RapidEye 遥感数据在土地分类中的应用研究

马 双

（山西工程职业学院，山西 太原 030009）

0.引言

随着全球变化的研究的深入与发展，各国科学家越来越感觉到人类活动会对环境变化产生影响，尤其人类的生存与发展对土地的开发与利用以及由此引起的土地覆盖变化被认为是全球环境变化的主要组成部分和重要原因，所以“国际地圈和生物圈计划”（IGBP）和“全球环境变化人文计划”（HDP）在 1995 年一起提出了“土地利用与土地覆盖变化”（Land use and land cover change，LUCC）的研究计划，使得土地利用变化研究成为当前全球变化研究的前沿和热点的课题。[1]常用的土地利用调查是通过实地测绘的方式来开展，工作量大，调查时间长。随着近些年来高时间、高空间、高光谱分辨率的遥感传感器的产生，遥感探测技术已经能完全可以进行不同尺度上的土地利用/土地覆盖调查。[2]遥感探测技术的应用，大大降低了调查成本和周期。[3]

比如，英国以前进行过一次英国三大岛24 万平方千米的土地利用普通调查，当时发动了6000 名中小学老师，用了6 年时间才完成，等到土地利用图绘制完成后，土地利用情况已发生较大变化；1976 年英国应用了遥感影像分析与野外调查相结合的方法，只用了4 个人9 个月时间就完成了全岛的土地利用调查，而且统计非常详细，大大减少了调查的时间。又如，广州市中心区的土地利用调查，90 年代曾用普通方法花了2 年多的时间才结束，但绘成的图件已不能反映2 年后的状况；1995 年初利用航测遥感的方法，只花了2 个多月就完成了土地利用调查，且比普通方法更加详细。彩色合成是影像彩色增强应用最为广泛的一种处理技术, 随着多光谱遥感和多源数据融合技术的发展, 日益显示出其巨大的使价值。[4]

1.研究内容及技术路线图

本研究以辽宁省沈阳市的遥感影像数据（RapidEye）为数据源,开展了适宜该地区的遥感影像的波段组合实验。首先进行研究区域的影像裁剪工作，然后进行5 波段影像组合的多种组合实验,确定适宜的感兴趣区域（ROI）并以此为模板,拟选取支持向量机的手段进行分类实验,进而获取详细的分类统计面积结果。[4]对统计数据进行综合分析,最终获得误差最小的波段组合方式。[5]研究路线图（如图1 所示）：

图1 研究路线示意图

2.各种波段组合的土地分类技术流程

2.1 打开影像

用Envi4.8 软件打开沈阳地区 2012 年 6 月 24 日5 个波段原始影像数据，影像（如图2 所示）：

图2 原始影像数据

2.2 建立 ROI 文件

在基本工具中选择感兴趣区，再选择感兴趣区（ROI 工具），点击New Region，按住鼠标左键在被裁剪影像上画一个区域，双击鼠标右键结束绘制，形成多边形。[6]选择基本工具中的感兴趣区选取子集，在Spatial Subset via ROI Parameters 窗口中点击 ok，就生成裁剪图像。[7]

2.3 波段组合

选择基本工具命令中的图层堆栈，在输入窗口中选择要组合的波段，点击ok 按钮，在Selected FILes for Layer Stacking 选中要组合的波段，点击Choose。在Layer Stacking Parameters 窗口点击ok，可以得到组合后的波段。

3.实验精度评价

3.1 道路面积百分比精度评定

道路面积百分比差值绝对值（如表1、图3 所示）：

表1 道路面积百分比差值绝对值统计

图3 道路面积百分比差值绝对值统计

道路的分类中蓝波、绿波、近红波组合面积百分比差值绝对值最小，分类效果最好。蓝波、绿波、红边波组合面积百分比差值绝对值次之，分类结果较好。蓝波、绿波、红波、红边波组合面积百分比差值绝对值再次之，分类结果较好。蓝波、红边波、近红波组合面积百分比差值绝对值最大，分类效果最差。

从不同波段组合来看，红波、红边波、近红波组合总体分类精度较高，裸地分类精度较高。蓝波、绿波、红波组合总体分类精度最高，耕地、裸地、建筑物分类精度较高，草地分类精度最高。蓝波、绿波、红边波组合总体分类精度一般，耕地分类精度较低，分类面积百分比偏小，裸地分类面积百分比偏大，草地分类精度最低，分类面积偏少。蓝波、绿波、红波、红边波组合总体分类精度较高，建筑物、草地、道路分类精度较高。蓝波、绿波、红波、近红波组合总体分类精度一般，建筑物分类精度较低，分类面积百分比偏小，水体分类精度较低，分类面积百分比偏大。蓝波、绿波、红波、红边波、近红波组合总体分类精度一般，耕地、草地分类精度较高，裸地分类精度最高，建筑物分类精度较低，分类面积百分比偏小，水体分类精度较低，分类面积百分比偏大。蓝波、绿波、近红波组合总体分类精度较低，建筑物分类精度最低，分类面积百分比偏小，水体分类精度最低，分类面积百分比偏大，道路分类面积百分比偏小。绿波、红波、红边波组合总体分类精度一般，各类型分类精度也一般。绿波、红波、红边波、近红波组合总体分类精度较低，建筑物分类面积百分比偏小，水体分类面积百分比偏大，道路分类精度较低。绿波、红波、近红波组合总体分类精度较低，耕地、草地分类精度较低。水体分类精度较高。蓝波、绿波、红边波、近红波组合总体分类精度一般，道路分类精度较低，分类面积百分比偏大。绿波、红边波、近红波总体分类精度一般，耕地分类精度较低，建筑物分类精度最高。蓝波、红波、红边波、近红波组合总体分类精度最低，耕地、裸地分类精度最低，水体分类精度最高。蓝波、红边波、近红波组合总体分类精度一般，裸地分类精度较低，道路分类精度最低，道路分类面积百分比偏大。蓝波、红波、红边波组合总体分类精度一般，耕地分类精度最高。蓝波、红波、近红波组合总体分类精度较低，耕地、裸地、草地分类精度较低，水体分类精度较高。

3.2 建筑物面积百分比精度评定

建筑物面积百分比差值绝对值（如表2、图4 所示）：

表2 建筑物面积百分比差值绝对值统计

图4 建筑物面积百分比差值绝对值统计

建筑物的分类中绿波、红边波、近红波组合面积百分比差值绝对值最小，分类效果最好。蓝波、绿波、红波组合面积百分比差值绝对值次之，分类结果较好。蓝波、绿波、红波、红边波组合面积百分比差值绝对值再次之，分类结果较好。蓝波、绿波、近红波组合面积百分比差值绝对值最大，分类效果最差。不同波段组合面积百分比总差值（如表3 所示）：

表3 不同波段组合面积百分比总差值统计表

从不同波段面积百分比总差值统计表可以看出，蓝波、绿波、红波组合两次总差值最小，精度最高，蓝波、绿波、红波、红边波组合次之，红波、红边波、近红波组合再次之，且面积百分比总差值都在10%已内，分类精度较高，蓝波、红波、红边波、近红波组合面积百分比总差值最大，分类精度低。蓝波、绿波、红边波组合两次分类中，耕地面积百分比都小于裸地面积百分比，而且第二次分类中，草地面积百分比小于道路面积百分比，与实际不符。蓝波、绿波、红波、近红波组合第二次分类中，建筑物面积百分比小于水体面积百分比，与实际不符。蓝波、绿波、红波、红边波、近红波组合第二次分类中，建筑物面积百分比小于水体面积百分比，而且组合操作复杂，与实际不符，不适于该地区的分类。蓝波、绿波、近红波组合第二次分类中建筑物面积百分比小于水体面积百分比，而且道路分类面积为零，与实际不符。

4.结束语

本文通过对沈阳地区的卫星影像数据（RapidEye）进行了16 种波段组合实验研究，综合总体和不同土地类型分类精度来看：

（1）适合在本地区的利用RapidEye 卫星影像土地分类的波段组合有蓝波、绿波、红波，蓝波、绿波、红波、红边波，红波、红边波、近红波三个组合，后两个波段组合是以前研究没有提出的，蓝波、绿波、红波、红边波组合在道路分类上有较大优势。

（2）从不同土地类型来看，耕地分类精度最高的是蓝波、红波、红边波组合，分类最低的是蓝波、红波、红边波、近红波组合。裸地分类精度最高的是蓝波、绿波、红波、红边波、近红波组合，分类精度最低的是蓝波、红波、红边波、近红波组合。建筑物分类精度最高的是绿波、红边波、近红波组合，分类精度最低的是蓝波、绿波、近红波组合。水体分类精度最高的是蓝波、红波、红边波、近红波组合，分类精度最低的是蓝波、绿波、近红波组合。草地分类精度最高的是蓝波、绿波、红波组合，分类精度最低的是蓝波、绿波、红边波组合。道路面积百分比差值绝对值最小的是蓝波、绿波、近红波组合，但该组合第二次分类的，面积百分比为零，所以道路分类精度最高的是蓝波、绿波、红边波，分类精度最低的是蓝波、红边波、近红波组合。

（3）适合在本地区的利用RapidEye 卫星影像土地分类的波段组合有蓝波、绿波、红波，蓝波、绿波、红波、红边波，红波、红边波、近红波三个组合，后两个波段组合是以前研究没有提出的，蓝波、绿波、红波、红边波组合在道路分类上有较大优势。

RapidEye 卫星因其独有的光谱特征以及海量数据获取能力，国内外遥感影像使用单位对其使用度越来越高。星下点空间分辨率高达6.5m,结合红、蓝、绿、红边和近红外5 个光谱波段可以精准监测植被生长情况，在土地分类方向的应用前景大有作为。