基于高分辨率影像的流域土地利用類型的提取——以鄉(xiāng)寧縣紅土溝流域?yàn)槔?br/>

南 鋒，張小英

（1.山西農(nóng)業(yè)大學(xué)研究生院，山西太谷030801；2.山西農(nóng)業(yè)大學(xué)文理學(xué)院，山西太谷030801）

流域的土地利用類型，反映了流域表面的覆蓋狀況，是研究流域土地利用的重要基礎(chǔ)數(shù)據(jù)。遙感影像能夠快速地獲取地球表面信息，目前其已成為獲取流域地表信息的主要手段，特別是隨著高分辨率遙感影像的應(yīng)用，其數(shù)據(jù)的精度也大大提高。但是如何從高分辨率遙感影像中自動(dòng)獲取特征信息，一直是遙感應(yīng)用的研究熱點(diǎn)。傳統(tǒng)的遙感影像信息提取方法大多是單純基于像元的方法，通過分析像元之間的關(guān)系實(shí)現(xiàn)對(duì)影像的分類和信息的提取[1]。在處理低空間分辨率遙感影像時(shí)，由于影像中地物目標(biāo)小，目標(biāo)內(nèi)部的像元比較一致，基于像元的處理可以達(dá)到比較好的效果。但是，隨著分辨率的提高，遙感影像中的空間信息也更加豐富，地物的幾何結(jié)構(gòu)和紋理信息更加明顯，基于像元的方法在處理這類影像時(shí)會(huì)顯得粒度過小，在分類過程中會(huì)造成大量的椒鹽噪聲，因而難以提取地物的整體結(jié)構(gòu)信息。目前，高分辨率遙感的解譯主要靠人工判讀和識(shí)別來完成，工作量大、成本高，因此，利用計(jì)算機(jī)對(duì)高分辨率遙感影像自動(dòng)解譯是目前遙感信息處理的重要研究方向。

近些年來，面向?qū)ο蟮姆诸惙椒ㄖ饾u成為一種主要的遙感分類方法，在分類時(shí)不僅能依靠其光譜特征，更多的是要利用其幾何信息和結(jié)構(gòu)信息[2-3]。面向?qū)ο蟮倪b感影像分類技術(shù)為高分辨率的遙感影像的計(jì)算機(jī)自動(dòng)解譯提供了一條重要途徑。目前，很多遙感軟件都具有這個(gè)功能，如ENVI的FX擴(kuò)展模塊、ERDAS的 Objective模塊、PCI的FeatureObjeX等。筆者利用ENVI軟件所提供的面向?qū)ο蠓诸惸K，以鄉(xiāng)寧縣紅土溝流域2010年SPOT5影像（包括全色2.5 m和多波段10 m數(shù)據(jù)）為基礎(chǔ)數(shù)據(jù)，對(duì)紅土溝流域的土地利用類型進(jìn)行了提取，結(jié)果表明，該方法具有較高的精度。

1 研究區(qū)概況與研究方法

1.1 研究區(qū)概況

紅土溝流域位于山西省鄉(xiāng)寧縣內(nèi)，該流域?qū)冱S土丘陵溝壑區(qū)，梁峁起伏，溝壑縱橫，海拔為1 048～1 375 m，相對(duì)高差327 m。流域具有黃土侵蝕溝道發(fā)育的特點(diǎn)，小流域完整系數(shù)0.54，不對(duì)稱系數(shù)0.07。主溝發(fā)育充分，溯源侵蝕活躍，溝壑密度為3.87 km/km2。地處中緯度，屬暖溫帶半干旱大陸性季風(fēng)氣候。多年平均氣溫8.3℃，極端最高氣溫37.6℃，極端最低氣溫-22℃。光照資源豐富，年日照時(shí)數(shù)2 557 h，≥10℃的活動(dòng)積溫約3 045℃。風(fēng)向多為北偏東向，平均風(fēng)速2.5 m/s，年大風(fēng)日數(shù) 5.1 d，無霜期 183 d。

1.2 研究方法

面向?qū)ο蟮姆诸惣夹g(shù)包括圖像分割和圖像分類2個(gè)主要步驟。其中，圖像分割目的是從二維的圖像信息陣列中恢復(fù)出圖像所反映的景觀場(chǎng)景中的目標(biāo)地物的空間形狀及組合方式作為分類的基本圖像對(duì)象；圖像分類技術(shù)基于圖像對(duì)象進(jìn)行。圖像對(duì)象是一系列相似的圖形區(qū)域，以一種獨(dú)特的形式簡(jiǎn)單地反映了影像包含的信息（形狀、紋理、顏色等）。

1.2.1 圖像分割 圖像分割是構(gòu)建對(duì)象的主要方法，也是精確分類的基礎(chǔ)，常用的分割方法包括基于多尺度的、基于灰度和紋理的、基于知識(shí)的分割算法等?；诙喑叨鹊倪b感影像分割方法綜合了遙感圖像的光譜特征和形狀特征，計(jì)算圖像中每個(gè)波段的光譜異質(zhì)性與形狀異質(zhì)性的綜合特征值，然后根據(jù)各個(gè)波段所占的權(quán)重，計(jì)算圖像所有波段的加權(quán)值，當(dāng)分割出的對(duì)象或基元光譜和形狀綜合加權(quán)值小于某個(gè)指定的閾值時(shí)，進(jìn)行重復(fù)迭代運(yùn)算，直到所有分割對(duì)象的綜合加權(quán)值大于指定閾值即完成圖像的多尺度分割操作。用這種分等級(jí)的分類結(jié)構(gòu)進(jìn)行分類，可以確定對(duì)象之間的上下文關(guān)系與等級(jí)關(guān)系，提高分類信息的信噪比，使得分類更加精確。ENVI的FX擴(kuò)展模塊，根據(jù)臨近像素亮度、紋理、顏色等對(duì)影像進(jìn)行分割，它使用了一種基于多尺度的邊緣分割算法，這種算法計(jì)算很快，并且只需輸入一個(gè)參數(shù)，就能產(chǎn)生多尺度分割結(jié)果。通過不同尺度上邊界的差異控制，從而產(chǎn)生從細(xì)到粗的多尺度分割。在分割過程中可以通過預(yù)覽分割效果，選擇一個(gè)理想的分割閾值，盡可能較好地分割出邊緣特征。

1.2.2 圖像分類 圖像分類是一種常用的圖像解譯技術(shù)，將像元根據(jù)某種條件劃分為不同的類別。該技術(shù)廣泛地用于各個(gè)領(lǐng)域和各種應(yīng)用。傳統(tǒng)的圖像分類技術(shù)是基于不同地物的光譜特征，由于同物異譜和異物同譜現(xiàn)象的存在，使得在具體應(yīng)用時(shí)受到限制。目前，常用的圖像分類方法是監(jiān)督分類和基于知識(shí)分類。這里的監(jiān)督分類和我們常說的監(jiān)督分類是有區(qū)別的，它分類時(shí)和樣本的對(duì)比參數(shù)更多，其不僅僅是光譜信息，還包括空間、紋理等信息?；谥R(shí)分類也是根據(jù)影像對(duì)象的熟悉來設(shè)定規(guī)則進(jìn)行分類，ENVI的FX擴(kuò)展模塊有3種圖像分類方法供選擇，分別是監(jiān)督分類、規(guī)則分類和直接矢量輸出。監(jiān)督分類方法在選擇訓(xùn)練樣區(qū)上與傳統(tǒng)的分類方法并沒有本質(zhì)的區(qū)別，所不同的是訓(xùn)練區(qū)不僅包括光譜信息，還包括空間、紋理等信息，并通過這些信息構(gòu)建分類規(guī)則，大大提高了分類的精度。

2 紅土溝流域土地利用類型的提取

2.1 分類前影像數(shù)據(jù)處理

在進(jìn)行分類前，對(duì)紅土溝流域SPOT5影像要進(jìn)行校正、融合，流域邊界裁剪。因?yàn)?，3，4波段組合光譜特征和信息量最為豐富[4]，彩色標(biāo)準(zhǔn)化（brovey）算法在影像質(zhì)量改善方面最佳[5]。融合時(shí)采用SPOT5全色波段影像和2，3，4波段分別代替RGB三原色進(jìn)行彩色標(biāo)準(zhǔn)化變換融合，以便獲得最佳的融合效果。

2.2 土地利用類型提取

2.2.1 流域土地分類系統(tǒng)的建立 根據(jù)紅土溝流域土地利用類型的實(shí)際情況，將流域地類分為荒草地、林地、居民點(diǎn)、梯田、坡地、溝壩地、果園、灌木林地、采礦用地、水工建筑用地、內(nèi)陸灘涂和裸地，并且建立了相應(yīng)的解譯標(biāo)志（表1），以供面向?qū)ο蟊O(jiān)督分類時(shí)選取相應(yīng)的訓(xùn)練樣區(qū)參考。

表1 紅土溝流域地類解譯標(biāo)志

2.2.2 流域地類的提取 在ENVI軟件中利用其面向?qū)ο蟮姆诸惸KFX，對(duì)融合后的遙感影像進(jìn)行圖像分割、分塊合并、分塊精煉、對(duì)象屬性計(jì)算等，建立光譜、紋理、空間、自定義（顏色空間和波段比）4種對(duì)象屬性，其中，圖像分割與合并分塊都是一個(gè)不斷調(diào)整的過程，其最終結(jié)果直接影響到后續(xù)結(jié)果的分類精度。然后，通過監(jiān)督分類，選取相應(yīng)的分割對(duì)象作為訓(xùn)練樣區(qū)，以建立基于光譜、紋理、空間分類和自定義（顏色空間和波段比）規(guī)則的專家知識(shí)庫，在選擇訓(xùn)練樣區(qū)的過程中，還可以對(duì)分類結(jié)果進(jìn)行預(yù)覽，以確定訓(xùn)練區(qū)選擇的優(yōu)劣，及時(shí)對(duì)訓(xùn)練樣區(qū)作出調(diào)整。圖1為圖像分割所得到的結(jié)果，圖2為對(duì)圖像分割結(jié)果進(jìn)行合并分塊后所得的基本對(duì)象，圖3為監(jiān)督分類結(jié)果。從圖1，2，3可以看出，面向?qū)ο蟮姆诸惤Y(jié)果避免了基于像元的傳統(tǒng)分類方法的“椒鹽”現(xiàn)象，分類邊界更加準(zhǔn)確，結(jié)果更加具有整體性和便于理解。

2.3 分類結(jié)果精度檢驗(yàn)

從分類結(jié)果中隨機(jī)抽取若干圖斑與真實(shí)地類進(jìn)行對(duì)照，其精度如表2所示。

表2 分類結(jié)果抽樣檢查

從表2的分類正確率結(jié)果可以看出，分類的總體精度達(dá)到了86.15%，很多地類的正確率達(dá)到了80%以上，說明面向?qū)ο蟮姆诸惙椒ㄔ诹饔虻仡愄崛≈芯哂休^高的正確率。同時(shí)，從表2中還可以看出，正確率比較低的地類為梯田、坡地和水工建筑用地，其中錯(cuò)分主要發(fā)生在梯田和坡地之間，主要原因是二者的光譜信息、空間位置信息和紋理信息太過于接近，分類過程中很難區(qū)分。大部分錯(cuò)分的水工建筑用地實(shí)際為荒草地，這主要是由于水工建筑用地形狀不規(guī)則且面積很小，光譜信息也不一致，沒有統(tǒng)一的規(guī)律可循，在監(jiān)督分類過程中選取的樣本跟荒草地的樣本有很大的相似之處，分類過程中將坡地、梯田和水工建筑作為單獨(dú)的一類是不合適的。因而，在計(jì)算機(jī)分類完成后，需要采用人工目視解譯法對(duì)錯(cuò)分的地類進(jìn)行補(bǔ)判。在計(jì)算機(jī)分類完成后采用少量的人工干預(yù)就達(dá)到了需要的精度。

3 結(jié)論

高分辨率遙感圖像的細(xì)節(jié)信息豐富，圖像的局部異質(zhì)性大，傳統(tǒng)基于像元的分類方法主要是利用像元的光譜特征，大多應(yīng)用在中低分辨率遙感圖像。對(duì)高分辨率影像來說，在分類過程中易受其局部異質(zhì)性大的影響和干擾。而面向?qū)ο蠓诸惙椒ㄔ诜诸愡^程中充分考慮了圖像豐富的光譜、形狀、結(jié)構(gòu)、紋理、相關(guān)布局以及圖像中地物之間的上下文信息，結(jié)合專家知識(shí)進(jìn)行分類，顯著提高了分類精度，而且分類后的圖像含有豐富的語義信息，便于解譯和理解，是一種非常有效的高分辨率遙感影像解譯方法。

［1］孫家柄.遙感原理與應(yīng)用[M].武漢：武漢大學(xué)出版社，2003.

［2］張秀英，楊敏華，劉常娟，等.面向?qū)ο筮b感分類新技術(shù)在第二次土地調(diào)查中的應(yīng)用[J].遙感信息，2008（3）：77-80.

［3］毛先成，劉文毅，何美香，等.GIS在縣域土地利用變化分析中的應(yīng)用——以山西省懷仁縣為例[J].山西農(nóng)業(yè)科學(xué)，2009，37（10）：30-34.

［4］柳文祎，何國金.ALOS全色波段與多光譜影像融合方法的比較研究[J].科學(xué)技術(shù)與工程，2008，8（11）：2864-2869.

［5］曹敏，史照良，沈泉飛.ALOS影像在土地覆被分類中最佳波段選取的研究[J].測(cè)繪通報(bào)，2008（9）：16-18.