(滁州學(xué)院地理信息與旅游學(xué)院，安徽 滁州239000)

引 言

城市綠地是城市生態(tài)系統(tǒng)中必不可少的組成部分，為城市提供諸多生態(tài)服務(wù)，發(fā)揮著重要的生態(tài)作用，快速并準(zhǔn)確地獲取城市綠地信息是綠地格局分析、規(guī)劃建設(shè)與管理的基礎(chǔ)[1-2]。因此，為實(shí)現(xiàn)城市綠地的合理規(guī)劃和有效管理需要精確、高效地城市綠地提取方法。

相對(duì)于中低空間分辨率的遙感影像，高空間分辨率的遙感影像具有更為豐富的空間幾何結(jié)構(gòu)、紋理、形狀等信息，這些信息對(duì)提升地方分類精度大有裨益。近年來(lái)，以Worldview-2、IKONOS等為主的國(guó)外高空間分辨率遙感影像已在城市綠地信息提取中被廣泛應(yīng)用[3-5]。而國(guó)產(chǎn)衛(wèi)星的不斷發(fā)展也使我國(guó)高空間分辨率遙感影像的自主供給能力得到提升，“高分二號(hào)”(GF-2)衛(wèi)星是迄今為止中國(guó)自主研制的空間分辨率最高的民用遙感衛(wèi)星，GF-2影像已廣泛地應(yīng)用于礦山資源監(jiān)測(cè)、土地利用現(xiàn)狀解譯、城市規(guī)劃?rùn)z測(cè)評(píng)價(jià)、交通規(guī)劃等行業(yè)和領(lǐng)域，但在城市綠地提取方面研究還不夠深入[6-9]。

目前，利用遙感影像進(jìn)行地物提取的主要方法可分為目視解譯和計(jì)算機(jī)自動(dòng)分類方法兩種。其中目視解譯方法雖然精度高，但過(guò)程繁瑣復(fù)雜且效率低，工作量大成本高；而相對(duì)于目視解疑，利用計(jì)算機(jī)自動(dòng)分類的方法不僅可以避免目視解疑中因主觀因素造成的錯(cuò)誤，同時(shí)其還具有快速、大量、高效提取地物信息的優(yōu)點(diǎn)[10]。在計(jì)算機(jī)自動(dòng)分類方法中，又可進(jìn)一步分為基于像元的分類方法和面向?qū)ο蟮姆诸惙椒?，其中基于像元的分類方法?yīng)用較為廣泛，且發(fā)展較為成熟，其代表之一就是最大似然法(Maximum Likelihood, ML)[11-12]; 但隨著遙感影像空間分辨率的不斷提升，傳統(tǒng)的基于像元光譜信息的分類方法很難滿足高空間分辨率遙感影像的信息提取需求，因此一種面向?qū)ο笥跋穹治?Object-based Image Analysis, OBIA)技術(shù)得以提出，其在一定程度上降低了“椒鹽現(xiàn)象”，彌補(bǔ)了基于像元分類的不足，并逐漸在遙感影像分類中占據(jù)了主導(dǎo)地位[13-16]。目前常用的主流面向?qū)ο蠓诸愃惴ㄓ袥Q策樹(shù)(Decision Tree, DT)[17]、支持向量機(jī)(Support Vector Machines, SVM)[18]、隨機(jī)森林(Random Forest, RF)[19]、貝葉斯(Bayes)[20]、K最近鄰法(K-Nearest Neighbor, KNN)[21]等。為驗(yàn)證面向?qū)ο蠓诸惙椒ㄔ诟叻直媛蔬b感影像分類中的優(yōu)勢(shì)，并系統(tǒng)地比較基于GF-2影像提取城市綠地信息時(shí)幾種面向?qū)ο蠓椒ǖ谋憩F(xiàn)效果和精度差異，文章以滁州市城區(qū)為例，選取了兩個(gè)范圍大小相同的實(shí)驗(yàn)樣區(qū)，在綜合視覺(jué)效果和精度結(jié)果下對(duì)這幾種分類方法進(jìn)行了比較分析，旨在探索適用、可靠的城市綠地信息提取方法，為精確、高效地提取城市綠地提供參考。

1 研究區(qū)概況與數(shù)據(jù)源

1.1 研究區(qū)概況

滁州市位于安徽省東部，總面積13398平方千米，為安徽省面積第三大地級(jí)市，地處江淮丘陵?yáng)|北部，北接淮北平原，南近沿江平原，地形以丘陵為主，丘陵面積約占全市總面積的64.9%。市內(nèi)有瑯琊山國(guó)家級(jí)風(fēng)景名勝及明皇陵、龍興寺等歷史文化景點(diǎn)，旅游資源優(yōu)異；市境地跨長(zhǎng)江、淮河兩大流域，水資源充沛，此外市內(nèi)礦產(chǎn)資源豐富且植被覆蓋多樣。文章選取滁州市城區(qū)中心部位開(kāi)發(fā)較早，常年沒(méi)有明顯地物變化且城市綠地豐富的兩個(gè)范圍為1.0km×0.8km的矩形區(qū)域作為研究區(qū)，如圖1所示。

圖1 GF-2研究區(qū)概況圖

1.2 數(shù)據(jù)源及處理

文章以滁州市中心城區(qū)一景GF-2影像為遙感影像數(shù)據(jù)源，該影像的獲取時(shí)間為2015年7月29日，其多光譜波段和全色波段分辨率分別為4m和1m；此外研究區(qū)域30m的ASTER GDEM數(shù)據(jù)和2018年獲得的兩個(gè)研究區(qū)實(shí)地調(diào)查樣本各300(綠地200個(gè)，非綠地100個(gè))個(gè)作為輔助數(shù)據(jù)也參與到本研究中。在影像預(yù)處理過(guò)程中，先以中國(guó)資源衛(wèi)星應(yīng)用中心提供的GF-2絕對(duì)輻射定標(biāo)系數(shù)將多光譜數(shù)據(jù)定標(biāo)為輻射亮度，將全色數(shù)據(jù)定標(biāo)為表觀反射率，并利用ENVI 5.3中的FLAASH模塊對(duì)多光譜輻射定標(biāo)之后的輻亮度圖像進(jìn)行大氣校正；然后利用GDEM數(shù)據(jù)對(duì)影像進(jìn)行正射校正，因研究區(qū)域地形變化不明顯，所以未對(duì)影像進(jìn)行進(jìn)一步的地形校正；最后將正射校正后的影像進(jìn)行融合、裁剪，完成了影像的預(yù)處理[10]。

2 研究方法

利用經(jīng)過(guò)預(yù)處理后的GF-2研究區(qū)影像分別利用傳統(tǒng)基于像元的ML方法和面向?qū)ο蟮姆椒▽?duì)研究區(qū)綠地進(jìn)行提取。其中面向?qū)ο蟮姆椒ㄏ韧ㄟ^(guò)多尺度分割(Multiresolution Segmentation, MRS)生成影像對(duì)象層，然后構(gòu)建并選取特征參數(shù)作為分類的預(yù)測(cè)變量，再利用5種不同的面向?qū)ο蠓诸惙椒▽?shí)現(xiàn)綠地的提取。最后，將6種分類方法的結(jié)果進(jìn)行對(duì)比分析。研究的技術(shù)流程如圖2所示。

圖2 技術(shù)流程圖

2.1 影像分割及對(duì)象獲取

影像分割的目的是將影像中類似的像元集合并成對(duì)象單元，是面向?qū)ο蠓诸惖幕A(chǔ)，因此影像分割結(jié)果將直接影響到分類的精度。本文采用Cognition Developer中集成的MRS方法實(shí)現(xiàn)了影像的分割和對(duì)象的獲取。在利用MRS方法獲取對(duì)象時(shí)需要對(duì)形狀因子、緊致度因子、分割尺度參數(shù)等進(jìn)行設(shè)定，其中形狀因子、緊致度因子等對(duì)分割結(jié)果影響較小，通過(guò)試錯(cuò)法獲得；而分割尺度的選擇是多尺度分割中的核心問(wèn)題[22]，若分割尺度過(guò)大(如圖3a)，會(huì)導(dǎo)致單個(gè)對(duì)象包含多種地物，易形成欠分割現(xiàn)象；若尺度過(guò)小(如圖3b)，使得地物對(duì)象過(guò)于零碎而對(duì)象紋理和結(jié)構(gòu)信息不足。由于研究區(qū)綠地破碎且零散，經(jīng)過(guò)多次分割實(shí)驗(yàn)并結(jié)合ESP(estimation of scale parameters)尺度評(píng)價(jià)工具[22-23]，最終選擇效果最好的分割尺度為30，光譜因子權(quán)重為0.9，形狀因子權(quán)重0.1，緊致度為0.5，光滑度0.5，分割結(jié)果如圖3c。

a.分割尺度：100 b.分割尺度：10 c.分割尺度：30圖3 尺度為30的分割結(jié)果

2.2 特征構(gòu)建與選擇

2.2.1 光譜特征

光譜特征是利用不同地物反射的光譜信息作為影像分類的重要依據(jù)，研究選取光譜特征包括預(yù)處理后GF-2影像的4個(gè)波段(Blue、Green、Red、NIR)的均值(Mean)、標(biāo)準(zhǔn)差(Standard deviation)、歸一化植被指數(shù)(NDVI)、亮度(Brightness)、最大差分(Max diff)[24](表1)。

表1 特征變量統(tǒng)計(jì)表

2.2.2 紋理特征

紋理特征可以充分利用高分辨率影像地物豐富的紋理信息進(jìn)行輔助分類，合理的利用紋理特征能夠給影像分類精度帶來(lái)很大提高[24]。1973年Haralick等提出的基于灰度共生矩陣(Gray Level Co-occurrence Matrix, GLCM)提取的均值(Mean)、標(biāo)準(zhǔn)差(Standard Deviation)、同質(zhì)性(Homogeneity)、對(duì)比度(Contrast)、相異性(Dissimilarity)、熵(Entropy)、角二階矩(Second Moment)和相關(guān)性(Correlation)是目前研究中常用到的紋理特征[25]。但是紋理特征通常存在著嚴(yán)重的冗余現(xiàn)象，而利用主成分分析(Principal Components Analysis, PCA)法可以減少信息冗余提高運(yùn)行效率。本研究通過(guò)主成分變換所得的PCA1、PCA2波段包含了原始影像99.17%的信息量，因此，本研究選取PCA1、PCA2波段信息替代原始影像構(gòu)建共生矩陣(表1)。

2.3 影像分類

研究從兩個(gè)研究區(qū)實(shí)地調(diào)查樣本中各選分布較為均勻地180個(gè)樣本作為訓(xùn)練樣本(綠地120個(gè)，非綠地60個(gè))，而后對(duì)單個(gè)研究區(qū)使用相同訓(xùn)練樣本，并結(jié)合光譜和紋理特征變量分別采用DT、SVM、KNN、Bayes、RF共5種面向?qū)ο蟮姆诸惙椒ㄟM(jìn)行影像分類，同時(shí)作為對(duì)比，使用基于像元的ML進(jìn)行分類。

3 結(jié)果分析

3.1 分類結(jié)果

根據(jù)實(shí)驗(yàn)得到的研究區(qū)分類結(jié)果，將每種分類結(jié)果制作成綠地分布專題圖，如圖4和圖5所示。

a.DT分類圖

b.SVM分類圖

c.KNN分類

d.Bayes分類

e.RT分類

f.ML分類

a.DT分類圖

b.SVM分類圖

c.KNN分類

d.Bayes分類

e.RT分類

f.ML分類

通過(guò)對(duì)比分類結(jié)果圖明顯可以看出，研究區(qū)城市綠地分布相當(dāng)破碎零散。就直觀分類效果而言，圖4中DT、SVM、RT分類效果較好，圖5中DT、SVM、Bayes、RT分類效果較好?；谙裨腗L結(jié)果中出現(xiàn)了比較嚴(yán)重的“椒鹽”現(xiàn)象，而在面向?qū)ο蟮姆诸惤Y(jié)果中也存在著不同程度的“錯(cuò)分、漏分”現(xiàn)象，其中KNN方法效果較差。

3.2 精度評(píng)價(jià)

從兩個(gè)研究區(qū)實(shí)地調(diào)查樣本中分別以除去訓(xùn)練樣本后的120個(gè)樣本作為驗(yàn)證樣本(綠地80個(gè)，非綠地40個(gè))進(jìn)行精度評(píng)價(jià)，驗(yàn)證樣本點(diǎn)分布如圖5所示。研究利用驗(yàn)證樣本對(duì)分類結(jié)果構(gòu)建混淆矩陣[26]，得出每種分類結(jié)果的總體精度和Kappa系數(shù)，最終獲得研究區(qū)一和研究區(qū)二的精度評(píng)價(jià)結(jié)果如表2所示。

a.研究區(qū)一

b.研究區(qū)二

從精度評(píng)價(jià)表2可得知，5種面向?qū)ο蠓诸惖目傮w精度和Kappa系數(shù)相比基于像元的ML均有明顯地提升，其中RT在兩個(gè)研究區(qū)中均取得了最好的結(jié)果，分類精度為88.37%和91.17%，Kappa系數(shù)為0.80和0.87，DT和SVM的分類精度略次于RF且二者相差不明顯，而B(niǎo)ayes和KNN的表現(xiàn)較差。

本研究以滁州市城區(qū)GF-2影像數(shù)據(jù)為數(shù)據(jù)源，對(duì)原始影像進(jìn)行輻射定標(biāo)、大氣校正、正射校正、影像融合等預(yù)處理，采用5種不同面向?qū)ο蟮姆诸惙椒ê?種基于像元的分類方法分別對(duì)研究區(qū)綠地信息進(jìn)行提取，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比分析，得到如下結(jié)論。

表2 研究區(qū)精度評(píng)價(jià)結(jié)果

4 結(jié)論

在影像分割時(shí)選取不同的分割尺度會(huì)直接影響到分類的精度，分割尺度的確定需要反復(fù)的實(shí)驗(yàn)，分割的目標(biāo)對(duì)象應(yīng)盡量完整且不冗余，最佳的分割尺度能夠減少分類結(jié)果的“錯(cuò)分、漏分”現(xiàn)象，有效地提高分類精度。

基于GF-2影像數(shù)據(jù)的面向?qū)ο蠓椒ㄌ崛〕菂^(qū)綠地結(jié)果總體表現(xiàn)較好，從分類效果來(lái)看，相比基于像元的ML而言，面向?qū)ο蠓诸惤Y(jié)果“椒鹽”現(xiàn)象減少，整體目視效果較好；從精度評(píng)價(jià)結(jié)果來(lái)看，RT的分類結(jié)果最優(yōu)，相比ML總體精度從77.5%提高到91.17%，Kappa系數(shù)從0.74提高到0.87，DT、SVM、RT分類精度都達(dá)到80%以上，兩個(gè)研究區(qū)分類精度排序分別為：RT>DT> SVM>Bayes>KNN>ML，RT>SVM>DT>Bayes>KNN>ML。