多源遥感技术在土地利用分类中的应用

马 腾，刘全明，孙 红

(1. 内蒙古农业大学水利与土木建筑工程学院，内蒙古 呼和浩特 010018； 2. 内蒙古自治区城镇供排水监测中心，内蒙古 呼和浩特 010018)

精确、大范围的土地利用分类，可为精准农业、土地资源调查、环境灾害监测等提供基础数据。遥感技术由于具有监测范围广、实时性好等优点被广泛应用于土地利用分类中[1-4]。

光学遥感是目前进行土地利用分类的主要手段，其数据获取便捷，可获取地物在可见光、红外等波长范围内反射或辐射的电磁波，通过波段间的组合运算可有效反映植被、土壤、水体等信息[5-6]。但光学遥感也有自身的局限性，如易受云、雨、雾的影响，仅能反映地物的光谱特征，对于物体表面的粗糙度及形状不敏感等，这些问题易导致光谱特性接近而属性不同物体的混分[7-8]。微波遥感属主动遥感范畴，可在一定程度上穿透云、雨、雾，并且对于地物的形状敏感，可通过极化目标分解方法将地物分解为物理机制清晰的目标[9-18]。极化目标分解方法中Freeman-Durden分解属于散射机制划分的较优方法[19]。该方法将地表划分为表面散射(或奇次散射)、体散射、二次散射(或偶次散射)3种类型，由于一般地物中极少出现3次以上散射，因此分解得到的三分量可对应表面散射、体散射及二次散射。各种散射机制对应于不同的土地利用类型，表面散射对应平坦地面、水面等区域；体散射对应林地、植被、低矮建筑物等区域；二次散射对应高大建筑、林地等区域。由Freeman-Durden分解后的各类散射机制对应的地物来看，3种散射机制难以完成高精度的土地利用类型划分，但其提供了多光谱数据所缺乏的物体形状信息。

将多光谱数据与微波数据相结合，可实现地物的光谱特征及微波散射特征互补，能在一定程度上避免多光谱遥感同物异谱或异物同谱的现象，同时可避免微波数据在Freeman-Durden分解后地物难以细分的现象。本文将多光谱数据与微波数据结合，可较为有效地降低地物误分类的概率，实现分类精度的提高。

1 研究区概况及数据获取

1.1 研究区域

选取内蒙古自治区河套灌区解放闸灌域内面积约200 km2区域作为研究区域。该研究区域位于巴彦淖尔市杭锦后旗附近，西北角经纬度为106.983 1°E、40.933 8°N，东南角经纬度为107.174 0°E、40.810 7°N，平均海拔1040 m，为典型的干旱、半干旱地区。研究区域内典型的土地利用类型为居民地、林地、耕地、水体、未利用土地。研究区域在河套灌区所处位置如图1所示。

图1 研究区域位置示意图

1.2 数据获取

研究区域的高分一号卫星影像空间分辨率为16 m，影像成像时间为2015年4月28日。研究区域的RADARSAT-2影像格式为单视复数影像，四极化成像方式，地面分辨率为8 m，成像时间为2015年4月24日，近距离入射角为24.5°，远距离入射角为26.4°，成像方式为右视。于2015年4月23日—4月25日进行了地面样本的采集工作，主要目的是为了获取影像分类样本及精度评定样本。样本包含了研究区域居民地、林地、耕地、水体、未利用土地5类典型土地利用类型，并测定其WGS-84坐标系下经纬度。居民地主要包含民用、工用建筑物；林地主要包含林地、苗圃等；耕地主要包含已翻种耕地、未翻耕地等；水体主要包含研究区域内的人工湖及蓄水池等；未利用土地主要包含荒芜耕地及盐渍化较为严重的土地等。

2 数据处理

2.1 数据预处理

对高分一号数据进行辐射校正、大气校正，利用地面控制点进行几何校正，校正后真彩色图像如图2(a)所示。之后提取RADARSAT-2数据的极化协方差矩阵C3。为避免斑点噪声的影响，对C3矩阵影像进行滤波处理，考虑滤波过程会造成图像分辨率的下降，从而导致图像细节信息的丢失，选择较小的7×7窗口的改进LEE滤波器进行滤波。对滤波后影像进行地理编码处理，再与多光谱影像配准，得到了可直接应用于极化目标分解的C3矩阵。

2.2 RADARSAT-2数据Freeman-Durden三分量分解

Freeman-Durden分解将极化协方差矩阵C3表示如下

C3=〈C3〉v+〈C3〉d+〈C3〉s

(1)

式中，〈C3〉v为体散射协方差矩阵；〈C3〉d为偶次散射矩阵；〈C3〉s为奇次散射矩阵。由于实际情况中3次以上散射很少出现，因此〈C3〉d可认定为二次散射矩阵、〈C3〉s可认定为表面散射矩阵；〈〉表示空间统计平均。

各散射协方差矩阵表示如下

(2)

(3)

式中，Ps为表面散射功率；Pd为二次散射功率；Pv为体散射功率。将散射功率转换为灰度级0～255，并进行伪彩色增强后图像如图2(b)、(c)、(d)所示。

图2 高分一号及RADARSAT-2、Freeman-Durden三分量图像

2.3 特征提取及特征选择

分析研究区域5种土地利用类型。其中耕地在影像获取期间尚未出苗，可利用NDVI实现林地与其他土地利用类型的划分，随机提取了分类样本中的5000点进行可分离性分析，如图3所示。在图3中可看出，林地与其他土地利用类型在NDVI波段中的可分离性较好，因此可利用NDVI将林地从其他土地利用类型中分离出来，在图中获取林地的分割阈值为NDVI≥0.166 3，即粗实线所在位置。

水体在可见光各波段均具有较低的反射率，但研究区内的水体由于受水生植物或漂浮物的影响，导致其在绿光波段反射率略强，因此可利用红色和蓝色波段进行水体的提取。利用红色及蓝色波段绘制的水体与其他类型地物的散点关系如图4所示。可见，水体与其他3种土地利用类型的分割阈值为蓝色波段亮度值≤1000，红色波段亮度值≤1801。

图3 NDVI散点图

居民地类型多样，主要包含居民住宅楼、棚户区建筑、工业厂房等。在红、绿、蓝及红外波段，居民地与耕地、未利用土地可分性不高，特别是棚户区建筑色调与耕地极为相似。根据Freeman-Durden分解理论可知，建筑主要产生体散射及二次散射，耕地、未利用土地由于粗糙度较小主要产生单次散射。对分类样本进行不同散射机制的统计分析，结果见表1。

表1 不同散射机制统计值

图4 红、蓝波段散点图

由表1可看出，居民地体散射均值远远大于表面散射及二次散射，表明居民地以体散射为主要散射机制，耕地、未利用土地以表面散射为主要散射机制。研究区域内部分面积较大的工业厂房屋顶多产生表面散射，并且其二次散射功率较大，一般大于耕地、未利用土地的二次散射功率。根据以上分析，确定出在居民地、耕地、未利用土地3种土地利用类型中提取居民地的条件应为满足该区域属于体散射区域或二次散射功率≥0.04。按照以上两个条件对居民地、耕地、未利用土地样本区域像素进行标记，满足任一条件标记其数值为1，不满足标记为0，对样本区域各随机抽取5000点进行求和计算，结果见表2。

表2 求和计算结果

由表2可知，在居民地样本区域抽取的5000点中，有145点被标记为0，即被划分至耕地或未利用土地区域中，耕地中没有被划分至居民地的像素，未利用土地中有31点被划分至居民地，误分率为3%。耕地、未利用土地的划分主要依靠二者光谱特征差异。未利用土地主要是盐渍化较为严重区域，其光谱反射率一般较高，在可见光波段与耕地可分离性较好，如图5所示。为便于确定阈值，对红色波段和蓝色段进行比值处理，处理后的样本分布散点如图6 所示。耕地与未利用土地的分割阈值为比值≥0.551 3。

图5 红、蓝波段散点图

图6 比值波段下散点图

3 土地利用类型划分及精度评定

3.1 土地利用类型划分

利用已确定出的5种土地利用类型的分割阈值，直接构建图像分类的决策树。决策树分为5层，每层分割出一种土地利用类型。整体决策树示意图如图7所示。

决策树分类图像如图8所示。

3.2 精度评定

利用采集获取的地面精度评定样本进行土地利用分类精度评定。精度评定的指标主要有整体分类精度及Kappa系数，并计算了分类混淆矩阵(见表3)。

由表3可知，误分类较多的地物类型为林地，其中大部分误分像素被划分至居民地，主要是由于空间分辨率所限导致产生混合像素。未利用土地部分像素被划分至耕地，主要是由于未利用土地范围内部分区域并未出现盐渍化现象，导致其光谱特性与耕地光谱特性极为接近。居民地中部分像素被划分至未利用土地是由于居民地中部分空地影响导致的。整个研究区域总分类精度为96.6%，Kappa系数为0.955，达到了较高的分类精度。

图7 决策树示意图

图8 决策树分类图像

土地利用类型居民地水体林地耕地未利用土地居民地5558018320水体02171000林地00228500耕地00266586218未利用土地2230602304样本数57812171250065882522总分类精度:96.6%Kappa系数:0.955

4 与其他分类方法的比较

将多源遥感土地利用分类的方法与另外两种监督分类方法进行比较，一种是常用的多光谱数据分类，另一种为通过Freeman-Durden三分量数据进行分类。采用多光谱分类时选择蓝、绿、红、近红外波段及NDVI指数作为特征向量，采用Freeman-Durden三分量数据进行分类时选择3种散射机制功率作为特征向量，分类方法采用最大似然法分类，分类样本及精度评定样本不变。分类混淆矩阵见表4，分类图像如图9、图10所示。

表4 不同分类方法精度比较

图9 高分一号最大似然分类图像

图10 RADARSAT-2最大似然分类图像

由表4可知，分类精度最低的为Freeman-Durden三分量分类，由图10可知，误分类最多的区域为居民地，部分像素被划分至林地区域，表明林地与居民地散射机制十分类似，耕地、水体、未利用土地3种土地利用类型也产生了较为严重的混分现象，主要原因是3种土地利用类型散射机制均为表面散射占优势，体散射及二次散射功率较低。因此，利用Freeman-Durden三分量分类可将居民地、林地区域与耕地、水体、未利用土地区域有效区分开，但无法区分林地与居民地两种土地利用类型，以及耕地、水体、未利用土地3种土地利用类型。多光谱数据分类方法精度优于Freeman-Durden三分量分类，从图9中可知，部分居民地区域被误分至未利用土地区域，说明居民地特别是低矮建筑密集的棚户区与未利用土地在光谱特性上极为相似，二者可分离性较低。耕地及未利用土地也存在错分现象，主要原因也是由于未利用土地范围内部分区域并未出现盐渍化现象，导致其光谱特性与耕地光谱特性极为接近。

5 结 语

利用多源遥感数据进行土地利用分类可实现遥感数据间的优势互补，能够有效避免多光谱数据易出现的同物异谱或异物同谱现象。多光谱数据区分林地、水体、未利用土地时具有较高的精度，但在居民地区域，不同建筑物区域光谱特征各异，特别是建筑较为密集的棚户区光谱特性与未出苗时耕地特性极为相似，并且样本点采集时难以实现各类型的完全覆盖，因而极易导致与耕地的混分。微波数据对于所观测物体的形状较为敏感，可根据地物散射机制的不同进行地物类型划分，可有效地区分建筑物与耕地，但微波数据在进行极化目标分解后，由于林地、居民地二者间，以及水体、耕地及未利用土地三者间散射特性极为相似，易导致混分。将多光谱数据与微波数据相结合进行多源遥感的土地利用分类，可有效地避免各数据源的自身缺陷，提高分类精度。