海南省琼海市“三调”试点更新遥感技术应用研究

2021-04-13 00:51李思捷林小凤
资源导刊(信息化测绘) 2021年12期
关键词:图斑面向对象精度

李思捷 林小凤

(琼海市国土资源信息与测绘中心,海南 琼海 571400)

1 引言

2017 年10 月16 日,根据《中华人民共和国土地管理法》《土地调查条例》有关规定,国务院决定自2017 年起开展第三次全国土地调查[1]。“三调”是一项重大的国土资源利用现状调查,是充分掌握我国自然资源覆盖情况、利用现状信息的重要途径,可为我国自然资源管理与规划工作打下坚实的数据基础。目前,“三调”工作的开展主要依靠传统的卫星普查、人工详查、实地勘察、内业修改等流程[2]。这类方法虽然可以保证一定的精度,但时效性较低,不能较快获取地表覆盖类型的实时信息。

遥感技术作为一门新兴技术,可在远距离、非接触情况下实现大范围的对地观测,应用较多的为分类与反演手段。目前,自然资源调查工作开展了大量遥感应用研究,如地理国情普查中的变更信息调查,会采用国产高分辨率卫星影像进行人机交互识别提取,或采用监督分类手段进行全地貌遥感分类,通过对比不同时期的分类成果,提取变更信息,最终交付外业勘察核实[3]。面向对象分类方法与传统的监督分类、非监督分类方法相比,具有较好的普适性。传统分类方法是针对像元点位进行像元信息提取并计算,得到分类模型从而进行遥感填图[4],易受选取的样本像元误导而产生误差,分类过程中的主观性操作较大。而面向对象分类方法则是对影像先进行多尺度分割,针对不同地物采用不同的分割尺度,从而得到各地类的分割图斑,每个图斑都是在分割过程中对临近像元进行聚类分析,将相似性较高的像元分为一类,相似性较低的像元剔除出去,从而得到一个个相邻的分割图斑[5];在分割图斑基础上,套合样本数据,进行属性信息附加,然后将图斑作为样本,送入面向对象分类算法中进行分类模型训练与填图,最终得到高精度的分类成果[4]。

综上所述,本研究选用国产第一颗亚米级卫星高分二号(GF2)作为数据源,采用面向对象分类方法进行遥感分类研究,通过对比面向对象分类精度与传统的监督分类精度,分析面向对象分类方法在地表信息遥感提取的适用性,并与“三调”成果对比,分析本研究思路在“三调”工作中的可用性,从而提升“三调”开展的时效性[6,7]。

2 研究区及原理介绍

琼海市是海南省东侧的一个县级市,地理位置为东经110°7′5"~110°40′50", 北纬18°58′50"~19°28′35"。琼海市地表类型复杂,西南地区多为山地丘陵,东北地区多为人工建筑设施,如居民地、道路等,全市卫星影像如图1 所示。

图1 琼海市GF2卫星影像

研究采用的数据为GF2 影像,GF2 是我国发射的第一颗亚米级民用卫星,其影像有4 个波段,涵盖蓝、绿、红、近红外所有可监管近红外波谱范围。GF2 卫星影像幅宽广、分辨率高,已越来越多地应用到地表覆盖信息遥感提取的研究中[8]。本文选用过境海南省琼海市的GF2 影像作为研究数据,采用面向对象分类方法进行试验。相对于传统的监督分类方法,面向对象将像元分割成一个个图斑对象,以对象形式进行聚类分析,并将对象作为样本送入分类器,通过层层迭代,获取最优训练模型,最终得到最优的分类成果。

3 结果分析

3.1 多尺度分割

研究采用国产遥感影像处理软件对GF2 影像进行多尺度分割,各地类的分割尺度各不相同,如针对植被覆盖的山区,分割尺度较小的情况下即可将山地完整分割出来;而针对人工建筑设施较集中区域,则要通过多次调整才能分割提取,如道路、厂房等,通过多次调整与加大分割尺度,才能将厂房从建筑设施中分割出来。图2 为通过多次调整分割阈值,得到的全要素分类成果,各类地物被分割成细小的图斑,且同种地物也存在多种图斑类型,如图中的河流水面,造成这种现象的原因是地物类型的特性在影像上存在同物异谱现象,为了避免对后期分类造成误差,通过调整分割阈值,将同一地物划分成多种类型的图斑。

图2 多尺度分割示意图

3.2 面向对象分类

将上述研究得到的分割图斑,带入面向对象分类算法中。针对同物异谱的地类图斑,通过样本标注,进行属性附加,划分同一类地物的二级样本类型,将所有样本类型带入分类器中进行分类模型训练与遥感识别,最终得到如图3 所示的分类成果。

图3 面向对象遥感提取示意图

图3(a)为采用面向对象方法进行的地表全要素分类提取成果,各地物类型均有较好识别,且成果图斑的纯净度较好、完整度较高。图中的农村居民地、山地、耕地、河流水系的边界都较完整地识别出。面向对象分类成果,由同物异谱现象划分的二级分类样本体系得到的分类成果,通过相似地类融合操作可较便捷地解决,且融合后的成果在影像上与纹理特征高度吻合。

图3(b)为传统的监督分类方法进行的地表全要素的遥感分类提取的相对最优成果,本研究选用的监督分类方法为最大似然法、支持向量机、神经网络法。由图可知,传统的监督分类成果较乱,且存在较多的错误识别现象,如山地植被错误识别成耕地、河滩滩涂错误识别成硬化地表等。造成该现象的主要原因是GF2 影像的波段范围较宽,一个波段往往涵盖几种地物类型的光谱响应窗口,造成同物异谱、异物同谱等混淆现象。这在监督分类算法中会直接导致识别精度降低,分类成果呈复杂交错、边界模糊等特征。

图3(c)为“三调”初始成果的河流水系边界,通过对比“三调”成果可知,面向对象分类方法的分类精度与识别效果更贴近三调初始成果,相对于传统的监督分类,面向对象分类精度有明显提升。

3.3 精度验证

研究采用面向对象分类方法进行“三调”更新遥感试验,通过开展面向对象分类、监督分类试验,得到不同的分类结果。为直观了解各分类成果的适用性,通过预留的20%样本,对各分类算法的成果进行精度验证。精度验证的算法为混淆矩阵算法,最终各分类方法的精度如图4 所示:整体来说,分类精度最高的为面向对象方法,即本研究所采用的方法,精度为89.4%;其次是支持向量机,分类精度为87.8%;分类精度最低的为神经网络法,这是因为监督分类在模型训练时,对混合像元的处理不如面向对象分类等,且对同物异谱、异物同谱情况不能很好地区分。

图4 不同分类器识别精度对比

4 结论与展望

本研究采用首颗亚米级国产高分辨率卫星影像GF2,结合面向对象分类方法,尝试进行地表覆盖类型分类识别,以此达到提升“三调”地表变化信息更新的时效性目的。通过研究,得到以下结论:

(1)GF2 卫星影像在地表覆盖信息遥感提取中具有较好的适用性,地表覆盖纹理清晰,辨识度高。

(2)通过多尺度分割,地表覆盖类型以图斑形式完整聚合到了一起,通过调整分割尺度,完好地解决了同物异谱造成的影响。

(3)采用面向对象分类方法,完整识别出了地表覆盖类型、居民地、水系等信息,提取边界与影像纹理特征高度吻合 ;通过预留样本进行精度验证,结果显示各地类的识别精度均达到了80%以上,面向对象分类方法的精度最高。

(4)通过对比传统的监督分类成果、“三调”初始成果,更加体现出面向对象分类方法在地表覆盖类型遥感识别的适用性以及本研究思路在“三调”工作中的可用性。

研究得到了较理想的成果,但仍存在一定问题:首先,研究选取范围仅为一个县级市,研究成果不一定适用于更广范围;其次,研究尚缺乏工程化的应用开展,需要在实际项目中运用。

猜你喜欢
图斑面向对象精度
基于不同快速星历的GAMIT解算精度分析
地理国情监测中异形图斑的处理方法
GEE平台下利用物候特征进行面向对象的水稻种植分布提取
基于深度学习与融合地形特征的黄土陷穴面向对象提取方法
新安县有序开展卫星遥感监测图斑核查工作
遥感影像提取图斑中狭长结构的探测与融解方法
土地利用图斑自动检测算法研究
基于Web的科研项目管理系统的设计与实现
民用立体测绘相机成像精度再创新高
以工匠精神凸显“中国精度”