吳培昊 馬浩然

摘 ? ?要：由于國產(chǎn)高分一號衛(wèi)星WFV相機(jī)的16 m數(shù)據(jù)獲取具有免費(fèi)、時效性好等特點(diǎn)而被廣泛應(yīng)用于遙感信息提取。面向?qū)ο蟮姆诸惙椒軌蚪鉀Q基于傳統(tǒng)像素的分類方法所具有的破碎性強(qiáng)、易產(chǎn)生同譜異物現(xiàn)象的問題。本研究采用基于面向?qū)ο蟮姆诸愃悸罚蕴旖蚴袑氎鎱^(qū)為研究區(qū)域，通過獲取高分一號衛(wèi)星影像并進(jìn)行預(yù)處理，利用遙感信息處理軟件eCognition對該數(shù)據(jù)進(jìn)行影像分割，并對影像分割斑塊進(jìn)行基于規(guī)則的分類，提取出寶坻區(qū)范圍內(nèi)植被、水體、建設(shè)用地、裸地四類地物，并利用高分辨率影像對比進(jìn)行精度驗(yàn)證，分類總精度達(dá)到93%。結(jié)果表明：利用高分一號國產(chǎn)衛(wèi)星16 m影像，采用面向?qū)ο蟮姆诸愃悸愤M(jìn)行地表覆蓋類別的信息提取，可以快速便捷地實(shí)現(xiàn)目標(biāo)區(qū)域空間地理信息的獲取，對于監(jiān)測地表覆蓋面積和分布狀況起到指導(dǎo)作用。

關(guān)鍵詞：高分一號影像;地表覆蓋分類;天津市;寶坻區(qū)

中圖分類號：S127 ? ? ? ? ? 文獻(xiàn)標(biāo)識碼：A ? ? ? ? DOI 編碼：10.3969/j.issn.1006-6500.2020.02.007

Study on Landcover Classification in Baodi District Tianjin City Based on Gaofen-1 Satellite Image

WU Peihao， MA Haoran

（College of Agronomy and Resources and Environment， Tianjin Agricultural University， Tianjin 300384， China）

Abstract： The 16 m data of WFV camera of domestic Gaofen-1 satellite is widely used in remote sensing information extraction due to its free access and good timeliness. The object-based classification method can solve the problem that the traditional pixel-based classification method has strong fragmentation and is easy to produce the same spectrum of different objects. In this study， we use object-oriented classification method and taking Baodi district Tianjin city as the research target， acquiring and preprocessing GF-1 satellite image， using eCognition software to process segmentation of image， and classify the segmentation image with rule-based extraction method， and extract the vegetation， water， construction land and bare land of Baodi district. Using higher resolution image to verify classification result， the overall accuracy of accuracy verification results reaches 93%. Results showed that using 16 m resolution of GF-1 satellite images with the object-based method to extract landcover categories could be help extracting geographic information target region quickly and easily， and played a guiding role on monitoring the landcover area and distribution.

Key words： GF-1 remote sensing image; land cover classification; Tianjin city; Baodi district

地表覆蓋分類信息是能夠反映自然、人工地表覆蓋要素的綜合體，包含植被、土壤、河流、湖泊、冰川、沼澤濕地及各類人工構(gòu)筑物等元素，側(cè)重描述地球表面的自然屬性，具有明確的時間及空間特性。獲取地表覆蓋分類信息工作數(shù)據(jù)量大、實(shí)時性強(qiáng)、人工監(jiān)測費(fèi)時，利用遙感影像進(jìn)行自動化分類長期以來一直是研究的熱點(diǎn)。傳統(tǒng)大面積獲取遙感數(shù)據(jù)除了使用開源的國外數(shù)據(jù)例如MODIS、Landsat影像外，大都采用向國內(nèi)外供應(yīng)商購買的方式獲取遙感影像數(shù)據(jù)。對于大面積范圍的監(jiān)測，購買數(shù)據(jù)的成本一直以來是一個制約數(shù)據(jù)應(yīng)用的難題。隨著國產(chǎn)衛(wèi)星的發(fā)展和高分辨率衛(wèi)星的相繼發(fā)射，我國高分辨率數(shù)據(jù)自給率有了很大提升。“高分一號”衛(wèi)星是國家高分辨率對地觀測系統(tǒng)重大專項(xiàng)天基系統(tǒng)中的首發(fā)星[1]，發(fā)射于2013年4月26日，其主要目的是突破高空間分辨率、多光譜與高時間分辨率結(jié)合的光學(xué)遙感技術(shù)，推動我國衛(wèi)星數(shù)據(jù)質(zhì)量水平的提升。“高分一號”衛(wèi)星具有高、中空間分辨率對地觀測和大幅寬成像結(jié)合的特點(diǎn)，WFV相機(jī)的16 m空間分辨率多光譜圖像組合幅寬優(yōu)于800 km。高分一號16 m數(shù)據(jù)的特點(diǎn)是容易獲取，目前在國內(nèi)商業(yè)和政府網(wǎng)站上可以免費(fèi)申請使用。高分一號WFV相機(jī)數(shù)據(jù)參數(shù)見表1。

諸多學(xué)者利用高分一號數(shù)據(jù)進(jìn)行了信息提取，楊長坤等[2]采用支持向量機(jī)算法對遼寧阜新地區(qū)的高分一號影像進(jìn)行像素級別的土地利用分類，結(jié)果表明高分一號影像分類結(jié)果可與Landsat 8影像分類結(jié)果媲美。劉書含等[3]對高分一號影像采用面向?qū)ο蠓诸惙椒▽Ρ葌鹘y(tǒng)像素級的分類方法，在尺度適宜時分類效果優(yōu)于像素級分類方法，尺度不合適時效果則差于像素級方法。麻鍇等[4]使用高分一號寬幅多光譜數(shù)據(jù)構(gòu)建濕地分類決策樹模型，結(jié)果表明NDVI 和NDWI指數(shù)可以較好地提取出植被和水體。李健等[5]用6種分類方法對湖南省益陽市的高分一號影像進(jìn)行分類，研究結(jié)果表明基于像素的支持向量機(jī)的監(jiān)督分類和基于對象的監(jiān)督分類具有一定的優(yōu)勢。謝飛[6]對高分一號影像分別應(yīng)用基于像素的最大似然分類法和基于對象的知識構(gòu)建決策樹分類法對影像進(jìn)行遙感分類，得出面向?qū)ο蠓诸惙椒ǚ诸惥雀?。丁相元等[7]用16 m高分一號影像對沙化土地類型的光譜特征及其全年的NDVI變化特征進(jìn)行了分析，發(fā)現(xiàn)時間序列數(shù)據(jù)變化信息可提高沙化土地類別之間的可分離度。程益鋒等[8]對西沙群島高分一號16 m的數(shù)據(jù)進(jìn)行了最小距離、馬氏距離、最大似然、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等基于像元的監(jiān)督分類和使用面向?qū)ο蠓诸?，結(jié)果表明像素級支持向量機(jī)和面向?qū)ο蠓诸惙椒ň容^高。歐健濱等[9]基于多時相的高分一號16 m數(shù)據(jù)獲取NDVI 時序變化指數(shù)，結(jié)合MNDVI 、EIBI指數(shù)和DEM等構(gòu)建閾值規(guī)則分類法，結(jié)果優(yōu)于最大似然法及最小距離法。不同的學(xué)者針對高分一號影像提取不同地物，相應(yīng)采用了不同的方法，總體來說面向?qū)ο蟮姆诸愃悸芬獌?yōu)于基于像素的分類思路，分類算法根據(jù)地類選擇有所不同，但植被指數(shù)和水體指數(shù)等在分別提取植被和水體時均取得了較好的效果，可以作為分類的參考方法。

本研究旨在研究利用高分一號16 m分辨率影像數(shù)據(jù)區(qū)分地表覆蓋一級類別，結(jié)合高分一號時效性強(qiáng)的特點(diǎn)，可以快速地獲取高分一號數(shù)據(jù)，并為地表覆蓋分布和動態(tài)變化分析做出指導(dǎo)。

1 數(shù)據(jù)來源和研究方法

1.1 研究區(qū)概況和數(shù)據(jù)來源

1.1.1 研究區(qū)域概況 ? ?寶坻區(qū)位于天津市北部，東經(jīng)117°8'～117°40'，北緯39°21'～39°50'。東及東南與河北省玉田縣、天津市寧河區(qū)相鄰;南及西南與天津市寧河區(qū)、武清區(qū)接壤;西及西北與河北省香河縣、三河市相連;北及東北與天津市薊州區(qū)、河北省玉田縣隔河相望。本研究區(qū)域?yàn)閷氎鎱^(qū)全域，面積約1 509 km2，高程為2.5～3.0 m。

1.1.2 數(shù)據(jù)來源以及預(yù)處理 ? ?本文所使用的數(shù)據(jù)為高分一號衛(wèi)星多光譜WFV相機(jī)的16 m分辨率影像數(shù)據(jù)，影像獲取來自遙感集市免費(fèi)下載，影像成像時間為2017年8月30日，影像包含4個波段：紅、綠、藍(lán)、近紅外波段。本研究應(yīng)用ENVI 5.3遙感影像處理軟件對影像進(jìn)行了預(yù)處理。鄧書斌[10]認(rèn)為：對于分辨率小于或等于15 m，且具有RPC文件的圖像，可以采用正射校正的方法完成幾何校正，以達(dá)到更高的精度要求。本研究中使用的高分一號數(shù)據(jù)是1A級產(chǎn)品，提供了配套的衛(wèi)星直傳姿軌數(shù)據(jù)生產(chǎn)的RPC文件，因此幾何校正部分主要采用原始數(shù)據(jù)自帶的RPC參數(shù)，進(jìn)行基于影像自帶參數(shù)和高程的正射校正。另外根據(jù)寶坻區(qū)的矢量范圍，得到寶坻區(qū)范圍內(nèi)的遙感影像，用于試驗(yàn)與分析處理。裁剪后的影像效果如圖1。

1.2 研究方法

本研究旨在研究天津市寶坻區(qū)地表覆蓋類型分類情況，利用國產(chǎn)高分一號16 m分辨率遙感影像作為數(shù)據(jù)源，采用基于影像分割對象的規(guī)則分類方法進(jìn)行分類，區(qū)分出天津市寶坻區(qū)水體、植被、建設(shè)用地和裸地的分布范圍。研究選用的遙感數(shù)據(jù)為植被長勢良好的8月份，避免大量農(nóng)田進(jìn)行收割后出現(xiàn)裸露地表的狀況，有利于準(zhǔn)確提取植被覆蓋范圍。

1.2.1 基于對象的遙感影像特征提取 ? ?傳統(tǒng)的遙感信息提取技術(shù)依靠影像的像素作為基元進(jìn)行分類，此種方法直接針對影像進(jìn)行分類，效果迅速但容易忽略鄰近影像地物整片圖斑的結(jié)構(gòu)和紋理信息，對于同類別地物之間異質(zhì)性較強(qiáng)的情況不能較好地避免。

基于對象分類技術(shù)則是通過影像分割得到均質(zhì)影像對象，集合鄰近像元為對象用來識別感興趣的光譜和形狀等要素，需要先通過對影像進(jìn)行分割形成許多個特征較為同質(zhì)的影像對象，影像中同類地物的特征差異會減小，而不同類型地物之間的差異則加大，在一定程度上增加了類別的可分性。首先將影像分割成有意義的影像斑塊，并提取對象斑塊的各種特征屬性，然后再基于特征空間對影像進(jìn)行分類[11]?；趯ο蟮姆诸惣夹g(shù)能夠充分利用高分辨率的全色和多光譜數(shù)據(jù)的空間、紋理和光譜信息來分割和分類，基于對象的分類技術(shù)適宜用于在中高分辨率的遙感數(shù)據(jù)中提取信息。

1.2.2 基于規(guī)則的特征提取 ? ?基于規(guī)則的特征提取首先會對全部分割對象斑塊進(jìn)行某個特征的運(yùn)算，通過計(jì)算機(jī)與人工分析選擇適合的特征，確定相應(yīng)的特征閾值范圍。操作時對特征運(yùn)算結(jié)果進(jìn)行閾值的限制，提取出每個特征閾值范圍內(nèi)屬于某個類別屬性，最終得到至少兩種類別的分類結(jié)果。通過使用多種特征包括遙感影像提供的多個波段信息及其組合特征規(guī)則進(jìn)行限定，可以得到不同地物類型的地類區(qū)分，由于本文研究的地塊范圍較大，每種類別內(nèi)部同質(zhì)性較高，適用于此種規(guī)律性較強(qiáng)的規(guī)則閾值分類。在建立規(guī)則時，有的類別難以用一個特征規(guī)則表達(dá)出來，由于此類別的區(qū)分可能需要由若干個規(guī)則組成，通過多個規(guī)則條件對類別加以限制，提取結(jié)果更為準(zhǔn)確。

1.2.3 影像分割 ? ?影像分割常常會綜合影像中鄰近像素的亮度、紋理、顏色等對影像進(jìn)行分割，影像分割技術(shù)主要分為基于邊緣檢測的分割技術(shù)和基于區(qū)域生長的分割技術(shù)，每種方法在不同條件下都有其不同的適合影像。影像分割是對面向?qū)ο笥跋裥畔⑻崛〉囊粋€關(guān)鍵步驟，影像分割結(jié)果直接關(guān)系到后面特征信息提取的精度，此分割對象與地物的邊界吻合度越高，特征信息提取結(jié)果越準(zhǔn)確[12]。

本文采用基于區(qū)域生長合并的分割方法使用較廣泛、效果較好[13]。利用eCognition軟件對影像進(jìn)行多尺度分割，通過設(shè)置“分割尺度（Scale Parameter）”調(diào)節(jié)分割斑塊大小，“形狀因子（shape）”調(diào)節(jié)對象幾何特征，“緊致度因子（Compactness）”調(diào)節(jié)對象的邊緣平滑度。

本文設(shè)置的分割尺度為，分割尺度：30;形狀因子：0.2;緊致度因子：0.5，經(jīng)過測試分類結(jié)果能夠滿足要提取的水體、植被、建設(shè)用地等地物的分割效果。

1.2.4 規(guī)則閾值分類 ? 本文使用進(jìn)行規(guī)則閾值分類，分類是在影像分割后進(jìn)行。由于每個分割后的影像對象是由多個像素構(gòu)成的，因此可以計(jì)算出每個影像對象的光譜、紋理、性狀等多種信息。通過選取這些信息中的典型特征，逐一對每個類別進(jìn)行區(qū)分，本研究操作使用的是eCognition軟件的Assign Class算法，該算法的特點(diǎn)是每次只能區(qū)分一個類別，但是可以設(shè)定多個規(guī)則條件，因此可以針對水體、植被、建設(shè)用地、裸地選用典型的特征進(jìn)行一一提取。該分類方法可以設(shè)置每次對未分類部分進(jìn)行分類，即每次分類與已分類類別不沖突。分類的關(guān)鍵是構(gòu)建規(guī)則和閾值之前需要先選取典型地物提取特征，然后再根據(jù)每個目標(biāo)類別制定相應(yīng)的分類提取規(guī)則。影像常用的對象特征包括光譜特征、紋理特征和空間特征。

光譜特征是描述影像對象的光譜信息特征，與對象內(nèi)像元的灰度值有關(guān)，它是由實(shí)際地物組成成分和影像成像狀態(tài)所決定的固有的光學(xué)物理屬性[14]。常用的描述影像對象的光譜特征有均值、亮度、方差、波段灰度比值、比值指數(shù)等特征。光譜特征是遙感影像數(shù)據(jù)分析的基礎(chǔ)，光譜特征不僅可以直接用來作為提取特征，也可以作為構(gòu)建指數(shù)特征的基礎(chǔ)，將多個光譜特征之間建立線性或非線性的關(guān)系，可以生成各類典型指數(shù)，比如植被指數(shù)、水體指數(shù)等。

本文提取植被和水體就分別用到了植被指數(shù)和水體指數(shù)。

歸一化植被指數(shù)NDVI= （NIR-R）/（NIR+R）

歸一化水體指數(shù)NDWI = （Green- NIR）/（Green+NIR）

藍(lán)波段比值：Ratio B=Blue/（Blue+Green+Red+NIR）

平均偏差濾波算法（Abs. Mean Deviation Filter）：計(jì)算某個波段的高斯加權(quán)平均值的偏差。

式中，NIR為近紅外波段均值，R為紅波段均值，Green為綠波段均值，Blue為藍(lán)波段均值。

1.2.5 分類規(guī)則建立 ? ?閾值分類最主要的就是根據(jù)影像特征建立分類規(guī)則，建立分類規(guī)則常常需要根據(jù)已有的經(jīng)驗(yàn)或者特征進(jìn)行試驗(yàn)嘗試，得到區(qū)分每種地物的最適宜特征，例如植被指數(shù)、波段比值等。eCognition Developer軟件中提供的對象計(jì)算工具能夠方便地執(zhí)行圖像中各個波段的加、減、乘、除、三角函數(shù)、指數(shù)、對數(shù)等數(shù)學(xué)函數(shù)計(jì)算。

分類操作是在eCognition Developer軟件中直接進(jìn)行，對植被、水體、建設(shè)用地等地物進(jìn)行不同波段特征的分析，根據(jù)前人的研究經(jīng)驗(yàn)和試驗(yàn)多次嘗試，確定每種適宜提取每種地物的特征。其中植被指數(shù)和水體指數(shù)是研究和實(shí)踐證明能夠提取植被、水體效果較好的指數(shù)。

建設(shè)用地由于大多為不透水的水泥地和建筑等，在藍(lán)波段響應(yīng)明顯，藍(lán)波段比值以及藍(lán)波段的標(biāo)準(zhǔn)差也會有明顯的響應(yīng)。裸地是提取難度較大的地物，由于與建設(shè)用地和未耕耕地較為接近，因此放在最后提取。提取操作過程通過Customized Fearture功能計(jì)算水體指數(shù)（NDWI）、植被指數(shù)（NDVI）以及藍(lán)波段比值。幾個類別的提取規(guī)則設(shè)置如下：

水體：NDWI > 0 and Mean_NIR<370

植被：NDVI > 0.2 and not水體

建設(shè)用地：Ratio_Blue >= 0.24 and stand deviation_

Blue>=13 and Abs.Mean_Deviation Filter_Blue>4 and Mean_Red >= 360.

裸地：手動提取。由于裸地部分很少，典型特征不明顯，使用規(guī)則分類意義不大，因此采用手動進(jìn)行區(qū)分裸地。手動提取裸地的效果如圖3中黃色部分。

2 結(jié)果分析與精度驗(yàn)證

應(yīng)用高分一號衛(wèi)星影對像天津市寶坻區(qū)主要地表覆蓋類型進(jìn)行基于規(guī)則閾值的方法分類，區(qū)分出植被、水體、建設(shè)用地、裸地。得到的分類結(jié)果如圖4。

進(jìn)行精度驗(yàn)證是在影像范圍內(nèi)隨機(jī)生成樣本點(diǎn)，利用樣本點(diǎn)的實(shí)際地物屬性與分類結(jié)果的地物屬性進(jìn)行匹配與對比，統(tǒng)計(jì)出分類精度。本研究根據(jù)寶坻區(qū)范圍在影像內(nèi)利用ArcGIS軟件隨機(jī)生成115個隨機(jī)取樣點(diǎn)，在Google earth高清影像中對這些樣本點(diǎn)一一進(jìn)行目視識別，保證精確性。通過確定每個驗(yàn)證點(diǎn)的屬性類別屬性，用于對已分類結(jié)果進(jìn)行精度驗(yàn)證。這115個點(diǎn)的位置分布如圖5。

利用這115個點(diǎn)生成混淆矩陣，混淆矩陣可以計(jì)算出每個類別的分類精度，統(tǒng)計(jì)計(jì)算出總的分類精度。計(jì)算出的混淆矩陣驗(yàn)證結(jié)果如表2所示。

3 結(jié)論與討論

本研究以國產(chǎn)高分一號WFV相機(jī)傳感器16 m分辨率的影像為數(shù)據(jù)源，采用先對影像進(jìn)行多尺度分割，再針對分割對象采用規(guī)則閾值的分類方法，能夠較好地避免基于像素分類方法導(dǎo)致的破碎化和同譜異物現(xiàn)象。分類方法采用的基于特征的閾值分類方法，通過構(gòu)建植被指數(shù)、水體指數(shù)以及藍(lán)波段比值和標(biāo)準(zhǔn)差等特征，實(shí)現(xiàn)對水體、植被、建設(shè)用地信息的提取，對于利用指數(shù)構(gòu)建大范圍水體、植被規(guī)則，具有較佳效果，形成了2017年8月30日的影像分類結(jié)果，并進(jìn)行了精度驗(yàn)證。研究結(jié)果表明：針對高分一號16 m分辨率的四波段影像采用指數(shù)閾值分類對于提取水體、植被具有較好的效果，主要由于水體、植被內(nèi)部均質(zhì)性較強(qiáng)，閾值分類方法不容易與其他地物混淆。相較于選擇樣本的監(jiān)督分類減少一些工作量，這種方法經(jīng)驗(yàn)知識可靠有效。對于建設(shè)用地，如果內(nèi)部異質(zhì)性不太大的話也能取得較好的提取效果，裸地由于與建設(shè)用地很相似，但實(shí)際上不像建設(shè)用地那樣不透水，其區(qū)分是一個難點(diǎn)，本研究中裸地較少，主要采用的手動提取，裸地類別可在更高分辨率和更豐富的波段影像上嘗試提取研究。

本研究只采用一期影像數(shù)據(jù)進(jìn)行提取，對于耕地在不同作物種植收割的情況尚未考慮，若能將一年內(nèi)種植不同作物的多個季節(jié)的耕地影像同時進(jìn)行提取與分析，則會更加有助于耕地范圍的提取，同時也能避免裸地與耕地的混淆。

參考文獻(xiàn)：

[1]云影.高分辨率對地觀測系統(tǒng)重大專項(xiàng)首發(fā)星——高分一號衛(wèi)星[J].衛(wèi)星應(yīng)用，2013（3）：72.

[2]楊長坤，王崇倡，張鼎凱，等.基于SVM的高分一號衛(wèi)星影像分類[J].測繪與空間地理信息，2015，38（9）：142-144，146.

[3]劉書含，顧行發(fā)，余濤，等.高分一號多光譜遙感數(shù)據(jù)的面向?qū)ο蠓诸怺J].測繪科學(xué)，2014，39（12）：91-94，103.

[4]麻鍇，查東平，王寶健.基于高分一號寬幅多光譜影像的鄱陽湖濕地分類研究[J].測繪與空間地理信息，2016，39（6）：107-110.

[5]李健，郭云開，安冠星，等.高分一號影像分類方法對比分析[J].江蘇科技信息，2017（11）：33-37.

[6]謝飛.基于高分一號影像的兩種地表覆蓋分類方法對比研究[J].現(xiàn)代測繪，2017，40（4）：21-23.

[7]丁相元，高志海，孫斌，等.基于高分一號時間序列數(shù)據(jù)的沙化土地分類[J].國土資源遙感，2017，29（3）：196-202.

[8]程益鋒，黃文騫，吳迪，等.基于高分一號衛(wèi)星影像的珊瑚島礁分類方法[J].海洋測繪，2018，38（6）：49-53.

[9]歐健濱，羅文斐，劉暢.多源數(shù)據(jù)結(jié)合的高分一號土地利用/覆蓋分類方法研究[J].華南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，51（5）：92-97.

[10]鄧書斌.ENVI遙感影像處理方法[M].北京：高等教育出版社，2014：208-212.

[11]關(guān)元秀，王學(xué)恭，郭濤，等.eCognition基于對象影像分析教程[M].北京：科學(xué)出版社，2019.

[12]馬浩然.基于多層次分割的遙感影像面向?qū)ο笊址诸怺D].北京：北京林業(yè)大學(xué)，2014.

[13]FROHN R C， CHAUDHARY N. Multi-scale image segmentation and object-oriented processing for land cover classification[J]. GIScience & remote sensing， 2008，4（4）：377-391.

[14]馬浩然，趙天忠，曾怡.面向?qū)ο蟮淖顑?yōu)分割尺度下多層次森林植被分類[J].東北林業(yè)大學(xué)學(xué)報(bào)，2014，42（9）：52-57.