基于遥感指数灰度分割与面向对象的土地利用信息提取＊

杨智博，姜志伟，左合君，杨 清，玛 瑙，李云飞，吴 霞

（1.内蒙古农业大学沙漠治理学院，内蒙古 呼和浩特 010011；2.内蒙古风沙物理与防沙治沙工程重点实验室，内蒙古 呼和浩特 010011；3.乌海市公用事业发展中心，内蒙古 乌海 016000）

随着3S技术的发展以及社会信息化的需求，地理信息遥感技术已越来越广泛地被应用于国民经济的各个领域，社会各行业对地理信息的需求也越来越多，越来越广[1]。遥感影像因其覆盖面积大、信息直观、现实性较强等优点，成为各种地理信息产品的重要信息源，如何快速地从这些影像数据上提取空间数据，实现空间数据的快速更新，使地理信息产品为更多用户服务，具有重要意义。土地沙漠化一直是备受关注的全球性重大资源与环境问题之一。国内外学者通过3S技术，分别采用监督分类最大似然法[2]、光谱增强处理分类[3]、决策树分类[4]和面向对象分类[5]等方法进行了土地利用信息提取研究。以上的研究虽然都可以取得不同程度较好的提取效果，但大多采用单一方法，针对遥感影像光谱混淆、地物类型复杂的地方而言，提取方法难免受到限制，存在局限性[6]。

遥感影像分类一般有2种，分别是基于像素分类和基于对象分类。其中基于像素分类主要包括了监督分类和非监督分类、基于专家知识决策树分类等；基于对象分类通常是指面向对象分类方法。本研究基于ENVI5.3软件和Arcgis10.8软件，提取遥感影像中的EVI[7]、MNDWI[8]、NDBI[9]、DVI[10]、RVI[11]等遥感指数，通过灰度分割的方式，经过大量实验的分析比较采用最优波段阈值来进行土地利用特征信息提取。然后利用ENVI中的面向对象空间特征提取模块（featureextraction，FX）进行特征信息提取[12-15]，其中有2种不同的分类方式：一种是基于规则的分类方法，即通过图像的光谱、形状和纹理特征等信息，建立规则模型进行分类；另一种为基于样本的分类方法，即通过建立训练样本，选取合适的算法后再分类。

1 研究区概况及数据来源

本文选取库布其沙漠及周边地理环境作为主要实验研究区，研究区范围为107.059°E—111.368°E，39.787°N—40.913°N。长400 km，宽50 km，总面积约1.39万km2。库布其沙漠常年干旱少雨，其地理位置位于鄂尔多斯高原的北部，覆盖杭锦旗、达拉特旗和准格尔旗的部分地区。

本文为了能够为特征信息提取土地利用和沙漠化动态监测提供多光谱、多时间和多空间分辨率的遥感信息，选取了库布其沙漠2021年Landsat-OLI影像，影像来自于地理空间数据云（http://www.gscloud.cn/home），考虑到研究区的夏季时间相对较长，植物生长周期较短，为了便于目视解译，使得研究结果具有可比性，10期影像成像时间均选择在时间相距较近的时段，基本在7—8月上旬，影像成像效果较好，云量均控制在3%以下。研究区概况图如图1所示。

2 研究方法

本研究研究区需三景影像覆盖，首先对其3张卫片进行预处理，分别对它们依次进行辐射定标、FLAASH大气校正，目的是消除大气、气溶胶、光照等因素对地物反射率的影像，获取地表真实的反射率和辐射率以及地表温度等相关物理模型参数，其次对三景影像进行镶嵌处理，最后将镶嵌后的影像进行裁剪，以库布其沙漠为中心裁剪成矩形状影像。

本研究的土地利用类型是根据土地用途和性质的不同所划分的地域单元。文中的土地利用分类体系参照的是国土资源部组织修订的国家标准GB/T 21010—2017《土地利用现状分类》。根据此标准从中选择出6个一级分类，分别是耕地，林地，草地，水域，城乡、工矿居民用地，未利用土地等。

本研究是对特征影像提取，采用灰度分割与面向对象提取分类结合的方法，对分类遥感影像进行二次调节：第一次是基于机器的自动分类，通过参考野外训练样本，来手动调节阈值参数，为面向对象二次调节设定阈值范围；第二次调节是基于遥感影像的光谱进行分析提取，结合Landsat8OLI影像中的蓝绿波段、绿色波段、红色波段、近红外波段等，确定阈值参数，对特征地物进行调节，以此来提取特征信息。技术流程如图2所示。

图2 技术流程图

2.1 计算遥感指数

研究中需要用到5种遥感指数，分别是EVI增强型植被指数、MNDWI改进型水体指数、NDBI归一化建筑指数、DVI差值植被指数、RVI比值植被指数。EVI增强型植被指数不仅继承了NDVI归一化植被指数的优点，还改进了高植被区域饱和、大气影响校正不完善和土壤背景等问题。改进型水体指数MNDWI基于绿波段和近红外波段的归一化比值指数，一般用来提取影像中的水体信息，而MNDWI是基于绿波段和中红外波段的比值指数。归一化建筑指数NDB主要是通过中红外和近红外波段的差值，来提取城镇建设用地。DVI差值植被指数又称环境指数，为二通道反射率之差，近红外波段与红色波段的差值，能较好地识别植被和水体，该指数随生物量的增加而迅速增大。RVI是两个波段反射率的比值，近红外波段与红色波段的比值，是绿色植物的灵敏指示参数。运用ENVI中的波段运算，对这些指数进行计算，如有异常值则进行归一化处理。

2.2 灰度分割

结合野外采样点，通过灰度分割的方式对各类遥感指数的阈值进行调节，参考野外训练样本，对水域、建设用地、沙地、耕地、林地、草地等地物进行标记，比较分析将每种地物的阈值范围尽可能缩小。表1是各类地物与其对应的遥感指数的阈值取值范围，从表中可得知不同阈值区间可以呈现不同的地物特征，分别有水域、建设用地、沙地、耕地、林地、草地；通过野外样点训练样本，沿库布其沙漠及周边勘察地物类型，根据实际地形采样状况，为地物的灰度分割提供有力的参考依据。

2.3 波段合成

对所需指数波段进行合成处理，需用到的波段有NDBI、EVI、MNDWI、DVI、RVI、Landsat8OLI第二至第五波段，蓝绿波段、绿色波动、红色波段、近红外波段等，将这些波段进行融合，形成的新的遥感影像一共含有13个光谱波段，然后将新的遥感影像进行基于光谱的面向对象特征处理。

ENVI FX基于遥感影像的亮度、纹理、颜色等对影像进行分割，调节分割阈值，使不同尺度上边界的差异受到控制，从而产生从细到粗的多尺度分割。影像分割时，由于阈值过高或过低，某些特征会被错分，一个特征也有可能被分成很多部分，所以这时候需要一种合并算法来完善尺度分割的结果。合并算法通常选择Full Lambda Schedule，合并影像中大块、纹理性较强的区域，例如草地、沙地、树林、云等，该方法在结合光谱和空间信息的基础上迭代合并邻近的小斑块。根据表1多次实验观察比较分析得知，分割尺度为20时，影像的图斑效果相对有一个较好的呈现，选择合并阈值80，对斑块进行近似合并，纹理内核设置为3。

表1 遥感指数规则数据集

2.4 面向对象分类提取

通过图3可得知：当EVI阈值范围在（0.75，1）时，地表覆盖类型主要为耕地和林地；当NIR阈值范围在（1，0.3）时为耕地，反之则为林地；当MNDWI阈值范围在（0.35，1）时，可以区分典型的水域地物特征；当DVI阈值范围在（0.075，0.17）时，地表覆盖类型主要为沙地、建设用地，反之则为草地；当RVI阈值范围在（1.05，1.3）时，地物类型主要是沙地，反之则为建设用地。

图3 土地利用类型提取流程图

2.5 特征信息提取

利用波段计算器，通过水域、耕地、林地、建设用地、沙地分类图对原始影像进行掩膜处理，依次分离出剩余地物。为了避免监督分类造成的“同谱异物”“同物异谱”现象，辅以空间特征、光谱特征、地理位置等精确分类，构建不同地物的掩膜，加载到面向对象工作流程中，按反向掩膜提取的方式，依次对水域、耕地、林地、建设用地、沙地、草地等6类地物进行提取。库布其沙漠及周边土地利用类型如图4所示。

图4 库布其沙漠及周边土地利用类型

3 结果与分析

3.1 提取结果分析

运用Arcgis计算分类面积结果，通过SpatialAnalyst工具，对分类结果进行小斑块剔除处理，并统计地物类型的分类结果，得出各地类的占地面积以及其比例。统计后由表2可知，草地面积最大，为19 435.71 km2，占总研究区面积的41.13%；沙地面积是6 035.96 km2，占总研究区面积的12.77%；林地面积是6 037.47 km2，占总研究区面积的12.78%；建设用地为2 717.78 km2，其占总研究区面积的5.75%；耕地面积是12 379.60 km2，占总研究区面积的26.20%；水域面积最小，占地面积是643.20 km2，占总研究区面积的1.36%。通过图4可以清晰看出：草地覆盖面积占地面积最大，其次是耕地面积，位列其二，林地和沙地占地面积相近，总体呈现对半趋势，城镇建设用地面积相对较少，比例也相对较小，最后，水域的总占地面积最小。

表2 库布其沙漠及周边面积及其比例

本文为综合比较研究方法的优越性，采用监督分类中应用最广泛、分类效果和效率较高的最大似然法进行土地利用分类，采用人工目视解译定义训练样本，训练样本的选择决定监督分类的精度，当在解译过程中无法确定土地利用类型时，本研究借助BIG MAP对土地利用类型进行判读，提高训练样本的精度。

3.2 精度评价

精度验证分析如表3所示。

表3 精度验证分析

根据库布其沙漠野外实测124个样点，将其投影到分类结果中，根据精度验证的评价方法，灰度分割和面向对象结合方法与最大似然法支持向量机进行对比，进行精度验证。基于2020年土地利用现状图和前期实地调查取样进行精度验证。2种分类方法获取的分类结果与实际采样点重合，进行叠置分析。精度评价结果表明，基于灰度分割和面向对象结合方法土地利用特征信息提取总体精度90.32%，利用最大似然法支持向量机提取土地利用特征信息总体精度为62.86%，精度相对监督分类支持向量机的方法提高了27.46%，Kappa系数分别为0.847 9和0.444 4。大部分地物类型提取的使用者精度及生产者精度也高于支持向量机，灰度分割和面向对象结合提取土地利用信息效果较为理想。

4 讨论与结论

本实验采用灰度分割和面向对象结合的方法进行了土地利用信息提取，得出以下结论：草地总面积最大，林地面积和沙地面积相当；生态环境改善，说明近些年的林业造林工程有显著成效，很好地起到了治理库布其沙漠的作用；沙地退化显著，草地林地增加明显，对城镇的生态化建设作出极大的贡献；城镇用地面积、水域面积有不同程度的增加。

灰度分割和面向对象结合的方法提取地物特征信息，既可以避免同时提取多种地物类别在波组合选择上的矛盾，也一定程度上避免了传统分类方法中的“同物异谱”和“同谱异物”现象对分类精度的影响，取得了较高的分类精度。利用灰度分割和面向对象结合提取库布其沙漠地物特征信息可为该区域研究信息提取提供技术支撑。