基于高分辨率遙感影像的廣州城市土地覆被分類系統(tǒng)

李淑圓, 周靜妍 ，余世孝

(中山大學(xué)生命科學(xué)學(xué)院∥廣州市城市景觀生態(tài)演變重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510275)

基于高分辨率遙感影像的廣州城市土地覆被分類系統(tǒng)

李淑圓, 周靜妍 ，余世孝

(中山大學(xué)生命科學(xué)學(xué)院∥廣州市城市景觀生態(tài)演變重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510275)

土地覆被分類系統(tǒng)是城市景觀研究的基礎(chǔ)。近年來對(duì)地觀測(cè)技術(shù)發(fā)展迅速，遙感影像的質(zhì)量與分辨率有了極大的提升，為土地覆被的研究提供了強(qiáng)大的基礎(chǔ)數(shù)據(jù)，而科學(xué)合理的分類系統(tǒng)則是土地覆被研究的前提。根據(jù)不同的研究目的和遙感數(shù)據(jù)的特點(diǎn)，各國(guó)學(xué)者先后提出構(gòu)建不同層次不同類型的土地覆被或土地利用分類系統(tǒng)，但迄今仍沒有一個(gè)為國(guó)際學(xué)術(shù)界廣泛認(rèn)可和具有普適性的分類系統(tǒng)。本文基于多光譜與全色波段融合后的2 m分辨率高分一號(hào)影像數(shù)據(jù)，依據(jù)地物自然屬性、形態(tài)及光譜特征，提出了一個(gè)適用于城市區(qū)域的土地覆被分類系統(tǒng)，并以廣州市為例圖示了分類結(jié)果。該分類系統(tǒng)著重于城市生態(tài)系統(tǒng)的特點(diǎn)，為非重疊的層級(jí)體系，第一、二層級(jí)有固定的類別與依據(jù)，第三層級(jí)為開放性層級(jí)。其中一級(jí)類別劃分為建成區(qū)、植被、水體和裸地4類，二級(jí)類別分別劃分為商住區(qū)、工業(yè)區(qū)、道路；林地、灌從、草地、農(nóng)田；河流、庫(kù)塘等9類。分類結(jié)果包含二級(jí)類別的全部土地覆被類型，總體精度達(dá)到90.1%，符合技術(shù)要求，具有推廣意義。

城市土地覆被；分類系統(tǒng)；高分一號(hào)；景觀分類

土地覆被分類系統(tǒng)是景觀格局、結(jié)構(gòu)、功能研究的基礎(chǔ)，同時(shí)也是對(duì)不同尺度、不同層次土地資源的評(píng)價(jià)、調(diào)查與規(guī)劃研究的基本問題。隨著生態(tài)環(huán)境研究對(duì)土地覆被信息日益增長(zhǎng)的需求，特別是在國(guó)家或區(qū)域尺度，遙感監(jiān)測(cè)已成為行之有效的獲取土地覆被信息技術(shù)手段。遙感監(jiān)測(cè)可以快速、動(dòng)態(tài)地獲取大范圍的地面信息，彌補(bǔ)了傳統(tǒng)的人工野外調(diào)查耗時(shí)耗力的不足，因而各國(guó)學(xué)者從不同的角度，針對(duì)不同的遙感數(shù)據(jù)構(gòu)建了多種土地覆被分類系統(tǒng)。

早在1976年，美國(guó)國(guó)家地質(zhì)調(diào)查局(USGS)依托著世界上第一顆地球資源衛(wèi)星，根據(jù)Anderson[1]提出的分類系統(tǒng)，發(fā)展出一套包括四個(gè)層級(jí)，適用于遙感數(shù)據(jù)的土地覆被分類系統(tǒng)。系統(tǒng)具有清晰的層次，三、四級(jí)類別為開放性體系，應(yīng)用范圍較廣，但其一級(jí)類別層次上既考慮了土地利用狀況又兼顧了土地自然生態(tài)背景，導(dǎo)致次級(jí)類別間關(guān)系過于復(fù)雜，出現(xiàn)類別交叉混淆的情況[2]。1990年代開始，衛(wèi)星遙感在全球和區(qū)域尺度土地利用/土地覆被研究上取得了突破性進(jìn)展。國(guó)際地圈—生物圈計(jì)劃(IGBP)基于1 km的AVHRR及MODIS數(shù)據(jù)結(jié)合土地覆被的植被狀況，采用非等級(jí)層次，將全球土地覆被劃分為17個(gè)類別[3-4]。該系統(tǒng)類別細(xì)致，但每個(gè)類別都對(duì)應(yīng)定量化的物理指標(biāo)，靈活性和兼容性較差。1996年，聯(lián)合國(guó)糧農(nóng)組織(FAO)建立了一個(gè)開放的可靈活拓展的土地覆被系統(tǒng)LCCS(Land Cover Classification System)[5]，到2000年，歐盟聯(lián)合研究中心利用SPOT4/VGT數(shù)據(jù)在FAO的基礎(chǔ)上，將全球土地覆被劃分為22個(gè)類別[6]。同時(shí)期，國(guó)內(nèi)學(xué)者劉紀(jì)遠(yuǎn)[7]提出了適用于中國(guó)資源環(huán)境遙感宏觀調(diào)查的土地資源分類系統(tǒng)方法，林培等[8]提出了以“土地利用現(xiàn)狀+土地資源背景”的迭加模式為基礎(chǔ)的5 級(jí)土地利用分類體系，并構(gòu)建了以遙感信息為主體的多源信息復(fù)合分類與制圖系統(tǒng)。

各種分類系統(tǒng)的提出，為土地覆被的相應(yīng)研究提供了基礎(chǔ)支持。然而，多數(shù)的分類系統(tǒng)僅針對(duì)大尺度、中低分辨率的遙感數(shù)據(jù)，對(duì)區(qū)域性的研究在分辨率和適用性上有一定的局限，而僅有的幾個(gè)高分辨率數(shù)據(jù)適用的分類系統(tǒng)則著重關(guān)注城郊等自然土地覆被分布較廣的區(qū)域，分類依據(jù)為單一的土地覆被的自然屬性或是土地的利用性質(zhì)。目前尚沒有一個(gè)專門針對(duì)城市區(qū)域，同時(shí)關(guān)注地物的自然屬性以及形態(tài)特征，可適用于高分辨率遙感影像的土地覆被分類系統(tǒng)。

城市土地覆被變化對(duì)城市地表徑流、生境分布、局部氣候等有著重要的影響[9]，是決定城市生態(tài)環(huán)境質(zhì)量的重要因素，同時(shí)也是城市景觀生態(tài)學(xué)研究的基礎(chǔ)。隨著遙感技術(shù)的發(fā)展，高分辨率遙感影像以其紋理細(xì)節(jié)更加清晰、信息更加豐富等特點(diǎn)，獲得了越來越廣泛的應(yīng)用。在城市環(huán)境中，土地覆被類型多樣，結(jié)構(gòu)復(fù)雜，空間異質(zhì)性高，利用高分辨率影像實(shí)現(xiàn)土地覆被信息的精確提取有著極為廣闊的應(yīng)用前景[10]。對(duì)比基于像元的分類方法，面向?qū)ο蟮男畔⑻崛》茌^好地利用高分辨率影像的紋理信息，在總體及各類地物的提取精度上均優(yōu)于傳統(tǒng)的提取方法，在高分辨率影像信息提取上有較大優(yōu)勢(shì)[11]。因而，面向?qū)ο蟮男畔⑻崛》ㄔ谵r(nóng)用地精細(xì)分類[12]，居民地提取[13]，城市建筑物提取[14]等類別單一的地物信息提取上已有較好的應(yīng)用。城市土地覆被分類所涉及的地物類別多樣，使用單一的提取方法通常無法獲得理想的分類效果，因此，本文根據(jù)各類地物的特點(diǎn)，結(jié)合使用了不同提取方法，對(duì)城市土地覆被進(jìn)行分類。

“高分一號(hào)”(GF-1)衛(wèi)星是我國(guó)高分辨率對(duì)地觀測(cè)系統(tǒng)重大專項(xiàng)中的首發(fā)星。衛(wèi)星于2013年 4月發(fā)射，目前在軌運(yùn)行穩(wěn)定，成像清晰，且計(jì)劃運(yùn)行5～8 a。它采用了高空間分辨率、多光譜與高時(shí)間分辨率相結(jié)合的光學(xué)遙感技術(shù)，以及多載荷圖像拼接融合技術(shù)和高精度高穩(wěn)定度姿態(tài)控制技術(shù)[15]，可廣泛應(yīng)用于國(guó)土資源調(diào)查與監(jiān)測(cè)、防災(zāi)減災(zāi)、農(nóng)業(yè)水利以及生態(tài)環(huán)境監(jiān)測(cè)等國(guó)家重大工程領(lǐng)域。GF-1數(shù)據(jù)產(chǎn)品的全色波段的空間分辨率達(dá)到2 m，還包括分辨率為8 m的藍(lán)、綠、紅及近紅外四個(gè)波段的多光譜數(shù)據(jù)。通過全色波段和多光譜數(shù)據(jù)的融合，可較好地保留低分辨率數(shù)據(jù)的多光譜信息，同時(shí)增強(qiáng)了地物的紋理細(xì)節(jié)，提高影像的分辨率。融合后的影像數(shù)據(jù)，基本能目視解譯識(shí)別出直徑大于100 m或?qū)挾却笥?0 m、長(zhǎng)度大于250 m 的塊狀地物，以及長(zhǎng)度大于250 m的線狀地物，符合1∶2.5萬和1∶5萬遙感地質(zhì)解譯相關(guān)技術(shù)規(guī)范的要求[16]。因此，本文的研究目的是基于高分一號(hào)影像數(shù)據(jù)，提出一套適用于城市區(qū)域的土地覆被分類系統(tǒng)，為城市區(qū)域的景觀生態(tài)學(xué)研究、生態(tài)評(píng)價(jià)和規(guī)劃建設(shè)提供分類依據(jù)。

1 分類系統(tǒng)構(gòu)建

1.1 分類系統(tǒng)構(gòu)建原則

本分類系統(tǒng)的構(gòu)建基于以下原則：

1)分類系統(tǒng)采用層級(jí)式結(jié)構(gòu)，從大類到小類按層級(jí)逐漸細(xì)分，形成土地覆被分類體系，并且等級(jí)層次可擴(kuò)充，便于針對(duì)不同研究目的應(yīng)用。

2)根據(jù)遙感影像分辨率可解譯出的土地覆被信息來構(gòu)建分類系統(tǒng)，同一級(jí)別的每個(gè)土地覆被類型提取精度應(yīng)相近且應(yīng)達(dá)到85%以上[17]。

3)不同級(jí)別側(cè)重關(guān)注城市區(qū)域土地覆被類型的不同特點(diǎn)。一級(jí)類別不宜過細(xì)，力求反映城市基本的土地覆被特征，二級(jí)類別充分反映城市區(qū)域特有的土地覆被類型。

4)分類系統(tǒng)應(yīng)簡(jiǎn)潔、實(shí)用。在同一層次內(nèi)，力求在分類最少的情況下滿足所有分類需求，確保每種土地覆被類型都有其明確的歸屬，避免出現(xiàn)模棱兩可的情況。

1.2 分類依據(jù)

結(jié)合已有的土地覆被分類系統(tǒng)的優(yōu)劣，依據(jù)上述所提出的規(guī)則，本系統(tǒng)采用二級(jí)分類體系，設(shè)置第三級(jí)別為開放性系統(tǒng)，以適用于不同的研究目的，或研究尺度更小時(shí)可以拓展添加(表1)。為避免低層級(jí)類別出現(xiàn)模棱兩可的情況，一級(jí)類別的設(shè)置僅考慮地物的自然屬性。建成區(qū)以人工構(gòu)建、構(gòu)筑物為主，地表覆被以不透水表面為表征。植被類包括地表所有的植物群落。植物的葉面在紅光波段有很強(qiáng)的吸收，而在近紅外波段有很強(qiáng)的反射，因此能與其他地物很好地區(qū)別。地物的形態(tài)特征為二級(jí)類別劃分的主要依據(jù)。由于在城市生態(tài)系統(tǒng)中，植被作為第一性生產(chǎn)者的功能已居于次要位置[18]，因此，在二級(jí)類別的劃分上，不再按照利用性質(zhì)區(qū)分植被，而是著重關(guān)注其在城市中的呈現(xiàn)形式，避免了類別之間的混淆重疊。工業(yè)區(qū)以廠房、倉(cāng)儲(chǔ)等低矮寬大的建筑物為主，屋面多為高反照率材質(zhì)，商住區(qū)主要為排列規(guī)律的中高層樓房或密集建筑，二者在形態(tài)及光譜特征上有顯著的差異，因此劃分為兩個(gè)類別；道路是線性的基礎(chǔ)設(shè)施，無論是車行的寬闊公路抑或是人行的小道，其基本形態(tài)均為細(xì)長(zhǎng)帶狀，與建成區(qū)類別里的其他地物能明顯相互區(qū)別，因此單獨(dú)劃為一類。水體分為線狀水體與閉合狀水體劃兩類，線狀水體如支流、干流、河涌等統(tǒng)一歸為河流，閉合狀水體如基塘、湖泊、水庫(kù)等列為庫(kù)塘一類。其余不屬于以上類別的地物如未利用地、沙地、裸土等劃歸為裸地，并且不在第二層級(jí)內(nèi)繼續(xù)細(xì)分。兩層級(jí)的所有類別均能在高分一號(hào)影像上通過建立一定的規(guī)則由計(jì)算機(jī)自動(dòng)解譯。

表1 城市土地覆被分類系統(tǒng)Table 1 Urban land cover classification system

一級(jí)類別分為4類：建成區(qū)、植被、水體、裸地。

二級(jí)類別分為9類：建成區(qū)——商住區(qū)、工業(yè)區(qū)、道路；植被——林地、灌從、草地、農(nóng)田；水體——河流、庫(kù)塘。

三級(jí)類別為開放性類別，使用者可根據(jù)研究應(yīng)用的需要在二級(jí)類別基礎(chǔ)上進(jìn)一步靈活劃分，以便適用于不同的研究對(duì)象與目的。

2 研究區(qū)域與遙感影像

2.1 研究區(qū)域

廣州市位于廣東省中部，地處珠江三角洲北緣，瀕臨南海(112°57′E-114°3′E， 22°26′N-23°56′N)，南北最大縱距 182 km，東西最大橫距215 km，轄區(qū)總面積 7 434.4 km2。自1978年起，廣州的城市化進(jìn)程經(jīng)歷了起步、起飛及持續(xù)快速發(fā)展的過程[19]，市域內(nèi)景觀類型豐富，是典型的城市生態(tài)系統(tǒng)。

2.2 遙感影像

本研究選用2013至2014年廣州市GF-1全色與多光譜融合影像作為基礎(chǔ)數(shù)據(jù)源。融合后的數(shù)據(jù)分辨率為2 m，包含藍(lán)、綠、紅及近紅外波段。利用紅光波段與近紅外波段計(jì)算得出NDVI指數(shù)作為輔助數(shù)據(jù)。

2.3 分類方法

由于城市土地覆被中所涉及的各種地物類別所處的尺度不盡相同，所需提取的類別較多，因此本文基于易康(eCognition developer 6.4)和ENVI 5.2以及ArcGIS軟件平臺(tái)，運(yùn)用多尺度分割以及分層分類的策略，同時(shí)利用部分地物的光譜差異性，結(jié)合支持向量機(jī)(SVM)監(jiān)督分類，對(duì)GF-1遙感影像進(jìn)行解譯。在面向?qū)ο筇崛‰A段，eCognition較其他軟件有更好的操作靈活性，可對(duì)地物特征作出更為詳細(xì)的劃分，輸出對(duì)象的面積、周長(zhǎng)、形狀等近百種特征屬性供使用者分析應(yīng)用[20]。ENVI軟件平臺(tái)集成了多種監(jiān)督分類算法的工作流程，在面向?qū)ο笮畔⑻崛〉幕A(chǔ)上結(jié)合地物光譜特征，應(yīng)用支持向量機(jī)流程工具進(jìn)一步提高提取類別的豐富度。分類后處理運(yùn)用目視檢譯，在ArcGIS平臺(tái)上對(duì)誤分的斑塊進(jìn)行修正。

2.3.1 多尺度分割 經(jīng)過多次預(yù)實(shí)驗(yàn)，結(jié)合地物實(shí)際尺度發(fā)現(xiàn)，當(dāng)分割尺度為100個(gè)像元時(shí)建筑群斑塊能較好的聚合，且在形狀因子權(quán)重較大的條件下，庫(kù)塘斑塊能呈現(xiàn)出較為完整的形態(tài)，較細(xì)的河流支流在這個(gè)尺度下能連接成細(xì)帶狀。將分割尺度設(shè)為150個(gè)像元，灌叢、草地、農(nóng)田斑塊的形態(tài)較為完整。在300個(gè)像元的尺度下，植被與其他覆被類型能很好地分離。因此分割尺度及影響因子權(quán)重分配如表2。

2.3.2 分類規(guī)則構(gòu)建 根據(jù)植被在可見紅光波段的吸收特性及近紅外波段的反射特性，利用NDVI指數(shù)進(jìn)行提取，并以此區(qū)分出植被與非植被類別。在植被類型下，農(nóng)田較為方整，紋理有明顯特點(diǎn)，在近紅外波段反射率很大，根據(jù)這幾個(gè)特征建立規(guī)則，將其與其他植被進(jìn)行區(qū)分；林地、灌叢與草地三類相互之間光譜特征差異明顯，因而利用SVM監(jiān)督分類法對(duì)三類地物進(jìn)行同時(shí)提取；在非植被層次，建成區(qū)所有地物的近紅外波段反射值均大于950，與水體其裸地的反射情況有顯著差異，據(jù)此提取出建成區(qū)類別，商住區(qū)與工業(yè)區(qū)房頂?shù)牟ㄗV反射特性在多個(gè)波段中均呈現(xiàn)出一定差異，因此對(duì)照地面真實(shí)控制點(diǎn)選取商住區(qū)及工業(yè)區(qū)的相應(yīng)感興趣區(qū)域(Region of interest，ROI)作為樣本，應(yīng)用SVM進(jìn)行規(guī)則訓(xùn)練及監(jiān)督分類，道路的長(zhǎng)寬比值較大，可建立相關(guān)規(guī)則進(jìn)行提取；水體的紅光與近紅外波段反射特性與植被相反，利用NDVI指數(shù)先作區(qū)分，河流與庫(kù)塘各自的形態(tài)特征迥異，因此設(shè)置形狀指數(shù)作進(jìn)一步區(qū)分，其余未被分類的地物歸為裸地。規(guī)則在層次之間傳遞，較低層級(jí)與較高層級(jí)形成繼承關(guān)系(表3)。

表2 多尺度分割參數(shù)Table 2 Parameters of multi-scale segmentation

3 結(jié)果與討論

限于篇幅，我們以海珠區(qū)、天河區(qū)以及番禺區(qū)三個(gè)行政區(qū)為例為說明。海珠區(qū)位于廣州市的中部，是發(fā)展較早，城市化程度極高的老城區(qū)；天河區(qū)與海珠區(qū)接壤并處于其北部，是新近發(fā)展的城區(qū)，區(qū)域內(nèi)景觀較為多樣；番禺區(qū)與海珠區(qū)南部接壤，在2000年納入廣州市區(qū)劃，開發(fā)較晚。這三個(gè)行政區(qū)包括了本分類系統(tǒng)二級(jí)類別中所有的土地覆被類型。

表3 對(duì)象提取規(guī)則Table 3 Rules of feature extraction

對(duì)三個(gè)區(qū)聯(lián)合作精度評(píng)價(jià)，以目視檢譯結(jié)合地面真實(shí)調(diào)查資料的方式，針對(duì)每種覆被類型分別選取了15個(gè)真實(shí)控制點(diǎn)感興趣區(qū)域(ROI)，在ENVI 5.2平臺(tái)上，應(yīng)用混淆矩陣對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)。分析顯示，每種土地覆被類型的分類精度均達(dá)到85%以上，總體精度為90.1%。

海珠區(qū)(圖1)由河流環(huán)抱，區(qū)內(nèi)主要的土地覆被類型為建成區(qū)，其中商住區(qū)占總面積的33.5%，工業(yè)區(qū)斑塊破碎，在區(qū)域中部、東北部邊緣以及林地周邊均有分布。商住區(qū)斑塊面積相比較大且分布連貫，斑塊聚集程度高。道路景觀相互交錯(cuò)成網(wǎng)狀，穿插分布于建成區(qū)內(nèi)，部分向其他覆被類型延伸。植被占區(qū)域總面積14.7%，其中林地占總面積5.6%，并以聚集分布的形式存在，與地面真實(shí)調(diào)查數(shù)據(jù)結(jié)合校驗(yàn)，該區(qū)內(nèi)林地多數(shù)為果園；灌叢及草地斑塊破碎，零星分布于林地斑塊中以及商住區(qū)中，農(nóng)田與裸地鮮有分布。

天河區(qū)的土地覆被類型分布在南北方向上有明顯的差異。在靠近老城區(qū)的南部主要為建成區(qū)，北部靠近新區(qū)，植被景觀分布較多。建成區(qū)占天河區(qū)總面積33.1%其中商住區(qū)比例為26.9%，主要集中在南部靠近老城區(qū)范圍，工業(yè)區(qū)在中部至北部分布較為集中，植被占該區(qū)總面積22.4%，其中林地占總面積的5.9%，其斑塊面積較大，聚集分布。農(nóng)田面積占比5.5%，主要分布于區(qū)域北部及東部邊緣，灌叢及草地斑塊破碎，分散分布在林地斑塊的周圍及內(nèi)部，總體來說植被景觀聚集分布，聚集區(qū)域內(nèi)各植被類型混合分布。該區(qū)無大面積的水體分布。

番禺區(qū)各景觀類型分布較為混合，仍以建成區(qū)為主，其中工業(yè)區(qū)占總面積33.0%，比重較大。農(nóng)田占總面積1.3%，其分布具有明顯的南北差異，北部?jī)H有少量破碎農(nóng)田斑塊散布，南部保留了大量形狀規(guī)則的農(nóng)田景觀。該區(qū)水系較為豐富，有多條主要河段，基本為東西或南北走向，庫(kù)塘緊鄰河流分布。林地占總面積5.6%，分布較為連貫，單個(gè)斑塊面積較大。

圖1 天河區(qū)、海珠區(qū)、番禺區(qū)土地覆被分類Fig.1 Land cover classification of Tianhe District, Haizhu District and Panyu District

綜合三個(gè)區(qū)的分類結(jié)果，城市區(qū)域內(nèi)，建成區(qū)在所有土地覆被類型中占比最高，老城區(qū)及其周邊一定范圍內(nèi)區(qū)域開發(fā)程度較高，土地覆被類型主要為商住區(qū)，工業(yè)區(qū)斑塊破碎，散布于老城區(qū)內(nèi)商住區(qū)之間或在離中心城區(qū)較遠(yuǎn)的區(qū)域集中分布；植被景觀分布廣泛，林地多成聚集形態(tài)分布，斑塊面積較大，灌叢與草地混合分布，多為面積較小的破碎斑塊，散布于建成區(qū)內(nèi)或聚集分布于林地周圍。離中心城區(qū)較遠(yuǎn)的區(qū)域開發(fā)程度較低，有較多植被景觀的分布，其中北部主要為林地景觀，南部保留著較多的農(nóng)田。庫(kù)塘與農(nóng)田混合分布，二者的分布與河流的位置密切相關(guān)。道路成網(wǎng)狀覆蓋在三個(gè)實(shí)驗(yàn)區(qū)上，遠(yuǎn)離老城區(qū)的區(qū)域分布著更多的寬而連貫的道路；裸地分布較少，偶見于河流兩岸、農(nóng)田邊緣及開發(fā)程度較低的建成區(qū)內(nèi)。

傳統(tǒng)上基于像元的分類方法雖在中低分辨率的遙感影像分類中得到了很好的應(yīng)用與發(fā)展，但由于其基本原理皆是基于單個(gè)像元的光譜及灰度特征進(jìn)行分類，單獨(dú)應(yīng)用于高分辨率影像將無法利用數(shù)據(jù)豐富的紋理信息與空間結(jié)構(gòu)，從而導(dǎo)致嚴(yán)重的“椒鹽現(xiàn)象”[21]。相比之下，面向?qū)ο笮畔⑻崛〖夹g(shù)可對(duì)影像進(jìn)行多尺度分割，同時(shí)基于分割的對(duì)象展開分類。此方法模擬了人類的視覺理解角度，將像元按一定的規(guī)則集合得到有意義的對(duì)象，實(shí)現(xiàn)原始影像從目標(biāo)尺度空間到語義尺度空間的表達(dá)，最大程度地利用高分辨率影像的空間和光譜信息，更加適合環(huán)境組分復(fù)雜，結(jié)構(gòu)多樣的城市土地覆被的精確分類[22]。

4 結(jié) 論

針對(duì)國(guó)內(nèi)尚無適用于城市區(qū)域的土地覆被分類系統(tǒng)這一現(xiàn)狀，本文根據(jù)城市生態(tài)系統(tǒng)的特點(diǎn)結(jié)合高分一號(hào)數(shù)據(jù)特征，提出了一套城市土地覆被分類系統(tǒng)，其中包含4個(gè)一級(jí)類別和9個(gè)二級(jí)類別，全面簡(jiǎn)潔地涵蓋了城市區(qū)域土地覆被的基本類型，并且預(yù)留第三級(jí)類別供使用者按不同研究目的靈活拓展。應(yīng)用該系統(tǒng)，對(duì)廣州市域范圍內(nèi)的高分一號(hào)遙感影像建立一系列的提取分類規(guī)則，依托易康、ENVI等軟件平臺(tái)，使用面向?qū)ο蟮男畔⑻崛〗Y(jié)合SVM監(jiān)督分類法進(jìn)行半自動(dòng)提取，解譯出二級(jí)類別的全部土地覆被類型，并對(duì)海珠、天河與番禺三個(gè)行政區(qū)內(nèi)各類土地覆被的比例及分布情況做了詳細(xì)分析。分類結(jié)果空間分辨率為2 m，各類分類精度均達(dá)到85%以上，總體精度達(dá)到90.1%。該系統(tǒng)結(jié)合土地覆被的自然屬性以及形態(tài)特征構(gòu)建，便于應(yīng)用在各類機(jī)器提取方法上，且能達(dá)到較高的分類精度，大大減輕了對(duì)高分辨率影像進(jìn)行人工目視解譯的工作量。本系統(tǒng)及分類數(shù)據(jù)在城市景觀格局演變研究，城市地表覆被對(duì)氣候環(huán)境的影響分析以及城市土地資源利用評(píng)價(jià)、生態(tài)安全評(píng)價(jià)等領(lǐng)域?qū)⒕哂袕V泛的應(yīng)用前景。

[1] ANDERSON J R, HARDY E, ROACH J T, et al. A land use and land cover classification system for use with remote sensor data[R].Geological Survey Professional Paper 964, 1976.

[2] 袁希平, 甘淑. 土地覆蓋遙感監(jiān)測(cè)及分類系統(tǒng)實(shí)例評(píng)析[J]. 云南工業(yè)大學(xué)學(xué)報(bào), 1999, 15(4): 7-10.

[3] LOVELAND T R, REED B C, BROWN J F, et al. Development of a global land cover characteristics database and IGBP DISCover from 1 km AVHRR data[J]. International Journal of Remote Sensing, 2000, 21(6/7): 1303-1330.

[4] FRIEDL M A, McIVER D K, HODGES J C F, et al. Global land cover mapping from MODIS: algorithms and early results[J]. Remote Sensing of Environment, 2002, 83(1): 287-302.

[5] GREGORIO A D, JANSEN L J M. Land cover classification system(LCCS): classification concepts and user manual[R]. Rome: Food and Agriculture Organization of the United Nations, 1998.

[6] BARTHOLOME E, BELWARD A S. GLC2000: A new approach to global land cover mapping from earth observation data[J]. International Journal of Remote Sensing, 2005, 26(9): 1959-1977.

[7] 劉紀(jì)遠(yuǎn). 中國(guó)資源環(huán)境遙感宏觀調(diào)查與動(dòng)態(tài)[M]. 北京:中國(guó)科學(xué)技術(shù)出版社, 1996.

[8] 林培, 劉黎明. 關(guān)于建立我國(guó)土地利用分類及其制圖問題的探討[J]. 中國(guó)土地科學(xué), 2001, 15(1): 28-31.

[9] WENG Y C. Spatiotemporal changes of landscape pattern in response to urbanization[J]. Landscape and Urban Planning, 2007, 81(4): 341-353.

[10] 蒲智, 楊遼, 白潔. 基于面向?qū)ο蠹夹g(shù)的高分辨率遙感影像的陰影檢測(cè)與去除[J]. 遙感技術(shù)與應(yīng)用, 2008, 23(6): 735-738.

[11] 張俊, 于慶國(guó), 侯家槐. 面向?qū)ο蟮母叻直媛视跋穹诸惻c信息提取[J]. 遙感技術(shù)與應(yīng)用, 2010 (1): 112-117.

[12] 鄧媛媛, 巫兆聰, 易俐娜, 等. 面向?qū)ο蟮母叻直媛视跋褶r(nóng)用地分類[J]. 國(guó)土資源遙感, 2010, 22(4): 117-121.

[13] 侯偉, 魯學(xué)軍, 張春曉, 等. 面向?qū)ο蟮母叻直媛视跋裥畔⑻崛》椒ㄑ芯俊运拇ɡ砜h居民地提取為例[J]. 地球信息科學(xué)學(xué)報(bào), 2011, 12(1): 119-125.

[14] 喬程, 駱劍承, 吳泉源, 等. 面向?qū)ο蟮母叻直媛视跋癯鞘薪ㄖ锾崛J]. 地理與地理信息科學(xué), 2008, 24(5): 36-39.

[15] 陸春玲, 王瑞, 尹歡. “高分一號(hào)” 衛(wèi)星遙感成像特性[J]. 航天返回與遙感, 2014, 4: 010.

[16] 羅海靜, 資鋒, 陳玲, 等. 高分一號(hào)衛(wèi)星在國(guó)土資源領(lǐng)域的應(yīng)用及前景[J]. 衛(wèi)星應(yīng)用, 2015 (3): 41-43.

[17] ANDERSON J R. A land use and land cover classification system for use with remote sensor data[M]. US Government Printing Office, 1976:963-965.

[18] 蔣高明. 城市植被: 特點(diǎn), 類型與功能[J]. 植物學(xué)通報(bào), 1993, 10(3): 21-27.

[19] 楊鵬, 陸宏芳, 陳飛鵬, 等. 1995 至 2004 年廣州土地利用格局變化與驅(qū)動(dòng)分析[J]. 生態(tài)環(huán)境, 2008, 17(3): 1262-1267.

[20] DING Xiaoying. The application of ecognition in land use projects[J]. Geomatics & Spatial Information Technology, 2005, 28(6): 116-120.

[21] ZHOU C Y, WANG P, ZHANG Z Y, et al. Classification of urban land based on object-oriented information extraction technology[J]. Remote Sensing Technology and Application, 2008, 23(1): 31-35.

[22] SHACKELFORD A K, DAVIS C H. A combined fuzzy pixel-based and object-based approach for classification of high-resolution multispectral data over urban areas[J]. IEEE Transactions, 2003, 41(10): 2354-2363.

Land cover classification system in the city of Guangzhou based on high-resolution remote sensor data

LI Shuyuan , ZHOU Jingyan , YU Shixiao

(School of Life Sciences∥Guangzhou Key Laboratory of Urban Landscape Dynamics, Sun Yat-sen University, Guangzhou 510275, China)

Land cover classification system is the basis for urban landscape studies. In recent years, the rapid development of earth observation technique provides the researches of land cover with a great amount of remote sensing images with high resolution. Many scientists have established various types of systems base on the distinguishing features of different remotely sensed data, but none of which can be used pervasively or be widely recognized in the international academia. In this paper, we proposed a classification system based on the sharpened GF-1 data with 2 meter resolution and fit for the urban area. We took Guangzhou city as an example to illustrate the application of this classification system. In this classification system, we focus on the characteristics of urban ecosystem and make it a hierarchy system without overlapping within the classes. The first two layers of the system are solid and classified with certain scientific basis, and the third layer is open for different uses. We divided the first layer into 4 parts, which include: build-up area, vegetation, water and bare land. The second layer combined with residential and commercial area, industrial district, road; forest, bush, grass, paddy field; river, pond etc. The classification results reach the precision of 90.1% and cover all parts of layer two, which is technically practicable.

urban land cover； classification system； GF-1； landscape classification

10.13471/j.cnki.acta.snus.2016.05.015

2016-01-11

廣州市科信局資助項(xiàng)目(2060503)

李淑圓(1990年生)，女；研究方向：景觀生態(tài)學(xué)；通訊作者：余世孝;E-mail:lssysx@mail.sysu.edu.cn

Q948.15+2

A

0529-6579(2016)05-0082-07