基于GF-1影像的東江流域面向?qū)ο笸恋乩梅诸?/h1>
2018-06-05 06:55:13李恒凱王秀麗
農(nóng)業(yè)工程學(xué)報(bào) 2018年10期
李恒凱，吳 嬌，王秀麗
（1. 江西理工大學(xué)建筑與測(cè)繪工程學(xué)院，贛州 341000；2. 江西理工大學(xué)經(jīng)濟(jì)管理學(xué)院，贛州 341000）
0 引 言
東江流域位于珠江三角洲的東北端，是粵港重要的飲用水源和重點(diǎn)水質(zhì)保護(hù)區(qū)[1]。近年來東江流域地區(qū)經(jīng)濟(jì)迅猛發(fā)展，其經(jīng)濟(jì)由下游逐漸向上游轉(zhuǎn)移，人類經(jīng)濟(jì)活動(dòng)對(duì)區(qū)域環(huán)境干擾程度與日俱增，土地利用發(fā)生著深刻的變化，流域生態(tài)安全問題凸顯[2]。東江流域土地利用信息的準(zhǔn)確獲取，對(duì)于保持區(qū)域生態(tài)穩(wěn)定性和社會(huì)經(jīng)濟(jì)的可持續(xù)發(fā)展具有重大意義。遙感影像能夠快速獲取大面積地球表面信息，已成為流域土地利用信息獲取的主要手段，但當(dāng)前針對(duì)東江流域數(shù)據(jù)多為L(zhǎng)andsat TM/ETM影像，空間分辨率較低，需要多景影像拼接，且東江流域處于多云多雨的中國(guó)南方，較少云遮擋的 Landsat TM/ETM不足，較難保證時(shí)間一致性，影響信息提取效果，而高空間分辨率影像成本較高，難以在整個(gè)流域范圍應(yīng)用[1-3]。2013年，具有高精度、寬覆蓋特點(diǎn)的GF-1衛(wèi)星的發(fā)射為流域范圍更精細(xì)的地表信息提取提供了可能[4]，尤其該衛(wèi)星通過側(cè)擺可對(duì)同一位置進(jìn)行重復(fù)周期僅有4 d的影像獲取，其較短的時(shí)間周期和寬覆蓋能較好彌補(bǔ)南方多云多雨天氣下光學(xué)影像不足的問題，在東江流域土地利用信息提取中展現(xiàn)了良好的應(yīng)用潛力。
針對(duì)GF-1數(shù)據(jù)特點(diǎn)，一些學(xué)者陸續(xù)開展覆蓋數(shù)據(jù)信息提取方法研究[5-9]，并將這些方法應(yīng)用于濱海陸地[5]、濕地[6-7]、城市用地[8-9]、精準(zhǔn)農(nóng)業(yè)[10-12]等信息提取方面，取得較好效果，展現(xiàn)了GF-1數(shù)據(jù)的優(yōu)越性能。一些應(yīng)用研究表明，GF-1數(shù)據(jù)在信息提取方面，面向?qū)ο蠓椒ㄏ鄬?duì)于傳統(tǒng)像元信息提取方法，能綜合考慮對(duì)象光譜、空間上下文信息及多種屬性信息，對(duì)于土地類型多樣、邊界模糊等混合像元有較好識(shí)別能力[5]，且比基于像元方法總體分類精度提高了3～10個(gè)百分點(diǎn)[7]。對(duì)于面向?qū)ο蠓椒?，其多尺度分割參?shù)受區(qū)域地形、地貌、地理要素等影響[13]，且要根據(jù)不同數(shù)據(jù)特點(diǎn)及不同地域應(yīng)用，制定集成遙感數(shù)據(jù)多維特征的地物提取規(guī)則及提取方法與相關(guān)參數(shù)[14-18]，具有較強(qiáng)的數(shù)據(jù)依賴及地域特點(diǎn)。本研究針對(duì)東江流域山地丘陵地形，其地物分布復(fù)雜，地塊小且破碎、水系較多等特點(diǎn)，基于GF-1數(shù)據(jù)，建立具有流域特點(diǎn)的分割尺度，采用模糊分層分類和 CART（classification and regression tree)決策樹細(xì)化分類相結(jié)合技術(shù)，構(gòu)建面向?qū)ο蟮牧饔蛲恋乩梅诸愄卣骷靶畔⑻崛》椒?，為流域生態(tài)穩(wěn)定性和社會(huì)經(jīng)濟(jì)的可持續(xù)發(fā)展提供技術(shù)支持。
1 研究區(qū)概況
東江流域（圖1）東連粵東梅汕等地，西毗粵北韶關(guān)與清遠(yuǎn)市，南接南海與香港相通，北牽贛南的東江源地區(qū)。該流域大部分跨越廣東省，即流經(jīng)了廣東河源市、惠州市、東莞市、深圳市、韶關(guān)市、梅州市和廣州的增城市。地理位置為 113°52′～115°52′E，22°38′～25°14′N，東北部高、西南低，最高海拔不超過1 500 m，地物分布復(fù)雜，地塊小且破碎，林地農(nóng)作物混雜度高，是典型的南方低山丘陵山地地區(qū)；該研究區(qū)內(nèi)具有建設(shè)用地（交通、居民住宅等）、耕地、草地（人工草地、天然草地等）、水域（河流、水庫(kù)）、未利用地（裸地、沙地等）、園林地（針葉林、闊葉林等）等典型地物[19]。年平均溫度為20.4 ℃，是亞熱帶濕潤(rùn)季風(fēng)氣候區(qū)。流域內(nèi)多年的平均降雨量在2000 mm左右，降雨頻繁但是在地理空間分布上很不均勻，湖泊河流眾多。東江流域是珠江三角洲城市群和香港特別行政區(qū)的重要水源地，屬于典型的南方紅壤生態(tài)脆弱區(qū)，水土流失現(xiàn)象頻發(fā)，生態(tài)環(huán)境極易遭到破壞[20]。
圖1 東江流域位置示意圖Fig.1 Location diagram of Dongjiang River Basin
2 數(shù)據(jù)來源與方法
2.1 數(shù)據(jù)來源與數(shù)據(jù)預(yù)處理
GF-1衛(wèi)星有效載荷包括2臺(tái)2 m分辨率全色和8 m分辨率多光譜PMS（panchromatic and multispectral）高分辨率相機(jī)和4臺(tái)16 m中分辨率寬幅多光譜WFV（wide field-of-view）相機(jī)及配套的高速數(shù)傳系統(tǒng)[21]，其中WFV數(shù)據(jù)具有800 km幅寬和4 d的回訪周期，特別適宜大范圍的土地利用變化監(jiān)測(cè)。本試驗(yàn)采用5景GF-1的16 m WFV數(shù)據(jù)，影像標(biāo)識(shí)符、獲取時(shí)間、傳感器類型、軌道號(hào)、太陽高度角如表1。整個(gè)研究區(qū)地處多云多雨的南方丘陵山區(qū)，11—12月份無云少云量數(shù)據(jù)較為容易獲得[22]。本次試驗(yàn)采用的GF-1數(shù)據(jù)主要集中在12月份左右，數(shù)據(jù)質(zhì)量較高。其他輔助數(shù)據(jù)包括從地理空間數(shù)據(jù)云獲取的5景Landsat8 OLI(operational land imager)影像，江西省、廣東省GDEMV2 30 m分辨率的DEM數(shù)據(jù)，全國(guó)縣級(jí)行政區(qū)劃矢量數(shù)據(jù)。參照全國(guó)《土地利用現(xiàn)狀調(diào)查技術(shù)規(guī)程分類體系》和南方丘陵山地生態(tài)特點(diǎn)[1]，將流域內(nèi)地物分為河流、湖泊、灌草地、林地、耕地、園地、未利用地、建設(shè)用地8類。
為進(jìn)行后續(xù)分析，特對(duì)原始數(shù)據(jù)進(jìn)行處理，包括：通過水文分析對(duì)所選的DEM數(shù)據(jù)進(jìn)行處理，獲取東江流域的矢量邊界；將選擇的Landsat OLI全色影像鑲嵌，使其完全覆蓋待校正的GF-1 影像，為正射校正做好準(zhǔn)備；對(duì)所選擇的GF-1 影像進(jìn)行輻射校正、大氣校正和正射校正。其中鑲嵌后的Landsat OLI全色影像為參考影像，GF-1影像為待校正影像，DEM數(shù)據(jù)為分辨率30 m GDEMV2數(shù)據(jù)；研究區(qū)域范圍內(nèi)所有的 GF-1 影像正射校正完成后，進(jìn)行圖像鑲嵌，得到完全包含研究區(qū)域的GF-1影像；最后通過東江流域的矢量邊界對(duì)鑲嵌后的GF-1影像進(jìn)行裁剪，得到研究區(qū)域的GF-1 影像。
表1 GF-1影像標(biāo)識(shí)符、獲取時(shí)間及類型特點(diǎn)Table 1 GF-1 image identifier, acquisition time,and type characteristics
2.2 研究方法
本研究以GF-1影像為數(shù)據(jù)源，對(duì)預(yù)處理后的影像利用多尺度分割（multiresolution segmentation）、模糊分類和 CART決策樹分類方法，結(jié)合近紅外波段、歸一化植被指數(shù)（NDVI）、長(zhǎng)寬比等特征對(duì)東江流域的土地利用類型進(jìn)行分類研究，技術(shù)路線如圖2所示。
圖2 面向?qū)ο蠓诸惪傮w技術(shù)路線圖Fig.2 Whole technical roadmap of object oriented classification
2.2.1 多尺度分割
影像分割受波段權(quán)重、光譜參數(shù)、形狀參數(shù)、緊致度、光滑度和尺度參數(shù)等因素的影響[23]。在影像分割過程中分割尺度的選擇尤為重要，分割不足與過度分割都可能導(dǎo)致分類精度的下降，傳統(tǒng)的方法需要根據(jù)實(shí)際情況反復(fù)試驗(yàn)確定最優(yōu)分割尺度[24]。本文采用 ESP（estimation of scale parameters）[25]工具輔助來獲取東江流域最優(yōu)分割尺度，ESP在自定義的軟件環(huán)境中能夠快速地獲取多尺度分割的最優(yōu)尺度參數(shù)，是一種自下而上的以單個(gè)影像層為起點(diǎn)的區(qū)域合并技術(shù)。影像對(duì)象同質(zhì)性局部方差（local variance，LV）作為分割對(duì)象層的平均標(biāo)準(zhǔn)差，以此來判定分割最佳尺度。對(duì)象分割最佳尺度參數(shù)用LV的變化率值ROC（rates of change）來表示，當(dāng)LV的變化率值呈現(xiàn)下降趨勢(shì)并且突然出現(xiàn)峰值時(shí)，該點(diǎn)對(duì)應(yīng)的分割尺度即為最佳分割尺度[25]。LV的變化率值為
式中ROC為L(zhǎng)V的變化率，Li為在目標(biāo)層第i對(duì)象層的平均標(biāo)準(zhǔn)差，Li–1為在目標(biāo)層第i–1對(duì)象層的平均標(biāo)準(zhǔn)差。
本次研究設(shè)置分割的影像層數(shù)為150，以15為步長(zhǎng)，形狀因子以及緊密度因子均設(shè)為0.5，各波段權(quán)重均設(shè)為1。利用ESP工具得出的ROC的極大值對(duì)應(yīng)分割尺度（圖3）為210、270、300、330、375、420。各極值點(diǎn)都有可能是最佳分割尺度參數(shù)，在影像上同一塊區(qū)域得到不同尺度參數(shù)下的分割結(jié)果如圖4。
圖3 局部方差及其變化率隨分割尺度的變化Fig.3 Variation of local variance and its change rate with segmentation scale
圖4 局部真彩色影像圖及其不同分割尺度的分割效果Fig.4 Local true color image and its segmentation effect with different segmentation scales
試驗(yàn)中進(jìn)行影像分割時(shí)，顯示GF-1真彩色影像窗口與分割影像窗口，對(duì)比 2個(gè)窗口中地類的分割效果。如圖4所示，6個(gè)分割尺度參數(shù)得到的對(duì)象的大小是不一樣的，影像對(duì)象在分割效果圖上所表現(xiàn)的特征也不相同。通過目視解譯以及統(tǒng)計(jì)不同分割尺度下影像的對(duì)象個(gè)數(shù)及其分割特點(diǎn)（表2）。可以得到：影像分割在375時(shí)，其分割特征與實(shí)際地類較為吻合，影像上較少存在過分割和分割不完全的現(xiàn)象，對(duì)象均質(zhì)性較為完好，故本文選取的最優(yōu)分割尺度為375。
表2 影像對(duì)象在不同分割尺度的特征Table 2 Image objects features with different segmentation scales
2.2.2 特征提取
最優(yōu)尺度分割后將會(huì)得到包含不同信息的影像對(duì)象，從分割好的影像對(duì)象中進(jìn)行特征信息的提取，以此來劃分地物。由于決策樹分類本身存在誤差累積，為提高分類精度，采用模糊分類的方法先將容易區(qū)分的類別進(jìn)行了區(qū)分（圖2）。模糊分類是以模糊邏輯（Fuzzy Logic）為理論基礎(chǔ)，在描述模糊概念時(shí)引入隸屬度函數(shù)，將屬于與不屬于的絕對(duì)判斷過渡到相對(duì)判斷，有效地消除人為設(shè)定閾值的主觀性與差異性，更加符合客觀真實(shí)規(guī)律[26]。對(duì)于分割好的影像對(duì)象，在決策樹構(gòu)建的每一層節(jié)點(diǎn)采用合適的分類方法與參考特征。鑒于上述原則，建立分類規(guī)則來實(shí)現(xiàn)東江流域面向?qū)ο笸恋乩梅诸愋畔⒌奶崛 ?/p>
首先通過近紅外波段值來區(qū)分水體與非水體，結(jié)合GF-1號(hào)真彩色影像發(fā)現(xiàn)，當(dāng)近紅外波段均值小于480的地物類型為水體，大于 2 200的值確定為非水體，在（480～2 200）區(qū)間構(gòu)建水體的隸屬度函數(shù)，通過隸屬小于函數(shù)來實(shí)現(xiàn)水體與非水體的提取[26]。在非水體類別中，主要運(yùn)用NDVI指數(shù)來區(qū)分植被與非植被，NDVI指數(shù)對(duì)于僅含可見光波段的影像中綠色植被信息具有較好的提取效果[27]。同理結(jié)合GF-1號(hào)真彩色影像觀察，當(dāng)NDVI指數(shù)大于0.62的地物類型為植被，小于0.21確定為非植被，通過構(gòu)建這 2個(gè)值之間的隸屬大于函數(shù)區(qū)分植被與非植被[26]。在水體類別中，河流與水庫(kù)的光譜特征十分接近，僅僅依靠光譜特征很難加以區(qū)分，由于河流與水庫(kù)之間有著明顯的形狀特征差異，河流在形狀上呈現(xiàn)細(xì)枝狀并且同一條河流的寬度幾乎相同，而水庫(kù)在影像上表現(xiàn)為不規(guī)則的多邊形。結(jié)合GF-1號(hào)真彩色影像，當(dāng)長(zhǎng)寬比指數(shù)大于4.32時(shí)確定為河流，小于1.53即全部是水庫(kù)，在（1.53～4.32）區(qū)間引用隸屬大于函數(shù)[26]提取河流與水庫(kù)。上述步驟可以初步實(shí)現(xiàn)流域內(nèi)地物的粗分類。
2.2.3 CART決策樹分類
Breiman等[28-29]提出的決策樹構(gòu)建算法（CART分類回歸樹算法）用一種二分遞歸分割的技術(shù)，將包含測(cè)試變量與目標(biāo)變量構(gòu)成的訓(xùn)練數(shù)據(jù)集（當(dāng)前的樣本集）循環(huán)迭代分為 2個(gè)子樣本集，使得生成的每個(gè)非葉子節(jié)點(diǎn)都有2個(gè)分支，形成二叉樹形式的決策樹結(jié)構(gòu)[30]。式（2）、式（3）、式（4）描述了CART結(jié)構(gòu)的學(xué)習(xí)樣本集
式中 M1,M2,…,Mm為屬性向量，N為標(biāo)簽向量。同時(shí)，CART算法采用GINI系數(shù)度量選擇測(cè)試屬性，選取GINI系數(shù)最小的屬性作為根節(jié)點(diǎn)的分裂屬性：
式中假設(shè)S=L為樣本集，類別集為{C1,C2,… ,Cn}，共n類，每個(gè)類對(duì)應(yīng) 1個(gè)樣本子集 Ci=Si（1≤i≤n）。令|S|為樣本集的樣本數(shù)，|Ci|為樣本集S中屬于類Ci的樣本數(shù)，則ρi=Ci/S為樣本集中樣本屬于類Ci的概率，通過遞歸二分成的決策樹通常會(huì)有“過度擬合”現(xiàn)象，通過一定的修剪，最后生成相對(duì)最優(yōu)的二叉樹[31]。
在完成面向?qū)ο蠓诸愔?，需要選取好分類的樣本，為了更加清楚地選取地物的類型，可以將GF-1影像做主成分分析、最小噪聲變換、波段組合等增強(qiáng)處理，以便于更加精準(zhǔn)地選取樣本。各地類的樣本點(diǎn)應(yīng)均勻分布在研究區(qū)域內(nèi)；為減少樣本點(diǎn)選取誤差，采用點(diǎn)選方式代替多邊形選擇樣本方式。按照地類在研究區(qū)域中的多少選擇各種地類的樣本數(shù)量，林地、園地、灌草地、耕地、建設(shè)用地、未利用地選擇的樣本點(diǎn)數(shù)量分別 200、100、100、80、50、20。樣本分離性值大約都在1.8～2.0之間被認(rèn)為是合格樣本[32]，試驗(yàn)中選取的未利用地、園地、林地、耕地、建設(shè)用地、灌草地 6類樣本都經(jīng)過了樣本分離性計(jì)算，均合格。
基于面向?qū)ο驝ART決策樹分類法在2.2.2節(jié)流域粗分類基礎(chǔ)上，調(diào)用上述選取的 6類樣本調(diào)用面向?qū)ο蟮腃ART決策樹分類法參與細(xì)分類。得到的決策樹如圖 5所示，通過CART分類器計(jì)算GF-1影像各波段均值、最大差分值、亮度均值來實(shí)現(xiàn)流域內(nèi)八大地物類型特征的提取。即圖2中面向?qū)ο蟮腃ART決策樹分類部分的二叉樹結(jié)構(gòu)圖。
圖5 面向?qū)ο蟮腃ART分類決策樹Fig.5 Object oriented classification and regression trees(CART)
3 結(jié)果與分析
運(yùn)用非監(jiān)督分類法、極大似然分類法、面向?qū)ο驝ART決策樹分類法對(duì)GF-1影像分類效果圖如圖6所示。
由圖 6可知，水庫(kù)能較為清晰地提取出來，河流及水庫(kù)的邊界輪廓可以較為清晰地識(shí)別；非監(jiān)督分類對(duì)于建設(shè)用地的提取效果較差。3種方法對(duì)于林地都有很好的提取，至于未利用地、園地、灌草地、耕地很難從圖中肉眼看出獲得精度的大小。
表 3為各分類方法的混淆矩陣，極大似然分類法與面向?qū)ο蠓诸惙軌蚝芎玫刈R(shí)別河流，特別是極大似然分類法與面向?qū)ο蟮?CART決策樹分類法對(duì)于水庫(kù)的分類精度很高，非監(jiān)督分類根據(jù)影像的光譜信息進(jìn)行分類，因此對(duì)于光譜信息類似的地物容易出現(xiàn)誤分，如河流與水庫(kù)光譜類似，非監(jiān)督分類法相對(duì)于其他 2種分類方法對(duì)于河流的分類精度稍弱。建設(shè)用地中，3種方法的提取精度都比較高。耕地的識(shí)別中，面向?qū)ο蟮?CART決策樹分類法效果比較好，達(dá)88.40%，極大似然分類方法效果較差。面向?qū)ο蟮?CART決策樹分類方法和非監(jiān)督分類法對(duì)于灌草地的識(shí)別精度都達(dá) 80%以上，而極大似然法對(duì)于灌草地的識(shí)別效果較差。園地主要集中在東江源區(qū)周邊，特別是贛州市尋烏縣分布著大片的臍橙園區(qū)，極大似然法對(duì)于園地的提取精度效果最高，面向?qū)ο蟮腃ART決策樹分類法次之，非監(jiān)督分類法提取效果不是很理想。對(duì)于林地而言，面向?qū)ο蟮?CART決策樹分類法和極大似然分類法提取林地的精度都比較理想，非監(jiān)督分類法明顯要低于其他2種分類方法。未利用地中，3種方法的提取效果都在 85%以上。最后再結(jié)合總體分類精度與Kappa系數(shù)，發(fā)現(xiàn)面向?qū)ο蟮腃ART決策樹分類方法相比于非監(jiān)督分類和極大似然分類都要高，該方法適合東江流域土地利用分類。
圖6 極大似然分類、非監(jiān)督分類與CART決策樹分類對(duì)比Fig.6 Comparison between maximum likelihood classification, unsupervised classification and CART decision tree
表3 極大似然法分類、非監(jiān)督分類、面向?qū)ο蟮腃ART決策樹分類混淆矩陣Table 3 Obfuscation matrix of maximum likelihood method classification, unsupervised classification and CART decision tree classification
4 結(jié) 論
GF-1影像數(shù)據(jù)具有較高的空間分辨率，但自身波段數(shù)目較少，另外由于東江流域境內(nèi)以山地丘陵為主、地形高差較大、地物類型復(fù)雜，基于像元的分類方法效果不佳。本文討論了極大似然分類法、非監(jiān)督分類法、面向?qū)ο?CART決策樹分類法在東江流域的土地利用分類效果，通過選取合適的樣本試驗(yàn)檢驗(yàn)，面向?qū)ο蟮腃ART決策樹分類法在3種分類方法中精度最高，高達(dá)93.27%，Kappa系數(shù)高達(dá)0.92。不足的是耕地、園地、灌草地提取效果欠佳，后續(xù)可以引入紋理特征來提高分類精度。
[1] 彭資，谷成燕，劉智勇，等. 東江流域 1989–2009 年土地利用變化對(duì)生態(tài)承載力的影響[J]. 植物生態(tài)學(xué)報(bào)，2014，38(7)：675－686.Peng Zi, Gu Chengyan, Liu Zhiyong, et al. Impact of land use change during 1989－2009 on eco-capacity in Dongjiang watershed [J]. Chinese Journal of Plant Ecology, 2014，38(7):675－686. (in Chinese with English abstract)
[2] 任斐鵬，江源，熊興，等. 東江流域近 20 年土地利用變化的時(shí)空差異特征分析[J]. 資源科學(xué)，2011，33(1)：143－152.Ren Feipeng, Jiang Yuan, Xiong Xing, et al. Characteristics of the spatial-temporal differences of land use changes in the Dongjiang River Basin from 1990 to 2009 [J]. Resources Science, 2011，33(1)：143－152. (in Chinese with English abstract)
[3] 白曉燕，陳曉宏，王兆禮，等. 基于面向?qū)ο蠓诸惖耐恋乩眯畔⑻崛〖捌鋾r(shí)空變化研究[J]. 遙感技術(shù)與應(yīng)用，2015，30(4)：798－809.Bai Xiaoyan, Chen Xiaohong, Wang Zhaoli, et al. A study on land use information extraction based on object-oriented classification technology and the temporal-spatial variation[J]. Remote Sensing Technology and Application, 2015,30(4): 798－809. (in Chinese with English abstract)
[4] 白照廣. 高分一號(hào)衛(wèi)星的技術(shù)特點(diǎn)[J]. 中國(guó)航天, 2013(8):5－9.
[5] 程乾，陳金鳳. 基于高分1號(hào)杭州灣南岸濱海陸地土地覆蓋信息提取方法研究[J]. 自然資源學(xué)報(bào)， 2015，30(2)：350－360.Cheng Qian, Chen Jinfeng. Research on the extraction method of land cover Information in southern coastal land of Hangzhou Bay Based on GF-1 image [J]. Journal of Natural Resources, 2015，30(2)：350－360. (in Chinese with English abstract)
[6] 陳文倩，丁建麗，王嬌，等. 基于高分一號(hào)影像的土地覆被分類方法初探[J]. 干旱區(qū)地理，2016，39(1)：182－189.Chen Wenqian, Ding Jianli, Wang Jiao, et al. Classification method of land cover based on GF-1 image [J]. Arid Land Geography, 2016, 39 (1): 182－189. (in Chinese with English abstract)
[7] Fu B, Wang Y, Campbell A, et al. Comparison of object-based and pixel-based Random Forest algorithm for wetland vegetation mapping using high spatial resolution GF-1 and SAR data[J]. Ecological indicators, 2017, 73: 105－117.
[8] 郭玉寶，池天河，彭玲，等. 利用隨機(jī)森林的高分一號(hào)遙感數(shù)據(jù)進(jìn)行城市用地分類[J]. 測(cè)繪通報(bào)，2016(5)：73－76.Guo Yubao, Chi Tianhe, Peng Ling, et al. Classification of GF-1 remote sensing image based on random forests for urban land-use [J]. Bulletin of Surveying and Mapping,2016(5): 73－76. (in Chinese with English abstract)
[9] 李淑圓，周靜妍，余世孝，等. 基于高分辨率遙感影像的廣州城市土地覆被分類系統(tǒng)[J]. 中山大學(xué)學(xué)報(bào)：自然科學(xué)版，2016，55(5)：82－88.Li Shuyuan, Zhou Jingyan, Yu Shixiao, et al. Land cover classification system in the city of Guangzhou based on high-resolution remote sensor data[J]. Journal of Sun Yat-sen University: Natural Science Edition, 2016, 55(5): 82－88. (in Chinese with English abstract)
[10] Qian S, Zhou Q, Wu W, et al. Mapping regional cropping patterns by using GF-1 WFV sensor data [J]. Journal of Integrative Agriculture, 2017, 16(2): 337－347.
[11] Zhang Y, Shi M, Zhao X, et al. Methods for automatic identification and extraction of terraces from high spatial resolution satellite data (China-GF-1) [J]. International Soil and Water Conservation Research, 2017, 5(1): 17－25.
[12] 王利民，劉佳，楊福剛， 等. 基于GF-1衛(wèi)星遙感的冬小麥面積早期識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(11)：194－201.Wang Limin, Liu Jia, Yang Fugang, et al. Early recognition of winter wheat area based on GF-1 satellite [J]. Transaction of the Chinese society of agricultural engineering(Transaction of the CSAE), 2015, 31(11)：194－201. (in Chinese with English abstract)
[13] 吳金勝，劉紅利，張錦水，等. 無人機(jī)遙感影像面向?qū)ο蠓诸惙椒ü浪闶杏蛩久娣e[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(1)：70－78.Wu Jinsheng, Liu Hongli, Zhang Jinshui, et al. Paddy planting acreage estimation in city level based on UAV images and object-oriented classification method [J].Transaction of the Chinese society of agricultural engineering(Transaction of the CSAE), 2018, 34(1): 70－78. (in Chinese with English abstract)
[14] 張貴花，王瑞燕，趙庚星，等. 基于物候參數(shù)和面向?qū)ο蠓ǖ臑l海生態(tài)脆弱區(qū)植被遙感提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(4)：209－216.Zhang Guihua, Wang Ruiyan, Zhao Gengxing, et al.Extraction of vegetation information in coastal ecological vulnerable areas from remote sensing data based on phenology parameters and object-oriented method[J].Transaction of the Chinese society of Agricultural Engineering (Transaction of the CSAE), 2018, 34(4)：209－216. (in Chinese with English abstract)
[15] 任傳帥，葉回春，崔貝，等. 基于面向?qū)ο蠓诸惖拿⒐诌b感提取方法研究[J]. 資源科學(xué)，2017，39(8)：1584－1591.Ren Chuanshuai Ye Huichun, Cui Bei, et al. Acreage estimation of mango orchards using object-oriented classification and remote sensing [J]. Resources Science,2017, 39(8): 1584－1591. (in Chinese with English abstract)
[16] Jebur M N, Mohd Shafri H Z, Pradhan B, et al. Per-pixel and object-oriented classification methods for mapping urban land cover extraction using SPOT 5 imagery [J]. Geocarto International, 2014, 29(7): 792－806.
[17] Liu D, Xia F. Assessing object-based classification:Advantages and limitations [J]. Remote Sensing Letters,2010, 1(4): 187－194.
[18] 張伐伐，李衛(wèi)忠，盧柳葉，等. SPOT5 遙感影像土地利用信息提取方法研究[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)， 2011，39(6)：143－147.Zhang Fafa, Li Weizhong, Lu Liuye, et al. Study on extraction methods of land utilization information based on SPOT5 [J]. Journal of Northwest A&F University, 2011,39(6): 143－147. (in Chinese with English abstract)
[19] 吳田軍，胡曉東，夏列鋼，等. 基于對(duì)象級(jí)分類的土地覆蓋動(dòng)態(tài)變化及趨勢(shì)分析[J]. 遙感技術(shù)與應(yīng)用，2014，29(4)：600－606.Wu Tianjun, Hu Xiaodong, Xia Liegang, et al. Analysis on dynamic change and tendency of land-cover based on objectoriented classification [J]. Remote Sensing Technology and Application, 2014, 29(4): 600－606. (in Chinese with English abstract)
[20] 吳嬌，李恒凱，雷軍. 東江源區(qū)植被覆蓋時(shí)空演變遙感監(jiān)測(cè)與分析[J]. 江西理工大學(xué)學(xué)報(bào)，2017，38(1)：29－36.Wu Jiao, Li Hengkai, Lei Jun. Remote sensing monitoring of spatiotemporal variation of vegetation cover in Dongjiang source area [J]. The Jiangxi University of Science and Technology Journal, 2017, 38(1): 29－36. (in Chinese with English abstract)
[21] 翁進(jìn)，曾海波，羅國(guó)斌，等. GF-1衛(wèi)星數(shù)據(jù)在土地利用變更調(diào)查遙感監(jiān)測(cè)中的應(yīng)用[J]. 安徽農(nóng)業(yè)科學(xué)，2015，43(16)：358－362.Weng Jin, Zeng Haibo, Luo Guobin, et al. The application of GF-1 Remote Sensing Image in the land use change monitoring [J]. Journal of Anhui Agricultural Sciences, 2015,43(16): 358－362. (in Chinese with English abstract)
[22] 李恒凱，楊柳，雷軍，等. 利用 HJ-CCD 影像的紅壤丘陵區(qū)土壤侵蝕分析——以贛州市為例[J]. 遙感信息，2016，31(3)：122－129.Li Hengkai, Yang Liu, Lei Jun, et al. Soil erosion analysis in red soil hilly region by using HJ-CCD: A case study in Ganzhou [J]. Remote Sensing Information, 2016, 31(3): 122－129. (in Chinese with English abstract)
[23] 牛增懿，丁建麗，李艷華，等. 基于高分一號(hào)影像的土壤鹽漬化信息提取方法[J]. 干旱區(qū)地理，2016，39(1)：171－181.Niu Zengyi, Ding Jianli, Li Yanhua, et al. Soil salinization information extraction method based on GF-1 image [J]. Arid Land Geography, 2016, 39(1): 171－181. (in Chinese with English abstract)
[24] 陳天博，胡卓瑋，魏錸，等. 無人機(jī)遙感數(shù)據(jù)處理與滑坡信息提取[J]. 地球信息科學(xué)，2017，19(5)：692－701.Chen Tianbo, Hu Zhuowei, Wei Lai, et al. Data processing and landslide information extraction based on UAV remote sensing [J]. Journal of Geo-information Science, 2017, 19(5).692－701. (in Chinese with English abstract)
[25] Drǎgu? L, Tiede D, Levick S R. ESP: A tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data[J]. International Journal of Geographical Information Science, 2010, 24(6): 859－871.
[26] 彭令，徐素寧，梅軍軍，等. 資源三號(hào)衛(wèi)星在汶川震區(qū)滑坡快速識(shí)別中的應(yīng)用方法研究[J]. 遙感技術(shù)與應(yīng)用, 2018,33(1): 185－192.Peng Ling，Xu Suning，Mei Junjun，et al. Research on Wenchuan Earthquake-induced Landslides rapid recognition from ZY-3 imagery[J]. Remote Sensing Technology and Application, 2018, 33(1): 185－192. (in Chinese with English abstract)
[27] 汪小欽，王苗苗，王紹強(qiáng)，等. 基于可見光波段無人機(jī)遙感的植被信息提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(5)：152－159.Wang Xiaoqin, Wang Miaomiao, Wang Shaoqiang, et al.Extraction of vegetation information from visible unmanned aerial vehicle images [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2015, 31(5): 152－159. (in Chinese with English abstract)
[28] Breiman, Friedman J, Stone C J, et al．Classification and regression trees[M]．Boca Raton F L:Chapman ＆Hall/CRC,1984．
[29] 周志華. 機(jī)器學(xué)習(xí)[M]. 北京: 清華大學(xué)出版社，2016.
[30] 陳云，戴錦芳，李俊杰. 基于影像多種特征的CART決策樹分類方法及應(yīng)用[J]. 地理與地理信息科學(xué)，2008，24 (2)：33－36.Chen Yun, Dai Jinfang, Li Junjie . CART-based decision tree classifier using multi-feature of image and its application [J].Geography and Geo-Information Science, 2008, 24(2): 33－36. (in Chinese with English abstract)
[31] 馬宇龍，林志壘. 基于面向?qū)ο蠛虲ART決策樹方法的遙感影像濕地變化檢測(cè)研究：以龍祥島地區(qū)為例[J]. 福建師范大學(xué)學(xué)報(bào)，2017(6)：69－80.Ma Yulong, Lin Zhilei. Wetland change detection based on object-oriented and CART decision tree method: A case study of wet[J]. Journal of Fujian Normal University, 2017(6):69－80. (in Chinese with English abstract)
[32] 吳健生，潘況一，彭建，等. 基于 QUEST決策樹的遙感影像土地利用分類：以云南省麗江市為例[J]. 地理研究，2012，31(11)：1973－1980.Wu Jiansheng, Pan Kuangyi, Peng Jian, et al. Research on the accuracy of TM images landuse classification based on QUEST decision tree: A case study of Lijiang in Yunnan[J].Geographical Research, 2012, 31(11): 1973－1980. (in Chinese with English abstract)
猜你喜歡
分類算一算數(shù)學(xué)小靈通(1-2年級(jí))(2021年4期)2021-06-09 06:25:56 垃圾分類的困惑你有嗎大眾健康(2021年6期)2021-06-08 19:30:06 學(xué)習(xí)方法兒童故事畫報(bào)(2019年5期)2019-05-26 14:26:14 分類討論求坐標(biāo)中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2019年4期)2019-05-20 10:06:32 數(shù)據(jù)分析中的分類討論中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2018年6期)2018-06-26 08:36:06 教你一招：數(shù)的分類初中生世界·七年級(jí)(2017年9期)2017-10-13 22:27:46 可能是方法不對(duì)意林原創(chuàng)版(2016年10期)2016-11-25 10:28:30 用對(duì)方法才能瘦Coco薇(2016年2期)2016-03-22 02:42:52 四大方法 教你不再“坐以待病”！Coco薇(2015年1期)2015-08-13 02:47:34 賺錢方法小雪花·成長(zhǎng)指南(2015年7期)2015-08-11 15:03:12
李恒凱，吳 嬌，王秀麗
（1. 江西理工大學(xué)建筑與測(cè)繪工程學(xué)院，贛州 341000；2. 江西理工大學(xué)經(jīng)濟(jì)管理學(xué)院，贛州 341000）
0 引 言
東江流域位于珠江三角洲的東北端，是粵港重要的飲用水源和重點(diǎn)水質(zhì)保護(hù)區(qū)[1]。近年來東江流域地區(qū)經(jīng)濟(jì)迅猛發(fā)展，其經(jīng)濟(jì)由下游逐漸向上游轉(zhuǎn)移，人類經(jīng)濟(jì)活動(dòng)對(duì)區(qū)域環(huán)境干擾程度與日俱增，土地利用發(fā)生著深刻的變化，流域生態(tài)安全問題凸顯[2]。東江流域土地利用信息的準(zhǔn)確獲取，對(duì)于保持區(qū)域生態(tài)穩(wěn)定性和社會(huì)經(jīng)濟(jì)的可持續(xù)發(fā)展具有重大意義。遙感影像能夠快速獲取大面積地球表面信息，已成為流域土地利用信息獲取的主要手段，但當(dāng)前針對(duì)東江流域數(shù)據(jù)多為L(zhǎng)andsat TM/ETM影像，空間分辨率較低，需要多景影像拼接，且東江流域處于多云多雨的中國(guó)南方，較少云遮擋的 Landsat TM/ETM不足，較難保證時(shí)間一致性，影響信息提取效果，而高空間分辨率影像成本較高，難以在整個(gè)流域范圍應(yīng)用[1-3]。2013年，具有高精度、寬覆蓋特點(diǎn)的GF-1衛(wèi)星的發(fā)射為流域范圍更精細(xì)的地表信息提取提供了可能[4]，尤其該衛(wèi)星通過側(cè)擺可對(duì)同一位置進(jìn)行重復(fù)周期僅有4 d的影像獲取，其較短的時(shí)間周期和寬覆蓋能較好彌補(bǔ)南方多云多雨天氣下光學(xué)影像不足的問題，在東江流域土地利用信息提取中展現(xiàn)了良好的應(yīng)用潛力。
針對(duì)GF-1數(shù)據(jù)特點(diǎn)，一些學(xué)者陸續(xù)開展覆蓋數(shù)據(jù)信息提取方法研究[5-9]，并將這些方法應(yīng)用于濱海陸地[5]、濕地[6-7]、城市用地[8-9]、精準(zhǔn)農(nóng)業(yè)[10-12]等信息提取方面，取得較好效果，展現(xiàn)了GF-1數(shù)據(jù)的優(yōu)越性能。一些應(yīng)用研究表明，GF-1數(shù)據(jù)在信息提取方面，面向?qū)ο蠓椒ㄏ鄬?duì)于傳統(tǒng)像元信息提取方法，能綜合考慮對(duì)象光譜、空間上下文信息及多種屬性信息，對(duì)于土地類型多樣、邊界模糊等混合像元有較好識(shí)別能力[5]，且比基于像元方法總體分類精度提高了3～10個(gè)百分點(diǎn)[7]。對(duì)于面向?qū)ο蠓椒?，其多尺度分割參?shù)受區(qū)域地形、地貌、地理要素等影響[13]，且要根據(jù)不同數(shù)據(jù)特點(diǎn)及不同地域應(yīng)用，制定集成遙感數(shù)據(jù)多維特征的地物提取規(guī)則及提取方法與相關(guān)參數(shù)[14-18]，具有較強(qiáng)的數(shù)據(jù)依賴及地域特點(diǎn)。本研究針對(duì)東江流域山地丘陵地形，其地物分布復(fù)雜，地塊小且破碎、水系較多等特點(diǎn)，基于GF-1數(shù)據(jù)，建立具有流域特點(diǎn)的分割尺度，采用模糊分層分類和 CART（classification and regression tree)決策樹細(xì)化分類相結(jié)合技術(shù)，構(gòu)建面向?qū)ο蟮牧饔蛲恋乩梅诸愄卣骷靶畔⑻崛》椒?，為流域生態(tài)穩(wěn)定性和社會(huì)經(jīng)濟(jì)的可持續(xù)發(fā)展提供技術(shù)支持。
1 研究區(qū)概況
東江流域（圖1）東連粵東梅汕等地，西毗粵北韶關(guān)與清遠(yuǎn)市，南接南海與香港相通，北牽贛南的東江源地區(qū)。該流域大部分跨越廣東省，即流經(jīng)了廣東河源市、惠州市、東莞市、深圳市、韶關(guān)市、梅州市和廣州的增城市。地理位置為 113°52′～115°52′E，22°38′～25°14′N，東北部高、西南低，最高海拔不超過1 500 m，地物分布復(fù)雜，地塊小且破碎，林地農(nóng)作物混雜度高，是典型的南方低山丘陵山地地區(qū)；該研究區(qū)內(nèi)具有建設(shè)用地（交通、居民住宅等）、耕地、草地（人工草地、天然草地等）、水域（河流、水庫(kù)）、未利用地（裸地、沙地等）、園林地（針葉林、闊葉林等）等典型地物[19]。年平均溫度為20.4 ℃，是亞熱帶濕潤(rùn)季風(fēng)氣候區(qū)。流域內(nèi)多年的平均降雨量在2000 mm左右，降雨頻繁但是在地理空間分布上很不均勻，湖泊河流眾多。東江流域是珠江三角洲城市群和香港特別行政區(qū)的重要水源地，屬于典型的南方紅壤生態(tài)脆弱區(qū)，水土流失現(xiàn)象頻發(fā)，生態(tài)環(huán)境極易遭到破壞[20]。
圖1 東江流域位置示意圖Fig.1 Location diagram of Dongjiang River Basin
2 數(shù)據(jù)來源與方法
2.1 數(shù)據(jù)來源與數(shù)據(jù)預(yù)處理
GF-1衛(wèi)星有效載荷包括2臺(tái)2 m分辨率全色和8 m分辨率多光譜PMS（panchromatic and multispectral）高分辨率相機(jī)和4臺(tái)16 m中分辨率寬幅多光譜WFV（wide field-of-view）相機(jī)及配套的高速數(shù)傳系統(tǒng)[21]，其中WFV數(shù)據(jù)具有800 km幅寬和4 d的回訪周期，特別適宜大范圍的土地利用變化監(jiān)測(cè)。本試驗(yàn)采用5景GF-1的16 m WFV數(shù)據(jù)，影像標(biāo)識(shí)符、獲取時(shí)間、傳感器類型、軌道號(hào)、太陽高度角如表1。整個(gè)研究區(qū)地處多云多雨的南方丘陵山區(qū)，11—12月份無云少云量數(shù)據(jù)較為容易獲得[22]。本次試驗(yàn)采用的GF-1數(shù)據(jù)主要集中在12月份左右，數(shù)據(jù)質(zhì)量較高。其他輔助數(shù)據(jù)包括從地理空間數(shù)據(jù)云獲取的5景Landsat8 OLI(operational land imager)影像，江西省、廣東省GDEMV2 30 m分辨率的DEM數(shù)據(jù)，全國(guó)縣級(jí)行政區(qū)劃矢量數(shù)據(jù)。參照全國(guó)《土地利用現(xiàn)狀調(diào)查技術(shù)規(guī)程分類體系》和南方丘陵山地生態(tài)特點(diǎn)[1]，將流域內(nèi)地物分為河流、湖泊、灌草地、林地、耕地、園地、未利用地、建設(shè)用地8類。
為進(jìn)行后續(xù)分析，特對(duì)原始數(shù)據(jù)進(jìn)行處理，包括：通過水文分析對(duì)所選的DEM數(shù)據(jù)進(jìn)行處理，獲取東江流域的矢量邊界；將選擇的Landsat OLI全色影像鑲嵌，使其完全覆蓋待校正的GF-1 影像，為正射校正做好準(zhǔn)備；對(duì)所選擇的GF-1 影像進(jìn)行輻射校正、大氣校正和正射校正。其中鑲嵌后的Landsat OLI全色影像為參考影像，GF-1影像為待校正影像，DEM數(shù)據(jù)為分辨率30 m GDEMV2數(shù)據(jù)；研究區(qū)域范圍內(nèi)所有的 GF-1 影像正射校正完成后，進(jìn)行圖像鑲嵌，得到完全包含研究區(qū)域的GF-1影像；最后通過東江流域的矢量邊界對(duì)鑲嵌后的GF-1影像進(jìn)行裁剪，得到研究區(qū)域的GF-1 影像。
表1 GF-1影像標(biāo)識(shí)符、獲取時(shí)間及類型特點(diǎn)Table 1 GF-1 image identifier, acquisition time,and type characteristics
2.2 研究方法
本研究以GF-1影像為數(shù)據(jù)源，對(duì)預(yù)處理后的影像利用多尺度分割（multiresolution segmentation）、模糊分類和 CART決策樹分類方法，結(jié)合近紅外波段、歸一化植被指數(shù)（NDVI）、長(zhǎng)寬比等特征對(duì)東江流域的土地利用類型進(jìn)行分類研究，技術(shù)路線如圖2所示。
圖2 面向?qū)ο蠓诸惪傮w技術(shù)路線圖Fig.2 Whole technical roadmap of object oriented classification
2.2.1 多尺度分割
影像分割受波段權(quán)重、光譜參數(shù)、形狀參數(shù)、緊致度、光滑度和尺度參數(shù)等因素的影響[23]。在影像分割過程中分割尺度的選擇尤為重要，分割不足與過度分割都可能導(dǎo)致分類精度的下降，傳統(tǒng)的方法需要根據(jù)實(shí)際情況反復(fù)試驗(yàn)確定最優(yōu)分割尺度[24]。本文采用 ESP（estimation of scale parameters）[25]工具輔助來獲取東江流域最優(yōu)分割尺度，ESP在自定義的軟件環(huán)境中能夠快速地獲取多尺度分割的最優(yōu)尺度參數(shù)，是一種自下而上的以單個(gè)影像層為起點(diǎn)的區(qū)域合并技術(shù)。影像對(duì)象同質(zhì)性局部方差（local variance，LV）作為分割對(duì)象層的平均標(biāo)準(zhǔn)差，以此來判定分割最佳尺度。對(duì)象分割最佳尺度參數(shù)用LV的變化率值ROC（rates of change）來表示，當(dāng)LV的變化率值呈現(xiàn)下降趨勢(shì)并且突然出現(xiàn)峰值時(shí)，該點(diǎn)對(duì)應(yīng)的分割尺度即為最佳分割尺度[25]。LV的變化率值為
式中ROC為L(zhǎng)V的變化率，Li為在目標(biāo)層第i對(duì)象層的平均標(biāo)準(zhǔn)差，Li–1為在目標(biāo)層第i–1對(duì)象層的平均標(biāo)準(zhǔn)差。
本次研究設(shè)置分割的影像層數(shù)為150，以15為步長(zhǎng)，形狀因子以及緊密度因子均設(shè)為0.5，各波段權(quán)重均設(shè)為1。利用ESP工具得出的ROC的極大值對(duì)應(yīng)分割尺度（圖3）為210、270、300、330、375、420。各極值點(diǎn)都有可能是最佳分割尺度參數(shù)，在影像上同一塊區(qū)域得到不同尺度參數(shù)下的分割結(jié)果如圖4。
圖3 局部方差及其變化率隨分割尺度的變化Fig.3 Variation of local variance and its change rate with segmentation scale
圖4 局部真彩色影像圖及其不同分割尺度的分割效果Fig.4 Local true color image and its segmentation effect with different segmentation scales
試驗(yàn)中進(jìn)行影像分割時(shí)，顯示GF-1真彩色影像窗口與分割影像窗口，對(duì)比 2個(gè)窗口中地類的分割效果。如圖4所示，6個(gè)分割尺度參數(shù)得到的對(duì)象的大小是不一樣的，影像對(duì)象在分割效果圖上所表現(xiàn)的特征也不相同。通過目視解譯以及統(tǒng)計(jì)不同分割尺度下影像的對(duì)象個(gè)數(shù)及其分割特點(diǎn)（表2）。可以得到：影像分割在375時(shí)，其分割特征與實(shí)際地類較為吻合，影像上較少存在過分割和分割不完全的現(xiàn)象，對(duì)象均質(zhì)性較為完好，故本文選取的最優(yōu)分割尺度為375。
表2 影像對(duì)象在不同分割尺度的特征Table 2 Image objects features with different segmentation scales
2.2.2 特征提取
最優(yōu)尺度分割后將會(huì)得到包含不同信息的影像對(duì)象，從分割好的影像對(duì)象中進(jìn)行特征信息的提取，以此來劃分地物。由于決策樹分類本身存在誤差累積，為提高分類精度，采用模糊分類的方法先將容易區(qū)分的類別進(jìn)行了區(qū)分（圖2）。模糊分類是以模糊邏輯（Fuzzy Logic）為理論基礎(chǔ)，在描述模糊概念時(shí)引入隸屬度函數(shù)，將屬于與不屬于的絕對(duì)判斷過渡到相對(duì)判斷，有效地消除人為設(shè)定閾值的主觀性與差異性，更加符合客觀真實(shí)規(guī)律[26]。對(duì)于分割好的影像對(duì)象，在決策樹構(gòu)建的每一層節(jié)點(diǎn)采用合適的分類方法與參考特征。鑒于上述原則，建立分類規(guī)則來實(shí)現(xiàn)東江流域面向?qū)ο笸恋乩梅诸愋畔⒌奶崛 ?/p>
首先通過近紅外波段值來區(qū)分水體與非水體，結(jié)合GF-1號(hào)真彩色影像發(fā)現(xiàn)，當(dāng)近紅外波段均值小于480的地物類型為水體，大于 2 200的值確定為非水體，在（480～2 200）區(qū)間構(gòu)建水體的隸屬度函數(shù)，通過隸屬小于函數(shù)來實(shí)現(xiàn)水體與非水體的提取[26]。在非水體類別中，主要運(yùn)用NDVI指數(shù)來區(qū)分植被與非植被，NDVI指數(shù)對(duì)于僅含可見光波段的影像中綠色植被信息具有較好的提取效果[27]。同理結(jié)合GF-1號(hào)真彩色影像觀察，當(dāng)NDVI指數(shù)大于0.62的地物類型為植被，小于0.21確定為非植被，通過構(gòu)建這 2個(gè)值之間的隸屬大于函數(shù)區(qū)分植被與非植被[26]。在水體類別中，河流與水庫(kù)的光譜特征十分接近，僅僅依靠光譜特征很難加以區(qū)分，由于河流與水庫(kù)之間有著明顯的形狀特征差異，河流在形狀上呈現(xiàn)細(xì)枝狀并且同一條河流的寬度幾乎相同，而水庫(kù)在影像上表現(xiàn)為不規(guī)則的多邊形。結(jié)合GF-1號(hào)真彩色影像，當(dāng)長(zhǎng)寬比指數(shù)大于4.32時(shí)確定為河流，小于1.53即全部是水庫(kù)，在（1.53～4.32）區(qū)間引用隸屬大于函數(shù)[26]提取河流與水庫(kù)。上述步驟可以初步實(shí)現(xiàn)流域內(nèi)地物的粗分類。
2.2.3 CART決策樹分類
Breiman等[28-29]提出的決策樹構(gòu)建算法（CART分類回歸樹算法）用一種二分遞歸分割的技術(shù)，將包含測(cè)試變量與目標(biāo)變量構(gòu)成的訓(xùn)練數(shù)據(jù)集（當(dāng)前的樣本集）循環(huán)迭代分為 2個(gè)子樣本集，使得生成的每個(gè)非葉子節(jié)點(diǎn)都有2個(gè)分支，形成二叉樹形式的決策樹結(jié)構(gòu)[30]。式（2）、式（3）、式（4）描述了CART結(jié)構(gòu)的學(xué)習(xí)樣本集
式中 M1,M2,…,Mm為屬性向量，N為標(biāo)簽向量。同時(shí)，CART算法采用GINI系數(shù)度量選擇測(cè)試屬性，選取GINI系數(shù)最小的屬性作為根節(jié)點(diǎn)的分裂屬性：
式中假設(shè)S=L為樣本集，類別集為{C1,C2,… ,Cn}，共n類，每個(gè)類對(duì)應(yīng) 1個(gè)樣本子集 Ci=Si（1≤i≤n）。令|S|為樣本集的樣本數(shù)，|Ci|為樣本集S中屬于類Ci的樣本數(shù)，則ρi=Ci/S為樣本集中樣本屬于類Ci的概率，通過遞歸二分成的決策樹通常會(huì)有“過度擬合”現(xiàn)象，通過一定的修剪，最后生成相對(duì)最優(yōu)的二叉樹[31]。
在完成面向?qū)ο蠓诸愔?，需要選取好分類的樣本，為了更加清楚地選取地物的類型，可以將GF-1影像做主成分分析、最小噪聲變換、波段組合等增強(qiáng)處理，以便于更加精準(zhǔn)地選取樣本。各地類的樣本點(diǎn)應(yīng)均勻分布在研究區(qū)域內(nèi)；為減少樣本點(diǎn)選取誤差，采用點(diǎn)選方式代替多邊形選擇樣本方式。按照地類在研究區(qū)域中的多少選擇各種地類的樣本數(shù)量，林地、園地、灌草地、耕地、建設(shè)用地、未利用地選擇的樣本點(diǎn)數(shù)量分別 200、100、100、80、50、20。樣本分離性值大約都在1.8～2.0之間被認(rèn)為是合格樣本[32]，試驗(yàn)中選取的未利用地、園地、林地、耕地、建設(shè)用地、灌草地 6類樣本都經(jīng)過了樣本分離性計(jì)算，均合格。
基于面向?qū)ο驝ART決策樹分類法在2.2.2節(jié)流域粗分類基礎(chǔ)上，調(diào)用上述選取的 6類樣本調(diào)用面向?qū)ο蟮腃ART決策樹分類法參與細(xì)分類。得到的決策樹如圖 5所示，通過CART分類器計(jì)算GF-1影像各波段均值、最大差分值、亮度均值來實(shí)現(xiàn)流域內(nèi)八大地物類型特征的提取。即圖2中面向?qū)ο蟮腃ART決策樹分類部分的二叉樹結(jié)構(gòu)圖。
圖5 面向?qū)ο蟮腃ART分類決策樹Fig.5 Object oriented classification and regression trees(CART)
3 結(jié)果與分析
運(yùn)用非監(jiān)督分類法、極大似然分類法、面向?qū)ο驝ART決策樹分類法對(duì)GF-1影像分類效果圖如圖6所示。
由圖 6可知，水庫(kù)能較為清晰地提取出來，河流及水庫(kù)的邊界輪廓可以較為清晰地識(shí)別；非監(jiān)督分類對(duì)于建設(shè)用地的提取效果較差。3種方法對(duì)于林地都有很好的提取，至于未利用地、園地、灌草地、耕地很難從圖中肉眼看出獲得精度的大小。
表 3為各分類方法的混淆矩陣，極大似然分類法與面向?qū)ο蠓诸惙軌蚝芎玫刈R(shí)別河流，特別是極大似然分類法與面向?qū)ο蟮?CART決策樹分類法對(duì)于水庫(kù)的分類精度很高，非監(jiān)督分類根據(jù)影像的光譜信息進(jìn)行分類，因此對(duì)于光譜信息類似的地物容易出現(xiàn)誤分，如河流與水庫(kù)光譜類似，非監(jiān)督分類法相對(duì)于其他 2種分類方法對(duì)于河流的分類精度稍弱。建設(shè)用地中，3種方法的提取精度都比較高。耕地的識(shí)別中，面向?qū)ο蟮?CART決策樹分類法效果比較好，達(dá)88.40%，極大似然分類方法效果較差。面向?qū)ο蟮?CART決策樹分類方法和非監(jiān)督分類法對(duì)于灌草地的識(shí)別精度都達(dá) 80%以上，而極大似然法對(duì)于灌草地的識(shí)別效果較差。園地主要集中在東江源區(qū)周邊，特別是贛州市尋烏縣分布著大片的臍橙園區(qū)，極大似然法對(duì)于園地的提取精度效果最高，面向?qū)ο蟮腃ART決策樹分類法次之，非監(jiān)督分類法提取效果不是很理想。對(duì)于林地而言，面向?qū)ο蟮?CART決策樹分類法和極大似然分類法提取林地的精度都比較理想，非監(jiān)督分類法明顯要低于其他2種分類方法。未利用地中，3種方法的提取效果都在 85%以上。最后再結(jié)合總體分類精度與Kappa系數(shù)，發(fā)現(xiàn)面向?qū)ο蟮腃ART決策樹分類方法相比于非監(jiān)督分類和極大似然分類都要高，該方法適合東江流域土地利用分類。
圖6 極大似然分類、非監(jiān)督分類與CART決策樹分類對(duì)比Fig.6 Comparison between maximum likelihood classification, unsupervised classification and CART decision tree
表3 極大似然法分類、非監(jiān)督分類、面向?qū)ο蟮腃ART決策樹分類混淆矩陣Table 3 Obfuscation matrix of maximum likelihood method classification, unsupervised classification and CART decision tree classification
4 結(jié) 論
GF-1影像數(shù)據(jù)具有較高的空間分辨率，但自身波段數(shù)目較少，另外由于東江流域境內(nèi)以山地丘陵為主、地形高差較大、地物類型復(fù)雜，基于像元的分類方法效果不佳。本文討論了極大似然分類法、非監(jiān)督分類法、面向?qū)ο?CART決策樹分類法在東江流域的土地利用分類效果，通過選取合適的樣本試驗(yàn)檢驗(yàn)，面向?qū)ο蟮腃ART決策樹分類法在3種分類方法中精度最高，高達(dá)93.27%，Kappa系數(shù)高達(dá)0.92。不足的是耕地、園地、灌草地提取效果欠佳，后續(xù)可以引入紋理特征來提高分類精度。
[1] 彭資，谷成燕，劉智勇，等. 東江流域 1989–2009 年土地利用變化對(duì)生態(tài)承載力的影響[J]. 植物生態(tài)學(xué)報(bào)，2014，38(7)：675－686.Peng Zi, Gu Chengyan, Liu Zhiyong, et al. Impact of land use change during 1989－2009 on eco-capacity in Dongjiang watershed [J]. Chinese Journal of Plant Ecology, 2014，38(7):675－686. (in Chinese with English abstract)
[2] 任斐鵬，江源，熊興，等. 東江流域近 20 年土地利用變化的時(shí)空差異特征分析[J]. 資源科學(xué)，2011，33(1)：143－152.Ren Feipeng, Jiang Yuan, Xiong Xing, et al. Characteristics of the spatial-temporal differences of land use changes in the Dongjiang River Basin from 1990 to 2009 [J]. Resources Science, 2011，33(1)：143－152. (in Chinese with English abstract)
[3] 白曉燕，陳曉宏，王兆禮，等. 基于面向?qū)ο蠓诸惖耐恋乩眯畔⑻崛〖捌鋾r(shí)空變化研究[J]. 遙感技術(shù)與應(yīng)用，2015，30(4)：798－809.Bai Xiaoyan, Chen Xiaohong, Wang Zhaoli, et al. A study on land use information extraction based on object-oriented classification technology and the temporal-spatial variation[J]. Remote Sensing Technology and Application, 2015,30(4): 798－809. (in Chinese with English abstract)
[4] 白照廣. 高分一號(hào)衛(wèi)星的技術(shù)特點(diǎn)[J]. 中國(guó)航天, 2013(8):5－9.
[5] 程乾，陳金鳳. 基于高分1號(hào)杭州灣南岸濱海陸地土地覆蓋信息提取方法研究[J]. 自然資源學(xué)報(bào)， 2015，30(2)：350－360.Cheng Qian, Chen Jinfeng. Research on the extraction method of land cover Information in southern coastal land of Hangzhou Bay Based on GF-1 image [J]. Journal of Natural Resources, 2015，30(2)：350－360. (in Chinese with English abstract)
[6] 陳文倩，丁建麗，王嬌，等. 基于高分一號(hào)影像的土地覆被分類方法初探[J]. 干旱區(qū)地理，2016，39(1)：182－189.Chen Wenqian, Ding Jianli, Wang Jiao, et al. Classification method of land cover based on GF-1 image [J]. Arid Land Geography, 2016, 39 (1): 182－189. (in Chinese with English abstract)
[7] Fu B, Wang Y, Campbell A, et al. Comparison of object-based and pixel-based Random Forest algorithm for wetland vegetation mapping using high spatial resolution GF-1 and SAR data[J]. Ecological indicators, 2017, 73: 105－117.
[8] 郭玉寶，池天河，彭玲，等. 利用隨機(jī)森林的高分一號(hào)遙感數(shù)據(jù)進(jìn)行城市用地分類[J]. 測(cè)繪通報(bào)，2016(5)：73－76.Guo Yubao, Chi Tianhe, Peng Ling, et al. Classification of GF-1 remote sensing image based on random forests for urban land-use [J]. Bulletin of Surveying and Mapping,2016(5): 73－76. (in Chinese with English abstract)
[9] 李淑圓，周靜妍，余世孝，等. 基于高分辨率遙感影像的廣州城市土地覆被分類系統(tǒng)[J]. 中山大學(xué)學(xué)報(bào)：自然科學(xué)版，2016，55(5)：82－88.Li Shuyuan, Zhou Jingyan, Yu Shixiao, et al. Land cover classification system in the city of Guangzhou based on high-resolution remote sensor data[J]. Journal of Sun Yat-sen University: Natural Science Edition, 2016, 55(5): 82－88. (in Chinese with English abstract)
[10] Qian S, Zhou Q, Wu W, et al. Mapping regional cropping patterns by using GF-1 WFV sensor data [J]. Journal of Integrative Agriculture, 2017, 16(2): 337－347.
[11] Zhang Y, Shi M, Zhao X, et al. Methods for automatic identification and extraction of terraces from high spatial resolution satellite data (China-GF-1) [J]. International Soil and Water Conservation Research, 2017, 5(1): 17－25.
[12] 王利民，劉佳，楊福剛， 等. 基于GF-1衛(wèi)星遙感的冬小麥面積早期識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(11)：194－201.Wang Limin, Liu Jia, Yang Fugang, et al. Early recognition of winter wheat area based on GF-1 satellite [J]. Transaction of the Chinese society of agricultural engineering(Transaction of the CSAE), 2015, 31(11)：194－201. (in Chinese with English abstract)
[13] 吳金勝，劉紅利，張錦水，等. 無人機(jī)遙感影像面向?qū)ο蠓诸惙椒ü浪闶杏蛩久娣e[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(1)：70－78.Wu Jinsheng, Liu Hongli, Zhang Jinshui, et al. Paddy planting acreage estimation in city level based on UAV images and object-oriented classification method [J].Transaction of the Chinese society of agricultural engineering(Transaction of the CSAE), 2018, 34(1): 70－78. (in Chinese with English abstract)
[14] 張貴花，王瑞燕，趙庚星，等. 基于物候參數(shù)和面向?qū)ο蠓ǖ臑l海生態(tài)脆弱區(qū)植被遙感提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(4)：209－216.Zhang Guihua, Wang Ruiyan, Zhao Gengxing, et al.Extraction of vegetation information in coastal ecological vulnerable areas from remote sensing data based on phenology parameters and object-oriented method[J].Transaction of the Chinese society of Agricultural Engineering (Transaction of the CSAE), 2018, 34(4)：209－216. (in Chinese with English abstract)
[15] 任傳帥，葉回春，崔貝，等. 基于面向?qū)ο蠓诸惖拿⒐诌b感提取方法研究[J]. 資源科學(xué)，2017，39(8)：1584－1591.Ren Chuanshuai Ye Huichun, Cui Bei, et al. Acreage estimation of mango orchards using object-oriented classification and remote sensing [J]. Resources Science,2017, 39(8): 1584－1591. (in Chinese with English abstract)
[16] Jebur M N, Mohd Shafri H Z, Pradhan B, et al. Per-pixel and object-oriented classification methods for mapping urban land cover extraction using SPOT 5 imagery [J]. Geocarto International, 2014, 29(7): 792－806.
[17] Liu D, Xia F. Assessing object-based classification:Advantages and limitations [J]. Remote Sensing Letters,2010, 1(4): 187－194.
[18] 張伐伐，李衛(wèi)忠，盧柳葉，等. SPOT5 遙感影像土地利用信息提取方法研究[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)， 2011，39(6)：143－147.Zhang Fafa, Li Weizhong, Lu Liuye, et al. Study on extraction methods of land utilization information based on SPOT5 [J]. Journal of Northwest A&F University, 2011,39(6): 143－147. (in Chinese with English abstract)
[19] 吳田軍，胡曉東，夏列鋼，等. 基于對(duì)象級(jí)分類的土地覆蓋動(dòng)態(tài)變化及趨勢(shì)分析[J]. 遙感技術(shù)與應(yīng)用，2014，29(4)：600－606.Wu Tianjun, Hu Xiaodong, Xia Liegang, et al. Analysis on dynamic change and tendency of land-cover based on objectoriented classification [J]. Remote Sensing Technology and Application, 2014, 29(4): 600－606. (in Chinese with English abstract)
[20] 吳嬌，李恒凱，雷軍. 東江源區(qū)植被覆蓋時(shí)空演變遙感監(jiān)測(cè)與分析[J]. 江西理工大學(xué)學(xué)報(bào)，2017，38(1)：29－36.Wu Jiao, Li Hengkai, Lei Jun. Remote sensing monitoring of spatiotemporal variation of vegetation cover in Dongjiang source area [J]. The Jiangxi University of Science and Technology Journal, 2017, 38(1): 29－36. (in Chinese with English abstract)
[21] 翁進(jìn)，曾海波，羅國(guó)斌，等. GF-1衛(wèi)星數(shù)據(jù)在土地利用變更調(diào)查遙感監(jiān)測(cè)中的應(yīng)用[J]. 安徽農(nóng)業(yè)科學(xué)，2015，43(16)：358－362.Weng Jin, Zeng Haibo, Luo Guobin, et al. The application of GF-1 Remote Sensing Image in the land use change monitoring [J]. Journal of Anhui Agricultural Sciences, 2015,43(16): 358－362. (in Chinese with English abstract)
[22] 李恒凱，楊柳，雷軍，等. 利用 HJ-CCD 影像的紅壤丘陵區(qū)土壤侵蝕分析——以贛州市為例[J]. 遙感信息，2016，31(3)：122－129.Li Hengkai, Yang Liu, Lei Jun, et al. Soil erosion analysis in red soil hilly region by using HJ-CCD: A case study in Ganzhou [J]. Remote Sensing Information, 2016, 31(3): 122－129. (in Chinese with English abstract)
[23] 牛增懿，丁建麗，李艷華，等. 基于高分一號(hào)影像的土壤鹽漬化信息提取方法[J]. 干旱區(qū)地理，2016，39(1)：171－181.Niu Zengyi, Ding Jianli, Li Yanhua, et al. Soil salinization information extraction method based on GF-1 image [J]. Arid Land Geography, 2016, 39(1): 171－181. (in Chinese with English abstract)
[24] 陳天博，胡卓瑋，魏錸，等. 無人機(jī)遙感數(shù)據(jù)處理與滑坡信息提取[J]. 地球信息科學(xué)，2017，19(5)：692－701.Chen Tianbo, Hu Zhuowei, Wei Lai, et al. Data processing and landslide information extraction based on UAV remote sensing [J]. Journal of Geo-information Science, 2017, 19(5).692－701. (in Chinese with English abstract)
[25] Drǎgu? L, Tiede D, Levick S R. ESP: A tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data[J]. International Journal of Geographical Information Science, 2010, 24(6): 859－871.
[26] 彭令，徐素寧，梅軍軍，等. 資源三號(hào)衛(wèi)星在汶川震區(qū)滑坡快速識(shí)別中的應(yīng)用方法研究[J]. 遙感技術(shù)與應(yīng)用, 2018,33(1): 185－192.Peng Ling，Xu Suning，Mei Junjun，et al. Research on Wenchuan Earthquake-induced Landslides rapid recognition from ZY-3 imagery[J]. Remote Sensing Technology and Application, 2018, 33(1): 185－192. (in Chinese with English abstract)
[27] 汪小欽，王苗苗，王紹強(qiáng)，等. 基于可見光波段無人機(jī)遙感的植被信息提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(5)：152－159.Wang Xiaoqin, Wang Miaomiao, Wang Shaoqiang, et al.Extraction of vegetation information from visible unmanned aerial vehicle images [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2015, 31(5): 152－159. (in Chinese with English abstract)
[28] Breiman, Friedman J, Stone C J, et al．Classification and regression trees[M]．Boca Raton F L:Chapman ＆Hall/CRC,1984．
[29] 周志華. 機(jī)器學(xué)習(xí)[M]. 北京: 清華大學(xué)出版社，2016.
[30] 陳云，戴錦芳，李俊杰. 基于影像多種特征的CART決策樹分類方法及應(yīng)用[J]. 地理與地理信息科學(xué)，2008，24 (2)：33－36.Chen Yun, Dai Jinfang, Li Junjie . CART-based decision tree classifier using multi-feature of image and its application [J].Geography and Geo-Information Science, 2008, 24(2): 33－36. (in Chinese with English abstract)
[31] 馬宇龍，林志壘. 基于面向?qū)ο蠛虲ART決策樹方法的遙感影像濕地變化檢測(cè)研究：以龍祥島地區(qū)為例[J]. 福建師范大學(xué)學(xué)報(bào)，2017(6)：69－80.Ma Yulong, Lin Zhilei. Wetland change detection based on object-oriented and CART decision tree method: A case study of wet[J]. Journal of Fujian Normal University, 2017(6):69－80. (in Chinese with English abstract)
[32] 吳健生，潘況一，彭建，等. 基于 QUEST決策樹的遙感影像土地利用分類：以云南省麗江市為例[J]. 地理研究，2012，31(11)：1973－1980.Wu Jiansheng, Pan Kuangyi, Peng Jian, et al. Research on the accuracy of TM images landuse classification based on QUEST decision tree: A case study of Lijiang in Yunnan[J].Geographical Research, 2012, 31(11): 1973－1980. (in Chinese with English abstract)
猜你喜歡
數(shù)學(xué)小靈通(1-2年級(jí))(2021年4期)2021-06-09 06:25:56
大眾健康(2021年6期)2021-06-08 19:30:06
兒童故事畫報(bào)(2019年5期)2019-05-26 14:26:14
中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2019年4期)2019-05-20 10:06:32
中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2018年6期)2018-06-26 08:36:06
初中生世界·七年級(jí)(2017年9期)2017-10-13 22:27:46
意林原創(chuàng)版(2016年10期)2016-11-25 10:28:30
Coco薇(2016年2期)2016-03-22 02:42:52
Coco薇(2015年1期)2015-08-13 02:47:34
小雪花·成長(zhǎng)指南(2015年7期)2015-08-11 15:03:12
