靖娟利，劉 兵，徐 勇*，竇世卿，馬炳鑫，和彩霞

(1.桂林理工大學測繪地理信息學院，桂林 541004；2.廣西空間信息與測繪重點實驗室，桂林 541004)

隨著WorldView系列、高分系列、Geoeye系列等高分辨率衛(wèi)星的發(fā)射成功，基于高分影像的對地觀測精細研究已成為熱門趨勢[1]。其更加豐富的空間細節(jié)信息大大提高了對地小尺度觀測研究的精度。目前基于高分影像的分類過程基本可以做到從像元至面向對象的高精度的分類方式[2-3]，但由于部分地物信息和光譜信息的相似性，且受光照等外界條件的影響，高分影像的分類精度也會隨之降低。變化檢測作為土地利用檢測的關鍵技術，其目的是從同一區(qū)域不同時期的遙感影像中檢測出變化的區(qū)域及類型[4]，基于高分影像的變化檢測對于基礎地圖更新、土地情況監(jiān)測等方面都具有重要意義。因此，提高高分影像分類精度并利用多時相遙感影像獲取地表變化信息的變化檢測已成為遙感領域的研究熱點之一[5]。

目前，常用的遙感影像變化檢測方法有兩類：一是分類后比較，即先進行地物分類，然后比較前后時相的類別差異進行變化檢測[6-9]；二是直接比較法，即基于對象的變化矢量分析法[10-13]。這兩種方法對比研究表明，直接比較法檢測過程中需要通過降維來處理高維數據，進而會影響到變化區(qū)域的定位和變化類型的確定[14-15]；而分類后比較的方法可以較為精準地識別出變化類型以及較為隱蔽的變化信息，且原理簡單、易于理解，但存在誤差累計造成的變化檢測精度不高問題，依賴于分類精度[16-18]。

在遙感影像的分類方法中，較為直接的分類方法有監(jiān)督分類、非監(jiān)督分類、半監(jiān)督分類等[19-20]；在此基礎上，衍生出許多分類算法，主要包含支持向量機(support vector machines,SVM)分類、決策樹(decision tree,DT)分類、隨機森林(random forest,RF)分類、面向對象分類以及基于語義建模等[21-23]。然而，由于遙感影像中不同地物在一定條件下會出現大量的同譜異物問題，這使得傳統分類方法的精度受到了嚴重的影響，在高植被覆蓋率地區(qū)遙感影像進行植被分類時，同譜異物和同物異譜現象更是嚴重影響分類精度的主要因素[24-25]?；诙鄬忧梆伔聪騻鞑?back propagation,BP)神經網絡的識別算法為解決這一問題提供了很大的可能性，它具有很強自主學習能力以及非線性映射能力，且容錯能力較高，但其泛化能力不高，影響預測精度[26-27]。因此，為了解決同譜異物等問題，通過融合不同的指數信息的分類方式來探究高分影像分類精度的影響因素以及對于高植被覆蓋地區(qū)的融合指數選取。

基于以上研究分析，選取分類后檢測方法，以桂林市臨桂區(qū)六塘鎮(zhèn)為研究區(qū)，利用WorldView-2以及高景一號 01/02 衛(wèi)星數據，采用融合光譜和紋理特征、植被指數以及水體指數的BP神經網絡方法進行遙感影像的分類，提高遙感影像分類及變化檢測的精度。

1 研究區(qū)及數據

1.1 研究區(qū)概況

研究區(qū)位于廣西壯族自治區(qū)桂林市臨桂區(qū)六塘鎮(zhèn)(24°56′17″N～25°02′07″N、110°10′49″E～110°20′02″E)，面積為108 km2，東北接桂林市雁山區(qū)，東南連陽朔縣，南鄰南邊山鎮(zhèn)，西界永?？h，北依會仙鎮(zhèn)，為植被覆蓋率較高的地區(qū)，地形地貌以丘陵平原為主。行政區(qū)劃圖如圖1所示。

1.2 數據及預處理

1.2.1 數據概述

選用臨桂區(qū)2017年與2020年兩期遙感影像，其中2017年遙感影像采用美國Digitalglobe公司提供于2009年10月6日發(fā)射的WorldView-2衛(wèi)星，其空間分辨率為0.5 m，且擁有較多的光譜信息，與普通多光譜數據相比多了4個多光譜波段，豐富了地物光譜特征；2020年的影像采用發(fā)射于2016年12月28日的高景一號01/02衛(wèi)星，其全色分辨率0.5 m，多光譜分辨率2 m。數字高程模型(digital elevation model，DEM)數據來源也需要在這里介紹。

1.2.2 數據預處理

由于所用兩景影像來源不同，拍攝時間和角度不同，使得同種地物在兩影像上的輻射信息會有一定差異，受地物陰影和遮擋的影響，兩景影像的幾何配準也會存在一定誤差。因此基于ENVI(the environment for visualizing images)平臺，首先采用分辨率為30 m的先進星載熱發(fā)射和反射輻射儀全球數字高程模型(advanced spaceborne thermal emission and reflection radiometer global digital elevation model，ASTER GDEM)數據對進行影像的正射校正，隨后進行FLAASH(fast line-of-sight atmospheric analysis of spectral hypercubes)大氣校正來消除大氣散射的輻射誤差，為了減少原始影像對變化檢測結果產生的影響，利用Image Registration Workflow進行圖像的幾何配準，隨后采用NNDiffuse Pan Sharpening融合算法，對原始影像進行波段融合預處理，該算法采用最小二乘法來進行模擬原始全色影像數據與融合后多光譜數據之間的灰度值關系，所得結果顏色失真較小，紋理特征清晰，光譜信息也得到了很好的保留，有利于信息的提取，融合結果如圖2所示。

圖2 NNDiffuse波段融合前后分辨率對比Fig.2 Comparison of resolution before and after band sharpening

2 多特征融合的BP神經網絡分類及變化檢測

2.1 特征提取與構建

以波段融合后的遙感影像為基礎，考慮研究區(qū)地處山脈環(huán)繞的旅游勝地，植被覆蓋率較高，水體分布較為復雜的特點，選取2017年與2020年兩幅影像的光譜特征、紋理特征，并結合研究區(qū)的植被指數和水體指數，參與構建初始特征數據集，建立4種特征融合方案，如表1所示。研究區(qū)植被覆蓋率較高，光譜特征中紅外和近紅外波段是植物敏感波段，植被指數能反映植物的生長狀況，水體指數被用來反應田地中池塘以及河流變化情況。

表1 特征數據集融合方案Table 1 Schemes for feature data merge

2.2 BP神經網絡分類

BP神經網絡是由神經元模型、閾值、激活函數等通過互相連接組成的自適應非線性動態(tài)網絡系統。設有k組p維數據，n個神經元的任意多層網絡,對于輸出層神經元,，輸入信號參數從輸入層輸入經隱藏層處理，由輸出層輸出信號完成前向傳播，當輸出信號不能滿足輸出要求則轉向誤差逆向傳播[28-29]，其訓練步驟如下。

步驟1進行網絡初始化，其次輸出輸入層神經元，表達式為

(1)

式(1)中：Hj為輸入層輸入神經元；Wij為節(jié)點i和節(jié)點j之間的權值；aj為隱含層閾值；Xi為輸入信號。

步驟2進行輸出層，輸入神經元，可表示為

(2)

式(2)中：Ok為輸出層輸入神經元；bk為輸出層閾值。

步驟3計算誤差，當達到輸出要求時即結束訓練，總誤差可表示為

(3)

式(3)中：E為計算總誤差。

若不滿足上述條件，則更新網絡結構閾值和權值，不斷修正權值和閾值，直到滿足期望輸出要求。

2.3 分類精度驗證方法

為了驗證研究區(qū)兩個時期土地利用分類的準確性，選取一定數量的訓練樣本對分類結果進行精度驗證，按照5∶2的比例將數據分為訓練樣本與驗證樣本。試驗區(qū)內包括300個訓練樣本與120個驗證樣本，包括6個變化地類與未變化地類。表2為精度驗證樣本采集數量統計表，基于多特征融合的BP神經網絡的遙感影像分類中，每個樣本用多個特征組成的多維特征向量進行描述。

表2 樣本采集數量統計Table 2 Statistics of the number of samples collected

3 實驗結果與分析

為了驗證BP神經網絡分類方法的有效性及精度，基于WorldView-2以及高景一號 01/02 衛(wèi)星數據，采用融合光譜和紋理特征、植被指數以及水體指數的BP神經網絡方法，進行4種方案的遙感影像分類結果的對比實驗，并選取最優(yōu)結果用于桂林市臨桂區(qū)土地利用類型變化檢測。

3.1 多特征融合的BP神經網絡分類結果及精度驗證

3.1.1 參數調優(yōu)

在分類之前應當輸入訓練貢獻閾值，來調節(jié)內部權重的變化，但權重設置過大會對分類結果產生不良影響，因此，以2017年WorldView-2遙感影像為例，將權重分別設置為0.2、0.5、0.7、0.9來對影像進行土地利用分類，并對分類結果進行評價，得到的精度以及Kappa系數如圖3所示，當權重為0.9時分類精度達到最高，將權重調節(jié)速度設置為0.2，可以減小分類結果擺動以及不收斂的現象；本實驗的迭代次數為1 000次，由于當均方根(root mean square，RMS)誤差訓練過小時數據會停止迭代，為了可以完整地進行數據迭代，將RMS誤差的閾值設為0.1。

圖3 權重的大小對分類結果的影響Fig.3 The effect of weight on classification results

3.1.2 分類結果

圖4為4種方案所得的研究區(qū)2020年遙感影像分類結果及局部放大示意圖。可以看出，方案1和方案2分類結果中的地物比較破碎，“椒鹽”問題也較為突出，且分類效果不連續(xù)，尤其是林地和耕地混淆比較嚴重，這主要是由于遙感影像中普遍存在著“同物異譜”和“同譜異物”現象,且林地與耕地紋理信息較為接近，又難以區(qū)分水體與建筑的光譜信息，使得單純依靠光譜和紋理特征的遙感影像分類方法存在一定的局限性；方案3中結合了植被指數，分類結果較有效地解決了耕地與林地錯分的問題，且分類結果破碎的問題也有所改善，但仍存在建筑與水體錯分的現象。方案4中結合了NDWI，有效解決了建筑與水體混淆的問題。

圖4 2020年土地利用分類結果局部放大圖Fig.4 Land use classification results partially enlarged view in 2020

表3為2017年與2020年4種方案分類精度評價表，可以看出，4種分類方案的總體精度均高于90%，且Kappa系數均大于0.8，分類結果較為理想。其中，方案1總體精度為92.67%，Kappa系數為0.899 1；分類過程中逐步融入紋理特征、植被指數和水體指數，分類總體精度呈上升趨勢；方案4總體精度最高，達到92.92%，Kappa系數達到0.902 8，因此，將選取融合光譜、紋理特征、植被指數和水體指數的BP神經網絡方法來進行研究區(qū)土地利用分類及變化檢測。

表3 不同方案分類精度評價Table 3 Classification accuracy evaluation of different schemes

3.2 變化檢測分析

基于融合多特征的BP神經網絡分類方法得到的臨桂區(qū)2017年和2020年兩期土地利用分類結果，利用ENVI平臺的Thematic Change Workflow工具對分類結果進行比較，為了去除噪聲和合并小斑塊，將檢測中平滑核設置為3，最小聚類值設置為9，最終得到混淆矩陣，并統計兩幅影像變化情況，其結果如圖5所示，可以看出，相較于2017年，2020年水體范圍有所擴大，建筑物面積也有所提升。根據所得變化檢測結果(圖5)，計算2017年和2020年兩期不同土地覆蓋類型占比情況，統計結果如表4所示。結合表4與圖5可以看出，研究區(qū)林地面積占比由2017年的34.96%增加到47.64%，成為2020年占比最大的土地利用類型；其次是耕地，相較于2017年，耕地面積有所減少，降幅為16.21%；水體由于地勢遷移等原因有所擴增，增加了0.91%，而建筑物占比有了小幅度的提高，得益于城市政策，道路也有所擴建。

圖5 桂林市臨桂區(qū)2017年、2020年土地利用類型變化圖及局部放大圖Fig.5 Land use type change map and partial enlarged map of Lingui District,Guilin City in 2017 and 2020

表4 2017、2020年土地利用類型變化統計Table 4 Statistic of land use type changes in 2017 and 2020

由土地利用類型變化檢測所得結果可以看出，臨桂區(qū)土地利用類型整體變化較大，且以耕地和林地為主。根據所得變化檢測結果，運用ArcMap10.6平臺進行林地以及耕地轉換來源統計，結果如表5所示?？梢钥闯?，耕地大部分來源于林地，占比59.94%，少部分來自裸地，占比24.98%，其余占比不足20%；林地絕大部分來源于耕地，占比81.89%，少部分來源于裸地，占比12.6 3%，極少部分來源于其他土地類型。因此，除林地與耕地的相互轉換外，裸地也是它們面積增加的主要來源于。

表5 林地、耕地來源統計Table 5 Statistics of sources of forest land and cultivated land

4 結論

針對遙感影像中存在的同譜異物和同物異譜的現象，以及高植被覆蓋地區(qū)不同植被類型紋理特征較為接近的問題，將高分辨率遙感影像中的光譜特征與紋理特征、植被指數以及水體指數特征相融合，并引入BP神經網絡的分類方法，實現了基于多特征融合的BP神經網絡的臨桂區(qū)土地利用類型分類及變化檢測，并得出以下結論。

(1)融合紋理、光譜、植被指數以及水體指數特征的第4種方案的土地利用類型分類方法明顯優(yōu)于融合其他光譜特征的分類結果其總體精度為92.92%，Kappa系數0.902 8，均高于其余3種方案。

(2)在結合遙感影像紋理以及光譜信息的基礎上，融合影像的植被指數可以有效地解決耕地與林地的錯分問題，減少了兩者分類后的“椒鹽”現象；融合影像的水體指數有利于區(qū)分水體和建筑這類光譜信息較為接近的土地利用類型，一定程度上解決了水體錯分的現象。

(3)2020年桂林市臨桂區(qū)土地利用變化類型相較于2017年整體變化較大，且以耕地以及林地為主，林地面積占比由34.96%增加到47.64%，成為2020年占比最大的土地利用類型，耕地面積有所減少，降幅為16.21%。

(4)研究使用的方法適用于植被覆蓋率較高、且人類活動較為密集的經濟發(fā)展區(qū)。該方法優(yōu)于傳統的影像代數法和僅使用對象光譜特征的基于影像分類的變化檢測方法，能得到更為可靠的分類及變化檢測結果。