吳志鋒,鄭宇恒,李雙琴,孫 嘯,張 濤,沈 忱,鄒 妍

（1.中國(guó)石油天然氣股份有限公司西南管道分公司，成都 610037）

高光譜遙感可以反映豐富的地表信息，在地物識(shí)別方面具有其他數(shù)據(jù)不可取代的優(yōu)勢(shì)。地物識(shí)別涵蓋了區(qū)域土地利用分析、植被屬性劃分、水體資源監(jiān)測(cè)、自然資源檢測(cè)等諸多領(lǐng)域，地物的分類(lèi)精度對(duì)于信息提取會(huì)造成很大差別。目前徐元進(jìn)[1]等通過(guò)獲取光譜整體形態(tài)的最大偏移量，使用窮舉法做了基于整體形態(tài)和偏移范圍內(nèi)局部吸收谷位置的識(shí)別；胡蕾[1]等提出一種基于光譜特征和紋理特征結(jié)合的方法對(duì)數(shù)據(jù)分塊處理，減小了數(shù)據(jù)的噪聲；李祚泳[3]提出用物元可拓集理論構(gòu)造不同地類(lèi)的標(biāo)準(zhǔn)物元矩陣和節(jié)域物元矩陣，計(jì)算對(duì)象與各類(lèi)地物的關(guān)聯(lián)度，根據(jù)關(guān)聯(lián)度大小判斷地物類(lèi)別。面向?qū)ο蠓诸?lèi)法克服了高分?jǐn)?shù)據(jù)基于傳統(tǒng)分類(lèi)的缺陷，不僅可充分利用各種知識(shí)提取規(guī)則作為依據(jù)，而且可以把數(shù)據(jù)分割和分類(lèi)融合，提高地物識(shí)別劃分的精度和速度[4]。基于此，通過(guò)eCognition平臺(tái)進(jìn)行晴隆輸油管廊沿線的地物識(shí)別普查，面向?qū)ο蟮姆诸?lèi)方法可以建立數(shù)據(jù)分割分類(lèi)結(jié)構(gòu)，充分利用數(shù)據(jù)的空間結(jié)構(gòu)進(jìn)行地物識(shí)別，研究表明面向?qū)ο蟮姆诸?lèi)結(jié)果較傳統(tǒng)方法更具優(yōu)勢(shì)。

1 面向?qū)ο蟮男畔⑻崛》椒?/h2>

1.1 研究區(qū)及數(shù)據(jù)源

貴州省晴隆縣位于貴州省西南部、黔西南布依族苗族自治州東北角，地處云貴高原中段，周邊有石油運(yùn)輸管廊穿過(guò)。全縣總面積1 327.3 km2，晴隆多年平均降水量為1 380 mm，總集水面積1 325 km2，境內(nèi)河流、溪溝較多，是省內(nèi)降水較多的地區(qū)。

本文選用2018-10-31的GF-2影像為數(shù)據(jù)源，該多光譜數(shù)據(jù)具有4個(gè)標(biāo)準(zhǔn)的波段信息，數(shù)據(jù)分辨率為4 m，此外包括一個(gè)分辨率為1 m的全色波段。

1.2 最佳分割尺度

高分辨率影像的空間結(jié)構(gòu)信息和地理信息豐富，地物提取需要在不同的尺度下選取最佳尺度，基于像素光譜特征信息的地物提取同單一尺度數(shù)據(jù)信息提取法均存在很多問(wèn)題，難以避免同物異譜、異物同譜等現(xiàn)象，增大了混分現(xiàn)象，多尺度分割可以在一定程度上避免此現(xiàn)象[5-6]。選取晴隆區(qū)域GF-2影像的4個(gè)波段參與影像分割，即4個(gè)波段權(quán)重值均設(shè)置為1，試用不同分割尺度，對(duì)比如圖1。

圖1 研究區(qū)GF-2影像部分區(qū)域不同尺度的分割結(jié)果

由圖1看出，不同的分割參數(shù)下得到的分割結(jié)果各不相同，分割尺度的選取在之后的分析處理中起關(guān)鍵作用。

分割尺度為30時(shí)，區(qū)域?qū)ο髷?shù)量密集繁多破碎度高，相同地物被分解為數(shù)個(gè)碎片，道路分割較為破碎，其中包括多處線性地物，地物間的邊界較為明顯；分割尺度為50時(shí)，一些區(qū)域被合并，分割數(shù)量有一定減少，但數(shù)據(jù)質(zhì)量依然較低，建設(shè)用地還是較為破碎，植被區(qū)域分割也不完整；分割尺度為100時(shí)，信息較之前更完整，建設(shè)用地分割較之前好，但大范圍植被劃分仍較為破碎，對(duì)整體構(gòu)成影響；分割尺度為150時(shí)，地物整體較好，不同區(qū)域地物的光譜紋理特征表現(xiàn)清晰，建設(shè)用地和植被的界線明顯，除了小范圍區(qū)域劃分過(guò)度，整體能提取出地物；分割尺度為200時(shí)，各地物清晰，光譜和幾何特征明顯，分割較完整，線狀面狀地物劃分準(zhǔn)確，能較好的提取出各種地物利用類(lèi)型；分割尺度為250時(shí)，區(qū)域劃分較大，分割數(shù)量減少，陰影與部分建設(shè)用地和植被存在混分，影響整體劃分。通過(guò)對(duì)比可知，當(dāng)分割尺度為200時(shí)可較好地滿足區(qū)域的需求。

2 面向?qū)ο蟮母叻钟跋駭?shù)據(jù)特征

eCognition可用于地物信息提取，通過(guò)機(jī)器學(xué)習(xí)技術(shù)對(duì)數(shù)據(jù)分析處理，充分利用對(duì)象及相關(guān)的信息對(duì)地物特征劃分，如幾何、光譜、紋理等信息關(guān)系提取影像的不同特征，從而得到需要的信息[7-8]。分類(lèi)方法可分為人工分類(lèi)、基于樣本的監(jiān)督分類(lèi)、基于知識(shí)的模糊分類(lèi)。通過(guò)對(duì)不同地物特征的分析提取高分影像中信息豐富的地物，避免了傳統(tǒng)以單元像素作為地物識(shí)別的基本對(duì)象對(duì)數(shù)據(jù)進(jìn)行分類(lèi)，減少錯(cuò)分概率。

2.1 幾何特征

數(shù)據(jù)幾何特征可以量化為經(jīng)過(guò)矢量化后的各點(diǎn)坐標(biāo)組成的協(xié)方差矩陣，如式1。

式中，X、Y為對(duì)象的所有像元坐標(biāo)組合成的矢量；Var(X)，Var(Y)為數(shù)據(jù)的方差；Cov(XY)是X，Y的協(xié)方差；設(shè)eig1，eig2分別是矩陣的2個(gè)特征值，且eig1＞eig2。影像的幾何特征參數(shù)可表示為表1。

表1 影像幾何特征參數(shù)

2.2 光譜特征

水體的光譜表現(xiàn)為暗黑色，與其他地物相差較大，可以通過(guò)NDWI歸一化水體指數(shù)進(jìn)行提取。NDWI表 示 為：ρ(Green)]，通過(guò)對(duì)區(qū)域訓(xùn)練樣本的統(tǒng)計(jì)可知，水體的NDWI值通常大于0.05，非水體區(qū)域顯示為負(fù)值。

不同地物的NDVI歸一化植被指數(shù)差別較大，植被指數(shù)是近紅外波段與紅光波段之間的代數(shù)表達(dá)式[9]，表示為區(qū)域地物的NDVI范圍如表2所示。

表2 地物NDVI取值

另外，地物光譜特征還包括均值、亮度、標(biāo)準(zhǔn)差、貢獻(xiàn)率等，部分光譜特征參數(shù)描述如表3所示。

表3 影像光譜特征參數(shù)

2.3 紋理特征

紋理是灰度在空間中變化的反映，可獨(dú)立于顏色表現(xiàn)地物的同質(zhì)性。目前，地物灰度共生矩陣是公認(rèn)可以表現(xiàn)圖像灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息的有效方法[10-11]。

紋理特征可區(qū)分光譜信息相似的地物，針對(duì)建設(shè)用地、裸地等光譜信息存在重合的土地利用類(lèi)型，紋理信息可以作為重要的參數(shù)，建設(shè)用地的紋理分布規(guī)則細(xì)膩，區(qū)域集中；而裸地的紋理不規(guī)則，邊界不清晰。

3 研究過(guò)程

3.1 面向?qū)ο蟮男畔⑻崛?/h3>

針對(duì)研究區(qū)域采用最臨近分類(lèi)方法對(duì)區(qū)域數(shù)據(jù)進(jìn)行分類(lèi)，具體信息提取步驟如下：

1）建立分類(lèi)系統(tǒng)。為提高區(qū)域內(nèi)地類(lèi)提取的準(zhǔn)確性，須將研究區(qū)域遙感影像的典型地類(lèi)特征對(duì)比分析，根據(jù)研究區(qū)域的地物光譜特征，將影像劃分為水體、建設(shè)用地、植被、裸地、其他，各地物類(lèi)別在影像中的標(biāo)志和含義如表4所示。

表4 區(qū)域土地利用信息解譯標(biāo)志及含義

2）選擇樣本建立分類(lèi)規(guī)則。為了能準(zhǔn)確地找到各地物的典型特征，在選擇特征時(shí)要從多個(gè)角度判斷。但特征的質(zhì)量不與數(shù)量成正比，數(shù)量的增加會(huì)降低分類(lèi)的效率和準(zhǔn)確度，非主要地物特征相反會(huì)影響關(guān)鍵特征的作用，從而影響分類(lèi)精度[12]。①結(jié)合影像的幾何、光譜、紋理等因素，可以建立不同層次間地物屬性類(lèi)別分類(lèi)體系；②父類(lèi)的特征描述在層次間對(duì)應(yīng)的子類(lèi)中傳承，并結(jié)合自身獨(dú)一無(wú)二的特征進(jìn)行分類(lèi)，提高分類(lèi)質(zhì)量和效率；③影像均值、亮度以及標(biāo)準(zhǔn)差等光譜信息與長(zhǎng)寬比、面積、紋理等形狀信息主要應(yīng)用于隸屬度函數(shù)；在選用最臨近法時(shí)，特征空間的定義可以用數(shù)據(jù)均值、亮度、比率等特征變量，區(qū)域樣本選擇如圖2所示。

圖2 區(qū)域樣本選擇

3）最終的分類(lèi)結(jié)果如圖3所示，以達(dá)到最后具體的目標(biāo)。

圖3 GF-2數(shù)據(jù)面向?qū)ο蟮牡匚锓诸?lèi)

3.2 基于GBDT算法的分類(lèi)原理及實(shí)現(xiàn)

3.2.1 sigmoid函數(shù)

sigmoid函數(shù)即Logistic函數(shù)，用于隱層神經(jīng)元輸出，可以將一個(gè)實(shí)數(shù)映射到區(qū)間（0，1）做二分類(lèi)。在特征相差比較復(fù)雜或是相差不是特別大時(shí)，效果比

即sigmoid函數(shù)的值域是（0，1），導(dǎo)數(shù)為y×(1-y)，

3.2.2 GBDT決策及分類(lèi)實(shí)現(xiàn)

GBDT的分類(lèi)訓(xùn)練過(guò)程可以表示為圖4，GBDT通過(guò)多輪迭代，每輪產(chǎn)生一個(gè)弱分類(lèi)器，每個(gè)分類(lèi)器在上一輪分類(lèi)器的殘差基礎(chǔ)上進(jìn)行訓(xùn)練，要求是低方差和高偏差，樣本訓(xùn)練的過(guò)程是通過(guò)降低偏差來(lái)不斷提高分類(lèi)器的最終精度，最終的總分類(lèi)器是每輪訓(xùn)練得到的弱分類(lèi)器加權(quán)求和的結(jié)果。

圖4 GBDT分類(lèi)訓(xùn)練過(guò)程

根據(jù)GBDT決策可知，假設(shè)要做m輪預(yù)測(cè)，預(yù)測(cè)函數(shù)為Fm，初始常量或每一輪的回歸樹(shù)為fm，輸入變量為X，有：

F范圍在（-∞-+∞），而二分類(lèi)問(wèn)題要求預(yù)測(cè)的函數(shù)值在（0-1），所以可用sigmoid函數(shù)將最終預(yù)測(cè)值的值域控制在（0，1），函數(shù)表達(dá)式如下：

GBDT分類(lèi)包括導(dǎo)入回歸樹(shù)、創(chuàng)建GradientBoostingBase類(lèi)、計(jì)算初始預(yù)測(cè)值、匹配葉節(jié)點(diǎn)、獲取葉節(jié)點(diǎn)、劃分區(qū)域、計(jì)算預(yù)測(cè)值、更新預(yù)測(cè)值、計(jì)算殘差、模型訓(xùn)練、預(yù)測(cè)一個(gè)樣本、預(yù)測(cè)多個(gè)樣本。

在Gradient Boosting中，每一次的計(jì)算是為了減少之前的殘差，可以在殘差減少的梯度方向上建立新的模型消除殘差。每個(gè)新模型的建立是為了使之前模型的殘差往梯度方向減少。

圖5 基于GBDT分類(lèi)結(jié)果

3.3 最大似然分類(lèi)法

傳統(tǒng)的基于像元的分類(lèi)方法與面向?qū)ο蟮姆诸?lèi)進(jìn)行對(duì)比分析存在很大的差別，本文選取了最大似然法進(jìn)行地物的分類(lèi)對(duì)比研究，具體過(guò)程如下：

1）訓(xùn)練樣本的選取與優(yōu)化。樣本的選取需要先將非本類(lèi)別的對(duì)象排除在外，然后選擇研究區(qū)地物訓(xùn)練的代表樣本，保證樣本的純度[13-14]。樣本選取結(jié)果的評(píng)價(jià)可通過(guò)J-M距離作為判別指標(biāo)，其具體情況是依據(jù)對(duì)樣本類(lèi)別間的統(tǒng)計(jì)距離對(duì)各樣本組合計(jì)算，J-M取值在0～2之間，具體標(biāo)準(zhǔn)如表5所示。

表5 樣本選取的評(píng)價(jià)標(biāo)準(zhǔn)

表6為地物間的實(shí)際J-M距離劃分：

表6 樣本分類(lèi)J-M距離評(píng)價(jià)

2）最大似然法進(jìn)行地物分類(lèi)提取?；谏鲜?類(lèi)地物進(jìn)行樣本選擇后，進(jìn)行基于樣本的最大似然分類(lèi)，并將結(jié)果進(jìn)行分類(lèi)后處理，獲得該方法最佳的分類(lèi)效果，最終結(jié)果如圖6和表7所示。

圖6 最大似然分類(lèi)結(jié)果

表7 地物分類(lèi)結(jié)果統(tǒng)計(jì)

3.4 精度評(píng)價(jià)

面向?qū)ο笮畔⒌奶崛〗Y(jié)果都會(huì)存在一定的誤差，有必要進(jìn)行精度驗(yàn)證，以檢驗(yàn)地物提取的有效性和可行性，同時(shí)進(jìn)行精度評(píng)價(jià)可使分類(lèi)結(jié)果更符合現(xiàn)實(shí)，研究選取精度評(píng)價(jià)中基于樣本的誤差矩陣，通過(guò)Kappa系數(shù)評(píng)價(jià)分類(lèi)結(jié)果（如表8～10）。

表8 面向?qū)ο蠓诸?lèi)的混淆矩陣

1）面向?qū)ο蠓诸?lèi)精度評(píng)價(jià)。

2）監(jiān)督分類(lèi)的精度評(píng)價(jià)

表9 監(jiān)督分類(lèi)的分類(lèi)混淆矩陣

3）基于GBDT算法的分類(lèi)評(píng)價(jià)。

表10 基于GBDT分類(lèi)的混淆矩陣

可知面向?qū)ο蟮男畔⑻崛【雀哂趥鹘y(tǒng)的基于像元的分類(lèi)，適用于在高分辨率影像中，可提高地物識(shí)別的準(zhǔn)確性。

4 區(qū)域結(jié)果分析及結(jié)論

高分辨率遙感圖像給地物分類(lèi)識(shí)別提供了有力的幾何特征、光譜特征、紋理特征，目前主要側(cè)重地物信息的光譜特征，而對(duì)紋理和幾何的應(yīng)用稍顯不足，本文石油管道沿線地物普查實(shí)現(xiàn)了對(duì)遙感影像不同地物信息的類(lèi)別提取，結(jié)合數(shù)據(jù)的多種特征信息進(jìn)行地物劃分，減少了數(shù)據(jù)的錯(cuò)分及噪聲現(xiàn)象。

此處基于多尺度分割面向?qū)ο蟮姆诸?lèi)與傳統(tǒng)的基于像元的分類(lèi)和基于GBDT的分類(lèi)方法相比，可以獲得更準(zhǔn)確的結(jié)果，確定更準(zhǔn)確的范圍，有效提高工作效率。