張學(xué)明,林清瑩,于忠海,段龍妹
(濟南市勘察測繪研究院,山東 濟南 250101)
20世紀(jì)以來,人口急劇增長,可利用的土地資源相對越來越少,因此土地利用問題逐漸引起世界各國的重視。土地利用是人類發(fā)展必不可少的環(huán)節(jié),是人與自然等各種復(fù)雜因子相互作用的結(jié)果,是全球變化的主要決定因素之一[1,2]。進行土地長時間的利用變化研究有助于人們合理評估和預(yù)測土地利用情況,對于實現(xiàn)土地的可持續(xù)利用具有重要的意義[3,4]。
Landsat衛(wèi)星對地觀測有快速、實時、覆蓋范圍廣、周期短等特點,使得遙感技術(shù)已經(jīng)成為土地變化檢測最主要的技術(shù)手段。面向?qū)ο蟮姆诸惙椒ê椭С窒蛄繖C(Support Vector Machine,SVM)的分類方法是目前在遙感分類中比較常用的方法。面向?qū)ο蟮姆诸惙椒ㄓ捎诮Y(jié)合了形狀、紋理、拓撲等特征,從而分類結(jié)果可以達到更高的精度[5,6]。SVM分類方法與其他方法相比,所需先驗干預(yù)較少,分類結(jié)果更為客觀,且具有較好的穩(wěn)定性和高效性[7~9]。目前國內(nèi)外對于面向?qū)ο蠓诸惡蚐VM用于土地利用分類研究得較多,但是將兩者結(jié)合起來即面向?qū)ο蟮腟VM用于遙感影像處理的研究相對較少。
威海位于我國山東半島,處于渤海和東海的交界處,是我國重要的海上交通樞紐和北方對外經(jīng)貿(mào)的出口通道。近年來,隨著經(jīng)濟發(fā)展越來越快,土地利用越來越多樣化,其能否被合理利用越來越成為人們關(guān)注的焦點,同時也決定著城市能否持續(xù)健康發(fā)展。賈文臣等[10](2009)、楊繼超等[11](2012)、賽莉莉等[12](2016)分別對威海的土地利用分形的動態(tài)變化、沙灘的地貌特征、土地利用預(yù)測進行了研究,但這些研究是利用監(jiān)督分類等常規(guī)的分類方法研究了土地的變化。
本文利用基于面向?qū)ο蟮腟VM分類方法對威海市的Landsat MSS、TM和OLI遙感影像進行處理,提取了1985年~2015年的土地利用類型,計算了分類結(jié)果的準(zhǔn)確度,驗證了面向?qū)ο蟮腟VM分類方法在遙感分類上的應(yīng)用可能性,為土地利用、城市景觀變化等研究提供了數(shù)據(jù)獲取的技術(shù)支持。
威海(121°11′~122°42′E,36°41′~37°35′N)是山東半島藍色經(jīng)濟區(qū)城市建設(shè)中的典型代表,如圖1所示,威海市土地利用類型主要為耕地、林地、水域用地、建筑用地、水產(chǎn)養(yǎng)殖用地等類型。自1987年成為地級市以來,由于地理位置優(yōu)越,政策條件好,吸引投資多,威海市的經(jīng)濟迅速發(fā)展,越來越多的人前來旅游和居住。目前威海市常住人口280萬,每年的區(qū)域生產(chǎn)總值接近3000億元,城鎮(zhèn)化率達到60%以上,是我國著名的濱海旅游城市。
本文用到的數(shù)據(jù)從美國地質(zhì)調(diào)查局網(wǎng)站(http://glovis.usgs.gov/)下載,以5年為間隔,將1985年~2015年共分為7個時期。1985年使用的為MSS(Multi Spectral System,MSS)數(shù)據(jù),1990年、1995年、2000年、
圖1 研究區(qū)域的位置
2005年、2010年使用的為TM(Thematic Mapper,TM)數(shù)據(jù),2015年使用的是OLI(Operational Land Imager,OLI)數(shù)據(jù),數(shù)據(jù)使用情況如表1所示。
本文使用的遙感影像數(shù)據(jù) 表1
數(shù)據(jù)處理的流程如圖2所示,數(shù)據(jù)處理前首先進行數(shù)據(jù)預(yù)處理,由于本文選用的是無云的遙感影像數(shù)據(jù),因此沒有進行大氣校正[13]。幾何校正采用的投影方式為通用橫軸墨卡托(Universal Transverse Mercator,UTM)投影,坐標(biāo)系為WGS-84,重采樣使用的是雙線性方法,分辨率為 30 m,校正的精度在一個像元以內(nèi)。
為了突出各類地物的特征,不同的植被指數(shù)被廣泛地應(yīng)用[14,15]。在本文的研究中,我們計算了歸一化差異植被指數(shù)[16](Normalized Difference Vegetation Index,NDVI)、土壤調(diào)整植被指數(shù)[17](Soil-adjusted Vegetation Index,SAVI),歸一化差分水體指數(shù)[18](Normalized Difference Water Index,NDWI),各類植被指數(shù)的計算方法如下:
(1)
(2)
(3)
式中:Nir為近紅外波段,Red為紅波段,Green為綠波段。
圖2 數(shù)據(jù)處理流程
多尺度分割是面向?qū)ο蠓诸愖铌P(guān)鍵步驟。本文利用eCognition軟件[19]采用分型格網(wǎng)演化算法[20]對遙感影像進行多尺度分割。在分割過程中,主要是對各波段的權(quán)重、分割尺度的大小、形狀因子和緊密度因子等參數(shù)進行設(shè)置。為了充分利用波段的信息,在分割中將各個波段的權(quán)重均設(shè)置為1。分割尺度是指加權(quán)影像層均一性準(zhǔn)則的最大標(biāo)準(zhǔn)差,選擇尺度參數(shù)的時候應(yīng)該盡量保證每個影像對象只包含一種地物,力求分割出的影像對象大小合適,既不籠統(tǒng)、也不破碎。經(jīng)過多次試驗,MSS和TM影像的尺度因子為10~15,OLI的尺度因子為35。形狀因子與色彩因子(光譜)有著密切的關(guān)系[21],這兩個參數(shù)值之和為1,因此在進行分割時為了充分利用光譜信息,給予形狀因子較小的權(quán)重。緊密度因子和平滑度因子同屬于形狀因子,平滑度是主要考慮了邊緣的平滑性;緊密度是主要考慮總體的緊致性。經(jīng)過多次試驗,形狀因子的范圍為0.1~0.3,緊密度因子的范圍為0.5~0.7。
支持向量機(Support Vector Machines,SVM)是Vapnik等人在1995提出的一種機器學(xué)習(xí)方法(Vapnik等,1995),后來被廣泛應(yīng)用在圖像分類領(lǐng)域,其基本思想是:將數(shù)據(jù)投影到高維空間,在高維空間中構(gòu)建最優(yōu)超平面,利用最優(yōu)平面對不同的數(shù)據(jù)進行分類[22,23]。
面向?qū)ο蟮腟VM(Objected-based SVM)分類的基本思想是以對象為基本單元,結(jié)合光譜和空間信息,利用SVM對影像分類。本文中的分類利用的是中科院研發(fā)的基于面向?qū)ο蠛拖袼氐囊惑w化遙感影像分類系統(tǒng)(Object and Pixel Based Integration Remote Sensing Imagery Classification System,OPICS),該系統(tǒng)使用高斯徑向基函數(shù)核構(gòu)建的SVM分類器,核函數(shù)中的懲罰系數(shù)C和核寬度γ是兩個必選的參數(shù)[24],其取值好壞直接影響到分類精度。利用Landsat遙感影像進行分類時,當(dāng)C取100、γ取波段數(shù)目的倒數(shù)分類的結(jié)果較好[25],本研究用于分類的波段有可見光、近紅外、短波紅外波段和NDVI、SAVI、NDWI。MSS影像參與分類的波段數(shù)目為6,所以核寬度設(shè)為1/6,懲罰參數(shù)設(shè)為100;TM/OLI影像參與分類的波段數(shù)目是9,因而核寬度設(shè)為1/9,懲罰參數(shù)設(shè)為100。
由于Landsat衛(wèi)星影像屬于中分辨率的影像,特別是MSS衛(wèi)星的分辨率只有 80 m,在分類中往往會有少量的不可控因素,因此在分類完成之后,往往會對分類結(jié)果進行合理的調(diào)整工作。分類后處理包括手動修改和邏輯分析兩個部分,后處理工作主要在ArcGIS 10.2軟件中進行,手動修改主要是參考遙感影像和Google-Earth影像對分類中有明顯錯誤的部分進行修改,邏輯運算主要是針對建筑用地。隨著經(jīng)濟的不斷發(fā)展,人口的不斷增加,建筑用地在理論上是不斷增加的。在本文中邏輯運算思想為:若某區(qū)域的遙感影像前一年為建筑用地,則該處后一年依然為建筑用地;若后一年某處的土地類型為非建筑用地,則前一年的亦為非建筑用地。
根據(jù)威海市的土地利用情況和V-I-S模型[26],將威海市的土地利用分為了耕地、建筑用地、林地、水域用地以及水產(chǎn)養(yǎng)殖用地等五類。依據(jù)圖2的流程對Landsat MSS/TM/OLI影像進行處理,分類結(jié)果如圖3所示。
圖3不同時期的土地利用分類結(jié)果
在每一期的每一類別的分類結(jié)果中隨機選取200個驗證點,即每一期的總驗證點數(shù)為 1 000個,以Google-Earth影像和原始影像為基準(zhǔn)進行驗證,采用Kappa系數(shù)[27]和總體精度[28](Overall Accuracy,OA)兩個指標(biāo)進行分析,其計算方式如式(4)和式(5)所示:
(4)
(5)
式中:N為總的驗證點數(shù);xii為i類被正確分類的數(shù)目;R為總的分類類別數(shù);Xi為i類的樣本點數(shù);Yi為被分為i類的數(shù)目。
由圖4可以看出,Kappa系數(shù)都在0.83以上,總體的分類精度都在85%以上,說明基于面向?qū)ο蟮腟VM分類方法的分類精度較高,可以用于遙感影像的分類。
圖4 不同時期的分類結(jié)果精度
本文利用威海市1985年~2015年的Landsat MSS/TM/OLI影像,通過面向?qū)ο蟮腟VM技術(shù)對影像進行分類,提取威海市不同時期的土地利用情況,利用面向?qū)ο蟮腟VM方法對威海市7個不同時期的遙感影像進行分類,結(jié)果總體精度都在85%以上,Kappa系數(shù)都大于0.83,說明面向?qū)ο蟮腟VM分類技術(shù)可以用于遙感影像的分類。面向?qū)ο蟮腟VM影像的分類結(jié)果不僅可以應(yīng)用于土地利用分析和景觀格局分析,也為城市發(fā)展和規(guī)劃提供了較好的數(shù)據(jù)基礎(chǔ)。