基于高分一號影像的干旱半干旱區地物信息提取方法研究

王 祥，程先富，夏 超

(1.安徽師范大學 國土資源與旅游學院，安徽 蕪湖 241003；2.安徽自然災害過程與防控研究省級實驗室，安徽 蕪湖 241003；3.南京農業大學 資源與環境科學學院，江蘇 南京 210095)

基于高分一號影像的干旱半干旱區地物信息提取方法研究

王 祥1，2，程先富1，2，夏 超3

(1.安徽師范大學 國土資源與旅游學院，安徽 蕪湖 241003；2.安徽自然災害過程與防控研究省級實驗室，安徽 蕪湖 241003；3.南京農業大學 資源與環境科學學院，江蘇 南京 210095)

高分一號影像是由我國自主研發的高分辨率對地觀測系統的首發星所獲取的影像。基于高分一號影像，采用基于像元和面向對象的分類方法并結合野外調查和目視解譯對干旱半干旱區高分一號影像的分類方法進行研究。以鄂爾多斯市烏審旗段為例，對區域內地物信息進行提取，經檢驗表明將面向對象的分類方法同目視解譯相結合，總體分類精度能到達81%，基本滿足應用要求。

高分一號影像；干旱半干旱區；面向對象；像元；分類方法

0 引言

鄂爾多斯盆地蘊藏著豐富的能源資源和礦產資源，但該地地處干旱半干旱區，水資源短缺，生態環境十分脆弱。利用國產高分一號影像在室內進行地物信息提取，能及時了解土地利用現狀和發展變化趨勢，尤其是對該地區植被分布狀況的掌握，對于客觀評價該地區的生態現狀，采取相對應的治理措施，從而為實現基于生態環境保護的地區開發理念提供可靠的技術支撐。

以往的研究中國內常采用國外的MODIS、Landsat、SPOT等遙感影像進行地物信息提取[1]，左玉珊等通過對MODIS數據波段光譜知識的充分挖掘[2]，建立CART分類決策樹，實現了區域范圍內土地覆被的自動分類；胡榮明等以SPORT5高空間分辨率遙感影像為研究數據[3]，采用面向對象的遙感影像分類方法，將基于像元的分類精度與基于面向對象的分類精度進行對比分析，結果表明面向對象的分類方法比基于像元的分類方法分類精度高。國外遙感影像獲取周期長，高分辨率影像成本高等因素制約著研究中影像的獲取和應用[4]。近些年，隨著國產高分辨率衛星傳感器資源一號02C和高分一號等陸續發射，國產遙感影像在地物信息提取中得到越來越多的關注和應用，牛增懿等利用高分一號影像[5]，采用面向對象的分類方法對研究區的土壤鹽漬化信息進行了提取，結果表明高分一號影像在土壤鹽漬化信息提取的應用中表現出較好的效果。

在干旱半干旱區利用遙感影像進行地物信息提取中，早期張冬梅等研究了一種輔助草原遙感影像目視解譯的半透明疊加方法對TM影像大尺度內的地物進行了目視解譯[6]，提高了目視解譯的精度。隨著遙感解譯技術的發展和影像數據的不斷豐富，出現了多種計算機解譯算法和研究針對某一種影像數據在某一特定區域中應用的解譯方法，張興余等利用ALOS、SPOT5高分辨率遙感影像[7]，結合野外調查，完成了烏蘭布和沙漠研究區梭梭林的目視解譯及植被制圖，解譯精度達到93.3%；齊紅超等采用機器學習C5.0決策樹算法[8]，綜合利用地物波譜、NDVI、TC、紋理等信息，對研究區進行了地物信息提取，提取精度可以滿足西北干旱區大面積的土地覆被變化制圖的需要；朱海濤等構建了基于多特征的面向對象決策樹分類方法[9]，對半干旱區地物信息進行了提取，提取精度達86.9%，滿足研究的需要。

以上研究中在數據層面上主要以國外影像為數據源；從區域研究尺度層面上在干旱半干旱區以大尺度研究為主；從研究方法層面上方法種類多，差別大；然而總體上采用國產高分一號影像為數據源，在中小尺度區域上對干旱半干旱區地物信息進行提取的研究很少。

1 研究區概況與研究方法

1.1 研究區概況

研究區選在內蒙古自治區鄂爾多斯市烏審旗境內，屬于海流兔河流域。該流域位于毛烏素沙漠與陜北黃土高原的過渡帶，地理上介于108°35′～109°20′E和38°00′～39°00′N之間，海拔高度在982 m到1 480 m之間。氣候上屬溫帶大陸性季風氣候，全年多風少雨，形成了典型的干旱、半干旱草原氣候環境。

圖1 研究區位置示意圖

研究區位于海流兔河流域烏審旗段，面積約421 km2，地貌和土壤類型主要分為湖濱灘地，土壤類型為草甸土；沙地，土壤類型為風沙土；沙梁，土壤類型為栗鈣土。海拔在1 300 m左右。地物信息主要有林地(旱柳、沙柳和檸條)、草地(沙蒿、牧草和低矮沙植)、耕地、水域、居民地、道路和其他用地(沙地和鹽堿地)共12個地物類型。

1.2 數據來源

高分一號衛星是中國高分辨率對地觀測系統的首發星，其遙感影像全色波段的空間分辨率為2 m，多光譜波段的最大空間分辨率達到8 m。多光譜波段包括近紅外、紅色、綠色和藍色4個波段信息。本文所使用的高分一號遙感影像是由西安地質調查中心提供的，成像于2014年6月26日，影像為多景全色影像和多景多光譜影像。對兩種影像進行輻射定標、大氣校正和正射校正后，將全色影像與多光譜影像融合，進行影像拼接，最后裁剪出研究區的影像。

1.3 研究方法

圖2 技術流程圖

1.3.1 野外調查及影像特征判讀

通過查看文獻，發現以往對此區域研究中多采用中低分辨率遙感影像作為研究的數據源，土地利用信息分類也沒有本研究精細。且此高分一號遙感影像顏色上非真彩色，主要有兩種顏色，淺黑色和淺黃色。通過以往的歷史資料和對于新入手此研究的新手來說現有的作業經驗無法對高分一號遙感影像上的土地利用信息做初步的判讀。進行野外調查獲得研究區實地的地物信息，對研究區的地物類型，長勢，分布等有大致的了解，不僅可以提高遙感影像土地利用信息提取人的知識儲備，建立解譯標志庫，且對計算機解譯后的手動修改和人工目視解譯有很大幫助，還可以提供后期分類精度評價的實測數據[10-11]。

1.3.2 基于像元分類

長期以來，傳統的基于像元的分類方法是進行遙感影像信息提取的基本方法，其方法相對于面向對象分類方法操作簡便，對分類人員的技術要求較低，適合初學者和對分類精度要求一般的情況下使用[12]。在對研究區高分一號遙感影像土地利用信息進行提取時，首先考慮采用操作簡便的基于像元的分類方法。本研究中采用基于像元分類中的監督分類方法，運用常規的最大似然分類算法進行分類。最大似然分類算法是遙感影像監督分類的經典算法，在土地利用信息提取中有廣泛的應用，很多相關研究及文獻都把它作為標準來衡量其他分類方法的優劣[13]。因為在野外調查之前已經將道路提取出來，因此這里分類類別為11個地物，利用ENVI5.2軟件進行第一次分類。通過野外調查和對影像的判讀知道，旱柳、沙柳、耕地和居民地分布面積小，布局零散，去除這4種地物，進行第二次分類。

表1 研究區地物影像特征及預采取的分類方法

1.3.3 面向對象分類

面向對象分類方法相對于基于像元的分類方法在操作上對分類人員的技術要求較高，其構建分類規則庫是個不斷試驗和摸索的過程，花費時間較長[14]。隨著高分辨率遙感影像在生產和科學研究中得到廣泛的運用，新的遙感影像分類方法面向對象分類方法因其適合高精度遙感影像分類且分類精度較高隨之新興起來，越來越多的人開始學習和使用面向對象分類技術[15]。在采用傳統的基于像元的分類方法中分類結果不夠理想，旱柳、沙柳、耕地和住宅用地不能提取，各地物分類精度差別很大，總體分類精度不夠高，需要采用面向對象分類方法進行分類。

面向對象分類大致包括多尺度分割，特征信息提取和選用一種分類方法進行分類這三個步驟[16]。本研究中利用eCognition軟件在參考前人的分類方法和相應地物的分類參數后根據本研究區地物的光譜特征、形狀特征、紋理特征和鄰里關系等影像特性，反復試驗摸索出適合本研究區地物信息提取的具體分類參數，建立適合本研究區土地利用信息提取的分類規則庫，采用面向對象分類的常規分類方法最鄰近距離法進行分類。在分類中，反復試驗發現去除旱柳和沙柳后能有效提高其他地物的分類精度，因此分類類別為9個地物，分別為檸條、沙蒿、牧草、低矮沙植、耕地、水域、住宅用地、沙地和鹽堿地。

1.3.4 目視解譯

目視解譯是許多遙感應用項目的先遣工作，是遙感應用的基礎。對已提取的地物信息進行修改與調整，以提高最終結果的準確度并根據要求進行制圖。在采用以上兩種方法提取地物信息后，剩下旱柳和沙柳未提取。根據先前對遙感影像的熟悉，已經能很好地知道旱柳和沙柳分布的一些基本規律。旱柳多分布在居民點、耕地和部分水域附近，分布相對于沙柳在小區域上較集中，外形上呈塊狀，顏色相對較深，紋理粗糙。沙柳絕大部分分布在大片沙地區，很少與其他植被混雜到一塊，區域分布廣，但面積小，外形上呈條帶狀由東北朝西南走向，顏色相對較淺。根據這些影像特性解譯出旱柳和沙柳。

2 結果及分析

如圖3所示在基于像元分類中當分類類別越多，類別越細小時，分類的結果中出現的椒鹽現象越嚴重。而面向對象的分類方法可以通過多尺度分割將多個像元看做一個整體來克服圖斑零碎的問題，使圖文效果更好。對于圖中分布面積不大的旱柳、居民地和耕地，可以根據其分布規律采用人工目視解譯的方法進行提取，這樣在實際解譯工作中比其他分類方法要更實用。

圖3 不同分類方法分類結果圖

次數各類別分類精度/%旱柳沙柳檸條沙蒿牧草低矮沙植耕地水域居民地沙地鹽堿地總體精度/%一673741182411738556827二//73696835/81/837162

表2中/表示在該分類方法中沒有對此種地物類型進行分類。從表2中可以看出第一次分類總體精度只有27%，遠低于第二次分類的精度。其原因可能有兩方面，一方面，分類類別過多增加了具有相似光譜特征的地物區分度；類別中耕地、低矮沙植同沙地光譜相似度很高，部分牧草、鹽堿地、水域同居民地的相似度很高。另一方面，基于像元的分類方法主要是基于光譜信息特征，該方法大多用于區域內較大地物類型區分類；類別中旱柳、沙柳、耕地和居民地4種地物在高分一號遙感影像中分布零散，總體面積小，屬于較小零碎地物，難以與其他地物區分。當去除這4種地物后進行第二次分類后各種地物的分類精度明顯提高。第一次分類和第二次分類中的水域和鹽堿地分類精度差別不大，兩次分類精度都較高，可能因為兩種地物光譜顏色具有顯著的特征，能很好地同其他地物區分出來。

表3 基于像元分類和面向對象分類精度評價

表3是對基于像元分類(7種地物)和面向對象分類(9種地物)兩種分類方法的分類精度評價統計，表中/表示在此種分類方法中沒有對此種地物類型進行分類。從表3中可以看出基于像元分類方法對水域和沙地的分類精度較高，其中沙地達到83%，此分類精度達到實際應用要求。面向對象分類方法在比基于像元分類方法多出兩種地物的情況下總體精度比基于像元的分類精度還高出了19個百分點，且其植被部分分類精度較高，除了居民地分類精度較差外，其余地物類型經過手動修改后基本能達到應用要求。面向對象的分類方法在分類精度上明顯高于基于像元的分類方法。

3 結論

本文采用了基于像元和面向對象的分類方法并結合野外調查和目視解譯對干旱半干旱區高分一號影像的分類方法進行了研究，且將基于像元的分類方法同面向對象的分類方法相比較，得出以下結論：

(1)干旱半干旱區地物中植被的種類較少，分布的區域和面積差別較大，在高分一號影像上分布面積較小的旱柳和沙柳不易與其他地物區分。

(2)面向對象的分類方法相比較基于像元的分類方法在形狀因子和紋理因子上更能區分出地物，分類精度更高，并能克服圖像的椒鹽現象。

(3)高分一號影像在中小尺度上對干旱半干旱區地物信息進行詳細提取的應用中表現出較好的效果，結合目視解譯，其分類精度能達到81%，基本滿足應用要求。

[1]初慶偉，張洪群，吳業煒，等.Landsat-8衛星數據應用探討[J].遙感信息，2013，28(4)：110-114.

[2]左玉珊，王衛，郝彥莉，等.基于MODIS影像的土地覆被分類研究——以京津冀地區為例[J].地理科學進展，2014，33(11)：1556-1565.

[3]胡榮明，魏曼，楊成斌，等.以SPORT5遙感數據為例比較基于像素與面向對象的分類方法[J].遙感技術與應用，2012，27(3)：366-371.

[4]郭燕，武喜紅，程永政，等.用高分一號數據提取玉米面積及精度分析[J].遙感信息，2015，30(6)：31-36.

[5]牛增懿，丁建麗，李艷華，等.基于高分一號影像的土壤鹽漬化信息提取方法[J].干旱區地理，2016，39(1)：171-181.

[6]張冬梅，袁清，王加亭.一種輔助草原遙感影像目視解譯方法的探討——影像與基礎圖件半透明疊加法[J].遙感技術與應用，2006，21(6)：560-564.

[7]張興余，劉勇，許寶榮，等.烏蘭布和沙漠高分辨率遙感影像梭梭林解譯方法探討[J].遙感技術與應用，2010，25(6)：828-835.

[8]齊紅超，祁元，徐瑱.基于C5.0決策樹算法的西北干旱區土地覆蓋分類研究——以甘肅省武威市為例[J].遙感技術與應用，2009，24(5)：648-653.

[9]朱海濤，張霞，王樹東，等.基于面向對象決策樹算法的半干旱地區遙感影像分類[J].遙感信息，2013，28(4)：50-56.

[10]杜佳虹.遙感影像目視解譯矢量化分析[J].測繪與空間地理信息，2011，34(2)：87-91.

[11]楊博，劉義.農業遙感影像目視解譯技術要點[J].現代化農業，2008，(4)：37-39.

[12]錢茹茹.遙感影像分類方法比較研究[D].西安：長安大學(碩士學位論文)，2007.

[13]李全，王海燕，李霖.基于最大似然分類算法的土地覆蓋分類精度控制研究[J].國土資源科技管理2005，(22)：42-45.

[14]Trias-Sanz R,Stamon G,Louchet J.Using Colour,Texture,and Hierarchial Segmentation for High-resolution Remote Sensing[J].ISPRS Journal of Photogrammetry and Remote Sensing,2008,63(2):156-168.

[15] Kurtz C,Passat N,Gancarski P,et al.Extractionof Complex Patterns from Multi-resolution Remote Sensing Images:A Hierarchical Top-down Methodology[J].Pattern Recognition,2012,45(2):685-706.

[16] Whiteside T G,Boggs G S,Maier S W. Comparing Objectbased and Pixel-based Classifications for Mapping Savannas[J].International Journal of Applied Earth Observation and Geoinformation,2011,13(6):884-893.

Research on the Methods of Feature Information Extraction in Aridand Semi-arid Areas from the GF-1 Images

WANG Xiang1,2, CHENG Xianfu1,2, XIA Chao3

(1,SchoolofTerritorialResourcesandTourism,AnhuiNormalUniversity,Wuhu241003,China;2．AnhuiKeyLaboratoryofNaturalDisasterProcessandPrevention,Wuhu241003,China;3.Resources&EnvironmentScienceDepartment,NanjingAgriculturalUniversity,Nanjing210095,China)

GF-1 images by our independent research and development of high resolution earth observation system of star image can be obtained from the start. Based on the GF-1 images, pixel-based and object-oriented classification method and combined with field investigation and the visual interpretation, to arid and Semi-arid areas happened in GF-1 images classification method were studied. Our study area is Wushen County in Ordos city，to extract the mainland area information. The test shows that the object-oriented classification method combined with visual interpretation, the overall classification accuracy can reach 81%, basic meet application requirements.

GF-1 images; arid and Semi-arid areas; object-oriented; pixel; method of classification

2016-12-01

王祥(1990-)，男，安徽蕪湖人，碩士研究生，研究方向：區域環境與遙感應用。

P237

A

1009-9735(2017)02-0104-06