多源高分辨率遙感影像不透水面提取

王 璠 楊璐萍

(安徽新華學院 城市建設學院,安徽 合肥 230088)

0 引言

隨著城市化進程和社會經濟的發展,基于遙感影像對城市擴張監測顯得尤為重要。因此對區域尺度上的城市擴張進行有效的監測可為土地規劃和生態環境保護等提供科學參考,具有重要的現實意義[1]。目前已有國內許多學者對城市擴張進行研究,常變蓉、李仁東在分析武漢市建設用地擴張的時空特征時,利用面向對象分類方法提取建設用地,采用空間數據庫引擎(spatial database engine, SDE)空間分析方法,得出前期擴張向東北—西南方向演變,后期則不存在方向性的結論,為后期各種政府機關決策提供了依據[2];陳征等人以浙江省為例,利用遙感影像數據和夜間燈光數據提取城鎮信息,區分出城鎮用地和非城鎮用地,進行了城鎮時空擴張的特征分析[3];孫善磊等人以環杭州灣地區為例,使用決策樹和形狀指數相結合提取城鎮用地信息,證明了此方法的可行性,且杭州市向西北和北方向向外擴張[4]。而此研究則是意在探究精度,因此使用支持向量機分類算法,融合不同數據源波段,提高分類精度。詳細流程如圖1所示。

圖1 研究路線

1 數據與方法

1.1 研究區概況

安徽省坐落于中國東部,與山東、江蘇、河南、湖北等多省接壤,有省會合肥和蕪湖、馬鞍山等16個地級市。安徽省是中部經濟地帶,接北聯南,承東啟西。安徽省位于我國東部季風區,由于淮河從中穿過,因此淮河以北屬于溫帶季風氣候,淮河以南屬于亞熱帶季風氣候[5]。安徽地形多樣,平原占44.7%、山地占27.8%、丘陵占27.5%。安徽省土地總面積13.96萬km2,土地資源類型多樣,土地構成較為合理,土地利用潛力很大。

1.2 數據與預處理

研究使用了2018年安徽省的哨兵2號(Sentinel-2),美國陸地衛星(Landsat8)和珞珈一號夜間燈光數據。Sentinel-2數據是從歐洲航天局官網(https://scihub.copernicus.eu/dhus/#/home)下載獲得,本研究覆蓋范圍為2018年,選取第2、3、4、8波段,空間分辨率為10 m[6-7]。Landsat8從美國地質勘探局(United States Geological Survey,USGS)官網(https://earthexplorer.usgs.gov/)獲得,時間與Sentinel-2數據一致,選擇了綠光波段、紅光波段、近紅外波段和中紅外波段,空間分辨率是30 m[8]。“珞珈一號”是全球首顆專業夜光遙感衛星,由武漢大學團隊與相關機構共同研發制作,在2018年6月2日12時13分,高分六號及其搭載的珞珈一號科學試驗衛星,在中國酒泉衛星發射中心發射升空,衛星進入預定軌道[9]。“珞珈一號”搭載了高靈敏度夜光相機,其精度將達到地面分辨率100 m。數據的預處理基于GEE(Google Earth Engine)平臺,對數據進行預處理工作,包括對不同數據源進行去云、定標、幾何校正、拼接、裁剪等[10]。

1.3 基于支持向量積分類方法

1.3.1訓練樣區選擇

訓練樣本選擇應該具有代表性,并且要滿幅均勻選取。本研究選取了森林、農田、水體、不透水面四類地物類型[11]。詳細統計如表1所示。

表1 訓練樣區統計

1.3.2波段計算與分類

由表2可知,研究選取了Landsat8的綠光波段、紅光波段、近紅外、中紅外波段進行指數運算,計算的地物特征指數有歸一化植被指數(normalized vegetation index,NDVI),歸一化水體指數(normalized water index,NDWI),歸一化建筑物指數(normalized building index,NDBI),并選取了紅光波段和近紅外波段[12]。同時又選取了Sentinel-2數據空間分辨率為10 m的波段,分別為第3(GREEN)、4(RED)、8(NIR)波段,由于哨兵數據第11波段SWIR波段對建筑物提取效果較好,因此選取分辨率為20 m的11(SWIR)波段,計算了NDVI、NDBI、NDWI[13]。

表2 指數運算表

支持向量機分類法(support vector machine,SVM)是監督分類的一種模型[14]。可以分析數據、識別模式,用于分類和回歸分析。支持向量機方法是建立在統計學習理論的VC維理論和結構風險最小原理基礎上的,根據有限的樣本信息在模型的復雜性(即對特定訓練樣本的學習精度)和學習能力(即無錯誤地識別任意樣本的能力)之間尋求最佳折中,以期獲得最好的推廣能力。研究所使用的SVM不僅能分類出像元屬性,而且也能解決間隔值的問題[15]。

將Landsat8的RED、NIR、NDVI、NDWI、NDBI與Sentinel-2數據的RED、NIR、NDVI、NDWI、NDBI和珞珈一號數據加入SVM算法進行分類,同時將Landsat8的RED、NIR、NDVI、NDWI、NDBI與珞珈一號數據和Sentinel-2數據的RED、NIR、NDVI、NDWI、NDBI與珞珈一號數據也各做一次分類作為本研究的對比結果。

2 結果與分析

2.1 土地利用分類

在進行分類時,將Landsat8的RED、NIR、NDVI、NDWI、NDBI與Sentinel-2數據的RED、NIR、NDVI、NDWI、NDBI結合,生成一個10 m的安徽省土地利用分類圖。Landsat8的RED、NIR、NDVI、NDWI、NDBI與珞珈一號數據和Sentinel-2數據的RED、NIR、NDVI、NDWI、NDBI與珞珈一號(Luojia-1)數據各自生成10 m的安徽省土地利用分類圖結果,如圖2所示。

(a)Landsat & Sentinel-2 & Luojia-1 (b)Sentinel-2 & Luojia-1 (c)Landsat & Luojia-1

基于SVM分類結果,不透水面類型提取結果如圖3所示。

(a)Landsat & Sentinel-2 & Luojia-1 (b)Sentinel-2 & Luojia-1 (c)Landsat & Luojia-1

2.2 分類結果驗證

通過在谷歌地圖上選取樣本點,并用混淆矩陣對分類結果進行精度驗證,谷歌選取的精度驗證點如圖4所示,驗證結果如表3所示。

圖4 精度驗證點審圖號：皖S(2019)13號

表3 多源數據源精度驗證結果與不透水面面積統計

通過對圖2、圖3、表3分析可知,針對2018年安徽省不透水面的提取,用Landsat、Sentinel-2和珞珈一號三種不同來源不同分辨率的數據,精度達到0.97,說明精度較高。不透水面的面積統計是19194.283434 km2,面積也較準確。而Landsat 8 &珞珈一號和Sentinel-2 &珞珈一號分類精度比Landsat & Sentinel-2 &珞珈一號三種結合分類精度要低,且面積統計相差較大。

通過圖5可以看出,使用三種不同數據源分類,在提高精度的基礎上,如圖5(a),Landsat & Sentinel-2 &珞珈一號結合的分類能夠將坐落于田地或山村里的村落和道路準確提取。如圖5(b)中,Sentinel-2 &珞珈一號則不能夠準確提取出此類型的地物。圖5(c)中Landsat 8 &珞珈一號則會出現錯分,易將村落分為林地類。

(a)Landsat & Sentinel-2 & Luojia-1 (b)Sentinel-2 & Luojia-1

3 結論

通過利用多源高分辨率遙感影像對安徽省不透水面的提取,并對提取的結果進行了精度驗證與分析,得到了以下結論：

(1)通過對安徽省不透水面的提取,可以看出，Sentinel-2數據、Landsat數據和珞珈一號數據所組合的有11個波段對不透水面面積提取的精度最高。

(2)通過實驗發現,使用Landsat、Sentinel-2和珞珈一號三種數據源結合提取不透水面,對小村落提取效果較好。相比之下,單純只用Landsat或者Sentinel-2數據,小村落很容易識別為林地或農田,誤差影響較大。

(3)通過選取特征點進行驗證,研究中生成的安徽省不透水面專題圖達到的精度較高,分辨率也較高。安徽省全省不透水面面積接近于19 194.283 434 km2,因此,研究方法切實可行。

(4)本研究所采用的影像分辨率不高,在進行重采樣后造成單個像元存在多種類型的地物,對分類的結果產生了一定影響。因此,在后續研究中,可嘗試使用高分辨率的遙感影像。

4 結束語

隨著三調的推進,遙感影像解譯的準確性和效率性日益重要,基于SVM方法的多源高分辨率遙感影像分類及提取能夠滿足準確性和效率性的社會特征,能夠很好地協調節省人力物力財力。