基于高分一号影像的雄安新区土地利用分析

姚鑫 左小清 郭文浩

摘 要：土地利用的分类精度对土地资源开发有很大影响。选取雄安新区2017年5月12日的高分一号影像作为试验数据，分别运用监督分类方法中的最大似然分类器和面向对象的分类方法对影像进行土地利用分类，得到研究区域的土地利用分类情况。面向对象分类方法的Kappa系数和总体分类精度都高于最大似然分类器的分类结果，分别达到了0.968 8和97.500 0%。实验结果表明：针对高分一号影像，对比最大似然分类器，使用面向对象的分类能提高研究区域的土地利用分类精度。面向对象分类结果可以为雄安新区的土地利用分类提供参考。

关键词：雄安新区；高分一号卫星影像；土地利用分类；监督分类；面向对象分类

DOI：10.11907/rjdk.172723

中图分类号：TP317.4

文献标识码：A 文章编号：1672-7800（2018）004-0212-04

Abstract：The accuracy of land use classification has a great impact on the development of land resources. In this paper， we select GF-1 image of Xiongan new area in May 12，2017 as the test data， and use the maximum likelihood classifier of supervised classification and object-oriented classification method respectively to do the classification of land use. The classification of land use in the study area is obtained. The Kappa coefficient and the overall classification accuracy of the object-oriented classification method are higher than the classification results of the maximum likelihood classifier， and they reach to 0.968 8 and 97.500 0% respectively. The results of the experiment show that： for GF-1 image， by comparing the maximum likelihood classifier， the method of using object-oriented classification can improve the land use classification accuracy of the study area. The results of object-oriented classification can provide reference for land use classification in Xiongan new area.

Key Words：Xiongan new area； GF-1 satellite； land use classification； supervised classification； object-oriented classification

0 引言

随着社会建设迅速发展，土地利用成为社会发展过程中重要的研究内容[1]。土地利用与人类生产、生活息息相关，相互影响[2-3]。土地利用类型有建设用地、植被、裸地、水体以及道路等，对这些土地利用类型的分类提取，有助于土地利用规划和土地资源开发。对研究区域提前进行土地利用分类研究，有助于其后期规划以及发展。因此一个好的土地利用分类方法显得很重要[4]。

高分一号卫星自从2013年发射成功，就改变了我国长期以来依靠购买国外卫星数据的局面[5-6]。 高分一号卫星提高了我国高分辨率数据自给率，具有覆盖范围广、空间分辨率高、时间分辨率高等优点[7-9]。高分一号卫星通过增加高分辨率多光谱相机，使得分辨率得到很大提高。

本文选取雄安新区2017年5月12日的高分一号影像作为试验数据，分别应用监督分类和面向对象的分类方法对影像进行土地利用分类，得到雄安新区的各个土地利用类型情况。对土地利用分类的研究有助于雄安新区的生态保护和生态建设，對于新区建设具有非常重要的意义。

1 研究区概况与数据源

1.1 研究区概况

雄安新区是继深圳特区和上海浦东新区之后，国家第三个重点发展的新区，隶属于河北省，由雄县、容城县以及安新县组成，地处115°35′～116°24′E与38°42′～39°12′N之间。雄安新区生态环境良好，交通便利，有巨大的发展空间，是河北省建设中一颗冉冉之星，其远期控制区面积约2 000km2，潜力不可估量。

其中，雄县历史悠久，距离首都北京108km，总面积达524km2。2007年，雄县还被命名为“中国古地道文化之乡”、“中国古地道文化研究中心”。容城具有深厚文化底蕴，距离北京和天津都是120km。安新县地理位置极佳，总面积达738.6km2。雄县、容城县以及安新县都位于我国河北省保定市，具有历史悠久、环境优美以及地理位置良好的特点，共同组成了发展起点高的雄安新区。

雄安新区还在发展建设的起步阶段，发展任务是建设绿色智慧新城，打造优美生态环境，构建成为水城共融、蓝绿交织的生态城市；发展高端创新型产业，培育新动能；通过建设优质公共设施，创建城市管理新样板，从而提供优质的公共服务；通过打造快捷的交通网络，让人们生活更加便捷；扩大全方位对外开放。对其进行土地利用分类研究有助于后期建设，所以本次选择了雄安新区作为研究区。图1为研究区的地理位置。

1.2 数据选取

本文所用数据是2017年5月12日的GF1-WFV3数据，其编号为L1A0002355576。研究区域影像的空间分辨率为10m。高分一号是我国第一颗具有高分辨率的卫星，于2013年底正式开始运行，具有范围广、空间分辨率高、时间分辨率高等优点。高分一号卫星的特点在于增加高分辨率多光谱相机，多光谱相机的幅宽有800km，远远超过之前的SPOT6，其分辨率得到了很大提高。高分一号卫星在拥有相似空间分辨率的情况下，如果重复地对一个地方照相，只需要花更少时间就能完成。因此可以说，高分一号卫星集时间短、范围广、效率高、影像更清晰等优点于一身。

高分一号卫星使我国有了高分辨率数据的自给能力。本文选取雄安新区2017年5月12日的GF1-WFV3數据作为试验数据，试验中还用到河北省行政区划矢量数据，利用ARCGIS得到研究区域的矢量数据。

2 研究方法

2.1 技术路线

如图2，对获取的雄安新区2017年5月12日影像进行数据预处理，将经过处理的影像分别使用监督分类中的最大似然分类器和面向对象的分类完成研究区域土地利用分类，并得到两种分类的分类精度评价结果，根据分类精度对比分析两种分类方法，总结优缺点，得出更适用于处理高分辨率遥感影像的方法。

2.2 数据预处理

由于选取的原始遥感影像会有许多干扰因素，导致其存在一定误差，例如传感器自身原因、大气、卫星、地形等，所以要先通过试验数据预处理降低这些干扰。为了排除地形、大气干扰的影响，得到更加准确的试验数据，进行大气校正处理，这是数据预处理中一个重要的步骤。为了更正由于地形变化、传感器、地势等因素引起的影像位置变化，进行正射校正。

由于获得的高分一号遥感影像范围大于研究区域，本文对其进行图像裁剪。利用ENVI，根据雄安新区的矢量文件对遥感影像进行不规则裁剪，得到研究区域的遥感影像，从而减小数据量，方便后期工作进行。剪裁完成后影像的光谱值稳定，没有发生变化，裁剪合格，可用于试验研究。

2.3 方法

2.3.1 监督分类

监督分类方法，也被称作训练场地法，它将在研究区域范围内选取的训练场地作为试验样本，根据这些确认类型的试验样本，识别不在样本范围内像元的类型[10]。监督分类的种类有神经元网络分类、模糊分类、平行六面体分类以及最大似然分类等，本文选择最大似然分类器对研究区域进行监督分类。

雄安新区的土地利用类型有裸地、建设用地、植被、水体以及道路。本文创建该5种训练样本类型，对应颜色分别是黄色、红色、绿色、蓝色以及灰色，并且分别画出对应的感兴趣区域。完成研究区域影像感兴趣区域的绘制，进行感兴趣区域的可分离性计算。当计算结果的参数值大于1.9时，表明此时两种训练样本相对彼此来说选择较好，便可认为符合要求；当参数值在1.0～1.8之间时，说明样本选取不够好，需重新选择训练样本，再进行分离度计算，直到参数值大于1.8为止；当参数值小于1.0时，应该将训练样本合并。试验中，建设用地与道路的计算结果参数值比1.8小，经过再次选择感兴趣区域，反复修改，直到参数值大于1.8。

本文根据训练样本，利用监督分类中的最大似然分类器对雄安新区进行分类，得到雄安新区土地利用现状监督分类图（见图3，彩图见封二）。对比雄安新区遥感影像图，可以发现，利用监督分类能够很好地区分水体和植被的边界，提取效果较好。但由于光谱特征相似，监督分类的分类依据又是光谱特征，结果图3中道路与建设用地的错分现象比较严重；建设用地与裸地之间由于光谱特征比较相似，不易进行分类，所以分类结果就出现了建设用地被误分成裸地的现象，结果不如预期好。

2.3.2 面向对象的分类

面向对象的分类是先对研究区域进行分割，然后对形成的各个小单元进行研究，这是面向对象的分类方法与传统方法的最大不同所在，传统方法的研究对象是一个一个的像元[11]。传统方法仅仅考虑到研究区域的光谱特征[12-14]，面向对象的分类还考虑到研究区域的空间等其它特征。面向对象的分类是把影像分成许多个性质相同的小单元，再把得到的小单元作为试验的基本单元。监督分类方法与之不同的是，其最基本研究对象是一个一个的原始像元。面向对象的分类考虑到研究区域的形状，甚至还包括拓扑、语义等特征，适用于高分辨率遥感影像分类。面向对象的分类方法完成分割之后，可以发现各个小单元都比较规则完整；面向对象分类的第一步也是最关键一步就是把影像分成一个一个规则的小单元，要想后面的分类精度高，就一定要将图像分割这一步做好，所以在面向对象分类中图像分割比较重要。

面向对象的分类要对影像进行图像分割处理，在ENVI中打开研究区域的影像数据，选择研究区域边界的矢量文件作为掩膜文件，自动选择（在有中心波长的情况下）红色和近红外波段计算NDVI。选择4、3、2波段组合方式，经过观察比较，最终设置分割尺度为50，合并尺度为80，完成对影像的分割与合并。

面向对象的分类，土地利用类型还是分为5类：建设用地、植被、裸地、水体以及道路。在分割图上给这几个类型分别选择一些样本。样本选择好之后，对影像进行土地利用分类处理，本文选择支持向量机分类器，其所包含的几个内容是：结构风险学说、核空间学说以及二次优化学说等。统计学习学说后来衍生出现在使用的支持向量机分类器。支持向量机分类器也是面向对象中比较常用的，完成对研究区域的面向对象分类，得到了土地利用类型的分类结果，见图4（彩图见封二）。

3 结果分析

通过对比最大似然分类器和面向对象分类的分类结果中Kappa系数、总体精度以及制图精度，可以看到：第一种最大似然分类器分类结果中Kappa系数以及总体精度分别是0.812 5、85.000 0%，从数据看出监督分类中的最大似然分类器对高分辨率影像进行分类的总体精度不高；第二种面向对象分类，其Kappa系数以及总体精度分别是0.968 8、97.500 0%，面向对象分类中的支持向量机分类器对高分辨率影像进行分类，总体精度比较高。Kappa系数可以评价整个分类图的精度[15]；用被分类正确的像元个数对比上影像总的像元个数，得到的结果就是总体精度。面向对象方法的Kappa系数和总体精度分别比最大似然分类器分类结果的Kappa系数和总体精度高，这是由于最大似然分类器对道路和建设用地分类的精度都偏低，导致其分类结果的总体精度不高。

表1是使用面向对象和监督分类分别进行试验的5种土地利用类型的精度结果，可以看到，水体、植被、裸地使用这两种方法进行分类的精度都大于90%，有些接近100%，说明面向对象分类和监督分类对水体、植被、裸地这3种土地类型的分类都是符合分类精度要求的。这是由于该3种土地类型的光谱特征都较明显，容易与周围其它土地类型区分开。通过观察表1可以发现，监督分类方法对道路和裸地的试验精度都小于80%，精度不高，监督分类对这两种土地利用类型的分类中存在不足。这是由于这两种土地类型的光谱特征不够明显，容易与周围其它土地类型混淆；而面向对象对这两种土地类型的实验结果精度明显高于最大似然分类器的分类精度，在建设用地和道路的分類问题上，面向对象法分类精度更好。

通过以上分析可以总结出，利用高分辨率影像进行土地利用分类试验，对水体、植被以及裸地进行分类时，最大似然分类器和面向对象分类都适用；而对道路和建设用地进行分类时，面向对象法分类精度更高，更能满足总体精度以及制图精度的要求。

4 结语

本文将雄安新区作为试验区域，以雄安新区2017年5月12日的GF1-WFV3数据作为试验数据，使用ENVI软件对其分别采用监督分类中的最大似然分类器和面向对象法进行土地利用类型分类处理。分类结果精度表明：与最大似然分类器相比，面向对象法试验得到的精度更高，Kappa系数和总体精度分别为0.968 8和97.500 0%。对高分辨率影像进行土地利用分类试验，面向对象法是一种更有效的方法。

两种方法对水体、植被以及裸地进行分类时，精度都比较高，但是对道路和裸地进行分类时，最大似然分类器的分类精度没有面向对象法的分类精度高。值得注意的是，面向对象分类对5种土地利用类型进行分类，道路分类精度最低。在以后的研究中，道路分类精度有待提高。本文研究结果可以为雄安新区的土地利用分类提供参考，有助于其建设绿色智慧新城，打造优美生态环境。

参考文献：

[1] 吴健生，潘况一，彭建，等.基于QUEST决策树的遥感影像土地利用分类——以云南省丽江市为例[J].地理研究，2012，31（11）：1973-1980.

[2] 刘丽雅.基于国产GF-1的高寒山区土地利用/覆盖分类研究[D].杭州：浙江大学，2016.

[3] 王胜男，汪西原.基于ENVI的高分辨率遥感图像土地利用分类方法研究[J].数字技术与应用，2016（10）：105-106.

[4] 成思敏.基于ArcGIS与ENVI对四川省成都市1990年土地利用分类[C].武汉：科技研究——2015科技产业发展与建设成就研讨会论文集（下），2015.

[5] 熊子潇.基于高分一号遥感影像的土地覆盖信息提取技术研究[D].南昌：东华理工大学，2016.

[6] 程灿然，杨树文，石鹏卿.基于高分一号卫星遥感影像的城市绿地提取对比研究[J].矿山测量，2017，45（3）：12-16.

[7] 武笑天.基于高分一号和Landsat-8的昌吉市小麦面积提取研究[D].乌鲁木齐：新疆农业大学，2016.

[8] 郭会敏，洪运富，李营，等.基于高分一号卫星影像的多种融合方法比较[J].地理与地理信息科学，2015，31（1）：23-26+40.

[9] 陈阳，赵俊三，陈应跃.基于ENVI的高分辨率遥感影像城市绿地信息提取研究[J].测绘工程，2015，24（4）：33-36.

[10] 金杰，朱海岩，李子潇，等.ENVI遥感图像处理中几种监督分类方法的比较[J].水利科技与经济，2014，20（1）：146-148+160.

[11] 徐菲楠，祁元，王建华，等.面向对象的黑河下游河岸林植被覆盖信息分类[J].遥感技术与应用，2015，30（5）：996-1005.

[12] WANG Y T， AINSWORTH T L， LEE J S. Estimation of the orientation and shape parameters of canopy scatterers from POLSAR observations[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2012，5（3）：835-847.

[13] CLAPHAM JR W B. Continuum-based classification of remotely sensed imagery to describe urban sprawl on a watershed scale[J]. Remote Sensing of Environment，2003，86（3）：322-340.

[14] POWELL R L， ROBERTS D A， DENNISON P E， et al. Sub-pixel mapping of urban land cover using multiple endmember spectral mixture analysis： Manaus， Brazil[J]. Remote Sensing of Environment，2007，106（2）：253-267.

[15] 胡茂莹.基于高分二号遥感影像面向对象的城市房屋信息提取方法研究[D].长春：吉林大学，2016.

（责任编辑：何 丽）