面向對象的喀斯特地區地表景觀遙感信息提取*

林國敏，劉繼庚，鄧仕雄，周 彬

（貴州水利水電職業技術學院，貴州 貴陽 551416）

地表景觀的提取被廣泛應用于土地資源管理、地質災害監測和水資源污染監測等領域，提取地表景觀的方法主要分為面向像素的分類方法和面向對象的分類方法。其中，面向像素的分類方法對光譜差異較為明顯的遙感影像地表景觀信息提取具有較好的效果，但具有一定的局限性，表現為一方面影像的紋理和形狀信息不能充分被應用，會造成大量信息損失[1]；另一方面，對于光譜信息接近的地表景觀，單純依靠光譜信息進行分類，容易產生錯分的現象，從而使得分類精度低。而面向對象的分類方法是以影像對象為基本處理單元，對象是由一組相鄰的同質像素集合，同時與像素相對應的影像分析實體，對象的大小由影像分割的尺度與影像的空間結構決定，在面向對象的分類方法中，參與提取信息的因子不單純有光譜信息，更重要的是包含了影像對象的形狀、地形因子、植被指數、紋理和空間信息等特征[2]。許多研究表明，面向對象的地表景觀提取方法結果要比單純依靠面向像素的光譜特征提取地表景觀的方法效果好。

喀斯特地區具有地形復雜、景觀破碎和地表坡度大等特點，若使用面向像素的地表景觀提取方法則局限性更加明顯。為提高喀斯特地區地表景觀提取的準確率和效率，本文采用面向對象的分類方法，將研究區的空間特征、光譜特征、形狀特征等參與多尺度分割，形成“同質影像”對象，再結合坡度、亮度、歸一化建筑物指數（NDBI） 及歸一化植被指數（NDVI） 等參數，建立了適應喀斯特地區的地表景觀分類體系[3]，該方法能夠極大地減少破碎景觀之間的相互干擾，比面向像素的分類方法更適合提取喀斯特地區的地表景觀。

1 研究區概況

赤水河流域地處云貴高原向四川盆地過渡的斜坡地帶，中上游河長約263.5 km，流域面積約為7596 km2，具體位于東經104.7°至106.5°之間，北緯27.1°至27.9°之間[4]。上游河段內泉、井、巖穴、伏流甚多，巖溶地貌發育，峰叢洼地、峰林高原、峰叢峽谷、落水洞、地下河等分布廣泛，以石灰巖、白云巖等碳酸鹽巖為主，抗風蝕能力強，酸不溶物含量低，成土物質來源不足，成土速率較低，農業用地呈現分布零星且不連續的特征，地表破碎，生態環境脆弱，屬于典型的喀斯特地貌景觀[3]。

2 數據源和研究方法

2.1 研究區數據源

本文的影像數據來源于地理空間數據云（http://www.gscloud.cn/） Landsat8 OLI 的遙感影像，由同一年覆蓋研究區的四景遙感影像拼接而成。該類型的影像數據被廣泛應用于大尺度的地表溫度的反演、土地資源管理、動態監測和災害監測等領域。為減弱地表和大氣等原因對獲取的遙感影像產生的誤差以及確定上游覆蓋的流域區域，本研究使用ENVI軟件對遙感影像圖像進行大氣校正、輻射定標、去云處理、圖像增強、鑲嵌、拼接及裁剪等預處理，處理后將影像的6 波段賦予紅色，5 波段賦予綠色，4 波段賦予藍色，得到預處理后的研究區遙感影像，見圖1。

圖1 預處理后的研究區遙感影像

2.2 研究方法

2.2.1 影像分割

影像分割是面向對象分類的基礎，分割的好壞決定了分類精度的高低。分割尺度過大，導致影像對象中包含不唯一的類別，造成混合地物嚴重，導致錯分，從而降低了分類精度[3]；分割尺度過小，實際類別相同卻分為大量不必要的對象，同一地類被分割成多個單元，增加了運算量和分類難度，降低了分類效率。研究區不同分割尺度的對比見圖2。從圖2 中可以看出，當分割尺度為20 的時候，地表景觀被分割得特別細碎，失去了“同質影像”對象的本質；當分割尺度為100 的時候，地表中的林地和部分灌草被劃定為同類景觀，地物混合，容易錯分；經過多次對比試驗，當分割尺度為60 的時候，同類地物可以被分割，分割后再修改的工作量小，因此本研究采用的分割尺度為60。

圖2 研究區不同分割尺度的對比

由于赤水河上游地形復雜，地表坡降大，部分地區土地資源缺乏合理管理，導致石漠化嚴重和景觀破碎，因此本文采用分級分割的思想對研究區進行影像分割分類，即先在原始影像上分出“父類”，本文分為植被和非植被兩個父類；再根據實際需要，在小尺度上定義特征，分出“子類”，本文根據研究區的實際情況和分類標準，將研究區分為耕地（包括旱地和水田）、建設用地、林地、灌草、未利用地及水體六個一級類，即六個子類。基于反復測試，最終選擇第一層分割尺度為60，第二層的分割尺度為25，形狀因子為0.1，父類層和子類層的緊湊度均為0.5，各波段的權重均為1。

2.2.2 建立地表分類體系

建立適當的圖像分類體系是進行遙感影像分類的重要依據和基礎，在實際應用過程中要充分考慮遙感影像實際可解能力、土地的用途、利用方式、經營方式和覆蓋特征等因素[1]。本次分類結果參考GB/T 21010-2017《全國土地分類標準（實行）》，數據的空間分辨率為15 m，結合實地景觀調研和學者已有的研究成果，建立適合于研究區的地表分類規則（見圖3），從而將研究區的景觀組成劃分為耕地、建設用地、林地、灌草、未利用地及水體六個一級類。

圖3 研究區地表分類規則

結合云貴川三省的地物在假彩色遙感影像上地物的空間位置、形狀和色調等特征，并參照野外實地調查和已有的研究成果，建立研究區地表景觀類型的遙感影像解譯標志，見表1。從表1 中可以看出，耕地主要包括旱地和水田，旱地主要分布在地勢平坦區域，在假彩色影像中主要呈粉色，水田呈青綠色；林地主要包括疏幼林、果樹林及灌木林地，主要分布在坡度較大的地方，灌草包括天然牧草地、人工牧草地及其他草地，分布在坡度較緩的區域；水體包括水庫、湖泊和河流等，主要呈深藍色、條帶狀或者形狀規則；建設用地包括城鎮用地和道路，形狀規則，亮度值高，主要呈深紫色或者亮粉色；未利用地主要指荒地和裸地等，亮度值極高。

2.2.3 精度評價指標

Kappa 系數（Kappa coefficient） 反映的是圖像地物分類結果和訓練樣本數據之冋的吻合程度，克服了總體分類精度過度依賴樣本類別數和樣本數量的缺點，是一種更加客觀準確的評價指標，其計算公式為

式中：N 為像素總數；n 為預測樣本類個數；Xi指某一類別i 被正確分類的數值；Xii為預測數據中該類別的像素總數；Yii為標簽中該類別的像素總數[5]。

3 面向對象的喀斯特地區地表景觀遙感信息提取結果

使用eCognition 軟件，基于規則和樣本的面向對象分類方法，在對遙感影像的分層分割基礎上，選取波段值、坡度、亮度、NDBI 及NDVI 等參數，借助建立的地表景觀解譯標志，針對不同的地類定義每個地類的樣本訓練集。同時結合野外驗證點和谷歌地圖輔以手動修正錯分的斑塊，選取混淆矩陣和Kappa 系數作為分類精度的評價指標，分類精度高于85%，借助ArcGIS 的成圖功能，最終得到研究區的景觀提取結果分布圖，見圖4。

圖4 研究區的景觀提取結果分布圖

以赤水河上游的某子流域區域來看，通過對比原始影像和景觀提取后的結果，本次建立的地表分類規則和解譯標志可以很好地提取研究區的耕地、建設用地、林地、灌草、未利用地及水體等一級類景觀；再借助ArcGIS 的統計功能，本文統計出了赤水河上游各類景觀組成現狀，見表2。從表2 中可以看出，研究區景觀主要以灌草和林地為主，耕地和建設用地較少。

表2 赤水河上游各類景觀組成現狀

4 結束語

按照人腦認知過程的面向對象的自動分類方法，是先把地類斑塊看成一個獨立的單元，在充分了解分類單元后，確定分類的參數以及分類順序等相關問題，通過該分類方法，能夠克服“同物異譜”“同譜異物”現象的影響[6]。本文采用該分類方法對喀斯特地區的地類進行了識別，添加地形因子NDBI和NDVI 等指標建立了地表分類規則，得到了較好的成果，其分類方法和參數可以為喀斯特地區大面積遙感影像地表信息提取提供參考。但是由于本次實驗采用的是Landsat8 OLI 遙感影像，數據分辨率最高僅為15 m，因此只能分出一級地類；如果想要更加細致地識別地類，如林地中的針葉林和闊葉林等，還需要分辨率更高的數據。