任 慧，談亞光

（1.廣東省國(guó)土資源測(cè)繪院，廣東 廣州 510500）

城市地理國(guó)情動(dòng)態(tài)監(jiān)測(cè)管理是以3S一體化為基礎(chǔ)，運(yùn)用專業(yè)遙感技術(shù)，對(duì)地理對(duì)象和影像特征進(jìn)行采樣和分析，快速獲取其空間特征，結(jié)合GIS分析，利用分析解譯結(jié)果與城市各種行業(yè)的規(guī)劃編制、規(guī)劃審批成果之間的對(duì)比分析，掌握城市建設(shè)中與規(guī)劃不符的情況，并通過(guò)核查上報(bào)、統(tǒng)計(jì)分析等手段，為城市規(guī)劃管理、城市建設(shè)監(jiān)察提供服務(wù)[1,2]。

本文運(yùn)用面向?qū)ο蟮奶卣魈崛≤浖Cognition、Feature Station與人工目視解譯相結(jié)合的手段，從理論和實(shí)踐2個(gè)方面，研究利用人機(jī)交互式解譯方法，對(duì)計(jì)算機(jī)自動(dòng)解譯進(jìn)行了精度評(píng)價(jià)，并對(duì)自動(dòng)解譯所提高的工作效率進(jìn)行了評(píng)估。

1 研究區(qū)概況及數(shù)據(jù)情況

本文的研究區(qū)域?yàn)榉鹕绞腥畢^(qū)。佛山市三水區(qū)位于北緯 22°58'～ 23°34'，東經(jīng) 112°46'～ 113°02'。地處佛山市西北部，全區(qū)總面積827.7 km2，總?cè)丝?2.26萬(wàn)。境內(nèi)地形復(fù)雜，西北部多為低山丘陵；中部、東北部為臺(tái)地平原，坡度平緩，多積水洼地；南部是臺(tái)地圍田。西江、北江、綏江流經(jīng)境內(nèi)。平原多是由西江、北江沖積而成，地勢(shì)較低，一般海拔在1.5～3 m，全區(qū)最低海拔為-1～-1.7 m。

本次研究主要利用佛山國(guó)土局提供的衛(wèi)星影像數(shù)據(jù)進(jìn)行國(guó)情普查。依據(jù)分辨率0.5 m的遙感影像數(shù)據(jù)以及佛山水務(wù)部門(mén)提供的1︰5 000DLG數(shù)據(jù)等，達(dá)到普查范圍覆蓋全區(qū)的目標(biāo)。

2 地表覆蓋提取方法

地表覆蓋分類的提取原則是盡可能基于遙感影像自動(dòng)分類，最大限度地使用計(jì)算機(jī)自動(dòng)處理，在不能滿足精度要求的情況下，采取輔助手段兼顧效率及精度[3,4]。故應(yīng)該優(yōu)先使用已有的普查內(nèi)業(yè)參考數(shù)據(jù)，其次是利用內(nèi)業(yè)參考數(shù)據(jù)，實(shí)現(xiàn)計(jì)算機(jī)自動(dòng)提取地表覆蓋分類數(shù)據(jù)，最后再對(duì)不滿足精度要求的地類進(jìn)行人工提取。

2.1 數(shù)據(jù)分析

地理國(guó)情監(jiān)測(cè)的基礎(chǔ)是地表覆蓋[5,6]。基礎(chǔ)地理信息數(shù)據(jù)作為普查內(nèi)業(yè)參考數(shù)據(jù)，與正射影像疊加分析，分析的結(jié)果可以分為如1圖所示的3類。圖1a中地理國(guó)情普查內(nèi)業(yè)參考數(shù)據(jù)與正射影像的時(shí)相相近，整體上沒(méi)有太大的變化，是可優(yōu)先使用的地理國(guó)情普查內(nèi)業(yè)參考數(shù)據(jù)。圖1b中地理國(guó)情普查內(nèi)業(yè)參考數(shù)據(jù)與正射影像的差異不算太大，有些地方套合準(zhǔn)確，有些不準(zhǔn)，但如果人工修改不準(zhǔn)確的邊界，工作量很大，這種類型的數(shù)據(jù)可以考慮暫時(shí)保留，后期處理時(shí)加入地理國(guó)情普查內(nèi)業(yè)參考數(shù)據(jù)進(jìn)行矢量輔助分割。圖1c中地理國(guó)情普查內(nèi)業(yè)參考數(shù)據(jù)變化太大或者采集類型不同，無(wú)法使用，這種情況考慮目視解譯。

2.2 目視解譯

根據(jù)已經(jīng)確定使用的基礎(chǔ)地理數(shù)據(jù)，一級(jí)類中耕地、園地、林地、草地可以按照1︰5 000DLG植被層分割，分割后賦值屬性，再分類提取，水體可以按照1︰5 000DLG水系面層提取，剩下需要分類的有房屋建筑區(qū)、道路、構(gòu)筑物、人工堆掘地、裸露地表。房屋建筑區(qū)的屋頂光譜信息較復(fù)雜，同物異譜、同譜異物的現(xiàn)象明顯，又含有較多陰影，自動(dòng)提取的難度較大；道路提取方面，不同材質(zhì)道路路面光譜信息也不盡相同，加上道路兩旁的行道樹(shù)及其陰影也很容易對(duì)道路的連續(xù)性產(chǎn)生影響，自動(dòng)提取的難度也較大。同理，構(gòu)筑物、人工堆掘地以及裸露地表所包含的光譜信息及紋理信息也不盡相同。這些一級(jí)類需要人工目視解譯來(lái)提取。以上的所有一級(jí)類采集完畢后，剩下的則是植被所包含的耕地、園地、林地、草地4大類。這幾類由于覆蓋面積較大，人工解譯所花費(fèi)的時(shí)間較長(zhǎng)，故先采用計(jì)算機(jī)自動(dòng)解譯的方式，分割出最小圖斑，然后再進(jìn)行分類及后續(xù)處理，以減少工作量。

圖1 3類分析結(jié)果圖

2.3 影像分割

面向?qū)ο蟮奶卣魈崛。渌幚淼挠跋駟卧⒎菃蝹€(gè)像素，而是由一組像素所組成的對(duì)象。影像分割即是將由像素組成的像素集合分割成由對(duì)象組成的對(duì)象集合的過(guò)程。影像分割后圖斑邊界的準(zhǔn)確率直接影響到后續(xù)手工編輯時(shí)的工作量。在形狀因子與緊致度相同的情況下，不同分割尺度所分割的結(jié)果如圖2所示。

圖2 不同分割尺度所分割的結(jié)果比較

分割尺度越小，生成的對(duì)象個(gè)數(shù)越多，影像越破碎。在本次研究中，分別在Feature Station與eCognition中完成對(duì)植被類別的高級(jí)分割，在參考矢量中分別導(dǎo)入已經(jīng)目視解譯的中間成果以及1︰5 000DLG中的植被面層。目視解譯的中間成果內(nèi)部不細(xì)分，1︰ 5 000DLG中的植被面層內(nèi)部仍然按照計(jì)算機(jī)自動(dòng)分割來(lái)細(xì)分。

2.4 影像分類

影像分類是對(duì)每個(gè)處理單元進(jìn)行分類，賦予地類屬性。影像分類的方法有很多，eCognition中的分類方法包含閾值分類、使用矢量數(shù)據(jù)的屬性分類與監(jiān)督分類；Feature Station中只支持樣本采集的監(jiān)督分類方法。本次研究通過(guò)人工選取水體、植被和其他3種類別的樣本點(diǎn)來(lái)進(jìn)行訓(xùn)練，將訓(xùn)練結(jié)果應(yīng)用在整個(gè)影像上，對(duì)整體進(jìn)行分類。分類后的結(jié)果圖3、4所示。

圖3 eCognition中執(zhí)行CART監(jiān)督分類后的結(jié)果

圖4 Feature Station中執(zhí)行SVM監(jiān)督分類后的結(jié)果

由于直接采取樣本分類的效果并不理想，特別是對(duì)植被進(jìn)行二級(jí)分類，在植被層中區(qū)分出耕地、草地、林地、園地的效果不太理想，故在本次試驗(yàn)中，僅是在影像分割后批量賦值屬性。將1︰5 000DLG的植被數(shù)據(jù)與正射影像疊加分析后，對(duì)分類有錯(cuò)誤或者未分類的圖斑，再進(jìn)行分類后處理。

2.5 分類后處理

1）手工編輯。分類結(jié)果不可能是百分之百準(zhǔn)確，所以手工編輯功能顯得十分重要，手動(dòng)修改所含的工作量占總工作量的絕大部分。按照之前的處理流程，進(jìn)行完批量屬性賦值之后，需要檢查修改的只剩下被分割過(guò)的1︰5 000DLG中的植被數(shù)據(jù)，以及被分割過(guò)的未賦屬性的空白圖斑。

2）合并相鄰的同類圖斑。分割后會(huì)出現(xiàn)許多相鄰的同類圖斑，將同類圖斑歸并成一個(gè)對(duì)象可以減少總的對(duì)象數(shù)，讓圖面顯得更加簡(jiǎn)單直觀。Feature Station中含有合并相鄰圖斑的功能，如圖5所示。

圖5 Feature Station中的相鄰?fù)悎D斑合并功能

3）剔除小圖斑。按照《地理國(guó)情普查試點(diǎn)方案（試行稿）》的要求，最小圖斑面積為400 m2（綠化林地、綠化草地為200 m2），連續(xù)、不同類型、面積均小于400 m2但面積總和超過(guò)400 m2的圖斑，邊界清晰的必須采集，邊界不清晰的就近歸并。從試驗(yàn)的情況來(lái)看，小于400 m2的地類，大部分為不準(zhǔn)確的地類。為了減少人工編輯的工作量，需要將小于400 m2的圖斑自動(dòng)歸并到相鄰地類中。

2.6 精度評(píng)價(jià)

本次試驗(yàn)主要針對(duì)手工編輯的工作量來(lái)評(píng)定，由于影像分割決定了每個(gè)對(duì)象的邊界，對(duì)象屬性決定了每個(gè)對(duì)象所被歸化的類別，所以評(píng)定的步驟也包含2步：一是人工修改對(duì)象的屬性，將錯(cuò)分、漏分的對(duì)象正確分類，統(tǒng)計(jì)每個(gè)分類以及總分類中手動(dòng)選取的對(duì)象數(shù)，2款軟件統(tǒng)計(jì)精度如表1所示；二是修改對(duì)象的邊界，統(tǒng)計(jì)對(duì)象修改邊界的長(zhǎng)度，計(jì)算其與對(duì)象總周長(zhǎng)的比值，算出人工修改邊界占總邊界工作量的百分比。2種軟件的水體人工修線總長(zhǎng)度與水體總周長(zhǎng)如圖6、7所示，水體人工修改邊界工作量如表2所示。

表1 分類精度結(jié)果

表2 2種軟件人工修改工作量對(duì)比表

總的說(shuō)來(lái)，相對(duì)于全手動(dòng)分類，2款軟件的自動(dòng)分類精度幾乎都達(dá)到了90%；在人工編輯工作量上，就水體而言，2款軟件相對(duì)于全手動(dòng)提取地物邊線，均減少了80%以上的手工作業(yè)量，從數(shù)據(jù)上看，eCognition比Feature Station有少許優(yōu)勢(shì)。

圖6 eCognition中水體人工修線總長(zhǎng)度和水體總周長(zhǎng)

圖7 Feature Station中水體人工修線總長(zhǎng)度和水體總周長(zhǎng)

3 結(jié) 語(yǔ)

地理國(guó)情地表覆蓋提取的技術(shù)體系，規(guī)范了成果的形式內(nèi)容和相關(guān)指標(biāo)，使國(guó)情普查在測(cè)繪地理信息系統(tǒng)得到提升和保障。國(guó)情普查地表覆蓋提取還需要綜合多種學(xué)科的技術(shù)手段進(jìn)行知識(shí)的交叉，提出創(chuàng)新可行的數(shù)據(jù)算法，提高數(shù)據(jù)成果質(zhì)量。本次研究證明，對(duì)于部分地類，計(jì)算機(jī)自動(dòng)解譯確實(shí)可減少人工工作量。但只有結(jié)合已有的基礎(chǔ)地理數(shù)據(jù)，將計(jì)算機(jī)自動(dòng)解譯和人工解譯相結(jié)合，才能最大程度地提高作業(yè)效率。

[1]王思遠(yuǎn),張?jiān)鱿?周全斌,等.基于遙感與GIS技術(shù)的土地利用時(shí)空特征研究[J]. 遙感學(xué)報(bào),2002(3):223-228

[2]曹雪,柯長(zhǎng)青.基于TM影像的南京市土地利用遙感動(dòng)態(tài)監(jiān)測(cè)[J].武漢大學(xué)學(xué)報(bào):信息科學(xué)版，2006(11):958-961

[3]程滔,周旭,劉若梅.面向地理國(guó)情監(jiān)測(cè)的地表覆蓋信息提取方法[J].測(cè)繪通報(bào),2013(8):84-86

[4]李月臣,陳晉,宮鵬,等.基于NDVI時(shí)間序列數(shù)據(jù)的土地覆蓋變化檢測(cè)指標(biāo)設(shè)計(jì)[J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào),2005,13(3):261-274

[5]唐新明.地理國(guó)情監(jiān)測(cè)的基礎(chǔ)是地表覆蓋[N].中國(guó)測(cè)繪報(bào),2011-03-29(6)

[6]張靜,郭玉芳.地理國(guó)情監(jiān)測(cè)中地表覆蓋分類體系研究[J].測(cè)繪標(biāo)準(zhǔn)化,2012(3):8-10