遙感分類技術在土地執法監察中的應用研究

[摘要]本研究旨在應用遙感技術的衛片執法對我國國土資源的動態監測，在國土資源的維護利用、管理方面發揮其重要作用。以江西省贛州市茅店鎮為例，利用遙感分類技術對2016年和2017年兩年的影像數據分別進行監督分類和面向對象分類，提取出變化圖斑，再與基礎地理信息數據庫結果數據進行對比分析，驗證分類的精度，通過實驗數據驗證面向對象分類比監督分類精度更高，分類效果更好，為國土資源執法部門的監察工作提供更有效的技術支持。

[關鍵詞]面向對象遙感影像分類;監督分類;精度評價;Kappa系數

[中圖分類號] F301

[文獻標識碼]A

土地執法是利用遙感技術等對地觀測技術，對某一地區某個時間段內土地利用的變化情況進行監測檢查的過程。第二次全國土地調查時，土地執法檢查中已經開始利用衛星遙感影像對土地進行動態監測，利用遙感技術對研究區進行分類研究，可以及時準確地獲取土地利用狀況及變化情況。對遙感圖像進行分類是遙感數字圖像處理中重要的一環，分類精度的高低將直接影響輸出的結果，同時對執法部門的監察工作產生影響。

監督分類是一種已經確定分類類別，再對影像的像元進行分類的方法;面向對象的遙感分類方法是一種將對象整體作為分析目標，以圖像對象作為影像處理單元進行分類的方法。面向對象的分類方法有別于監督分類的地方在于，先將具有相似信息的鄰近像元合成為一個對象，再對對象進行分類。本文利用影像數據分別進行監督分類和面向對象分類，提取出變化圖斑，并與基礎地理信息數據庫數據結果進行對比分析，驗證分類精度，從而為國土資源執法部門提供有效的技術支持。

1 分類方法

1.1 監督分類方法

監督分類是一種基于已經確定好的類別樣本去識別未知類別的像元方法。在監督分類中，訓練樣本的質量直接關系到分類結果的好壞，因此訓練樣本的選取至關重要。監督分類是將影像中所有的像元與訓練樣本進行比對識別，最終把每一個像元劃分到與其最相似的樣本類別中，從而完成對影像所有像元的分類。

1.2 面向對象分類方法

面向對象是一種將對象整體作為分析目標，以圖像對象作為影像處理單元的分類方法。根據影像的光譜信息和空間信息，結合中心像元與周圍地物目標之間的聯系和差異，對影像進行多尺度分割，將同質的像元組合成有意義的影像對象，而非單個影像像元，再對對象進行分類研究，從而實現地物類別信息的自動提取。

多尺度分割是一種從多尺度角度對影像進行分割的技術，它既能自動生成影像對象，又能將這些對象按照一定的等級結構聯接起來，從而使分割結果更加適應真實的情況。分割尺度的大小直接決定了多邊形數量和像元數量，分割尺度小的對象層中多邊形數量多，小尺度的對象層置于網絡結構底部;分割尺度大的對象層中多邊形的像元數量多，對象數量則較少，大尺度的對象層置于網絡結構頂部。對影像進行多尺度分割后，就形成了對象的多尺度等級體系（見圖1）。

2 研究數據與研究方法

2.1 研究數據概況

本文選取CF-1衛星PMS_2號相機獲取的贛縣茅店鎮2016年和2017年的兩幅影像作為實驗數據，CF-1衛星分別搭載了兩臺2m分辨率全色、8m分辨率的多光譜相機、四臺16m分辨率多光譜相機。多光譜數據包括藍、綠、紅和近紅外4個波段，覆蓋周期（不側擺）分別是4ld和4d，影像幅寬分別是60KM（2臺相機組合）、800KM（4臺相機組合）。

分類實驗前對影像數據進行了幾何校正（全色）、配準（全色與多光譜）、數據融合和數據裁剪等處理。

2.2 研究方法

本次研究采用監督分類方法和面向對象分類方法分別對實驗數據進行分類，并提取出變化圖斑，再分別將監督分類結果、面向對象分類結果與基礎地理信息數據庫結果數據進行對比分析，評價其分類精度。

3 分類實驗與結果分析

3.1 監督分類實驗

在衛星遙感影像上，不同的亮度值和空間變化的差異性，是區分不同地物的物理依據。采用監督分類方法對前后兩個時相的遙感影像進行分類，分類類別為建筑物、道路、綠地、裸地，分類樣本數均大于30，分類結果如圖2所示。

3.2 面向對象分類實驗

對前后兩個時相的影像，選擇合適的分割尺度、緊湊度、顏色因子分別進行多尺度分割。并將分割后的影像分為建筑物、道路、綠化、裸地四類，再基于樣本對分割后的影像進行面向對象分類。

3.2.1 影像分割

影像分割質量的影響因子包括均值因子和分割尺度，均值因子又分為光滑度與緊致度、顏色因子與形狀因子兩對參數。適當的分割尺度不僅能將各類地物清晰地分開，而且不存在過度分割或欠分割的現象。在本次實驗中，選擇的分割尺度為68。為了有效避免顏色的失真現象，顏色因子和形狀因子分別設置為0.8和0.2;為了不降低影像的分割質量，緊致度和光滑度參數也不宜設置過大，光滑度和緊湊度分別設置為0.4和0.6，影像分割結果如圖3所示。

3.2.2 基于樣本的分類

分別對前后兩個時相的兩幅影像完成分割后，影像信息的展示不再是以像元為單位，而是轉換為對象。實驗在多尺度分割的基礎上進行分類，可得到不同時期同名點的變化信息。再在面向對象分類結果的基礎上，進一步進行目視解樣本對象的選取，得到面向對象+目視解譯的分類結果（如圖4）。

3.3 結果分析與精度評價

3.3.1 結果分析

完成前后兩時相的監督分類和基于樣本的面向對象分類后，分別將兩種方法的分類結果與基礎地理信息數據庫要素類進行對比分析，以檢測不同分類方法的精度，并提取變化信息。

3.3.2 精度評價

分類精度評價是指使用同一項指標對兩種及以上分類方法的研究結果進行定量分析的過程。一般地，分類精度評價的指標有Kappa系數、總體精度、用戶精度、生產者精度等四個因子。Kappa系數反映實際類別與分類類別的契合程度。總體精度反映分類結果的正確程度。用戶精度指任一類別分類結果的正確數占該類別像元總數的百分比。生產者精度指任一類別的分類結果正確數占該類型評價參考數據像元總數的百分比。

在本次實驗過程中，對分類精度的評價采用Kappa系數作為指標。隨機選取8894個樣本點，對分類精度進行評價對比，精度評價結果見表1、表2。

3.3.3 變化信息提取

本實驗致力于為我國國土執法監察服務，因此在變化信息的提取側重于非建設用地類型向建設用地類型的轉變。即提取前時相的裸地、綠化信息和后時相的建筑物、道路信息，將所提取的前后時相信息進行疊加相減分析，從而提取出變化的范圍。

4 結論

從監督分類和面向對象分類的角度出發，選取CF-1衛星PMS_2號相機獲取的前后兩時相影像數據作為實驗數據，分別用兩種分類方法提取出建設用地、道路、綠化、裸地等四類信息，并對兩種分類方法進行精度評價，并提取變化信息。實驗結果表明，監督分類的最高分類精度為裸地95.72%，Kappa系數為0.8162，且存在錯分的混淆現象。面向對象分類的最高分類精度為建筑物95.21%，Kappa系數為0.8713。針對本次實驗所研究的數據源，面向對象分類方法總體精度較高，分類效果較好，特別是對建筑物、道路信息精度要比監督分類的精度高得多，這為國土資源執法部門的監察工作提供更為有效的技術支持。

[參考文獻]

[1]丘泉昌.遙感技術在土地執法檢查中的應用研究[D].福建農林大學，2017.

[2]黃霄羽.面向對象的高分辨率遙感影像分類在衛片執法中的應用研究[J]中國新技術新產品，2016 （21）.

[3]周興東，于圣文，王志勇.徐州市遙感圖像土地利用分類方法研究[J].中國水土保持，2007 （04）.

[4]鄧書斌，遙感圖像處理方法[M].北京：科學出版社，2010.

[5]張振勇，王萍，朱魯，等.eCognition技術在高分辨率遙感影像信息提取中的應用[J].國土資源信息化，2007 （02）.

[6]游麗平.面向對象的高分辨率遙感影像分類方法研究[D].福建師范大學，2007.

[7]王琴，陳蜜，劉書軍，等.基于信息量的ALI影像最佳波段選擇及融合研究[J].資源開發與市場，2014 （09）.

[8]孫天天，鄧文彬，馬琳.基于面向對象分類的城市土地利用變化檢測[J].地理空間信息，2018 （09）.

[9]吳聰.面向對象的高分辨率遙感影像分類在衛片執法中的應用研究[D].昆明理工大學，2015.

[作者簡介]鄧懿（1999-），女，東北林業大學2017級地理信息科學專業本科在讀。