基于激光測高衛星全波形數據的地表覆蓋分類應用
——以北京市城區為例

權學烽，唐新明，李國元，高顯連

(1.蘭州交通大學，蘭州 730070；2.自然資源部國土衛星遙感應用中心，北京 100048；3.甘肅省地理國情監測工程實驗室，蘭州 730070；4.國家林業局衛星林業應用中心，北京 100714)

0 引言

1971年美國的阿波羅-15號搭載了第一臺星載激光測高儀，并在隨后的時間里大力發展衛星激光測高技術[1-7]。2003年美國發射了首顆對地觀測激光測高衛星，冰、云和陸地高程衛星ICESat/GLAS(ICE，Cloud and land Elevation Satellite/Geoscience Laser Altimeter System)，該衛星于2009年停止數據接收，在這期間共接收了近2億個激光測高點，為土地覆蓋分類研究提供了豐富的數據。近幾年來，隨著對地觀測技術的發展和國家戰略的需求，國家高分辨率對地觀測系統重大專項以及國家民用空間基礎設施中均明確提出我國將發射高分七號(GF-7)衛星和陸地生態系統碳監測衛星[8]。這些衛星都將搭載激光測高儀，為我國的星載激光測高數據應用研究提供幫助。2016年5月30日，資源三號02星順利發射，02星上搭載了國內首臺對地觀測的激光測高儀，主要用于測試激光測高儀在對地測量時的精度，以及探索激光測高數據與光學遙感影像結合實現無控立體測圖的可行性[9]。目前，國外圍繞基于星載全波形激光測高數據在土地覆蓋分類應用開展了較多的研究，并且以美國的ICESat數據為主，國內僅有少數團隊在進行星載激光測高數據的應用研究，其中森林生物量反演和湖泊監測等方向的研究人員較多，而土地覆蓋分類方向的研究還處于剛剛起步的階段。

土地覆蓋分類應用研究主要目的是通過激光測高儀接收到地表回波的波形信息來進行地表覆蓋物的分類，提升分類準確率一直是該研究領域的熱點與難點。目前該方向的研究主要通過兩個部分來提升分類準確率，一部分是在波形處理時使返回波波形更為精確以及提高回波波形的利用率，挖掘有效的波形參數，其中波形處理的方法有利用高斯分解提取波形特征參數的波形特征參數法和將波形轉化為累計分布函數(cumulative distribution function，CDF)曲線的曲線匹配法2種方法；另一部分是通過對多種分類器的研究與改進來提高分類的準確率，目前應用于星載激光測高數據在地表覆蓋分類的主要分類方法有K均值法(K-mean，KM)、圍繞中心剖分法(partitioning around medoids，PAM)、模糊C均值法(fuzzy C-means，FCM)、決策樹算法(decision tree，DT)、最大似然分類(maximum likelihood，ML)、人工神經網絡(artificial neural networks，ANN)、隨機森林(random forest，RF)以及支持向量機(support vector machines，SVM)。Duong等人通過對原始波形進行波形預處理后利用波形特征參數法進行了土地覆蓋分類，實驗分類準確率為73%，表現出良好的一致性[10]。大多數國外學者在進行土地覆蓋分類研究時也使用該方法，通過對不同地區的實驗發現，選取適當的分類器可以提高分類的準確率，但是當分類的種類增多時，分類的準確率出現下降，且該方法是對連續的波形進行參數提取變為離散的數據，在面對多種相似但不同的種類時，該方法可能損失了部分有用的信息導致分類的準確率下降，但是該方法在大多數情況下都是適用的[11-15]。Zhou等人提出了基于KS距離分類的CDF曲線匹配法，實驗結果表明基于KS距離分類的土地覆蓋分類準確率可以達到87.2%，Kappa系數為0.80[16]。這種方法優于使用高斯分解參數的土地覆蓋分類方法3.5%，該方法在一定的區域內提供了比特征參數法更高的分類準確率，這可能是由于該方法是對完整波形的使用，獲得了更多的分類信息，從而使分類準確率上升。2016年Zhou等人利用全波形數據來測試曲線匹配法區分不同垂直結構物體的能力，在基于原來的曲線匹配算法的基礎上擴展了2組新的曲線匹配方法，分類準確率有所上升[17]。

本文使用ICESat/GLAS在北京地區的全波形數據，采用改進后的CDF和KS距離算法，開展土地覆蓋分類實驗研究，以驗證星載全波形激光數據在土地覆蓋分類的應用前景，為我國后續的激光測高衛星在土地覆蓋分類應用提供參考。

1 實驗區和實驗數據

1.1 實驗區概況

實驗區位于中國北京市市區周邊區域(115.4°E～117.5°E，39.4°N～41.1°N)。北京市中心位于116°23′E、38°54′N，位于華北平原西北邊緣，與天津相鄰且被河北省環繞包圍，如圖1所示。

圖1 北京市GLAS足印點分布圖

由于全波形數據對于復雜地物分類存在一定局限性，相似地物類型在分類時的效果較差[11]，因此本研究將實驗區地表類型分為4類，分別為裸地、水體、樹木和建筑物。該區域內的建筑物構造復雜，既有較高的樓房也有低矮的棚戶型建筑，因此分類難度較高。由于北京周邊地形復雜、有較高的高程變化，為了減弱地形對于分類結果的影響，故選取北京市城區進行土地覆蓋分類實驗。

1.2 實驗數據

1)ICESat/GLAS數據。實驗中使用ICESat/GLAS數據為分類數據，ICESat/GLAS是首顆對地觀測激光測高衛星，且大量國外學者已經驗證了該數據的可靠性，因此使用該數據進行土地覆蓋分類得到的結果具有一定的可靠性。本實驗使用北京地區的2003—2008年的GLA01、GLA05和GLA14。GLA01數據產品包含發射和接收的波形數據、光斑號、時間、經緯度、脈沖能量等信息；GLA05數據產品包含波形特征參數、激光足印的長短軸參數和其他計算表面傾斜等地形特征時必須用到的參數；GLA14數據產品包含經波形分解得到的高斯波信息以及地表的高度信息、經緯度和高程信息。

2)驗證數據GLC30。本實驗使用2003—2008年Landsat-7歷史遙感影像及GlobeLand30數據進行驗證，通過對足印點與遙感影像的疊加分析可以精確地判讀該區域內的土地覆蓋信息。GlobeLand30分類數據利用的影像為30 m多光譜影像，包括美國陸地資源衛星(Landsat)TM5、ETM+多光譜影像和中國環境減災衛星(HJ-1)多光譜影像。除了多光譜影像外，還使用了大量的輔助數據和參考資料，以支持樣本選取、輔助分類等工作。在GLC30數據集中代碼10為耕地、20為森林、60為水系、80為人造覆蓋物、90為裸地。本實驗將耕地與裸地合并為裸地類，因為其波形數據較為相似，且當耕地農閑時其地表特性與裸地相似；森林和部分單獨的樹木分類為樹木類。

2 分類方法

本實驗為3組實驗，第1組實驗為初步實驗，驗證CDF曲線KS距離匹配法在土地覆蓋分類方向應用的可行性，并顯示不剔除坡度、地形因素的分類準確率；第2組實驗為剔除坡度與地形因素后的分類實驗，與第1組實驗組成對比實驗，顯示出坡度與地形對地表覆蓋分類準確率的影響；第3組為本文改進方法的實驗，該實驗在CDF曲線與KS距離匹配法的基礎上加入了波峰數和返回能量2個特征值，期望能進一步提升分類的準確率。本文改進方法實驗流程如圖2所示。

圖2 本研究方法流程圖

2.1 數據預處理

GLAS數據預處理是數據應用的前提和保障，因此需要以下幾個步驟對數據進行處理校正后才能進行進一步的應用。

①電壓值轉換。GLAS數據被壓縮為1～256的計數波形，電壓值轉換是將計數波形轉換為真實波形的過程。

②波形正則化。在對比分析不同脈沖和環境下的波形時需要利用波形正則化將其統一。

③數據解壓縮。GLAS數據是將連續的1 000幀信號壓縮為544個(陸地)或200個(海洋)采樣值，數據解壓縮過程就是該過程的逆過程。

④波形濾波。波形濾波就是將波形中存在的噪聲進行去除。

在進行完上述標準步驟后，對足印點進行進一步的篩選，首先將返回能量值小于0.1的數據進行剔除，這是因為該數據受到云層的影響較大，之后對坡度大于10°的數據進行剔除，以消除坡度對地物分類的影響[18]。

2.2 CDF轉換

CDF轉換是指將經過數據預處理的波形數據轉化為累計分布函數圖像的過程，可以由公式(1)進行轉換。

(1)

式中：jmin為閾值設置后波形開始的值(即開始接受能量的時刻)。

2.3 KS距離匹配

KS距離匹配(Kolmogorov-Smirnov distance text，KS)是用來測試樣本曲線與實驗曲線之間的相似程度，通過實驗曲線與樣本曲線之間的對比得到實驗曲線與更接近于哪一組樣本曲線。KS距離匹配方法由公式(2)、公式(3)表示。

(2)

(3)

2.4 返回能量對比

通過對不同足印點反射能量大小進行對比可以進一步準確地對地物進行分類，有效地區分裸地與水體、建筑物與樹木。返回能量由公式(5)近似表達。

(4)

式中：vi為ti時刻的電壓值，其中t為計數間隔，不影響不同地物返回能量之間的對比，所以可化簡為

(5)

通過對已經分類后的各個種類進行能量計算后，對每個種類計算其期望值作為能量閾值，按大小排列。當已知A類的能量閾值a，B類的能量閾值b，當aB時，將a1的數據分為B類。當存在3類時，C類的能量閾值為c且ab且a1c時將a1分為C類。

3 實驗與分析

3.1 樣本訓練實驗

使用目視解譯法在篩選后的數據中選取20個具有良好代表性的激光點數據(每種類型5個點)之后，隨機提取200個激光點作為測試數據進行分類，使用KS距離匹配法進行分類，分類結果如表1所示。

表1 樣本分類結果

其中有29個建筑物為正確分類，84個裸地為正確分類，4個水體為正確分類，22個植被為正確分類，將這139個波形數據作為樣本數據進行之后的實驗。

圖3為具有代表性的典型地物的地面真實影像與波形圖象、CDF曲線的匹配圖。

(圖中紅色橢圓為近似激光足印點)圖3 影像、波形、CDF匹配圖

3.3 CDF方法

本實驗使用曲線匹配法進行分類，實驗數據選取了2003—2009年的GLAS點共8 600個點進行實驗。該數據集離散地散落于整個北京市，整個數據集之間的空間關聯性較差，其分類結果如表2所示。

表2 實驗1分類結果

其準確率為0.67，其Kappa系數為0.415。通過對表2中錯誤分類點的分析發現，當選取的實驗點數據未處于平坦地形且空間關聯性較差時，較高地形的樹木會錯誤地分類為建筑物，相對應的較低地形的建筑物也會錯誤地分類為樹木，辨別建筑物與樹木主要是因為建筑物的CDF曲線上升較快與樹木CDF曲線不同，且建筑物與樹木的起波點不同且轉折點位置不同，但是由于地形原因導致樹木與建筑物的起波點相似，使得其整體不同差距變小，而不同地形的建筑物在起波點的差距導致其具有較大的不同性，使得樹木錯誤地分類為建筑物，建筑物錯誤地分類為樹木。實驗發現裸地和水體之間，裸地和建筑物、樹木之間也有錯誤分類的情況，分析后發現這可能是由于建筑物或樹木的地表反射能量較低，形成的上升曲線與裸地或水體的曲線較為相似從而錯誤地分類，且也可能是由于裸地的起波點與樹木和建筑的起波點相似造成的錯誤分類。而當坡度較大時會造成無法判斷激光點的最后一個波峰是否為地面反射的波峰的情況，而且也會造成波形展寬的現象。

通過以上分析可以發現在不同地物之間的分類其起波點位置在分類中顯得尤為關鍵，也就是說地形和地物高程的不同較為關鍵，因此在進行地物分類時要選取同一地勢、坡度較小的區域進行分類。

3.4 去除高程影響的CDF方法

該實驗繼續使用與實驗1相同的方法，但在激光點選取時選取了同一地形、坡度不大于10°的激光點數據[18]，并且對范圍內的激光點數據進行了進一步篩選，最后得到篩選后的2 000個激光足印點，分類結果見表3所示。

表3 實驗2分類結果

其準確率為0.81，其Kappa系數為0.58，分類準確率和Kappa系數有較高的提升。因此，坡度和地形對于分類準確率還是有較大的影響。本實驗還通過對被篩選掉的數據分析發現，大多數處于高坡度的地表覆蓋類型都是裸地或者樹木，基本沒有建筑物，即使存在建筑物也為臨時搭蓋的棚戶房。

通過對錯誤分類的數據進行分析發現，在同一地形下，建筑物和樹木出現相互錯誤分類的情況，通過在高分辨率遙感影像上發現，這是由于部分建筑物為低矮建筑物，只有2～4 m，與樹木高度一致，導致起波點相似，在分類時不能很好地判別。水體、裸地與建筑物、植被之間也出現少量的分類錯誤現象，這可能也是由于建筑物或樹木的高度較低，且地表返回能量較低導致形成的曲線與裸地、水體的CDF曲線較為相似導致的。

3.5 本文方法

實驗在Zhou的方法的基礎上加入了波峰數與返回能量值的參數分類。首先對CDF曲線進行分類，分為波峰(水體、裸地)與多波峰(建筑物、樹木)兩類，該過程也可以在CDF曲線轉換之前進行。在進行KS距離匹配法之后，進行返回能量判別。其分類結果如表4所示。

表4 本文方法分類結果

準確率為0.90，Kappa系數為0.767，表現出較好的分類準確率，但是Kappa系數較低。該結果驗證了該改進方法的可行性。可以發現多數錯誤的分類已被分為正確的類型。在本實驗中發現當分類數較少時，其返回能量閾值之間的間距較大，不會產生重疊的情況，當分類種類較多時，返回能量閾值之間的間距會變小，區別性會降低，該方法的分類效果將會變低，但是分類數與分類準確率之間的關系還需進一步實驗研究。實驗結果中仍有個別的類型還是處于錯誤分類之中，通過對比同時相的影像數據發現，其中建筑物錯誤地分類為裸地是由于驗證樣本的時間與實驗數據之間的不一致性導致的。通過對比歷史影像和GLC30分類圖發現，GLC30為2010年的數據生成的地物類別地圖，而北京市在2003—2010年之間發生了較大的變化，其中北京南部郊區等地的地表覆蓋類型都由裸地轉變為建筑物，而使用GLAS數據可能正確地分類裸地但是在判斷時錯誤地判斷為建筑物。除去這部分因素之后分類準確率還會進一步上升，其他的錯誤分類還需進一步研究。

通過表5可以清晰地發現去除坡度和地形因素地表覆蓋分類準確率的上升，改進后的方法在準確率和kappa系數上都有較大的提升，表明了該方法的有效性。

表5 實驗結果對比

4 結束語

本研究采用GLAS數據，將CDF曲線匹配法與KS距離匹配法相結合的方法，驗證了衛星激光測高全波形數據在地表覆蓋類型分類中的可應用性，并對該方法進行了適當的改進以提升其分類準確率。實驗結果表明該方法可以有效提高分類的準確率，但是還存在一定的問題。首先該方法去除了坡度與地形的影響，這說明該方法僅適用于平原甚至是城市地區，在坡度較大的地區無法進行有效的分類，對分類的范圍有了制約；第二，在進行閾值設定時，需要分類類型之間具有較大的區別，因為相似類型的覆蓋物的能量閾值極為相似，不能有效進行二次判別；第三，本實驗選取的建筑物與植被閾值的可變性。通過實驗發現，就樹木與建筑物的返回能量而言，樹木的返回能量一般大于建筑物的返回能量，但是這與樹木冠層的大小、樹木的高度有關，而區域性的樹木和城區范圍內的樹木一般為同批次同種類栽種，其冠層大小與高度相似，因此其能量閾值設定較為規律與簡單。而當分類區域為野外時，樹木生長的時間不一致并且種類混雜，其能量閾值的選取較為困難，有待進一步實驗進行論證。