基于Sentinel 2 影像的青衣江流域土地利用分類

李文君

（安徽理工大學，安徽 淮南232001）

不同衛星影像、不同分類方法、不同研究手段針對不同研究區域的土地利用分類一直是遙感領域的研究熱點，發展至今，已經有很多技術手段趨于成熟。韓濤[1]、郭交[2]、國外Davoud Ashourloo[3]等利用sentinel 2 影像數據與sentinel 1 雷達數據、landsat 光學數據、Spot-7 衛星影像等多源數據進行融合，對比研究分析，提高作物了分類精度且改進了作物分類方法。本文根據青衣江流域地勢地貌特點，以Sentinel 2 衛星影像為基礎數據來源，通過CART 決策樹法和基于多時相NDVI 決策樹分類三種不同方法來研究提取研究地區大春時期的土地利用信息，為青衣江流域的作物種植與發展工作提供一些支持。

1 研究區概況

青衣江流域樂山灌區位于四川省西南部（103°22' ～103°45'E，29°25' ～29°49'N），該地區在大春時期（5-9 月）各主要作物的生育期也存在差異：水稻大田期的生育期為5 月中旬至8 月底、9 月初，種植面積131.15km2；玉米的全生育期為4 月11 日至7 月31 日，種植面積35.05km2；紅苕的全生育期為6 月1 日至11 月10 日，種植面積21.67km2；大春蔬菜6 月1 日至10 月20 日，種植面積35.04km2。

2 數據獲取及預處理

Sentinel 2 衛星數據在同系列光學影像衛星數據中有三個顯著優勢：一是時間分辨率高，同地區影像5 天一景；二是空間分辨率高，10 米、20 米和60 米，可為使用者提供更高空間分辨率影像圖；三是Sentinel 2 號衛星提供的數據在官網上可以免費下載。又因為Sentinel 2 衛星影像是光學影像，所以不能避免云的影響。

此次衛星影像獲取時間為2017 年7 月9 日、8 月13 日、9月7 日，做到盡量含蓋研究區域主要作物的生育期。輔助數據包括青衣江流域樂山灌區矢量邊界數據、第二次青衣江樂山灌區土地調查資料、Google earth 衛星地圖等。Sentinel 2 影像數據預處理具體流程如下：影像的預處理包括利用插件sen2cor 進行大氣校正，以獲取L2A 級別數據；用SNAP 軟件將影像進行重采樣以及ENVI 格式轉存，生成有12 個波段且空間分辨率為10m 的ENVI 格式影像；在ENVI 中，影像經過波段合成、圖像鑲嵌，利用矢量邊界數據進行裁剪影等流程后，最終得到研究區域影像。

3 研究方法

分類指標：NDVI 是眾多植被指數中，在遙感領域被運用次數最多、范圍最廣的一種監測植被覆蓋等情況的指數。NDVI 范圍為（-1,1），NDVI 越趨近于1，越表明該地區植被覆蓋度越大。

分類方法：一是監督分類中的最大似然法，它是通過求出每個像素對于各類別的歸屬概率，把該像素分到歸屬概率最大的類別中去的方法。二是基于專家知識的決策樹分類方法，它是基于遙感圖像數據及其他空間數據，通過一系列方法，獲得分類規則并進行遙感分類。

精度評定：對分類結果進行評定，混淆矩陣是人們使用最多、最廣泛的精度評定方法。在輸出的混淆矩陣報表中，包含了總體分類精度、Kappa 系數、錯分誤差、漏分誤差、制圖精度和用戶精度等精度評定指標，通過眾多指標可以判定分類結果的精度高低。其中總體分類精度、Kappa 系數作為此次主要評定指標。

4 結果與分析

結合RGB 彩色合成圖像和第二次青衣江樂山灌區土地調查資料分析，定義大春地物樣本為水稻、玉米、紅苕、大春蔬菜、建筑、水體和森林。進行最大似然法分類，分類結果如圖1（a）。本次決策樹分類采用基于CART 算法的決策樹規則自動獲取擴展工具，RuleGen。對于單幅影像，齊樂[4]等選取包括影像波段、植被指數在內的共13 個波段參與對香格里拉的土地利用分類。經過分析，構建兩種數據集進行決策樹分類，一是多源數據集由預處理完成后的sentinel 2 影像的12 個波段、NDVI、ISODATA 非監督分類結果所構建。再經過決策樹規則的獲取與應用后，得到土地利用分類結果，如圖1（b）。以上分類結果均代表大春土地利用分類。二是基于大春7、8、9 月的三景NDVI 圖構建生成NDVI 數據集，RuleGen 工具對大春ROI 訓練樣本進行深層分析，最終生成一份ENVI 決策樹規則文件。經過決策樹規則的獲取與應用后，獲得大春地物分類圖。列出大春分類結果圖，如圖1（c）。在訓練樣本中，選取部分樣本作為檢驗樣本，根據檢驗樣本與分類結果進行精度評定，生成評定結果（見表1）。

圖1 大春分類結果

表1 大春地物分類面積及精度評定

運用最大似然分類法、CART 決策樹分類法和基于多時相的決策樹分類方法對Sentinel 2 影像分類效果圖如圖1 所示。圖1 中，建筑物能較為清晰地提取出來，河流庫的邊界輪廓可以較為清晰地識別；最大似然分類法對于森林的提取效果較差。基于多時相的決策樹分類能夠很好的提取出水稻、紅苕、大春蔬菜，但對玉米的提取不夠準確。由表1，最大似然分類法與決策樹法能夠很好地識別河流，而在水稻識別方面，精度卻是三種方法中最低的。而基于單景影像的決策樹分類，其總體分類精度比最大似然法大將近2%，kappa 系數大0.06 左右，分類結果可接受，但是在森林、紅苕地物分類中效果較差。基于多時相的決策樹分類方法是三種方法中較優的一種方法，它不僅能較好的分辨出建筑、水體、森林還有一些農作物也能識別出來，而且能夠真正說明大春地物的分類分布情況，其他兩種分類結果僅僅只能作為參考。值得一提的是，此種方法在玉米的分類中其分類面積比實際面積多了96.15km2，效果較差，需要不斷的創新與改進。由此，基于多景影像的決策樹分類其總體分類精度和kappa 系數皆高于其他兩種方式方法的精度，故選取最后一種方式來進行分類，更能體現研究區域的分類成果。

5 結論

基于Sentinel 2 衛星影像數據，本文討論了最大似然分類法、CART 決策樹分類法和基于多時相的決策樹分類方法在青衣江流域的土地利用分類效果，通過檢驗樣本與分類結果的精度評定，評定結果發現：基于多時相的決策樹分類在以上三類方法中分類結果最好，總體分類精度和kappa 系數分別可達85.22%和0.81。本研究技術方法成功提取了青衣江流域建筑、水、森林的分布信息及大春作物水稻、紅苕、大春蔬菜的作物種植信息。不足的是玉米提取效果欠佳，后續可以引入其他特征值計算紋理特征，進一步促進分類結果的準確性。