基于高分辨率影像的流域土地利用类型的提取——以乡宁县红土沟流域为例

南 锋，张小英

（1.山西农业大学研究生院，山西太谷030801；2.山西农业大学文理学院，山西太谷030801）

流域的土地利用类型，反映了流域表面的覆盖状况，是研究流域土地利用的重要基础数据。遥感影像能够快速地获取地球表面信息，目前其已成为获取流域地表信息的主要手段，特别是随着高分辨率遥感影像的应用，其数据的精度也大大提高。但是如何从高分辨率遥感影像中自动获取特征信息，一直是遥感应用的研究热点。传统的遥感影像信息提取方法大多是单纯基于像元的方法，通过分析像元之间的关系实现对影像的分类和信息的提取[1]。在处理低空间分辨率遥感影像时，由于影像中地物目标小，目标内部的像元比较一致，基于像元的处理可以达到比较好的效果。但是，随着分辨率的提高，遥感影像中的空间信息也更加丰富，地物的几何结构和纹理信息更加明显，基于像元的方法在处理这类影像时会显得粒度过小，在分类过程中会造成大量的椒盐噪声，因而难以提取地物的整体结构信息。目前，高分辨率遥感的解译主要靠人工判读和识别来完成，工作量大、成本高，因此，利用计算机对高分辨率遥感影像自动解译是目前遥感信息处理的重要研究方向。

近些年来，面向对象的分类方法逐渐成为一种主要的遥感分类方法，在分类时不仅能依靠其光谱特征，更多的是要利用其几何信息和结构信息[2-3]。面向对象的遥感影像分类技术为高分辨率的遥感影像的计算机自动解译提供了一条重要途径。目前，很多遥感软件都具有这个功能，如ENVI的FX扩展模块、ERDAS的 Objective模块、PCI的FeatureObjeX等。笔者利用ENVI软件所提供的面向对象分类模块，以乡宁县红土沟流域2010年SPOT5影像（包括全色2.5 m和多波段10 m数据）为基础数据，对红土沟流域的土地利用类型进行了提取，结果表明，该方法具有较高的精度。

1 研究区概况与研究方法

1.1 研究区概况

红土沟流域位于山西省乡宁县内，该流域属黄土丘陵沟壑区，梁峁起伏，沟壑纵横，海拔为1 048～1 375 m，相对高差327 m。流域具有黄土侵蚀沟道发育的特点，小流域完整系数0.54，不对称系数0.07。主沟发育充分，溯源侵蚀活跃，沟壑密度为3.87 km/km2。地处中纬度，属暖温带半干旱大陆性季风气候。多年平均气温8.3℃，极端最高气温37.6℃，极端最低气温-22℃。光照资源丰富，年日照时数2 557 h，≥10℃的活动积温约3 045℃。风向多为北偏东向，平均风速2.5 m/s，年大风日数 5.1 d，无霜期 183 d。

1.2 研究方法

面向对象的分类技术包括图像分割和图像分类2个主要步骤。其中，图像分割目的是从二维的图像信息阵列中恢复出图像所反映的景观场景中的目标地物的空间形状及组合方式作为分类的基本图像对象；图像分类技术基于图像对象进行。图像对象是一系列相似的图形区域，以一种独特的形式简单地反映了影像包含的信息（形状、纹理、颜色等）。

1.2.1 图像分割 图像分割是构建对象的主要方法，也是精确分类的基础，常用的分割方法包括基于多尺度的、基于灰度和纹理的、基于知识的分割算法等。基于多尺度的遥感影像分割方法综合了遥感图像的光谱特征和形状特征，计算图像中每个波段的光谱异质性与形状异质性的综合特征值，然后根据各个波段所占的权重，计算图像所有波段的加权值，当分割出的对象或基元光谱和形状综合加权值小于某个指定的阈值时，进行重复迭代运算，直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。用这种分等级的分类结构进行分类，可以确定对象之间的上下文关系与等级关系，提高分类信息的信噪比，使得分类更加精确。ENVI的FX扩展模块，根据临近像素亮度、纹理、颜色等对影像进行分割，它使用了一种基于多尺度的边缘分割算法，这种算法计算很快，并且只需输入一个参数，就能产生多尺度分割结果。通过不同尺度上边界的差异控制，从而产生从细到粗的多尺度分割。在分割过程中可以通过预览分割效果，选择一个理想的分割阈值，尽可能较好地分割出边缘特征。

1.2.2 图像分类 图像分类是一种常用的图像解译技术，将像元根据某种条件划分为不同的类别。该技术广泛地用于各个领域和各种应用。传统的图像分类技术是基于不同地物的光谱特征，由于同物异谱和异物同谱现象的存在，使得在具体应用时受到限制。目前，常用的图像分类方法是监督分类和基于知识分类。这里的监督分类和我们常说的监督分类是有区别的，它分类时和样本的对比参数更多，其不仅仅是光谱信息，还包括空间、纹理等信息。基于知识分类也是根据影像对象的熟悉来设定规则进行分类，ENVI的FX扩展模块有3种图像分类方法供选择，分别是监督分类、规则分类和直接矢量输出。监督分类方法在选择训练样区上与传统的分类方法并没有本质的区别，所不同的是训练区不仅包括光谱信息，还包括空间、纹理等信息，并通过这些信息构建分类规则，大大提高了分类的精度。

2 红土沟流域土地利用类型的提取

2.1 分类前影像数据处理

在进行分类前，对红土沟流域SPOT5影像要进行校正、融合，流域边界裁剪。因为2，3，4波段组合光谱特征和信息量最为丰富[4]，彩色标准化（brovey）算法在影像质量改善方面最佳[5]。融合时采用SPOT5全色波段影像和2，3，4波段分别代替RGB三原色进行彩色标准化变换融合，以便获得最佳的融合效果。

2.2 土地利用类型提取

2.2.1 流域土地分类系统的建立 根据红土沟流域土地利用类型的实际情况，将流域地类分为荒草地、林地、居民点、梯田、坡地、沟坝地、果园、灌木林地、采矿用地、水工建筑用地、内陆滩涂和裸地，并且建立了相应的解译标志（表1），以供面向对象监督分类时选取相应的训练样区参考。

表1 红土沟流域地类解译标志

2.2.2 流域地类的提取 在ENVI软件中利用其面向对象的分类模块FX，对融合后的遥感影像进行图像分割、分块合并、分块精炼、对象属性计算等，建立光谱、纹理、空间、自定义（颜色空间和波段比）4种对象属性，其中，图像分割与合并分块都是一个不断调整的过程，其最终结果直接影响到后续结果的分类精度。然后，通过监督分类，选取相应的分割对象作为训练样区，以建立基于光谱、纹理、空间分类和自定义（颜色空间和波段比）规则的专家知识库，在选择训练样区的过程中，还可以对分类结果进行预览，以确定训练区选择的优劣，及时对训练样区作出调整。图1为图像分割所得到的结果，图2为对图像分割结果进行合并分块后所得的基本对象，图3为监督分类结果。从图1，2，3可以看出，面向对象的分类结果避免了基于像元的传统分类方法的“椒盐”现象，分类边界更加准确，结果更加具有整体性和便于理解。

2.3 分类结果精度检验

从分类结果中随机抽取若干图斑与真实地类进行对照，其精度如表2所示。

表2 分类结果抽样检查

从表2的分类正确率结果可以看出，分类的总体精度达到了86.15%，很多地类的正确率达到了80%以上，说明面向对象的分类方法在流域地类提取中具有较高的正确率。同时，从表2中还可以看出，正确率比较低的地类为梯田、坡地和水工建筑用地，其中错分主要发生在梯田和坡地之间，主要原因是二者的光谱信息、空间位置信息和纹理信息太过于接近，分类过程中很难区分。大部分错分的水工建筑用地实际为荒草地，这主要是由于水工建筑用地形状不规则且面积很小，光谱信息也不一致，没有统一的规律可循，在监督分类过程中选取的样本跟荒草地的样本有很大的相似之处，分类过程中将坡地、梯田和水工建筑作为单独的一类是不合适的。因而，在计算机分类完成后，需要采用人工目视解译法对错分的地类进行补判。在计算机分类完成后采用少量的人工干预就达到了需要的精度。

3 结论

高分辨率遥感图像的细节信息丰富，图像的局部异质性大，传统基于像元的分类方法主要是利用像元的光谱特征，大多应用在中低分辨率遥感图像。对高分辨率影像来说，在分类过程中易受其局部异质性大的影响和干扰。而面向对象分类方法在分类过程中充分考虑了图像丰富的光谱、形状、结构、纹理、相关布局以及图像中地物之间的上下文信息，结合专家知识进行分类，显著提高了分类精度，而且分类后的图像含有丰富的语义信息，便于解译和理解，是一种非常有效的高分辨率遥感影像解译方法。

［1］孙家柄.遥感原理与应用[M].武汉：武汉大学出版社，2003.

［2］张秀英，杨敏华，刘常娟，等.面向对象遥感分类新技术在第二次土地调查中的应用[J].遥感信息，2008（3）：77-80.

［3］毛先成，刘文毅，何美香，等.GIS在县域土地利用变化分析中的应用——以山西省怀仁县为例[J].山西农业科学，2009，37（10）：30-34.

［4］柳文祎，何国金.ALOS全色波段与多光谱影像融合方法的比较研究[J].科学技术与工程，2008，8（11）：2864-2869.

［5］曹敏，史照良，沈泉飞.ALOS影像在土地覆被分类中最佳波段选取的研究[J].测绘通报，2008（9）：16-18.