基于面向對象的國情普查地表覆蓋提取方法

任 慧，談亞光

（1.廣東省國土資源測繪院，廣東 廣州 510500）

城市地理國情動態監測管理是以3S一體化為基礎，運用專業遙感技術，對地理對象和影像特征進行采樣和分析，快速獲取其空間特征，結合GIS分析，利用分析解譯結果與城市各種行業的規劃編制、規劃審批成果之間的對比分析，掌握城市建設中與規劃不符的情況，并通過核查上報、統計分析等手段，為城市規劃管理、城市建設監察提供服務[1,2]。

本文運用面向對象的特征提取軟件eCognition、Feature Station與人工目視解譯相結合的手段，從理論和實踐2個方面，研究利用人機交互式解譯方法，對計算機自動解譯進行了精度評價，并對自動解譯所提高的工作效率進行了評估。

1 研究區概況及數據情況

本文的研究區域為佛山市三水區。佛山市三水區位于北緯 22°58'～ 23°34'，東經 112°46'～ 113°02'。地處佛山市西北部，全區總面積827.7 km2，總人口62.26萬。境內地形復雜，西北部多為低山丘陵；中部、東北部為臺地平原，坡度平緩，多積水洼地；南部是臺地圍田。西江、北江、綏江流經境內。平原多是由西江、北江沖積而成，地勢較低，一般海拔在1.5～3 m，全區最低海拔為-1～-1.7 m。

本次研究主要利用佛山國土局提供的衛星影像數據進行國情普查。依據分辨率0.5 m的遙感影像數據以及佛山水務部門提供的1︰5 000DLG數據等，達到普查范圍覆蓋全區的目標。

2 地表覆蓋提取方法

地表覆蓋分類的提取原則是盡可能基于遙感影像自動分類，最大限度地使用計算機自動處理，在不能滿足精度要求的情況下，采取輔助手段兼顧效率及精度[3,4]。故應該優先使用已有的普查內業參考數據，其次是利用內業參考數據，實現計算機自動提取地表覆蓋分類數據，最后再對不滿足精度要求的地類進行人工提取。

2.1 數據分析

地理國情監測的基礎是地表覆蓋[5,6]。基礎地理信息數據作為普查內業參考數據，與正射影像疊加分析，分析的結果可以分為如1圖所示的3類。圖1a中地理國情普查內業參考數據與正射影像的時相相近，整體上沒有太大的變化，是可優先使用的地理國情普查內業參考數據。圖1b中地理國情普查內業參考數據與正射影像的差異不算太大，有些地方套合準確，有些不準，但如果人工修改不準確的邊界，工作量很大，這種類型的數據可以考慮暫時保留，后期處理時加入地理國情普查內業參考數據進行矢量輔助分割。圖1c中地理國情普查內業參考數據變化太大或者采集類型不同，無法使用，這種情況考慮目視解譯。

2.2 目視解譯

根據已經確定使用的基礎地理數據，一級類中耕地、園地、林地、草地可以按照1︰5 000DLG植被層分割，分割后賦值屬性，再分類提取，水體可以按照1︰5 000DLG水系面層提取，剩下需要分類的有房屋建筑區、道路、構筑物、人工堆掘地、裸露地表。房屋建筑區的屋頂光譜信息較復雜，同物異譜、同譜異物的現象明顯，又含有較多陰影，自動提取的難度較大；道路提取方面，不同材質道路路面光譜信息也不盡相同，加上道路兩旁的行道樹及其陰影也很容易對道路的連續性產生影響，自動提取的難度也較大。同理，構筑物、人工堆掘地以及裸露地表所包含的光譜信息及紋理信息也不盡相同。這些一級類需要人工目視解譯來提取。以上的所有一級類采集完畢后，剩下的則是植被所包含的耕地、園地、林地、草地4大類。這幾類由于覆蓋面積較大，人工解譯所花費的時間較長，故先采用計算機自動解譯的方式，分割出最小圖斑，然后再進行分類及后續處理，以減少工作量。

圖1 3類分析結果圖

2.3 影像分割

面向對象的特征提取，其所處理的影像單元并非單個像素，而是由一組像素所組成的對象。影像分割即是將由像素組成的像素集合分割成由對象組成的對象集合的過程。影像分割后圖斑邊界的準確率直接影響到后續手工編輯時的工作量。在形狀因子與緊致度相同的情況下，不同分割尺度所分割的結果如圖2所示。

圖2 不同分割尺度所分割的結果比較

分割尺度越小，生成的對象個數越多，影像越破碎。在本次研究中，分別在Feature Station與eCognition中完成對植被類別的高級分割，在參考矢量中分別導入已經目視解譯的中間成果以及1︰5 000DLG中的植被面層。目視解譯的中間成果內部不細分，1︰ 5 000DLG中的植被面層內部仍然按照計算機自動分割來細分。

2.4 影像分類

影像分類是對每個處理單元進行分類，賦予地類屬性。影像分類的方法有很多，eCognition中的分類方法包含閾值分類、使用矢量數據的屬性分類與監督分類；Feature Station中只支持樣本采集的監督分類方法。本次研究通過人工選取水體、植被和其他3種類別的樣本點來進行訓練，將訓練結果應用在整個影像上，對整體進行分類。分類后的結果圖3、4所示。

圖3 eCognition中執行CART監督分類后的結果

圖4 Feature Station中執行SVM監督分類后的結果

由于直接采取樣本分類的效果并不理想，特別是對植被進行二級分類，在植被層中區分出耕地、草地、林地、園地的效果不太理想，故在本次試驗中，僅是在影像分割后批量賦值屬性。將1︰5 000DLG的植被數據與正射影像疊加分析后，對分類有錯誤或者未分類的圖斑，再進行分類后處理。

2.5 分類后處理

1）手工編輯。分類結果不可能是百分之百準確，所以手工編輯功能顯得十分重要，手動修改所含的工作量占總工作量的絕大部分。按照之前的處理流程，進行完批量屬性賦值之后，需要檢查修改的只剩下被分割過的1︰5 000DLG中的植被數據，以及被分割過的未賦屬性的空白圖斑。

2）合并相鄰的同類圖斑。分割后會出現許多相鄰的同類圖斑，將同類圖斑歸并成一個對象可以減少總的對象數，讓圖面顯得更加簡單直觀。Feature Station中含有合并相鄰圖斑的功能，如圖5所示。

圖5 Feature Station中的相鄰同類圖斑合并功能

3）剔除小圖斑。按照《地理國情普查試點方案（試行稿）》的要求，最小圖斑面積為400 m2（綠化林地、綠化草地為200 m2），連續、不同類型、面積均小于400 m2但面積總和超過400 m2的圖斑，邊界清晰的必須采集，邊界不清晰的就近歸并。從試驗的情況來看，小于400 m2的地類，大部分為不準確的地類。為了減少人工編輯的工作量，需要將小于400 m2的圖斑自動歸并到相鄰地類中。

2.6 精度評價

本次試驗主要針對手工編輯的工作量來評定，由于影像分割決定了每個對象的邊界，對象屬性決定了每個對象所被歸化的類別，所以評定的步驟也包含2步：一是人工修改對象的屬性，將錯分、漏分的對象正確分類，統計每個分類以及總分類中手動選取的對象數，2款軟件統計精度如表1所示；二是修改對象的邊界，統計對象修改邊界的長度，計算其與對象總周長的比值，算出人工修改邊界占總邊界工作量的百分比。2種軟件的水體人工修線總長度與水體總周長如圖6、7所示，水體人工修改邊界工作量如表2所示。

表1 分類精度結果

表2 2種軟件人工修改工作量對比表

總的說來，相對于全手動分類，2款軟件的自動分類精度幾乎都達到了90%；在人工編輯工作量上，就水體而言，2款軟件相對于全手動提取地物邊線，均減少了80%以上的手工作業量，從數據上看，eCognition比Feature Station有少許優勢。

圖6 eCognition中水體人工修線總長度和水體總周長

圖7 Feature Station中水體人工修線總長度和水體總周長

3 結 語

地理國情地表覆蓋提取的技術體系，規范了成果的形式內容和相關指標，使國情普查在測繪地理信息系統得到提升和保障。國情普查地表覆蓋提取還需要綜合多種學科的技術手段進行知識的交叉，提出創新可行的數據算法，提高數據成果質量。本次研究證明，對于部分地類，計算機自動解譯確實可減少人工工作量。但只有結合已有的基礎地理數據，將計算機自動解譯和人工解譯相結合，才能最大程度地提高作業效率。

[1]王思遠,張增祥,周全斌,等.基于遙感與GIS技術的土地利用時空特征研究[J]. 遙感學報,2002(3):223-228

[2]曹雪,柯長青.基于TM影像的南京市土地利用遙感動態監測[J].武漢大學學報:信息科學版，2006(11):958-961

[3]程滔,周旭,劉若梅.面向地理國情監測的地表覆蓋信息提取方法[J].測繪通報,2013(8):84-86

[4]李月臣,陳晉,宮鵬,等.基于NDVI時間序列數據的土地覆蓋變化檢測指標設計[J].應用基礎與工程科學學報,2005,13(3):261-274

[5]唐新明.地理國情監測的基礎是地表覆蓋[N].中國測繪報,2011-03-29(6)

[6]張靜,郭玉芳.地理國情監測中地表覆蓋分類體系研究[J].測繪標準化,2012(3):8-10