多時相遙感影像樣本遷移模型與地表覆蓋智能分類

杜培軍，林 聰，陳 宇，王 欣，張 偉，郭山川

（1. 南京大學(xué)地理與海洋科學(xué)學(xué)院，江蘇南京 210023；2. 自然資源部國土衛(wèi)星遙感應(yīng)用重點(diǎn)實(shí)驗(yàn)室，江蘇南京 210023；3. 中國礦業(yè)大學(xué)環(huán)境與測繪學(xué)院，江蘇徐州 221116；4. 成都理工大學(xué)地質(zhì)災(zāi)害防治與地質(zhì)環(huán)境保護(hù)國家重點(diǎn)實(shí)驗(yàn)室，四川成都 610059）

對地觀測衛(wèi)星提供了多譜段、多分辨率、多時相、海量的準(zhǔn)實(shí)時及存檔遙感影像，具備了大數(shù)據(jù)種類多、體量大、動態(tài)多變、高價值以及冗余模糊的“5V”特征［1］。雖然對地觀測數(shù)據(jù)在體量、時效性、分辨率等方面提升迅速，但遙感數(shù)據(jù)處理、分析以及進(jìn)一步感知、認(rèn)知的能力尚顯缺乏，影像信息智能提取與理解成為亟需解決的關(guān)鍵技術(shù)問題［2-4］。因此，突破遙感信息解譯的傳統(tǒng)模式，采用知識構(gòu)建多屬性的樣本庫，借助先進(jìn)機(jī)器學(xué)習(xí)方法的支持，從而高效利用海量遙感影像數(shù)據(jù)，將遙感數(shù)據(jù)轉(zhuǎn)化為知識，深化遙感在各個行業(yè)內(nèi)的應(yīng)用，是遙感信息科技發(fā)展的重要方向［1，5］。

地表覆蓋是地表各種物體的類型、狀態(tài)、特征與自然屬性的綜合體［6-7］。遙感影像是地表覆蓋分類的重要數(shù)據(jù)源［8］。在過去的幾十年內(nèi)，地表覆蓋遙感解譯在數(shù)據(jù)、策略、模型、計算能力、應(yīng)用等方面取得了重大的進(jìn)展［9］。機(jī)器學(xué)習(xí)方法已成為地表覆蓋分類制圖的重要技術(shù)手段［10］。

國內(nèi)外許多研究團(tuán)隊致力于大尺度地表覆蓋產(chǎn)品的研究，得到了一系列不同空間分辨率的全球尺度地表覆蓋產(chǎn)品。低分辨率數(shù)據(jù)覆蓋產(chǎn)品如：全球5km分辨率的34年連續(xù)年度地表覆蓋產(chǎn)品GLASSGLC［11］，全球1 km空間分辨率的IGBP DISCover地表覆蓋產(chǎn)品［12］，馬里蘭大學(xué)全球1km覆蓋數(shù)據(jù)集［13］，全球1km 覆蓋數(shù)據(jù)庫GLC2000［14］，MODIS 全球地表覆蓋類型產(chǎn)品等［15-16］。隨著Landsat 系列以及Sentinel-2 衛(wèi)星影像的廣泛應(yīng)用，30m 及更高分辨率地表覆蓋產(chǎn)品的生產(chǎn)成為新的研究重點(diǎn)。Gong等［17］制作了2010 年全球30m 地表覆蓋產(chǎn)品FROMGLC 2010，進(jìn)一步更新生產(chǎn)了FROM-GLC 2015 與FROM-GLC 2017，此后采用2014—2015 年Landsat 8全球影像標(biāo)記生成包含了約14萬樣本點(diǎn)的訓(xùn)練樣本集，對Sentinel-2 數(shù)據(jù)進(jìn)行分類得到了全球首套10m空間分辨率的地表覆蓋產(chǎn)品FROM-GLC10［18］。國家基礎(chǔ)地理信息中心于2014 年發(fā)布了GlobeLand30 V2000 與GlobeLand30 V2010，目 前GlobeLand30 V2020 已經(jīng)可以公開獲?。?9-20］。Zhang等［21］以已有全球地表覆蓋產(chǎn)品為基礎(chǔ)，自動生成時空光譜庫，生產(chǎn)了30m 分辨率全球精細(xì)地表覆蓋產(chǎn)品GLC_FCS30。

全球或大尺度的地表覆蓋產(chǎn)品為地表覆蓋分類研究提供了豐富的數(shù)據(jù)集。特別是對于基于監(jiān)督算法的地表覆蓋分類研究，通過對已有地表覆蓋產(chǎn)品的充分利用，可以挖掘潛在的訓(xùn)練樣本標(biāo)簽或分類規(guī)則，解決當(dāng)前地表覆蓋監(jiān)督分類選取高質(zhì)量訓(xùn)練樣本費(fèi)事費(fèi)力的問題。在這一背景下，以已有地表覆蓋產(chǎn)品為參考，充分利用產(chǎn)品中有效的知識，自動完成地表覆蓋制圖具有重要的實(shí)用價值。因此，探索樣本遷移方法在地表覆蓋動態(tài)制圖中的作用，推進(jìn)遙感影像的智能化解譯，支持大數(shù)據(jù)時代下的遙感影像數(shù)據(jù)處理、分析、理解與應(yīng)用，對以地表覆蓋為基礎(chǔ)的相關(guān)科學(xué)研究具有重要的意義。

遷移學(xué)習(xí)的主要思想是通過采用已有知識對不同但是相關(guān)的領(lǐng)域問題進(jìn)行求解［21］為多源多時相的地表覆蓋分類提供了更加低成本的解決方法，在遙感領(lǐng)域得到了廣泛的關(guān)注與研究［22-29］。領(lǐng)域適應(yīng)（Domain Adaptation，DA）是一類重要的遷移學(xué)習(xí)方法。遙感影像的領(lǐng)域適應(yīng)問題是將不同區(qū)域的影像或同一區(qū)域不同時相的影像考慮為源領(lǐng)域與目標(biāo)領(lǐng)域兩個部分，利用源領(lǐng)域中的知識訓(xùn)練分類器，解決目標(biāo)領(lǐng)域的影像分類問題［30］。領(lǐng)域適應(yīng)在遙感影像遷移學(xué)習(xí)中可以被劃分為四種類型，分別為不變特征選擇法［31-32］（DA by selecting invariant features）、數(shù) 據(jù) 分 布 適 應(yīng) 法［33-34］（DA by adapting data distribution）、分類器適應(yīng)法［35-36］（DA by adapting the classifier）與主動學(xué)習(xí)法（DA by active learning）［37-38］。上述的遷移學(xué)習(xí)算法往往比較復(fù)雜，難以在大尺度地表覆蓋制圖中應(yīng)用。而基于變化檢測的樣本遷移方法高效、簡便、魯棒性強(qiáng)，具備在大尺度地表覆蓋分類中廣泛應(yīng)用的潛力。

相比其他遷移學(xué)習(xí)方法，基于變化檢測的樣本遷移方法無需對源領(lǐng)域與目標(biāo)領(lǐng)域之間的特征或分類器進(jìn)行調(diào)整，通過確定雙時相/多時相影像之間的不變區(qū)域來降低目標(biāo)領(lǐng)域影像與源領(lǐng)域影像之間的統(tǒng)計分布差異?；谧兓瘷z測的樣本遷移方法在降低領(lǐng)域之間的分布差異上有較好的魯棒性，廣泛應(yīng)用于大尺度地表覆蓋分類研究，如聯(lián)合變化檢測與分類的地表覆蓋自動更新方法［39］、變化檢測驅(qū)動的遷移學(xué)習(xí)（Change Detection driven Transfer Learning，CDTL）方法［40］、面向?qū)ο蟮淖兓瘷z測與源領(lǐng)域樣本遷移［41］、時間序列影像變化檢測與不變區(qū)域參考地表覆蓋標(biāo)簽遷移［42］、源領(lǐng)域影像分類后驗(yàn)概率高置信度樣本標(biāo)簽選擇與遷移［43］、聯(lián)合深度學(xué)習(xí)與變化檢測的樣本遷移方法［44］等，以上方法均在應(yīng)用場景中取得了理想的樣本遷移與地表覆蓋更新制圖效果。但是這類樣本遷移方法大多基于準(zhǔn)確的源領(lǐng)域訓(xùn)練樣本，當(dāng)源領(lǐng)域訓(xùn)練樣本不夠準(zhǔn)確時，例如采用已有地表覆蓋產(chǎn)品作為類別標(biāo)簽，則缺乏降低不確定性的策略，目標(biāo)領(lǐng)域影像將難以獲得理想的地表覆蓋分類結(jié)果。

綜上，對于大尺度區(qū)域的多時相地表覆蓋分類，缺乏快速、自動化的樣本遷移方法。直接采用基于變化檢測的樣本遷移算法缺乏對源領(lǐng)域訓(xùn)練樣本不確定性的考慮。雖然綜合多源地表覆蓋產(chǎn)品可以提供更加可靠的訓(xùn)練樣本［45-46］，或是依賴時間序列的多源遙感信息來提高含噪聲樣本集下的地表覆蓋分類精度［47-48］，但是這些方法依賴過多的輸入數(shù)據(jù)，導(dǎo)致模型相對復(fù)雜，對大尺度區(qū)域或缺乏多源參考數(shù)據(jù)的歷史存檔數(shù)據(jù)的地表覆蓋分類應(yīng)用并不完全適用。因此，本文提出了一種快速的、輕量級的樣本遷移方法，依賴更少的數(shù)據(jù)輸入從地表覆蓋產(chǎn)品中自動獲得高質(zhì)量訓(xùn)練樣本，與基于變化檢測的多時相分類相結(jié)合，自動獲得高精度多時相地表覆蓋制圖截圖。研究以太湖流域?yàn)樵囼?yàn)區(qū)，提出一種幾何與光譜屬性約束下的無監(jiān)督樣本遷移算法，實(shí)現(xiàn)利用單景影像有效降低地表覆蓋產(chǎn)品的不確定性，研究基于產(chǎn)品和多時相影像的樣本遷移模型與自動分類框架，以期為長時間序列地理環(huán)境演變分析提供支持。

1 研究區(qū)和數(shù)據(jù)

1.1 研究區(qū)

研究區(qū)域包含太湖流域及周邊快速城鎮(zhèn)化地區(qū)，如圖1所示。太湖流域位于中國東部地區(qū)，處于長三角城市群的核心位置，包括了上海市、江蘇南部、浙江北部以及部分安徽地區(qū)，總面積約37 000km2，流域整體以平原地貌為主。太湖流域是長三角城市群重要組成部分，經(jīng)濟(jì)水平發(fā)達(dá)，城鎮(zhèn)化程度高，人類活動劇烈，地表覆蓋變化快速。

根據(jù)地表覆蓋產(chǎn)品GlobeLand30 的分類統(tǒng)計結(jié)果，研究區(qū)主要地表覆蓋類型為人工地表、耕地、水體、林地、草地和濕地，其他地類占比均低于0.03%。夜間燈光遙感數(shù)據(jù)通過觀測城鎮(zhèn)地區(qū)的人造光源信息來反映當(dāng)?shù)氐娜祟惢顒忧闆r和城鎮(zhèn)化水平［49］。分析研究區(qū)1992—2013 年間的多期DMSP-OLS 夜間燈光遙感數(shù)據(jù)（圖2）可知，該區(qū)域在1992 年就具備較好的城鎮(zhèn)化基礎(chǔ)，主要的大城市已經(jīng)具備一定城鎮(zhèn)化規(guī)模。1992—2007，研究區(qū)城鎮(zhèn)化進(jìn)展迅速，主要表現(xiàn)為大城市的持續(xù)擴(kuò)張以及小城市的迅速城鎮(zhèn)化，使得太湖流域內(nèi)的城市群有明顯一體化的趨勢。至2010年，太湖流域及其周邊地區(qū)已經(jīng)具有較高的城鎮(zhèn)化水平，2010—2013年期間，研究區(qū)的城鎮(zhèn)化仍在進(jìn)一步發(fā)展，城區(qū)范圍仍然有較為明顯的擴(kuò)展。綜上，研究區(qū)地表覆蓋類型復(fù)雜，地表覆蓋持續(xù)長時間地快速變化，是典型的快速城鎮(zhèn)化地區(qū)。

1.2 數(shù)據(jù)

選用的地表覆蓋產(chǎn)品為GlobeLand30 全球地表覆蓋產(chǎn)品，該產(chǎn)品基于POK的遙感影像制圖技術(shù)制作，研究采用了V2000以及V2010兩個年份的產(chǎn)品。GlobeLand30 產(chǎn)品分類的影像主要包括Landsat 的TM、ETM+以及OLI 傳感器的多光譜數(shù)據(jù)以及中國環(huán)境減災(zāi)衛(wèi)星（HJ-1）的多光譜數(shù)據(jù)，空間分辨率均為30m。GlobeLand30 產(chǎn)品組織開展了大量第三方的精度評價工作，評價得到V2010 產(chǎn)品的總體精度為83.50%，Kappa系數(shù)為0.78［50］。

研究區(qū)為包含太湖流域空間范圍的外接多邊形，試驗(yàn)區(qū)大小為9 752×8 074，共計78 737 648 個像元，需要6 幅Landsat 影像覆蓋，圖幅號分別為120/038、119/038、118/038、120/039、119/039 與118/039（圖1）。各個年份的影像采用當(dāng)年Landsat年度觀測序列中值合成，試驗(yàn)中選取的影像年份為1990年、1995年、2000年、2005年、2010年與2015年共計6期中值合成數(shù)據(jù)。經(jīng)過投影轉(zhuǎn)換與裁切等預(yù)處理，獲得試驗(yàn)區(qū)的多時相影像數(shù)據(jù)。

2 多時相樣本遷移模型與分類方法

2.1 方法原理與流程

高精度的地表覆蓋產(chǎn)品中存在部分可利用的類別標(biāo)簽，結(jié)合同一年份或相近時相的遙感影像生成訓(xùn)練樣本集，重復(fù)利用這些訓(xùn)練樣本，可以減少甚至完全避免手動標(biāo)記新的訓(xùn)練樣本。地表覆蓋產(chǎn)品可以視為土地斑塊與其對應(yīng)類別的集合，提供了類別信息與代表地表覆蓋空間連續(xù)性的土地斑塊信息。

地表覆蓋產(chǎn)品中的斑塊提供了一種有效的幾何約束，可以作為遷移與優(yōu)化原始地表覆蓋信息的一種先驗(yàn)局部空間單元?？紤]產(chǎn)品中的斑塊信息作為先驗(yàn)知識，提出一種針對地表覆蓋產(chǎn)品的樣本優(yōu)化遷移模型，在無需手動設(shè)置任何參數(shù)與選擇新訓(xùn)練樣本的前提下，利用單時相影像快速準(zhǔn)確地從地表覆蓋產(chǎn)品中獲取有價值的可利用樣本標(biāo)簽，替代傳統(tǒng)遙感影像監(jiān)督分類中的手動選取樣本的環(huán)節(jié)。將提出的樣本遷移模型嵌入多時相影像分類的算法中，快速獲得高精度多時相地表覆蓋制圖結(jié)果。

該方法主要包括三個步驟：

（1）以地表覆蓋產(chǎn)品斑塊為局部單元，遷移樣本標(biāo)簽：從斑塊單元的幾何約束確定地表覆蓋不確定性分析的計算單元，通過挖掘影像光譜屬性信息有效降低地表覆蓋產(chǎn)品的不確定性；

（2）以類別信息為全局單元，優(yōu)化樣本標(biāo)簽：考慮不同地物類型在特定特征空間內(nèi)的分布，從全局出發(fā)將不同地物類型分別構(gòu)建高斯混合模型（Gaussian Mixture Model，GMM），通過求解GMM的過程去除錯分斑塊以及步驟（1）帶來的錯誤標(biāo)簽；

（3）變化檢測與集成學(xué)習(xí)分類器協(xié)同獲取多時相地表覆蓋分類結(jié)果：通過變化檢測技術(shù)確定源影像與目標(biāo)遙感影像之間的不變區(qū)域，形成多時相目標(biāo)影像的訓(xùn)練樣本集，獲得多時相地表覆蓋分類結(jié)果。

為了方便描述方法與公式部分涉及的變量，對輸入的數(shù)據(jù)統(tǒng)一定義：令X=(X1，X2，…，Xq，…XQ)代表對同一區(qū)域重復(fù)觀測Q次的Landsat 多時相多光譜影像集，其中Xq∈RB×d代表由B個波段和d個像素組成的獲取于tq時間的Landsat多光譜影像；令M={Ω，p}代表tq時相的地表覆蓋產(chǎn)品，其中Ω=代表I種地表覆蓋類別的集合，而代表J個土地斑塊組成的集合，其中每個斑塊具有唯一的地表覆蓋類型。

2.2 局部單元樣本遷移方法

原始地表覆蓋產(chǎn)品中的多邊形信息難以直接作為幾何約束，主要原因有以下兩點(diǎn)：

（1）由于影像分類的椒鹽效應(yīng)，產(chǎn)品中存在一些細(xì)小的多邊形，不適合作為局部單元開展聚類算法；

（2）由于分類錯誤、后處理、以及地物真實(shí)分布，產(chǎn)品中存在由于斑塊聯(lián)合構(gòu)成大多邊形，使得局部單元的聚類算法難以收斂，屬于錯誤的幾何先驗(yàn)知識?；诖?，采用形態(tài)學(xué)開運(yùn)算預(yù)處理原始產(chǎn)品，使得細(xì)小的多邊形可以被去除，斑塊聯(lián)合構(gòu)成的多邊形可以被分解為有效的斑塊單元，形成有效的幾何約束。

為了有效約束斑塊單元內(nèi)的錯誤地表覆蓋信息，采用集成多種光譜指數(shù)特征的歸一化光譜向量［51］（normalized difference spectral vector，NDSV）作為聚類的特征輸入。該特征對于聚類算法有以下優(yōu)勢：

（1）NDSV 計算得到的光譜向量特征是歸一化且全局連續(xù)的，適合直接作為無監(jiān)督模型的輸入特征；

（2）NDSV 的每一維特征信息相互關(guān)聯(lián)，有助于分析復(fù)雜地表覆蓋環(huán)境下的各類地物的分布，增益聚類算法的相似性度量過程；

（3）該方法完整計算了所有的波段組合，保障了在聚類分析過程中有效約束斑塊單元內(nèi)的錯誤地表覆蓋信息。對于第d個像元而言，原始光譜特征為相應(yīng)的NDSV 基于式（1）計算為

式中：yd代表第d個像元的光譜特征向量為bB波段的反射率值波段與bB波段的歸一化差值。將計算得到的NDSV特征與地形特征（高程、坡度）組合，形成屬性約束特征集。

將K-means 作為基礎(chǔ)的聚類算法對逐個實(shí)施聚類分析，以第j個斑塊pj為例，其中pj由N個像元組成，則pj對應(yīng)的多光譜數(shù)據(jù)為Xpj=對應(yīng)的屬性特征集為Ypj={y1，y2，…，yn，…yN}。假設(shè)pj對應(yīng)的類別標(biāo)簽為ωu，為了從pj中分離出與ωu正確關(guān)聯(lián)的子集，將Ypj通過K-means 方 法 聚 類 劃 分 為Kj個 簇，K-means通過最小化平方誤差完成對簇的劃分，即

式中：E為平方誤差；Kj為預(yù)期劃分的簇數(shù)；yn為Ypj中n的第個特征向量為第k個簇，μk為的均值向量。

Kj是上述過程中唯一需要輸入的變量，且最優(yōu)的聚類簇數(shù)可以更好地劃分Ypj。通過計算Calinski-Harabasz（C-H）指數(shù)來尋優(yōu)每個局部單元內(nèi)的最優(yōu)簇數(shù)，C-H 指數(shù)通過方差比準(zhǔn)則（variance ratio criterion ，VRC）來評價聚類效果的好壞，在聚類結(jié)果的基礎(chǔ)上，計算總體簇間方差σB（overall betweencluster variance）與總體簇內(nèi)方差σW（overall withincluster variance），通過式（3）計算方差比：

式中：N為Ypj的特征向量的數(shù)目，Kj為聚類簇數(shù)，VKj為簇數(shù)為Kj下的方差比結(jié)果。通過定義簇數(shù)范圍，逐個計算VRC結(jié)果，將VRC最大值對應(yīng)的簇數(shù)作為當(dāng)前局部單元下的聚類簇數(shù)。

在幾何與屬性約束下，將每個局部單元內(nèi)的像素集合劃分為多個簇，將占比最多的簇保留并繼承原始地表覆蓋產(chǎn)品的類別標(biāo)簽［48］，遷移得到偽樣本集。之所以稱為偽樣本集，是考慮到地表覆蓋產(chǎn)品幾乎不可能保證每個斑塊都分類正確，因此當(dāng)前的樣本集中存在一定數(shù)量的錯誤，需要進(jìn)一步優(yōu)化。

2.3 全局樣本優(yōu)化方法

局部單元樣本遷移方法從地表覆蓋產(chǎn)品M={Ω，p} 中 獲 取 了 偽 訓(xùn) 練 樣 本 集Dpseudo={dp1，dp2，…，dpj，…，dpJ}。為了盡量剔除偽樣本集中錯誤的樣本，獲得一個優(yōu)化后的訓(xùn)練樣本集D（D∈Dpseudo），提出了一種基于高斯混合模型的全局樣本優(yōu)化方法。從全局影像特征出發(fā)，構(gòu)建高斯混合分布，從統(tǒng)計分布角度約束偽樣本集中的錯誤樣本。采用高斯混合模型分解的手段將偽樣本集劃分，保留正確分布，獲得目標(biāo)訓(xùn)練樣本集，自動完成樣本優(yōu)化的過程。

對Dpseudo按照對應(yīng)類別標(biāo)簽ωi進(jìn)行分解，在分類體系下將偽樣本表達(dá)為不同地類偽樣本集 的集合Dpseudo={Dω1，Dω2，…，Dωi，…DωI}。Dωi為類別ωi對應(yīng)的偽樣本集，可以視為ωi類與非ωi類的兩個高斯分布的混合，對Dωi構(gòu)建如下高斯混合模型：

其中pM(·)為概率密度函數(shù)，α1、μ1、Σ1分別為第一個高斯分布的混合系數(shù)、均值向量與協(xié)方差向量，α2、μ2、Σ2分別為第二個高斯分布的混合系數(shù)、均值向量與協(xié)方差向量。

選擇NDVI、MNDWI以及地形數(shù)據(jù)中的坡度特征作為關(guān)鍵特征，完成對地表覆蓋主要類別水體、人工地表、林地、草地以及耕地的全局優(yōu)化，具體優(yōu)化流程如圖4所示。

圖4 基于高斯混合模型的全局偽樣本優(yōu)化流程Fig.4 Global pseudo-sample optimization process based on Gaussian mixture model

2.4 多時相地表覆蓋分類

通過變化矢量分析（change vector analysis，CVA）結(jié)合大津法Otsu的變化檢測方法確定不變區(qū)域，傳遞不變區(qū)域的樣本標(biāo)簽，獲得待分類時相的訓(xùn)練樣本。采用隨機(jī)森林（random forest，RF）作為分類器完成多時相地表覆蓋分類制圖。由于研究中用于分類的訓(xùn)練樣本并非手動選擇，導(dǎo)致最終用于多時相分類的樣本中存在少量錯誤，另一方面，由于RF中的基分類器互相之間相關(guān)性較弱，各自的錯誤預(yù)測也應(yīng)該是幾乎不相關(guān)的，因此對RF通過對多個基分類器的集成學(xué)習(xí)可以提高最終分類的結(jié)果。其他的類似的集成學(xué)習(xí)方法也可以替代RF 完成本研究的分類任務(wù)。

3 結(jié)果與分析

對GlobeLand30 V2000 與2000 年中值合成影像、GlobeLand30 V2010 與2010 年中值合成影像分別執(zhí)行無監(jiān)督樣本遷移方法，得到2000年與2010年的訓(xùn)練樣本。通過變化檢測方法，將不變區(qū)域的樣本進(jìn)行傳遞，基于2000年的訓(xùn)練樣本得到1990年與1995 年的訓(xùn)練樣本，基于2010 年訓(xùn)練樣本的得到2005 年與2015 年的訓(xùn)練樣本。采用隨機(jī)森林作為分類器，只采用影像原始的多光譜數(shù)據(jù)與地形特征（高程、坡度）參與分類，將6個時相的訓(xùn)練樣本輸入分類器，得到6 個時相的地表覆蓋分類結(jié)果，如圖5所示。

圖5 太湖流域1990—2015年多時相地表覆蓋分類結(jié)果Fig.5 Multi-temporal land cover classification results in the Taihu Basin from 1990 to 2015

為了進(jìn)一步驗(yàn)證地表覆蓋分類結(jié)果的可靠性，定量評價各期地表覆蓋分類結(jié)果，基于GEE平臺的TimeSync+（TimeSync-Plus）工具結(jié)合Landsat影像時序信息來標(biāo)記驗(yàn)證樣本。在隨機(jī)生成樣本點(diǎn)的基礎(chǔ)上，在TimeSync+中獲得多期驗(yàn)證樣本點(diǎn)數(shù)據(jù)，將樣本點(diǎn)疊加在影像上進(jìn)行目視解譯的驗(yàn)證、刪除與增選，在2010 與2015 年選擇Google Earth 高分影像輔助上述過程，獲得多期驗(yàn)證樣本點(diǎn)數(shù)據(jù)，對地表覆蓋分類結(jié)果進(jìn)行精度評價。

表1為1990—2015 年共6 期的地表覆蓋分類精度評價結(jié)果。可以看出，2000年與2010年的總體精度超過91%，表明樣本遷移方法可以有效替代手動標(biāo)記樣本的過程，獲得高質(zhì)量的訓(xùn)練樣本。在只采用原始多光譜特征與地形特征的基礎(chǔ)上，其他年份的地表覆蓋分類精度也都在90%左右，因此提出的樣本遷移方法與多時相分類技術(shù)可以自動生成可靠的地表覆蓋分類結(jié)果。

表1 太湖流域1990—2015年年地表覆蓋分類精度評價結(jié)果Tab.1 Accuracy assessment results of the Taihu Basin from 1990 to 2015

為了進(jìn)一步驗(yàn)證比較提出方法的可靠性，選擇2000 年的分類結(jié)果與GlobeLand30 V2000 進(jìn)行目視比對，選擇2010 年的分類結(jié)果與FROM-GLC 2010 進(jìn)行對比，選擇2015 年的分類結(jié)果與FROMGLC 2015 以 及GLC_FCS30 的2015 年 產(chǎn) 品 進(jìn) 行對比。

從圖6 對比結(jié)果來看，提出的無監(jiān)督樣本遷移模型支持的地表覆蓋分類結(jié)果在空間細(xì)節(jié)上對比原始產(chǎn)品GlobeLand30 有顯著提升，更加符合影像中地物真實(shí)分布的狀況。由于采用基于面向?qū)ο蟮姆诸惙椒ㄒ约叭斯ぞ庉嫼筇幚?，?dǎo)致GlobeLand30 產(chǎn)品雖然有較好的評價精度結(jié)果，但是實(shí)際上沒有對30m 影像中的地物進(jìn)行空間上的精準(zhǔn)制圖，提出的無監(jiān)督樣本遷移方法基于GlobeLand30，在保持較高的分類精度的前提下，獲得了細(xì)節(jié)更加豐富的地表覆蓋分類結(jié)果。

圖6 2000年地表覆蓋分類結(jié)果與GlobeLand30 V2000的對比Fig.6 Comparison of land cover classification results in 2000 with GlobeLand30 V2000

從圖7 對比結(jié)果來看，本研究獲得的2010 年地表覆蓋產(chǎn)品分類結(jié)果明顯優(yōu)于FROM-GLC 2010。FROM-GLC 2010 存在將大量耕地與人工地表錯分為裸地的情況，而事實(shí)上研究區(qū)只存在極少量的裸地。同時，F(xiàn)ROM-GLC 2010 也將大量的林地錯分為了耕地，而提出的方法基本上正確分類了這些林地像元。值得注意的是，F(xiàn)ROMGLC 2010 是較早發(fā)布的全球地表覆蓋產(chǎn)品，因此在地表覆蓋情況比較復(fù)雜的太湖流域地區(qū)精度存在一定不足。

圖7 2010年地表覆蓋分類結(jié)果與FROM-GLC 2010的對比Fig.7 Comparison of land cover classification results in 2010 with FROM-GLC 2010

從圖8 對比結(jié)果來看，提出的方法得到了較好的2015 年的地表覆蓋分類，與影像中的地物類別信息基本一致。GLC_FCS30 在研究區(qū)內(nèi)也取得較好的地表覆蓋制圖結(jié)果，但是相比于本研究的分類結(jié)果，明顯存在將水體錯分為草地、濕地，以及將耕地錯分人工地表的情況。FROM-GLC 2015 在人工地表與水體上取得了非常好的分類制圖結(jié)果，但是存在大量將耕地錯分為林地與草地的情況?？傮w而言，2015 年的地表覆蓋分類在研究區(qū)內(nèi)優(yōu)于GLC_FCS30 以及FROM-GLC 2015。

圖8 2015年地表覆蓋分類結(jié)果與GLC_FCS30（產(chǎn)品A）以及FROM-GLC 2015（產(chǎn)品B）的對比Fig.8 Comparison of land cover classification results in 2015 with GLC_FCS30 and FROM-GLC 2015

4 結(jié)論

針對歷史時期地表覆蓋分類中對訓(xùn)練樣本數(shù)量與質(zhì)量的需求，研究提出了一種幾何與屬性約束下的無監(jiān)督樣本遷移模型和分類框架，得到的太湖流域1990—2015 年的多期地表覆蓋分類結(jié)果精度均優(yōu)于89%。因此，無監(jiān)督樣本遷移方法充分利用了已有土地覆蓋產(chǎn)品的幾何約束和遙感影像的光譜特征，從局部斑塊尺度和全局樣本分布上對地表覆蓋產(chǎn)品中隱含的信息進(jìn)行了優(yōu)選，可以形成高質(zhì)量的訓(xùn)練樣本集，在多分類器集成系統(tǒng)支持下獲得高精度多時相土地覆蓋分類結(jié)果，是一種輕量級、可靠、快速的樣本遷移模型。

未來將進(jìn)一步改進(jìn)時間序列變化檢測方法，降低樣本在時序傳遞造成的誤差，為長時間序列地表覆蓋動態(tài)制圖和地理環(huán)境時空感知提供可靠的信息支持。

作者貢獻(xiàn)聲明：

杜培軍：負(fù)責(zé)論文總體設(shè)計，提出需求與思路，完成論文的前言與結(jié)論部分，統(tǒng)籌論文寫作與修改。

林聰：負(fù)責(zé)方法的代碼編寫與實(shí)現(xiàn)，完成論文方法與試驗(yàn)部分的寫作。

陳宇：負(fù)責(zé)論文初稿的整體修改，負(fù)責(zé)論文全過程的格式、排版，完成了研究區(qū)介紹部分。

王欣：協(xié)助完成了方法的代碼編寫與實(shí)現(xiàn)，修改了論文的方法與試驗(yàn)部分。

張偉：負(fù)責(zé)論文中數(shù)據(jù)的預(yù)處理部分。

郭山川：在論文完稿過程中提出了大量的修改建議。