滇中高原湖泊區地表覆蓋遙感監測應用研究

(1.云南工程職業學院，云南 昆明 650300；2.昆明理工大學國土資源工程學院，云南 昆明 650000)

通過遙感影像識別各種地面目標是遙感技術發展的一個重要環節，無論是專題信息提取、動態變化監測、專題制圖還是遙感數據庫建設等都離不開遙感影像分類技術[1]。我們所觀察到的地球表面生物物理覆蓋情況是地表覆蓋，是由各種自然形成和人為建造所組成的地表覆蓋模式。遙感影像分類是將圖像中每個像元點或每塊區域根據其在不同譜段的光譜特征、空間結構特征或其他信息，按照某種規劃分為不同類別[2]。遙感因其速度快、時間準、周期短、覆蓋面大等特點，在土地利用、覆蓋變化的研究中有著不可替代的作用，且目前遙感技術已經在地表覆蓋監測中取得了廣泛的應用[3，4]。

遙感影像分類方法有許多，從最早的通過目視解譯實現根據人的經驗和知識來識別地物類型，再到后來利用計算機進行自動解譯，并通過對比了監督分類和非監督分類在提取不同地物信息中的精度，得出了分類效果較好的最大似然法。近年來，有不少學者提出了許多新方法：基于最優波段組合提取、基于多維特征信息提取、BP神經網絡、以專家知識和經驗為基礎的光譜信息和其他輔助信息復合法、基于知識的分層分類方法、面向對象的分類方法等，這些方法對數據選擇、算法以及處理過程做了改進，分類精度均有一定提高，然而，任何一種自動提取方法都有針對性和適用范圍。隨著遙感平臺的多樣化和圖像分辨率的提高，遙感數據類型琳瑯滿目，如何對所需的遙感數據選擇合適的提取方法成為業內人士一直熱衷的研究課題[5]。

本次研究選取了傳統的監督分類以及近年發展而來的BP神經網絡分類與面向對象分類3種分類方法進行比較。以星云湖流域為試點，主要針對湖泊水體以及流域內的地表覆蓋進行遙感分類，快速、準確地獲取流域內的各類地表覆蓋的分布及數量，為星云湖高原湖泊流域的環境演變綜合研究提供數據支持，也能為該區域的土地資源利用現狀調查、土地利用變化監測、水資源宏觀監測、土地開發及保護等資源環境監測與管理方面提供技術方法體系支撐。

1 研究區及研究數據

星云湖位于云南省玉溪市江川縣境內，是云南九大高原湖泊之一。東臨華寧縣，西接玉溪，南與通海接壤，北與晉寧、澄江兩縣為鄰。星云湖湖面呈茄形，南北長9.087km，東西最大寬4.727km，東西最小寬2.518km，平均水深6.01m，當水位位于1722.5m時，湖面面積34.329km2，湖泊蓄水量為2.0981億m3，湖周長38.8km。星云湖流域面積378km2,海拔最低點1690m，海拔最高點2648m，擁有非常豐富的漁業資源和農業資源，有17萬人在其徑流區內生存,全縣3鄉3鎮共11.09萬人以湖水為飲用水源,日供水1萬t。星云湖流域位置及遙感影像見圖1、圖2。

圖1 研究區區域(星云湖流域)位置

圖2 江川縣星云湖流域的遙感多波段彩色合成影像(6、5、4波段)

Landsat系列衛星是最早的陸地資源衛星，是20世紀七八十年代甚至90年代最主要的航天遙感數據資源。21世紀以來遙感數據多源化，然而Landsat衛星影像因其價格低廉、存量數據時間跨度長、易于獲取等優勢仍然被廣泛使用，尤其是中等尺度的地域研究[6-7]。Landsat8 的設計和特征與Landsat7 基本相同，但采用了更為先進的技術，性能和可靠性都有所提高[8]。本次研究使用2014年Landsat 8號衛星的OLI影像為數據源,影像的條帶號和行編號分別為129和43。

2 研究區覆蓋分類及精度評價方法確定

2.1 地表覆蓋分類體系確定

在開展星云湖流域的遙感分類研究之前，確定適合于利用遙感監測的地表覆蓋分類體系是首要任務。經過對比分析常用的幾種地表覆蓋類型體系后，發現安德森分類系統主要針對遙感監測技術專門設計，所以本研究采用安德森分類系統的第一層次作為地表覆蓋的分類體系，分類體系中6個級別的不同土地利用和地表覆蓋類型見表1。

表1 基于陸地衛星數據建立的土地利用分類系統

2.2 監測精度評價指標

為了比較分析各種分類方法的應用效果及精確度，首先需要確定分類結果屬性正確性的精度評價方法。目前常使用構建混淆矩陣作為地表覆蓋分類后處理的重要精度評價方法[9]，通過總體精度或Kappa統計量來判斷分類精度水平。

總體精度是指被正確分類的像元總和除以總像元數。被正確分類的像元數目沿著混淆矩陣的對角線分步，總像元數等于所有真實參考源的像元總數。Kappa系數是通過把所有真實參考像元總數乘以混淆矩陣對角線的和，再減去某一類中真實參考像元數與該類中被分類像元總和之積后，再除以像元總數的平方減去某一類中真實參考像元總數與該類中被分類像元總數之積，對所有類比求和的結果。總體精度和Kappa系數公式如下：

(1)

(2)

式中：n為總的像元數量；xii為i類別正確分類像元數量；xih為參考數據中i類別的總像元數；xil為所要評價的土地覆蓋分類數據i類別的總像元數。

3 遙感監測技術應用

3.1 監測方法選取及圖像預處理

監督分類方法是遙感分類技術發展最早且應用最為廣泛的傳統經典分類方法。其技術核心是在分類之前通過實地抽樣調查，或配合人工目視判讀，對遙感圖像上某些抽樣區中影像地物的類別屬性獲得先驗的知識，然后利用計算機按照這些已知類別的特征去“訓練”判決函數，以此判別并歸類處理以完成對整個圖像的分類[10]。本研究中所選用的是監督分類中最常用也是精度較高的最大似然法。最大似然法是假設每一個波段的每一類統計都呈正態分布，計算給定像元屬于某一訓練樣本的似然度，像元最終被歸并到似然度最大的一類當中。

神經網絡近年來被廣泛應用于遙感圖像分類，分類精度也明顯得到了提升[11]。BP神經網絡是利用非線性可微分函數進行權值訓練的多層網絡，包括輸入層、中間層和輸出層,它具有收斂速度快和自學習、自適應功能強的特點，能最大限度地利用樣本集的先驗知識，自動提取合理的模型，因此BP神經網絡具有較高的精度[12]。

面向對象分類技術以圖斑作為分類的處理對象，圖斑包含的語義信息比單個像元更加豐富，不僅包含光譜信息，還包括多種特征如形狀、大小、紋理、位置等信息[13]。目前已有的研究成果表明，由于該方法中，面向圖斑對象綜合利用了遙感影像的光譜、形狀、紋理等信息，因此使得其分類效果更為客觀與精確可靠[14]。

在遙感影像的處理與分析中，預處理是最初的也是最基本的影像操作。為了消除影像的幾何畸變，需對影像進行幾何校正，另外，為了能更好地分析和使用遙感數字圖像，還需要對遙感圖像進行圖像增強、濾波、變換和特征提取等處理，從而更準確地獲取和提取到所需要的信息[15]。

a.根據地形圖或利用GPS采集的控制點對圖像進行幾何校正,此次研究采用二次多項式函數方法進行影像的幾何校正,處理過程見圖3。

圖3 數據幾何校正處理流程

在幾何糾正過程中，要用到如下配準公式：

x=a0+(a1X+a2Y)+(a3X2+a4XY+a5Y2)+

(a6X3+a7X2Y+a8XY2+a9Y3)

(3)

y=b0+(b1X+b2Y)+(b3X2+b4XY+b5Y2)+

(b6X3+b7X2Y+b8XY2+b9Y3)

(4)

b.對影像進行增強處理可以改變圖像的灰度等級，能達到提高影像對比度的效果，并且能夠突出邊緣或者線狀地物，突出主要信息等。其中對比度拉伸是最基本的圖像處理方法，主要是用來改善圖像顯示的對比度。此次研究中采用的是對遙感影像做2%的線性拉伸處理。

c.本研究區為星云湖流域，為了使數據處理更加簡單、快捷，依據星云湖流域的流域界線進行裁剪處理，得到研究區域影像。

3.2 監督分類方法技術處理

先打開要進行監督分類的影像數據，選擇不同的波段進行彩色合成，盡可能地選擇信息量最豐富的波段進行合成。波段選擇可以通過計算不同波段之間的相關系數來分析其相關性。對已確定的安德森分類系統的第一層次的六類，根據自己的分類定義相應的訓練區，其中訓練區盡可能地選擇較為純凈的區域，且每一類也要在不同地區多選擇幾個訓練區。本次研究選擇最大似然法的方法進行分類，從可用訓練區類表選擇將要用于分類的感興趣區，選擇分類圖像輸出到磁盤文件或內存。監督分類的操作流程見圖4。

圖4 監督分類流程

3.3 BP神經網絡方法技術處理

網絡的實現分兩步完成，即正向傳播和反向傳播。本研究選擇ENVI5.0平臺和對遙感圖像做預處理，即對其做光譜增強、降噪、去條帶、幾何、輻射校正等處理。操作流程見圖5。

圖5 BP神經網絡操作流程

本研究選擇基于光譜特征的BP神經網絡分類方法，網絡的各參數設置如下：初始權值a=0.1，學習速率因子η=0.9，動量因子a=0.01，給定網絡全局誤差E=0.01，經過不超過1000次的學習，網絡模型收斂，獲得較好的分類結果。將上述訓練參數對研究區的訓練樣本進行BP網絡訓練，其訓練結果曲線見圖6。從中推斷出，所構建的基于光譜數據和地理信息數據的BP網絡結構和各相關參數設定較為合理，可以進行快速有效的BP網絡訓練，并能夠得到較準確的分類結果。

圖6 BP人工神經網絡訓練結果曲線

3.4 面向對象方法技術處理

面向對象的分類方法分為發現對象和特征提取兩個部分。面向對象的操作流程見圖7。

圖7 面向對象分類過程

面向對象方法是根據臨近像素亮度、紋理、顏色等對影像進行分割，它使用了一種基于邊緣的分割算法，這種算法較為簡捷，并且只需一個輸入參數，就能產生多尺度分割結果。而選擇一種合適的分割尺度是面向對象方法技術的關鍵。本次研究在分類過程之前以分割尺度50、聚合尺度50，分割尺度40、聚合尺度60和分割尺度30、聚合尺度70三種不同的分割尺度和聚合尺度進行效果對比，效果見圖8。

通過對3種不同分割尺度、聚合尺度的效果對比可以發現，當分割尺度參數為30、聚合尺度參數為70時分類效果較好，不僅地物分割準確，而且相近光譜的小斑塊也合并了在一起。所以本次研究最終確定其分割尺度參數為30，聚合尺度參數為70。

4 監測結果整理與精度分析

4.1 監測結果整理分析

對星云湖流域采用監督分類的最大似然法、BP神經網絡和面向對象分類3種分類方法，所得到的3種地表覆蓋遙感分類監測結果見圖9。

圖8 不同尺度下分割示意圖

圖9 不同分類方法技術處理結果

4.2 監測結果精度分析

對監督分類中的最大似然法、BP神經網絡、面向對象3種分類方法的混淆矩陣進行對比計算，得出3種分類方法的總體精度和整體Kappa統計量，見表2。直觀對比可知，針對研究區所開展的3種分類技術應用結果，無論從總體精度還是Kappa統計量看，分類精度最好的是面向對象技術方法，其次是BP神經網絡，傳統的監督分類技術應用結果的精度相對較低。

表2 不同分類方法的精度的比較

5 結果與討論

在以星云湖流域為研究區，利用遙感技術對滇中高原湖泊的地表覆蓋分類方法的對比研究中，發現利用常規的分類方法如監督分類的總體精度雖達到了78.03%，Kappa統計量為0.73，但由于受地物光譜特征的干擾和混淆,很難得到較為理想的分類結果。而BP神經網絡和面向對象的分類方法總體精度分別達到了88.70%和92.76%，其Kappa統計量也達到了0.8572和0.9060，其精度足以支撐星云湖高原湖泊流域的環境演變綜合研究，也能為該區域的土地資源利用現狀調查、土地利用變化監測、水資源宏觀監測、土地開發及保護等資源環境監測與管理方面提供技術方法體系支撐。

通過對研究區組織開展的地表覆蓋遙感監測技術應用研究，總體結論如下：

a.監督分類是較為傳統的分類方法，操作較為簡單，但從效率方面來說，監督分類其人為主觀因素較強；訓練樣本的選取和評估需花費較多的人力、時間。而從分類精度方面來說，監督分類只能識別訓練樣本中所定義的類別，對于因訓練者不知或因數量太少未被定義的類別，監督分類不能識別，從而影響分類結果，特別是對土地覆蓋類型復雜的地區影響更大。

b.BP神經網絡分類方法由于在分類初期需要對樣本進行多次網絡訓練，因此相對于最大似然法這種傳統的分類方法，該技術應用結果可以較好地提升分類精度。

c.面向對象的分類方法能夠很好地利用遙感影像自身的紋理信息、拓撲關系和光譜信息。相比于傳統的基于像元的識別模式與自下而上分類歸并機制，能夠較好地提高分類精度。但面向對象的影像分析技術所面臨的首要問題是影像分割，影像分割質量的好壞直接決定了影像后期處理(影像理解、影像識別、影像分類等)的精度，因此如何選擇合適的影像分割尺度已成為面向對象影像分析技術的關鍵[16]。