GF-1B、C、D星數據在國土資源調查監測領域的應用研究

□浙江省國土整治中心 陳文志 許調娟 童英良

2018 年3 月31 日成功發射的2 米/8 米光學衛星（GF-1B、C、D）星座是中國第一個民用高分辨星座，由性能相同、狀態一致的3 顆業務衛星組成，空間分辨率為全色2 米、多光譜優于8 米，單星成像幅寬大于60 千米。牽頭主用戶為自然資源部，用于開展山、水、林、田、湖、草等自然資源全要素、全覆蓋、全天候的實時調查監測。本文針對國產GF-1B、C、D 星數據在浙江省自然資源調查監測領域的應用進行研究，探索形成了高分衛星數據應用的路徑與方法，為衛星數據規?；瘧锰峁﹨⒖妓悸?。

一、資料準備與評價方法

（一）數據資料

本文綜合考慮了土地利用類型具有典型性、代表性等因素，結合影像覆蓋情況，選擇了湖州市南潯區和金華市金東區作為實驗區，選取了質量較好、能夠完整覆蓋轄區的高分一號12景影像作為數據源（見表1）。

其他基礎數據包括：2017 年11 月金東區土地利用變更調查影像成果1 米數字正射影像數據（以下簡稱“DOM”）、2018 年7 月金東區衛片執法檢查工作影像（浙江?。? 米DOM；2017 年10 月南潯區土地利用變更調查影像成果1 米DOM、2018 年7 月南潯區衛片執法檢查工作影像（浙江?。?米DOM。

（二）土地利用變更調查監測應用評價方法

1.最小可檢測圖斑

最小可檢測圖斑是指變化檢測結果中，可識別其屬性的最小面積圖斑。選取平原、山區等不同典型區域，每個區域選1～2 個1 ∶10000 標準分幅的不同時相（季相相近）的影像，采用差值法、比值法或其他方法進行變化檢測，從檢測結果中提取變化圖斑，剔除偽變化圖斑，最后從變化圖斑中選擇面積最小的圖斑作為可檢測的最小變化圖斑。

2.新增建設用地監測屬性、面積精度

參照抽樣、地面調查等方式獲得的地表真實分類信息，或者利用更高分辨率數據生成的結果，采用相對面積精度來評價圖斑的面積精度。

表1 高分一號衛星數據情況匯總表

相對面積精度是指樣本圖斑與比較真值圖斑間的面積相對精度。其計算方法為：為國產高分遙感圖像中樣本圖斑面積，

評價方法為，一是準備好分類結果數據和參考分類數據；二是對照基礎影像，勾繪圖斑，計算面積；三是對應圖斑計算相對面積精度。

（三）土地資源全天候遙感監測應用評價方法

土地資源全天候遙感監測圖斑只有一個變化信息矢量圖斑層，通過2018 年遙感影像與2017 年基期底圖對比，采用目視解譯方式進行變化信息提取，發現2018 年度土地調查數據庫“建設用地”外的新增變化用地、疑似新增變化用地、新增生態退耕用地圖斑。

根據面積誤差符合正態分布的規律，利用三個指標對面積誤差進行評估，即相對中誤差、相對誤差與平均相對誤差，從而得出單個圖斑面積與整個區域的中誤差。以下指標計算公式中，為國產衛星遙感圖像中樣本圖斑面積，為參考影像樣本圖斑面積。

相對誤差為：

平均相對誤差為：

相對中誤差：

（四）土地行業主體業務需求應用評價方法

1.地類信息提取

采用目視解譯和面相對象分類的方式。目視解譯根據確定分類系統和解譯標志以及解譯經驗，參考土地利用基礎數據庫中的高分辨率正射影像、變更調查數據、土地利用現狀數據等，判別2 米/8 米光學衛星（3 顆）影像產品上土地利用類型的光譜和紋理特征，通過人機交互對圖像進行地類信息提取，解譯土地利用類型。面向對象的分類方法是一種面向對象的影像分割技術，其最重要的特點就是分類的最小單元是由影像分割得到的同質影像對象（圖斑）。面向對象分類可以選用更加豐富的特征，充分利用高分辨率的全色和多光譜數據的空間、紋理、和光譜信息來分割和分類的特點，以高精度的分類結果或者矢量輸出。

2.最小可識別圖斑

選取平原和山區等不同典型區域，每個區域選1～2 個1 ∶10000標準分幅的遙感圖像進行地類解譯。采用多種方法進行分類，將分類結果進行屬性精度評價和面積精度評價。統計分類精度高的影像的最小可識別圖斑，將面積最小值作為最小可識別圖斑的面積。

3.典型地類屬性、面積精度

參照抽樣、地面調查等方式獲得的地表真實分類信息，或者利用更高分辨率數據生成的結果，運用混淆矩陣方法和Kappa 分析方法進行精度評價。

混淆矩陣包括：總體精度（Overall accuracy）、使用者精度（User's accuracy）、生產者精度（Producer's accuracy）等。上述各種統計參數的數學表達式如下：

具體步驟為：

（1）準備好分類結果數據和參考分類數據。

（2）將兩種數據進行空間疊加，對分類對象進行采樣，建立考慮對象內部精度的混淆矩陣。

（3）根據建立的混淆矩陣，得到總體精度和各類別的精度（制圖精度和用戶精度），進行屬性精度評價。

（4）利用（2）相同的采樣結果，建立不考慮對象內部精度的混淆矩陣。

（5）根據（4）建立的混淆矩陣，得到總體精度和各類別的精度（制圖精度和用戶精度）。

（6）將（2）和（4）建立的兩個矩陣得到的總體精度、制圖精度和用戶精度相減，得到幾何精度指標。

二、數據應用研究

（一）土地利用變更調查監測應用評價

本次實驗以2017 年5 月份南潯區1米分辨率的DOM為前時相影像，以2018 年7 月份的南潯區GF-1D 影像為后時相影像，以2018 年7 月南潯區1 米分辨率的DOM 影像作為對照，對湖州市南潯區范圍內建設用地變化情況進行監測。

以2017 年5 月南潯區1 米分辨率的DOM 為前時相影像，以經處理的2018 年7 月份的南潯區2 米/8 米光學衛星影像（2 米分辨率）為后時相影像，在后時相影像上經目視解譯提取新增建設用地圖斑。提取過程中采用“拉窗簾”的方式，逐個查找變化圖斑，勾繪出圖斑，再對照2018 年7 月南潯區1 米分辨率的DOM 影像，刪去不合理的變化監測圖斑，最終獲得新增建設用地圖斑。

以2017年10月1米分辨率南潯區DOM 影像為前時相影像，以2018 年10 月1 米分辨率南潯區DOM 影像為后時相影像，目視提取新增建設用地圖斑作為檢測圖斑，查看其在2018 年7 月份的南潯區GF-1D 影像上是否能被識別。其中存在部分零散變化圖斑在2 米/8 米光學衛星（3 顆）影像上被漏提或無法準確勾繪的情況。

因此，2 米/8 米光學衛星（3 顆）影像數據用于土地利用變更調查與遙感監測一類監測區（要求優于一米分辨率影像）開展工作的匹配程度還不夠，無法滿足土地利用變更與遙感監測一類監測區工作要求。

在南潯區范圍內共提取變化圖斑270 個，總面積約為3842031.94平方米。其中最小斑塊面積為320.02平方米。圖斑面積精度在90%以上，最小可提取圖斑面積在320 平方米左右，可以滿足土地利用變更調查與遙感監測二、三類區土地利用變更調查工作需要。

（二）土地資源全天候遙感監測應用評價

本次實驗以2017 年11 月份金東區1 米分辨率的DOM 為前時相影像，以2018 年7 月份的金東區GF-1D 影像為后時相影像，對金華市金東區范圍內新增建設用地情況進行監測。以2017 年11 月份金東區1 米分辨率的DOM 為前時相影像，以經處理的2018 年7 月份的金東區2 米/8 米光學衛星（3 顆）影像（2 米分辨率）為后時相影像，在后時相影像上經目視解譯提取新增建設用地圖斑。提取過程中采用“拉窗簾”的方式，逐個查找變化圖斑，勾繪出圖斑，再對照2018 年7 月份金東區1 米分辨率的DOM 影像，最終獲得新增建設用地圖斑。根據影像判斷，新增建設用地多為新增建筑物與新增堆填土。

從新增建設用地圖斑中選取一定數量的樣本圖斑與在2018 年7 月金東區1 米分辨率的DOM 影像提取的圖斑進行比較，其中在后者上提取到的圖斑作為檢測圖斑，得到面積精度統計表以及面積精度分布頻數圖。本次實驗在金東區范圍內共提取變化圖斑295 個，總面積約為4643397.74 平方米，其中最小斑塊面積約為359.31 平方米。

自然資源部下發全天候監測成果前時相為2017 年土地利用變更調查與遙感監測影像，與本實驗全天候遙感監測應用評價所用前時相影像一致。兩者后時相影像存在不同。

利用國家下發的33 個全天候監測圖斑，對照根據2 米/8 米光學衛星（3 顆）影像提取的上述295 個圖斑，若前者圖斑分布位置與后者分布位置相同則將后者確定為正確圖斑，并且統計圖斑面積。

全天候監測成果超過90%的圖斑在本次測試中能夠體現，未體現的兩塊圖斑在測試數據中無明顯變化。利用2 米/8 米光學衛星（3 顆）影像進行建設用地變化圖斑提取精度較高，可滿足全天候土地資源監測需求。由于在不同時相、不同分辨率影像提取的圖斑，圖斑總數和面積存在較大變化。

（三）土地行業主體業務需求應用評價

對金東區曹宅鎮土地利用識別與分類采用ecognition 面向對象分類的方法。根據曹宅鎮土地利用現狀數據，參照2018 金東區DOM 數據，確定解譯標志，選取訓練樣本與驗證樣本。在ecognition 中先對影像選擇合適的尺度進行分割，分割尺度為75，再選擇支持向量機作為分類器，結合紋理特征、光譜信息等根據訓練樣本進行影像分類。參照DOM 數據對分類結果進行人工修正，再利用驗證樣本進行精度驗證。最終劃分為5 種典型地類，分別為建設用地、耕地、園林地、草地和水域。

在ecognition 根據驗證樣本運用混淆矩陣和Kappa 系數進行分類精度評價。

根據表2 可知園林地、水體、建設用地分類精度相對較高，其中水體分類精度最高。曹宅鎮耕地多分布于村莊等建設用地附近，旱地與村莊建設用地光譜有相似，較多耕地被誤分為建設用地。園林地較多被分為耕地；耕地有被分為園林地和草地；而草地較多被分為園林地和耕地。除了丘陵地區的林地，其它園林地與草地和耕地在影像上的光譜差異較小，另外根據紋理特征區分三者也較困難。

表2 分類精度評價表

根據混淆矩陣可確定各典型地類的屬性精度與面積精度。另外總體分類精度和Kappa 系數分別為91.16%和0.8821，滿足一般分類精度的要求。

三、結論

針對本次試驗數據及實驗區，經綜合評價分析，取得結論如下。

（1）GF-1B、C、D 星數據在實驗區土地利用變更調查監測應用測試中，平均屬性精度94.00%，平均面積精度91.53%，最小可監測圖斑面積320.02 平方米，能夠滿足土地利用變更調查監測與核查工程二、三類區遙感監測工作要求。

（2）GF-1B、C、D 星數據在實驗區土地資源全天候遙感監測工程應用測試中，平均屬性精度99.66%，平均面積精度96.06%，最小可監測圖斑面積359.31 平方米，滿足土地資源全天候遙感監測工程重點城市、重點區域高分辨率遙感監測工作要求。

（3）GF-1B、C、D 星數據能夠識別建設用地、耕地、園林地、草地及水域等典型地類類型，總體精度91.16%，能夠服務土地利用現狀調查（1 ∶25000）、土地督察、土地規劃實施監測監管及土地整治重大工程監測等主體業務應用需求。

（4）GF-1B、C、D 星數據在土地衛片執法監督檢查預警、重大項目占用永久基本農田論證及監管等工作中具有較大應用潛力。