论文部分内容阅读
摘 要：本文以资源三号卫星遥感影像为数据源，利用面向对象分类法提取晋江市低效用地信息，首先利用NDVI和NDWI两个指数剔除植被和水域信息的干扰，然后选取合适的分割尺度、对象特征参数以及支持向量机分类法进行面向对象分类。结果表明：分类的总体精度为95%，Kappa系数为0.90，分类质量极好。证明了面向对象方法识别低效用地信息的准确性。
关键词：面向对象分类 低效用地， NDVI NDWI
中图分类号：TP79 文献标识码：A 文章编号：1674-098X（2018）01（c）-0168-03
随着城镇化的加速发展，建设用地总量在大幅度的增加，但是，建设用地的利用效率却比较低下，低效和无序利用土地的现象仍然大量存在，社会经济发展对土地资源的压力与日俱增[1]。我国大城市土地集约利用程度相对较高，中小城市和村镇还具有一定的“挖潜”空间。因此，面向中小城市和村镇推进土地利用潜力挖掘，提高土地利用集约节约水平已成为我国土地保障的优先选择。遥感技术的快速发展，为城镇用地信息的快速提取提供了新的途径，特别是卫星遥感技术具有覆盖范围大、重复观测以及成本低的优点，从而得到广泛的应用。目前针对城市用地信息的提取方法主要包括计算机分类（监督和非监督分类）、人工数字化以及阈值法等。戴昌达[2]等基于Landsat TM影像，利用目视解译和图像自动识别相结合的办法获得城市的面积研究了城市扩展和环境变化状况。杨山[3]等仿NDVI提出了归一化建筑指数（NDBI， Normalized Difference Built-up Index ），利用TM影像提取了无锡市城镇用地信息。邓文胜等结合归一化建筑指数NDBI和Bayes最大似然法算法，通过二值逻辑运算成功提取了武汉市城镇用地信息。
本文以低效用地比较典型的晋江市中心城区为例，利用资源三号卫星影像影像，基于前人研究成果，通过对城镇用地遥感信息的机理分析，利用归一化植被指数NDVI和归一化水体指数NDWI，再利用面向对象分类方法对研究区进行低效用地信息提取，运用误差矩阵统计方法进行精度评价，为其它地区低效用地的提取提供依据。
1 研究区概况及数据
1.1 研究区概况
本文选取福建省晋江市中心城区为研究区，该区位于福建省东南沿海，泉州市东南部地，理位置介于东经118°26′39″～118°37′16″，北纬24°44′00″～24°51′00″之间。研究区面积约231.66km2，涉及罗山街道、西园街道、磁灶镇、内坑镇等6个街道和6个乡镇。全境地形比较平缓，主要以平原和丘陵为主地处泉，最高峰海拔518m。晋江属南亚热带湿润气候区，年均气温20～21℃，年均日照2130h，年均降雨量911～1231mm，农业和工业比较发达，是福建省综合实力最强的县市，也是中国经济最发达县市之一。
1.2 数据处理
本文采用2015年4月15日时相的资源三号（ZY3）卫星遥感数据。资源三号卫星是我国第一颗自主研发的民用高分辨率立体测绘卫星，可为国土资源、农业、林业等领域提供服务。该卫星属于太阳同步圆轨道卫星，重返周期为5d，载有四台相机。此次研究选取空间分辨率为5.8m的多光谱数据和2.1m的全色数据。为了有效的进行低效用地的解译，以1：10000地形图为基础，先将ZY3卫星数据的全色波段进行正射校正，再利用正射好的全色波段与多光谱数据进行配准，然后应用增强融合算法对配准后的全色和多光谱数据进行融合，最后进行线性拉伸、直方图调整等增强处理，生成2m分辨率的ZY3影像。
2 信息提取技术方法
2.1 植被指数选取
城镇的四周一般为农田，部分城镇的周围有水塘或湖泊，城镇还有一些人工草地、林地等植被，城镇的光谱特征与植被、水体等明显不同，为了减少分类的工作量，提高分类的精度，本文在分类前先将城镇提取出来。根据各类地物对光谱的不同响应特征，利用波段的不同线性组合有利于各类地物的提取。
目前，針对植被所提出的指数已多达40多种，植被指数是对地表植被状况的简单有效的度量，已广泛应用于植被分类、环境变化以及全球与区域土地覆盖变化检测等领域。其中，归一化植被指数（NDVI， Normalized Difference Vegetable Index ）是迄今为止应用最广泛的植被指数之一，是植被生长状态及植被覆盖度的最佳指示因子。如严晓瑜等探究了3类不同传感器NDVI对若尔盖湿地植被变化响应方式的差异性及在该区植被变化监测研究中的适宜性。王强[6]等人利用GIMMS AVHRR NDVI数据探讨了三北防护林工程区植被覆盖动态变化。因此，本来亦选取NDVI提取研究区的植被信息，计算公式如下。
水域信息目前常用归一化水体指数（NDWI， Normalized Difference Water Index）进行提取，如李辉霞等人利用NDWI自动提取海南岛西部沙漠化信息，精度高达89.7%。张佳华等人为研究作物生长发育早期受干旱影响的作物水分光谱特征，分别计算NDWI和冬小麦生理指标和土壤湿度的关系，结果表明NDWI和土壤湿度的关系较好，说明在作物生长发育早期，水分指数更多反映的是土壤水分状况而不是作物水分。目前对于NDWI有S. K. McFEETERS和Bo-cai Gao的两种做法，根据资源三号卫星的波段信息，最终选取S.K.McFEETERS法，计算计算公式如下。
NDVI=（ρNIR-ρR）/（ρNIR=ρR）
NDWI=（ρG-ρNIR）/（ρG+ρNIR）
式中，ρG、ρR、ρNIR分别为绿波段、红波段和近红外波段的反射率，取值范围均在-1与1之间。
通过设定阈值来提取植被和水域信息，当NDVI>0时为植被信息，当>0时为水域信息。 2.2 面向对象信息提取
传统的基于像素的遥感影像处理方法均是在遥感影像光谱信息极其丰富，地物间光谱差异较为明显的基础上进行的，主要用于低分辨的遥感数据和航片。对于只含有较少波段的高分辨率遥感影像而言，结构和纹理信息更加突出，光谱信息不足，利用传统的分类方法会造成分类精度降低，空间数据的大量冗余，并且其分类结果常常是椒盐图像，不利于进行空间分析。面向对象技术的出现有效地结果了这一难题，面向对象的影像分析技术是在空间信息技术长期发展的过程中产生的，在遥感影像分析中具有巨大的潜力，要建立与现实世界真正相匹配的地表模型，面向对象的方法是目前为止较为理想和应用广泛的方法。如曹宝等基于SPOT5卫星影像，提出了基于特征增强技术的面向对象分类方法（FETCOOCA），对北京市海淀区进行分类，结果表明FETCOOCA方法明显优于传统基于像元的分类方法。靳欢欢针对GeoEye高分辨率遥感影像，对比了逐像元分类（监督分类和非监督分类）和面向对象分类，结果表明面向对象分类技术在高分辨率影像中的有效性。余晓敏等利用改进SEaTH算法的面向对象分类特征选择方法提高了分类精度。
面向对象分类的是影像按照相似性原则，充分的利用影像提供的地物的形状大小、色调阴影、空间位置、紋理特征等，分割为在多个在空间上连续，具有特定意义的同质区域集合，再根据地物的特征来定义这些对象，并归到相应的类别。面向对象的方法不是以单个像素为分析目标，而是影像中的分析集合为分析单元充分考虑对象与周围环境之间的联系等因素，借助对象特征知识库完成对影像特征的提取。面向对象的低效用地提取流程主要包括影像的分割、对象特征参数的选择、分类规则的确定和低效用地信息提取。
（1）影像分割。
影像分割是面向对象分类中最重要环节，本质上是将一幅M×N阵列的数字图像划分为若干个互不交叠区域的过程。多尺度分割算法首先应该保证能生成高度同质性（或异质性最小）的影像分割区域（影像对象），从而适于最佳分离和表示地物目标。多尺度影像分割，从像元开始，在满足对象大小调整给定的阈值大于合并后对象的异质性，包括其光谱和形状、光滑和紧凑度的异质性，在合并后从小的对象逐步合并成较大对象，这是一个局部优化的过程，分割尺度与合并像元的多少正相关，设定较小的分割尺度，较少的像元被合并。对晋江市低效用地情况充分了解的基础上，将ZY3影像的波权重设置为1，均质因子中的光滑度因子和颜色因子采用累试法进行确定。较好的分割尺度所得到的分割后的影像对象内部的异质性较小，同时不同类别对象间的异质性较大。首先选取较大分割尺度进行分割，再按照累试法进行分割。研究发现当分割尺度小于45时，矢量数据显示图斑比较破碎，对象单元分割较多；分割尺度大于60时，则图斑数减少，密集图斑合并成较大块图斑，分割对象单元数量也相应减少，因此确定分割尺度从45到60，以5为单位进行递增比较分割效果。
（2）对象特征参数选择。
特定对象自身具有影像特征、组合特征等，通过对特定特征的选择，可以有效地区分其它地物。面向对象影像分类方法，其影像特征包括空间形状、光谱、纹理等特征，选择最佳的对象属性特征有利于地物提取。本文识别目标低效用地时，根据影像特征及所采用的ZY3影像自身特点，最终选取包括形状属性的长宽比，光谱属性的标准差和亮度值作为对象特征。
（3）影像分类。
通用的面向对象分类法包括：模糊分类法、支持向量机分类法（SVM）、K近邻分类法，本文采用SVM方法实现面向对象的分类。SVM方法原理是建立一个最优决策超平面，使得该平面两侧距离该平面最近的两类样本之间的距离最大化，从而对分类问题提供良好的泛化能力。该方法不需要大量的样本，结构风险较小，噪声较小，分类精度较高，是目前应用最为广泛的分类方法之一。
3 结果与分析
经过NDVI和NDWI过去后的影像如图1所示。由图1中可以明显看出，通过设置NDVI和NDWI的阈值，影像剔除了植被和水体信息，仅剩余建筑用地以及裸地等信息，为下面进行面向对象分类提供了依据。
通过累试法得到图2中四个相对理想的分割尺度，通过比较，确定低效用地的最优分割尺度为50。工作区最终分割标准设置为：光滑度因子设置为0.5，影像分割尺度为50，颜色因子设置为0.6，结果显示低效用地范围清晰，低效用地与其它地物类型区分明显，低效用地能被很好的表示，为低效用地分类识别提供了基础。
按照上述设置，得到晋江市低效用地面向对象的分类结果如图3所示，可以看出，低效用地信息提取结果与ZY3影像较好地吻合。由此看基于最优分割尺度的分割、分类，以及基于最优的分割对象分类属性特征选择，与实际情况最类似，取得了最优化的低效用地分类结果。面向对象的方法充分挖掘了ZY3影像丰富的光谱、形状、纹理和地物之间的特征，类别间连续性强，图斑边界与影像地物套合效果较好，避免了传统分类方法中的破碎图斑，分类结果更符合实际，视觉效果良好。
研究区面积为223km2，其中建设用地面积为114.19km2。低效用地对象共1366个，总面积为30.64km2，占建设用地面积的26.83%。
通过目视解译在工作区内均匀、随机选取300个感兴趣像元点作为分类检验样本，其中对低效用地类别选择了120个像元点，增强了低效用地类别的检验强度。选好样本后就可以对分类结果进行精度评价，生成的误差矩阵见表1，实施分类结果精度评价。
通过对误差矩阵分析发现，低效用地类别的生产者精度为93.33%，用户精度为94.12%；分类的总体精度为95%，Kappa系数为0.90，分类质量极好。此检验结果证明了面向对象方法识别低效用地信息的准确性。
4 结语
本文先利用NDVI和NDWI两个指数剔除植被和水域信息的干扰，然后再次基础上利用面向对象分类法提取晋江市低效用地信息。从误差矩阵精度评价结果可知，识别结果与低效用地的实际情况吻合性好，验证了面向对象分类在运用高分遥感影像开展低效用地信息识别方面的有效性。
参考文献
[1] 郑荣宝，张春慧，陈美招.低效产业用地目标识别与二次开发策略研究[J].国土与自然资源研究，2014（4）：20-24.
[2] 戴昌达，唐伶俐，陈刚，等.卫星遥感监测城市扩展与环境变化的研究[J].环境遥感，1995，10（1）：1-7.
[3] 杨山.发达地区城乡聚落形态的信息提取与分形研究—以无锡市为例[J].地理学报，2000，55（6）：671-678.
关键词：面向对象分类 低效用地， NDVI NDWI
中图分类号：TP79 文献标识码：A 文章编号：1674-098X（2018）01（c）-0168-03
随着城镇化的加速发展，建设用地总量在大幅度的增加，但是，建设用地的利用效率却比较低下，低效和无序利用土地的现象仍然大量存在，社会经济发展对土地资源的压力与日俱增[1]。我国大城市土地集约利用程度相对较高，中小城市和村镇还具有一定的“挖潜”空间。因此，面向中小城市和村镇推进土地利用潜力挖掘，提高土地利用集约节约水平已成为我国土地保障的优先选择。遥感技术的快速发展，为城镇用地信息的快速提取提供了新的途径，特别是卫星遥感技术具有覆盖范围大、重复观测以及成本低的优点，从而得到广泛的应用。目前针对城市用地信息的提取方法主要包括计算机分类（监督和非监督分类）、人工数字化以及阈值法等。戴昌达[2]等基于Landsat TM影像，利用目视解译和图像自动识别相结合的办法获得城市的面积研究了城市扩展和环境变化状况。杨山[3]等仿NDVI提出了归一化建筑指数（NDBI， Normalized Difference Built-up Index ），利用TM影像提取了无锡市城镇用地信息。邓文胜等结合归一化建筑指数NDBI和Bayes最大似然法算法，通过二值逻辑运算成功提取了武汉市城镇用地信息。
本文以低效用地比较典型的晋江市中心城区为例，利用资源三号卫星影像影像，基于前人研究成果，通过对城镇用地遥感信息的机理分析，利用归一化植被指数NDVI和归一化水体指数NDWI，再利用面向对象分类方法对研究区进行低效用地信息提取，运用误差矩阵统计方法进行精度评价，为其它地区低效用地的提取提供依据。
1 研究区概况及数据
1.1 研究区概况
本文选取福建省晋江市中心城区为研究区，该区位于福建省东南沿海，泉州市东南部地，理位置介于东经118°26′39″～118°37′16″，北纬24°44′00″～24°51′00″之间。研究区面积约231.66km2，涉及罗山街道、西园街道、磁灶镇、内坑镇等6个街道和6个乡镇。全境地形比较平缓，主要以平原和丘陵为主地处泉，最高峰海拔518m。晋江属南亚热带湿润气候区，年均气温20～21℃，年均日照2130h，年均降雨量911～1231mm，农业和工业比较发达，是福建省综合实力最强的县市，也是中国经济最发达县市之一。
1.2 数据处理
本文采用2015年4月15日时相的资源三号（ZY3）卫星遥感数据。资源三号卫星是我国第一颗自主研发的民用高分辨率立体测绘卫星，可为国土资源、农业、林业等领域提供服务。该卫星属于太阳同步圆轨道卫星，重返周期为5d，载有四台相机。此次研究选取空间分辨率为5.8m的多光谱数据和2.1m的全色数据。为了有效的进行低效用地的解译，以1：10000地形图为基础，先将ZY3卫星数据的全色波段进行正射校正，再利用正射好的全色波段与多光谱数据进行配准，然后应用增强融合算法对配准后的全色和多光谱数据进行融合，最后进行线性拉伸、直方图调整等增强处理，生成2m分辨率的ZY3影像。
2 信息提取技术方法
2.1 植被指数选取
城镇的四周一般为农田，部分城镇的周围有水塘或湖泊，城镇还有一些人工草地、林地等植被，城镇的光谱特征与植被、水体等明显不同，为了减少分类的工作量，提高分类的精度，本文在分类前先将城镇提取出来。根据各类地物对光谱的不同响应特征，利用波段的不同线性组合有利于各类地物的提取。
目前，針对植被所提出的指数已多达40多种，植被指数是对地表植被状况的简单有效的度量，已广泛应用于植被分类、环境变化以及全球与区域土地覆盖变化检测等领域。其中，归一化植被指数（NDVI， Normalized Difference Vegetable Index ）是迄今为止应用最广泛的植被指数之一，是植被生长状态及植被覆盖度的最佳指示因子。如严晓瑜等探究了3类不同传感器NDVI对若尔盖湿地植被变化响应方式的差异性及在该区植被变化监测研究中的适宜性。王强[6]等人利用GIMMS AVHRR NDVI数据探讨了三北防护林工程区植被覆盖动态变化。因此，本来亦选取NDVI提取研究区的植被信息，计算公式如下。
水域信息目前常用归一化水体指数（NDWI， Normalized Difference Water Index）进行提取，如李辉霞等人利用NDWI自动提取海南岛西部沙漠化信息，精度高达89.7%。张佳华等人为研究作物生长发育早期受干旱影响的作物水分光谱特征，分别计算NDWI和冬小麦生理指标和土壤湿度的关系，结果表明NDWI和土壤湿度的关系较好，说明在作物生长发育早期，水分指数更多反映的是土壤水分状况而不是作物水分。目前对于NDWI有S. K. McFEETERS和Bo-cai Gao的两种做法，根据资源三号卫星的波段信息，最终选取S.K.McFEETERS法，计算计算公式如下。
NDVI=（ρNIR-ρR）/（ρNIR=ρR）
NDWI=（ρG-ρNIR）/（ρG+ρNIR）
式中，ρG、ρR、ρNIR分别为绿波段、红波段和近红外波段的反射率，取值范围均在-1与1之间。
通过设定阈值来提取植被和水域信息，当NDVI>0时为植被信息，当>0时为水域信息。 2.2 面向对象信息提取
传统的基于像素的遥感影像处理方法均是在遥感影像光谱信息极其丰富，地物间光谱差异较为明显的基础上进行的，主要用于低分辨的遥感数据和航片。对于只含有较少波段的高分辨率遥感影像而言，结构和纹理信息更加突出，光谱信息不足，利用传统的分类方法会造成分类精度降低，空间数据的大量冗余，并且其分类结果常常是椒盐图像，不利于进行空间分析。面向对象技术的出现有效地结果了这一难题，面向对象的影像分析技术是在空间信息技术长期发展的过程中产生的，在遥感影像分析中具有巨大的潜力，要建立与现实世界真正相匹配的地表模型，面向对象的方法是目前为止较为理想和应用广泛的方法。如曹宝等基于SPOT5卫星影像，提出了基于特征增强技术的面向对象分类方法（FETCOOCA），对北京市海淀区进行分类，结果表明FETCOOCA方法明显优于传统基于像元的分类方法。靳欢欢针对GeoEye高分辨率遥感影像，对比了逐像元分类（监督分类和非监督分类）和面向对象分类，结果表明面向对象分类技术在高分辨率影像中的有效性。余晓敏等利用改进SEaTH算法的面向对象分类特征选择方法提高了分类精度。
面向对象分类的是影像按照相似性原则，充分的利用影像提供的地物的形状大小、色调阴影、空间位置、紋理特征等，分割为在多个在空间上连续，具有特定意义的同质区域集合，再根据地物的特征来定义这些对象，并归到相应的类别。面向对象的方法不是以单个像素为分析目标，而是影像中的分析集合为分析单元充分考虑对象与周围环境之间的联系等因素，借助对象特征知识库完成对影像特征的提取。面向对象的低效用地提取流程主要包括影像的分割、对象特征参数的选择、分类规则的确定和低效用地信息提取。
（1）影像分割。
影像分割是面向对象分类中最重要环节，本质上是将一幅M×N阵列的数字图像划分为若干个互不交叠区域的过程。多尺度分割算法首先应该保证能生成高度同质性（或异质性最小）的影像分割区域（影像对象），从而适于最佳分离和表示地物目标。多尺度影像分割，从像元开始，在满足对象大小调整给定的阈值大于合并后对象的异质性，包括其光谱和形状、光滑和紧凑度的异质性，在合并后从小的对象逐步合并成较大对象，这是一个局部优化的过程，分割尺度与合并像元的多少正相关，设定较小的分割尺度，较少的像元被合并。对晋江市低效用地情况充分了解的基础上，将ZY3影像的波权重设置为1，均质因子中的光滑度因子和颜色因子采用累试法进行确定。较好的分割尺度所得到的分割后的影像对象内部的异质性较小，同时不同类别对象间的异质性较大。首先选取较大分割尺度进行分割，再按照累试法进行分割。研究发现当分割尺度小于45时，矢量数据显示图斑比较破碎，对象单元分割较多；分割尺度大于60时，则图斑数减少，密集图斑合并成较大块图斑，分割对象单元数量也相应减少，因此确定分割尺度从45到60，以5为单位进行递增比较分割效果。
（2）对象特征参数选择。
特定对象自身具有影像特征、组合特征等，通过对特定特征的选择，可以有效地区分其它地物。面向对象影像分类方法，其影像特征包括空间形状、光谱、纹理等特征，选择最佳的对象属性特征有利于地物提取。本文识别目标低效用地时，根据影像特征及所采用的ZY3影像自身特点，最终选取包括形状属性的长宽比，光谱属性的标准差和亮度值作为对象特征。
（3）影像分类。
通用的面向对象分类法包括：模糊分类法、支持向量机分类法（SVM）、K近邻分类法，本文采用SVM方法实现面向对象的分类。SVM方法原理是建立一个最优决策超平面，使得该平面两侧距离该平面最近的两类样本之间的距离最大化，从而对分类问题提供良好的泛化能力。该方法不需要大量的样本，结构风险较小，噪声较小，分类精度较高，是目前应用最为广泛的分类方法之一。
3 结果与分析
经过NDVI和NDWI过去后的影像如图1所示。由图1中可以明显看出，通过设置NDVI和NDWI的阈值，影像剔除了植被和水体信息，仅剩余建筑用地以及裸地等信息，为下面进行面向对象分类提供了依据。
通过累试法得到图2中四个相对理想的分割尺度，通过比较，确定低效用地的最优分割尺度为50。工作区最终分割标准设置为：光滑度因子设置为0.5，影像分割尺度为50，颜色因子设置为0.6，结果显示低效用地范围清晰，低效用地与其它地物类型区分明显，低效用地能被很好的表示，为低效用地分类识别提供了基础。
按照上述设置，得到晋江市低效用地面向对象的分类结果如图3所示，可以看出，低效用地信息提取结果与ZY3影像较好地吻合。由此看基于最优分割尺度的分割、分类，以及基于最优的分割对象分类属性特征选择，与实际情况最类似，取得了最优化的低效用地分类结果。面向对象的方法充分挖掘了ZY3影像丰富的光谱、形状、纹理和地物之间的特征，类别间连续性强，图斑边界与影像地物套合效果较好，避免了传统分类方法中的破碎图斑，分类结果更符合实际，视觉效果良好。
研究区面积为223km2，其中建设用地面积为114.19km2。低效用地对象共1366个，总面积为30.64km2，占建设用地面积的26.83%。
通过目视解译在工作区内均匀、随机选取300个感兴趣像元点作为分类检验样本，其中对低效用地类别选择了120个像元点，增强了低效用地类别的检验强度。选好样本后就可以对分类结果进行精度评价，生成的误差矩阵见表1，实施分类结果精度评价。
通过对误差矩阵分析发现，低效用地类别的生产者精度为93.33%，用户精度为94.12%；分类的总体精度为95%，Kappa系数为0.90，分类质量极好。此检验结果证明了面向对象方法识别低效用地信息的准确性。
4 结语
本文先利用NDVI和NDWI两个指数剔除植被和水域信息的干扰，然后再次基础上利用面向对象分类法提取晋江市低效用地信息。从误差矩阵精度评价结果可知，识别结果与低效用地的实际情况吻合性好，验证了面向对象分类在运用高分遥感影像开展低效用地信息识别方面的有效性。
参考文献
[1] 郑荣宝，张春慧，陈美招.低效产业用地目标识别与二次开发策略研究[J].国土与自然资源研究，2014（4）：20-24.
[2] 戴昌达，唐伶俐，陈刚，等.卫星遥感监测城市扩展与环境变化的研究[J].环境遥感，1995，10（1）：1-7.
[3] 杨山.发达地区城乡聚落形态的信息提取与分形研究—以无锡市为例[J].地理学报，2000，55（6）：671-678.