应用高分二号提取二级类建设用地

杜佳雪 张红日 赵士肄

(山东科技大学 测绘与空间信息学院, 山东 青岛 266590)

0 引言

建设用地的分布、密度及变化可以进一步研究国民经济发展动态等一系列经济问题,并对土地利用格局有重要的影响[1]。利用遥感影像可进行地物提取及分类并研究其变化特征[2-3]。高分辨率遥感影像已经成为对地观测的主要数据来源[4],面向对象分析已经成为高分辨率影像分类的基本思路。面向对象分类方法不仅充分利用多种知识提取规则作为高复杂性和差异性高分辨率影像分类的依据,而且把分割和分类进行一定程度的相互融合,从而实现对遥感影像准确快速分类,提高了影像分类的精度和速度[5]。

国内外研究学者针对遥感影像进行建设用地提取的方法研究较多。梁书维等[6]采用直接提取法和间接提取法对高分二号东北村庄数据进行建设用地精确提取。Zhang等[7]引入道路密度作为结构信息,结合光谱信息,提高建筑信息精确度。居民地是建设用地中变化最大、变换范围最广提取方法较多的类别。李金香等[8]运用灰度共生矩阵、二值化、数学形态学等方法对新疆新源地区高分一号数据进行迭代运算,提取居民地信息,提取正确率高。曹可等[9]基于高空间分辨率卫星遥感影像,利用面向对象方法的信息技术将营口市南部海岸盐田进行详细划分。但众多研究都未对建设用地进一步详细分类,提取地类较少。

遥感技术应用于建设用地遥感分类信息提取已取得很好的效果,但往往处于一级分类[10]。针对这一现象,本研究对研究区的高分二号遥感影像数据进行预处理,应用多尺度分割的面向对象分类方法及指数分类[11]方法进行建筑物二级类的提取,为进一步实现建设用地二级类自动提取提供规则依据。

1 数据与方法

1.1 数据来源

高分二号数据是我国自主研制的首颗空间分辨率优于1 m的民用光学遥感,且是我国目前分辨率最高的陆地观测卫星[12]。文章采用青岛市分辨率为3.9 m(120°30′～120°48′E,36°35′～36°45′ N)的国产高分二号多光谱数据,包含莱西市东南角、莱阳市西南角及即墨区北部,拍摄于2019年6月17日,含蓝、绿、红和近红外4个波段。

1.2 数据预处理

数据预处理包括对图进行正射校正、辐射定标、大气校正模块(Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes, FLAASH)校正及去薄云处理。辐射定标消除传感器本身、大气、太阳高度角等带来的误差,得到真实的辐射值[13]。大气校正可以准确消除大气带来的影像,将辐射亮度转换为地表实际反射率。校正时需要添加高分二号传感器的波谱响应函数,波谱响应函数从“中国资源卫星应用中心”下载,利用ENVI软件制作sli.格式的波谱响应函数,图1为提取流程。

图1 提取建设用地流程图

1.3 图像去云

云层去除有利于遥感影像的精确解译,提高影像利用率。遥感影像去云采用优化云变化(Haze Optimized Transform,HOT)算法[14],包括云层厚度检测、云层厚度完善、云层去除三部分,主要利用可见光谱1、2和3波段提取云层厚度,采用云点对图像进行分层除云处理,处理效果如图2所示。可以看出大范围的薄云被去除,薄云之下的地物清晰可见,方便进行下一步的图像分类。

图2 影像去云前后部分显示图

1.4 面向对象分类

多尺度分割算法充分利用影像光谱特性和形状特征,计算每个波段的异质性特征值。实质是将一幅M×N阵列的数字图像划分为若干个互不交叠区域的过程。关键在于确定分割尺度、紧致度因子及形状因子使之生成高度同质性的影像分割区域。

1.5 指数分类

本文用到的指数包括可以突显影像中的水体信息的归一化水体指数(Normalized Difference Water Index,NDWI),描述对象紧致程度的密度(Density),表示对象边界的光滑性的形状指数(Shape Index),表示局部灰度均匀性的灰度共生矩阵同质性属性(Homogeneity),也叫逆差距,表示一个影像对象的光谱平均值的亮度值(Brightness)、描述图像对象与大小和比例的矩形拟合(Rectangular fit)。此外还有均值(mean)、对类型的距离(Distance to class)等指数。

2 建设用地实验提取

2.1 建设用地分类

该研究区为郊区,影像数据建设用地较为分散。工业用地即盐田,以经营盐业为目的,包括盐场及附属用地,通常临海有一定的水体特征;该地区建有多数的仓储用地,仓库多为白色、蓝色的房顶,集中在城镇地区;交通运输用地为公路,形状特征明显;居民点包括农村聚集地、乡镇住房,村与村较为分散,且在影像上不易于与休耕地区分;公共管理与服务用地相对较少,有学校及停车场等。因此,根据《全国土地分类体系》将该研究区的建设用地分为居民点、工业用地、仓储用地、公共管理与服务用地以及交通运输用地。

2.2 图像多尺度分割

寻找多光谱影像合适的分割尺度[15],确定形状因子和颜色相似度的权重尤为重要。本文通过尺度评价工具ESP2(Estimation of Scale Parameter2)寻找最优分割尺度,即通过不同分割尺度计算同质性局部方差(Local Variance,LV),根据LV变化趋势计算变化率(Rates of change,ROC),ROC在下降过程中出现的极大值点为最优分割尺度,评估结果如图3所示,分割尺度在120、150、210、240、270、300处为最优尺度。

图3 ESP2算法最优分割尺度评估结果

2.3 建设用地提取

该研究区居民地光谱特征及形状特征与休耕地相似,导致与休耕地难以区分,且拓扑特征无特定规则,很难准确地提取出建设用地[16],利用遥感影像提取城市建设用地最常用的方法是监督分类;仓储用地在影像上呈亮白色,形状为矩形状,利用这些特征提取厂房,用Distance to class规则提取厂房周围空地,需要注意厂房提取后对其进行修改,避免厂房空地大面积错误;盐田工业不同阶段盐分含量不同,含水量不同,但分布集中,因此根据水体指数和拓扑关系提取;本研究区交通运输用地为道路用地,在影像上一般表现为线状或狭长地物,选择合适的密度阈值可以精确提取道路;此研究区属于郊区,公共管理与服务用地较少,包括停车场及学校,结合地标的准确特征及距离地标一定范围的方法提取。利用上述特征进行建设用地规则提取实验参数如表1所示。

3 精度评价与分析

3.1 精度评价

分类结果精度评价是检验分类是否可信的必要,采用基于像素的混淆矩阵精度评价方式,将各类地物目视解译结果作为参照与本文分类结果对照,在eCognition 9.0进行精度评价,包含混淆矩阵、各类别的用户精度、生产者精度和总体精度。评价结果如表2所示,可以看出本文的提取规则能将建设用地进一步分为二级类,生产者精度均达到90%以上,提取效果较为理想,如图4所示。

图4 建设用地提取结果示意图

居民住宅建设集中成簇拥状态的村落,村落分布分散,在遥感影像上有明显边界,边界对比度可以将纹理复杂的居民点与其周围平滑地面分离开,但是漏提现象较为严重,或存在一定干扰因素,如耕地的误提。因此选用纹理信息同质性属性可以很好提取居民点,再剔除部分干扰因素,此方法适用于高分二号数据其他地区的居民点提取,有较强普适性。

交通运输用地多为公路、铁路等线性建筑,利用紧致度这一形状特征可以很好提取线性地物。根据盐田特性,利用水体指数可以提取盐量较低的盐田,再利用拓扑关系提取盐分含量多的晒盐池。本研究区内的工矿仓储用地多为厂房,公共服务与公共管理用地种类繁杂,共同特点是不易寻找,针对此类型地物的提取,先提取最突出的部位,再将周围部分归结为此类。

3.2 不同方法精度比较

本文基于面向对象方法提取地物,与传统基于像素(支持向量机)分类方法相比,消除了“椒盐”现象,且能提取所需要的地物,避免冗余信息;本文基于规则方法提取与基于面向对象的监督分类方法相比,不仅利用了分割对象的光谱信息,还充分利用对象的纹理信息、形状信息及对象间拓扑关系,全方位进行单个地物的提取,提高准确率,更有利于地物提取方面的进一步研究，表3为比较结果。

表3 各类方法精度评价结果比较

4 结束语

研究区是山东半岛正在建设的半岛城市群、半岛加工制造业基地中心,对研究区建设用地进行实时监测有利于掌握城市发展动态。本研究基于高分二号遥感影像,采用规则提取的面向对象模糊分类方法,在建设用地一级分类的基础上对研究区二级建设用地进行提取。区别于传统以像素为基本单元的方法,以影像对象为基本单元,消除“椒盐”现象。能充分利用数据的光谱信息、纹理信息、形状信息及拓扑关系,提高提取精度。总体分类精度达96.9%,kappa系数0.94,提取效果较好。研究区涉及青岛市三个区的范围,范围较大,因此本方法适用较大范围区域的地物提取。为了提高结果准确性,本方法还结合了人为干预目视解译,一定程度上降低效率,因此还需进一步研究精度和效率兼得的全自动提取方法。