基于多源遙感數(shù)據(jù)融合的土地利用類型信息提取研究

李 濤，顏 偉

（貴陽市森林資源管理站，貴州貴陽 550003）

遙感作為一種遠(yuǎn)距離的、非接觸的目標(biāo)探測技術(shù)和方法，具有多平臺、多波段、多層次等特點和信息量豐富、信息獲取周期短、實時性和動態(tài)性強等優(yōu)勢。它可以探測目標(biāo)，獲取信息，并通過加工處理后，定位、定性和定量地描述目標(biāo)。土地利用類型信息可以應(yīng)用遙感技術(shù)來獲取，并能夠?qū)ζ溥M行相關(guān)的地學(xué)分析、專題圖制作等，使得遙感技術(shù)在土地利用類型分類領(lǐng)域有著不可比擬的優(yōu)勢，因此，利用遙感數(shù)據(jù)提取土地利用類型信息是土地利用類型分類的重要手段。

目前，運用遙感數(shù)據(jù)定量提取研究區(qū)土地利用信息在大尺度區(qū)域土壤侵蝕等環(huán)境科學(xué)研究領(lǐng)域中越來越重要[1]。但是，在土地利用類型分類中，存在數(shù)據(jù)源和提取方式的局限性。主要問題表現(xiàn)在數(shù)據(jù)量較少，數(shù)據(jù)源單一，多為光學(xué)遙感，較少運用雷達(dá)數(shù)據(jù)，光譜性不豐富，分辨率有待提高。進行多源遙感數(shù)據(jù)融合可以富集多種傳感器遙感信息[2]，利用多源遙感信息的冗余性和互補性，可以最大限度地描述目標(biāo)或場景信息[3-4]。CBERS 光學(xué)遙感光譜信息豐富，但空間分辨率較低，易受天氣影響，而ASAR 數(shù)據(jù)空間分辨率高，且受天氣影響和制約較小[5]，因此，把CBERS 和ASAR 遙感數(shù)據(jù)進行融合，可以把CBERS 光學(xué)遙感數(shù)據(jù)和ASAR 雷達(dá)遙感數(shù)據(jù)形成優(yōu)勢互補，從而提高目標(biāo)的識別、分析、解譯能力[6-7]。

本研究以CBERS 和ASAR 數(shù)據(jù)為多源遙感數(shù)據(jù)源，采用HPF 像素級融合法進行數(shù)據(jù)融合，然后分別運用融合前后數(shù)據(jù)提取鎮(zhèn)寧縣土地利用類型信息，對比分析數(shù)據(jù)融合前后土地利用類型信息的相對誤差，比較融合前后土地利用類型的提取效果。研究結(jié)果對土壤侵蝕較為嚴(yán)重，生態(tài)環(huán)境比較脆弱的典型巖溶地區(qū)鎮(zhèn)寧縣的土地利用類型信息提取具有重要指導(dǎo)意義。此外，土地利用類型作為土壤侵蝕的重要評價因子[8-11]，也是構(gòu)建研究區(qū)土壤侵蝕模型的主要參數(shù)[12-15]。因此，基于多源遙感數(shù)據(jù)的土地利用類型信息提取研究，可以為大區(qū)域土壤侵蝕信息中土地利用類型信息的提取提供參考，對大尺度研究區(qū)域土壤流失情況的分析評價具有重要的意義[16-20]。

1 研究區(qū)概況

鎮(zhèn)寧縣地處貴州中部丘原西南部，位于東經(jīng)105°35′10″～106°0′50″，北緯25°25′19″～26°10′32″。全縣國土面積1713.3km2，地勢北高南低，坡度變化較大，海拔356～1678m，以亞熱帶氣候為主，屬南亞熱帶濕潤季風(fēng)氣候區(qū)。鎮(zhèn)寧縣是典型的巖溶地區(qū)，山地面積1098km2，丘陵面積157.8km2，分別占全縣總面積的64.08%和9.21%。巖溶地貌分布廣，占全縣總面積60%以上。基巖多為石灰?guī)r、砂頁巖、白云質(zhì)石灰?guī)r、硅質(zhì)灰?guī)r，其土壤多為黃壤、紅黃土壤和黑色石灰土。

2 材料與方法

2.1 數(shù)據(jù)來源

以CBERS 數(shù)據(jù)與ASAR 數(shù)據(jù)作為多源遙感數(shù)據(jù)源。CBERS 數(shù)據(jù)來源于資源環(huán)境云平臺（http：//www.resdc.cn），ASAR 數(shù)據(jù)來源于歐空局（https：//earth.esa.int/），另外，選取30m 分辨率的DEM 數(shù)據(jù)作為輔助分類數(shù)據(jù)。CBERS 影像波譜數(shù)多，具有清晰度較好和幾何精度較高等優(yōu)點，但也存在一定程度的條紋錯位，抗大氣干擾能力較差等缺點。ASAR 影像空間分辨率高，具有全天候、對表面和云層的穿透性和信息載體多樣性特點。

2.2 影像預(yù)處理

CBERS 數(shù)據(jù)采用軟件ENVI5.0 軟件，先對前4 個波段進行合成，影像投影選用UTM 方式，選取的地面控制點（GCP），對第5 波段進行幾何校正和融合，然后用鎮(zhèn)寧縣矢量數(shù)據(jù)對CBERS 影像裁剪，最后對裁剪的數(shù)據(jù)進行圖像變換和增強處理，生成研究區(qū)CBERS 影像。ASAR 數(shù)據(jù)通過斑點噪聲的去除處理后，然后進行影像定標(biāo)、濾波和幾何校正處理，裁剪研究區(qū)ASAR 影像，并用HPF（高通濾波融合）融合方法對研究區(qū)范圍內(nèi)的CBERS 和ASAR 遙感影像進行融合，生成HPF融合數(shù)據(jù)。

2.3 土地利用類型分類方法

本研究采用了ISODATA 非監(jiān)督分類法對研究區(qū)進行分類非監(jiān)督分類，利用eCognition 建立分類層次，并對每一類地物定義樣本和特征空間作為分類參考依據(jù)，根據(jù)圖像本身的統(tǒng)計特征及自然點群的分布來進行分類。根據(jù)研究對象和國家土地利用分類系統(tǒng)標(biāo)準(zhǔn)[21]，將土地利用類型分為草地、建筑或巖石、山體、坡耕地、有林地、其它林地、水體、空地8 類。

2.4 分類結(jié)果評價方法

精度評價中，采用抽樣方式以部分像元或部分類別代替整幅圖像來進行圖像的精度評價。圖像精度是指一幅不知道其質(zhì)量的圖像和一幅假設(shè)準(zhǔn)確的參考圖像或者地面真實樣本訓(xùn)練區(qū)圖像之間的吻合程度。建立誤差矩陣（或稱混淆矩陣），以此計算各種統(tǒng)計量并進行統(tǒng)計檢驗，最終給出對于總體的和基于各種地面類型的分類精度值，本研究采用制圖精度、用戶精度、漏分誤差和錯分誤差4 個指標(biāo)。

2.4.1 制圖精度。假定地表真實為A 類，分類器能將一幅圖中的像元歸為A 類的可能性。它用于反映生產(chǎn)這張圖的方法的好壞。

式中，PAj為百分比，PAarea為PA面積，Pjarea為Pj面積。

2.4.2 用戶精度。假定分類器將像元歸到A 類，相應(yīng)的地表真實類別是A 的可能性。它反映分類圖中各類別的可信度，即該圖的可靠性。

式中，PUi為百分比，PUarea為PU面積，Piarea為Pi面積。

制圖精度和用戶精度對應(yīng)的是漏分誤差和錯分誤差。漏分誤差顯示的是實際的某一類地物有多少被錯誤地分到其它類別，而錯分誤差顯示的則是圖像中被劃為某一類地物實際上有多少應(yīng)該是別的類別，漏分誤差與制圖精度互補，錯分誤差與用戶精度互補。

分別在影像CBERS 影像和HPF 融合影像上選取代表8 種土地利用類型采樣點各1 個，共計16 個采樣點，每個采樣點面積為667m2；制定采樣點土地利用類型外業(yè)調(diào)查核實內(nèi)容記錄表；開展采樣點外業(yè)調(diào)查核實工作，詳細(xì)記錄土地利用類型信息數(shù)據(jù)，匯總統(tǒng)計采樣點數(shù)據(jù)建立由制圖精度、用戶精度、漏分誤差和錯分誤差4 個指標(biāo)形成的誤差矩陣，對CBERS 影像和HPF融合影像提取土地利用類型信息結(jié)果進行分析和評價。

3 結(jié)果與分析

3.1 提取結(jié)果

基于CBERS 影像和HPF 融合影像提取的土地利用類型分類圖。

圖1 CBERS 影像的土地利用類型分類圖

圖2 HPF 融合影像的土地利用類型分類圖

表1 基于CBERS 影像和HPF 融合影像的土地利用類型信息提取結(jié)果誤差矩陣

3.2 分類結(jié)果精度分析

3.2.1 基于CBERS 影像提取土地利用類型信息結(jié)果及分析。表2 所示，基于CBERS 影像提取的土地利用類型信息結(jié)果：除了草地類型和其它林地類型精度比較低外，其他類型精度都比較高，分類效果比較好。建筑或巖石制圖精度為94.5%，用戶精度為96.9%；水體制圖精度和用戶精度均為100%；坡耕地制圖精度為92.1%，用戶精度為88.2%；有林地制圖精度為91.8%，用戶精度為87.9%；山體制圖精度為96.7%，用戶精度為100.0%；空地制圖精度為90.4%，用戶精度為89.9%。由表1 可知，草地類型制圖精度比較低，漏分現(xiàn)象比較嚴(yán)重，即將屬于草地類型的像元劃分為其它林地較多，但用戶精度較高，錯分誤差較小，主要原因是CBERS 光譜特征表現(xiàn)在影像上，各土地利用類型紋理，色調(diào)較為明顯，容易區(qū)分；其它林地用戶精度較低，錯分誤差達(dá)到了15.5%，錯分現(xiàn)象比較嚴(yán)重，主要原因是其它林地與有林地有一些混淆，灌木林地與喬木林地區(qū)域影像邊界不明顯，導(dǎo)致錯分。

表2 基于CBERS 影像和HPF 融合影像的土地利用類型信息提取結(jié)果精度評價

3.2.2 基于HPF 融合影像提取土地利用類型信息結(jié)果及分析。表2 所示，基于HPF 融合影像提取的土地利用類型信息結(jié)果：各個土地利用類型制圖精度和用戶精度都較高，漏分誤差和錯分誤差都較小，分類效果較好。水體制圖精度和用戶精度均為100%；草地制圖精度為96.3%，用戶精度為98.5%；建筑或巖石制圖精度為98.7%，用戶精度為100%；山體制圖精度為97.5%，用戶精度為100%；坡耕地制圖精度為96.7%，用戶精度為98.6%；有林地制圖精度為98.2%，用戶精度為97.8%；其它林地制圖精度為96.3%，用戶精度為96.7%；空地制圖精度為100%，用戶精度為92.5%；所有土地利用類型的制圖精度和用戶精度都達(dá)到了96%以上。由表1 可知，只有其它林地和空地2 種類型容易出現(xiàn)錯分現(xiàn)象，存在錯分誤差，但誤差都較小，都小于10%，說明HPF 融合影像提取土地利用類型信息精度較高，跟融合影像分辨率較高和土地利用類型影像圖斑紋理、色調(diào)、邊界較清晰有關(guān)。

3.3 分類結(jié)果精度評價

總體上來說，HPF 融合影像提取土地利用類型信息效果好于CBERS 影像。從用戶精度來說，HPF 融合影像提取水體、建筑或巖石、山體3 種土地利用類型精度都能達(dá)到100%，而CBERS 影像只有山體類型達(dá)到了100%，說明HPF 融合影像提取土地利用類型范圍更廣；HPF 融合影像用戶精度都在90%以上，錯分現(xiàn)象不多，說明HPF 融合影像提取效果明顯優(yōu)于CBERS影像。從制圖精度來說，HPF 融合影像提取水體和空地類型，其精度達(dá)到了100%，CBERS 影像只有水體類型能達(dá)到100%；除水體類型外，其他土地利用類型的制圖精度方面，HPF 融合影像精度均高于CBERS 影像，說明HPF 融合影像漏分現(xiàn)象較少，提取土地利用類型信息效果較好。

4 結(jié)論與討論

本研究以CBERS 影像和HPF 融合影像為數(shù)據(jù)源進行HPF 遙感影像融合，采取ISODATA 非監(jiān)督分類法等方法提取鎮(zhèn)寧縣土地利用類型信息，結(jié)果如下：

（1）總體上，基于HPF 融合影像提取土地利用類型信息，漏分現(xiàn)象較少，提取土地利用類型信息效果較好。在提取水體類型方面，CBERS 影像和HPF 融合影像的精度都達(dá)到了100%，兩者效果相同；其它土地利用類型信息的提取，HPF 融合影像精度均高于CBERS影像，HPF 融合數(shù)據(jù)效果均優(yōu)于CBERS 數(shù)據(jù)。

（2）運用CBERS 和ASAR 影像進行HPF 融合，生成HPF 融合影像，并用HPF 融合影像提取土地利用類型信息是提高土地利用類型分類正確率的有效途徑之一，這一途徑對于巖溶地區(qū)同樣適用。