摘要：隨著遙感技術(shù)的快速發(fā)展，越來越多高分辨率遙感影像的出現(xiàn)，為快速準(zhǔn)確獲取地面信息創(chuàng)造了有利條件。面向?qū)ο蟮姆诸惙椒ㄔ谶M(jìn)行地物信息提取時(shí)，考慮到了更多的分類特征，且能與地學(xué)知識(shí)以及其他專題特征相結(jié)合，使分類過程與人類的認(rèn)知過程更加接近，已成為土地利用信息提取研究的主流方向之一。本研究以高分二號(hào)影像為基礎(chǔ)，探索多尺度分割最優(yōu)參數(shù)的選取方法，構(gòu)建了影像分類特征空間并對(duì)其進(jìn)行優(yōu)化?；诙鄬哟畏诸愺w系提取土地利用信息，并進(jìn)行精度評(píng)價(jià)。通過空間大數(shù)據(jù)對(duì)建設(shè)用地信息進(jìn)行細(xì)分，并對(duì)其空間分布特征進(jìn)行分析。

關(guān)鍵詞：高分衛(wèi)星土地利用POI數(shù)據(jù)影像分割

ResearchonLandUseClassificationinaCertainAreainHunanProvinceBasedonHigh-ResolutionSatelliteImages

YUCheng1ZHANGXian2

1.TheThirdSurveyingandMappingInstituteofHunanProvince;2.TheSecondSurveyingandMappingInstituteofHunanProvince，Changsha，HunanProvince，410081China

Abstract：Withtherapiddevelopmentofremotesensingtechnology，theemergencyofmoreandmorehigh-resolutionremotesensingimagescreatesfavorableconditionsforquicklyandaccuratelyobtaininggroundinformation.Theobject-orientedclassificationmethodtakesintoaccountmoreclassificationfeatureswhenextractingground-objectinformation，andcanbecombinedwithgeoscienceknowledgeandotherthematicfeatures，sothattheclassificationprocessisclosertothecognitiveprocessofhumanbeings，whichhasbecomeoneofthemainstreamdirectionsofresearchonlanduseinformationextraction.Thisstudyisbasedonhigh-resolutionNo.2images，explorestheselectionmethodofoptimalparametersformulti-scalesegmentation，constructsimageclassificationfeaturespaceandoptimizesit.Itextractslanduseinformationbasedonamulti-levelclassificationsystemandconductsaccuracyevaluation.Itsubdividesconstructionlandinformationthroughspatialbigdataandanalyzesitsspatialdistributioncharacteristics.

KeyWords：High-resolutionsatellite;Landuse;POIdata;Imagesegmentation

土地是非常寶貴的稀缺性資源，也是人類從事社會(huì)活動(dòng)的基礎(chǔ)。然而，伴隨我國城市化的腳步的加快，建設(shè)用地的無序擴(kuò)建，侵占了農(nóng)田、林地、水域等資源，給自然環(huán)境帶來的不良影響，對(duì)城市規(guī)劃與發(fā)展帶來了極大的挑戰(zhàn)[1]。城市建設(shè)用地類型信息能夠更加全面、直觀地展示城市內(nèi)部空間結(jié)構(gòu)，對(duì)解決城市發(fā)展問題具有重要意義。本文采用面向?qū)ο蠓诸惣夹g(shù)，通過2022年的高分二號(hào)遙感影像對(duì)研究區(qū)土地利用信息進(jìn)行提取，在此基礎(chǔ)上利用POI數(shù)據(jù)對(duì)建設(shè)用地進(jìn)行專項(xiàng)細(xì)分，為城市土地利用結(jié)構(gòu)的升級(jí)優(yōu)化、城市發(fā)展規(guī)劃提供基礎(chǔ)性數(shù)據(jù)和決策支持。

最后，以面向?qū)ο蟮臎Q策樹分類（CART決策樹）、隨機(jī)森林分類方法提取研究區(qū)土地利用信息，并對(duì)采用不同方法、不同空間分辨率影像獲取的土地利用分類結(jié)果進(jìn)行精度評(píng)價(jià)。

1數(shù)據(jù)源

研究區(qū)位于湖南省中南部，屬于中亞熱帶濕潤季風(fēng)氣候區(qū)，氣候溫和、雨熱同期、四季分明。年均溫16.1°，累年平均無霜期279d。年均降水量828.3mm，降水夏季多、冬季少，秋季降水略多于春季[2]。本研究使用2022年覆蓋該區(qū)域的高分二號(hào)（GF-2）高分辨率遙感影像作為數(shù)據(jù)源。另外，本研究通過高德地圖API獲取2022年研究區(qū)范圍內(nèi)的興趣點(diǎn)（PointofInterest，POI）數(shù)據(jù)，共計(jì)26846條數(shù)據(jù)。

2基于高分影像的土地利用信息提取

從土地利用分類體系的構(gòu)建出發(fā)，通過最大面積法、基于ESP最優(yōu)尺度評(píng)價(jià)法選取最優(yōu)分割尺度，并以控制變量法為基礎(chǔ)選取不同分割尺度下的均質(zhì)性因子。針對(duì)研究區(qū)內(nèi)的不同土地利用類型，分析其光譜特征、紋理特征、幾何特征、指數(shù)特征差異，構(gòu)建影像分類特征空間并對(duì)其進(jìn)行優(yōu)化。

2.1基于多層次結(jié)構(gòu)的土地利用分類結(jié)果

以eCognition軟件為基礎(chǔ)，在通過影像分割實(shí)驗(yàn)形成多層次結(jié)構(gòu)上，以各層次最優(yōu)分割參數(shù)為基礎(chǔ)，在每層利用相對(duì)應(yīng)的特征參數(shù)訓(xùn)練分類器并應(yīng)用，從而對(duì)地物信息進(jìn)行提取[3]。

在通過分割參數(shù)[179，0.5，0.6]獲取的Level1層上，訓(xùn)練分類器并應(yīng)用，以此提取水域；在Level1層的非水域部分基礎(chǔ)上，以[133，0.4，0.5]的參數(shù)分割得到Level2層，訓(xùn)練分類器并應(yīng)用，提取耕地、林地和裸地；將Level2層的非耕地、林地和裸地部分，以[65，0.5，0.5]的參數(shù)分割獲取Level3層，訓(xùn)練分類器并應(yīng)用，提取建設(shè)用地、交通用地、設(shè)施農(nóng)用地和陰影。

2.2陰影對(duì)象再分類

研究區(qū)內(nèi)高層建筑與樹木受傳感器姿態(tài)及光照因素影響，會(huì)產(chǎn)生陰影斑塊，對(duì)土地利用分類產(chǎn)生一定影響[4]?？紤]到后續(xù)精度評(píng)價(jià)時(shí)所選取的精度驗(yàn)證點(diǎn)來源于Google高分辨率影像，所以預(yù)先對(duì)陰影對(duì)象進(jìn)行處理。陰影對(duì)象處理過程為：首先，通過對(duì)陰影遮擋下地物的光譜特征差異進(jìn)行分析；其次，以[30，0.5，0.5]參數(shù)對(duì)陰影對(duì)象進(jìn)行分割，并采用隨機(jī)森林分類器對(duì)陰影對(duì)象進(jìn)行再分類處理；最俱后，將不同類別的陰影對(duì)象與陰影遮擋下的真實(shí)地物劃分為一類，如將陰影遮擋下的建筑與非陰影區(qū)的建設(shè)用地合并為一類。

2.3影像分類精度評(píng)價(jià)與分析

精度評(píng)價(jià)是影像分類后最為重要的環(huán)節(jié)，為了更加客觀地評(píng)價(jià)影像分類效果，本研究采用基于樣本的混淆矩陣方法，對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)?；贕oogle影像，通過隨機(jī)采樣法選取1720個(gè)樣本點(diǎn)，其中包括565個(gè)建設(shè)用地樣本點(diǎn)，73個(gè)裸地樣本點(diǎn)，17個(gè)設(shè)施農(nóng)用地樣本點(diǎn)，221個(gè)耕地樣本點(diǎn)，170個(gè)交通用地樣本點(diǎn)，642個(gè)林地樣本點(diǎn)，以及32個(gè)水域樣本點(diǎn)，保證每0.25km2至少有一個(gè)精度驗(yàn)證點(diǎn)的分布。

通過對(duì)土地利用分類的精度評(píng)價(jià)結(jié)果分析可知，CART決策樹與隨機(jī)森林兩種算法的分類精度有一定差異。從GF-2影像來看，基于CART決策樹分類的總體精度為84.20%，Kappa系數(shù)為0.7803；基于隨機(jī)森林分類的總體精度為85.93%，Kappa系數(shù)為0.8043。基于CART決策算法的分類結(jié)果中，水域、設(shè)施農(nóng)用地的分類精度較高；而交通用地的分類精度最低，Kappa系數(shù)為0.7456?；陔S機(jī)森林算法的分類結(jié)果中，設(shè)施農(nóng)用地、裸地和水域的分類精度較高；而交通用地的分類精度最低，Kappa系數(shù)為0.7633。

2.4土地利用信息提取結(jié)果修正

本研究選取精度最高的GF-2影像分類結(jié)果，在此基礎(chǔ)上結(jié)合的Google高分辨率影像，針對(duì)分類結(jié)果中土地利用類型的錯(cuò)分、漏分等問題，利用目視解譯方法對(duì)其進(jìn)行修正，便于后續(xù)的分析應(yīng)用和研究。

修正后土地利用分類結(jié)果的精度明顯提高，總體精度達(dá)95.16%，Kappa系數(shù)也提高至0.9320。其中，交通用地的精度提升較大，建設(shè)用地的分類精度也較高，為后續(xù)基于POI數(shù)據(jù)的建設(shè)用地細(xì)分研究奠定基礎(chǔ)。

3基于POI數(shù)據(jù)的建設(shè)用地專項(xiàng)細(xì)分

本研究在地塊單元?jiǎng)澐值幕A(chǔ)上，利用Place2Vec模型構(gòu)建POI數(shù)據(jù)訓(xùn)練集，獲取各地塊單元的特征向量，并確定其用地類型[5]。

為了更加客觀地評(píng)價(jià)建設(shè)用地專項(xiàng)信息提取的精度，本研究以“天地圖”國家地理信息公共服務(wù)平臺(tái)以及Google影像為輔助，在高德電子地圖上選取316個(gè)樣本點(diǎn)，其中包括102個(gè)住宅用地樣本點(diǎn)，38個(gè)商服用地樣本點(diǎn)，81個(gè)工礦倉儲(chǔ)用地樣本點(diǎn)，9個(gè)特殊用地樣本點(diǎn)，8個(gè)交通服務(wù)場(chǎng)站用地樣本點(diǎn)，15個(gè)機(jī)關(guān)團(tuán)體用地樣本點(diǎn)，44個(gè)教育科研用地樣本點(diǎn)，5個(gè)體育用地樣本點(diǎn)，14個(gè)醫(yī)療衛(wèi)生用地樣本點(diǎn)。采用基于樣本的混淆矩陣方法進(jìn)行分類精度評(píng)價(jià)。最終得到的精度評(píng)價(jià)結(jié)果如表1所示。

由表1可知工礦倉儲(chǔ)用地與住宅用地信息的提取精度最高，Kappa系數(shù)分別為0.9830、0.9274。是因?yàn)樽≌玫刂?，城市?nèi)部的住宅小區(qū)地塊獨(dú)立性較高，總體占地面積也相對(duì)較大，提取精度較高。同樣地，工礦倉儲(chǔ)用地的建筑面積較大，地塊獨(dú)立性也較高，且分布較為集中，不易被錯(cuò)分和漏分。交通服務(wù)場(chǎng)站用地和體育用地的提取精度較低，Kappa系數(shù)分別為0.8123、0.7968。這是由于城市中的地鐵站、停車場(chǎng)的占地面積較小，地塊獨(dú)立性較低且與其相關(guān)POI點(diǎn)數(shù)量較少，提取精度較低。而體育用地在城市中的分布較為分散，除大型體育場(chǎng)館外，其他占地面積較小的體育用地，易被錯(cuò)分和漏分。此外，商服用地、機(jī)關(guān)團(tuán)體用地和教育科研用地的制圖精度明顯小于用戶精度。經(jīng)過分析得知，在老城區(qū)中各類建筑用地的空間結(jié)構(gòu)較為復(fù)雜，其內(nèi)部主要以老式的住宅小區(qū)為主，而商服用地、機(jī)關(guān)團(tuán)體用地和教育科研用地的地塊獨(dú)立性較低，易與其他類型的建筑用地混淆，在提取過程中易被漏分。最終總體精度為91.82%；總Kappa系數(shù)為0.8980。

4土地利用現(xiàn)狀制圖

本研究在基于高分辨率遙感影像的土地利用分類結(jié)果以及基于POI數(shù)據(jù)的建筑用地專項(xiàng)細(xì)分結(jié)果的基礎(chǔ)上，以《第三次全國國土調(diào)查技術(shù)規(guī)程》（TD/T1055-2019）標(biāo)準(zhǔn)為參照[6]，對(duì)2022年土地利用現(xiàn)狀進(jìn)行制圖輸出，如圖1所示。通過對(duì)該區(qū)域2022年土地利用現(xiàn)狀與面積統(tǒng)計(jì)的分析可知，與建設(shè)用地相比，非建設(shè)用地在該區(qū)域土地利用中所占比重更大，占研究區(qū)土地總面積的64.24%。其中，林地分布范圍最廣、占地面積最大，占土地總面積的38.93%。耕地與交通用地在非建設(shè)用地中的面積占比也相對(duì)較大，分別占土地總面積的10.43%、8.47%。建設(shè)用地中工礦倉儲(chǔ)用地和住宅用地的占地面積較大，分別占該區(qū)域主城區(qū)土地總面積的14.93%、13.98%。此外商服用地與教育科研用地面積占比也相對(duì)較大，分別占土地總面積的2.98%、1.75%。此外，在建設(shè)過程中，且還未明確具體用地類型的建設(shè)用地占土地總面積的1.19%。

5結(jié)語

本文以某主城區(qū)為例，將高分二號(hào)高分辨率遙感影像作為數(shù)據(jù)源，結(jié)合最大面積法、ESP最優(yōu)尺度評(píng)價(jià)法選取影像最優(yōu)分割尺度，并以控制變量法為基礎(chǔ)選取不同分割尺度下的均質(zhì)性因子。針對(duì)研究區(qū)內(nèi)的不同土地利用類型，分析其光譜特征、紋理特征、指數(shù)特征差異，構(gòu)建影像分類特征空間并通過SPM模型對(duì)其進(jìn)行優(yōu)化。在此基礎(chǔ)上，以面向?qū)ο蟮臎Q策樹分類、隨機(jī)森林分類方法提取研究區(qū)土地利用信息，并對(duì)采用不同分類方法和不同空間分辨率影像下的土地利用分類結(jié)果進(jìn)行精度評(píng)價(jià)。針對(duì)土地利用分類結(jié)果中的建設(shè)用地，結(jié)合POI數(shù)據(jù)和遙感影像將其細(xì)分為商服用地、交通服務(wù)場(chǎng)站用地、住宅用地、特殊用地、工礦倉儲(chǔ)用地、公共管理與公共服務(wù)用地，以便對(duì)地利用空間結(jié)構(gòu)與功能分區(qū)進(jìn)行研究。

參考文獻(xiàn)

[1]顏萍.基于遙感數(shù)據(jù)的成都市土地利用類別與熱島效應(yīng)關(guān)聯(lián)性研究[D].成都：西南交通大學(xué)，2022.

[2]吳郁文，林杰.融合遙感與社會(huì)感知數(shù)據(jù)的城市土地利用分類方法[J].浙江大學(xué)學(xué)報(bào)（理學(xué)版），2023，50（1）：83-95，107.

[3]劉粉粉.基于深度學(xué)習(xí)的高分辨率遙感圖像土地利用分類研究[D].邯鄲：河北工程大學(xué)，2022.

[4]趙元銘，孫永華，李小娟，等.面向城市土地利用的高分辨率遙感特征分析[J].測(cè)繪科學(xué)，2022，47（3）：110-115，121.

[5]閆海霞.基于遙感影像的孝感市土地利用變化特征及生態(tài)效應(yīng)研究[D].武漢：華中師范大學(xué)，2023.

[6]周珂，楊永清，張儼娜，等.光學(xué)遙感影像土地利用分類方法綜述[J].科學(xué)技術(shù)與工程，2021，21（32）：13603-13613.