丁 凌，陈建裕*，朱乾坤，陈宁华

(1.上海交通大学 海洋学院，上海 200230; 2.自然资源部第二海洋研究所，浙江 杭州 310012; 3. 浙江大学 地球科学学院，浙江 杭州 310058)

0 引言

多光谱遥感影像在自然资源监测、生态环境保护等方面得到广泛应用[1-2]，其中Landsat系列卫星提供的长达40多年的连续数据集已成为全球变化研究、土地覆盖/土地利用演变分析的重要数据源[3]。中低分辨率遥感影像的分类算法主要利用地物光谱特征[4-6]，针对不同地物光谱响应曲线的反射率差异，选取特定波段构建地物光谱指数，提取图像中的植被、水体、建筑物等地物信息。BARALDI et al[7-8]综合地物光谱响应曲线和光谱指数，提出了针对Landsat 5/7影像的光谱规则分类算法(Spectral Rule-based Classifier, SRC)，并将SRC算法推广至SPOT5、WorldView2等高分辨率多光谱数据类型[9]。光谱规则算法被广泛应用于时间序列遥感影像的处理分析，如BOSCHETTI et al[10]将SRC算法用于Landsat序列影像的火灾监测，ARVOR et al[11]基于Sentinel-2序列影像的SRC分类结果绘制了巴西亚马逊南部地区的植被梯度和水体地图。光谱规则分类实现了不同地物光谱特性的数值化表达，如ANDRÉS et al[12]将SRC分类结果作为地理本体论的参数，TIEDE et al[13]将SRC方法用于遥感影像的地理信息语义查询，SRC方法也可与面向对象的遥感影像分析方法结合[14]。

SRC算法的光谱规则建立在大气层顶表观反射率的基础上，成像过程中大气状态会影响地物的光谱响应曲线信息，而大气校正方法能有效消除大气吸收和散射引起的辐射误差。徐春燕 等[15]探讨了大气校正对地物光谱响应曲线的影响，发现在可见光波段反射率明显减小，在近红外和短波红外波段反射率增大。MORAVEC et al[16]测试了大气校正对归一化差异植被指数(Normalized Difference Vegetation Index, NDVI)的影响，发现大气校正后NDVI增幅明显。研究表明，大气校正前后多光谱遥感影像的水体指数[17]、建筑物指数[18]同样存在明显区别。因而，SRC算法在计算光谱指数时，需要考虑大气校正前后地物光谱数据的差异性。

SRC算法应用于大气校正后的Landsat系列影像需要进行光谱规则修正。本文提出了一种改进光谱规则的分类算法(Modified Spectral Rule-based Classifier, MSRC)，补充细化了原SRC算法的光谱规则，改进了光谱指数的判断阈值。以珠江三角洲海岛和海岸带Landsat 8多光谱影像为实验数据，对MSRC算法的地物分类进行精度评价，并与其他遥感分类算法进行了对比。

1 针对大气校正后多光谱影像的光谱规则分类算法改进

在MSRC算法实施前，多光谱影像应进行辐射定标和大气校正处理，将输入的图像亮度值(Digital Number, DN)转换为地表反射率(Surface Albedo, SA)，热红外波段校正为在卫星高度所观测到的亮度温度。MSRC算法的数据处理流程如图1所示，包括两个阶段：第一阶段，基于光谱特征，提取核心光谱类别集和特征空间模糊集，修正SRC光谱规则，以准确提取大气校正后的地物光谱特征；第二阶段，基于类别集和模糊集，构建不同特征光谱类别的层级归类系统，引入Landsat 8卫星的质量评估(Quality Assessment, QA)波段区分冰雪、云和阴影，并对光谱类别进行细化和补充。

图1 MSRC算法流程图Fig.1 Flowchart of the MSRC algorithm(灰色区域表示进行修正的步骤。)(Gray region represents the modified algorithm steps.)

1.1 核心光谱类别集提取

SRC算法基于对地物光谱响应曲线的描述，定义了一系列特征表达完备的核心光谱类别，通过多波段的线性组合或比值构建相应规则集。和SRC算法一致，在MSRC算法的第一阶段，遥感图像的各个像元经过波段计算和逻辑判别后被划分为特定的核心光谱类别。

遥感影像经过大气校正处理后，各波段的反射率降低，标准差增大。MSRC算法利用大气校正后的地物光谱响应曲线和标准波谱库数据，对SRC算法定义的14类核心光谱类别的规则集进行逐类验证，共对5种类别进行了改进(表1)。MSRC算法的输入值为地表反射率，修正的核心光谱类别的规则集可以输入实测地物光谱响应曲线进行验证。

表1 修正的核心光谱类别及规则集表达式Tab.1 Modified kernel spectral categories and rule set expressions

2.表中B1、B2、B3表示Landsat遥感影像的可见光光谱波段(蓝、绿、红)，B4表示近红外波段(NIR)， B5和B7为两个短波红外波段(SWIR)。

1.2 特征空间模糊集提取

SRC算法根据不同地物的光谱特性，基于地物敏感波段反射率或其数学组合构建特征空间，并通过高斯模型与贝叶斯规则计算各个特征空间的高、中、低的判断阈值[7]。同样，在MSRC算法的第一阶段，遥感图像的各个像元经过相应的波段运算和阈值划分，得到不同的特征空间模糊集。

MSRC算法对SRC算法利用的10种反射率特征量和光谱指数阈值逐个验证：基于大气校正后植被信息量增加的特征，调整了NDVI的判别阈值；基于归一化差异土壤指数(Normalized Difference Bare Soil Index, NDBSI)和归一化差异雪指数(Normalized Difference Snow Index, NDSI)构建差值复合指数(Differential Bare soil and Built-up Index，DBBI)以进一步区分裸地和建设用地像元；基于耕地在红外波段反射率略高于林地的特征，构建红外反射率特征量(Near-infrared and Short-Wave Infrared Reflectance，NSWIR)以进一步区分林地和耕地像元(表2)；基于耕地在各波段反射率略高于草地的特征，利用亮度分量的低阈值(LBright)进一步区分耕地和草地像元。

表2 修正的特征空间、对应表达式和阈值Tab.2 Modified feature space, corresponding expressions and thresholds

1.3 层级归类系统

SRC算法的第二阶段是基于提取的类别集和模糊集构建层级归类系统，共计输出67类具有不同特征的光谱类别[7]，部分为过渡类别。在MSRC算法的第二阶段，以第一阶段获取的类别集和模糊集作为输入项，经过系统中的多层逻辑判别归类，并对SRC算法的过渡类别进一步划分，输出一个特定的光谱类别。

2.在逐个像元计算时对原波段数值进行缩放，波段数值范围从[0,1]调整到[0,255]，“*”表示缩放处理后逐层归类时所用的阈值。

在多光谱遥感影像中，云的反射率总体较高，在近红外波段有明显增幅，在短波红外波段随波长增加而降低。受到云层厚度和遮挡程度的影响，薄云像元亮度变化范围大，较难判别。大气校正处理后，SRC算法对云阴影的判别不理想，故在MSRC算法的层级归类系统的逻辑判别条件中引入QA波段，作为下一层级光谱类别细化的附加条件，进而区分“冰雪、云、阴影混合光谱类”和“无法确定的其他光谱类”(表3)。

表3 基于MSRC光谱规则分类结果合并得到的土地覆盖类型Tab.3 Merged land-cover types based on MSRC results

2.表格中带阴影的内容为MSRC算法增加的类别。

3.表格中对部分相似的类别名称进行合并后表达，名称后括号内的数字为包含的类别数。

SRC算法输出的林地和草地类中有耕地像元混杂的现象，MSRC算法将“高NIR林地光谱类”中不具备红外反射率低值特征的像元进一步划分为“高NIR的耕地光谱类”，将“高/低NIR灌木林或草地光谱类”中不具备低阈值亮度分量(LBright)的像元进一步划分为“类灌木林或草地光谱类”(表3)。

SRC算法输出的“裸地-建设用地”混合的光谱类别，给后续的光谱类别合并和分类评价带来困难。MSRC算法增加了混合光谱类别的细分判别条件，将属于红外反射率特征高阈值(HNSWIR)的像元进一步划分为“不同特征的裸地光谱类”；将属于红外反射率特征低阈值(LNSWIR)的像元进一步划分为“不同特征的建设用地光谱类”；对属于红外反射率特征中阈值(MNSWIR)的像元，依据差值复合指数(DBBI)进一步细分，大于DBBI阈值的归为“裸地”类别，反之为“建设用地”类别(表3)。

SRC算法输出的“背阴面林地光谱类”结果中有建筑物阴影像元混杂的现象，MSRC算法利用低阈值的归一化差异植被指数特征量(满足NDVI<0.2的像元)，从该类别中进一步提取“建设用地阴影”类别(表3)。

综上所述，改进后的MSRC算法增加了判别条件，从部分林地、草地光谱类别像元中进一步划分出耕地光谱类别；将SRC算法输出的“裸地-建设用地”混合类别结果进一步划分为裸地光谱类别和建设用地光谱类别；从“背阴面林地光谱类”像元中进一步划分出“建设用地阴影”类别；基于QA波段数值，进一步区分冰雪、云、阴影和其他光谱类别。

1.4 精度评价与算法分析

MSRC算法是一种光谱规则分类算法，输出的光谱类别是对地物的一种光谱规则的特征描述。为定量评估MSRC算法的分类精度，基于光谱类别的定义与描述，对光谱规则分类的结果进行合并处理，得到最终的土地覆盖分类结果(表3)。合并得到的土地覆盖类型为林地、耕地、草地、裸地、建设用地和水体，参考BARALDI et al[7]和CHEN et al[4]研究中的土地覆盖类型进行定义。

采用混淆矩阵和Kappa系数对MSRC分类算法进行精度评价[19]。混淆矩阵(Confusion Matrix)是遥感影像分类常用的精度评价方法，反映了分类结果与地表真实类别的相关性。基于混淆矩阵计算总体精度(Overall Accuracy, OA)、生产者精度(Producer Accuracy, PA)和使用者精度(User Accuracy, UA)。Kappa系数综合运用上述精度结果，能够更全面地呈现算法的分类精度。

为进一步评价算法性能，选取了4种遥感影像监督分类算法进行比较：最小距离分类(Minimum Distance Classification, MDC)算法、最大似然分类(Maximum Likelihood Classification, MLC)算法、支持向量机分类(Support Vector Machine, SVM)算法[20]和神经网络分类(Neural Network Classification, NNC)算法。

为评估大气校正对光谱指数分类算法的影响，将MSRC算法分类结果与基于光谱指数的地物分类结果进行比较。选取了5种常用的光谱指数(表4)，基于大气校正后的影像分别计算光谱指数值，采用SVM训练随机采样点以自动获取分类阈值，实现基于光谱指数的地物分类。

表4 光谱指数名称和表达式Tab.4 Spectral indices and corresponding expressions

2 数据和预处理

2.1 遥感数据与实验区域

选用3幅Landsat 8遥感影像、4幅WorldView-2/3高分辨率影像和2020年的全球地表覆盖数据集GlobeLand30，其空间分辨率分别为30 m、2 m和 30 m。选择珠江三角洲的4个典型海岛、海岸带区域进行实验，其对应的遥感影像和数据集详细信息如 表5 所示。所选卫星影像的云覆盖率均小于5%。

表5 遥感影像和数据集信息Tab.5 Remote sensing images and dataset information

采用4个实验区的WorldView-2/3高分辨率影像(图2)作为地物分类和精度评价的参考数据，其中佳蓬和淇澳为海岛影像，土地覆盖类型较简单；荃湾和惠东为海岸带影像，土地覆盖类型相对复杂。佳蓬区域位于113°58′31″E—114°04′32″E，21°50′06″N— 21°55′33″N之间，涵盖佳蓬列岛中的北尖岛和庙湾岛，岛屿呈NE—SW走向，北尖岛上植被覆盖密集，均为陡峭岩岸；庙湾岛多为裸露基岩，植被零星分布。淇澳区域位于113°34′13″E—113°39′55″E，22°22′21″N—22°27′31″N之间，包括珠海淇澳岛、南侧唐家湾填海造陆和西侧围垦养殖区域，淇澳岛现设有省级红树林自然保护区。荃湾区域位于114°30′03″E—114°34′47″E，22°38′48″N—22°45′49″N之间，为惠州市南部大亚湾区下辖澳头街道的沿海区域，有石油化工基地和大面积的网箱养殖区。惠东区域位于114°41′34″E—114°47′12″E，22°34′22″N—22°39′35″N 之间，覆盖惠州市的惠东港区、三角洲岛和桑洲岛范围，位于大亚湾东侧，拥有宽广海域和丰富湿地资源。

图2 实验数据及其空间位置Fig.2 Experimental data and spatial locations(淇澳、佳蓬、惠东、荃湾地区所展示的影像为WorldView-2/3遥感影像。)(The images displayed about Qi’ao, Jiapeng, Huidong and Quanwan regions are WorldView-2/3 remote sensing images.)

2.2 数据预处理

对Landsat 8遥感影像进行数据预处理，包括辐射定标和大气校正。辐射定标将遥感影像的DN值转换为大气层顶表观反射率和亮度温度，相关定标参数的取值通过影像头文件获取。采用6S(Second Simulation of Satellite Signal in the Solar Spectrum)辐射传输模型[21]对影像进行大气校正预处理，得到地表反射率图像。

GlobeLand30是中国研制的30 m空间分辨率全球地表覆盖数据，包括水体、耕地等10大类型，2020年时相的总体精度达85%以上。高分辨率影像可以作为中、低分辨率(30 m～1 km)土地覆盖分类精度评价的有效参考数据。对实验数据包含的每种土地覆盖类型，通过随机采样获取初始样本点，基于WorldView-2/ 3高分辨率影像的解译结果，筛选和修正GlobeLand30 V2020数据的土地覆盖类型标签，作为MSRC算法用于珠江三角洲典型海岛和海岸带地物分类和精度评价的训练和验证数据集。

3 大气校正影响分析

3.1 多光谱影像的反射率变化

大气校正前后遥感影像的各波段反射率具有差异。表6列出了惠东区域的Landsat 8多光谱影像经不同预处理后的各波段基本统计特征。大气校正消除了大气影响所造成的辐射误差，使得遥感影像各波段的反射率降低。可见光波段，特别是蓝光波段反射率的降幅较大，近红外波段和短波红外波段变化较小。波段间的标准差反映了图像平均值的离散度和像元灰度值，在一定程度上可反映各波段所包含的信息量。经过大气校正处理后，各波段标准差均增大，波段包含的信息量增加，其中近红外波段包含的信息量最大。

表6 惠东区域大气校正前后各波段反射率对比Tab.6 Band reflectance before and after atmospheric correction of Huidong area

3.2 地物光谱响应曲线变化

针对实验数据，对MSRC光谱规则分类的结果进行合并，得到6种土地覆盖类型。基于影像采样点，计算土地覆盖类型的平均反射率，以定量比较大气校正前后的地物光谱响应曲线差异(图3)。大气校正后，各类地物光谱响应曲线均产生了一定变化，此为SRC算法的原始光谱规则适用性下降的主要原因。水体总体反射率低，且随波长增加而降低，容易和其他地物区分；大气校正后水体蓝光反射率显著降低，其均值与水体绿光反射率均值相近。植被(林地、耕地、草地)的“红边效应”在大气校正后更显著，在可见光波段的反射率有不同程度的降低。建设用地受建筑材料影响，光谱信息相对复杂，通过较高的近红外和短波红外波段反射率可以和水体、植被区分，大气校正后其蓝光、绿光波段反射率均有所下降。裸地和建设用地的光谱响应曲线类似。

图3 不同土地覆盖类型在大气校正前后的反射率变化Fig.3 Reflectance changes of different land-cover types before and after atmospheric correction

3.3 大气校正对光谱规则分类的影响分析

如表7所示，将SRC算法分别应用于大气校正前后的多波段数据时，由于大气校正后各类地物光谱响应曲线变化，SRC算法的原始光谱规则适用性下降，大气校正后的数据应用上总体精度和Kappa系数略有降低。MSRC算法基于大气校正对地物光谱响应曲线和遥感光谱指数的影响分析对光谱规则进行修正，使得其总体精度和Kappa系数都高于大气校正前的SRC算法。

表7 基于不同预处理数据的不同光谱规则分类算法精度对比Tab.7 Accuracy comparison of different spectral rule-based classifiers based on different pre-processed data

②海岛场景多林地，土地覆盖类型简单，大气校正后图像信息量增加，对林地判定精度小幅上升，导致该场景下大气校正后SRC算法总体精度和Kappa系数反而有所上升。

4 分类结果精度分析

4.1 海岛实验数据的精度分析

佳蓬区域的土地类型为林地、草地、裸地及水体4类。SRC算法的总体精度为83.85%，Kappa系数为0.76；MSRC算法的总体精度为87.66%，Kappa系数为0.82(表8)。就SRC的土地覆盖分类结果(图4c)而言，林地和水体基本被正确分类，而草地和裸地的判别精度较低。MSRC算法(图4e)一定程度上改善了庙湾岛的基岩-植被混合像元的误分类现象，提升了草地和裸地的判别精度；减轻了庙湾岛西北部小片山坡背阴面的林地被误判为水体的现象，小幅提升了水体的判别精度。

淇澳区域的土地类型为林地、草地、裸地、建设用地及水体5类。SRC算法的总体精度为80.20%，Kappa系数为0.75；MSRC算法的总体精度为82.38%，Kappa系数为0.78(表8)。Landsat 8影像中存在大量混合像元，主要为由于成像时刻潮位高低不同而形成的岛屿西、北部沙滩区域的裸地-水体混合类型，由于无明确规划的土地用途而形成的南侧唐家湾填海区的草地-裸地-建设用地混合类型以及受Landsat 8影像空间分辨率限制而形成的网状池塘水面的裸地-水体混合类型、陆水交界码头等区域的建设用地-水体混合类型。SRC算法的光谱规则对混合像元中的水体信息更为敏感，将大部分陆水交界的混合像元判别为水体，因此裸地和建设用地的判别精度较低(图4h)。MSRC算法能更好地提取混合像元中的裸地和建设用地信息，也在一定程度上改善了南侧唐家湾填海区的草地像元误分类现象(图4j)。MSRC算法的总体精度和Kappa系数高于SRC算法(表8)。

图4 针对海岛影像的光谱规则分类算法的光谱类别和土地覆盖类型分类结果Fig.4 Spectral category result and land-cover map of spectral rule-based classifiers for island images(a～e：佳蓬区域；f～j：淇澳区域；a,f：Landsat 8影像；b,g：SRC算法光谱类别结果；c,h：SRC算法土地覆盖类型分类结果；d,i：MSRC算法光谱类别结果；e,j：MSRC算法土地覆盖类型分类结果。)(a-e:Jiapeng; f-j: Qi’ao; a, f: Landsat 8 images; b, g: Spectral category results of SRC; c, h: Land-cover maps of SRC; d, i: Spectral category results of MSRC; e, j: Land-cover maps of MSRC.)

表8 针对海岛影像的SRC和MSRC算法分类精度Tab.8 Classification accuracy of SRC and MSRC algorithm for island images

表9为海岛场景下遥感影像监督分类算法和基于光谱指数的地物分类算法的精度。由表可知，除MDC算法外，其余遥感影像监督分类算法的总体精度均超过80%，Kappa系数大于0.75，SVM和NNC算法的结果略优于MSRC算法；基于光谱指数的地物分类在部分土地类型上分类精度较高，但对于草地和建设用地类别的判别效果较差，总体精度较低。不同方法相比较，MSRC算法的精度仅略低于SVM和NNC算法，该算法应用于海岛影像时能保持与遥感影像监督分类较一致的分类精度，其优势在于遥感光谱规则的可解释性。

表9 针对海岛影像的监督分类和基于光谱指数的地物分类的精度Tab.9 Classification accuracy of typical supervised classification and spectral indices methods for island images

4.2 海岸带实验数据的精度分析

荃湾区域的土地类型为林地、草地、裸地、建设用地及水体5类。SRC算法的总体精度为74.11%，Kappa系数为0.67；MSRC算法的总体精度为77.67%，Kappa系数为0.72(表10)。就SRC算法的土地覆盖分类结果而言(图5c)，林地和水体基本被正确分类，而草地、裸地和建设用地的判别精度较低。裸地和建设用地的误分类现象主要存在于荃湾区域东北部的在建石化工业区和零散分布的待建区的裸地-建设用地混合像元；草地的精度误差则来源于小部分林地、裸地和高植被覆盖的建设用地像元的误分类。MSRC算法(图5e)能更好地提取混合像元中的裸地和建设用地信息，改善了SRC结果中裸地-建设用地混合像元、高植被覆盖的建设用地像元和陆水交界码头区域的误分类现象，但MSRC算法将水域中的零散船只也误归为裸地或建设用地的范畴，导致裸地和建设用地类别的精度提升较小。

惠东区域的土地类型为林地、耕地、草地、裸地、建设用地及水体6类。SRC算法的总体精度为75.66%，Kappa系数为0.70；MSRC算法的总体精度为80.05%，Kappa系数为0.75(表10)。SRC算法能准确分类林地和水体像元以及集中分布的裸地和建设用地像元，但对零星分布的裸地和建设用地像元有一定错分；由于其所建立的耕地类光谱规则不适用于该区域，导致耕地像元基本全部被误分类为林地或草地类别(图5h)，对SRC算法总体精度的影响较大。MSRC算法在一定程度上改善了零星分布的裸地和建设用地像元的错分，提升了裸地和建设用地的判别精度；建立了相对适用于惠东区域的耕地类光谱规则，提升了耕地的判别精度，但仍有部分耕地被判定为林地或草地类别。此外，由于影像的成像时间为冬季，部分耕地处于未耕作状态，因此被判别为裸地类别(图5j)。总体而言，耕地的误判对SRC算法总体精度的影响较大，相比之下，MSRC算法有效提高了耕地的判别结果，其他类别的精度也有所提升(表10)。

图5 针对海岸带影像的光谱规则分类算法的光谱类别和土地覆盖类型分类结果Fig.5 Spectral category result and land-cover map of spectral rule-based classifiers for coastal zone images(a～e：荃湾区域；f～j：惠东区域；a,f：Landsat 8影像；b,g：SRC算法光谱类别结果；c,h：SRC算法土地覆盖类型分类结果；d,i：MSRC算法光谱类别结果；e,j：MSRC算法土地覆盖类型分类结果。)(a-e:Quanwan; f-j: Huidong; a, f: Landsat 8 images; b, g: Spectral category results of SRC; c, h: Land-cover maps of SRC; d, i: Spectral category results of MSRC; e, j: Land-cover maps of MSRC.)

表11为海岸带场景下遥感影像监督分类算法和基于光谱指数的地物分类算法的精度分析。由表10和11可知，监督分类算法在荃湾区域的分类精度均有所降低，不同方法相比较，MSRC算法的总体精度和Kappa系数最高，仅在个别地物类别的精度上略低于其他算法。惠东区域除MDC算法外，其余遥感影像监督分类的总体精度均超过75%，其中SVM、NNC算法总体精度高于80%，Kappa系数均大于0.75，略高于MSRC算法的结果。复杂场景下基于光谱指数的地物分类算法表现不佳，对于耕地和建设用地类别的判别结果较差，基于NDVI和NDWI指数的精度相对较好。综上，MSRC算法在应用于较复杂的海岸带影像时仍能保持较优的分类结果。

表10 针对海岸带影像的SRC和MSRC算法分类精度Tab.10 Classification accuracy of SRC and MSRC algorithm for coastal zone images

表11 针对海岸带影像的监督分类和基于光谱指数的地物分类的精度Tab.11 Classification accuracy of typical supervised classification and spectral indices methods for coastal zone images

续表11

总体而言，大气校正后遥感影像的光谱信息更为丰富，改进的MSRC算法精度高于原SRC算法。基于光谱指数的地物分类算法应用于土地类型简单的海岛影像时表现较好；对于包含多种土地类型的海岸带影像，光谱响应曲线相似的裸地和建设用地类别出现了误分类现象，耕地和草地类别容易被归类为林地类别，各类别精度和总体精度均降低。监督分类算法的结果对于海岛和海岸带影像地物分类都优于基于光谱指数的地物分类算法，其中SVM和NNC算法精度较高。MSRC算法在无需人工标注的优势下可以达到SVM和NNC算法的分类精度，适用于海岛和海岸带的多光谱影像。

5 结论

本文在SRC算法基础上，提出了一种改进光谱规则的分类算法(MSRC)。该算法通过优化地物光谱响应曲线和光谱指数构建的光谱规则集，能准确利用大气校正后的光谱特征，具有较好的应用前景。以珠江三角洲的海岛和海岸带Landsat 8多光谱影像为实验数据，分析了大气校正前后各波段反射率和地物光谱响应曲线的变化，并利用SRC算法和MSRC算法进行地物分类和精度评价，与4类遥感影像监督分类算法以及基于光谱指数的地物分类算法进行比较。结果表明，改进的MSRC算法对于4组实验数据的总体分类精度分别为87.66%、82.38%、77.67%和80.05%，均高于原SRC算法、MDC算法、MLC算法和基于光谱指数的地物分类算法，在无需人工标注的优势下可以达到SVM和NNC算法的分类精度，适用于海岛和海岸带多光谱影像，表明考虑大气校正对遥感影像光谱反射率影响的MSRC算法能够有效提高地物信息提取的精度。其中基于光谱指数的地物分类算法应用于海岛影像时表现较好，但不适用于包含多种土地类型的海岸带影像；监督分类高度依赖于样本选择，算法的判别精度有所变动；MSRC算法具有较好的稳定性，光谱规则的非监督分类在普适性与自动化影像数据处理方面展现出优势。