王雪娜

（廣州市番禺城市規(guī)劃設(shè)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(shù)據(jù)應(yīng)用的主要研究熱點之一。法國發(fā)射的SPOT系列衛(wèi)星，一直以來都是國際上最重要的遙感數(shù)據(jù)源，其高效的觀測能力和較高的數(shù)據(jù)質(zhì)量，已經(jīng)在自然環(huán)境、農(nóng)林等領(lǐng)域有了較多的應(yīng)用。SPOT6衛(wèi)星影像作為SPOT系列最高質(zhì)量的衛(wèi)星數(shù)據(jù)，自發(fā)射以來一直受到廣泛關(guān)注。當前針對SPOT6衛(wèi)星數(shù)據(jù)的研究方向主要是數(shù)據(jù)融合方法及對比[1]，數(shù)據(jù)影像參數(shù)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(guān)注利用SPOT6衛(wèi)星數(shù)據(jù)獲取土地利用精細化分類領(lǐng)域。本文選擇廣東省東莞市西部的SPOT6衛(wèi)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(jié)果進行對比分析，為高空間分辨率遙感衛(wèi)星數(shù)據(jù)地物分類研究提供參考。

1 研究方法

1.1 研究區(qū)域

本文研究區(qū)域位于廣東省東莞市西部，該區(qū)域包括林地、農(nóng)田、河流、魚塘、道路、農(nóng)村居民地、工業(yè)用地等地物類型?？傮w來說地物類型多且環(huán)境復雜，作為研究區(qū)域具有較強代表性。

1.2 研究數(shù)據(jù)

SPOT6衛(wèi)星于2012年9月成功發(fā)射，是法國的一顆高分辨率對地觀測遙感衛(wèi)星。SPOT6衛(wèi)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(wèi)星影像的參數(shù)，如表1所示。從第一顆SPOT衛(wèi)星開始，SPOT衛(wèi)星在區(qū)域生態(tài)環(huán)境、地質(zhì)礦產(chǎn)、農(nóng)業(yè)與林業(yè)、環(huán)境保護、災害監(jiān)測、測繪制圖、城市規(guī)劃和國防等領(lǐng)域具有較高的應(yīng)用價值和普及率[4]。本文使用的SPOT數(shù)據(jù)成像于2013年11月。

表1 SPOT6衛(wèi)星影像數(shù)據(jù)參數(shù)[4]

1.3 研究方法

本文所用分類系統(tǒng)和技術(shù)路線，如表2和圖1所示。

圖1 技術(shù)路線圖

表2 本文所用分類系統(tǒng)

1.3.1 數(shù)據(jù)預處理

SPOT6的數(shù)據(jù)預處理主要是數(shù)據(jù)融合，可以綜合全色數(shù)據(jù)空間分辨率高和多光譜數(shù)據(jù)光譜特征豐富的優(yōu)勢。本文利用了ENVI軟件中的Gram-Schmidt融合算法進行數(shù)據(jù)融合。

1.3.2 面向?qū)ο蠖喑叨确指?/p>

影像分割是將一幅影像劃分為若干相對同質(zhì)的子對象的過程，是面向?qū)ο筮b感分類的基礎(chǔ)，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(gòu)建多級空間尺度對象，構(gòu)成影像對象的網(wǎng)絡(luò)層次關(guān)系。本文根據(jù)多次交互式分割試驗，確定了最適宜本研究的分割參數(shù)為：分割尺度50，形狀指數(shù)0.3，緊密度指數(shù)0.4，色彩指數(shù)0.7，光滑指數(shù)0.6。

1.3.3 最近鄰法

最近鄰法是面向?qū)ο筮b感分類中最常用的一種監(jiān)督分類方法。最近鄰方法直觀、簡單、易于實現(xiàn)，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(shù)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(shù)據(jù)挖掘方法，是一種組合式的自學習技術(shù)。隨機森林以決策樹（Decision Tree）作為基分類器（Basic Classifier），采用簡單多數(shù)投票法（針對分類）或單棵樹輸出結(jié)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(yīng)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(shù)據(jù)（Out-Of-Bag，OOB），這些袋外數(shù)據(jù)可用于估量變量因子的重要性。在森林建立過程中實現(xiàn)了對常規(guī)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(shù)據(jù)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(jié)果的質(zhì)量，本文選用了面向?qū)ο蠓诸惙椒ㄖ凶罱彿诸惙椒ㄗ鳛閷Ρ?。面向?qū)ο蟮淖罱彿诸愐彩且环N監(jiān)督分類方法，首先將遙感影像分割為若干影像對象，根據(jù)野外調(diào)查和相關(guān)先驗知識，構(gòu)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(shù)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(jié)果。

2 結(jié)果分析

本文應(yīng)用于面向?qū)ο蠓诸愔械奶卣髯兞?，除了融合?shù)據(jù)的光譜特征外，還包括了植被指數(shù)（NDVI）和紋理特征等。根據(jù)野外調(diào)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(zhí)行分類過程，得到分類結(jié)果，并利用驗證演變作為參考，對分類結(jié)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(yōu)劣，本文將相同的訓練樣本和驗證樣本，用于面向?qū)ο蟮淖罱彿诸惙椒ㄖ?，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(jié)果，在分類的總體精度和Kappa系數(shù)兩個指標上均優(yōu)于面向?qū)ο蟮淖罱彿椒ā?/p>

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(jié)果。從圖中可以看出利用面向?qū)ο蠓诸惙椒ǖ玫降姆诸惤Y(jié)果避免了基于像元分類方法中的“椒鹽現(xiàn)象”，分類結(jié)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(jié)果而言，10類地物的精細化分類的結(jié)果比較好，線性地物的水體、河流等結(jié)構(gòu)和形狀合理，農(nóng)田、農(nóng)村居民地等分類的精度也較高。

圖2

3 結(jié)束語

本文基于SPOT6衛(wèi)星影像數(shù)據(jù)，采用隨機森林模型方法對廣東省東莞市西部地區(qū)進行土地利用精細分類與對比研究。實驗結(jié)果表明：（1）SPOT6數(shù)據(jù)適用于利用面向?qū)ο蠓诸惙椒ㄟM行的土地利用精細化分類研究，所得分類結(jié)果目視效果好；（2）隨機森林模型的分類結(jié)果優(yōu)于最近鄰方法，分類精度提升了7%，Kappa系數(shù)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(jié)果。