陳震， 張耘實, 章遠鈺， 桑玲玲

(1.中國地質大學(北京)地球科學與資源學院，北京 100083； 2.自然資源部土地整治中心，北京 100035)

0 引言

遙感監(jiān)測技術具有范圍廣、更新快的優(yōu)點，可以用于土地的大面積變更監(jiān)測[1]，從20世紀90年代開始就被應用于我國土地分類、監(jiān)測方面[2]。土地遙感監(jiān)測為全國大面積的土地整治工作提供了快速、準確的技術手段[3]。隨著高分衛(wèi)星的發(fā)射，我國遙感技術領域進入了亞m級階段。我國2014年發(fā)射的高分二號衛(wèi)星，全色波段空間分辨率達到0.81 m，多光譜波段空間分辨率達到3.24 m[4]。土地遙感對衛(wèi)星數(shù)據(jù)的空間分辨率要求為m級，所以高分二號的空間分辨率比較適合于土地監(jiān)測的需求。

通常人工遙感解譯的準確率較高，但工作效率較低，無法實現(xiàn)對全國大面積土地的遙感監(jiān)測，故土地遙感監(jiān)測技術應落腳于遙感自動分類技術。遙感影像分類方法較多,如最大似然法、決策樹以及BP人工神經(jīng)網(wǎng)絡等方法[5]。面向對象的分類技術在對空間分辨率較高的影像進行分類中具有很大優(yōu)勢[6]。面向對象的BP神經(jīng)網(wǎng)絡是由大量神經(jīng)元連接而成的具有反饋功能的網(wǎng)絡，可以模擬復雜的函數(shù)關系，如今在人工智能和影像分類中得到了廣泛的應用[7]。由于高標準農(nóng)田建后利用情況的復雜性，基于像元的方法沒有考慮空間像素之間的位置關系，而面向對象不僅考慮到單個像元的不同波段的輻射特性，而且考慮了像元和像元之間的空間紋理關系，所以面向對象方法比較適合高標準農(nóng)田建后利用情況遙感監(jiān)測工作。

本研究以廣東省東莞地區(qū)為研究區(qū)，選取2017年2月15日的高分二號遙感數(shù)據(jù)作為數(shù)據(jù)源，針對高標準農(nóng)田建后利用出現(xiàn)的“建設占用”、“調整用途”和“荒地”等情況，首先，采用人工解譯部分地區(qū)； 然后，實地驗證，選取訓練樣本和測試樣本； 最后，對比研究了面向對象和最大似然2種遙感自動分類方法。探究能夠滿足高標準農(nóng)田建后利用情況遙感監(jiān)測需求的方法。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

廣東省東莞地區(qū)屬于華南珠江三角洲平原地區(qū)，位于珠江口的東側，地勢平坦開闊，河網(wǎng)密集，溝渠縱橫，水塘密集分布，地勢東高西低，由北向南傾斜，其間發(fā)育的河流階地區(qū)及漫灘區(qū)沿江河呈帶狀分布，地勢平坦，微向河谷傾斜。該地區(qū)接近北回歸線，氣候溫暖濕潤，植被茂盛，土地肥沃，適合建設高標準農(nóng)田。

1.2 數(shù)據(jù)源及其預處理

本研究選擇國產(chǎn)高分二號衛(wèi)星的遙感影像為數(shù)據(jù)源，其參數(shù)如表1所示。

表1 高分二號衛(wèi)星有效載荷技術指標

研究區(qū)3—11月陰雨天氣較多，云量較大，不利于進行遙感監(jiān)測，所以本研究選擇2017年2月15日的高分二號遙感數(shù)據(jù)。

本研究采用高斯克呂格投影，3度分帶； 平面坐標系統(tǒng)采用1980西安坐標系，高程系統(tǒng)采用1985國家高程基準，IUG1975橢球體。遙感數(shù)據(jù)預處理總體流程為： 在ENVI5.3軟件的支持下，進行大氣校正、正射校正、幾何糾正、影像增強、融合和坐標變換等預處理工作，消除了大氣散射和幾何畸變等誤差。其中采用Gram-Schmidt方法進行融合處理； 利用ERDAS9.2軟件將影像從WGS84坐標系轉換成了1980西安坐標系。最后增加了歸一化差異植被指數(shù)(nomorlized difference vegetation index,NDVI)、K-Means非監(jiān)督分類結果2個波段，增加了數(shù)據(jù)的維度，有利于提高高標準農(nóng)田建后利用情況的分類精度。

人工解譯中彩色合成是通過高分二號數(shù)據(jù)各波段的相關性系數(shù)將各波段分組，然后按照分組結果進行波段組合。高分二號衛(wèi)星數(shù)據(jù)各波段的相關系數(shù)如表2所示。

表2 高分二號各多光譜波段間相關系數(shù)矩陣

本研究在對高分二號數(shù)據(jù)波段相關性進行分析的基礎上，計算了3組波段組合的最佳指數(shù)因子(optimum index factor，OIF)值，如表3所示。

表3 高分二號數(shù)據(jù)各組合方案及OIF值

從表3可知B1(R)，B3(G)，B4(B)組合的OIF最大，說明這種組合包含了最大的信息量，故選取這3個波段進行組合作為遙感信息提取的最佳波段組合。另外在B3(R)，B4(G)，B1(B)彩色合成影像上，水體、植被與建筑物的界線明顯，也為人工解譯、提取測試及驗證樣本提供了便利。

2 研究方法

本研究首先對高分二號數(shù)據(jù)進行了預處理； 然后，進行人工解譯，對疑似圖斑進行實地驗證，再選取訓練樣本和測試樣本，采用面向對象和最大似然方法進行了分類； 最后，對比了2種分類效果并分別評價了分類精度(圖1)。

圖1 工作流程

高標準農(nóng)田建后利用情況的遙感監(jiān)測中“占”、“調”、“荒”3種情況中，“占”和“調”2種情況較難區(qū)分，耕作層被破壞的判定為“占”，耕作層沒被破壞但不為農(nóng)田的地塊判定為“調”。

普通農(nóng)作物在遙感影像上一般呈均勻的淺綠色、綠色、深綠色和墨綠色的色調特征，并顯示出條帶狀、斑雜狀和塊狀等形狀特征； 雜草在遙感影像上一般呈色調不均勻的綠色、淺綠色片狀斑塊，且紋理粗糙； 喬木則呈深綠色或墨綠色的色調特征和斑點狀紋理特征； 農(nóng)村房屋在遙感影像上一般呈邊界整齊的長方形，常見棚頂呈藍色或紅色； 土壤在遙感影像上一般為土黃色，且紋理較均勻，農(nóng)田土壤常見線狀紋理； 水泥路面在遙感影像上一般呈灰白色色調特征和線條狀特征； 沙石堆在遙感影像上一般呈白色、灰白色和灰色色調特征，斑點狀紋理，斑點大小不一，比較耀眼； 裸地在遙感影像上一般呈白色色調，和相鄰地塊的反差較強。遙感監(jiān)測主要類型的解譯標志和實地驗證照片如表4所示。

表4 高標準農(nóng)田建后利用情況監(jiān)測遙感解譯標志

2.1 影像自動分類方法

本研究針對高標準農(nóng)田建后利用情況監(jiān)測工作中出現(xiàn)的“占”、“調”、“荒”等情況，在對高分二號衛(wèi)星影像預處理的基礎上，經(jīng)過人工解譯、實地驗證，選取部分樣本作為訓練樣本和測試樣本，再對比不同的自動分類方法，找出適合全國推廣的自動分類方法，為土地整治部門高標準農(nóng)田建后遙感監(jiān)測提供技術支撐。本研究主要對比了面向對象的方法以及最大似然2種監(jiān)督分類方法。

1)面向對象分類方法。傳統(tǒng)的基于像元的方法是將不同波段的同一像元的灰度值提取，形成光譜向量，然后設定向量之間的距離最大值(閾值)，不同像元的向量距離如果小于閾值，就認為這些像元屬于同一類。這種方法只考慮了單個像元的光譜向量特征，也就是說只考慮了光譜特征，沒有考慮到像元和像元之間的空間位置和排列關系。面向對象的分類方法是為了克服基于像元分類方法的不足而研發(fā)的新方法，此種方法不僅考慮了像元的光譜特征，而且考慮了像元之間的空間位置關系(如紋理、形狀等)來對地物進行分類。面向對象方法處理的對象不再是單個的像元，而是符合一定空間關系的像元群[7]。面向對象分類方法綜合考慮了像元的光譜特征，同時也考慮到了像元之間的空間關系，如果經(jīng)過實地驗證的樣本量大，就可以建立精準的函數(shù)模型，得到較為準確的分類結果[8]。

遙感影像的特征類型較多，需要對其空間降維，然后優(yōu)化組合方式，基于充足的樣本就可以得到較好的分類結果[9]，在對遙感影像進行分割后，要選擇影像特征的提取方法，常用的方法包括K-最鄰近(K-nearest neighbor，KNN)方法和支持向量機方法。本研究選擇了KNN分類方法來提取影像特征。KNN分類法的原理是基于多維的像元光譜特征，計算各像元的歐幾里得距離，然后設定各分割對象的閾值，如果在閾值范圍之內就分為一類，如圖2所示。

圖2 KNN分類原理

本研究利用ENVI5.3軟件計算NDVI及HIS空間。影像分割參數(shù)設置Scale Level為50，Merge Level為80。

2)最大似然方法。該方法是傳統(tǒng)的基于像元的遙感影像分類方法，在分類規(guī)則中，用概率統(tǒng)計的方法，如最大似然判定法則建立非線性的分類函數(shù)。分類函數(shù)的原理是每個類別的像元在二維或三維空間中組成一定量的點群，每一類的像元在各個數(shù)據(jù)維度都服從一個特定的正態(tài)分布，每一類各個維度的正態(tài)分布組成一個多維的正態(tài)分布。其基本思想為，在圈定感興趣區(qū)的基礎上，計算其他區(qū)域的歸屬概率，從而得到影像分類結果。具體實現(xiàn)步驟為，計算各個類別的所有像元的光譜特征的均值、方差等參數(shù)，構成分類函數(shù)，將未分類像元的光譜特征代入各個感興趣區(qū)的分類函數(shù)，在所有返回值中取最大值，把此未分類的像元分入取最大值的一類，從而得到分類結果。

設數(shù)據(jù)集中有s個類別，用ω1，ω2，…，ωs來表示，每個類別的發(fā)生概率即先驗概率分別為P(ω1)，P(ω2)，…，P(ωs)，設有待分類別樣本X，其條件概率分別為P(X|ω1) ，P(X|ω2) ，…，P(X|ωs)，根據(jù)貝葉斯公式得到樣本X出現(xiàn)的后驗概率，即

(1)

然后以樣本X出現(xiàn)的后驗概率值作為判別函數(shù)來決定樣本X的類別歸屬。通過簡化，得到最大似然分類準則： 若

(2)

則X∈ωi。總體來說就是把先驗概率P(ωi)轉化為后驗概率P(ωi|X)，最后以后驗概率最大的類別作為樣本X的類別歸屬。

利用ENVI5.3軟件計算感興趣區(qū)域(region of interest，ROI)可分離性，用定量的方式來驗證樣本，閾值設定為1.8。

3 結果與分析

在對研究區(qū)高分二號影像進行預處理的基礎上，經(jīng)過人工解譯、實地驗證，選取部分樣本作為訓練樣本和測試樣本，對比了面向對象和最大似然2種監(jiān)督分類方法的效果。

3.1 分類結果

用訓練樣本作為輸入,采用面向對象和最大似然2種方法對影像進行了分類。面向對象的分類結果如圖3所示，最大似然分類結果如圖4所示。

(a) 原圖 (b) 總分類圖 (c) 農(nóng)田 (d) 水體

(e) 公路 (f) 調整用途 (g) 建設占用 (h) 荒地

(a) 原圖 (b) 總分類圖 (c) 農(nóng)田 (d) 水體

(e) 公路 (f) 調整用途 (g) 建設占用 (h) 荒地

3.2 分類精度評價

本研究利用驗證樣本驗證了面向對象方法和最大似然方法的分類精度。面向對象方法的分類精度達到98.684 7%，Kappa系數(shù)為0.983 3，具體如表5所示； 而最大似然方法的分類精度則為78.587 1%，Kappa系數(shù)為0.718 0，具體如表6所示。

表5 面向對象分類結果混淆矩陣

表6 最大似然分類結果混淆矩陣

4 結論與討論

1)基于面向對象的土地利用分類方法的優(yōu)勢是充分利用了地物的紋理特征、幾何特征和光譜特征。本研究選擇廣東東莞地區(qū)作為研究區(qū)，采用2017年2月15日的高分二號遙感影像為數(shù)據(jù)源，首先，對高分二號數(shù)據(jù)進行了人工解譯； 然后，對疑似圖斑進行實地驗證，選取部分經(jīng)驗證的樣本作為訓練樣本和測試樣本； 最后，采用面向對象和最大似然2種方法進行分類和對比研究。實驗結果證明，實地驗證結合面向對象的土地利用分類方法精度較高，適合高標準農(nóng)田建后利用情況的遙感監(jiān)測的需求。

2)本研究通過人工解譯和實地驗證獲取樣本，不同的地物類型具有不同的樣本，樣本的質量得到了提高，最終的分類精度也較高。本研究探索了面向對象土地利用信息的提取方法，實驗證明該方法切實可行，能高效、精準地完成全國的高標準農(nóng)田建后監(jiān)測任務。通過推廣此方法可以為全國高標準農(nóng)田建成后的實時監(jiān)管提供高效、精準的決策信息，為國家耕地保護、糧食安全工作提供技術支撐。本研究不足之處在于遙感影像自動分割方面不夠精準，以后可以引入分形理論進行遙感影像自動分割。