應用高分二號提取二級類建設用地

杜佳雪 張紅日 趙士肄

(山東科技大學 測繪與空間信息學院, 山東 青島 266590)

0 引言

建設用地的分布、密度及變化可以進一步研究國民經濟發展動態等一系列經濟問題,并對土地利用格局有重要的影響[1]。利用遙感影像可進行地物提取及分類并研究其變化特征[2-3]。高分辨率遙感影像已經成為對地觀測的主要數據來源[4],面向對象分析已經成為高分辨率影像分類的基本思路。面向對象分類方法不僅充分利用多種知識提取規則作為高復雜性和差異性高分辨率影像分類的依據,而且把分割和分類進行一定程度的相互融合,從而實現對遙感影像準確快速分類,提高了影像分類的精度和速度[5]。

國內外研究學者針對遙感影像進行建設用地提取的方法研究較多。梁書維等[6]采用直接提取法和間接提取法對高分二號東北村莊數據進行建設用地精確提取。Zhang等[7]引入道路密度作為結構信息,結合光譜信息,提高建筑信息精確度。居民地是建設用地中變化最大、變換范圍最廣提取方法較多的類別。李金香等[8]運用灰度共生矩陣、二值化、數學形態學等方法對新疆新源地區高分一號數據進行迭代運算,提取居民地信息,提取正確率高。曹可等[9]基于高空間分辨率衛星遙感影像,利用面向對象方法的信息技術將營口市南部海岸鹽田進行詳細劃分。但眾多研究都未對建設用地進一步詳細分類,提取地類較少。

遙感技術應用于建設用地遙感分類信息提取已取得很好的效果,但往往處于一級分類[10]。針對這一現象,本研究對研究區的高分二號遙感影像數據進行預處理,應用多尺度分割的面向對象分類方法及指數分類[11]方法進行建筑物二級類的提取,為進一步實現建設用地二級類自動提取提供規則依據。

1 數據與方法

1.1 數據來源

高分二號數據是我國自主研制的首顆空間分辨率優于1 m的民用光學遙感,且是我國目前分辨率最高的陸地觀測衛星[12]。文章采用青島市分辨率為3.9 m(120°30′～120°48′E,36°35′～36°45′ N)的國產高分二號多光譜數據,包含萊西市東南角、萊陽市西南角及即墨區北部,拍攝于2019年6月17日,含藍、綠、紅和近紅外4個波段。

1.2 數據預處理

數據預處理包括對圖進行正射校正、輻射定標、大氣校正模塊(Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes, FLAASH)校正及去薄云處理。輻射定標消除傳感器本身、大氣、太陽高度角等帶來的誤差,得到真實的輻射值[13]。大氣校正可以準確消除大氣帶來的影像,將輻射亮度轉換為地表實際反射率。校正時需要添加高分二號傳感器的波譜響應函數,波譜響應函數從“中國資源衛星應用中心”下載,利用ENVI軟件制作sli.格式的波譜響應函數,圖1為提取流程。

圖1 提取建設用地流程圖

1.3 圖像去云

云層去除有利于遙感影像的精確解譯,提高影像利用率。遙感影像去云采用優化云變化(Haze Optimized Transform,HOT)算法[14],包括云層厚度檢測、云層厚度完善、云層去除三部分,主要利用可見光譜1、2和3波段提取云層厚度,采用云點對圖像進行分層除云處理,處理效果如圖2所示。可以看出大范圍的薄云被去除,薄云之下的地物清晰可見,方便進行下一步的圖像分類。

圖2 影像去云前后部分顯示圖

1.4 面向對象分類

多尺度分割算法充分利用影像光譜特性和形狀特征,計算每個波段的異質性特征值。實質是將一幅M×N陣列的數字圖像劃分為若干個互不交疊區域的過程。關鍵在于確定分割尺度、緊致度因子及形狀因子使之生成高度同質性的影像分割區域。

1.5 指數分類

本文用到的指數包括可以突顯影像中的水體信息的歸一化水體指數(Normalized Difference Water Index,NDWI),描述對象緊致程度的密度(Density),表示對象邊界的光滑性的形狀指數(Shape Index),表示局部灰度均勻性的灰度共生矩陣同質性屬性(Homogeneity),也叫逆差距,表示一個影像對象的光譜平均值的亮度值(Brightness)、描述圖像對象與大小和比例的矩形擬合(Rectangular fit)。此外還有均值(mean)、對類型的距離(Distance to class)等指數。

2 建設用地實驗提取

2.1 建設用地分類

該研究區為郊區,影像數據建設用地較為分散。工業用地即鹽田,以經營鹽業為目的,包括鹽場及附屬用地,通常臨海有一定的水體特征;該地區建有多數的倉儲用地,倉庫多為白色、藍色的房頂,集中在城鎮地區;交通運輸用地為公路,形狀特征明顯;居民點包括農村聚集地、鄉鎮住房,村與村較為分散,且在影像上不易于與休耕地區分;公共管理與服務用地相對較少,有學校及停車場等。因此,根據《全國土地分類體系》將該研究區的建設用地分為居民點、工業用地、倉儲用地、公共管理與服務用地以及交通運輸用地。

2.2 圖像多尺度分割

尋找多光譜影像合適的分割尺度[15],確定形狀因子和顏色相似度的權重尤為重要。本文通過尺度評價工具ESP2(Estimation of Scale Parameter2)尋找最優分割尺度,即通過不同分割尺度計算同質性局部方差(Local Variance,LV),根據LV變化趨勢計算變化率(Rates of change,ROC),ROC在下降過程中出現的極大值點為最優分割尺度,評估結果如圖3所示,分割尺度在120、150、210、240、270、300處為最優尺度。

圖3 ESP2算法最優分割尺度評估結果

2.3 建設用地提取

該研究區居民地光譜特征及形狀特征與休耕地相似,導致與休耕地難以區分,且拓撲特征無特定規則,很難準確地提取出建設用地[16],利用遙感影像提取城市建設用地最常用的方法是監督分類;倉儲用地在影像上呈亮白色,形狀為矩形狀,利用這些特征提取廠房,用Distance to class規則提取廠房周圍空地,需要注意廠房提取后對其進行修改,避免廠房空地大面積錯誤;鹽田工業不同階段鹽分含量不同,含水量不同,但分布集中,因此根據水體指數和拓撲關系提取;本研究區交通運輸用地為道路用地,在影像上一般表現為線狀或狹長地物,選擇合適的密度閾值可以精確提取道路;此研究區屬于郊區,公共管理與服務用地較少,包括停車場及學校,結合地標的準確特征及距離地標一定范圍的方法提取。利用上述特征進行建設用地規則提取實驗參數如表1所示。

3 精度評價與分析

3.1 精度評價

分類結果精度評價是檢驗分類是否可信的必要,采用基于像素的混淆矩陣精度評價方式,將各類地物目視解譯結果作為參照與本文分類結果對照,在eCognition 9.0進行精度評價,包含混淆矩陣、各類別的用戶精度、生產者精度和總體精度。評價結果如表2所示,可以看出本文的提取規則能將建設用地進一步分為二級類,生產者精度均達到90%以上,提取效果較為理想,如圖4所示。

圖4 建設用地提取結果示意圖

居民住宅建設集中成簇擁狀態的村落,村落分布分散,在遙感影像上有明顯邊界,邊界對比度可以將紋理復雜的居民點與其周圍平滑地面分離開,但是漏提現象較為嚴重,或存在一定干擾因素,如耕地的誤提。因此選用紋理信息同質性屬性可以很好提取居民點,再剔除部分干擾因素,此方法適用于高分二號數據其他地區的居民點提取,有較強普適性。

交通運輸用地多為公路、鐵路等線性建筑,利用緊致度這一形狀特征可以很好提取線性地物。根據鹽田特性,利用水體指數可以提取鹽量較低的鹽田,再利用拓撲關系提取鹽分含量多的曬鹽池。本研究區內的工礦倉儲用地多為廠房,公共服務與公共管理用地種類繁雜,共同特點是不易尋找,針對此類型地物的提取,先提取最突出的部位,再將周圍部分歸結為此類。

3.2 不同方法精度比較

本文基于面向對象方法提取地物,與傳統基于像素(支持向量機)分類方法相比,消除了“椒鹽”現象,且能提取所需要的地物,避免冗余信息;本文基于規則方法提取與基于面向對象的監督分類方法相比,不僅利用了分割對象的光譜信息,還充分利用對象的紋理信息、形狀信息及對象間拓撲關系,全方位進行單個地物的提取,提高準確率,更有利于地物提取方面的進一步研究，表3為比較結果。

表3 各類方法精度評價結果比較

4 結束語

研究區是山東半島正在建設的半島城市群、半島加工制造業基地中心,對研究區建設用地進行實時監測有利于掌握城市發展動態。本研究基于高分二號遙感影像,采用規則提取的面向對象模糊分類方法,在建設用地一級分類的基礎上對研究區二級建設用地進行提取。區別于傳統以像素為基本單元的方法,以影像對象為基本單元,消除“椒鹽”現象。能充分利用數據的光譜信息、紋理信息、形狀信息及拓撲關系,提高提取精度。總體分類精度達96.9%,kappa系數0.94,提取效果較好。研究區涉及青島市三個區的范圍,范圍較大,因此本方法適用較大范圍區域的地物提取。為了提高結果準確性,本方法還結合了人為干預目視解譯,一定程度上降低效率,因此還需進一步研究精度和效率兼得的全自動提取方法。