MESMA與面向對象組合的土地利用分類方法

任向宇，孫文彬，袁燁

(中國礦業(yè)大學(北京) 地球科學與測繪工程學院，北京 100083)

0 引言

土地利用是進行土地管理、規(guī)劃的重要依據(jù)[1]。傳統(tǒng)土地利用調查主要采用人工方式，存在耗時長、成本高、精度低等缺陷。而遙感有快速、準確等特點，已被廣泛應用到大、中尺度土地利用分類[2-3]。

基于像素和面向對象組合分類方法是常用遙感土地利用分類方法之一[4]。由于能充分利用基于像素和面向對象分類方法優(yōu)勢，組合方法已被廣泛應用于土地利用分類領域[5-12]。組合方法主要包括：分類過程組合和分類結果組合。與分類過程組合方法相比，分類結果組合有易實現(xiàn)、效率高、分類效果直觀等優(yōu)勢。

但現(xiàn)有組合分類方法忽視混合像元對分類精度的影響，為此，本文引入多端元混合像元分解(multiple endmember spectral mixture analysis，MESMA)技術提取豐度特征，將豐度特征應用到基于像素分類，改善混合像元所致地物邊界分類不精確的問題，并將基于像素與面向對象分類結果組合，在抑制“椒鹽現(xiàn)象”的同時，提高土地利用分類精度。本文以內蒙古自治區(qū)鄂爾多斯市烏審旗納林河二號礦井區(qū)域為研究對象，利用Landsat-8影像進行土地利用分類研究，以期實現(xiàn)地物精細分類，提高分類精度。

1 研究區(qū)概況與數(shù)據(jù)來源

納林河二號井田位于內蒙古自治區(qū)鄂爾多斯市烏審旗，其地理范圍為108°51′30″E～109°00′00″E，37°58′00″N～38°05′30″N。受內陸自然條件和人類長期畜牧、建設生產(chǎn)活動影響，該區(qū)域植被稀疏，水土流失和土壤沙化嚴重，具有生態(tài)脆弱敏感區(qū)典型特征。區(qū)域內包括耕地、林地、工礦用地、水域等，土地利用類型比較齊全，因此，本文選擇該區(qū)域為實驗區(qū)。

本文選用2018年7月25日Landsat-8影像進行土地利用信息分類提取。影像獲取時植被茂盛，與裸土可分性高。為提高影像分辨率，降低混合像元影響，本文對30 m多光譜與15 m全色波段數(shù)據(jù)進行融合，獲得15 m多光譜影像數(shù)據(jù)。按照《土地利用現(xiàn)狀分類標準(GB/T 21010—2007)》標準定義土地類別。在融合后影像數(shù)據(jù)上選取訓練及驗證樣本，利用同時段2.5 m天地圖影像確定樣本真值。樣本選取情況如表1所示。

表1 訓練樣點與驗證樣點

2 方法

2.1 技術流程

MESMA是一種混合像元分解方法，能夠提取混合像元各組分的豐度信息，降低混合像元對分類精度的影響。面向對象分類方法能將均質性像元合并為對象，有效避免像元噪音導致的“椒鹽現(xiàn)象”。為此，本文采用MESMA和面向對象的組合方法，以提高土地利用分類精度。分類實現(xiàn)流程為：首先，對Landsat-8影像進行預處理；然后，利用MESMA獲取的組分豐度特征進行基于像素分類；接著，基于分割尺度尋優(yōu)進行面向對象分類；最后，依據(jù)土地分類精度評價和組合優(yōu)先級原則進行最佳分類提取，疊加合成最優(yōu)土地利用分類結果。技術路線如圖1所示。

圖1 技術路線

2.2 基于像素分類

基于像素分類過程中，首先利用MESMA 提取豐度信息，然后在此基礎上選取光譜、紋理和豐度3種特征變量，最后使用隨機森林算法分類。

1)多端元混合像元分解。由于傳感器分辨率限制，中等分辨率遙感影像存在混合像元問題。MESMA可對混合像元中多種地物組分進行分解，通過為各類地物優(yōu)選多條光譜，建模反演求出分解后像元的端元比例，提取豐度信息，從而提高土地利用分類精度。

(1)光譜庫建立及端元選取?；赩IS模型建立光譜庫[13-14]，計算每條光譜的端元均方根誤差(endmember average RMSE，EAR)[15-16]和最小平均光譜角(minimum average spectral angle，MASA)[17]，其表達如式(1)、式(2)所示。

(1)

式中：a表示一類端元；n表示端元數(shù)目；ai表示光譜向量。

(2)

式中：n表示建模端元光譜的數(shù)量；θi，j表示2個光譜向量間的光譜角距離。

以EAR、MASA值均較低為原則，選取最優(yōu)端元光譜。

(2)端元組合模型豐度反演。利用最優(yōu)端元光譜建立組合模型(表2)，并將該模型應用于像元分解。光照變化造成的陰影組分需在建立端元組合模型時修正，其表達如式(3)所示。

fshade=1-fnoshade

(3)

式中：fshade表示陰影組分豐度值;fnoshade表示像元內非陰影組分豐度值之和。

表2 端元模型組合及數(shù)量

通過陰影歸一化生成植被、不透水面、裸土3種組分豐度圖像。其約束條件：非陰影組分豐度范圍為-0.05～1.05；最大允許陰影組分為0.8；最大均方根誤差(root mean squared error，RMSE)為0.025。

2)特征變量選取。光譜特征和紋理特征是遙感分類常用特征變量。利用光譜特征對地物顏色、灰度信息及波段亮度的比較達到分類目的。紋理特征作為圖像中體現(xiàn)灰度性質及空間拓撲關系的重要特性，與光譜特征結合可以獲得分類精度高、噪聲小的分類結果，豐度特征有助于解決混合像元問題，提升分類精度。因此，本文選取光譜、紋理、豐度3種特征變量參與分類。

光譜特征變量包括光譜波段變量(C、B、G、R、NIR、SWIR1、SWIR2)和光譜指數(shù)變量(NDVI、MNDWI)，其中NDVI有利于植被提取，MNDWI有助于水體提取。

紋理特征變量基于灰度共生矩陣(grey-level co-occurrence matrix，GLCM)選取，分別計算7個光譜波段變量的同質性、均值、方差、二階矩等8種紋理特征[18]，獲得56個紋理特征變量，因其相關性較高，利用主成分變換(principal components analysis，PCA)數(shù)據(jù)降維，以避免數(shù)據(jù)冗余。為保證紋理特征信息量完整性，以特征值10為閾值選取前8個主成分變量(PC1～PC8)參與影像分類(圖2)。

圖2 主成分分析特征值

除光譜、紋理外，特征變量還包括豐度信息，豐度信息由混合像元分解得到，分別為植被豐度、不透水面豐度和裸土豐度。

3) 隨機森林分類。隨機森林分類算法集成了Bagging思想，通過對特征參數(shù)和決策樹數(shù)量的控制，可以解決決策樹固有的過擬合問題，實現(xiàn)針對復雜數(shù)據(jù)分類的并行和可擴展性，對噪聲和異常值有較好容忍性。大量理論和實證研究都證明隨機森林算法具有較高的預測準確率，因而在遙感領域廣泛應用。

2.3 面向對象分類

面向對象的分類方法具有很好的抗噪音效果，可以降低“椒鹽現(xiàn)象”發(fā)生概率，其過程可分為對象分割和分類提取。

手動試錯是面向對象分割尺度選取的常用方法，工作量大，效率低，且因沒有準確衡量標準，無法保證尺度最優(yōu)。因此，本文利用尋求局部方差變化率(rates of change of LV，ROC-LV)峰值的方法選擇最優(yōu)分割尺度。最終選取21、38、58、74、98這5個尺度參數(shù)進行多尺度分割(圖3)，各尺度對應分割對象數(shù)量分別為13 992、3 700、1 537、941、563。從分割對象數(shù)量可以看出，分割尺度為21時，對象數(shù)量激增，出現(xiàn)“過分割”現(xiàn)象；分割尺度為98時，對象數(shù)量過少，存在“欠分割”問題。

圖3 尺度尋優(yōu)結果

分割后，使用隨機森林分類算法對各尺度分割結果分類，通過精度驗證獲取最優(yōu)面向對象的分類結果。

2.4 最優(yōu)分類結果組合

以“在保證地物結構完整度的基礎上實現(xiàn)地物的精細分類”為原則，從面向對象和基于像素分類結果提取精度最高的8個類別合并為最終土地利用分類結果。由于各地物類別邊緣不重合，分類結果出現(xiàn)了少量無數(shù)據(jù)區(qū),因此，利用原始面向對象和基于像素整體精度最高的分類結果對無數(shù)據(jù)區(qū)進行填充。

3 結果分析

3.1 多端元混合像元分解結果分析

MESMA 最終解混比例為99.1%，說明本文端元模型組合成功識別絕大部分混合像元，解混效果好。對照遙感影像，提取的植被、裸土、不透水面輪廓清晰，界線分明，如圖4標注位置1的不透水面，位置2的裸土及位置3的植被。

圖4 多端元混合像元分解

為驗證MESMA技術解決混合像元問題的效果，本文對是否包含豐度特征2種情況分類比較。建設用地邊界是對地物細節(jié)分類最直觀的反映(見圖5(b)、圖5 (c)，位置對應圖4紅框標注)，不透水面豐度特征與植被豐度特征的雙重作用(圖4紅框標注)對道路、建筑物等建筑用地有較大影響，使其邊界更為清晰精準，錯分、漏分現(xiàn)象得到顯著改善。

圖5 局部分類結果比較

3.2 不同分類方法結果比較分析

由表3可知，隨機森林算法的分類精度要高于其他常用監(jiān)督分類和機器學習算法，在加入豐度特征后，如圖5所示，隨機森林分類精度在地物邊界精細部分小幅提升。由表4可知，分割尺度為58時，精度最高為91.38%，與基于像素結果相比，分類精度降低0.59%，說明對中等空間分辨率遙感影像，基于像素方法性能略優(yōu)于面向對象分類方法。

表3 基于像素分類精度評價

從視覺效果看，如圖6(e)、圖6 (f)，面向對象分類結果破碎度明顯降低，形狀一致性較高，噪聲像素減少，解決了基于像素分類方法的“椒鹽現(xiàn)象”。由分類混淆矩陣(表5、表6)可知，混分現(xiàn)象在MESMA+RF結果各地類間均有發(fā)生，在面向對象結果則集中在沙地和建設用地，主要因為部分沙地與草地分布交錯，較為破碎，而建設用地多呈條帶狀分布，這種分布方式會給面向對象方法在中等分辨率影像進行對象分割時造成影響，所以會造成沙地與草地、建設用地與灌木草地間的混分現(xiàn)象。

表4 面向對象分類精度評價

圖6 各尺度面向對象分類結果與MESMA+RF分類結果比較

表5 MESMA+RF分類混淆矩陣 %

表6 分割尺度為58時面向對象分類混淆矩陣 %

通過比較，選取基于像素MESMA+RF分類結果和分割尺度為58的面向對象結果進行組合分類。以本文選取的驗證樣本為基準，組合分類方法精度達到97.04%，相對基于像素和面向對象方法分類精度分別提高4.56%、5.66%。組合方法改善了混分現(xiàn)象(表5、表6、表7)，各地類分類準確性均得到明顯提高。從視覺效果看，組合方法分類結果比基于像素分類結果形狀一致性更好，地物邊界清晰，有效減少“椒鹽現(xiàn)象”(圖7(a)、圖7(b))；組合方法通過集成MESMA的優(yōu)勢，解決了面向對象方法無法對細小地物準確分類的問題，如圖7(c)、圖7(d)所示，細小河流被準確識別，輪廓清晰，結構完整。

表7 組合分類方法混淆矩陣 %

圖7 基于像素、面向對象和組合方法的分類結果比較

為進一步對本文所提組合分類方法進行評估，與文獻[9]的組合分類方法進行比較。該方法分別使用基于像素的最大似然法(MLC)和面向對象的標準最鄰近分類方法(SNN)進行土地利用分類，然后提取最優(yōu)分類結果，對提取的最優(yōu)分類結果疊加組合，其分類精度評價如表8所示。該組合方法分類精度為92.99%，分類精度低于本文方法。

表8 對比方法分類精度評價

4 結束語

本文針對傳統(tǒng)組合分類方法因忽視混合像元而導致分類精度低的問題，在融合基于像素和面向對象分類優(yōu)勢的基礎上，引入MESMA技術，提出一種組合分類方法，通過加入豐度特征，解決中等空間分辨率遙感影像分類的混合像元問題，同時基于面向對象方法的組合方式使分類結果避免了“椒鹽現(xiàn)象”，分類精度更高，地物邊界更清晰，視覺效果更好。與經(jīng)典的分類方法和組合方法進行對比實驗，實驗結果表明，本文的組合分類方法要優(yōu)于單一分類方法和傳統(tǒng)組合分類方法。

本文所提方法屬于基于分類結果組合方法，因研究時間有限，未對基于分類過程組合方法展開深入研究。分類過程組合方法雖然從對象層面對分類結果中混合對象進行考慮處理，一定程度上可以解決“椒鹽現(xiàn)象”，但通過判斷對象中比例最高類別進行賦類的處理方式會對地物邊界進行平滑，無法做到地物邊界精細分類。在今后的研究中，將嘗試在基于分類過程的組合方法中對混合像元解混，提高分類精度。