李思捷 林小鳳

（瓊海市國土資源信息與測繪中心，海南 瓊海 571400）

1 引言

2017 年10 月16 日，根據(jù)《中華人民共和國土地管理法》《土地調(diào)查條例》有關(guān)規(guī)定，國務院決定自2017 年起開展第三次全國土地調(diào)查[1]?！叭{(diào)”是一項重大的國土資源利用現(xiàn)狀調(diào)查，是充分掌握我國自然資源覆蓋情況、利用現(xiàn)狀信息的重要途徑，可為我國自然資源管理與規(guī)劃工作打下堅實的數(shù)據(jù)基礎。目前，“三調(diào)”工作的開展主要依靠傳統(tǒng)的衛(wèi)星普查、人工詳查、實地勘察、內(nèi)業(yè)修改等流程[2]。這類方法雖然可以保證一定的精度，但時效性較低，不能較快獲取地表覆蓋類型的實時信息。

遙感技術(shù)作為一門新興技術(shù)，可在遠距離、非接觸情況下實現(xiàn)大范圍的對地觀測，應用較多的為分類與反演手段。目前，自然資源調(diào)查工作開展了大量遙感應用研究，如地理國情普查中的變更信息調(diào)查，會采用國產(chǎn)高分辨率衛(wèi)星影像進行人機交互識別提取，或采用監(jiān)督分類手段進行全地貌遙感分類，通過對比不同時期的分類成果，提取變更信息，最終交付外業(yè)勘察核實[3]。面向?qū)ο蠓诸惙椒ㄅc傳統(tǒng)的監(jiān)督分類、非監(jiān)督分類方法相比，具有較好的普適性。傳統(tǒng)分類方法是針對像元點位進行像元信息提取并計算，得到分類模型從而進行遙感填圖[4]，易受選取的樣本像元誤導而產(chǎn)生誤差，分類過程中的主觀性操作較大。而面向?qū)ο蠓诸惙椒▌t是對影像先進行多尺度分割，針對不同地物采用不同的分割尺度，從而得到各地類的分割圖斑，每個圖斑都是在分割過程中對臨近像元進行聚類分析，將相似性較高的像元分為一類，相似性較低的像元剔除出去，從而得到一個個相鄰的分割圖斑[5]；在分割圖斑基礎上，套合樣本數(shù)據(jù)，進行屬性信息附加，然后將圖斑作為樣本，送入面向?qū)ο蠓诸愃惴ㄖ羞M行分類模型訓練與填圖，最終得到高精度的分類成果[4]。

綜上所述，本研究選用國產(chǎn)第一顆亞米級衛(wèi)星高分二號（GF2）作為數(shù)據(jù)源，采用面向?qū)ο蠓诸惙椒ㄟM行遙感分類研究，通過對比面向?qū)ο蠓诸惥扰c傳統(tǒng)的監(jiān)督分類精度，分析面向?qū)ο蠓诸惙椒ㄔ诘乇硇畔⑦b感提取的適用性，并與“三調(diào)”成果對比，分析本研究思路在“三調(diào)”工作中的可用性，從而提升“三調(diào)”開展的時效性[6,7]。

2 研究區(qū)及原理介紹

瓊海市是海南省東側(cè)的一個縣級市，地理位置為東經(jīng)110°7′5"～110°40′50"， 北緯18°58′50"～19°28′35"。瓊海市地表類型復雜，西南地區(qū)多為山地丘陵，東北地區(qū)多為人工建筑設施，如居民地、道路等，全市衛(wèi)星影像如圖1 所示。

圖1 瓊海市GF2衛(wèi)星影像

研究采用的數(shù)據(jù)為GF2 影像，GF2 是我國發(fā)射的第一顆亞米級民用衛(wèi)星，其影像有4 個波段，涵蓋藍、綠、紅、近紅外所有可監(jiān)管近紅外波譜范圍。GF2 衛(wèi)星影像幅寬廣、分辨率高，已越來越多地應用到地表覆蓋信息遙感提取的研究中[8]。本文選用過境海南省瓊海市的GF2 影像作為研究數(shù)據(jù)，采用面向?qū)ο蠓诸惙椒ㄟM行試驗。相對于傳統(tǒng)的監(jiān)督分類方法，面向?qū)ο髮⑾裨指畛梢粋€個圖斑對象，以對象形式進行聚類分析，并將對象作為樣本送入分類器，通過層層迭代，獲取最優(yōu)訓練模型，最終得到最優(yōu)的分類成果。

3 結(jié)果分析

3.1 多尺度分割

研究采用國產(chǎn)遙感影像處理軟件對GF2 影像進行多尺度分割，各地類的分割尺度各不相同，如針對植被覆蓋的山區(qū)，分割尺度較小的情況下即可將山地完整分割出來；而針對人工建筑設施較集中區(qū)域，則要通過多次調(diào)整才能分割提取，如道路、廠房等，通過多次調(diào)整與加大分割尺度，才能將廠房從建筑設施中分割出來。圖2 為通過多次調(diào)整分割閾值，得到的全要素分類成果，各類地物被分割成細小的圖斑，且同種地物也存在多種圖斑類型，如圖中的河流水面，造成這種現(xiàn)象的原因是地物類型的特性在影像上存在同物異譜現(xiàn)象，為了避免對后期分類造成誤差，通過調(diào)整分割閾值，將同一地物劃分成多種類型的圖斑。

圖2 多尺度分割示意圖

3.2 面向?qū)ο蠓诸?/h3>

將上述研究得到的分割圖斑，帶入面向?qū)ο蠓诸愃惴ㄖ小ａ槍ν锂愖V的地類圖斑，通過樣本標注，進行屬性附加，劃分同一類地物的二級樣本類型，將所有樣本類型帶入分類器中進行分類模型訓練與遙感識別，最終得到如圖3 所示的分類成果。

圖3 面向?qū)ο筮b感提取示意圖

圖3（a）為采用面向?qū)ο蠓椒ㄟM行的地表全要素分類提取成果，各地物類型均有較好識別，且成果圖斑的純凈度較好、完整度較高。圖中的農(nóng)村居民地、山地、耕地、河流水系的邊界都較完整地識別出。面向?qū)ο蠓诸惓晒?，由同物異譜現(xiàn)象劃分的二級分類樣本體系得到的分類成果，通過相似地類融合操作可較便捷地解決，且融合后的成果在影像上與紋理特征高度吻合。

圖3（b）為傳統(tǒng)的監(jiān)督分類方法進行的地表全要素的遙感分類提取的相對最優(yōu)成果，本研究選用的監(jiān)督分類方法為最大似然法、支持向量機、神經(jīng)網(wǎng)絡法。由圖可知，傳統(tǒng)的監(jiān)督分類成果較亂，且存在較多的錯誤識別現(xiàn)象，如山地植被錯誤識別成耕地、河灘灘涂錯誤識別成硬化地表等。造成該現(xiàn)象的主要原因是GF2 影像的波段范圍較寬，一個波段往往涵蓋幾種地物類型的光譜響應窗口，造成同物異譜、異物同譜等混淆現(xiàn)象。這在監(jiān)督分類算法中會直接導致識別精度降低，分類成果呈復雜交錯、邊界模糊等特征。

圖3（c）為“三調(diào)”初始成果的河流水系邊界，通過對比“三調(diào)”成果可知，面向?qū)ο蠓诸惙椒ǖ姆诸惥扰c識別效果更貼近三調(diào)初始成果，相對于傳統(tǒng)的監(jiān)督分類，面向?qū)ο蠓诸惥扔忻黠@提升。

3.3 精度驗證

研究采用面向?qū)ο蠓诸惙椒ㄟM行“三調(diào)”更新遙感試驗，通過開展面向?qū)ο蠓诸?、監(jiān)督分類試驗，得到不同的分類結(jié)果。為直觀了解各分類成果的適用性，通過預留的20%樣本，對各分類算法的成果進行精度驗證。精度驗證的算法為混淆矩陣算法，最終各分類方法的精度如圖4 所示：整體來說，分類精度最高的為面向?qū)ο蠓椒?，即本研究所采用的方法，精度?9.4%；其次是支持向量機，分類精度為87.8%；分類精度最低的為神經(jīng)網(wǎng)絡法，這是因為監(jiān)督分類在模型訓練時，對混合像元的處理不如面向?qū)ο蠓诸惖?，且對同物異譜、異物同譜情況不能很好地區(qū)分。

圖4 不同分類器識別精度對比

4 結(jié)論與展望

本研究采用首顆亞米級國產(chǎn)高分辨率衛(wèi)星影像GF2，結(jié)合面向?qū)ο蠓诸惙椒ǎ瑖L試進行地表覆蓋類型分類識別，以此達到提升“三調(diào)”地表變化信息更新的時效性目的。通過研究，得到以下結(jié)論：

（1）GF2 衛(wèi)星影像在地表覆蓋信息遙感提取中具有較好的適用性，地表覆蓋紋理清晰，辨識度高。

（2）通過多尺度分割，地表覆蓋類型以圖斑形式完整聚合到了一起，通過調(diào)整分割尺度，完好地解決了同物異譜造成的影響。

（3）采用面向?qū)ο蠓诸惙椒?，完整識別出了地表覆蓋類型、居民地、水系等信息，提取邊界與影像紋理特征高度吻合 ；通過預留樣本進行精度驗證，結(jié)果顯示各地類的識別精度均達到了80%以上，面向?qū)ο蠓诸惙椒ǖ木茸罡摺?/p>

（4）通過對比傳統(tǒng)的監(jiān)督分類成果、“三調(diào)”初始成果，更加體現(xiàn)出面向?qū)ο蠓诸惙椒ㄔ诘乇砀采w類型遙感識別的適用性以及本研究思路在“三調(diào)”工作中的可用性。

研究得到了較理想的成果，但仍存在一定問題：首先，研究選取范圍僅為一個縣級市，研究成果不一定適用于更廣范圍；其次，研究尚缺乏工程化的應用開展，需要在實際項目中運用。