高標(biāo)準(zhǔn)農(nóng)田建后遙感監(jiān)測(cè)方法

陳震， 張?jiān)艑?shí), 章遠(yuǎn)鈺， 桑玲玲

(1.中國(guó)地質(zhì)大學(xué)(北京)地球科學(xué)與資源學(xué)院，北京 100083； 2.自然資源部土地整治中心，北京 100035)

0 引言

遙感監(jiān)測(cè)技術(shù)具有范圍廣、更新快的優(yōu)點(diǎn)，可以用于土地的大面積變更監(jiān)測(cè)[1]，從20世紀(jì)90年代開始就被應(yīng)用于我國(guó)土地分類、監(jiān)測(cè)方面[2]。土地遙感監(jiān)測(cè)為全國(guó)大面積的土地整治工作提供了快速、準(zhǔn)確的技術(shù)手段[3]。隨著高分衛(wèi)星的發(fā)射，我國(guó)遙感技術(shù)領(lǐng)域進(jìn)入了亞m級(jí)階段。我國(guó)2014年發(fā)射的高分二號(hào)衛(wèi)星，全色波段空間分辨率達(dá)到0.81 m，多光譜波段空間分辨率達(dá)到3.24 m[4]。土地遙感對(duì)衛(wèi)星數(shù)據(jù)的空間分辨率要求為m級(jí)，所以高分二號(hào)的空間分辨率比較適合于土地監(jiān)測(cè)的需求。

通常人工遙感解譯的準(zhǔn)確率較高，但工作效率較低，無法實(shí)現(xiàn)對(duì)全國(guó)大面積土地的遙感監(jiān)測(cè)，故土地遙感監(jiān)測(cè)技術(shù)應(yīng)落腳于遙感自動(dòng)分類技術(shù)。遙感影像分類方法較多,如最大似然法、決策樹以及BP人工神經(jīng)網(wǎng)絡(luò)等方法[5]。面向?qū)ο蟮姆诸惣夹g(shù)在對(duì)空間分辨率較高的影像進(jìn)行分類中具有很大優(yōu)勢(shì)[6]。面向?qū)ο蟮腂P神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元連接而成的具有反饋功能的網(wǎng)絡(luò)，可以模擬復(fù)雜的函數(shù)關(guān)系，如今在人工智能和影像分類中得到了廣泛的應(yīng)用[7]。由于高標(biāo)準(zhǔn)農(nóng)田建后利用情況的復(fù)雜性，基于像元的方法沒有考慮空間像素之間的位置關(guān)系，而面向?qū)ο蟛粌H考慮到單個(gè)像元的不同波段的輻射特性，而且考慮了像元和像元之間的空間紋理關(guān)系，所以面向?qū)ο蠓椒ū容^適合高標(biāo)準(zhǔn)農(nóng)田建后利用情況遙感監(jiān)測(cè)工作。

本研究以廣東省東莞地區(qū)為研究區(qū)，選取2017年2月15日的高分二號(hào)遙感數(shù)據(jù)作為數(shù)據(jù)源，針對(duì)高標(biāo)準(zhǔn)農(nóng)田建后利用出現(xiàn)的“建設(shè)占用”、“調(diào)整用途”和“荒地”等情況，首先，采用人工解譯部分地區(qū)； 然后，實(shí)地驗(yàn)證，選取訓(xùn)練樣本和測(cè)試樣本； 最后，對(duì)比研究了面向?qū)ο蠛妥畲笏迫?種遙感自動(dòng)分類方法。探究能夠滿足高標(biāo)準(zhǔn)農(nóng)田建后利用情況遙感監(jiān)測(cè)需求的方法。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

廣東省東莞地區(qū)屬于華南珠江三角洲平原地區(qū)，位于珠江口的東側(cè)，地勢(shì)平坦開闊，河網(wǎng)密集，溝渠縱橫，水塘密集分布，地勢(shì)東高西低，由北向南傾斜，其間發(fā)育的河流階地區(qū)及漫灘區(qū)沿江河呈帶狀分布，地勢(shì)平坦，微向河谷傾斜。該地區(qū)接近北回歸線，氣候溫暖濕潤(rùn)，植被茂盛，土地肥沃，適合建設(shè)高標(biāo)準(zhǔn)農(nóng)田。

1.2 數(shù)據(jù)源及其預(yù)處理

本研究選擇國(guó)產(chǎn)高分二號(hào)衛(wèi)星的遙感影像為數(shù)據(jù)源，其參數(shù)如表1所示。

表1 高分二號(hào)衛(wèi)星有效載荷技術(shù)指標(biāo)

研究區(qū)3—11月陰雨天氣較多，云量較大，不利于進(jìn)行遙感監(jiān)測(cè)，所以本研究選擇2017年2月15日的高分二號(hào)遙感數(shù)據(jù)。

本研究采用高斯克呂格投影，3度分帶； 平面坐標(biāo)系統(tǒng)采用1980西安坐標(biāo)系，高程系統(tǒng)采用1985國(guó)家高程基準(zhǔn)，IUG1975橢球體。遙感數(shù)據(jù)預(yù)處理總體流程為： 在ENVI5.3軟件的支持下，進(jìn)行大氣校正、正射校正、幾何糾正、影像增強(qiáng)、融合和坐標(biāo)變換等預(yù)處理工作，消除了大氣散射和幾何畸變等誤差。其中采用Gram-Schmidt方法進(jìn)行融合處理； 利用ERDAS9.2軟件將影像從WGS84坐標(biāo)系轉(zhuǎn)換成了1980西安坐標(biāo)系。最后增加了歸一化差異植被指數(shù)(nomorlized difference vegetation index,NDVI)、K-Means非監(jiān)督分類結(jié)果2個(gè)波段，增加了數(shù)據(jù)的維度，有利于提高高標(biāo)準(zhǔn)農(nóng)田建后利用情況的分類精度。

人工解譯中彩色合成是通過高分二號(hào)數(shù)據(jù)各波段的相關(guān)性系數(shù)將各波段分組，然后按照分組結(jié)果進(jìn)行波段組合。高分二號(hào)衛(wèi)星數(shù)據(jù)各波段的相關(guān)系數(shù)如表2所示。

表2 高分二號(hào)各多光譜波段間相關(guān)系數(shù)矩陣

本研究在對(duì)高分二號(hào)數(shù)據(jù)波段相關(guān)性進(jìn)行分析的基礎(chǔ)上，計(jì)算了3組波段組合的最佳指數(shù)因子(optimum index factor，OIF)值，如表3所示。

表3 高分二號(hào)數(shù)據(jù)各組合方案及OIF值

從表3可知B1(R)，B3(G)，B4(B)組合的OIF最大，說明這種組合包含了最大的信息量，故選取這3個(gè)波段進(jìn)行組合作為遙感信息提取的最佳波段組合。另外在B3(R)，B4(G)，B1(B)彩色合成影像上，水體、植被與建筑物的界線明顯，也為人工解譯、提取測(cè)試及驗(yàn)證樣本提供了便利。

2 研究方法

本研究首先對(duì)高分二號(hào)數(shù)據(jù)進(jìn)行了預(yù)處理； 然后，進(jìn)行人工解譯，對(duì)疑似圖斑進(jìn)行實(shí)地驗(yàn)證，再選取訓(xùn)練樣本和測(cè)試樣本，采用面向?qū)ο蠛妥畲笏迫环椒ㄟM(jìn)行了分類； 最后，對(duì)比了2種分類效果并分別評(píng)價(jià)了分類精度(圖1)。

圖1 工作流程

高標(biāo)準(zhǔn)農(nóng)田建后利用情況的遙感監(jiān)測(cè)中“占”、“調(diào)”、“荒”3種情況中，“占”和“調(diào)”2種情況較難區(qū)分，耕作層被破壞的判定為“占”，耕作層沒被破壞但不為農(nóng)田的地塊判定為“調(diào)”。

普通農(nóng)作物在遙感影像上一般呈均勻的淺綠色、綠色、深綠色和墨綠色的色調(diào)特征，并顯示出條帶狀、斑雜狀和塊狀等形狀特征； 雜草在遙感影像上一般呈色調(diào)不均勻的綠色、淺綠色片狀斑塊，且紋理粗糙； 喬木則呈深綠色或墨綠色的色調(diào)特征和斑點(diǎn)狀紋理特征； 農(nóng)村房屋在遙感影像上一般呈邊界整齊的長(zhǎng)方形，常見棚頂呈藍(lán)色或紅色； 土壤在遙感影像上一般為土黃色，且紋理較均勻，農(nóng)田土壤常見線狀紋理； 水泥路面在遙感影像上一般呈灰白色色調(diào)特征和線條狀特征； 沙石堆在遙感影像上一般呈白色、灰白色和灰色色調(diào)特征，斑點(diǎn)狀紋理，斑點(diǎn)大小不一，比較耀眼； 裸地在遙感影像上一般呈白色色調(diào)，和相鄰地塊的反差較強(qiáng)。遙感監(jiān)測(cè)主要類型的解譯標(biāo)志和實(shí)地驗(yàn)證照片如表4所示。

表4 高標(biāo)準(zhǔn)農(nóng)田建后利用情況監(jiān)測(cè)遙感解譯標(biāo)志

2.1 影像自動(dòng)分類方法

本研究針對(duì)高標(biāo)準(zhǔn)農(nóng)田建后利用情況監(jiān)測(cè)工作中出現(xiàn)的“占”、“調(diào)”、“荒”等情況，在對(duì)高分二號(hào)衛(wèi)星影像預(yù)處理的基礎(chǔ)上，經(jīng)過人工解譯、實(shí)地驗(yàn)證，選取部分樣本作為訓(xùn)練樣本和測(cè)試樣本，再對(duì)比不同的自動(dòng)分類方法，找出適合全國(guó)推廣的自動(dòng)分類方法，為土地整治部門高標(biāo)準(zhǔn)農(nóng)田建后遙感監(jiān)測(cè)提供技術(shù)支撐。本研究主要對(duì)比了面向?qū)ο蟮姆椒ㄒ约白畲笏迫?種監(jiān)督分類方法。

1)面向?qū)ο蠓诸惙椒?。傳統(tǒng)的基于像元的方法是將不同波段的同一像元的灰度值提取，形成光譜向量，然后設(shè)定向量之間的距離最大值(閾值)，不同像元的向量距離如果小于閾值，就認(rèn)為這些像元屬于同一類。這種方法只考慮了單個(gè)像元的光譜向量特征，也就是說只考慮了光譜特征，沒有考慮到像元和像元之間的空間位置和排列關(guān)系。面向?qū)ο蟮姆诸惙椒ㄊ菫榱丝朔谙裨诸惙椒ǖ牟蛔愣邪l(fā)的新方法，此種方法不僅考慮了像元的光譜特征，而且考慮了像元之間的空間位置關(guān)系(如紋理、形狀等)來對(duì)地物進(jìn)行分類。面向?qū)ο蠓椒ㄌ幚淼膶?duì)象不再是單個(gè)的像元，而是符合一定空間關(guān)系的像元群[7]。面向?qū)ο蠓诸惙椒ňC合考慮了像元的光譜特征，同時(shí)也考慮到了像元之間的空間關(guān)系，如果經(jīng)過實(shí)地驗(yàn)證的樣本量大，就可以建立精準(zhǔn)的函數(shù)模型，得到較為準(zhǔn)確的分類結(jié)果[8]。

遙感影像的特征類型較多，需要對(duì)其空間降維，然后優(yōu)化組合方式，基于充足的樣本就可以得到較好的分類結(jié)果[9]，在對(duì)遙感影像進(jìn)行分割后，要選擇影像特征的提取方法，常用的方法包括K-最鄰近(K-nearest neighbor，KNN)方法和支持向量機(jī)方法。本研究選擇了KNN分類方法來提取影像特征。KNN分類法的原理是基于多維的像元光譜特征，計(jì)算各像元的歐幾里得距離，然后設(shè)定各分割對(duì)象的閾值，如果在閾值范圍之內(nèi)就分為一類，如圖2所示。

圖2 KNN分類原理

本研究利用ENVI5.3軟件計(jì)算NDVI及HIS空間。影像分割參數(shù)設(shè)置Scale Level為50，Merge Level為80。

2)最大似然方法。該方法是傳統(tǒng)的基于像元的遙感影像分類方法，在分類規(guī)則中，用概率統(tǒng)計(jì)的方法，如最大似然判定法則建立非線性的分類函數(shù)。分類函數(shù)的原理是每個(gè)類別的像元在二維或三維空間中組成一定量的點(diǎn)群，每一類的像元在各個(gè)數(shù)據(jù)維度都服從一個(gè)特定的正態(tài)分布，每一類各個(gè)維度的正態(tài)分布組成一個(gè)多維的正態(tài)分布。其基本思想為，在圈定感興趣區(qū)的基礎(chǔ)上，計(jì)算其他區(qū)域的歸屬概率，從而得到影像分類結(jié)果。具體實(shí)現(xiàn)步驟為，計(jì)算各個(gè)類別的所有像元的光譜特征的均值、方差等參數(shù)，構(gòu)成分類函數(shù)，將未分類像元的光譜特征代入各個(gè)感興趣區(qū)的分類函數(shù)，在所有返回值中取最大值，把此未分類的像元分入取最大值的一類，從而得到分類結(jié)果。

設(shè)數(shù)據(jù)集中有s個(gè)類別，用ω1，ω2，…，ωs來表示，每個(gè)類別的發(fā)生概率即先驗(yàn)概率分別為P(ω1)，P(ω2)，…，P(ωs)，設(shè)有待分類別樣本X，其條件概率分別為P(X|ω1) ，P(X|ω2) ，…，P(X|ωs)，根據(jù)貝葉斯公式得到樣本X出現(xiàn)的后驗(yàn)概率，即

(1)

然后以樣本X出現(xiàn)的后驗(yàn)概率值作為判別函數(shù)來決定樣本X的類別歸屬。通過簡(jiǎn)化，得到最大似然分類準(zhǔn)則： 若

(2)

則X∈ωi?？傮w來說就是把先驗(yàn)概率P(ωi)轉(zhuǎn)化為后驗(yàn)概率P(ωi|X)，最后以后驗(yàn)概率最大的類別作為樣本X的類別歸屬。

利用ENVI5.3軟件計(jì)算感興趣區(qū)域(region of interest，ROI)可分離性，用定量的方式來驗(yàn)證樣本，閾值設(shè)定為1.8。

3 結(jié)果與分析

在對(duì)研究區(qū)高分二號(hào)影像進(jìn)行預(yù)處理的基礎(chǔ)上，經(jīng)過人工解譯、實(shí)地驗(yàn)證，選取部分樣本作為訓(xùn)練樣本和測(cè)試樣本，對(duì)比了面向?qū)ο蠛妥畲笏迫?種監(jiān)督分類方法的效果。

3.1 分類結(jié)果

用訓(xùn)練樣本作為輸入,采用面向?qū)ο蠛妥畲笏迫?種方法對(duì)影像進(jìn)行了分類。面向?qū)ο蟮姆诸惤Y(jié)果如圖3所示，最大似然分類結(jié)果如圖4所示。

(a) 原圖 (b) 總分類圖 (c) 農(nóng)田 (d) 水體

(e) 公路 (f) 調(diào)整用途 (g) 建設(shè)占用 (h) 荒地

(a) 原圖 (b) 總分類圖 (c) 農(nóng)田 (d) 水體

(e) 公路 (f) 調(diào)整用途 (g) 建設(shè)占用 (h) 荒地

3.2 分類精度評(píng)價(jià)

本研究利用驗(yàn)證樣本驗(yàn)證了面向?qū)ο蠓椒ê妥畲笏迫环椒ǖ姆诸惥?。面向?qū)ο蠓椒ǖ姆诸惥冗_(dá)到98.684 7%，Kappa系數(shù)為0.983 3，具體如表5所示； 而最大似然方法的分類精度則為78.587 1%，Kappa系數(shù)為0.718 0，具體如表6所示。

表5 面向?qū)ο蠓诸惤Y(jié)果混淆矩陣

表6 最大似然分類結(jié)果混淆矩陣

4 結(jié)論與討論

1)基于面向?qū)ο蟮耐恋乩梅诸惙椒ǖ膬?yōu)勢(shì)是充分利用了地物的紋理特征、幾何特征和光譜特征。本研究選擇廣東東莞地區(qū)作為研究區(qū)，采用2017年2月15日的高分二號(hào)遙感影像為數(shù)據(jù)源，首先，對(duì)高分二號(hào)數(shù)據(jù)進(jìn)行了人工解譯； 然后，對(duì)疑似圖斑進(jìn)行實(shí)地驗(yàn)證，選取部分經(jīng)驗(yàn)證的樣本作為訓(xùn)練樣本和測(cè)試樣本； 最后，采用面向?qū)ο蠛妥畲笏迫?種方法進(jìn)行分類和對(duì)比研究。實(shí)驗(yàn)結(jié)果證明，實(shí)地驗(yàn)證結(jié)合面向?qū)ο蟮耐恋乩梅诸惙椒ň容^高，適合高標(biāo)準(zhǔn)農(nóng)田建后利用情況的遙感監(jiān)測(cè)的需求。

2)本研究通過人工解譯和實(shí)地驗(yàn)證獲取樣本，不同的地物類型具有不同的樣本，樣本的質(zhì)量得到了提高，最終的分類精度也較高。本研究探索了面向?qū)ο笸恋乩眯畔⒌奶崛》椒?，?shí)驗(yàn)證明該方法切實(shí)可行，能高效、精準(zhǔn)地完成全國(guó)的高標(biāo)準(zhǔn)農(nóng)田建后監(jiān)測(cè)任務(wù)。通過推廣此方法可以為全國(guó)高標(biāo)準(zhǔn)農(nóng)田建成后的實(shí)時(shí)監(jiān)管提供高效、精準(zhǔn)的決策信息，為國(guó)家耕地保護(hù)、糧食安全工作提供技術(shù)支撐。本研究不足之處在于遙感影像自動(dòng)分割方面不夠精準(zhǔn)，以后可以引入分形理論進(jìn)行遙感影像自動(dòng)分割。