基于高分一号影像的干旱半干旱区地物信息提取方法研究

王 祥，程先富，夏 超

(1.安徽师范大学 国土资源与旅游学院，安徽 芜湖 241003；2.安徽自然灾害过程与防控研究省级实验室，安徽 芜湖 241003；3.南京农业大学 资源与环境科学学院，江苏 南京 210095)

基于高分一号影像的干旱半干旱区地物信息提取方法研究

王 祥1，2，程先富1，2，夏 超3

(1.安徽师范大学 国土资源与旅游学院，安徽 芜湖 241003；2.安徽自然灾害过程与防控研究省级实验室，安徽 芜湖 241003；3.南京农业大学 资源与环境科学学院，江苏 南京 210095)

高分一号影像是由我国自主研发的高分辨率对地观测系统的首发星所获取的影像。基于高分一号影像，采用基于像元和面向对象的分类方法并结合野外调查和目视解译对干旱半干旱区高分一号影像的分类方法进行研究。以鄂尔多斯市乌审旗段为例，对区域内地物信息进行提取，经检验表明将面向对象的分类方法同目视解译相结合，总体分类精度能到达81%，基本满足应用要求。

高分一号影像；干旱半干旱区；面向对象；像元；分类方法

0 引言

鄂尔多斯盆地蕴藏着丰富的能源资源和矿产资源，但该地地处干旱半干旱区，水资源短缺，生态环境十分脆弱。利用国产高分一号影像在室内进行地物信息提取，能及时了解土地利用现状和发展变化趋势，尤其是对该地区植被分布状况的掌握，对于客观评价该地区的生态现状，采取相对应的治理措施，从而为实现基于生态环境保护的地区开发理念提供可靠的技术支撑。

以往的研究中国内常采用国外的MODIS、Landsat、SPOT等遥感影像进行地物信息提取[1]，左玉珊等通过对MODIS数据波段光谱知识的充分挖掘[2]，建立CART分类决策树，实现了区域范围内土地覆被的自动分类；胡荣明等以SPORT5高空间分辨率遥感影像为研究数据[3]，采用面向对象的遥感影像分类方法，将基于像元的分类精度与基于面向对象的分类精度进行对比分析，结果表明面向对象的分类方法比基于像元的分类方法分类精度高。国外遥感影像获取周期长，高分辨率影像成本高等因素制约着研究中影像的获取和应用[4]。近些年，随着国产高分辨率卫星传感器资源一号02C和高分一号等陆续发射，国产遥感影像在地物信息提取中得到越来越多的关注和应用，牛增懿等利用高分一号影像[5]，采用面向对象的分类方法对研究区的土壤盐渍化信息进行了提取，结果表明高分一号影像在土壤盐渍化信息提取的应用中表现出较好的效果。

在干旱半干旱区利用遥感影像进行地物信息提取中，早期张冬梅等研究了一种辅助草原遥感影像目视解译的半透明叠加方法对TM影像大尺度内的地物进行了目视解译[6]，提高了目视解译的精度。随着遥感解译技术的发展和影像数据的不断丰富，出现了多种计算机解译算法和研究针对某一种影像数据在某一特定区域中应用的解译方法，张兴余等利用ALOS、SPOT5高分辨率遥感影像[7]，结合野外调查，完成了乌兰布和沙漠研究区梭梭林的目视解译及植被制图，解译精度达到93.3%；齐红超等采用机器学习C5.0决策树算法[8]，综合利用地物波谱、NDVI、TC、纹理等信息，对研究区进行了地物信息提取，提取精度可以满足西北干旱区大面积的土地覆被变化制图的需要；朱海涛等构建了基于多特征的面向对象决策树分类方法[9]，对半干旱区地物信息进行了提取，提取精度达86.9%，满足研究的需要。

以上研究中在数据层面上主要以国外影像为数据源；从区域研究尺度层面上在干旱半干旱区以大尺度研究为主；从研究方法层面上方法种类多，差别大；然而总体上采用国产高分一号影像为数据源，在中小尺度区域上对干旱半干旱区地物信息进行提取的研究很少。

1 研究区概况与研究方法

1.1 研究区概况

研究区选在内蒙古自治区鄂尔多斯市乌审旗境内，属于海流兔河流域。该流域位于毛乌素沙漠与陕北黄土高原的过渡带，地理上介于108°35′～109°20′E和38°00′～39°00′N之间，海拔高度在982 m到1 480 m之间。气候上属温带大陆性季风气候，全年多风少雨，形成了典型的干旱、半干旱草原气候环境。

图1 研究区位置示意图

研究区位于海流兔河流域乌审旗段，面积约421 km2，地貌和土壤类型主要分为湖滨滩地，土壤类型为草甸土；沙地，土壤类型为风沙土；沙梁，土壤类型为栗钙土。海拔在1 300 m左右。地物信息主要有林地(旱柳、沙柳和柠条)、草地(沙蒿、牧草和低矮沙植)、耕地、水域、居民地、道路和其他用地(沙地和盐碱地)共12个地物类型。

1.2 数据来源

高分一号卫星是中国高分辨率对地观测系统的首发星，其遥感影像全色波段的空间分辨率为2 m，多光谱波段的最大空间分辨率达到8 m。多光谱波段包括近红外、红色、绿色和蓝色4个波段信息。本文所使用的高分一号遥感影像是由西安地质调查中心提供的，成像于2014年6月26日，影像为多景全色影像和多景多光谱影像。对两种影像进行辐射定标、大气校正和正射校正后，将全色影像与多光谱影像融合，进行影像拼接，最后裁剪出研究区的影像。

1.3 研究方法

图2 技术流程图

1.3.1 野外调查及影像特征判读

通过查看文献，发现以往对此区域研究中多采用中低分辨率遥感影像作为研究的数据源，土地利用信息分类也没有本研究精细。且此高分一号遥感影像颜色上非真彩色，主要有两种颜色，浅黑色和浅黄色。通过以往的历史资料和对于新入手此研究的新手来说现有的作业经验无法对高分一号遥感影像上的土地利用信息做初步的判读。进行野外调查获得研究区实地的地物信息，对研究区的地物类型，长势，分布等有大致的了解，不仅可以提高遥感影像土地利用信息提取人的知识储备，建立解译标志库，且对计算机解译后的手动修改和人工目视解译有很大帮助，还可以提供后期分类精度评价的实测数据[10-11]。

1.3.2 基于像元分类

长期以来，传统的基于像元的分类方法是进行遥感影像信息提取的基本方法，其方法相对于面向对象分类方法操作简便，对分类人员的技术要求较低，适合初学者和对分类精度要求一般的情况下使用[12]。在对研究区高分一号遥感影像土地利用信息进行提取时，首先考虑采用操作简便的基于像元的分类方法。本研究中采用基于像元分类中的监督分类方法，运用常规的最大似然分类算法进行分类。最大似然分类算法是遥感影像监督分类的经典算法，在土地利用信息提取中有广泛的应用，很多相关研究及文献都把它作为标准来衡量其他分类方法的优劣[13]。因为在野外调查之前已经将道路提取出来，因此这里分类类别为11个地物，利用ENVI5.2软件进行第一次分类。通过野外调查和对影像的判读知道，旱柳、沙柳、耕地和居民地分布面积小，布局零散，去除这4种地物，进行第二次分类。

表1 研究区地物影像特征及预采取的分类方法

1.3.3 面向对象分类

面向对象分类方法相对于基于像元的分类方法在操作上对分类人员的技术要求较高，其构建分类规则库是个不断试验和摸索的过程，花费时间较长[14]。随着高分辨率遥感影像在生产和科学研究中得到广泛的运用，新的遥感影像分类方法面向对象分类方法因其适合高精度遥感影像分类且分类精度较高随之新兴起来，越来越多的人开始学习和使用面向对象分类技术[15]。在采用传统的基于像元的分类方法中分类结果不够理想，旱柳、沙柳、耕地和住宅用地不能提取，各地物分类精度差别很大，总体分类精度不够高，需要采用面向对象分类方法进行分类。

面向对象分类大致包括多尺度分割，特征信息提取和选用一种分类方法进行分类这三个步骤[16]。本研究中利用eCognition软件在参考前人的分类方法和相应地物的分类参数后根据本研究区地物的光谱特征、形状特征、纹理特征和邻里关系等影像特性，反复试验摸索出适合本研究区地物信息提取的具体分类参数，建立适合本研究区土地利用信息提取的分类规则库，采用面向对象分类的常规分类方法最邻近距离法进行分类。在分类中，反复试验发现去除旱柳和沙柳后能有效提高其他地物的分类精度，因此分类类别为9个地物，分别为柠条、沙蒿、牧草、低矮沙植、耕地、水域、住宅用地、沙地和盐碱地。

1.3.4 目视解译

目视解译是许多遥感应用项目的先遣工作，是遥感应用的基础。对已提取的地物信息进行修改与调整，以提高最终结果的准确度并根据要求进行制图。在采用以上两种方法提取地物信息后，剩下旱柳和沙柳未提取。根据先前对遥感影像的熟悉，已经能很好地知道旱柳和沙柳分布的一些基本规律。旱柳多分布在居民点、耕地和部分水域附近，分布相对于沙柳在小区域上较集中，外形上呈块状，颜色相对较深，纹理粗糙。沙柳绝大部分分布在大片沙地区，很少与其他植被混杂到一块，区域分布广，但面积小，外形上呈条带状由东北朝西南走向，颜色相对较浅。根据这些影像特性解译出旱柳和沙柳。

2 结果及分析

如图3所示在基于像元分类中当分类类别越多，类别越细小时，分类的结果中出现的椒盐现象越严重。而面向对象的分类方法可以通过多尺度分割将多个像元看做一个整体来克服图斑零碎的问题，使图文效果更好。对于图中分布面积不大的旱柳、居民地和耕地，可以根据其分布规律采用人工目视解译的方法进行提取，这样在实际解译工作中比其他分类方法要更实用。

图3 不同分类方法分类结果图

次数各类别分类精度/%旱柳沙柳柠条沙蒿牧草低矮沙植耕地水域居民地沙地盐碱地总体精度/%一673741182411738556827二//73696835/81/837162

表2中/表示在该分类方法中没有对此种地物类型进行分类。从表2中可以看出第一次分类总体精度只有27%，远低于第二次分类的精度。其原因可能有两方面，一方面，分类类别过多增加了具有相似光谱特征的地物区分度；类别中耕地、低矮沙植同沙地光谱相似度很高，部分牧草、盐碱地、水域同居民地的相似度很高。另一方面，基于像元的分类方法主要是基于光谱信息特征，该方法大多用于区域内较大地物类型区分类；类别中旱柳、沙柳、耕地和居民地4种地物在高分一号遥感影像中分布零散，总体面积小，属于较小零碎地物，难以与其他地物区分。当去除这4种地物后进行第二次分类后各种地物的分类精度明显提高。第一次分类和第二次分类中的水域和盐碱地分类精度差别不大，两次分类精度都较高，可能因为两种地物光谱颜色具有显著的特征，能很好地同其他地物区分出来。

表3 基于像元分类和面向对象分类精度评价

表3是对基于像元分类(7种地物)和面向对象分类(9种地物)两种分类方法的分类精度评价统计，表中/表示在此种分类方法中没有对此种地物类型进行分类。从表3中可以看出基于像元分类方法对水域和沙地的分类精度较高，其中沙地达到83%，此分类精度达到实际应用要求。面向对象分类方法在比基于像元分类方法多出两种地物的情况下总体精度比基于像元的分类精度还高出了19个百分点，且其植被部分分类精度较高，除了居民地分类精度较差外，其余地物类型经过手动修改后基本能达到应用要求。面向对象的分类方法在分类精度上明显高于基于像元的分类方法。

3 结论

本文采用了基于像元和面向对象的分类方法并结合野外调查和目视解译对干旱半干旱区高分一号影像的分类方法进行了研究，且将基于像元的分类方法同面向对象的分类方法相比较，得出以下结论：

(1)干旱半干旱区地物中植被的种类较少，分布的区域和面积差别较大，在高分一号影像上分布面积较小的旱柳和沙柳不易与其他地物区分。

(2)面向对象的分类方法相比较基于像元的分类方法在形状因子和纹理因子上更能区分出地物，分类精度更高，并能克服图像的椒盐现象。

(3)高分一号影像在中小尺度上对干旱半干旱区地物信息进行详细提取的应用中表现出较好的效果，结合目视解译，其分类精度能达到81%，基本满足应用要求。

[1]初庆伟，张洪群，吴业炜，等.Landsat-8卫星数据应用探讨[J].遥感信息，2013，28(4)：110-114.

[2]左玉珊，王卫，郝彦莉，等.基于MODIS影像的土地覆被分类研究——以京津冀地区为例[J].地理科学进展，2014，33(11)：1556-1565.

[3]胡荣明，魏曼，杨成斌，等.以SPORT5遥感数据为例比较基于像素与面向对象的分类方法[J].遥感技术与应用，2012，27(3)：366-371.

[4]郭燕，武喜红，程永政，等.用高分一号数据提取玉米面积及精度分析[J].遥感信息，2015，30(6)：31-36.

[5]牛增懿，丁建丽，李艳华，等.基于高分一号影像的土壤盐渍化信息提取方法[J].干旱区地理，2016，39(1)：171-181.

[6]张冬梅，袁清，王加亭.一种辅助草原遥感影像目视解译方法的探讨——影像与基础图件半透明叠加法[J].遥感技术与应用，2006，21(6)：560-564.

[7]张兴余，刘勇，许宝荣，等.乌兰布和沙漠高分辨率遥感影像梭梭林解译方法探讨[J].遥感技术与应用，2010，25(6)：828-835.

[8]齐红超，祁元，徐瑱.基于C5.0决策树算法的西北干旱区土地覆盖分类研究——以甘肃省武威市为例[J].遥感技术与应用，2009，24(5)：648-653.

[9]朱海涛，张霞，王树东，等.基于面向对象决策树算法的半干旱地区遥感影像分类[J].遥感信息，2013，28(4)：50-56.

[10]杜佳虹.遥感影像目视解译矢量化分析[J].测绘与空间地理信息，2011，34(2)：87-91.

[11]杨博，刘义.农业遥感影像目视解译技术要点[J].现代化农业，2008，(4)：37-39.

[12]钱茹茹.遥感影像分类方法比较研究[D].西安：长安大学(硕士学位论文)，2007.

[13]李全，王海燕，李霖.基于最大似然分类算法的土地覆盖分类精度控制研究[J].国土资源科技管理2005，(22)：42-45.

[14]Trias-Sanz R,Stamon G,Louchet J.Using Colour,Texture,and Hierarchial Segmentation for High-resolution Remote Sensing[J].ISPRS Journal of Photogrammetry and Remote Sensing,2008,63(2):156-168.

[15] Kurtz C,Passat N,Gancarski P,et al.Extractionof Complex Patterns from Multi-resolution Remote Sensing Images:A Hierarchical Top-down Methodology[J].Pattern Recognition,2012,45(2):685-706.

[16] Whiteside T G,Boggs G S,Maier S W. Comparing Objectbased and Pixel-based Classifications for Mapping Savannas[J].International Journal of Applied Earth Observation and Geoinformation,2011,13(6):884-893.

Research on the Methods of Feature Information Extraction in Aridand Semi-arid Areas from the GF-1 Images

WANG Xiang1,2, CHENG Xianfu1,2, XIA Chao3

(1,SchoolofTerritorialResourcesandTourism,AnhuiNormalUniversity,Wuhu241003,China;2．AnhuiKeyLaboratoryofNaturalDisasterProcessandPrevention,Wuhu241003,China;3.Resources&EnvironmentScienceDepartment,NanjingAgriculturalUniversity,Nanjing210095,China)

GF-1 images by our independent research and development of high resolution earth observation system of star image can be obtained from the start. Based on the GF-1 images, pixel-based and object-oriented classification method and combined with field investigation and the visual interpretation, to arid and Semi-arid areas happened in GF-1 images classification method were studied. Our study area is Wushen County in Ordos city，to extract the mainland area information. The test shows that the object-oriented classification method combined with visual interpretation, the overall classification accuracy can reach 81%, basic meet application requirements.

GF-1 images; arid and Semi-arid areas; object-oriented; pixel; method of classification

2016-12-01

王祥(1990-)，男，安徽芜湖人，硕士研究生，研究方向：区域环境与遥感应用。

P237

A

1009-9735(2017)02-0104-06