基于GF-2衛星數據的國情普查地表覆蓋解譯研究

馮啟翔

（1.廣州市房地產測繪院（廣州市測繪產品質量檢驗中心），廣東 廣州 510030）

地理國情監測內容包括兩部分：①自然地理要素的基本情況，包括地形地貌、植被覆蓋、水域、荒漠與裸露地等的類別、位置、范圍、面積等；②人文地理要素的基本情況，包括與人類活動密切相關的交通網絡、居民地與設施、地理單元等的類別、位置、范圍等。地表覆蓋信息獲取是地理國情監測的首要任務。以廣東省某地遙感地理國情地表覆蓋解譯為例，詳細介紹了eCognition(易康)軟件的工程化解譯的過程、效果，通過ArcGIS軟件隨機抽取多個樣本點進行精度評定，分析該方法的優勢及其局限性［1-7］。

1 研究區域概況

研究區域位于廣東某地區，面積325 km2。本研究區域地表覆蓋數據繁雜，地類地物種類繁多。具體收集了如下資料：

1）影像數據：使用的數據為高分二號（GF-2）衛星影像數據（3.2 m分辨率）的全色及多光譜影像，相關參數如表1所示。

2）矢量數據：為1∶10 000或者1∶50 000的農用地、房屋建筑群落等矢量數據。

3）其他相關資料：與研究區域相關的行政區域劃分、農林牧等方面的參考資料。

表1 研究區遙感數據類型

2 研究區域的數據處理

數據處理主要涵蓋兩個方面：①在后臺對基礎遙感影像進行預處理；②對影像進行地表覆蓋解譯。

2.1 遙感影像預處理

影像數據預處理的目的主要是尋找并利用可以使用的基礎數據，減少地表覆蓋信息自動解譯的難度，提升提取信息的準確性，為下一步的數據處理爭取更多的時間。

1）數據收集整理。地理國情監測普查項目主要有兩個方面的工作內容：①地理國情基本要素采集；②地表覆蓋遙感解譯。這兩個工作是獨立進行的，同時地理國情基本要素的采集也可以輔助進行地表覆蓋分類解譯。

地理國情普查項目可以利用的數據源主要包括以下幾個方面：①高分辨率航空、航天影像數據（如GF-2數據）；②已有線劃DLG數據（1∶10 000/1∶50 000）；③高精度數字高程模型數據（DEM、DSM等）；④其他專題參考資料等。

在進行地理國情地表覆蓋解譯前，需要將相關的資料搜集并整理出所要用到的數據，如地理國情基本要素中的農用地矢量數據、房屋建筑群落數據等，可以結合這些數據作為參考，從遙感影像中提取出對應的地類，降低自動分類的難度，提高分類的準確性。

2）影像正射校正。地理國情項目遙感解譯及正確信息統計都是基于正射遙感影像進行的，所以在做地類信息提取前，需要對遙感影像做正射校正，ERDAS、PCI、ENVI等遙感基本處理軟件都可以進行相關的校正。

3）矢量與影像數據配準。參考矢量數據與要處理的影像數據由于時間及其他特殊原因，可能會出現投影及坐標不一致的現象，需要將不同投影坐標系的圖像統一到同一投影坐標系下，保證同名地點的坐標的一致性。數據的配準也是在數據處理之前通過第三方軟件如ERDAS、PCI、ENVI等作基本處理。

2.2 遙感影像解譯知識庫開發

根據《地理國情普查內容與指標》（編號：GDPJ01-2013）相關規定，對GF-2遙感影像的一級類（12類）進行數據提取，包括耕地（0100）、園地（0200）、林地（0300）、草地（0400）、房屋建筑（區）（0500）、道路（0600）、構筑物（0700）、人工堆掘地（0800）、荒漠與裸露地表（0900）、水域（1000）、地理單元（1100）、地形（1200）［8］?；谝患夘悢祿?，再結合自動劃分及人工提取，進行二級（58類）及三級（133類）地類數據提取。

分類中最難自動提取的是道路及房屋建筑（區）信息，道路信息主要問題是人工后期提取量大，而房屋建筑（區）信息主要是房屋建筑（區）邊緣信息自動提取較難，特別是房屋建筑（區）群落中，需要將大于一間房屋的房屋與其他地物區分開來，所以建議結合1∶10 000或1∶50 000DLG數據提取。其他地物中植被信息在一些特殊地區單純通過一景影像數據難以劃分，需要結合其他相關資料或者人工目測判斷解譯。采用計算機自動分類提取和人工判讀結合的方式［9］，利用eCogintion（易康）軟件，主要解譯流程如圖1所示。

圖1 主要解譯技術流程

1） 道路提取。道路在遙感影像上一般以帶狀分布呈現，提取時可使用形狀特征，如邊界指數Boundary index、密度Density等，也可使用長寬比Length-Width Ratio特征，同時可結合使用亮度值Brightness Value、各波段均值Band Mean Value等進行分類。在本次廣東研究區域內，主要是采用道路的矢量數據參與分割，然后根據矢量專題層對道路歸類。

2） 植被信息提取。對植被進行分類時常用的特征是植被指數NDVI。各植被類別之間區分的常用特征有綠波段比率、近紅外波段標準差、紋理特征等。

研究區域主要根據植被指數NDVI特征以及結合SVM監督分類方法提取植被信息，之后對初次分類提取的植被信息進行進一步細分。

單純依靠一期影像很難區分耕地、園地、林地及草地信息，如果是山區，建議用DEM區分出林地，其他可參考近紅外標準差及綠波段比率區分以及結合監督分類的方法提取。

3）水域提取。水域在近紅水域提取外波段反射率較低，在影像上常表現為暗色調，因此分類水體時常采用與近紅外波段有關的特征，如近紅外波段均值、植被指數NDVI、水體指數NDWI等。研究區域主要利用水體指數NDWI進行水域提取，對自動分類結果進行后期人工判讀編輯。陰影及一些含水地類易被誤作為水域，需要后期人工判讀編輯剔除或采用另外的方法對其剔除。

4）房屋建筑（區）物提取。房屋建筑（區）物各波段反射率較高，在遙感影像上一般呈現為亮色調，建筑群體表面較為粗糙，各波段標準差比較大，分類時可參照利用亮度值、各波段均值及各波段標準差。

根據地理國情監測的要求，兩棟房屋之間距離大于獨棟房屋時，要單獨提取出來，這對于零散房屋來說較為容易，只需分割尺度合適即可。對于城市里的密集房屋，要單獨將房屋與硬化地面、道路及其他人造地物區分開來比較難。建議使用房屋矢量數據參與分割，或者利用紅波段均值結合監督分類方法，將其統一化為房屋建筑群，后期再結合高分辨率遙感影像及邊緣特征等信息作進一步的提取。

5） 荒漠與裸露地表、構筑物和人工堆掘地提取?；哪c裸露地表、構筑物、人工堆掘地由于沒有地物覆蓋，反射率較高，在遙感影像上一般表現為亮色調，提取時一般采用亮度值、各波段均值。

2.3 地表覆蓋解譯數據成果分析

按照前文創建的不同地物解譯規則集知識庫，開始地物分類。利用規則集知識庫，調用控件作為工程化、自動化生產的方案，即Architect生產作業流程；工作人員只需要按照作業的要求，調整創建的控件參數信息，從中提取地表數據，并將大量數據整體移交至服務器Server，由其作出自動化批量化的數據處理，其間可以編輯利用人工判讀解譯及基于樣本的監督分類方法，有效地提高地類提取的準確性。Architect生產作業流程以及最終分類結果如圖2所示。

圖2 Architect生產作業流程（左）及最終分類結果（右）

2.4 地表覆蓋解譯數據精度評定分析

混淆矩陣是用來表示精度評價的一種標準格式。該矩陣的列為參考影像信息，行為被評價影像分類結果信息，行與列相交的部分概括了分類到與參考類別有關的某一特定類別中的樣本數目，樣本數可以為像元數目、或者分割對象數目，具體表達形式如表2所示。

表2 混淆矩陣表達形式

設xij是分類數據中第i類和參考數據類型第j類的分類樣本數為分類所得到的第i類的總和；為參考數據的第j類的總和；N為評價樣本總數。則用戶精度為（User Accuracy）：圖精度為（Producer Accuracy）總體精度為

為了對解譯成果進行精度評定，采用ArcGIS軟件在研究區域內隨機抽取51個精度評定點，套合高清遙感影像，利用人工對所選精度評定點作出判斷分析，并將之與eCognition（易康）軟件的處理成果作出比較，得出各地物大概的分類精度，如表3所示。

表3 混淆矩陣精度評定分析結果

由表3混淆矩陣精度評定分析結果可見，經過eCognition（易康）軟件對研究區域地表覆蓋解譯之后，地物提取的總體精度達到98%，完全符合生產任務的精度要求。

2.5 生產效率分析

eCognition（易康）軟件工程化解譯方法應用于多丘陵區域的影像數據（如圖3 所示）處理，由于本區域內林地分布特點導致人工判讀繪制耗時較長，一幅1∶10 000圖幅數據人工判讀時間大約在6～7（11～12 h工作/d）d左右。利用eCognition（易康）軟件工程化解譯的方法，自動處理一幅1∶10 000影像數據需要0.5～1 h左右，人工判讀地物修改需要4～5 d，工程化解譯方法能夠至少節約1～2 d時間。

圖3 丘陵區域地類分析

4 結 語

地理國情普查地表覆蓋信息量大、涵蓋面廣、數據融合多，采用人工解譯耗時較長，且個體對解譯方式的理解均有不同，導致地表覆蓋解譯的數據存在差異性，不利于數據的統計及后期的分析應用。本文以廣東省某區域高分二號（GF-2）衛星影像的地表覆蓋解譯為例，提出了一套基于eCognition(易康)軟件對地表覆蓋解譯自動化處理的技術流程，并對解譯成果進行精度評定。其中還存在一些不足，需要減少人工判斷數據進行解譯輔助，實現自動化快速解譯，推動后續的地理國情普查地表覆蓋解譯工作減少人工干預，獲取更高精度分類結果。

[1] 劉若梅． 對地理國情監測的再認識[J]．地理信息世界,2013(1):27-30

[2] 張勤, 樊文鋒． 測繪與地理國情監測[J]．測繪通報,2012(11):78-80

[3] 陳鐳, 叢越君． 淺析第一次全國地理國情普查[J]．西部資源,2013(6):135-136

[4] 唐秀娟． 抓好地理國情普查 促進新型城市化建設[J]．產業與科技論壇,2014,13(10):216-217

[5] 程滔, 周旭, 劉若梅． 面向地理國情監測的地表覆蓋信息提取方法[J]．測繪通報,2013(8):84-86

[6] 陳軍, 陳晉, 宮鵬,等． 全球地表覆蓋高分辨率遙感制圖[J]．地理信息世界,2011,9(2):12-14

[7] 李曉兵, 陳云浩, 喻鋒． 基于遙感數據的全球及區域土地覆蓋制圖——現狀、戰略和趨勢[J] ．地球科學進展,2004,19(1):71-80

[8] 國務院第一次全國地理國情普查領導小組辦公室．地理國情普查內容與指標[Z]．2013-08

[9] 任立欣,岳昊,劉春紅．地理國情普查地表覆蓋數據分類方法研究[J]．測繪與空間地理信息,2014(6):72-74