趙青芬董雯凱

（1.江西省國土空間調(diào)查規(guī)劃研究院，江西 南昌 330009；2.江西省測繪地理信息工程技術(shù)研究中心，江西 南昌 330009；3.江西省自然資源測繪與監(jiān)測院，江西 南昌 330000）

0.引言

地理國情是指陸地表面自然環(huán)境和人文地理要素的空間分布及其相互關(guān)系，是我國國情信息的重要組成部分[1]。每年的地理國情普查工作是一項具有重大意義的國情國力普查調(diào)查，是全面獲取地表覆蓋情況信息的重要手段，也是掌握地表自然、人文、生態(tài)以及人類活動情況的基本工作，更是全方位掌握我國國情信息的重要手段與信息來源[2，3]。每年的國情普查工作內(nèi)容主要包括地形、植被、耕地、水域、建筑、荒漠與裸露地等要素，主要調(diào)查各要素的類別、位置、范圍、面積以及人文地理要素的基本情況，主要有與人類活動密切相關(guān)的交通網(wǎng)絡(luò)、居民地與設(shè)施、地理單元等的類別、位置、范圍等，通過大范圍調(diào)查與繪圖，掌握各要素的空間分布及現(xiàn)狀變更[4]。地理國情要素普查中有較容易的耕地普查工作，也有較難的地貌變更普查，本研究針對較難普查的城區(qū)樹冠要素，進行基于遙感手段的普查方法研究。傳統(tǒng)的城區(qū)樹冠要素提取主要采用外業(yè)人工排查、內(nèi)業(yè)人工目視勾畫等方法進行樹冠信息提取、調(diào)繪、修改、存檔等步驟。整個工作流程中，樹冠信息初步排查就占據(jù)了大部分人力物力的投入，費時費力，加之作業(yè)員的經(jīng)驗和熟練程度差異，導致遺漏和同類要素分類有差別[5]。但城區(qū)樹冠要素提取作為地理國情普查工作中的工作重點，一直以來都投入大量精力進行提取[6]。

遙感技術(shù)是一門新興的技術(shù)，始于20世紀60年代，是根據(jù)遠距離目標接收或發(fā)射電磁波的信息，根據(jù)電磁波理論，進行信息收集、處理，并最后形成衛(wèi)星影像，從而對地面各地物進行探測和識別的一種綜合技術(shù)。遙感技術(shù)是一種遠距離、非接觸的探測技術(shù)，具有重訪周期短、覆蓋范圍廣、現(xiàn)勢性強、數(shù)據(jù)獲取與處理簡便等優(yōu)勢，為地表信息精準獲取提供了強有力的手段[7]。遙感手段中的分類，是一種快捷、高效的方法，通過衛(wèi)星拍攝的影像，結(jié)合地面樣本集，輸入到分類器中，可快速獲取大范圍內(nèi)的地表覆蓋要素分布及變化情況。基于此情況，本研究采用遙感分類手段嘗試進行城區(qū)樹冠要素的自動識別與提取，以此達到高效率、零遺漏、高精度的目的。本研究采用國產(chǎn)高分辨率衛(wèi)星影像作為數(shù)據(jù)源，采用優(yōu)化特征后的聚類分析進行全要素識別，然后采用重分類方法進行城區(qū)樹冠遙感提取[8，9]，以此得到城區(qū)樹冠的高精度成果。

1.數(shù)據(jù)及原理

1.1 數(shù)據(jù)介紹

國產(chǎn)高分辨率衛(wèi)星影像高分二號（GF2）于2014年8月19日成功發(fā)射，是我國自主研制的首顆空間分辨率優(yōu)于1米的民用光學遙感衛(wèi)星。GF2衛(wèi)星牽頭主用戶為自然資源部，其他用戶包括住房和城鄉(xiāng)建設(shè)部、交通運輸部、國家林業(yè)和草原局等。衛(wèi)星搭載有兩臺高分辨率1米全色、4米多光譜相機實現(xiàn)拼幅成像。GF2衛(wèi)星作為我國首顆分辨率達到亞米級的寬幅民用遙感衛(wèi)星，其在設(shè)計上具有諸多創(chuàng)新特點，突破了亞米級、大幅寬成像技術(shù)。GF2星下點空間分辨率可達0.8米，標志著我國遙感衛(wèi)星進入了亞米級“高分時代”，成像效果如圖1所示。

1.2 原理方法

圖1 GF2影像局部效果圖

本研究采用的技術(shù)手段主要為非監(jiān)督分類中的聚類分析。非監(jiān)督分類是在不采集外業(yè)樣本的情況下，根據(jù)像元的特征進行臨近像元歸類，將其中相似度在一定范圍內(nèi)的像元歸為一類。目前常用且精度較高的非監(jiān)督分類算法主要有最鄰近試探法、ISODATA算法、K均值聚類算法等，其中K均值聚類算法在地物精細化分類識別中具有較好的適用性，無論是精度或者識別邊界，均具有相對較好的優(yōu)勢。

聚類分析是以不同地物在影像上的各種特征差別為依據(jù)的一種無先驗知識的圖像分類。根據(jù)待分類樣本特征參數(shù)的統(tǒng)計特征，建立決策規(guī)則來進行分類。常用的算法以K均值聚類居多，K均值聚類算法是一種迭代求解的聚類分析算法，首先將數(shù)據(jù)分為K組，隨機選取K個對象作為初始的聚類中心，然后計算每個對象與各個種子聚類中心之間的距離，把每個對象分配給距離它最近的聚類中心。聚類中心以及分配給它們的對象就代表一個聚類。每分配一個樣本，聚類的聚類中心會根據(jù)聚類中現(xiàn)有的對象來重新計算。這個過程將不斷重復直到滿足某個終止條件。終止條件可以是沒有（或最小數(shù)目）對象被重新分配給不同的聚類，沒有（或最小數(shù)目）聚類中心再發(fā)生變化，誤差平方和局部最小。

本研究在聚類分析的基礎(chǔ)上，通過優(yōu)化指數(shù)特征來達到提升分類精度的目的，其中比較豐富的指數(shù)特征為歸一化植被指數(shù)NDVI、歸一化水體指數(shù)NDWI。這兩個指數(shù)是用遙感影像的特定波段進行歸一化差值處理，以凸顯影像中的植被、水體等信息。兩種指數(shù)的計算原理分別如式（1）、式（2）所示：

式中，NIR為近紅外波段；R為紅光波段；G為綠光波段。

目前已建立的光譜庫中所有的喬木植被光譜反射率，如圖2所示，喬木植被在近紅外、紅、綠波段三個波段具有較明顯的吸收與反射特征。本研究選取的NDVI、NDWI兩種指數(shù)，可較好地利用上述三個波段，通過線性插值計算，可將植被與水體的特征差異與其他地類更好地區(qū)分開來，以此保證后續(xù)的識別精度。

1.3 技術(shù)路線

圖2不同植被光譜波段反射示意圖

本研究選取GF2影像作為研究數(shù)據(jù)源，首先對影像進行平差、正射、融合等預處理，然后對影像進行指數(shù)計算，并疊加到影像波段中作為一個特征集，將光譜波段與指數(shù)波段帶入K均值聚類算法中進行影像自動解譯。算法中的類別設(shè)為默認，進行多次聚類迭代分析，可得到最適合影像像元特征的類別數(shù)。對分類的初步成果，確定樹冠類別，然后對分類成果進行重分類，消除多余類別，如同一地物錯分成多類；并合并相似類，如城區(qū)水體與河流水體；最終得到分類成果。具體技術(shù)路線如圖3所示。

圖3技術(shù)路線

2.結(jié)果分析

2.1 聚類分析

K均值聚類，需要進行類別數(shù)量人工確定，即首選給算法一個類別數(shù)目，然后算法會進行聚類分析，并最終輸出人為設(shè)置的類別數(shù)目。此情況中人為主觀性對分類精度有影響。本研究首先進行多批次人工數(shù)目類別劃分，并分析精度，最終試驗得出最優(yōu)的地類類別數(shù)。不同類別數(shù)目與總體精度如表1所示。由表1可知：當設(shè)置地類數(shù)目為4時，精度最低；當設(shè)置地類數(shù)目為6時，精度最高，總體精度達到了87.5%。因此本研究開展的K均值聚類分析，人工設(shè)置的數(shù)目為6類，6大類整體可劃分出全部的地類類別，且對分類算法產(chǎn)生的誤導最小。

表1類別數(shù)目與精度對比

采用ENVI軟件，對GF2影像進行聚類分析，分類結(jié)果如圖4所示。整體來說，該方法將具有相似特征的地物圖斑歸為一類，整體上避免了人工采集的樣本在分類中的影響；分類成果中的耕地、道路、林地、水體、建筑等地類均具有較好的識別。圖中的農(nóng)村居民地，種植較多樹木，且株高均超過房頂，在影像上呈現(xiàn)郁閉狀態(tài)，通過聚類分析方法，較好地識別出了居民地的樹冠信息，且邊界吻合度較好，與相鄰的耕地未混淆。

圖4聚類分析效果圖

2.2 優(yōu)化聚類分析

本研究在聚類分析的基礎(chǔ)上，進行了指數(shù)計算，如歸一化植被指數(shù)NDVI、歸一化水體指數(shù)NDWI等，這些指數(shù)對植被、水體等均具有一定的特征放大作用。本研究將這些指數(shù)作為一個聚類因子添加到聚類分析的分類體系中，以此達到提升分類精度，降低分類誤差的目的。通過研究試驗，分類得出的成果優(yōu)于直接進行聚類分析的成果，優(yōu)化后的聚類分析成果如圖5所示。通過豐富指數(shù)特征，較好地避免了灌草的影響，尤其是零星分布的雜草撂荒地區(qū)，在優(yōu)化后的分類成果中與樹冠信息未混淆成一類，圖5中藍色圖斑，在優(yōu)化后成果中明顯看出剔除了范圍內(nèi)的細小圖斑的混淆。

圖5優(yōu)化聚類成果效果圖

對優(yōu)化后的聚類成果進行局部展開如圖6所示。圖6中為城區(qū)綠化地帶，且種植多為連片樹木，通過優(yōu)化后的聚類分析方法提取的成果中，樹冠信息被較完整地提取了出來，且圖中的細小圖斑以及道路兩旁的混合像元，也較好地剔除出去，整體上大大提高了識別精度。

圖6優(yōu)化聚類成果局部效果圖

對聚類分析的成果，進行按類別矢量導出，對導出的類別進行人工目視分析，區(qū)分出樹冠要素成果，然后采用重分類方法，將樹冠成果作為一類、其他類別成果作為一類，帶入軟件中進行標識與再分類，得到樹冠成果。本研究在提取的成果之上，采用銳化功能，針對樹冠提取成果邊緣鋸齒狀問題進行消除與整理，得到平滑邊緣的成果，以ArcGIS軟件進行處理，鋸齒狀基本得到消除，邊緣平滑，且樹冠提取精度整體提升，最終的成果不僅符合實際情況，在圖件中也具有一定的美觀性。最終的結(jié)果如圖7所示。整體來說，樹冠都達到較準確地識別提取，無論是建筑中間呈條帶分布的樹冠，或是單獨的樹冠，均有較好地識別。圖7a為城區(qū)中的無序種植的樹木，有成片分布的，有單獨種植的；而圖7b為有序種植的樹木，樹木多呈條帶分布，有序地排列在建筑前后，且具有較高的郁閉度。對于這兩種樹木種植分布情況，本研究采用的優(yōu)化后的聚類分析遙感分類手段均較好地識別出了樹冠信息。

圖7重分類結(jié)果圖

2.3 效率分析

本研究采用的優(yōu)化指數(shù)特征的聚類分析遙感分類手段提取的城區(qū)樹冠信息，具有高效、便捷等優(yōu)勢，無論是遙感初分類還是重分類，整體效率較人工勾畫效率都高得多。對兩種方法提取樹冠信息的效率進行對比如表2所示。以一個區(qū)縣為例：單人勾畫城區(qū)樹冠信息需7到10天完成，而遙感手段樹冠提取及后處理相同工作量的地區(qū)樹冠信息僅需要30分鐘；且遙感提取的樹冠信息精度符合國情普查精度，人工勾畫手段容易出現(xiàn)遺漏，需要反復檢查與修改。

表2效率分析

3.結(jié)束語

本研究基于國情監(jiān)測中的樹冠信息提取工作存在的問題，采用通過優(yōu)化特征的遙感聚類分析分類方法，結(jié)合高分辨率衛(wèi)星影像GF2進行遙感提取研究，以達到減少樹冠要素提取工作中的人力物力投入、提高提取效率的目的。通過研究試驗，得出以下結(jié)論：

基于GF2影像的優(yōu)化特征后的遙感聚類分析方法可以較好地提取出樹冠面積，且精度優(yōu)于傳統(tǒng)的聚類分析方法。

采用重分類的方法對遙感提取成果進行處理，可消除遙感提取的樹冠成果邊界較瑣碎的問題，且成果符合國情監(jiān)測工作要求。

基于遙感手段的城區(qū)樹冠提取整體效率較人工提取效率高，且不存在遺漏現(xiàn)象，為以后的國情普查工作提供了高效便捷的手段。

本研究雖然在城區(qū)樹冠要素提取工作中取得了較好的成果，但仍存在一定的問題。首先，本研究選用的影像為GF2亞米級衛(wèi)星影像，該影像重訪周期較長，多為半年重訪一次，不能較快地獲取同一地區(qū)的重訪影像，而其他高分影像均為2米的分辨率，在樹冠提取中應(yīng)用效果較差；其次，本研究選用的遙感手段為非監(jiān)督分類，雖然操作便捷，且成果獲取較快，但對于復雜地區(qū)會存在一定的局限性，該方法在山地地區(qū)的推廣性有待進一步研究；最后，本文雖然采用遙感手段提升了要素提取的效率，但未采用目前研究較多的深度學習方法，該方法可進行自動化識別與優(yōu)化。今后的研究工作將積極解決以上問題。