土地利用遥感信息提取关键技术探讨

张正明，张志勋，常永青，王 春

(1. 江苏省测绘产品质量监督检验站，江苏 南京 210013； 2. 如皋市勘测院,江苏 南通 226500； 3. 南京市规划局，江苏 南京 210029； 4. 滁州学院,安徽 滁州 239000)

随着生态环境的日益退化，政府部门更加需要及时掌握土地利用数据的动态变化情况。在土地利用数据获取中，遥感技术被广泛使用，而影像解译是其应用的关键，解译结果直接影响数据质量。在传统的影像解译中，主要是目视解译和计算机自动解译[1]。其中，目视解译出现时间最早，主要是根据解译工作者的工作经验和专业知识进行地物判读，是最直接最基本的解译方法[2]；计算机自动解译是随着计算机技术的发展而出现的一种利用计算机判读遥感影像信息、进行地物分类的方法。该方法极大地提高了分类效率，但由于地物光谱具有复杂性，使得分类结果精度较低[3]。为提高影像分类精度，国内外学者做了大量研究工作[4-7]。目前各种分类方法都存在一定的局限性，仍需要针对具体研究对象进一步加强相关研究。某省南北跨度较大，气候差异较为明显，地形地貌区域差异明显，地物复杂多样，传统解译结果精度较低，无法满足较高的研究要求。因此，本文从地物光谱特征差异出发，结合土地利用特点，提出一种适宜的遥感影像解译方法。

1 研究区概况及数据选取

1.1 研究区概况

某省位于我国东部地区，总面积约10万平方千米。从北到南依次为淮河流域和长江流域，水域面积广阔。该省属于亚热带与暖温带过渡区，是典型的季风气候区，淮河以北为温带季风气候，淮河以南为亚热带季风气候，四季分明。自然区域上划分为平原、丘陵和江南山区。

1.2 数据来源

本文研究数据来源于地理空间数据云平台，下载覆盖该省区域的2014年TM影像，各影像云量均低于5%，选取b1、b2、b3、b4、b5、b7波段进行研究。在ENVI软件中，对各影像进行拼接、裁剪，采用1∶50 000 地形图对省区域裁剪影像进行几何校正，校正方法采用二项式，校正精度小于0.5个像元，最后进行研究区影像反射率计算。

参考《中科院LUCC分类体系》，结合研究区实际情况及研究需要，将该省土地利用划分为6个一级类和17个二级类，具体分类见表1。

表1 省土地分类体系

2 土地利用信息

2.1 光谱信息

在地面选取实际地类样点，使用GPS进行空间定位，并确定土地利用类型，将定位样点数据与影像数据进行一一对应，获取不同地类的光谱信息，分析其光谱特征(如图1所示)，其中湿地二级地类光谱特征差异过小，在此不予讨论。

由图1可以看出，各地类的光谱反射率整体上存在一定区分度，如林地、草地与建设用地和裸地之间的光谱差异较为明显，能够直接通过单一波段进行区分，但是多数地物无法直接通过单一光谱信息进行确定。进一步分析不同地类光谱曲线，可以发现多数地物虽然不能通过单一波段进行区分，但是在不同波段上，地物之间的波段差异不同，如果能够将这种不同差异的信息利用起来进行地物区分，可能会有较好效果。如1、2、3、5、7波段，林地、草地的光谱发射率明显低于建设用地、裸地，利用这几个波段的反射率进行加和运算，能够扩大林地、草地地物光谱与建设用地和裸地之间的区别，便于地物区分；疏林地与道路在第4、5、7波段几乎没有什么光谱区别，但是在第1、2、3波段光谱差异相对明显，使用3个波段反射率加和可以很好地进行区分；第2、3波段加和能够区分出高盖度草地和底盖度草地；利用NDVI=(ρ4-ρ3)/(ρ4+ρ3)可以有效地分离有林地、高盖度草地和其他林地。这样逐层划分，从一级地类到二级地类，通过分析光谱特征可以快速准确地进行地类区分。

图1 不同地类的各波段反射率光谱曲线

2.2 光谱角分类

光谱角分类(spectral angle mapper,SAM)技术是一种根据亚像元组分光谱或样本光谱与待分类像元光谱之间的夹角进行地物信息提取的方法，属于光谱匹配技术。在运用光谱角分类技术时，选取的组分光谱属于混合像元内部在亚像元尺度的混合组分光谱，因此该光谱是单一的纯光谱，代表了最纯地物类型，能够看作某一类型地物的参照光谱。混合像元现象普遍存在，绝大多数像元均属于混合像元，包含多种地物类型。

光谱角分类技术原理为：将波段数为N的光谱看成N维空间中的矢量，在这个空间中，不同光谱矢量间的角度称为光谱角，且不同的光谱矢量均具有长度和方向。在二维空间中，不同的光谱矢量夹角如图2所示[8]。

光谱角分类的目的是通过不同光谱角影像的光谱阈值将各组地类区分开，根据设定的光谱矢量角度阈值判定影像各像元的归属类别，与某一地物类别的参考光谱矢量的夹角小于设定阈值时，该像元就被判定为该类别，光谱矢量夹角越小，说明待分类像元矢量光谱与参考地物类别的矢量光谱越相似，分类的精度与概率越高。光谱角分类技术在N维空间中能够采用数学表达式计算参考矢量光谱和待分类像元矢量光谱间的夹角，具体计算公式如下[8]

(1)

式中，X代表待分类像元光谱矢量；Y代表参考光谱矢量；a代表参考光谱矢量和待分类像元光谱矢量间的夹角。当a值较小时，表示参考光谱和待分类像元光谱具有较高的相似度，a弧度角取值范围为(0，π/2)。

图2 光谱角分类的2D图示

若采用cosa进行表示，公式如下

(2)

此时，cosa值越靠近1，说明参考光谱和待分类像元光谱越相似。在进行光谱角分类之前，应当选取恰当的基本组分，即获取研究区基本组分的数量

和基本组分的光谱信息[9]。

通过试验发现，以基本组分与影像建立对应关系能够达到较好的效果，并且避免了地面实测光谱复杂的测量和变换工作，因此本文在影像中获取了基本组分。使用掩膜去除水体并对TM反射率影像进行最小噪声分离变换(minimum noise fraction rotation，MNF)[10]，消除不同波段间的相关性，根据极端基本组分法选取了基本组分。MNF分量1与分量2在水体去除以后构成的二维特征空间如图3所示，其中特征空间中的4个顶角代表了研究区内的4种同质区域：①裸地，包括裸土地、裸岩地；②耕地，包括水田、旱地；③植被，包括草地、林地；④建设用地，包括城镇用地、农村居民用地、其他建设用地。通过对大面积实地进行考察可知，去除水体后的绝大多数地物光谱可以采用裸地、耕地、植被和建设用地这4种基本组分的光谱来混合表达。随后，根据最小包含特征空间法确定这4种基本组分的光谱，即在特征空间中距离4个顶角最近的约100个像元的反射率光谱均值。由TM反射率影像采用基本组分分解，获取4种地类的光谱角度影像(如图4所示)。

图3 去除水体后最小噪声分离变换前2个分量构成的特征空间

图4 光谱角分类的4种光谱角度影像

2.3 分类规则构建

研究结果显示，提取水体的阈值为NDVI影像中NDVI<0；在耕地、建设用地、裸地和植被光谱角影像中，影像阈值分别为<0.21、<0.17、<0.22、<0.35，根据各地类的影像阈值建立对应地类的掩膜影像。首先，采用NDVI影像掩膜原始反射率图像，获取水体，并获取水体去除后的影像；然后根据植被光谱角度影像掩膜去除水体后的影像，获取植被，并获取水体和植被去除后的影像；同样的，根据耕地、裸地、建设用地光谱角度影像掩膜剩余影像得到相应地类。

利用光谱角分类技术可以将一级地类很好地分离，但对于二级地类却无法直接利用光谱角分类技术进行分类。试验发现，根据各光谱角度影像掩膜后图像中的小地类能够建立波段组合规则来进行提取。分别在掩膜获取的裸地影像、耕地影像、植被影像、建设用地影像中，根据二级地类的光谱特征，构建分类形式和相应的分类阈值进行分类。具体的分类规则见表2。

依据光谱特征很难直接区分水体的2级地类，但是不同水体存在形状特征的差异，在NDVI掩膜得到的水体影像上，根据以下特征进行区分：河渠较为细长；湖泊面积较大，形状多样；水库/坑塘面积较小，形状相对规则，且多有建设用地相临；滩地分布在河、湖水域周围，可通过丰水期和枯水期影像的叠加分析得到。

表2 二级地类分类规则构建

3 结果评价

利用已有的2014年土地利用目视解译结果进行分类面积精度检验(见表3)和空间分布精度检验(见表4)；同时采用最大似然法进行监督分类，作为分类结果精度对比方法。

表3 提取结果面积精度分析

由表3可知，本文研究方法分类的平均面积精度达76.2%，其中对大多数的土地利用类型提取精度在70%以上，有9类分类精度在80%以上，精度最高的达95.3%，而中盖度草地面积精度在40%以下，这主要是由于中盖度草地与高盖度草地在影像上难以准确界定。单纯采用监督分类法进行分类时，平均面积精度仅为45.3%，面积精度最高的水田为82.2%，大多数都低于50%。

表4 提取结果空间精度分析

由表4可以看出，该研究方法分类结果的精度较监督分类结果明显提高，平均精度由65.9%提高到77.2%，监督分类结果仅有6类分类精度在70%以上，精度最高的湖泊为82.3%；而模型分类结果精度在70%以上的有15种，其中分类精度最高的是水库/坑塘，分类精度达94.9%。因此，本文研究方法适用于地类复杂多样区域的地类分类。

4 结论与讨论

地物种类较多且光谱混淆严重，采用某一种传统的自动解译技术几乎无法实现地物类别的准确获取，而基于不同地类光谱特征差异，利用光谱角技术进行一级地类的区分，利用不同波段光谱反射率差异进一步区分二级地类，可以根据具体光谱特征建立地物遥感分类体系，较好地进行地类分类(除水体的二级地类，水体可以使用形状特征及其他特征进行二级分类)。

光谱角分类技术主要识别角度的差别，向量本身长度与不同光谱向量间的角度没有关联。因此，光谱角分类技术略去光谱向量的长度，重视光谱角度，提升了光谱曲线特征的主导性，与传统方法相比，具有更明显的价值。另外，由于同物异谱和同谱异物现象的干扰，使得传统技术自动分类的结果漏分、错分现象非常严重。光谱角分类技术利用各地物具有不易受干扰的独特的吸收峰的特点，大大减少了自动解译过程中的漏分和错分现象。但是，本文仅对某省土地分类进行了探讨，对于其他地区是否适用仍需大量研究。

随着多学科交叉学习的不断深入，不同学科的研究方法应用于遥感研究领域将更加普遍，对此方面的进一步研究将有助于改善传统研究方法中存在的不足，推动相关研究的进一步发展。因此，探讨不同学科研究方法在遥感领域的应用是未来研究的一个新方向。

参考文献：

[1] 史泽鹏，马友华，王玉佳，等.遥感影像土地利用/覆盖分类方法研究进展[J].中国农学通报，2012，28(12)：273-278.

[2] 张增祥，汪潇，温庆可，等.土地资源遥感应用研究进展[J].遥感学报，2016，20(5)：1243-1258.

[3] 周天宁，明冬萍，赵睿.参数优化随机森林算法的土地覆盖分类[J].测绘科学，2017，42(2)：88-94.

[4] 黄明，吴延斌.基于混沌遗传算法的遥感影像分类[J].测绘科学，2011，36(2)：5-8.

[5] RODRIGUEZ-GALIANO V F，GHIMIRE B，ROGAN J，et al.An Assessment of the Effectiveness of a Random Forest Classifier for Land-cover Classification[J].ISPRS Journal of Photogrammetry and Remote Sensing，2012，67(1)：93-104.

[6] 施佩荣，陈永富，刘华，等.基于改进的面向对象遥感影像分类方法研究——以西藏米林县典型林区为例[J].遥感技术与应用，2017，32(3)：466-474.

[7] 丁胜锋，孙劲光，陈东莉，等.基于模糊双支持向量机的遥感图像分类研究[J].遥感技术与应用，2012，27(3)：353-358.

[8] 梁继，王建，王建华.基于光谱角分类器遥感影像的自动分类和精度分析研究[J].遥感技术与应用，2002，17(6)：299-303.

[9] ANDREW J E，JOHN F M.Quantifying Vegetation Change in Semiarid Environments：Precision and Accuracy of Spectral Mixture Analysis and the Normalized Difference Vegetation Index [J].Remote Sensing of Environment，2000，73(1)：87-102.

[10] SMALL C.Estimation of Urban Vegetation Abundance by Spectral Mixture Analysis [J].International Journal of Remote Sensing，2001，22(7)：1305-1334.

[11] 黄冬梅, 陈珂, 王振华, 等. 利用空间抽样理论的遥感影像分类结果精度评价方法[J]. 计算机应用与软件, 2016, 33(7): 190-194.

[12] 苏志鹄, 梁勤欧, 朱榴骏. 不同形态学剖面线遥感影像分类精度比较[J]. 遥感信息, 2015, 30(2): 36-42.

[13] 杜培军, 夏俊士, 薛朝辉, 等. 高光谱遥感影像分类研究进展[J]. 遥感学报, 2016, 20(2): 236-256.

[14] 洪志刚, 丛楠, 阎利, 等. 不同时相遥感影像的土地利用分类精度分析[J]. 测绘科学, 2012, 37(1): 112-114.