基于Landsat8 OLI 圖像的土地利用分類方法

劉 煒

(西藏民族大學信息工程學院，陜西 咸陽 712082)

0 引言

定邊縣位于陜西省榆林市最西端，地處黃土高原與內(nèi)蒙古鄂爾多斯荒漠草原的交接過渡地帶，是“三北”防護林建設重點縣。定邊縣自然條件惡劣，下墊面景觀格局復雜，風蝕、水蝕以及人為擾動強烈，生態(tài)環(huán)境脆弱，在不合理的土地資源利用方式下容易出現(xiàn)土地退化。Landsat8 OLI 多光譜圖像具有信息量大、中等空間分辨率(與同源全色波段圖像融合后為15m)、16天時間分辨率，以及免費獲取的特點，是目前在區(qū)域尺度上進行土地利用動態(tài)監(jiān)測較理想的遙感信息源［1］。

本研究以定邊縣OLI 圖像近紅外波段、紅波段和綠波段作為有效特征，通過最大似然法監(jiān)督分類識別該區(qū)域11 種土地利用類型，結(jié)果顯示分類圖的總體分類精度和Kappa 系數(shù)偏低(分別為74.12%、0.687)，漏分誤判情況較多，且分類圖中散亂分布著很多碎斑和像元，“椒鹽效應”突出。為此，本研究選取LBV 變換的衍生波段作為有效特征，在對圖像進行小波濾波的基礎上進行支持向量機(SVM)監(jiān)督分類。本研究力圖通過適宜的計算機自動分類方法獲取定邊縣11 種土地利用類型的覆蓋信息，為在該區(qū)域開展土地利用動態(tài)監(jiān)測研究提供基礎數(shù)據(jù)［2-4］，研究結(jié)果對于定邊縣國土資源管理決策、水土保持與荒漠化防治具有重要意義。

1 研究區(qū)概況、數(shù)據(jù)源與技術路線

1.1 研究區(qū)概況及數(shù)據(jù)來源

定邊縣位于陜西省榆林市最西端(107°15'E～108°22'E，36°49'N～37°53'N)，地處黃土高原與內(nèi)蒙古鄂爾多斯荒漠草原的交接過渡地帶，東西寬98 km，南北長118km，總土地面積約6 821.28 km2。境內(nèi)白于山橫亙東西，將本縣地貌分為北部風沙草灘區(qū)(占全縣土地面積47.22%)和南部丘陵溝壑區(qū)(占全縣土地面積52.78%)。定邊縣海拔1 303～1 907 m之間，氣候為半干旱大陸性季風氣候，年平均氣溫7.9℃，無霜期141 d，年平均降水量328.9 mm 且多集中于7～9 月。定邊縣境內(nèi)大風、干旱、洪澇、霜凍等自然災害多發(fā)，風蝕和水蝕強烈，生態(tài)環(huán)境脆弱。然而，定邊縣石油、天然氣、原鹽、芒硝、硫酸鎂、氯化鎂等礦產(chǎn)資源富集，目前該縣已成為陜北能源重化工基地的重要組成部分。

本研究所用Landsat8 OLI 多光譜圖像(條帶號及行號為p128-r34)的成像日期為2013 年8 月3 日。對圖像的預處理包括大氣校正、幾何精校正、剪裁。多光譜圖像與全色波段圖像進行像素級融合(圖1 是以B5(R)B6(G)B4(B)方式假彩色合成的融合圖像)。輔助圖像監(jiān)督分類的專題圖件有定邊縣行政區(qū)劃圖(1:10 萬)、中國陸地生態(tài)系統(tǒng)類型空間分布數(shù)據(jù)(1:10 萬，1995/2008 年)、定邊縣ASTER GDEM(V2 版);統(tǒng)計資料有《陜西省土地利用現(xiàn)狀調(diào)查數(shù)據(jù)集》、《2013 榆林統(tǒng)計年鑒》、《陜北黃土高原植物區(qū)系地理研究》等。

圖1 定邊縣OLI 圖像

1.2 解譯標志

解譯標志是選取訓練樣本的基本依據(jù)［5］。本研究參照“GDPJ01-2013 地理國情普查內(nèi)容與指標”中設置的土地利用類型分類標準，依據(jù)在定邊縣典型研究樣區(qū)(定邊鎮(zhèn)、鹽場堡鎮(zhèn)、安邊鎮(zhèn)、白泥井鎮(zhèn)和姬塬鎮(zhèn))實地踏勘結(jié)果，將定邊縣主要土地利用類型劃分為11 種，并建立相應的解譯標志(見表1)。

表1 定邊縣11 種土地利用類型的解譯標志

1.3 技術路線分析

圖2 本方法的技術路線

技術路線如圖2 所示。對OLI 多光譜圖像進行預處理，包括大氣校正、幾何精校正、剪裁;與OLI 全色波段圖像進行融合處理;通過小波濾波［6］，在不損傷圖像中地物邊界特征的前提下，濾除孤立分布的噪聲像元和細小碎斑，削弱紋理特征差異，抑制“椒鹽效應”;選取OLI 圖像的綠波段、紅波段、近紅外波段和短波外波段進行LBV 變換［7］，增強圖像的光譜特征，將衍生波段L，B，V 作為監(jiān)督分類的有效特征;依據(jù)解譯標志，輔助與OLI 圖像同位置相近時的Google Earth 圖像和專題圖件為待識別的11 種地類選取訓練樣本;選用支持向量機［8-10］作為分類器執(zhí)行監(jiān)督分類;分類后執(zhí)行基于形態(tài)學的開運算、閉運算操作，進一步弱化圖像分類后的“椒鹽效應”;將初始分類圖與Google Earth 圖像進行疊加分析，通過目視判讀從初始分類圖上勾繪出分類錯誤的圖斑予以校正［7］;從分類圖中隨機抽取700 個點，逐點判讀其類別歸屬，然后計算總體分類精度和Kappa 系數(shù)［11-12］，作為定量評價圖像分類精度的指標。若分類精度評價合格，輸出分類圖，否則，重新選擇訓練樣本進行分類。

2 研究方法

2.1 圖像小波濾波

由于下墊面景觀格局復雜、空間異質(zhì)性強烈，在定邊縣風沙草灘區(qū)和丘陵溝壑區(qū)的OLI 圖像上，圖斑破碎，大圖斑內(nèi)部多有孤立分布的噪聲像元和細小碎斑［13-15］。圖像在直接監(jiān)督分類后會產(chǎn)生“椒鹽效應”，無法進一步用于專題制圖。為此，本研究對定邊縣OLI 圖像進行3 層小波分解(選取Coiflet3 作為小波母函數(shù))，采用基于小波系數(shù)軟閾值處理的方法進行濾波處理［16］。圖3 和圖4 為典型研究樣區(qū)(定邊鎮(zhèn))圖像在小波濾波前、后的差異。目視判讀這2幅圖可以發(fā)現(xiàn)，在圖4 中灌木林地、高蓋度草地、低蓋度草地、旱耕地、灌溉耕地、沙地和居民地，大圖斑內(nèi)部的色調(diào)差異和紋理特征差異被濾除，孤立分布的噪聲像元和細小碎斑的光譜特征被削弱，使得圖斑內(nèi)部光譜勻質(zhì)性比圖3 顯著增強，色調(diào)趨于一致，在一定程度上弱化“椒鹽效應”;與此同時，不同地類圖斑之間的光譜特征對比圖3 沒有明顯降低，界限仍然完整與清晰。

圖3 小波濾波前圖像

圖4 小波濾波后圖像

2.2 圖像LBV 變換

選取OLI 圖像的綠波段、紅波段、近紅外波段和短波外波段進行LBV 變換，得到3 個物理意義明確、互不相關的衍生波段L，B，V，它們分別反映地物的總輻射水平、地物可見光輻射與紅外光輻射強弱的對比關系以及地物輻射隨波段改變而變化的方向和速率。本研究以這3 個波段作為分類器的輸入特征。圖5 是一處典型研究樣區(qū)(白泥井鎮(zhèn))原圖，圖6 是LBV 變換后的結(jié)果。在圖6 中，灌溉耕地、灌木林地、高蓋度草地、低蓋度草地、沙地、湖泊水體分別呈高亮度綠色、藍紫色、紫紅色、棕黃色、明黃色和青藍色，不同地類之間的色調(diào)差異比圖5 顯著增強，地類邊界清晰，易于區(qū)分;進一步放大2 幅圖判讀可以發(fā)現(xiàn)，在圖6 中上述地類內(nèi)部相鄰像元因色調(diào)同質(zhì)程度高聚合成斑塊狀，而噪聲像元的光譜特征則被弱化，融入到包圍它的斑塊內(nèi)。

圖5 LBV 變換前圖像

圖6 LBV 變換后圖像

2.3 圖像SVM 分類與精度評價

本研究輔助與OLI 圖像相同位置的相近的Google Earth 圖像和專題圖件，依據(jù)解譯標志在LBV變換圖像上，為11 種地類采集完備訓練樣本集(要求訓練樣本集的J-M 距離和轉(zhuǎn)換離散度均大于1.970);執(zhí)行SVM 監(jiān)督分類(內(nèi)積核徑向基核函數(shù)的間隔σ和懲罰因子C 分別為100、0.173);對于初始分類圖，輔助人工選點并運用多個尺寸的結(jié)構(gòu)元素模板，組合開、閉運算作為一對形態(tài)濾波器整飾初始分類結(jié)果的二值圖像，進一步去除圖像分類后的“椒鹽效應”。然后，疊加Google Earth 圖像進行目視檢查，從已分類圖上勾繪分類錯誤的圖斑予以校正(如圖7 所示)。

本研究從分類圖中隨機抽取700 個點，逐點判讀其類別歸屬，并以此統(tǒng)計總體分類精度和Kappa 系數(shù)，分別為83.62%和0.785。圖8 為本研究在前期以OLI 圖像近紅外波段(B6)、紅波段(B5)和綠波段(B4)作為有效特征，執(zhí)行最大似然法［7，17］監(jiān)督分類的結(jié)果，其總體分類精度和Kappa 系數(shù)分別為74.12%和0.687。目視檢查圖8 可以發(fā)現(xiàn)，在圖8 中將低蓋度草地錯分為沙地，灌木林地錯分為高蓋度草地，旱耕地錯分為高蓋度草地和灌木林地的情況較多。疊加圖7 和圖8 可以發(fā)現(xiàn)，采用本文方法能夠減少漏分和誤判情況，使得總體分類精度和Kappa 系數(shù)分別提高12.82%和14.26%，并且有效去除分類圖中灌溉耕地、灌木林地、高蓋度草地、低蓋度草地、沙地、居民地、河流水體內(nèi)部大部分孤立分布的異類碎斑或像元，抑制了“椒鹽效應”。

圖7 本文方法分類結(jié)果

圖8 最大似然法分類結(jié)果

3 結(jié)束語

本研究以OLI 圖像LBV 變換后的衍生波段作為有效特征，在對圖像進行小波濾波的基礎上進行SVM 監(jiān)督分類。結(jié)果顯示分類圖中旱耕地、灌溉耕地、灌木林地、草地、沙地、居民地等地類的“椒鹽效應”得到有效抑制，且分類圖的總體分類精度和Kappa 系數(shù)分別為83.62%和0.785，比最大似然法分類結(jié)果分別提高了12.82%和14.26%。本研究的方法適合應用在如定邊縣這類地形復雜的區(qū)域等需對OLI 圖像進行監(jiān)督分類。

［1］徐涵秋，唐菲.新一代Landsat 系列衛(wèi)星:Landsat8 遙感影像新增特征及其生態(tài)環(huán)境意義［J］.生態(tài)學報，2013，33(11):3249-3257.

［2］楊強，王濤.榆林地區(qū)土地利用/覆蓋時空變化及其對生態(tài)脆弱性的影響［J］.南京林業(yè)大學學報(自然科學版)，2015，39(2):79-83.

［3］韋振鋒，任志遠，張翀，等.1999-2010 年陜甘寧黃土高原區(qū)荒漠化空間特征［J］.中國沙漠，2014，34(5):1230-1236.

［4］李忠鋒，王彥麗.定邊縣土地利用動態(tài)變化研究［J］.干旱區(qū)地理，2004，27(4):520-524.

［5］孟海東，郝永寬，宋飛燕，等.遙感圖像非監(jiān)督計算機分類方法的研究［J］.計算機與現(xiàn)代化，2008(3):66-69.

［6］孫延奎.小波變換與圖像、圖形處理技術［M］.北京:清華大學出版社，2012.

［7］曾志遠.衛(wèi)星遙感圖像計算機分類與地學應用研究［M］.北京:科學出版社，2004.

［8］杜培軍，譚琨，夏俊士.高光譜遙感影像分類與支持向量機應用研究［M］.北京:科學出版社，2012.

［9］胡根生，張學敏，梁棟，等.基于加權(quán)支持向量數(shù)據(jù)描述的遙感圖像病害松樹識別［J］.農(nóng)業(yè)機械學報，2013，44(5):258-263.

［10］劉龍，黃海，孟光.基于支持向量機的結(jié)構(gòu)損傷分步識別研究［J］.應用力學學報，2007，24(2):313-317.

［11］嚴泰來，王鵬新.遙感技術與農(nóng)業(yè)應用［M］.北京:中國農(nóng)業(yè)大學出版社，2008.

［12］傅肅性.遙感專題分析與地學圖譜［M］.北京:科學出版社，2012.

［13］宋富強，康慕誼，鄭壯麗，等.陜北黃土高原地區(qū)土地利用/覆被分類及驗證［J］.農(nóng)業(yè)工程學報，2011，27(3):316-324.

［14］買凱樂，張文輝.黃土丘陵溝壑區(qū)遙感影像信息面向?qū)ο蠓诸惙椒ㄌ崛。跩］.農(nóng)業(yè)機械學報，2011，43(4):153-158.

［15］龔建周，劉彥隨，夏北城，等.IHS 和小波變換結(jié)合多源遙感影像融合質(zhì)量對小波分解層數(shù)的響應［J］.中國圖象圖形學報，2010，15(8):1269-1277.

［16］趙英時.遙感應用分析原理與方法［M］.2 版.北京:科學出版社，2013.