張煜輝

1武大吉奧信息技術(shù)有限公司，湖北 武漢，430223

衛(wèi)星遙感技術(shù)的發(fā)展增強了土地覆蓋及其更新信息的獲取能力。比如，2015年6月歐空局發(fā)射的哨兵二號能夠以高于60 m的空間分辨率獲取地面目標(biāo)12個光譜波段的信息［1］；同年12月中國發(fā)射的GF-4衛(wèi)星能夠以50 m的空間分辨率每日獲取地面目標(biāo)在可見光近紅外4個光譜波段的信息［2，3］；未來，中國“高分辨率對地觀測系統(tǒng)”重大專項建設(shè)將形成立體的、全方位的對地觀測系統(tǒng)［4］。遙感數(shù)據(jù)對于地物的識別能力，一方面在于盡可能提供關(guān)于目標(biāo)更全面的特征；另一方面，開發(fā)各種分類算法盡可能地提高地物識別精度。光譜特征是遙感技術(shù)識別的地物的基礎(chǔ)，也是很多分類算法發(fā)展的基礎(chǔ)。然而隨著遙感數(shù)據(jù)空間分辨率的提高，“同譜異物、同物異譜”現(xiàn)象影響了地物識別精度，分類結(jié)果往往存在較多離散的孤立點（椒鹽現(xiàn)象）［5］。學(xué)者們考慮同一目標(biāo)物在空間結(jié)構(gòu)上一致性，將空間特征加入地物分類來提高地物識別精度［6，7］；對于植被類型，利用單一時相的影像很難區(qū)分不同的植被類型，利用高時間分辨率遙感影像提取的植被指數(shù)能夠有效識別不同植被的物候特征，從而大大提高了植被識別精度［8，9］。但是，目前具備植被物候監(jiān)測能力的傳感器MODIS其空間分辨率僅為500 m，限制了其土地覆蓋的監(jiān)測能力。關(guān)于地物的特征信息，主要是“光譜+空間”或者“光譜+時間”，前者有相當(dāng)多的工作是針對航空遙感數(shù)據(jù)［10，11］，后者主要是以AVHRR和MODIS這類低空間分辨率影像數(shù)據(jù)的應(yīng)用為代表［12，13］。關(guān)于地物分類算法，其實質(zhì)上是一類特殊的空間數(shù)據(jù)的數(shù)據(jù)處理和模式識別問題，因此，凡是與數(shù)據(jù)處理、模式識別相關(guān)的思想、方法都可以用來服務(wù)于遙感影像數(shù)據(jù)的分類。非監(jiān)督分類算法有：C均值聚類［14］、迭代自組織數(shù)據(jù)分析算法［15］、模糊C均值聚類［16］、自組織映射［17］和人工免疫分類算法［18］等。監(jiān)督分類算法有：k-NN（k-nearest neighbor）、支持向量機（support vector machine，SVM）、隨機森林（random forest，RF）以及多項邏輯回歸（multinomial logistic regression，MLR）等［19］。但是由于光譜信息的高維性和標(biāo)記樣本不足，直接分類的效果并不佳，－般情況下會首先對光譜信息作特征降維［20，21］。半監(jiān)督分類算法，主要針對先驗知識有限的情況下，常用的有：期望最大化（expectation maximization，EM）［22］和隱馬 爾科夫 模型（hidden Markov model，HMM）［23］、直推式支持向量機（transductive SVM，TSVM）［24，25］、基于圖的方法（graph-based methods，GM）［26，27］等?？紤]到分類算法淺層學(xué)習(xí)無法適應(yīng)復(fù)雜自然環(huán)境，深度學(xué)習(xí)用于土地覆蓋分類受到關(guān)注，多用于高空間、高光譜影像分類、目標(biāo)信息提取和變化檢測［28］。總的來說，數(shù)據(jù)的限制使得“空間+時間+光譜”的全特征地物識別研究還較少。

本研究以甘肅省張掖地區(qū)為研究區(qū)，獲取2018年3月—10月間該地區(qū)的晴天GF-4衛(wèi)星數(shù)據(jù)、7月30日的哨兵二號衛(wèi)星數(shù)據(jù)以及該地區(qū)的SRTM DEM數(shù)據(jù)，綜合利用研究區(qū)包括光譜、時間和空間在內(nèi)的13個全特征數(shù)據(jù)開展土地覆蓋分類研究。

1 研究區(qū)和數(shù)據(jù)

1.1 研究區(qū)

研究區(qū)域位于黑河中游，行政區(qū)劃上包括甘州區(qū)和臨澤縣。黑河中游區(qū)域地勢東高西低，南高北低，中部地區(qū)以綠洲為主，夾雜戈壁分布的走廊平原［29］。氣候?qū)贉貛Ц珊荡箨懶詺夂?，年平均氣溫?℃，年降水量76.1～287.5 mm［30］。

根據(jù)GlobeLand30-2010土地覆蓋分類系統(tǒng)［31］，研究區(qū)典型土地類型包括：耕地、森林、水體、人造地表和裸地。各個類型定義如下：（1）耕地。用于種植農(nóng)作物的土地，包括水田、灌溉旱地、雨養(yǎng)旱地、菜地、牧草種植地、大棚用地、果樹及其他經(jīng)濟喬木用地，以及茶園、咖啡園等灌木類經(jīng)濟作物用地；（2）森林。喬木覆蓋且樹冠蓋度超過30%的土地，包括落葉闊葉林、常綠闊葉林、落葉針葉林、常綠針葉林、混交林，以及樹冠蓋度為10%～30%的疏林地；（3）水體。陸地范圍液態(tài)水覆蓋的區(qū)域，包括江河、湖泊、水庫、坑塘等；（4）人造地表。由人工建造活動形成的地表，包括城鎮(zhèn)等各類居民地、工礦、交通設(shè)施等，不包括建設(shè)用地內(nèi)部連片綠地和水體；（5）裸地。植被覆蓋度低于10%的自然覆蓋土地，包括荒漠、沙地、礫石地、裸巖、鹽堿地等。

1.2 衛(wèi)星數(shù)據(jù)

GF-4衛(wèi)星于2015年12月29日發(fā)射，是我國第一顆地球同步軌道遙感衛(wèi)星，搭載一臺可見光近紅外50 m/中波紅外400 m分辨率、大于400 km幅寬的凝視相機。本研究利用了50 m分辨率的可見光近紅外4波段的數(shù)據(jù)；哨兵二號衛(wèi)星于2015年6月23日發(fā)射，搭載的光學(xué)儀器可以獲取地物13個波段的信息，其中，4個波段的分辨率為10 m，6個波段的分辨率為20 m，還有3個波段的分辨率為60 m。本研究利用了10 m和20 m分辨率的10個波段的數(shù)據(jù)。對2017年4月—10月的GF-4衛(wèi)星數(shù)據(jù)進行了瀏覽和選擇，其中，4月和5月拍攝影像很少，且有云覆蓋，最終選擇了2017年6月—10月期間21幅云影響小的影像；哨兵二號衛(wèi)星影像數(shù)據(jù)，受限于衛(wèi)星的時間分辨率和云的影響，同時考慮地物的分辨能力，獲取了2017年7月30日一幅晴天影像；此外，研究還利用了30 m分辨率的SRTM DEM地形數(shù)據(jù)。

1.3 樣本數(shù)據(jù)

2018年5月，本研究開展了實地調(diào)查工作，綜合利用哨兵衛(wèi)星影像、GF-1衛(wèi)星影像、谷歌地球影像和實地調(diào)查，驗證了土地覆蓋類型樣本數(shù)據(jù)的選擇（見表1），保證了樣本的純凈性。

表1 研究區(qū)樣本數(shù)據(jù)Tab.1 Sample Data of Study Area

2 特征選擇

時間特征主要利用GF-4較高的觀測頻率，以歸一化植被指數(shù)（normalized difference vegetation index，NDVI）為基礎(chǔ)進行構(gòu)建；光譜特征和空間特征，利用哨兵-2衛(wèi)星波段多和空間分辨率高的特點進行構(gòu)建；此外，空間特征還利用了數(shù)字高程模型（digital elevation model，DEM）的地形高度信息。本研究總共選取了4個時間特征、3個光譜特征和4個空間特征進行研究區(qū)土地覆蓋分類。

1）時間特征。基于GF-4數(shù)據(jù)構(gòu)建NDVI時間序列提取時間特征。利用21幅GF-4晴天數(shù)據(jù)影像進行輻射校正和正射校正，分別計算相應(yīng)的NDVI?？紤]到NDVI數(shù)據(jù)易受到云和大氣條件的影響而導(dǎo)致在影像中的數(shù)值低于正常值，利用HANTS對得到的NDVI時序數(shù)據(jù)進行重構(gòu)；再利用21幅重構(gòu)后的NDVI時序數(shù)據(jù)計算研究區(qū)NDVI的最大值、最小值、平均值和標(biāo)準(zhǔn)差4個時間特征。

2）光譜特征。光譜特征直觀上體現(xiàn)不同地物在顏色上有較好的區(qū)分。為了有效地利用影像數(shù)據(jù)的光譜特征，在時相上選擇地物差異最大的季節(jié)，因此選擇2017年7月30日的哨兵二號衛(wèi)星影像，將10 m和20 m分辨率的10個波段重采樣為20 m，經(jīng)過主成分分析（principal component analysis，PCA）變換后，選取前3個波段作為地物分類的光譜特征（貢獻＞99%）。此外，考慮到研究區(qū)的土地覆蓋分布特點，特別是裸地同人造地物難以區(qū)別，本研究加入了改進的歸一化水體指數(shù)（normalized difference water index，NDWI）［32］和土壤調(diào)節(jié)植被指數(shù)（soil adjusted vegetation index，SAVI）［33］兩個特征指數(shù)。

3）空間特征。研究利用光譜特征中哨兵衛(wèi)星影像數(shù)據(jù)提取的3個PCA進行紋理特征的提取，在研究區(qū)土地覆蓋類型紋理特征差異的基礎(chǔ)上，選擇第一主成分的均值紋理和第二主成分的均值、對比度紋理作為空間特征。此外，在分類試驗中，發(fā)現(xiàn)居民地和裸地容易混淆，實地調(diào)查中也注意到居民地大部分位于低平地區(qū)，因此引入提供高度信息的SRTM DEM作為空間特征參與分類。

本研究構(gòu)建的空間特征、時間特征和光譜特征如表2所示。

表2 分類特征T ab.2 Classification Feature

3 結(jié)果和討論

考慮到研究區(qū)地表覆蓋的特點，特別是人造地表覆蓋物（比如居民地）同裸地難以區(qū)分，研究利用面向?qū)ο蠓诸愜浖Cognition，以13個特征作為分類輸入，采用最臨近算法進行地物識別。其中，DEM數(shù)據(jù)的處理主要包括重采樣、投影變換和剪裁，最后作為分類波段數(shù)據(jù)，在eCognition中進行分類處理。研究區(qū)土地覆蓋分類結(jié)果如表3所示。

戈壁和綠洲是西北地區(qū)特有的景觀，有河流的地方就孕育了綠洲。由表3可以看出在研究區(qū)有大量的湖泊和濕地分布。同時，豐富的水資源得以承載廣闊的耕地，分類結(jié)果顯示除了有大量的戈壁，耕地仍占了絕大部分。根據(jù)表1采集的驗證樣本，利用混淆矩陣對分類結(jié)果進行了評價，總體分類精度為90.22%，如表4所示。

表3 研究區(qū)土地覆蓋分類統(tǒng)計結(jié)果Tab.3 Statistical Results of Land Cover Classification in Study Area

表4 研究區(qū)土地覆蓋分類精度Tab.4 Accuracy of Land Cover Classification in Study Area

從制圖精度看，森林、水體、草地和裸地表現(xiàn)較好。在水體分類時，研究引入MNDWI（modified NDWI），其對于水體信息的增強和識別效果較好，這也體現(xiàn)在用戶精度中。森林和草地，利用NDVI時間序列提取的特征，能有效體現(xiàn)不同其物候特征。但對于耕地，無論是制圖精度，還是用戶精度都是表現(xiàn)最差，這主要和選擇的分類方法有關(guān)。面向?qū)ο蠓诸愂紫纫罁?jù)參與分類的特征，綜合其光譜和空間特征，獲取圖像對象；然后再對圖像對象進行分類。在研究區(qū)，由于耕地呈大面積地塊，在建立圖像對象過程中，很容易將周邊小面積林地或草地劃分成耕地圖像對象。制圖精度中，濕地表現(xiàn)最差，容易被誤判為耕地。一方面，其面積相較于耕地較小，主要分布于大片耕地之中；另一方面，在過渡區(qū)兩者呈相近的長勢和色調(diào)特征。人造地表和裸地在制圖精度和用戶精度上表現(xiàn)都較好，在分類實驗中，其他非面向?qū)ο蠓诸惙椒▍^(qū)分人造地表和裸地效果較差，一方面，兩者在光譜特征上相近；另一方面，在張掖市區(qū)，有大量土地處于開發(fā)狀態(tài)或空地。利用面向?qū)ο蟮姆诸惙椒?，并加入DEM，明顯地提高了分類效果。

本研究在特征選擇時，綜合考慮了研究區(qū)土地覆蓋和處理的數(shù)據(jù)量，從空間、時間和光譜維度建立分類特征，既能更多地捕捉地物特征，也能有效減小數(shù)據(jù)間的冗余，保證可承受的數(shù)據(jù)處理量。

此外，本研究還將耕地數(shù)據(jù)與美國地質(zhì)勘探局（United States Geological Survey，USGS）生 產(chǎn) 的2015年全球30 m分辨率的耕地數(shù)據(jù)進行了對比（見圖1）。從空間分布上看，兩個數(shù)據(jù)的耕地分布具有較好的一致性。但從面積上看，本研究統(tǒng)計的耕地面積為1 826.55 km2，而USGS統(tǒng)計的耕地面積為1 426.28 km2，造成這種差異的原因為：①USGS數(shù)據(jù)的空間分辨率為30 m，而本研究的為50 m，而且本研究采用了面向?qū)ο蟮姆诸?，對于農(nóng)村地區(qū)，往往將離散的居民地歸為耕地；②張掖地區(qū)由于水資源豐富，一直在不斷地將裸地轉(zhuǎn)化為耕地。因此，這種耕地數(shù)量上的差異是可以接收的。

圖1 研究區(qū)USGS的耕地面積Fig.1 The Cultivated Land Area of USGS in Study Area

4 結(jié)束語

本研究利用GF-4衛(wèi)星和哨兵2號衛(wèi)星數(shù)據(jù)，以張掖地區(qū)為例探討綜合利用光譜、時間和空間的全特征數(shù)據(jù)開展土地覆蓋分類研究。利用面向?qū)ο蠓诸愜浖Cognition，以13個特征作為分類輸入，采用最臨近算法獲取了研究區(qū)土地覆蓋分類，總體分類精度為90.22%。通過與USGS生產(chǎn)的2015年全球30 m分辨率的耕地數(shù)據(jù)對比，表明本研究的土地覆蓋分類具有較好的可信性。借助GF-4衛(wèi)星高時相和高空間分辨率的對地觀測能力，配合哨兵2號衛(wèi)星光譜波段多的特點，能夠提供地物全特征信息，增強了地物的識別能力。但研究中也發(fā)現(xiàn)，作為靜止軌道衛(wèi)星，GF-4并不能夠提供每天的觀測數(shù)據(jù)，一定程度上限制了地物的識別能力；另外，通過和哨兵2號衛(wèi)星的比較，也可以明顯看到GF-4衛(wèi)星在空間分辨率上的差距，影響了地物的識別能力?？偟膩碚f，本研究對于后續(xù)高分系列衛(wèi)星的綜合應(yīng)用提供了重要的參考價值。