基于多特征融合的白鹿原地區(qū)土地利用分類(lèi)研究

劉曼張靜

(1.長(zhǎng)安大學(xué)地球科學(xué)與資源學(xué)院，陜西 西安 710054；2.長(zhǎng)安大學(xué)地質(zhì)工程與測(cè)繪學(xué)院，陜西 西安 710054)

引言

土地利用/覆被分類(lèi)在土地利用狀況動(dòng)態(tài)監(jiān)測(cè)、國(guó)土空間規(guī)劃、土地利用結(jié)構(gòu)調(diào)整等方面具有重要作用[1]。遙感技術(shù)具有時(shí)效性、準(zhǔn)確性、宏觀性、經(jīng)濟(jì)性及周期性等特點(diǎn)，隨著遙感技術(shù)的飛速發(fā)展，遙感在土地利用/覆被分類(lèi)和土地資源監(jiān)測(cè)中得到了廣泛應(yīng)用。

遙感影像的土地利用/覆被分類(lèi)是遙感影像上的各地物根據(jù)不同的特征信息進(jìn)行分類(lèi)，遙感信息特征是分析遙感影像的基礎(chǔ)。遙感特征是指遙感信息在物理、幾何及地學(xué)屬性方面的特征，其包括了光譜特征、指數(shù)特征、紋理特征等。

在進(jìn)行分類(lèi)時(shí)，使用多特征融合方法可以充分利用遙感影像信息，可以改善地物區(qū)分度低的現(xiàn)象[2]。但特征數(shù)量過(guò)多可能造成維數(shù)災(zāi)難、信息冗余等問(wèn)題，因此，從特征集中優(yōu)選出一些關(guān)鍵特征，在不減少分類(lèi)相關(guān)信息的同時(shí)盡量減少數(shù)據(jù)總量，對(duì)土地利用分類(lèi)起到至關(guān)重要的作用。馬玥等[3]發(fā)現(xiàn)，進(jìn)行土地利用分類(lèi)時(shí)，利用隨機(jī)森林算法結(jié)合紋理特征等多源分類(lèi)方案可以提升土地利用分類(lèi)精度。張磊等[4]對(duì)黃河三角洲濕地進(jìn)行土地利用分類(lèi)時(shí)，采用隨機(jī)森林算法并且在光譜特征基礎(chǔ)上分別加入植被指數(shù)和紋理特征，使總體分類(lèi)精度提高了3.26%。此外，一些研究也證實(shí)紅邊指數(shù)可以提高農(nóng)耕區(qū)作物分類(lèi)精度。

在土地利用分類(lèi)中，常用的傳統(tǒng)分類(lèi)算法包括馬氏距離、最小距離等，馬氏距離[5]是一種有效的計(jì)算2個(gè)未知樣本集的相似度的方法。最小距離[6]是通過(guò)求出待分類(lèi)向量X到各類(lèi)別中心向量的距離，然后將待分類(lèi)的向量X歸結(jié)為這些距離中最小的那一類(lèi)的分類(lèi)方法。近年來(lái)，將遙感數(shù)據(jù)與機(jī)器學(xué)習(xí)算法相結(jié)合進(jìn)行土地利用分類(lèi)是研究熱點(diǎn)，常用的方法包括隨機(jī)森林和人工神經(jīng)網(wǎng)絡(luò)等。隨機(jī)森林[7]是一種基于決策樹(shù)的集成機(jī)器學(xué)習(xí)算法，具有分類(lèi)速度快，精度較高，可以有效地運(yùn)行大尺度數(shù)據(jù)集等特點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)[8]作為一種由大量神經(jīng)元相互聯(lián)接而成的非線性映射模型，能有效解決遙感圖像處理中常見(jiàn)的困難，因此其很快在遙感圖像分析與處理領(lǐng)域得到了廣泛應(yīng)用，為遙感信息的處理提供了嶄新的手段。

2015年6月歐空局成功發(fā)射了Sentinel-2A衛(wèi)星，2017年3月發(fā)射Sentinel-2B衛(wèi)星。Sentinel-2號(hào)衛(wèi)星可覆蓋13個(gè)光譜波段，幅寬達(dá)290km。地面分辨率分別為10m、20m和60m。1顆衛(wèi)星的重訪周期為10d，2顆衛(wèi)星互補(bǔ)，重訪周期為5d。在光學(xué)數(shù)據(jù)中，Sentinel-2號(hào)在紅邊范圍含有3個(gè)波段的數(shù)據(jù)[9]。多光譜、高分辨率的Sentinel-2衛(wèi)星數(shù)據(jù)向用戶免費(fèi)開(kāi)放，對(duì)利用遙感信息開(kāi)展土地利用分類(lèi)研究提供了新的數(shù)據(jù)源。

本文以Sentinel-2A影像為數(shù)據(jù)源，提取光譜特征、植被指數(shù)、紋理特征3種基本特征變量，通過(guò)對(duì)以上變量進(jìn)行特征優(yōu)選及優(yōu)選特征融合，采用隨機(jī)森林算法進(jìn)行土地利用分類(lèi)，最后通過(guò)與最小距離算法、馬氏距離算法和神經(jīng)網(wǎng)絡(luò)算法分類(lèi)結(jié)果進(jìn)行對(duì)比，以驗(yàn)證本文方法的有效性和可行性。

1 研究區(qū)概況與數(shù)據(jù)源

1.1 研究區(qū)概況

白鹿原[10]是位于陜西省西安市的黃土臺(tái)塬，地跨長(zhǎng)安區(qū)、灞橋區(qū)、藍(lán)田縣，總面積約263km2，是西安境內(nèi)最大的黃土臺(tái)塬。白鹿原海拔630～670m，從東南向西北傾斜，屬溫帶大陸性半濕潤(rùn)氣候，四季分明，雨熱同季。降雨集中在6—10月，年均降水量700mm，年均氣溫13℃，光照資源豐富，年光照時(shí)數(shù)為2372～2920h，熱量可滿足農(nóng)作物一年兩熟的需要。研究區(qū)位置及衛(wèi)星影像如圖1所示。

圖1 研究區(qū)位置圖

1.2 數(shù)據(jù)源及預(yù)處理

本文采用白鹿原地區(qū)的Sentinel-2 L2A數(shù)據(jù)。Sentinel-2A有13個(gè)光譜波段，其中分為藍(lán)、綠、紅3個(gè)可見(jiàn)光波段(B2-B4)和近紅外波段(B8)分辨率為10m；3個(gè)紅邊波段(B5-B7)、Narrow NIR波段(B8A)以及2個(gè)短波紅外波段(B11和B12)分辨率為20m；其余3個(gè)波段(B1、B9和B10)分辨率為60m[9]。

從歐洲航天局?jǐn)?shù)據(jù)共享網(wǎng)站(https://scihub. copernicus.eu/dhus/#/home)獲取研究區(qū)2021年5月8日Sentinel-2 L2A級(jí)別影像，影像清晰無(wú)云，質(zhì)量良好。該影像已進(jìn)行了輻射定標(biāo)、大氣校正和幾何校正。為后續(xù)分類(lèi)方便，將20m分辨率的紅邊波段(B5-B7)和近紅外波段(B8A)影像統(tǒng)一重采樣為10m，利用SNAP和ENVI進(jìn)行影像合成及分類(lèi)等處理。

2 研究方法

參考《全國(guó)遙感監(jiān)測(cè)土地利用/土地覆被分類(lèi)體系》[11]，結(jié)合Sentinel-2A影像的空間分辨率以及研究區(qū)土地利用的實(shí)際情況，將研究區(qū)土地利用類(lèi)型劃分為林地、耕地、水域、道路和建設(shè)用地5種類(lèi)型。基于Sentinel-2A的光譜特征、植被指數(shù)及紋理特征，通過(guò)特征優(yōu)化融合，采用隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)、最小距離和馬氏距離共4種分類(lèi)方法進(jìn)行土地利用分類(lèi)對(duì)比研究。

2.1 分類(lèi)特征與特征優(yōu)選

2.1.1 光譜特征及特征優(yōu)選

在Sentinel 2A的波段中，Band1為海岸/氣溶膠波段；Band2、Band3、Band4為可見(jiàn)光波段；Band5、Band6、Band7是紅邊波段；Band8是近紅外波段(寬)；Band8A是近紅外波段(窄)；Band9是水蒸氣波段；Band10、Band11、Band12是短波紅外波段。因此，在進(jìn)行光譜特征優(yōu)選時(shí)，可見(jiàn)光波段作為常用的分類(lèi)波段在本文中為必選波段。在剩余波段中，3個(gè)紅邊波段、2個(gè)近紅外波段、3個(gè)短波紅外波段作為待選波段，2個(gè)近紅外波段中，本文計(jì)算得出Band8和Band8A的相關(guān)系數(shù)為0.987，因此Band8或者Band8A均可作為待選波段，參照宋宏利等[12]對(duì)黑龍江流域主要農(nóng)作物的分類(lèi)方法，本文選擇Band8A作為光譜特征的優(yōu)選波段。3個(gè)短紅外波段中，Band10為卷云波段，因此不予考慮。依據(jù)上述思路，選擇Band5、Band6、Band7、Band8A、Band11、Band12共6個(gè)波段作為光譜特征進(jìn)行特征優(yōu)選。

本文采用最佳指數(shù)因子法(Optimum Index Factor，OIF)對(duì)光譜特征進(jìn)行優(yōu)選。其基本原理是圖像中所涵蓋的信息量與其標(biāo)準(zhǔn)差成正比，標(biāo)準(zhǔn)差越大信息量就越多，圖像的獨(dú)性與波段間的相關(guān)系數(shù)成反比，其相關(guān)系數(shù)越低，信息冗余度越小。此方法綜合了各波段間的關(guān)聯(lián)性及單波段圖像的信息量，得到了廣泛應(yīng)用[13]，其數(shù)學(xué)公式：

(1)

式中，Si表示第i個(gè)波段的標(biāo)準(zhǔn)差；Rij表示第i個(gè)、第j個(gè)2波段的相關(guān)系數(shù)。

2.1.2 植被指數(shù)及特征優(yōu)選

植被指數(shù)(Vegetation Index，VI)是根據(jù)植被的光譜特性，將衛(wèi)星可見(jiàn)光和近紅外波段進(jìn)行組合，反映植被在可見(jiàn)光、近紅外波段反射與土壤背景之間差異。植被指數(shù)已廣泛用來(lái)定性和定量評(píng)價(jià)植被覆蓋及其生長(zhǎng)活力[14]。

根據(jù)選取的波段，計(jì)算了4種無(wú)紅邊植被指數(shù)及7種紅邊指數(shù)，具體指數(shù)及其計(jì)算公式如表1所示。通過(guò)計(jì)算上述植被指數(shù)之間的相關(guān)系數(shù)矩陣，篩選出相關(guān)性較弱的植被指數(shù)，以降低特征變量間的冗余性。

表1 植被指數(shù)

2.1.3 紋理特征及特征優(yōu)選

除上述特征變量之外，紋理也是圖像最重要的空間特征之一。與形狀、大小等其他空間特征相比，紋理特征的使用相對(duì)簡(jiǎn)單，不需要預(yù)先進(jìn)行圖像分割[19]。本文采用灰度共生矩陣的方法(Gray-level Co-occurrence Matrix，GLCM)獲取影像的紋理特征。本文通過(guò)多次試驗(yàn)對(duì)比，設(shè)置滑動(dòng)窗口大小為3，步長(zhǎng)為1，利用灰度共生矩陣提取了均值(Mean)、方差(Variance)、同質(zhì)性(Homogeneity)、對(duì)比度(Contrast)、差異性(Dissimilarity)、熵(Entropy)、二階矩(Second Moment)、相關(guān)性(Correlation)共8個(gè)紋理特征，并使用主成分分析對(duì)紋理特征進(jìn)行特征優(yōu)選。

2.2 分類(lèi)算法

在特征優(yōu)選的基礎(chǔ)上，基于隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、最小距離和馬氏距離4種方法，對(duì)比了基于光譜特征和多特征融合的土地利用分類(lèi)精度。

2.2.1 隨機(jī)森林分類(lèi)

隨機(jī)森林(Random Forest)是一種由多個(gè)決策樹(shù)組成的基于監(jiān)督學(xué)習(xí)算法構(gòu)成的集成分類(lèi)器。RF采用決策組合機(jī)制將多棵決策樹(shù)組合成1個(gè)更強(qiáng)的分類(lèi)器，從而獲得比單一決策樹(shù)更高的泛化能力和分類(lèi)精度。許多研究表明，與傳統(tǒng)的基于數(shù)理統(tǒng)計(jì)的分類(lèi)方法相比較，隨機(jī)森林在分類(lèi)精度、分類(lèi)速度及穩(wěn)定性上表現(xiàn)良好。

2.2.2 人工神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)于20世紀(jì)40年代出現(xiàn)，到20世紀(jì)70年代被逐漸應(yīng)用于遙感影像土地利用/土地覆被分類(lèi)領(lǐng)域，ANN通過(guò)模仿生物神經(jīng)系統(tǒng)的構(gòu)造原理和數(shù)據(jù)處理流程建立分類(lèi)模型。通過(guò)各神經(jīng)單元互相作用來(lái)處理數(shù)據(jù)，數(shù)據(jù)以網(wǎng)絡(luò)結(jié)構(gòu)的形式分布式儲(chǔ)存，通過(guò)調(diào)整各神經(jīng)單元的權(quán)重值的變化來(lái)完成學(xué)習(xí)過(guò)程，從而得到數(shù)據(jù)的分類(lèi)結(jié)果。

2.2.3 馬氏距離算法

馬氏距離(Mahalanobis Distance)是由馬哈拉諾比斯于1936年引入的一種廣義距離，馬氏距離是一種加權(quán)的歐氏距離，通過(guò)計(jì)算待分類(lèi)圖像到各類(lèi)別的馬氏距離，將待分類(lèi)圖像劃歸到距離其最近所在的類(lèi)，下文簡(jiǎn)稱MAD。集合X到類(lèi)別uK之間的馬氏距離公式：

(2)

式中，∑是多維隨機(jī)變量的協(xié)方差矩陣；uK為樣本均值。

2.2.4 最小距離算法

最小距離(Minimum Distance)分類(lèi)是根據(jù)訓(xùn)練樣本數(shù)據(jù)去計(jì)算每種類(lèi)別的均值和協(xié)方差矩陣，把均值當(dāng)作此類(lèi)別在特征空間中的中心位置，計(jì)算待分類(lèi)圖像中每個(gè)像元到各地物類(lèi)別中心之間的距離，將未知類(lèi)別向量歸屬于距離最小一類(lèi)的一種圖像分類(lèi)方法，下文簡(jiǎn)稱MID。

X到類(lèi)別ui之間的最小距離公式：

(3)

2.3 分類(lèi)特征組合方案

基于上述的光譜特征、植被指數(shù)、紋理特征及其優(yōu)選結(jié)果，再結(jié)合不同的分類(lèi)方法，構(gòu)建以下分類(lèi)特征組合方案見(jiàn)表2，對(duì)隨機(jī)森林、ANN、最小距離和馬氏距離算法在純光譜分類(lèi)與多特征融合方類(lèi)中的分類(lèi)精度進(jìn)行對(duì)比。

表2 分類(lèi)特征組合方案

2.4 分類(lèi)精度評(píng)價(jià)

本文基于混淆矩陣開(kāi)展分類(lèi)精度評(píng)價(jià)。混淆矩陣通過(guò)對(duì)樣區(qū)內(nèi)所有像元，統(tǒng)計(jì)其分類(lèi)圖中的地物類(lèi)別與真實(shí)地物類(lèi)別之間的混淆程度來(lái)評(píng)估分類(lèi)精度。其中，常用的評(píng)價(jià)指標(biāo)包括生產(chǎn)者精度(Producer's Accuracy，PA)、用戶精度(User's Accuracy，UA)、總體精度(Overall Accuracy)和Kappa系數(shù)等。

3 結(jié)果與分析

3.1 特征優(yōu)選結(jié)果

3.1.1 光譜特征優(yōu)選

如前文所述，可見(jiàn)光波段作為常用分類(lèi)波段在本文中為必選波段；在剩余波段中，3個(gè)紅邊波段、1個(gè)近紅外波段和3個(gè)短波紅外波段作為待選波段，將其進(jìn)行排列組合后，不同波段組合的OIF值如表3所示。由表3可知，Band7、Band8A、Band11的OIF指數(shù)值最大。因此本文選取Band2、Band3、Band4、Band7、Band8A及Band11的波段組合作為優(yōu)選后的光譜特征。

表3 不同波段組合的OIF值

3.1.2 植被指數(shù)特征優(yōu)選

為無(wú)紅邊指數(shù)的相關(guān)性見(jiàn)表4，由表4可知，SAVI與NDVI及MSAVI的相關(guān)性均大于97%，因此首先排除SAVI；MSAVI與NDVI及SAVI相關(guān)性大于96%，因此排除MSAVI。在4個(gè)無(wú)紅邊指數(shù)中，排除SAVI和MSAVI，保留RVI與NDVI。

表4 無(wú)紅邊指數(shù)相關(guān)性

同樣，紅邊指數(shù)相關(guān)性見(jiàn)表5，由表5可知，CIre與MSRre相關(guān)性高達(dá)99.44%，CIre在紅邊指數(shù)中比較常用，因此排除MSRre；REDNDVI與TVI相關(guān)性高達(dá)95%，與RRI2相關(guān)性高達(dá)98%，與CIre相關(guān)性高達(dá)95%，因此將其排除；RNDVI與TVI相關(guān)性高達(dá)95%，與RRI2相關(guān)性高達(dá)92%，因此也將其排除。排除MSRre、REDNDVI與RNDVI，最后保留TVI、RRI1、RRI2和CIre，保留指數(shù)間的相關(guān)性均小于90%，減少了冗余性。

3.1.3 紋理特征優(yōu)選

紋理特征的主成分分析結(jié)果如表6所示。由表6可知，前2個(gè)主成分已經(jīng)包含了94.87%的信息量，因此選擇紋理特征的前2個(gè)主成分作為特征優(yōu)選變量。

表5 紅邊指數(shù)相關(guān)性

表6 紋理特征主成分分析結(jié)果

3.2 分類(lèi)結(jié)果

根據(jù)表2中的分類(lèi)方案，對(duì)RF、ANN、MID及MAD在光譜特征及優(yōu)選融合特征的分類(lèi)精度進(jìn)行對(duì)比，結(jié)果如圖2所示。

從圖2可知，RF分類(lèi)結(jié)果區(qū)分度較為明顯；ANN對(duì)于建筑的區(qū)分度不高；MID算法對(duì)于林地及耕地的分類(lèi)效果不夠理想；MAD對(duì)于林地的分類(lèi)效果較差。整體來(lái)看，優(yōu)選多特征融合方案對(duì)分類(lèi)結(jié)果產(chǎn)生了正面的影響，特別是在ANN和MID分類(lèi)方案中，優(yōu)選多特征融合方案大大提升了各地物類(lèi)別的區(qū)分度。

總體精度評(píng)價(jià)的分類(lèi)混淆矩陣見(jiàn)表7。從表7可知，所有組合中，RF組合方案總體精度高于其他算法，其中基于光譜特征的RF分類(lèi)方案總體精度達(dá)到85.21%，基于融合特征的RF分類(lèi)方案總體精度達(dá)到87.31%。說(shuō)明相較于其他分類(lèi)算法，RF土地利用分類(lèi)的準(zhǔn)確性更高、分類(lèi)效果更好；相較于基于光譜的RF分類(lèi)方案，優(yōu)選多特征融合的RF分類(lèi)方案總體精度提升了2.1%，并且高于其他組合方案的分類(lèi)精度。優(yōu)選多特征融合的RF方案對(duì)建筑、森林、農(nóng)田及公路的用戶精度均高于其他組合的用戶精度。在ANN方案中，優(yōu)選多特征融合方案總體精度提升了10.52%；在MID和MAD方案中，優(yōu)選多特征融合方案總體精度分別提升9.21%和1.79%。說(shuō)明優(yōu)選多特征融合方案對(duì)提升土地利用分類(lèi)精度具有一定的效果。光譜特征提高了圖像質(zhì)量，指數(shù)特征反映了地物差異，紋理特征表現(xiàn)了地物與其周?chē)h(huán)境的關(guān)系。融合后的多特征提高了土地類(lèi)別之間的區(qū)分度。

表7 總體精度評(píng)價(jià)

圖2 光譜特征及融合特征分類(lèi)結(jié)果

4 結(jié)論

基于多光譜Sentinel-2影像，通過(guò)優(yōu)選后的多特征融合影像信息，構(gòu)建了多種算法的土地利用分類(lèi)模型，以白鹿原地區(qū)為例開(kāi)展了土地利用分類(lèi)對(duì)比研究。主要結(jié)論如下：對(duì)光譜特征、植被指數(shù)及紋理特征采用不同方法進(jìn)行優(yōu)選，可以實(shí)現(xiàn)特征變量降維，減少特征的冗余性；相較基于光譜特征的分類(lèi)方案，優(yōu)選多特征融合方案的分類(lèi)精度提升了2%～10%，表明多特征融合方法能夠提升土地利用分類(lèi)的準(zhǔn)確率；與優(yōu)選多特征融合的ANN、MID和MAD相比，優(yōu)選多特征融合的RF分類(lèi)方案精度分別提升了10.85%、26.22%及4.55%，RF相比于其他分類(lèi)方案具有更高的分類(lèi)精度，分類(lèi)結(jié)果與真實(shí)類(lèi)別具有高度一致性，在黃土臺(tái)塬區(qū)土地利用分類(lèi)中具有較高適宜性。