基于遥感手段的城区树冠提取

孙淑丽 周俊利

（河南省遥感测绘院，河南 郑州 450003）

1 引言

地理国情主要是指陆地表面自然环境和人文地理要素的空间分布及其相互关系，是我国基本国情的重要组成部分[1]。地理国情普查是一项具有重大意义的国情国力调查，是全面掌握地理国情信息的重要手段[2-3]。普查内容包括地形地貌、植被覆盖、水域、荒漠与裸露地等的类别、位置、范围、面积等，以及人文地理要素的基本情况，主要有与人类活动密切相关的交通网络、居民地与设施、地理单元等的类别、位置、范围等，掌握其空间分布现状[4]。

地理国情普查中有诸多要素普查较为困难，如城区树冠要素提取，传统的城区树冠要素提取主要采用人工目视勾画的方法进行信息提取、外业调绘、内业修改存档等，其中，信息提取步骤往往需要投入大量人力进行作业，且作业员的经验和熟练程度差异，会导致遗漏和同类要素分类差别[5]。但是，地理国情普查中的城区树冠提取，是工作重点，一直以来都需要投入大量精力[6]。基于此，本研究采用遥感手段进行城区树冠的自动识别，以此达到零遗漏、高精度的目的。

遥感技术是一种远距离、非接触的探测技术，具有重访周期短、覆盖范围广、现势性强、数据获取与处理简便等优势，为地表信息精准获取提供了强有力的手段[7]。本研究将国产高分辨率卫星影像GF-2 作为数据源，采用遥感技术中的非监督分类、重分类方法进行城区树冠遥感提取[8-9]。

2 研究数据及方法介绍

高分二号卫星（GF-2）于2014 年8 月19 日成功发射，是我国自主研制的首颗空间分辨率优于1 米的民用光学遥感卫星。GF-2 星作为我国首颗分辨率达到亚米级的宽幅民用遥感卫星，在设计上具有诸多创新特点，突破了亚米级、大幅宽成像技术。GF-2 星下点空间分辨率可达0.8 米，标志着我国遥感卫星进入了亚米级“高分时代”。GF-2 效果图如图1 所示。

图1 GF-2效果图

非监督分类是以不同地物在影像上的各种特征差别为依据的一种无先验知识的图像分类。根据待分类样本特征参数的统计特征，建立决策规则来进行分类。常用的非监督分类算法有回归分析、趋势分析、等混合距离法、集群分析、主成分分析和图形识别等[10]。重分类是在分类基础上进行第二次或多次的分类整合，以此达到不同类别聚合的效果[11]。

本研究选取GF-2 影像作为数据源，首先对影像进行预处理，基于非监督分类方法进行影像自动解译，分类类别设为默认，可得到最适合影像像元特征的类别数。然后对分类成果进行重分类，消除多余类别，如同一地物错分成多类，并且合并相似类，如城区水体与河流水体，最终得到分类成果。具体技术路线如图2 所示。

图2 技术路线

3 结果分析

3.1 非监督分类

采用GF-2 影像进行非监督分类，使用的分类器为Isodata 聚类，该方法可最大程度地将相似的特征归为一类。非监督分类首先计算影像特征，建立 特征库，并计算不同像元的特征库与相近像元的离散度，从而确认计算机决策是否与相邻像元归为一类。然后对像元进行相似类聚合，整体效果如图3 所示。由图3 可知，相似类聚合较好地识别出了房屋、道路及树冠信息，但仍存在同一地物被识别成两类或多类。

对相似类聚合后的类别进行分类提取，分类后的影像成果如图4 所示。整体来说，树冠都达到较准确的识别提取，无论是建筑中间呈条带分布的树冠，或是单独的树冠，均有较好的识别。但所识别的边界锯齿状比较严重，究其原因是树冠边缘在影像上为混合像元[12]，极易与其他地物混淆，从而导致错误识别。

图4 非监督分类结果

3.2 重分类

针对边缘锯齿状，本研究采用重分类方法进行消除。重分类是在非监督分类成果基础上进行类别消除与融合，从而提升分类精度的方法。利用ArcGIS 软件进行处理，结果如图5 所示，锯齿状基本得到消除，边缘平滑，且树冠提取精度整体提升。

图5 重分类结果

3.3 效率分析

本研究采用遥感手段提取城区树冠，整体效率较人工勾画方法高很多。以一个区县为例，单人勾画城区树冠，需要7 到10 天；利用遥感手段提取树冠及后处理约为30 分钟，而且精度符合地理国情普查精度。整体来说，城区树冠遥感提取的效率远高于人工勾画的效率。

4 结论

结合地理国情要素普查工作，本研究采用遥感手段进行城区树冠提取，以此达到提升效率的目的。经过研究，得出以下结论：

（1）非监督分类中的Isodata 分类方法较好地识别出了城区树冠。

（2）重分类方法比较好地解决了树冠边缘锯齿状问题。

（3）与人工勾画方法相比，采用遥感手段提取城区树冠的效率与精度更高。

本研究虽然采用了遥感手段进行城区树冠提取，且获取了较高精度的结果，但在地理国情普查的其他地类要素中仍未得到很好的拓展，后期将在该方面进行更多的研究与应用。