基于高分一號影像的天津市寶坻區地表覆蓋分類研究

吳培昊 馬浩然

摘 ? ?要：由于國產高分一號衛星WFV相機的16 m數據獲取具有免費、時效性好等特點而被廣泛應用于遙感信息提取。面向對象的分類方法能夠解決基于傳統像素的分類方法所具有的破碎性強、易產生同譜異物現象的問題。本研究采用基于面向對象的分類思路，以天津市寶坻區為研究區域，通過獲取高分一號衛星影像并進行預處理，利用遙感信息處理軟件eCognition對該數據進行影像分割，并對影像分割斑塊進行基于規則的分類，提取出寶坻區范圍內植被、水體、建設用地、裸地四類地物，并利用高分辨率影像對比進行精度驗證，分類總精度達到93%。結果表明：利用高分一號國產衛星16 m影像，采用面向對象的分類思路進行地表覆蓋類別的信息提取，可以快速便捷地實現目標區域空間地理信息的獲取，對于監測地表覆蓋面積和分布狀況起到指導作用。

關鍵詞：高分一號影像;地表覆蓋分類;天津市;寶坻區

中圖分類號：S127 ? ? ? ? ? 文獻標識碼：A ? ? ? ? DOI 編碼：10.3969/j.issn.1006-6500.2020.02.007

Study on Landcover Classification in Baodi District Tianjin City Based on Gaofen-1 Satellite Image

WU Peihao， MA Haoran

（College of Agronomy and Resources and Environment， Tianjin Agricultural University， Tianjin 300384， China）

Abstract： The 16 m data of WFV camera of domestic Gaofen-1 satellite is widely used in remote sensing information extraction due to its free access and good timeliness. The object-based classification method can solve the problem that the traditional pixel-based classification method has strong fragmentation and is easy to produce the same spectrum of different objects. In this study， we use object-oriented classification method and taking Baodi district Tianjin city as the research target， acquiring and preprocessing GF-1 satellite image， using eCognition software to process segmentation of image， and classify the segmentation image with rule-based extraction method， and extract the vegetation， water， construction land and bare land of Baodi district. Using higher resolution image to verify classification result， the overall accuracy of accuracy verification results reaches 93%. Results showed that using 16 m resolution of GF-1 satellite images with the object-based method to extract landcover categories could be help extracting geographic information target region quickly and easily， and played a guiding role on monitoring the landcover area and distribution.

Key words： GF-1 remote sensing image; land cover classification; Tianjin city; Baodi district

地表覆蓋分類信息是能夠反映自然、人工地表覆蓋要素的綜合體，包含植被、土壤、河流、湖泊、冰川、沼澤濕地及各類人工構筑物等元素，側重描述地球表面的自然屬性，具有明確的時間及空間特性。獲取地表覆蓋分類信息工作數據量大、實時性強、人工監測費時，利用遙感影像進行自動化分類長期以來一直是研究的熱點。傳統大面積獲取遙感數據除了使用開源的國外數據例如MODIS、Landsat影像外，大都采用向國內外供應商購買的方式獲取遙感影像數據。對于大面積范圍的監測，購買數據的成本一直以來是一個制約數據應用的難題。隨著國產衛星的發展和高分辨率衛星的相繼發射，我國高分辨率數據自給率有了很大提升。“高分一號”衛星是國家高分辨率對地觀測系統重大專項天基系統中的首發星[1]，發射于2013年4月26日，其主要目的是突破高空間分辨率、多光譜與高時間分辨率結合的光學遙感技術，推動我國衛星數據質量水平的提升。“高分一號”衛星具有高、中空間分辨率對地觀測和大幅寬成像結合的特點，WFV相機的16 m空間分辨率多光譜圖像組合幅寬優于800 km。高分一號16 m數據的特點是容易獲取，目前在國內商業和政府網站上可以免費申請使用。高分一號WFV相機數據參數見表1。

諸多學者利用高分一號數據進行了信息提取，楊長坤等[2]采用支持向量機算法對遼寧阜新地區的高分一號影像進行像素級別的土地利用分類，結果表明高分一號影像分類結果可與Landsat 8影像分類結果媲美。劉書含等[3]對高分一號影像采用面向對象分類方法對比傳統像素級的分類方法，在尺度適宜時分類效果優于像素級分類方法，尺度不合適時效果則差于像素級方法。麻鍇等[4]使用高分一號寬幅多光譜數據構建濕地分類決策樹模型，結果表明NDVI 和NDWI指數可以較好地提取出植被和水體。李健等[5]用6種分類方法對湖南省益陽市的高分一號影像進行分類，研究結果表明基于像素的支持向量機的監督分類和基于對象的監督分類具有一定的優勢。謝飛[6]對高分一號影像分別應用基于像素的最大似然分類法和基于對象的知識構建決策樹分類法對影像進行遙感分類，得出面向對象分類方法分類精度更佳。丁相元等[7]用16 m高分一號影像對沙化土地類型的光譜特征及其全年的NDVI變化特征進行了分析，發現時間序列數據變化信息可提高沙化土地類別之間的可分離度。程益鋒等[8]對西沙群島高分一號16 m的數據進行了最小距離、馬氏距離、最大似然、神經網絡、支持向量機等基于像元的監督分類和使用面向對象分類，結果表明像素級支持向量機和面向對象分類方法精度較高。歐健濱等[9]基于多時相的高分一號16 m數據獲取NDVI 時序變化指數，結合MNDVI 、EIBI指數和DEM等構建閾值規則分類法，結果優于最大似然法及最小距離法。不同的學者針對高分一號影像提取不同地物，相應采用了不同的方法，總體來說面向對象的分類思路要優于基于像素的分類思路，分類算法根據地類選擇有所不同，但植被指數和水體指數等在分別提取植被和水體時均取得了較好的效果，可以作為分類的參考方法。

本研究旨在研究利用高分一號16 m分辨率影像數據區分地表覆蓋一級類別，結合高分一號時效性強的特點，可以快速地獲取高分一號數據，并為地表覆蓋分布和動態變化分析做出指導。

1 數據來源和研究方法

1.1 研究區概況和數據來源

1.1.1 研究區域概況 ? ?寶坻區位于天津市北部，東經117°8'～117°40'，北緯39°21'～39°50'。東及東南與河北省玉田縣、天津市寧河區相鄰;南及西南與天津市寧河區、武清區接壤;西及西北與河北省香河縣、三河市相連;北及東北與天津市薊州區、河北省玉田縣隔河相望。本研究區域為寶坻區全域，面積約1 509 km2，高程為2.5～3.0 m。

1.1.2 數據來源以及預處理 ? ?本文所使用的數據為高分一號衛星多光譜WFV相機的16 m分辨率影像數據，影像獲取來自遙感集市免費下載，影像成像時間為2017年8月30日，影像包含4個波段：紅、綠、藍、近紅外波段。本研究應用ENVI 5.3遙感影像處理軟件對影像進行了預處理。鄧書斌[10]認為：對于分辨率小于或等于15 m，且具有RPC文件的圖像，可以采用正射校正的方法完成幾何校正，以達到更高的精度要求。本研究中使用的高分一號數據是1A級產品，提供了配套的衛星直傳姿軌數據生產的RPC文件，因此幾何校正部分主要采用原始數據自帶的RPC參數，進行基于影像自帶參數和高程的正射校正。另外根據寶坻區的矢量范圍，得到寶坻區范圍內的遙感影像，用于試驗與分析處理。裁剪后的影像效果如圖1。

1.2 研究方法

本研究旨在研究天津市寶坻區地表覆蓋類型分類情況，利用國產高分一號16 m分辨率遙感影像作為數據源，采用基于影像分割對象的規則分類方法進行分類，區分出天津市寶坻區水體、植被、建設用地和裸地的分布范圍。研究選用的遙感數據為植被長勢良好的8月份，避免大量農田進行收割后出現裸露地表的狀況，有利于準確提取植被覆蓋范圍。

1.2.1 基于對象的遙感影像特征提取 ? ?傳統的遙感信息提取技術依靠影像的像素作為基元進行分類，此種方法直接針對影像進行分類，效果迅速但容易忽略鄰近影像地物整片圖斑的結構和紋理信息，對于同類別地物之間異質性較強的情況不能較好地避免。

基于對象分類技術則是通過影像分割得到均質影像對象，集合鄰近像元為對象用來識別感興趣的光譜和形狀等要素，需要先通過對影像進行分割形成許多個特征較為同質的影像對象，影像中同類地物的特征差異會減小，而不同類型地物之間的差異則加大，在一定程度上增加了類別的可分性。首先將影像分割成有意義的影像斑塊，并提取對象斑塊的各種特征屬性，然后再基于特征空間對影像進行分類[11]。基于對象的分類技術能夠充分利用高分辨率的全色和多光譜數據的空間、紋理和光譜信息來分割和分類，基于對象的分類技術適宜用于在中高分辨率的遙感數據中提取信息。

1.2.2 基于規則的特征提取 ? ?基于規則的特征提取首先會對全部分割對象斑塊進行某個特征的運算，通過計算機與人工分析選擇適合的特征，確定相應的特征閾值范圍。操作時對特征運算結果進行閾值的限制，提取出每個特征閾值范圍內屬于某個類別屬性，最終得到至少兩種類別的分類結果。通過使用多種特征包括遙感影像提供的多個波段信息及其組合特征規則進行限定，可以得到不同地物類型的地類區分，由于本文研究的地塊范圍較大，每種類別內部同質性較高，適用于此種規律性較強的規則閾值分類。在建立規則時，有的類別難以用一個特征規則表達出來，由于此類別的區分可能需要由若干個規則組成，通過多個規則條件對類別加以限制，提取結果更為準確。

1.2.3 影像分割 ? ?影像分割常常會綜合影像中鄰近像素的亮度、紋理、顏色等對影像進行分割，影像分割技術主要分為基于邊緣檢測的分割技術和基于區域生長的分割技術，每種方法在不同條件下都有其不同的適合影像。影像分割是對面向對象影像信息提取的一個關鍵步驟，影像分割結果直接關系到后面特征信息提取的精度，此分割對象與地物的邊界吻合度越高，特征信息提取結果越準確[12]。

本文采用基于區域生長合并的分割方法使用較廣泛、效果較好[13]。利用eCognition軟件對影像進行多尺度分割，通過設置“分割尺度（Scale Parameter）”調節分割斑塊大小，“形狀因子（shape）”調節對象幾何特征，“緊致度因子（Compactness）”調節對象的邊緣平滑度。

本文設置的分割尺度為，分割尺度：30;形狀因子：0.2;緊致度因子：0.5，經過測試分類結果能夠滿足要提取的水體、植被、建設用地等地物的分割效果。

1.2.4 規則閾值分類 ? 本文使用進行規則閾值分類，分類是在影像分割后進行。由于每個分割后的影像對象是由多個像素構成的，因此可以計算出每個影像對象的光譜、紋理、性狀等多種信息。通過選取這些信息中的典型特征，逐一對每個類別進行區分，本研究操作使用的是eCognition軟件的Assign Class算法，該算法的特點是每次只能區分一個類別，但是可以設定多個規則條件，因此可以針對水體、植被、建設用地、裸地選用典型的特征進行一一提取。該分類方法可以設置每次對未分類部分進行分類，即每次分類與已分類類別不沖突。分類的關鍵是構建規則和閾值之前需要先選取典型地物提取特征，然后再根據每個目標類別制定相應的分類提取規則。影像常用的對象特征包括光譜特征、紋理特征和空間特征。

光譜特征是描述影像對象的光譜信息特征，與對象內像元的灰度值有關，它是由實際地物組成成分和影像成像狀態所決定的固有的光學物理屬性[14]。常用的描述影像對象的光譜特征有均值、亮度、方差、波段灰度比值、比值指數等特征。光譜特征是遙感影像數據分析的基礎，光譜特征不僅可以直接用來作為提取特征，也可以作為構建指數特征的基礎，將多個光譜特征之間建立線性或非線性的關系，可以生成各類典型指數，比如植被指數、水體指數等。

本文提取植被和水體就分別用到了植被指數和水體指數。

歸一化植被指數NDVI= （NIR-R）/（NIR+R）

歸一化水體指數NDWI = （Green- NIR）/（Green+NIR）

藍波段比值：Ratio B=Blue/（Blue+Green+Red+NIR）

平均偏差濾波算法（Abs. Mean Deviation Filter）：計算某個波段的高斯加權平均值的偏差。

式中，NIR為近紅外波段均值，R為紅波段均值，Green為綠波段均值，Blue為藍波段均值。

1.2.5 分類規則建立 ? ?閾值分類最主要的就是根據影像特征建立分類規則，建立分類規則常常需要根據已有的經驗或者特征進行試驗嘗試，得到區分每種地物的最適宜特征，例如植被指數、波段比值等。eCognition Developer軟件中提供的對象計算工具能夠方便地執行圖像中各個波段的加、減、乘、除、三角函數、指數、對數等數學函數計算。

分類操作是在eCognition Developer軟件中直接進行，對植被、水體、建設用地等地物進行不同波段特征的分析，根據前人的研究經驗和試驗多次嘗試，確定每種適宜提取每種地物的特征。其中植被指數和水體指數是研究和實踐證明能夠提取植被、水體效果較好的指數。

建設用地由于大多為不透水的水泥地和建筑等，在藍波段響應明顯，藍波段比值以及藍波段的標準差也會有明顯的響應。裸地是提取難度較大的地物，由于與建設用地和未耕耕地較為接近，因此放在最后提取。提取操作過程通過Customized Fearture功能計算水體指數（NDWI）、植被指數（NDVI）以及藍波段比值。幾個類別的提取規則設置如下：

水體：NDWI > 0 and Mean_NIR<370

植被：NDVI > 0.2 and not水體

建設用地：Ratio_Blue >= 0.24 and stand deviation_

Blue>=13 and Abs.Mean_Deviation Filter_Blue>4 and Mean_Red >= 360.

裸地：手動提取。由于裸地部分很少，典型特征不明顯，使用規則分類意義不大，因此采用手動進行區分裸地。手動提取裸地的效果如圖3中黃色部分。

2 結果分析與精度驗證

應用高分一號衛星影對像天津市寶坻區主要地表覆蓋類型進行基于規則閾值的方法分類，區分出植被、水體、建設用地、裸地。得到的分類結果如圖4。

進行精度驗證是在影像范圍內隨機生成樣本點，利用樣本點的實際地物屬性與分類結果的地物屬性進行匹配與對比，統計出分類精度。本研究根據寶坻區范圍在影像內利用ArcGIS軟件隨機生成115個隨機取樣點，在Google earth高清影像中對這些樣本點一一進行目視識別，保證精確性。通過確定每個驗證點的屬性類別屬性，用于對已分類結果進行精度驗證。這115個點的位置分布如圖5。

利用這115個點生成混淆矩陣，混淆矩陣可以計算出每個類別的分類精度，統計計算出總的分類精度。計算出的混淆矩陣驗證結果如表2所示。

3 結論與討論

本研究以國產高分一號WFV相機傳感器16 m分辨率的影像為數據源，采用先對影像進行多尺度分割，再針對分割對象采用規則閾值的分類方法，能夠較好地避免基于像素分類方法導致的破碎化和同譜異物現象。分類方法采用的基于特征的閾值分類方法，通過構建植被指數、水體指數以及藍波段比值和標準差等特征，實現對水體、植被、建設用地信息的提取，對于利用指數構建大范圍水體、植被規則，具有較佳效果，形成了2017年8月30日的影像分類結果，并進行了精度驗證。研究結果表明：針對高分一號16 m分辨率的四波段影像采用指數閾值分類對于提取水體、植被具有較好的效果，主要由于水體、植被內部均質性較強，閾值分類方法不容易與其他地物混淆。相較于選擇樣本的監督分類減少一些工作量，這種方法經驗知識可靠有效。對于建設用地，如果內部異質性不太大的話也能取得較好的提取效果，裸地由于與建設用地很相似，但實際上不像建設用地那樣不透水，其區分是一個難點，本研究中裸地較少，主要采用的手動提取，裸地類別可在更高分辨率和更豐富的波段影像上嘗試提取研究。

本研究只采用一期影像數據進行提取，對于耕地在不同作物種植收割的情況尚未考慮，若能將一年內種植不同作物的多個季節的耕地影像同時進行提取與分析，則會更加有助于耕地范圍的提取，同時也能避免裸地與耕地的混淆。

參考文獻：

[1]云影.高分辨率對地觀測系統重大專項首發星——高分一號衛星[J].衛星應用，2013（3）：72.

[2]楊長坤，王崇倡，張鼎凱，等.基于SVM的高分一號衛星影像分類[J].測繪與空間地理信息，2015，38（9）：142-144，146.

[3]劉書含，顧行發，余濤，等.高分一號多光譜遙感數據的面向對象分類[J].測繪科學，2014，39（12）：91-94，103.

[4]麻鍇，查東平，王寶健.基于高分一號寬幅多光譜影像的鄱陽湖濕地分類研究[J].測繪與空間地理信息，2016，39（6）：107-110.

[5]李健，郭云開，安冠星，等.高分一號影像分類方法對比分析[J].江蘇科技信息，2017（11）：33-37.

[6]謝飛.基于高分一號影像的兩種地表覆蓋分類方法對比研究[J].現代測繪，2017，40（4）：21-23.

[7]丁相元，高志海，孫斌，等.基于高分一號時間序列數據的沙化土地分類[J].國土資源遙感，2017，29（3）：196-202.

[8]程益鋒，黃文騫，吳迪，等.基于高分一號衛星影像的珊瑚島礁分類方法[J].海洋測繪，2018，38（6）：49-53.

[9]歐健濱，羅文斐，劉暢.多源數據結合的高分一號土地利用/覆蓋分類方法研究[J].華南師范大學學報（自然科學版），2019，51（5）：92-97.

[10]鄧書斌.ENVI遙感影像處理方法[M].北京：高等教育出版社，2014：208-212.

[11]關元秀，王學恭，郭濤，等.eCognition基于對象影像分析教程[M].北京：科學出版社，2019.

[12]馬浩然.基于多層次分割的遙感影像面向對象森林分類[D].北京：北京林業大學，2014.

[13]FROHN R C， CHAUDHARY N. Multi-scale image segmentation and object-oriented processing for land cover classification[J]. GIScience & remote sensing， 2008，4（4）：377-391.

[14]馬浩然，趙天忠，曾怡.面向對象的最優分割尺度下多層次森林植被分類[J].東北林業大學學報，2014，42（9）：52-57.