RapidEye 遙感數據在土地分類中的應用研究

馬 雙

（山西工程職業學院，山西 太原 030009）

0.引言

隨著全球變化的研究的深入與發展，各國科學家越來越感覺到人類活動會對環境變化產生影響，尤其人類的生存與發展對土地的開發與利用以及由此引起的土地覆蓋變化被認為是全球環境變化的主要組成部分和重要原因，所以“國際地圈和生物圈計劃”（IGBP）和“全球環境變化人文計劃”（HDP）在 1995 年一起提出了“土地利用與土地覆蓋變化”（Land use and land cover change，LUCC）的研究計劃，使得土地利用變化研究成為當前全球變化研究的前沿和熱點的課題。[1]常用的土地利用調查是通過實地測繪的方式來開展，工作量大，調查時間長。隨著近些年來高時間、高空間、高光譜分辨率的遙感傳感器的產生，遙感探測技術已經能完全可以進行不同尺度上的土地利用/土地覆蓋調查。[2]遙感探測技術的應用，大大降低了調查成本和周期。[3]

比如，英國以前進行過一次英國三大島24 萬平方千米的土地利用普通調查，當時發動了6000 名中小學老師，用了6 年時間才完成，等到土地利用圖繪制完成后，土地利用情況已發生較大變化；1976 年英國應用了遙感影像分析與野外調查相結合的方法，只用了4 個人9 個月時間就完成了全島的土地利用調查，而且統計非常詳細，大大減少了調查的時間。又如，廣州市中心區的土地利用調查，90 年代曾用普通方法花了2 年多的時間才結束，但繪成的圖件已不能反映2 年后的狀況；1995 年初利用航測遙感的方法，只花了2 個多月就完成了土地利用調查，且比普通方法更加詳細。彩色合成是影像彩色增強應用最為廣泛的一種處理技術, 隨著多光譜遙感和多源數據融合技術的發展, 日益顯示出其巨大的使價值。[4]

1.研究內容及技術路線圖

本研究以遼寧省沈陽市的遙感影像數據（RapidEye）為數據源,開展了適宜該地區的遙感影像的波段組合實驗。首先進行研究區域的影像裁剪工作，然后進行5 波段影像組合的多種組合實驗,確定適宜的感興趣區域（ROI）并以此為模板,擬選取支持向量機的手段進行分類實驗,進而獲取詳細的分類統計面積結果。[4]對統計數據進行綜合分析,最終獲得誤差最小的波段組合方式。[5]研究路線圖（如圖1 所示）：

圖1 研究路線示意圖

2.各種波段組合的土地分類技術流程

2.1 打開影像

用Envi4.8 軟件打開沈陽地區 2012 年 6 月 24 日5 個波段原始影像數據，影像（如圖2 所示）：

圖2 原始影像數據

2.2 建立 ROI 文件

在基本工具中選擇感興趣區，再選擇感興趣區（ROI 工具），點擊New Region，按住鼠標左鍵在被裁剪影像上畫一個區域，雙擊鼠標右鍵結束繪制，形成多邊形。[6]選擇基本工具中的感興趣區選取子集，在Spatial Subset via ROI Parameters 窗口中點擊 ok，就生成裁剪圖像。[7]

2.3 波段組合

選擇基本工具命令中的圖層堆棧，在輸入窗口中選擇要組合的波段，點擊ok 按鈕，在Selected FILes for Layer Stacking 選中要組合的波段，點擊Choose。在Layer Stacking Parameters 窗口點擊ok，可以得到組合后的波段。

3.實驗精度評價

3.1 道路面積百分比精度評定

道路面積百分比差值絕對值（如表1、圖3 所示）：

表1 道路面積百分比差值絕對值統計

圖3 道路面積百分比差值絕對值統計

道路的分類中藍波、綠波、近紅波組合面積百分比差值絕對值最小，分類效果最好。藍波、綠波、紅邊波組合面積百分比差值絕對值次之，分類結果較好。藍波、綠波、紅波、紅邊波組合面積百分比差值絕對值再次之，分類結果較好。藍波、紅邊波、近紅波組合面積百分比差值絕對值最大，分類效果最差。

從不同波段組合來看，紅波、紅邊波、近紅波組合總體分類精度較高，裸地分類精度較高。藍波、綠波、紅波組合總體分類精度最高，耕地、裸地、建筑物分類精度較高，草地分類精度最高。藍波、綠波、紅邊波組合總體分類精度一般，耕地分類精度較低，分類面積百分比偏小，裸地分類面積百分比偏大，草地分類精度最低，分類面積偏少。藍波、綠波、紅波、紅邊波組合總體分類精度較高，建筑物、草地、道路分類精度較高。藍波、綠波、紅波、近紅波組合總體分類精度一般，建筑物分類精度較低，分類面積百分比偏小，水體分類精度較低，分類面積百分比偏大。藍波、綠波、紅波、紅邊波、近紅波組合總體分類精度一般，耕地、草地分類精度較高，裸地分類精度最高，建筑物分類精度較低，分類面積百分比偏小，水體分類精度較低，分類面積百分比偏大。藍波、綠波、近紅波組合總體分類精度較低，建筑物分類精度最低，分類面積百分比偏小，水體分類精度最低，分類面積百分比偏大，道路分類面積百分比偏小。綠波、紅波、紅邊波組合總體分類精度一般，各類型分類精度也一般。綠波、紅波、紅邊波、近紅波組合總體分類精度較低，建筑物分類面積百分比偏小，水體分類面積百分比偏大，道路分類精度較低。綠波、紅波、近紅波組合總體分類精度較低，耕地、草地分類精度較低。水體分類精度較高。藍波、綠波、紅邊波、近紅波組合總體分類精度一般，道路分類精度較低，分類面積百分比偏大。綠波、紅邊波、近紅波總體分類精度一般，耕地分類精度較低，建筑物分類精度最高。藍波、紅波、紅邊波、近紅波組合總體分類精度最低，耕地、裸地分類精度最低，水體分類精度最高。藍波、紅邊波、近紅波組合總體分類精度一般，裸地分類精度較低，道路分類精度最低，道路分類面積百分比偏大。藍波、紅波、紅邊波組合總體分類精度一般，耕地分類精度最高。藍波、紅波、近紅波組合總體分類精度較低，耕地、裸地、草地分類精度較低，水體分類精度較高。

3.2 建筑物面積百分比精度評定

建筑物面積百分比差值絕對值（如表2、圖4 所示）：

表2 建筑物面積百分比差值絕對值統計

圖4 建筑物面積百分比差值絕對值統計

建筑物的分類中綠波、紅邊波、近紅波組合面積百分比差值絕對值最小，分類效果最好。藍波、綠波、紅波組合面積百分比差值絕對值次之，分類結果較好。藍波、綠波、紅波、紅邊波組合面積百分比差值絕對值再次之，分類結果較好。藍波、綠波、近紅波組合面積百分比差值絕對值最大，分類效果最差。不同波段組合面積百分比總差值（如表3 所示）：

表3 不同波段組合面積百分比總差值統計表

從不同波段面積百分比總差值統計表可以看出，藍波、綠波、紅波組合兩次總差值最小，精度最高，藍波、綠波、紅波、紅邊波組合次之，紅波、紅邊波、近紅波組合再次之，且面積百分比總差值都在10%已內，分類精度較高，藍波、紅波、紅邊波、近紅波組合面積百分比總差值最大，分類精度低。藍波、綠波、紅邊波組合兩次分類中，耕地面積百分比都小于裸地面積百分比，而且第二次分類中，草地面積百分比小于道路面積百分比，與實際不符。藍波、綠波、紅波、近紅波組合第二次分類中，建筑物面積百分比小于水體面積百分比，與實際不符。藍波、綠波、紅波、紅邊波、近紅波組合第二次分類中，建筑物面積百分比小于水體面積百分比，而且組合操作復雜，與實際不符，不適于該地區的分類。藍波、綠波、近紅波組合第二次分類中建筑物面積百分比小于水體面積百分比，而且道路分類面積為零，與實際不符。

4.結束語

本文通過對沈陽地區的衛星影像數據（RapidEye）進行了16 種波段組合實驗研究，綜合總體和不同土地類型分類精度來看：

（1）適合在本地區的利用RapidEye 衛星影像土地分類的波段組合有藍波、綠波、紅波，藍波、綠波、紅波、紅邊波，紅波、紅邊波、近紅波三個組合，后兩個波段組合是以前研究沒有提出的，藍波、綠波、紅波、紅邊波組合在道路分類上有較大優勢。

（2）從不同土地類型來看，耕地分類精度最高的是藍波、紅波、紅邊波組合，分類最低的是藍波、紅波、紅邊波、近紅波組合。裸地分類精度最高的是藍波、綠波、紅波、紅邊波、近紅波組合，分類精度最低的是藍波、紅波、紅邊波、近紅波組合。建筑物分類精度最高的是綠波、紅邊波、近紅波組合，分類精度最低的是藍波、綠波、近紅波組合。水體分類精度最高的是藍波、紅波、紅邊波、近紅波組合，分類精度最低的是藍波、綠波、近紅波組合。草地分類精度最高的是藍波、綠波、紅波組合，分類精度最低的是藍波、綠波、紅邊波組合。道路面積百分比差值絕對值最小的是藍波、綠波、近紅波組合，但該組合第二次分類的，面積百分比為零，所以道路分類精度最高的是藍波、綠波、紅邊波，分類精度最低的是藍波、紅邊波、近紅波組合。

（3）適合在本地區的利用RapidEye 衛星影像土地分類的波段組合有藍波、綠波、紅波，藍波、綠波、紅波、紅邊波，紅波、紅邊波、近紅波三個組合，后兩個波段組合是以前研究沒有提出的，藍波、綠波、紅波、紅邊波組合在道路分類上有較大優勢。

RapidEye 衛星因其獨有的光譜特征以及海量數據獲取能力，國內外遙感影像使用單位對其使用度越來越高。星下點空間分辨率高達6.5m,結合紅、藍、綠、紅邊和近紅外5 個光譜波段可以精準監測植被生長情況，在土地分類方向的應用前景大有作為。