基于面向对象技术的旅游用地遥感识别*

罗开盛

(南京信息工程大学遥感与测绘工程学院， 南京 210044) (2018年12月14日收稿； 2019年3月25日收修改稿)

中国是一个旅游大国，如何充分、合理地利用有限的旅游土地资源是关系到旅游业可持续发展的首要问题[1-3]。近几年来，各级政府均出台了一系列的旅游用地的政策文件规范和保障旅游产业用地，同时也强调政策效果的跟踪监督。然而这些文件中很少提到具体的操作性措施[2-4]。尽管工作人员知道政策效果跟踪监督的重要性，但是由于没有详细可操作的具体流程和方法，使得旅游用地政策效果的监督工作难以落实[3-5]。传统的实际调查和统计可以获得对应的结果，但耗时耗力，还可能出现人为的失真。而遥感具有大面积同步观测、经济性和实效性等优势，能够提供更为客观、详细、准确、高效和实时更新的动态信息，已经成为土地利用监管的“千里眼”和“顺风耳”，近几十年来获得了广泛的应用[6-8]。基于遥感手段监测旅游用地的政策执行效果首先需要研发旅游用地遥感信息提取的方法，掌握旅游用地的本底信息。因此，尝试利用遥感手段对旅游产业用地进行遥感识别有助于为旅游用地政策执行效果的监督提供有力的技术支撑，促进旅游产业用地政策的贯彻执行和优化配置。

基于遥感技术开展的土地利用信息提取是全球性科学研究计划的核心内容。在国内外各种科研项目的推动下，基于各种遥感数据源和技术方法，主要形成了7套常用的全球土地利用数据集[7-10]。土地利用信息的遥感提取取得了重大进展，但从研究类别或者对象上讲，旅游用地并没有得到应有的关注，也没有得到专门的提取，而是分散“淹没”在建设用地、居民地、交通用地、林地、草地等各种土地利用结果当中；利用遥感手段对旅游用地进行专题提取的研究尚未见到。

从遥感数据源上看，与中低空间分辨率的遥感影像相比，高分遥感影像能够反映更为丰富的地物细节[6]。过去中国使用的高分影像大多依赖国外进口。而国产高分1号卫星(GF-1)是中国自主发射的卫星且携带的多光谱宽幅相机(WFV)影像数据可以免费获取，将其应用于旅游用地信息的提取中有助于发挥GF-1卫星对资源环境监测的作用并拓宽其应用领域；同时有助于摆脱对国外高分遥感影像的过分依赖，提升国情监测的国家安全。

从研究方法上看，土地利用的遥感提取方法总体上可以分为传统基于像元的方法和面向对象的方法两大类[9,11]。传统基于像元的方法充分利用影像的光谱特征，发展了一系列的算法，如最大似然、最小距离、马氏距离、人工智能神经元网络等[6]。然而由于“同谱异物”和“异物同谱”现象的存在，基于像元方法的提取精度难以获得实质性的突破，成为土地利用监测的瓶颈[6,12]。而面向对象技术基于对象图斑，使得分类基本单元具有除光谱特征以外的形状、大小、几何、空间等多种特征并能够在提取过程中分类利用[12-13]。这在很大程度上克服了基于像元中因仅仅利用光谱特征而引起的“同物异谱”和“异物同谱”现象所带来的负面效应，从而提高土地利用信息提取的精度[9,11,14]。目前面向对象的方法正在替代传统基于像元的分类方法，逐渐成为新的标准方法[14-15]。然而利用面向对象技术和国产GF-1卫星影像结合进行土地利用监测的研究尚不多见，面向对象技术在GF-1影像中的应用效果尚未清楚。

基于此，本研究以南京市为例，以GF-1卫星的WFV影像为主要数据源，探索基于面向对象技术的旅游用地提取流程和方法；获得南京市2018年的旅游用地专题信息图，进而阐明该市旅游用地的空间分布特征。

1 研究区概况

南京市地理位置为31°14′～32°37′N和118°22′～119°14′E，地处长江下游，国土面积6 590.72 km2(图1)。南京市是江苏省的省会城市，是长江国际航运物流中心，也是东部沿海经济带与长江经济带交汇的节点城市。该市属于亚热带季风气候区，年均温15.4 ℃，年极端气温最高39.7 ℃，最低-13.1 ℃，年平均降水量1 200 mm。该市地貌特征属宁镇扬山地，低山、丘陵、岗地约占全市总面积的60.8%，平原、洼地及河流湖泊约占39.2%；海拔0～488 m；土壤以地带性黄棕壤为主。南京市历史悠久且市内地形多样，旅游景点丰富。其中，国家等级旅游景点53家，省级旅游景点56家，其他等级的旅游景点数目众多。2017年该市旅游总收入为2 168.9亿元，占GDP的18.51%，且以10%左右的速度增长[16-17]。

图1 研究区(南京市)Fig.1 Study area： Nanjing City

2 原理与方法

2.1 数据与方法

2.1.1 数据源

本研究以GF-1的WFV影像为主要数据源。GF-1于2013年4月26日发射成功，它携带4台16 m空间分辨率的多光谱宽幅相机(WFV)，幅宽800 km,重返周期4 d(表1)[18]。考虑到影像质量，本研究选择成像时间分别为2018年2月23日和2018年7月19日的8景影像作为遥感数据源。GF-1的WFV影像从中国资源卫星应用中心(http:∥www.cresda.com/CN/)下载获得。

辅助数据主要包括野外采样点、数字高程模型(DEM)和南京市行政边界矢量图。空间分辨率30 m的DEM从中国地理空间数据云(http:∥www.gscloud.cn/)下载获得。我们于2018年7月1日—2018年7月29日在南京市范围内采集旅游用地、林地、耕地、湿地、草地和未利用土地的样本点，共计698个野外样点数据。在采样过程中考虑了南京市交通的可达性和旅游用地的分布，采样中利用手持GPS定位经纬度，同时记录土地利用类型和周边状况。由于南京市旅游景点数目众多，完成市内所有旅游用地的野外采样将耗费大量的人力物力财力，同时也非必须。因此选择南京市的53家国家级旅游景区和边界相对明确的26家省级国家旅游景区进行野外调查。这样既能够保证本试验中所需野外采样点的数量，也使得野外样点更具有代表性。在每个景区采集7～20个样点，景区内2～5个，景区边界5～15个，从而保证在GF-1影像上能够完全勾勒出旅游用地的范围，进而保证旅游用地采样点的准确性。野外采样路线及采样点的空间分布如图2所示。

表1 高分1号卫星(GF-1)的多光谱宽幅相机(WFV)影像参数Table 1 Image parameters of wide field view camera for GF-1 satellite

图2 野外采样点Fig.2 Field samples

2.1.2 数据预处理

GF-1影像数据的处理包括波段合成、投影转换和统一、影像的裁剪和拼接、去云处理、几何校正和大气校正。投影坐标系统一为Krasovsovsky_1940_Albers。去云处理采用Motran4方法，在ERDAS软件的Haze remove模块完成。根据野外采样的定位点，在ERDAS软件平台中利用二次多项式模型对影像进行几何校正，误差控制在0.5个像元内。GF-1影像的大气校正在ENVI软件的FLAASH模块完成。汇总698个野外样点数据，导入到ArcGIS软件中，建立野外样点数据库。以经纬度为依据，将野外样点转化为矢量图，从而能够叠加在GF-1影像上。预处理后的GF-1影像如图3所示。

图3 预处理后的GF-1影像Fig.3 Pre-processed GF-1 images

2.2 面向对象技术

面向对象影像分析技术(简称面向对象技术)基于具有物理意义的分类单元(对象)，即具有同质性相邻像元的集合，它对基于像元的信息提取方法进行了根本性的革新[10,14-15]。面向对象技术的对象是具有物理意义的图斑，携带地物的光谱、形状、空间、纹理、空间结构等各种信息[9,15]。而这些信息在面向对象技术的土地利用信息提取过程中能够充分利用。这在很大程度上能够克服基于像元中因仅仅利用光谱特征而引起的“同物异谱”和“异物同谱”现象所带来的负面效应，提高土地利用的提取精度[9-12]。研究结果表明面向对象技术的土地利用信息提取的精度要比传统基于像元的高[9-12]。目前的趋势是面向对象技术正在逐渐替代传统基于像元的方法，成为新的标准方法[14-15]。面向对象的土地利用信息总体上分为影像分割和信息提取两个主要步骤。

2.2.1 影像分割

影像分割是面向对象土地利用信息提取的前提和基础，通过影像分割获得提取信息的基本单位(对象)[11]。本研究利用区域合并算法对影像进行分割。区域合并算法是自下而上的合并算法。它首先以一个像元为种子进行生长，根据同质性合并相邻像元，然后以合并的像元为新的种子继续生长，一直到没有符合条件的像元为止[9,11]。而这个终止的条件就是分割尺度。分割尺度太大，细小的地物将会被淹没而无法提取；而尺度过小则会增加计算机的负担，使得普通计算机无法承受，同时提取结果很可能出现破碎的斑块[14-15,19]。因此，选择合适的分割尺度显得尤为重要[19]。本研究利用“试误法”，以尺度间隔为2进行反复尝试获得。

2.2.2 提取方法

面向对象影像分析中应用最为广泛的分类器是决策树分类器和最邻近分类器[9]。决策树分类有利于人机互动，但是分类指标的阈值并不能自动获得，而是由操作者选择，带有很强的主观性[10-11]。客观自动确定分类指标阈值是面向对象影像分析技术面临的一个难题，目前并没有有效的解决方法[10]。而最邻近分类器自动化程度高，并不需要操作者设定分类指标的阈值[9]。因此，本研究利用面向对象的最邻近分类器自动提取旅游用地及其他土地利用类别。

最邻近分类器根据影像对象和样本点间的特征/指标距离对影像对象赋予类别，待分类的对象将被赋予与其特征距离最小样点的类别[20]。如图4所示，待分类对象将会归并到旅游用地，因为待分类对象和旅游用地样点的特征/指标距离最小。特征距离可以是欧氏距离或者马氏距离，本研究利用马氏距离。首先将整幅影像分为两大类，即旅游用地和非旅游用地。非旅游用地根据刘纪远等[7-8]的中国土地资源分类系统划分为林地、建设用地、耕地、草地、湿地和未利用土地。旅游用地样点利用所采集的49个野外采样点，非旅游样点利用林地、建设用地、草地、耕地、湿地和未利用土地的野外采样点，共计437个。首先将旅游用地和非旅游用地野外采样点导入到e-Cognition软件中，然后识别提取旅游用地的有效特征/指标，最后利用最邻近分类器进行自动分类，将影像分为旅游用地和非旅游用地两类，从而提取旅游用地信息。接下来再次利用野外采样点作为最邻近分类所需的样本点，将非旅游用地细分为林地、建设用地、耕地、草地、湿地和未利用土地等6个类别。

图4 面向对象最邻近分类示意图Fig.4 Schematic of object-oriented nearest neighbor classification

2.2.3 旅游用地提取指标甄别

首先根据经纬度将旅游用地及其他6类土地利用类型的野外采样点输入到ArcGIS中转为矢量图，然后导入到e-Cognition软件中与GF-1影像重叠。我们尝试利用不同的分割尺度对影像进行分割，如果分割后的对象能够和旅游用地边界重合，则为合适尺度；进而选择旅游用地、林地、建设用地、耕地、草地、湿地和未利用土地对应的影像对象，绘制特征指标曲线，综合比较旅游用地在光谱、纹理、几何特征等各种指标上的差异，从而甄别出旅游用地的有效提取指标。

2.3 结果评估

基于野外采样点，利用误差矩阵方法进行旅游用地提取结果的精度评估[21]。评估指标包括生产者精度和用户精度。生产者精度和用户精度的数值越高，提取结果越好[21]。同时也细分了非旅游用地(包括林地、耕地、建设用地、草地、湿地和未利用土地)，进而利用误差矩阵分析和讨论旅游用地提取结果的误差来源。

3 结果与分析

3.1 影像的分割

以1为起始的分割尺度，以2为间隔对影像进行分割，观察分割的效果。如果分割后的对象边界和49个国家旅游景区旅游用地边界(包括景区及周边旅游服务占地)基本保持一致，就认为是合适的分割尺度。经过反复试验，我们发现影像分割尺度的阈值为125比较合适，因为分割后的单个对象或者几个对象合并后的边界能够与野外采样确定的旅游用地保持较好的一致性(图5)。

3.2 旅游用地提取指标

基于野外采样点以及在e-Cognition软件中分析比较，辨识出有效提取旅游用地的指标是夏季GF-1影像分割后对象4个图层(红波段、绿波段、蓝波段和近红外波段)方差的平均值(VI-Summer)。VI-Summer的具体计算公式如下

VI-summer=

(1)

式中:redStdDev, greenStdDev, blueStdDev和 nirStdDev分别是分割对象中GF-1卫星影像像元间红波段的方差、绿波段的方差、蓝波段的方差和近红外波段的方差。影像分割后的每个对象包含n(n≥2)个相邻像元,尽管根据一定的同质性标准组成了一个共同体，但是一个对象范围内的各像元间仍然存在一定的差异。各像元和对象同质性的平均差异可以用方差表征。而GF-1影像有4个波段，从而构成4个图层，利用4个图层的方差平均值可以综合评价这种差异。旅游用地相对林地、耕地、草地、湿地、建设用地和未利用土地更加复杂和多样，因为旅游用地里面有建筑物、森林、道路、水体等各种地物。因此，旅游用地相对其他土地利用类型而言，同一对象内部像元间的差异更大(图6)。

图5 面向对象的影像分割效果Fig.5 Object-oriented image segmentation effects

图6 不同土地利用类型夏季影像4个图层(红波段、绿波段、蓝波段和近红外波段)方差的平均值(VI-Summer)Fig.6 Differences in VI-Summer value among different land use types

3.3 面向对象提取过程

本研究的提取过程在e-Cognition软件中进行。在影像分割尺度阈值为120的图层上，选择30个国家景区对象作为旅游用地最邻近分类所需要的样点；然后建立旅游用地提取的规则，将分类方法设置为最邻近分类方法；最后执行规则计算机即可自动提取出旅游用地。为深入分析旅游用地结果的误差，也提取了林地、建设用地、耕地、草地、水体、未利用土地。经过反复试验，发现提取这6类土地利用类型的合适分割尺度阈值是50，因此我们在分割尺度阈值为50的图层上提取这些土地利用类型。首先将分割尺度阈值为120图层上的旅游用地结果融合到分割尺度阈值为50的图层上。然后根据以往研究结果和专家知识[7,10]，确定标准归一化植被指数(NDVI)、土壤调节植被指数(SAVI)、坡度(Slope)和亮度(Brightness)为分类指标，林地、耕地、草地、建设用地、水体、未利用土地分别选择50个野外样点作为最邻近分类所需的训练样本，按照提取旅游用地类似的方法自动将非旅游用地细分为林地、耕地、草地、建设用地、水体、未利用土地。

3.4 分类结果与评价

从图7中可以看出，面向对象技术提取的旅游用地及其他土地利用类型与实际地物的边界保持较好的一致性，这主要是因为面向对象技术是基于对象，而对象的边界并不是正方形，而是根据区域合并算法和同质性形成的各种形状的景观图斑[5-6]。这种多形状的景观图斑能够更加真实地反应地物的空间形态。

图7 南京市2018年旅游用地及土地利用分布Fig.7 Spatial distributions of tourism land use and other land use in Nanjing in 2018

在定性分析的基础上，进一步利用混淆矩阵定量分析旅游用地的提取精度。利用30个旅游用地野外样点和182个非旅游用地野外样点(其中林地、耕地、建设用地、水体、草地和未利用土地野外样点分别为29、73、50、20、6和4个)。如表2所示，旅游用地的制图精度较高，达到83.33%，也就是错分成其他土地利用类型的数量很少(错分误差为16.66%)。旅游用地的误差来源主要是漏分，漏分误差达到26.47%，从而导致其用户精度为73.53%。从混淆矩阵可以看出，旅游用地容易和建设用地相混淆，很容易漏分成为建设用地。这主要是旅游用地和建设用地在光谱、纹理和空间结构上很相似。同时南京市的旅游用地主要以历史文化景点为主，其内部有大量建造设施。但是旅游用地的制图精度和用户精度分别是83.33%和73.53%，研究结果能够满足本研究的需求。土地利用分类的总体精度和Kappa系数分别为93.40%和0.74。这表明利用GF-1影像以及面向对象技术可以提取旅游用地信息。

表2 旅游用地分类结果误差矩阵Table 2 Error matrix of tourism land classification results

统计表明，南京市旅游用地面积137.34 km2，占南京市总面积的2.08%。从图6中可以看出，南京市的旅游用地和其他土地利用类型相间分布，主要集中长江以南地区，尤其是在鼓楼区、雨花台区、建邺区、玄武区和秦淮区为主的主城区及其附近；而长江以北(江北)地区要相对稀疏一些。这主要是因为南京市是一座历史文化深厚的城市，以历史文化旅游产品为主。目前，南京市主要旅游景区，如中山陵风景区、夫子庙风光带等都位于主城区及其附近[16-17]。

4 结论

本研究尝试以春季和夏季的GF-1卫星影像为主要数据源，利用面向对象技术对南京市的旅游用地信息进行遥感提取，研发基于遥感手段进行旅游用地信息提取的方法和流程，识别有效提取旅游用地的指标，这为快速有效地监管旅游用地提供了技术支撑，也有助于发挥GF-1卫星对资源环境监测的作用。本研究获得如下结论：

1)GF-1夏季影像4个图层(红波段、绿波段、蓝波段和近红外波段)方差的平均值(NDVI-Summer)是识别旅游用地的有效指标，它和林地、耕地、水体、草地、未利用土地、建设用地对应的数值存在较大差异。

2)本研究旅游用地提取的制图精度和用户精度分别为83.33%和73.53%。这表明基于GF-1卫星影像和面向对象技术能够对旅游用地进行有效识别和监测。

3)南京市旅游用地面积137.34 km2。旅游用地和其他土地利用类型相间分布，主要集中在长江以南地区，尤其是鼓楼区、雨花台区、建邺区、玄武区和秦淮区为主的主城区及其附近；而长江以北(江北)地区相对稀疏。