杜佳雪 張紅日 趙士肄

(山東科技大學(xué) 測繪與空間信息學(xué)院, 山東 青島 266590)

0 引言

建設(shè)用地的分布、密度及變化可以進一步研究國民經(jīng)濟發(fā)展動態(tài)等一系列經(jīng)濟問題,并對土地利用格局有重要的影響[1]。利用遙感影像可進行地物提取及分類并研究其變化特征[2-3]。高分辨率遙感影像已經(jīng)成為對地觀測的主要數(shù)據(jù)來源[4],面向?qū)ο蠓治鲆呀?jīng)成為高分辨率影像分類的基本思路。面向?qū)ο蠓诸惙椒ú粌H充分利用多種知識提取規(guī)則作為高復(fù)雜性和差異性高分辨率影像分類的依據(jù),而且把分割和分類進行一定程度的相互融合,從而實現(xiàn)對遙感影像準確快速分類,提高了影像分類的精度和速度[5]。

國內(nèi)外研究學(xué)者針對遙感影像進行建設(shè)用地提取的方法研究較多。梁書維等[6]采用直接提取法和間接提取法對高分二號東北村莊數(shù)據(jù)進行建設(shè)用地精確提取。Zhang等[7]引入道路密度作為結(jié)構(gòu)信息,結(jié)合光譜信息,提高建筑信息精確度。居民地是建設(shè)用地中變化最大、變換范圍最廣提取方法較多的類別。李金香等[8]運用灰度共生矩陣、二值化、數(shù)學(xué)形態(tài)學(xué)等方法對新疆新源地區(qū)高分一號數(shù)據(jù)進行迭代運算,提取居民地信息,提取正確率高。曹可等[9]基于高空間分辨率衛(wèi)星遙感影像,利用面向?qū)ο蠓椒ǖ男畔⒓夹g(shù)將營口市南部海岸鹽田進行詳細劃分。但眾多研究都未對建設(shè)用地進一步詳細分類,提取地類較少。

遙感技術(shù)應(yīng)用于建設(shè)用地遙感分類信息提取已取得很好的效果,但往往處于一級分類[10]。針對這一現(xiàn)象,本研究對研究區(qū)的高分二號遙感影像數(shù)據(jù)進行預(yù)處理,應(yīng)用多尺度分割的面向?qū)ο蠓诸惙椒爸笖?shù)分類[11]方法進行建筑物二級類的提取,為進一步實現(xiàn)建設(shè)用地二級類自動提取提供規(guī)則依據(jù)。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)來源

高分二號數(shù)據(jù)是我國自主研制的首顆空間分辨率優(yōu)于1 m的民用光學(xué)遙感,且是我國目前分辨率最高的陸地觀測衛(wèi)星[12]。文章采用青島市分辨率為3.9 m(120°30′～120°48′E,36°35′～36°45′ N)的國產(chǎn)高分二號多光譜數(shù)據(jù),包含萊西市東南角、萊陽市西南角及即墨區(qū)北部,拍攝于2019年6月17日,含藍、綠、紅和近紅外4個波段。

1.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理包括對圖進行正射校正、輻射定標、大氣校正模塊(Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes, FLAASH)校正及去薄云處理。輻射定標消除傳感器本身、大氣、太陽高度角等帶來的誤差,得到真實的輻射值[13]。大氣校正可以準確消除大氣帶來的影像,將輻射亮度轉(zhuǎn)換為地表實際反射率。校正時需要添加高分二號傳感器的波譜響應(yīng)函數(shù),波譜響應(yīng)函數(shù)從“中國資源衛(wèi)星應(yīng)用中心”下載,利用ENVI軟件制作sli.格式的波譜響應(yīng)函數(shù),圖1為提取流程。

圖1 提取建設(shè)用地流程圖

1.3 圖像去云

云層去除有利于遙感影像的精確解譯,提高影像利用率。遙感影像去云采用優(yōu)化云變化(Haze Optimized Transform,HOT)算法[14],包括云層厚度檢測、云層厚度完善、云層去除三部分,主要利用可見光譜1、2和3波段提取云層厚度,采用云點對圖像進行分層除云處理,處理效果如圖2所示?？梢钥闯龃蠓秶谋≡票蝗コ?薄云之下的地物清晰可見,方便進行下一步的圖像分類。

圖2 影像去云前后部分顯示圖

1.4 面向?qū)ο蠓诸?/h3>

多尺度分割算法充分利用影像光譜特性和形狀特征,計算每個波段的異質(zhì)性特征值。實質(zhì)是將一幅M×N陣列的數(shù)字圖像劃分為若干個互不交疊區(qū)域的過程。關(guān)鍵在于確定分割尺度、緊致度因子及形狀因子使之生成高度同質(zhì)性的影像分割區(qū)域。

1.5 指數(shù)分類

本文用到的指數(shù)包括可以突顯影像中的水體信息的歸一化水體指數(shù)(Normalized Difference Water Index,NDWI),描述對象緊致程度的密度(Density),表示對象邊界的光滑性的形狀指數(shù)(Shape Index),表示局部灰度均勻性的灰度共生矩陣同質(zhì)性屬性(Homogeneity),也叫逆差距,表示一個影像對象的光譜平均值的亮度值(Brightness)、描述圖像對象與大小和比例的矩形擬合(Rectangular fit)。此外還有均值(mean)、對類型的距離(Distance to class)等指數(shù)。

2 建設(shè)用地實驗提取

2.1 建設(shè)用地分類

該研究區(qū)為郊區(qū),影像數(shù)據(jù)建設(shè)用地較為分散。工業(yè)用地即鹽田,以經(jīng)營鹽業(yè)為目的,包括鹽場及附屬用地,通常臨海有一定的水體特征;該地區(qū)建有多數(shù)的倉儲用地,倉庫多為白色、藍色的房頂,集中在城鎮(zhèn)地區(qū);交通運輸用地為公路,形狀特征明顯;居民點包括農(nóng)村聚集地、鄉(xiāng)鎮(zhèn)住房,村與村較為分散,且在影像上不易于與休耕地區(qū)分;公共管理與服務(wù)用地相對較少,有學(xué)校及停車場等。因此,根據(jù)《全國土地分類體系》將該研究區(qū)的建設(shè)用地分為居民點、工業(yè)用地、倉儲用地、公共管理與服務(wù)用地以及交通運輸用地。

2.2 圖像多尺度分割

尋找多光譜影像合適的分割尺度[15],確定形狀因子和顏色相似度的權(quán)重尤為重要。本文通過尺度評價工具ESP2(Estimation of Scale Parameter2)尋找最優(yōu)分割尺度,即通過不同分割尺度計算同質(zhì)性局部方差(Local Variance,LV),根據(jù)LV變化趨勢計算變化率(Rates of change,ROC),ROC在下降過程中出現(xiàn)的極大值點為最優(yōu)分割尺度,評估結(jié)果如圖3所示,分割尺度在120、150、210、240、270、300處為最優(yōu)尺度。

圖3 ESP2算法最優(yōu)分割尺度評估結(jié)果

2.3 建設(shè)用地提取

該研究區(qū)居民地光譜特征及形狀特征與休耕地相似,導(dǎo)致與休耕地難以區(qū)分,且拓撲特征無特定規(guī)則,很難準確地提取出建設(shè)用地[16],利用遙感影像提取城市建設(shè)用地最常用的方法是監(jiān)督分類;倉儲用地在影像上呈亮白色,形狀為矩形狀,利用這些特征提取廠房,用Distance to class規(guī)則提取廠房周圍空地,需要注意廠房提取后對其進行修改,避免廠房空地大面積錯誤;鹽田工業(yè)不同階段鹽分含量不同,含水量不同,但分布集中,因此根據(jù)水體指數(shù)和拓撲關(guān)系提取;本研究區(qū)交通運輸用地為道路用地,在影像上一般表現(xiàn)為線狀或狹長地物,選擇合適的密度閾值可以精確提取道路;此研究區(qū)屬于郊區(qū),公共管理與服務(wù)用地較少,包括停車場及學(xué)校,結(jié)合地標的準確特征及距離地標一定范圍的方法提取。利用上述特征進行建設(shè)用地規(guī)則提取實驗參數(shù)如表1所示。

3 精度評價與分析

3.1 精度評價

分類結(jié)果精度評價是檢驗分類是否可信的必要,采用基于像素的混淆矩陣精度評價方式,將各類地物目視解譯結(jié)果作為參照與本文分類結(jié)果對照,在eCognition 9.0進行精度評價,包含混淆矩陣、各類別的用戶精度、生產(chǎn)者精度和總體精度。評價結(jié)果如表2所示,可以看出本文的提取規(guī)則能將建設(shè)用地進一步分為二級類,生產(chǎn)者精度均達到90%以上,提取效果較為理想,如圖4所示。

圖4 建設(shè)用地提取結(jié)果示意圖

居民住宅建設(shè)集中成簇擁狀態(tài)的村落,村落分布分散,在遙感影像上有明顯邊界,邊界對比度可以將紋理復(fù)雜的居民點與其周圍平滑地面分離開,但是漏提現(xiàn)象較為嚴重,或存在一定干擾因素,如耕地的誤提。因此選用紋理信息同質(zhì)性屬性可以很好提取居民點,再剔除部分干擾因素,此方法適用于高分二號數(shù)據(jù)其他地區(qū)的居民點提取,有較強普適性。

交通運輸用地多為公路、鐵路等線性建筑,利用緊致度這一形狀特征可以很好提取線性地物。根據(jù)鹽田特性,利用水體指數(shù)可以提取鹽量較低的鹽田,再利用拓撲關(guān)系提取鹽分含量多的曬鹽池。本研究區(qū)內(nèi)的工礦倉儲用地多為廠房,公共服務(wù)與公共管理用地種類繁雜,共同特點是不易尋找,針對此類型地物的提取,先提取最突出的部位,再將周圍部分歸結(jié)為此類。

3.2 不同方法精度比較

本文基于面向?qū)ο蠓椒ㄌ崛〉匚?與傳統(tǒng)基于像素(支持向量機)分類方法相比,消除了“椒鹽”現(xiàn)象,且能提取所需要的地物,避免冗余信息;本文基于規(guī)則方法提取與基于面向?qū)ο蟮谋O(jiān)督分類方法相比,不僅利用了分割對象的光譜信息,還充分利用對象的紋理信息、形狀信息及對象間拓撲關(guān)系,全方位進行單個地物的提取,提高準確率,更有利于地物提取方面的進一步研究，表3為比較結(jié)果。

表3 各類方法精度評價結(jié)果比較

4 結(jié)束語

研究區(qū)是山東半島正在建設(shè)的半島城市群、半島加工制造業(yè)基地中心,對研究區(qū)建設(shè)用地進行實時監(jiān)測有利于掌握城市發(fā)展動態(tài)。本研究基于高分二號遙感影像,采用規(guī)則提取的面向?qū)ο竽：诸惙椒?在建設(shè)用地一級分類的基礎(chǔ)上對研究區(qū)二級建設(shè)用地進行提取。區(qū)別于傳統(tǒng)以像素為基本單元的方法,以影像對象為基本單元,消除“椒鹽”現(xiàn)象。能充分利用數(shù)據(jù)的光譜信息、紋理信息、形狀信息及拓撲關(guān)系,提高提取精度?？傮w分類精度達96.9%,kappa系數(shù)0.94,提取效果較好。研究區(qū)涉及青島市三個區(qū)的范圍,范圍較大,因此本方法適用較大范圍區(qū)域的地物提取。為了提高結(jié)果準確性,本方法還結(jié)合了人為干預(yù)目視解譯,一定程度上降低效率,因此還需進一步研究精度和效率兼得的全自動提取方法。