基于Landsat8 OLI 图像的土地利用分类方法

刘 炜

(西藏民族大学信息工程学院，陕西 咸阳 712082)

0 引言

定边县位于陕西省榆林市最西端，地处黄土高原与内蒙古鄂尔多斯荒漠草原的交接过渡地带，是“三北”防护林建设重点县。定边县自然条件恶劣，下垫面景观格局复杂，风蚀、水蚀以及人为扰动强烈，生态环境脆弱，在不合理的土地资源利用方式下容易出现土地退化。Landsat8 OLI 多光谱图像具有信息量大、中等空间分辨率(与同源全色波段图像融合后为15m)、16天时间分辨率，以及免费获取的特点，是目前在区域尺度上进行土地利用动态监测较理想的遥感信息源［1］。

本研究以定边县OLI 图像近红外波段、红波段和绿波段作为有效特征，通过最大似然法监督分类识别该区域11 种土地利用类型，结果显示分类图的总体分类精度和Kappa 系数偏低(分别为74.12%、0.687)，漏分误判情况较多，且分类图中散乱分布着很多碎斑和像元，“椒盐效应”突出。为此，本研究选取LBV 变换的衍生波段作为有效特征，在对图像进行小波滤波的基础上进行支持向量机(SVM)监督分类。本研究力图通过适宜的计算机自动分类方法获取定边县11 种土地利用类型的覆盖信息，为在该区域开展土地利用动态监测研究提供基础数据［2-4］，研究结果对于定边县国土资源管理决策、水土保持与荒漠化防治具有重要意义。

1 研究区概况、数据源与技术路线

1.1 研究区概况及数据来源

定边县位于陕西省榆林市最西端(107°15'E～108°22'E，36°49'N～37°53'N)，地处黄土高原与内蒙古鄂尔多斯荒漠草原的交接过渡地带，东西宽98 km，南北长118km，总土地面积约6 821.28 km2。境内白于山横亘东西，将本县地貌分为北部风沙草滩区(占全县土地面积47.22%)和南部丘陵沟壑区(占全县土地面积52.78%)。定边县海拔1 303～1 907 m之间，气候为半干旱大陆性季风气候，年平均气温7.9℃，无霜期141 d，年平均降水量328.9 mm 且多集中于7～9 月。定边县境内大风、干旱、洪涝、霜冻等自然灾害多发，风蚀和水蚀强烈，生态环境脆弱。然而，定边县石油、天然气、原盐、芒硝、硫酸镁、氯化镁等矿产资源富集，目前该县已成为陕北能源重化工基地的重要组成部分。

本研究所用Landsat8 OLI 多光谱图像(条带号及行号为p128-r34)的成像日期为2013 年8 月3 日。对图像的预处理包括大气校正、几何精校正、剪裁。多光谱图像与全色波段图像进行像素级融合(图1 是以B5(R)B6(G)B4(B)方式假彩色合成的融合图像)。辅助图像监督分类的专题图件有定边县行政区划图(1:10 万)、中国陆地生态系统类型空间分布数据(1:10 万，1995/2008 年)、定边县ASTER GDEM(V2 版);统计资料有《陕西省土地利用现状调查数据集》、《2013 榆林统计年鉴》、《陕北黄土高原植物区系地理研究》等。

图1 定边县OLI 图像

1.2 解译标志

解译标志是选取训练样本的基本依据［5］。本研究参照“GDPJ01-2013 地理国情普查内容与指标”中设置的土地利用类型分类标准，依据在定边县典型研究样区(定边镇、盐场堡镇、安边镇、白泥井镇和姬塬镇)实地踏勘结果，将定边县主要土地利用类型划分为11 种，并建立相应的解译标志(见表1)。

表1 定边县11 种土地利用类型的解译标志

1.3 技术路线分析

图2 本方法的技术路线

技术路线如图2 所示。对OLI 多光谱图像进行预处理，包括大气校正、几何精校正、剪裁;与OLI 全色波段图像进行融合处理;通过小波滤波［6］，在不损伤图像中地物边界特征的前提下，滤除孤立分布的噪声像元和细小碎斑，削弱纹理特征差异，抑制“椒盐效应”;选取OLI 图像的绿波段、红波段、近红外波段和短波外波段进行LBV 变换［7］，增强图像的光谱特征，将衍生波段L，B，V 作为监督分类的有效特征;依据解译标志，辅助与OLI 图像同位置相近时的Google Earth 图像和专题图件为待识别的11 种地类选取训练样本;选用支持向量机［8-10］作为分类器执行监督分类;分类后执行基于形态学的开运算、闭运算操作，进一步弱化图像分类后的“椒盐效应”;将初始分类图与Google Earth 图像进行叠加分析，通过目视判读从初始分类图上勾绘出分类错误的图斑予以校正［7］;从分类图中随机抽取700 个点，逐点判读其类别归属，然后计算总体分类精度和Kappa 系数［11-12］，作为定量评价图像分类精度的指标。若分类精度评价合格，输出分类图，否则，重新选择训练样本进行分类。

2 研究方法

2.1 图像小波滤波

由于下垫面景观格局复杂、空间异质性强烈，在定边县风沙草滩区和丘陵沟壑区的OLI 图像上，图斑破碎，大图斑内部多有孤立分布的噪声像元和细小碎斑［13-15］。图像在直接监督分类后会产生“椒盐效应”，无法进一步用于专题制图。为此，本研究对定边县OLI 图像进行3 层小波分解(选取Coiflet3 作为小波母函数)，采用基于小波系数软阈值处理的方法进行滤波处理［16］。图3 和图4 为典型研究样区(定边镇)图像在小波滤波前、后的差异。目视判读这2幅图可以发现，在图4 中灌木林地、高盖度草地、低盖度草地、旱耕地、灌溉耕地、沙地和居民地，大图斑内部的色调差异和纹理特征差异被滤除，孤立分布的噪声像元和细小碎斑的光谱特征被削弱，使得图斑内部光谱匀质性比图3 显著增强，色调趋于一致，在一定程度上弱化“椒盐效应”;与此同时，不同地类图斑之间的光谱特征对比图3 没有明显降低，界限仍然完整与清晰。

图3 小波滤波前图像

图4 小波滤波后图像

2.2 图像LBV 变换

选取OLI 图像的绿波段、红波段、近红外波段和短波外波段进行LBV 变换，得到3 个物理意义明确、互不相关的衍生波段L，B，V，它们分别反映地物的总辐射水平、地物可见光辐射与红外光辐射强弱的对比关系以及地物辐射随波段改变而变化的方向和速率。本研究以这3 个波段作为分类器的输入特征。图5 是一处典型研究样区(白泥井镇)原图，图6 是LBV 变换后的结果。在图6 中，灌溉耕地、灌木林地、高盖度草地、低盖度草地、沙地、湖泊水体分别呈高亮度绿色、蓝紫色、紫红色、棕黄色、明黄色和青蓝色，不同地类之间的色调差异比图5 显著增强，地类边界清晰，易于区分;进一步放大2 幅图判读可以发现，在图6 中上述地类内部相邻像元因色调同质程度高聚合成斑块状，而噪声像元的光谱特征则被弱化，融入到包围它的斑块内。

图5 LBV 变换前图像

图6 LBV 变换后图像

2.3 图像SVM 分类与精度评价

本研究辅助与OLI 图像相同位置的相近的Google Earth 图像和专题图件，依据解译标志在LBV变换图像上，为11 种地类采集完备训练样本集(要求训练样本集的J-M 距离和转换离散度均大于1.970);执行SVM 监督分类(内积核径向基核函数的间隔σ和惩罚因子C 分别为100、0.173);对于初始分类图，辅助人工选点并运用多个尺寸的结构元素模板，组合开、闭运算作为一对形态滤波器整饰初始分类结果的二值图像，进一步去除图像分类后的“椒盐效应”。然后，叠加Google Earth 图像进行目视检查，从已分类图上勾绘分类错误的图斑予以校正(如图7 所示)。

本研究从分类图中随机抽取700 个点，逐点判读其类别归属，并以此统计总体分类精度和Kappa 系数，分别为83.62%和0.785。图8 为本研究在前期以OLI 图像近红外波段(B6)、红波段(B5)和绿波段(B4)作为有效特征，执行最大似然法［7，17］监督分类的结果，其总体分类精度和Kappa 系数分别为74.12%和0.687。目视检查图8 可以发现，在图8 中将低盖度草地错分为沙地，灌木林地错分为高盖度草地，旱耕地错分为高盖度草地和灌木林地的情况较多。叠加图7 和图8 可以发现，采用本文方法能够减少漏分和误判情况，使得总体分类精度和Kappa 系数分别提高12.82%和14.26%，并且有效去除分类图中灌溉耕地、灌木林地、高盖度草地、低盖度草地、沙地、居民地、河流水体内部大部分孤立分布的异类碎斑或像元，抑制了“椒盐效应”。

图7 本文方法分类结果

图8 最大似然法分类结果

3 结束语

本研究以OLI 图像LBV 变换后的衍生波段作为有效特征，在对图像进行小波滤波的基础上进行SVM 监督分类。结果显示分类图中旱耕地、灌溉耕地、灌木林地、草地、沙地、居民地等地类的“椒盐效应”得到有效抑制，且分类图的总体分类精度和Kappa 系数分别为83.62%和0.785，比最大似然法分类结果分别提高了12.82%和14.26%。本研究的方法适合应用在如定边县这类地形复杂的区域等需对OLI 图像进行监督分类。

［1］徐涵秋，唐菲.新一代Landsat 系列卫星:Landsat8 遥感影像新增特征及其生态环境意义［J］.生态学报，2013，33(11):3249-3257.

［2］杨强，王涛.榆林地区土地利用/覆盖时空变化及其对生态脆弱性的影响［J］.南京林业大学学报(自然科学版)，2015，39(2):79-83.

［3］韦振锋，任志远，张翀，等.1999-2010 年陕甘宁黄土高原区荒漠化空间特征［J］.中国沙漠，2014，34(5):1230-1236.

［4］李忠锋，王彦丽.定边县土地利用动态变化研究［J］.干旱区地理，2004，27(4):520-524.

［5］孟海东，郝永宽，宋飞燕，等.遥感图像非监督计算机分类方法的研究［J］.计算机与现代化，2008(3):66-69.

［6］孙延奎.小波变换与图像、图形处理技术［M］.北京:清华大学出版社，2012.

［7］曾志远.卫星遥感图像计算机分类与地学应用研究［M］.北京:科学出版社，2004.

［8］杜培军，谭琨，夏俊士.高光谱遥感影像分类与支持向量机应用研究［M］.北京:科学出版社，2012.

［9］胡根生，张学敏，梁栋，等.基于加权支持向量数据描述的遥感图像病害松树识别［J］.农业机械学报，2013，44(5):258-263.

［10］刘龙，黄海，孟光.基于支持向量机的结构损伤分步识别研究［J］.应用力学学报，2007，24(2):313-317.

［11］严泰来，王鹏新.遥感技术与农业应用［M］.北京:中国农业大学出版社，2008.

［12］傅肃性.遥感专题分析与地学图谱［M］.北京:科学出版社，2012.

［13］宋富强，康慕谊，郑壮丽，等.陕北黄土高原地区土地利用/覆被分类及验证［J］.农业工程学报，2011，27(3):316-324.

［14］买凯乐，张文辉.黄土丘陵沟壑区遥感影像信息面向对象分类方法提取［J］.农业机械学报，2011，43(4):153-158.

［15］龚建周，刘彦随，夏北城，等.IHS 和小波变换结合多源遥感影像融合质量对小波分解层数的响应［J］.中国图象图形学报，2010，15(8):1269-1277.

［16］赵英时.遥感应用分析原理与方法［M］.2 版.北京:科学出版社，2013.