Google Earth影像与同源Quick Bird影像在城市土地利用分类上的对比研究

胡 琼，张 建，徐保东，李宗南

（1.华中农业大学资源与环境学院，武汉430070；2.农业部资源遥感与数字农业重点开放实验室，北京100081；3.中国农业科学院农业资源与农业区划研究所，北京100081；4.中国科学院大学，北京100049）

高空间分辨率遥感影像能够提供大量的地表特征和丰富的空间信息，地物的尺寸、形状及相邻地物的关系能得到很好的反映［1］.Google Earth影像（简称GE）是一种公开使用资源，Quick Bird影像（简称QB）等高分辨率遥感影像是其主要来源之一，在某些区域其分辨率足以用来进行区域规划分析和土地资源利用分析［2－3］.Matthew L.Clark等对GE影像进行目视解译，在其上选取地物样本，最后通过随机森林分类器对MODIS进行了土地利用分类［4］.Mering等利用GE中高分辨率影像丰富的纹理特征，采用形态滤波器勾绘出了象牙海岸的边界［5］.然而，在以往的这些土地资源利用研究中，GE大多用作目视解译或者精度验证的底图，其用于计算机解译的研究较少.

因此在土地利用分类中，若能够利用GE取得与QB相近的应用效果，则很大程度上能降低高分辨率影像应用的门槛，扩展相关应用的范围和深度.本文通过对QB与同源GE影像以不同分类方法、不同地表覆盖类型进行实验分析和效果评价，来探讨GE在土地利用分类方面的可行度和适用范围，为今后相关的研究提供借鉴.

1 研究区概况及数据源

研究区域为武汉市部分城区，范围为114°15′～114°22′E，30°30′～30°36′N.实验数据为2003年3月19日的QB影像以及与该时相最接近且可下载的2003年3月27日的GE影像（原始影像来源于QB），其中QB具有4个多光谱波段（红、绿、蓝、近红），空间分辨率为2.44 m，GE则有红、绿、蓝3个波段，空间分辨率为1 m.在研究区域内，地理景观非常丰富，主要地物类型有河流、湖泊、建筑物、道路、林地、草地、裸地和阴影共8类.研究区域中河流与主要湖泊分布较明显，但建筑物、道路两者类型多样、复杂，且整个地块破碎，绿地与林地混杂严重，裸地分布也较杂乱.研究区域如图1所示.

2 研究方法

本文首先将GE与QB影像进行几何纠正、裁剪等预处理，分别采用监督分类、非监督分类、面向对象分类3种常用方法对QB与GE进行影像分类和精度评定.在此基础上，针对GE在土地利用分类应用上的可行性以及不同分类方法用于GE分类的适用性等多角度展开了分析.为了使GE与QB的对比结果更为客观、可靠，该实验各个过程均是本着以QB与GE达到最佳分类效果，且尽量确保相同的处理标准实施的.

图1 研究区域（a）QB假彩色图 （b）GE图Fig.1 Study area（a）Pseudo color QB images （b）GE images

2.1 数据获取与预处理

通过Getscreen软件下载与已有QB同源同区域的GE影像.以QB的全色影像（空间分辨率为0.61 m）为基准影像，选取35个控制点对拼接后的GE图片进行几何纠正.纠正过后，GE赋予了与QB相同的坐标系统.再对两类影像进行相应的裁剪，使两者的研究区域完全相同.

2.2 基于像素的分类

2.2.1 监督分类 根据研究区域特点，本实验选择了8种地物类型，即河流、湖泊、林地、绿地、裸地、建筑物、道路、阴影，每类地物选取50个以上样本.最后QB和GE影像均采用常用的最大似然法进行分类.在分类过程中，由于该实验所用的GE空间分辨率较QB高，在选样本的过程中，各个地物类别在GE中选取则更清晰与准确.然而因GE光谱信息较QB弱，故GE中易出现样本间光谱信息的混淆，即导致GE样本评定模版的精度较QB略差.

2.2.2 非监督分类 研究区域为大型城市，其地物类型丰富、复杂，为了使分类效果尽可能达到最佳，实验中选取了100个聚类类群进行ISODATA的非监督分类，分类后对100个聚类类别进行属性确认.由于GE光谱信息较弱，故在属性确认过程中，GE中出现的一个聚类类群对应多种地物类型的情况较QB复杂，所以该过程中GE所需的时间较长且分类结果更容易受到分析者主观因素的影响.2.2.3分类后处理与结果 通过监督分类与非监督分类过后的QB与GE影像，其椒盐现象均较严重，该实验采用聚类方法去除分类后影像中的细碎地物.

2.3 面向对象分类方法

基于像素的传统分类方法处理结果存在严重的“椒盐噪声”，同时分类过程中也无法利用高空间分辨率影像丰富的细节层次纹理和详细的空间信息.而面向对象分类方法处理的最小单元是含有更多语义信息的多个相邻像元组成的影像对象，在分类时有效地利用对象的几何信息以及影像对象之间的语义信息、纹理信息和拓扑关系，而不仅仅是单个对象的光谱信息［6－7］.在面向对象分类处理中，首先利用“多尺度分割法”对两类影像进行不同尺度分割，然后根据各地物的识别特征（光谱、纹理、几何等）进行最邻近分类和隶属度函数分类，将8类地物识别出来.

2.3.1 多尺度影像分割 多尺度分割是在不同的尺度下，根据光谱相似度和形状因子对影像进行自底向上的聚类，形成该尺度范围内同质影像对象［8］.合适的尺度选择，即要使分割之后影像对象内部异质性尽量小，而外部异质性尽量大［9－10］.由于本实验研究区域为城市，地物类型多样且错综复杂，故采用多尺度分割从大类到小类逐级细分方式.为了合理设置分割过程中各等级的分割尺度，实验在尺度为20～100的区间内，设置增长步长5，进行重复分割，通过目视对分割结果进行反复分析与比较［11－12］，找出各类地物最适宜的分割参数，最后结合该研究区域地物分布、形态特征，分别构建出了GE与QB“多尺度”影像分割层次（见表1）.

表1 QB（GE）多尺度分割参数设置Tab.1 Parameter settings of Multi－scale Segmentation of QB（GE）

2.3.2 分类方案与规则集的建立 QB与GE影像的差异使得分类过程中使用的具体规则集有所不同，详见表2.在分类过程中，若在某个层次上不能将某类地物完全识别出来，可在下个层次继续划分该类地物，如研究区域中的阴影、建筑物［13－14］.从表2中可看出QB与GE在面向对象分类过程中均使用了光谱、形状、类间相关关系等多个特征；对于某些类别如植被、裸地等，GE所需要的分类规则集要较QB多.这也说明了对于GE这种光谱信息较弱的影像而言，在进行面向对象过程中需结合除光谱外的其它多种地物特征进行分类.

2.4 精度评定与分析

本研究采用简单随机采样方法对分类结果进行精度评定.首先根据基于多项式分布的样本容量

表2 影像多层次分类规则Tab.2 Rules of Multi－Resolution Classification of QB

3 结果与分析

QB与GE影像在3种不同分类方法中的最终整体精度见表3.为了更形象、直观比较不同地物类型、不同影像、不同分类方法三者组合下的分类效果，将最后的生产精度进行等级划分（划分的标准参见表4），得到最终综合精度表（详见表5）.

表3 不同分类方法的整体精度和kappa系数Tab.3 Overall accuracy and Kappa coefficient based on different classification method

表4 精度等级划分标准Tab.4 Criteria of accuracy grade division

从表3中可看出从影像类型角度分析，QB分类结果整体精度要高于GE的整体精度，且精度之差在10%以内.从分类方法上看，面向对象分类方法的整体精度（＞75%）高于基于像素分类方法（＜71%），而基于像素分类方法中监督分类的整体精度高于非监督分类.结合影像类型与分类方法可知，GE基于面向对象分类方法的整体精度（75.61%）要高于QB基于像素分类方法（＜71%）.由此说明对于GE这类光谱信息较弱的高空间分辨率的影像，采用面向对象的分类方法能取得比基于像素方法更好的分类效果，这主要取决于面向对象分类方法能够在地物最适宜的分类尺度上结合地物多方面的特征，如几何、纹理等，而不仅仅是光谱特征来识别地物，这样就能够充分发挥GE高空间分辨率的优势，而弱化GE光谱信息差的劣势.

表5 用特殊符合表述的精度等级表Tab.5 Comprehensive accuracy table with special symbols

从表5可知，GE在土地利用分类上的可行性及适用性需要结合具体地类和分类方法来分析.在多数情况下，GE能达到与QB相近的分类精度，如面向对象分类方法提取道路，QB与GE分类效果等级均为“★★★☆”，又如监督分类对阴影的识别，两者分类效果均为“★☆”.然而在一些情况下，GE与QB的分类效果相差很大，如非监督分类识别林地、草地与湖泊，面向对象识别草地，这主要由于在这种分类方法下，识别地物主要采用的地物光谱信息，而GE的光谱信息弱于QB，故导致两者分类效果相差较大.对于“分布集中，面积大”的地物类型河流，无论采用基于像素的分类方法或是基于面向对象的分类方法均能取得很好的分类效果（分类精度＞85%），而“分布破碎，种类杂乱”的裸地在3类方法中的分类精度均较低（分类精度＜65%），这充分说明了地物的分类效果与其自身的分布形态和空间结构有很大关联.其次，对于面向对象分类中的裸地以及非监督分类的湖泊，其在GE中的分类精度略高于QB，这与GE的空间分辨率高于QB空间分辨率有关（空间分辨率越高纹理特征越明显，面向对象中最邻近分类的样本选取更为精确）或受分析者的主观影响.

4 讨论

本研究通过下载与已有QB影像相近时相、相同区域的GE图片，对比两者数据的差异，对GE与同源QB进行相关的预处理，采用了监督分类、非监督分类、面向对象分类3种较常使用的方法对两类影像分别进行分类，最后对分类的结果进行精度评定，给出了GE影像用于土地利用分类的可行性与适用情况的相关分析和结论.

但由于QB这类高空间分辨率的影像获取成本较高，本实验仅采用了源于QB影像的谷歌数据对武汉部分城市区域进行了对比实验，今后应当选取更多城市，采用更多的GE影像来源，如SPOT、IKONOS影像等进行实验分析，以提高结论的普适性和客观性.

［1］ 黄 昕，张良培，李平湘，等.融合形状和光谱的高空间分辨率遥感影像分类［J］.遥感学报，2007，11（2）：194－200.

［2］ 蒋国才.截拼谷歌地球影像图［J］.贵州地质，2010，27（4）：5－9.

［3］ 郭小英.基于GE影像的乡镇土地利用分类方法的研究［D］.陕西杨凌：西北农林科技大学，2010：10－30.

［4］ Matthew L，Clark T，Mitchell A，et al.A scalable approach to mapping annual land cover at 250 m using MODIS time series data：a case study in the Dry Chaco ecoregion of South America［J］.Remote Sensing of Environment，2010，114：2816－2832.

［5］ Catherine M，Johanna B，Erika U.Retrieving urban areas on Google Earth images：application to towns of West Africa［J］.International Journal of Remote Sensing，2010，31（22）：5867－5877.

［6］ 孙家抦.遥感原理与应用［M］.武汉：武汉大学出版社，2009：240－270.

［7］ 唐 伟，赵书河，王培法，等.面向对象的高空间分辨率遥感影像道路信息的提取［J］.地球信息科学，2008，10（2）：258－261.

［8］ 李 秦，高锡章，张 涛，等.最优分割尺度下的多层次遥感地物分类实验分析［J］.地球信息科学学报，2011，13（3）：410－417.

［9］ 邓媛媛，巫兆聪，易俐娜，等.面向对象的高空间分辨率影像农用地分类［J］.国土资源遥感，2010，87（4）：118－121.

［10］ 苏 伟，李 京，陈云浩，等.基于多尺度影像分割的面向对象城市土地覆盖分类研究—以马来西亚吉隆坡市城市中心区为例［J］.遥感学报，2007，11（4）：522－525.

［11］ 苏丹峰，杨冀红，刘顺喜.高分辨率遥感卫星影像在土地利用分类及其变化监测的应用研究［J］.农业工程学报，2002，18（2）：160－164.

［12］ Wang J，Treats P M，Hogarth P J.Road network detection from S POT imagery for updating geographical informa2tion systems in the rural／urban fringe［J］.International Journal of Geographical Information Systems，1992，6（2）：141－157.

［13］ Tomas B.Individual tree－based species classification in high spatial resolution aerial images of forests using fuzzy sets［J］.Fuzzy Sets and Systems 2002，132：2－14.

［14］ Zhu C Q，Shawl Z，PesarasiM，et al.The recognition of road network from high resolution satellite remotely sensed data using image morphological characteristics［J］.International Journal of Remote Sensing，2005，26（24）：5493－5508.

［15］ 陈晓玲，龚 威，田礼乔，等.遥感数字影像处理导论，Introductory Digital Image Processing：A Remote Sensing Perspective［M］.3版.北京市：机械工业出版社，2007：476－482.