土地利用、覆盖监测的遥感方法

统计方法的土地利用遥感分类方法

遥感图像的统计分类一般分为两种方法：监督分类(supervised classfication)和非监督分类(unsupervisedclassfication)。监督分类(supervised classfication)又称为训练区分类。它是利用对地面样区的实况调查资料，从已知训练样区得出实际地物的统计资料，然后再用这种统计资料作为图像分类的判别依据，并依一定的判别准则对所有图像象元进行判别处理，使得具有相似特征并满足一定识别规则的象元归并为一类。在训练区分类中，由于训练样区所提供的判别资料是与一定的地物相对应，则计算机便将满足该类条件的象元识别为与训练样区相一致的地物，如此完成对整幅图像的处理。常用的监督分类方法有：①K 近邻法(K—Nearest Neighbor)。②决策树法(Decision tree classifier)。③贝叶斯分类法(Bayesian c1assifier)。例：赵萍等利用SPOT图像，采用决策树法提取南京市江宁县居民地信息，将背景地物类型复杂的江南地区的城镇和集村居民地自动的提取出来，与常规的监督分类相比，分类精度提高了 23.38%。广西善图科技有限公司

非监督分类方法(unsupervised classfication)并不要求具体地物的已知知识，它是依赖于图像的统计特性作为基础的。假定相同的地物特征反映为相同的光谱反射值，在多维图像空间中，则考虑为同一地物在多维空间中存在着一个聚集点所构成的“点群”。即同点群的象元彼此相似。非监督分类方法有贝叶斯学习、最大似然度分类(Maximum likelihood classifier)以及聚类方法(Clustering)等。

监督分类和非监督分类是最基本的两种分类方法，由于其单一的依靠地物的光谱特征，因此对某些地物和某些地区分类效果并不理想，随着遥感技术和计算机技术的发展及人们实践经验的增多，科学研究工作者在此基础上发展了很多其它分类方法。