农用地分类中OLI影像合成最佳波段组合研究——以黑龙江省鹤岗市为例

邓家容

(黑龙江科技大学建筑工程学院，黑龙江哈尔滨 150022)

农用地是社会-经济-生态的复合体，具有增长经济、生态建设和社会保障功能[1]。农用地利用不仅给人类带来直接的经济效益，而且还带来生态效益或间接的社会效益[2]。随着我国社会经济的快速发展，人口的增长，建设用地的扩张，使农用地占地面积逐年减少，从而导致农用地资源的缺乏[3]。因此，掌握农用地变化的信息是改善农用地资源的必要途径之一。

随着“3S”时代发展，遥感影像数据已成为当下土地分类研究领域的热点，是获取各类土地利用实时信息最快速、最直接的手段[4]，且具有丰富的光谱信息。遥感数据已成为获取土地利用/土地覆盖变化(land use and land cover change，LUCC)数据的重要来源[5]。美国陆地卫星 Landsat 系列的遥感数据具有适合中等尺度研究的空间分辨率，并相对易于获取，在土地利用变化研究中应用最为普遍，并也在土地利用分类辨识中发挥重要作用[6]。2013年2月11日，美国航空航天局(national aeronautics and space administration，NASA)成功发射了Landsat 8卫星；Landsat 8卫星上携带了OLI陆地成像仪(operational land imager)及TIRS热红外传感器(thermal infrared sensor)，共11个波段。Landsat 8_TIRS遥感影像主要用于获取地球上2个热区地带的热量流失，其目的是了解观测地带水分消耗；而Landsat 8_OLI遥感影像主要用于获取陆地影像，在土地变化研究中应用广泛。该研究选择Landsat 8_OLI遥感影像数据在农用地分类中各波段信息提取进行研究。

在利用Landsat 8_OLI遥感影像数据进行土地变化监测的研究中，有的学者利用Landsat TM和Landsat 8 _OLI/TIRS影像，对2005—2015年水煤浆的土地利用变化进行评价[7]。有的学者应用遥感和地理信息系统技术对南埃及El-Galaba盆地农业扩展潜力的土地资源评价[8]。有的学者通过多源遥感影像融合快速获取准确的城市土地利用信息，提高遥感影像城市土地分类信息提取的精度，并为提取高原地区城市的土地利用分类提供研究参考[9]。学者利用多源遥感影像数据，采用分类回归决策树(CART)和支持向量机(SVM)方法对复杂地形的农作物进行分类[10]。有的学者以Landsat 8_OLI遥感影像为研究对象，利用最大似然法和决策树分类法，自动提取太原市区的土地变化信息[11]。研究表明，Landsat 8数据已经成为土地资源调查的主要数据源之一，适合区域和全球等不同尺度的研究和应用。

1 研究区概况及数据预处理

1.1研究区概况鹤岗市位于我国黑龙江省的东北部，隶属黑龙江省辖内的地级市，坐落于 “两江一岭”( 黑龙江、松花江、小兴安岭)围成的“金三角”区域；地理坐标为129°39′50″～ 132°31′00″E，47°03′30″～48°21′00″N。总面积14 684 km2，下辖2个县和6个区。地势是西北高东南低，全市可分为低山丘陵、漫岗、平原、沟谷及漫滩4种地貌类型。市区地势由西北向东南倾斜，西北部为山区，面积3 300 km2，占市区总面积的72%，是全市森林分布的集中地区。海拔200 m以上的山峰约有34座；有梧桐河、鹤立河、阿凌达河、嘉荫河等18条主要河流，水资源丰富且水域面积达10.95万hm2。因此，在选择最佳波段组合进行农用地分类时，有必要考虑耕地、林地、草地及其他农用地的地物与水域之间光谱特征差异。

1.2数据来源研究使用的数据主要来源于地理空间数据云(geospatial data cloud)，获取2016年7月6日、7月31日、8月23日3景Level 1的Landsat 8遥感影像，数据标识依次分别是LC81160272016188LGN00、LC81150272016213LGN00、LC81160262016236LGN00，且云量低，影像清晰。

1.3数据预处理基于ENVI 5.1遥感影像处理平台，运用无缝镶嵌工具(seamless mosaic)将获取的研究区3景遥感影像中波段2～7拼合起来；在ArcGIS10.2.2中将鹤岗市的边界线转换成Shapefile导入到ENVI中，裁剪出研究区域的影像数据，选择出最佳波段组合，为后期提取农用地分类信息奠定可靠的基础。由于Band 1蓝色波段(0.433～0.453 μm)主要应用于海岸带观测，Band 9 短波红外波段主要用于云检测，Band 8全色波段主要用于分辨率的融合，以上波段不适合该研究区域，因此在进行波段组合时不作考虑。

2 波段融合及最佳波段组合

2.1OLI影像常见的波段组合农用地分类中提取各种类型所包含的光谱信息与地表植被的覆盖情况有着较大的关联，不同的土地类型覆盖不同的植被类型，且包含不同的光谱特征，因此，波段组合的选择理应考虑较好反映植被覆盖情况的波段。根据人工解译最佳波段组合的效果，目前对常见的OLI影像各波段组合进行汇总，并简要说明其主要特点，如表1所示。

表1 OLI常见的波段组合

2.2OLI影像各波段间融合的光谱特征

2.2.1单波段的光谱特征信息分析。OLI遥感影像每个单色波段包含的地物光谱信息不同，分析其每个单波段的最大值、最小值、均值及标准差；其中标准差主要表达各波段所包含的光谱信息量，标准差值越大，说明该波段所包含的信息量越大，反之亦然。利用ENVI 5.1软件，通过波段融合功能将获取研究区影像中2～7波段进行融合，运用Statistics功能统计出各波段的光谱特征信息，以2016年7月6日一景为例。Band 5的标准差最大，为9 651.89，说明该波段所包含的信息量较多，其次是Band 6、Band 2，分别为5 701.31%、4 269.9%，标准差由大到小的顺序是Band 5(9 651.89%)> Band 6(5 701.31%)> Band 2(4 269.99%)> Band 3(4 025.49%)> Band 7(3 993.48%)> Band 4(3 506.38%)。

2.2.2多波段的相关系数矩阵分析。OLI影像在选择最佳波段组合时，还需要考虑每个波段之间的相关性及信息重叠程度；即每个波段间的相关系数较大，说明该波段组合之间的重叠信息较高及独立性较弱。由于波段间的组合存在多余的信息，该研究选择主成分分析(principal component analysis，PCA)来去除波段间的多余信息，且各波段间的相关性，可以通过主成分波段合成饱和度丰富及更有效的影像，以便后期的处理。利用ENVI5.1软件，在Toolbox工具箱中，选择PCA Rotation工具对多波段影像进行处理，最终统计出多波段相关系数矩阵(表2)。结果表明，Band 5与各波段间的相关系数均较小，基本均低于0.95，说明该波段的独立性较强，结合该波段的信息量来看，Band 5的光谱信息量较多，因此，Band 5可作为必选波段；Band 2与Band 3、Band 3与Band 4、Band 4与Band 2波段间的相关系数均高于0.99，波段间的独立性较弱，即可将Band 2、Band 3、Band 4归为一组；Band 6与Band 7与各波段间的相关系数基本均高于0.97以上，因此可将其归为一组，进行波段组合时对其选择其一即可；根据以上的波段筛选，最终筛选出的波段组合为456、457、356、357、256、257 6种组合方案。

表2 OLI影像各波段间相关系数矩阵统计

2.3最佳波段组合选择通过最佳指数法(OIF)选取研究区的最佳波段组合，最佳指数法(OIF)是1994年由美国的Chavez提出，主要考虑每个波段相组合时呈现的相关系数矩阵和各波段包含的光谱特征信息之间的相关性[12]，表达公式如下：

(1)

式中，Si为第i个波段的标准差；Rij为波段i、j之间的相关系数。

通过计算公式可以看出，OIF与波段组合时标准差之和呈递增的关系，与波段组合间的相关系数之和呈递减的关系；标准差越大，则波段的信息越丰富，相关系数越小，则波段的独立性较强，因此，OIF值越大，说明该波段组合可视为最佳波段组合。对Band 2～Band 7共6个波段进行分析后，筛选出6种波段组合，利用最佳指数计算公式进行计算，结果如表3所示。OIF指数值排列依次是：256>356>456>257>357>457。Band 2、Band 5、Band 6组合，其OIF值最大，说明其波段间组合重叠信息较少，独立性较高，信息量最多；其次是Band 3、Band 5、Band 6和Band 4、Band 5、Band 6。因此，目前Band 2、Band 5、Band 6组合可视为最佳波段组合。将其排列前三的波段组合进行融合，结果如图1所示。

表3 各波段组合的最佳指数值

图1 256、356、456波段组合的影像Fig.1 Band combination image of 256，356，456

2.4主要地物的光谱曲线分析通过最佳指数计算，筛选出的最佳波段组合在农用地分类中各类地物识别差异不明显。因此，农用地分类中针对各类用地的地物识别进一步分析，确定适用于研究领域的最佳波段组合。利用ENVI5.1遥感处理平台，借助2016年鹤岗市土地利用现状图、土地利用现状分类(GB/T 21010—2017)中农用地分类及实地调研收集的资料，在裁剪的研究区影像范围内对耕地、林地、草地、建设用地及其他农用地5种地物类型，分别在不同的位置选取20个采样点，统计每个采样点在各波段上的灰度值，然后取均值得到各类地物的光谱特征曲线，结果如图2所示，Band 2和Band 3各类地物的光谱特征较相近，且辨别较难；Band 4、Band 5、Band 6、Band 7各类地物的光谱特征差异较大，便于地物信息的识别。结合上面的分析结果，适用于研究区农用地分类的最佳波段组合为456或457，而波段4、5、6组合的最佳指数居于第三，因此，456波段组合被视为最佳波段组合。

图2 主要地物的光谱特征曲线Fig.2 Spectral signature curves of main culture

3 结论

以Landsat 8_OLI影像为研究对象，利用光谱特征分析、最佳指数及农用地分类中主要地物的光谱特征曲线分析等研究方法，最终确定研究区所在的遥感影像适用于农用地分类的最佳波段组合，主要研究结果如下：①Landsat 8_OLI影像中Band 5所包含的光谱信息量最多，且Band 5与各波段相关性系数相对较小，说明Band 5光谱信息独立性较强，应为必选波段；②OLI影像中Band 2～4之间相关系数较高，光谱信息重复性较强，其次是Band 6和Band 7，将其分成2组，分别从中各选其一与Band 5进行组合；③利用最佳指数(OIF)计算可知，初步筛选出最佳波段组合为256、356、456；④结合研究区农用地中主要地物类型光谱特征分析，最终确定可用于农用地利用信息提取的最佳波段为456，其对多种地物类型的光谱特征具有较好的目译效果，有易于计算机分类识别，为后续研究过程提供更加真实可靠的数据。