基于植被分区的多特征遥感智能分类

于菲菲，曾永年，徐艳艳，郑 忠，刘朝松，王 君，何晋强

(1.中南大学地球科学与信息物理学院，长沙 410083;2.中南大学空间信息技术与可持续发展研究中心，长沙 410083)

0 引言

土地利用/土地覆盖变化(land use and land cover change，LUCC)研究是全球变化研究的热点之一[1-4]。中国西部地区是全球变化的敏感区域，地形复杂，水土流失和土地荒漠化严重，生态环境极其脆弱[5-6]。为有效治理西部地区的生态环境，近年来开展了大规模“退耕还林还草”工程。与此同时，随着西部大开发战略的深入实施，城镇化和工业化进程得到加速，建设用地占用耕地情况较为突出。因此，中国西部地区土地利用/覆盖发生了较为显著的变化[7-10]。为了保证西部地区经济的可持续发展和土地资源的合理有效利用，需要准确、快速地掌握和分析LUCC的信息。

中国西部地区的自然条件复杂，遥感技术作为快速提取LUCC信息的有效手段，已在该区土地资源调查和测绘制图中发挥了重要作用[11-12]，MODIS和NOAA等中、低分辨率遥感数据已被成功应用于该地区土地荒漠化监测[13-16]。然而，目前在较大范围区域开展的资源与环境遥感应用中仍以目视解译为主，费时费力，且难以保证遥感图像解译的时效性。因此，如何从海量遥感数据中快速、智能化地提取感兴趣信息是亟待解决的问题。随着群体智能理论的快速发展，群体智能方法已被引入到遥感信息提取中，并成为新的研究热点[17-19]。蚁群智能优化算法(ant colony intelligent optimization algorithm，ACIOA)是模仿自然界的蚂蚁群体觅食过程中沿最短路径行进的生物学行为发展起来的一种群体智能优化方法。ACIOA算法作为一种“自上而下”的群体智能算法，不需要统计分布的先验知识，具有很强的自学习能力、鲁棒性、自适应性和正反馈机制等优点，在海量遥感图像数据的信息提取方面表现出极大的优势。许多学者先后用ACIOA算法进行了遥感图像分类规则的挖掘研究[17-22]。本文针对大范围复杂区域LUCC信息的提取问题，采用基于植被分区的 ACIOA算法挖掘遥感分类规则，实现对LUCC信息的有效提取。

本文以平安县为实验区，探索利用ACIOA算法的综合分类方法实现LUCC遥感信息的准确自动提取，以期为大范围地形复杂地区的LUCC信息提取提供有效方法。

1 实验区概况与数据源

1.1 实验区概况

实验区选择地处青海东部湟水中游的平安县，该区域位于青藏高原与黄土高原的过渡地带，处于E101°49′～102°10′，N36°15′～36°34′之间。全县东西长23 km，南北宽33.6 km，土地总面积742.89 km2。区内地形复杂，沟壑纵横，海拔在2 066～4 166.7 m之间。该区域属典型的干旱、半干旱地区，人口密度较大，经济相对发达，是以西宁市为中心的青海东部城市群以及新型工业化发展的重点区域，也是青海省重要的农业区[23]。有川水、浅山和脑山3大农业类型区;土地利用类型以林地和牧草地为主，耕地相对较少，建设用地所占比例较低。其中，建设用地与水浇地主要分布在重要交通沿线、湟水谷地及其主要支流河谷地带，而旱地、林地、牧草地和未利用地主要分布在自然条件较差的浅山和脑山地区，土地利用空间分布差异明显。

1.2 数据及预处理

采用的遥感数据为TM图像，来源于中国科学院对地观测与数字地球科学中心数据服务平台(www.ceode.cas.cn)，成像日期为 2009 年 9 月 21日，轨道号132/35，空间分辨率30 m。实验选用了TM1(0.45 ～ 0.52 μm)，TM2(0.52 ～ 0.60 μm)，TM3(0.63 ～ 0.69 μm)，TM4(0.76 ～ 0.90 μm)，TM5(1.55 ～1.75 μm)和 TM7(2.08 ～2.35 μm)波段的图像。

此外，采用DEM、坡度和坡向数据作为TM图像的辅助特征波段;采用第二次全国土地利用调查数据(该数据是采用2007—2009年的高分辨率遥感图像经解译、矢量化和野外调查获得的1︰1万比例尺数据，具有较高精度)，以及接近同期的部分Quick-Bird高分辨率遥感数据，作为遥感分类训练样本和分类结果精度验证的地面参考数据;将实验区土地利用调查数据按本文分类系统进行地类合并;采用分层随机采样方法选取了852个验证样本，用于本文方法的精度验证。

TM图像的预处理包括:①几何纠正，首先以土地调查数据为参考，在TM图像上选取地面控制点，其次构建几何畸变纠正的数学关系，并进行图像重采样;②辐射校正，采用FLAASH大气校正模型进行辐射校正;③图像裁剪，依据土地利用调查数据中的平安县行政区矢量数据对图像进行裁剪，得到实验区范围内的TM5(R)4(G)3(B)假彩色合成图像(图1)。

图1 实验区TM5(R)4(G)3(B)假彩色合成图像Fig.1 False color image composed of TM5(R)4(G)3(B)of the study area

2 蚁群智能优化算法

蚁群智能优化算法(ACIOA)具体过程如图2所示，它是一种基于群体智能的启发式仿生学优化算法，该算法模拟了自然界中蚂蚁觅食时的路径选择行为[18]。研究发现，蚂蚁总能在食物源和蚁穴间选择一条最短的路径，这是因为蚂蚁在已走过的路径上释放了一种特殊的挥发性物质——信息素，信息素浓度的高低能够引导蚂蚁的路径选择;当某路径上的信息素浓度高于其他路径时，蚂蚁更倾向于选择此路径。当蚂蚁开始觅食时，在未走过的交叉路口处会随机选择一条路径;随着路径上信息素的不断挥发和积累，较短路径上的信息素浓度不断增加，而较长路径上的信息素不断消失。这样，更多的蚂蚁选择较短的路径;与此同时，短路径的信息素浓度继续上升，于是形成一种正反馈机制;最终，所有的蚂蚁都会选择距离最短的路径。

图2 蚁群智能优化算法基本原理示意图Fig.2 Sketch diagram of basic principle of ACIOA

假设蚂蚁在觅食过程中存在2条距离不等的路径ABD和ACD，各有30只蚂蚁从蚁穴和食物源出发。在t=0时刻，到达路口A和D时分别有15只蚂蚁从2条路径经过;因ACD路径比ABD路径短，故ACD路径上的蚂蚁先到达目的地，此时，ACD路径的信息素浓度高于ABD路径;经过t+1时刻，越来越多的蚂蚁选择路径ACD，同时该路径信息素的浓度不断增加;最终，所有的蚂蚁都选择蚁穴—ACD—食物源这条较短的路径。

将蚂蚁觅食的这种寻优过程应用于群体智能优化领域，即产生了ACIOA算法。

3 研究方法

3.1 土地利用/土地覆盖分类体系

参考土地利用调查数据的土地利用分类，同时考虑实验区遥感图像的实际可解译能力、环境条件及土地利用现状等因素，根据“全国遥感监测土地利用/覆盖分类体系”，构建了适合于实验区的LUCC遥感信息提取的分类体系(表1)。

表1 实验区的土地利用/土地覆盖分类体系Tab.1 Land use/cover classification system of the study area

3.2 技术流程

本文采用基于植被分区的多特征数据ACIOA智能分类方法，具体技术路线如图3所示。

图3 技术流程图Fig.3 Technical flow chart

3.3 遥感分类

3.3.1 多特征数据

遥感数据与非遥感数据的复合利用能弥补单一遥感数据的不足，发挥非遥感数据的辅助作用，有效地提高遥感数据的分类精度。本文的实验区域位于地形复杂、海拔差异大的中国西部，DEM数据以及由DEM数据生成的坡度和坡向数据能有效地反映植被垂直分带情况与局地生长环境，是提高遥感分类精度的有效辅助数据[24]。因此，本文以 TM图像、DEM、坡度和坡向数据作为分类的特征波段。

3.3.2 植被分区

根据干旱、半干旱地区的植被特征，将实验区分为以植被为主的区域和以非植被为主的区域，以减少整体分类中异物同谱现象的影响。归一化植被指数(normalized difference vegetation index，NDVI)作为植物生长状态和植被空间分布密度的最佳指示因子，与植被分布密度呈线性关系，是遥感估算植被覆盖度研究中常用的植被指数。为此，采用NDVI进行植被分区。利用预处理后的TM图像生成NDVI，统计分析训练样本的NDVI值，确定植被或非植被的划分阈值NDVI=0.18，以此将实验区划分为以植被为主的区域和以非植被为主的区域。同时，以土地利用调查数据为参照，采用分层随机采样的方法采集训练样本，以植被和非植被为主的实验区域分别选取了872个和432个训练样本。

3.3.3 分类规则智能挖掘

采用ACIOA算法分别对上述2个区域挖掘遥感分类规则。该算法以训练样本的各波段离散值为属性节点，以各目标地类为类节点，通过寻优搜索属性节点和类节点的连线，挖掘相应的遥感分类规则。规则挖掘的步骤包括:

1)波段离散化。在挖掘分类规则前，采用基于信息熵的离散化方法，对训练样本的数据进行离散处理[25]。

2)初始规则构造。为缩短蚂蚁搜索的时间，构造与问题相关的启发式函数，引导蚁群的搜索。规则构造时采用赌轮机制选择属性节点，直到该路径中包含了所有属性;然后选择1个类节点而且只能有1个类节点，至此1条完整初始分类规则形成。

3)规则剪枝。完成初始分类规则构造后，每一个属性节点都被选为规则的1个条件项;通过规则剪枝，移除降低分类规则有效性的属性节点，简化分类规则，最大化地提高分类规则的有效性。

4)信息素更新。当所有蚂蚁构造的初始规则经过规则剪枝后，更新所有属性节点的信息素浓度，直至剩余的训练样本数小于预设样本数。以上分类规则的自动挖掘是在C#环境下，通过编程实现的。

4 实验结果与分析

4.1 实验结果

1)分别采用ACIOA算法、支持向量机(SVM)和最大似然(ML)方法进行土地利用/覆盖分类，结果如图4所示。

图4 基于植被分区的多特征数据土地利用/覆盖分类结果Fig.4 Land use/cover classification results of multi－character data based on vegetation partition

2)在不进行植被分区的情况下，利用多特征数据， 采用不同算法得到土地利用/覆盖分类结果(图5)。

图5 多特征数据的土地利用/覆盖分类结果Fig.5 Land use/cover classification results of multi－ character data

3)在不进行植被分区的情况下，仅使用TM图像， 采用不同算法得到土地利用/覆盖分类结果(图6)。

图6 TM图像的土地利用/覆盖分类结果Fig.6 Land use/cover classification results of TM image

4.2 精度分析

本文选用混淆矩阵作为上述3种不同情况下分类结果的精度评价方法。该方法是国内外广泛使用的遥感分类精度评价方法，具体评价指标有总体精度、Kappa等，分别从不同的分析角度评价分类结果的精度。其中，Kappa不随类别样本点数量的不同而改变，能够更加客观地评价分类精度。

1)在不进行植被分区的情况下，仅用TM图像，采用ACIOA算法的总体分类精度为83.22%，Kappa=0.79，比SVM和ML方法的总体分类精度分别提高了0.59%和2.82%，Kappa 分别提高了0.02 和0.04(表2)。由此可见，与SVM和ML方法相比，基于遥感图像的ACIOA分类方法有一定的优势。

表2 基于TM图像分类精度Tab.2 Classification accuracy based on TM image

2)在不进行植被分区的情况下，利用多特征数据图像，采用 ACIOA算法的分类总体精度为85.09%，Kappa=0.81(表3)，比 SVM 和 ML 方法的分类总体精度分别提高了1.99%和3.17%，Kappa分别提高了0.03和0.04;比仅用TM图像的分类总体精度提高了1.87%，Kappa提高了0.02。由此可见，在地形复杂的大范围区域，多特征数据能够有效地提高遥感数据的分类精度，并且基于多特征数据的ACIOA分类方法优于SVM和ML方法。

表3 多特征数据图像分类精度Tab.3 Classification accuracy based on multi－character data image

3)在植被分区的情况下，利用多特征数据图像，采用ACIOA算法分类的总体精度88.85%，Kappa=0.86，比SVM和ML方法的分类总体精度分别提高了2%和 5.52%，Kappa分别提高了 0.03和 0.08(表4);比仅用TM图像和多特征数据图像分类总体精度分别提高了5.63%和3.76%，Kappa分别提高了0.07和0.05。由此可见，在地形复杂的大范围区域，基于植被分区的多特征数据遥感分类方法更为有效地提高了土地利用/覆盖遥感信息提取精度，而且基于植被分区的多特征ACIOA分类方法明显优于SVM和ML方法。

表4 基于植被分区多特征图像分类精度Tab.4 Classification accuracy based on multi－ character data in vegetation partition

5 结论

为有效提取大范围地形复杂地区的土地利用/覆盖遥感信息，以青藏高原与黄土高原过渡地带的青海东部地区为研究区，进行了ACIOA分类方法的研究。结果表明:

1)利用遥感图像、DEM、坡度和坡向复合的多特征数据，ACIOA分类的总体精度达到85.09%，比仅用TM图像ACIOA分类的总体精度提高了1.87%，并优于基于多特征数据的SVM和ML分类结果。

2)为减小异物同谱现象对整体分类的影响，根据干旱、半干旱地区的植被特征，采用植被分区的多特征ACIOA分类的总体精度达到88.85%，比不分区的ACIOA分类的总体精度提高了3.76%，并优于基于植被分区的多特征SVM和ML分类结果。

3)本文提出的基于植被分区的多特征数据ACIOA智能分类方法与策略，能有效地提高大范围地形复杂地区土地利用/覆盖遥感信息提取的精度，在大范围地形复杂的区域土地利用/覆盖遥感信息提取中具有较大的应用潜力。

[1]史培军，宫 鹏，李晓兵，等.土地利用/覆盖变化研究的方法与实践[M].北京:科学出版社，2000.Shi P J，Gong P，Li X B，et al.The method and practice of land use/cover change[M].Beijing:Science Press，2000.

[2]李秀彬.全球环境变化研究的核心领域——土地利用/土地覆被变化的国际研究动向[J].地理学报，1996，51(6):553-558.Li X B.A review of the international researches on land use/land cover change[J].Acta Geographica Sinica，1996，51(6):553-558.

[3]陈佑启，Verburg P H.中国土地利用/土地覆盖的多尺度空间分布特征分析[J].地理科学，2000，20(3):197-202.Chen Y Q，Verburg P H.Multi-scale spatial characterization of land use/land cover in China[J].Scientia Geographica Singca，2000，20(3):197-202.

[4]宋 翔，颜长珍，朱艳玲，等.黄河源区土地利用/覆被变化及其生态环境效应[J].中国沙漠，2009，29(6):1049-1055.Song X，Yan C Z，Zhu Y L，et al.Land use/cover change and associated effects on eco-environment in source region of Yellow River[J].Journal of Desert Research，2009，29(6):1049-1055.

[5]程国栋，张志强，李 锐.西部地区生态环境建设的若干问题与政策建议[J].地理科学，2000，20(6):503-510.Cheng G D，Zhang Z Q，Li R.On some issues of the ecological construction of west China and proposals for policy[J].Scientia Geographica Sinica，2000，20(6):503-510.

[6]刘彦随，陈百明.中国可持续发展问题与土地利用/覆被变化研究[J].地理研究，2002，21(3):324-330.Liu Y S，Chen B M.The study framework of land use/cover change based on sustainable development in China[J].Geographical Research，2002，21(3):324-330.

[7]曾永年，吴孔江，靳文凭，等.青海高原东北部耕地变化及驱动力分析[J].干旱区资源与环境，2012，26(8):89-92.Zeng Y N，Wu K J，Jin W P，et al.The arable land changes and its driving factors in eastern Qinghai Plateau[J].Journal of Arid Land Resources and Environment，2012，26(8):89-92.

[8]曾永年，靳文凭，何丽丽，等.青海高原东部农业区土地利用遥感分类制图[J].农业工程学报，2012，28(16):225-231.Zeng Y N，Jin W P，He L L，et al.Land use mapping using remote sensing for eastern part of Qinghai Plateau[J].Transactions of the Chinese Society of Agricultural Engineering，2012，28(16):225-231.

[9]刘纪远，张增祥，庄大方，等.20世纪90年代中国土地利用变化时空特征及其成因分析[J].地理研究，2003，22(1):1-12.Liu J Y，Zhang Z X，Zhuang D F，et al.A study on the spatialtemporal dynamic changes of land-use and driving forces analyses of China in the 1990s[J].Geographical Research，2003，22(1):1-12.

[10]何书金，王秀红，邓祥征，等.中国西部典型地区土地利用变化对比分析[J].地理研究，2006，25(1):79-86.He S J，Wang X H，Deng X Z，et al.Analysis on influencing factors of land use change in three typical areas of western China[J].Geographical Research，2006，25(1):79-86.

[11]吴 笛，吴满意.青海省第二次全国土地调查中遥感影像目视解译的研究[J].科技信息，2010(7):430-431.Wu D，Wu M Y.The second national land survey in Qinghai Province in the visual interpretation of remote sensing images[J].Science and Technology Information，2010(7):430-431.

[12]李维森.新技术在国家西部1︰50 000地形图空白区测图工程中的应用[J].测绘科学，2010，35(6):8-11.Li W S.New technology applied in the project of west China topographic mapping at 1∶50 000 scale[J].Science of Surveying and Mapping，2010，35(6):8-11.

[13]沙占江，曾永年，马海州，等.遥感和GIS支持下的龙羊峡库区土地沙漠化动态研究[J].中国沙漠，2000，20(1):51-54.Sha Z J，Zeng Y N，Ma H Z，et al.Dynamic monitoring of desertification with RS and GIS in Longyangxia reservoir area[J].Journal of Desert Research，2000，20(1):51-54.

[14]曾永年，冯兆东.沙质荒漠化遥感监测与环境影响研究进展[J].山地学报，2005，23(2):218-227.Zeng Y N，Feng Z D.Advances in sandy desertification detecting and its environmental impacts[J].Journal of Mountain Science，2005，23(2):218-227.

[15]刘爱霞，王长耀，王 静，等.基于MODIS和NOAA/AVHRR的荒漠化遥感监测方法[J].农业工程学报，2007，23(10):145-150.Liu A X，Wang C Y，Wang J，et al.Method for remote sensing monitoring of desertification based on MODIS and NOAA/AVHRR data[J].Transactions of the Chinese Society of Agricultural Engineering，2007，23(10):145-150.

[16]高志海，魏怀东，丁 峰.TM影像荒漠化解译与成图技术研究[J].遥感技术与应用，2002，17(6):293-298.Gao Z H，Wei H D，Ding F.Study on interpretation and cartography technology of desertification by TM image[J].Remote Sensing Technology and Application，2002，17(6):293-298.

[17]戴 芹，刘建波，刘士彬.群智能方法在遥感信息提取中的应用分析[J].计算机工程与应用，2011，47(4):13-16.Dai Q，Liu J B，Liu S B.Analysis of remote sensing information extraction using swam intelligence method[J].Computer Engineering and Applications，2011，47(4):13-16.

[18]刘小平，黎 夏，何晋强，等.基于蚁群智能的遥感影像分类新方法[J].遥感学报，2008，12(2):253-262.Liu X P，Li X，He J Q，et al.Classification of remote sensing images based on ant colony optimization[J].Journal of Remote Sensing，2008，12(2):253-262.

[19]戴 芹，刘建波.基于蚁群优化分类规则挖掘的遥感图像分类研究[J].计算机工程与应用，2008，44(15):12-14.Dai Q，Liu J B.Research on remote sensing image classification using ant colony optimization(ACO)based classification rule mining algorithm[J].Computer Engineering and Applications，2008，44(15):12-14.

[20]肖 菁，梁燕辉.基于改进Ant-miner算法的分类规则挖掘[J].计算机工程，2012，38(17):162-165.Xiao J，Liang Y H.Classification rule mining based on improved ant-miner algorithm[J].Computer Engineering，2012，38(17):162-165.

[21]Zhang H N，Huang F，Guo J C，et al.Automatic classification of remote sensing image using ant colony clustering algorithm[C]//Proceedings of the 2nd International Congress on Image and Signal Processing.Tianjin:IEEE Press，2009:1-4.

[22]Li R，Meia X，Liu J Y.New method of remote sensing image classification based on ant colony[C]//Proceedings of the 6th IEEE Joint International Information Technology and Artificial Intelligence Conference.Chongqing:IEEE Press，2011:375-379.

[23]曾永年，刘茂国，何丽丽，等.青海东部河湟地区建设用地时空变化分析[J].国土与自然资源研究，2011，34(4):26-28.Zeng Y N，Liu M G，He L L，et al.Spatial-temple analysis on buildup land changes in Huangshui and Yellow River basins in eastern Qinghai[J].Territory and Natural Resources Study，2011，34(4):26-28.

[24]杜明义，武文波，郭达志.多源地学信息在土地荒漠化遥感分类中的应用研究[J].中国图象图形学报，2002，7(7):740-743.Du M Y，Wu W B，Guo D Z.Research on multi-source geographic information based classification of desertification[J].Journal of Image and Graphics，2002，7(7):740-743.

[25]谢 宏，程浩忠，牛东晓.基于信息熵的粗糙集连续属性离散化算法[J].计算机学报，2005，28(9):1570-1574.Xie H，Cheng H Z，Niu D X.Discretization of continuous attributes in rough set theory based on information entropy[J].Chinese Journal of Computers，2005，28(9):1570-1574.