任向宇，孫文彬，袁燁

(中國礦業(yè)大學(xué)(北京) 地球科學(xué)與測繪工程學(xué)院，北京 100083)

0 引言

土地利用是進(jìn)行土地管理、規(guī)劃的重要依據(jù)[1]。傳統(tǒng)土地利用調(diào)查主要采用人工方式，存在耗時長、成本高、精度低等缺陷。而遙感有快速、準(zhǔn)確等特點，已被廣泛應(yīng)用到大、中尺度土地利用分類[2-3]。

基于像素和面向?qū)ο蠼M合分類方法是常用遙感土地利用分類方法之一[4]。由于能充分利用基于像素和面向?qū)ο蠓诸惙椒▋?yōu)勢，組合方法已被廣泛應(yīng)用于土地利用分類領(lǐng)域[5-12]。組合方法主要包括：分類過程組合和分類結(jié)果組合。與分類過程組合方法相比，分類結(jié)果組合有易實現(xiàn)、效率高、分類效果直觀等優(yōu)勢。

但現(xiàn)有組合分類方法忽視混合像元對分類精度的影響，為此，本文引入多端元混合像元分解(multiple endmember spectral mixture analysis，MESMA)技術(shù)提取豐度特征，將豐度特征應(yīng)用到基于像素分類，改善混合像元所致地物邊界分類不精確的問題，并將基于像素與面向?qū)ο蠓诸惤Y(jié)果組合，在抑制“椒鹽現(xiàn)象”的同時，提高土地利用分類精度。本文以內(nèi)蒙古自治區(qū)鄂爾多斯市烏審旗納林河二號礦井區(qū)域為研究對象，利用Landsat-8影像進(jìn)行土地利用分類研究，以期實現(xiàn)地物精細(xì)分類，提高分類精度。

1 研究區(qū)概況與數(shù)據(jù)來源

納林河二號井田位于內(nèi)蒙古自治區(qū)鄂爾多斯市烏審旗，其地理范圍為108°51′30″E～109°00′00″E，37°58′00″N～38°05′30″N。受內(nèi)陸自然條件和人類長期畜牧、建設(shè)生產(chǎn)活動影響，該區(qū)域植被稀疏，水土流失和土壤沙化嚴(yán)重，具有生態(tài)脆弱敏感區(qū)典型特征。區(qū)域內(nèi)包括耕地、林地、工礦用地、水域等，土地利用類型比較齊全，因此，本文選擇該區(qū)域為實驗區(qū)。

本文選用2018年7月25日Landsat-8影像進(jìn)行土地利用信息分類提取。影像獲取時植被茂盛，與裸土可分性高。為提高影像分辨率，降低混合像元影響，本文對30 m多光譜與15 m全色波段數(shù)據(jù)進(jìn)行融合，獲得15 m多光譜影像數(shù)據(jù)。按照《土地利用現(xiàn)狀分類標(biāo)準(zhǔn)(GB/T 21010—2007)》標(biāo)準(zhǔn)定義土地類別。在融合后影像數(shù)據(jù)上選取訓(xùn)練及驗證樣本，利用同時段2.5 m天地圖影像確定樣本真值。樣本選取情況如表1所示。

表1 訓(xùn)練樣點與驗證樣點

2 方法

2.1 技術(shù)流程

MESMA是一種混合像元分解方法，能夠提取混合像元各組分的豐度信息，降低混合像元對分類精度的影響。面向?qū)ο蠓诸惙椒軐⒕|(zhì)性像元合并為對象，有效避免像元噪音導(dǎo)致的“椒鹽現(xiàn)象”。為此，本文采用MESMA和面向?qū)ο蟮慕M合方法，以提高土地利用分類精度。分類實現(xiàn)流程為：首先，對Landsat-8影像進(jìn)行預(yù)處理；然后，利用MESMA獲取的組分豐度特征進(jìn)行基于像素分類；接著，基于分割尺度尋優(yōu)進(jìn)行面向?qū)ο蠓诸悾蛔詈?，依?jù)土地分類精度評價和組合優(yōu)先級原則進(jìn)行最佳分類提取，疊加合成最優(yōu)土地利用分類結(jié)果。技術(shù)路線如圖1所示。

圖1 技術(shù)路線

2.2 基于像素分類

基于像素分類過程中，首先利用MESMA 提取豐度信息，然后在此基礎(chǔ)上選取光譜、紋理和豐度3種特征變量，最后使用隨機(jī)森林算法分類。

1)多端元混合像元分解。由于傳感器分辨率限制，中等分辨率遙感影像存在混合像元問題。MESMA可對混合像元中多種地物組分進(jìn)行分解，通過為各類地物優(yōu)選多條光譜，建模反演求出分解后像元的端元比例，提取豐度信息，從而提高土地利用分類精度。

(1)光譜庫建立及端元選取?；赩IS模型建立光譜庫[13-14]，計算每條光譜的端元均方根誤差(endmember average RMSE，EAR)[15-16]和最小平均光譜角(minimum average spectral angle，MASA)[17]，其表達(dá)如式(1)、式(2)所示。

(1)

式中：a表示一類端元；n表示端元數(shù)目；ai表示光譜向量。

(2)

式中：n表示建模端元光譜的數(shù)量；θi，j表示2個光譜向量間的光譜角距離。

以EAR、MASA值均較低為原則，選取最優(yōu)端元光譜。

(2)端元組合模型豐度反演。利用最優(yōu)端元光譜建立組合模型(表2)，并將該模型應(yīng)用于像元分解。光照變化造成的陰影組分需在建立端元組合模型時修正，其表達(dá)如式(3)所示。

fshade=1-fnoshade

(3)

式中：fshade表示陰影組分豐度值;fnoshade表示像元內(nèi)非陰影組分豐度值之和。

表2 端元模型組合及數(shù)量

通過陰影歸一化生成植被、不透水面、裸土3種組分豐度圖像。其約束條件：非陰影組分豐度范圍為-0.05～1.05；最大允許陰影組分為0.8；最大均方根誤差(root mean squared error，RMSE)為0.025。

2)特征變量選取。光譜特征和紋理特征是遙感分類常用特征變量。利用光譜特征對地物顏色、灰度信息及波段亮度的比較達(dá)到分類目的。紋理特征作為圖像中體現(xiàn)灰度性質(zhì)及空間拓?fù)潢P(guān)系的重要特性，與光譜特征結(jié)合可以獲得分類精度高、噪聲小的分類結(jié)果，豐度特征有助于解決混合像元問題，提升分類精度。因此，本文選取光譜、紋理、豐度3種特征變量參與分類。

光譜特征變量包括光譜波段變量(C、B、G、R、NIR、SWIR1、SWIR2)和光譜指數(shù)變量(NDVI、MNDWI)，其中NDVI有利于植被提取，MNDWI有助于水體提取。

紋理特征變量基于灰度共生矩陣(grey-level co-occurrence matrix，GLCM)選取，分別計算7個光譜波段變量的同質(zhì)性、均值、方差、二階矩等8種紋理特征[18]，獲得56個紋理特征變量，因其相關(guān)性較高，利用主成分變換(principal components analysis，PCA)數(shù)據(jù)降維，以避免數(shù)據(jù)冗余。為保證紋理特征信息量完整性，以特征值10為閾值選取前8個主成分變量(PC1～PC8)參與影像分類(圖2)。

圖2 主成分分析特征值

除光譜、紋理外，特征變量還包括豐度信息，豐度信息由混合像元分解得到，分別為植被豐度、不透水面豐度和裸土豐度。

3) 隨機(jī)森林分類。隨機(jī)森林分類算法集成了Bagging思想，通過對特征參數(shù)和決策樹數(shù)量的控制，可以解決決策樹固有的過擬合問題，實現(xiàn)針對復(fù)雜數(shù)據(jù)分類的并行和可擴(kuò)展性，對噪聲和異常值有較好容忍性。大量理論和實證研究都證明隨機(jī)森林算法具有較高的預(yù)測準(zhǔn)確率，因而在遙感領(lǐng)域廣泛應(yīng)用。

2.3 面向?qū)ο蠓诸?/h3>

面向?qū)ο蟮姆诸惙椒ň哂泻芎玫目乖胍粜Ч?，可以降低“椒鹽現(xiàn)象”發(fā)生概率，其過程可分為對象分割和分類提取。

手動試錯是面向?qū)ο蠓指畛叨冗x取的常用方法，工作量大，效率低，且因沒有準(zhǔn)確衡量標(biāo)準(zhǔn)，無法保證尺度最優(yōu)。因此，本文利用尋求局部方差變化率(rates of change of LV，ROC-LV)峰值的方法選擇最優(yōu)分割尺度。最終選取21、38、58、74、98這5個尺度參數(shù)進(jìn)行多尺度分割(圖3)，各尺度對應(yīng)分割對象數(shù)量分別為13 992、3 700、1 537、941、563。從分割對象數(shù)量可以看出，分割尺度為21時，對象數(shù)量激增，出現(xiàn)“過分割”現(xiàn)象；分割尺度為98時，對象數(shù)量過少，存在“欠分割”問題。

圖3 尺度尋優(yōu)結(jié)果

分割后，使用隨機(jī)森林分類算法對各尺度分割結(jié)果分類，通過精度驗證獲取最優(yōu)面向?qū)ο蟮姆诸惤Y(jié)果。

2.4 最優(yōu)分類結(jié)果組合

以“在保證地物結(jié)構(gòu)完整度的基礎(chǔ)上實現(xiàn)地物的精細(xì)分類”為原則，從面向?qū)ο蠛突谙袼胤诸惤Y(jié)果提取精度最高的8個類別合并為最終土地利用分類結(jié)果。由于各地物類別邊緣不重合，分類結(jié)果出現(xiàn)了少量無數(shù)據(jù)區(qū),因此，利用原始面向?qū)ο蠛突谙袼卣w精度最高的分類結(jié)果對無數(shù)據(jù)區(qū)進(jìn)行填充。

3 結(jié)果分析

3.1 多端元混合像元分解結(jié)果分析

MESMA 最終解混比例為99.1%，說明本文端元模型組合成功識別絕大部分混合像元，解混效果好。對照遙感影像，提取的植被、裸土、不透水面輪廓清晰，界線分明，如圖4標(biāo)注位置1的不透水面，位置2的裸土及位置3的植被。

圖4 多端元混合像元分解

為驗證MESMA技術(shù)解決混合像元問題的效果，本文對是否包含豐度特征2種情況分類比較。建設(shè)用地邊界是對地物細(xì)節(jié)分類最直觀的反映(見圖5(b)、圖5 (c)，位置對應(yīng)圖4紅框標(biāo)注)，不透水面豐度特征與植被豐度特征的雙重作用(圖4紅框標(biāo)注)對道路、建筑物等建筑用地有較大影響，使其邊界更為清晰精準(zhǔn)，錯分、漏分現(xiàn)象得到顯著改善。

圖5 局部分類結(jié)果比較

3.2 不同分類方法結(jié)果比較分析

由表3可知，隨機(jī)森林算法的分類精度要高于其他常用監(jiān)督分類和機(jī)器學(xué)習(xí)算法，在加入豐度特征后，如圖5所示，隨機(jī)森林分類精度在地物邊界精細(xì)部分小幅提升。由表4可知，分割尺度為58時，精度最高為91.38%，與基于像素結(jié)果相比，分類精度降低0.59%，說明對中等空間分辨率遙感影像，基于像素方法性能略優(yōu)于面向?qū)ο蠓诸惙椒ā?/p>

表3 基于像素分類精度評價

從視覺效果看，如圖6(e)、圖6 (f)，面向?qū)ο蠓诸惤Y(jié)果破碎度明顯降低，形狀一致性較高，噪聲像素減少，解決了基于像素分類方法的“椒鹽現(xiàn)象”。由分類混淆矩陣(表5、表6)可知，混分現(xiàn)象在MESMA+RF結(jié)果各地類間均有發(fā)生，在面向?qū)ο蠼Y(jié)果則集中在沙地和建設(shè)用地，主要因為部分沙地與草地分布交錯，較為破碎，而建設(shè)用地多呈條帶狀分布，這種分布方式會給面向?qū)ο蠓椒ㄔ谥械确直媛视跋襁M(jìn)行對象分割時造成影響，所以會造成沙地與草地、建設(shè)用地與灌木草地間的混分現(xiàn)象。

表4 面向?qū)ο蠓诸惥仍u價

圖6 各尺度面向?qū)ο蠓诸惤Y(jié)果與MESMA+RF分類結(jié)果比較

表5 MESMA+RF分類混淆矩陣 %

表6 分割尺度為58時面向?qū)ο蠓诸惢煜仃?%

通過比較，選取基于像素MESMA+RF分類結(jié)果和分割尺度為58的面向?qū)ο蠼Y(jié)果進(jìn)行組合分類。以本文選取的驗證樣本為基準(zhǔn)，組合分類方法精度達(dá)到97.04%，相對基于像素和面向?qū)ο蠓椒ǚ诸惥确謩e提高4.56%、5.66%。組合方法改善了混分現(xiàn)象(表5、表6、表7)，各地類分類準(zhǔn)確性均得到明顯提高。從視覺效果看，組合方法分類結(jié)果比基于像素分類結(jié)果形狀一致性更好，地物邊界清晰，有效減少“椒鹽現(xiàn)象”(圖7(a)、圖7(b))；組合方法通過集成MESMA的優(yōu)勢，解決了面向?qū)ο蠓椒o法對細(xì)小地物準(zhǔn)確分類的問題，如圖7(c)、圖7(d)所示，細(xì)小河流被準(zhǔn)確識別，輪廓清晰，結(jié)構(gòu)完整。

表7 組合分類方法混淆矩陣 %

圖7 基于像素、面向?qū)ο蠛徒M合方法的分類結(jié)果比較

為進(jìn)一步對本文所提組合分類方法進(jìn)行評估，與文獻(xiàn)[9]的組合分類方法進(jìn)行比較。該方法分別使用基于像素的最大似然法(MLC)和面向?qū)ο蟮臉?biāo)準(zhǔn)最鄰近分類方法(SNN)進(jìn)行土地利用分類，然后提取最優(yōu)分類結(jié)果，對提取的最優(yōu)分類結(jié)果疊加組合，其分類精度評價如表8所示。該組合方法分類精度為92.99%，分類精度低于本文方法。

表8 對比方法分類精度評價

4 結(jié)束語

本文針對傳統(tǒng)組合分類方法因忽視混合像元而導(dǎo)致分類精度低的問題，在融合基于像素和面向?qū)ο蠓诸悆?yōu)勢的基礎(chǔ)上，引入MESMA技術(shù)，提出一種組合分類方法，通過加入豐度特征，解決中等空間分辨率遙感影像分類的混合像元問題，同時基于面向?qū)ο蠓椒ǖ慕M合方式使分類結(jié)果避免了“椒鹽現(xiàn)象”，分類精度更高，地物邊界更清晰，視覺效果更好。與經(jīng)典的分類方法和組合方法進(jìn)行對比實驗，實驗結(jié)果表明，本文的組合分類方法要優(yōu)于單一分類方法和傳統(tǒng)組合分類方法。

本文所提方法屬于基于分類結(jié)果組合方法，因研究時間有限，未對基于分類過程組合方法展開深入研究。分類過程組合方法雖然從對象層面對分類結(jié)果中混合對象進(jìn)行考慮處理，一定程度上可以解決“椒鹽現(xiàn)象”，但通過判斷對象中比例最高類別進(jìn)行賦類的處理方式會對地物邊界進(jìn)行平滑，無法做到地物邊界精細(xì)分類。在今后的研究中，將嘗試在基于分類過程的組合方法中對混合像元解混，提高分類精度。