基于高分衛星影像的湖南某地土地利用分類研究

摘要：隨著遙感技術的快速發展，越來越多高分辨率遙感影像的出現，為快速準確獲取地面信息創造了有利條件。面向對象的分類方法在進行地物信息提取時，考慮到了更多的分類特征，且能與地學知識以及其他專題特征相結合，使分類過程與人類的認知過程更加接近，已成為土地利用信息提取研究的主流方向之一。本研究以高分二號影像為基礎，探索多尺度分割最優參數的選取方法，構建了影像分類特征空間并對其進行優化。基于多層次分類體系提取土地利用信息，并進行精度評價。通過空間大數據對建設用地信息進行細分，并對其空間分布特征進行分析。

關鍵詞：高分衛星土地利用POI數據影像分割

ResearchonLandUseClassificationinaCertainAreainHunanProvinceBasedonHigh-ResolutionSatelliteImages

YUCheng1ZHANGXian2

1.TheThirdSurveyingandMappingInstituteofHunanProvince;2.TheSecondSurveyingandMappingInstituteofHunanProvince，Changsha，HunanProvince，410081China

Abstract：Withtherapiddevelopmentofremotesensingtechnology，theemergencyofmoreandmorehigh-resolutionremotesensingimagescreatesfavorableconditionsforquicklyandaccuratelyobtaininggroundinformation.Theobject-orientedclassificationmethodtakesintoaccountmoreclassificationfeatureswhenextractingground-objectinformation，andcanbecombinedwithgeoscienceknowledgeandotherthematicfeatures，sothattheclassificationprocessisclosertothecognitiveprocessofhumanbeings，whichhasbecomeoneofthemainstreamdirectionsofresearchonlanduseinformationextraction.Thisstudyisbasedonhigh-resolutionNo.2images，explorestheselectionmethodofoptimalparametersformulti-scalesegmentation，constructsimageclassificationfeaturespaceandoptimizesit.Itextractslanduseinformationbasedonamulti-levelclassificationsystemandconductsaccuracyevaluation.Itsubdividesconstructionlandinformationthroughspatialbigdataandanalyzesitsspatialdistributioncharacteristics.

KeyWords：High-resolutionsatellite;Landuse;POIdata;Imagesegmentation

土地是非常寶貴的稀缺性資源，也是人類從事社會活動的基礎。然而，伴隨我國城市化的腳步的加快，建設用地的無序擴建，侵占了農田、林地、水域等資源，給自然環境帶來的不良影響，對城市規劃與發展帶來了極大的挑戰[1]。城市建設用地類型信息能夠更加全面、直觀地展示城市內部空間結構，對解決城市發展問題具有重要意義。本文采用面向對象分類技術，通過2022年的高分二號遙感影像對研究區土地利用信息進行提取，在此基礎上利用POI數據對建設用地進行專項細分，為城市土地利用結構的升級優化、城市發展規劃提供基礎性數據和決策支持。

最后，以面向對象的決策樹分類（CART決策樹）、隨機森林分類方法提取研究區土地利用信息，并對采用不同方法、不同空間分辨率影像獲取的土地利用分類結果進行精度評價。

1數據源

研究區位于湖南省中南部，屬于中亞熱帶濕潤季風氣候區，氣候溫和、雨熱同期、四季分明。年均溫16.1°，累年平均無霜期279d。年均降水量828.3mm，降水夏季多、冬季少，秋季降水略多于春季[2]。本研究使用2022年覆蓋該區域的高分二號（GF-2）高分辨率遙感影像作為數據源。另外，本研究通過高德地圖API獲取2022年研究區范圍內的興趣點（PointofInterest，POI）數據，共計26846條數據。

2基于高分影像的土地利用信息提取

從土地利用分類體系的構建出發，通過最大面積法、基于ESP最優尺度評價法選取最優分割尺度，并以控制變量法為基礎選取不同分割尺度下的均質性因子。針對研究區內的不同土地利用類型，分析其光譜特征、紋理特征、幾何特征、指數特征差異，構建影像分類特征空間并對其進行優化。

2.1基于多層次結構的土地利用分類結果

以eCognition軟件為基礎，在通過影像分割實驗形成多層次結構上，以各層次最優分割參數為基礎，在每層利用相對應的特征參數訓練分類器并應用，從而對地物信息進行提取[3]。

在通過分割參數[179，0.5，0.6]獲取的Level1層上，訓練分類器并應用，以此提取水域；在Level1層的非水域部分基礎上，以[133，0.4，0.5]的參數分割得到Level2層，訓練分類器并應用，提取耕地、林地和裸地；將Level2層的非耕地、林地和裸地部分，以[65，0.5，0.5]的參數分割獲取Level3層，訓練分類器并應用，提取建設用地、交通用地、設施農用地和陰影。

2.2陰影對象再分類

研究區內高層建筑與樹木受傳感器姿態及光照因素影響，會產生陰影斑塊，對土地利用分類產生一定影響[4]。考慮到后續精度評價時所選取的精度驗證點來源于Google高分辨率影像，所以預先對陰影對象進行處理。陰影對象處理過程為：首先，通過對陰影遮擋下地物的光譜特征差異進行分析；其次，以[30，0.5，0.5]參數對陰影對象進行分割，并采用隨機森林分類器對陰影對象進行再分類處理；最俱后，將不同類別的陰影對象與陰影遮擋下的真實地物劃分為一類，如將陰影遮擋下的建筑與非陰影區的建設用地合并為一類。

2.3影像分類精度評價與分析

精度評價是影像分類后最為重要的環節，為了更加客觀地評價影像分類效果，本研究采用基于樣本的混淆矩陣方法，對分類結果進行精度評價。基于Google影像，通過隨機采樣法選取1720個樣本點，其中包括565個建設用地樣本點，73個裸地樣本點，17個設施農用地樣本點，221個耕地樣本點，170個交通用地樣本點，642個林地樣本點，以及32個水域樣本點，保證每0.25km2至少有一個精度驗證點的分布。

通過對土地利用分類的精度評價結果分析可知，CART決策樹與隨機森林兩種算法的分類精度有一定差異。從GF-2影像來看，基于CART決策樹分類的總體精度為84.20%，Kappa系數為0.7803；基于隨機森林分類的總體精度為85.93%，Kappa系數為0.8043。基于CART決策算法的分類結果中，水域、設施農用地的分類精度較高；而交通用地的分類精度最低，Kappa系數為0.7456。基于隨機森林算法的分類結果中，設施農用地、裸地和水域的分類精度較高；而交通用地的分類精度最低，Kappa系數為0.7633。

2.4土地利用信息提取結果修正

本研究選取精度最高的GF-2影像分類結果，在此基礎上結合的Google高分辨率影像，針對分類結果中土地利用類型的錯分、漏分等問題，利用目視解譯方法對其進行修正，便于后續的分析應用和研究。

修正后土地利用分類結果的精度明顯提高，總體精度達95.16%，Kappa系數也提高至0.9320。其中，交通用地的精度提升較大，建設用地的分類精度也較高，為后續基于POI數據的建設用地細分研究奠定基礎。

3基于POI數據的建設用地專項細分

本研究在地塊單元劃分的基礎上，利用Place2Vec模型構建POI數據訓練集，獲取各地塊單元的特征向量，并確定其用地類型[5]。

為了更加客觀地評價建設用地專項信息提取的精度，本研究以“天地圖”國家地理信息公共服務平臺以及Google影像為輔助，在高德電子地圖上選取316個樣本點，其中包括102個住宅用地樣本點，38個商服用地樣本點，81個工礦倉儲用地樣本點，9個特殊用地樣本點，8個交通服務場站用地樣本點，15個機關團體用地樣本點，44個教育科研用地樣本點，5個體育用地樣本點，14個醫療衛生用地樣本點。采用基于樣本的混淆矩陣方法進行分類精度評價。最終得到的精度評價結果如表1所示。

由表1可知工礦倉儲用地與住宅用地信息的提取精度最高，Kappa系數分別為0.9830、0.9274。是因為住宅用地中，城市內部的住宅小區地塊獨立性較高，總體占地面積也相對較大，提取精度較高。同樣地，工礦倉儲用地的建筑面積較大，地塊獨立性也較高，且分布較為集中，不易被錯分和漏分。交通服務場站用地和體育用地的提取精度較低，Kappa系數分別為0.8123、0.7968。這是由于城市中的地鐵站、停車場的占地面積較小，地塊獨立性較低且與其相關POI點數量較少，提取精度較低。而體育用地在城市中的分布較為分散，除大型體育場館外，其他占地面積較小的體育用地，易被錯分和漏分。此外，商服用地、機關團體用地和教育科研用地的制圖精度明顯小于用戶精度。經過分析得知，在老城區中各類建筑用地的空間結構較為復雜，其內部主要以老式的住宅小區為主，而商服用地、機關團體用地和教育科研用地的地塊獨立性較低，易與其他類型的建筑用地混淆，在提取過程中易被漏分。最終總體精度為91.82%；總Kappa系數為0.8980。

4土地利用現狀制圖

本研究在基于高分辨率遙感影像的土地利用分類結果以及基于POI數據的建筑用地專項細分結果的基礎上，以《第三次全國國土調查技術規程》（TD/T1055-2019）標準為參照[6]，對2022年土地利用現狀進行制圖輸出，如圖1所示。通過對該區域2022年土地利用現狀與面積統計的分析可知，與建設用地相比，非建設用地在該區域土地利用中所占比重更大，占研究區土地總面積的64.24%。其中，林地分布范圍最廣、占地面積最大，占土地總面積的38.93%。耕地與交通用地在非建設用地中的面積占比也相對較大，分別占土地總面積的10.43%、8.47%。建設用地中工礦倉儲用地和住宅用地的占地面積較大，分別占該區域主城區土地總面積的14.93%、13.98%。此外商服用地與教育科研用地面積占比也相對較大，分別占土地總面積的2.98%、1.75%。此外，在建設過程中，且還未明確具體用地類型的建設用地占土地總面積的1.19%。

5結語

本文以某主城區為例，將高分二號高分辨率遙感影像作為數據源，結合最大面積法、ESP最優尺度評價法選取影像最優分割尺度，并以控制變量法為基礎選取不同分割尺度下的均質性因子。針對研究區內的不同土地利用類型，分析其光譜特征、紋理特征、指數特征差異，構建影像分類特征空間并通過SPM模型對其進行優化。在此基礎上，以面向對象的決策樹分類、隨機森林分類方法提取研究區土地利用信息，并對采用不同分類方法和不同空間分辨率影像下的土地利用分類結果進行精度評價。針對土地利用分類結果中的建設用地，結合POI數據和遙感影像將其細分為商服用地、交通服務場站用地、住宅用地、特殊用地、工礦倉儲用地、公共管理與公共服務用地，以便對地利用空間結構與功能分區進行研究。

參考文獻

[1]顏萍.基于遙感數據的成都市土地利用類別與熱島效應關聯性研究[D].成都：西南交通大學，2022.

[2]吳郁文，林杰.融合遙感與社會感知數據的城市土地利用分類方法[J].浙江大學學報（理學版），2023，50（1）：83-95，107.

[3]劉粉粉.基于深度學習的高分辨率遙感圖像土地利用分類研究[D].邯鄲：河北工程大學，2022.

[4]趙元銘，孫永華，李小娟，等.面向城市土地利用的高分辨率遙感特征分析[J].測繪科學，2022，47（3）：110-115，121.

[5]閆海霞.基于遙感影像的孝感市土地利用變化特征及生態效應研究[D].武漢：華中師范大學，2023.

[6]周珂，楊永清，張儼娜，等.光學遙感影像土地利用分類方法綜述[J].科學技術與工程，2021，21（32）：13603-13613.