姚鑫 左小清 郭文浩

摘 要：土地利用的分類精度對土地資源開發(fā)有很大影響。選取雄安新區(qū)2017年5月12日的高分一號影像作為試驗(yàn)數(shù)據(jù)，分別運(yùn)用監(jiān)督分類方法中的最大似然分類器和面向?qū)ο蟮姆诸惙椒▽τ跋襁M(jìn)行土地利用分類，得到研究區(qū)域的土地利用分類情況。面向?qū)ο蠓诸惙椒ǖ腒appa系數(shù)和總體分類精度都高于最大似然分類器的分類結(jié)果，分別達(dá)到了0.968 8和97.500 0%。實(shí)驗(yàn)結(jié)果表明：針對高分一號影像，對比最大似然分類器，使用面向?qū)ο蟮姆诸惸芴岣哐芯繀^(qū)域的土地利用分類精度。面向?qū)ο蠓诸惤Y(jié)果可以為雄安新區(qū)的土地利用分類提供參考。

關(guān)鍵詞：雄安新區(qū)；高分一號衛(wèi)星影像；土地利用分類；監(jiān)督分類；面向?qū)ο蠓诸?/p>

DOI：10.11907/rjdk.172723

中圖分類號：TP317.4

文獻(xiàn)標(biāo)識碼：A 文章編號：1672-7800（2018）004-0212-04

Abstract：The accuracy of land use classification has a great impact on the development of land resources. In this paper， we select GF-1 image of Xiongan new area in May 12，2017 as the test data， and use the maximum likelihood classifier of supervised classification and object-oriented classification method respectively to do the classification of land use. The classification of land use in the study area is obtained. The Kappa coefficient and the overall classification accuracy of the object-oriented classification method are higher than the classification results of the maximum likelihood classifier， and they reach to 0.968 8 and 97.500 0% respectively. The results of the experiment show that： for GF-1 image， by comparing the maximum likelihood classifier， the method of using object-oriented classification can improve the land use classification accuracy of the study area. The results of object-oriented classification can provide reference for land use classification in Xiongan new area.

Key Words：Xiongan new area； GF-1 satellite； land use classification； supervised classification； object-oriented classification

0 引言

隨著社會建設(shè)迅速發(fā)展，土地利用成為社會發(fā)展過程中重要的研究內(nèi)容[1]。土地利用與人類生產(chǎn)、生活息息相關(guān)，相互影響[2-3]。土地利用類型有建設(shè)用地、植被、裸地、水體以及道路等，對這些土地利用類型的分類提取，有助于土地利用規(guī)劃和土地資源開發(fā)。對研究區(qū)域提前進(jìn)行土地利用分類研究，有助于其后期規(guī)劃以及發(fā)展。因此一個(gè)好的土地利用分類方法顯得很重要[4]。

高分一號衛(wèi)星自從2013年發(fā)射成功，就改變了我國長期以來依靠購買國外衛(wèi)星數(shù)據(jù)的局面[5-6]。 高分一號衛(wèi)星提高了我國高分辨率數(shù)據(jù)自給率，具有覆蓋范圍廣、空間分辨率高、時(shí)間分辨率高等優(yōu)點(diǎn)[7-9]。高分一號衛(wèi)星通過增加高分辨率多光譜相機(jī)，使得分辨率得到很大提高。

本文選取雄安新區(qū)2017年5月12日的高分一號影像作為試驗(yàn)數(shù)據(jù)，分別應(yīng)用監(jiān)督分類和面向?qū)ο蟮姆诸惙椒▽τ跋襁M(jìn)行土地利用分類，得到雄安新區(qū)的各個(gè)土地利用類型情況。對土地利用分類的研究有助于雄安新區(qū)的生態(tài)保護(hù)和生態(tài)建設(shè)，對于新區(qū)建設(shè)具有非常重要的意義。

1 研究區(qū)概況與數(shù)據(jù)源

1.1 研究區(qū)概況

雄安新區(qū)是繼深圳特區(qū)和上海浦東新區(qū)之后，國家第三個(gè)重點(diǎn)發(fā)展的新區(qū)，隸屬于河北省，由雄縣、容城縣以及安新縣組成，地處115°35′～116°24′E與38°42′～39°12′N之間。雄安新區(qū)生態(tài)環(huán)境良好，交通便利，有巨大的發(fā)展空間，是河北省建設(shè)中一顆冉冉之星，其遠(yuǎn)期控制區(qū)面積約2 000km2，潛力不可估量。

其中，雄縣歷史悠久，距離首都北京108km，總面積達(dá)524km2。2007年，雄縣還被命名為“中國古地道文化之鄉(xiāng)”、“中國古地道文化研究中心”。容城具有深厚文化底蘊(yùn)，距離北京和天津都是120km。安新縣地理位置極佳，總面積達(dá)738.6km2。雄縣、容城縣以及安新縣都位于我國河北省保定市，具有歷史悠久、環(huán)境優(yōu)美以及地理位置良好的特點(diǎn)，共同組成了發(fā)展起點(diǎn)高的雄安新區(qū)。

雄安新區(qū)還在發(fā)展建設(shè)的起步階段，發(fā)展任務(wù)是建設(shè)綠色智慧新城，打造優(yōu)美生態(tài)環(huán)境，構(gòu)建成為水城共融、藍(lán)綠交織的生態(tài)城市；發(fā)展高端創(chuàng)新型產(chǎn)業(yè)，培育新動能；通過建設(shè)優(yōu)質(zhì)公共設(shè)施，創(chuàng)建城市管理新樣板，從而提供優(yōu)質(zhì)的公共服務(wù)；通過打造快捷的交通網(wǎng)絡(luò)，讓人們生活更加便捷；擴(kuò)大全方位對外開放。對其進(jìn)行土地利用分類研究有助于后期建設(shè)，所以本次選擇了雄安新區(qū)作為研究區(qū)。圖1為研究區(qū)的地理位置。

1.2 數(shù)據(jù)選取

本文所用數(shù)據(jù)是2017年5月12日的GF1-WFV3數(shù)據(jù)，其編號為L1A0002355576。研究區(qū)域影像的空間分辨率為10m。高分一號是我國第一顆具有高分辨率的衛(wèi)星，于2013年底正式開始運(yùn)行，具有范圍廣、空間分辨率高、時(shí)間分辨率高等優(yōu)點(diǎn)。高分一號衛(wèi)星的特點(diǎn)在于增加高分辨率多光譜相機(jī)，多光譜相機(jī)的幅寬有800km，遠(yuǎn)遠(yuǎn)超過之前的SPOT6，其分辨率得到了很大提高。高分一號衛(wèi)星在擁有相似空間分辨率的情況下，如果重復(fù)地對一個(gè)地方照相，只需要花更少時(shí)間就能完成。因此可以說，高分一號衛(wèi)星集時(shí)間短、范圍廣、效率高、影像更清晰等優(yōu)點(diǎn)于一身。

高分一號衛(wèi)星使我國有了高分辨率數(shù)據(jù)的自給能力。本文選取雄安新區(qū)2017年5月12日的GF1-WFV3數(shù)據(jù)作為試驗(yàn)數(shù)據(jù)，試驗(yàn)中還用到河北省行政區(qū)劃矢量數(shù)據(jù)，利用ARCGIS得到研究區(qū)域的矢量數(shù)據(jù)。

2 研究方法

2.1 技術(shù)路線

如圖2，對獲取的雄安新區(qū)2017年5月12日影像進(jìn)行數(shù)據(jù)預(yù)處理，將經(jīng)過處理的影像分別使用監(jiān)督分類中的最大似然分類器和面向?qū)ο蟮姆诸愅瓿裳芯繀^(qū)域土地利用分類，并得到兩種分類的分類精度評價(jià)結(jié)果，根據(jù)分類精度對比分析兩種分類方法，總結(jié)優(yōu)缺點(diǎn)，得出更適用于處理高分辨率遙感影像的方法。

2.2 數(shù)據(jù)預(yù)處理

由于選取的原始遙感影像會有許多干擾因素，導(dǎo)致其存在一定誤差，例如傳感器自身原因、大氣、衛(wèi)星、地形等，所以要先通過試驗(yàn)數(shù)據(jù)預(yù)處理降低這些干擾。為了排除地形、大氣干擾的影響，得到更加準(zhǔn)確的試驗(yàn)數(shù)據(jù)，進(jìn)行大氣校正處理，這是數(shù)據(jù)預(yù)處理中一個(gè)重要的步驟。為了更正由于地形變化、傳感器、地勢等因素引起的影像位置變化，進(jìn)行正射校正。

由于獲得的高分一號遙感影像范圍大于研究區(qū)域，本文對其進(jìn)行圖像裁剪。利用ENVI，根據(jù)雄安新區(qū)的矢量文件對遙感影像進(jìn)行不規(guī)則裁剪，得到研究區(qū)域的遙感影像，從而減小數(shù)據(jù)量，方便后期工作進(jìn)行。剪裁完成后影像的光譜值穩(wěn)定，沒有發(fā)生變化，裁剪合格，可用于試驗(yàn)研究。

2.3 方法

2.3.1 監(jiān)督分類

監(jiān)督分類方法，也被稱作訓(xùn)練場地法，它將在研究區(qū)域范圍內(nèi)選取的訓(xùn)練場地作為試驗(yàn)樣本，根據(jù)這些確認(rèn)類型的試驗(yàn)樣本，識別不在樣本范圍內(nèi)像元的類型[10]。監(jiān)督分類的種類有神經(jīng)元網(wǎng)絡(luò)分類、模糊分類、平行六面體分類以及最大似然分類等，本文選擇最大似然分類器對研究區(qū)域進(jìn)行監(jiān)督分類。

雄安新區(qū)的土地利用類型有裸地、建設(shè)用地、植被、水體以及道路。本文創(chuàng)建該5種訓(xùn)練樣本類型，對應(yīng)顏色分別是黃色、紅色、綠色、藍(lán)色以及灰色，并且分別畫出對應(yīng)的感興趣區(qū)域。完成研究區(qū)域影像感興趣區(qū)域的繪制，進(jìn)行感興趣區(qū)域的可分離性計(jì)算。當(dāng)計(jì)算結(jié)果的參數(shù)值大于1.9時(shí)，表明此時(shí)兩種訓(xùn)練樣本相對彼此來說選擇較好，便可認(rèn)為符合要求；當(dāng)參數(shù)值在1.0～1.8之間時(shí)，說明樣本選取不夠好，需重新選擇訓(xùn)練樣本，再進(jìn)行分離度計(jì)算，直到參數(shù)值大于1.8為止；當(dāng)參數(shù)值小于1.0時(shí)，應(yīng)該將訓(xùn)練樣本合并。試驗(yàn)中，建設(shè)用地與道路的計(jì)算結(jié)果參數(shù)值比1.8小，經(jīng)過再次選擇感興趣區(qū)域，反復(fù)修改，直到參數(shù)值大于1.8。

本文根據(jù)訓(xùn)練樣本，利用監(jiān)督分類中的最大似然分類器對雄安新區(qū)進(jìn)行分類，得到雄安新區(qū)土地利用現(xiàn)狀監(jiān)督分類圖（見圖3，彩圖見封二）。對比雄安新區(qū)遙感影像圖，可以發(fā)現(xiàn)，利用監(jiān)督分類能夠很好地區(qū)分水體和植被的邊界，提取效果較好。但由于光譜特征相似，監(jiān)督分類的分類依據(jù)又是光譜特征，結(jié)果圖3中道路與建設(shè)用地的錯(cuò)分現(xiàn)象比較嚴(yán)重；建設(shè)用地與裸地之間由于光譜特征比較相似，不易進(jìn)行分類，所以分類結(jié)果就出現(xiàn)了建設(shè)用地被誤分成裸地的現(xiàn)象，結(jié)果不如預(yù)期好。

2.3.2 面向?qū)ο蟮姆诸?/p>

面向?qū)ο蟮姆诸愂窍葘ρ芯繀^(qū)域進(jìn)行分割，然后對形成的各個(gè)小單元進(jìn)行研究，這是面向?qū)ο蟮姆诸惙椒ㄅc傳統(tǒng)方法的最大不同所在，傳統(tǒng)方法的研究對象是一個(gè)一個(gè)的像元[11]。傳統(tǒng)方法僅僅考慮到研究區(qū)域的光譜特征[12-14]，面向?qū)ο蟮姆诸愡€考慮到研究區(qū)域的空間等其它特征。面向?qū)ο蟮姆诸愂前延跋穹殖稍S多個(gè)性質(zhì)相同的小單元，再把得到的小單元作為試驗(yàn)的基本單元。監(jiān)督分類方法與之不同的是，其最基本研究對象是一個(gè)一個(gè)的原始像元。面向?qū)ο蟮姆诸惪紤]到研究區(qū)域的形狀，甚至還包括拓?fù)洹⒄Z義等特征，適用于高分辨率遙感影像分類。面向?qū)ο蟮姆诸惙椒ㄍ瓿煞指钪?，可以發(fā)現(xiàn)各個(gè)小單元都比較規(guī)則完整；面向?qū)ο蠓诸惖牡谝徊揭彩亲铌P(guān)鍵一步就是把影像分成一個(gè)一個(gè)規(guī)則的小單元，要想后面的分類精度高，就一定要將圖像分割這一步做好，所以在面向?qū)ο蠓诸愔袌D像分割比較重要。

面向?qū)ο蟮姆诸愐獙τ跋襁M(jìn)行圖像分割處理，在ENVI中打開研究區(qū)域的影像數(shù)據(jù)，選擇研究區(qū)域邊界的矢量文件作為掩膜文件，自動選擇（在有中心波長的情況下）紅色和近紅外波段計(jì)算NDVI。選擇4、3、2波段組合方式，經(jīng)過觀察比較，最終設(shè)置分割尺度為50，合并尺度為80，完成對影像的分割與合并。

面向?qū)ο蟮姆诸?，土地利用類型還是分為5類：建設(shè)用地、植被、裸地、水體以及道路。在分割圖上給這幾個(gè)類型分別選擇一些樣本。樣本選擇好之后，對影像進(jìn)行土地利用分類處理，本文選擇支持向量機(jī)分類器，其所包含的幾個(gè)內(nèi)容是：結(jié)構(gòu)風(fēng)險(xiǎn)學(xué)說、核空間學(xué)說以及二次優(yōu)化學(xué)說等。統(tǒng)計(jì)學(xué)習(xí)學(xué)說后來衍生出現(xiàn)在使用的支持向量機(jī)分類器。支持向量機(jī)分類器也是面向?qū)ο笾斜容^常用的，完成對研究區(qū)域的面向?qū)ο蠓诸悾玫搅送恋乩妙愋偷姆诸惤Y(jié)果，見圖4（彩圖見封二）。

3 結(jié)果分析

通過對比最大似然分類器和面向?qū)ο蠓诸惖姆诸惤Y(jié)果中Kappa系數(shù)、總體精度以及制圖精度，可以看到：第一種最大似然分類器分類結(jié)果中Kappa系數(shù)以及總體精度分別是0.812 5、85.000 0%，從數(shù)據(jù)看出監(jiān)督分類中的最大似然分類器對高分辨率影像進(jìn)行分類的總體精度不高；第二種面向?qū)ο蠓诸?，其Kappa系數(shù)以及總體精度分別是0.968 8、97.500 0%，面向?qū)ο蠓诸愔械闹С窒蛄繖C(jī)分類器對高分辨率影像進(jìn)行分類，總體精度比較高。Kappa系數(shù)可以評價(jià)整個(gè)分類圖的精度[15]；用被分類正確的像元個(gè)數(shù)對比上影像總的像元個(gè)數(shù)，得到的結(jié)果就是總體精度。面向?qū)ο蠓椒ǖ腒appa系數(shù)和總體精度分別比最大似然分類器分類結(jié)果的Kappa系數(shù)和總體精度高，這是由于最大似然分類器對道路和建設(shè)用地分類的精度都偏低，導(dǎo)致其分類結(jié)果的總體精度不高。

表1是使用面向?qū)ο蠛捅O(jiān)督分類分別進(jìn)行試驗(yàn)的5種土地利用類型的精度結(jié)果，可以看到，水體、植被、裸地使用這兩種方法進(jìn)行分類的精度都大于90%，有些接近100%，說明面向?qū)ο蠓诸惡捅O(jiān)督分類對水體、植被、裸地這3種土地類型的分類都是符合分類精度要求的。這是由于該3種土地類型的光譜特征都較明顯，容易與周圍其它土地類型區(qū)分開。通過觀察表1可以發(fā)現(xiàn)，監(jiān)督分類方法對道路和裸地的試驗(yàn)精度都小于80%，精度不高，監(jiān)督分類對這兩種土地利用類型的分類中存在不足。這是由于這兩種土地類型的光譜特征不夠明顯，容易與周圍其它土地類型混淆；而面向?qū)ο髮@兩種土地類型的實(shí)驗(yàn)結(jié)果精度明顯高于最大似然分類器的分類精度，在建設(shè)用地和道路的分類問題上，面向?qū)ο蠓ǚ诸惥雀谩?/p>

通過以上分析可以總結(jié)出，利用高分辨率影像進(jìn)行土地利用分類試驗(yàn)，對水體、植被以及裸地進(jìn)行分類時(shí)，最大似然分類器和面向?qū)ο蠓诸惗歼m用；而對道路和建設(shè)用地進(jìn)行分類時(shí)，面向?qū)ο蠓ǚ诸惥雀撸軡M足總體精度以及制圖精度的要求。

4 結(jié)語

本文將雄安新區(qū)作為試驗(yàn)區(qū)域，以雄安新區(qū)2017年5月12日的GF1-WFV3數(shù)據(jù)作為試驗(yàn)數(shù)據(jù)，使用ENVI軟件對其分別采用監(jiān)督分類中的最大似然分類器和面向?qū)ο蠓ㄟM(jìn)行土地利用類型分類處理。分類結(jié)果精度表明：與最大似然分類器相比，面向?qū)ο蠓ㄔ囼?yàn)得到的精度更高，Kappa系數(shù)和總體精度分別為0.968 8和97.500 0%。對高分辨率影像進(jìn)行土地利用分類試驗(yàn)，面向?qū)ο蠓ㄊ且环N更有效的方法。

兩種方法對水體、植被以及裸地進(jìn)行分類時(shí)，精度都比較高，但是對道路和裸地進(jìn)行分類時(shí)，最大似然分類器的分類精度沒有面向?qū)ο蠓ǖ姆诸惥雀摺Ｖ档米⒁獾氖?，面向?qū)ο蠓诸悓?種土地利用類型進(jìn)行分類，道路分類精度最低。在以后的研究中，道路分類精度有待提高。本文研究結(jié)果可以為雄安新區(qū)的土地利用分類提供參考，有助于其建設(shè)綠色智慧新城，打造優(yōu)美生態(tài)環(huán)境。

參考文獻(xiàn)：

[1] 吳健生，潘況一，彭建，等.基于QUEST決策樹的遙感影像土地利用分類——以云南省麗江市為例[J].地理研究，2012，31（11）：1973-1980.

[2] 劉麗雅.基于國產(chǎn)GF-1的高寒山區(qū)土地利用/覆蓋分類研究[D].杭州：浙江大學(xué)，2016.

[3] 王勝男，汪西原.基于ENVI的高分辨率遙感圖像土地利用分類方法研究[J].數(shù)字技術(shù)與應(yīng)用，2016（10）：105-106.

[4] 成思敏.基于ArcGIS與ENVI對四川省成都市1990年土地利用分類[C].武漢：科技研究——2015科技產(chǎn)業(yè)發(fā)展與建設(shè)成就研討會論文集（下），2015.

[5] 熊子瀟.基于高分一號遙感影像的土地覆蓋信息提取技術(shù)研究[D].南昌：東華理工大學(xué)，2016.

[6] 程燦然，楊樹文，石鵬卿.基于高分一號衛(wèi)星遙感影像的城市綠地提取對比研究[J].礦山測量，2017，45（3）：12-16.

[7] 武笑天.基于高分一號和Landsat-8的昌吉市小麥面積提取研究[D].烏魯木齊：新疆農(nóng)業(yè)大學(xué)，2016.

[8] 郭會敏，洪運(yùn)富，李營，等.基于高分一號衛(wèi)星影像的多種融合方法比較[J].地理與地理信息科學(xué)，2015，31（1）：23-26+40.

[9] 陳陽，趙俊三，陳應(yīng)躍.基于ENVI的高分辨率遙感影像城市綠地信息提取研究[J].測繪工程，2015，24（4）：33-36.

[10] 金杰，朱海巖，李子瀟，等.ENVI遙感圖像處理中幾種監(jiān)督分類方法的比較[J].水利科技與經(jīng)濟(jì)，2014，20（1）：146-148+160.

[11] 徐菲楠，祁元，王建華，等.面向?qū)ο蟮暮诤酉掠魏影读种脖桓采w信息分類[J].遙感技術(shù)與應(yīng)用，2015，30（5）：996-1005.

[12] WANG Y T， AINSWORTH T L， LEE J S. Estimation of the orientation and shape parameters of canopy scatterers from POLSAR observations[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2012，5（3）：835-847.

[13] CLAPHAM JR W B. Continuum-based classification of remotely sensed imagery to describe urban sprawl on a watershed scale[J]. Remote Sensing of Environment，2003，86（3）：322-340.

[14] POWELL R L， ROBERTS D A， DENNISON P E， et al. Sub-pixel mapping of urban land cover using multiple endmember spectral mixture analysis： Manaus， Brazil[J]. Remote Sensing of Environment，2007，106（2）：253-267.

[15] 胡茂瑩.基于高分二號遙感影像面向?qū)ο蟮某鞘蟹课菪畔⑻崛》椒ㄑ芯縖D].長春：吉林大學(xué)，2016.

（責(zé)任編輯：何 麗）