利用eCognition進行高分一號衛(wèi)星數(shù)據(jù)土地利用現(xiàn)狀解譯能力測試

周　亦，張亞亞

(1. 北京中色測繪院有限公司,北京 100012； 2. 吉林大學(xué)地球探測科學(xué)與技術(shù)學(xué)院，吉林 長春 130012)

?

利用eCognition進行高分一號衛(wèi)星數(shù)據(jù)土地利用現(xiàn)狀解譯能力測試

周亦1，2，張亞亞1，2

(1. 北京中色測繪院有限公司,北京 100012； 2. 吉林大學(xué)地球探測科學(xué)與技術(shù)學(xué)院，吉林 長春 130012)

土地利用現(xiàn)狀解譯能力是衛(wèi)星數(shù)據(jù)在土地資源領(lǐng)域應(yīng)用的重要指標之一。本文以內(nèi)蒙古自治區(qū)包頭市石拐區(qū)和江蘇省徐州市賈汪區(qū)作為研究區(qū)，利用eCognition軟件采用面向?qū)ο蠓诸惖姆椒ǎㄟ^初步影像分割、構(gòu)建土地利用分類系統(tǒng)、標準化最鄰近分類及對分類結(jié)果整理修改與分析，從中隨機選取了不同地類、不同面積的圖斑，以更高分辨率影像分類結(jié)果作為真值，進行了典型地類的屬性精度、面積精度評價，從而對高分一號衛(wèi)星數(shù)據(jù)的土地利用現(xiàn)狀解譯能力進行了測試與評定。

eCognition軟件；高分一號衛(wèi)星；土地利用；解譯

高分一號衛(wèi)星于2013年4月26日在酒泉衛(wèi)星發(fā)射中心發(fā)射，是高分辨率對地觀測衛(wèi)星。高分一號是高分辨率對地觀測系統(tǒng)國家科技重大專項的首發(fā)星，配置了2臺2 m分辨率全色和8 m分辨率多光譜相機，4臺16 m分辨率多光譜寬幅相機。高分一號衛(wèi)星突破了高空間分辨率、多光譜與高時間分辨率結(jié)合的光學(xué)遙感技術(shù)、多載荷圖像拼接融合技術(shù)、高精度高穩(wěn)定度姿態(tài)控制技術(shù)、5～8年壽命高可靠衛(wèi)星技術(shù)、高分辨率數(shù)據(jù)處理與應(yīng)用等關(guān)鍵技術(shù)，對于推動我國衛(wèi)星工程水平的提升、提高我國高分辨率數(shù)據(jù)自給率具有重大戰(zhàn)略意義[1]。高分一號衛(wèi)星主要為國土資源、農(nóng)業(yè)、環(huán)境保護等部門提供高精度、寬范圍的空間觀測服務(wù)，同時也將在氣象、海洋、地理信息測繪、水利和林業(yè)資源監(jiān)測、城市規(guī)劃和交通管理、災(zāi)害評估與地球系統(tǒng)科學(xué)研究等領(lǐng)域發(fā)揮重要作用。

eCognition是德國Definiens Imaging公司開發(fā)的智能化影像分析軟件，是目前商用遙感軟件中第一個基于目標信息的遙感信息提取軟件，它采用決策專家系統(tǒng)支持的模糊分類算法，突破了傳統(tǒng)商業(yè)遙感軟件單純基于光譜信息進行影像分類的局限性，提出的面向?qū)ο蟮姆诸惙椒ㄌ岣吡烁呖臻g分辨率數(shù)據(jù)的自動識別精度，有效地滿足了科研和工程應(yīng)用的需求。由于eCognition與其他遙感、地理信息軟件互操作性強，被廣泛應(yīng)用于自然資源和環(huán)境調(diào)查、農(nóng)業(yè)、林業(yè)、土地利用、國防、管線管理、電信城市規(guī)劃、制圖、自然災(zāi)害監(jiān)測、海岸帶和海洋制圖、地礦等方面。

一、研究區(qū)及研究數(shù)據(jù)概況

開展高分一號衛(wèi)星數(shù)據(jù)土地利用現(xiàn)狀解譯能力測試工作，要求研究區(qū)地形、地貌類型比較齊全且在區(qū)域上具有一定的代表性，包括平原、丘陵和山區(qū)等各種地貌類型。同時，研究區(qū)內(nèi)土地利用類型應(yīng)較豐富。

根據(jù)數(shù)據(jù)覆蓋、基礎(chǔ)數(shù)據(jù)收集情況，最終選取了內(nèi)蒙古自治區(qū)包頭市石拐區(qū)和江蘇省徐州市賈汪區(qū)作為研究區(qū)開展高分一號衛(wèi)星數(shù)據(jù)土地利用現(xiàn)狀解譯能力測試工作。石拐區(qū)共接收3景數(shù)據(jù)，包括2景PMS數(shù)據(jù)和1景WFV數(shù)據(jù)。賈汪區(qū)共接收3景數(shù)據(jù)，包括2景PMS數(shù)據(jù)和1景WFV數(shù)據(jù)。

二、土地利用現(xiàn)狀解譯能力測試

遙感影像在土地資源調(diào)查與監(jiān)測中應(yīng)用的基礎(chǔ)是影像地類的識別能力，也就是不同土地利用地類的可分性。土地利用現(xiàn)狀信息解譯是通過對遙感傳感器接收到的電磁波輻射信息特征的分析來識別地物并進行分類的[2]。常用的信息提取方法是遙感影像計算機自動分類。eCognition提供nearest neighbor(最鄰近法)和membership functions(隸屬度函數(shù)法)兩種分類方法，采用影像多尺度分割的法則對分類對象賦予各個特征語義法則實施具體分類[3]。

本試驗首先采用eCognition軟件的標準化最鄰近分類方法分別對試驗區(qū)WFV數(shù)據(jù)和PMS數(shù)據(jù)進行自動化現(xiàn)狀信息提取，然后采取人機交互的方式對分類后的圖斑進行修改完善，得到最終的土地利用現(xiàn)狀分類，最后從中隨機選取不同地類、不同面積的圖斑，以更高分辨率影像分類結(jié)果作為真值，進行典型地類的屬性精度、面積精度評價，在精度滿足規(guī)定指標要求情況下，統(tǒng)計影像的最小可識別圖斑，將面積最小值作為最小可識別圖斑的面積。土地利用現(xiàn)狀解譯評價流程如圖1所示。

圖1　土地利用現(xiàn)狀解譯評價流程

1. 初步影像分割

eCognition軟件中多尺度分割是較為常用的一個分割算法，是將影像進行分級分割獲得不同級別的影像對象，基本思路是相鄰的像元對符合異質(zhì)性定義的最小標準自下而上地進行合并[4]。

單一尺度的分割很難顧及宏觀和微觀特征。在影像信息損失最小的前提下，以任意尺度生成屬性信息類似的有意義的影像對象，構(gòu)建不同尺度的影像對象網(wǎng)絡(luò)層次結(jié)構(gòu)，不同等級的地學(xué)過程可在相應(yīng)尺度的影像對象層中得到反映[5]。試驗采用多尺度分割算法進行影像分割。多尺度影像分割通過設(shè)置波段權(quán)重、均質(zhì)性因子和分割尺度等標準，使影像的同質(zhì)分割達到高度統(tǒng)一的程度[6]。

(1) 波段權(quán)重

影像層的分割結(jié)果可以依據(jù)重要性和適宜性的不同進行分割。在分割過程中，被分配的權(quán)重較高的影像層所包含的信息將被較多使用，影像層所包含的信息對于影像對象的描述是不重要的，一般被賦予小的權(quán)重或不賦予權(quán)重[7]。本試驗分類波段權(quán)重設(shè)置為RED∶1、GREEN∶1、BLUE∶1。

(2) 分割尺度

相鄰像元能夠合并在一起成為一個對象的決定性因素是分割尺度[8]，分割尺度是一個衡量兩個相鄰影像對象的相似性(差異度)的閾值，它的選擇直接決定能否得到理想的影像對象分割結(jié)果[9]。經(jīng)過大量多尺度分割試驗，分別找出WFV數(shù)據(jù)和PMS數(shù)據(jù)各試驗區(qū)地物的最優(yōu)分割尺度，試驗表明，分割尺度為50時效果均較好。分割參數(shù)為10時，地物分割的多邊形過于密集，地物被分割得過于破碎，基本無法提取類別信息。同一影像分割參數(shù)為10的分割效果如圖2所示。

圖2　分割參數(shù)為10的分割效果

分割參數(shù)為50時，道路、水域、建設(shè)用地和植被的劃分較為明顯。道路、水域被分割為一個個具有一定長度的長條狀對象；植被的劃分范圍比較廣泛，農(nóng)用地包括整齊的菜地和地物處于生長期的耕地均能形成較為完整的多邊形，對象均質(zhì)性較好。同一影像分割參數(shù)為50的分割效果如圖3所示。

分割參數(shù)為80時，可提取多邊形較為完整的大面積的水體和建設(shè)用地，較小建設(shè)用地被綜合在其他地類中，造成遺漏。同一影像分割參數(shù)為80的分割效果如圖4所示。

(3) 同質(zhì)性因子

最終分類結(jié)果與真實地物的符合程度不僅與尺度參數(shù)和波段權(quán)重的數(shù)值有關(guān)，還取決于顏色參數(shù)和形態(tài)參數(shù)的數(shù)值。顏色同質(zhì)度是基于光譜信息的標準偏差，形狀同質(zhì)度是基于形狀緊致度的標準偏差[10]。可以通過形狀因子和緊致度的權(quán)重定義同質(zhì)度。

圖3　分割參數(shù)為50的分割效果

圖4　分割參數(shù)為80的分割效果

低分辨率影像大部分是混合像元，地物的形狀模糊，較多的顏色信息會忽略影像中其他的屬性信息，根據(jù)經(jīng)驗將形狀因子設(shè)置為0.2，緊致度因子設(shè)置為0.5。

2. 標準化最鄰近分類

定義特征空間：通過分析比較，初步選擇均值(mean)、標準差(std.dev)、比率(ratio)、亮度值(brightness)、Length/Width值5個特征進行分類，將這5個特征定義到各地類特征空間中。

選取樣本：參考各試驗區(qū)各地類影像特征，在工作區(qū)域中選取樣本，每種地類特征都要建立樣本，并且同類樣本需保證一定數(shù)量。得到最終滿意的分類結(jié)果要通過幾輪的樣本選擇和分類，是一個迭代的過程。首先選取少量小樣本，評估樣本的質(zhì)量，進行分類，得到分類結(jié)果后刪除較差的樣本[11]，添加更匹配的樣本和誤分類的影像對象創(chuàng)建樣本，錯分的影像對象通常位于該類特征空間區(qū)域的邊界，把錯分的類創(chuàng)建為樣本可以準確地描述類覆蓋的特征空間，之后再重新分類，直到得到滿意的分類結(jié)果[12]。

優(yōu)化特征空間：初步選擇樣本后，對初步定義的特征空間進行優(yōu)化，選擇最佳的特征組合進行分類。各試驗區(qū)影像特征各不相同，特征組合也有所區(qū)別，在對每個試驗區(qū)分類時要選擇其最佳特征組合進行分類。

設(shè)定分類規(guī)則，對影像對象進行分類。出現(xiàn)的誤分需要在迭代步驟中通過校正典型的誤分對象進行改正[13]。重復(fù)把未分類的對象作為樣本，把錯分類的對象糾正到正確的類中，再次分類，檢查分類結(jié)果[14]。重復(fù)這種指定樣本和分類的循環(huán)過程，直到得到比較滿意的分類結(jié)果。

從主觀目視和客觀定量兩個方面對自動分類結(jié)果進行評定，其中客觀定量評價主要從隸屬度大小的角度來評價分類結(jié)果，包括最佳分類結(jié)果評價法和分類穩(wěn)定性評價法。

3. 分類結(jié)果整理及修改

目前土地利用現(xiàn)狀自動分類結(jié)果尚不能完全滿足應(yīng)用需要，需對自動分類結(jié)果進行人工修改、完善，并對所有現(xiàn)狀圖斑建立拓撲關(guān)系、自動統(tǒng)計圖斑面積、填寫屬性表，主要包括：

1) 對自動分類結(jié)果中圖斑邊界不平滑、不準確的情況進行人工修改。圖5為耕地邊界綜合過大的情況，自動分類結(jié)果與人工修改結(jié)果可對比分析。

圖5

2) 對誤分類圖斑進行人工修改。水域誤分為耕地的自動分類結(jié)果與人工修改示意如圖6所示。

圖6

3) 特征不明顯的道路、河流等自動誤分在其他類中，呈不連續(xù)狀態(tài)，河流自動分類結(jié)果與人工修改結(jié)果示意如圖7所示。

圖7

4. 土地利用現(xiàn)狀解譯能力測試評價

從土地利用現(xiàn)狀分類結(jié)果中隨機選取不同地類、不同面積的圖斑，以更高分辨率影像分類結(jié)果作為真值，分別進行各試驗區(qū)WFV、PMS數(shù)據(jù)典型地類的屬性精度、面積精度評價，在精度滿足規(guī)定指標要求情況下，統(tǒng)計影像的最小可識別圖斑，將面積最小值作為最小可識別圖斑的面積，將測試結(jié)果填入土地利用現(xiàn)狀解譯能力測試評價表(見表1)。

表1　GF-1衛(wèi)星土地利用現(xiàn)狀解譯能力測試評價

三、結(jié)束語

試驗表明，利用eCognition軟件采用面向?qū)ο蟮姆椒ㄟM行高分一號衛(wèi)星數(shù)據(jù)的土地利用現(xiàn)狀解譯自動分類，從整體來看，分類結(jié)果較好，快速簡便，而且能夠達到較高精度，節(jié)省了大量的人力物力，為大面積土地利用調(diào)查和監(jiān)測提供了基礎(chǔ)支撐。但由于技術(shù)限制、個人水平差異等，仍存在一些誤分、錯分現(xiàn)象；另外，圖斑邊界也存在一定的誤差。

根據(jù)不同的工程應(yīng)用需求，一方面可以通過研究新的分類規(guī)則，進一步對影像對象進行細分；另一方面可將分類矢量結(jié)果導(dǎo)出，在ArcGIS等其他遙感處理軟件中對其進行相應(yīng)編輯處理，以達到目的要求。筆者認為高分一號衛(wèi)星數(shù)據(jù)在土地利用現(xiàn)狀調(diào)查中有很大的應(yīng)用潛力，只是應(yīng)用的方法還需要進行更多的研究，相信不久的未來在土地利用現(xiàn)狀調(diào)查更新中高分一號衛(wèi)星數(shù)據(jù)會有出色表現(xiàn)。

[1]中華人民共和國國土資源部. “高分一號”衛(wèi)星發(fā)射成功[EB/OL]. [2013-05-02].http:∥www.mlr.gov.cn/xwdt/jrxw/201305/t20130502_1209918.htm.

[2]梅安新,彭望琭,秦其明,等.遙感導(dǎo)論[M].北京：高等教育出版社,2001.

[3]王文宇,李博.基于eCogniton的高分辨率遙感圖像的自動識別分類技術(shù)[J].北京建筑工程學(xué)院學(xué)報,2006(4)：26-29.

[4]周春艷,王萍,張振勇，等.基于面向?qū)ο笮畔⑻崛〖夹g(shù)的城市用地分類[J].遙感技術(shù)與應(yīng)用,2008,23(1):31-35.

[5]孫曉霞,張繼賢,劉正軍.利用面向?qū)ο蟮姆诸惙椒◤腎KONOS全色影像中提取河流和道路[J].測繪科學(xué),2006,31(1):62-63.

[6]魏飛鳴.基于對象信息的遙感影像分類研究[D].成都：電子科技大學(xué),2008.

[7] 丁曉英.eCognition在土地利用項目中的應(yīng)用[J].測繪與空間地理信息,2005,28(6):116-120．

[8]蔣好忱,任宏權(quán),秦先峰,等.eCognition影像自動解譯及精度評價[J].測繪通報,2015(10):81-84.

[9]葛春青,張凌寒,楊杰.基于決策樹規(guī)則的面向?qū)ο筮b感影像分類[J].遙感信息,2009(2):86-90.

[10]杜鳳蘭.面向?qū)ο蟮牡匚锓诸惙椒ǚ治雠c評價[J].遙感技術(shù)與應(yīng)用,2004,19(1):20-23．

[11]術(shù)洪磊,毛贊猷.GIS輔助下的基于知識的遙感影像分類方法研究——以土地覆蓋/土地利用類型為例[J].測繪學(xué)報,1997,26(4):328-336.

[12]楊大志,付洛玲,段嶸峰，等.基于面向?qū)ο蠓诸惙椒ǖ腟POT5影像土地利用信息提取研究——以河南省臨潁縣為例[C]∥中國土地學(xué)會學(xué)術(shù)年會論文集.北京：地質(zhì)出版社,2007:609-614.

[13]程滔,劉若梅,周旭.基于高分辨率遙感影像的地理國情普查水體信息提取方法[J].測繪通報,2014(4):86-89.

[14]王萍,張繼賢,林宗堅，等.基于多源遙感數(shù)據(jù)融合的土地利用/土地覆蓋變化信息提取試驗[J].測繪通報,2003(4)：14-17.

Test of Land Use Interpretation Ability with Satellite Data of GF-1 Using the eCognition

ZHOU Yi，ZHANG Yaya

10.13474/j.cnki.11-2246.2016.0261.

2015-08-24；

2016-02-29

周亦(1980—)，女，碩士，工程師，主要從事土地利用遙感監(jiān)測及數(shù)字城市項目技術(shù)管理與研究。E-mail：zhouyi801223@126.com

P237

B

0494-0911(2016)08-0077-04

引文格式：周亦，張亞亞.利用eCognition進行高分一號衛(wèi)星數(shù)據(jù)土地利用現(xiàn)狀解譯能力測試[J].測繪通報，2016(8)：77-80.