基于复杂地貌下的土地利用信息提取技术

2021-04-29陈兴芳尹继鑫郭德福

地理空间信息 2021年4期

陈兴芳，尹继鑫，郭德福

（1.西宁市测绘院，青海西宁 810000）

遥感应用技术是当代信息提取方法中最具实效性与精准性的方式之一，能够为城市规划，城市监测等行为提供极其重要的数据支撑。在城市地区的高分辨率遥感图像中，超过80%的目标是人造结构。人造物体范畴相对多样，其中最具代表性的包括建筑，桥梁，道路等。人工物体因其复杂性，一直都是当前遥感信息提取的难点及重点，打造更具针对性与先进性的人工目标识别系统，能够对于提升高分辨率遥感影像识别精准度提供臂助之力[1-15]。

本研究区在陕西省西安市临潼区地处关中平原，地貌特征极为复杂。近年来，国内外学者利用eCognition进行土地利用信息提取，取得了良好的模拟结果[1-5]。但是对于复杂地貌特征下的土地利用信息提取研究工作还比较少见。因此本研究基于eCognition 进行土地利用信息提取研究具有十分重要的意义。

1 研究区概况与数据来源

1.1 研究区概况

本研究以西安市临潼区为研究区，隶属于陕西省西安市，位于关中平原之东，南换蓝田县，北换阎良区，西北换连咸阳市三原县，西换高陵区，东换渭南市临渭区，西南与灞桥区为界。介于109°05′49″～109°27′50″E， 34°16′49″～34°44′11″N 之间，总面积915 km2。著名的“世界第八大奇迹”秦始皇兵马俑、“北京时间”的来源中国科学院国家授时中心就位于临潼区。

1.2 数据来源

本文数据来源于分辨率为1 m 的全色图像和分辨率为2.5 m 的多光谱IKONOS 卫星图像。 IKONOS 卫星发射于1999 年，是世界范畴内首例具有高分辨率卫星图像拍摄传输的商业遥感卫星，能够有效适用于地理信息的多频次高频率更新，采集范围相对可观，应用实效性突出，影像覆盖面积良好，后期维护处理难度低，适用于环境恶劣的山地海洋以及禁飞区等。其全色波段：0.55～0.90 μm；多光谱波段1（蓝色）：0.55 ～0.53 μm；波段2（绿色）：0.52 ～0.61 μm；波段3（红色）：0.65 ～0.72 μm；波段5（近红外）：0.77～0.88 μm。

1.3 数据预处理

本研究在Erdas2013 中挑选一定数量的同名点，对影像进行几何校正，并对其进行重采样处理。对于遥感图像进行研究时，我们意识到其中全色遥感图像与多光谱遥感图像在分辨率方面具有极其明显的差异性，通过分辨率融合的方式，能够对于城市土地进行深入剖析以及精准区分，能够为后续研究测算奠定极其关键的图像基础与数据支撑。

2 影像分割参数和尺度

2.1 分割尺度确定

土地物体类型不同，其自然属性以及社会功能亦具有明显的差异性，通过采用最优分割尺度，能够最大化研究对象特征的趋同性与类同性。其中重点关注于图像分辨率以及真实对象，能够最大化避免由于过分割和欠分割导致的信息提取误差。

分割比例10～20 时，其适用于对于独立植被以及公园等狭窄小道的提取。

分割规模为30～50 时，提取建筑信息是有利的。

分割尺度为60 ～100 时，有利于提取植被中的草地和森林面积以及道路信息。

分割范围是100～120 时，提取水信息是有利的。

分割尺度200 时，很容易导致过分割出现，有悖于信息提取。

综上，想要提升图像分割精准度，找到有效合理的分割参数以及分割尺度必不可少。实验过程中，某种类型对象的特征信息往往需要通过不同分割对象层进行交叉呈现。但在提取城市土地利用信息时，分割和提取道路和建筑物非常困难。道路上的车辆，两侧的绿树和高层建筑的阴影对道路信息提取有很大影响，这使得图像对象的性能特征不明显。由于在城市建筑中增加了许多时尚元素，建筑物的形状多样化，仅利用图像信息难以获得良好的分割效果。高分辨率图像信息资源以及类似极其多样，因而致使过分割以及欠分割情况频繁发生。针对过度分割，并在分割的信息提取的精度，本文采用多层次，多尺度分割使用最优的参数和不同的权重因子，从而达到相对高质量的信息提取效果。

2.2 分割参数确定

在eCognition 中创建工程，选择实验区域并进行多尺度分割实验。实验结果表明对于不同类型的对象，分割参数也不同，用于获取图像对象的分割尺度也不同。图像对象反映的信息直换影响对象提取的效果，因此有必要设置合理的分割参数。以下是分割尺度为40，不同形态因子和紧致度因子的道路分割结果，其差异性如图1 所示。

图1 分割参数结果对照图

表1 形状与紧致度系数参数

通过表1 比较可以发现，随着形状因子的增加，道路图像对象逐渐变得清晰，符合自身特点，呈线性。但随着compct 因子的增加，图像对象逐渐变得均匀，没有明显的形状特征。对于不同类型的对象，特定参数的设置是不同的。在信息提取范畴中，倘若对象同谱异物现象凸出，则可以对其展开二次分割从而便于提升精准度。总之，最好的方法是最大限度地显示提取的信息。

3 土地利用信息提取

3.1 层次结构网法

本文设计的分层网络方法可以有效地解决上述问题。高分辨率影像所反映出的地物类型多，同谱异物现象凸显，用同样的分割尺度和分割参数无法将所有的地物类型区分出来，采用逐层分割分类，可以从粗到细将多种目标地物逐层分解出来。

1）以高分辨率遥感图像作为研究基体，依据不同尺度展开有序分割，且对象层遵循自低至高的原则。选择要提取的对象类型的多个图像对象层。

2）图像对象是特征来源，对象不同，特征同样具有差异性，由此可知可以通过分割图像对象实现特征的不同表达。鉴于这种差异，设计了一种自上而下的方法，通过使用与类相关的特征来提取信息，从而达到逐步改进的效果。

3）提取某个对象的信息后，在小规模的对象上显示相对完整的结果。如果我们继续在现有对象级别上执行其他对象类型的分类，则当它被分成最低级别时将不可避免地出现重复的分类现象，这将导致错误分类现象。鉴于此，在提取某个对象信息之后，应该合并图像对象然后分割两次，并再次对未分类的对象进行分类，直到对所有类型的对象进行分类。

依据结果可知，分层网络方法对于提升信息提取精准度具有积极作用，同时能够尽可能缓解由于“过分割”以及“分割不足”情况导致的信息提取困难。此外，分类器设计得很好，不会导致规则集报告错误，其亦是直换决定着高精度信息提取的可行性与误差性。

为了进一步夯实信息提取的可行性，避免误差破坏精准度，本文采用了更具针对性的分层网络方法。以下是利用分层网络方法逐步从上到下提取植被信息，可以实现更完美的提取效果。

3.2 植被信息提取

本文以层次结构网络法作为切入点，依据自定义特征NDVI、SAVI、DVI、MSAVI 实现对于植被信息的多方面多角度多层次提取。同时真正意义上实现分类信息由父对象至子对象的遗传转移，其中子对象亦可反作用于父对象，起到重要的辅助补足作用，提取效果如图2 所示。图2 能够实现有效认知层次结构法分类的积极作用，规避了传统大尺度分割中由于分割缺失引发的混合像元影像现象，极大程度丰富了植被信息的全面性与准确性。如图2 所示，植被更多覆盖于绿地，公园，广场，山河湖泊附近，在绿化带范畴亦是颇多表现，基本于地理空间特征相类似。

图2 植被信息提取结果图

3.3 水体信息提取

实验区域具有独特性，很容易造成以偏概全情况出现，因此为进一步夯实信息准确率，便于信息提取，本文将对于水体展开三步划分：

第一步，提取范畴为非建设用地时，主要提取方式为自定义，辅助以纹理判定，其信息重心在于水体信息；第二步，从光谱信息来看，阴影凭借其相似性很容易对于河流信息造成干扰，这就需要对于可能对于水体信息进行干扰的阴影信息展开筛选剔除，其关键点在于阴影呈现为不规则性；第三步，水体信息提取基本结束，需要注意水体部分中存在一定比例的浅水区域，需要依据红波段比值的方式展开进一步筛选。上述提取结束后，水体信息已相对完整，随后需要对于其他分级信息进行再次提取。

3.4 建筑信息提取

以建筑物作为提取基体，我们认识到其显著特征在于房屋顶部可以分为亮屋顶以及暗屋顶两类，其区分方式在于提取光谱信息，辅助以几何提取以及纹理提取等等。如图3 所示。

图3 建筑物信息提取图

亮屋顶往往能够进行更具清晰性与准确性的提取运用，暗屋顶则受困于道路等其他附属信息的干扰，提取精度难，想要延缓甚至规避这种不利条件，可以辅助以形状，纹理等多方面的特征搜集。

3.5 道路信息提取

在城市建设中，保护性植被一般分布在道路两侧，保护性植被的几何特征与道路相似。想要进一步完善道路信息提取方面的精准度，必须进一步挖掘植被信息中可能对于反馈道路信息具有重要帮助的部分，尽可能规避植被信息对于道路信息搜集造成的负面干预。提取之后的植被信息应该及时覆盖于新地图，并且以多尺寸分割的方式对于建设用地进行有效划分，最终依据分层结构方法以及类相关特征分类分层获取有效的道路信息。

4 土地利用信息提取结果

4.1 分类成果

本文秉持理论与实践结合的理念，围绕城市土地利用信息提取进行探讨，初期分类成果如图4 所示。依据分类种类差异性以及需求差异性展开探究，结果较为清晰准确，基本能够符合提取期望。

图4 土地利用分类成果图

4.2 结果导出

在eCognition 中提取土地利用信息后，为了进行后续审查和使用，有必要输出分类信息提取结果，然后将其与地理信息系统进行分析和应用。

4.3 精度评价与分析

面向对象分类方法具有不可替代的积极作用，为了进一步印证其理论优势与实践作用，本文将以示例影像作为研究基体，并采用Erdas 监督分类的方式，对其精度数值展开综合评价，提升对比效果。

4.3.1 基于监督分类的精度评价

经过监督分类，其结果分类完毕，按照类别不同进行精度评定。主要利用Erdas 随机取样的方式展开测算，经计算，监督分类在植被信息搜集方面，其精准度高至较为可观的87.50%，然而对于交通设置用地展开搜集的精准度仅能勉强达到50%，至于居民点建设用地信息搜集的精准度只有28.57%，土地利用信息无法进行有效归纳，难以进行有效利用，信息提取应用依旧存在较大缺失。

4.3.2 面向对象的精度评价

采用eCognition 对于面向对象的分类进行测算归纳，根据其自身具备的分类精度范畴进行挑选，选取分类稳定性评价以及误差矩阵作为切入点，尽可能保障评价精确性与实践性。经计算，一级信息提取方面总精度达到99.4%，kappa 系数为96.5%；在第二类信息提取中，总精度为78.5%，kappa 系数为72.2%；在第三类信息提取中，总精度为94.6%，kappa 系数为73.3%。对于对象类别的特定特征，提取的准确性是相当大的，这可以在上述精度评估图中参考。基于面向对象与基于像元的分类结果，不仅是分类精度的不同，面向对象方法的优势在于将信息提取相关的特征从光谱扩充到形状、空间位置、层与层之间的关系。