董元，方良義，董夢，張令濤，魏月茹

(1.華北理工大學 礦業(yè)工程學院，河北 唐山063210；2.中交四航局珠海工程有限公司，廣東 珠海 519085；3. 北京化工大學 文法學院，北京 100029)

0引言

城市建設用地信息對城市開發(fā)利用和環(huán)境變化監(jiān)測具有重要意義，為城市的規(guī)劃管理工作提供重要參考。近年來我國城鎮(zhèn)化速度加快，城市建設用地也呈現(xiàn)出飛速變化的特點, 而landsat等多光譜遙感數(shù)據(jù)具有成本低、范圍廣、時效性好等特點，使遙感技術在建設用地提取方面具有廣泛應用。國內對此已有大量相關研究，梁珊等選用了3個時相的遙感影像，采用OSTU算法結合不同的提取指數(shù)，根據(jù)實際情況確定提取地物信息，并對建設用地進行提取[1]。王蘇蕓等基于面向對象和區(qū)域增長的方法，通過計算紋理特征，進行多尺度分割，對東營市城鄉(xiāng)建設用地提取[2]。黃瀅冰等通過構建譜間閾值指數(shù)模型和混合像元分解模型實現(xiàn)較高精度地自動提取建設用地模型[3]。許瑩等利用TM遙感影像，結合不同的提取指數(shù)對城區(qū)建筑用地信息進行提取和分析，結果表明NBI指數(shù)效果最好[4]。饒萍等提出一種決策樹分類法，將支持向量機結果、4種歸一化指數(shù)等作為特征節(jié)點對建設用地進行提取，總體精度達到98%[5]。梁書維等選取吉林省2個村莊作為研究區(qū)進行建設用地提取，證明支持向量機的監(jiān)督分類法和基于NDVI并輔以NBRI的間接提取法最優(yōu)[6]。馬亞飛等使用BP神經(jīng)網(wǎng)絡對高分辨遙感影像進行分類，精度相對于最大似然法有明顯提高[7]，但是使用神經(jīng)網(wǎng)絡進行建設用地提取的研究較少，該項目采用神經(jīng)網(wǎng)絡的監(jiān)督分類和面向對象分類方法對唐山市路南區(qū)的建設用地進行提取。

1建設用地提取方法

建設用地是指建造建筑物、構筑物的土地，是城鄉(xiāng)住宅和公共設施用地，有工礦、公用設施、公共建筑、住宅、交通運輸、水利設施用地以及軍事、宗教等特殊用地。建設用地按照大、中、小可細分為如表1所示幾種類型。

表1 建設用地類型

建設用地因地物分布較為破碎、同物異譜現(xiàn)象比較普遍，導致建設用地提取較為困難，目前建設用地遙感信息提取方法主要有：馬氏距離法、面向對象法和神經(jīng)網(wǎng)絡法等。

馬氏距離法是利用輸入遙感圖像到訓練樣本(見公式1)，根據(jù)公式統(tǒng)計的馬氏距離，將最小的馬氏距離判斷為此類別。

(1)

式中，μ為樣本分布均值，S為樣本分布的協(xié)方差矩陣。

馬氏距離法的優(yōu)點為原理相對簡單，分類的速度比較快，缺點為精度較低，分類結果受目視解譯影響較大。

面向對象的分類方法是對分割以后的圖像進行分類，充分利用隱藏在客觀存在實物中豐富的空間信息，相對于傳統(tǒng)的基于像元分類方法僅利用光譜信息，面向對象分類方法在這方面有所改善，面向對象分類方法分析的是由若干像素組成的對象，而不是單一像素，目標對象更具有實際意義。通過分割得到的影像對象繼承了原始影像上的光譜特性，不同對象之間的幾何特征、紋理特征、空間特征等還存在著較大差異，這些特征表達了不同對象之間的差異，面向對象的影像信息提取方法一方面確實能提高影像的分類和提取的精度，另一方面也會產生誤差問題，因此該項研究引入神經(jīng)網(wǎng)絡算法進行建設用地提取。

隨著深度學習的研究不斷深入，神經(jīng)網(wǎng)絡算法應用越來越廣泛。神經(jīng)網(wǎng)絡算法是一種智能化的算法模型，通過不斷訓練的過程，學習特定規(guī)則，使輸入值經(jīng)過計算最接近期望的輸出值。應用于遙感影像監(jiān)督分類是以反向傳播算法為模型的神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡一般由輸入層、隱藏層和輸入層組成，每個網(wǎng)絡層都包含有多個神經(jīng)元，每個神經(jīng)元都會跟相鄰的前一層的神經(jīng)元有連接，這些連接其實也是該神經(jīng)元的輸入。在初始階段，所有權重都是隨機分配的。對于訓練集的每個輸入值，經(jīng)過神經(jīng)網(wǎng)絡的前向傳播后，得到的輸出值將會與期望的輸出值進行比較，然后得到的誤差會傳回給前面的網(wǎng)絡層。這個誤差會被記錄來下，然后權重會隨之進行相應的調整。這個過程會不斷重復，直到輸出的誤差低于一個設定好的閾值。在實際應用中，當誤差低于設定閾值時，神經(jīng)網(wǎng)絡訓練過程結束。神經(jīng)網(wǎng)絡算法具有非線性擬合能力，可以解決復雜的非線性問題，而且學習規(guī)則簡單，便于編程實現(xiàn)，因此應用廣泛。

2數(shù)據(jù)來源與預處理

唐山市路南區(qū)是唐山市中心城區(qū)之一，位于中心區(qū)南半部。路南區(qū)地處華北平原東北部，北緯39°34'，東經(jīng)118°14'，區(qū)域面積為117.53 km2，南部與豐南區(qū)相連，北接路北區(qū)。唐山市路南區(qū)屬暖溫帶半濕潤季風型大陸性氣候。春季風多雨少，較干旱；夏季高溫多雨；秋季溫差大，較清爽；冬季寒冷少雨[8]。

本實驗采用地理空間數(shù)據(jù)云網(wǎng)站下載的landsat8 OLI遙感影像，OLI 共包含9個成像波段，其中第 8 波段全色波段分辨率為 15 m，其他波段為30 m，選擇遙感圖像時應該盡量避免云量較多的圖像，該項研究采用云量為0.18，成像時間為2018年3月16日的唐山市路南區(qū)landsat8 OLI遙感影像。

實驗采用ENVI5.1進行原始圖像的預處理，使用radiometric calibration工具對原始圖像的多光譜、全色波段進行輻射定標，輻射定標后的多光譜波段進行FLAASH大氣校正，大氣校正后的多光譜波段與輻射定標后的全色波段進行GS圖像融合，將分辨率提高到15 m，使用路南區(qū)的矢量文件進行圖像裁剪，研究區(qū)圖像如圖1所示。

圖1 研究區(qū)位置

路南區(qū)的建設用地北部較為集中，南部較為分散，根據(jù)實際情況，將路南區(qū)建設用地分為城鄉(xiāng)居民建設用地、工礦用地和交通設施用地，建設用地遙感圖像特征如表2。

表2 建設用地遙感圖像特征

3信息提取

3.1 面向對象分類方法

影像分割對于面向對象分類方法十分重要。分割尺度選擇過大會造成不同地物類型的像元不能分割,造成不同地類的混淆，而分割尺度過小會造成地類分割過于精細，經(jīng)過多次實驗選擇最佳的目視效果。合并尺度選擇過大會造成不同地物像元的合并，合并尺度選擇過小會造成相同地物類型不能合并。

圖2 不同分割尺度效果圖

從圖2可看出，分割尺度為50時，分割尺度較小，不同地物類型不能分離，尤其是交通設施用地；可看出，分割尺度為40，分割效果有所改善，但是仍然存在不同地物分割不清的現(xiàn)象。分割尺度為35時，地物分離比較合理，能夠滿足分類要求。

通過對比圖3發(fā)現(xiàn)，合并尺度為80時，合并尺度較少，地物較破碎，因此合并尺度為90比較合適。

經(jīng)過實驗對比，最后確定分割尺度為35時能夠將建設用地較好地分割，合并尺度為90能夠更好地表現(xiàn)地物的特征。

確定最佳的分割尺度和合并尺度后，進行樣本的選取，樣本的選擇要具有代表性和典型性，樣本在遙感圖像中的選擇應該盡量均勻分布，樣本選擇完成后利用ENVI面向對象分類模塊進行分類。樣本分類統(tǒng)計結果如表3所示，針對本實驗采用面向對象分類法分類結果如圖4所示。

圖3 不同合并尺度效果圖

表3 樣本分類統(tǒng)計表

圖4 面向對象分類法分類結果圖

從圖4中可以看出，面向對象分類法提取的建設用地充分利用了實物中豐富的空間信息，提取的地物比較連續(xù)，利用高分一號分辨率影像，結合谷歌地球選取地表真實感興趣區(qū)，利用ENVI提供的混淆矩陣工具進行精度評定，面向對象分類法的總體精度為82.259 1%，同時該分類方法的kappa系數(shù)為0.717 0，提取精度達到了較高的水平。

3.2 神經(jīng)網(wǎng)絡監(jiān)督分類方法

訓練樣本的選取是神經(jīng)網(wǎng)絡訓練的重要前提，神經(jīng)網(wǎng)絡訓練樣本選擇的好壞直接關系到最后分類的精度。訓練樣本的代表性和典型性是訓練樣本的重要標準，同時又要保證神經(jīng)網(wǎng)絡訓練能夠快速收斂。使用ENVI平臺上選取訓練樣本，樣本選取如表4所示。

表4 樣本分類統(tǒng)計

利用ENVI監(jiān)督分類中的神經(jīng)網(wǎng)絡模塊建設用地進行提取，選擇ENVI提供的激活函數(shù)對數(shù)(Logistic)函數(shù)，學習率設置為0.05，參數(shù)值越大相應訓練速度越快，但也可能會導致誤差震蕩或者使訓練結果不收斂。訓練初始權重設為0.075，該參數(shù)用于調節(jié)節(jié)點內部權重的變化。將該參數(shù)設置為0，內部權重將是固定值，內部權重調節(jié)要適中，如果設置的權重太大，對分類結果也會產生不良影響。期望誤差最小值設置為0.001，誤差值在訓練過程中會在圖像中顯示，當該值小于閾值時，即使還未達到迭代次數(shù)，訓練也會停止，軟件開始進行分類。隱含層層數(shù)設置為1，訓練次數(shù)設置為1 000。

從圖5中可以看出，神經(jīng)網(wǎng)絡監(jiān)督分類方法提取建設用地更加精細，利用高分一號分辨率影像，結合谷歌地球選取地表真實感興趣區(qū)，利用ENVI提供的混淆矩陣工具進行精度評定，神經(jīng)網(wǎng)絡監(jiān)督分類法總體精度為85.769 0%，同時該方法kappa系數(shù)為0.775 0，提取的精度進一步提高。

4建設用地提取精度評定

精度評定是評價實驗質量的重要環(huán)節(jié)，該項研究利用高分一號分辨率影像，結合谷歌地球選取地表真實感興趣區(qū)，利用ENVI提供的混淆矩陣工具進行精度評定，結果如表5和表6所示。

表6 神經(jīng)網(wǎng)絡監(jiān)督分類法精度評定表

從表5、表6中可以看出，面向對象分類法的總體精度為82.259 1%，對應的kappa系數(shù)為0.717 0，而神經(jīng)網(wǎng)絡監(jiān)督分類法的總體精度達到85.769 0%，對應的kappa系數(shù)為0.775 0，相對于面向對象方法，神經(jīng)網(wǎng)絡監(jiān)督分類方法總體精度提高了3.509 9%，其中城鄉(xiāng)居民建設用地和工礦用地方面，神經(jīng)網(wǎng)絡監(jiān)督分類方法用戶精度相對于面向對象分類法有明顯的提高。

5結論

(1)神經(jīng)網(wǎng)絡監(jiān)督分類方法和面向對象分類方法提取建設用地的精度都達到80%以上，精度滿足一般要求。

(2)神經(jīng)網(wǎng)絡監(jiān)督分類方法精度更高，相對于面向對象分類法的提高了3.509 9%，為建設用地的提取提供了新的方法。