摘" 要：掌握城市生態(tài)用地結構變化對保護生態(tài)用地、建設新型城市具有重要意義。該文選取畢節(jié)七星關城區(qū)為研究區(qū)，以2016年、2021年的GF-2遙感影像為數(shù)據(jù)源，通過監(jiān)督分類、非監(jiān)督分類以及面向對象分類方法進行生態(tài)用地遙感監(jiān)測及變化分析。研究結果表明，面向對象的分類方法能夠更好地實現(xiàn)對高分影像分類，其中，監(jiān)督分類中最大似然法分類結果的總體精度為80.47%，非監(jiān)督分類中ISODATA分類結果的總體精度為65.56%，而面向對象的分類方法總體精度可達到91.82%；面向對象的分類方法結合了光譜特征、形狀特征、紋理特征以及對象之間的拓撲信息，當分割尺度為20時可以將影像對象很好地分割，解譯結果更精準，分類效果更好；2016—2021年間，七星關區(qū)生態(tài)用地范圍持續(xù)減小，共減少面積19.32 km2。其中生態(tài)用地轉化為建設用地的面積為17.78 km2，占比92.03%；生態(tài)用地轉化為道路的面積為1.54 km2，占比7.97%。

關鍵詞：高分二號；城市生態(tài)用地；面向對象分類方法；監(jiān)督分類；非監(jiān)督分類

中圖分類號：P237 文獻標志碼：A" " " " " 文章編號：2095-2945（2023）16-0079-05

Abstract： It is of great significance to master the structural change of urban ecological land for protecting ecological land and building a new city. This paper selects Qixingguan urban area of Bijie City as the study area， takes the GF-2 remote sensing images of 2016 and 2021 as the data source， and carries on the remote sensing monitoring and change analysis of ecological land through supervised classification， unsupervised classification and object-oriented classification. The results show that， the object-oriented classification method can better achieve the classification of high-score images， in which the overall accuracy of the maximum likelihood classification results in supervised classification is 80.47%， the overall accuracy of ISODATA classification results in unsupervised classification is 65.56%， and the overall accuracy of object-oriented classification method can reach 91.82%. The object-oriented classification method combines spectral features， shape features， texture features and topological information between objects. When the segmentation scale is 20， the image object can be segmented well， the interpretation result is more accurate， and the classification effect is better. From 2016 to 2021， the scope of ecological land in Qixingguan District continued to decrease， with a total reduction area of 19.32 km2. Among them， the area of ecological land converted into construction land is 17.78 km2， accounting for 92.03%; and the area of ecological land converted into roads is 1.54 km2， accounting for 7.97%.

Keywords： GF-2; urban ecological land; object-oriented classification; supervised classification; unsupervised classification

城市生態(tài)用地作為一種土地利用方式是城市復合生態(tài)系統(tǒng)的重要組成部分[1]，在維持生態(tài)平衡、保障生態(tài)安全、應對全球氣候變化中具有特殊地位[2]。然而，隨著城市化進程的加速，城市生態(tài)用地大量被占用，對城市的生態(tài)環(huán)境造成了一定的損害。

隨著遙感技術的發(fā)展，基于遙感的城市用地及生態(tài)環(huán)境研究逐漸成為熱點。在遙感影像分類研究中，Baatz等[3]針對高空間分辨率遙感影像提出了面向對象的遙感信息分類方法；Shackelford等[4]指出面向對象分類方法比較適合于城市或城郊區(qū)域分類；王建如等[5]提出了一種高空間分辨率遙感數(shù)據(jù)最優(yōu)分割結果確定方法；黃邵東等[6]使用面向對象的分類方法對研究區(qū)茶園進行提取；范瑩琳等[7]提出了一種基于多特征的面向對象分類方法；劉凌露等[8]在遙感影像分類中明確了分割精度及分類規(guī)則集，便于進行城市生態(tài)用地監(jiān)測；孟晉杰等[9]建立相應的規(guī)則集以提取遙感影像中生態(tài)用地信息；劉蕓等[10]根據(jù)NDVI特征、光譜特征、紋理特征及形狀特征提取信息，認為面向對象分類方法分類質(zhì)量達到了很好的水平；馬飛虎等[11]在不同層次進行最優(yōu)尺度地物分割，認為多尺度多層次分割分類的總體分類精度更高；胡金梅等[12]對影像進行分割，綜合利用SVM和隨機森林分類算法以實現(xiàn)土地利用分類。

本研究基于前人研究成果，擬探索適用于高分二號（GF-2）影像數(shù)據(jù)的生態(tài)用地分類方法，以期為國產(chǎn)GF-2衛(wèi)星監(jiān)測城市生態(tài)用地提供參考。

1" 研究區(qū)概況及衛(wèi)星影像預處理

1.1" 研究區(qū)概況

本文選取位于典型喀斯特山區(qū)的畢節(jié)市七星關區(qū)為研究區(qū)域。七星關區(qū)是畢節(jié)市的政治、經(jīng)濟、文化中心，是交通運輸物流中心，位于貴州省西北部。西接赫章縣，東部與金沙縣相連，南鄰納雍縣。東西長105 km，南北寬80 km，總面積3 412.2 km2。該區(qū)地形西高東低，地勢由西南向東北傾斜，境內(nèi)喀斯特地貌發(fā)育良好。

1.2" 數(shù)據(jù)源

本文數(shù)據(jù)源主要有：①遙感影像數(shù)據(jù)，本研究遙感影像數(shù)據(jù)分別為2016年8月24日、2021年3月31日成像的GF-2影像，包括紅、綠、藍和近紅外4個波段；②矢量數(shù)據(jù)，主要包括畢節(jié)市中心城區(qū)。

GF-2衛(wèi)星2014年8月19日發(fā)射成功，其星下點全色波段空間分辨率可達0.8 m，標志著我國遙感衛(wèi)星進入了亞米級“高分時代”[13]。GF-2配備了2個1 m全色、4 m多波段高分辨率攝像機，具有空間分辨率高、定位精度高、快速姿態(tài)機動能力等特點。

1.3" 數(shù)據(jù)預處理

1.3.1" 正射校正

正射校正可以消除由于衛(wèi)星相機傾斜、地形起伏及地物所引起的圖像畸變[14]。正射校正通常是在圖像上選擇一定的地面控制點，然后利用DEM資料，對圖像進行傾斜修正和投影誤差修正，使圖像重新取樣為正射圖像。本文選擇PIE-Basic 6.3平臺上“正射校正”工具，基于GF-2自帶的RPC文件進行正射校正。

1.3.2" 圖像配準

圖像配準是圖像融合的基礎，也是圖像預處理中的基本環(huán)節(jié)之一。本文使用PIE-Basic 6.3中“影像配準”工具，以全色數(shù)據(jù)作為基準影像對多光譜數(shù)據(jù)進行配準，為下一步圖像融合奠定基礎。

1.3.3" 圖像融合

利用空間分辨率較低的多譜影像或高光譜資料與高空間分辨率全色波段影像進行再取樣，生成高分辨率的多光譜影像，稱為影像融合。本文使用PIE-Basic 6.3平臺中的Pansharp融合方法對GF-2影像進行融合處理。

1.3.4" 圖像裁剪

由于本研究區(qū)同時覆蓋兩幅影像，所以在裁剪之前，需要將兩幅影像鑲嵌，將鑲嵌后的影像進行裁剪。圖像裁剪是為了減少后期數(shù)據(jù)的處理量，裁剪分為規(guī)則裁剪與不規(guī)則裁剪，本文借助PIE-Basic 6.3平臺“圖像裁剪”工具，使用畢節(jié)市中心城區(qū)矢量圖進行裁剪，得到研究區(qū)影像。

2" 基于像元的城市生態(tài)用地遙感分類

2.1" 監(jiān)督分類

監(jiān)督分類又稱訓練場法，它是一種以統(tǒng)計為基礎的遙感分類法[14]。蘇志強[15]發(fā)現(xiàn)最大似然法能夠最大化地發(fā)揮GF-2影像在土地利用分類中的潛力，且其分類精度較高，因此，本文選用最大似然法將預處理好的影像進行監(jiān)督分類。

最大似然分類（Maximum Likelihood Classification）的原理是求出每一個像元對于各類別的歸屬概率，把該像元劃分到歸屬概率最大的類別中去[14]。七星關區(qū)土地用地類型復雜，包括綠地、水體、裸地、建設用地、道路，本研究選取GF-2影像光譜特征參數(shù)見表1。

本文使用PIE-Basic 6.3平臺中的“最大似然分類”模塊進行監(jiān)督分類，最終得到了畢節(jié)市七星關城區(qū)土地利用現(xiàn)狀的監(jiān)督分類圖，如圖1所示。

2.2" 非監(jiān)督分類

非監(jiān)督分類通常使用迭代自組織數(shù)據(jù)分析（ISODATA）和K均值聚類算法[14]。胡文敏等[16]發(fā)現(xiàn)ISODATA分類方法精度較高，故本文使用ISODATA分類方法進行非監(jiān)督分類。為了保證分類精度，增加了迭代次數(shù)為10，并將高分影像分為15類，得到七星關區(qū)非監(jiān)督分類結果如圖2所示。

2.3" 面向對象分類

面向對象的分類方法不同于傳統(tǒng)的分類方法，其分類流程主要包括影像分割和分類兩步。影像分割的目的是為了將具有相同性質(zhì)的影像劃分在一起，從而提取目標地物的光譜、紋理、幾何等特征，以適應解譯精度的要求。

2.3.1" 影像分割

影像分割是面向對象的基礎和關鍵，影像分割方法分為兩大類，一種是自上而下的知識驅動方法，一種是自下而上的數(shù)據(jù)驅動方法[17]。在多次實驗的基礎上，結合影像對象的特點，選擇適合于本地區(qū)圖像的分割尺度。結果表明，分割尺度為20對不同類型的地物邊界具有良好的識別效果，分割時影像各波段權重比例設為（1，1，1，3），緊實度為0.5，形狀參數(shù)設為0.2。

2.3.2" 分類方法規(guī)則集

經(jīng)過多次實驗，本文提出的規(guī)則集主要是光譜均值和圖像亮度，形狀的規(guī)則即長寬比（length/width）；地形的規(guī)則包括DEM等。根據(jù)上述的特征值，在結合規(guī)則集進行分類時，選用通過多次試驗分類精度較高的最鄰近分類法。

在進行最鄰近分類法分類后，發(fā)現(xiàn)明顯錯誤和由于兩種地物光譜特征極為相似所帶來的錯分較多，本研究利用易康（eCognition）的人工編輯模塊進行手動修改。修改完成后，為了提高影像分類的完整性，還需要使用eCognition中的Merge選項對被分割的影像進行合并。影像合并完成后發(fā)現(xiàn)小圖斑較多，因此進行小圖斑處理，最后將分類處理好的影像以raster格式輸出，即輸出柵格文件，得到如圖3所示分類結果。

2.4" 分類結果及精度評價

在分類結果精度評價中，選擇156個樣本，計算分類結果的總體精度和Kappa系數(shù)（表2）。其中，監(jiān)督分類的最大似然法總體精度為80.47%，Kappa指數(shù)分別為0.714 7。經(jīng)分析可知，裸露土地與建設用地、道路等都很難分辨，其主要原因在于建筑用地的影子與道路的光譜特性十分相近，導致道路與建設用地之間的差異很大，監(jiān)督分類對綠地和水體的分類效果較好。非監(jiān)督分類ISODATA分類算法總體精度為65.56%，Kappa系數(shù)為0.506 9。經(jīng)分析可知，非監(jiān)督分類中建設用地、裸地以及道路難以區(qū)分，裸地與道路的分類精度不超過50%，因此，非監(jiān)督分類不適合高分影像。面向對象分類的總體分類精度和Kappa系數(shù)分別為91.82%和0.890 0。綜上所述，面向對象的分類方法分類精度最高，因此，本文選擇面向對象分類方法對研究區(qū)兩期影像進行解譯，以進行城市生態(tài)用地變化監(jiān)測。

3" 基于GF-2的城市生態(tài)用地變化分析

3.1" 遙感影像解譯結果

本研究對2016年研究區(qū)GF-2影像進行面向對象的生態(tài)用地監(jiān)測，分割尺度設置為20，各波段權重比率（1，1，1，1）、緊密性0.5，形狀參數(shù)0.2，根據(jù)上述規(guī)則，對圖像進行嚴格的分類，確保了一定的分類準確性，分類結果如圖4所示。

通過分析圖3、圖4可以看出，城區(qū)植被分布較多，呈現(xiàn)較大的片狀區(qū)域分布，與各種地類交叉分布，建設用地呈大面積條帶狀分布于城市中心，水體邊界較為明顯，主要呈條狀穿插在建設用地中，道路多呈網(wǎng)格狀分布，裸地較少，呈點狀分布于建設用地邊緣。在分類過程中，發(fā)現(xiàn)建筑陰影與水體的光譜特征極其類似，對分類結果存在一定的影響，但影響不大，并且經(jīng)過人工校正后錯分現(xiàn)象得到極大改善。

3.2" 城市生態(tài)用地變化分析

結合2016年和2021年七星關區(qū)土地利用分類圖進行分析，統(tǒng)計各種地類的用地面積得到七星關地區(qū)土地面積的變化情況，如表3和圖5所示。

經(jīng)分析可知：①研究區(qū)植被明顯減少，七星關區(qū)的植被用地從76.33 km2降為58.91 km2。其中，16.10 km2變化為建設用地，占總變化量的92.42%，0.90 km2變化為道路，占比5.17%。②建設用地面積增加，建設用地由17.89 km2上升為36.25 km2，增加幅度為18.32%。③水體少量減少，水體由2016年的1.66 km2下降為1.63 km2，下降幅度為0.03%。其中，0.02 km2變化為建設用地，占比66.67%，0.01 km2變化為道路，占比33.33%。④裸地略有減少，2016年裸地面積為2.85 km2，而到2021年下降為0.98 km2，下降幅度為1.86%。其中，1.66 km2變化為建設用地，占比88.77%。0.19 km2變化為道路，占比10.16%。⑤道路略微增加，2016—2021年來由于交通主干道的修建，道路面積從原來的1.52 km2增加為2.49 km2，增加幅度為0.96%。

4" 結論與討論

本文以位于典型喀斯特山區(qū)的畢節(jié)市七星關城區(qū)為研究區(qū)，以GF-2影像為基礎數(shù)據(jù)，采用監(jiān)督分類中最大似然分類法、非監(jiān)督分類中ISODATA分類法和面向對象分類對其土地利用進行分類，提出了適合于城市生態(tài)用地的分類準則，并將其應用于城市生態(tài)用地監(jiān)測。通過研究，主要獲得以下結論。

1）面向對象的分類方法對影像分類結果的精度評價最高。傳統(tǒng)的分類方法具有一定的局限性，其中監(jiān)督分類中最大似然法分類結果的總體精度為80.47%，非監(jiān)督分類中ISODATA法分類結果的總體精度為65.56%，而面向對象的最鄰近分類方法總體精度可以達到91.82%。

2）在進行面向對象的多尺度分割時，分別嘗試了尺度為80、50、20，最終發(fā)現(xiàn)，尺度為80時，可以明顯區(qū)分大面積湖泊，而河道則不能區(qū)分；尺度為50時，可以明顯區(qū)分較大面積的地物類型；只有在尺度為20時，才可以將各種面積較小的地物進行區(qū)分。因此，在進行面向對象分析時，分割尺度為20時分類效果最好。

3）通過對七星關區(qū)的生態(tài)用地監(jiān)測，生態(tài)用地范圍持續(xù)減小。其中生態(tài)用地轉化為建設用地的面積為17.78 km2，占比92.03%；生態(tài)用地轉化為道路的面積為1.54 km2，占比7.97%。

通過面向對象的分類方法對七星關區(qū)城市生態(tài)用地進行監(jiān)測，發(fā)現(xiàn)在面向對象分類過程中，由于建筑用地陰影的光譜特征與水體的光譜特征相似，在分類過程中出現(xiàn)錯分現(xiàn)象；由于兩期影像獲取的月份不同，在植被的分類中有所偏差。下一步將通過去除陰影的方法對城市建筑用地的陰影進行去除，在進行面向對象分類時能夠更加準確。

參考文獻：

[1] 彭建，汪安，劉焱序，等.城市生態(tài)用地需求測算研究進展與展望[J].地理學報，2015，70（2）：333-346.

[2] 王芳，楊武年，鄧曉宇，等.高分二號數(shù)據(jù)的城市生態(tài)用地分類方法探[J].測繪科學，2018，43（3）：71-76.

[3] BAATZ M， SCHAPE A. Multiresolution segmentation： An optimization approach for high quality mult-i scale image segmentation[J]. Angewandte Geographische Information sverarbeitung， 2000（12）：12-23.

[4] SHACKELFORD" A K， Davis C H A. Combined" Fuzzy" Pixel-Based" and" Object-Based Approach for Classification of High-Resolution Multispectral Data over Urban Areas[C]//IEEE Transactions on Geoscience and Remote Sensing，2003，41（10）：2354-2363.

[5] 王建如，程結海.一種高空間分辨率遙感數(shù)據(jù)最優(yōu)分割結果自動化確定方法[J].測繪地理信息，2021，46（3）：83-87.

[6] 黃邵東，徐偉恒，熊源，等.結合紋理和空間特征的多光譜影像面向對象茶園提取[J].光譜學與光譜分析，2021，41（8）：2565-2571.

[7] 范瑩琳，婁德波，張長青，等.基于面向對象的鐵尾礦信息提取技術研究——以遷西地區(qū)北京二號遙感影像為例[J].自然資源遙感，2021，33（4）：153-161.

[8] 劉凌露.基于高分一號影像的城市生態(tài)用地監(jiān)測研究[D].北京：中國地質(zhì)大學（北京），2015.

[9] 孟晉杰，王建華.高分一號影像數(shù)據(jù)城市生態(tài)用地監(jiān)測[J].測繪科學，2016，41（9）：33-37.

[10] 劉蕓，李雪，廖瑤，等.基于面向對象分類法的貴州烤煙種植區(qū)域提取——以烤煙成熟期為例[J].貴州科學，2021，39（2）：82-86.

[11] 馬飛虎，徐發(fā)東，孫翠羽.面向對象的無人機影像地物分類[J].應用科學學報，2021，39（2）：312-320.

[12] 胡金梅，董張玉，楊學志.一種面向對象的高分辨率遙感影像信息提取方法[J].地理空間信息，2021，19（9）：10-13，18.

[13] 潘騰.高分二號衛(wèi)星的技術特點[J].中國航天，2015（1）：3-9.

[14] 鄧書斌.ENVI遙感圖像處理方法[M].北京：高等教育出版社，2014：188.

[15] 蘇志強.基于GF-2遙感影像的博湖縣監(jiān)督分類方法對比研究[J].西部大開發(fā)（土地開發(fā)工程研究），2020，5（1）：1-5.

[16] 胡文敏，殷梓強，楊睿瀚，等.高分二號衛(wèi)星在湖南雷家山滑坡災害調(diào)查中的應用[J].衛(wèi)星應用，2022（1）：50-54.

[17] 關元秀.eCognition基于對象影像分析教程[M].北京：科學出版社，2019：6.