基于植被分區的多特征遙感智能分類

于菲菲，曾永年，徐艷艷，鄭 忠，劉朝松，王 君，何晉強

(1.中南大學地球科學與信息物理學院，長沙 410083;2.中南大學空間信息技術與可持續發展研究中心，長沙 410083)

0 引言

土地利用/土地覆蓋變化(land use and land cover change，LUCC)研究是全球變化研究的熱點之一[1-4]。中國西部地區是全球變化的敏感區域，地形復雜，水土流失和土地荒漠化嚴重，生態環境極其脆弱[5-6]。為有效治理西部地區的生態環境，近年來開展了大規模“退耕還林還草”工程。與此同時，隨著西部大開發戰略的深入實施，城鎮化和工業化進程得到加速，建設用地占用耕地情況較為突出。因此，中國西部地區土地利用/覆蓋發生了較為顯著的變化[7-10]。為了保證西部地區經濟的可持續發展和土地資源的合理有效利用，需要準確、快速地掌握和分析LUCC的信息。

中國西部地區的自然條件復雜，遙感技術作為快速提取LUCC信息的有效手段，已在該區土地資源調查和測繪制圖中發揮了重要作用[11-12]，MODIS和NOAA等中、低分辨率遙感數據已被成功應用于該地區土地荒漠化監測[13-16]。然而，目前在較大范圍區域開展的資源與環境遙感應用中仍以目視解譯為主，費時費力，且難以保證遙感圖像解譯的時效性。因此，如何從海量遙感數據中快速、智能化地提取感興趣信息是亟待解決的問題。隨著群體智能理論的快速發展，群體智能方法已被引入到遙感信息提取中，并成為新的研究熱點[17-19]。蟻群智能優化算法(ant colony intelligent optimization algorithm，ACIOA)是模仿自然界的螞蟻群體覓食過程中沿最短路徑行進的生物學行為發展起來的一種群體智能優化方法。ACIOA算法作為一種“自上而下”的群體智能算法，不需要統計分布的先驗知識，具有很強的自學習能力、魯棒性、自適應性和正反饋機制等優點，在海量遙感圖像數據的信息提取方面表現出極大的優勢。許多學者先后用ACIOA算法進行了遙感圖像分類規則的挖掘研究[17-22]。本文針對大范圍復雜區域LUCC信息的提取問題，采用基于植被分區的 ACIOA算法挖掘遙感分類規則，實現對LUCC信息的有效提取。

本文以平安縣為實驗區，探索利用ACIOA算法的綜合分類方法實現LUCC遙感信息的準確自動提取，以期為大范圍地形復雜地區的LUCC信息提取提供有效方法。

1 實驗區概況與數據源

1.1 實驗區概況

實驗區選擇地處青海東部湟水中游的平安縣，該區域位于青藏高原與黃土高原的過渡地帶，處于E101°49′～102°10′，N36°15′～36°34′之間。全縣東西長23 km，南北寬33.6 km，土地總面積742.89 km2。區內地形復雜，溝壑縱橫，海拔在2 066～4 166.7 m之間。該區域屬典型的干旱、半干旱地區，人口密度較大，經濟相對發達，是以西寧市為中心的青海東部城市群以及新型工業化發展的重點區域，也是青海省重要的農業區[23]。有川水、淺山和腦山3大農業類型區;土地利用類型以林地和牧草地為主，耕地相對較少，建設用地所占比例較低。其中，建設用地與水澆地主要分布在重要交通沿線、湟水谷地及其主要支流河谷地帶，而旱地、林地、牧草地和未利用地主要分布在自然條件較差的淺山和腦山地區，土地利用空間分布差異明顯。

1.2 數據及預處理

采用的遙感數據為TM圖像，來源于中國科學院對地觀測與數字地球科學中心數據服務平臺(www.ceode.cas.cn)，成像日期為 2009 年 9 月 21日，軌道號132/35，空間分辨率30 m。實驗選用了TM1(0.45 ～ 0.52 μm)，TM2(0.52 ～ 0.60 μm)，TM3(0.63 ～ 0.69 μm)，TM4(0.76 ～ 0.90 μm)，TM5(1.55 ～1.75 μm)和 TM7(2.08 ～2.35 μm)波段的圖像。

此外，采用DEM、坡度和坡向數據作為TM圖像的輔助特征波段;采用第二次全國土地利用調查數據(該數據是采用2007—2009年的高分辨率遙感圖像經解譯、矢量化和野外調查獲得的1︰1萬比例尺數據，具有較高精度)，以及接近同期的部分Quick-Bird高分辨率遙感數據，作為遙感分類訓練樣本和分類結果精度驗證的地面參考數據;將實驗區土地利用調查數據按本文分類系統進行地類合并;采用分層隨機采樣方法選取了852個驗證樣本，用于本文方法的精度驗證。

TM圖像的預處理包括:①幾何糾正，首先以土地調查數據為參考，在TM圖像上選取地面控制點，其次構建幾何畸變糾正的數學關系，并進行圖像重采樣;②輻射校正，采用FLAASH大氣校正模型進行輻射校正;③圖像裁剪，依據土地利用調查數據中的平安縣行政區矢量數據對圖像進行裁剪，得到實驗區范圍內的TM5(R)4(G)3(B)假彩色合成圖像(圖1)。

圖1 實驗區TM5(R)4(G)3(B)假彩色合成圖像Fig.1 False color image composed of TM5(R)4(G)3(B)of the study area

2 蟻群智能優化算法

蟻群智能優化算法(ACIOA)具體過程如圖2所示，它是一種基于群體智能的啟發式仿生學優化算法，該算法模擬了自然界中螞蟻覓食時的路徑選擇行為[18]。研究發現，螞蟻總能在食物源和蟻穴間選擇一條最短的路徑，這是因為螞蟻在已走過的路徑上釋放了一種特殊的揮發性物質——信息素，信息素濃度的高低能夠引導螞蟻的路徑選擇;當某路徑上的信息素濃度高于其他路徑時，螞蟻更傾向于選擇此路徑。當螞蟻開始覓食時，在未走過的交叉路口處會隨機選擇一條路徑;隨著路徑上信息素的不斷揮發和積累，較短路徑上的信息素濃度不斷增加，而較長路徑上的信息素不斷消失。這樣，更多的螞蟻選擇較短的路徑;與此同時，短路徑的信息素濃度繼續上升，于是形成一種正反饋機制;最終，所有的螞蟻都會選擇距離最短的路徑。

圖2 蟻群智能優化算法基本原理示意圖Fig.2 Sketch diagram of basic principle of ACIOA

假設螞蟻在覓食過程中存在2條距離不等的路徑ABD和ACD，各有30只螞蟻從蟻穴和食物源出發。在t=0時刻，到達路口A和D時分別有15只螞蟻從2條路徑經過;因ACD路徑比ABD路徑短，故ACD路徑上的螞蟻先到達目的地，此時，ACD路徑的信息素濃度高于ABD路徑;經過t+1時刻，越來越多的螞蟻選擇路徑ACD，同時該路徑信息素的濃度不斷增加;最終，所有的螞蟻都選擇蟻穴—ACD—食物源這條較短的路徑。

將螞蟻覓食的這種尋優過程應用于群體智能優化領域，即產生了ACIOA算法。

3 研究方法

3.1 土地利用/土地覆蓋分類體系

參考土地利用調查數據的土地利用分類，同時考慮實驗區遙感圖像的實際可解譯能力、環境條件及土地利用現狀等因素，根據“全國遙感監測土地利用/覆蓋分類體系”，構建了適合于實驗區的LUCC遙感信息提取的分類體系(表1)。

表1 實驗區的土地利用/土地覆蓋分類體系Tab.1 Land use/cover classification system of the study area

3.2 技術流程

本文采用基于植被分區的多特征數據ACIOA智能分類方法，具體技術路線如圖3所示。

圖3 技術流程圖Fig.3 Technical flow chart

3.3 遙感分類

3.3.1 多特征數據

遙感數據與非遙感數據的復合利用能彌補單一遙感數據的不足，發揮非遙感數據的輔助作用，有效地提高遙感數據的分類精度。本文的實驗區域位于地形復雜、海拔差異大的中國西部，DEM數據以及由DEM數據生成的坡度和坡向數據能有效地反映植被垂直分帶情況與局地生長環境，是提高遙感分類精度的有效輔助數據[24]。因此，本文以 TM圖像、DEM、坡度和坡向數據作為分類的特征波段。

3.3.2 植被分區

根據干旱、半干旱地區的植被特征，將實驗區分為以植被為主的區域和以非植被為主的區域，以減少整體分類中異物同譜現象的影響。歸一化植被指數(normalized difference vegetation index，NDVI)作為植物生長狀態和植被空間分布密度的最佳指示因子，與植被分布密度呈線性關系，是遙感估算植被覆蓋度研究中常用的植被指數。為此，采用NDVI進行植被分區。利用預處理后的TM圖像生成NDVI，統計分析訓練樣本的NDVI值，確定植被或非植被的劃分閾值NDVI=0.18，以此將實驗區劃分為以植被為主的區域和以非植被為主的區域。同時，以土地利用調查數據為參照，采用分層隨機采樣的方法采集訓練樣本，以植被和非植被為主的實驗區域分別選取了872個和432個訓練樣本。

3.3.3 分類規則智能挖掘

采用ACIOA算法分別對上述2個區域挖掘遙感分類規則。該算法以訓練樣本的各波段離散值為屬性節點，以各目標地類為類節點，通過尋優搜索屬性節點和類節點的連線，挖掘相應的遙感分類規則。規則挖掘的步驟包括:

1)波段離散化。在挖掘分類規則前，采用基于信息熵的離散化方法，對訓練樣本的數據進行離散處理[25]。

2)初始規則構造。為縮短螞蟻搜索的時間，構造與問題相關的啟發式函數，引導蟻群的搜索。規則構造時采用賭輪機制選擇屬性節點，直到該路徑中包含了所有屬性;然后選擇1個類節點而且只能有1個類節點，至此1條完整初始分類規則形成。

3)規則剪枝。完成初始分類規則構造后，每一個屬性節點都被選為規則的1個條件項;通過規則剪枝，移除降低分類規則有效性的屬性節點，簡化分類規則，最大化地提高分類規則的有效性。

4)信息素更新。當所有螞蟻構造的初始規則經過規則剪枝后，更新所有屬性節點的信息素濃度，直至剩余的訓練樣本數小于預設樣本數。以上分類規則的自動挖掘是在C#環境下，通過編程實現的。

4 實驗結果與分析

4.1 實驗結果

1)分別采用ACIOA算法、支持向量機(SVM)和最大似然(ML)方法進行土地利用/覆蓋分類，結果如圖4所示。

圖4 基于植被分區的多特征數據土地利用/覆蓋分類結果Fig.4 Land use/cover classification results of multi－character data based on vegetation partition

2)在不進行植被分區的情況下，利用多特征數據， 采用不同算法得到土地利用/覆蓋分類結果(圖5)。

圖5 多特征數據的土地利用/覆蓋分類結果Fig.5 Land use/cover classification results of multi－ character data

3)在不進行植被分區的情況下，僅使用TM圖像， 采用不同算法得到土地利用/覆蓋分類結果(圖6)。

圖6 TM圖像的土地利用/覆蓋分類結果Fig.6 Land use/cover classification results of TM image

4.2 精度分析

本文選用混淆矩陣作為上述3種不同情況下分類結果的精度評價方法。該方法是國內外廣泛使用的遙感分類精度評價方法，具體評價指標有總體精度、Kappa等，分別從不同的分析角度評價分類結果的精度。其中，Kappa不隨類別樣本點數量的不同而改變，能夠更加客觀地評價分類精度。

1)在不進行植被分區的情況下，僅用TM圖像，采用ACIOA算法的總體分類精度為83.22%，Kappa=0.79，比SVM和ML方法的總體分類精度分別提高了0.59%和2.82%，Kappa 分別提高了0.02 和0.04(表2)。由此可見，與SVM和ML方法相比，基于遙感圖像的ACIOA分類方法有一定的優勢。

表2 基于TM圖像分類精度Tab.2 Classification accuracy based on TM image

2)在不進行植被分區的情況下，利用多特征數據圖像，采用 ACIOA算法的分類總體精度為85.09%，Kappa=0.81(表3)，比 SVM 和 ML 方法的分類總體精度分別提高了1.99%和3.17%，Kappa分別提高了0.03和0.04;比僅用TM圖像的分類總體精度提高了1.87%，Kappa提高了0.02。由此可見，在地形復雜的大范圍區域，多特征數據能夠有效地提高遙感數據的分類精度，并且基于多特征數據的ACIOA分類方法優于SVM和ML方法。

表3 多特征數據圖像分類精度Tab.3 Classification accuracy based on multi－character data image

3)在植被分區的情況下，利用多特征數據圖像，采用ACIOA算法分類的總體精度88.85%，Kappa=0.86，比SVM和ML方法的分類總體精度分別提高了2%和 5.52%，Kappa分別提高了 0.03和 0.08(表4);比僅用TM圖像和多特征數據圖像分類總體精度分別提高了5.63%和3.76%，Kappa分別提高了0.07和0.05。由此可見，在地形復雜的大范圍區域，基于植被分區的多特征數據遙感分類方法更為有效地提高了土地利用/覆蓋遙感信息提取精度，而且基于植被分區的多特征ACIOA分類方法明顯優于SVM和ML方法。

表4 基于植被分區多特征圖像分類精度Tab.4 Classification accuracy based on multi－ character data in vegetation partition

5 結論

為有效提取大范圍地形復雜地區的土地利用/覆蓋遙感信息，以青藏高原與黃土高原過渡地帶的青海東部地區為研究區，進行了ACIOA分類方法的研究。結果表明:

1)利用遙感圖像、DEM、坡度和坡向復合的多特征數據，ACIOA分類的總體精度達到85.09%，比僅用TM圖像ACIOA分類的總體精度提高了1.87%，并優于基于多特征數據的SVM和ML分類結果。

2)為減小異物同譜現象對整體分類的影響，根據干旱、半干旱地區的植被特征，采用植被分區的多特征ACIOA分類的總體精度達到88.85%，比不分區的ACIOA分類的總體精度提高了3.76%，并優于基于植被分區的多特征SVM和ML分類結果。

3)本文提出的基于植被分區的多特征數據ACIOA智能分類方法與策略，能有效地提高大范圍地形復雜地區土地利用/覆蓋遙感信息提取的精度，在大范圍地形復雜的區域土地利用/覆蓋遙感信息提取中具有較大的應用潛力。

[1]史培軍，宮 鵬，李曉兵，等.土地利用/覆蓋變化研究的方法與實踐[M].北京:科學出版社，2000.Shi P J，Gong P，Li X B，et al.The method and practice of land use/cover change[M].Beijing:Science Press，2000.

[2]李秀彬.全球環境變化研究的核心領域——土地利用/土地覆被變化的國際研究動向[J].地理學報，1996，51(6):553-558.Li X B.A review of the international researches on land use/land cover change[J].Acta Geographica Sinica，1996，51(6):553-558.

[3]陳佑啟，Verburg P H.中國土地利用/土地覆蓋的多尺度空間分布特征分析[J].地理科學，2000，20(3):197-202.Chen Y Q，Verburg P H.Multi-scale spatial characterization of land use/land cover in China[J].Scientia Geographica Singca，2000，20(3):197-202.

[4]宋 翔，顏長珍，朱艷玲，等.黃河源區土地利用/覆被變化及其生態環境效應[J].中國沙漠，2009，29(6):1049-1055.Song X，Yan C Z，Zhu Y L，et al.Land use/cover change and associated effects on eco-environment in source region of Yellow River[J].Journal of Desert Research，2009，29(6):1049-1055.

[5]程國棟，張志強，李 銳.西部地區生態環境建設的若干問題與政策建議[J].地理科學，2000，20(6):503-510.Cheng G D，Zhang Z Q，Li R.On some issues of the ecological construction of west China and proposals for policy[J].Scientia Geographica Sinica，2000，20(6):503-510.

[6]劉彥隨，陳百明.中國可持續發展問題與土地利用/覆被變化研究[J].地理研究，2002，21(3):324-330.Liu Y S，Chen B M.The study framework of land use/cover change based on sustainable development in China[J].Geographical Research，2002，21(3):324-330.

[7]曾永年，吳孔江，靳文憑，等.青海高原東北部耕地變化及驅動力分析[J].干旱區資源與環境，2012，26(8):89-92.Zeng Y N，Wu K J，Jin W P，et al.The arable land changes and its driving factors in eastern Qinghai Plateau[J].Journal of Arid Land Resources and Environment，2012，26(8):89-92.

[8]曾永年，靳文憑，何麗麗，等.青海高原東部農業區土地利用遙感分類制圖[J].農業工程學報，2012，28(16):225-231.Zeng Y N，Jin W P，He L L，et al.Land use mapping using remote sensing for eastern part of Qinghai Plateau[J].Transactions of the Chinese Society of Agricultural Engineering，2012，28(16):225-231.

[9]劉紀遠，張增祥，莊大方，等.20世紀90年代中國土地利用變化時空特征及其成因分析[J].地理研究，2003，22(1):1-12.Liu J Y，Zhang Z X，Zhuang D F，et al.A study on the spatialtemporal dynamic changes of land-use and driving forces analyses of China in the 1990s[J].Geographical Research，2003，22(1):1-12.

[10]何書金，王秀紅，鄧祥征，等.中國西部典型地區土地利用變化對比分析[J].地理研究，2006，25(1):79-86.He S J，Wang X H，Deng X Z，et al.Analysis on influencing factors of land use change in three typical areas of western China[J].Geographical Research，2006，25(1):79-86.

[11]吳 笛，吳滿意.青海省第二次全國土地調查中遙感影像目視解譯的研究[J].科技信息，2010(7):430-431.Wu D，Wu M Y.The second national land survey in Qinghai Province in the visual interpretation of remote sensing images[J].Science and Technology Information，2010(7):430-431.

[12]李維森.新技術在國家西部1︰50 000地形圖空白區測圖工程中的應用[J].測繪科學，2010，35(6):8-11.Li W S.New technology applied in the project of west China topographic mapping at 1∶50 000 scale[J].Science of Surveying and Mapping，2010，35(6):8-11.

[13]沙占江，曾永年，馬海州，等.遙感和GIS支持下的龍羊峽庫區土地沙漠化動態研究[J].中國沙漠，2000，20(1):51-54.Sha Z J，Zeng Y N，Ma H Z，et al.Dynamic monitoring of desertification with RS and GIS in Longyangxia reservoir area[J].Journal of Desert Research，2000，20(1):51-54.

[14]曾永年，馮兆東.沙質荒漠化遙感監測與環境影響研究進展[J].山地學報，2005，23(2):218-227.Zeng Y N，Feng Z D.Advances in sandy desertification detecting and its environmental impacts[J].Journal of Mountain Science，2005，23(2):218-227.

[15]劉愛霞，王長耀，王 靜，等.基于MODIS和NOAA/AVHRR的荒漠化遙感監測方法[J].農業工程學報，2007，23(10):145-150.Liu A X，Wang C Y，Wang J，et al.Method for remote sensing monitoring of desertification based on MODIS and NOAA/AVHRR data[J].Transactions of the Chinese Society of Agricultural Engineering，2007，23(10):145-150.

[16]高志海，魏懷東，丁 峰.TM影像荒漠化解譯與成圖技術研究[J].遙感技術與應用，2002，17(6):293-298.Gao Z H，Wei H D，Ding F.Study on interpretation and cartography technology of desertification by TM image[J].Remote Sensing Technology and Application，2002，17(6):293-298.

[17]戴 芹，劉建波，劉士彬.群智能方法在遙感信息提取中的應用分析[J].計算機工程與應用，2011，47(4):13-16.Dai Q，Liu J B，Liu S B.Analysis of remote sensing information extraction using swam intelligence method[J].Computer Engineering and Applications，2011，47(4):13-16.

[18]劉小平，黎 夏，何晉強，等.基于蟻群智能的遙感影像分類新方法[J].遙感學報，2008，12(2):253-262.Liu X P，Li X，He J Q，et al.Classification of remote sensing images based on ant colony optimization[J].Journal of Remote Sensing，2008，12(2):253-262.

[19]戴 芹，劉建波.基于蟻群優化分類規則挖掘的遙感圖像分類研究[J].計算機工程與應用，2008，44(15):12-14.Dai Q，Liu J B.Research on remote sensing image classification using ant colony optimization(ACO)based classification rule mining algorithm[J].Computer Engineering and Applications，2008，44(15):12-14.

[20]肖 菁，梁燕輝.基于改進Ant-miner算法的分類規則挖掘[J].計算機工程，2012，38(17):162-165.Xiao J，Liang Y H.Classification rule mining based on improved ant-miner algorithm[J].Computer Engineering，2012，38(17):162-165.

[21]Zhang H N，Huang F，Guo J C，et al.Automatic classification of remote sensing image using ant colony clustering algorithm[C]//Proceedings of the 2nd International Congress on Image and Signal Processing.Tianjin:IEEE Press，2009:1-4.

[22]Li R，Meia X，Liu J Y.New method of remote sensing image classification based on ant colony[C]//Proceedings of the 6th IEEE Joint International Information Technology and Artificial Intelligence Conference.Chongqing:IEEE Press，2011:375-379.

[23]曾永年，劉茂國，何麗麗，等.青海東部河湟地區建設用地時空變化分析[J].國土與自然資源研究，2011，34(4):26-28.Zeng Y N，Liu M G，He L L，et al.Spatial-temple analysis on buildup land changes in Huangshui and Yellow River basins in eastern Qinghai[J].Territory and Natural Resources Study，2011，34(4):26-28.

[24]杜明義，武文波，郭達志.多源地學信息在土地荒漠化遙感分類中的應用研究[J].中國圖象圖形學報，2002，7(7):740-743.Du M Y，Wu W B，Guo D Z.Research on multi-source geographic information based classification of desertification[J].Journal of Image and Graphics，2002，7(7):740-743.

[25]謝 宏，程浩忠，牛東曉.基于信息熵的粗糙集連續屬性離散化算法[J].計算機學報，2005，28(9):1570-1574.Xie H，Cheng H Z，Niu D X.Discretization of continuous attributes in rough set theory based on information entropy[J].Chinese Journal of Computers，2005，28(9):1570-1574.