農用地分類中OLI影像合成最佳波段組合研究
——以黑龍江省鶴崗市為例

鄧家容

(黑龍江科技大學建筑工程學院，黑龍江哈爾濱 150022)

農用地是社會-經濟-生態的復合體，具有增長經濟、生態建設和社會保障功能[1]。農用地利用不僅給人類帶來直接的經濟效益，而且還帶來生態效益或間接的社會效益[2]。隨著我國社會經濟的快速發展，人口的增長，建設用地的擴張，使農用地占地面積逐年減少，從而導致農用地資源的缺乏[3]。因此，掌握農用地變化的信息是改善農用地資源的必要途徑之一。

隨著“3S”時代發展，遙感影像數據已成為當下土地分類研究領域的熱點，是獲取各類土地利用實時信息最快速、最直接的手段[4]，且具有豐富的光譜信息。遙感數據已成為獲取土地利用/土地覆蓋變化(land use and land cover change，LUCC)數據的重要來源[5]。美國陸地衛星 Landsat 系列的遙感數據具有適合中等尺度研究的空間分辨率，并相對易于獲取，在土地利用變化研究中應用最為普遍，并也在土地利用分類辨識中發揮重要作用[6]。2013年2月11日，美國航空航天局(national aeronautics and space administration，NASA)成功發射了Landsat 8衛星；Landsat 8衛星上攜帶了OLI陸地成像儀(operational land imager)及TIRS熱紅外傳感器(thermal infrared sensor)，共11個波段。Landsat 8_TIRS遙感影像主要用于獲取地球上2個熱區地帶的熱量流失，其目的是了解觀測地帶水分消耗；而Landsat 8_OLI遙感影像主要用于獲取陸地影像，在土地變化研究中應用廣泛。該研究選擇Landsat 8_OLI遙感影像數據在農用地分類中各波段信息提取進行研究。

在利用Landsat 8_OLI遙感影像數據進行土地變化監測的研究中，有的學者利用Landsat TM和Landsat 8 _OLI/TIRS影像，對2005—2015年水煤漿的土地利用變化進行評價[7]。有的學者應用遙感和地理信息系統技術對南埃及El-Galaba盆地農業擴展潛力的土地資源評價[8]。有的學者通過多源遙感影像融合快速獲取準確的城市土地利用信息，提高遙感影像城市土地分類信息提取的精度，并為提取高原地區城市的土地利用分類提供研究參考[9]。學者利用多源遙感影像數據，采用分類回歸決策樹(CART)和支持向量機(SVM)方法對復雜地形的農作物進行分類[10]。有的學者以Landsat 8_OLI遙感影像為研究對象，利用最大似然法和決策樹分類法，自動提取太原市區的土地變化信息[11]。研究表明，Landsat 8數據已經成為土地資源調查的主要數據源之一，適合區域和全球等不同尺度的研究和應用。

1 研究區概況及數據預處理

1.1研究區概況鶴崗市位于我國黑龍江省的東北部，隸屬黑龍江省轄內的地級市，坐落于 “兩江一嶺”( 黑龍江、松花江、小興安嶺)圍成的“金三角”區域；地理坐標為129°39′50″～ 132°31′00″E，47°03′30″～48°21′00″N。總面積14 684 km2，下轄2個縣和6個區。地勢是西北高東南低，全市可分為低山丘陵、漫崗、平原、溝谷及漫灘4種地貌類型。市區地勢由西北向東南傾斜，西北部為山區，面積3 300 km2，占市區總面積的72%，是全市森林分布的集中地區。海拔200 m以上的山峰約有34座；有梧桐河、鶴立河、阿凌達河、嘉蔭河等18條主要河流，水資源豐富且水域面積達10.95萬hm2。因此，在選擇最佳波段組合進行農用地分類時，有必要考慮耕地、林地、草地及其他農用地的地物與水域之間光譜特征差異。

1.2數據來源研究使用的數據主要來源于地理空間數據云(geospatial data cloud)，獲取2016年7月6日、7月31日、8月23日3景Level 1的Landsat 8遙感影像，數據標識依次分別是LC81160272016188LGN00、LC81150272016213LGN00、LC81160262016236LGN00，且云量低，影像清晰。

1.3數據預處理基于ENVI 5.1遙感影像處理平臺，運用無縫鑲嵌工具(seamless mosaic)將獲取的研究區3景遙感影像中波段2～7拼合起來；在ArcGIS10.2.2中將鶴崗市的邊界線轉換成Shapefile導入到ENVI中，裁剪出研究區域的影像數據，選擇出最佳波段組合，為后期提取農用地分類信息奠定可靠的基礎。由于Band 1藍色波段(0.433～0.453 μm)主要應用于海岸帶觀測，Band 9 短波紅外波段主要用于云檢測，Band 8全色波段主要用于分辨率的融合，以上波段不適合該研究區域，因此在進行波段組合時不作考慮。

2 波段融合及最佳波段組合

2.1OLI影像常見的波段組合農用地分類中提取各種類型所包含的光譜信息與地表植被的覆蓋情況有著較大的關聯，不同的土地類型覆蓋不同的植被類型，且包含不同的光譜特征，因此，波段組合的選擇理應考慮較好反映植被覆蓋情況的波段。根據人工解譯最佳波段組合的效果，目前對常見的OLI影像各波段組合進行匯總，并簡要說明其主要特點，如表1所示。

表1 OLI常見的波段組合

2.2OLI影像各波段間融合的光譜特征

2.2.1單波段的光譜特征信息分析。OLI遙感影像每個單色波段包含的地物光譜信息不同，分析其每個單波段的最大值、最小值、均值及標準差；其中標準差主要表達各波段所包含的光譜信息量，標準差值越大，說明該波段所包含的信息量越大，反之亦然。利用ENVI 5.1軟件，通過波段融合功能將獲取研究區影像中2～7波段進行融合，運用Statistics功能統計出各波段的光譜特征信息，以2016年7月6日一景為例。Band 5的標準差最大，為9 651.89，說明該波段所包含的信息量較多，其次是Band 6、Band 2，分別為5 701.31%、4 269.9%，標準差由大到小的順序是Band 5(9 651.89%)> Band 6(5 701.31%)> Band 2(4 269.99%)> Band 3(4 025.49%)> Band 7(3 993.48%)> Band 4(3 506.38%)。

2.2.2多波段的相關系數矩陣分析。OLI影像在選擇最佳波段組合時，還需要考慮每個波段之間的相關性及信息重疊程度；即每個波段間的相關系數較大，說明該波段組合之間的重疊信息較高及獨立性較弱。由于波段間的組合存在多余的信息，該研究選擇主成分分析(principal component analysis，PCA)來去除波段間的多余信息，且各波段間的相關性，可以通過主成分波段合成飽和度豐富及更有效的影像，以便后期的處理。利用ENVI5.1軟件，在Toolbox工具箱中，選擇PCA Rotation工具對多波段影像進行處理，最終統計出多波段相關系數矩陣(表2)。結果表明，Band 5與各波段間的相關系數均較小，基本均低于0.95，說明該波段的獨立性較強，結合該波段的信息量來看，Band 5的光譜信息量較多，因此，Band 5可作為必選波段；Band 2與Band 3、Band 3與Band 4、Band 4與Band 2波段間的相關系數均高于0.99，波段間的獨立性較弱，即可將Band 2、Band 3、Band 4歸為一組；Band 6與Band 7與各波段間的相關系數基本均高于0.97以上，因此可將其歸為一組，進行波段組合時對其選擇其一即可；根據以上的波段篩選，最終篩選出的波段組合為456、457、356、357、256、257 6種組合方案。

表2 OLI影像各波段間相關系數矩陣統計

2.3最佳波段組合選擇通過最佳指數法(OIF)選取研究區的最佳波段組合，最佳指數法(OIF)是1994年由美國的Chavez提出，主要考慮每個波段相組合時呈現的相關系數矩陣和各波段包含的光譜特征信息之間的相關性[12]，表達公式如下：

(1)

式中，Si為第i個波段的標準差；Rij為波段i、j之間的相關系數。

通過計算公式可以看出，OIF與波段組合時標準差之和呈遞增的關系，與波段組合間的相關系數之和呈遞減的關系；標準差越大，則波段的信息越豐富，相關系數越小，則波段的獨立性較強，因此，OIF值越大，說明該波段組合可視為最佳波段組合。對Band 2～Band 7共6個波段進行分析后，篩選出6種波段組合，利用最佳指數計算公式進行計算，結果如表3所示。OIF指數值排列依次是：256>356>456>257>357>457。Band 2、Band 5、Band 6組合，其OIF值最大，說明其波段間組合重疊信息較少，獨立性較高，信息量最多；其次是Band 3、Band 5、Band 6和Band 4、Band 5、Band 6。因此，目前Band 2、Band 5、Band 6組合可視為最佳波段組合。將其排列前三的波段組合進行融合，結果如圖1所示。

表3 各波段組合的最佳指數值

圖1 256、356、456波段組合的影像Fig.1 Band combination image of 256，356，456

2.4主要地物的光譜曲線分析通過最佳指數計算，篩選出的最佳波段組合在農用地分類中各類地物識別差異不明顯。因此，農用地分類中針對各類用地的地物識別進一步分析，確定適用于研究領域的最佳波段組合。利用ENVI5.1遙感處理平臺，借助2016年鶴崗市土地利用現狀圖、土地利用現狀分類(GB/T 21010—2017)中農用地分類及實地調研收集的資料，在裁剪的研究區影像范圍內對耕地、林地、草地、建設用地及其他農用地5種地物類型，分別在不同的位置選取20個采樣點，統計每個采樣點在各波段上的灰度值，然后取均值得到各類地物的光譜特征曲線，結果如圖2所示，Band 2和Band 3各類地物的光譜特征較相近，且辨別較難；Band 4、Band 5、Band 6、Band 7各類地物的光譜特征差異較大，便于地物信息的識別。結合上面的分析結果，適用于研究區農用地分類的最佳波段組合為456或457，而波段4、5、6組合的最佳指數居于第三，因此，456波段組合被視為最佳波段組合。

圖2 主要地物的光譜特征曲線Fig.2 Spectral signature curves of main culture

3 結論

以Landsat 8_OLI影像為研究對象，利用光譜特征分析、最佳指數及農用地分類中主要地物的光譜特征曲線分析等研究方法，最終確定研究區所在的遙感影像適用于農用地分類的最佳波段組合，主要研究結果如下：①Landsat 8_OLI影像中Band 5所包含的光譜信息量最多，且Band 5與各波段相關性系數相對較小，說明Band 5光譜信息獨立性較強，應為必選波段；②OLI影像中Band 2～4之間相關系數較高，光譜信息重復性較強，其次是Band 6和Band 7，將其分成2組，分別從中各選其一與Band 5進行組合；③利用最佳指數(OIF)計算可知，初步篩選出最佳波段組合為256、356、456；④結合研究區農用地中主要地物類型光譜特征分析，最終確定可用于農用地利用信息提取的最佳波段為456，其對多種地物類型的光譜特征具有較好的目譯效果，有易于計算機分類識別，為后續研究過程提供更加真實可靠的數據。