基于多時相資源一號04星多光譜影像的土地利用分類

胡顯偉 汪彪

摘要：【目的】基于3期2015年獲取的資源一號04星（CBERS-04）多光譜遙感數據，探討CBERS-04多光譜數據在熱帶地區土地利用分類中的應用潛力。【方法】結合光譜和物候信息，分別采用最大似然法和決策樹分類方法對海南西北部地區土地利用現狀進行分類研究。【結果】基于單景的最大似然法可獲得相對理想的分類精度，總體分類精度為85.8%～88.8%，卡帕系數為0.80～0.84；同時使用3期影像作為輸入，運用最大似然法和決策樹分類方法，其分類精度均有明顯提升，總體分類精度達91.61%～92.61%，卡帕系數為0.88～0.89，其中最大似然法略優于決策樹分類算法。【結論】聯合多期CBERS-04多光譜數據能夠準確提取熱帶地區土地利用現狀信息，具有廣闊的應用前景。

關鍵詞： 土地利用；最大似然法；決策樹分類；國產衛星；物候信息

中圖分類號： TP751 文獻標志碼：A 文章編號：2095-1191（2016）10-1807-07

0 引言

【研究意義】土地利用與土地覆蓋變化是全球變化研究的重要內容之一，而準確的分類結果能為土地資源管理與合理規劃、生物多樣性保護等提供數據支撐（領梅等，2013；劉紀遠等，2014）。【前人研究進展】遙感技術具有動態、快速等優勢，是區域尺度快速獲取土地覆蓋信息非常重要的手段（Evans and Costa， 2013；Zhang et al.，2014）。但在熱帶地區，光學遙感影像的獲取受云及陰影的強烈影響，是熱區遙感制圖研究的最主要障礙之一（Zhu et al.， 2012）。雖然粗分辨率遙感影像如MODIS具有非常高的重返周期，但其較粗的分辨率（250～500 m）也很難在斑塊破碎化嚴重且植被覆蓋非常復雜的熱帶地區實現精確制圖（Sheldon et al.，2012；Laurin et al.，2013），而高分辨率遙感影像成本又非常昂貴，大面積應用也不現實（Wang et al.， 2015）。近年來，隨著衛星數量的不斷增加，利用中等分辨率的多時相和多源遙感數據開展土地利用變化的優勢越來越明顯（Laurin et al.， 2013；陳幫乾等，2015；Reicheet al.， 2015）。多時相遙感數據包含了不同時期地表植被的光譜信息和物候信息，能彌補單一影像光譜信息不足、同物異譜及同譜異物等問題，從而提高影像分類精度（Dong et al.，2016）。自2011年以來，我國先后發射了資源3號、資源一號02C、高分1/2號、資源一號04星等多顆中高分辨率遙感衛星，極大提升了國產衛星影像的自主供給能力和國際競爭力，推進了國產衛星的發展（娜仁花等，2014；吳秀蘭等，2015；黃帥等，2016）。其中，資源一號衛星04星（CBERS-04）是由中國與巴西聯合研制，于2014年12月7日在山西太原衛星發射中心成功發射，搭載的多光譜相機（MUX）擁有B1（0.45～0.52 μm）、B2（0.52～ 0.59 μm）、B3（0.63～0.69 μm）、B4（0.77～0.89 μm）共4個波段，其空間分辨率比Landsat系列的多光譜高，為20 m，幅寬為120 km，重返周期為26 d。CBERS-04適度的空間分辨率和較高的重返周期使其可在國土與森林資源調查、農作物估產及災害監測等領域發揮重要作用（劉李等，2016）。【本研究切入點】結合最新國產衛星數據開展實際應用研究，評估衛星數據質量和性能，對促進國產衛星數據的應用具有重要意義，但目前關于CBERS-04星數據的應用研究非常少。【擬解決的關鍵問題】利用多期CBERS-04多光譜數據和外業調查結果，以地形地貌和植被分布均具有代表性的海南西北部地區為例，建立基于多時相CBERS-04多光譜數據的海南地區土地利用分類方法，為熱帶地區進行有效土地資源利用提供參考。

1 材料與方法

1. 1 研究區域

以海南西北部為研究區域（圖1），該地區主要由平原、丘陵、山地構成，其中山地和丘陵主要分布在研究區南部，沿海區域多為平原，境內大部分海拔在200 m以下。該地區處于東亞大陸季風氣候的南緣，屬熱帶濕潤季風氣候，光熱充足，年平均光照時數在2000 h以上（曾迪等，2015）；年降雨量900～2200 mm，由東南向西北逐漸遞減，5～10月的雨季降雨量占全年總降雨量的84%（曾迪等，2015）。該地區地表類型復雜，包含森林、水體、耕地、建筑及裸地等，其中，森林有天然林及次生林，主要分布在東南部的松濤水庫地區及白沙境內，人工林有天然橡膠和桉樹林；西北部區域的儋州地區是海南島最大的橡膠生產基地，大面積桉樹林分布在靠近洋浦附近的沿海地區；由儋州市向沿海挺進的中間區域擁有大量耕地，主要種植冬季瓜菜、夏季甘蔗、雙季水稻等作物。另外，松濤水庫是海南最大的人工水庫。

1. 2 地面數據

分別于2012年9月和2013年7月調查研究區域的天然林、橡膠林及典型人工林、耕地、水體和建筑分布現狀，分別獲得360張和944張帶GPS坐標的景觀照片。利用RoboGEO將GPS景觀照片轉換成Keyhole（Keyhole markup language， KML）文件后導入“谷歌地球”。結合“谷歌地球”中的2015年左右高清衛星影像和GPS景觀影片，在研究區域繪制盡量均勻分布的感興區域（Region of interest，ROI）作為分類算法的訓練和驗證樣本。地面ROI樣本繪制完成后，利用NOAA的Biogeography Branch開發的抽樣設計工具對不同土地類型的ROI樣本以1∶1進行空間隨機抽樣，其中，50%用于分類算法訓練，50%用于分類結果驗證。地面樣本的空間分布如圖1所示，抽樣結果按ROI個數和像元數統計如表1所示。

1. 3 影像數據及預處理

以2015年1月22日（條帶號3-78）、3月15日（條帶號3-78）及6月27日（條帶號2-78）過境海南西北部地區的CBERS-04星20 m分辨率的多光譜遙感影像為數據源。影像為2級產品，已經過系統幾何校正。經對比發現，不同時期的影像間存在一定的幾何偏移。以2014年3月19日獲取的無云Landsat 8 L1T級影像為基準，在ENVI遙感分析軟件平臺下，對三景CBERS-04星多光譜影像進行自動幾何精校正，控制誤差在5 m范圍內。由于3期影像均能很好覆蓋整個研究區域，處于相對均一的輻射水平，而輻射校正和大氣校正對分類結果精度的影響有限（Song et al.， 2001），且缺乏針對CBERS-04輻射校正工具，因此，本研究未對影像進行輻射和大氣校正。影像幾何校正完畢后，利用ENVI/IDL軟件平臺計算歸一化植被指數（Normalized difference vegetation index，NDVI）和比值植被指數（Simple ratio vegetation index，SR），計算公式為：

式中，ρred為CBERS-04衛星紅光波段像元像素值（Digital number， DN），ρNIR為近紅外波段DN。計算的NDVI和SR及4個原始波段將用于影像分類研究。

1. 4 研究方法

1. 4. 1 不同土地利用類型特征分析 紅光（Red）、近紅外（Near infrared， NIR）波段及NDVI等植被指數是遙感分類的重要參數。分別導出3期CBERS-04影像中森林、水體、建筑和耕地的訓練樣本的Red、NIR和NDVI像元值，繪制直方圖（圖2）。結果表明，水體在NIR波段中的可分離性最好，尤其是3月22日獲取的影像；分離水體后，森林在紅光波段和NDVI波段與耕地和建筑具有較高的可分離性，但耕地與建筑在紅光、近紅外及NDVI中的重疊度均較高，需要采用其他輔助參數才能實現準確分離。

1. 4. 2 分類方法介紹 根據圖2的分類結果，本研究分別采用最大似然的監督分類方法和決策樹分類方法提取海南西北部地區主要土地類型的空間分布信息。在執行最大似然分類之前，先通過ENVI的可分離性工具，計算各訓練樣本ROI的Jeffries-Matusita（J-M）距離（Dong et al.， 2013）。J-M距離越高，表明兩個類別之間的可分離性越好；J-M距離>1.9表示兩種地物的可分離性較好，J-M距離=2.0表明兩種地物分布完全無關，可以完全分離。由表2可看出，除了森林—耕地、耕地—建筑可分離性略差以外，其他幾個類別的可分離性都比較理想；1月22日的影像中，森林—耕地的可分離性較好；6月27日的影像中，耕地—建筑的可分離性相對最高。結合訓練樣本數據，分別在ENVI中采用最大似然法對3期影像進行分類。

此外，本研究將3期影像的波段、NDVI和SR植被指數通過波段疊加的方式生成一個文件后再進行最大似然法分類。圖2的直方圖分析結果表明，水體在3期影像中可分離性最好，森林次之，可分離性相對較差的是耕地和建筑。考慮到建筑的NDVI相對固定且數值較低，而耕地中作物處于生長季時NDVI較高，在3期影像合成的NDVI影像中可能會有比較好的可分離性。因此，對3期影像的NDVI進行最大值（NDVImax）、最小值（NDVImin）合成，并計算最大值與最小值間的差值（NDVIdiff），以訓練樣本繪制相應直方圖（圖3）觀察可分離性。結果表明，森林—耕地、耕地—建筑在NDVImax波段的可分離性均較好，可用于構建決策樹分類規則。按不同土地類型的總體分離容易程度和每期影像中的可分離性，構建決策樹分類規則如下：水體為NIR0315<50且NDVImin<0；森林為NDVImax>0.55且Red0627<40；建筑為NDVImax<0.15；耕地為其他剩余像元。決策樹分類中的門檻值分別根據訓練樣直方圖的上界（99%）或下界（1%）值設定，并對具體數據進行圓整，波段DN數值圓整到以10或5為尾數水平，植被指數門檻值圓整到0.05水平。

1. 5 精度評估

分類結果的精度驗證主要通過隨機抽樣的地面樣本（占50%）來計算混淆矩陣（Confusion matrix）和卡帕系數（Kappa coefficient），根據混淆矩陣信息來定量評價分類精度。分類結果專題圖的制作在ArcGIS軟件中完成，并在局部地區進行放大疊加比較，綜合評估分類精度。

2 結果與分析

2. 1 不同分類方法分類結果精度比較

由表3可知，基于單景CBERS-04多光譜數據的最大似然法分類結果總體精度為85.8%～88.8%，卡帕系數為0.80～0.84；不同時期獲取的影像在其分類精度存在差異，分類精度順序為：6月影像>1月影像>3月影像；當同時使用3景不同時相的遙感影像為數據源時，無論是最大似然法還是決策樹分類算法，其結果均明顯高于基于單景的監督分類結果；使用多時相遙感影像時，最大似然法的精度最高，總體分類精度為92.61%，卡帕系數為0.89，其次是決策樹分類算法，總體分類精度為91.61%，卡帕系數為0.88。從表4的混淆矩陣結果可以看出，最大似然法和決策樹分類算法的森林的精度最高，用戶（生產者）精度均大于92.00%；基于最大似然法的水體精度（>89.00%）低于決策樹分類算法的精度（>97.00%），建筑的用戶（生產者）精度大于85.00%，耕地的精度最低；最大似然法的結果要優于決策樹分類算法，前者用戶（生產者）精度均高于80.00%，而后者的生產者精度最低，只有71.98%。

2. 2 海南西北部土地利用現狀

圖4為決策樹分類結果空間分布圖，其中，底部b～e為部分地區森林、水體、建筑和耕地分類結果與谷歌高清衛星影像疊加對比圖，分類結果與地面真實情況呈現較高的吻合度。由圖4可看出，森林主要分布在內陸地區，尤其是松濤水庫（圖中的最大水域）附近區域；海岸帶尤其是西部地區，人口密度也相對較大，人為活動干擾影響強烈，森林覆蓋率很低，主要土地類型為耕地；而沿海區域降雨量相對較低，太陽輻射比較強烈，存在不少裸地，裸地反光譜特征與城市建筑比較相似，在一定程度上被誤分為建筑；內陸地區呈現出典型的森林與耕地斑塊，其主要原因是海南儋州及附近區域是海南橡膠種植核心區域，雨量充沛，存在輕臺風災害，擁有大量的農林復合系統；在儋州西北部的洋浦和白馬井地區擁有較密集的建筑，其主要原因是洋浦地區是海南主要的工業區，工業建筑群相對密集，另外，北部灣碼頭和白馬井海花島的建設，也導致了建筑的明顯增加。

3 討論

利用多時相的CBERS-04多光譜數據明顯能提高分類的精度。本研究也發現基于最大似然法的分類精度略高于決策樹分類算法，且實現過程也非常簡單。最大似然法精度略高的原因是在紅Red、NIR及NDVI的基礎上，還使用了藍光、綠光和SR植被指數作為輸入參數。事實上，增加這3個參數相對提高的精度只有1%。當影像數量不多時，最大似然法是個不錯的選擇，但當影像數據過多，比如超過5景以上，影像波段疊加后數據量會顯著增加。

決策樹分類方法具有較強的理論基礎，更注重科學性和合理性。雖然本研究過程中實現過程比最大似然法復雜，但是當影像數據更多時會更明顯，尤其是使用基于長時間序列影像的合成數據來分類。比如Chen等（2016）發現基于Landsat TM/ETM+的年度最大值合成NDVI中，森林與建筑的可分離性非常高。本研究也發現基于決策樹分類的水體用戶（生產者）精度均在93.00%以上，優于使用更多輸入變量的最大似然法分類結果。

在4種土地利用類型中，無論是最大似然法，還是決策樹分類法，其分類結果中耕地的精度最低。分析其原因是熱帶地區耕地構成非常復雜，破碎化嚴重，作物物候也存在多樣化（Laurin et al.， 2013）。雖然通過合成NDVI可實現大部分耕地的分離，但還是與森林及建筑存在不同程度的重疊，使得精確分離比較困難。

近年來，國產衛星的發展非常迅速，現役衛星數量顯著增加，數據獲取能力明顯增強。但與國外如Landsat系列相比，在影像數據質量和后期處理方面還有一定差距。如在本研究發現CBERS-04數據的幾何精度還不夠理想，每一景影像均需要進行幾何校正；另外在輻射和大氣校正、影像批量除云等方面的算法和程序的開發也相對滯后，目前尚無成熟的方法和工具，因而限制了多源和多時相遙感影像的使用。

4 結論

聯合多期CBERS-04多光譜數據能夠準確提取熱帶地區土地利用現狀信息，具有廣闊的應用前景。

參考文獻：

陳幫乾，李香萍，肖向明，孫瑞，吳志祥，祁棟靈，楊川，陶忠良. 2015. 基于PALSAR雷達數據與多時相TM/ETM+影像的海南島土地利用分類研究[J]. 熱帶作物學報， 36（12）： 2230-2237.

Chen B Q，Li X P，Xiao X M，Shun R，Wu Z X，Qi D L，Yang C，Tao Z L. 2015. Land utilization mapping in Hainan Island by using ALOS PALSAR and multi-temporal landsat TM/ETM+ imagery[J]. Chinese Journal of Tropical Crops， 36（12）： 2230-2237.

黃帥，丁建麗，李艷華. 2016. 面向對象的國產GF-1遙感影像水體信息提取研究[J]. 人民長江，47（5）： 23-28.

Huang S，Ding J L，Li Y H. 2016. Study of water information extraction based on domestic GF-1 remote sensing image by using object-oriented method[J]. Yangtze River， 47（5）： 23-28.

領梅，安慧君，賀曉輝，陶樹光，白彥. 2013. 基于決策樹的涼城縣土地利用分類研究[J]. 內蒙古農業大學學報（自然科學版）， 34（6）： 43-48.

Ling M，An H J，He X H，Tao S G，Bai Y. 2013. Research of land use classification based on decision tree in Liangcheng[J]. Journal of Inner Mongolia Agricultral University， 34（6）： 43-48.

劉紀遠，匡文慧，張增祥，徐新良，秦元偉，寧佳，周萬村，張樹文，李仁東，顏長珍，吳世新，史學正，江南，于東升，潘賢章，遲文峰. 2014. 20世紀80年代末以來中國土地利用變化的基本特征與空間格局[J]. 地理學報， 69（1）： 3-14.

Liu J Y，Kuang W H，Zhang Z X，Xu X L，Qin Y W，Ning J，Zhou W C，Zhang S W，Li R D， Yan C Z， Wu S X， Shi X Z， Jiang N， Yu D S， Pan X Z， Chi W F. 2014. Spatiotemporal characteristics， patterns and causes of land use changes in China since the late 1980s[J].Acta Geographica Sinica， 69（1）： 3-14.

劉李，傅俏燕，潘志強，徐建艷，李曉進，韓啟金，張學文，劉濤. 2016. CBERS-04衛星寬視場成像儀在軌場地輻射定標[J]. 航天返回與遙感， 37（1）： 89-96.

Liu L，Fu Q Y，Pan Z Q，Xu J Y，Li X J，Han Q J，Zhang X W，Liu T. 2016. Site calibration of CBERS-04 WFI using reflectance-based method[J]. Spacecraft Recovery & Remote Sensing，37（1）： 89-96.

娜仁花，鄭江華，郭寶林，石明輝，森巴提，孫成忠，孫志群，李曉瑾，賈曉光. 2014. 資源三號衛星在野生羅布麻宏觀監測中的應用評價[J]. 新疆農業科學，51（3）： 497-503.

Na R H，Zheng J H，Guo B L，Shi M H，Senbati，Sun C Z，Sun Z Q，Li X J，Jia X G. 2014. The application and evaluation of China ZY3 satellite on wild apocynum monitoring[J]. Xinjiang Agricultural Sciences， 51（3）： 497-503

吳秀蘭，鄭江華，阿不都瓦里·伊瑪木，穆晨，倪亦非，吳建國，肖宏偉. 2015. 基于ZY1-02C衛星P/MS數據的草原偽步甲災害遙感監測[J]. 新疆農業科學，52（3）： 551-559.

Wu X L，Zheng J H，Yimamu A， Mu C， Ni Y F， Wu J G， Xiao H W. 2015. Remote sensing monitoring of prosodes dilaticollis motsch hazards for grassland Based on domestic ZY1-02C satellites P/MS dData[J]. Xinjiang Agricultural Sciences， 52（3）： 551-559.

曾迪，漆智平，黃海杰，魏志遠，王登峰，高樂，劉磊. 2015. 海南儋州耕地土壤有機質空間變異[J]. 熱帶作物學報， 36（1）： 199-204.

Zeng D，Qi Z P，Huang H J，Wei Z Y，Wang D F，Gao L，Liu L. 2015. Spatial variablility of soil organic matter content in Danzhou city， Hainan province[J]. Chinese Journal of Tropical Crops， 36（1）： 199-204.

Dong J，Xiao X，Menarguez M A，Zhang G，Qin Y，Thau D，Biradar C M，Moore Iii B. 2016. Mapping paddy rice planting area in northeastern Asia with Landsat 8 images， phenology-based algorithm and Google Earth Engine[J]. Remote Sensing of Environment， 185： 142-154.

Chen B，Li X，Xiao X，Zhao B，Dong J，Kou W，Qin Y，Yang C，Wu Z，Sun R，Lan G，Xie G. 2016. Mapping tropical forests and deciduous rubber plantations in Hainan Island， China by integrating PALSAR 25-m and multi-temporal Landsat images[J]. International Journal of Applied Earth Observations and Geoinformation， 50： 117-130.

Dong J，Xiao X，Chen B，Torbick N，Jin C，Zhang G，Biradar C. 2013. Mapping deciduous rubber plantations through integration of PALSAR and multi-temporal Landsat imagery[J]. Remote Sensing of Environment， 134（7）： 392-402.

Evans T L， Costa M. 2013. Landcover classification of the Lower Nhecol ndiasubregion of the Brazilian Pantanal Wetlands using ALOS/PALSAR， RADARSAT-2 and ENVISAT/ASAR imagery[J]. Remote Sensing of Environment， 128： 118-137.

Laurin G V，Liesenberg V，Chen Q，Guerriero L，Del Frate F，Bartolini A，Coomes D，Wilebore B，Lindsell J，Valentini R. 2013. Optical and SAR sensor synergies for forest and land cover mapping in a tropical site in West Africa[J]. International Journal of Applied Earth Observation and Geoinformation， 21（4）： 7-16.

Reiche J，Verbesselt J，Hoekman D，Herold M. 2015. Fusing Landsat and SAR time series to detect deforestation in the tropics[J]. Remote Sensing of Environment， 156： 276-293.

Sheldon S，Xiao X，Biradar C. 2012. Mapping evergreen forests in the Brazilian Amazon using MODIS and PALSAR 500-m mosaic imagery[J]. Isprs Journal of Photogrammetry and Remote Sensing， 74（11）： 34-40.

Song C，Woodcock C E，Seto K C，Lenney M P，Macomber S A. 2001. Classification and change detection using landsat TM data： when and how to correct atmospheric effects？[J]. Remote Sensing of Environment， 75（2）： 230-244.

Wang T，Zhang H，Lin H，Fang C. 2015. Textural-spectral feature-based species classification of Mangroves in Mai Po Nature Reserve from worldview-3 imagery[J]. Remote Sensing， 8（1）： 24.

Zhang Z，Wang X，Zhao X，Liu B，Yi L，Zuo L，Wen Q，Liu F，Xu J，Hu S. 2014. A 2010 update of National Land Use/Cover Database of China at 1：100000 scale using medium spatial resolution satellite images[J]. Remote Sensing of Environment， 149： 142-154.

Zhu Z，Woodcock C E，Rogan J，Kellndorfer J. 2012. Assessment of spectral， polarimetric， temporal， and spatial dimensions for urban and peri-urban land cover classification using Landsat and SAR data[J]. Remote Sensing of Environment， 117（1）： 72-82.

（責任編輯 鄧慧靈）