趙亞杰,王立輝,孔祥兵,陰海明,池 泓,黃進良

(1.水利部黃土高原水土流失過程與控制重點實驗室,河南 鄭州 450003；2.中國科學院測量與地球物理研究所環(huán)境與災害監(jiān)測評估湖北省重點實驗室，湖北 武漢 430077；3.中國科學院大學，北京 100049;4.黃河水利科學研究院，河南 鄭州 450003)

土地利用變化是全球變化的主要驅動力之一，是全球變化與可持續(xù)發(fā)展研究中的熱點[1]，通過土地利用分類，既可以了解各種土地覆被類型的基本屬性，進行農作物種植面積提取、產量預估[2]，還可以認識土地利用的區(qū)域結構和分布特點，為進一步研究地域差異奠定基礎[3].遙感是土地利用與土地覆被變化研究技術體系中的主要組成部分，目前，具有多光譜與多時相特征的遙感技術已成為獲取土地覆被動態(tài)監(jiān)測數(shù)據(jù)和土地覆被分類的最有效工具[4].常見的遙感影像有空間分辨率較低的MODIS數(shù)據(jù)，也有中空間分辨率的Landsat系列，以及高空間分辨率的高分一號、QuickBird等[5].其中，Landsat8 OLI影像獲取的多光譜影像包含15 m分辨率的全色波段和30 m分辨率的8波段影像，Sentinel-2影像則包括10 m空間分辨率的4波段影像、20 m分辨率的6波段影像和60 m分辨率的3波段影像.不同的影像在土地利用研究中已被廣泛應用，李靜等[6]利用Landsat影像對大棚菜地信息進行提取并取得較好的地物識別效果，李曉慧等[7]利用Landsat8 OLI時序遙感數(shù)據(jù)結合地物細微光譜特征對農作物進行分類，并獲得較高的總體分類精度，張衛(wèi)春等[8]基于Sentinel-2影像和地形數(shù)據(jù)在低山丘陵區(qū)采用隨機森林方法獲得的土地利用分類結果優(yōu)于傳統(tǒng)分類方式所獲得結果，為地形復雜區(qū)域的土地利用分類提供了參考，楊斌等[9]同樣使用Sentinel-2A衛(wèi)星數(shù)據(jù)提取了四川黑水河流域的干旱河谷，結果表明Sentinel-2A數(shù)據(jù)豐富的光譜特征能夠較好地滿足國土資源普查和生態(tài)環(huán)境變遷分析.但對于Sentinel-2和Landsat數(shù)據(jù)融合及其在土地利用中的應用等方面，國內的研究很少，國外學者如Gemine et al[10]也只是針對多種影像融合模型進行了質量評價.

鑒于此，本研究以山東省平邑縣為研究區(qū)，采用Sentinel-2和Landsat8 OLI遙感數(shù)據(jù)作為研究區(qū)數(shù)據(jù)源，探討在基于亮度的平滑濾波(smoothing filter-based intensity modulation,SFIM)、高通濾波(high-pass filtering,HPF)、小波變換(a trous wavelet transform,ATWT) 等3種不同融合模型下，Sentinel-2的10 m高分辨率波段與Landsat8 OLI 30 m波段數(shù)據(jù)的融合效果，并以最佳的融合波段與融合算法，獲取整個研究區(qū)的融合影像，采用隨機森林機器學習算法分別對Sentinel-2原始影像、融合獲得影像和Landsat8 OLI影像進行分類，從分類精度上進一步探討該融合方法在土地利用分類研究中的適用性.

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

圖1 研究區(qū)2017年Landsat8真彩色合成影像Fig.1 Landsat 8 true color composite diagram of the study area in 2017

研究區(qū)平邑縣位于山東省中南部、臨沂市西陲(117°25′—117°56′E,35°07′—35°43′N)，東西最大橫距47.35 km，南北最大縱距66.75 km，總面積約1 824.97 km2.研究區(qū)屬季風區(qū)域大陸性氣候，具有冬季寒冷、夏季炎熱、光照充足、無霜期長的特點，同時具有明顯的山區(qū)特征，地勢南北高，中間低，略向東南傾斜，中部谷地、陸地土質肥沃，田地分布較多，境內土地覆被類型多樣.研究區(qū)影像如圖1所示.

1.2 數(shù)據(jù)來源及預處理

遙感數(shù)據(jù)包括Sentinel-2 L1C級別數(shù)據(jù)的藍、綠、紅、近紅外4個10 m空間分辨率波段，Landsat8 OLI數(shù)據(jù)的對應4個波段，成像時間均為2017年9月14日.針對Landsat8數(shù)據(jù)，利用ENVI進行輻射定標和大氣校正等預處理.Sentinel-2數(shù)據(jù)則利用哨兵數(shù)據(jù)應用平臺(sentinel application platform,SNAP)中的sen2cor模塊進行大氣校正、產品格式轉換等預處理.對兩種預處理后的影像，再利用ENVI軟件裁剪出圖1紅色區(qū)域的子研究區(qū)，以便后續(xù)研究的應用.

2 研究方法

首先在研究區(qū)內隨機選取面積約為5.76 km2的子研究區(qū)，以SFIM、HPF、ATWT 3種不同融合模型為基礎方法，利用Sentinel-2的4個10 m高分辨率波段分別與Landsat8 OLI 30 m波段數(shù)據(jù)進行融合，從而得到最佳的融合波段與融合算法，在此基礎上獲取整個平邑縣研究區(qū)的融合影像，根據(jù)2017年8月份平邑縣土地調查數(shù)據(jù)和谷歌地球高分辨率影像獲取的樣本，參考基于遙感技術的全國生態(tài)系統(tǒng)分類體系[11]，并采用隨機森林機器學習算法分別對Sentinel-2原始影像、融合獲得影像和Landsat8 OLI影像進行分類，最后進行分類精度評定.

2.1 數(shù)據(jù)融合算法

目前，已經有多種圖像融合算法在現(xiàn)實中廣泛應用，本研究選取SFIM，HPF和ATWT 3種算法作為融合基礎.SFIM算法是一種基于空間域濾波變換的融合算法[12]，該算法簡單易用,融合影像的光譜幾乎不失真,具有較高的光譜保真度,但在高頻空間信息融合上略遜色于Brovey變換方法[13].SFIM變換的融合算法公式：

式中,BS為用該算法生成的融合影像；i為波段值，j和k分別為影像的行、列值；Bl為低分辨率影像，在此代表Landsat的4個波段(30 m)；Bh為高分辨率影像，即為Sentinel-2波段(10 m)；Bm為模擬低分辨率影像，它可以通過對10 m波段進行低通均值濾波處理來獲得.

HPF是一種基于高通濾波的影像融合算法[14]，HPF融合算法能夠較好地提取全色影像細節(jié)信息，并把全色影像的細節(jié)信息直接疊加到多光譜影像上[15].融合后影像的邊界清晰度增強，可更好地保留光譜特征[16].HPF算法的定義公式：

HPK=Wa×PANKH+Wb×MULKL

式中，Wa、Wb為權，且滿足Wa+Wb=1，PANKH為Sentinel-2高空間分辨率影像波段進行高通濾波的結果，MULKL為Landsat8影像進行低通濾波的結果，HPK為銳化后的輸出影像.

ATWT是基于小波變化的圖像融合算法[17]，該算法利用小波變換將源圖像分解到不同頻段的特征域中，然后在不同的特征域中采用不同的融合規(guī)則和融合算子進行圖像融合處理，從而形成新的小波金字塔結構，最后利用小波反變換技術獲得融合圖像，所以小波變化算法能夠對圖像細節(jié)及邊緣信息進行較好的體現(xiàn)[18].

2.2 隨機森林分類

隨機森林是屬于集成學習的一種組合分類算法，集成學習的核心思想就是將若干個弱(基)分類器組合起來，得到一個分類性能顯著優(yōu)越的強分類器.如果各弱分類器之前沒有強依賴關系、可并行生成，就可以使用隨機森林算法.隨機森林利用自主抽樣法從原數(shù)據(jù)集中有放回地抽取多個樣本，對抽取的樣本先用弱分類器—決策樹進行訓練，然后把這些決策樹組合在一起，最終的分類或預測結果由多顆樹分類器通過投票得出[19].隨機森林算法較強的抗干擾能力，表現(xiàn)性能的優(yōu)異，相較于人工神經網絡、決策樹、支持向量機等機器學習方法，在分類精度和分類效率方面更具優(yōu)勢[20],因此，越來越多的學者在進行遙感影像分類研究時采用隨機森林機器學習算法[21-22].

3 結果分析

3.1 融合結果分析

首先在子研究區(qū)中，利用SFIM、HPF和ATWT 3種算法，分別以Sentinel-2影像的藍、綠、紅、近紅外波段作為高分辨率影像參與到融合中，采用不同算法時各波段的融合效果如圖2、圖3、圖4所示.從圖中的視覺效果來看，融合影像能夠將Sentinel-2影像波段的空間信息和Landsat8多光譜影像的色彩信息集成在一起，相比于原始的多光譜影像，融合影像在保留其波段信息前提下?lián)碛辛薙entinel-2影像的細節(jié)信息，同時在色彩方面，融合結果與Landsat8 OLI影像的色彩差距并不明顯.但在空間細節(jié)方面，利用SFIM和HPF算法獲得的融合影像中，道路及人工表面等地類的紋理模糊感較強，邊界信息模糊，而圖4的融合影像表明ATWT算法對細節(jié)的處理明顯強于前兩種算法，融合的結果也更加精確.以Sentinel-2不同波段作為高分辨率融合影像時，融合效果也不同，可以明顯注意到，不論采用哪種算法，近紅外波段的融合影像都丟失了很多細節(jié)信息，目視效果較差.藍、綠、紅、近紅外4個波段的融合效果采用相關系數(shù)(correlation coefficient,CC)、光譜角制圖(spectral angle mapper,SAM)和相對整體維數(shù)綜合誤差(relative global-dimensional synthesis error,ERGAS)3個指標作定量比較分析.相關系數(shù)能夠反映兩幅影像間灰度信息的相關程度，通過計算融合前后影像間的灰度相關系數(shù)，可以判斷影像融合后的光譜保持程度，若相關系數(shù)趨向于1，則說明光譜保持性好，反之則差；SAM是把圖像中的每個像元的光譜視為一個高維向量，通過計算兩向量間的夾角來度量光譜間的相似性，夾角越小，兩光譜越相似，SAM理想值為0[23]；ERGAS主要評價在光譜范圍內所有融合波段的光譜質量，考慮光譜變化的整體情況.它的值越接近0，表明在光譜范圍內，融合圖像的光譜質量越好[24].

a:Landsat8 OLI影像(30 m);b:Sentinel-2影像(10 m);c:藍波段融合結果(10 m);d:綠波段融合結果(10 m);e:紅波段融合結果(10 m);f:近紅外波段融合結果(10 m).圖2 SFIM融合結果Fig.2 Results of SFIM-based fusion

表1列出了在不同算法下各波段的融合影像質量評價結果，從表中可以看出，ATWT算法的融合效果總體優(yōu)于SFIM和HPF算法，特別是以Sentinel-2藍、綠、紅3個高分辨率波段進行融合所獲得影像的相關系數(shù)最高，且SAM和ERGAS值最小，但以近紅外波段進行數(shù)據(jù)融合后，3種算法獲得融合影像各波段的相關系數(shù)較低，SAM值和ERGAS值高于其他波段融合結果，總體符合目視效果.同時，相比于藍、綠、近紅外波段，在利用Sentinel-2的紅波段作為融合時高分辨率參考影像時，融合影像的藍、綠、紅3個波段的相關系數(shù)最高，分別達到0.850 405、0.851 331、0.838 229，SAM最低，為5.644 6.

a:Landsat8 OLI影像(30 m);b:Sentinel-2影像(10 m);c:藍波段融合結果(10 m);d:綠波段融合結果(10 m);e:紅波段融合結果(10 m);f:近紅外波段融合結果(10 m).圖3 HPF融合結果Fig.3 Results of HPF-based fusion

3.2 土地利用分類結果對比

圖5 Landsat8影像分類結果Fig.5 Classification result based on Landsat 8 image

結合研究區(qū)主要地類分布，分為人工表面、水體、耕地、林地和裸地等5個類別，影像分類結果如圖5、圖6和圖7所示.通過總體分類精度、Kappa系數(shù)以及各地類的制圖精度、用戶精度，對分類結果進行定量分析，結果如表2所示.考慮到分類所用影像空間分辨率的不同，總體而言，3種分類結果的總體精度和Kappa系數(shù)之間的關系為：Sentinel-2影像>ATWT融合影像>Landsat影像.ATWT融合影像的總體分類精度及Kappa系數(shù)為88.765 7%和0.869 0，低于Sentinel-2的89.693 9%和0.886 0，差距很小，但比Landsat8影像的總體分類精度和Kappa系數(shù)提高了6.101 4%和0.056 7.結果表明“紅波段+ATWT”融合方法能較好的保留原始影像的光譜信息，雖然在土地利用分類中只能獲得接近原始影像分類精度的結果，但該融合方法能為解決Sentinel-2影像中云污染所導致的影像缺失問題提供理論依據(jù)，從而為后續(xù)融合Sentine-2和Landsat8 OLI數(shù)據(jù)以獲得完整的10 m高分辨率時間序列影像提供了一種有效的方法.

4 結論

本研究結果表明：(1)利用ATWT算法并以Sentinel-2影像的紅波段為高分辨率融合參考影像時，融合效果最好.所獲得融合影像的B2、B3、B4波段的相關系數(shù)最高，分別為0.850 405、0.851 331、0.838 229，同時SAM值最低，為5.644 6.

(2)采用隨機森林對整個研究區(qū)進行土地利用分類后，融合影像的總體分類精度為88.765 7%，Kappa系數(shù)為0.869 0，略低于Sentinel-2影像分類精度，其總體分類精度為89.693 9%，Kappa系數(shù)為0.886 0，考慮到空間分辨率的差異，Landsat8影像的總體分類精度為82.664 3%，Kappa系數(shù)為0.812 3，遠低于之前兩種數(shù)據(jù)的精度.結果表明“紅波段+ATWT”融合影像在土地利用分類中可以獲得接近原始影像分類精度的結果，能較好的保留原始影像的光譜信息并應用于較大區(qū)域的土地利用精細提取.

圖6 Sentinel-2原始影像分類結果
Fig.6 Classification result based on Sentinel-2 image

圖7 ATWT融合影像分類結果
Fig.7 Classification result based on ATWT fusion image

表2 不同影像分類精度評價表Table 2 Accuracy evaluation of images from different sources

(3)圖像融合時選取的Sentinel-2數(shù)據(jù)與Landsat8數(shù)據(jù)日期一致，而實際應用中，往往難以獲取同一時間的影像，故不同時間Sentinel-2影像與Landsat影像融合在土地利用研究中還有待進一步探討，以期能得到連續(xù)高分辨率時序影像，更好應用于地面種植作物復雜區(qū)域的遙感制圖.