基于復(fù)雜地貌下的土地利用信息提取技術(shù)

陳興芳，尹繼鑫，郭德福

（1.西寧市測(cè)繪院，青海 西寧 810000）

遙感應(yīng)用技術(shù)是當(dāng)代信息提取方法中最具實(shí)效性與精準(zhǔn)性的方式之一，能夠?yàn)槌鞘幸?guī)劃，城市監(jiān)測(cè)等行為提供極其重要的數(shù)據(jù)支撐。在城市地區(qū)的高分辨率遙感圖像中，超過80%的目標(biāo)是人造結(jié)構(gòu)。人造物體范疇相對(duì)多樣，其中最具代表性的包括建筑，橋梁，道路等。人工物體因其復(fù)雜性，一直都是當(dāng)前遙感信息提取的難點(diǎn)及重點(diǎn)，打造更具針對(duì)性與先進(jìn)性的人工目標(biāo)識(shí)別系統(tǒng)，能夠?qū)τ谔嵘叻直媛蔬b感影像識(shí)別精準(zhǔn)度提供臂助之力[1-15]。

本研究區(qū)在陜西省西安市臨潼區(qū)地處關(guān)中平原，地貌特征極為復(fù)雜。近年來，國內(nèi)外學(xué)者利用eCognition進(jìn)行土地利用信息提取，取得了良好的模擬結(jié)果[1-5]。但是對(duì)于復(fù)雜地貌特征下的土地利用信息提取研究工作還比較少見。因此本研究基于eCognition 進(jìn)行土地利用信息提取研究具有十分重要的意義。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

本研究以西安市臨潼區(qū)為研究區(qū)，隸屬于陜西省西安市，位于關(guān)中平原之東，南換藍(lán)田縣，北換閻良區(qū)，西北換連咸陽市三原縣，西換高陵區(qū)，東換渭南市臨渭區(qū)，西南與灞橋區(qū)為界。介于109°05′49″～109°27′50″E， 34°16′49″～34°44′11″N 之間，總面積915 km2。著名的“世界第八大奇跡”秦始皇兵馬俑、“北京時(shí)間”的來源中國科學(xué)院國家授時(shí)中心就位于臨潼區(qū)。

1.2 數(shù)據(jù)來源

本文數(shù)據(jù)來源于分辨率為1 m 的全色圖像和分辨率為2.5 m 的多光譜IKONOS 衛(wèi)星圖像。 IKONOS 衛(wèi)星發(fā)射于1999 年，是世界范疇內(nèi)首例具有高分辨率衛(wèi)星圖像拍攝傳輸?shù)纳虡I(yè)遙感衛(wèi)星，能夠有效適用于地理信息的多頻次高頻率更新，采集范圍相對(duì)可觀，應(yīng)用實(shí)效性突出，影像覆蓋面積良好，后期維護(hù)處理難度低，適用于環(huán)境惡劣的山地海洋以及禁飛區(qū)等。其全色波段：0.55～0.90 μm；多光譜波段1（藍(lán)色）：0.55 ～0.53 μm；波段2（綠色）：0.52 ～0.61 μm；波段3（紅色）：0.65 ～0.72 μm；波段5（近紅外）：0.77～0.88 μm。

1.3 數(shù)據(jù)預(yù)處理

本研究在Erdas2013 中挑選一定數(shù)量的同名點(diǎn)，對(duì)影像進(jìn)行幾何校正，并對(duì)其進(jìn)行重采樣處理。對(duì)于遙感圖像進(jìn)行研究時(shí)，我們意識(shí)到其中全色遙感圖像與多光譜遙感圖像在分辨率方面具有極其明顯的差異性，通過分辨率融合的方式，能夠?qū)τ诔鞘型恋剡M(jìn)行深入剖析以及精準(zhǔn)區(qū)分，能夠?yàn)楹罄m(xù)研究測(cè)算奠定極其關(guān)鍵的圖像基礎(chǔ)與數(shù)據(jù)支撐。

2 影像分割參數(shù)和尺度

2.1 分割尺度確定

土地物體類型不同，其自然屬性以及社會(huì)功能亦具有明顯的差異性，通過采用最優(yōu)分割尺度，能夠最大化研究對(duì)象特征的趨同性與類同性。其中重點(diǎn)關(guān)注于圖像分辨率以及真實(shí)對(duì)象，能夠最大化避免由于過分割和欠分割導(dǎo)致的信息提取誤差。

分割比例10～20 時(shí)，其適用于對(duì)于獨(dú)立植被以及公園等狹窄小道的提取。

分割規(guī)模為30～50 時(shí)，提取建筑信息是有利的。

分割尺度為60 ～100 時(shí)，有利于提取植被中的草地和森林面積以及道路信息。

分割范圍是100～120 時(shí)，提取水信息是有利的。

分割尺度200 時(shí)，很容易導(dǎo)致過分割出現(xiàn)，有悖于信息提取。

綜上，想要提升圖像分割精準(zhǔn)度，找到有效合理的分割參數(shù)以及分割尺度必不可少。實(shí)驗(yàn)過程中，某種類型對(duì)象的特征信息往往需要通過不同分割對(duì)象層進(jìn)行交叉呈現(xiàn)。但在提取城市土地利用信息時(shí)，分割和提取道路和建筑物非常困難。道路上的車輛，兩側(cè)的綠樹和高層建筑的陰影對(duì)道路信息提取有很大影響，這使得圖像對(duì)象的性能特征不明顯。由于在城市建筑中增加了許多時(shí)尚元素，建筑物的形狀多樣化，僅利用圖像信息難以獲得良好的分割效果。高分辨率圖像信息資源以及類似極其多樣，因而致使過分割以及欠分割情況頻繁發(fā)生。針對(duì)過度分割，并在分割的信息提取的精度，本文采用多層次，多尺度分割使用最優(yōu)的參數(shù)和不同的權(quán)重因子，從而達(dá)到相對(duì)高質(zhì)量的信息提取效果。

2.2 分割參數(shù)確定

在eCognition 中創(chuàng)建工程，選擇實(shí)驗(yàn)區(qū)域并進(jìn)行多尺度分割實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明對(duì)于不同類型的對(duì)象，分割參數(shù)也不同，用于獲取圖像對(duì)象的分割尺度也不同。圖像對(duì)象反映的信息直換影響對(duì)象提取的效果，因此有必要設(shè)置合理的分割參數(shù)。以下是分割尺度為40，不同形態(tài)因子和緊致度因子的道路分割結(jié)果，其差異性如圖1 所示。

圖1 分割參數(shù)結(jié)果對(duì)照?qǐng)D

表1 形狀與緊致度系數(shù)參數(shù)

通過表1 比較可以發(fā)現(xiàn)，隨著形狀因子的增加，道路圖像對(duì)象逐漸變得清晰，符合自身特點(diǎn)，呈線性。但隨著compct 因子的增加，圖像對(duì)象逐漸變得均勻，沒有明顯的形狀特征。對(duì)于不同類型的對(duì)象，特定參數(shù)的設(shè)置是不同的。在信息提取范疇中，倘若對(duì)象同譜異物現(xiàn)象凸出，則可以對(duì)其展開二次分割從而便于提升精準(zhǔn)度?？傊?，最好的方法是最大限度地顯示提取的信息。

3 土地利用信息提取

3.1 層次結(jié)構(gòu)網(wǎng)法

本文設(shè)計(jì)的分層網(wǎng)絡(luò)方法可以有效地解決上述問題。高分辨率影像所反映出的地物類型多，同譜異物現(xiàn)象凸顯，用同樣的分割尺度和分割參數(shù)無法將所有的地物類型區(qū)分出來，采用逐層分割分類，可以從粗到細(xì)將多種目標(biāo)地物逐層分解出來。

1）以高分辨率遙感圖像作為研究基體，依據(jù)不同尺度展開有序分割，且對(duì)象層遵循自低至高的原則。選擇要提取的對(duì)象類型的多個(gè)圖像對(duì)象層。

2）圖像對(duì)象是特征來源，對(duì)象不同，特征同樣具有差異性，由此可知可以通過分割圖像對(duì)象實(shí)現(xiàn)特征的不同表達(dá)。鑒于這種差異，設(shè)計(jì)了一種自上而下的方法，通過使用與類相關(guān)的特征來提取信息，從而達(dá)到逐步改進(jìn)的效果。

3）提取某個(gè)對(duì)象的信息后，在小規(guī)模的對(duì)象上顯示相對(duì)完整的結(jié)果。如果我們繼續(xù)在現(xiàn)有對(duì)象級(jí)別上執(zhí)行其他對(duì)象類型的分類，則當(dāng)它被分成最低級(jí)別時(shí)將不可避免地出現(xiàn)重復(fù)的分類現(xiàn)象，這將導(dǎo)致錯(cuò)誤分類現(xiàn)象。鑒于此，在提取某個(gè)對(duì)象信息之后，應(yīng)該合并圖像對(duì)象然后分割兩次，并再次對(duì)未分類的對(duì)象進(jìn)行分類，直到對(duì)所有類型的對(duì)象進(jìn)行分類。

依據(jù)結(jié)果可知，分層網(wǎng)絡(luò)方法對(duì)于提升信息提取精準(zhǔn)度具有積極作用，同時(shí)能夠盡可能緩解由于“過分割”以及“分割不足”情況導(dǎo)致的信息提取困難。此外，分類器設(shè)計(jì)得很好，不會(huì)導(dǎo)致規(guī)則集報(bào)告錯(cuò)誤，其亦是直換決定著高精度信息提取的可行性與誤差性。

為了進(jìn)一步夯實(shí)信息提取的可行性，避免誤差破壞精準(zhǔn)度，本文采用了更具針對(duì)性的分層網(wǎng)絡(luò)方法。以下是利用分層網(wǎng)絡(luò)方法逐步從上到下提取植被信息，可以實(shí)現(xiàn)更完美的提取效果。

3.2 植被信息提取

本文以層次結(jié)構(gòu)網(wǎng)絡(luò)法作為切入點(diǎn)，依據(jù)自定義特征NDVI、SAVI、DVI、MSAVI 實(shí)現(xiàn)對(duì)于植被信息的多方面多角度多層次提取。同時(shí)真正意義上實(shí)現(xiàn)分類信息由父對(duì)象至子對(duì)象的遺傳轉(zhuǎn)移，其中子對(duì)象亦可反作用于父對(duì)象，起到重要的輔助補(bǔ)足作用，提取效果如圖2 所示。圖2 能夠?qū)崿F(xiàn)有效認(rèn)知層次結(jié)構(gòu)法分類的積極作用，規(guī)避了傳統(tǒng)大尺度分割中由于分割缺失引發(fā)的混合像元影像現(xiàn)象，極大程度豐富了植被信息的全面性與準(zhǔn)確性。如圖2 所示，植被更多覆蓋于綠地，公園，廣場(chǎng)，山河湖泊附近，在綠化帶范疇亦是頗多表現(xiàn)，基本于地理空間特征相類似。

圖2 植被信息提取結(jié)果圖

3.3 水體信息提取

實(shí)驗(yàn)區(qū)域具有獨(dú)特性，很容易造成以偏概全情況出現(xiàn)，因此為進(jìn)一步夯實(shí)信息準(zhǔn)確率，便于信息提取，本文將對(duì)于水體展開三步劃分：

第一步，提取范疇為非建設(shè)用地時(shí)，主要提取方式為自定義，輔助以紋理判定，其信息重心在于水體信息；第二步，從光譜信息來看，陰影憑借其相似性很容易對(duì)于河流信息造成干擾，這就需要對(duì)于可能對(duì)于水體信息進(jìn)行干擾的陰影信息展開篩選剔除，其關(guān)鍵點(diǎn)在于陰影呈現(xiàn)為不規(guī)則性；第三步，水體信息提取基本結(jié)束，需要注意水體部分中存在一定比例的淺水區(qū)域，需要依據(jù)紅波段比值的方式展開進(jìn)一步篩選。上述提取結(jié)束后，水體信息已相對(duì)完整，隨后需要對(duì)于其他分級(jí)信息進(jìn)行再次提取。

3.4 建筑信息提取

以建筑物作為提取基體，我們認(rèn)識(shí)到其顯著特征在于房屋頂部可以分為亮屋頂以及暗屋頂兩類，其區(qū)分方式在于提取光譜信息，輔助以幾何提取以及紋理提取等等。如圖3 所示。

圖3 建筑物信息提取圖

亮屋頂往往能夠進(jìn)行更具清晰性與準(zhǔn)確性的提取運(yùn)用，暗屋頂則受困于道路等其他附屬信息的干擾，提取精度難，想要延緩甚至規(guī)避這種不利條件，可以輔助以形狀，紋理等多方面的特征搜集。

3.5 道路信息提取

在城市建設(shè)中，保護(hù)性植被一般分布在道路兩側(cè)，保護(hù)性植被的幾何特征與道路相似。想要進(jìn)一步完善道路信息提取方面的精準(zhǔn)度，必須進(jìn)一步挖掘植被信息中可能對(duì)于反饋道路信息具有重要幫助的部分，盡可能規(guī)避植被信息對(duì)于道路信息搜集造成的負(fù)面干預(yù)。提取之后的植被信息應(yīng)該及時(shí)覆蓋于新地圖，并且以多尺寸分割的方式對(duì)于建設(shè)用地進(jìn)行有效劃分，最終依據(jù)分層結(jié)構(gòu)方法以及類相關(guān)特征分類分層獲取有效的道路信息。

4 土地利用信息提取結(jié)果

4.1 分類成果

本文秉持理論與實(shí)踐結(jié)合的理念，圍繞城市土地利用信息提取進(jìn)行探討，初期分類成果如圖4 所示。依據(jù)分類種類差異性以及需求差異性展開探究，結(jié)果較為清晰準(zhǔn)確，基本能夠符合提取期望。

圖4 土地利用分類成果圖

4.2 結(jié)果導(dǎo)出

在eCognition 中提取土地利用信息后，為了進(jìn)行后續(xù)審查和使用，有必要輸出分類信息提取結(jié)果，然后將其與地理信息系統(tǒng)進(jìn)行分析和應(yīng)用。

4.3 精度評(píng)價(jià)與分析

面向?qū)ο蠓诸惙椒ň哂胁豢商娲姆e極作用，為了進(jìn)一步印證其理論優(yōu)勢(shì)與實(shí)踐作用，本文將以示例影像作為研究基體，并采用Erdas 監(jiān)督分類的方式，對(duì)其精度數(shù)值展開綜合評(píng)價(jià)，提升對(duì)比效果。

4.3.1 基于監(jiān)督分類的精度評(píng)價(jià)

經(jīng)過監(jiān)督分類，其結(jié)果分類完畢，按照類別不同進(jìn)行精度評(píng)定。主要利用Erdas 隨機(jī)取樣的方式展開測(cè)算，經(jīng)計(jì)算，監(jiān)督分類在植被信息搜集方面，其精準(zhǔn)度高至較為可觀的87.50%，然而對(duì)于交通設(shè)置用地展開搜集的精準(zhǔn)度僅能勉強(qiáng)達(dá)到50%，至于居民點(diǎn)建設(shè)用地信息搜集的精準(zhǔn)度只有28.57%，土地利用信息無法進(jìn)行有效歸納，難以進(jìn)行有效利用，信息提取應(yīng)用依舊存在較大缺失。

4.3.2 面向?qū)ο蟮木仍u(píng)價(jià)

采用eCognition 對(duì)于面向?qū)ο蟮姆诸愡M(jìn)行測(cè)算歸納，根據(jù)其自身具備的分類精度范疇進(jìn)行挑選，選取分類穩(wěn)定性評(píng)價(jià)以及誤差矩陣作為切入點(diǎn)，盡可能保障評(píng)價(jià)精確性與實(shí)踐性。經(jīng)計(jì)算，一級(jí)信息提取方面總精度達(dá)到99.4%，kappa 系數(shù)為96.5%；在第二類信息提取中，總精度為78.5%，kappa 系數(shù)為72.2%；在第三類信息提取中，總精度為94.6%，kappa 系數(shù)為73.3%。對(duì)于對(duì)象類別的特定特征，提取的準(zhǔn)確性是相當(dāng)大的，這可以在上述精度評(píng)估圖中參考?；诿嫦?qū)ο笈c基于像元的分類結(jié)果，不僅是分類精度的不同，面向?qū)ο蠓椒ǖ膬?yōu)勢(shì)在于將信息提取相關(guān)的特征從光譜擴(kuò)充到形狀、空間位置、層與層之間的關(guān)系。

5 結(jié) 語

本文主要研究西安市臨潼區(qū)的圖像信息提取，在了解地理情況和圖像數(shù)據(jù)特征的基礎(chǔ)上，通過基于特征點(diǎn)和空間分辨率融合的幾何精確校正對(duì)高分辨率遙感圖像進(jìn)行預(yù)處理。研究表明eCognition 在復(fù)雜地貌特征下具有良好的適用性，對(duì)于國內(nèi)外其他類似復(fù)雜地貌下的研究具有重要的借鑒意義。