面向对象的喀斯特地区地表景观遥感信息提取*

林国敏，刘继庚，邓仕雄，周 彬

（贵州水利水电职业技术学院，贵州 贵阳 551416）

地表景观的提取被广泛应用于土地资源管理、地质灾害监测和水资源污染监测等领域，提取地表景观的方法主要分为面向像素的分类方法和面向对象的分类方法。其中，面向像素的分类方法对光谱差异较为明显的遥感影像地表景观信息提取具有较好的效果，但具有一定的局限性，表现为一方面影像的纹理和形状信息不能充分被应用，会造成大量信息损失[1]；另一方面，对于光谱信息接近的地表景观，单纯依靠光谱信息进行分类，容易产生错分的现象，从而使得分类精度低。而面向对象的分类方法是以影像对象为基本处理单元，对象是由一组相邻的同质像素集合，同时与像素相对应的影像分析实体，对象的大小由影像分割的尺度与影像的空间结构决定，在面向对象的分类方法中，参与提取信息的因子不单纯有光谱信息，更重要的是包含了影像对象的形状、地形因子、植被指数、纹理和空间信息等特征[2]。许多研究表明，面向对象的地表景观提取方法结果要比单纯依靠面向像素的光谱特征提取地表景观的方法效果好。

喀斯特地区具有地形复杂、景观破碎和地表坡度大等特点，若使用面向像素的地表景观提取方法则局限性更加明显。为提高喀斯特地区地表景观提取的准确率和效率，本文采用面向对象的分类方法，将研究区的空间特征、光谱特征、形状特征等参与多尺度分割，形成“同质影像”对象，再结合坡度、亮度、归一化建筑物指数（NDBI） 及归一化植被指数（NDVI） 等参数，建立了适应喀斯特地区的地表景观分类体系[3]，该方法能够极大地减少破碎景观之间的相互干扰，比面向像素的分类方法更适合提取喀斯特地区的地表景观。

1 研究区概况

赤水河流域地处云贵高原向四川盆地过渡的斜坡地带，中上游河长约263.5 km，流域面积约为7596 km2，具体位于东经104.7°至106.5°之间，北纬27.1°至27.9°之间[4]。上游河段内泉、井、岩穴、伏流甚多，岩溶地貌发育，峰丛洼地、峰林高原、峰丛峡谷、落水洞、地下河等分布广泛，以石灰岩、白云岩等碳酸盐岩为主，抗风蚀能力强，酸不溶物含量低，成土物质来源不足，成土速率较低，农业用地呈现分布零星且不连续的特征，地表破碎，生态环境脆弱，属于典型的喀斯特地貌景观[3]。

2 数据源和研究方法

2.1 研究区数据源

本文的影像数据来源于地理空间数据云（http://www.gscloud.cn/） Landsat8 OLI 的遥感影像，由同一年覆盖研究区的四景遥感影像拼接而成。该类型的影像数据被广泛应用于大尺度的地表温度的反演、土地资源管理、动态监测和灾害监测等领域。为减弱地表和大气等原因对获取的遥感影像产生的误差以及确定上游覆盖的流域区域，本研究使用ENVI软件对遥感影像图像进行大气校正、辐射定标、去云处理、图像增强、镶嵌、拼接及裁剪等预处理，处理后将影像的6 波段赋予红色，5 波段赋予绿色，4 波段赋予蓝色，得到预处理后的研究区遥感影像，见图1。

图1 预处理后的研究区遥感影像

2.2 研究方法

2.2.1 影像分割

影像分割是面向对象分类的基础，分割的好坏决定了分类精度的高低。分割尺度过大，导致影像对象中包含不唯一的类别，造成混合地物严重，导致错分，从而降低了分类精度[3]；分割尺度过小，实际类别相同却分为大量不必要的对象，同一地类被分割成多个单元，增加了运算量和分类难度，降低了分类效率。研究区不同分割尺度的对比见图2。从图2 中可以看出，当分割尺度为20 的时候，地表景观被分割得特别细碎，失去了“同质影像”对象的本质；当分割尺度为100 的时候，地表中的林地和部分灌草被划定为同类景观，地物混合，容易错分；经过多次对比试验，当分割尺度为60 的时候，同类地物可以被分割，分割后再修改的工作量小，因此本研究采用的分割尺度为60。

图2 研究区不同分割尺度的对比

由于赤水河上游地形复杂，地表坡降大，部分地区土地资源缺乏合理管理，导致石漠化严重和景观破碎，因此本文采用分级分割的思想对研究区进行影像分割分类，即先在原始影像上分出“父类”，本文分为植被和非植被两个父类；再根据实际需要，在小尺度上定义特征，分出“子类”，本文根据研究区的实际情况和分类标准，将研究区分为耕地（包括旱地和水田）、建设用地、林地、灌草、未利用地及水体六个一级类，即六个子类。基于反复测试，最终选择第一层分割尺度为60，第二层的分割尺度为25，形状因子为0.1，父类层和子类层的紧凑度均为0.5，各波段的权重均为1。

2.2.2 建立地表分类体系

建立适当的图像分类体系是进行遥感影像分类的重要依据和基础，在实际应用过程中要充分考虑遥感影像实际可解能力、土地的用途、利用方式、经营方式和覆盖特征等因素[1]。本次分类结果参考GB/T 21010-2017《全国土地分类标准（实行）》，数据的空间分辨率为15 m，结合实地景观调研和学者已有的研究成果，建立适合于研究区的地表分类规则（见图3），从而将研究区的景观组成划分为耕地、建设用地、林地、灌草、未利用地及水体六个一级类。

图3 研究区地表分类规则

结合云贵川三省的地物在假彩色遥感影像上地物的空间位置、形状和色调等特征，并参照野外实地调查和已有的研究成果，建立研究区地表景观类型的遥感影像解译标志，见表1。从表1 中可以看出，耕地主要包括旱地和水田，旱地主要分布在地势平坦区域，在假彩色影像中主要呈粉色，水田呈青绿色；林地主要包括疏幼林、果树林及灌木林地，主要分布在坡度较大的地方，灌草包括天然牧草地、人工牧草地及其他草地，分布在坡度较缓的区域；水体包括水库、湖泊和河流等，主要呈深蓝色、条带状或者形状规则；建设用地包括城镇用地和道路，形状规则，亮度值高，主要呈深紫色或者亮粉色；未利用地主要指荒地和裸地等，亮度值极高。

2.2.3 精度评价指标

Kappa 系数（Kappa coefficient） 反映的是图像地物分类结果和训练样本数据之冋的吻合程度，克服了总体分类精度过度依赖样本类别数和样本数量的缺点，是一种更加客观准确的评价指标，其计算公式为

式中：N 为像素总数；n 为预测样本类个数；Xi指某一类别i 被正确分类的数值；Xii为预测数据中该类别的像素总数；Yii为标签中该类别的像素总数[5]。

3 面向对象的喀斯特地区地表景观遥感信息提取结果

使用eCognition 软件，基于规则和样本的面向对象分类方法，在对遥感影像的分层分割基础上，选取波段值、坡度、亮度、NDBI 及NDVI 等参数，借助建立的地表景观解译标志，针对不同的地类定义每个地类的样本训练集。同时结合野外验证点和谷歌地图辅以手动修正错分的斑块，选取混淆矩阵和Kappa 系数作为分类精度的评价指标，分类精度高于85%，借助ArcGIS 的成图功能，最终得到研究区的景观提取结果分布图，见图4。

图4 研究区的景观提取结果分布图

以赤水河上游的某子流域区域来看，通过对比原始影像和景观提取后的结果，本次建立的地表分类规则和解译标志可以很好地提取研究区的耕地、建设用地、林地、灌草、未利用地及水体等一级类景观；再借助ArcGIS 的统计功能，本文统计出了赤水河上游各类景观组成现状，见表2。从表2 中可以看出，研究区景观主要以灌草和林地为主，耕地和建设用地较少。

表2 赤水河上游各类景观组成现状

4 结束语

按照人脑认知过程的面向对象的自动分类方法，是先把地类斑块看成一个独立的单元，在充分了解分类单元后，确定分类的参数以及分类顺序等相关问题，通过该分类方法，能够克服“同物异谱”“同谱异物”现象的影响[6]。本文采用该分类方法对喀斯特地区的地类进行了识别，添加地形因子NDBI和NDVI 等指标建立了地表分类规则，得到了较好的成果，其分类方法和参数可以为喀斯特地区大面积遥感影像地表信息提取提供参考。但是由于本次实验采用的是Landsat8 OLI 遥感影像，数据分辨率最高仅为15 m，因此只能分出一级地类；如果想要更加细致地识别地类，如林地中的针叶林和阔叶林等，还需要分辨率更高的数据。