GF-1B、C、D星数据在国土资源调查监测领域的应用研究

□浙江省国土整治中心 陈文志 许调娟 童英良

2018 年3 月31 日成功发射的2 米/8 米光学卫星（GF-1B、C、D）星座是中国第一个民用高分辨星座，由性能相同、状态一致的3 颗业务卫星组成，空间分辨率为全色2 米、多光谱优于8 米，单星成像幅宽大于60 千米。牵头主用户为自然资源部，用于开展山、水、林、田、湖、草等自然资源全要素、全覆盖、全天候的实时调查监测。本文针对国产GF-1B、C、D 星数据在浙江省自然资源调查监测领域的应用进行研究，探索形成了高分卫星数据应用的路径与方法，为卫星数据规模化应用提供参考思路。

一、资料准备与评价方法

（一）数据资料

本文综合考虑了土地利用类型具有典型性、代表性等因素，结合影像覆盖情况，选择了湖州市南浔区和金华市金东区作为实验区，选取了质量较好、能够完整覆盖辖区的高分一号12景影像作为数据源（见表1）。

其他基础数据包括：2017 年11 月金东区土地利用变更调查影像成果1 米数字正射影像数据（以下简称“DOM”）、2018 年7 月金东区卫片执法检查工作影像（浙江省）1 米DOM；2017 年10 月南浔区土地利用变更调查影像成果1 米DOM、2018 年7 月南浔区卫片执法检查工作影像（浙江省）1米DOM。

（二）土地利用变更调查监测应用评价方法

1.最小可检测图斑

最小可检测图斑是指变化检测结果中，可识别其属性的最小面积图斑。选取平原、山区等不同典型区域，每个区域选1～2 个1 ∶10000 标准分幅的不同时相（季相相近）的影像，采用差值法、比值法或其他方法进行变化检测，从检测结果中提取变化图斑，剔除伪变化图斑，最后从变化图斑中选择面积最小的图斑作为可检测的最小变化图斑。

2.新增建设用地监测属性、面积精度

参照抽样、地面调查等方式获得的地表真实分类信息，或者利用更高分辨率数据生成的结果，采用相对面积精度来评价图斑的面积精度。

表1 高分一号卫星数据情况汇总表

相对面积精度是指样本图斑与比较真值图斑间的面积相对精度。其计算方法为：为国产高分遥感图像中样本图斑面积，

评价方法为，一是准备好分类结果数据和参考分类数据；二是对照基础影像，勾绘图斑，计算面积；三是对应图斑计算相对面积精度。

（三）土地资源全天候遥感监测应用评价方法

土地资源全天候遥感监测图斑只有一个变化信息矢量图斑层，通过2018 年遥感影像与2017 年基期底图对比，采用目视解译方式进行变化信息提取，发现2018 年度土地调查数据库“建设用地”外的新增变化用地、疑似新增变化用地、新增生态退耕用地图斑。

根据面积误差符合正态分布的规律，利用三个指标对面积误差进行评估，即相对中误差、相对误差与平均相对误差，从而得出单个图斑面积与整个区域的中误差。以下指标计算公式中，为国产卫星遥感图像中样本图斑面积，为参考影像样本图斑面积。

相对误差为：

平均相对误差为：

相对中误差：

（四）土地行业主体业务需求应用评价方法

1.地类信息提取

采用目视解译和面相对象分类的方式。目视解译根据确定分类系统和解译标志以及解译经验，参考土地利用基础数据库中的高分辨率正射影像、变更调查数据、土地利用现状数据等，判别2 米/8 米光学卫星（3 颗）影像产品上土地利用类型的光谱和纹理特征，通过人机交互对图像进行地类信息提取，解译土地利用类型。面向对象的分类方法是一种面向对象的影像分割技术，其最重要的特点就是分类的最小单元是由影像分割得到的同质影像对象（图斑）。面向对象分类可以选用更加丰富的特征，充分利用高分辨率的全色和多光谱数据的空间、纹理、和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。

2.最小可识别图斑

选取平原和山区等不同典型区域，每个区域选1～2 个1 ∶10000标准分幅的遥感图像进行地类解译。采用多种方法进行分类，将分类结果进行属性精度评价和面积精度评价。统计分类精度高的影像的最小可识别图斑，将面积最小值作为最小可识别图斑的面积。

3.典型地类属性、面积精度

参照抽样、地面调查等方式获得的地表真实分类信息，或者利用更高分辨率数据生成的结果，运用混淆矩阵方法和Kappa 分析方法进行精度评价。

混淆矩阵包括：总体精度（Overall accuracy）、使用者精度（User's accuracy）、生产者精度（Producer's accuracy）等。上述各种统计参数的数学表达式如下：

具体步骤为：

（1）准备好分类结果数据和参考分类数据。

（2）将两种数据进行空间叠加，对分类对象进行采样，建立考虑对象内部精度的混淆矩阵。

（3）根据建立的混淆矩阵，得到总体精度和各类别的精度（制图精度和用户精度），进行属性精度评价。

（4）利用（2）相同的采样结果，建立不考虑对象内部精度的混淆矩阵。

（5）根据（4）建立的混淆矩阵，得到总体精度和各类别的精度（制图精度和用户精度）。

（6）将（2）和（4）建立的两个矩阵得到的总体精度、制图精度和用户精度相减，得到几何精度指标。

二、数据应用研究

（一）土地利用变更调查监测应用评价

本次实验以2017 年5 月份南浔区1米分辨率的DOM为前时相影像，以2018 年7 月份的南浔区GF-1D 影像为后时相影像，以2018 年7 月南浔区1 米分辨率的DOM 影像作为对照，对湖州市南浔区范围内建设用地变化情况进行监测。

以2017 年5 月南浔区1 米分辨率的DOM 为前时相影像，以经处理的2018 年7 月份的南浔区2 米/8 米光学卫星影像（2 米分辨率）为后时相影像，在后时相影像上经目视解译提取新增建设用地图斑。提取过程中采用“拉窗帘”的方式，逐个查找变化图斑，勾绘出图斑，再对照2018 年7 月南浔区1 米分辨率的DOM 影像，删去不合理的变化监测图斑，最终获得新增建设用地图斑。

以2017年10月1米分辨率南浔区DOM 影像为前时相影像，以2018 年10 月1 米分辨率南浔区DOM 影像为后时相影像，目视提取新增建设用地图斑作为检测图斑，查看其在2018 年7 月份的南浔区GF-1D 影像上是否能被识别。其中存在部分零散变化图斑在2 米/8 米光学卫星（3 颗）影像上被漏提或无法准确勾绘的情况。

因此，2 米/8 米光学卫星（3 颗）影像数据用于土地利用变更调查与遥感监测一类监测区（要求优于一米分辨率影像）开展工作的匹配程度还不够，无法满足土地利用变更与遥感监测一类监测区工作要求。

在南浔区范围内共提取变化图斑270 个，总面积约为3842031.94平方米。其中最小斑块面积为320.02平方米。图斑面积精度在90%以上，最小可提取图斑面积在320 平方米左右，可以满足土地利用变更调查与遥感监测二、三类区土地利用变更调查工作需要。

（二）土地资源全天候遥感监测应用评价

本次实验以2017 年11 月份金东区1 米分辨率的DOM 为前时相影像，以2018 年7 月份的金东区GF-1D 影像为后时相影像，对金华市金东区范围内新增建设用地情况进行监测。以2017 年11 月份金东区1 米分辨率的DOM 为前时相影像，以经处理的2018 年7 月份的金东区2 米/8 米光学卫星（3 颗）影像（2 米分辨率）为后时相影像，在后时相影像上经目视解译提取新增建设用地图斑。提取过程中采用“拉窗帘”的方式，逐个查找变化图斑，勾绘出图斑，再对照2018 年7 月份金东区1 米分辨率的DOM 影像，最终获得新增建设用地图斑。根据影像判断，新增建设用地多为新增建筑物与新增堆填土。

从新增建设用地图斑中选取一定数量的样本图斑与在2018 年7 月金东区1 米分辨率的DOM 影像提取的图斑进行比较，其中在后者上提取到的图斑作为检测图斑，得到面积精度统计表以及面积精度分布频数图。本次实验在金东区范围内共提取变化图斑295 个，总面积约为4643397.74 平方米，其中最小斑块面积约为359.31 平方米。

自然资源部下发全天候监测成果前时相为2017 年土地利用变更调查与遥感监测影像，与本实验全天候遥感监测应用评价所用前时相影像一致。两者后时相影像存在不同。

利用国家下发的33 个全天候监测图斑，对照根据2 米/8 米光学卫星（3 颗）影像提取的上述295 个图斑，若前者图斑分布位置与后者分布位置相同则将后者确定为正确图斑，并且统计图斑面积。

全天候监测成果超过90%的图斑在本次测试中能够体现，未体现的两块图斑在测试数据中无明显变化。利用2 米/8 米光学卫星（3 颗）影像进行建设用地变化图斑提取精度较高，可满足全天候土地资源监测需求。由于在不同时相、不同分辨率影像提取的图斑，图斑总数和面积存在较大变化。

（三）土地行业主体业务需求应用评价

对金东区曹宅镇土地利用识别与分类采用ecognition 面向对象分类的方法。根据曹宅镇土地利用现状数据，参照2018 金东区DOM 数据，确定解译标志，选取训练样本与验证样本。在ecognition 中先对影像选择合适的尺度进行分割，分割尺度为75，再选择支持向量机作为分类器，结合纹理特征、光谱信息等根据训练样本进行影像分类。参照DOM 数据对分类结果进行人工修正，再利用验证样本进行精度验证。最终划分为5 种典型地类，分别为建设用地、耕地、园林地、草地和水域。

在ecognition 根据验证样本运用混淆矩阵和Kappa 系数进行分类精度评价。

根据表2 可知园林地、水体、建设用地分类精度相对较高，其中水体分类精度最高。曹宅镇耕地多分布于村庄等建设用地附近，旱地与村庄建设用地光谱有相似，较多耕地被误分为建设用地。园林地较多被分为耕地；耕地有被分为园林地和草地；而草地较多被分为园林地和耕地。除了丘陵地区的林地，其它园林地与草地和耕地在影像上的光谱差异较小，另外根据纹理特征区分三者也较困难。

表2 分类精度评价表

根据混淆矩阵可确定各典型地类的属性精度与面积精度。另外总体分类精度和Kappa 系数分别为91.16%和0.8821，满足一般分类精度的要求。

三、结论

针对本次试验数据及实验区，经综合评价分析，取得结论如下。

（1）GF-1B、C、D 星数据在实验区土地利用变更调查监测应用测试中，平均属性精度94.00%，平均面积精度91.53%，最小可监测图斑面积320.02 平方米，能够满足土地利用变更调查监测与核查工程二、三类区遥感监测工作要求。

（2）GF-1B、C、D 星数据在实验区土地资源全天候遥感监测工程应用测试中，平均属性精度99.66%，平均面积精度96.06%，最小可监测图斑面积359.31 平方米，满足土地资源全天候遥感监测工程重点城市、重点区域高分辨率遥感监测工作要求。

（3）GF-1B、C、D 星数据能够识别建设用地、耕地、园林地、草地及水域等典型地类类型，总体精度91.16%，能够服务土地利用现状调查（1 ∶25000）、土地督察、土地规划实施监测监管及土地整治重大工程监测等主体业务应用需求。

（4）GF-1B、C、D 星数据在土地卫片执法监督检查预警、重大项目占用永久基本农田论证及监管等工作中具有较大应用潜力。