土地利用遙感信息提取關鍵技術探討

張正明，張志勛，常永青，王 春

(1. 江蘇省測繪產品質量監督檢驗站，江蘇 南京 210013； 2. 如皋市勘測院,江蘇 南通 226500； 3. 南京市規劃局，江蘇 南京 210029； 4. 滁州學院,安徽 滁州 239000)

隨著生態環境的日益退化，政府部門更加需要及時掌握土地利用數據的動態變化情況。在土地利用數據獲取中，遙感技術被廣泛使用，而影像解譯是其應用的關鍵，解譯結果直接影響數據質量。在傳統的影像解譯中，主要是目視解譯和計算機自動解譯[1]。其中，目視解譯出現時間最早，主要是根據解譯工作者的工作經驗和專業知識進行地物判讀，是最直接最基本的解譯方法[2]；計算機自動解譯是隨著計算機技術的發展而出現的一種利用計算機判讀遙感影像信息、進行地物分類的方法。該方法極大地提高了分類效率，但由于地物光譜具有復雜性，使得分類結果精度較低[3]。為提高影像分類精度，國內外學者做了大量研究工作[4-7]。目前各種分類方法都存在一定的局限性，仍需要針對具體研究對象進一步加強相關研究。某省南北跨度較大，氣候差異較為明顯，地形地貌區域差異明顯，地物復雜多樣，傳統解譯結果精度較低，無法滿足較高的研究要求。因此，本文從地物光譜特征差異出發，結合土地利用特點，提出一種適宜的遙感影像解譯方法。

1 研究區概況及數據選取

1.1 研究區概況

某省位于我國東部地區，總面積約10萬平方千米。從北到南依次為淮河流域和長江流域，水域面積廣闊。該省屬于亞熱帶與暖溫帶過渡區，是典型的季風氣候區，淮河以北為溫帶季風氣候，淮河以南為亞熱帶季風氣候，四季分明。自然區域上劃分為平原、丘陵和江南山區。

1.2 數據來源

本文研究數據來源于地理空間數據云平臺，下載覆蓋該省區域的2014年TM影像，各影像云量均低于5%，選取b1、b2、b3、b4、b5、b7波段進行研究。在ENVI軟件中，對各影像進行拼接、裁剪，采用1∶50 000 地形圖對省區域裁剪影像進行幾何校正，校正方法采用二項式，校正精度小于0.5個像元，最后進行研究區影像反射率計算。

參考《中科院LUCC分類體系》，結合研究區實際情況及研究需要，將該省土地利用劃分為6個一級類和17個二級類，具體分類見表1。

表1 省土地分類體系

2 土地利用信息

2.1 光譜信息

在地面選取實際地類樣點，使用GPS進行空間定位，并確定土地利用類型，將定位樣點數據與影像數據進行一一對應，獲取不同地類的光譜信息，分析其光譜特征(如圖1所示)，其中濕地二級地類光譜特征差異過小，在此不予討論。

由圖1可以看出，各地類的光譜反射率整體上存在一定區分度，如林地、草地與建設用地和裸地之間的光譜差異較為明顯，能夠直接通過單一波段進行區分，但是多數地物無法直接通過單一光譜信息進行確定。進一步分析不同地類光譜曲線，可以發現多數地物雖然不能通過單一波段進行區分，但是在不同波段上，地物之間的波段差異不同，如果能夠將這種不同差異的信息利用起來進行地物區分，可能會有較好效果。如1、2、3、5、7波段，林地、草地的光譜發射率明顯低于建設用地、裸地，利用這幾個波段的反射率進行加和運算，能夠擴大林地、草地地物光譜與建設用地和裸地之間的區別，便于地物區分；疏林地與道路在第4、5、7波段幾乎沒有什么光譜區別，但是在第1、2、3波段光譜差異相對明顯，使用3個波段反射率加和可以很好地進行區分；第2、3波段加和能夠區分出高蓋度草地和底蓋度草地；利用NDVI=(ρ4-ρ3)/(ρ4+ρ3)可以有效地分離有林地、高蓋度草地和其他林地。這樣逐層劃分，從一級地類到二級地類，通過分析光譜特征可以快速準確地進行地類區分。

圖1 不同地類的各波段反射率光譜曲線

2.2 光譜角分類

光譜角分類(spectral angle mapper,SAM)技術是一種根據亞像元組分光譜或樣本光譜與待分類像元光譜之間的夾角進行地物信息提取的方法，屬于光譜匹配技術。在運用光譜角分類技術時，選取的組分光譜屬于混合像元內部在亞像元尺度的混合組分光譜，因此該光譜是單一的純光譜，代表了最純地物類型，能夠看作某一類型地物的參照光譜。混合像元現象普遍存在，絕大多數像元均屬于混合像元，包含多種地物類型。

光譜角分類技術原理為：將波段數為N的光譜看成N維空間中的矢量，在這個空間中，不同光譜矢量間的角度稱為光譜角，且不同的光譜矢量均具有長度和方向。在二維空間中，不同的光譜矢量夾角如圖2所示[8]。

光譜角分類的目的是通過不同光譜角影像的光譜閾值將各組地類區分開，根據設定的光譜矢量角度閾值判定影像各像元的歸屬類別，與某一地物類別的參考光譜矢量的夾角小于設定閾值時，該像元就被判定為該類別，光譜矢量夾角越小，說明待分類像元矢量光譜與參考地物類別的矢量光譜越相似，分類的精度與概率越高。光譜角分類技術在N維空間中能夠采用數學表達式計算參考矢量光譜和待分類像元矢量光譜間的夾角，具體計算公式如下[8]

(1)

式中，X代表待分類像元光譜矢量；Y代表參考光譜矢量；a代表參考光譜矢量和待分類像元光譜矢量間的夾角。當a值較小時，表示參考光譜和待分類像元光譜具有較高的相似度，a弧度角取值范圍為(0，π/2)。

圖2 光譜角分類的2D圖示

若采用cosa進行表示，公式如下

(2)

此時，cosa值越靠近1，說明參考光譜和待分類像元光譜越相似。在進行光譜角分類之前，應當選取恰當的基本組分，即獲取研究區基本組分的數量

和基本組分的光譜信息[9]。

通過試驗發現，以基本組分與影像建立對應關系能夠達到較好的效果，并且避免了地面實測光譜復雜的測量和變換工作，因此本文在影像中獲取了基本組分。使用掩膜去除水體并對TM反射率影像進行最小噪聲分離變換(minimum noise fraction rotation，MNF)[10]，消除不同波段間的相關性，根據極端基本組分法選取了基本組分。MNF分量1與分量2在水體去除以后構成的二維特征空間如圖3所示，其中特征空間中的4個頂角代表了研究區內的4種同質區域：①裸地，包括裸土地、裸巖地；②耕地，包括水田、旱地；③植被，包括草地、林地；④建設用地，包括城鎮用地、農村居民用地、其他建設用地。通過對大面積實地進行考察可知，去除水體后的絕大多數地物光譜可以采用裸地、耕地、植被和建設用地這4種基本組分的光譜來混合表達。隨后，根據最小包含特征空間法確定這4種基本組分的光譜，即在特征空間中距離4個頂角最近的約100個像元的反射率光譜均值。由TM反射率影像采用基本組分分解，獲取4種地類的光譜角度影像(如圖4所示)。

圖3 去除水體后最小噪聲分離變換前2個分量構成的特征空間

圖4 光譜角分類的4種光譜角度影像

2.3 分類規則構建

研究結果顯示，提取水體的閾值為NDVI影像中NDVI<0；在耕地、建設用地、裸地和植被光譜角影像中，影像閾值分別為<0.21、<0.17、<0.22、<0.35，根據各地類的影像閾值建立對應地類的掩膜影像。首先，采用NDVI影像掩膜原始反射率圖像，獲取水體，并獲取水體去除后的影像；然后根據植被光譜角度影像掩膜去除水體后的影像，獲取植被，并獲取水體和植被去除后的影像；同樣的，根據耕地、裸地、建設用地光譜角度影像掩膜剩余影像得到相應地類。

利用光譜角分類技術可以將一級地類很好地分離，但對于二級地類卻無法直接利用光譜角分類技術進行分類。試驗發現，根據各光譜角度影像掩膜后圖像中的小地類能夠建立波段組合規則來進行提取。分別在掩膜獲取的裸地影像、耕地影像、植被影像、建設用地影像中，根據二級地類的光譜特征，構建分類形式和相應的分類閾值進行分類。具體的分類規則見表2。

依據光譜特征很難直接區分水體的2級地類，但是不同水體存在形狀特征的差異，在NDVI掩膜得到的水體影像上，根據以下特征進行區分：河渠較為細長；湖泊面積較大，形狀多樣；水庫/坑塘面積較小，形狀相對規則，且多有建設用地相臨；灘地分布在河、湖水域周圍，可通過豐水期和枯水期影像的疊加分析得到。

表2 二級地類分類規則構建

3 結果評價

利用已有的2014年土地利用目視解譯結果進行分類面積精度檢驗(見表3)和空間分布精度檢驗(見表4)；同時采用最大似然法進行監督分類，作為分類結果精度對比方法。

表3 提取結果面積精度分析

由表3可知，本文研究方法分類的平均面積精度達76.2%，其中對大多數的土地利用類型提取精度在70%以上，有9類分類精度在80%以上，精度最高的達95.3%，而中蓋度草地面積精度在40%以下，這主要是由于中蓋度草地與高蓋度草地在影像上難以準確界定。單純采用監督分類法進行分類時，平均面積精度僅為45.3%，面積精度最高的水田為82.2%，大多數都低于50%。

表4 提取結果空間精度分析

由表4可以看出，該研究方法分類結果的精度較監督分類結果明顯提高，平均精度由65.9%提高到77.2%，監督分類結果僅有6類分類精度在70%以上，精度最高的湖泊為82.3%；而模型分類結果精度在70%以上的有15種，其中分類精度最高的是水庫/坑塘，分類精度達94.9%。因此，本文研究方法適用于地類復雜多樣區域的地類分類。

4 結論與討論

地物種類較多且光譜混淆嚴重，采用某一種傳統的自動解譯技術幾乎無法實現地物類別的準確獲取，而基于不同地類光譜特征差異，利用光譜角技術進行一級地類的區分，利用不同波段光譜反射率差異進一步區分二級地類，可以根據具體光譜特征建立地物遙感分類體系，較好地進行地類分類(除水體的二級地類，水體可以使用形狀特征及其他特征進行二級分類)。

光譜角分類技術主要識別角度的差別，向量本身長度與不同光譜向量間的角度沒有關聯。因此，光譜角分類技術略去光譜向量的長度，重視光譜角度，提升了光譜曲線特征的主導性，與傳統方法相比，具有更明顯的價值。另外，由于同物異譜和同譜異物現象的干擾，使得傳統技術自動分類的結果漏分、錯分現象非常嚴重。光譜角分類技術利用各地物具有不易受干擾的獨特的吸收峰的特點，大大減少了自動解譯過程中的漏分和錯分現象。但是，本文僅對某省土地分類進行了探討，對于其他地區是否適用仍需大量研究。

隨著多學科交叉學習的不斷深入，不同學科的研究方法應用于遙感研究領域將更加普遍，對此方面的進一步研究將有助于改善傳統研究方法中存在的不足，推動相關研究的進一步發展。因此，探討不同學科研究方法在遙感領域的應用是未來研究的一個新方向。

參考文獻：

[1] 史澤鵬，馬友華，王玉佳，等.遙感影像土地利用/覆蓋分類方法研究進展[J].中國農學通報，2012，28(12)：273-278.

[2] 張增祥，汪瀟，溫慶可，等.土地資源遙感應用研究進展[J].遙感學報，2016，20(5)：1243-1258.

[3] 周天寧，明冬萍，趙睿.參數優化隨機森林算法的土地覆蓋分類[J].測繪科學，2017，42(2)：88-94.

[4] 黃明，吳延斌.基于混沌遺傳算法的遙感影像分類[J].測繪科學，2011，36(2)：5-8.

[5] RODRIGUEZ-GALIANO V F，GHIMIRE B，ROGAN J，et al.An Assessment of the Effectiveness of a Random Forest Classifier for Land-cover Classification[J].ISPRS Journal of Photogrammetry and Remote Sensing，2012，67(1)：93-104.

[6] 施佩榮，陳永富，劉華，等.基于改進的面向對象遙感影像分類方法研究——以西藏米林縣典型林區為例[J].遙感技術與應用，2017，32(3)：466-474.

[7] 丁勝鋒，孫勁光，陳東莉，等.基于模糊雙支持向量機的遙感圖像分類研究[J].遙感技術與應用，2012，27(3)：353-358.

[8] 梁繼，王建，王建華.基于光譜角分類器遙感影像的自動分類和精度分析研究[J].遙感技術與應用，2002，17(6)：299-303.

[9] ANDREW J E，JOHN F M.Quantifying Vegetation Change in Semiarid Environments：Precision and Accuracy of Spectral Mixture Analysis and the Normalized Difference Vegetation Index [J].Remote Sensing of Environment，2000，73(1)：87-102.

[10] SMALL C.Estimation of Urban Vegetation Abundance by Spectral Mixture Analysis [J].International Journal of Remote Sensing，2001，22(7)：1305-1334.

[11] 黃冬梅, 陳珂, 王振華, 等. 利用空間抽樣理論的遙感影像分類結果精度評價方法[J]. 計算機應用與軟件, 2016, 33(7): 190-194.

[12] 蘇志鵠, 梁勤歐, 朱榴駿. 不同形態學剖面線遙感影像分類精度比較[J]. 遙感信息, 2015, 30(2): 36-42.

[13] 杜培軍, 夏俊士, 薛朝輝, 等. 高光譜遙感影像分類研究進展[J]. 遙感學報, 2016, 20(2): 236-256.

[14] 洪志剛, 叢楠, 閻利, 等. 不同時相遙感影像的土地利用分類精度分析[J]. 測繪科學, 2012, 37(1): 112-114.