基于面向对象的国情普查地表覆盖提取方法

任 慧，谈亚光

（1.广东省国土资源测绘院，广东 广州 510500）

城市地理国情动态监测管理是以3S一体化为基础，运用专业遥感技术，对地理对象和影像特征进行采样和分析，快速获取其空间特征，结合GIS分析，利用分析解译结果与城市各种行业的规划编制、规划审批成果之间的对比分析，掌握城市建设中与规划不符的情况，并通过核查上报、统计分析等手段，为城市规划管理、城市建设监察提供服务[1,2]。

本文运用面向对象的特征提取软件eCognition、Feature Station与人工目视解译相结合的手段，从理论和实践2个方面，研究利用人机交互式解译方法，对计算机自动解译进行了精度评价，并对自动解译所提高的工作效率进行了评估。

1 研究区概况及数据情况

本文的研究区域为佛山市三水区。佛山市三水区位于北纬 22°58'～ 23°34'，东经 112°46'～ 113°02'。地处佛山市西北部，全区总面积827.7 km2，总人口62.26万。境内地形复杂，西北部多为低山丘陵；中部、东北部为台地平原，坡度平缓，多积水洼地；南部是台地围田。西江、北江、绥江流经境内。平原多是由西江、北江冲积而成，地势较低，一般海拔在1.5～3 m，全区最低海拔为-1～-1.7 m。

本次研究主要利用佛山国土局提供的卫星影像数据进行国情普查。依据分辨率0.5 m的遥感影像数据以及佛山水务部门提供的1︰5 000DLG数据等，达到普查范围覆盖全区的目标。

2 地表覆盖提取方法

地表覆盖分类的提取原则是尽可能基于遥感影像自动分类，最大限度地使用计算机自动处理，在不能满足精度要求的情况下，采取辅助手段兼顾效率及精度[3,4]。故应该优先使用已有的普查内业参考数据，其次是利用内业参考数据，实现计算机自动提取地表覆盖分类数据，最后再对不满足精度要求的地类进行人工提取。

2.1 数据分析

地理国情监测的基础是地表覆盖[5,6]。基础地理信息数据作为普查内业参考数据，与正射影像叠加分析，分析的结果可以分为如1图所示的3类。图1a中地理国情普查内业参考数据与正射影像的时相相近，整体上没有太大的变化，是可优先使用的地理国情普查内业参考数据。图1b中地理国情普查内业参考数据与正射影像的差异不算太大，有些地方套合准确，有些不准，但如果人工修改不准确的边界，工作量很大，这种类型的数据可以考虑暂时保留，后期处理时加入地理国情普查内业参考数据进行矢量辅助分割。图1c中地理国情普查内业参考数据变化太大或者采集类型不同，无法使用，这种情况考虑目视解译。

2.2 目视解译

根据已经确定使用的基础地理数据，一级类中耕地、园地、林地、草地可以按照1︰5 000DLG植被层分割，分割后赋值属性，再分类提取，水体可以按照1︰5 000DLG水系面层提取，剩下需要分类的有房屋建筑区、道路、构筑物、人工堆掘地、裸露地表。房屋建筑区的屋顶光谱信息较复杂，同物异谱、同谱异物的现象明显，又含有较多阴影，自动提取的难度较大；道路提取方面，不同材质道路路面光谱信息也不尽相同，加上道路两旁的行道树及其阴影也很容易对道路的连续性产生影响，自动提取的难度也较大。同理，构筑物、人工堆掘地以及裸露地表所包含的光谱信息及纹理信息也不尽相同。这些一级类需要人工目视解译来提取。以上的所有一级类采集完毕后，剩下的则是植被所包含的耕地、园地、林地、草地4大类。这几类由于覆盖面积较大，人工解译所花费的时间较长，故先采用计算机自动解译的方式，分割出最小图斑，然后再进行分类及后续处理，以减少工作量。

图1 3类分析结果图

2.3 影像分割

面向对象的特征提取，其所处理的影像单元并非单个像素，而是由一组像素所组成的对象。影像分割即是将由像素组成的像素集合分割成由对象组成的对象集合的过程。影像分割后图斑边界的准确率直接影响到后续手工编辑时的工作量。在形状因子与紧致度相同的情况下，不同分割尺度所分割的结果如图2所示。

图2 不同分割尺度所分割的结果比较

分割尺度越小，生成的对象个数越多，影像越破碎。在本次研究中，分别在Feature Station与eCognition中完成对植被类别的高级分割，在参考矢量中分别导入已经目视解译的中间成果以及1︰5 000DLG中的植被面层。目视解译的中间成果内部不细分，1︰ 5 000DLG中的植被面层内部仍然按照计算机自动分割来细分。

2.4 影像分类

影像分类是对每个处理单元进行分类，赋予地类属性。影像分类的方法有很多，eCognition中的分类方法包含阈值分类、使用矢量数据的属性分类与监督分类；Feature Station中只支持样本采集的监督分类方法。本次研究通过人工选取水体、植被和其他3种类别的样本点来进行训练，将训练结果应用在整个影像上，对整体进行分类。分类后的结果图3、4所示。

图3 eCognition中执行CART监督分类后的结果

图4 Feature Station中执行SVM监督分类后的结果

由于直接采取样本分类的效果并不理想，特别是对植被进行二级分类，在植被层中区分出耕地、草地、林地、园地的效果不太理想，故在本次试验中，仅是在影像分割后批量赋值属性。将1︰5 000DLG的植被数据与正射影像叠加分析后，对分类有错误或者未分类的图斑，再进行分类后处理。

2.5 分类后处理

1）手工编辑。分类结果不可能是百分之百准确，所以手工编辑功能显得十分重要，手动修改所含的工作量占总工作量的绝大部分。按照之前的处理流程，进行完批量属性赋值之后，需要检查修改的只剩下被分割过的1︰5 000DLG中的植被数据，以及被分割过的未赋属性的空白图斑。

2）合并相邻的同类图斑。分割后会出现许多相邻的同类图斑，将同类图斑归并成一个对象可以减少总的对象数，让图面显得更加简单直观。Feature Station中含有合并相邻图斑的功能，如图5所示。

图5 Feature Station中的相邻同类图斑合并功能

3）剔除小图斑。按照《地理国情普查试点方案（试行稿）》的要求，最小图斑面积为400 m2（绿化林地、绿化草地为200 m2），连续、不同类型、面积均小于400 m2但面积总和超过400 m2的图斑，边界清晰的必须采集，边界不清晰的就近归并。从试验的情况来看，小于400 m2的地类，大部分为不准确的地类。为了减少人工编辑的工作量，需要将小于400 m2的图斑自动归并到相邻地类中。

2.6 精度评价

本次试验主要针对手工编辑的工作量来评定，由于影像分割决定了每个对象的边界，对象属性决定了每个对象所被归化的类别，所以评定的步骤也包含2步：一是人工修改对象的属性，将错分、漏分的对象正确分类，统计每个分类以及总分类中手动选取的对象数，2款软件统计精度如表1所示；二是修改对象的边界，统计对象修改边界的长度，计算其与对象总周长的比值，算出人工修改边界占总边界工作量的百分比。2种软件的水体人工修线总长度与水体总周长如图6、7所示，水体人工修改边界工作量如表2所示。

表1 分类精度结果

表2 2种软件人工修改工作量对比表

总的说来，相对于全手动分类，2款软件的自动分类精度几乎都达到了90%；在人工编辑工作量上，就水体而言，2款软件相对于全手动提取地物边线，均减少了80%以上的手工作业量，从数据上看，eCognition比Feature Station有少许优势。

图6 eCognition中水体人工修线总长度和水体总周长

图7 Feature Station中水体人工修线总长度和水体总周长

3 结 语

地理国情地表覆盖提取的技术体系，规范了成果的形式内容和相关指标，使国情普查在测绘地理信息系统得到提升和保障。国情普查地表覆盖提取还需要综合多种学科的技术手段进行知识的交叉，提出创新可行的数据算法，提高数据成果质量。本次研究证明，对于部分地类，计算机自动解译确实可减少人工工作量。但只有结合已有的基础地理数据，将计算机自动解译和人工解译相结合，才能最大程度地提高作业效率。

[1]王思远,张增祥,周全斌,等.基于遥感与GIS技术的土地利用时空特征研究[J]. 遥感学报,2002(3):223-228

[2]曹雪,柯长青.基于TM影像的南京市土地利用遥感动态监测[J].武汉大学学报:信息科学版，2006(11):958-961

[3]程滔,周旭,刘若梅.面向地理国情监测的地表覆盖信息提取方法[J].测绘通报,2013(8):84-86

[4]李月臣,陈晋,宫鹏,等.基于NDVI时间序列数据的土地覆盖变化检测指标设计[J].应用基础与工程科学学报,2005,13(3):261-274

[5]唐新明.地理国情监测的基础是地表覆盖[N].中国测绘报,2011-03-29(6)

[6]张静,郭玉芳.地理国情监测中地表覆盖分类体系研究[J].测绘标准化,2012(3):8-10