基于面向?qū)ο蠓诸惙椒ǖ牡托в玫匦畔⑻崛⊙芯?/h1>
2018-07-24 10:30毛玉龍
科技創(chuàng)新導(dǎo)報(bào) 2018年3期
毛玉龍
摘 要：本文以資源三號(hào)衛(wèi)星遙感影像為數(shù)據(jù)源，利用面向?qū)ο蠓诸惙ㄌ崛x江市低效用地信息，首先利用NDVI和NDWI兩個(gè)指數(shù)剔除植被和水域信息的干擾，然后選取合適的分割尺度、對(duì)象特征參數(shù)以及支持向量機(jī)分類法進(jìn)行面向?qū)ο蠓诸?。結(jié)果表明：分類的總體精度為95%，Kappa系數(shù)為0.90，分類質(zhì)量極好。證明了面向?qū)ο蠓椒ㄗR(shí)別低效用地信息的準(zhǔn)確性。
關(guān)鍵詞：面向?qū)ο蠓诸?低效用地， NDVI NDWI
中圖分類號(hào)：TP79 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2018）01（c）-0168-03
隨著城鎮(zhèn)化的加速發(fā)展，建設(shè)用地總量在大幅度的增加，但是，建設(shè)用地的利用效率卻比較低下，低效和無序利用土地的現(xiàn)象仍然大量存在，社會(huì)經(jīng)濟(jì)發(fā)展對(duì)土地資源的壓力與日俱增[1]。我國(guó)大城市土地集約利用程度相對(duì)較高，中小城市和村鎮(zhèn)還具有一定的“挖潛”空間。因此，面向中小城市和村鎮(zhèn)推進(jìn)土地利用潛力挖掘，提高土地利用集約節(jié)約水平已成為我國(guó)土地保障的優(yōu)先選擇。遙感技術(shù)的快速發(fā)展，為城鎮(zhèn)用地信息的快速提取提供了新的途徑，特別是衛(wèi)星遙感技術(shù)具有覆蓋范圍大、重復(fù)觀測(cè)以及成本低的優(yōu)點(diǎn)，從而得到廣泛的應(yīng)用。目前針對(duì)城市用地信息的提取方法主要包括計(jì)算機(jī)分類（監(jiān)督和非監(jiān)督分類）、人工數(shù)字化以及閾值法等。戴昌達(dá)[2]等基于Landsat TM影像，利用目視解譯和圖像自動(dòng)識(shí)別相結(jié)合的辦法獲得城市的面積研究了城市擴(kuò)展和環(huán)境變化狀況。楊山[3]等仿NDVI提出了歸一化建筑指數(shù)（NDBI， Normalized Difference Built-up Index ），利用TM影像提取了無錫市城鎮(zhèn)用地信息。鄧文勝等結(jié)合歸一化建筑指數(shù)NDBI和Bayes最大似然法算法，通過二值邏輯運(yùn)算成功提取了武漢市城鎮(zhèn)用地信息。
本文以低效用地比較典型的晉江市中心城區(qū)為例，利用資源三號(hào)衛(wèi)星影像影像，基于前人研究成果，通過對(duì)城鎮(zhèn)用地遙感信息的機(jī)理分析，利用歸一化植被指數(shù)NDVI和歸一化水體指數(shù)NDWI，再利用面向?qū)ο蠓诸惙椒▽?duì)研究區(qū)進(jìn)行低效用地信息提取，運(yùn)用誤差矩陣統(tǒng)計(jì)方法進(jìn)行精度評(píng)價(jià)，為其它地區(qū)低效用地的提取提供依據(jù)。
1 研究區(qū)概況及數(shù)據(jù)
1.1 研究區(qū)概況
本文選取福建省晉江市中心城區(qū)為研究區(qū)，該區(qū)位于福建省東南沿海，泉州市東南部地，理位置介于東經(jīng)118°26′39″～118°37′16″，北緯24°44′00″～24°51′00″之間。研究區(qū)面積約231.66km2，涉及羅山街道、西園街道、磁灶鎮(zhèn)、內(nèi)坑鎮(zhèn)等6個(gè)街道和6個(gè)鄉(xiāng)鎮(zhèn)。全境地形比較平緩，主要以平原和丘陵為主地處泉，最高峰海拔518m。晉江屬南亞熱帶濕潤(rùn)氣候區(qū)，年均氣溫20～21℃，年均日照2130h，年均降雨量911～1231mm，農(nóng)業(yè)和工業(yè)比較發(fā)達(dá)，是福建省綜合實(shí)力最強(qiáng)的縣市，也是中國(guó)經(jīng)濟(jì)最發(fā)達(dá)縣市之一。
1.2 數(shù)據(jù)處理
本文采用2015年4月15日時(shí)相的資源三號(hào)（ZY3）衛(wèi)星遙感數(shù)據(jù)。資源三號(hào)衛(wèi)星是我國(guó)第一顆自主研發(fā)的民用高分辨率立體測(cè)繪衛(wèi)星，可為國(guó)土資源、農(nóng)業(yè)、林業(yè)等領(lǐng)域提供服務(wù)。該衛(wèi)星屬于太陽(yáng)同步圓軌道衛(wèi)星，重返周期為5d，載有四臺(tái)相機(jī)。此次研究選取空間分辨率為5.8m的多光譜數(shù)據(jù)和2.1m的全色數(shù)據(jù)。為了有效的進(jìn)行低效用地的解譯，以1：10000地形圖為基礎(chǔ)，先將ZY3衛(wèi)星數(shù)據(jù)的全色波段進(jìn)行正射校正，再利用正射好的全色波段與多光譜數(shù)據(jù)進(jìn)行配準(zhǔn)，然后應(yīng)用增強(qiáng)融合算法對(duì)配準(zhǔn)后的全色和多光譜數(shù)據(jù)進(jìn)行融合，最后進(jìn)行線性拉伸、直方圖調(diào)整等增強(qiáng)處理，生成2m分辨率的ZY3影像。
2 信息提取技術(shù)方法
2.1 植被指數(shù)選取
城鎮(zhèn)的四周一般為農(nóng)田，部分城鎮(zhèn)的周圍有水塘或湖泊，城鎮(zhèn)還有一些人工草地、林地等植被，城鎮(zhèn)的光譜特征與植被、水體等明顯不同，為了減少分類的工作量，提高分類的精度，本文在分類前先將城鎮(zhèn)提取出來。根據(jù)各類地物對(duì)光譜的不同響應(yīng)特征，利用波段的不同線性組合有利于各類地物的提取。
目前，針對(duì)植被所提出的指數(shù)已多達(dá)40多種，植被指數(shù)是對(duì)地表植被狀況的簡(jiǎn)單有效的度量，已廣泛應(yīng)用于植被分類、環(huán)境變化以及全球與區(qū)域土地覆蓋變化檢測(cè)等領(lǐng)域。其中，歸一化植被指數(shù)（NDVI， Normalized Difference Vegetable Index ）是迄今為止應(yīng)用最廣泛的植被指數(shù)之一，是植被生長(zhǎng)狀態(tài)及植被覆蓋度的最佳指示因子。如嚴(yán)曉瑜等探究了3類不同傳感器NDVI對(duì)若爾蓋濕地植被變化響應(yīng)方式的差異性及在該區(qū)植被變化監(jiān)測(cè)研究中的適宜性。王強(qiáng)[6]等人利用GIMMS AVHRR NDVI數(shù)據(jù)探討了三北防護(hù)林工程區(qū)植被覆蓋動(dòng)態(tài)變化。因此，本來亦選取NDVI提取研究區(qū)的植被信息，計(jì)算公式如下。
水域信息目前常用歸一化水體指數(shù)（NDWI， Normalized Difference Water Index）進(jìn)行提取，如李輝霞等人利用NDWI自動(dòng)提取海南島西部沙漠化信息，精度高達(dá)89.7%。張佳華等人為研究作物生長(zhǎng)發(fā)育早期受干旱影響的作物水分光譜特征，分別計(jì)算NDWI和冬小麥生理指標(biāo)和土壤濕度的關(guān)系，結(jié)果表明NDWI和土壤濕度的關(guān)系較好，說明在作物生長(zhǎng)發(fā)育早期，水分指數(shù)更多反映的是土壤水分狀況而不是作物水分。目前對(duì)于NDWI有S. K. McFEETERS和Bo-cai Gao的兩種做法，根據(jù)資源三號(hào)衛(wèi)星的波段信息，最終選取S.K.McFEETERS法，計(jì)算計(jì)算公式如下。
NDVI=（ρNIR-ρR）/（ρNIR=ρR）
NDWI=（ρG-ρNIR）/（ρG+ρNIR）
式中，ρG、ρR、ρNIR分別為綠波段、紅波段和近紅外波段的反射率，取值范圍均在-1與1之間。
通過設(shè)定閾值來提取植被和水域信息，當(dāng)NDVI>0時(shí)為植被信息，當(dāng)>0時(shí)為水域信息。
2.2 面向?qū)ο笮畔⑻崛?/p>
傳統(tǒng)的基于像素的遙感影像處理方法均是在遙感影像光譜信息極其豐富，地物間光譜差異較為明顯的基礎(chǔ)上進(jìn)行的，主要用于低分辨的遙感數(shù)據(jù)和航片。對(duì)于只含有較少波段的高分辨率遙感影像而言，結(jié)構(gòu)和紋理信息更加突出，光譜信息不足，利用傳統(tǒng)的分類方法會(huì)造成分類精度降低，空間數(shù)據(jù)的大量冗余，并且其分類結(jié)果常常是椒鹽圖像，不利于進(jìn)行空間分析。面向?qū)ο蠹夹g(shù)的出現(xiàn)有效地結(jié)果了這一難題，面向?qū)ο蟮挠跋穹治黾夹g(shù)是在空間信息技術(shù)長(zhǎng)期發(fā)展的過程中產(chǎn)生的，在遙感影像分析中具有巨大的潛力，要建立與現(xiàn)實(shí)世界真正相匹配的地表模型，面向?qū)ο蟮姆椒ㄊ悄壳盀橹馆^為理想和應(yīng)用廣泛的方法。如曹寶等基于SPOT5衛(wèi)星影像，提出了基于特征增強(qiáng)技術(shù)的面向?qū)ο蠓诸惙椒ǎ‵ETCOOCA），對(duì)北京市海淀區(qū)進(jìn)行分類，結(jié)果表明FETCOOCA方法明顯優(yōu)于傳統(tǒng)基于像元的分類方法。靳歡歡針對(duì)GeoEye高分辨率遙感影像，對(duì)比了逐像元分類（監(jiān)督分類和非監(jiān)督分類）和面向?qū)ο蠓诸?，結(jié)果表明面向?qū)ο蠓诸惣夹g(shù)在高分辨率影像中的有效性。余曉敏等利用改進(jìn)SEaTH算法的面向?qū)ο蠓诸愄卣鬟x擇方法提高了分類精度。
面向?qū)ο蠓诸惖氖怯跋癜凑障嗨菩栽瓌t，充分的利用影像提供的地物的形狀大小、色調(diào)陰影、空間位置、紋理特征等，分割為在多個(gè)在空間上連續(xù)，具有特定意義的同質(zhì)區(qū)域集合，再根據(jù)地物的特征來定義這些對(duì)象，并歸到相應(yīng)的類別。面向?qū)ο蟮姆椒ú皇且詥蝹€(gè)像素為分析目標(biāo)，而是影像中的分析集合為分析單元充分考慮對(duì)象與周圍環(huán)境之間的聯(lián)系等因素，借助對(duì)象特征知識(shí)庫(kù)完成對(duì)影像特征的提取。面向?qū)ο蟮牡托в玫靥崛×鞒讨饕ㄓ跋竦姆指?、?duì)象特征參數(shù)的選擇、分類規(guī)則的確定和低效用地信息提取。
（1）影像分割。
影像分割是面向?qū)ο蠓诸愔凶钪匾h(huán)節(jié)，本質(zhì)上是將一幅M×N陣列的數(shù)字圖像劃分為若干個(gè)互不交疊區(qū)域的過程。多尺度分割算法首先應(yīng)該保證能生成高度同質(zhì)性（或異質(zhì)性最?。┑挠跋穹指顓^(qū)域（影像對(duì)象），從而適于最佳分離和表示地物目標(biāo)。多尺度影像分割，從像元開始，在滿足對(duì)象大小調(diào)整給定的閾值大于合并后對(duì)象的異質(zhì)性，包括其光譜和形狀、光滑和緊湊度的異質(zhì)性，在合并后從小的對(duì)象逐步合并成較大對(duì)象，這是一個(gè)局部?jī)?yōu)化的過程，分割尺度與合并像元的多少正相關(guān)，設(shè)定較小的分割尺度，較少的像元被合并。對(duì)晉江市低效用地情況充分了解的基礎(chǔ)上，將ZY3影像的波權(quán)重設(shè)置為1，均質(zhì)因子中的光滑度因子和顏色因子采用累試法進(jìn)行確定。較好的分割尺度所得到的分割后的影像對(duì)象內(nèi)部的異質(zhì)性較小，同時(shí)不同類別對(duì)象間的異質(zhì)性較大。首先選取較大分割尺度進(jìn)行分割，再按照累試法進(jìn)行分割。研究發(fā)現(xiàn)當(dāng)分割尺度小于45時(shí)，矢量數(shù)據(jù)顯示圖斑比較破碎，對(duì)象單元分割較多；分割尺度大于60時(shí)，則圖斑數(shù)減少，密集圖斑合并成較大塊圖斑，分割對(duì)象單元數(shù)量也相應(yīng)減少，因此確定分割尺度從45到60，以5為單位進(jìn)行遞增比較分割效果。
（2）對(duì)象特征參數(shù)選擇。
特定對(duì)象自身具有影像特征、組合特征等，通過對(duì)特定特征的選擇，可以有效地區(qū)分其它地物。面向?qū)ο笥跋穹诸惙椒?，其影像特征包括空間形狀、光譜、紋理等特征，選擇最佳的對(duì)象屬性特征有利于地物提取。本文識(shí)別目標(biāo)低效用地時(shí)，根據(jù)影像特征及所采用的ZY3影像自身特點(diǎn)，最終選取包括形狀屬性的長(zhǎng)寬比，光譜屬性的標(biāo)準(zhǔn)差和亮度值作為對(duì)象特征。
（3）影像分類。
通用的面向?qū)ο蠓诸惙òǎ耗：诸惙?、支持向量機(jī)分類法（SVM）、K近鄰分類法，本文采用SVM方法實(shí)現(xiàn)面向?qū)ο蟮姆诸悺VM方法原理是建立一個(gè)最優(yōu)決策超平面，使得該平面兩側(cè)距離該平面最近的兩類樣本之間的距離最大化，從而對(duì)分類問題提供良好的泛化能力。該方法不需要大量的樣本，結(jié)構(gòu)風(fēng)險(xiǎn)較小，噪聲較小，分類精度較高，是目前應(yīng)用最為廣泛的分類方法之一。
3 結(jié)果與分析
經(jīng)過NDVI和NDWI過去后的影像如圖1所示。由圖1中可以明顯看出，通過設(shè)置NDVI和NDWI的閾值，影像剔除了植被和水體信息，僅剩余建筑用地以及裸地等信息，為下面進(jìn)行面向?qū)ο蠓诸愄峁┝艘罁?jù)。
通過累試法得到圖2中四個(gè)相對(duì)理想的分割尺度，通過比較，確定低效用地的最優(yōu)分割尺度為50。工作區(qū)最終分割標(biāo)準(zhǔn)設(shè)置為：光滑度因子設(shè)置為0.5，影像分割尺度為50，顏色因子設(shè)置為0.6，結(jié)果顯示低效用地范圍清晰，低效用地與其它地物類型區(qū)分明顯，低效用地能被很好的表示，為低效用地分類識(shí)別提供了基礎(chǔ)。
按照上述設(shè)置，得到晉江市低效用地面向?qū)ο蟮姆诸惤Y(jié)果如圖3所示，可以看出，低效用地信息提取結(jié)果與ZY3影像較好地吻合。由此看基于最優(yōu)分割尺度的分割、分類，以及基于最優(yōu)的分割對(duì)象分類屬性特征選擇，與實(shí)際情況最類似，取得了最優(yōu)化的低效用地分類結(jié)果。面向?qū)ο蟮姆椒ǔ浞滞诰蛄薢Y3影像豐富的光譜、形狀、紋理和地物之間的特征，類別間連續(xù)性強(qiáng)，圖斑邊界與影像地物套合效果較好，避免了傳統(tǒng)分類方法中的破碎圖斑，分類結(jié)果更符合實(shí)際，視覺效果良好。
研究區(qū)面積為223km2，其中建設(shè)用地面積為114.19km2。低效用地對(duì)象共1366個(gè)，總面積為30.64km2，占建設(shè)用地面積的26.83%。
通過目視解譯在工作區(qū)內(nèi)均勻、隨機(jī)選取300個(gè)感興趣像元點(diǎn)作為分類檢驗(yàn)樣本，其中對(duì)低效用地類別選擇了120個(gè)像元點(diǎn)，增強(qiáng)了低效用地類別的檢驗(yàn)強(qiáng)度。選好樣本后就可以對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)，生成的誤差矩陣見表1，實(shí)施分類結(jié)果精度評(píng)價(jià)。
通過對(duì)誤差矩陣分析發(fā)現(xiàn)，低效用地類別的生產(chǎn)者精度為93.33%，用戶精度為94.12%；分類的總體精度為95%，Kappa系數(shù)為0.90，分類質(zhì)量極好。此檢驗(yàn)結(jié)果證明了面向?qū)ο蠓椒ㄗR(shí)別低效用地信息的準(zhǔn)確性。
4 結(jié)語
本文先利用NDVI和NDWI兩個(gè)指數(shù)剔除植被和水域信息的干擾，然后再次基礎(chǔ)上利用面向?qū)ο蠓诸惙ㄌ崛x江市低效用地信息。從誤差矩陣精度評(píng)價(jià)結(jié)果可知，識(shí)別結(jié)果與低效用地的實(shí)際情況吻合性好，驗(yàn)證了面向?qū)ο蠓诸愒谶\(yùn)用高分遙感影像開展低效用地信息識(shí)別方面的有效性。
參考文獻(xiàn)
[1] 鄭榮寶，張春慧，陳美招.低效產(chǎn)業(yè)用地目標(biāo)識(shí)別與二次開發(fā)策略研究[J].國(guó)土與自然資源研究，2014（4）：20-24.
[2] 戴昌達(dá)，唐伶俐，陳剛，等.衛(wèi)星遙感監(jiān)測(cè)城市擴(kuò)展與環(huán)境變化的研究[J].環(huán)境遙感，1995，10（1）：1-7.
[3] 楊山.發(fā)達(dá)地區(qū)城鄉(xiāng)聚落形態(tài)的信息提取與分形研究—以無錫市為例[J].地理學(xué)報(bào)，2000，55（6）：671-678.
毛玉龍
摘 要：本文以資源三號(hào)衛(wèi)星遙感影像為數(shù)據(jù)源，利用面向?qū)ο蠓诸惙ㄌ崛x江市低效用地信息，首先利用NDVI和NDWI兩個(gè)指數(shù)剔除植被和水域信息的干擾，然后選取合適的分割尺度、對(duì)象特征參數(shù)以及支持向量機(jī)分類法進(jìn)行面向?qū)ο蠓诸?。結(jié)果表明：分類的總體精度為95%，Kappa系數(shù)為0.90，分類質(zhì)量極好。證明了面向?qū)ο蠓椒ㄗR(shí)別低效用地信息的準(zhǔn)確性。
關(guān)鍵詞：面向?qū)ο蠓诸?低效用地， NDVI NDWI
中圖分類號(hào)：TP79 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2018）01（c）-0168-03
隨著城鎮(zhèn)化的加速發(fā)展，建設(shè)用地總量在大幅度的增加，但是，建設(shè)用地的利用效率卻比較低下，低效和無序利用土地的現(xiàn)象仍然大量存在，社會(huì)經(jīng)濟(jì)發(fā)展對(duì)土地資源的壓力與日俱增[1]。我國(guó)大城市土地集約利用程度相對(duì)較高，中小城市和村鎮(zhèn)還具有一定的“挖潛”空間。因此，面向中小城市和村鎮(zhèn)推進(jìn)土地利用潛力挖掘，提高土地利用集約節(jié)約水平已成為我國(guó)土地保障的優(yōu)先選擇。遙感技術(shù)的快速發(fā)展，為城鎮(zhèn)用地信息的快速提取提供了新的途徑，特別是衛(wèi)星遙感技術(shù)具有覆蓋范圍大、重復(fù)觀測(cè)以及成本低的優(yōu)點(diǎn)，從而得到廣泛的應(yīng)用。目前針對(duì)城市用地信息的提取方法主要包括計(jì)算機(jī)分類（監(jiān)督和非監(jiān)督分類）、人工數(shù)字化以及閾值法等。戴昌達(dá)[2]等基于Landsat TM影像，利用目視解譯和圖像自動(dòng)識(shí)別相結(jié)合的辦法獲得城市的面積研究了城市擴(kuò)展和環(huán)境變化狀況。楊山[3]等仿NDVI提出了歸一化建筑指數(shù)（NDBI， Normalized Difference Built-up Index ），利用TM影像提取了無錫市城鎮(zhèn)用地信息。鄧文勝等結(jié)合歸一化建筑指數(shù)NDBI和Bayes最大似然法算法，通過二值邏輯運(yùn)算成功提取了武漢市城鎮(zhèn)用地信息。
本文以低效用地比較典型的晉江市中心城區(qū)為例，利用資源三號(hào)衛(wèi)星影像影像，基于前人研究成果，通過對(duì)城鎮(zhèn)用地遙感信息的機(jī)理分析，利用歸一化植被指數(shù)NDVI和歸一化水體指數(shù)NDWI，再利用面向?qū)ο蠓诸惙椒▽?duì)研究區(qū)進(jìn)行低效用地信息提取，運(yùn)用誤差矩陣統(tǒng)計(jì)方法進(jìn)行精度評(píng)價(jià)，為其它地區(qū)低效用地的提取提供依據(jù)。
1 研究區(qū)概況及數(shù)據(jù)
1.1 研究區(qū)概況
本文選取福建省晉江市中心城區(qū)為研究區(qū)，該區(qū)位于福建省東南沿海，泉州市東南部地，理位置介于東經(jīng)118°26′39″～118°37′16″，北緯24°44′00″～24°51′00″之間。研究區(qū)面積約231.66km2，涉及羅山街道、西園街道、磁灶鎮(zhèn)、內(nèi)坑鎮(zhèn)等6個(gè)街道和6個(gè)鄉(xiāng)鎮(zhèn)。全境地形比較平緩，主要以平原和丘陵為主地處泉，最高峰海拔518m。晉江屬南亞熱帶濕潤(rùn)氣候區(qū)，年均氣溫20～21℃，年均日照2130h，年均降雨量911～1231mm，農(nóng)業(yè)和工業(yè)比較發(fā)達(dá)，是福建省綜合實(shí)力最強(qiáng)的縣市，也是中國(guó)經(jīng)濟(jì)最發(fā)達(dá)縣市之一。
1.2 數(shù)據(jù)處理
本文采用2015年4月15日時(shí)相的資源三號(hào)（ZY3）衛(wèi)星遙感數(shù)據(jù)。資源三號(hào)衛(wèi)星是我國(guó)第一顆自主研發(fā)的民用高分辨率立體測(cè)繪衛(wèi)星，可為國(guó)土資源、農(nóng)業(yè)、林業(yè)等領(lǐng)域提供服務(wù)。該衛(wèi)星屬于太陽(yáng)同步圓軌道衛(wèi)星，重返周期為5d，載有四臺(tái)相機(jī)。此次研究選取空間分辨率為5.8m的多光譜數(shù)據(jù)和2.1m的全色數(shù)據(jù)。為了有效的進(jìn)行低效用地的解譯，以1：10000地形圖為基礎(chǔ)，先將ZY3衛(wèi)星數(shù)據(jù)的全色波段進(jìn)行正射校正，再利用正射好的全色波段與多光譜數(shù)據(jù)進(jìn)行配準(zhǔn)，然后應(yīng)用增強(qiáng)融合算法對(duì)配準(zhǔn)后的全色和多光譜數(shù)據(jù)進(jìn)行融合，最后進(jìn)行線性拉伸、直方圖調(diào)整等增強(qiáng)處理，生成2m分辨率的ZY3影像。
2 信息提取技術(shù)方法
2.1 植被指數(shù)選取
城鎮(zhèn)的四周一般為農(nóng)田，部分城鎮(zhèn)的周圍有水塘或湖泊，城鎮(zhèn)還有一些人工草地、林地等植被，城鎮(zhèn)的光譜特征與植被、水體等明顯不同，為了減少分類的工作量，提高分類的精度，本文在分類前先將城鎮(zhèn)提取出來。根據(jù)各類地物對(duì)光譜的不同響應(yīng)特征，利用波段的不同線性組合有利于各類地物的提取。
目前，針對(duì)植被所提出的指數(shù)已多達(dá)40多種，植被指數(shù)是對(duì)地表植被狀況的簡(jiǎn)單有效的度量，已廣泛應(yīng)用于植被分類、環(huán)境變化以及全球與區(qū)域土地覆蓋變化檢測(cè)等領(lǐng)域。其中，歸一化植被指數(shù)（NDVI， Normalized Difference Vegetable Index ）是迄今為止應(yīng)用最廣泛的植被指數(shù)之一，是植被生長(zhǎng)狀態(tài)及植被覆蓋度的最佳指示因子。如嚴(yán)曉瑜等探究了3類不同傳感器NDVI對(duì)若爾蓋濕地植被變化響應(yīng)方式的差異性及在該區(qū)植被變化監(jiān)測(cè)研究中的適宜性。王強(qiáng)[6]等人利用GIMMS AVHRR NDVI數(shù)據(jù)探討了三北防護(hù)林工程區(qū)植被覆蓋動(dòng)態(tài)變化。因此，本來亦選取NDVI提取研究區(qū)的植被信息，計(jì)算公式如下。
水域信息目前常用歸一化水體指數(shù)（NDWI， Normalized Difference Water Index）進(jìn)行提取，如李輝霞等人利用NDWI自動(dòng)提取海南島西部沙漠化信息，精度高達(dá)89.7%。張佳華等人為研究作物生長(zhǎng)發(fā)育早期受干旱影響的作物水分光譜特征，分別計(jì)算NDWI和冬小麥生理指標(biāo)和土壤濕度的關(guān)系，結(jié)果表明NDWI和土壤濕度的關(guān)系較好，說明在作物生長(zhǎng)發(fā)育早期，水分指數(shù)更多反映的是土壤水分狀況而不是作物水分。目前對(duì)于NDWI有S. K. McFEETERS和Bo-cai Gao的兩種做法，根據(jù)資源三號(hào)衛(wèi)星的波段信息，最終選取S.K.McFEETERS法，計(jì)算計(jì)算公式如下。
NDVI=（ρNIR-ρR）/（ρNIR=ρR）
NDWI=（ρG-ρNIR）/（ρG+ρNIR）
式中，ρG、ρR、ρNIR分別為綠波段、紅波段和近紅外波段的反射率，取值范圍均在-1與1之間。
通過設(shè)定閾值來提取植被和水域信息，當(dāng)NDVI>0時(shí)為植被信息，當(dāng)>0時(shí)為水域信息。
2.2 面向?qū)ο笮畔⑻崛?/p>
傳統(tǒng)的基于像素的遙感影像處理方法均是在遙感影像光譜信息極其豐富，地物間光譜差異較為明顯的基礎(chǔ)上進(jìn)行的，主要用于低分辨的遙感數(shù)據(jù)和航片。對(duì)于只含有較少波段的高分辨率遙感影像而言，結(jié)構(gòu)和紋理信息更加突出，光譜信息不足，利用傳統(tǒng)的分類方法會(huì)造成分類精度降低，空間數(shù)據(jù)的大量冗余，并且其分類結(jié)果常常是椒鹽圖像，不利于進(jìn)行空間分析。面向?qū)ο蠹夹g(shù)的出現(xiàn)有效地結(jié)果了這一難題，面向?qū)ο蟮挠跋穹治黾夹g(shù)是在空間信息技術(shù)長(zhǎng)期發(fā)展的過程中產(chǎn)生的，在遙感影像分析中具有巨大的潛力，要建立與現(xiàn)實(shí)世界真正相匹配的地表模型，面向?qū)ο蟮姆椒ㄊ悄壳盀橹馆^為理想和應(yīng)用廣泛的方法。如曹寶等基于SPOT5衛(wèi)星影像，提出了基于特征增強(qiáng)技術(shù)的面向?qū)ο蠓诸惙椒ǎ‵ETCOOCA），對(duì)北京市海淀區(qū)進(jìn)行分類，結(jié)果表明FETCOOCA方法明顯優(yōu)于傳統(tǒng)基于像元的分類方法。靳歡歡針對(duì)GeoEye高分辨率遙感影像，對(duì)比了逐像元分類（監(jiān)督分類和非監(jiān)督分類）和面向?qū)ο蠓诸?，結(jié)果表明面向?qū)ο蠓诸惣夹g(shù)在高分辨率影像中的有效性。余曉敏等利用改進(jìn)SEaTH算法的面向?qū)ο蠓诸愄卣鬟x擇方法提高了分類精度。
面向?qū)ο蠓诸惖氖怯跋癜凑障嗨菩栽瓌t，充分的利用影像提供的地物的形狀大小、色調(diào)陰影、空間位置、紋理特征等，分割為在多個(gè)在空間上連續(xù)，具有特定意義的同質(zhì)區(qū)域集合，再根據(jù)地物的特征來定義這些對(duì)象，并歸到相應(yīng)的類別。面向?qū)ο蟮姆椒ú皇且詥蝹€(gè)像素為分析目標(biāo)，而是影像中的分析集合為分析單元充分考慮對(duì)象與周圍環(huán)境之間的聯(lián)系等因素，借助對(duì)象特征知識(shí)庫(kù)完成對(duì)影像特征的提取。面向?qū)ο蟮牡托в玫靥崛×鞒讨饕ㄓ跋竦姆指?、?duì)象特征參數(shù)的選擇、分類規(guī)則的確定和低效用地信息提取。
（1）影像分割。
影像分割是面向?qū)ο蠓诸愔凶钪匾h(huán)節(jié)，本質(zhì)上是將一幅M×N陣列的數(shù)字圖像劃分為若干個(gè)互不交疊區(qū)域的過程。多尺度分割算法首先應(yīng)該保證能生成高度同質(zhì)性（或異質(zhì)性最?。┑挠跋穹指顓^(qū)域（影像對(duì)象），從而適于最佳分離和表示地物目標(biāo)。多尺度影像分割，從像元開始，在滿足對(duì)象大小調(diào)整給定的閾值大于合并后對(duì)象的異質(zhì)性，包括其光譜和形狀、光滑和緊湊度的異質(zhì)性，在合并后從小的對(duì)象逐步合并成較大對(duì)象，這是一個(gè)局部?jī)?yōu)化的過程，分割尺度與合并像元的多少正相關(guān)，設(shè)定較小的分割尺度，較少的像元被合并。對(duì)晉江市低效用地情況充分了解的基礎(chǔ)上，將ZY3影像的波權(quán)重設(shè)置為1，均質(zhì)因子中的光滑度因子和顏色因子采用累試法進(jìn)行確定。較好的分割尺度所得到的分割后的影像對(duì)象內(nèi)部的異質(zhì)性較小，同時(shí)不同類別對(duì)象間的異質(zhì)性較大。首先選取較大分割尺度進(jìn)行分割，再按照累試法進(jìn)行分割。研究發(fā)現(xiàn)當(dāng)分割尺度小于45時(shí)，矢量數(shù)據(jù)顯示圖斑比較破碎，對(duì)象單元分割較多；分割尺度大于60時(shí)，則圖斑數(shù)減少，密集圖斑合并成較大塊圖斑，分割對(duì)象單元數(shù)量也相應(yīng)減少，因此確定分割尺度從45到60，以5為單位進(jìn)行遞增比較分割效果。
（2）對(duì)象特征參數(shù)選擇。
特定對(duì)象自身具有影像特征、組合特征等，通過對(duì)特定特征的選擇，可以有效地區(qū)分其它地物。面向?qū)ο笥跋穹诸惙椒?，其影像特征包括空間形狀、光譜、紋理等特征，選擇最佳的對(duì)象屬性特征有利于地物提取。本文識(shí)別目標(biāo)低效用地時(shí)，根據(jù)影像特征及所采用的ZY3影像自身特點(diǎn)，最終選取包括形狀屬性的長(zhǎng)寬比，光譜屬性的標(biāo)準(zhǔn)差和亮度值作為對(duì)象特征。
（3）影像分類。
通用的面向?qū)ο蠓诸惙òǎ耗：诸惙?、支持向量機(jī)分類法（SVM）、K近鄰分類法，本文采用SVM方法實(shí)現(xiàn)面向?qū)ο蟮姆诸悺VM方法原理是建立一個(gè)最優(yōu)決策超平面，使得該平面兩側(cè)距離該平面最近的兩類樣本之間的距離最大化，從而對(duì)分類問題提供良好的泛化能力。該方法不需要大量的樣本，結(jié)構(gòu)風(fēng)險(xiǎn)較小，噪聲較小，分類精度較高，是目前應(yīng)用最為廣泛的分類方法之一。
3 結(jié)果與分析
經(jīng)過NDVI和NDWI過去后的影像如圖1所示。由圖1中可以明顯看出，通過設(shè)置NDVI和NDWI的閾值，影像剔除了植被和水體信息，僅剩余建筑用地以及裸地等信息，為下面進(jìn)行面向?qū)ο蠓诸愄峁┝艘罁?jù)。
通過累試法得到圖2中四個(gè)相對(duì)理想的分割尺度，通過比較，確定低效用地的最優(yōu)分割尺度為50。工作區(qū)最終分割標(biāo)準(zhǔn)設(shè)置為：光滑度因子設(shè)置為0.5，影像分割尺度為50，顏色因子設(shè)置為0.6，結(jié)果顯示低效用地范圍清晰，低效用地與其它地物類型區(qū)分明顯，低效用地能被很好的表示，為低效用地分類識(shí)別提供了基礎(chǔ)。
按照上述設(shè)置，得到晉江市低效用地面向?qū)ο蟮姆诸惤Y(jié)果如圖3所示，可以看出，低效用地信息提取結(jié)果與ZY3影像較好地吻合。由此看基于最優(yōu)分割尺度的分割、分類，以及基于最優(yōu)的分割對(duì)象分類屬性特征選擇，與實(shí)際情況最類似，取得了最優(yōu)化的低效用地分類結(jié)果。面向?qū)ο蟮姆椒ǔ浞滞诰蛄薢Y3影像豐富的光譜、形狀、紋理和地物之間的特征，類別間連續(xù)性強(qiáng)，圖斑邊界與影像地物套合效果較好，避免了傳統(tǒng)分類方法中的破碎圖斑，分類結(jié)果更符合實(shí)際，視覺效果良好。
研究區(qū)面積為223km2，其中建設(shè)用地面積為114.19km2。低效用地對(duì)象共1366個(gè)，總面積為30.64km2，占建設(shè)用地面積的26.83%。
通過目視解譯在工作區(qū)內(nèi)均勻、隨機(jī)選取300個(gè)感興趣像元點(diǎn)作為分類檢驗(yàn)樣本，其中對(duì)低效用地類別選擇了120個(gè)像元點(diǎn)，增強(qiáng)了低效用地類別的檢驗(yàn)強(qiáng)度。選好樣本后就可以對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)，生成的誤差矩陣見表1，實(shí)施分類結(jié)果精度評(píng)價(jià)。
通過對(duì)誤差矩陣分析發(fā)現(xiàn)，低效用地類別的生產(chǎn)者精度為93.33%，用戶精度為94.12%；分類的總體精度為95%，Kappa系數(shù)為0.90，分類質(zhì)量極好。此檢驗(yàn)結(jié)果證明了面向?qū)ο蠓椒ㄗR(shí)別低效用地信息的準(zhǔn)確性。
4 結(jié)語
本文先利用NDVI和NDWI兩個(gè)指數(shù)剔除植被和水域信息的干擾，然后再次基礎(chǔ)上利用面向?qū)ο蠓诸惙ㄌ崛x江市低效用地信息。從誤差矩陣精度評(píng)價(jià)結(jié)果可知，識(shí)別結(jié)果與低效用地的實(shí)際情況吻合性好，驗(yàn)證了面向?qū)ο蠓诸愒谶\(yùn)用高分遙感影像開展低效用地信息識(shí)別方面的有效性。
參考文獻(xiàn)
[1] 鄭榮寶，張春慧，陳美招.低效產(chǎn)業(yè)用地目標(biāo)識(shí)別與二次開發(fā)策略研究[J].國(guó)土與自然資源研究，2014（4）：20-24.
[2] 戴昌達(dá)，唐伶俐，陳剛，等.衛(wèi)星遙感監(jiān)測(cè)城市擴(kuò)展與環(huán)境變化的研究[J].環(huán)境遙感，1995，10（1）：1-7.
[3] 楊山.發(fā)達(dá)地區(qū)城鄉(xiāng)聚落形態(tài)的信息提取與分形研究—以無錫市為例[J].地理學(xué)報(bào)，2000，55（6）：671-678.
