0 引言

在半干旱区，植被的遥感制图有其特殊的困难。这些区域的植被叶面积指数普遍较低，在传统的垂直观测情况下，裸露的土壤背景容易对植被信号形成干扰，这直接造成了遥感制图的精度难以提高^[1]。

为了保证精度，干旱、半干旱区土地覆被利用研究多采用中高分辨率遥感影像作为数据源。以塔里木河流域为例：阿布都沙拉木^[2]以TM(thematic mapper)影像研究胡杨保护区的土地覆被变化；Aosier Buhe等^[3]以Aster数据提取胡杨林信息；黄粤等^[4]使用野外调查资料和TM/ETM(enhanced thematic mapper)卫星遥感影像数据对生态输水影响下的塔里木河下游地下水、植被变化特征进行分析。使用高分辨率影像在大尺度范围上进行遥感制图存在着数据量大和尺度转换方面的问题，像Modis这类中分辨率数据源更适合大范围的遥感制图。如张旭等^[5]使用EOS_Modis数据对塔河下游的植被覆盖进行分类研究；但该研究中未能给出土地覆被分类准确率的分析和评价，无法知道MODIS的分类效果。

MISR是美国NASA(美国国家航空航天局)发射的EOS TERRA卫星上搭载的多角度传感器，全称是“多角度影像光谱仪”。虽然在此之前，已有欧洲太空局的CHRIS、 POLDER等能提供多角度观测影像，但从获取多角度数据的能力及适用的应用领域来看，MISR无疑是具有开创意义的^[6]。与单一方向的遥感观测相比，多角度观测富含地表结构信息；在分类中如果加入反映地表二向性特性的方向信息，即使采用中等分辨率影像，也可以大大提高分类精度^[7]。Su等^[8]在北美Chihuahuan荒漠区使用MISR数据对19类荒漠植被进行分类发现，相比垂直观测数据，综合MISR和BRDF(bidirectional reflectance distribution function)模型参数的多角度数据使分类精度有较大提高；Jiao等^[9]探讨了多角度观测与植被覆盖指数、地表植被结构等的关系，认为多角度信息可以提供很多地表反射异质性特性和植被结构的信息。但是，目前国内针对MISR多角度数据的研究还比较少。

本文的目的：1)使用MISR数据作为数据源，在塔里木河下游区域分析多角度观测对半干旱区地表土地利用覆被分类结果的影响；2)分析不同角度和波段数据对分类结果的影响；3)探寻SVM(支持向量机)新的分类方法对分类结果的影响。

研究区(图 1)位于塔里木河下游(恰拉至台特玛湖，全长428 km)，86.5°E88.5°E，39.4°N41.2°N。塔里木河是我国最长的内陆河流，主要位于塔克拉玛干沙漠与库鲁克沙漠之间，全长1 321 km。自西北流向东南，形成了塔里木河冲积平原。区内地形呈西北高、东南低的态势，海拔798~1 027 m。该区域是典型的大陆型干旱气候，蒸发强烈，降雨稀少，温差大^[10]。

图 1 研究区 Fig. 1 Location of the study area

图选项

塔里木河下游沿河分布荒漠河岸植被，局部地段盐生荒漠植被发育。其中，天然乔木林以胡杨为主，灌木主要为柽柳、盐穗木、黑果枸杞、铃铛刺等，半灌木主要有大叶白麻、骆驼刺，草本植物主要有芦苇、小花棘豆、花花柴等。1972年大西海子水库建成后，下游363 km河道彻底断流，天然植被严重退化。自2000年开始，有关部门实施向塔里木河下游应急输水工程，以期恢复下游的生态系统^[11]。

MISR对传统天底观测的重要突破是提供了9个角度的观测信息，分别是：4个前向观测角相机AF(26.1°)、BF(45.6°)、CF(60.0°)、DF(70.5°)，4个后向观测角相机AA(26.1°)、BA(45.6°)、CA(60.0°)、DA(70.5°)，以及1个天底角相机AN(0.0°)。9个传感器扫描同一区域的时间为7 min。每个传感器都有4个波段：蓝光波段(446±21 nm)、绿光波段(558±15 nm)、红光波段(672±11 nm)和近红外波段(866±20 nm)。对于同一个地点，可以同时得到4个波段、9个角度共36个观测值。本研究使用的数据包括：天底角4个波段、275 m×275 m空间分辨率数据，其余8个角度红光波段、275 m×275 m空间分辨率数据和近红外波段、1.1 km×1.1 km空间分辨率数据(表 1)。除此以外，MISR的气溶胶和角度数据分辨率均为17.6 km×17.6 km^{[12, 13, 14]}。

MISR L1B2T数据是最为常用的数据产品，记录的是TOA(top-of-atmosphere)辐射数值。经过尺度转换和辐亮度转换后，再经过SMAC(simplified method for the atmospheric correction)大气校正法得到地表反射率^[15]。

此外，经过最近邻插值法处理，使除AN相机以外的其余8个相机近红外光波段地表反射率数据的分辨率与红光波段相同。最后，所有反射率数据通过坐标转换变为经纬度坐标。

针对塔里木河下游土地利用覆盖的实际情况，基于国际IGBP(international geosphere-biosphere program)分类体系，结合前人的研究内容，制定了土地利用覆被类型(表 2)。

以Quickbird和Worldview为代表的高分辨率遥感影像由于其高空间分辨率迅速成为了土地覆被制图的重要手段^[16]。本研究使用Quickbird和Worldview高分辨率遥感影像作为土地类型采集数据源，采集时间为20082010年的69月；MISR影像作为信息判别数据源，采集时间为2009年8月11日，轨道号为O051316。

高分辨率影像与MISR影像配准后，以MISR影像的红光波段像元大小275 m×275 m为样地面积，以高分辨率遥感影像人工判读方法为主、辅以野外观测的方式总共确定了4 367个样点的位置及其土地覆被利用属性(图 2)。

图 2 采样点分布 Fig. 2 Distribution of test samples

图选项

采样点选取的原则为：1)采样点位置为人工选取，空间分布尽可能遍布整个研究区，需能代表整个研究区的状况；2)各类采样点首先按实际区域中各种土地覆被利用类型所占比例多寡选取；其次，由于植被类型的重要性，提高了灌木和林地类型采样点的数量；3)灌木和林地类型采样点的选取要考虑到各种不同土壤和植被背景的情况，也要考虑到不同植被覆盖度的情况。

本研究中数据集构建的原则是：1)为了探寻MISR不同角度相机对分类结果的影响力，选取代表垂直观测的AN相机数据，分别与代表多角度观测的A、B、C、D前后向相机数据进行组合比对(表 3)；2)为了探寻不同波段的影响，重点选择了对土壤和植被敏感的红光和近红外波段，蓝光和绿光波段除了AN相机的分辨率较高留取以外，其他相机的蓝绿波段不做选择。

分别提取所有采样点位置MISR 9个相机的地表反射率数据(所有相机的红光、近红外波段，AN相机的蓝光和绿光波段，分辨率都是275 m×275 m)及采样点土地利用覆被类型，按照不同的组合方式将其分成20组数据作为土地类型信息判别数据。每组数据都随机选取1/3(1 442个)作为测试数据集，剩余的2/3(2 925个)作为训练数据集。

分类研究使用MLC(最大似然分类法)和SVM。

MLC在两类或多类判决中，假定各类分布函数为正态分布，并选择训练区，用统计方法根据最大似然比贝叶斯判决准则建立非线性判别函数集，计算各待分类样区的归属概率进行分类，是遥感监督分类方法中最经典传统的方法之一^[17]。本研究中使用了Envi^[18]软件中的最大似然分类法。

SVM是机器学习领域一个有监督的非参数学习模型，自Vapnik^[19]提出以来，以其抗噪声、有效应对小样本、非线性和高维数据、有效处理不平衡分类问题的特点在模式识别、分类和回归领域得到了广泛的应用^[20]。SVM方法通过一个非线性映射，把样本{(x_i,y_i),i=1,…,l,x_i∈R^N表示输入模式，y_i∈{-1,+1}表示目标输出}空间通过函数φ映射到一个高维乃至无穷维的特征空间中(Hilbert空间)，使原来样本空间中的非线性可分问题转化为特征空间中的线性可分问题。其优化目标函数形式为

点击浏览公式

点击浏览公式

SVM自诞生之后便在遥感的各个领域中得到了快速的发展，但是相比较决策树、神经网络等方法来说研究还有不足。

本研究中使用LibSvm软件^[21]来实现SVM分类。

首先，使用SVM和MLC分别对各数据集中的训练集进行训练。MLC中的均值和协方差矩阵等参数根据训练集的内容来决定；SVM中参数C和γ的设置对分类结果会有很大的影响，根据调试情况进行设定，目标是使总体精度最大，这里设定为C=1 500，γ=140。然后，对测试集数据进行分类，计算混淆矩阵、总体精度和κ值。

由分类结果(表 4)可以发现：

1)在天底角观测相机的基础上，不断加入其他观测角度的相机，从而构成多角度观测数据集。随着观测角度的增加，SVM和MLC的总体精度和κ值都在提高和增大，并都在使用“天底角+ABCD相机红光和近红外”数据集时实现了最高分类精度和最大κ值。MLC对天底角数据集的分类精度是0.650 5，对“天底角+ABCD相机红光和近红外”数据集的分类精度是0.704 6，后者较前者提高了8.315%；SVM对天底角数据集的分类精度是0.729 5，对“天底角+ABCD相机红光和近红外”数据集的分类精度是0.835 0，后者较前者提高了14.448%。说明多角度观测数据可以有效增强各类之间的差别，改善分类效果。

2)对比只使用红光的数据集和只使用近红外的数据集，会发现纯红光效果要好过纯近红外效果。原因可能是红光波段的分辨率比近红外波段高很多；另外，由于相机观测角度的不同，不同相机的红光、近红外效果也不相同。综合比较C相机的近红外波段比B、D相机的近红外波段对分类结果影响更大；D相机的红光波段比 B、C相机的红光波段对分类结果影响更大。B相机的作用相对较小，说明大的观测角对提高地物的识别是很重要的。

3)无论使用哪一数据集，SVM的分类精度都比MLC有明显提高：SVM的最高精度为0.835 0，MLC的最高精度为0.704 6，SVM比MLC高了18.5%；展现了SVM方法在分类问题上的优势。

为详细探寻多角度观测对不同土地利用覆被类型分类的影响，对比分别使用SVM和MLC法对天底角和“天底角+ABCD相机红光和近红外”两个数据集分类得到的混淆矩阵(表 5—表 8)。

从表 5、表 6可以看出：MLC法使用多角度数据集后，林地类型的用户精度从0.61提升至0.79，提高了29.50%；其次是草地类型，用户精度从0.55提升至0.69，提高了25.45%；灌木类型虽然用户精度没有改变，但是生产者精度从0.68提升至0.80，提高了17.64%；未利用地的生产者精度从0.55提升至0.70，提高了27.27%；水体的用户精度降低了11%；其他类型变化较小。

从表 7、表 8可以看出：使用SVM法后，林地类型的用户精度提升幅度最大，从0.47提升至0.76，提高了61.7%；草地类型的用户精度提升幅度处于第二位，从0.48提升至0.71，提高了47.9%；居于第三位的是未利用地，用户精度从0.69提升至0.81，提高了17.4%；水体的用户精度略有下降；灌木类型的生产者精度提升幅度最大，从0.66提升至0.80，提高了21.2%；其次是未利用地类型，生产者精度从0.78提升至0.90，提高了15.38%；再次是林地类型，生产者精度从0.72提升至0.80，提高了11.11%；草地的生产者精度下降了7.59%；耕地的生产者精度略有下降。

综合表 5—表 8分析如下：1)无论使用哪种数据集，灌木的用户精度依然是SVM法远高于MLC法；但是林地、未利用地低于MLC法。两种方法一致的是林地和草地的用户精度提升最大、水体的用户精度有所降低，灌木、耕地的用户精度改变最小。SVM法未利用地的用户精度提升较大，MLC未利用地的用户精度改变很小，说明SVM法在某些方面有其优势；但MLC依然有自己的优点。2)多角度观测使得除水体类型外的其他类型的用户精度都得到改善，其中林地和草地的提升是很大的；说明多角度观测能够有效增加某些地物的差异性信息。至于多角度观测对于灌木类型影响较小的原因还有待今后进一步研究。

在“天底角+ABCD相机红光和近红外”数据集的训练集上，分别使用MLC和SVM法获得分类规则后，对塔里木河下游的MISR数据分类得到土地利用覆被图(图 3)。

图 3 MLC法(a)和SVM法(b)使用“天底角+ABCD相机红光和近红外”数据集得到的塔里木河下游土地利用覆被分类结果 Fig. 3 Land use and land cover classification result of MLC (a) and SVM (b) on Nadir plus ABCD cameras Red and Nir in lower Tarim River

图选项

结合表 6和表 8，由图 3可以看出：在同样使用多角度数据集的情况下，MLC法对灌木的识别效果远不如SVM法。SVM分类结果上准确显示了塔里木河下游两岸广泛分布的灌木，也更准确地显示了水体的分布。其他类型两者区别不大。

通过对塔里木河下游地区的土地利用/土地覆被状况使用MISR多角度数据进行分类的研究发现：

1)分类方法MLC和SVM在使用多角度观测数据集时，均能比仅使用天底角数据集取得更高的分类精度。相比垂直观测，使用多角度数据，MLC法的总体精度最多提高了8.315%，SVM法总体精度最多提高了14.448%；使用多角度数据集“天底角+ABCD相机红光和近红外”，SVM法获得了0.835的分类总体精度。说明MISR的多角度观测比垂直观测可以更有效地改善识别的精度。

2)耕地和水体这类空间结构较为单一的地表物体，无论是垂直观测还是多角度观测，MLC和SVM在用户精度或者生产者精度的改变上都不是特别明显；草地和林地类型的覆盖度水平差别较大，群落组成又比较复杂，无论使用MLC还是SVM，分类精度在多角度观测的情况下都能获得明显改善；空间结构差异越大(如林地)，在多角度观测当中越能加以有效区分。以上信息充分说明具有复杂3D结构的地表物体仅从垂直角度观测是有很大局限性的，使用多角度数据集可以更好地区别具有显著反射异质性的地表对象，提高该类对象的分类精度。

3)无论是使用垂直观测数据还是多角度观测数据，SVM都显示出较MLC明显的优势。在只是用Nadir数据时，SVM分类总体精度比MLC高12.14%；当使用多角度数据“Nadir+ABCD 红光和近红外”时，SVM比MLC高18.8%。当参加分类的信息不断增多时，SVM法对信息的利用率比MLC更为有效；但是MLC法在林地、未利用地的用户精度上高于SVM法，说明MLC法依然有自己的优点。SVM的参数设置对分类结果有重要的影响，目前主要依靠经验，未来还需寻找优化设置参数的方法。

4)在对MISR多角度数据进行组合测试的过程中，红光波段比近红外波段对分类结果的影响大；然而，虽然近红外波段的分辨率比红光波段低很多，但是分类精度也只是略低于红光波段，说明近红外对于分类结果的影响依然非常重要。

5)对不同相机不同波段的组合研究发现，C、D相机数据对观测结果的影响更为重要一些，它们可能提供了更多的地物反射异质性信息。

将来希望能在以上工作基础上，加入BRDF模型来进一步比较各个角度、波段数据的作用，同时尝试更多先进的模型和方法，挖掘MISR多角度观测的应用能力。

NASA Langley 研究中心大气科学数据中心提供了MISR 数据，在此表示感谢。