【遥感基础】Landsat8影像与哨兵-2影像多种分类方法对比分析（非监督分类、监督分类、决策树分类）

软件：ENVI5.5、ArcGIS10.3.1、SPSS、Excel数据：某市Landsat8影像、哨兵-2影像、某市矢量边界（自行准备哦）

目的

---

1、掌握遥感影像的各种分类方法；

2、比较Landsat数据和哨兵数据分类后的结果；

3、掌握遥感影像分类后处理的基本流程。

主要内容

---

1、landsat与哨兵2影像非监督分类与监督分类

2、landsat与哨兵2遥感影像决策树分类

3、遥感影像分类后处理

具体步骤

---

01非监督分类
◐ 哨兵影像非监督分类

a)Classification-UnsupervisedClassification-K-Means Classification打开非监督分类面板，选择大气校正后的哨兵影像，设置分类参数，在此分为五类。

图1｜K-Means方法参数设置

b)将分类进去的背景值利用矢量边界裁剪掉，并将格式改为dat的，在ArcGis中进行专题图的制作，生成专题图。

◐ Landsat影像非监督分类

与哨兵影像非监督分类的流程相同，并在ArcGIS中制图输出。

图2、3｜某市哨兵数据非监督分类图、Landsat8非监督分类图

由于非监督分类精度不高，只分出了三种地类，其中由于不同水体的情况不一样，系统分成了两类，在此以清水，浊水区别，由于浑浊度不同导致反射率不同，DN值相差较大。

02监督分类
◐ 哨兵影像监督分类

a)定义训练样本：在经过大气校正的哨兵图层上右击选择New region of interest，建立感兴趣区。

b)计算样本可分离性：执行options-compute ROI separability，由图4可看出，参数值基本上都在1.9-2.0之间，说明样本的可分离性较好，样本选取的较为合适。

图4｜计算样本的可分离性

图5｜哨兵监督分类参数设置

c）保存ROI：file-save as-.XML

d）Classification-SupervisedClassification-Maximum Likelihood Classification，利用最大似然分类法对哨兵2数据进行监督分类。

e）在ArcGIS中制图并输出,按照以上步骤对landsat影像进行监督分类并在ArcGIS中制图输出。

图6、7｜哨兵监督分类图、Landsat8监督分类图

03决策树分类
◐ NDVI的计算

ToolBox-> Spectral->Vegetation->NDVI，参数设置及输出结果如图所示。其中深色的为水域。

图8、9｜哨兵NDVI、Landsat8NDVI

◐ NDVI异常值的消除

ToolBox-Band Math，输入表达式-1>b1<1。其中b1为上一步输出的NDVI图像,确保其值在-1~1之间。

图10｜NDVI去除异常值设置

◐ 计算归一化水体指数（MNDWI）

在bandmath中输入表达式：(float(b1)-float(b2))/(float(b1)+float(b2))。其中，b1：绿波段，b2：中红外波段。

图11、12｜Landsat8的MDNWI（左）哨兵2的MNDWI（右）

◐ 计算归一化建筑用地指数（NDBI）

在badmath中输入表达式：(float(b1)-float(b2))/(float(b1)+float(b2))。其中，b1：中红外波段，b2：近红外波段。

图13、14｜Landsat8的NDBI（左）哨兵2的NDBI（右）

◐ 决策树分类

ToolBox->Classification->DecisionTree->New Decision Tree，建立如图40所示的决策树。根据建立的决策树进行分类。

注：植被的value值为1，水体的value值为2，建筑的value值为3，裸土的value值为4。

图15｜建立决策树

◐ ArcGIS中制图输出

图16、17｜哨兵决策树分类图、Landsat8决策树分类图

04分类后处理
◐ 去除小斑块

去除小斑块Classification-PostClassification-Majority/Minority analysis，选择地物类型，设置文件输出路径及文件名，如图所示。

图18｜去除小斑块后（左）前（右）

◐ 分类统计

以决策树分类为例

a)执行Classification-Post Classification-Class Statistics，输入分类文件:landsat决策树分类的文件，统计文件为大气校正后的landsat数据。统计结果如下图。

图19｜分类统计结果

b) 将数据输入到Excel中绘制柱状图。哨兵数据和其他分类方法同理。各类地物的面积统计柱状图如图所示。

图20｜各类地物统计面积

从上述统计图中可以看出，建筑用地和裸地由于比较接近，在设置阈值参数的时候精度不够高，导致分类精度不高，所以landsat和哨兵数据不同，和确定阈值的相对主观性，导致裸地和建筑用地两个数据面积相差较大。

◐ 分类评价

Classification-Post Classification-ConfusionMatrix Using Ground Truth ROIs，将地物类型相对应。

图21｜分类评价参数设置

图22、23｜决策树精度评价 哨兵（左）Landsat8（右）

TIPS:

1、监督分类的精度关键在于训练区的选取，所以选取兴趣区要细心，要尽量避免混合像元。

2、决策树分类是根据植被指数，水体指数，建筑指数来分类的，重点在于阈值的确立，不断地更改调试阈值，使分类效果达到最佳。由于阈值的确立具有主观性，导致精度因人、因数据类型而异。由于哨兵数据空间分辨率高一些，便于解译，分类效果好一些。

3、由于一些地物存在光谱信息很接近，如建筑用地和裸土，所以存在错分，造成精度不高，不同的分类方法总体上一致，存在具体的细小的差异。

作者｜不许人间见白头

排版｜数读菌

校阅｜数读菌

那今天就到这里结束啦，欢迎留言讨论。文中的图片文字未经许可不要随便“引用”。

如果可以的话，希望能够转发分享，点个在看并且点个赞，给个赞赏~~也欢迎规范转载~

也希望大家和我多留言互动啊！（据说这样可以增加我的推送在你的订阅号里出现的概率）

历史文章推荐

▼

需要你的“分享”和“在看”

END>

如需全文转载文章、投稿或者合作

可添加微信

(回复超慢！！！)

（不要添加我问各种问题，我大概率不会的==）

（入群请一定要备注入群）

（添加后会在晚上非工作时间通过，请稍安勿躁）

公众号

微博

▼ 点击阅读原文，使用关键词搜索历史文章