亢慶，姜德文，扶卿華，王曉剛

監(jiān)測(cè)在城市建設(shè)、礦山、水利工程等生產(chǎn)建設(shè)活動(dòng)中，因挖損、占?jí)?、堆棄等行為引起的地表擾動(dòng)作用，對(duì)水土保持具有重要的意義。隨著對(duì)地觀測(cè)技術(shù)的進(jìn)步，利用空間分辨率＜5 m的高分辨率影像對(duì)擾動(dòng)地塊(影像上稱為擾動(dòng)圖斑)識(shí)別和提取是遙感影像分類(lèi)研究重要內(nèi)容，也是《全國(guó)水土保持信息化規(guī)劃(2013—2020年)》和《全國(guó)水土保持信息化實(shí)施方案(2014—2016年)》提出的“天地一體化”生產(chǎn)建設(shè)項(xiàng)目監(jiān)管思路的核心。

目前，針對(duì)生產(chǎn)建設(shè)擾動(dòng)圖斑的遙感提取及識(shí)別的研究較少，可以借鑒的研究主要體現(xiàn)在對(duì)礦產(chǎn)資源開(kāi)發(fā)現(xiàn)狀調(diào)查與監(jiān)測(cè)以及土地利用/覆蓋動(dòng)態(tài)監(jiān)測(cè)等方面，包括人機(jī)交互方法提取礦產(chǎn)開(kāi)采點(diǎn)、狀態(tài)等信息［1］，以及基于差值法、主成分分析法、變化矢量分析法［2］檢測(cè)土地利用/覆蓋的變化位置和范圍等，這些方法以檢測(cè)地物光譜特征為唯一切入點(diǎn)，在以TM/ETM+為代表的中低分辨率影像上，得到極大的發(fā)展;但是隨著影像空間分辨率的躍升，高分辨率影像可清晰表達(dá)的地物邊界、幾何形狀等空間特征不能被上述方法利用，容易出現(xiàn)“同物異譜”“同譜異物”現(xiàn)象，以及因高分辨率影像豐富的光譜信息而產(chǎn)生“椒鹽效應(yīng)”，于是有了面向?qū)ο蟮姆诸?lèi)方法的發(fā)展［3］。該類(lèi)方法以具有相同光譜、幾何形狀、紋理等特征［4］的像元集合為分類(lèi)對(duì)象，理論上可以避免基于光譜特性分類(lèi)方法存在的“椒鹽效應(yīng)”等問(wèn)題，成為現(xiàn)階段研究的重要方向。

面向?qū)ο蟮姆诸?lèi)包括影像分割和影像分類(lèi)2個(gè)步驟。影像分割是將影像切割成若干個(gè)對(duì)象，并要求對(duì)象內(nèi)的像元具有相同的地物特征(包括光譜、幾何形狀和紋理等特征)，是整個(gè)分類(lèi)過(guò)程的基礎(chǔ)和關(guān)鍵，決定了影像分類(lèi)(對(duì)分割對(duì)象的識(shí)別)的精度［5-6］。在影像分割研究中，獲取合適的分割尺度，也［6］稱為最優(yōu)分割尺度，即分割對(duì)象滿足對(duì)象內(nèi)的光譜、幾何形狀和紋理等地物特征的同質(zhì)性和相鄰對(duì)象間的地物特征的差異性均達(dá)到最大，并且擬提取和識(shí)別的地物可以通過(guò)1個(gè)或者多個(gè)對(duì)象表達(dá)出來(lái)的條件時(shí)的分割尺度。需要說(shuō)明的是，這里的尺度問(wèn)題雖然仍舊屬于空間問(wèn)題，但是有別于傳統(tǒng)基于像元的分類(lèi)中出現(xiàn)的空間分辨率問(wèn)題，主要是因?yàn)槊嫦驅(qū)ο蟮姆诸?lèi)研究的對(duì)象不再是像元，而是具有光譜、幾何形狀和紋理相似性的對(duì)象)，是現(xiàn)階段關(guān)注的焦點(diǎn)，尤其是在基于多尺度分割技術(shù)的eCognition軟件出現(xiàn)之后。傳統(tǒng)的最優(yōu)尺度獲取方法以分類(lèi)者的多次嘗試和主觀判斷為依據(jù)，效率低下且存在主觀不確定性［7-8］。除“試錯(cuò)”法之外，還有參與方法和非參與方法［9］2類(lèi):前者根據(jù)與已知地物的吻合程度來(lái)判斷最優(yōu)尺度，需要輸入人工預(yù)先勾畫(huà)出的邊界，如矢量距離指數(shù)法［10］、面積比均值法［11］;后者不需要人工的參與，主要分析對(duì)象內(nèi)部的同質(zhì)性與對(duì)象間的異質(zhì)性，建立尺度與二者之間的函數(shù)曲線，依據(jù)對(duì)象內(nèi)同質(zhì)性最大、對(duì)象間異質(zhì)性最大的原則［8］，或者依據(jù)內(nèi)部同質(zhì)性的變化率隨尺度的變化規(guī)律，客觀地選取一個(gè)合適的尺度，代表性的方法有分割評(píng)價(jià)指數(shù)［12］、局部方差方法［3］、目標(biāo)函數(shù)法［8］。從實(shí)際生產(chǎn)應(yīng)用的角度而言，非參與方法更具有普適性［9］，其中，又以局部方差方法和目標(biāo)函數(shù)法理論較為扎實(shí)，應(yīng)用也更為廣泛。

綜合研究進(jìn)展，筆者以生產(chǎn)建設(shè)擾動(dòng)圖斑的高分辨率遙感識(shí)別為研究目標(biāo)，首先對(duì)比和分析了局部方差法和目標(biāo)函數(shù)法獲取生產(chǎn)建設(shè)擾動(dòng)圖斑最優(yōu)分割尺度的可行性，然后采用面向?qū)ο蟮谋O(jiān)督分類(lèi)對(duì)生產(chǎn)建設(shè)擾動(dòng)圖斑進(jìn)行了識(shí)別和提取，并依據(jù)現(xiàn)場(chǎng)調(diào)查和無(wú)人機(jī)航片對(duì)識(shí)別結(jié)果進(jìn)行評(píng)估。

1 研究方法

1.1 面向?qū)ο蟮挠跋穹指?/h3>

影像分割方法大體上可以分為基于閾值、基于邊界和基于區(qū)域3類(lèi)，其中:基于閾值的方法依賴于閾值的選擇，在復(fù)雜的遙感影像，效果較差;基于邊緣的分割方法往往難以得到閉合且連通的邊界，且容易產(chǎn)生邊界錯(cuò)分的現(xiàn)象;而基于區(qū)域的方法具有原理簡(jiǎn)單、無(wú)須預(yù)知類(lèi)別數(shù)目等優(yōu)點(diǎn)，得到廣泛的應(yīng)用，尤其是分形網(wǎng)絡(luò)演化算法(Fractal Net Evolution Approach，F(xiàn)NEA)［13］，即 eCognition 中多尺度分割技術(shù)中應(yīng)用到的方法［14］。FNEA是一種區(qū)域生長(zhǎng)的算法，基本思路是以1個(gè)像元為種子，依據(jù)光譜、形狀等多特征加權(quán)值，不斷合并周?chē)c種子像元有相同或者相似性質(zhì)的像元，直至滿足停止生長(zhǎng)條件。

FNEA算法的理論基礎(chǔ)可表示為

式中:F為尺度參數(shù)，是判斷一個(gè)對(duì)象是否繼續(xù)生長(zhǎng)的關(guān)鍵，F(xiàn)過(guò)小會(huì)造成分割后的對(duì)象破碎、時(shí)耗過(guò)長(zhǎng)，屬于“過(guò)分”現(xiàn)象，F(xiàn)過(guò)大，則會(huì)造成對(duì)象內(nèi)混合了多種地物類(lèi)型的像元，屬于“欠分”或“混分”現(xiàn)象;hcolor為光譜因子，由各波段的光譜值乘以相應(yīng)的權(quán)重累加得到;w1為光譜因子的權(quán)重，取值為0～1;hshape為形狀因子:

式中:hcom為緊致度因子，用于優(yōu)化分割對(duì)象的緊湊程度，取值介于0～1;hsmooth為光滑度因子，用于優(yōu)化分割對(duì)象邊界的光滑程度，抑制邊緣的過(guò)度破碎，取值介于0～1;w2為緊致度的權(quán)重。

1.2 最優(yōu)分割尺度

最優(yōu)分割尺度是指分割后的對(duì)象能夠清楚地刻畫(huà)出地物的邊界，目標(biāo)地物可以通過(guò)1個(gè)或者多個(gè)分割對(duì)象表達(dá)出來(lái)，分割后的圖像既不能“過(guò)分”，也不能“欠分”或“混分”。那么，獲取最優(yōu)分割尺度的原則是在保證不“欠分”或“混分”的基礎(chǔ)上，適合目標(biāo)地物的最大尺度。

1.2.1 局部方差方法 L．DRGU爩等［3］基于對(duì)象的局部方差隨尺度F變化規(guī)律提出了一個(gè)最優(yōu)分割尺度獲取方法。其基本思路:隨著分割尺度的增加，對(duì)象內(nèi)屬于同種地物的像元增加，影像的局部方差也隨之緩慢增加，當(dāng)增加到一定程度之后，對(duì)象內(nèi)會(huì)混入其他地物類(lèi)型的像元，此時(shí)對(duì)象內(nèi)光譜值的方差會(huì)迅速增大，對(duì)象間的光譜異質(zhì)性降低，局部方差的變化率發(fā)生轉(zhuǎn)折。那么，局部方差變化率的轉(zhuǎn)折處就是不同地物類(lèi)型的最優(yōu)分割尺度。影像的局部方差為

式中:N為圖像中對(duì)象的個(gè)數(shù);n為對(duì)象中像元的個(gè)數(shù);x為對(duì)象的光譜值;xo為對(duì)象的灰度值均值。

局部方差變化速率

式中var_L為比var小一個(gè)尺度間隔的局部方差。

1.2.2 目標(biāo)函數(shù)方法 影像分割的理想結(jié)果是分割后的對(duì)象具有良好的內(nèi)部同質(zhì)性，同時(shí)相鄰對(duì)象之間具有良好的異質(zhì)性;但兩者的最大值并不一定能在同一尺度上取得，那么最優(yōu)分割尺度可能是基于二者的平衡。G．Espindola等［8］的思路首先是分別計(jì)算對(duì)象內(nèi)像元光譜值的同質(zhì)性和異質(zhì)性，并分別進(jìn)行歸一化處理，之后建立目標(biāo)函數(shù)，目標(biāo)函數(shù)取最大值時(shí)的尺度F為最優(yōu)分割尺度。

1)對(duì)象內(nèi)同質(zhì)性。

式中:V為表征對(duì)象內(nèi)同質(zhì)性參量;Si和σi分別為第i個(gè)對(duì)象的面積和光譜值標(biāo)準(zhǔn)差。

2)對(duì)象間的異質(zhì)性。

使用Moran's I指數(shù)來(lái)衡量分割對(duì)象之間的異質(zhì)性［15］:

式中:M為Morna's I指數(shù);wij為空間關(guān)系權(quán)重，如果對(duì)象i和對(duì)象j相接，wij=1，否則 wij=0;為整幅影像的光譜平均值。

3)目標(biāo)函數(shù)F(x)。

依據(jù)V和M在不同尺度下的最大最小值，分別將二者歸一化處理，得到Vnorm和Mnorm目標(biāo)函數(shù)

式中:Vnorm為歸一化處理后的對(duì)象內(nèi)同質(zhì)性 V;Mnorm為歸一化處理后的Moran's I指數(shù)。

1.3 擾動(dòng)圖斑的識(shí)別

計(jì)算出最優(yōu)分割尺度之后，還需要對(duì)分割后的影像進(jìn)行識(shí)別。識(shí)別算法采用eCognition中的面向?qū)ο蟮谋O(jiān)督分類(lèi)法，該方法能夠?qū)庾V、幾何形狀、紋理等特征描述及計(jì)算。整個(gè)識(shí)別工作包括:首先，依據(jù)現(xiàn)場(chǎng)調(diào)研、無(wú)人機(jī)航片以及前期獲取的其他統(tǒng)計(jì)資料，為生產(chǎn)建設(shè)擾動(dòng)圖斑建立解譯標(biāo)志，并依據(jù)解譯標(biāo)志的光譜特征和幾何特征為監(jiān)督分類(lèi)建立訓(xùn)練樣本;其次，用最鄰近法對(duì)生產(chǎn)建設(shè)擾動(dòng)圖斑識(shí)別;最后，利用現(xiàn)場(chǎng)調(diào)研和無(wú)人機(jī)航片對(duì)分類(lèi)結(jié)果進(jìn)行校驗(yàn)，如果識(shí)別精度滿足要求，則直接導(dǎo)出生產(chǎn)建設(shè)擾動(dòng)圖斑，否則，則挑選出混分、漏分的像元，并建立相應(yīng)的數(shù)據(jù)庫(kù)，之后再次回歸監(jiān)督分類(lèi)步驟，直至識(shí)別精度達(dá)標(biāo)。

綜合上述思路，本研究的基本流程見(jiàn)圖1。

圖1 生產(chǎn)建設(shè)擾動(dòng)圖斑識(shí)別流程圖Fig．1 Procedure for automatically identifying construction disturbance patches

2 研究區(qū)及解譯標(biāo)志的建立

2.1 研究區(qū)域及數(shù)據(jù)預(yù)處理

選用2016年廣東省生產(chǎn)建設(shè)項(xiàng)目水土保持監(jiān)管示范縣內(nèi)一塊典型樣區(qū)(圖2)，結(jié)合高分1號(hào)(GF-1)影像展開(kāi)研究。如圖2所示，研究區(qū)內(nèi)地物類(lèi)型復(fù)雜且破碎，包括零星分散的小型居民點(diǎn)(圖中呈不規(guī)則分布的灰色部分)、大片的林草地、夾在居民點(diǎn)和林草地之間的小塊農(nóng)田、道路、水塘、生產(chǎn)建設(shè)擾動(dòng)地塊(包括未完成的建筑，以及取土、堆放建筑渣料等造成的裸露地塊)，區(qū)內(nèi)圖像尺寸為2 249像元×2 465像元。

圖2 研究區(qū)GF-1標(biāo)準(zhǔn)假彩色合成影像Fig．2 Standard false color composite of GF-1 image of the study area

2.2 解譯標(biāo)志的建立與分析

根據(jù)地面實(shí)地調(diào)查及無(wú)人機(jī)航拍所掌握的背景知識(shí)，針對(duì)生產(chǎn)建設(shè)項(xiàng)目的建設(shè)時(shí)期，建立用于識(shí)別生產(chǎn)建設(shè)擾動(dòng)圖斑的解譯標(biāo)志，解譯標(biāo)志的建立參考現(xiàn)場(chǎng)調(diào)查照片、影像以及光譜特征、光譜頻率和形狀特征等影像特征(表1)。

由表1可以看出，生產(chǎn)建設(shè)擾動(dòng)圖斑內(nèi)的光譜亮度范圍較大，并且隨著生產(chǎn)建設(shè)的進(jìn)展逐步擴(kuò)大，3個(gè)不同時(shí)期的值依次為946、1 089.2和1 486.5。與光譜亮度范圍呈同樣變化規(guī)律的還有擾動(dòng)圖斑的亮度標(biāo)準(zhǔn)差，分別為136.0、145.9和211，相反，擾動(dòng)圖斑的光譜亮度均值則隨著生產(chǎn)建設(shè)的進(jìn)展逐漸減小。

3 結(jié)果及討論

3.1 影像分割

影像分割在eCognition環(huán)境下進(jìn)行，分割尺度F的變化范圍為30～400，步長(zhǎng)為10，F(xiàn)NEA分割方法涉及到的其他因子(光譜因子、形狀因子、波段比重)在多次的分割過(guò)程中均保持一致，即光譜因子和緊致度因子分別設(shè)為0.6和0.5，波段權(quán)重為1∶1∶1∶1。

表1 生產(chǎn)建設(shè)項(xiàng)目解譯標(biāo)志Tab．1 Interpretation mark of construction project

3.2 獲取最優(yōu)分割尺度

當(dāng)分割尺度F為310時(shí)(圖3a)，生產(chǎn)建設(shè)擾動(dòng)圖斑像元混入了一些小型居民地和綠色植被，屬于分割尺度F過(guò)大造成的“欠分”或“混分”現(xiàn)象，沒(méi)能對(duì)生產(chǎn)建設(shè)項(xiàng)目進(jìn)行有效分割，不利于提高后續(xù)信息的識(shí)別和提取。當(dāng)分割尺度F為300時(shí)(圖3b)，分割對(duì)象內(nèi)的像元較為純凈，其邊界能較清晰地刻畫(huà)出生產(chǎn)建設(shè)擾動(dòng)圖斑的邊界;因此，尺度300是最適宜分割尺度。其作為真值用于檢驗(yàn)?zāi)繕?biāo)函數(shù)法和局部方差方法獲取的最優(yōu)分割尺度該尺度作為生產(chǎn)建設(shè)擾動(dòng)圖斑的最優(yōu)分割尺度真值，可用于驗(yàn)證目標(biāo)函數(shù)方法和局部方差方法計(jì)算的最優(yōu)分割尺度。

圖3 不同尺度F的分割效果(a:F為310;b:F為300)Fig．3 Segmentation results of different segmentation scales(a:310;b:300)

如圖4所示，研究區(qū)內(nèi)的對(duì)象個(gè)數(shù)在30～140的尺度范圍內(nèi)由48 140個(gè)迅速減少到3 130個(gè)，之后緩慢減少，而對(duì)象的平均面積則是隨著尺度F的增加而呈近似線性增加，二者線性相關(guān)的確定系數(shù)R2=0.95。

圖4 分割尺度與對(duì)象個(gè)數(shù)、平均面積的關(guān)系Fig．4 Relationship between segmentation scales and number of objects/average size of objects

隨著對(duì)象個(gè)數(shù)的減少和對(duì)象平均面積的增加，對(duì)象內(nèi)包含的像元個(gè)數(shù)增加，光譜亮度變化范圍增加，導(dǎo)致對(duì)象的局部方差增大(圖5)。依據(jù)局部方差方法的思路，合適的分割尺度通常發(fā)生在局部方差的變化率式(4))由增加到減小的轉(zhuǎn)折處，符合條件的分割尺度有240、270、310，由圖2和表1所示的生產(chǎn)建設(shè)擾動(dòng)圖斑解譯標(biāo)志可以發(fā)現(xiàn)，擾動(dòng)圖斑內(nèi)光譜亮度值變化較大，且形狀多屬于不規(guī)則，在此背景條件下，適合擾動(dòng)圖斑的分割尺度則相對(duì)較大，可推斷出310是基于局部方差方法得到的最優(yōu)分割尺度，略微大于真值。

隨著F的增加，對(duì)象的個(gè)數(shù)減少，對(duì)象內(nèi)部的同質(zhì)性V(式(5))增加，歸一化后的 Vnorm減小(圖6)。對(duì)象間的異質(zhì)性M數(shù)則隨尺度增大而呈下降趨勢(shì)，與 G．Espindola等［8］和殷瑞娟等［16］的研究結(jié)果相似，而歸一化后的異質(zhì)性Mnorm呈增加的趨勢(shì)(圖6)。平衡了對(duì)象內(nèi)同質(zhì)性和對(duì)象間異質(zhì)性的目標(biāo)函數(shù)F(x)隨F的變化規(guī)律整體上呈下降趨勢(shì)，線性斜率為－0.007;但是在F為300時(shí)刻取得最大值1.2，依據(jù)目標(biāo)函數(shù)確定最優(yōu)分割尺度的原理，尺度300為最優(yōu)分割尺度，與真值一致。

圖5 對(duì)象局部方差和方差變化率隨尺度F的變化規(guī)律Fig．5 Changes in local variance and change rate of LV with segmentation scale increasing

圖6 V norm、M norm和目標(biāo)函數(shù)F(x)隨尺度F的變化規(guī)律Fig．6 Changes in V norm，M norm and object function F(x)with segmentation scale increasing

3.3 生產(chǎn)建設(shè)擾動(dòng)圖斑的識(shí)別

基于最優(yōu)分割尺度得到的分割影像，利用野外調(diào)查、無(wú)人機(jī)航片得到解譯標(biāo)志(表1)，為面向?qū)ο蟮谋O(jiān)督分類(lèi)建立訓(xùn)練樣本，樣本的選擇綜合考慮了光譜、紋理及形狀等特性信息。利用面向?qū)ο蟮谋O(jiān)督分類(lèi)中的最鄰近方法實(shí)現(xiàn)對(duì)生產(chǎn)建設(shè)擾動(dòng)圖斑的識(shí)別(圖7中紅色部分)。同時(shí)，為了更好地說(shuō)明最優(yōu)分割尺度與識(shí)別精度的一致性，計(jì)算了其他分割尺度下的生產(chǎn)建設(shè)擾動(dòng)圖斑，但考慮到分割尺度低于150時(shí)，區(qū)域內(nèi)圖斑個(gè)數(shù)超過(guò)3 000，圖像分割過(guò)于破碎，使得地物類(lèi)型弱化、甚至丟失了紋理和形狀特征，不利于面向?qū)ο蠓诸?lèi)實(shí)施，必然會(huì)造成識(shí)別精度的降低，因此本文只對(duì)≥150分割尺度生產(chǎn)建設(shè)擾動(dòng)圖斑進(jìn)行了識(shí)別。

依據(jù)現(xiàn)場(chǎng)調(diào)查的圖片、空間分辨率低于0.1 m的無(wú)人機(jī)航片和其它前期獲取的統(tǒng)計(jì)資料，人工繪制了研究區(qū)域內(nèi)生產(chǎn)建設(shè)擾動(dòng)范圍(圖7藍(lán)色方框標(biāo)注范圍)，并以此為真值，對(duì)計(jì)算機(jī)識(shí)別的生產(chǎn)建設(shè)擾動(dòng)圖斑進(jìn)行了精度檢驗(yàn)，精度檢驗(yàn)采用用戶精度(用戶精度=Sr/Sa×100，式中:Sr為被正確識(shí)別出的面積;Sa為真實(shí)面積(圖7藍(lán)色方框內(nèi)的面積))和制圖精度(制圖精度=Sr/Si×100，式中Si為被計(jì)算機(jī)識(shí)別出的面積)。

精度檢驗(yàn)結(jié)果見(jiàn)表2，生產(chǎn)建設(shè)擾動(dòng)圖斑的制圖精度和用戶精度均是在最優(yōu)分割尺度下取得極大值，分別為86.3%和84.2%，說(shuō)明最優(yōu)分割尺度與識(shí)別精度存在一致性。對(duì)比最優(yōu)分割尺度與其他較小分割尺度，可以發(fā)現(xiàn)影像分割尺度并非越小越好，當(dāng)分割尺度很小時(shí)，雖然對(duì)象內(nèi)部光譜無(wú)差異，但是同類(lèi)地物不同對(duì)象之間的光譜差異就會(huì)明顯的表現(xiàn)出來(lái)，同時(shí)對(duì)象的形狀幾何信息也會(huì)在一定程度上丟失，會(huì)造成地物識(shí)別的精度明顯偏低。

圖7 最優(yōu)分割尺度下的生產(chǎn)建設(shè)擾動(dòng)圖斑識(shí)別結(jié)果Fig．7 Identified result of construction disturbance patches based on optimal segmentation scale

表2 各分割尺度下的生產(chǎn)建設(shè)擾動(dòng)圖斑識(shí)別精度Tab．2 Accuracies of construction disturbance patches on different segmental scales%

最優(yōu)分割尺度下用戶精度略小于制圖精度，即被計(jì)算機(jī)識(shí)別出的生產(chǎn)建設(shè)擾動(dòng)圖斑面積大于實(shí)際面積，說(shuō)明識(shí)別結(jié)果中出現(xiàn)了其他類(lèi)型地物被錯(cuò)分為生產(chǎn)建設(shè)擾動(dòng)圖斑，與圖7所示的最優(yōu)分割尺度下的生產(chǎn)建設(shè)擾動(dòng)圖斑識(shí)別結(jié)果較為一致，且這些錯(cuò)分部分多出現(xiàn)在道路以及小型居民點(diǎn)的周?chē)?，主要原因是施工中的生產(chǎn)建設(shè)項(xiàng)目與其相毗鄰的道路或者小型居民點(diǎn)的光譜差異較小，同時(shí)地表復(fù)雜且不規(guī)則的格局加大了識(shí)別難度。此外，在生產(chǎn)建設(shè)項(xiàng)目?jī)?nèi)部，一些輕度擾動(dòng)的地塊，因?yàn)榕c自然地物光譜特征差異較小，容易漏分。對(duì)于生產(chǎn)建設(shè)擾動(dòng)圖斑識(shí)別中出現(xiàn)的錯(cuò)分/漏分圖斑，建立了錯(cuò)分/漏分?jǐn)?shù)據(jù)庫(kù)，為研究區(qū)域及以外的其它地區(qū)提高分類(lèi)精度提供參考依據(jù)。

4 結(jié)論

1)基于目標(biāo)函數(shù)方法獲取的最優(yōu)分割尺度與實(shí)際結(jié)果一致，而基于局部方差方法計(jì)算得到的最優(yōu)分割尺度略微偏大，偏大3.3%。

2)最優(yōu)分割尺度與識(shí)別精度存在一致性?；诿嫦?qū)ο蟮谋O(jiān)督分類(lèi)方法，在最優(yōu)分割尺度下的生產(chǎn)建設(shè)擾動(dòng)圖斑識(shí)別精度較其他分割尺度較高，制圖精度和用戶精度分別達(dá)到86.3%和84.2%。

筆者結(jié)合目標(biāo)函數(shù)方法和局部方差方法計(jì)算了生產(chǎn)建設(shè)擾動(dòng)圖斑最優(yōu)分割尺度。值得指出的是，本文計(jì)算出的最優(yōu)分割尺度在不同的遙感影像源、不同地表覆蓋特征下可能會(huì)存在差異，但是獲取生產(chǎn)建設(shè)擾動(dòng)圖斑最優(yōu)分割尺度的過(guò)程和思路具有普適性。今后會(huì)針對(duì)不同特征的地表覆蓋對(duì)生產(chǎn)建設(shè)擾動(dòng)圖斑的最優(yōu)分割尺度做進(jìn)一步的研究。

［1］ 張焜，馬世斌，劉麗萍．基于SPOT5數(shù)據(jù)的鹽湖礦產(chǎn)開(kāi)發(fā)及礦山環(huán)境遙感監(jiān)測(cè)［J］．國(guó)土資源遙感，2012，24(3):146．ZHANG Kun，MA Shibin，LIU Liping．Remotesensing monitoring of the mineral resources exploration and mining environment of the Salt Lake based on SPOT5 Data［J］．Remote Sensing For Land ＆ Resources，2012，24(3):146．

［2］ 王麗云，李艷，汪禹芹．基于對(duì)象變化矢量分析的土地利用變化檢測(cè)方法研究［J］．地球信息科學(xué)學(xué)報(bào)，2014，16(2):307．WANG Liyun，LI Yan，WANG Yuqin．Research onland use change detection based on an object-oriented change vector analysis method［J］．Journal of Geo-information Science，2014，16(2):307．

［3］ DRGU爩L，TIEDE D，LEVICK SR．ESP:a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data［J］．International Journal of Geographical Information Science，2010，24(6):859．

［4］ RYHERD S，WOODCOCK C．Combining spectral and texture data in the segmentation of remotely sensed images［J］．Photogrammetric Engineering and Remote Sensing，1996，62(2):181．

［5］ GAO Y，MAS J F，KERLE N，et al．Optimal region growing segmentation and its effect on classification accuracy［J］．International Journal of Remote Sensing，2011，32(13):3747．

［6］ KIM M，WARNER T A，MADDEN M，et al．Multi-scale GEOBIA with very high spatial resolution digital aerial imagery:scale，texture and image objects［J］．International Journal of Remote Sensing，2011，32(10):2825．

［7］ WHITESIDE T G，BOGGSG S，MAIER SW．Comparing object-based and pixel-based classifications for mapping savannas［J］．International Journal of Applied Earth Observation and Geoinformation，2011，13(6):884．

［8］ ESPINDOLA G，CMARA G，REISI，et al．Parameter selection for region-growing image segmentation algorithms using spatial autocorrelation［J］．International Journal of Remote Sensing，2006，27(14):3035．

［9］ ZHANG H，F(xiàn)RITTS J E，GOLDMAN S A．Image segmentation evaluation:a survey of unsupervised methods［J］．Computer Vision and Image Understanding，2008，110(2):260．

［10］ 于歡，張樹(shù)清，孔博，等．面向?qū)ο筮b感影像分類(lèi)的最優(yōu)分割尺度選擇研究［J］．中國(guó)圖象圖形學(xué)報(bào)，2010(2):352．YU Huan，ZHANG Shuqing，KONG Bo，et al．Optimal segmentation scale selection for object-oriented remote sensing image classification［J］．Journal of Image and Graphics，2010(2):352．

［11］ 汪求來(lái)．面向?qū)ο筮b感影像分類(lèi)方法及其應(yīng)用研究［D］．南京:南京林業(yè)大學(xué)，2008．WANG Qiulai．Study on object-oriented remote sensing image classification and its application-taking urban vegetation extraction in Futian Shenzhen city as example［D］．Nanjing:Nanjing Forestry University，2008．

［12］ 陳春雷，武剛．面向?qū)ο蟮倪b感影像最優(yōu)分割尺度評(píng)價(jià)［J］．遙感技術(shù)與應(yīng)用，2011，26(1):96．CHEN Chunlei，WU Gang．Evaluation of optimal segmentation scale with object-oriented method in remote sensing［J］．Remote Sensing Technology and Application，2011，26(1):96．

［13］ BAATZ M，SCHPE A．Object-oriented and multiscale image analysis in semantic networks［C］．Proceedings of the 2nd international symposium:operationalization of remote sensing，1999．August 16th–20th，Enschede．ITC，Enschede，The Netherlands．7 －13．

［14］ DURO D C，F(xiàn)RANKLIN SE，DUBM G．A comparison of pixel-based and object-based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using SPOT-5 HRG imagery ［J］．Remote Sensing of Environment，2012，118:259．

［15］ JOHNSON B，XIE Z．Unsupervised image segmentation evaluation and refinement using a multi-scale approach［J］．ISPRS Journal of Photogrammetry and Remote Sensing，2011，66(4):473．

［16］ 殷瑞娟，施潤(rùn)和，李鏡堯．一種高分辨率遙感影像的最優(yōu)分割尺度自動(dòng)選取方法［J］．地球信息科學(xué)學(xué)報(bào)，2013，15(6):902．YIN Ruijuan，SHI Runhe，LI Jingyao．Automatic selection of optimal segmentation scale of high-resolution remote sensing images［J］．Journal of Geo-information Science，2013，15(6):902．