基于HJ衛(wèi)星數(shù)據(jù)與面向?qū)ο蠓诸惖耐恋乩?覆蓋信息提取

朱永森，曾永年，張 猛

（1. 中南大學(xué)地球科學(xué)與信息物理學(xué)院，長(zhǎng)沙 410083；2. 中南大學(xué)空間信息技術(shù)與可持續(xù)發(fā)展研究中心，長(zhǎng)沙 410083）

基于HJ衛(wèi)星數(shù)據(jù)與面向?qū)ο蠓诸惖耐恋乩?覆蓋信息提取

朱永森，曾永年※，張 猛

（1. 中南大學(xué)地球科學(xué)與信息物理學(xué)院，長(zhǎng)沙 410083；2. 中南大學(xué)空間信息技術(shù)與可持續(xù)發(fā)展研究中心，長(zhǎng)沙 410083）

土地利用/覆蓋信息是區(qū)域氣候與環(huán)境研究的基礎(chǔ)，是土地資源規(guī)劃與管理、合理開發(fā)與保護(hù)的信息保障。為此，該文選取長(zhǎng)株潭城市群核心區(qū)為試驗(yàn)區(qū)，以時(shí)間序列 HJ衛(wèi)星影像為數(shù)據(jù)源，首先構(gòu)建了時(shí)間序列歸一化植被指數(shù)（normalized difference vegetation index，NDVI）、時(shí)間序列光譜第一主成分（first principal component，PC1）數(shù)據(jù)集，通過(guò)J-M（Jeffries-Matusita）距離變量可分離性分析結(jié)合地表覆蓋的物候特征，確定最佳時(shí)序HJ組合數(shù)據(jù)；其次，采用面向?qū)ο蟮碾S機(jī)森林算法對(duì)研究區(qū)土地利用/覆蓋信息進(jìn)行分類，并對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)與比較分析。研究結(jié)果表明：采用時(shí)間序列HJ組合數(shù)據(jù)與面向?qū)ο蟮姆诸惙椒?，提取城市土地利?覆蓋信息的總體精度和Kappa系數(shù)分別達(dá)到91.55%和0.90，其中水田、水澆地、旱地、林地、建設(shè)用地的生產(chǎn)者精度均達(dá)到90%及以上；相對(duì)于時(shí)間序列基于像元分類、單時(shí)相面向?qū)ο蟮姆诸惙椒ǎ撐奶岢龅耐恋乩?覆蓋信息提取方法的總體分類精度和Kappa系數(shù)分別提高了2.26%、0.02和6.82%、0.08，有效提高了區(qū)域土地利用/覆蓋信息提取的精度，為大范圍土地利用/覆蓋精細(xì)化分類提供了有效的途徑。

土地利用；遙感；分類；時(shí)間序列；面向?qū)ο?；土地利?覆蓋分類；城市區(qū)域；HJ衛(wèi)星

0 引 言

土地利用/覆蓋信息是全球及區(qū)域環(huán)境研究的重要基礎(chǔ)，是土地動(dòng)態(tài)監(jiān)測(cè)、規(guī)劃與管理、合理開發(fā)與保護(hù)等工作的信息保障[1]。近年來(lái)，快速城鎮(zhèn)化使得城市及周邊的土地利用和覆蓋信息發(fā)生了劇烈的變化，建設(shè)用地日益緊缺，耕地非農(nóng)化現(xiàn)象突出[2]。因此，及時(shí)準(zhǔn)確、有效地監(jiān)測(cè)城市區(qū)域土地利用/覆蓋狀況，對(duì)區(qū)域氣候與環(huán)境研究、城市土地資源的合理開發(fā)與利用均具有重要的理論與現(xiàn)實(shí)意義。

遙感技術(shù)具有宏觀、時(shí)效、連續(xù)、綜合等特點(diǎn)，已成為土地利用/覆蓋信息提取的重要手段[3-6]，且快速發(fā)展的城市區(qū)域土地利用/覆蓋遙感動(dòng)態(tài)監(jiān)測(cè)越來(lái)越依賴于高時(shí)空分辨率的遙感數(shù)據(jù)。在眾多中高分辨率遙感影像中，具有較高分辨率及可持續(xù)獲取能力的Landsat數(shù)據(jù)已成為城市區(qū)域土地利用/覆蓋信息提取的主要數(shù)據(jù)源[7-9]，但受其重訪周期與天氣的影響，難以獲取時(shí)間序列的Landsat影像數(shù)據(jù)[10-11]。因此，目前在對(duì)城市土地利用/覆蓋信息提取的研究中，主要依賴于單時(shí)相Landsat數(shù)據(jù)[12-18]。但是，對(duì)于地表異質(zhì)性程度較高的城市區(qū)域而言，由于同物異譜、同譜異物現(xiàn)象的存在，利用單時(shí)相影像數(shù)據(jù)來(lái)提取城市土地利用/覆蓋信息的精度受到一定程度的影響。

中國(guó)環(huán)境衛(wèi)星CCD數(shù)據(jù)空間分辨率為30 m，A、B雙星組合可實(shí)現(xiàn)2 d重訪的高時(shí)間分辨率，為快速準(zhǔn)確提取大范圍土地利用/覆蓋信息提供新的途徑[19]，在土地利用/覆蓋分類[20-21]、農(nóng)作物種植信息提取[22-23]、濕地信息提取[24]方面得到廣泛的應(yīng)用。目前，盡管時(shí)間序列的環(huán)境衛(wèi)星數(shù)據(jù)得到了有效的應(yīng)用，但遙感分類方法多采用基于像元的分類算法。仲波等通過(guò)構(gòu)造時(shí)間序列的環(huán)境衛(wèi)星數(shù)據(jù)，采用支持向量機(jī)的分類方法對(duì)遼寧大伙房水庫(kù)區(qū)域和青海黑泉水庫(kù)區(qū)域的土地覆蓋景觀進(jìn)行提取[21]。于文婧等利用多時(shí)相HJ-CCD數(shù)據(jù)建立典型地物的NDVI（normalized difference vegetation index）時(shí)間序列曲線，通過(guò)提取物候模式的時(shí)序特征參數(shù)，采用基于像素的CART決策樹算法對(duì)干旱半干旱灌區(qū)土地利用信息進(jìn)行提取分類[20]。然而，基于像元的分類方法忽略了影像豐富的幾何形狀、紋理、拓?fù)潢P(guān)系和空間特征等信息，分類結(jié)果不可避免地會(huì)產(chǎn)生“椒鹽”現(xiàn)象，這在異質(zhì)性較強(qiáng)的城市區(qū)域尤為顯著[25-26]。面向?qū)ο蠓诸惙椒ㄗ鳛橐环N新的分類技術(shù)，不僅充分利用了遙感影像的光譜信息，而且顧及地理對(duì)象的空間分布特征及相關(guān)性，能夠有效彌補(bǔ)傳統(tǒng)基于像元分類方法的不足[27-29]。因此，充分利用環(huán)境衛(wèi)星數(shù)據(jù)的時(shí)間、空間、光譜與幾何信息，采用面向?qū)ο蠓椒皺C(jī)器學(xué)習(xí)算法，對(duì)進(jìn)一步提高土地利用/覆蓋信息提取的精度具有重要的意義。

為此，本研究選用長(zhǎng)株潭城市群核心區(qū)作為試驗(yàn)區(qū)，基于時(shí)間序列HJ組合數(shù)據(jù)，采用面向?qū)ο蟮臋C(jī)器學(xué)習(xí)算法，研究城市區(qū)域土地利用/覆蓋信息提取的技術(shù)方法，試圖為高異質(zhì)性城市區(qū)域土地利用/覆蓋信息的有效提取提供更加準(zhǔn)確、高效的技術(shù)方法與途徑。

1 研究區(qū)及數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)位于湖南省的東北部，包括長(zhǎng)沙、株洲、湘潭的主城區(qū)及鄰帶的郊區(qū)部分，位于 112°40′E～113°24′E，27°40′N～28°25′N，三市沿湘江呈“品”字形分布（圖1所示），為湘中部丘陵與洞庭湖沖積平原的過(guò)渡地帶，連接中國(guó)北部和南部城市的重要經(jīng)濟(jì)紐帶，是長(zhǎng)江中游城市群的重要組成部分。研究區(qū)地處低緯度，屬較典型的大陸性中亞熱帶季風(fēng)濕潤(rùn)氣候，四季分明，降雨充沛，年均氣溫16～18 ℃，年均降水量1 400 mm左右。研究區(qū)面積 5.60×103km2，約占全省總面積的2.64%。近年來(lái)，隨著長(zhǎng)株潭城市群建設(shè)進(jìn)程的加快，建設(shè)用地迅速擴(kuò)張，耕地、林地面積顯著減少，土地利用結(jié)構(gòu)發(fā)生較大的變化，土地生態(tài)系統(tǒng)變化顯著。

圖1 研究區(qū)2014年7月30日HJ-CCD影像（假彩色合成）Fig.1 HJ-CCD image of study area on July 30, 2014 (false color synthesis)

1.2 數(shù)據(jù)來(lái)源與處理

本研究所需的遙感影像數(shù)據(jù)為HJ-1A/1B CCD數(shù)據(jù)2級(jí)產(chǎn)品，均通過(guò)中國(guó)資源衛(wèi)星應(yīng)用中心查詢并免費(fèi)下載。根據(jù)可獲得的環(huán)境衛(wèi)星數(shù)據(jù)的日期、數(shù)據(jù)質(zhì)量以及植被生長(zhǎng)的物候期規(guī)律，選取的HJ-CCD影像如表1所示。下載的環(huán)境衛(wèi)星數(shù)據(jù)分辨率為30 m，數(shù)據(jù)質(zhì)量良好。

表1 研究區(qū)HJ-CCD影像數(shù)據(jù)列表Table 1 HJ-CCD images data list of study area

利用ENVI 4.8圖像處理軟件中的FLAASH大氣校正模塊，根據(jù)中國(guó)資源衛(wèi)星應(yīng)用中心提供的定標(biāo)系數(shù)和參數(shù)構(gòu)造波譜響應(yīng)函數(shù)，對(duì)影像進(jìn)行輻射定標(biāo)和大氣校正；以1∶50 000地形圖為參考對(duì)研究區(qū)TM影像進(jìn)行幾何校正，然后以 TM 影像為基準(zhǔn)，利用二次多項(xiàng)式和雙線性內(nèi)插法對(duì)各期環(huán)境衛(wèi)星影像進(jìn)行精確幾何校正并與基準(zhǔn)影像進(jìn)行配準(zhǔn)，RMS控制在0.5個(gè)像元以內(nèi)；最后對(duì)經(jīng)過(guò)處理的數(shù)據(jù)按研究區(qū)邊界矢量圖進(jìn)行裁剪。

以研究區(qū)實(shí)地考察采樣數(shù)據(jù)、長(zhǎng)株潭土地利用現(xiàn)狀圖（2013年）、Google Earth高分辨率遙感影像、研究區(qū)2014年10月GF-1影像作為分類的地面驗(yàn)證數(shù)據(jù)，驗(yàn)證樣本根據(jù)各種地類面積比例均勻分布于研究區(qū)。

2 研究方法

本研究首先通過(guò)構(gòu)造 NDVI和光譜主成分時(shí)間序列曲線及地類統(tǒng)計(jì)分析，計(jì)算典型植被類型間的 J-M 距離進(jìn)行可分離性分析，確定研究區(qū)最佳時(shí)間序列HJ組合數(shù)據(jù)；其次，利用eCognition 9.0進(jìn)行多尺度分割，采用面向?qū)ο蟮碾S機(jī)森林分類算法對(duì)研究區(qū)土地利用/覆蓋信息進(jìn)行提??；最后，對(duì)比分析該方法與時(shí)間序列基于像元分類以及單時(shí)相面向?qū)ο蠓诸惙椒ǖ木群蛢?yōu)勢(shì)，研究技術(shù)流程如圖2。

圖2 技術(shù)流程圖Fig.2 Technology flow cart

2.1 NDVI時(shí)間序列數(shù)據(jù)集的構(gòu)造

歸一化植被指數(shù)（NDVI）是監(jiān)測(cè)植被生長(zhǎng)狀態(tài)的最佳指示因子，時(shí)間序列 NDVI曲線反映了植被物候特征隨時(shí)間的變化，可有效區(qū)分不同的土地覆蓋類型。為此，利用近紅外和紅波段的反射率計(jì)算NDVI，構(gòu)建時(shí)間序列的NDVI數(shù)據(jù)集，并利用不同土地利用/覆蓋樣本，結(jié)合時(shí)間序列的NDVI數(shù)據(jù)集獲得不同地類的NDVI時(shí)間變化曲線（圖3）。

圖3 各地類的NDVI時(shí)間序列曲線Fig.3 NDVI time series curve of each land type

NDVI時(shí)間序列曲線表明：水體的NDVI值在0附近上下波動(dòng)，其他地類的NDVI值均大于0；建設(shè)用地和未利用地的NDVI曲線較平穩(wěn)且相似，利用時(shí)間序列NDVI區(qū)分它們有一定的難度。耕地的 NDVI時(shí)間序列曲線在生長(zhǎng)期有明顯的1個(gè)或2個(gè)波峰，研究區(qū)水田主要以雙季稻為主，在6月生長(zhǎng)期處于一個(gè)波峰，在7月收割期有個(gè)明顯的波谷，到10月成熟期又達(dá)到波峰；水澆地在7月和9月為生長(zhǎng)旺盛期，該時(shí)期處于波峰，而在10月已基本完成收割，NDVI值急劇減小，用該時(shí)期的影像可有效區(qū)分于其他植被；旱地的NDVI曲線與水澆地相似，但是各期的 NDVI值明顯高于水澆地；林地和草地的生長(zhǎng)周期較長(zhǎng)且NDVI曲線相似，均在6、7月份NDVI值達(dá)到峰值，但林地各期 NDVI值明顯高于草地。各種地類的 NDVI曲線變化、最大值、最小值均存在不同程度的差異，利用時(shí)間序列 NDVI可作為區(qū)分各種地類的有效分類特征。

2.2 主成分分析及時(shí)間序列曲線的構(gòu)造

為了避免數(shù)據(jù)冗余、提高計(jì)算速度及分類精度、消除低值噪聲的影響，利用ENVI 4.8圖像處理軟件對(duì)各期HJ-CCD多波段數(shù)據(jù)進(jìn)行主成分分析（principal component analysis，PCA）。分析表明，第一主成分（PC1）、第二主成分（second principal component，PC2）基本包含了原始多波段影像95%以上的信息量，其中PC1包含了原始影像70%以上的光譜信息。圖4為各種地類對(duì)應(yīng)的PC1時(shí)間序列曲線。

PC1時(shí)間序列曲線表明：水體、建設(shè)用地、未利用地等非植被的曲線變化較平穩(wěn)，但是值的大小又明顯不同；林地和草地的曲線特征變化相似，且林地的各期PC1值均小于0，在7月植被生長(zhǎng)旺盛期均達(dá)到最小值；水田和水澆地在12月到4月均處于休耕時(shí)期，曲線變化相似，但是在5月到10月曲線變化趨勢(shì)明顯不同；旱地和林地的曲線變化相似，PC1值的大小交替變化。分析表明，時(shí)間序列的PC1能很好區(qū)分不同地類，可作為區(qū)分各種地類的有效分類特征。

圖4 各地類的PC1時(shí)間序列曲線Fig.4 PC1 time series curve of each land type

2.3 J-M距離可分離性分析及最佳時(shí)序HJ組合數(shù)據(jù)

地物類型可分性的判定方法很多，例如 J-M 距離、巴氏距離、歐氏距離、轉(zhuǎn)換分離度、樣本間平均距離等。相對(duì)于其他的地表特征可分性判定方法，J-M距離被認(rèn)為是更優(yōu)的指標(biāo)[25]。J-M距離的取值范圍是[0,2]，0表示2種類別在某一特征上幾乎完全混淆，2表示2種類別在某一特征上能夠完全分開，其計(jì)算公式如下

式中B表示2種類別基于某一特征的巴氏距離，m1和m2表示2種類別的某特征均值，σ1和σ2表示2種類別的某特征標(biāo)準(zhǔn)差。

本研究結(jié)合長(zhǎng)株潭土地利用現(xiàn)狀圖、研究區(qū)GF-1數(shù)據(jù)、Google Earth高分辨率影像，根據(jù)上式（1）和（2）對(duì)林地、水澆地、草地、水田的不同時(shí)相HJ數(shù)據(jù)組合進(jìn)行J-M距離計(jì)算（表2）。

J-M距離結(jié)果表明，不同時(shí)間序列HJ數(shù)據(jù)組合的地物可分程度存在一定的差異，但 6個(gè)時(shí)相以上不同地物的可分性不再隨 HJ時(shí)序數(shù)據(jù)組合數(shù)的增加而增大（圖5）。為此，再結(jié)合NDVI與PC1時(shí)間序列曲線特征、不同植被類型的物候特征差異確定2月、5月、7月、9月、10月、12月6個(gè)時(shí)相的HJ-NDVI、HJ-PC1、HJ-PC2共18個(gè)波段作為研究區(qū)土地利用/覆蓋信息提取的最佳時(shí)序數(shù)據(jù)組合。

2.4 面向?qū)ο蟮姆诸?/p>

2.4.1 影像分割

本研究利用eCognition提供的多尺度分割算法，對(duì)上文確定的最佳時(shí)序的HJ-NDVI、HJ-PC1、HJ-PC2組合數(shù)據(jù)進(jìn)行分割。結(jié)合ESP（estimation of scale parameter）評(píng)價(jià)工具得到最優(yōu)分割尺度的范圍，并綜合考慮各地物類型的分布特點(diǎn)，通過(guò)逐次調(diào)整分割尺度大小進(jìn)行反復(fù)試驗(yàn)來(lái)確定最佳的分割尺度。確定的最佳尺度因子如下：分割尺度15，顏色因子0.8，形狀因子0.2，平滑度0.5，緊湊度0.5，各波段的權(quán)重均設(shè)置為1。

表2 不同時(shí)序HJ組合數(shù)據(jù)的4種典型地類間的J-M距離Table 2 J-M distance of four typical land types under different time series combination of HJ data

圖5 不同時(shí)相組合數(shù)的4種地類間J-M距離值變化曲線Fig.5 J-M distance value varying curve of four land types with different phase combination number

2.4.2 土地利用/覆蓋信息的提取分類及精度驗(yàn)證

以分割后的影像為基礎(chǔ)，綜合考慮影像對(duì)象的光譜特征（植被指數(shù)、各波段灰度平均值、亮度值、光譜最大差異、標(biāo)準(zhǔn)差）、幾何特征（長(zhǎng)寬比、邊界長(zhǎng)度、對(duì)象形狀、緊密度）、紋理特征（同質(zhì)性、反差）等構(gòu)建分類規(guī)則，采用隨機(jī)森林（random trees）算法對(duì)研究區(qū)土地利用/覆蓋進(jìn)行分類。隨機(jī)森林算法是一種基于分類與回歸決策樹的組合算法[30-31]，用隨機(jī)的方式建立一個(gè)多決策樹森林，能有效克服單一決策樹中出現(xiàn)的欠擬合或過(guò)擬合的問(wèn)題[32]；隨機(jī)森林中任意 2個(gè)決策樹是相互獨(dú)立的，對(duì)于新的測(cè)試樣本，通過(guò)每棵決策樹都對(duì)它進(jìn)行分類決策，最后分類結(jié)果由投票法得出。該算法需要設(shè)置2個(gè)參數(shù)，生長(zhǎng)樹的數(shù)目N、節(jié)點(diǎn)處特征變量個(gè)數(shù)m。通過(guò)對(duì)不同參數(shù)設(shè)置進(jìn)行分類對(duì)比分析，確定生長(zhǎng)樹的個(gè)數(shù)為100，特征變量個(gè)數(shù)為4時(shí)可得到滿意的分類精度，同時(shí)又能節(jié)省分類耗時(shí)。

結(jié)合土地利用/覆蓋分類標(biāo)準(zhǔn)、研究區(qū)的自然環(huán)境及地表分布特點(diǎn)，綜合考慮研究區(qū)的整體性和遙感影像的可分性，構(gòu)建以下土地利用/覆蓋分類系統(tǒng)：水田、水澆地、旱地、林地、草地、建設(shè)用地、水體和未利用地 8種類別。本文利用混淆矩陣評(píng)價(jià)信息提取的總體精度、Kappa系數(shù)以及各地類的用戶精度與生產(chǎn)者精度。

3 結(jié)果與分析

3.1 土地利用/覆蓋分類結(jié)果與對(duì)比分析

利用最佳時(shí)間序列HJ組合數(shù)據(jù)，采用面向?qū)ο蟮碾S機(jī)森林分類算法（已下簡(jiǎn)稱時(shí)間序列面向?qū)ο蟮姆诸悾@得研究區(qū)土地利用/覆蓋分類結(jié)果（圖6）。將時(shí)間序列面向?qū)ο蟮姆诸惤Y(jié)果（圖6b）與研究區(qū)2014年10月GF-1影像（圖 6a）進(jìn)行對(duì)比與定性分析表明：分類結(jié)果與各地類的范圍以及分布區(qū)域基本一致，斑點(diǎn)噪聲較少。

圖6 最佳時(shí)序HJ數(shù)據(jù)面向?qū)ο蟮耐恋乩?覆蓋分類結(jié)果Fig.6 Land use/cover classification result with optimal time series HJ data and object-oriented

為進(jìn)一步探究該方法的有效性，將時(shí)間序列面向?qū)ο蠓诸惙椒ㄅc時(shí)間序列基于像元分類方法的分類結(jié)果（圖7a）以及單時(shí)相面向?qū)ο蠓诸惙椒ǖ慕Y(jié)果（圖7b）進(jìn)行了對(duì)比分析。從目視效果上來(lái)看，時(shí)間序列基于像元分類方法的分類結(jié)果較為破碎，植被斑塊存在較多的錯(cuò)分，“椒鹽”現(xiàn)象較為明顯；單時(shí)相面向?qū)ο蠓诸惙椒ㄌ崛〉耐恋乩?覆蓋信息準(zhǔn)確性稍顯不足，草地與水田之間的錯(cuò)分斑塊較多，且對(duì)植被類型間的區(qū)分也不明顯。

圖7 最佳時(shí)序基于像元與單時(shí)相面向?qū)ο蠓诸惤Y(jié)果Fig.7 Classification result with optimal time series pixel-based and single phase object-oriented

3.2 分類精度評(píng)價(jià)與對(duì)比

結(jié)合 2013年長(zhǎng)株潭土地利用現(xiàn)狀圖、Google Earth及部分實(shí)地考察數(shù)據(jù)，在研究區(qū)2014年10月24日GF-1高分辨率遙感影像上采集了驗(yàn)證樣本數(shù)據(jù)，并采用混淆矩陣進(jìn)行精度評(píng)價(jià)（表3）。

表3 不同土地利用/覆蓋分類方法的精度評(píng)價(jià)Table 3 Accuracy evaluation of different land use/cover classification method

精度評(píng)價(jià)結(jié)果表明，時(shí)間序列面向?qū)ο蠓诸惙椒ǖ目傮w精度達(dá)到91.55%，Kappa系數(shù)為0.90，其中除草地外，主要的土地利用/覆蓋類型的生產(chǎn)者精度均達(dá)到90%及以上，說(shuō)明時(shí)間序列數(shù)據(jù)能夠客觀真實(shí)地反映植被生長(zhǎng)的特征差異，能有效區(qū)分不同土地利用/覆蓋類型。

通過(guò)對(duì)比分析，時(shí)間序列面向?qū)ο蠓诸惙椒ǖ目傮w精度和 Kappa系數(shù)較時(shí)間序列基于像元分類方法分別提高了2.26%和0.02，除水體與建設(shè)用地外，各種植被類型以及未利用地的生產(chǎn)者精度均得到不同程度的提高。時(shí)間序列面向?qū)ο蠓诸惙椒ǖ目傮w精度和 Kappa系數(shù)較單時(shí)相面向?qū)ο蠓诸惙椒ǚ謩e提高了6.82%和0.08，除水體外，各種地類的生產(chǎn)者精度均得到有效提高，尤其是植被類型與建設(shè)用地精度提高較為明顯。分析表明面向?qū)ο蠓椒梢杂行У乇苊饣谙裨诸愔杏捎诋愘|(zhì)性和光譜差異所產(chǎn)生的噪聲，降低了“椒鹽”現(xiàn)象的產(chǎn)生；而最佳時(shí)間序列組合數(shù)據(jù)可有效利用植被生長(zhǎng)的物候期規(guī)律，有效地解決單期影像中植被類型間的光譜相似性，提高分類的精度。

4 結(jié) 論

1）本研究探討基于時(shí)間序列 HJ組合數(shù)據(jù)，采用面向?qū)ο蟮碾S機(jī)森林算法提取城市區(qū)域土地利用/覆蓋信息的方法，并對(duì)長(zhǎng)株潭城市群核心區(qū)域2014年土地利用/覆蓋信息進(jìn)行提取，取得了較好的提取精度與準(zhǔn)確度?？傮w分類精度和Kappa系數(shù)分別達(dá)到了91.55%和0.90，除草地外，主要的土地利用/覆蓋類型的生產(chǎn)者精度均達(dá)到90%及以上。

2）通過(guò)與時(shí)間序列基于像元、單時(shí)相面向?qū)ο蠓诸惙椒ㄟM(jìn)行比較分析表明，本文提出的時(shí)間序列HJ組合數(shù)據(jù)的面向?qū)ο蠓诸惙椒ǖ目傮w分類精度、Kappa系數(shù)較前兩者分別提高了2.26%、0.02和6.82%、0.08，有效消除了斑點(diǎn)噪聲的影響，提高了信息提取的精度。

最佳時(shí)間序列 HJ組合數(shù)據(jù)可有效利用不同植被類型生長(zhǎng)過(guò)程中的季節(jié)性光譜差異，避免單期影像中植被類型間的光譜相似性，有效提高了信息提取的精度?；谙裨诸惙椒▽?duì)“噪聲”比較敏感，導(dǎo)致分類結(jié)果圖斑較為破碎，在不考慮鄰域像元的情況下往往會(huì)導(dǎo)致“椒鹽”現(xiàn)象的產(chǎn)生，面向?qū)ο蠓诸惙椒梢跃C合利用影像對(duì)象的光譜、幾何、紋理等特征信息，充分挖掘鄰域像元間的相關(guān)性，空間異質(zhì)性小，有較強(qiáng)的抗噪能力，可有效地減弱像元光譜混淆現(xiàn)象。

[1] 林楠，姜琦剛，楊佳佳，等. 基于資源一號(hào)02C高分辨率數(shù)據(jù)的農(nóng)業(yè)區(qū)土地利用分類[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46(1)：278－284.Lin Nan, Jiang Qigang, Yang Jiajia, et al. Classifications of agricultural land use based on high-spatial resolution ZY1-02C remote sensing images[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(1): 278－284. (in Chinese with English abstract)

[2] 張猛，曾永年. 基于多時(shí)相 Landsat數(shù)據(jù)融合的洞庭湖區(qū)水稻面積提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(13)：178－185.Zhang Meng, Zeng Yongnian. Mapping paddy fields of Dongting Lake area by fusing Landsat and MODIS data[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(13): 178－185. (in Chinese with English abstract)

[3] 孫丹峰，楊冀紅，劉順喜. 高分辨率遙感衛(wèi)星影像在土地利用分類及其變化監(jiān)測(cè)的應(yīng)用研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2002，18(2)：160－164.Sun Danfeng, Yang Jihong, Liu Shunxi. Application of high-spatial IKONS remote sensing images in land use classification and change monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2002, 18(2): 160－164. (in Chinese with English abstract)

[4] 徐永明，劉勇洪，魏鳴，等. 基于 MODIS數(shù)據(jù)的長(zhǎng)江三角洲地區(qū)土地覆蓋分類[J]. 地理學(xué)報(bào)，2007，62(6)：640－648.Xu Yongming, Liu Yonghong, Wei Ming, et al. Land cover classification of the Yangtze River delta using MODIS data[J]. Acta Geographica Sinica, 2007, 62(6): 640－648. (in Chinese with English abstract)

[5] 郭琳，裴志遠(yuǎn)，吳全，等. 面向?qū)ο蟮耐恋乩?覆蓋遙感分類方法與流程應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26(7)：194－198.Guo Lin, Pei Zhiyuan, Wu Quan, et al. Application of method and process of object-oriented land use/cover classification using remote sensing images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(7): 194－198. (in Chinese with English abstract)

[6] 買凱樂(lè)，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J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011，42(4)：153－158.Mai Kaile, Zhang Wenhui. Object-oriented classification approach for remote sensing imagery information extraction in Loess Hilly-gully region[J]. Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(4): 153－158.(in Chinese with English abstract)

[7] Yuan F, Sawaya K E, Loeffelholz B C, et al. Land cover classification and change analysis of the Twin Cities(Minnesota) Metropolitan Area by multi temporal Landsat remote sensing[J]. Remote Sensing of Environment, 2005,98(2/3): 317－328.

[8] 陳趁新，胡昌苗，霍連志，等. Landsat TM數(shù)據(jù)不同輻射校正方法對(duì)土地覆蓋遙感分類的影響[J]. 遙感學(xué)報(bào)，2014，18(2)：320－334.Chen Chenxin, Hu Changmiao, Huo Lianzhi, et al. Effect of different radiation correction methods of Landsat TM data on land-cover remote sensing classification[J]. Journal of Remote Sensing, 2014, 18(2): 320－334. (in Chinese with English abstract)

[9] 王敏，高新華，陳思宇，等. 基于Landsat 8遙感影像的土地利用分類研究:以四川省紅原縣安曲示范區(qū)為例[J]. 草業(yè)科學(xué)，2015，32(5)：694－701.Wang Min, Gao Xinhua, Chen Siyu, et al. The land use classification based on Landsat 8 remote sensing image: A case study of Anqu demonstration community in Hongyuan County of Sichuan Province[J]. Pratacultural Science, 2015,32(5): 694－701. (in Chinese with English abstract)

[10] 郝鵬宇，牛錚，王力，等. 基于歷史時(shí)序植被指數(shù)庫(kù)的多源數(shù)據(jù)作物面積自動(dòng)提取方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28(23)：123－131.Hao Pengyu, Niu Zheng, Wang Li, et al. Multi-source automatic crop pattern mapping based on historical vegetation index profiles[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(23): 123－131. (in Chinese with English abstract)

[11] 李鑫川，徐新剛，王紀(jì)華，等. 基于時(shí)間序列環(huán)境衛(wèi)星影像的作物分類識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(2)：169－176.Li Xinchuan, Xu Xingang, Wang Jihua, et al. Crop classification recognition based on time-series images from HJ satellite[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(2): 169－176. (in Chinese with English abstract)

[12] 駱劍承，王欽敏，馬江洪，等. 遙感圖像最大似然分類方法的EM改進(jìn)算法[J]. 測(cè)繪學(xué)報(bào)，2002，31(3)：234－239.Luo Jiancheng, Wang Qinmin, Ma Jianghong, et al. The EM-based maximum likelihood classifier for remotely sensed data[J]. Acta Geodaetica et Cartographica Sinica, 2002, 31(3):234－239. (in Chinese with English abstract)

[13] 李彤，吳驊. 采用決策樹分類技術(shù)對(duì)北京市土地覆蓋現(xiàn)狀進(jìn)行研究[J]. 遙感技術(shù)與應(yīng)用，2004，19(6): 485－487.Li Tong, Wu Hua. Application of decision tree classification to Peking land cover[J]. Remote Sensing Technology and Application, 2004, 19(6): 485－487. (in Chinese with English abstract)

[14] 溫興平，胡光道，楊曉峰. 基于 C5.0決策樹分類算法的ETM+影像信息提取[J]. 地理與地理信息科學(xué)，2007，23(6)：26－29.Wen Xingping, Hu Guangdao, Yang Xiaofeng. Extracting information from ETM+ image using C5.0 decision tree algoritm[J]. Geography and Geo-information Science, 2007,23(6): 26－29. (in Chinese with English abstract)

[15] Kobayashi S, Sanga Ngoie K. A comparative study of radiometric correction methods for optical remote sensing imagery: the IRC vs. other image-based C-correction methods[J]. International Journal of Remote Sensing, 2009,30(2): 285－314.

[16] 常春艷，趙庚星，王凌，等. 濱海光譜混淆區(qū)面向?qū)ο蟮耐恋乩眠b感分類[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28(5)：226－231.Chang Chunyan, Zhao Gengxing, Wang Ling, et al. Land use classification based on RS object-oriented method in coastal spectral confusion region[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(5): 226－231. (in Chinese with English abstract)

[17] 牟鳳云，羅丹，官冬杰，等. 面向?qū)ο蟮耐恋馗采w信息提取方法研究及應(yīng)用[J]. 重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版)，2014，33(6)：104－108.Mu Fengyun, Luo Dan, Guan Dongjie, et al. Research on object-oriented land cover information extraction[J]. Journal of Chongqing Jiaotong University (Natural Science), 2014,33(6): 104－108. (in Chinese with English abstract)

[18] 許偉，奚硯濤. 基于Landsat 8遙感影像的合肥市土地利用分類[J]. 湖北農(nóng)業(yè)科學(xué)，2015，54(15)：3625－3629.Xu Wei, Xi Yantao. Research on land use classification in Hefei based on landsat 8 images[J]. Hubei Agricultural Sciences,2015, 54(15): 3625－3629. (in Chinese with English abstract)

[19] 李恒凱，吳立新，李發(fā)帥. 面向土地利用分類的HJ-1 CCD影像最佳分形波段選擇[J]. 遙感學(xué)報(bào)，2013，17(6)：1572－1586.Li Hengkai, Wu Lixin, Li Fashuai. Optimal fractal band selection on HJ-1 CCD image for land use classification[J].Journal of Remote Sensing, 2013, 17(6): 1572－1586. (in Chinese with English abstract)

[20] 于文婧，劉曉娜，孫丹峰，等. 基于HJ-CCD數(shù)據(jù)和決策樹法的干旱半干旱灌區(qū)土地利用分類[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(2)：212－219.Yu Wenjing, Liu Xiaona, Sun Danfeng, et al. Land use classification in arid and semi-arid irrigated area based on HJ-CCD data and decision tree method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(2): 212－219. (in Chinese with English abstract)

[21] 仲波，馬鵬，聶愛華，等.基于時(shí)間序列HJ-1/CCD數(shù)據(jù)的土地覆蓋分類方法[J]. 中國(guó)科學(xué)：地球科學(xué)，2014，44(5)：967－977.Zhong Bo, Ma Peng, Nie Aihua, et al. Land cover mapping using time series HJ-1/CCD data[J]. Science China: Earth Sciences,2014, 44(5): 967－977. (in Chinese with English abstract)

[22] 楊浩，黃文江，王紀(jì)華，等. 基于HJ-1A/1B CCD時(shí)間序列影像的水稻生育期監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27(4)：219－224.Yang Hao, Huang Wenjiang, Wang Jihua, et al. Monitoring rice growth stages based on time series HJ-1A/1B CCD images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(4): 219－224. (in Chinese with English abstract)

[23] 劉佳，王利民，楊福剛，等. 基于 HJ時(shí)間序列數(shù)據(jù)的農(nóng)作物種植面積估算[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(3)：199－206.Liu Jia, Wang Limin, Yang Fugang, et al. Remote sensing estimation of crop planting area based on HJ time-series images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(3): 199－206. (in Chinese with English abstract)

[24] 孫俊杰，馬大喜，任春穎，等. 基于多時(shí)相環(huán)境衛(wèi)星數(shù)據(jù)的南甕河流域濕地信息提取方法研究[J]. 濕地科學(xué)，2013，11(1)：60－67.Sun Junjie, Ma Daxi, Ren Chunying, et al. Method of extraction of wetlands information in Nanweng River basin based on multi-temporal environment satellite images[J].Wetland Science, 2013, 11(1): 60－67. (in Chinese with English abstract)

[25] Sun Zhongping, Shen Wenming, Wei Bin, et al. Objectoriented land cover classification using HJ-1 remote sensing imagery[J]. Science China Earth Sciences. 2010, 53(Supp. I):34－44.

[26] 賈明明，宗明，張柏，等. 綜合環(huán)境衛(wèi)星與 MODIS數(shù)據(jù)的面向?qū)ο笸恋馗采w分類方法[J]. 武漢大學(xué)學(xué)報(bào)?信息科學(xué)版，2014，39(3)：305－310.Jia Mingming, Zong Ming, Zhang Bai, et al. Land cover classification of compositing HJ-1 and MODIS data base on object-based method[J]. Geomatics and Information Science of Wuhan University, 2014, 39(3): 305－310. (in Chinese with English abstract)

[27] 陳云浩，馮通，史培軍，等. 基于面向?qū)ο蠛鸵?guī)則的遙感影像分類研究[J]. 武漢大學(xué)學(xué)報(bào)?信息科學(xué)版，2006，31(4)：316－320.Chen Yunhao, Feng Tong, Shi Peijun, et al. Classification of remote sensing image based on object-oriented and class rules[J]. Geomatics and Information Science of Wuhan University, 2006, 31(4): 316－320. (in Chinese with English abstract)

[28] 蘇偉，李京，陳云浩，等. 基于多尺度影像分割的面向?qū)ο蟪鞘型恋馗脖环诸愌芯?以馬來(lái)西亞吉隆坡市城市中心區(qū)為例[J]. 遙感學(xué)報(bào)，2007，11(4)：521－530.Su Wei, Li Jing, Chen Yunhao, et al. Object-oriented urban land-cover classification of multi-scale image segmentation method: A case study in Kuala Lumpur City Center,Malaysia[J]. Journal of Remote Sensing, 2007, 11(4): 521－530. (in Chinese with English abstract)

[29] Robertson L D, King D J. Comparion of pixel-and objectbased classification in land-cover change mapping[J]. International Journal of Remote Sensing, 2011, 32(1): 1505－1529.

[30] Hao Pengyu, Wang Li, Niu Zheng, et al. The potential of time series merged from Landsat-5 TM and HJ-1 CCD for crop classification: A case study for Bole and Manas counties in XinJiang, China[J]. Remote Sensing, 2014, 6(8): 7610－7631.

[31] Breiman L. Random forest[J]. Machine Learning, 2001, 45(1):5－32

[32] 李治，楊曉梅，孟樊，等. 物候特征輔助下的隨機(jī)森林宏觀尺度土地覆蓋分類方法研究[J]. 遙感信息，2013，28(6)：48－55.Li Zhi, Yang Xiaomei, Meng Fan, et al. LULC classification based on random forest with the aid of phenological features[J]. Remote Sensing Information, 2013, 28(6): 48－55. (in Chinese with English abstract)

Extract of land use/cover information based on HJ satellites data and object-oriented classification

Zhu Yongsen, Zeng Yongnian※, Zhang Meng
(1.School of Geosciences and Info-physics, Central South University, Changsha410083,China;2.Center for Geomatics and Regional Sustainable Development Research, Central South University, Changsha410083,China)

Land use/cover information is the basis for the study of regional climate and environment, and the information security of land resources planning and management. However, the accuracy of urban areas land use/cover information extraction is significantly affected by the high heterogeneity of land surface. Remote sensing technology, providing large-scale,timely, continuous and comprehensive measurements, has become an important means of land use/cover information extraction. HJ satellites, with high temporal and spatial resolution and wide coverage, provide a new way to fast and accurately extract large-scale land use/cover information. They have been widely used in land use/cover classification, crop information extraction, wetlands information extraction, and so on. The object-oriented classification method, which makes full use of the spectral information of remote sensing images and takes into account the spatial distribution characteristics and correlations of geographical objects, can compensate for the deficiency of traditional pixel-based classification methods. This study developed a supervised classification method for regional land use based on the object-oriented random trees algorithm to quickly extract land surface information with low cost and high precision. We selected the Changsha-Zhuzhou-Xiangtan core area as the study area and used the multi-temporal and multi-spectral information of HJ satellite CCD (charge-coupled device) data. Firstly, high quality HJ-CCD data (10 phases in total) were selected, and preprocessed by radiometric calibration, atmospheric correction,accurate geometric correction and image registration. The time series of normalized difference vegetation index (NDVI) and of the first principal component (PC1) were calculated, and their results overlapped each other. The best time series of HJ classification data were determined by the J-M (Jeffries-Matusita) distance variable separability analysis, combined with land cover of study area, and phenotypic characteristics difference of different vegetation. HJ data of the February, May, July,September, October and December phases are the best data combinations for land use/over information extraction in this study.Then the e-Cognition’s multi-scale segmentation algorithm was employed to segment the HJ-NDVI, HJ-PC1, HJ-PC2 (the second principal component) of the best time series combination. The urban land use/cover information was classified by the object-oriented random forest algorithm. Finally, the accuracy of the algorithm was evaluated, and compared with that of the time series pixel-based classification and single-phase object-oriented classification. The results indicate that the land use/cover information extracted by the object-oriented classification method using time series HJ data is consistent with the real situation on range and distribution of each land type, and with less speckle noise. The overall accuracy and Kappa coefficient of this method are 91.55% and 0.90 respectively. Specifically, the accuracy is higher than 90% for the paddy field,irrigated land, dry land and forest, and is close to 90% for building land. Compared with the time-series pixel-based classification and single-phase object-oriented classification methods, the overall classification accuracy and Kappa coefficient of the proposed method are increased by 2.26%, 0.02 and 6.82%, 0.08 respectively. This means the best time series HJ combination data can fully utilize the seasonal spectral differences of different vegetation types, which avoid the spectral similarity among different vegetations in single-phase image. So the proposed method can effectively improve the accuracy of land use/cover information extraction in urban areas.

land use; remote sensing; classification; time series; object-oriented; land use/cover classification; urban areas; HJ satellites

10.11975/j.issn.1002-6819.2017.14.035

TP79; S127

A

1002-6819(2017)-14-0258-08

朱永森，曾永年，張 猛. 基于HJ衛(wèi)星數(shù)據(jù)與面向?qū)ο蠓诸惖耐恋乩?覆蓋信息提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(14)：258－265.

10.11975/j.issn.1002-6819.2017.14.035 http://www.tcsae.org

Zhu Yongsen, Zeng Yongnian, Zhang Meng. Extract of land use/cover information based on HJ satellites data and object-oriented classification[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(14): 258－265. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.14.035 http://www.tcsae.org

2017-01-19

2017-07-05

國(guó)家自然科學(xué)基金項(xiàng)目（41171326, 40771198）；中南大學(xué)中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金（2017zzts775）

朱永森，男，河南駐馬店人，研究方向?yàn)檫b感技術(shù)及應(yīng)用。長(zhǎng)沙中南大學(xué)地球科學(xué)與信息物理學(xué)院，410083。Email：yongsenzhu@sina.com

※通信作者：曾永年，男，青海西寧人，教授，研究方向?yàn)檫b感與地理信息系統(tǒng)及其環(huán)境變化研究。長(zhǎng)沙 中南大學(xué)地球科學(xué)與信息物理學(xué)院，410083。

Email：ynzeng@mail.csu.edu.cn