分类方法包括区域划分分类、分层分类（包括决策树）、统计分类等。其中区域划分和分层分类主要是根据遥感影像中的地学分异规律，针对影像中属于不同大类或景观区域，通过层次划分采用不同的分类决策规则，从粗到细进行逐步分类。成功典例如腾冲航空遥感实验的景观分异的树状模式，通过对河湖沉积相的识别进行江汉平原土地利用分类等等^[3]。这种分类方法需要依赖分类者对影像地学规律的达到一定的认识程度，才能够比较准确地反映真实的地学分布规律，其缺点是很难把握分类规则的标准，其中定性的成份比较多。而统计分类方法，如动态聚类、最小距离、最大似然分类器等，都是利用遥感数据的统计值特征或与训练样本数据之间的统计关系来进行地物分类，依赖于遥感影像数据的统计特性，一定程度上定量化地反映类别间的数学分布的特征。但纯粹的数理统计方法，由于没有地学知识的支持而难以真实反映一些特殊的地学分布，特别是处理复杂空间信息时难以确定其统计参数。

2.2 人工神经网络影像分类

　　与传统分类方法相比，人工神经网络 (ANN) 分类方法一般可获得更高精度的分类结果，因此 ANN 方法在遥感土地覆盖/土地利用分类中被广泛应用，特别是对于复杂类型的土地覆盖分类，ANN 方法显示了其优越性。如 Howald(1989)、McClellad(1989)、Hepner(1990)、T.Yosh ida(1994)、K.S.Chen(1995)、J.D.Paola(1997) 等利用 ANN 分类方法对 TM 图像进行土地覆盖分类，在不同程度上提高了分类精度；Kanellopoulos(1992) 利用 ANN 方法对 SPOT 影像的土地覆盖进行了多达 20 类的分类，取得比统计方法更精确的结果；G.M.Foody(1996) 用 ANN 对土地覆盖中的混合像元现象进行了分解；L.Bruzzone 等 (1997) 在 TM－5 遥感数据、空间结构信息数据、辅助数据（包括高程、坡度等）等空间数据基础下，用 ANN 方法对复杂土地利用进行了分类，比最大似然分类方法提高了 9% 的精度^[4～8]。与统计分类方法相比较，ANN 方法具有更强的非线性映射能力，因此，能处理和分析复杂空间分布的遥感信息。但是目前大多数 ANN 方法主要是针对遥感数据的计算行为，同样缺乏地学知识的支持，因此，也不能真实反映遥感影像中特殊类型的分布特征。

2.3 基于地学知识符号逻辑推理的影像分类

　　基于符号知识的逻辑推理遥感分类方法是在传统基于地学分异规律的分类方法基础上，通过对地学知识进行符号化表达和形式化逻辑推理的过程，来实现信息的判别，一定程度上能真实地反映地学分布规律。但是，由于遥感信息模糊、复杂的特点，很难用结构化、符号化的地学知识来表达蕴涵的土地覆盖规律及其动态发展的过程，而且遥感影像包含的信息量巨大，用串行的符号逻辑推理的处理方式进行影像分析，效率不高。近年来，在遥感 LC/LU 分类应用研究中，开始尝试用基于知识的逻辑推理分类方法和建立专家系统来进行遥感分类工作。如术洪磊 (1997) 等以规则形式表示遥感影像解译知识，使用 TM 数据和 DEM、坡度、土地利用图等地理辅助数据，从遥感影像处理、地理数据、专家知识一体化角度，对基于知识方法的遥感影像分类方法进行了研究；S.W.WHARTON(1987) 通过建立光谱知识库来提高城市土地覆盖分类的精度；B.Kartikeyan 等 (1995) 建立了遥感土地分类专家系统的框架模型，其中包括光谱知识库、推理机、知识自动获取机等，并针对光谱知识进行了实际的土地覆盖分类的实验工作^[9～12]。

3 遥感地学智能图解模型及土地覆盖/土地利用遥感分类

3.1 遥感地学智能图解

　　遥感地学智能图解 (RSIGIM) 是研究如何用计算机系统模拟地学专家对遥感影像的综合地学解译和决策分析的过程，从低到高分别需要经过包括信息传输及基本处理分析、影像的视觉生理认知理解、逻辑心理认知理解、知识发现、决策分析等多个层次的综合过程（图 1）。R SIGIM的最终目的是对影像中包含的地物目标、地学现象和过程等进行描述、识别、分类和解释，对遥感影像中地物和目标的类别、大小、结构、相互关系及其他地学属性等成像机理和内在特征进行提取，对蕴涵在遥感影像中的地学知识进行挖掘和表达，并进一步融合地学模型，进行地学现象和地学过程预测和决策分析。

图 1 遥感地学智能图解 (RSIGIM) 结构框架
Fig.1 The framework of RSintelligent geo-interpretation model

3.2 基于 RSIGIM 的土地覆盖/土地利用分类体系

　　基于 RSIGIM 土地覆盖/土地利用分类方法体系，包括 3 个层次的结构模型（图 2）。①数据预处理模型主要通过数理计算和统计分析进行影像的基本处理和分析，根据影像上未知地物在特征空间上数理统计的差异而实现基本分类和信息识别，获得对影像的基本单元分布的初步认识；②基于神经计算的影像分类模型是进一步模拟视觉神经处理系统的形象思维，在一定的地学知识支持下，通过对已知样本数据集的学习，获得复杂的非线性映射网络结构，实现对影像的土地覆盖类型从粗到细的层次分类；③最后在一定的结构化地学知识库（包括光谱知识库、地形知识库、土地利用知识库等）的支持下，通过基于符号的逻辑推理，从事实和服从一定的地学规律角度上对分类结果进行补充确认和修正，并结合目视解译获得的土地利用图进行土地利用的更新和决策分析。

图 2 基于遥感地学智能图解的土地覆盖分类体系结构
Fig.2 Systematic structure of land-cover classification based on RSGII

4 应用实例

4.1 香港地区土地覆盖/土地利用概况

　　香港土地利用规划在回归之前，经历了几个历史时期，包括针对 1949～1952 年间突然的大陆移民潮及 50 年代经济膨胀引起的土地需求而采取的应变式土地利用规划