遥感影像计算机自动分类中，主要根据像元间相似度进行分类的方法是（）。
A 、监督分类法
B 、非监督分类法
C 、目标分类法
D 、层次分类法
【正确答案：B】
监督分类，又称训练分类法，即用被确认类别的样本像元去识别其他未知类别像元的过程。非监督分类，也称为聚类分析或点群分析。即在多光谱图像中搜寻、定义其自然相似光谱集群组的过程。故选B。
图像分类是以计算机来区分图像中所含的多个目标物为目的，并对区分的像元组给出对应其特征的名称，从而达到图像判读的目的。用于图像分类的数学理论目前有3个分支：统计图像分类、专家系统分类和模糊分类。统计图像分类是目前图像分类方法中最成熟的方法，有监督分类（supervised classification）和非监督分类（unsupervised classification）两种方法（丰茂森，1992）。
1.监督分类
监督分类是先用某些已知类别训练样本让分类识别系统学习，待其掌握了各个类别的特征之后，按照分类的决策规则进行分类的过程。使用的数学方法有多级切割分类法、决策树分类法、最小距离分类法、最大似然分类法。
2.非监督分类
非监督分类就是不用训练样本，而是根据图像数据自身的统计特征及点群的分布情况，从纯统计学的角度对图像数据进行统计分类。它与监督分类的区别在于监督分类首先给定类别，而非监督分类由图像数据的统计特征来决定。
非监督分类最常用的统计方法是聚类分析，聚类分析是按照像元之间的相似程度来进行的一种多元统计分析方法。
监督分类的缺点在于会有大量的像元没有分类。对于研究区所有植物群落，都要找到和确立相同的训练基地很困难，即使是非常均一的植物群落，像元与像元之间，依然有相当大的变差（或称噪音），所以使得错误分类的像元数达到很高的比例。
非监督分类将具有相似光谱响应的像元组聚为一类，在草地分类和制图上效果良好。非监督分类可以多次重复，一直到分类结果满意为止（即将分类结果显示，看是否与实际景观的某些特征相匹配）。这种做法的实质是，形成许多光谱分类，每一光谱分类都表示一个或一组特定的地面多边形；反过来讲，这些多边形表示已把某种地面属性赋予某个光谱分类。这些光谱分类在所有光谱的某一组谱段上都有确定的光谱特征。
图4-2 监督分类和非监督分类处理过程
（据李建龙，1997）
Fig.4-2 A flow chart of supervised classification and unsupervised classification
由于研究区地形复杂，不能建立很完全的训练基地，采用监督分类时未分类像元很多。因此，本书采用了非监督分类法。
遥感选址的社会经济要素主要有土地利用类型、碳／气源密集程度及碳源距离等。
（一）土地利用遥感解译
1.解译目的
土地利用类型作为CO2地质储存选址社会经济条件的一项评价指标，主要根据景观、人口相对稠密程度、工农业发达程度的组合指标（表4-1），如沙漠＋无人区、草地＋人口稀疏、林地＋人口稀疏、工农业区＋人口密集区、工农业区＋人口高度密集区5级进行评价。人口越密集、自然景观越好，越不适宜CO2地质储存。
表4-1 CO2地质储存土地利用现状分类
2.解译指标
土地利用类型解译能够为CO2地质储存选址调查提供参考。遥感图像的广泛利用，使土地利用制图及动态变化监测更加快速与准确。卫星遥感数据具有多时相、多波段、多源传感器、多平台等特点，从而使其在大尺度土地利用制图方面表现出一定的优势。
基于遥感影像进行土地利用分类就是利用遥感图像处理软件通过对影像中不同地物的空间信息和光谱信息进行分析，用一定的手段将特征空间划分为互不重叠的子空间，然后将图像中的各个像元划归到各个子空间中以实现分类（马振刚等，2007）。
在进行土地利用类型解译时，需参照土地利用类型参照国标《土地利用现状分类（GB/T 21010-2007）》，同时也要根据CO2地质储存研究的需要，对其分类标准进行类似合并和分解（图4-1）。依据上述思想，划分的细致程度可根据实际需求，满足CO2地质储存经济适宜性评价和选址的指标要求，将土地利用类型分为：耕地、林地、草地、商服用地、住宅用地、水域及水利设施用地、交通运输用地、沙地、裸地、盐碱地、沼泽地、空闲地等。
3.解译方法
目前，遥感数据的分类方法有很多，大体上可以分为统计决策法（判别理论识别法）模式识别和句法模式识别。统计决策法模式识别指的是对研究对象进行大量的统计分析，抽出反映模式的本质特征进而识别。主要包括监督分类中的最小距离法、逐次参数估计法、梯度法、最小均方误差法、费歇准则法和非监督分类中的逐步聚类法、等混合距离法等。句法模式则需要了解图像的结构信息，从而对其分类。主要包括人工神经网络方法，模糊数学方法，决策树方法，专家系统方法等。本书就几种常用的分类方法做以介绍。
（1）监督分类
监督分类，又称训练分类法，即参考先验知识和辅助信息，在遥感图像上识别出一些已知其类别的像元，将这些样本构成训练样本，通过对训练样本的学习并提取样本的统计特征，得到了分类模板，然后用分类模板对原图像进行识别具有相似特征的像元，完成分类。监督分类方法中最主要的是分类模板的建立，而分类模板的精确与否又依靠训练样本的精度。
训练样本的选择对分类结果的精度来说很关键。在选择训练样本时，需要对图像所在区域有所了解，必要时进行野外踏勘，建立相应解译标志，最终选择能准确代表整个区域每个类别光谱特征差异的训练样本。
常用的监督分类算法有：最大似然判别法、最小距离法。
1）最大似然判别法。也称贝叶斯（Bayes）分类，是基于图像统计的监督分类方法，也是典型的和应用最广的监督分类方法，是建立在Bayes准则的基础上，偏重于集群分布的统计特性，分类原理是假定训练样本数据在光谱空间的分布是服从高斯正态分布规律的，做出样本的概率密度等值线，确定分类，然后通过计算像元属于各组的概率，将标本归属于概率最大的一组，具体分为三步：首先确定各类的训练样本，再根据训练样本计算各类的统计特征值，建立分类判别函数，最后逐点扫描影像各像元，将像元特征向量代入判别函数，求出其属于各类的概率，将待判别像元归属于最大判别函数值的一组（赵春霞，1982）。
2）最小距离法。将遥感图像参与分类的N 个波段看做是N 维特征空间，将训练样本中每个类别在各波段的均值，构成N维特征空间中的一个点，对于每个像元，判断其在N 维特征空间中训练样本的均值之间的欧式距离，将像元划分到距离最小的那个类别中。
（2）非监督分类
非监督分类，也称为聚类分析或点群分析。是在没有训练场地作为样本的条件下，主要根据像元间相似度大小进行归类合并的方法。非监督分类不需要人工选择训练样本，仅需极少的人工初始输入，计算机按照一定规则自动地根据像元光谱或空间等特征组成集群组，然后分析者将每个组和参考数据比较，将其划分到某一类别中去。
和监督分类相比，非监督分类主要优点为：①不需要预先对所要的分类的区域有广泛的了解和熟悉，但分析者仍需要一定的知识来解译分类得到的集群组；
②在没有类别先验知识时使用；
③人为误差减少。
主要缺点为：①分析者较难对产生的类别进行控制，因此其产生的类别也许并不能让分析者满意；
②图像中的各类别的光谱特征会随着时间、地形等变化，不同图像以及不同时段的图像之间的光谱集群组无法保持其连续性，从而使不同图像之间的对比变得困难。
（3）神经元网络分析法
神经元网络分析法，近年来在遥感影像分类方面受到广泛的重视和应用。包括BP神经网络、径向基神经网络、模糊神经网络等各种神经网络分类法。一般的人工神经网络模型由处理单元，拓扑结构和自行学习规则等主要部分组成，最为典型的神经元网络是三层网络结构，即一个输入层、一个隐含层和一个输出层。它是靠调节层与层之间的节点的连接权使网络“记忆”各训练组，每一训练组由输入和输出对组成，执行优化的基本方法是梯度下降法。该算法在遥感影像分类的优势主要有：并行结构运行速度快；对于缺失信息及噪声影响抵御能力强；完全非参数化，不受假设条件约束。
（4）决策树分类法
决策树分类法具有灵活、直观、清晰、健壮、运算效率高等特点，在遥感分类问题上表现出巨大的优势。决策树是通过对训练样本进行归纳学习生成决策树或决策规则，然后使用决策树或决策规则对新数据进行分类的一种数学方法。决策树是一个树型结构，它由一个根结点、一系列内部结点及叶结点组成，每一个结点只有一个父结点和两个或多个子结点，结点间通过分支相连。决策树方法主要是决策树学习和决策树分类两个过程。决策树学习是通过对训练样本进行归纳学习，生成以决策树形式表示的分类规则的机器学习过程，实质是从一组无次序、无规则的事例中推理出决策树表示形式的分类规则。而决策树分类是通过对训练样本进行决策树学习生成决策树，决策树可以根据属性的取值对一个未知样本集进行分类，就是决策树分类（申文明，2007）。
遥感影像分类方法多种多样，在实际利用影像进行土地利用分类应用过程中，根据工作区所处地理位置、地表覆盖复杂程度、获取的遥感数据源类型、搜集资料的数量种类等，选择合适的分类算法，必要时需多种算法对比分析或结合使用，抑或在对相关算法加以改进以提高最终目标物提取精度。任何图像分类过程中都会有误差，通常造成分类误差的原因是多样的，如所研究区域内土地覆盖类型与自然景观的多样性、遥感数据空间分辨率的影响、分类时所采用的分类系统与数据资料的匹配程度，以及分类所采用的算法与步骤等都会造成一些误差的存在，因此要注意多种方法效果的对比，使分类结果精度最优化。
（二）碳/气源密集程度
基于遥感影像目视解译碳源主要是解译具有较大碳排放量的工厂，如火力发电厂、热电厂等。碳/气源密集程度主要是考虑CO2运输成本，以“自产自销”的理念来衡量，盆地自身所包含的气源越多，规模越大，也就越适宜。
在遥感图像上对于碳源的解译采用人机交互解译的方法，影像上表现为具有高耸的排气管道，或者上空有烟雾排放，碳源分布的厂区影像特征具有影像像元亮度值高的特点，一般呈白、亮白色色调，具方形块状图斑，纹理较光滑，且一般均位于人口稀疏区。
利用遥感技术解译CO2场地及其周围CO2高排放源的分布位置，并简要分析论证CO2输送方式和运输距离，开展管道输送选线遥感解译。
（三）碳源距离与运输路线规划
适宜储存CO2的目标靶区或场地与碳源间会存在一定的距离，除非合适的地质储存地点就在储存场址之下，因此需要将捕获的CO2运输到储存地点，故需要考虑运输路径优化与运输方式成本的问题。碳源运输距离越近，运输CO2的成本就越低，反之成本越高，可利用遥感技术对运输方式及运输路线进行规划和设计，降低运输成本。
运输路线规划设计时需考虑CO2灌注场区的灌注规模、灌注年限以及碳源分布等情况，综合分析各碳源至灌注场区公路运输以及管道运输的成本问题，应选取在灌注年限内成本最低且运输最为方便的规划。
公路运输线路的规划首先可基于高分辨率遥感影像利用面向对象特征提取方法，提取不同碳源至CO2灌注场区的所有道路，根据提取出的道路分布图，采用GIS空间分析方法规划运输路径最短、运输费用最少、运输时间最短的线路。
温馨提示：
