徐雯亮 王志剛

摘 要：基于面向?qū)ο蟮牟蓸狱c和多種特征分類，本文以黃土高原典型區(qū)延安市吳起縣為研究區(qū)，采用CART決策樹分類、Bayes分類、隨機森林分類方法提取土地利用類型，同時對比傳統(tǒng)最大似然法分類，對分類結(jié)果進行分析評價。結(jié)果表明，面向?qū)ο蠓椒ǖ玫降姆诸惤Y(jié)果地類邊界與實際相符，其中隨機森林分類效果最優(yōu)。對于不同地類，面向?qū)ο驜ayes分類方法適用于采礦用地;面向?qū)ο箅S機森林分類對建設用地分類精度較高;面向?qū)ο蠓椒皞鹘y(tǒng)最大似然法對草地、林地分類精度均較好;基于面向?qū)ο蟮姆椒?，采用隸屬度函數(shù)對水域的分類較為準確，但對于細小水體的提取，傳統(tǒng)最大似然提取效果更優(yōu)。研究成果為中低分辨率遙感影像的黃土高原地區(qū)典型地物類型提取提供了方法參考。

關(guān)鍵詞：黃土高原;面向?qū)ο?土地利用;遙感指數(shù)

中圖分類號：F323.211文獻標識碼：A文章編號：1003-5168（2020）26-0155-04

Abstract： Based on object-oriented sampling points and multiple feature classifications， this paper took Wuqi County， Yan'an City， a typical area of the Loess Plateau， as the research area， and used CART decision tree classification， Bayes classification， and random forest classification methods to extract land use types， and compared with the traditional maximum likelihood classification， analyzed and evaluated the classification results at the same time. The results show that the classification result obtained by the object-oriented method is consistent with the actual situation， and the random forest classification effect is the best. For different land types， the object-oriented Bayes classification method is suitable for mining land; the object-oriented random forest classification has a higher classification accuracy for construction land; the object-oriented method and the traditional maximum likelihood method have better classification accuracy for grassland and woodland; based on the object-oriented method， the classification of waters by the membership function is more accurate， but for the extraction of small water bodies， the traditional maximum likelihood extraction is more effective. The research results provide a method reference for the extraction of typical feature types in the Loess Plateau from low- and medium-resolution remote sensing images.

Keywords： Loess Plateau;object oriented;landuse;remote sensing index

典型地區(qū)土地利用/覆被信息獲取對分析環(huán)境變化及合理布局資源具有重要意義[1]。隨著衛(wèi)星傳感器技術(shù)及分類算法的發(fā)展，面向?qū)ο蠓诸愖畲笙薅鹊乩梅指詈髮ο蟮墓庾V、紋理、拓撲關(guān)系等特征，避免了傳統(tǒng)分類單純基于地物光譜信息造成的地物破碎、不連續(xù)的現(xiàn)象[2]。許多學者[3-6]對黃土高原地區(qū)的研究集中在高分辨率及特征地物的提取，對于黃土高原地區(qū)中低分辨率面向?qū)ο蠓椒ㄌ崛〉湫偷匚锏难芯窟€不多見。

本文基于采樣點和多種特征的面向?qū)ο蠓诸惙椒▽S土高原典型區(qū)延安市吳起縣土地利用類型進行提取，分析評價不同方法的分類效果，探究面向?qū)ο蠓椒▽Φ孛差愋蛷碗s的黃土高原典型區(qū)的適用性，得到適宜研究區(qū)中低分辨率遙感影像的地物提取方法，為黃土高原地區(qū)典型地物類型提取提供方法參考。

1 研究區(qū)概況

吳起縣地處陜西省延安市西北部，全境屬黃土高原丘陵溝壑區(qū)，土地利用地域差異明顯，吳起縣于1998年開始施行封山禁牧和退耕還林政策，生態(tài)環(huán)境得以改善。吳起縣境內(nèi)石油、天然氣資源豐富，采礦用地遍布山間，是陜北石油產(chǎn)量最大縣，地區(qū)發(fā)展特點顯著。

2 數(shù)據(jù)來源及研究方法

2.1 數(shù)據(jù)來源及處理

研究數(shù)據(jù)源包括：2018年6月14日的Landsat-8 OLI影像、吳起縣行政區(qū)界線、野外調(diào)查采樣點位置及屬性信息、高分一號遙感影像等。將所有數(shù)據(jù)統(tǒng)一坐標系，以保證不同數(shù)據(jù)疊加沒有偏差，對Landsat8 OLI影像進行輻射定標、大氣校正、Gram-schmidt（GS）融合、裁剪等處理，生成吳起縣空間分辨率15 m的融合影像。

2.2 研究方法

2.2.1 樣本選取。結(jié)合研究區(qū)土地利用地域特點并對照《第三次全國國土調(diào)查土地分類》一級類，歸并光譜信息基本一致的地類，將研究區(qū)土地利用類型分成建設用地、采礦用地、水域、林地、草地、耕地六類。結(jié)合實地調(diào)查的地類數(shù)據(jù)，遵循代表性、統(tǒng)計性、準確性等原則[7]，參考高分一號遙感影像選取各地類采樣點，共計480個，各地類采樣點數(shù)據(jù)可分離性較好，選取的采樣點按比例分為訓練和測試驗證點。面向?qū)ο蠓椒▽λ蚍诸悤r采用規(guī)則分類，因此將水域訓練采樣點剔除，保留水域測試驗證采樣點，最終得到面向?qū)ο蠓椒ㄓ柧毑蓸狱c280個、測試驗證采樣點144個、傳統(tǒng)最大似然法訓練采樣點336個、測試驗證采樣點144個。

2.2.2 多尺度分割。利用自下而上的多尺度分割算法生成具有一定尺度間隔的多尺度影像對象層，借助ESP（Estimation of Scale Parameters）[8]尺度評價工具自動獲取吳起縣最優(yōu)分割尺度。ESP工具統(tǒng)計影像同質(zhì)性的局部方差[LV]（Local Variance）以及[LV]變化率值[ROC]（Rates Of Change），當變化率曲線出現(xiàn)極大值，所有極大值點為不同地物對應的最優(yōu)分割尺度備選值[9]。

[ROC=LVL-LVL-1LVL-1×100] ? ? ? ? ? ? ? ? ? （1）

式中，[LVL]，[LVL-1]分別為[L]層和[L]-1層的平均標準差。

2.2.3 特征選取。為提高分類精度，選取植被、土壤、建筑、水體等四種常見指數(shù)作為分類特征，在消除地形影響的同時表征亮度增強的特征地物?？紤]到吳起縣采礦用地鮮明的幾何特點，增加面積及形狀指數(shù)作為分類特征。最終選取14個特征構(gòu)建分類特征屬性集，分別為歸一化植被指數(shù)（NDVI）、歸一化土壤指數(shù)（NDSI）、改進的歸一化裸露指數(shù)（MNDBI）、改進的歸一化水體指數(shù)（MNDWI）、7個波段的均值（Mean）、形狀指數(shù)（Shape Index）、面積（Area）、長寬比（Length/width）。

3 結(jié)果分析

3.1 分類結(jié)果

充分利用Landsat8 OLI多光譜影像特征，采用Matlab軟件實現(xiàn)最佳指數(shù)因子（Optimum Index Factor，OIF）指數(shù)計算，最終選取652波段作為Landsat 8 OLI最優(yōu)波段組合。采用eCognition軟件執(zhí)行多尺度分割算法時，將6波段（SWIR1波段）、5波段（NIR波段）、2波段（B波段）三者分割權(quán)重設為2，其余權(quán)值設為1，使最優(yōu)波段組合參與分割的權(quán)值增大。分割起始尺度分別設置為50、80、100，形狀因子、緊致度因子分別設置為0.1和0.5，循環(huán)次數(shù)100次，得到的分割結(jié)果如圖1所示。

由圖1可知，當分割尺度為58、69、74、78、86、102等值時，局部方差達到極大值，這些值可能為影像最優(yōu)分割尺度。經(jīng)反復試驗，當分割尺度為78時，分割效果最好，地物分割適度，未出現(xiàn)分割過擬合或分割不完全現(xiàn)象。

通過計算所有對象近紅外波段均值，利用隸屬度小于函數(shù)，不斷調(diào)整特征的上下限范圍，最終確定水域近紅外波段均值介于0～382。然后，基于訓練采樣點及不同特征參數(shù)，對剩余地物分別采用面向?qū)ο蟮腃ART決策樹分類、Bayes分類、隨機森林分類等方法進行分類。為對比分類結(jié)果，將傳統(tǒng)最大似然法作為參照。為比較局部分類效果，截取中心城區(qū)包含各種地物的區(qū)域?qū)Φ孛嫱匚镞M行分類結(jié)果對比，如圖2所示。

由圖2可知，最大似然法得到的結(jié)果“椒鹽”現(xiàn)象嚴重，地物邊界與實際存在差別，同一地物中存在錯分像元。面向?qū)ο蠓椒ǚ诸惤Y(jié)果地類邊界連貫，更接近于實際，避免了地物破碎的現(xiàn)象。傳統(tǒng)最大似然分類對于細小河流的提取效果優(yōu)于面向分類方法，原因在于夏季河道周圍密布林草，河流的近紅外特征不明顯，對于中低分辨率遙感影像，分割對象時出現(xiàn)林地和河流對象混分;而傳統(tǒng)最大似然分類是基于像元的分類，得到的分類結(jié)果離散，能夠更好地學習水域訓練采樣點。傳統(tǒng)最大似然分類出現(xiàn)耕地、建設用地、采礦用地的混淆，原因在于面積較小的采礦用地與零星分布的耕地或建設用地光譜特征相似，僅通過單一光譜特征不易區(qū)分。

3.2 精度評價

為更精確對比各種方法的分類精度及探討不同分類方法的適用性，利用測試驗證采樣點分別對上述4種方法建立分類混淆矩陣，進行精度對比。評價指標包括總體分類精度、制圖精度、用戶精度以及 kappa系數(shù)等[10]，評價結(jié)果如表1所示。

對于不同方法得到的分類結(jié)果，四種方法得到分類精度和與地表真實值的一致性各有差異，總體精度和Kappa系數(shù)優(yōu)劣程度為：面向?qū)ο箅S機森林分類>面向?qū)ο驝ART決策樹分類>面向?qū)ο驜ayes分類>傳統(tǒng)最大似然法分類。面向?qū)ο蠓椒ǚ诸悆?yōu)勢明顯高于傳統(tǒng)最大似然分類，隨機森林分類整體效果最優(yōu)，總體分類精度達87.92%，Kappa系數(shù)為0.832 5。通過對比可以發(fā)現(xiàn)，對于不同地類，各種分類器展現(xiàn)出不同適用性。面向?qū)ο驜ayes分類方法對于采礦用地的提取，用戶精度為75.71%，制圖精度達到82.05%，相較于其他三種方法，精度均較高且部分指標遠大于其他結(jié)果，因此該方法對采礦用地分類更為適用。草地、林地較易區(qū)分，四種方法的分類精度均較好;面向?qū)ο箅S機森林分類對建設用地分類較為準確，制圖精度達到74.95%;面向?qū)ο蠓椒?gòu)建隸屬度函數(shù)，對于水域的分類較為準確。傳統(tǒng)最大似然法更適用于黃土高原典型地區(qū)中低分辨率遙感影像中細小水體的提取。

4 結(jié)論

本文基于Landsat-8 OLI遙感影像，采用采樣點和多種特征的面向?qū)ο驝ART決策樹分類、Bayes分類、隨機森林分類方法對黃土高原典型地區(qū)土地利用類型進行提取，同時對比傳統(tǒng)最大似然分類，可得出如下結(jié)論。

面向?qū)ο蠓椒ㄌ崛〉牡仡愡吔缗c實際相符，地類分斑明確，避免了傳統(tǒng)基于像元分類所帶來的“椒鹽現(xiàn)象”問題?？傮w上，面向?qū)ο箅S機森林方法對丘陵溝壑區(qū)分類效果最好，總體分類精度為87.92%，Kappa系數(shù)為0.832 5。

對于不同地類，采礦用地分類采用面向?qū)ο驜ayes分類時精度較好;面向?qū)ο箅S機森林分類更適用于建設用地分類;面向?qū)ο蠓椒皞鹘y(tǒng)最大似然法對草地、林地分類精度均較好;基于面向?qū)ο蟮姆椒ú捎秒`屬度函數(shù)對于水域的分類較為準確，傳統(tǒng)最大似然法更適用于黃土高原典型地區(qū)中低分辨率遙感影像中細小水體的提取。

參考文獻：

[1]史紀安，陳利頂，史俊通，等.榆林地區(qū)土地利用/覆被變化區(qū)域特征及其驅(qū)動機制分析[J].地理科學，2003（4）：493-498.

[2]韓閃閃，李海濤，顧海燕.面向?qū)ο蟮耐恋乩米兓瘷z測方法研究[J].遙感信息，2009（3）：23-29.

[3]買凱樂，張文輝.黃土丘陵溝壑區(qū)遙感影像信息面向?qū)ο蠓诸惙椒ㄌ崛J].農(nóng)業(yè)機械學報，2011（4）：153-158.

[4]張雨果，王飛，孫文義，等.基于面向?qū)ο蟮腟POT衛(wèi)星影像梯田信息提取研究[J].水土保持研究，2016（6）：345-351.

[5]孫娜，高志強，王曉晶，等.基于高分遙感影像的黃土高原地區(qū)水體高精度提取[J].國土資源遙感，2017（4）：173-178.

[6]馬慧娟，高小紅，谷曉天.隨機森林方法支持的復雜地形區(qū)土地利用/土地覆被分類研究[J].地球信息科學學報，2019（3）：359-371.

[7]武文迪.不同空間尺度下的土地利用變化[D].烏魯木齊：新疆大學，2019.

[8]Dr?gut L，Tiede D，Levick S R.ESP：a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data [J].International Journal of Geographical Information Science，2010（6）：859-871.

[9]徐涵秋.基于譜間特征和歸一化指數(shù)分析的城市建筑用地信息提取[J].地理研究，2005（2）：311-320.

[10]那曉東，張樹清，孔博，等.基于決策樹方法的淡水沼澤濕地信息提?。阂匀皆瓥|北部為例[J].遙感技術(shù)與應用，2008（4）：365-372.