遥感分类技术在土地执法监察中的应用研究

[摘要]本研究旨在应用遥感技术的卫片执法对我国国土资源的动态监测，在国土资源的维护利用、管理方面发挥其重要作用。以江西省赣州市茅店镇为例，利用遥感分类技术对2016年和2017年两年的影像数据分别进行监督分类和面向对象分类，提取出变化图斑，再与基础地理信息数据库结果数据进行对比分析，验证分类的精度，通过实验数据验证面向对象分类比监督分类精度更高，分类效果更好，为国土资源执法部门的监察工作提供更有效的技术支持。

[关键词]面向对象遥感影像分类;监督分类;精度评价;Kappa系数

[中图分类号] F301

[文献标识码]A

土地执法是利用遥感技术等对地观测技术，对某一地区某个时间段内土地利用的变化情况进行监测检查的过程。第二次全国土地调查时，土地执法检查中已经开始利用卫星遥感影像对土地进行动态监测，利用遥感技术对研究区进行分类研究，可以及时准确地获取土地利用状况及变化情况。对遥感图像进行分类是遥感数字图像处理中重要的一环，分类精度的高低将直接影响输出的结果，同时对执法部门的监察工作产生影响。

监督分类是一种已经确定分类类别，再对影像的像元进行分类的方法;面向对象的遥感分类方法是一种将对象整体作为分析目标，以图像对象作为影像处理单元进行分类的方法。面向对象的分类方法有别于监督分类的地方在于，先将具有相似信息的邻近像元合成为一个对象，再对对象进行分类。本文利用影像数据分别进行监督分类和面向对象分类，提取出变化图斑，并与基础地理信息数据库数据结果进行对比分析，验证分类精度，从而为国土资源执法部门提供有效的技术支持。

1 分类方法

1.1 监督分类方法

监督分类是一种基于已经确定好的类别样本去识别未知类别的像元方法。在监督分类中，训练样本的质量直接关系到分类结果的好坏，因此训练样本的选取至关重要。监督分类是将影像中所有的像元与训练样本进行比对识别，最终把每一个像元划分到与其最相似的样本类别中，从而完成对影像所有像元的分类。

1.2 面向对象分类方法

面向对象是一种将对象整体作为分析目标，以图像对象作为影像处理单元的分类方法。根据影像的光谱信息和空间信息，结合中心像元与周围地物目标之间的联系和差异，对影像进行多尺度分割，将同质的像元组合成有意义的影像对象，而非单个影像像元，再对对象进行分类研究，从而实现地物类别信息的自动提取。

多尺度分割是一种从多尺度角度对影像进行分割的技术，它既能自动生成影像对象，又能将这些对象按照一定的等级结构联接起来，从而使分割结果更加适应真实的情况。分割尺度的大小直接决定了多边形数量和像元数量，分割尺度小的对象层中多边形数量多，小尺度的对象层置于网络结构底部;分割尺度大的对象层中多边形的像元数量多，对象数量则较少，大尺度的对象层置于网络结构顶部。对影像进行多尺度分割后，就形成了对象的多尺度等级体系（见图1）。

2 研究数据与研究方法

2.1 研究数据概况

本文选取CF-1卫星PMS_2号相机获取的赣县茅店镇2016年和2017年的两幅影像作为实验数据，CF-1卫星分别搭载了两台2m分辨率全色、8m分辨率的多光譜相机、四台16m分辨率多光谱相机。多光谱数据包括蓝、绿、红和近红外4个波段，覆盖周期（不侧摆）分别是4ld和4d，影像幅宽分别是60KM（2台相机组合）、800KM（4台相机组合）。

分类实验前对影像数据进行了几何校正（全色）、配准（全色与多光谱）、数据融合和数据裁剪等处理。

2.2 研究方法

本次研究采用监督分类方法和面向对象分类方法分别对实验数据进行分类，并提取出变化图斑，再分别将监督分类结果、面向对象分类结果与基础地理信息数据库结果数据进行对比分析，评价其分类精度。

3 分类实验与结果分析

3.1 监督分类实验

在卫星遥感影像上，不同的亮度值和空间变化的差异性，是区分不同地物的物理依据。采用监督分类方法对前后两个时相的遥感影像进行分类，分类类别为建筑物、道路、绿地、裸地，分类样本数均大于30，分类结果如图2所示。

3.2 面向对象分类实验

对前后两个时相的影像，选择合适的分割尺度、紧凑度、颜色因子分别进行多尺度分割。并将分割后的影像分为建筑物、道路、绿化、裸地四类，再基于样本对分割后的影像进行面向对象分类。

3.2.1 影像分割

影像分割质量的影响因子包括均值因子和分割尺度，均值因子又分为光滑度与紧致度、颜色因子与形状因子两对参数。适当的分割尺度不仅能将各类地物清晰地分开，而且不存在过度分割或欠分割的现象。在本次实验中，选择的分割尺度为68。为了有效避免颜色的失真现象，颜色因子和形状因子分别设置为0.8和0.2;为了不降低影像的分割质量，紧致度和光滑度参数也不宜设置过大，光滑度和紧凑度分别设置为0.4和0.6，影像分割结果如图3所示。

3.2.2 基于样本的分类

分别对前后两个时相的两幅影像完成分割后，影像信息的展示不再是以像元为单位，而是转换为对象。实验在多尺度分割的基础上进行分类，可得到不同时期同名点的变化信息。再在面向对象分类结果的基础上，进一步进行目视解样本对象的选取，得到面向对象+目视解译的分类结果（如图4）。

3.3 结果分析与精度评价

3.3.1 结果分析

完成前后两时相的监督分类和基于样本的面向对象分类后，分别将两种方法的分类结果与基础地理信息数据库要素类进行对比分析，以检测不同分类方法的精度，并提取变化信息。

3.3.2 精度评价

分类精度评价是指使用同一项指标对两种及以上分类方法的研究结果进行定量分析的过程。一般地，分类精度评价的指标有Kappa系数、总体精度、用户精度、生产者精度等四个因子。Kappa系数反映实际类别与分类类别的契合程度。总体精度反映分类结果的正确程度。用户精度指任一类别分类结果的正确数占该类别像元总数的百分比。生产者精度指任一类别的分类结果正确数占该类型评价参考数据像元总数的百分比。

在本次实验过程中，对分类精度的评价采用Kappa系数作为指标。随机选取8894个样本点，对分类精度进行评价对比，精度评价结果见表1、表2。

3.3.3 变化信息提取

本实验致力于为我国国土执法监察服务，因此在变化信息的提取侧重于非建设用地类型向建设用地类型的转变。即提取前时相的裸地、绿化信息和后时相的建筑物、道路信息，将所提取的前后时相信息进行叠加相减分析，从而提取出变化的范围。

4 结论

从监督分类和面向对象分类的角度出发，选取CF-1卫星PMS_2号相机获取的前后两时相影像数据作为实验数据，分别用两种分类方法提取出建设用地、道路、绿化、裸地等四类信息，并对两种分类方法进行精度评价，并提取变化信息。实验结果表明，监督分类的最高分类精度为裸地95.72%，Kappa系数为0.8162，且存在错分的混淆现象。面向对象分类的最高分类精度为建筑物95.21%，Kappa系数为0.8713。针对本次实验所研究的数据源，面向对象分类方法总体精度较高，分类效果较好，特别是对建筑物、道路信息精度要比监督分类的精度高得多，这为国土资源执法部门的监察工作提供更为有效的技术支持。

[参考文献]

[1]丘泉昌.遥感技术在土地执法检查中的应用研究[D].福建农林大学，2017.

[2]黃霄羽.面向对象的高分辨率遥感影像分类在卫片执法中的应用研究[J]中国新技术新产品，2016 （21）.

[3]周兴东，于圣文，王志勇.徐州市遥感图像土地利用分类方法研究[J].中国水土保持，2007 （04）.

[4]邓书斌，遥感图像处理方法[M].北京：科学出版社，2010.

[5]张振勇，王萍，朱鲁，等.eCognition技术在高分辨率遥感影像信息提取中的应用[J].国土资源信息化，2007 （02）.

[6]游丽平.面向对象的高分辨率遥感影像分类方法研究[D].福建师范大学，2007.

[7]王琴，陈蜜，刘书军，等.基于信息量的ALI影像最佳波段选择及融合研究[J].资源开发与市场，2014 （09）.

[8]孙天天，邓文彬，马琳.基于面向对象分类的城市土地利用变化检测[J].地理空间信息，2018 （09）.

[9]吴聪.面向对象的高分辨率遥感影像分类在卫片执法中的应用研究[D].昆明理工大学，2015.

[作者简介]邓懿（1999-），女，东北林业大学2017级地理信息科学专业本科在读。