基于遙感指數灰度分割與面向對象的土地利用信息提取＊

楊智博，姜志偉，左合君，楊 清，瑪 瑙，李云飛，吳 霞

（1.內蒙古農業大學沙漠治理學院，內蒙古 呼和浩特 010011；2.內蒙古風沙物理與防沙治沙工程重點實驗室，內蒙古 呼和浩特 010011；3.烏海市公用事業發展中心，內蒙古 烏海 016000）

隨著3S技術的發展以及社會信息化的需求，地理信息遙感技術已越來越廣泛地被應用于國民經濟的各個領域，社會各行業對地理信息的需求也越來越多，越來越廣[1]。遙感影像因其覆蓋面積大、信息直觀、現實性較強等優點，成為各種地理信息產品的重要信息源，如何快速地從這些影像數據上提取空間數據，實現空間數據的快速更新，使地理信息產品為更多用戶服務，具有重要意義。土地沙漠化一直是備受關注的全球性重大資源與環境問題之一。國內外學者通過3S技術，分別采用監督分類最大似然法[2]、光譜增強處理分類[3]、決策樹分類[4]和面向對象分類[5]等方法進行了土地利用信息提取研究。以上的研究雖然都可以取得不同程度較好的提取效果，但大多采用單一方法，針對遙感影像光譜混淆、地物類型復雜的地方而言，提取方法難免受到限制，存在局限性[6]。

遙感影像分類一般有2種，分別是基于像素分類和基于對象分類。其中基于像素分類主要包括了監督分類和非監督分類、基于專家知識決策樹分類等；基于對象分類通常是指面向對象分類方法。本研究基于ENVI5.3軟件和Arcgis10.8軟件，提取遙感影像中的EVI[7]、MNDWI[8]、NDBI[9]、DVI[10]、RVI[11]等遙感指數，通過灰度分割的方式，經過大量實驗的分析比較采用最優波段閾值來進行土地利用特征信息提取。然后利用ENVI中的面向對象空間特征提取模塊（featureextraction，FX）進行特征信息提取[12-15]，其中有2種不同的分類方式：一種是基于規則的分類方法，即通過圖像的光譜、形狀和紋理特征等信息，建立規則模型進行分類；另一種為基于樣本的分類方法，即通過建立訓練樣本，選取合適的算法后再分類。

1 研究區概況及數據來源

本文選取庫布其沙漠及周邊地理環境作為主要實驗研究區，研究區范圍為107.059°E—111.368°E，39.787°N—40.913°N。長400 km，寬50 km，總面積約1.39萬km2。庫布其沙漠常年干旱少雨，其地理位置位于鄂爾多斯高原的北部，覆蓋杭錦旗、達拉特旗和準格爾旗的部分地區。

本文為了能夠為特征信息提取土地利用和沙漠化動態監測提供多光譜、多時間和多空間分辨率的遙感信息，選取了庫布其沙漠2021年Landsat-OLI影像，影像來自于地理空間數據云（http://www.gscloud.cn/home），考慮到研究區的夏季時間相對較長，植物生長周期較短，為了便于目視解譯，使得研究結果具有可比性，10期影像成像時間均選擇在時間相距較近的時段，基本在7—8月上旬，影像成像效果較好，云量均控制在3%以下。研究區概況圖如圖1所示。

2 研究方法

本研究研究區需三景影像覆蓋，首先對其3張衛片進行預處理，分別對它們依次進行輻射定標、FLAASH大氣校正，目的是消除大氣、氣溶膠、光照等因素對地物反射率的影像，獲取地表真實的反射率和輻射率以及地表溫度等相關物理模型參數，其次對三景影像進行鑲嵌處理，最后將鑲嵌后的影像進行裁剪，以庫布其沙漠為中心裁剪成矩形狀影像。

本研究的土地利用類型是根據土地用途和性質的不同所劃分的地域單元。文中的土地利用分類體系參照的是國土資源部組織修訂的國家標準GB/T 21010—2017《土地利用現狀分類》。根據此標準從中選擇出6個一級分類，分別是耕地，林地，草地，水域，城鄉、工礦居民用地，未利用土地等。

本研究是對特征影像提取，采用灰度分割與面向對象提取分類結合的方法，對分類遙感影像進行二次調節：第一次是基于機器的自動分類，通過參考野外訓練樣本，來手動調節閾值參數，為面向對象二次調節設定閾值范圍；第二次調節是基于遙感影像的光譜進行分析提取，結合Landsat8OLI影像中的藍綠波段、綠色波段、紅色波段、近紅外波段等，確定閾值參數，對特征地物進行調節，以此來提取特征信息。技術流程如圖2所示。

圖2 技術流程圖

2.1 計算遙感指數

研究中需要用到5種遙感指數，分別是EVI增強型植被指數、MNDWI改進型水體指數、NDBI歸一化建筑指數、DVI差值植被指數、RVI比值植被指數。EVI增強型植被指數不僅繼承了NDVI歸一化植被指數的優點，還改進了高植被區域飽和、大氣影響校正不完善和土壤背景等問題。改進型水體指數MNDWI基于綠波段和近紅外波段的歸一化比值指數，一般用來提取影像中的水體信息，而MNDWI是基于綠波段和中紅外波段的比值指數。歸一化建筑指數NDB主要是通過中紅外和近紅外波段的差值，來提取城鎮建設用地。DVI差值植被指數又稱環境指數，為二通道反射率之差，近紅外波段與紅色波段的差值，能較好地識別植被和水體，該指數隨生物量的增加而迅速增大。RVI是兩個波段反射率的比值，近紅外波段與紅色波段的比值，是綠色植物的靈敏指示參數。運用ENVI中的波段運算，對這些指數進行計算，如有異常值則進行歸一化處理。

2.2 灰度分割

結合野外采樣點，通過灰度分割的方式對各類遙感指數的閾值進行調節，參考野外訓練樣本，對水域、建設用地、沙地、耕地、林地、草地等地物進行標記，比較分析將每種地物的閾值范圍盡可能縮小。表1是各類地物與其對應的遙感指數的閾值取值范圍，從表中可得知不同閾值區間可以呈現不同的地物特征，分別有水域、建設用地、沙地、耕地、林地、草地；通過野外樣點訓練樣本，沿庫布其沙漠及周邊勘察地物類型，根據實際地形采樣狀況，為地物的灰度分割提供有力的參考依據。

2.3 波段合成

對所需指數波段進行合成處理，需用到的波段有NDBI、EVI、MNDWI、DVI、RVI、Landsat8OLI第二至第五波段，藍綠波段、綠色波動、紅色波段、近紅外波段等，將這些波段進行融合，形成的新的遙感影像一共含有13個光譜波段，然后將新的遙感影像進行基于光譜的面向對象特征處理。

ENVI FX基于遙感影像的亮度、紋理、顏色等對影像進行分割，調節分割閾值，使不同尺度上邊界的差異受到控制，從而產生從細到粗的多尺度分割。影像分割時，由于閾值過高或過低，某些特征會被錯分，一個特征也有可能被分成很多部分，所以這時候需要一種合并算法來完善尺度分割的結果。合并算法通常選擇Full Lambda Schedule，合并影像中大塊、紋理性較強的區域，例如草地、沙地、樹林、云等，該方法在結合光譜和空間信息的基礎上迭代合并鄰近的小斑塊。根據表1多次實驗觀察比較分析得知，分割尺度為20時，影像的圖斑效果相對有一個較好的呈現，選擇合并閾值80，對斑塊進行近似合并，紋理內核設置為3。

表1 遙感指數規則數據集

2.4 面向對象分類提取

通過圖3可得知：當EVI閾值范圍在（0.75，1）時，地表覆蓋類型主要為耕地和林地；當NIR閾值范圍在（1，0.3）時為耕地，反之則為林地；當MNDWI閾值范圍在（0.35，1）時，可以區分典型的水域地物特征；當DVI閾值范圍在（0.075，0.17）時，地表覆蓋類型主要為沙地、建設用地，反之則為草地；當RVI閾值范圍在（1.05，1.3）時，地物類型主要是沙地，反之則為建設用地。

圖3 土地利用類型提取流程圖

2.5 特征信息提取

利用波段計算器，通過水域、耕地、林地、建設用地、沙地分類圖對原始影像進行掩膜處理，依次分離出剩余地物。為了避免監督分類造成的“同譜異物”“同物異譜”現象，輔以空間特征、光譜特征、地理位置等精確分類，構建不同地物的掩膜，加載到面向對象工作流程中，按反向掩膜提取的方式，依次對水域、耕地、林地、建設用地、沙地、草地等6類地物進行提取。庫布其沙漠及周邊土地利用類型如圖4所示。

圖4 庫布其沙漠及周邊土地利用類型

3 結果與分析

3.1 提取結果分析

運用Arcgis計算分類面積結果，通過SpatialAnalyst工具，對分類結果進行小斑塊剔除處理，并統計地物類型的分類結果，得出各地類的占地面積以及其比例。統計后由表2可知，草地面積最大，為19 435.71 km2，占總研究區面積的41.13%；沙地面積是6 035.96 km2，占總研究區面積的12.77%；林地面積是6 037.47 km2，占總研究區面積的12.78%；建設用地為2 717.78 km2，其占總研究區面積的5.75%；耕地面積是12 379.60 km2，占總研究區面積的26.20%；水域面積最小，占地面積是643.20 km2，占總研究區面積的1.36%。通過圖4可以清晰看出：草地覆蓋面積占地面積最大，其次是耕地面積，位列其二，林地和沙地占地面積相近，總體呈現對半趨勢，城鎮建設用地面積相對較少，比例也相對較小，最后，水域的總占地面積最小。

表2 庫布其沙漠及周邊面積及其比例

本文為綜合比較研究方法的優越性，采用監督分類中應用最廣泛、分類效果和效率較高的最大似然法進行土地利用分類，采用人工目視解譯定義訓練樣本，訓練樣本的選擇決定監督分類的精度，當在解譯過程中無法確定土地利用類型時，本研究借助BIG MAP對土地利用類型進行判讀，提高訓練樣本的精度。

3.2 精度評價

精度驗證分析如表3所示。

表3 精度驗證分析

根據庫布其沙漠野外實測124個樣點，將其投影到分類結果中，根據精度驗證的評價方法，灰度分割和面向對象結合方法與最大似然法支持向量機進行對比，進行精度驗證。基于2020年土地利用現狀圖和前期實地調查取樣進行精度驗證。2種分類方法獲取的分類結果與實際采樣點重合，進行疊置分析。精度評價結果表明，基于灰度分割和面向對象結合方法土地利用特征信息提取總體精度90.32%，利用最大似然法支持向量機提取土地利用特征信息總體精度為62.86%，精度相對監督分類支持向量機的方法提高了27.46%，Kappa系數分別為0.847 9和0.444 4。大部分地物類型提取的使用者精度及生產者精度也高于支持向量機，灰度分割和面向對象結合提取土地利用信息效果較為理想。

4 討論與結論

本實驗采用灰度分割和面向對象結合的方法進行了土地利用信息提取，得出以下結論：草地總面積最大，林地面積和沙地面積相當；生態環境改善，說明近些年的林業造林工程有顯著成效，很好地起到了治理庫布其沙漠的作用；沙地退化顯著，草地林地增加明顯，對城鎮的生態化建設作出極大的貢獻；城鎮用地面積、水域面積有不同程度的增加。

灰度分割和面向對象結合的方法提取地物特征信息，既可以避免同時提取多種地物類別在波組合選擇上的矛盾，也一定程度上避免了傳統分類方法中的“同物異譜”和“同譜異物”現象對分類精度的影響，取得了較高的分類精度。利用灰度分割和面向對象結合提取庫布其沙漠地物特征信息可為該區域研究信息提取提供技術支撐。