海南省瓊海市“三調”試點更新遙感技術應用研究

李思捷 林小鳳

（瓊海市國土資源信息與測繪中心，海南 瓊海 571400）

1 引言

2017 年10 月16 日，根據《中華人民共和國土地管理法》《土地調查條例》有關規定，國務院決定自2017 年起開展第三次全國土地調查[1]。“三調”是一項重大的國土資源利用現狀調查，是充分掌握我國自然資源覆蓋情況、利用現狀信息的重要途徑，可為我國自然資源管理與規劃工作打下堅實的數據基礎。目前，“三調”工作的開展主要依靠傳統的衛星普查、人工詳查、實地勘察、內業修改等流程[2]。這類方法雖然可以保證一定的精度，但時效性較低，不能較快獲取地表覆蓋類型的實時信息。

遙感技術作為一門新興技術，可在遠距離、非接觸情況下實現大范圍的對地觀測，應用較多的為分類與反演手段。目前，自然資源調查工作開展了大量遙感應用研究，如地理國情普查中的變更信息調查，會采用國產高分辨率衛星影像進行人機交互識別提取，或采用監督分類手段進行全地貌遙感分類，通過對比不同時期的分類成果，提取變更信息，最終交付外業勘察核實[3]。面向對象分類方法與傳統的監督分類、非監督分類方法相比，具有較好的普適性。傳統分類方法是針對像元點位進行像元信息提取并計算，得到分類模型從而進行遙感填圖[4]，易受選取的樣本像元誤導而產生誤差，分類過程中的主觀性操作較大。而面向對象分類方法則是對影像先進行多尺度分割，針對不同地物采用不同的分割尺度，從而得到各地類的分割圖斑，每個圖斑都是在分割過程中對臨近像元進行聚類分析，將相似性較高的像元分為一類，相似性較低的像元剔除出去，從而得到一個個相鄰的分割圖斑[5]；在分割圖斑基礎上，套合樣本數據，進行屬性信息附加，然后將圖斑作為樣本，送入面向對象分類算法中進行分類模型訓練與填圖，最終得到高精度的分類成果[4]。

綜上所述，本研究選用國產第一顆亞米級衛星高分二號（GF2）作為數據源，采用面向對象分類方法進行遙感分類研究，通過對比面向對象分類精度與傳統的監督分類精度，分析面向對象分類方法在地表信息遙感提取的適用性，并與“三調”成果對比，分析本研究思路在“三調”工作中的可用性，從而提升“三調”開展的時效性[6,7]。

2 研究區及原理介紹

瓊海市是海南省東側的一個縣級市，地理位置為東經110°7′5"～110°40′50"， 北緯18°58′50"～19°28′35"。瓊海市地表類型復雜，西南地區多為山地丘陵，東北地區多為人工建筑設施，如居民地、道路等，全市衛星影像如圖1 所示。

圖1 瓊海市GF2衛星影像

研究采用的數據為GF2 影像，GF2 是我國發射的第一顆亞米級民用衛星，其影像有4 個波段，涵蓋藍、綠、紅、近紅外所有可監管近紅外波譜范圍。GF2 衛星影像幅寬廣、分辨率高，已越來越多地應用到地表覆蓋信息遙感提取的研究中[8]。本文選用過境海南省瓊海市的GF2 影像作為研究數據，采用面向對象分類方法進行試驗。相對于傳統的監督分類方法，面向對象將像元分割成一個個圖斑對象，以對象形式進行聚類分析，并將對象作為樣本送入分類器，通過層層迭代，獲取最優訓練模型，最終得到最優的分類成果。

3 結果分析

3.1 多尺度分割

研究采用國產遙感影像處理軟件對GF2 影像進行多尺度分割，各地類的分割尺度各不相同，如針對植被覆蓋的山區，分割尺度較小的情況下即可將山地完整分割出來；而針對人工建筑設施較集中區域，則要通過多次調整才能分割提取，如道路、廠房等，通過多次調整與加大分割尺度，才能將廠房從建筑設施中分割出來。圖2 為通過多次調整分割閾值，得到的全要素分類成果，各類地物被分割成細小的圖斑，且同種地物也存在多種圖斑類型，如圖中的河流水面，造成這種現象的原因是地物類型的特性在影像上存在同物異譜現象，為了避免對后期分類造成誤差，通過調整分割閾值，將同一地物劃分成多種類型的圖斑。

圖2 多尺度分割示意圖

3.2 面向對象分類

將上述研究得到的分割圖斑，帶入面向對象分類算法中。針對同物異譜的地類圖斑，通過樣本標注，進行屬性附加，劃分同一類地物的二級樣本類型，將所有樣本類型帶入分類器中進行分類模型訓練與遙感識別，最終得到如圖3 所示的分類成果。

圖3 面向對象遙感提取示意圖

圖3（a）為采用面向對象方法進行的地表全要素分類提取成果，各地物類型均有較好識別，且成果圖斑的純凈度較好、完整度較高。圖中的農村居民地、山地、耕地、河流水系的邊界都較完整地識別出。面向對象分類成果，由同物異譜現象劃分的二級分類樣本體系得到的分類成果，通過相似地類融合操作可較便捷地解決，且融合后的成果在影像上與紋理特征高度吻合。

圖3（b）為傳統的監督分類方法進行的地表全要素的遙感分類提取的相對最優成果，本研究選用的監督分類方法為最大似然法、支持向量機、神經網絡法。由圖可知，傳統的監督分類成果較亂，且存在較多的錯誤識別現象，如山地植被錯誤識別成耕地、河灘灘涂錯誤識別成硬化地表等。造成該現象的主要原因是GF2 影像的波段范圍較寬，一個波段往往涵蓋幾種地物類型的光譜響應窗口，造成同物異譜、異物同譜等混淆現象。這在監督分類算法中會直接導致識別精度降低，分類成果呈復雜交錯、邊界模糊等特征。

圖3（c）為“三調”初始成果的河流水系邊界，通過對比“三調”成果可知，面向對象分類方法的分類精度與識別效果更貼近三調初始成果，相對于傳統的監督分類，面向對象分類精度有明顯提升。

3.3 精度驗證

研究采用面向對象分類方法進行“三調”更新遙感試驗，通過開展面向對象分類、監督分類試驗，得到不同的分類結果。為直觀了解各分類成果的適用性，通過預留的20%樣本，對各分類算法的成果進行精度驗證。精度驗證的算法為混淆矩陣算法，最終各分類方法的精度如圖4 所示：整體來說，分類精度最高的為面向對象方法，即本研究所采用的方法，精度為89.4%；其次是支持向量機，分類精度為87.8%；分類精度最低的為神經網絡法，這是因為監督分類在模型訓練時，對混合像元的處理不如面向對象分類等，且對同物異譜、異物同譜情況不能很好地區分。

圖4 不同分類器識別精度對比

4 結論與展望

本研究采用首顆亞米級國產高分辨率衛星影像GF2，結合面向對象分類方法，嘗試進行地表覆蓋類型分類識別，以此達到提升“三調”地表變化信息更新的時效性目的。通過研究，得到以下結論：

（1）GF2 衛星影像在地表覆蓋信息遙感提取中具有較好的適用性，地表覆蓋紋理清晰，辨識度高。

（2）通過多尺度分割，地表覆蓋類型以圖斑形式完整聚合到了一起，通過調整分割尺度，完好地解決了同物異譜造成的影響。

（3）采用面向對象分類方法，完整識別出了地表覆蓋類型、居民地、水系等信息，提取邊界與影像紋理特征高度吻合 ；通過預留樣本進行精度驗證，結果顯示各地類的識別精度均達到了80%以上，面向對象分類方法的精度最高。

（4）通過對比傳統的監督分類成果、“三調”初始成果，更加體現出面向對象分類方法在地表覆蓋類型遙感識別的適用性以及本研究思路在“三調”工作中的可用性。

研究得到了較理想的成果，但仍存在一定問題：首先，研究選取范圍僅為一個縣級市，研究成果不一定適用于更廣范圍；其次，研究尚缺乏工程化的應用開展，需要在實際項目中運用。