王雪娜

（廣州市番禺城市規(guī)劃設(shè)計(jì)院，廣東 廣州511400）

地物精細(xì)化遙感信息提取是高空間分辨率遙感數(shù)據(jù)應(yīng)用的主要研究熱點(diǎn)之一。法國(guó)發(fā)射的SPOT系列衛(wèi)星，一直以來都是國(guó)際上最重要的遙感數(shù)據(jù)源，其高效的觀測(cè)能力和較高的數(shù)據(jù)質(zhì)量，已經(jīng)在自然環(huán)境、農(nóng)林等領(lǐng)域有了較多的應(yīng)用。SPOT6衛(wèi)星影像作為SPOT系列最高質(zhì)量的衛(wèi)星數(shù)據(jù)，自發(fā)射以來一直受到廣泛關(guān)注。當(dāng)前針對(duì)SPOT6衛(wèi)星數(shù)據(jù)的研究方向主要是數(shù)據(jù)融合方法及對(duì)比[1]，數(shù)據(jù)影像參數(shù)對(duì)比[2]等方面，也在建筑物提取研究[3]、濕地地物反演[3]等方面做了探索，但目前較少有關(guān)注利用SPOT6衛(wèi)星數(shù)據(jù)獲取土地利用精細(xì)化分類領(lǐng)域。本文選擇廣東省東莞市西部的SPOT6衛(wèi)星影像，采用隨機(jī)森林分類模型對(duì)土地利用進(jìn)行精細(xì)分類研究，并與最近鄰分類法結(jié)果進(jìn)行對(duì)比分析，為高空間分辨率遙感衛(wèi)星數(shù)據(jù)地物分類研究提供參考。

1 研究方法

1.1 研究區(qū)域

本文研究區(qū)域位于廣東省東莞市西部，該區(qū)域包括林地、農(nóng)田、河流、魚塘、道路、農(nóng)村居民地、工業(yè)用地等地物類型。總體來說地物類型多且環(huán)境復(fù)雜，作為研究區(qū)域具有較強(qiáng)代表性。

1.2 研究數(shù)據(jù)

SPOT6衛(wèi)星于2012年9月成功發(fā)射，是法國(guó)的一顆高分辨率對(duì)地觀測(cè)遙感衛(wèi)星。SPOT6衛(wèi)星全色影像地面分辨率為1.5m，多光譜影像的地面分辨率是6m，具有4個(gè)可見光/近紅外波段。SPOT6衛(wèi)星影像的參數(shù)，如表1所示。從第一顆SPOT衛(wèi)星開始，SPOT衛(wèi)星在區(qū)域生態(tài)環(huán)境、地質(zhì)礦產(chǎn)、農(nóng)業(yè)與林業(yè)、環(huán)境保護(hù)、災(zāi)害監(jiān)測(cè)、測(cè)繪制圖、城市規(guī)劃和國(guó)防等領(lǐng)域具有較高的應(yīng)用價(jià)值和普及率[4]。本文使用的SPOT數(shù)據(jù)成像于2013年11月。

表1 SPOT6衛(wèi)星影像數(shù)據(jù)參數(shù)[4]

1.3 研究方法

本文所用分類系統(tǒng)和技術(shù)路線，如表2和圖1所示。

圖1 技術(shù)路線圖

表2 本文所用分類系統(tǒng)

1.3.1 數(shù)據(jù)預(yù)處理

SPOT6的數(shù)據(jù)預(yù)處理主要是數(shù)據(jù)融合，可以綜合全色數(shù)據(jù)空間分辨率高和多光譜數(shù)據(jù)光譜特征豐富的優(yōu)勢(shì)。本文利用了ENVI軟件中的Gram-Schmidt融合算法進(jìn)行數(shù)據(jù)融合。

1.3.2 面向?qū)ο蠖喑叨确指?/p>

影像分割是將一幅影像劃分為若干相對(duì)同質(zhì)的子對(duì)象的過程，是面向?qū)ο筮b感分類的基礎(chǔ)，分割效果對(duì)分類精度影響很大[5]。多尺度分割是在整幅圖像與全部像元之間構(gòu)建多級(jí)空間尺度對(duì)象，構(gòu)成影像對(duì)象的網(wǎng)絡(luò)層次關(guān)系。本文根據(jù)多次交互式分割試驗(yàn)，確定了最適宜本研究的分割參數(shù)為：分割尺度50，形狀指數(shù)0.3，緊密度指數(shù)0.4，色彩指數(shù)0.7，光滑指數(shù)0.6。

1.3.3 最近鄰法

最近鄰法是面向?qū)ο筮b感分類中最常用的一種監(jiān)督分類方法。最近鄰方法直觀、簡(jiǎn)單、易于實(shí)現(xiàn)，通過計(jì)算待分類樣本對(duì)象和每個(gè)訓(xùn)練樣本對(duì)象的距離選出k個(gè)最近鄰樣本，將待分類樣本對(duì)象分到k個(gè)最近鄰樣本對(duì)象中大多數(shù)樣本所屬的類別[6]。

1.3.4 隨機(jī)森林分類模型

隨機(jī)森林分類模型是2001年由Leo Breiman和Cutlery Adele提出的一種分類回歸樹的數(shù)據(jù)挖掘方法，是一種組合式的自學(xué)習(xí)技術(shù)。隨機(jī)森林以決策樹（Decision Tree）作為基分類器（Basic Classifier），采用簡(jiǎn)單多數(shù)投票法（針對(duì)分類）或單棵樹輸出結(jié)果的簡(jiǎn)單平均（針對(duì)回歸）得到模型的最終輸出。對(duì)于每棵樹，它們使用的訓(xùn)練集是應(yīng)用bootstrap方法從總的訓(xùn)練集中有放回采樣，每次未被抽到的樣本組成了袋外數(shù)據(jù)（Out-Of-Bag，OOB），這些袋外數(shù)據(jù)可用于估量變量因子的重要性。在森林建立過程中實(shí)現(xiàn)了對(duì)常規(guī)誤差進(jìn)行無偏估計(jì)，所以在隨機(jī)森林中沒有必要進(jìn)行交叉驗(yàn)證或采用獨(dú)立數(shù)據(jù)建立誤差無偏估計(jì)，同時(shí)可以避免過度估計(jì)[7]。

1.3.5 分類對(duì)比與精度評(píng)定

為了對(duì)比分類結(jié)果的質(zhì)量，本文選用了面向?qū)ο蠓诸惙椒ㄖ凶罱彿诸惙椒ㄗ鳛閷?duì)比。面向?qū)ο蟮淖罱彿诸愐彩且环N監(jiān)督分類方法，首先將遙感影像分割為若干影像對(duì)象，根據(jù)野外調(diào)查和相關(guān)先驗(yàn)知識(shí)，構(gòu)建訓(xùn)練對(duì)象（已知分類類別的對(duì)象），在所有影像對(duì)象的n維特征屬性空間中，計(jì)算待分類的樣本對(duì)象與訓(xùn)練對(duì)象的歐氏距離，將其劃分到距離最小的訓(xùn)練對(duì)象所屬的類別當(dāng)中[8]。

本文選用總體分類精度和Kappa系數(shù)兩個(gè)精度評(píng)定指標(biāo)評(píng)價(jià)和對(duì)比最近鄰分類方法與隨機(jī)森林分類結(jié)果。

2 結(jié)果分析

本文應(yīng)用于面向?qū)ο蠓诸愔械奶卣髯兞?，除了融合?shù)據(jù)的光譜特征外，還包括了植被指數(shù)（NDVI）和紋理特征等。根據(jù)野外調(diào)查獲取的各個(gè)地物類型的訓(xùn)練樣本，計(jì)算其在分類特征變量中的信息值，然后作為輸入信息加入到隨機(jī)森林模型中，執(zhí)行分類過程，得到分類結(jié)果，并利用驗(yàn)證演變作為參考，對(duì)分類結(jié)果的精度進(jìn)行評(píng)價(jià)分析。

為了對(duì)比本文采用的隨機(jī)森林分類效果優(yōu)劣，本文將相同的訓(xùn)練樣本和驗(yàn)證樣本，用于面向?qū)ο蟮淖罱彿诸惙椒ㄖ?，并將兩者分類的精度指?biāo)進(jìn)行對(duì)比分析（見表3）。從表3中可以看出，隨機(jī)森林模型方法得到的分類結(jié)果，在分類的總體精度和Kappa系數(shù)兩個(gè)指標(biāo)上均優(yōu)于面向?qū)ο蟮淖罱彿椒ā?/p>

表3 不同分類方法精度對(duì)比

圖2 是本文利用隨機(jī)森林模型得到的精細(xì)化地物分類結(jié)果。從圖中可以看出利用面向?qū)ο蠓诸惙椒ǖ玫降姆诸惤Y(jié)果避免了基于像元分類方法中的“椒鹽現(xiàn)象”，分類結(jié)果從目視效果上提升很多，去除了大量的噪聲像元的影響。對(duì)本文的分類結(jié)果而言，10類地物的精細(xì)化分類的結(jié)果比較好，線性地物的水體、河流等結(jié)構(gòu)和形狀合理，農(nóng)田、農(nóng)村居民地等分類的精度也較高。

圖2

3 結(jié)束語

本文基于SPOT6衛(wèi)星影像數(shù)據(jù)，采用隨機(jī)森林模型方法對(duì)廣東省東莞市西部地區(qū)進(jìn)行土地利用精細(xì)分類與對(duì)比研究。實(shí)驗(yàn)結(jié)果表明：（1）SPOT6數(shù)據(jù)適用于利用面向?qū)ο蠓诸惙椒ㄟM(jìn)行的土地利用精細(xì)化分類研究，所得分類結(jié)果目視效果好；（2）隨機(jī)森林模型的分類結(jié)果優(yōu)于最近鄰方法，分類精度提升了7%，Kappa系數(shù)提升了0.06。在今后的研究可以深入探討更多分類特征對(duì)分類帶來的影響，以獲得更高精度的分類結(jié)果。