地貌形態類型面向對象分類法的改進

田 丹，劉 愛 利，丁 滸，張 雯，齊 威

(1.南京信息工程大學地理與遙感學院，江蘇 南京 210044；2.南京師范大學虛擬地理環境教育部重點實驗室，江蘇 南京 210023)

地貌形態類型面向對象分類法的改進

田 丹1，劉 愛 利1，丁 滸2，張 雯1，齊 威1

(1.南京信息工程大學地理與遙感學院，江蘇 南京 210044；2.南京師范大學虛擬地理環境教育部重點實驗室，江蘇 南京 210023)

提出一種改進的基于隨機森林因子重要性分析和灰度共生矩陣紋理的地貌形態類型面向對象劃分方法。以中國1∶100萬DEM為數據源，利用相關分析和雪氏熵值法篩選確定地貌分類的地形因子組合，并利用隨機森林分類樹評價各地形因子的重要性，將求得的各因子重要性數值作為面向對象多尺度分割各圖層的閾值，最后基于灰度共生矩陣紋理信息構成分類樣本的知識庫進行地貌分類。全國地貌分類以《中國及毗鄰地區1∶400萬地貌圖》為精度評價標準，結果顯示該文提出的分類方法總體精度為71.4%，比ISODATA非監督分類法精度提高5.7%，比常用的面向對象分類法精度提高15.7%；陜西省地貌分類以《中華人民共和國1∶100萬地貌圖》為精度評價標準，分類的總體精度為72.9%。通過分析該文方法對不同分辨率DEM分類精度的影響，得出分辨率越高總體精度越高。

地貌分類;面向對象分類;隨機森林;灰度共生矩陣

0 引言

地貌是自然地理環境的基本要素之一。地貌分類是數字地形分析的基礎，同時也是地貌制圖研究的依據以及地貌分布規律研究的前提，故其在生產實踐和科學研究中都具有重要價值[1-3]。

但前人研究顯示目前面向對象的地貌分類精度仍不高，多尺度分割算法閾值的確定存在主觀性。因此，本文以中國1∶100萬DEM為數據源，探索地貌形態類型面向對象自動劃分方法的改進。

1 實驗數據

本文采用國家地理信息中心生產的1∶100萬DEM數據，該數據是在我國1∶5萬及1∶10萬基本比例尺地形圖上，按照28.125″(經差)×18.750″(緯差)的格網間隔，高精度讀取方里網交點高程所構建的1 km柵格分辨率的地面高程數字矩陣[15]。該數據采樣精度較高且能從宏觀反映我國地形的起伏變化特征[16]，數據高程0～8 848 m，標準差為1 147.1 m。受數據所限，本文以《中國及毗鄰地區1∶400萬地貌圖》作為全國尺度精度評價的依據。為驗證本文提出的分類方法對于小尺度的適用性，本文還以《中華人民共和國1∶100萬地貌圖》陜西省分幅作為分類結果精度評價標準。

2 實驗方法

本文技術路線見圖1。首先，篩選并提取地形起伏度、地表粗糙度、高程、高程變異系數、坡度變率、光照暈渲圖和全累計曲率7種地形因子作為地貌劃分因子組合；其次，將隨機森林分類樹計算得到的因子重要性作為閾值，對組合結果進行多尺度圖像分割；選取灰度共生矩陣(GLCM)紋理信息構建分類知識庫，利用最鄰近分類法進行地貌自動分類；最后以《中國及毗鄰地區1∶400萬地貌圖》為基準，對分類結果進行精度評價。

圖1 技術路線Fig.1 The technology flow chart

2.1 地貌分類因子的確定

將多種地形因子結合能夠較為完整地反映地貌實體的形態特征[17,18]。本研究選取了在數字地形分析中常用于地貌分類的宏觀地形因子:高程、地形起伏度、地表粗糙度、地表切割深度、高程變異系數；以及微觀地形因子，坡度、坡度變率、全累計曲率。此外，地貌暈渲圖可產生地形表面陰影效果，能夠增強地面的起伏感，也作為地貌形態類型劃分的指標。

不同地形因子從不同角度表達地貌形態特征和空間特征，其間往往存在相關性，相關性強的地形因子所反映的地貌形態信息具有較大重疊，故在進行地貌形態類型劃分時勢必會造成信息的冗余，故應篩選相關性弱的地形因子組合進行地貌劃分。在對上述9種地形因子進行相關系數篩查前，為避免量綱的影響，先對其進行標準化處理，使其值域落在0～255之間。得到9種地形因子相關系數見表1,其中，坡度、地表切割深度和地形起伏度3個地形因子間存在高度相關性，故應選擇其中一種地形因子與其余6種因子組合以進行地貌形態類型的劃分。本研究采用雪氏熵值法對坡度、地表切割深度和地形起伏度3個地形因子進行取舍：

(1)

式中:S為n維數據子集的熵；|Ms|為n維數據子集的協方差矩陣行列值，該值越大則該影像的熵越大，越有利于影像分類。

將坡度、地表切割深度和地形起伏度分別與其他6種地形因子組合，利用式(1)計算熵值S，得到3種組合的熵值分別為：26.89、26.86、27.20，即地形起伏度與其他6種地形因子的組合能夠獲得最大的熵值，也即地形起伏度、地表粗糙度、高程、高程變異系數、坡度變率、光照暈渲圖和全累計曲率為地貌分類的最佳因子組合。

2.2 地形因子重要性的計算

面向對象影像分析思想的核心是將影像對象作為最小處理單元，其核心技術是影像分割與特征空間聚類。分割一般從像素級開始，采取自下而上迭代的區域融合方法，將光譜和空間特征同質性高的相鄰像素合并[19]，將分割后的影像對象按照最大隸屬度值劃分到某一確定的類別中，從而完成分類。在分割開始前，當輸入信息源是單一圖層即單通道影像時，僅利用單個圖層進行分割，當輸入信息源是多通道復合影像時，則需對每一圖層設置權重后再進行多尺度分割。通過上述分析，本文篩選了7種地形因子作為地貌形態劃分的因子組合，并將每一個地形因子作為一個圖層輸入組合成7波段特征影像，在進行多尺度分割時需設置7種地形因子的權重，由于每種地形因子表征不同地貌類型的能力不同，在地貌分類中的重要性亦不同，重要性高的地形因子賦予較高的權重，故在對地形因子賦權重值前需先定量計算地形因子的重要性。本文提出一種基于隨機森林分類因子重要性估計的多尺度分割圖層閾值確定方法。

(2)

計算得到各地形因子重要性度量如圖2，將重要性數值取整后作為各圖層的閾值進行多尺度分割，通過多次實驗后將分割尺度設為90，最終得到的多尺度分割結果如圖3所示(見封2)。

2.3 基于GLCM的面向對象分類

本文采用標準最鄰近分類器進行地貌類型的劃分，在類層次結構中插入7個類別：平原、丘陵、低山、低中山、高中山、高山和極高山，為每一類別選取GLCM紋理性構建分類特征空間，并選擇樣本。

圖2 各地形因子重要性度量Fig.2 Importance measure for each terrain factor

DEM模擬的數字地形表面，本質上是一個空間場模型，而由于內插技術的存在，DEM柵格高程間存在較強的空間自相關性，GLCM模型以估計二階組合條件概率密度函數為基礎，描述在θ方向上相距為d的一對像元灰度值分別為i和j的出現概率，將像元間的空間關系用空間距離、角度等為參數引入紋理分析模型中，并由此揭示圖像的紋理特征，故該模型能夠顧及像元間的空間自相關性，是行之有效的針對DEM進行紋理分析的方法[22]。在構建特征空間時為充分利用GLCM的方向性，選擇全方向工具，對7個地形因子圖層分別構建同質性(Homogeneity)、對比度(Contrast)、差異性(Dissimilarity)、熵(Entropy)、角二階矩(Ang.2nd moment)、中值(Mean)、標準差(StdDev)和相關度(Correlation) 8種GLCM紋理參數特征，組成特征空間知識庫，然后為特征空間選擇訓練樣本。在初次分類時，為了充分利用對象間的異質性，訓練樣本選擇數量不能過多，由圖3可知，三大平原區對象面積較大且較完整，訓練樣本選擇的數量較少，而西部橫斷山脈和喜馬拉雅山脈附近的高山區和極高山區的對象面積較小且較破碎，故訓練樣本選擇的數量要多于平原丘陵區。

由于GLCM計算量較大，時間復雜度較高，在執行分類前，還需進行特征空間最優化的選取。特征空間最優化即計算特征空間中所有分類的樣本間的歐式幾何距離，將能產生最優類間距的特征組合作為最優特征組合，這里最優類間距定義為不可分類間最小距離的最大值[23](圖4)。圖4表示不同維數的特征空間對應的類間距，當特征組合維數為9時取得最大類間距0.176，此時的特征空間為：光照暈渲圖的熵、差異性和對比度，坡度變率的相關度，地表粗糙度的相關度和熵，地形起伏度的熵和同質性以及高程變異系數的相關度。將這9種特征作為地貌形態類型劃分的特征空間組合。

圖4 特征組合維數類間距Fig.4 The separation distance of feature combination dimension

利用最優特征空間對影像進行初次分類,得到的結果易出現錯分、漏分現象，且多發生于高中山、高山和極高山等紋理信息較為近似的區域，因此基于初次分類的結果去掉效果不佳的樣本，并更正錯分樣本，再次進行分類。需要注意的是，由于特征空間最優化是基于樣本的，故增加或刪除樣本需要重新計算最優特征空間組合，如此迭代3～4次得到最終分類結果(圖5,見封2)。

2.4 精度檢驗

2.4.1 分類精度檢驗 為對分類結果進行精度檢驗，以《中國及毗鄰地區1∶400萬地貌圖》除去黃土高原區與沙漠區以外的基本形態類型地貌區域為基礎，對分類結果與之對應部分的全部共8 569 210個像素構建混淆矩陣進行精度評價(表2)。由表2可知，低中山類的用戶精度最高(84.1%)，低山類用戶精度最低(47.7%)，表明分類結果中低中山類具有最高的可信度，而低山地貌類型的分類結果可信度最低；制圖精度最高的是平原地貌(83.7%)，最低的是低山地貌(50.2%)，表明平原的地貌特征明顯，而低山的地貌特征不明顯且易與其他地貌類別(如低中山和丘陵)相混淆。實驗總體精度71.4%，Kappa系數0.67，分類結果完整度好，精度較高。

表2 精度評價結果Table 2 Accuracy evaluation of classification result

2.4.2 總體精度檢驗 將本文分類方法的分類精度與前人基于ISODATA非監督分類法[16]以及文獻[18]面向對象分類法的分類精度進行對照，結果顯示，本文分類方法在精度上具有明顯優勢(表3),比ISODATA非監督分類法精度提高5.7%，比常用的面向對象分類法精度提高15.7%。將本文分類方法應用于陜西省地貌分類，以《中華人民共和國1∶100萬地貌圖》為精度評價標準，總體精度為72.9%。

表3 總體精度與Kappa系數對比Table 3 Comparison of classification accuracy and Kappa

2.4.3 本文方法對不同分辨率DEM分類精度的影響 為驗證本文方法對不同分辨率DEM分類精度的影響，以SRTM (Shuttle Radar Topography Mission) DEM(90 m分辨率)為數據源，在我國西南山地地貌較為復雜的區域選取研究區進行地貌分類;同時將SRTM DEM重采樣成500 m和1 000 m，采用本文分類法分別進行地貌劃分及精度評價(表4)。由表4可知，隨著數據分辨率降低，地貌分類精度逐級下降，SRTM DEM(90 m分辨率)分類結果總體精度和Kappa系數最高。分辨率均為1 000 m情況下，SRTM DEM分類總體精度高于國家基礎地理信息中心DEM數據，這可能是由于國家基礎地理信息中心DEM數據插值的原因，存在精度問題，在計算參數時不準確。

表4 不同數據格式不同分辨率DEM分類精度對比Table 4 Classification accuracy comparison of different DEM formation and resolution

3 結論與討論

本文以國家基礎地理信息中心1∶100萬DEM為數據源，通過定量化分析確定了適宜進行地貌劃分的地形因子組合；在進行多尺度分割時，通過構建隨機森林分類樹計算因子重要性的方式確定各地形因子的分割閾值；利用GLCM紋理信息構建特征分類知識庫，對分類知識庫進行篩選得到最優特征組合，進而對多尺度分割得到的對象進行分類。實驗結果表明，該方法得到的分類結果較完整、精度較高，分類過程主觀性低，且實現過程簡單。此外，與現有面向對象分類方法進行對比，本文方法在精度上具有明顯優勢。

通過分析本文方法對不同分辨率DEM分類精度的影響，隨著數據分辨率降低，地貌分類精度逐級下降，SRTM DEM (90 m分辨率)分類結果總體精度和Kappa系數最高。但SRTM DEM(90 m分辨率)數據量較大，進行多尺度分割且基于紋理的地貌分類非常耗時；同時本文在執行多尺度分割操作時通過多次實驗確定分割尺度，實驗過程略微繁瑣，如何根據不同的地形因子組合自適應確定分割尺度以及針對SRTM DEM(90 m分辨率)設計相應的分類方法將是下一步研究工作中的重點。

[1] 李炳元,潘保田,程維明,等.中國地貌區劃新論[J].地理學報,2013,68(3):291-306.

[2] 高玄彧.地貌基本形態的主客分類法[J].山地學報,2004,22(3):261-266.

[3] GERCEK D,TOPRAK V,STROBL J.Object-based classification of landforms based on their local geometry and geomorphometric context[J].International Journal of Geographical Information Science,2011,25(6):1011-1023.

[4] BENZ U C,HOFMANN P,WILLHAUCK G,et al.Multi-resolution,object-oriented fuzzy analysis of remote sensing data for GIS-ready information[J].ISPRS Journal of Photogrammetry and Remote Sensing,2004,58(3):239-258.

[5] 胡惠萍.面向對象分類技術的景觀信息獲取[D].長沙：中南大學,2007.17.

[7] MANAKOS I,SCHNEIDER T,AMMER U.A comparison between the ISODATA and the eCognition classification methods on basis of field data[J].IAPRS,2000,33:133-139.

[8] BLASCHKE T.Object based image analysis for remote sensing[J].ISPRS Journal of Photogrammetry and Remote Sensing,2010,65(1):2-16.

[9] VAN NIEKERK A.A comparison of land unit delineation techniques for land evaluation in the Western Cape,South Africa[J].Land Use Policy,2010,27(3):937-945.

[11] MYINT S W,GOBER P,BRAZEL A,et al.Per-pixel vs.object-based classification of urban land cover extraction using high spatial resolution imagery[J].Remote Sensing of Environment,2011,115(5):1145-1161.

[12] CIARAN R,LAN W,NEIL A,et al.A semi-automated method for mapping glacial geomorphology tested at Brei amerkurj kull,Iceland[J].Remote Sensing of Environment,2015,163:80-90.

[13] SHRUTHI R B V,KERLE N,JETTEN V,et al.Quantifying temporal changes in gully erosion areas with object oriented analysis[J].Catena,2015,128:262-277.

[14] 宋曉陽,姜小三,江東,等.基于面向對象的高分影像分類研究[J].遙感技術與應用,2015,30(1):99-105.

[15] 宋佳.基于DEM的我國地貌型類型自動劃分研究[D].西安：西北大學,2006.9.

[16] 劉愛利,湯國安.中國地貌基本形態 DEM 的自動劃分研究[J].地球信息科學,2006,8(4):8-14.

[17] 湯國安.我國數字高程模型與數字地形分析研究進展[J].地理學報,2014,69(9):1305-1325.

[18] 汪禹芹,李艷,劉愛利.基于面向對象思想的中國地貌形態類型劃分[J].遙感信息,2012,1:13-18.

[19] 黃昕.高分辨率遙感影像多尺度紋理形狀特征提取與面向對象分類研究[D].武漢：武漢大學,2009.6.

[20] BREIMAN L.Random forests[J].Machine Learning,2001,45(1):5-32.

[21] 雷震.隨機森林及其在遙感影像處理中應用研究[D].上海：上海交通大學,2012.

[22] 劉凱,湯國安,陶旸,等.基于灰度共生矩陣的 DEM 地形紋理特征量化研究[J].地球信息科學學報,2013,14(6):751-760.

[23] LALIBERTE A S,BROWNING D M,RANGO A.A comparison of three feature selection methods for object-based classification of sub-decimeter resolution UltraCam-L imagery[J].International Journal of Applied Earth Observation and Geoinformation,2012,15:70-78.

Improvement of Object-Oriented Classification Method for Landform Types

TIAN Dan1,LIU Ai-li1,DING Hu2,ZHANG Wen1,QI Wei1

(1.SchoolofGeographyandRemoteSensing,NanjingUniversityofInformationScienceandTechnology,Nanjing210044;2.KeyLaboratoryofVirtualGeographicEnvironment,MinistryofEducation,NanjingNormalUniversity,Nanjing210023,China)

This paper proposes an improved object-oriented classification for landform types,based on analysis of random forest and gray-level co-occurrence matrix.In the research,based on 1∶1 000 000 DEM of China,terrain factors for terrain classification are selected by correlation analysis and Sheffield′s entropy method.Random forest classification tree is applied to evaluate the importance of the terrain factors,which are used as object-oriented multi-scale segmentation threshold of each terrain factor.Then GLCM is conducted for the knowledge base of classification.Experiments show that the classification method of this paper is up by 5.7% than ISODATA unsupervised classification,and by 15.7% than object-oriented classification method with the landform map of 1∶4 000 000 of China as precision evaluation criteria.On Shaanxi Province,results indicated that the overall accuracy of classification is 72.9% with the landform map of 1∶1 000 000 of China as precision evaluation criteria.By analyzing the influence of the method on the classification accuracy of DEM with different resolutions,the higher the resolution is,the higher the overall accuracy is.

landform classification;object-oriented classification;random forest;gray-level co-occurrence matrix

2015-10-21；

2015-12-29

國家自然科學基金項目(41401471)

田丹(1991-)，女，碩士研究生，主要從事數字地形分析方面的研究。E-mail:870814482@qq.com

10.3969/j.issn.1672-0504.2016.02.009

P931；P208

A

1672-0504(2016)02-0046-05