高分二號(hào)影像多尺度分割法在土地平整信息提取中的應(yīng)用

(1.甘肅農(nóng)業(yè)大學(xué)林學(xué)院　甘肅　蘭州　730000；2.甘肅省水土保持科學(xué)研究所　甘肅　蘭州　730000)

近年來(lái)，隨著衛(wèi)星遙感影像技術(shù)的發(fā)展，高分辨率影像正逐步成為各領(lǐng)域重要的數(shù)據(jù)源，高分辨率遙感影像擁有豐富空間、光譜、紋理等多重信息，為影像分類(lèi)提取過(guò)程中多重因素進(jìn)行分類(lèi)提供了可能。高分辨率遙感影像數(shù)據(jù)龐大，對(duì)影像快速準(zhǔn)確分類(lèi)要求更高，傳統(tǒng)人工解譯方法已無(wú)法滿足遙感影像對(duì)高分類(lèi)精度與效率的需求。

eCognition軟件是一款基于目標(biāo)信息的遙感信息提取軟件，能對(duì)高分影像進(jìn)行快捷、準(zhǔn)確的分類(lèi)。與傳統(tǒng)的基于像元的分類(lèi)方法相比較，能充分利用遙感影像提供的大小、形狀、紋理、相鄰像素間關(guān)系等形狀和空間位置特征，采用面向?qū)ο蟮乃悸愤M(jìn)行提取，大大提高了高空間分辨率數(shù)據(jù)的自動(dòng)識(shí)別精度[1]。

蘭州新區(qū)通過(guò)對(duì)低山丘陵區(qū)未利用地的大量平整增加建設(shè)用地，在保證新區(qū)建設(shè)用地的同時(shí)減少了對(duì)耕地的占用量。但開(kāi)發(fā)利用過(guò)程中土地支配權(quán)利大，自由度大可能導(dǎo)致嚴(yán)重的水土流失，為及時(shí)準(zhǔn)確地評(píng)估水土流失量，需要對(duì)未利用地的平整進(jìn)行快捷準(zhǔn)確的分類(lèi)。未利用土地有著大小不定、形狀差異大、紋理不清晰等分類(lèi)難點(diǎn)，在土地利用類(lèi)型分類(lèi)過(guò)程中多采用排除法，即把區(qū)分剩余的土地歸為未利用土地。研究區(qū)未利用地較多且平整開(kāi)發(fā)規(guī)模大小，對(duì)未利用地原有面積中正在平整、已平整、平整多年還未建設(shè)等情況如何提高分類(lèi)精度與分類(lèi)效率已成為制約水土流失快速評(píng)估的重要因素。

一、研究區(qū)概況與數(shù)據(jù)來(lái)源

(一)研究區(qū)概況。蘭州新區(qū)位于東經(jīng)103°29′22″～103°49′56″，北緯36°17′15″～36°43′29″，地處隴西黃土高原的西北部。研究區(qū)地貌類(lèi)型屬典型的黃土高原丘陵，平川、梁峁、溝壑及河谷地貌發(fā)育；屬溫帶半干旱氣候，四季分明，冬季寒冷干燥，春季多風(fēng)少雨，夏無(wú)酷暑，秋季溫涼。蘭州新區(qū)轄中川鎮(zhèn)、秦川鎮(zhèn)等6個(gè)鄉(xiāng)鎮(zhèn)，73個(gè)行政村，全區(qū)土地總面積80645.29hm2，其中耕地面積(包括旱地及水澆地)31378.43hm2，占土地總面積的38.91%；園地面積152.45hm2，占土地總面積的0.19%；林地(包括苗圃)面積1702.84hm2，占土地總面積的2.11%；人工草地37.67hm2，占土地總面積的0.05%；城市建設(shè)用地6526.68hm2，占土地總面積的8.09%；村莊用地5196.71hm2，占土地總面積的6.44%；水域及水利設(shè)施用地259.81hm2，占土地總面積的0.32%；未利用地10041.47hm2，占土地總面積的12.45%。

隨著西部大開(kāi)發(fā)和“一帶一路”持續(xù)推進(jìn)，土地資源稀缺已經(jīng)成為蘭州新區(qū)經(jīng)濟(jì)社會(huì)發(fā)展的瓶頸，根據(jù)2010年國(guó)務(wù)院發(fā)布的《關(guān)于進(jìn)一步支持甘肅經(jīng)濟(jì)社會(huì)發(fā)展的若干意見(jiàn)》(國(guó)辦發(fā)[2010]29號(hào))提出“鼓勵(lì)對(duì)沙地、荒山、荒灘、戈壁等未利用土地開(kāi)發(fā)利用”和國(guó)土資源部“鼓勵(lì)低丘緩坡荒灘等未利用土地開(kāi)發(fā)利用試點(diǎn)工作指導(dǎo)意見(jiàn)”，以科學(xué)發(fā)展觀為統(tǒng)領(lǐng)，充分發(fā)揮沙地、荒灘等土地資源優(yōu)勢(shì)，因地制宜創(chuàng)新土地利用和管理模式，推動(dòng)未利用土地規(guī)范、科學(xué)、有序開(kāi)發(fā)，提高土地資源利用的經(jīng)濟(jì)、社會(huì)和生態(tài)效益，開(kāi)發(fā)建設(shè)低丘緩坡溝壑等未利用地為蘭州新區(qū)破解土地供需兩難提供新途徑。蘭州新區(qū)未利用地總面積10041.47 hm2，占新區(qū)總面積12.45%，根據(jù)《蘭州市低丘緩坡溝壑等未利用土地開(kāi)發(fā)利用試驗(yàn)區(qū)總體規(guī)劃(2012-2030年)》，蘭州市規(guī)劃期內(nèi)開(kāi)發(fā)總規(guī)模12000 hm2，其中蘭州新區(qū)4864 hm2。主要分布在新區(qū)東南，涉及到中川鎮(zhèn)、秦川鎮(zhèn)、西岔，原地貌類(lèi)型為低山丘陵，現(xiàn)已全部進(jìn)行土地平整，規(guī)劃為企業(yè)建設(shè)用地，能為出城入園搬遷改造，促進(jìn)了蘭州新區(qū)的發(fā)展，提供充足的土地資源。

(二)基礎(chǔ)數(shù)據(jù)的獲取及處理。此次研究影像為蘭州新區(qū)高分二號(hào)影像，時(shí)間為2016年10月，多光譜分辨率為2m，分為藍(lán)、綠、紅、近紅外四個(gè)波段。

影像提取以eCognition軟件為主，ENVI軟件為輔的影像處理方式。利用ENVI軟件對(duì)高分二號(hào)影像進(jìn)行影像拼接、幾何校正，然后用eCognition軟件對(duì)影像進(jìn)行影像分割、分類(lèi)；對(duì)解譯結(jié)果進(jìn)行兩種精度評(píng)價(jià)：1、基于對(duì)象樣本的精度評(píng)價(jià)；2、以人工解譯結(jié)果為標(biāo)準(zhǔn)的精度評(píng)價(jià)。對(duì)兩次精度評(píng)價(jià)結(jié)果進(jìn)行分析比較，總結(jié)此次影像信息提取的得失。

二、研究方法

(一)影像分類(lèi)方法。此次影像分類(lèi)對(duì)象為蘭州新區(qū)高分二號(hào)遙感影像，采用面向?qū)ο蠓ㄟM(jìn)行影像分類(lèi)，影像利用多尺度分割法對(duì)高分影像進(jìn)行多層次影像切割，以影像對(duì)象做為影像分類(lèi)單位[2]。利用未利用地影像視圖特征作為劃分依據(jù)，設(shè)定閾值對(duì)影像對(duì)象進(jìn)行分類(lèi)，未利用地影像提取步驟如圖1所示。影像提取可以分為兩個(gè)方面：1、以未利用地的視圖特征進(jìn)行影像分類(lèi)；2、對(duì)未利用地分類(lèi)中的其他土地進(jìn)行剔除。

圖1　流程圖

首先需要合理的確定遙感影像分割的尺度大小，各參數(shù)所占比例。其次選擇適用于影像分類(lèi)提取的視圖特征(feature view)。再次確定不同分類(lèi)步驟中所需的波段反射率，對(duì)分類(lèi)影像進(jìn)行多次多尺度影像分割可以降低多余波段對(duì)影像分類(lèi)造成的影響。

分類(lèi)步驟如下：

初次影像分類(lèi)：以SBI(土壤亮度指數(shù))為劃分依據(jù)，分未利用地1和其他土地兩類(lèi)，未利用地1中包含已平整未利用地、植被、建筑、低山丘陵四類(lèi)。

第二次影像分類(lèi)：以植被間歸一化差異植被指數(shù)(NDVI)為劃分依據(jù)，分未利用地2、植被和其他土地三類(lèi)、未利用地2中包含已平整未利用地、建筑、低山丘陵三類(lèi)。

第三次影像分類(lèi)：以BAI閾值為劃分依據(jù)，分未利用地3、建筑和其他土地三類(lèi)、未利用地3中包含已平整未利用地和低山丘陵兩類(lèi)。

第四次影像分類(lèi)：以brightness(亮度)閾值為劃分依據(jù)，分未利用地4、低山丘陵土地和其他土地三類(lèi)，未利用地4中包含已平整未利用地。

已平整未利用地自身具有光譜亮度高、影像色彩單一、紋理多樣等特點(diǎn)，對(duì)其視圖特征(feature view)進(jìn)行信息提取，并對(duì)被影像分類(lèi)中夾雜的其他地類(lèi)進(jìn)行視圖特征歸類(lèi)，利用閾值分類(lèi)方法，多層次，多步驟對(duì)影像對(duì)象進(jìn)行分類(lèi)，達(dá)到對(duì)已平整未利用地精確分類(lèi)的目的。

(二)影像分割。根據(jù)研究區(qū)域范圍的大小和影像特征，對(duì)影像進(jìn)行合理的影像分割。分割尺度的選擇對(duì)分類(lèi)結(jié)果的精度具有至關(guān)重要的影響，多尺度分類(lèi)法將影像分為不同對(duì)象，視圖特征為劃分對(duì)象的平均值，分割尺度過(guò)大對(duì)視圖特征影響較大，過(guò)小將造成影像切割過(guò)細(xì)，不利于影像分類(lèi)[3]。未利用地紋理結(jié)構(gòu)不規(guī)則，無(wú)法用標(biāo)準(zhǔn)的形狀大小進(jìn)行區(qū)分，分類(lèi)過(guò)程中需要增大分割尺度避免影像分割過(guò)于破碎化，使影像喪失過(guò)多視圖特征，因此對(duì)于影像的分割尺度，需要多次試驗(yàn)考慮多方面因素方能確定(表1)。

表1　不同尺度影像分割差異特征

圖2　影像分割200

圖3　影像分割500

圖4　影像分割800

在多尺度分割中同樣需對(duì)均質(zhì)標(biāo)準(zhǔn)合理定義，由于未利用地自身形狀具有不規(guī)則性，對(duì)精致度需求較高，在影像分類(lèi)提取過(guò)程中需要影像保持一定形狀，綜合考量，分別設(shè)定權(quán)重shape(形狀)：0.5；compactness(精致度)：0.5。

此次蘭州新區(qū)高分影像為四波段影像，因此在影像分類(lèi)提取過(guò)程中分別采用SBI指數(shù)、NDVI指數(shù)、BAI指數(shù)、Brightness(亮度)特征進(jìn)行影像提取，不同視圖特征對(duì)波段的要求不同，波段的權(quán)重比對(duì)影像分割產(chǎn)生影響，從而改變影像分類(lèi)精度[4]。

表2　不同光譜影像分割差異情況

圖5　光譜分割權(quán)重B:0，G:0，R:1，NIR:1

圖6　光譜分割權(quán)重 B:1，G:0，R:0，NIR:1

圖7　光譜分割權(quán)重 B:1，G:1，R:1，NIR:1

(三)影像分類(lèi)提取。多尺度分割后的影像對(duì)象具有光譜信息、紋理結(jié)構(gòu)、形狀等視圖特征，影像分類(lèi)提取過(guò)程中可根據(jù)分類(lèi)影像的不同特征進(jìn)行影像分類(lèi)，由于已平整的未利用地地面較為平整，顏色較為統(tǒng)一，表面無(wú)附著物遮蓋，其表面具有較多土壤等特點(diǎn)，在影像分類(lèi)提取過(guò)程中主要以光譜特征作為主要影像分類(lèi)的依據(jù)。初次提取時(shí)以土壤特征作為其主要影像提取的參考特征，公式為：

SBI=([Mean R]^2+[Mean NIR]^2)^0.5

(1)

式中：SBI為土壤亮度指數(shù),[Mean R]為紅色波段反射率，[Mean NIR]為近紅外波段反射率。

通過(guò)調(diào)整閾值進(jìn)行影像比對(duì)，確定未利用地的SBI閾值在大于690且小于1000時(shí)，影像中包含未利用地對(duì)象最多，初次影像信息提取主要目的為對(duì)未利用地進(jìn)行最大程度的影像對(duì)象提取，將滿足SBI閾值在690至1000數(shù)值的影像對(duì)象定義為未利用地1，其他影像對(duì)象定義為其他土地，分類(lèi)結(jié)果如圖8。

通過(guò)對(duì)初次影像提取分析發(fā)現(xiàn)，影像分類(lèi)提取中包含有較多影像雜質(zhì)，主要為：植被、建筑、低山丘陵三類(lèi)，影像提純過(guò)程中需要進(jìn)行重點(diǎn)區(qū)分。

對(duì)初次影像進(jìn)行影像融合再分割，分類(lèi)過(guò)程中包含地類(lèi)較多，與未利用地相比較，這些土地類(lèi)型都滿足植被間歸一化差異植被指數(shù)(NDVI)的土地分類(lèi)標(biāo)準(zhǔn)，公式為：

NDVI=([Mean NIR]-[Mean R])/([Mean NIR]+[Mean R])

(2)

式中：NDVI為歸一化差異植被指數(shù)，[Mean NIR]為近紅外波段反射率，[Mean R]為紅色波段反射率。

第二次影像分類(lèi)主要以剔除第一次影像分類(lèi)中包含NDVI指數(shù)的影像對(duì)象為目的。對(duì)已分類(lèi)未利用地進(jìn)行統(tǒng)計(jì)分析，當(dāng)未利用地影像中NDVI閾值小于-0.1時(shí)，包含有較多雜質(zhì)地類(lèi)且對(duì)已平整未利用地對(duì)象影像最小。定義未利用地1中NDVI指數(shù)閾值大于0.1對(duì)象為未利用地2，未利用地1中其他影像對(duì)象定義為植被，分類(lèi)結(jié)果如圖9所示。

圖8　第一次影像分類(lèi)

圖9　第二次影像分類(lèi)

二次分類(lèi)影像后，未利用地2影像中包含有大量城鎮(zhèn)村與工礦用地，與已平整未利用地相比較，城鎮(zhèn)村與工礦用地滿足BAI值，公式為：

BAI=([Mean B]-[Mean NIR])/([Mean B]+[Mean NIR])

(3)

式中：BAI為待定估計(jì)值，[Mean B]為藍(lán)色波段反射率，[Mean NIR]為近紅外波段反射率。

利用BAI值對(duì)二次分類(lèi)影像中的城鎮(zhèn)村與工礦用地進(jìn)行影像提取，對(duì)未利用地2進(jìn)行統(tǒng)計(jì)分析，當(dāng)BAI閾值大于0時(shí)，未利用地2影像中的影像對(duì)象以城鎮(zhèn)村與工礦用地為主，且極少包含未利用地，因而，定義BAI閾值小于0的影像對(duì)象為未利用地3，定義未利用2中其他影像對(duì)象為建筑。分類(lèi)結(jié)果如圖10所示。

已平整未利用地與低山丘陵土地影像特征具有很多相似之處，且低山丘陵土地與已平整未利用地相鄰，難以在前期進(jìn)行影像分類(lèi)，在影像分類(lèi)過(guò)程中較易造成錯(cuò)誤分類(lèi)。與低山丘陵土地相比較，已平整未利用地具有較高brightness值，影像分析過(guò)程中，發(fā)現(xiàn) brightness閾值大于530時(shí)包含有大量已平整未利用地，且極少含有低山丘陵土地對(duì)象。定義未利用地3中 brightness閾值大于530的影像對(duì)象為未利用地4，定義未利用地3中brightness閾值小于530的影像對(duì)象為低山丘陵土地。由于二者相鄰且具有較高相似性，影像分類(lèi)過(guò)程中存在一定的分類(lèi)錯(cuò)誤，需進(jìn)行少量人工分類(lèi)進(jìn)行糾正。

為保證影像分類(lèi)的完整性，減少椒鹽現(xiàn)象，將未利用地4影像進(jìn)行融合后，定義像素?cái)?shù)小于20000的對(duì)象為其他用地，得到最終影像分類(lèi)結(jié)果，如圖11所示。

圖10　第三次影像分類(lèi)

圖11　第四次影像分類(lèi)

通過(guò)對(duì)初次影像的三次提純，達(dá)到對(duì)蘭州新區(qū)已平整未利用土地的精確提取的目的。最終分類(lèi)結(jié)果如圖12所示。在影像分類(lèi)過(guò)程，由于不同視圖特征所需求的圖層分割權(quán)重不同，為精確提取影像分類(lèi)結(jié)果，每次影像分類(lèi)結(jié)束需重新進(jìn)行影像的融合與再分割。

圖12　已平整未利用地分類(lèi)圖

三、分類(lèi)結(jié)果與精度評(píng)價(jià)

(一)影像分類(lèi)精度分析

利用eCognition軟件自身攜帶簡(jiǎn)單易用的軟件評(píng)價(jià)工具[Error Matrix based on samples](選擇分割對(duì)象作為評(píng)價(jià)標(biāo)準(zhǔn))，所包含的混淆矩陣、kappa系數(shù)與常規(guī)遙感圖像軟件相同。進(jìn)行影像分類(lèi)的精度評(píng)價(jià)時(shí)，將分類(lèi)影像分為已平整未利用地與其他土地兩類(lèi)進(jìn)行精度評(píng)價(jià)，得到混淆矩陣、單一類(lèi)別的精度評(píng)價(jià)分析結(jié)果和總體類(lèi)別的精度分析結(jié)果[5]。

精度評(píng)價(jià)結(jié)果如表3所示，生產(chǎn)精度代表所有實(shí)際測(cè)量類(lèi)型樣本中，被正確分類(lèi)樣本所占的比例，用戶精度表示被分類(lèi)樣本所占的比例，兩種精度評(píng)價(jià)最高值為1，越接近代表精度越高，分類(lèi)穩(wěn)定性越高。此次精度評(píng)價(jià)中未利用地生產(chǎn)精度(Producer)達(dá)到0.871，用戶精度達(dá)到0.937，表明已平整未利用地分類(lèi)結(jié)果中分類(lèi)穩(wěn)定性好，分類(lèi)精度高，錯(cuò)分地物對(duì)象很少，可以作為影分類(lèi)結(jié)果直接使用。Kappa系數(shù)通常被認(rèn)為能準(zhǔn)確反映整體的分類(lèi)精度，此次影像分類(lèi)Kappa系數(shù)為0.829，表明此次分類(lèi)質(zhì)量極好。

精度評(píng)價(jià)結(jié)果表明，eCognition軟件在此次影像分類(lèi)提取過(guò)程中能準(zhǔn)確的對(duì)未利用地進(jìn)行提取，影像分類(lèi)穩(wěn)定性好，且分類(lèi)精度較高。

表3　影像精度評(píng)價(jià)

(二)自動(dòng)解譯影像與人工解譯影像對(duì)比精度評(píng)價(jià)分析

對(duì)研究區(qū)同一影像進(jìn)行人工解譯，進(jìn)行影像自動(dòng)解譯與人工解譯精度對(duì)比評(píng)價(jià)分析。eCognition影像解譯結(jié)果與人工解譯結(jié)果存在差異，需利用ENVI軟件將兩種數(shù)據(jù)統(tǒng)一轉(zhuǎn)換為柵格數(shù)據(jù)，再進(jìn)行精度評(píng)價(jià)。評(píng)價(jià)結(jié)果如表4所示，精度評(píng)價(jià)顯示未利用地生產(chǎn)精度為63.68，用戶精度為74.63。表明自動(dòng)結(jié)果與人工解譯結(jié)果基本吻合，且自動(dòng)解譯結(jié)果更為精細(xì)，錯(cuò)分誤差較低。造成自動(dòng)解譯與人工解譯精度評(píng)價(jià)結(jié)果誤差的原因主要有：①自動(dòng)解譯影像分割與人工解譯分割有誤差，多尺度分割法運(yùn)用模糊方法與人工解譯中手動(dòng)分割方法得到的切割影像不同；②人工解譯分割精度較低，分割結(jié)果中包含雜質(zhì)，自動(dòng)解譯在較低分割尺度下對(duì)未利用地中雜質(zhì)進(jìn)行了剔除，提高了分類(lèi)精度；③自動(dòng)解譯影像分類(lèi)過(guò)程中以閾值分類(lèi)為主，影像分類(lèi)存在遺漏，人工解譯分類(lèi)方式靈活，較少了此類(lèi)誤差。

表4　自動(dòng)解譯與人工解譯對(duì)比精度評(píng)價(jià)

四、結(jié)論

(1)eCognition軟件下對(duì)已平整未利用地的提取精度更高，生產(chǎn)精度(Producer)達(dá)到0.871，用戶精度達(dá)到0.937，Kappa系數(shù)0.829。能滿足影像分類(lèi)提取中對(duì)影像分類(lèi)精度的要求。多尺度分割方法在影像分割過(guò)程中綜合考慮了影像的光譜特征，紋理形狀等各個(gè)要素，使影像分類(lèi)結(jié)果更為合理，減少了分類(lèi)過(guò)程中的椒鹽現(xiàn)象。

(2)本方法利用eCognition軟件對(duì)影像解譯結(jié)果與傳統(tǒng)人工解譯相似度較高，影像分類(lèi)較為統(tǒng)一，且解譯結(jié)果更為精細(xì)，對(duì)已平整未利用地中包含的其他地類(lèi)也能精準(zhǔn)區(qū)分，自動(dòng)解譯操作較簡(jiǎn)單，能滿足高分辨率遙感影像快速解譯的需求。

(3)多次影像融合再分割方式使影像分類(lèi)精度更高，影像信息提取更具有針對(duì)性，對(duì)低山丘陵未利用地平整信息的提取更為準(zhǔn)確。