基于時空融合的Landsat反射率數據時序重建與分類質量評價

李 瑄，李大成,2，陳金勇，孫 康

(1.太原理工大學 礦業工程學院，太原 030024；2.高分辨率對地觀測系統山西數據與應用中心，山西 晉中 030600；3.中國電子科技集團第五十四研究所，石家莊 050081)

遙感影像土地覆蓋分類具有覆蓋范圍廣、分類速度快的優點，在準確檢測開發土地利用情況方面應用非常廣泛[1-3]。由于存在“同一物體具有不同光譜，而不同物體具有相同光譜”的現象，當使用單時相影像來提取土地利用情況時，信息提取的準確性受到嚴重影響。由于受衛星重訪周期和天氣的影響，難以獲得足夠多的高質量的時間序列影像來進行土地覆蓋分類。在遙感數據源方面，連續的高分辨率遙感影像數據對準確記錄地物特征意義重大。因此用于融合不同時空分辨率遙感數據，以獲取連續高分辨率數據的時空融合模型得到了廣泛應用。

在變換模型的融合方法中，主要是小波變換，即對影像進行小波分解，然后對分解后的各層進行融合處理，通過小波變換來實現影像的融合[4]。其中MALENOVSKY et al[5]首先通過小波變換的方法，將MODIS和TM影像數據進行了融合。ACERBI-JUNIOR et al[6]運用三層分解方法，為最小失真情況下的原圖像分辨率的提升構建了概念框架。在重構的時空融合模型中，最為流行的是由GAO et al[7]提出的STARFM(spatial and temporal adaptive reflence fusion model,STARFM)算法，并且在后續得到廣泛的研究與應用；ZHU et al[8]提出的ESTARFM(enhanced spatial and temporal adaptive reflence fusion model，ESTARFM)算法改進了STARFM算法，逐漸成為使用最為廣泛的時空融合算法。

在學習模型的融合方法中，HUANG et al[9]利用稀疏表達與字典學習提出了基于稀疏表達的時空融合模型，用非線性的方式得到了包含高低分辨率空間細節的字典對，使用字典對重建預測時刻的高分辨率影像。

在時空融合技術的應用方面，JIA et al[10]通過融合生成高分辨率NDVI數據，提取高分辨率時間序列NDVI數據中的物候特征，與Landsat數據的光譜數據集成，實現了分類精度的提升；DENG et al[11]使用ESTARFM時空融合模型融合Landsat和MODIS數據并獲得時間序列高分辨率影像，使用基于對象的分類方法提取土地利用信息，得到了較好的分類精度；CHEN et al[12]通過融合MODIS、HJ-1A以及DEM等多源數據，證明了時間、光譜、角度和地形特征的融合數據比原始遙感數據具有更高的土地利用分類精度。

當前時空融合技術在土地覆蓋分類上的應用均為探索性研究，對融合方法與分類方法的協同機制方面缺少相應的應用檢驗。因此，本文采用典型時空融合模型來生成研究區多時相的Landsat-5 TM反射率數據，在隨機森林、最大似然與支持向量機分類器的支持下，對比分析了時空融合方法與分類器的協同分類結果及其精度表現，驗證了該協同機制的具體表現，進一步完善了相關研究。

1 研究區概況與數據情況

1.1 研究區概況

基于對地物類型與氣候變化的考慮，本文選擇了遼寧省朝陽市西部地區作為實驗研究區(如圖1所示)。該研究區主要覆蓋朝陽市轄區與朝陽縣，地理范圍為東經118°50′—121°17′，北緯40°25′—42°22′，總面積共5 625 km2，屬北溫帶大陸性季風氣候，地物類型包括建筑物、農田、林地、水體、裸地。

圖1 研究區遙感影像Fig.1 Remote sensing image of studied area

1.2 實驗數據

本文篩選了2008-03-13-2009-02-02間的無云Landsat和MODIS數據為最終的實驗數據，Landsat數據需進行正射校正、輻射定標以及大氣校正等處理，MODIS數據需進行重投影及重采樣處理。所采用的具體數據信息如表1所示。為驗證分類結果的精度并進行對比分析，收集了研究區2008年的土地利用調查資料及其處理成果作為參考分類數據源，用于對分類結果的精度評定。

表1 遙感數據信息Table 1 Remote sensing data information

2 實驗方法

采用多種時空融合模型對研究區多時相30 m分辨率影像數據進行融合重建以及質量評價。依據重建數據進行土地利用分類，并研究時間特征信息對分類精度變化的影響。實驗流程如圖2所示。

圖2 實驗流程Fig.2 Experimental procedure

2.1 基于時空融合的時序影像生成

時空融合是一種在現有高低分辨率影像數據對的基礎上，運用特定的算法，實現對預測時期高分辨率影像融合重建的方法。由于時空融合模型在不同區域的適用程度不同，融合重建結果質量會有一定差異，因此本文選用STARFM、ESTARFM與半物理3種時空融合模型，分別對研究區時序數據進行重建和質量評價，以探索重建質量與時序數據分類結果精度的關系。

2.1.1STARFM時空融合模型

STARFM時空融合模型是由GAO et al[7]提出的一種通過基礎時相的高低分辨率影像和預測時期的低分辨率影像，實現預測時期的高分辨率影像融合重建的算法。該模型是在原始數據的基礎上，設定一個滑動窗口，搜索窗口內與中心像元的光譜特征相似的像元，進而計算臨近像元的距離權重和轉換系數，實現對預測時相高分辨率影像的重建。其計算公式為：

(1)

2.1.2ESTARFM時空融合模型

ESTARFM時空融合模型是由ZHU et al[8]提出的一種基于雙數據對的時空融合算法，具有相對較高的融合質量，應用極為廣泛。首先通過確定滑動窗口的大小，在兩個時相影像數據對中遍歷搜索與中心像元光譜相似的像元；然后，利用兩個時相高低分辨率影像以及預測時相的低分辨率影像計算相似像元的時間權重。最后，根據時間權重與相似像元的各類權重計算中心像元，實現對預測時相影像的重建。其中心像元的重建方法表示為：

Rpre(xw/2,yw/2,Tpre)=T1R1(xw/2,yw/2,T1)+
T2R2(xw/2,yw/2,T2).

(2)

式中：Rpre為預測時相Tpre的高分辨率融合數據；w為滑動窗口的大小；R1與R2分別為兩個基礎時相的高分辨率數據；T1與T2分別為兩個基礎時相數據的時間權重。

2.1.3半物理融合模型

與STARFM模型相同，半物理融合模型是一種基于單數據對來實現數據重建的方法。其通過利用反射率參量的幾何光學模型，建立起不同尺度影像之間的相互關聯，進而準確地捕捉到時相變化引起的影像變化信息。其模型的反演原理如下式：

ρ(λM,ε)=f1(λM)K+f2(λM)K+f3(λM)K.

(3)

式中：ρ(λM,ε)代表影像地表反射率；λM與ε分別是波長與視向量；f1(λM)、f2(λM)、f3(λM)表示光譜通道的模型參數；K表示影像的BRDF模型核。

2.2 時序影像數據的分類

采用隨機森林、最大似然與支持向量機分類器分別對時序影像進行土地利用分類，并對分類結果進行精度評價。研究時間特征信息對分類精度變化的影響。

2.2.1隨機森林分類器

隨機森林(random forest，RF)分類器，是基于決策樹分類建立的，能夠抑制過擬合，且運行成熟迅速，適用于中分辨率影像分類。

RF分類器在運行過程中，首先讀取影像和樣本大小、地理投影、波段數等影像信息以及分類器特征信息，并將特征信息轉化成為一維向量模式輸出；之后合并所有特征信息，生成影像數據集與樣本數據集，構建隨機森林分類器，確定決策樹個數后，對輸入影像與樣本數據集進行分類；最后輸出的數據集寫成圖像，形成最終的分類結果。

2.2.2最大似然分類器

最大似然分類器(maximum likelihood classification，MLC)，是根據最大似然比貝葉斯判決準則法來建立非線性判別函數集獲得分類結果的一種方法，屬于監督分類。MLC分類器在運行過程中，首先在確定影像的波段和特征數的基礎上，根據影像所屬區域具體情況，在影像上選取訓練樣本，并進行先驗概率求解；然后，將訓練區以外的圖像像元逐個逐類代入概率乘法公式后，比較各類地物的歸屬概率大小，選擇最大概率值得出類別；最后根據不同像元的概率統計情況，生成分類結果，填充不同類別顏色構成分類圖。

該分類器運行簡單，實施方便，其密度分布函數對于分類結果的解釋非常清晰，在多光譜影像分類領域應用廣泛。

2.2.3支持向量機分類器

支持向量機(support vector machine，SVM)分類器屬于監督分類，是一種廣義線性分類器。在遙感分類中廣泛應用，極為可靠。

SVM分類器在分類之前，首先對影像數據進行數值化處理，并將圖像轉化為數值信息，之后對分類特征進行選擇，并生成特征數據集，最后從數據集中抽取部分樣本作為訓練集，對模型進行訓練。在進行分類后，SVM分類器會對懲罰項和核系數進行優化，進一步提高精度后再輸出分類結果。

SVM分類器具有優秀的泛化能力,分類速度快，結果也容易解釋。但是對輸入數據需要進行相關處理，在分類類別增長的情況下，其所需要的計算成本會隨之呈現線性增長趨勢。

花生通常是經加工后再被食用，通過加工實現蛋白低致敏或脫敏，也是食物過敏研究的重要方向之一[14]。Beyer K[15]等認為，中國花生過敏人口較少的原因主要是我國常采用水煮和油炸兩種方式來加工花生，已有研究認為熱加工主要是由于溫度的不同對花生蛋白產生影響，除了加工引起的蛋白質結構變化可以直接影響致敏性之外，聚集性和消化吸收性等其它性質的變化也會間接影響致敏性[16]。

2.2.4影像分類處理

根據研究區生態系統、氣候情況以及地理地形情況的具體組成情況，參考國際IGBP分類體系標準，本文將研究區地物劃分為農田、林地、水體、人工建筑、裸地5類[13]。

樣本選取采用屏幕選擇的方法結合高分辨率遙感影像目視解譯，直接在遙感圖上選取樣本點，樣本點均為9個像元的正方形區域。確定訓練樣本類型及數量之后，進行樣本采集。共選擇1 350個訓練樣本點，總計12 150個像元。對比研究區高精度土地分類圖，選擇了650個驗證樣本點。由于篇幅限制，本文僅以裸地和人工建筑為例，展示驗證樣本點位的大致分布，驗證樣本點位如圖3所示。

圖3 分類樣本點位分布圖Fig.3 Distribution of classified sample points

3 實驗結果及分析

3.1 時空融合結果及分析

3.1.1時空融合結果

在融合重建過程中，以2008-07-03的高低空間分辨率數據作為STARFM模型與半物理模型的基礎時相數據；以2008-07-03和2008-10-07的高低空間分辨率數據為ESTARFM模型基礎時相數據，對2008年度13個時相的數據進行了融合重建，重建結果如圖4-6所示。

圖4 STARFM融合模型重建數據Fig.4 Reconstruction data of STARFM fusion model

3.1.2融合結果分析

時空融合結果質量評價一般分為定性評價與定量評價兩種，定性評價主要是通過目視比對與波段分布散點圖進行評判[14]。通過目視比對，時空融合重建數據紋理特征明顯，色彩失真較少，可以應用于后續實驗。由于重建影像數量較多，本文不再對重建影像的波段分布散點圖進行全部列舉，僅以2008-07-27結果為例展示，具體如圖7所示。

圖7 2008-07-27重建結果定性評價散點圖Fig.7 Scatter plot of qualitative evaluation of reconstruction results on July 27,2008

定量評價是指從誤差與數據結構相似性的角度出發，對融合重建影像進行質量評價。其中較為重要的評價指標有均方根誤差RMSE、結構相似性SSIM[15]、峰值信噪比PSNR以及相對整體位數綜合誤差ERGAS.這些融合指標中，RMSE，ERGAS指標值越小，說明融合結果的光譜誤差越小；PSNR值越大，則表明融合結果失真程度越小；SSIM值越大，表明融合結果與真實結果匹配程度越高[16]。本文選擇PSNR，RMSE，ERGAS與SSIM作為時空融合結果的定量評價指標。質量評價指數值如表2所示，重建后時序影像評價指標對比如圖8所示。

圖8 時空融合質量評價指標對比Fig.8 Comparison of spatial and temporal fusion quality evaluation indicators

表2 影像融合質量評價指標Table 2 Evaluation index of image fusion quality

圖5 ESTARFM融合模型重建數據Fig.5 Reconstruction data of ESTARFM fusion model

圖6 半物理融合模型重建數據Fig.6 Reconstruction data of semi-physical fusion model

通過分析定量評價指標值，3種時空融合方法重建結果RMSE值均為0.01左右，ERGAS值均為20左右，表明融合影像誤差值均較低。PSNR值基本都位于20以上，SSIM值基本高于0.85，表明融合重建結果質量較高，與真實數據具有較高相似度。ESTARFM模型在整體影像以及各波段的質量對比中，其表現均優于其他兩種模型。這表明了ESTARFM融合模型較其他兩種模型具有更好的適應性，也證明了該模型適用于土地覆蓋異質性較強區域的特點。

由表2分析可知，當預測時相與融合基礎影像時間差距較小時，融合結果在評價指標上表現較優；當時間差距較大時，融合結果的質量會相對降低。由于ESTARFM模型的起始時相為2個，所以其融合結果質量在時間序列中具有較強的穩定性。通過綜合評判，ESTARFM模型在該研究區的應用情況最好，STARFM模型次之，半物理模型則應用效果較差。

3.2 分類結果及分析

3.2.1分類結果

重建生成時序影像后，采用不同時空融合模型與分類器之間協同分析的方式進行驗證研究與分類精度評定。以分析時間特征信息以及融合重建結果質量對分類精度的影響，分類結果如圖9所示。

圖9 分類結果Fig.9 Classification results

3.2.2分類結果評價

在分類精度評價方面，采用了混淆矩陣的方法，實現對分類結果精度的評價驗證。通過選取驗證樣本構建混淆矩陣，再利用混淆矩陣計算分類結果的Kappa系數與總體分類精度，以這兩個指標值衡量分類結果精度。3種分類器對不同重建數據的分類精度指標值如表3所示。

表3 分類結果精度評價指標Table 3 Accuracy evaluation index of classification results

綜合分析分類結果的精度評定指標值可得，所有分類結果的Kappa系數基本均在0.9以上，總體分類精度超過了90%，表明分類器均具有良好的精度表現。其中RF分類器分類效果最好，總體分類精度高出SVM分類器2%左右，高出MLC分類器4%左右。Kappa系數也具有相同的變化趨勢。

由表3中數據分析可知，在基于時序影像的分類結果中，3種分類器對不同的時序重建結果的分類精度指標與原始數據對比均有所提高，時序影像重建對于不同分類器精度提升都具有積極作用。總體分類精度均有1%左右的提升，Kappa系數也均提升了0.1左右。小于不同分類器的精度差值，表明時間特征的加入對精度的影響小于分類器本身。

分析比對不同時序重建數據的分類精度，3種模型重建結果與原始數據對比，分類精度均有提高。對于不同的分類器提升幅度不一樣，ESTARFM模型重建結果分類總體精度均提升了約2%，而STARFM與半物理模型總體精度提升幅度只有1.5%與1%. Kappa系數的變化規律也具有相同的趨勢。分類精度提升的大小與融合重建結果質量高低呈正相關，當融合重建結果質量較高時，其對分類精度提升的幅度也較大。

此外，同一地物在不同重建數據下，精度的提升幅度各不相同，以效果最好的ESTARFM模型和RF分類器組合分析，如圖10所示。不同分類器在針對ESTARFM模型重建數據進行分類時，各類地物精度較原始數據提升幅度最高，其次為STARFM模型重建數據和半物理模型重建數據。各地物類型的精度提升幅度與整體影像有相同的變化規律，其精度提升幅度與重建數據質量呈正相關。

圖10 各類地物分類總體精度對比Fig.10 Comparison of overall accuracy of various features classification

在基于時序影像的分類結果中，不同地物分類精度提升的幅度也有很大差別，其中提升幅度最大的是水體，由于研究區特有的氣候狀況，水體面積在不同季節變化較大。本文以效果最好的ESTARFM模型和RF分類器組合分析，各類地物不同數據的分類結果如圖11所示。在原始數據分類結果中，由于水體在該時相有干涸現象，其面積較小，水體中部分區域被誤分為人工建筑，而基于時序數據的分類結果中，水體面積相對較大，與實際地物表現情況較為接近。

圖11 分類結果細節對比Fig.11 Detail comparison of classification results

除水體外，裸地、林地和農田的精度變化幅度也相對較大，由于季節因素的影響，植被的不同物候特征引起了植被類地物面積的變化。隨時間因素變化較小的人工建筑面積變化幅度則最小。在基于時序影像的分類結果中人工建筑面積基本沒有發生太大的改變。這說明在基于時序影像的分類中，分類精度的提升主要集中于水體類、植被類等物候特征變化明顯，受時間影響較大的地物方面。

4 結論

本文通過時空融合模型，重建生成研究區年度Landsat時間序列數據，采用多種分類器對時序影像進行分類，研究了時序影像重建對不同分類器的精度影響，得到如下結論：

1) 與STARFM和半物理模型相比， ESTARFM模型表現出了較好的應用效果。基于雙數據對的時空融合模型比基于單數據對的模型具有更強的適應性，融合結果質量也更高。在分類方面RF分類器的運用效果優于MLC與SVM分類器，基于決策樹思想的RF分類器在總體精度Kappa系數上具有更優秀的表現。

2) 在原始影像中加入不同重建數據的時間特征信息后，其土地覆蓋分類精度均有提升，且精度提升幅度與時空融合重建結果質量成正相關。當融合重建結果質量越好時，分類精度的提升幅度越大。

3) 在基于時序影像的分類中，各分類器精度雖有提升但是幅度均不大，小于分類器之間的精度差值。表明時間特征對分類精度影響的程度小于分類器本身。不同地物類型分類精度變化幅度各不相同，時間特征對于分類精度的提升主要集中于林地和農田等受季節影響較大的植被類地物。

對于土地覆蓋分類來說，準確采集研究區多方面的特征信息，是提升分類精度的一種重要方法，但精度的提升主要還是依賴于分類器的完善與強化。分類器自身對于精度的影響程度大于分類特征。同時，特征信息的采集方法也會對分類精度產生影響，運用較為精準的方法采集特征信息，是保證分類結果精度的關鍵。

在研究過程中，仍然存在一些不足。實驗中只運用了13個時相的重建數據對精度提升效果進行分析，而重建數據的數量、所覆蓋的時間段以及研究區的地理及氣候條件也會在一定程度上對土地利用分類精度提升效果產生影響。因此，多源數據的引入對分類精度的影響情況也值得探討，仍然需要進一步的實驗對結論進行強化研究。