基于高分一号影像的天津市宝坻区地表覆盖分类研究

吴培昊 马浩然

摘    要：由于国产高分一号卫星WFV相机的16 m数据获取具有免费、时效性好等特点而被广泛应用于遥感信息提取。面向对象的分类方法能够解决基于传统像素的分类方法所具有的破碎性强、易产生同谱异物现象的问题。本研究采用基于面向对象的分类思路，以天津市宝坻区为研究区域，通过获取高分一号卫星影像并进行预处理，利用遥感信息处理软件eCognition对该数据进行影像分割，并对影像分割斑块进行基于规则的分类，提取出宝坻区范围内植被、水体、建设用地、裸地四类地物，并利用高分辨率影像对比进行精度验证，分类总精度达到93%。结果表明：利用高分一号国产卫星16 m影像，采用面向对象的分类思路进行地表覆盖类别的信息提取，可以快速便捷地实现目标区域空间地理信息的获取，对于监测地表覆盖面积和分布状况起到指导作用。

关键词：高分一号影像;地表覆盖分类;天津市;宝坻区

中图分类号：S127           文献标识码：A         DOI 编码：10.3969/j.issn.1006-6500.2020.02.007

Study on Landcover Classification in Baodi District Tianjin City Based on Gaofen-1 Satellite Image

WU Peihao， MA Haoran

（College of Agronomy and Resources and Environment， Tianjin Agricultural University， Tianjin 300384， China）

Abstract： The 16 m data of WFV camera of domestic Gaofen-1 satellite is widely used in remote sensing information extraction due to its free access and good timeliness. The object-based classification method can solve the problem that the traditional pixel-based classification method has strong fragmentation and is easy to produce the same spectrum of different objects. In this study， we use object-oriented classification method and taking Baodi district Tianjin city as the research target， acquiring and preprocessing GF-1 satellite image， using eCognition software to process segmentation of image， and classify the segmentation image with rule-based extraction method， and extract the vegetation， water， construction land and bare land of Baodi district. Using higher resolution image to verify classification result， the overall accuracy of accuracy verification results reaches 93%. Results showed that using 16 m resolution of GF-1 satellite images with the object-based method to extract landcover categories could be help extracting geographic information target region quickly and easily， and played a guiding role on monitoring the landcover area and distribution.

Key words： GF-1 remote sensing image; land cover classification; Tianjin city; Baodi district

地表覆盖分类信息是能够反映自然、人工地表覆盖要素的综合体，包含植被、土壤、河流、湖泊、冰川、沼泽湿地及各类人工构筑物等元素，侧重描述地球表面的自然属性，具有明确的时间及空间特性。获取地表覆盖分类信息工作数据量大、实时性强、人工监测费时，利用遥感影像进行自动化分类长期以来一直是研究的热点。传统大面积获取遥感数据除了使用开源的国外数据例如MODIS、Landsat影像外，大都采用向国内外供应商购买的方式获取遥感影像数据。对于大面积范围的监测，购买数据的成本一直以來是一个制约数据应用的难题。随着国产卫星的发展和高分辨率卫星的相继发射，我国高分辨率数据自给率有了很大提升。“高分一号”卫星是国家高分辨率对地观测系统重大专项天基系统中的首发星[1]，发射于2013年4月26日，其主要目的是突破高空间分辨率、多光谱与高时间分辨率结合的光学遥感技术，推动我国卫星数据质量水平的提升。“高分一号”卫星具有高、中空间分辨率对地观测和大幅宽成像结合的特点，WFV相机的16 m空间分辨率多光谱图像组合幅宽优于800 km。高分一号16 m数据的特点是容易获取，目前在国内商业和政府网站上可以免费申请使用。高分一号WFV相机数据参数见表1。

诸多学者利用高分一号数据进行了信息提取，杨长坤等[2]采用支持向量机算法对辽宁阜新地区的高分一号影像进行像素级别的土地利用分类，结果表明高分一号影像分类结果可与Landsat 8影像分类结果媲美。刘书含等[3]对高分一号影像采用面向对象分类方法对比传统像素级的分类方法，在尺度适宜时分类效果优于像素级分类方法，尺度不合适时效果则差于像素级方法。麻锴等[4]使用高分一号宽幅多光谱数据构建湿地分类决策树模型，结果表明NDVI 和NDWI指数可以较好地提取出植被和水体。李健等[5]用6种分类方法对湖南省益阳市的高分一号影像进行分类，研究结果表明基于像素的支持向量机的监督分类和基于对象的监督分类具有一定的优势。谢飞[6]对高分一号影像分别应用基于像素的最大似然分类法和基于对象的知识构建决策树分类法对影像进行遥感分类，得出面向对象分类方法分类精度更佳。丁相元等[7]用16 m高分一号影像对沙化土地类型的光谱特征及其全年的NDVI变化特征进行了分析，发现时间序列数据变化信息可提高沙化土地类别之间的可分离度。程益锋等[8]对西沙群岛高分一号16 m的数据进行了最小距离、马氏距离、最大似然、神经网络、支持向量机等基于像元的监督分类和使用面向对象分类，结果表明像素级支持向量机和面向对象分类方法精度较高。欧健滨等[9]基于多时相的高分一号16 m数据获取NDVI 时序变化指数，结合MNDVI 、EIBI指数和DEM等构建阈值规则分类法，结果优于最大似然法及最小距离法。不同的學者针对高分一号影像提取不同地物，相应采用了不同的方法，总体来说面向对象的分类思路要优于基于像素的分类思路，分类算法根据地类选择有所不同，但植被指数和水体指数等在分别提取植被和水体时均取得了较好的效果，可以作为分类的参考方法。

本研究旨在研究利用高分一号16 m分辨率影像数据区分地表覆盖一级类别，结合高分一号时效性强的特点，可以快速地获取高分一号数据，并为地表覆盖分布和动态变化分析做出指导。

1 数据来源和研究方法

1.1 研究区概况和数据来源

1.1.1 研究区域概况    宝坻区位于天津市北部，东经117°8'～117°40'，北纬39°21'～39°50'。东及东南与河北省玉田县、天津市宁河区相邻;南及西南与天津市宁河区、武清区接壤;西及西北与河北省香河县、三河市相连;北及东北与天津市蓟州区、河北省玉田县隔河相望。本研究区域为宝坻区全域，面积约1 509 km2，高程为2.5～3.0 m。

1.1.2 数据来源以及预处理    本文所使用的数据为高分一号卫星多光谱WFV相机的16 m分辨率影像数据，影像获取来自遥感集市免费下载，影像成像时间为2017年8月30日，影像包含4个波段：红、绿、蓝、近红外波段。本研究应用ENVI 5.3遥感影像处理软件对影像进行了预处理。邓书斌[10]认为：对于分辨率小于或等于15 m，且具有RPC文件的图像，可以采用正射校正的方法完成几何校正，以达到更高的精度要求。本研究中使用的高分一号数据是1A级产品，提供了配套的卫星直传姿轨数据生产的RPC文件，因此几何校正部分主要采用原始数据自带的RPC参数，进行基于影像自带参数和高程的正射校正。另外根据宝坻区的矢量范围，得到宝坻区范围内的遥感影像，用于试验与分析处理。裁剪后的影像效果如图1。

1.2 研究方法

本研究旨在研究天津市宝坻区地表覆盖类型分类情况，利用国产高分一号16 m分辨率遥感影像作为数据源，采用基于影像分割对象的规则分类方法进行分类，区分出天津市宝坻区水体、植被、建设用地和裸地的分布范围。研究选用的遥感数据为植被长势良好的8月份，避免大量农田进行收割后出现裸露地表的状况，有利于准确提取植被覆盖范围。

1.2.1 基于对象的遥感影像特征提取    传统的遥感信息提取技术依靠影像的像素作为基元进行分类，此种方法直接针对影像进行分类，效果迅速但容易忽略邻近影像地物整片图斑的结构和纹理信息，对于同类别地物之间异质性较强的情况不能较好地避免。

基于对象分类技术则是通过影像分割得到均质影像对象，集合邻近像元为对象用来识别感兴趣的光谱和形状等要素，需要先通过对影像进行分割形成许多个特征较为同质的影像对象，影像中同类地物的特征差异会减小，而不同类型地物之间的差异则加大，在一定程度上增加了类别的可分性。首先将影像分割成有意义的影像斑块，并提取对象斑块的各种特征属性，然后再基于特征空间对影像进行分类[11]。基于对象的分类技术能够充分利用高分辨率的全色和多光谱数据的空间、纹理和光谱信息来分割和分类，基于对象的分类技术适宜用于在中高分辨率的遥感数据中提取信息。

1.2.2 基于规则的特征提取    基于规则的特征提取首先会对全部分割对象斑块进行某个特征的运算，通过计算机与人工分析选择适合的特征，确定相应的特征阈值范围。操作时对特征运算结果进行阈值的限制，提取出每个特征阈值范围内属于某个类别属性，最终得到至少两种类别的分类结果。通过使用多种特征包括遥感影像提供的多个波段信息及其组合特征规则进行限定，可以得到不同地物类型的地类区分，由于本文研究的地块范围较大，每种类别内部同质性较高，适用于此种规律性较强的规则阈值分类。在建立规则时，有的类别难以用一个特征规则表达出来，由于此类别的区分可能需要由若干个规则组成，通过多个规则条件对类别加以限制，提取结果更为准确。

1.2.3 影像分割    影像分割常常会综合影像中邻近像素的亮度、纹理、颜色等对影像进行分割，影像分割技术主要分为基于边缘检测的分割技术和基于区域生长的分割技术，每种方法在不同条件下都有其不同的适合影像。影像分割是对面向对象影像信息提取的一个关键步骤，影像分割结果直接关系到后面特征信息提取的精度，此分割对象与地物的边界吻合度越高，特征信息提取结果越准确[12]。

本文采用基于区域生长合并的分割方法使用较广泛、效果较好[13]。利用eCognition软件对影像进行多尺度分割，通过设置“分割尺度（Scale Parameter）”调节分割斑块大小，“形状因子（shape）”调节对象几何特征，“紧致度因子（Compactness）”调节对象的边缘平滑度。

本文设置的分割尺度为，分割尺度：30;形状因子：0.2;紧致度因子：0.5，经过测试分类结果能够满足要提取的水体、植被、建设用地等地物的分割效果。

1.2.4 规则阈值分类   本文使用进行规则阈值分类，分类是在影像分割后进行。由于每个分割后的影像对象是由多个像素构成的，因此可以计算出每个影像对象的光谱、纹理、性状等多种信息。通过选取这些信息中的典型特征，逐一对每个类别进行区分，本研究操作使用的是eCognition软件的Assign Class算法，该算法的特点是每次只能区分一个类别，但是可以设定多个规则条件，因此可以针对水体、植被、建设用地、裸地选用典型的特征进行一一提取。该分类方法可以设置每次对未分类部分进行分类，即每次分类与已分类类别不冲突。分类的关键是构建规则和阈值之前需要先选取典型地物提取特征，然后再根据每个目标类别制定相应的分类提取规则。影像常用的对象特征包括光谱特征、纹理特征和空间特征。

光谱特征是描述影像对象的光谱信息特征，与对象内像元的灰度值有关，它是由实际地物组成成分和影像成像状态所决定的固有的光学物理属性[14]。常用的描述影像对象的光谱特征有均值、亮度、方差、波段灰度比值、比值指數等特征。光谱特征是遥感影像数据分析的基础，光谱特征不仅可以直接用来作为提取特征，也可以作为构建指数特征的基础，将多个光谱特征之间建立线性或非线性的关系，可以生成各类典型指数，比如植被指数、水体指数等。

本文提取植被和水体就分别用到了植被指数和水体指数。

归一化植被指数NDVI= （NIR-R）/（NIR+R）

归一化水体指数NDWI = （Green- NIR）/（Green+NIR）

蓝波段比值：Ratio B=Blue/（Blue+Green+Red+NIR）

平均偏差滤波算法（Abs. Mean Deviation Filter）：计算某个波段的高斯加权平均值的偏差。

式中，NIR为近红外波段均值，R为红波段均值，Green为绿波段均值，Blue为蓝波段均值。

1.2.5 分类规则建立    阈值分类最主要的就是根据影像特征建立分类规则，建立分类规则常常需要根据已有的经验或者特征进行试验尝试，得到区分每种地物的最适宜特征，例如植被指数、波段比值等。eCognition Developer软件中提供的对象计算工具能够方便地执行图像中各个波段的加、减、乘、除、三角函数、指数、对数等数学函数计算。

分类操作是在eCognition Developer软件中直接进行，对植被、水体、建设用地等地物进行不同波段特征的分析，根据前人的研究经验和试验多次尝试，确定每种适宜提取每种地物的特征。其中植被指数和水体指数是研究和实践证明能够提取植被、水体效果较好的指数。

建设用地由于大多为不透水的水泥地和建筑等，在蓝波段响应明显，蓝波段比值以及蓝波段的标准差也会有明显的响应。裸地是提取难度较大的地物，由于与建设用地和未耕耕地较为接近，因此放在最后提取。提取操作过程通过Customized Fearture功能计算水体指数（NDWI）、植被指数（NDVI）以及蓝波段比值。几个类别的提取规则设置如下：

水体：NDWI > 0 and Mean_NIR<370

植被：NDVI > 0.2 and not水体

建设用地：Ratio_Blue >= 0.24 and stand deviation_

Blue>=13 and Abs.Mean_Deviation Filter_Blue>4 and Mean_Red >= 360.

裸地：手动提取。由于裸地部分很少，典型特征不明显，使用规则分类意义不大，因此采用手动进行区分裸地。手动提取裸地的效果如图3中黄色部分。

2 结果分析与精度验证

应用高分一号卫星影对像天津市宝坻区主要地表覆盖类型进行基于规则阈值的方法分类，区分出植被、水体、建设用地、裸地。得到的分类结果如图4。

进行精度验证是在影像范围内随机生成样本点，利用样本点的实际地物属性与分类结果的地物属性进行匹配与对比，统计出分类精度。本研究根据宝坻区范围在影像内利用ArcGIS软件随机生成115个随机取样点，在Google earth高清影像中对这些样本点一一进行目视识别，保证精确性。通过确定每个验证点的属性类别属性，用于对已分类结果进行精度验证。这115个点的位置分布如图5。

利用这115个点生成混淆矩阵，混淆矩阵可以计算出每个类别的分类精度，统计计算出总的分类精度。计算出的混淆矩阵验证结果如表2所示。

3 结论与讨论

本研究以国产高分一号WFV相机传感器16 m分辨率的影像为数据源，采用先对影像进行多尺度分割，再针对分割对象采用规则阈值的分类方法，能够较好地避免基于像素分类方法导致的破碎化和同谱异物现象。分类方法采用的基于特征的阈值分类方法，通过构建植被指数、水体指数以及蓝波段比值和标准差等特征，实现对水体、植被、建设用地信息的提取，对于利用指数构建大范围水体、植被规则，具有较佳效果，形成了2017年8月30日的影像分类结果，并进行了精度验证。研究结果表明：针对高分一号16 m分辨率的四波段影像采用指数阈值分类对于提取水体、植被具有较好的效果，主要由于水体、植被内部均质性较强，阈值分类方法不容易与其他地物混淆。相较于选择样本的监督分类减少一些工作量，这种方法经验知识可靠有效。对于建设用地，如果内部异质性不太大的话也能取得较好的提取效果，裸地由于与建设用地很相似，但实际上不像建设用地那样不透水，其区分是一个难点，本研究中裸地较少，主要采用的手动提取，裸地类别可在更高分辨率和更丰富的波段影像上尝试提取研究。

本研究只采用一期影像数据进行提取，对于耕地在不同作物种植收割的情况尚未考虑，若能将一年内种植不同作物的多个季节的耕地影像同时进行提取与分析，则会更加有助于耕地范围的提取，同时也能避免裸地与耕地的混淆。

參考文献：

[1]云影.高分辨率对地观测系统重大专项首发星——高分一号卫星[J].卫星应用，2013（3）：72.

[2]杨长坤，王崇倡，张鼎凯，等.基于SVM的高分一号卫星影像分类[J].测绘与空间地理信息，2015，38（9）：142-144，146.

[3]刘书含，顾行发，余涛，等.高分一号多光谱遥感数据的面向对象分类[J].测绘科学，2014，39（12）：91-94，103.

[4]麻锴，查东平，王宝健.基于高分一号宽幅多光谱影像的鄱阳湖湿地分类研究[J].测绘与空间地理信息，2016，39（6）：107-110.

[5]李健，郭云开，安冠星，等.高分一号影像分类方法对比分析[J].江苏科技信息，2017（11）：33-37.

[6]谢飞.基于高分一号影像的两种地表覆盖分类方法对比研究[J].现代测绘，2017，40（4）：21-23.

[7]丁相元，高志海，孙斌，等.基于高分一号时间序列数据的沙化土地分类[J].国土资源遥感，2017，29（3）：196-202.

[8]程益锋，黄文骞，吴迪，等.基于高分一号卫星影像的珊瑚岛礁分类方法[J].海洋测绘，2018，38（6）：49-53.

[9]欧健滨，罗文斐，刘畅.多源数据结合的高分一号土地利用/覆盖分类方法研究[J].华南师范大学学报（自然科学版），2019，51（5）：92-97.

[10]邓书斌.ENVI遥感影像处理方法[M].北京：高等教育出版社，2014：208-212.

[11]关元秀，王学恭，郭涛，等.eCognition基于对象影像分析教程[M].北京：科学出版社，2019.

[12]马浩然.基于多层次分割的遥感影像面向对象森林分类[D].北京：北京林业大学，2014.

[13]FROHN R C， CHAUDHARY N. Multi-scale image segmentation and object-oriented processing for land cover classification[J]. GIScience & remote sensing， 2008，4（4）：377-391.

[14]马浩然，赵天忠，曾怡.面向对象的最优分割尺度下多层次森林植被分类[J].东北林业大学学报，2014，42（9）：52-57.