RapidEye 遙感數(shù)據(jù)在土地分類中的應(yīng)用研究

馬 雙

（山西工程職業(yè)學(xué)院，山西 太原 030009）

0.引言

隨著全球變化的研究的深入與發(fā)展，各國科學(xué)家越來越感覺到人類活動會對環(huán)境變化產(chǎn)生影響，尤其人類的生存與發(fā)展對土地的開發(fā)與利用以及由此引起的土地覆蓋變化被認(rèn)為是全球環(huán)境變化的主要組成部分和重要原因，所以“國際地圈和生物圈計劃”（IGBP）和“全球環(huán)境變化人文計劃”（HDP）在 1995 年一起提出了“土地利用與土地覆蓋變化”（Land use and land cover change，LUCC）的研究計劃，使得土地利用變化研究成為當(dāng)前全球變化研究的前沿和熱點的課題。[1]常用的土地利用調(diào)查是通過實地測繪的方式來開展，工作量大，調(diào)查時間長。隨著近些年來高時間、高空間、高光譜分辨率的遙感傳感器的產(chǎn)生，遙感探測技術(shù)已經(jīng)能完全可以進(jìn)行不同尺度上的土地利用/土地覆蓋調(diào)查。[2]遙感探測技術(shù)的應(yīng)用，大大降低了調(diào)查成本和周期。[3]

比如，英國以前進(jìn)行過一次英國三大島24 萬平方千米的土地利用普通調(diào)查，當(dāng)時發(fā)動了6000 名中小學(xué)老師，用了6 年時間才完成，等到土地利用圖繪制完成后，土地利用情況已發(fā)生較大變化；1976 年英國應(yīng)用了遙感影像分析與野外調(diào)查相結(jié)合的方法，只用了4 個人9 個月時間就完成了全島的土地利用調(diào)查，而且統(tǒng)計非常詳細(xì)，大大減少了調(diào)查的時間。又如，廣州市中心區(qū)的土地利用調(diào)查，90 年代曾用普通方法花了2 年多的時間才結(jié)束，但繪成的圖件已不能反映2 年后的狀況；1995 年初利用航測遙感的方法，只花了2 個多月就完成了土地利用調(diào)查，且比普通方法更加詳細(xì)。彩色合成是影像彩色增強(qiáng)應(yīng)用最為廣泛的一種處理技術(shù), 隨著多光譜遙感和多源數(shù)據(jù)融合技術(shù)的發(fā)展, 日益顯示出其巨大的使價值。[4]

1.研究內(nèi)容及技術(shù)路線圖

本研究以遼寧省沈陽市的遙感影像數(shù)據(jù)（RapidEye）為數(shù)據(jù)源,開展了適宜該地區(qū)的遙感影像的波段組合實驗。首先進(jìn)行研究區(qū)域的影像裁剪工作，然后進(jìn)行5 波段影像組合的多種組合實驗,確定適宜的感興趣區(qū)域（ROI）并以此為模板,擬選取支持向量機(jī)的手段進(jìn)行分類實驗,進(jìn)而獲取詳細(xì)的分類統(tǒng)計面積結(jié)果。[4]對統(tǒng)計數(shù)據(jù)進(jìn)行綜合分析,最終獲得誤差最小的波段組合方式。[5]研究路線圖（如圖1 所示）：

圖1 研究路線示意圖

2.各種波段組合的土地分類技術(shù)流程

2.1 打開影像

用Envi4.8 軟件打開沈陽地區(qū) 2012 年 6 月 24 日5 個波段原始影像數(shù)據(jù)，影像（如圖2 所示）：

圖2 原始影像數(shù)據(jù)

2.2 建立 ROI 文件

在基本工具中選擇感興趣區(qū)，再選擇感興趣區(qū)（ROI 工具），點擊New Region，按住鼠標(biāo)左鍵在被裁剪影像上畫一個區(qū)域，雙擊鼠標(biāo)右鍵結(jié)束繪制，形成多邊形。[6]選擇基本工具中的感興趣區(qū)選取子集，在Spatial Subset via ROI Parameters 窗口中點擊 ok，就生成裁剪圖像。[7]

2.3 波段組合

選擇基本工具命令中的圖層堆棧，在輸入窗口中選擇要組合的波段，點擊ok 按鈕，在Selected FILes for Layer Stacking 選中要組合的波段，點擊Choose。在Layer Stacking Parameters 窗口點擊ok，可以得到組合后的波段。

3.實驗精度評價

3.1 道路面積百分比精度評定

道路面積百分比差值絕對值（如表1、圖3 所示）：

表1 道路面積百分比差值絕對值統(tǒng)計

圖3 道路面積百分比差值絕對值統(tǒng)計

道路的分類中藍(lán)波、綠波、近紅波組合面積百分比差值絕對值最小，分類效果最好。藍(lán)波、綠波、紅邊波組合面積百分比差值絕對值次之，分類結(jié)果較好。藍(lán)波、綠波、紅波、紅邊波組合面積百分比差值絕對值再次之，分類結(jié)果較好。藍(lán)波、紅邊波、近紅波組合面積百分比差值絕對值最大，分類效果最差。

從不同波段組合來看，紅波、紅邊波、近紅波組合總體分類精度較高，裸地分類精度較高。藍(lán)波、綠波、紅波組合總體分類精度最高，耕地、裸地、建筑物分類精度較高，草地分類精度最高。藍(lán)波、綠波、紅邊波組合總體分類精度一般，耕地分類精度較低，分類面積百分比偏小，裸地分類面積百分比偏大，草地分類精度最低，分類面積偏少。藍(lán)波、綠波、紅波、紅邊波組合總體分類精度較高，建筑物、草地、道路分類精度較高。藍(lán)波、綠波、紅波、近紅波組合總體分類精度一般，建筑物分類精度較低，分類面積百分比偏小，水體分類精度較低，分類面積百分比偏大。藍(lán)波、綠波、紅波、紅邊波、近紅波組合總體分類精度一般，耕地、草地分類精度較高，裸地分類精度最高，建筑物分類精度較低，分類面積百分比偏小，水體分類精度較低，分類面積百分比偏大。藍(lán)波、綠波、近紅波組合總體分類精度較低，建筑物分類精度最低，分類面積百分比偏小，水體分類精度最低，分類面積百分比偏大，道路分類面積百分比偏小。綠波、紅波、紅邊波組合總體分類精度一般，各類型分類精度也一般。綠波、紅波、紅邊波、近紅波組合總體分類精度較低，建筑物分類面積百分比偏小，水體分類面積百分比偏大，道路分類精度較低。綠波、紅波、近紅波組合總體分類精度較低，耕地、草地分類精度較低。水體分類精度較高。藍(lán)波、綠波、紅邊波、近紅波組合總體分類精度一般，道路分類精度較低，分類面積百分比偏大。綠波、紅邊波、近紅波總體分類精度一般，耕地分類精度較低，建筑物分類精度最高。藍(lán)波、紅波、紅邊波、近紅波組合總體分類精度最低，耕地、裸地分類精度最低，水體分類精度最高。藍(lán)波、紅邊波、近紅波組合總體分類精度一般，裸地分類精度較低，道路分類精度最低，道路分類面積百分比偏大。藍(lán)波、紅波、紅邊波組合總體分類精度一般，耕地分類精度最高。藍(lán)波、紅波、近紅波組合總體分類精度較低，耕地、裸地、草地分類精度較低，水體分類精度較高。

3.2 建筑物面積百分比精度評定

建筑物面積百分比差值絕對值（如表2、圖4 所示）：

表2 建筑物面積百分比差值絕對值統(tǒng)計

圖4 建筑物面積百分比差值絕對值統(tǒng)計

建筑物的分類中綠波、紅邊波、近紅波組合面積百分比差值絕對值最小，分類效果最好。藍(lán)波、綠波、紅波組合面積百分比差值絕對值次之，分類結(jié)果較好。藍(lán)波、綠波、紅波、紅邊波組合面積百分比差值絕對值再次之，分類結(jié)果較好。藍(lán)波、綠波、近紅波組合面積百分比差值絕對值最大，分類效果最差。不同波段組合面積百分比總差值（如表3 所示）：

表3 不同波段組合面積百分比總差值統(tǒng)計表

從不同波段面積百分比總差值統(tǒng)計表可以看出，藍(lán)波、綠波、紅波組合兩次總差值最小，精度最高，藍(lán)波、綠波、紅波、紅邊波組合次之，紅波、紅邊波、近紅波組合再次之，且面積百分比總差值都在10%已內(nèi)，分類精度較高，藍(lán)波、紅波、紅邊波、近紅波組合面積百分比總差值最大，分類精度低。藍(lán)波、綠波、紅邊波組合兩次分類中，耕地面積百分比都小于裸地面積百分比，而且第二次分類中，草地面積百分比小于道路面積百分比，與實際不符。藍(lán)波、綠波、紅波、近紅波組合第二次分類中，建筑物面積百分比小于水體面積百分比，與實際不符。藍(lán)波、綠波、紅波、紅邊波、近紅波組合第二次分類中，建筑物面積百分比小于水體面積百分比，而且組合操作復(fù)雜，與實際不符，不適于該地區(qū)的分類。藍(lán)波、綠波、近紅波組合第二次分類中建筑物面積百分比小于水體面積百分比，而且道路分類面積為零，與實際不符。

4.結(jié)束語

本文通過對沈陽地區(qū)的衛(wèi)星影像數(shù)據(jù)（RapidEye）進(jìn)行了16 種波段組合實驗研究，綜合總體和不同土地類型分類精度來看：

（1）適合在本地區(qū)的利用RapidEye 衛(wèi)星影像土地分類的波段組合有藍(lán)波、綠波、紅波，藍(lán)波、綠波、紅波、紅邊波，紅波、紅邊波、近紅波三個組合，后兩個波段組合是以前研究沒有提出的，藍(lán)波、綠波、紅波、紅邊波組合在道路分類上有較大優(yōu)勢。

（2）從不同土地類型來看，耕地分類精度最高的是藍(lán)波、紅波、紅邊波組合，分類最低的是藍(lán)波、紅波、紅邊波、近紅波組合。裸地分類精度最高的是藍(lán)波、綠波、紅波、紅邊波、近紅波組合，分類精度最低的是藍(lán)波、紅波、紅邊波、近紅波組合。建筑物分類精度最高的是綠波、紅邊波、近紅波組合，分類精度最低的是藍(lán)波、綠波、近紅波組合。水體分類精度最高的是藍(lán)波、紅波、紅邊波、近紅波組合，分類精度最低的是藍(lán)波、綠波、近紅波組合。草地分類精度最高的是藍(lán)波、綠波、紅波組合，分類精度最低的是藍(lán)波、綠波、紅邊波組合。道路面積百分比差值絕對值最小的是藍(lán)波、綠波、近紅波組合，但該組合第二次分類的，面積百分比為零，所以道路分類精度最高的是藍(lán)波、綠波、紅邊波，分類精度最低的是藍(lán)波、紅邊波、近紅波組合。

（3）適合在本地區(qū)的利用RapidEye 衛(wèi)星影像土地分類的波段組合有藍(lán)波、綠波、紅波，藍(lán)波、綠波、紅波、紅邊波，紅波、紅邊波、近紅波三個組合，后兩個波段組合是以前研究沒有提出的，藍(lán)波、綠波、紅波、紅邊波組合在道路分類上有較大優(yōu)勢。

RapidEye 衛(wèi)星因其獨有的光譜特征以及海量數(shù)據(jù)獲取能力，國內(nèi)外遙感影像使用單位對其使用度越來越高。星下點空間分辨率高達(dá)6.5m,結(jié)合紅、藍(lán)、綠、紅邊和近紅外5 個光譜波段可以精準(zhǔn)監(jiān)測植被生長情況，在土地分類方向的應(yīng)用前景大有作為。