衛(wèi)星激光測高數(shù)據(jù)土地覆蓋分類應用研究進展

權學烽，唐新明，李國元，劉詔，薛玉彩

(1.蘭州交通大學 測繪與地理信息學院，蘭州 730070；2.自然資源部國土衛(wèi)星遙感應用中心，北京 100048；3.甘肅省地理國情監(jiān)測工程實驗室，蘭州 730070)

0 引言

土地覆蓋是自然營造物和人工建筑物所覆蓋的土地諸要素的綜合體，具有特定的時間和空間屬性，其形態(tài)和狀態(tài)可在多種時空尺度上變化。土地覆蓋類型的變化被人類活動所影響，這種影響導致越來越多的生態(tài)和環(huán)境問題，如部分動植物的滅絕、全球變暖、土地沙漠化等。因此，為實現(xiàn)可持續(xù)化發(fā)展，有效解決環(huán)境問題，進行土地覆蓋類型監(jiān)測迫在眉睫[1-2]。目前利用遙感開展土地覆蓋分類的數(shù)據(jù)源多為可見光影像數(shù)據(jù)和SAR數(shù)據(jù)[3-5]，使用的方法有決策樹法、神經網(wǎng)絡法、支持向量機(support vector machine，SVM)和其他方法[6-10]。近年來，隨著對地觀測技術的快速發(fā)展，衛(wèi)星激光測高受到大家的廣泛關注，我國計劃陸續(xù)發(fā)射高分七號、陸地生態(tài)系統(tǒng)碳監(jiān)測衛(wèi)星。衛(wèi)星激光測高由于其獨特的波形數(shù)據(jù)，在土地覆蓋分類方面具有一定應用價值，開展相關研究與分析非常有意義。

針對衛(wèi)星激光測高數(shù)據(jù)在土地覆蓋分類應用，國外學者已經開展了較多的研究。其中，2003年美國發(fā)射了首顆對地觀測激光測高衛(wèi)星，冰、云和陸地高程衛(wèi)星(ice，cloud and land elevation satellite/geoscience laser altimeter system，ICESat/GLAS)，在其運行的6年里共收集了近2億個激光測高點數(shù)據(jù)，為土地覆蓋分類研究提供了豐富的數(shù)據(jù)源。GLAS數(shù)據(jù)文件包括GLA01～GLA15，其中GLA01提供全球測高數(shù)據(jù)，它包括發(fā)射波和回波波形數(shù)據(jù)文件，GLA14是全球表面測高數(shù)據(jù)，它提供激光點的經緯度、高程及回波波形數(shù)據(jù)，Duong等人通過對回波波形特征進行分析確定土地覆蓋類型，然后利用該點的經緯度通過高分辨率影像等方式對覆蓋類型進行驗證[11-13]。2009年ICESat停止工作，NASA于2018年9月發(fā)射ICESat-Ⅱ，在ICESat-Ⅱ發(fā)射前NASA啟動了ICEBridge冰橋計劃，收集這段時間內的數(shù)據(jù)進行補充，ICEBridge上搭載了陸地、植被和冰傳感器(land，vegetation，and ice sensor，LVIS)激光掃描儀，LVIS具備大光斑全波形采集和記錄功能并且可以用于土地覆蓋分類[14]。

隨著高分七號衛(wèi)星和陸地生態(tài)系統(tǒng)碳監(jiān)測衛(wèi)星的發(fā)射，國產星載大光斑全波形激光測高數(shù)據(jù)將越來越豐富[15]。本文對激光測高系統(tǒng)在土地覆蓋分類研究進展及應用現(xiàn)狀進行了綜述，總結了相關方法和發(fā)展趨勢，以期為國產衛(wèi)星在此方面的應用提供參考。

1 研究進展

土地覆蓋類型的轉變在環(huán)境變化和進行合理有效的發(fā)展規(guī)劃有著重要的意義，因此土地覆蓋類型分類的準確性就顯得極為關鍵。GLAS數(shù)據(jù)應用于土地覆蓋分類是近幾年新的研究方向，國內外學者圍繞激光全波形數(shù)據(jù)在土地覆蓋分類應用方面開展了大量的研究。Pirotti認為全波形數(shù)據(jù)不僅可以提供目標的高度信息還能提供目標的一些物理信息，通過對這些物理信息的分析和處理可以更加快捷和準確地得到地物的分類信息[16]。概況而言，一般有波形特征參數(shù)法和曲線匹配法2種基于波形的地物分類方法。

1.1 波形特征參數(shù)法

波形特征參數(shù)法是指對大量返回波波形參數(shù)(如波寬、振幅和反射率等)進行處理、分析和歸納后生成特征參數(shù)，用待分類地物的波形參數(shù)與特征參數(shù)對比后分類。Duong等人提出利用ICESat的原始波形進行高斯分解，利用分解后高斯波的分解個數(shù)、波形的開始和結束位置、波寬和返回波能量這5個參數(shù)進行分類，將激光足印分為四類：高植被(高樹或森林)、城市、水和裸地/低植被，實驗發(fā)現(xiàn)在荷蘭地區(qū)該方法的分類準確率為73%。Duong等人發(fā)現(xiàn)建筑物或其他人造物體的波寬較窄，而植物的波寬較寬，水體與裸地的波形相似[17]。Kestila等人使用Duong的方法，發(fā)現(xiàn)土地覆蓋類型與波形之間的相關性很復雜。當土地覆蓋種類發(fā)生變化時，這種變化可能是由于返回波形的錯誤或者其他因素造成的，因此可以通過對大量波形數(shù)據(jù)的平均化來提高土地覆蓋分類準確率[18]。Ghosh在使用高斯分解法的基礎上對波峰間距、坡向角和地表反射率這3個參數(shù)使用K均值(KM)，中心點聚類算法(PAM)和模糊C均值(FCM)法進行分類，通過對印度Uttarakhand地區(qū)的實驗發(fā)現(xiàn)，KM的分類準確率最高。當分類數(shù)為3類時，總體分類準確率為89.41%，當分類數(shù)上升為4類時，PAM和FCM的分類準確率下降為60%和68.4%，隨著分類數(shù)的增加，PAM和FCM的分類準確率持續(xù)下降，KM的分類準確率為72.93%表現(xiàn)出良好的可靠性[19-21]。Kestila和Ghosh的對比分析實驗結果表明，全波形衛(wèi)星激光測高數(shù)據(jù)在地物類別復雜的情況下，其分類準確性會有所下降，在實驗中表現(xiàn)為當待分類的地物類型越多時分類準確度越低。Alexander等人發(fā)現(xiàn)在決策樹分類器中后向散射系數(shù)和振幅對于分類的準確率有較大的影響，通過應用振幅和后向散射系數(shù)的方法進行了兩組對比實驗，通過實驗發(fā)現(xiàn)由于振幅值取決于飛行高度、入射角和氣象條件等因素，因此具有更多的誤差[22]。Cheng等人使用波形特征參數(shù)法對美國緬因州的數(shù)據(jù)進行分析和處理，抽查了500個隨機樣本發(fā)現(xiàn)Kappa系數(shù)高達0.931 7[23]。Ducic等人通過對維也納地區(qū)的GLAS數(shù)據(jù)進行分析處理后，對植被和非植被進行了分類，其分類準確率為88.6%，Kappa系數(shù)為0.8[24]。通過上述研究表明，回波波形與土地覆蓋分類的聯(lián)系較為復雜，且波形的特征參數(shù)容易受到大氣、輻射和云層等各種因素的影響而影響分類的精度，因此如何有效剔除這些誤差從而提高復雜地物類別情況下分類準確率還需進一步研究。

1.2 曲線匹配法

曲線匹配算法是根據(jù)不同的參數(shù)使用大量的數(shù)據(jù)訓練出特征曲線，用待分類樣本曲線與特征曲線相匹配，根據(jù)匹配結果來進行分類。如圖1所示，裸地的累計分布函數(shù)(cumulative distribution function，CDF)上升曲線近乎于垂直上升，這是因為平坦地面的能量返回時間較為集中，建筑物由于其不同高度造成返回能量的時間不同，其CDF曲線呈分段式垂直上升，而樹木由于其獨特的結構和不規(guī)則性使得CDF上升曲線較為緩慢，由于激光在樹叢中多次反射等原因使得返回時間較長，其CDF曲線顯得比較平緩。

圖1 CDF曲線示意圖

Zhou等人提出了一種基于Kolmogorov-Smirnov (KS)距離的曲線匹配方法，用于測量待分類波形和參考波形之間的相似性，從主成分分析(principal components analysis，PCA)出發(fā)，首先從訓練數(shù)據(jù)集中提煉出一組參考波形，然后將待分類波形與參考波形使用KS距離曲線匹配法進行匹配，并將其分配給最相似的類，利用Dallas，Texas metropolitan area地區(qū)(住宅區(qū)和商業(yè)、工業(yè)建筑的混合)的ICESat測高數(shù)據(jù)(GLAS)進行土地覆蓋分類實驗，實驗結果表明基于KS距離分類的土地覆蓋分類準確率可以達到87.2%，Kappa系數(shù)為0.80，這種方法優(yōu)于使用波形特征參數(shù)法3.5%。研究還表明基于PCA方法選擇的參考波形比隨機選擇的參考波形更好[25]。2016年Zhou等人利用全波形數(shù)據(jù)來測試曲線匹配法區(qū)分不同垂直結構物體的能力，基于原來的曲線匹配算法的基礎上擴展了兩組新的曲線匹配方法，第一組是測量一組未知波形和參考波形之間的曲線相似度，包括了波形面積差分均方根 (curve root sum squared differential area，CRSSDA)、波形角匹配(curve angle mapper，CAM)和Kullback-Leibler (KL) 發(fā)散。第二組測量待分類波形和參考波形的累計分布函數(shù)(CDFs)，包括累計波形面積差分均方根(cumulative curve root sum squared differential area，CCRSSDA)、累計波形角匹配(cumulative curve angle mapper，CCAM)和KS距離。當使用ICESat波形數(shù)據(jù)進行空地、樹和建筑物分類時，KL提供最高的平均分類準確率(87%)，CCRSSDA和CCAM與KL的分類準確率很接近，并且都明顯優(yōu)于KS、CRSSDA和CAM方法[26]。曲線匹配算法是直接使用連續(xù)的數(shù)據(jù)進行分類，這種連續(xù)性參數(shù)在體現(xiàn)地物類型與波形的關系上有了很大的提升，可以看出該方法在進行城區(qū)范圍內的分類效果較好，然而如何標準化地物特征曲線和曲線匹配是該方法的研究難點。

與波形特征參數(shù)法相比較，曲線匹配法更能體現(xiàn)波形與覆蓋類型深層次的聯(lián)系，但是該方法在覆蓋物高度計算方面表現(xiàn)較差。通過Zhou等人的實驗可以發(fā)現(xiàn)曲線匹配法在同一區(qū)域的分類準確率比波形特征參數(shù)法高，但是這不能表示曲線匹配法在所有區(qū)域都優(yōu)于波形特征參數(shù)法，且沒有對比2種方法在多分類數(shù)時的準確率，因此這2種方法的優(yōu)劣性還需進一步實驗來說明。

1.3 全波形激光數(shù)據(jù)和其他數(shù)據(jù)多源融合

當使用星載全波形激光測高數(shù)據(jù)作為唯一數(shù)據(jù)源時，大多數(shù)地表覆蓋的分類準確率較好，但是當?shù)匚镌诖怪苯Y構和物理性質較為相似時分類結果就會較差，因此僅僅依靠星載全波形激光測高數(shù)據(jù)進行精確的土地覆蓋分類難度較大，融合其他數(shù)據(jù)能彌補全波形激光測高數(shù)據(jù)作為單一數(shù)據(jù)源的局限性，可以提高土地覆蓋分類的準確率。

Liu等人通過聯(lián)合使用ICESat與Landsat多光譜圖像來提高土地覆蓋分類的準確率。該研究在中國河南省將土地覆蓋種類分為耕地、林地、灌叢、水體和裸地，使用隨機森林(random forest，RF)法進行特征選擇，支持向量機進行足印的分類，研究發(fā)現(xiàn)單一使用波形或多光譜影像進行分類的準確率約為85%，而聯(lián)合使用兩種數(shù)據(jù)進行土地覆蓋分類時準確率可以達到91%。當分類具有相同垂直結構特征的對象時可以使用光譜特征進行進一步識別。同樣地，當遇到具有相同光譜特征的對象時可以使用垂直結構特征進一步識別，這種方法可以大大提高分類的準確率[27]。Ranson等人在西伯利亞地區(qū)利用GLAS波形數(shù)據(jù)和MODIS影像對該地區(qū)的森林樹種進行了分類實驗，實驗發(fā)現(xiàn)由于各個樹種的高度和其他物理屬性的差異，其回波的特征參數(shù)具有一定的分布規(guī)律，利用這些分布規(guī)律和MODIS數(shù)據(jù)可以提高分類的準確率[28]。周夢維等人提出了一種基于機載激光雷達和航空光學影像數(shù)的多源遙感數(shù)據(jù)融合的高精度地物信息提取和分類方法，通過對張掖地區(qū)的數(shù)據(jù)進行實驗和分析發(fā)現(xiàn)，該方法可以對平坦地形區(qū)的幾種典型地物進行有效的分類，特別是針對水體、建筑物、高大植被、田埂等地物的分類準確率較高，總體分類準確率為93%[29]。Chehata等人通過使用全波形機載激光雷達數(shù)據(jù)與RBG圖像數(shù)據(jù)的結合，使用SVM和RF 2種分類器進行對比實驗，結果表明在相同的訓練樣本個數(shù)和時間內，RF分類器的性能優(yōu)于SVM，錯誤率僅為4.25%，其對建筑物和人造物的分類結果較好，這種方法在城市區(qū)域的土地覆蓋分類擁有較好的應用前景[30]。多源數(shù)據(jù)融合是未來遙感發(fā)展的一大研究重點，將全波形激光測高數(shù)據(jù)與其他數(shù)據(jù)結合使用可以有效提升分類的準確率。

2 應用現(xiàn)狀

土地覆蓋種類較為繁雜，但目前星載激光測高數(shù)據(jù)土地覆蓋分類研究的具體應用主要集中于以下3個方面：城區(qū)覆蓋分類、極地覆蓋分類和林業(yè)樹種分類。這是因為城區(qū)的覆蓋分類與人類的生活活動息息相關，該方面研究可以提升城市空間的有效利用和對未來發(fā)展的合理規(guī)劃；極地是目前研究的熱點，針對極地的研究可以發(fā)現(xiàn)極地海冰厚度等因素與全球氣候變化的聯(lián)系與影響，針對極地區(qū)域的覆蓋分類研究還可以為建設科考站提供選址參考；林業(yè)樹種研究一直是農林研究的熱點方向，將星載激光測高數(shù)據(jù)應用于樹種分類為林業(yè)應用提供了新的參考。

2.1 城區(qū)地表分類及建筑物高程變化檢測

城區(qū)地表分類集中于建筑物、道路和綠化帶等城區(qū)常見類型進行分類，以期能為城市規(guī)劃建設提供幫助。Mallet等人利用全波形數(shù)據(jù)的特征參數(shù)通過支持向量機(SVM)進行城區(qū)范圍內的分類，實驗發(fā)現(xiàn)將城區(qū)的覆蓋分類分為建筑物、植被、自然路面和人造路面這四類的分類精確度為92%，研究人員還提出通過改進SVM的內核、迭代地處理SVM分類或直接使用全波形數(shù)據(jù)的向量來進行實驗可以進一步提高分類的準確率[31]。Mallet等人將分類種類設定為建筑物、地面和植被三類。首先對激光雷達波形進行處理，得到具有兩組不同形態(tài)特征的三維點云。然后利用監(jiān)督支持向量機分類器對三維點云進行分類。每個點都與一組包含完整波形特征和來自離散返回數(shù)據(jù)的特征相關聯(lián)。通過3種特征選擇算法對三類問題的相關性進行評價。根據(jù)分類性能，選擇不同的特征子集，并對分類結果進行比較。使用SVM對訓練樣本全波形的振幅、波寬等參數(shù)進行訓練后發(fā)現(xiàn)最佳分類決策和最小分類子集，然后再對分類樣本進行分類，實驗發(fā)現(xiàn)在分類時，返回波的振幅以及由橫截面和后向散射系數(shù)輻射定標計算出的2個特征元素在分類上有很大的幫助，該分類方法的準確率可以達到95%[32]。Cheng等人使用高斯分解波形表示在激光光斑地面目標不同層次的方法，對 2003年到2008年北京城市建筑物高度變化研究，該方法將城市變化研究從二維平面擴展到三維空間，提高了研究精度，是對現(xiàn)有遙感方法的補充[33]。

2.2 極地地表覆蓋分類

極地地表覆蓋分類是針對冰、雪、巖石和水體進行分類，希望通過對這些典型地物連續(xù)的檢測發(fā)現(xiàn)人類活動對極地地表覆蓋變化影響和對極地航道的影響。Molijn等人通過對南極洲Dry Valleys地區(qū)的冰川、巖石、雪和湖冰進行分類，其分類后的Kappa系數(shù)為0.999 3，并且發(fā)現(xiàn)根據(jù)接受回波能量的大小，系統(tǒng)對探測器前置放大器的電壓進行了調整，當記錄器變飽和會影響峰度、反射率等形態(tài)數(shù)值，所以首先要對記錄器是否飽和進行判斷。反射率對區(qū)分雪是至關重要的，通常情況下雪的反射率都是大于0.6的；峰度是區(qū)分水和其他種類的標準，在非飽和情況下，水的峰度一般都很高；波寬在進行冰和巖石時有很大的潛力[34]。譚繼強等人利用Molijin的方法，使用反射率、飽和能量矯正數(shù)據(jù)、波形峰態(tài)和波寬等參數(shù)在南極查爾斯山地區(qū)進行了針對冰、雪、水和巖石的分類實驗，實驗發(fā)現(xiàn)該方法可以提高冰、雪的分類準確率[35]。這表明激光測高數(shù)據(jù)在極地地表覆蓋分類上有很好的應用前景。

2.3 林業(yè)樹種分類及其他應用

對林業(yè)樹種進行分類可以了解樹種的分布情況，估算生物量，對森林病蟲害等災害進行有效的預防。Nelson等人利用了GLAS數(shù)據(jù)對西伯利亞中部的森林和樹種進行了分類，并且通過分類計算出了各樹種所占面積，通過與MODIS數(shù)據(jù)處理后的結果相比較發(fā)現(xiàn)結果相差不超過1.1%[36]。Yao等人對巴伐利亞國家森林公園的針葉林和落葉林等林區(qū)進行分類，其分類準確率在93%以上[37]。因此，通過對不同時間段的數(shù)據(jù)對比進行分類也是全波形數(shù)據(jù)分類的方法之一。Neuenschwander等人通過實驗驗證了波形特征參數(shù)作為監(jiān)督分類器的輸入項的性能，該實驗發(fā)現(xiàn)，能量比和振幅在進行分類時使用的最為頻繁，且第一峰值上升時間和最后峰值下降時間對于區(qū)分不用的樹種和密度有很大的貢獻，該研究區(qū)使用激光測高數(shù)據(jù)的分類準確率為85.8%，而使用QuickBird影像的分類準確率為71.2%，而由于輸入項是激光測高的返回波形，因此對波形相似但結構不同的類還需進一步的分類[38]。

3 總結與展望

目前，衛(wèi)星激光測高數(shù)據(jù)土地覆蓋分類研究多為探索性研究，期望通過不同的波形處理方法與分類算法相結合來發(fā)現(xiàn)一種能夠在大范圍、多分類數(shù)時保持高準確率的分類方法。通過研究發(fā)現(xiàn)低分類數(shù)時衛(wèi)星激光測高數(shù)據(jù)土地覆蓋分類效果較優(yōu)，平均準確率在90%，當分類數(shù)增多時分類效果明顯下降，這可能是由于分類算法的局限性或波形處理方法的局限性導致。通過Zhou和Mallet等人的實驗可以發(fā)現(xiàn)曲線匹配算法在低分類數(shù)時分類準確率比特征參數(shù)匹配法高，當曲線匹配算法與SVM聯(lián)合使用時其分類準確率比RT(random forest)和其他分類算法高，并且該方法在城區(qū)范圍內的分類效果更優(yōu)，但在高程計算方面略有不及，因此波形處理方法還需進一步改善。

3.1 存在的不足

全波形激光測高數(shù)據(jù)在進行土地覆蓋分類上有其獨特的優(yōu)勢，對于異物同譜和同物異譜的地物分類時要優(yōu)于使用光學影像，為研究土地覆蓋類型在時空變化提供了有效的技術手段，但是星載激光數(shù)據(jù)應用還存在一定范圍內的局限性，主要有以下幾方面原因：

①星載大光斑激光為離散型數(shù)據(jù)，光斑之間的間距較大，不能實現(xiàn)光斑的連續(xù)。如ICESat地面光斑的直徑為70 m，沿軌方向間隔約為170 m，垂軌方向光斑間距與緯度有關，赤道處間距約為30 km，高緯度的極地區(qū)域光斑間距約為5 km，如此大的間隔對大范圍土地覆蓋分類還存在不足。LVIS的地面光斑直徑為25 m，光斑間距受飛機的飛行速度影響，也不能實現(xiàn)連續(xù)性的覆蓋。

②GLAS數(shù)據(jù)的衛(wèi)星重訪周期較長，應用地區(qū)受軌道位置影響。目前只有2003年至2009年的觀測數(shù)據(jù)，這些數(shù)據(jù)受到衛(wèi)星軌道等因素的影響不能實現(xiàn)連續(xù)對地面的覆蓋。LVIS數(shù)據(jù)受到飛機飛行區(qū)域的影響，也不能實現(xiàn)全球覆蓋，因此多源數(shù)據(jù)融合勢在必行。

③衛(wèi)星激光測高受到多種因素影響，同時，地物類型增多，也會導致其對應波形的復雜度增加，因此我們還需要對土地覆蓋的分類方法進行細致化改進，以提升分類的準確率。

3.2 趨勢與展望

盡管激光測高數(shù)據(jù)還存在著不足，但是該數(shù)據(jù)在土地覆蓋分類方向表現(xiàn)出的潛力是毋庸置疑的，該數(shù)據(jù)不僅能對目標物進行高度測量還能對目標物進行分類，實現(xiàn)了對目標物定性和定量化的測量。隨著近年南、北兩極在航運、天然氣等方面潛力的發(fā)現(xiàn)，對南、北兩極的探測變得極為緊迫，世界很多大國和組織都在加強星載激光雷達系統(tǒng)的研制。激光測高衛(wèi)星已進入發(fā)展的繁榮期，隨著激光測高衛(wèi)星越來越多，激光測高數(shù)據(jù)也越來越豐富，一定可以廣泛應用于地表覆蓋分類應用，未來還可以繼續(xù)從以下3個方面開展研究：

①激光測高數(shù)據(jù)結合可見光、SAR衛(wèi)星數(shù)據(jù)、歷史地表分類數(shù)據(jù)進行大范圍的地表覆蓋類型變化監(jiān)測。

②與大數(shù)據(jù)技術、深度學習算法相結合，實現(xiàn)對地表覆蓋分類精度的提高和分類處理的全自動化。

③高分七號衛(wèi)星將搭載激光足印相機，足印影像與波形數(shù)據(jù)相結合可以進一步提高分類的準確率。