多源高分辨率遥感影像不透水面提取

2022-10-11杨璐萍

北京测绘 2022年9期

王璠杨璐萍

(安徽新华学院城市建设学院,安徽合肥 230088)

0 引言

随着城市化进程和社会经济的发展,基于遥感影像对城市扩张监测显得尤为重要。因此对区域尺度上的城市扩张进行有效的监测可为土地规划和生态环境保护等提供科学参考,具有重要的现实意义[1]。目前已有国内许多学者对城市扩张进行研究,常变蓉、李仁东在分析武汉市建设用地扩张的时空特征时,利用面向对象分类方法提取建设用地,采用空间数据库引擎(spatial database engine, SDE)空间分析方法,得出前期扩张向东北—西南方向演变,后期则不存在方向性的结论,为后期各种政府机关决策提供了依据[2];陈征等人以浙江省为例,利用遥感影像数据和夜间灯光数据提取城镇信息,区分出城镇用地和非城镇用地,进行了城镇时空扩张的特征分析[3];孙善磊等人以环杭州湾地区为例,使用决策树和形状指数相结合提取城镇用地信息,证明了此方法的可行性,且杭州市向西北和北方向向外扩张[4]。而此研究则是意在探究精度,因此使用支持向量机分类算法,融合不同数据源波段,提高分类精度。详细流程如图1所示。

图1 研究路线

1 数据与方法

1.1 研究区概况

安徽省坐落于中国东部,与山东、江苏、河南、湖北等多省接壤,有省会合肥和芜湖、马鞍山等16个地级市。安徽省是中部经济地带,接北联南,承东启西。安徽省位于我国东部季风区,由于淮河从中穿过,因此淮河以北属于温带季风气候,淮河以南属于亚热带季风气候[5]。安徽地形多样,平原占44.7%、山地占27.8%、丘陵占27.5%。安徽省土地总面积13.96万km2,土地资源类型多样,土地构成较为合理,土地利用潜力很大。

1.2 数据与预处理

研究使用了2018年安徽省的哨兵2号(Sentinel-2),美国陆地卫星(Landsat8)和珞珈一号夜间灯光数据。Sentinel-2数据是从欧洲航天局官网(https://scihub.copernicus.eu/dhus/#/home)下载获得,本研究覆盖范围为2018年,选取第2、3、4、8波段,空间分辨率为10 m[6-7]。Landsat8从美国地质勘探局(United States Geological Survey,USGS)官网(https://earthexplorer.usgs.gov/)获得,时间与Sentinel-2数据一致,选择了绿光波段、红光波段、近红外波段和中红外波段,空间分辨率是30 m[8]。“珞珈一号”是全球首颗专业夜光遥感卫星,由武汉大学团队与相关机构共同研发制作,在2018年6月2日12时13分,高分六号及其搭载的珞珈一号科学试验卫星,在中国酒泉卫星发射中心发射升空,卫星进入预定轨道[9]。“珞珈一号”搭载了高灵敏度夜光相机,其精度将达到地面分辨率100 m。数据的预处理基于GEE(Google Earth Engine)平台,对数据进行预处理工作,包括对不同数据源进行去云、定标、几何校正、拼接、裁剪等[10]。

1.3 基于支持向量积分类方法

1.3.1训练样区选择

训练样本选择应该具有代表性,并且要满幅均匀选取。本研究选取了森林、农田、水体、不透水面四类地物类型[11]。详细统计如表1所示。

表1 训练样区统计

1.3.2波段计算与分类

由表2可知,研究选取了Landsat8的绿光波段、红光波段、近红外、中红外波段进行指数运算,计算的地物特征指数有归一化植被指数(normalized vegetation index,NDVI),归一化水体指数(normalized water index,NDWI),归一化建筑物指数(normalized building index,NDBI),并选取了红光波段和近红外波段[12]。同时又选取了Sentinel-2数据空间分辨率为10 m的波段,分别为第3(GREEN)、4(RED)、8(NIR)波段,由于哨兵数据第11波段SWIR波段对建筑物提取效果较好,因此选取分辨率为20 m的11(SWIR)波段,计算了NDVI、NDBI、NDWI[13]。

表2 指数运算表

支持向量机分类法(support vector machine,SVM)是监督分类的一种模型[14]。可以分析数据、识别模式,用于分类和回归分析。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折中,以期获得最好的推广能力。研究所使用的SVM不仅能分类出像元属性,而且也能解决间隔值的问题[15]。

将Landsat8的RED、NIR、NDVI、NDWI、NDBI与Sentinel-2数据的RED、NIR、NDVI、NDWI、NDBI和珞珈一号数据加入SVM算法进行分类,同时将Landsat8的RED、NIR、NDVI、NDWI、NDBI与珞珈一号数据和Sentinel-2数据的RED、NIR、NDVI、NDWI、NDBI与珞珈一号数据也各做一次分类作为本研究的对比结果。

2 结果与分析

2.1 土地利用分类

在进行分类时,将Landsat8的RED、NIR、NDVI、NDWI、NDBI与Sentinel-2数据的RED、NIR、NDVI、NDWI、NDBI结合,生成一个10 m的安徽省土地利用分类图。Landsat8的RED、NIR、NDVI、NDWI、NDBI与珞珈一号数据和Sentinel-2数据的RED、NIR、NDVI、NDWI、NDBI与珞珈一号(Luojia-1)数据各自生成10 m的安徽省土地利用分类图结果,如图2所示。

(a)Landsat & Sentinel-2 & Luojia-1 (b)Sentinel-2 & Luojia-1 (c)Landsat & Luojia-1

基于SVM分类结果,不透水面类型提取结果如图3所示。

(a)Landsat & Sentinel-2 & Luojia-1 (b)Sentinel-2 & Luojia-1 (c)Landsat & Luojia-1

2.2 分类结果验证

通过在谷歌地图上选取样本点,并用混淆矩阵对分类结果进行精度验证,谷歌选取的精度验证点如图4所示,验证结果如表3所示。

图4 精度验证点审图号：皖S(2019)13号

表3 多源数据源精度验证结果与不透水面面积统计

通过对图2、图3、表3分析可知,针对2018年安徽省不透水面的提取,用Landsat、Sentinel-2和珞珈一号三种不同来源不同分辨率的数据,精度达到0.97,说明精度较高。不透水面的面积统计是19194.283434 km2,面积也较准确。而Landsat 8 &珞珈一号和Sentinel-2 &珞珈一号分类精度比Landsat & Sentinel-2 &珞珈一号三种结合分类精度要低,且面积统计相差较大。

通过图5可以看出,使用三种不同数据源分类,在提高精度的基础上,如图5(a),Landsat & Sentinel-2 &珞珈一号结合的分类能够将坐落于田地或山村里的村落和道路准确提取。如图5(b)中,Sentinel-2 &珞珈一号则不能够准确提取出此类型的地物。图5(c)中Landsat 8 &珞珈一号则会出现错分,易将村落分为林地类。