基于SPOT6衛星影像和隨機森林模型的土地利用精細分類研究*

王雪娜

（廣州市番禺城市規劃設計院，廣東 廣州511400）

地物精細化遙感信息提取是高空間分辨率遙感數據應用的主要研究熱點之一。法國發射的SPOT系列衛星，一直以來都是國際上最重要的遙感數據源，其高效的觀測能力和較高的數據質量，已經在自然環境、農林等領域有了較多的應用。SPOT6衛星影像作為SPOT系列最高質量的衛星數據，自發射以來一直受到廣泛關注。當前針對SPOT6衛星數據的研究方向主要是數據融合方法及對比[1]，數據影像參數對比[2]等方面，也在建筑物提取研究[3]、濕地地物反演[3]等方面做了探索，但目前較少有關注利用SPOT6衛星數據獲取土地利用精細化分類領域。本文選擇廣東省東莞市西部的SPOT6衛星影像，采用隨機森林分類模型對土地利用進行精細分類研究，并與最近鄰分類法結果進行對比分析，為高空間分辨率遙感衛星數據地物分類研究提供參考。

1 研究方法

1.1 研究區域

本文研究區域位于廣東省東莞市西部，該區域包括林地、農田、河流、魚塘、道路、農村居民地、工業用地等地物類型。總體來說地物類型多且環境復雜，作為研究區域具有較強代表性。

1.2 研究數據

SPOT6衛星于2012年9月成功發射，是法國的一顆高分辨率對地觀測遙感衛星。SPOT6衛星全色影像地面分辨率為1.5m，多光譜影像的地面分辨率是6m，具有4個可見光/近紅外波段。SPOT6衛星影像的參數，如表1所示。從第一顆SPOT衛星開始，SPOT衛星在區域生態環境、地質礦產、農業與林業、環境保護、災害監測、測繪制圖、城市規劃和國防等領域具有較高的應用價值和普及率[4]。本文使用的SPOT數據成像于2013年11月。

表1 SPOT6衛星影像數據參數[4]

1.3 研究方法

本文所用分類系統和技術路線，如表2和圖1所示。

圖1 技術路線圖

表2 本文所用分類系統

1.3.1 數據預處理

SPOT6的數據預處理主要是數據融合，可以綜合全色數據空間分辨率高和多光譜數據光譜特征豐富的優勢。本文利用了ENVI軟件中的Gram-Schmidt融合算法進行數據融合。

1.3.2 面向對象多尺度分割

影像分割是將一幅影像劃分為若干相對同質的子對象的過程，是面向對象遙感分類的基礎，分割效果對分類精度影響很大[5]。多尺度分割是在整幅圖像與全部像元之間構建多級空間尺度對象，構成影像對象的網絡層次關系。本文根據多次交互式分割試驗，確定了最適宜本研究的分割參數為：分割尺度50，形狀指數0.3，緊密度指數0.4，色彩指數0.7，光滑指數0.6。

1.3.3 最近鄰法

最近鄰法是面向對象遙感分類中最常用的一種監督分類方法。最近鄰方法直觀、簡單、易于實現，通過計算待分類樣本對象和每個訓練樣本對象的距離選出k個最近鄰樣本，將待分類樣本對象分到k個最近鄰樣本對象中大多數樣本所屬的類別[6]。

1.3.4 隨機森林分類模型

隨機森林分類模型是2001年由Leo Breiman和Cutlery Adele提出的一種分類回歸樹的數據挖掘方法，是一種組合式的自學習技術。隨機森林以決策樹（Decision Tree）作為基分類器（Basic Classifier），采用簡單多數投票法（針對分類）或單棵樹輸出結果的簡單平均（針對回歸）得到模型的最終輸出。對于每棵樹，它們使用的訓練集是應用bootstrap方法從總的訓練集中有放回采樣，每次未被抽到的樣本組成了袋外數據（Out-Of-Bag，OOB），這些袋外數據可用于估量變量因子的重要性。在森林建立過程中實現了對常規誤差進行無偏估計，所以在隨機森林中沒有必要進行交叉驗證或采用獨立數據建立誤差無偏估計，同時可以避免過度估計[7]。

1.3.5 分類對比與精度評定

為了對比分類結果的質量，本文選用了面向對象分類方法中最近鄰分類方法作為對比。面向對象的最近鄰分類也是一種監督分類方法，首先將遙感影像分割為若干影像對象，根據野外調查和相關先驗知識，構建訓練對象（已知分類類別的對象），在所有影像對象的n維特征屬性空間中，計算待分類的樣本對象與訓練對象的歐氏距離，將其劃分到距離最小的訓練對象所屬的類別當中[8]。

本文選用總體分類精度和Kappa系數兩個精度評定指標評價和對比最近鄰分類方法與隨機森林分類結果。

2 結果分析

本文應用于面向對象分類中的特征變量，除了融合數據的光譜特征外，還包括了植被指數（NDVI）和紋理特征等。根據野外調查獲取的各個地物類型的訓練樣本，計算其在分類特征變量中的信息值，然后作為輸入信息加入到隨機森林模型中，執行分類過程，得到分類結果，并利用驗證演變作為參考，對分類結果的精度進行評價分析。

為了對比本文采用的隨機森林分類效果優劣，本文將相同的訓練樣本和驗證樣本，用于面向對象的最近鄰分類方法中，并將兩者分類的精度指標進行對比分析（見表3）。從表3中可以看出，隨機森林模型方法得到的分類結果，在分類的總體精度和Kappa系數兩個指標上均優于面向對象的最近鄰方法。

表3 不同分類方法精度對比

圖2 是本文利用隨機森林模型得到的精細化地物分類結果。從圖中可以看出利用面向對象分類方法得到的分類結果避免了基于像元分類方法中的“椒鹽現象”，分類結果從目視效果上提升很多，去除了大量的噪聲像元的影響。對本文的分類結果而言，10類地物的精細化分類的結果比較好，線性地物的水體、河流等結構和形狀合理，農田、農村居民地等分類的精度也較高。

圖2

3 結束語

本文基于SPOT6衛星影像數據，采用隨機森林模型方法對廣東省東莞市西部地區進行土地利用精細分類與對比研究。實驗結果表明：（1）SPOT6數據適用于利用面向對象分類方法進行的土地利用精細化分類研究，所得分類結果目視效果好；（2）隨機森林模型的分類結果優于最近鄰方法，分類精度提升了7%，Kappa系數提升了0.06。在今后的研究可以深入探討更多分類特征對分類帶來的影響，以獲得更高精度的分類結果。