利用eCognition进行高分一号卫星数据土地利用现状解译能力测试

2016-09-08张亚亚

测绘通报 2016年8期

关键词：图斑土地利用尺度

周　亦，张亚亚

(1. 北京中色测绘院有限公司,北京 100012； 2. 吉林大学地球探测科学与技术学院，吉林长春 130012)

利用eCognition进行高分一号卫星数据土地利用现状解译能力测试

周亦1，2，张亚亚1，2

(1. 北京中色测绘院有限公司,北京 100012； 2. 吉林大学地球探测科学与技术学院，吉林长春 130012)

土地利用现状解译能力是卫星数据在土地资源领域应用的重要指标之一。本文以内蒙古自治区包头市石拐区和江苏省徐州市贾汪区作为研究区，利用eCognition软件采用面向对象分类的方法，通过初步影像分割、构建土地利用分类系统、标准化最邻近分类及对分类结果整理修改与分析，从中随机选取了不同地类、不同面积的图斑，以更高分辨率影像分类结果作为真值，进行了典型地类的属性精度、面积精度评价，从而对高分一号卫星数据的土地利用现状解译能力进行了测试与评定。

eCognition软件；高分一号卫星；土地利用；解译

高分一号卫星于2013年4月26日在酒泉卫星发射中心发射，是高分辨率对地观测卫星。高分一号是高分辨率对地观测系统国家科技重大专项的首发星，配置了2台2 m分辨率全色和8 m分辨率多光谱相机，4台16 m分辨率多光谱宽幅相机。高分一号卫星突破了高空间分辨率、多光谱与高时间分辨率结合的光学遥感技术、多载荷图像拼接融合技术、高精度高稳定度姿态控制技术、5～8年寿命高可靠卫星技术、高分辨率数据处理与应用等关键技术，对于推动我国卫星工程水平的提升、提高我国高分辨率数据自给率具有重大战略意义[1]。高分一号卫星主要为国土资源、农业、环境保护等部门提供高精度、宽范围的空间观测服务，同时也将在气象、海洋、地理信息测绘、水利和林业资源监测、城市规划和交通管理、灾害评估与地球系统科学研究等领域发挥重要作用。

eCognition是德国Definiens Imaging公司开发的智能化影像分析软件，是目前商用遥感软件中第一个基于目标信息的遥感信息提取软件，它采用决策专家系统支持的模糊分类算法，突破了传统商业遥感软件单纯基于光谱信息进行影像分类的局限性，提出的面向对象的分类方法提高了高空间分辨率数据的自动识别精度，有效地满足了科研和工程应用的需求。由于eCognition与其他遥感、地理信息软件互操作性强，被广泛应用于自然资源和环境调查、农业、林业、土地利用、国防、管线管理、电信城市规划、制图、自然灾害监测、海岸带和海洋制图、地矿等方面。

一、研究区及研究数据概况

开展高分一号卫星数据土地利用现状解译能力测试工作，要求研究区地形、地貌类型比较齐全且在区域上具有一定的代表性，包括平原、丘陵和山区等各种地貌类型。同时，研究区内土地利用类型应较丰富。

根据数据覆盖、基础数据收集情况，最终选取了内蒙古自治区包头市石拐区和江苏省徐州市贾汪区作为研究区开展高分一号卫星数据土地利用现状解译能力测试工作。石拐区共接收3景数据，包括2景PMS数据和1景WFV数据。贾汪区共接收3景数据，包括2景PMS数据和1景WFV数据。

二、土地利用现状解译能力测试

遥感影像在土地资源调查与监测中应用的基础是影像地类的识别能力，也就是不同土地利用地类的可分性。土地利用现状信息解译是通过对遥感传感器接收到的电磁波辐射信息特征的分析来识别地物并进行分类的[2]。常用的信息提取方法是遥感影像计算机自动分类。eCognition提供nearest neighbor(最邻近法)和membership functions(隶属度函数法)两种分类方法，采用影像多尺度分割的法则对分类对象赋予各个特征语义法则实施具体分类[3]。

本试验首先采用eCognition软件的标准化最邻近分类方法分别对试验区WFV数据和PMS数据进行自动化现状信息提取，然后采取人机交互的方式对分类后的图斑进行修改完善，得到最终的土地利用现状分类，最后从中随机选取不同地类、不同面积的图斑，以更高分辨率影像分类结果作为真值，进行典型地类的属性精度、面积精度评价，在精度满足规定指标要求情况下，统计影像的最小可识别图斑，将面积最小值作为最小可识别图斑的面积。土地利用现状解译评价流程如图1所示。

图1　土地利用现状解译评价流程

1. 初步影像分割

eCognition软件中多尺度分割是较为常用的一个分割算法，是将影像进行分级分割获得不同级别的影像对象，基本思路是相邻的像元对符合异质性定义的最小标准自下而上地进行合并[4]。

单一尺度的分割很难顾及宏观和微观特征。在影像信息损失最小的前提下，以任意尺度生成属性信息类似的有意义的影像对象，构建不同尺度的影像对象网络层次结构，不同等级的地学过程可在相应尺度的影像对象层中得到反映[5]。试验采用多尺度分割算法进行影像分割。多尺度影像分割通过设置波段权重、均质性因子和分割尺度等标准，使影像的同质分割达到高度统一的程度[6]。

(1) 波段权重

影像层的分割结果可以依据重要性和适宜性的不同进行分割。在分割过程中，被分配的权重较高的影像层所包含的信息将被较多使用，影像层所包含的信息对于影像对象的描述是不重要的，一般被赋予小的权重或不赋予权重[7]。本试验分类波段权重设置为RED∶1、GREEN∶1、BLUE∶1。

(2) 分割尺度

相邻像元能够合并在一起成为一个对象的决定性因素是分割尺度[8]，分割尺度是一个衡量两个相邻影像对象的相似性(差异度)的阈值，它的选择直接决定能否得到理想的影像对象分割结果[9]。经过大量多尺度分割试验，分别找出WFV数据和PMS数据各试验区地物的最优分割尺度，试验表明，分割尺度为50时效果均较好。分割参数为10时，地物分割的多边形过于密集，地物被分割得过于破碎，基本无法提取类别信息。同一影像分割参数为10的分割效果如图2所示。

图2　分割参数为10的分割效果

分割参数为50时，道路、水域、建设用地和植被的划分较为明显。道路、水域被分割为一个个具有一定长度的长条状对象；植被的划分范围比较广泛，农用地包括整齐的菜地和地物处于生长期的耕地均能形成较为完整的多边形，对象均质性较好。同一影像分割参数为50的分割效果如图3所示。

分割参数为80时，可提取多边形较为完整的大面积的水体和建设用地，较小建设用地被综合在其他地类中，造成遗漏。同一影像分割参数为80的分割效果如图4所示。

(3) 同质性因子

最终分类结果与真实地物的符合程度不仅与尺度参数和波段权重的数值有关，还取决于颜色参数和形态参数的数值。颜色同质度是基于光谱信息的标准偏差，形状同质度是基于形状紧致度的标准偏差[10]。可以通过形状因子和紧致度的权重定义同质度。

图3　分割参数为50的分割效果

图4　分割参数为80的分割效果

低分辨率影像大部分是混合像元，地物的形状模糊，较多的颜色信息会忽略影像中其他的属性信息，根据经验将形状因子设置为0.2，紧致度因子设置为0.5。

2. 标准化最邻近分类

定义特征空间：通过分析比较，初步选择均值(mean)、标准差(std.dev)、比率(ratio)、亮度值(brightness)、Length/Width值5个特征进行分类，将这5个特征定义到各地类特征空间中。

选取样本：参考各试验区各地类影像特征，在工作区域中选取样本，每种地类特征都要建立样本，并且同类样本需保证一定数量。得到最终满意的分类结果要通过几轮的样本选择和分类，是一个迭代的过程。首先选取少量小样本，评估样本的质量，进行分类，得到分类结果后删除较差的样本[11]，添加更匹配的样本和误分类的影像对象创建样本，错分的影像对象通常位于该类特征空间区域的边界，把错分的类创建为样本可以准确地描述类覆盖的特征空间，之后再重新分类，直到得到满意的分类结果[12]。

优化特征空间：初步选择样本后，对初步定义的特征空间进行优化，选择最佳的特征组合进行分类。各试验区影像特征各不相同，特征组合也有所区别，在对每个试验区分类时要选择其最佳特征组合进行分类。

设定分类规则，对影像对象进行分类。出现的误分需要在迭代步骤中通过校正典型的误分对象进行改正[13]。重复把未分类的对象作为样本，把错分类的对象纠正到正确的类中，再次分类，检查分类结果[14]。重复这种指定样本和分类的循环过程，直到得到比较满意的分类结果。

从主观目视和客观定量两个方面对自动分类结果进行评定，其中客观定量评价主要从隶属度大小的角度来评价分类结果，包括最佳分类结果评价法和分类稳定性评价法。

3. 分类结果整理及修改

目前土地利用现状自动分类结果尚不能完全满足应用需要，需对自动分类结果进行人工修改、完善，并对所有现状图斑建立拓扑关系、自动统计图斑面积、填写属性表，主要包括：

1) 对自动分类结果中图斑边界不平滑、不准确的情况进行人工修改。图5为耕地边界综合过大的情况，自动分类结果与人工修改结果可对比分析。

图5

2) 对误分类图斑进行人工修改。水域误分为耕地的自动分类结果与人工修改示意如图6所示。

图6

3) 特征不明显的道路、河流等自动误分在其他类中，呈不连续状态，河流自动分类结果与人工修改结果示意如图7所示。

图7

4. 土地利用现状解译能力测试评价

从土地利用现状分类结果中随机选取不同地类、不同面积的图斑，以更高分辨率影像分类结果作为真值，分别进行各试验区WFV、PMS数据典型地类的属性精度、面积精度评价，在精度满足规定指标要求情况下，统计影像的最小可识别图斑，将面积最小值作为最小可识别图斑的面积，将测试结果填入土地利用现状解译能力测试评价表(见表1)。

表1　GF-1卫星土地利用现状解译能力测试评价

三、结束语

试验表明，利用eCognition软件采用面向对象的方法进行高分一号卫星数据的土地利用现状解译自动分类，从整体来看，分类结果较好，快速简便，而且能够达到较高精度，节省了大量的人力物力，为大面积土地利用调查和监测提供了基础支撑。但由于技术限制、个人水平差异等，仍存在一些误分、错分现象；另外，图斑边界也存在一定的误差。

根据不同的工程应用需求，一方面可以通过研究新的分类规则，进一步对影像对象进行细分；另一方面可将分类矢量结果导出，在ArcGIS等其他遥感处理软件中对其进行相应编辑处理，以达到目的要求。笔者认为高分一号卫星数据在土地利用现状调查中有很大的应用潜力，只是应用的方法还需要进行更多的研究，相信不久的未来在土地利用现状调查更新中高分一号卫星数据会有出色表现。

[1]中华人民共和国国土资源部. “高分一号”卫星发射成功[EB/OL]. [2013-05-02].http:∥www.mlr.gov.cn/xwdt/jrxw/201305/t20130502_1209918.htm.

[2]梅安新,彭望琭,秦其明,等.遥感导论[M].北京：高等教育出版社,2001.

[3]王文宇,李博.基于eCogniton的高分辨率遥感图像的自动识别分类技术[J].北京建筑工程学院学报,2006(4)：26-29.

[4]周春艳,王萍,张振勇，等.基于面向对象信息提取技术的城市用地分类[J].遥感技术与应用,2008,23(1):31-35.

[5]孙晓霞,张继贤,刘正军.利用面向对象的分类方法从IKONOS全色影像中提取河流和道路[J].测绘科学,2006,31(1):62-63.

[6]魏飞鸣.基于对象信息的遥感影像分类研究[D].成都：电子科技大学,2008.

[7] 丁晓英.eCognition在土地利用项目中的应用[J].测绘与空间地理信息,2005,28(6):116-120．

[8]蒋好忱,任宏权,秦先峰,等.eCognition影像自动解译及精度评价[J].测绘通报,2015(10):81-84.

[9]葛春青,张凌寒,杨杰.基于决策树规则的面向对象遥感影像分类[J].遥感信息,2009(2):86-90.

[10]杜凤兰.面向对象的地物分类方法分析与评价[J].遥感技术与应用,2004,19(1):20-23．

[11]术洪磊,毛赞猷.GIS辅助下的基于知识的遥感影像分类方法研究——以土地覆盖/土地利用类型为例[J].测绘学报,1997,26(4):328-336.

[12]杨大志,付洛玲,段嵘峰，等.基于面向对象分类方法的SPOT5影像土地利用信息提取研究——以河南省临颍县为例[C]∥中国土地学会学术年会论文集.北京：地质出版社,2007:609-614.