李文君

（安徽理工大學(xué)，安徽 淮南232001）

不同衛(wèi)星影像、不同分類方法、不同研究手段針對不同研究區(qū)域的土地利用分類一直是遙感領(lǐng)域的研究熱點，發(fā)展至今，已經(jīng)有很多技術(shù)手段趨于成熟。韓濤[1]、郭交[2]、國外Davoud Ashourloo[3]等利用sentinel 2 影像數(shù)據(jù)與sentinel 1 雷達數(shù)據(jù)、landsat 光學(xué)數(shù)據(jù)、Spot-7 衛(wèi)星影像等多源數(shù)據(jù)進行融合，對比研究分析，提高作物了分類精度且改進了作物分類方法。本文根據(jù)青衣江流域地勢地貌特點，以Sentinel 2 衛(wèi)星影像為基礎(chǔ)數(shù)據(jù)來源，通過CART 決策樹法和基于多時相NDVI 決策樹分類三種不同方法來研究提取研究地區(qū)大春時期的土地利用信息，為青衣江流域的作物種植與發(fā)展工作提供一些支持。

1 研究區(qū)概況

青衣江流域樂山灌區(qū)位于四川省西南部（103°22' ～103°45'E，29°25' ～29°49'N），該地區(qū)在大春時期（5-9 月）各主要作物的生育期也存在差異：水稻大田期的生育期為5 月中旬至8 月底、9 月初，種植面積131.15km2；玉米的全生育期為4 月11 日至7 月31 日，種植面積35.05km2；紅苕的全生育期為6 月1 日至11 月10 日，種植面積21.67km2；大春蔬菜6 月1 日至10 月20 日，種植面積35.04km2。

2 數(shù)據(jù)獲取及預(yù)處理

Sentinel 2 衛(wèi)星數(shù)據(jù)在同系列光學(xué)影像衛(wèi)星數(shù)據(jù)中有三個顯著優(yōu)勢：一是時間分辨率高，同地區(qū)影像5 天一景；二是空間分辨率高，10 米、20 米和60 米，可為使用者提供更高空間分辨率影像圖；三是Sentinel 2 號衛(wèi)星提供的數(shù)據(jù)在官網(wǎng)上可以免費下載。又因為Sentinel 2 衛(wèi)星影像是光學(xué)影像，所以不能避免云的影響。

此次衛(wèi)星影像獲取時間為2017 年7 月9 日、8 月13 日、9月7 日，做到盡量含蓋研究區(qū)域主要作物的生育期。輔助數(shù)據(jù)包括青衣江流域樂山灌區(qū)矢量邊界數(shù)據(jù)、第二次青衣江樂山灌區(qū)土地調(diào)查資料、Google earth 衛(wèi)星地圖等。Sentinel 2 影像數(shù)據(jù)預(yù)處理具體流程如下：影像的預(yù)處理包括利用插件sen2cor 進行大氣校正，以獲取L2A 級別數(shù)據(jù)；用SNAP 軟件將影像進行重采樣以及ENVI 格式轉(zhuǎn)存，生成有12 個波段且空間分辨率為10m 的ENVI 格式影像；在ENVI 中，影像經(jīng)過波段合成、圖像鑲嵌，利用矢量邊界數(shù)據(jù)進行裁剪影等流程后，最終得到研究區(qū)域影像。

3 研究方法

分類指標：NDVI 是眾多植被指數(shù)中，在遙感領(lǐng)域被運用次數(shù)最多、范圍最廣的一種監(jiān)測植被覆蓋等情況的指數(shù)。NDVI 范圍為（-1,1），NDVI 越趨近于1，越表明該地區(qū)植被覆蓋度越大。

分類方法：一是監(jiān)督分類中的最大似然法，它是通過求出每個像素對于各類別的歸屬概率，把該像素分到歸屬概率最大的類別中去的方法。二是基于專家知識的決策樹分類方法，它是基于遙感圖像數(shù)據(jù)及其他空間數(shù)據(jù)，通過一系列方法，獲得分類規(guī)則并進行遙感分類。

精度評定：對分類結(jié)果進行評定，混淆矩陣是人們使用最多、最廣泛的精度評定方法。在輸出的混淆矩陣報表中，包含了總體分類精度、Kappa 系數(shù)、錯分誤差、漏分誤差、制圖精度和用戶精度等精度評定指標，通過眾多指標可以判定分類結(jié)果的精度高低。其中總體分類精度、Kappa 系數(shù)作為此次主要評定指標。

4 結(jié)果與分析

結(jié)合RGB 彩色合成圖像和第二次青衣江樂山灌區(qū)土地調(diào)查資料分析，定義大春地物樣本為水稻、玉米、紅苕、大春蔬菜、建筑、水體和森林。進行最大似然法分類，分類結(jié)果如圖1（a）。本次決策樹分類采用基于CART 算法的決策樹規(guī)則自動獲取擴展工具，RuleGen。對于單幅影像，齊樂[4]等選取包括影像波段、植被指數(shù)在內(nèi)的共13 個波段參與對香格里拉的土地利用分類。經(jīng)過分析，構(gòu)建兩種數(shù)據(jù)集進行決策樹分類，一是多源數(shù)據(jù)集由預(yù)處理完成后的sentinel 2 影像的12 個波段、NDVI、ISODATA 非監(jiān)督分類結(jié)果所構(gòu)建。再經(jīng)過決策樹規(guī)則的獲取與應(yīng)用后，得到土地利用分類結(jié)果，如圖1（b）。以上分類結(jié)果均代表大春土地利用分類。二是基于大春7、8、9 月的三景NDVI 圖構(gòu)建生成NDVI 數(shù)據(jù)集，RuleGen 工具對大春ROI 訓(xùn)練樣本進行深層分析，最終生成一份ENVI 決策樹規(guī)則文件。經(jīng)過決策樹規(guī)則的獲取與應(yīng)用后，獲得大春地物分類圖。列出大春分類結(jié)果圖，如圖1（c）。在訓(xùn)練樣本中，選取部分樣本作為檢驗樣本，根據(jù)檢驗樣本與分類結(jié)果進行精度評定，生成評定結(jié)果（見表1）。

圖1 大春分類結(jié)果

表1 大春地物分類面積及精度評定

運用最大似然分類法、CART 決策樹分類法和基于多時相的決策樹分類方法對Sentinel 2 影像分類效果圖如圖1 所示。圖1 中，建筑物能較為清晰地提取出來，河流庫的邊界輪廓可以較為清晰地識別；最大似然分類法對于森林的提取效果較差。基于多時相的決策樹分類能夠很好的提取出水稻、紅苕、大春蔬菜，但對玉米的提取不夠準確。由表1，最大似然分類法與決策樹法能夠很好地識別河流，而在水稻識別方面，精度卻是三種方法中最低的。而基于單景影像的決策樹分類，其總體分類精度比最大似然法大將近2%，kappa 系數(shù)大0.06 左右，分類結(jié)果可接受，但是在森林、紅苕地物分類中效果較差。基于多時相的決策樹分類方法是三種方法中較優(yōu)的一種方法，它不僅能較好的分辨出建筑、水體、森林還有一些農(nóng)作物也能識別出來，而且能夠真正說明大春地物的分類分布情況，其他兩種分類結(jié)果僅僅只能作為參考。值得一提的是，此種方法在玉米的分類中其分類面積比實際面積多了96.15km2，效果較差，需要不斷的創(chuàng)新與改進。由此，基于多景影像的決策樹分類其總體分類精度和kappa 系數(shù)皆高于其他兩種方式方法的精度，故選取最后一種方式來進行分類，更能體現(xiàn)研究區(qū)域的分類成果。

5 結(jié)論

基于Sentinel 2 衛(wèi)星影像數(shù)據(jù)，本文討論了最大似然分類法、CART 決策樹分類法和基于多時相的決策樹分類方法在青衣江流域的土地利用分類效果，通過檢驗樣本與分類結(jié)果的精度評定，評定結(jié)果發(fā)現(xiàn)：基于多時相的決策樹分類在以上三類方法中分類結(jié)果最好，總體分類精度和kappa 系數(shù)分別可達85.22%和0.81。本研究技術(shù)方法成功提取了青衣江流域建筑、水、森林的分布信息及大春作物水稻、紅苕、大春蔬菜的作物種植信息。不足的是玉米提取效果欠佳，后續(xù)可以引入其他特征值計算紋理特征，進一步促進分類結(jié)果的準確性。