基于卫星遥感影像的土地分类实验方法研究

彭天凡, 范昕桐, 任瑞治, 顾玲嘉

(吉林大学 电子科学与工程学院, 长春 130012)

0 引 言

目前, 国内已经有140多所高校开设遥感相关课程, 面向本科生和研究生传授遥感原理和遥感应用等方面的知识。吉林大学大学生创新训练计划的目的是培养本科生科研创新能力，为此笔者设计了基于高分辨率卫星遥感影像的校园土地分类实验项目[1-2]。基于遥感影像获取城市地物信息的研究工作在国外开展较早, 主要采用卫星遥感影像目视解译与地面验证相结合的方法。为了能更加高效地利用这些卫星数据, 国内外学者提出了很多用于城市地物信息获取的模型与算法, 如监督分类、非监督分类、支持向量机、神经网络与专家决策系统等[3-5]。经过国内外学者数十年的研究, 面向对象和多特征相结合的地物分类方法得到了广泛的使用[6]。主要原因在于, 虽然图像分辨率的提升带来了更细致的地物信息, 但仅根据像素信息和单一特征的分类方法无法准确进行地物提取。所以目前针对特定区域的分析, 主要采用多尺度多特征相结合的提取方法。大学校园是城市的缩影, 包含了教学楼、宿舍楼、食堂、运动场、道路和人工湖等多种类型的地物[7], 对校园土地分类的研究方法也适用于城市土地分类。笔者对吉林大学中心校区的高分二号(GF-2)卫星影像数据进行了分析, 研究了基于卫星数据的校园土地分类方法, 将校园的建筑物、植被、水体、平地、操场等地物进行了分类提取, 将提取结果与真实值进行对比, 进而提高算法精度, 最终的分类结果可以为校园规划提供有效的参考信息。

1 实验区域及图像预处理

在充分调研国内外高分辨率遥感影像数据的基础上, 笔者选择国产高分二号(GF-2)卫星提供的高分辨率遥感影像作为数据源, GF-2卫星基本信息如表1所示[8]。GF-2卫星是我国自主研发的空间分辨率达亚米级的民用光学遥感卫星, 于2014年8月19日成功发射, 它具备1米分辨率全色和4米分辨率多光谱光学成像能力, 是我国目前地面像元分辨率最高的光学对地观测卫星之一。GF-2卫星的发射成功, 使我国可以自主获取海量的高分辨率卫星影像数据, 也意味着我国利用遥感数据快速获取城市典型地物信息成为可能。然而, 在获取海量的高分影像后, 如何提升地物的分类精度成为了一个亟待解决的难题。

表1 高分二号卫星参数

图1 图像预处理流程图

图2 高分二号影像下的吉林大学中心校区

笔者以2015年9月20日GF-2卫星拍摄的吉林大学中心校区为实验数据, 此时正值夏秋交季, 天空云量较少, 有利于地表信息的采集和识别。影像预处理主要包括以下操作：辐射定标、正射校正、图像融合、大气校正和图像裁剪。图1为图像预处理流程图。辐射定标是将卫星数字量化值转化为具有实际物理意义的值, 经过转化后卫星传感器所记录的信息才能提供地物的表面反射率信息；为了消除卫星成像过程中的地形等因素的干扰, 首先分别利用全色数据和多光谱数据的RPC信息, 进行正射校正, 正射校正是一种更加精确的几何畸变校正, 主要用于消除在遥感成像过程中影像的几何畸变, 进而获得多中心投影的影像；正射校正后的影像进行图像融合处理, 影像融合可以综合来自不同传感器的影像信息, 如将全色影像和多光谱影像进行融合, 得到一副空间分辨率较高、更加适合于人工操作和计算机处理的多光谱影像；然后对融合后的影像进行大气校正处理, 消除大气干扰以恢复地物的真实地表反射率；图像裁剪是指对处理后的影像进行裁剪, 选择其中一部分感兴趣区域作为研究区域, 笔者选择吉林大学中心校区作为实验数据。如图2所示为基于ENVI遥感影像处理软件预处理后的实验数据，获取图像共4个波段(近红外波段、红波段、绿波段和蓝波段)，空间分辨率为1 m。

2 实验方法

首先, 利用不同算法分别提取影像中的建筑物、植被、水体、平地和操场等地物, 进而得到基于高分辨率遥感影像的校园土地分类图; 然后对分类图中各种地物信息进行统计分析, 如校园建筑物占地面积、校园植被覆盖率和待开发土地面积等, 将统计结果与真实地物参数进行对比, 从算法的时间复杂度、地物提取精度以及算法鲁棒性等量化指标进行算法评估, 从而改善本研究的分类精度与可靠性；最后, 基于各种统计结果, 为校园规划管理等方面提供建设性意见。笔者使用3种光谱指数以及支持向量机(SVM: Support Vector Machine)对校园地物进行分类, 3种光谱指数分别为：归一化水指数(NDWI：Normalized Difference Water Index)[10]、归一化植被覆盖指数(NDVI：Normalized Difference Vegetation Index)[11]和比值建筑指数(RBI：Ratio Build-up Index)[12]。使用NDWI对校园内的两个湖泊水体进行提取；使用NDVI对校园内的绿色植被及裸地进行提取；使用RBI对校园内的教学楼和宿舍楼等建筑物进行提取；对于校园的多个室外运动场, 笔者使用支持向量机(SVM)进行提取。图3为分类总体流程图。

图3 分类流程图

2.1 归一化水指数

归一化水指数(NDWI)是一种基于绿波段与近红外波段的归一化比值指数。NDWI一般用于提取影像中的水体信息, 效果较好。从可见光到近红外波段水体的反射强度逐渐减弱, 水体在近红外波段和短波红外波段范围内吸收强度最大, 几乎没有反射。但是植被在近红外波段的反射率很强, 采用绿光波段与近红外波段的比值可以抑制植被信息。所以用可见光波段和近红外波段之间的运算构成NDWI, 则有突出影像中的水体

(1)

其中PN和PR分别为绿波段和近红外波段处的反射率值。

2.2 归一化植被覆盖指数

归一化植被覆盖指数(NDVI)也称生物量指标变化, 可使植被从水和土中分离, 但其对高植被密度区敏感性低, 有待改进。绿色植物在红光波段(0.6～0.7 μm)具有较高的吸收率, 在近红外波段(0.7～1.1 μm)具有高反射率和高透射率。NDVI利用植物在红光波段大于近红外波段的光谱反射率, 其他地物在红光波段光谱反射率小于近红外波段光谱反射率的特点, 把遥感影像中的植被信息突显出来。且有

(2)

其中PN和PR分别为近红外波段和红波段处的反射率值。

2.3 比值建筑指数

比值建筑指数(RBI)在构建的过程中, 通过对图像进行缨帽变换(KT变换)提取建筑物。选取与高分影像参数相近的IKNOROS 影像的KT变换矩阵模型对GF-2影像进行KT变换。通过分析KT变换后各地物的主成分分量值, 进行构建筑指数。KT变换系数矩阵如下

{0.326,-0.311,-0.612,-0.650}, {0.509,-0.356,-0.312,0.719}

{0.560,-0.325,0.722,-0.243}, {0.567,0.819,-0.081,-0.031}

分析KT变化矩阵, 结合光谱曲线图, 可以发现建筑用地在KT1分量与KT2分量的变化差值远远大于其他地物, 因此构建比值建筑指数；利用比值指数进行图像增强后, 水体呈现负值, 植被接近于1, 建筑物和裸地呈现较大的正值, 通过对RBI影像进行阈值分割可提取建筑用地。则有

(3)

2.4 支持向量机

支持向量机(SVM)算法的基本思想是为了寻找分离两种类别的数据集之间的超平面, 然后通过机器学习在潜在高维空间中寻找最优分类边界, 实现最优分类[9]。SVM最初设计处理的训练数据在输入空间是线性可分的, 而实际应用中数据样本往往是非线性分布, 这使基本的线性决策边界很难有较高的分离精度。为此通过引入松弛变量(Slack Variables)的软边缘法(Soft Margin Method)和核技巧(KernelTrick)解决非线性条件下的最优分类问题。目前, SVM在许多领域得到广泛应用, 在计算机领域应用于文本识别、人脸识别等, 在城市方面主要应用于城市道路和桥梁信息提取。

3 实验结果及分析

利用以上光谱指数及SVM对各类地物进行分类提取, 并通过实地考察初步判断准确性。将计算得到的分类结果中各类地物的面积与通过已查阅资料所得的结果对比进行精度分析, 进一步确认算法精度。

使用NDWI指数对吉林大学中心校区清湖、晏湖进行提取, 并经计算光谱指数得到清湖和晏湖的面积分别为8 259 m2和7 914 m2。近些年, 学校逐步合理建设校园, 取得了较为显著的成效。学校对干涸的晏湖环境进行了改造, 为了使校园更加美观, 修建了湖心岛, 种植了莲花, 围绕湖面还修建了多种景观如环湖路、凉亭和广场等。使用NDVI指数提取中心校区植被覆盖并计算绿化率, 经计算校园植被面积为372 438 m2, 校园的总面积为1 539 925 m2, 绿化率为24.1%。校园绿化较好, 植被覆盖率较高, 学校合理规划设计, 为学生们提供了一个环境优美的“绿色”校园。使用RBI指数提取中心校区建筑物并计算总面积, 经计算得到校园的总建筑面积为317 968 m2, 其中包含教学楼、宿舍楼、食堂和办公楼等基本建筑。吉林大学基础设施完善, 使师生们日常生活更为方便, 为学生们创造了一个良好的学习、工作和生活环境。对于裸地仍使用NDVI指数进行提取并计算总面积, 由于影像的获取时间为2015年9月20日, 在当时条件下, 校园内裸地面积为162 352 m2, 校园内仍存在较大面积空地尚未进行合理规划, 仍待学校进行新的规划。

利用光谱指数, 对建筑物、植被、水体、平地和操场等地物进行了分类提取后, 得到校园分类如图4所示。为进一步对分类结果进行验证, 使用德国Definiens Imaging公司开发的智能化影像分析软件eCognition对校园地物进行分类得到结果如图5所示。结合实际勘察, 将eCognition软件得到的分类结果作为真实地物对实验分类结果进行验证, 得到结果列入表2。

图4分类结果 图5 eCognition分类结果

表2 分类精度分析

从表2可以看出, 使用光谱信息分类得到的5种分类结果(建筑物、植被、水体、平地和操场)总体精度(OA：Verall Accuracy)[13]都在83%以上, 其中水体精度最高, 为99.45%, NDWI指数对于水体有较好的提取效果；对于植被的分类从表2和图3可以发现取得了较好结果, OA为91.26%；但是平地的错分误差(CE: Commission Errors)和漏分误差(OE: Omission Errors)较高, 原因是使用NDVI指数所提取的裸地有较大面积的遗漏, 且NDVI指数可能不适用于提取裸土；建筑物的提取造成较大CE的原因可能在于使用eCognition软件得到的分类结果一定程度上将一些建筑物内部天井判别为同一地物, 且使用光谱指数计算得到建筑物也有一定的分类误差, 这也是Kappa系数为0.61的原因之一。

4 结 语

笔者以2015年9月20日高分二号(GF-2)卫星拍摄的吉林大学中心校区卫星影像为实验数据, 通过使用不同的光谱指数分别提取了影像中的建筑物、植被、水体、平地和操场等地物, 进而得到基于高分辨率遥感影像的校园地物分类图；对分类结果中各种地物信息进行统计分析, 如校园植被覆盖率、校园建筑物占地面积、待开发土地面积等, 将统计结果与真实的地物参数进行对比, 从算法的时间复杂度、地物提取精度、以及算法鲁棒性等量化指标进行算法评估, 从而改善本研究的分类精度与可靠性。最后, 基于各种统计结果, 为校园规划管理等方面提供建设性意见, 为以后的城乡规划、城市布局、自然资源有效利用和改善生态环境等提供新思路。该实验可以有效的帮助学生理解和掌握利用光谱信息进行地物分类的方法, 达到了预期的教学效果。