基于WorldView-2影像的土地利用信息提取方法對比及評價①

季建萬, 沙晉明, 金 彪,2, 包忠聰,3

1(福建師范大學 地理科學學院,福州 350007)

2(福建師范大學 軟件學院,福州 350108)

3(福州市勘測院,福州 350108)

1 引言

土地利用是土地可持續發展和規劃的至關重要的組成部分,以前的土地利用圖大多基于野外調查與室內繪制,這不僅耗費大量的時間和金錢,而且效率低下.因此,一般大范圍的土地利用圖年代比較久遠,遠不能滿足現代化建設的需求[1].

遙感技術因其低成本、高效率的特征,已經成為土地利用信息提取的重要途徑. 許多學者都已經運用不同的基于像元的分類方法提取得到土地利用信息[2].比如孫琳等基于HJ-1B遙感影像,運用最大似然法和支持向量機方提取太湖流域土地利用信息[3],馬友平等基于變差函數紋理和BP人工神經網絡方法對QuickBird影像進行分類研究[4],陳文倩等運用結合影像紋理信息的支持向量機法對新疆艾比湖濕地保護區進行土地利用覆蓋分類研究[5]等. 但是對于高分辨率的遙感影像,運用常規的基于像元的分類方法效果卻不是非常理想,而面向對象分類方法不僅考慮影像的光譜特征,而且考慮影像的紋理特征與幾何特征,因此分類結果具有良好的整體性.

本研究旨在利用面向對象方法和四種傳統的基于像元的分類方法分別提取研究區土地利用信息,并以目視解譯結果為參考從分配分歧和數量分歧兩方面對各種分類方法進行精度評價,為今后的土地利用信息提取提供一定的建議.

2 研究區概況

研究區位于福州市平潭縣中北部,地理位置為119°45′4″E～119°46′18″E,25°33′54″N～25°35′40″N,總面積為6.56 km2(圖1). 研究區基本覆蓋了平潭縣典型地物類型,且為了減少數據量,提高分析效率,選擇該研究區作為研究對象進行分析.

圖1 研究區位置(左)和標準假彩色影像(右)

3 數據與方法

3.1 數據源及預處理

本研究采用WorldView-2衛星的2 m多光譜影像為數據源(影像獲取時間為2011年4月11日,03：16：33,投影坐標系為 WGS_1984 UTM_Zone_50N).WorldView-2影像有4個多光譜波段,波段范圍分別為： 藍光波段 450～510 nm,綠光波段 510～580 nm,紅光波段為630～590 nm和近紅外波段770～895 nm. 通過ENVI軟件對WorldView-2影像進行幾何校正、輻射定標、FLAASH大氣校正和影像裁剪等預處理操作,并利用預處理后的遙感影像為數據源展開研究.

3.2 研究區土地利用分類系統

依據GB/T21010-2007《土地利用現狀分類》系統[6],并結合研究區實際情況,將研究區分為7類,如表1所示.

表1 研究區土地利用分類系統

3.3 研究區土地利用分類方法

3.3.1 研究區土地利用分類流程

研究表明,利用影像紋理特征輔助多光譜特征對影像進行分類能夠有效提高影像分類精度[7]. 本文通過提取WorldView-2遙感影像近紅外波段、紅波段、綠波段和藍波段紋理信息,將其與經過大氣校正后的波段進行疊加,并利用ENVI和eCognition軟件完成研究區土地利用信息的提取,具體流程如圖2所示.

3.3.2 影像紋理信息的提取

紋理特征提取的主要方法有統計方法、模型方法、信號處理方法和結構方法,其中統計方法是基于像元及其領域的灰度屬性,研究紋理區域中的統計特性[8]. 而灰度共生矩陣法(GLCM)正是通過研究灰度的空間相關特性從而實現影像紋理的描述與提取[9]. 本文運用灰度共生矩陣法提取WorldView-2影像的紋理信息,具體包括信息熵、角二階矩、對比度、相關性、方差和相異性,其中紋理窗口以及移動步長的選擇對紋理信息的提取結果及后續的影像分類有著非常重要的影響,較大的窗口保證了同類地物紋理統計的代表性,適合光譜異質性強的類別; 較小的窗口保證了窗口內像素的同質性,適合光譜均勻性強的地物. 本文在ENVI軟件下,先固定移動步長為(1,1),以2為間隔,得到最佳的紋理窗口為5×5,同理,固定最佳紋理窗口,以2為步長,得到最佳的移動步長為(1,1),圖3是以WorldView-2影像藍光波段為例,得到的6種紋理信息提取結果.

圖2 WorldView-2遙感影像土地利用信息提取流程圖

圖3 藍光波段紋理特征提取結果

3.3.3 面向對象分類方法

利用eCognition軟件對研究區進行面向對象分類,主要步驟有確定分割尺度、建立分類規則、分類后處理等. 尺度分割是面向對象分類當中重要的一步,分割尺度的選擇直接影響到分類結果,分割尺度過小,影像被分割的過細,分割尺度過大,影像被分割的過疏. 本研究采用 Lucian Drǎgu?提出的 ESP (Estimation of Scale Parameter)尺度分割工具來確定最佳分割尺度[10],該工具是以局部方差的標準偏差均值來代表某塊影像檢查窗口中對象的異質性,并通過迭代過程得到最優分割尺度[11],實驗結果表明研究區最佳分割尺度為19. 分割完成后,先固定形狀指數(shape),以0.1為步長,得到最佳的緊致度指數(compactness)為0.5,光滑度指數(roundness)為0.5; 同理,固定最佳的緊致度指數,以0.1為步長,得到最佳的形狀指數(shape)為0.2,色彩指數(color)為0.8. 分類規則的建立是面向對象分類過程當中又一極其重要的一步. 高分辨率影像由于地物的光譜、形狀、紋理等差異性增大,因此必須綜合多種特征和知識來進行判別和提取. 本文所參與土地利用信息提取的光譜特征包括歸一化土壤指數(NDSI)、歸一化植被指數(NDVI)、歸一化水體指數(NDWI)、陰影指數(SI)、各波段貢獻率、各波段標準差、各波段平均值、各波段偏度與亮度(Brightness);紋理特征包括角二階矩、信息熵、相關性、平均值及對比度; 形狀特征包括面積、長寬比、形狀指數、密度、寬度、邊界長度.

將WorldView-2影像的各種特征信息導入到Salford Predictive Modeler(SPM)軟件中,采用CART決策樹方法[12],經過多次的試驗,得到最終的研究區WorldView-2影像的分類規則,如圖4所示. 分類完成后,仍需要對分類結果進行后處理操作,具體包括類別的合并,細小對象的修正以及其他后處理操作,最終的分類結果如圖5(a)所示.

圖4 WorldView-2遙感影像面向對象分類規則

3.3.4 基于像元的分類方法

基于像元的分類方法是指以像元為分類基本單元并基于一定的計算規則從而得到分類結果. 本文以神經網絡分類法、支持向量機法、最大似然法和馬氏距離法作為代表,在ENVI軟件中,利用疊加紋理波段后影像作為輸入影像完成影像的分類工作. 各種方法的分類結果如圖5(b)-圖5(e)所示.

3.3.5 目視解譯法

基于團隊成員實際野外考察結果,并利用人工目視解譯法,經過多次修改,得到研究區的目視解譯結果,如圖5(f)所示.

3.4 分類后精度評價

本文利用400個樣本點進行精度檢驗,由于不同類別面積不同,采用分層比例采樣法得到各類別參與檢驗的樣本數量. 具體處理方法為依據目視解譯圖,計算研究區各類別面積和所占比例,并依據比例得到各類別樣本數量,結果如表2所示.

表2 各類別隨機驗證樣點數量統計

利用ArcGIS 10.3軟件為各樣本點賦予相對應的屬性值,依據文獻[13]提出的計算方法,得到不同分類方法的樣本矩陣,并依據式(1)將其輸出為總體矩陣,因為對于一幅高分辨率遙感影像而言,包含數量巨大的柵格點,而樣本矩陣在實際操作中很難考慮所有樣本點,因此通過式(1)將其轉換到比例尺度上進行分析,得到更具代表性的整體評價矩陣.

其中pij代表整個研究區的評價比例,i是指對比圖中的第i類,j是指參考圖中的第j類,J是指類別總數,Ni是指對比圖中第i類的樣本數,nij是指樣本矩陣中分類為第i行第j列的樣本數量[13].

數量分歧(quantity disagreement)是指由于類別比例未達到最佳匹配而導致參考圖與對比圖之間的差異;分配分歧(allocation disagreement)是指由于類別空間分布未達到最佳匹配而導致參考圖與對比圖之間的差異[12]. 國外已有學者應用數量分歧和分配分歧指標對影像分類方法結果進行評價[14-16],而國內學者一般仍以總體分類精度的高低作為評價影像分類結果的標準,但僅以總體分類精度作為評價標準并不能全面地了解分類結果的內部情況,因此本文結合總體分類精度和數量分歧與分配分歧指標對各種分類方法進行精度評價,式(2)至式(5)為計算公式.

其中g是指任意類別,qg是任意g類別的數量分歧,Q是所有分類類別總的數量分歧;ag是任意g類別的分配分歧,A是所有分類類別總的分配分歧[13].

4 結果與分析

4.1 不同分類方法精度比較

在總體矩陣的基礎上,計算得到各分類方法的制圖精度、用戶精度與總體精度,如表3所示.

表3 不同土地利用分類方法精度統計(單位： %)

結合圖5與表3可以得到,5種分類方法平均總體精度為75.00%,其中最大似然法分類效果最差,總體精度僅為62.00%,將其與目視解譯圖相比,得到田坎與耕地混淆現象嚴重,可能是因為田坎一般分布在耕地周圍,且易生長雜草,使兩者的地物光譜呈現較為相似的特征; 也有可能是因為不同的耕地種植的作物以及收割時間一般不同步,造成同種地物類型呈現不同的光譜特征. 此外,灌木林地與農村道路混淆嚴重,這可能是因為在道路兩旁生長有植被,使其在影像上容易混淆. 面向對象分類法分類總體精度最高,為84.25%,其分類結果圖中,田坎與耕地也比較容易相混淆,表明高分辨率的影像因其像元分辨率的提高,增加了同類之間的光譜異質性,減少了異類之間的光譜同質性,造成了“同物異譜”、“同譜異物”地物的區分難度[17]. 對比面向對象法與傳統的四種基于像元的分類方法,可以得到基于像元的分類結果存在明顯的“椒鹽效應”,而面向對象分類結果卻有效避免了“椒鹽效應”,這是因為面向對象分類方法是以對象為分類基本單元,綜合利用光譜、紋理和形狀特征對影像進行分割和分類,從而使其分類結果更具有完整性.

4.2 不同分類方法整體數量分歧和分配分歧結果比較

運用數量分歧和分配分歧兩種指標對不同分類方法整體進行評價,評價結果如圖6所示.

圖6 不同分類方法整體精度評價結果

由圖6可以得到,在基于像元的分類方法中,神經網絡分類方法具有最低的數量分歧,約11.25%,其次為支持向量機(15.00%)、馬氏距離法(21.75%)和最大似然法(31.00%). 與其相比,面向對象分類方法具有最低的數量分歧,僅4.25%. 從分配分歧結果來看,依次為面向對象法(11.50%)>馬氏距離法(8.75%)>神經網絡法(8.50%)>最大似然法(7.00%)>支持向量機法(5.75%). 總體來說,數量分歧是這五種分類方法精度差異的主要原因,因為數量分歧值越高,表明分類錯誤的像元數量越多. 以神經網絡法與面向對象法分類結果為例,兩者的分配分歧僅有3%的差距,但是數量分歧卻相差7%,即神經網絡分類結果中分類錯誤的像元數量比面向對象分類結果中分類錯誤的像元數量要多7%.

4.3 不同分類方法各類別數量分歧和分配分歧結果比較

運用數量分歧和分配分歧對不同分類方法各地物類別進行分析,評價結果如圖7所示.

圖7 不同分類方法各地物類別精度評價結果

分析單類別可以得到,不同的分類方法當中,耕地的數量分歧大小依次為最大似然法(28.75%)>馬氏距離法(21.50%)>支持向量機法(14.75%)>神經網絡法(11.00%)>面向對象法(3.00%); 田坎的數量分歧比例大小依次為最大似然法(13.50%)>馬氏距離法(6.75%)>支持向量機法(6.00%)>神經網絡法(4.50%)>面向對象法(3.00%). 對比可以得到田坎與耕地的數量分歧大小排序相同,表明這兩種地物類型的數量分歧對不同分類方法最終精度影像較大,分析可能是因為不同耕地耕作期的不同使其在高分辨率影像上呈現較大的光譜差異; 田坎則主要是因為其空間分布的特殊性,大部分位于耕地與耕地之間,且田坎一般寬度較窄,易與周圍地物相混合而形成混合像元,使兩者的分類結果較差. 從分配分歧結果分析,耕地的分配分歧大小依次為面向對象法(10.50%)>神經網絡法(5.00%)>支持向量機法(1.50%)>最大似然法(0.50%)>馬氏距離法(0.00%),灌木林地的分配分歧比例大小依次為馬氏距離法(9.50%)>最大似然法(7.50%)>面向對象法(4.50%)>支持向量機法(4.00%)>神經網絡法(3.50%),表明面向對象法總體分類精度主要受耕地與灌木林地分配分歧的影響.

5 結論與討論

本文利用WorldView-2高分辨率影像數據不同的分類方法對平潭縣中北部地區進行土地利用信息提取,并從數量分歧和分配分歧兩方面對分類結果進行精度評價,結論如下：

(1)不同分類方法平均總體精度75.00%,其中總體精度最高的是面向對象分類方法,為84.25%,最低的是最大似然法,僅為62.00%.

(2)面向對象分類方法具有最低的數量分歧,為4.25%,其次依次為神經網絡法＜支持向量機法＜馬氏距離法＜最大似然法. 在分配分歧方面,支持向量機方法其值最低,為5.75%,其次依次為最大似然法＜神經網絡法＜馬氏距離法＜面向對象法.

(3)耕地的數量分歧大小依次為最大似然法(28.75%)>馬氏距離法(21.50%)>支持向量機法(14.75%)>神經網絡法(11.00%)>面向對象法(3.00%).表明在影像中,耕地像元被錯誤分為其他土地利用類別的數量比例最大,這是因為在影像當中,耕地呈現出不同的耕作狀態,造成其同物異譜現象嚴重. 在分配分歧方面,耕地的分配分歧比例大小依次為面向對象法(10.50%)>神經網絡法(5.00%)>支持向量機法(1.50%)>最大似然法(0.50%)>馬氏距離法(0.00%). 表明耕地同樣是影響不同分類方法分配分歧大小的重要類別,與數量分歧不同,分配分歧對面向對象法的影響明顯高于其他方法,究其原因可能是面向對象法是以分割對象為分類基礎單元,其忽略了部分光譜異質性信息.

結合上文,面向對象方法其總體精度最高,且其分類過程中綜合考慮了影像的紋理特征、光譜特征和形狀特征,因此對于WorldView-2影像而言,能夠比傳統的基于像元的分類方法更充分地利用影像包含的信息.同時需要注意的是,與四種傳統的基于像元的分類方法相比,雖然面向對象法其分類結果往往具有完整性且避免了“椒鹽效應”,但是也易存在丟失一些光譜信息. 因為在某些地物類型內部可能存在一些單獨像元,其在現實中與周圍地物類型并不相同,而在面向對象分類過程中,也較容易忽視這些光譜信息,這在未來的工作中應該進行更深一步的研究.

對于傳統的基于像元的分類方法,適合于分析多光譜影像和中低尺度分辨率的遙感影像,尤其在分析大范圍區域面積變化等方面具有一定的優勢,且大多數遙感軟件已經有相關的集成操作,在提取中低分辨率遙感影像中效率較高且效果也較好,但是對于高分辨率遙感影像,豐富的光譜信息使得明顯存在“異物同譜”、“同譜異物”的現象,因此在未來的遙感影像信息提取過程中,需要更加充分地挖掘高分辨率遙感影像中的光譜信息及紋理等其他信息.

此外,本文僅選取了一處研究區進行分析,其結果可能存在一定的誤差,在后續的工作中,應該對研究區的代表性進行更加深入的分析. 此外,還應該選取檢驗區域使結果更具有科學性. 在精度分析方面,應考慮結合多種評價指標對分類結果進行更加全面的判斷分析.此外,目視解譯圖作為參考圖,其結果準確與否與最終的評價結果密切相關,后續應該繼續提高目視解譯結果的準確性,使其更加接近真實地物類別.

1Estoque RC,Estoque RS,Murayama YJ. Prioritizing areas for rehabilitation by monitoring change in barangay-based vegetation cover. ISPRS International Journal of Geo-Information,2012,1(3)： 46-68. [doi： 10.3390/ijgi1010046]

2韓濤. 遙感監測土地覆蓋變化的方法及研究進展. 干旱氣象,2004,22(2)： 76-81.

3孫琳,宋愛紅,高文秀. 基于最大似然法和SVM法的太湖流域HJ-1B影像分類. 測繪信息與工程,2012,37(3)：30-33.

4馬友平. 基于變差函數紋理和BP人工神經網絡的QuickBird影像分類研究. 遙感技術與應用,2010,25(4)： 540-546.[doi： 10.11873/j.issn.1004-0323.2010.4.540]

5陳文倩,丁建麗,王嬌,等. 基于高分一號影像的土地覆被分類方法初探. 干旱區地理,2016,39(1)： 182-189.

6中華人民共和國國家質量監督檢驗檢疫總局,中國國家標準化管理委員會. GB/T 21010-2007 土地利用現狀分類.北京： 中國標準出版社,2007.

7胡玉福,鄧良基,匡先輝,等. 基于紋理特征的高分辨率遙感圖像土地利用分類研究. 地理與地理信息科學,2011,27(5)： 42-45.

8高程程,惠曉威. 基于灰度共生矩陣的紋理特征提取. 計算機系統應用,2010,19(6)： 195-198.

9賈永紅. 計算機圖像處理與分析. 武漢： 武漢大學出版社,2001： 231-235.

10Drǎgu? L,Tiede D,Levick SR. ESP： A tool to estimate scale parameter for multiresolution image segmentationof remotely sensed data. International Journal of Geographical Information Science,2010,24(6)： 859-871. [doi： 10.1080/13658810903174803]

11金文韜,許捍衛,李正源,等. 面向對象的高分辨率影像土地利用信息提取. 地理空間信息,2016,14(9)： 104-106.

12張超,李智曉,李鵬山,等. 基于高分辨率遙感影像分類的城鎮土地利用規劃監測. 農業機械學報,2015,46(11)：323-329. [doi： 10.6041/j.issn.1000-1298.2015.11.044]

13Pontius Jr RG,Millones M. Death to Kappa： Birth of quantity disagreement and allocation disagreement for accuracy assessment. International Journal of Remote Sensing,2011,32(15)： 4407-4429. [doi： 10.1080/01431161.2011.552923]

14Nourqolipour R,Shariff ARBM,Balasundram ESK,et al. A GIS-based model to analyze the spatial and temporal development of oil palm land use in Kuala Langat district,Malaysia. Environmental Earth Sciences,2015,73(4)：1687-1700. [doi： 10.1007/s12665-014-3521-1]

15Alonso-Benito A,Arroyo LA,Arbelo M,et al. Pixel and object-based classification approaches for mapping forest fuel types in Tenerife Island from ASTER data. International Journal of Wildland Fire,2013,22(3)： 306-317. [doi： 10.1071/WF11068]

16Amiri F,Rahdari V,Najafabadi SM,et al. Multi-temporal landsat images based on eco-environmental change analysis in and around Chah Nimeh reservoir,Balochestan (Iran).Environmental Earth Sciences,2014,72(3)： 801-809. [doi：10.1007/s12665-013-3004-9]

17張俊,于慶國,侯家槐. 面向對象的高分辨率影像分類與信息提取. 遙感技術與應用,2010,25(1)： 112-117. [doi：10.11873/j.issn.1004-0323.2010.1.112]