基于SPOT6卫星影像和随机森林模型的土地利用精细分类研究*

2021-06-29 11:00王雪娜
科技创新与应用 2021年17期
关键词:面向对象对象卫星

王雪娜

(广州市番禺城市规划设计院,广东 广州511400)

地物精细化遥感信息提取是高空间分辨率遥感数据应用的主要研究热点之一。法国发射的SPOT系列卫星,一直以来都是国际上最重要的遥感数据源,其高效的观测能力和较高的数据质量,已经在自然环境、农林等领域有了较多的应用。SPOT6卫星影像作为SPOT系列最高质量的卫星数据,自发射以来一直受到广泛关注。当前针对SPOT6卫星数据的研究方向主要是数据融合方法及对比[1],数据影像参数对比[2]等方面,也在建筑物提取研究[3]、湿地地物反演[3]等方面做了探索,但目前较少有关注利用SPOT6卫星数据获取土地利用精细化分类领域。本文选择广东省东莞市西部的SPOT6卫星影像,采用随机森林分类模型对土地利用进行精细分类研究,并与最近邻分类法结果进行对比分析,为高空间分辨率遥感卫星数据地物分类研究提供参考。

1 研究方法

1.1 研究区域

本文研究区域位于广东省东莞市西部,该区域包括林地、农田、河流、鱼塘、道路、农村居民地、工业用地等地物类型。总体来说地物类型多且环境复杂,作为研究区域具有较强代表性。

1.2 研究数据

SPOT6卫星于2012年9月成功发射,是法国的一颗高分辨率对地观测遥感卫星。SPOT6卫星全色影像地面分辨率为1.5m,多光谱影像的地面分辨率是6m,具有4个可见光/近红外波段。SPOT6卫星影像的参数,如表1所示。从第一颗SPOT卫星开始,SPOT卫星在区域生态环境、地质矿产、农业与林业、环境保护、灾害监测、测绘制图、城市规划和国防等领域具有较高的应用价值和普及率[4]。本文使用的SPOT数据成像于2013年11月。

表1 SPOT6卫星影像数据参数[4]

1.3 研究方法

本文所用分类系统和技术路线,如表2和图1所示。

图1 技术路线图

表2 本文所用分类系统

1.3.1 数据预处理

SPOT6的数据预处理主要是数据融合,可以综合全色数据空间分辨率高和多光谱数据光谱特征丰富的优势。本文利用了ENVI软件中的Gram-Schmidt融合算法进行数据融合。

1.3.2 面向对象多尺度分割

影像分割是将一幅影像划分为若干相对同质的子对象的过程,是面向对象遥感分类的基础,分割效果对分类精度影响很大[5]。多尺度分割是在整幅图像与全部像元之间构建多级空间尺度对象,构成影像对象的网络层次关系。本文根据多次交互式分割试验,确定了最适宜本研究的分割参数为:分割尺度50,形状指数0.3,紧密度指数0.4,色彩指数0.7,光滑指数0.6。

1.3.3 最近邻法

最近邻法是面向对象遥感分类中最常用的一种监督分类方法。最近邻方法直观、简单、易于实现,通过计算待分类样本对象和每个训练样本对象的距离选出k个最近邻样本,将待分类样本对象分到k个最近邻样本对象中大多数样本所属的类别[6]。

1.3.4 随机森林分类模型

随机森林分类模型是2001年由Leo Breiman和Cutlery Adele提出的一种分类回归树的数据挖掘方法,是一种组合式的自学习技术。随机森林以决策树(Decision Tree)作为基分类器(Basic Classifier),采用简单多数投票法(针对分类)或单棵树输出结果的简单平均(针对回归)得到模型的最终输出。对于每棵树,它们使用的训练集是应用bootstrap方法从总的训练集中有放回采样,每次未被抽到的样本组成了袋外数据(Out-Of-Bag,OOB),这些袋外数据可用于估量变量因子的重要性。在森林建立过程中实现了对常规误差进行无偏估计,所以在随机森林中没有必要进行交叉验证或采用独立数据建立误差无偏估计,同时可以避免过度估计[7]。

1.3.5 分类对比与精度评定

为了对比分类结果的质量,本文选用了面向对象分类方法中最近邻分类方法作为对比。面向对象的最近邻分类也是一种监督分类方法,首先将遥感影像分割为若干影像对象,根据野外调查和相关先验知识,构建训练对象(已知分类类别的对象),在所有影像对象的n维特征属性空间中,计算待分类的样本对象与训练对象的欧氏距离,将其划分到距离最小的训练对象所属的类别当中[8]。

本文选用总体分类精度和Kappa系数两个精度评定指标评价和对比最近邻分类方法与随机森林分类结果。

2 结果分析

本文应用于面向对象分类中的特征变量,除了融合数据的光谱特征外,还包括了植被指数(NDVI)和纹理特征等。根据野外调查获取的各个地物类型的训练样本,计算其在分类特征变量中的信息值,然后作为输入信息加入到随机森林模型中,执行分类过程,得到分类结果,并利用验证演变作为参考,对分类结果的精度进行评价分析。

为了对比本文采用的随机森林分类效果优劣,本文将相同的训练样本和验证样本,用于面向对象的最近邻分类方法中,并将两者分类的精度指标进行对比分析(见表3)。从表3中可以看出,随机森林模型方法得到的分类结果,在分类的总体精度和Kappa系数两个指标上均优于面向对象的最近邻方法。

表3 不同分类方法精度对比

图2 是本文利用随机森林模型得到的精细化地物分类结果。从图中可以看出利用面向对象分类方法得到的分类结果避免了基于像元分类方法中的“椒盐现象”,分类结果从目视效果上提升很多,去除了大量的噪声像元的影响。对本文的分类结果而言,10类地物的精细化分类的结果比较好,线性地物的水体、河流等结构和形状合理,农田、农村居民地等分类的精度也较高。

图2

3 结束语

本文基于SPOT6卫星影像数据,采用随机森林模型方法对广东省东莞市西部地区进行土地利用精细分类与对比研究。实验结果表明:(1)SPOT6数据适用于利用面向对象分类方法进行的土地利用精细化分类研究,所得分类结果目视效果好;(2)随机森林模型的分类结果优于最近邻方法,分类精度提升了7%,Kappa系数提升了0.06。在今后的研究可以深入探讨更多分类特征对分类带来的影响,以获得更高精度的分类结果。

猜你喜欢
面向对象对象卫星
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
miniSAR遥感卫星
晒晒全国优秀县委书记拟推荐对象
静止卫星派
面向对象方法在水蓄冷PLC编程中应用分析
面向对象的组合软件工程研究
攻略对象的心思好难猜
Puma" suede shoes with a focus on the Product variables
区间对象族的可镇定性分析
个性签名