滇中高原湖泊區(qū)地表覆蓋遙感監(jiān)測應(yīng)用研究

(1.云南工程職業(yè)學(xué)院，云南 昆明 650300；2.昆明理工大學(xué)國土資源工程學(xué)院，云南 昆明 650000)

通過遙感影像識別各種地面目標(biāo)是遙感技術(shù)發(fā)展的一個(gè)重要環(huán)節(jié)，無論是專題信息提取、動態(tài)變化監(jiān)測、專題制圖還是遙感數(shù)據(jù)庫建設(shè)等都離不開遙感影像分類技術(shù)[1]。我們所觀察到的地球表面生物物理覆蓋情況是地表覆蓋，是由各種自然形成和人為建造所組成的地表覆蓋模式。遙感影像分類是將圖像中每個(gè)像元點(diǎn)或每塊區(qū)域根據(jù)其在不同譜段的光譜特征、空間結(jié)構(gòu)特征或其他信息，按照某種規(guī)劃分為不同類別[2]。遙感因其速度快、時(shí)間準(zhǔn)、周期短、覆蓋面大等特點(diǎn)，在土地利用、覆蓋變化的研究中有著不可替代的作用，且目前遙感技術(shù)已經(jīng)在地表覆蓋監(jiān)測中取得了廣泛的應(yīng)用[3，4]。

遙感影像分類方法有許多，從最早的通過目視解譯實(shí)現(xiàn)根據(jù)人的經(jīng)驗(yàn)和知識來識別地物類型，再到后來利用計(jì)算機(jī)進(jìn)行自動解譯，并通過對比了監(jiān)督分類和非監(jiān)督分類在提取不同地物信息中的精度，得出了分類效果較好的最大似然法。近年來，有不少學(xué)者提出了許多新方法：基于最優(yōu)波段組合提取、基于多維特征信息提取、BP神經(jīng)網(wǎng)絡(luò)、以專家知識和經(jīng)驗(yàn)為基礎(chǔ)的光譜信息和其他輔助信息復(fù)合法、基于知識的分層分類方法、面向?qū)ο蟮姆诸惙椒ǖ?，這些方法對數(shù)據(jù)選擇、算法以及處理過程做了改進(jìn)，分類精度均有一定提高，然而，任何一種自動提取方法都有針對性和適用范圍。隨著遙感平臺的多樣化和圖像分辨率的提高，遙感數(shù)據(jù)類型琳瑯滿目，如何對所需的遙感數(shù)據(jù)選擇合適的提取方法成為業(yè)內(nèi)人士一直熱衷的研究課題[5]。

本次研究選取了傳統(tǒng)的監(jiān)督分類以及近年發(fā)展而來的BP神經(jīng)網(wǎng)絡(luò)分類與面向?qū)ο蠓诸?種分類方法進(jìn)行比較。以星云湖流域?yàn)樵圏c(diǎn)，主要針對湖泊水體以及流域內(nèi)的地表覆蓋進(jìn)行遙感分類，快速、準(zhǔn)確地獲取流域內(nèi)的各類地表覆蓋的分布及數(shù)量，為星云湖高原湖泊流域的環(huán)境演變綜合研究提供數(shù)據(jù)支持，也能為該區(qū)域的土地資源利用現(xiàn)狀調(diào)查、土地利用變化監(jiān)測、水資源宏觀監(jiān)測、土地開發(fā)及保護(hù)等資源環(huán)境監(jiān)測與管理方面提供技術(shù)方法體系支撐。

1 研究區(qū)及研究數(shù)據(jù)

星云湖位于云南省玉溪市江川縣境內(nèi)，是云南九大高原湖泊之一。東臨華寧縣，西接玉溪，南與通海接壤，北與晉寧、澄江兩縣為鄰。星云湖湖面呈茄形，南北長9.087km，東西最大寬4.727km，東西最小寬2.518km，平均水深6.01m，當(dāng)水位位于1722.5m時(shí)，湖面面積34.329km2，湖泊蓄水量為2.0981億m3，湖周長38.8km。星云湖流域面積378km2,海拔最低點(diǎn)1690m，海拔最高點(diǎn)2648m，擁有非常豐富的漁業(yè)資源和農(nóng)業(yè)資源，有17萬人在其徑流區(qū)內(nèi)生存,全縣3鄉(xiāng)3鎮(zhèn)共11.09萬人以湖水為飲用水源,日供水1萬t。星云湖流域位置及遙感影像見圖1、圖2。

圖1 研究區(qū)區(qū)域(星云湖流域)位置

圖2 江川縣星云湖流域的遙感多波段彩色合成影像(6、5、4波段)

Landsat系列衛(wèi)星是最早的陸地資源衛(wèi)星，是20世紀(jì)七八十年代甚至90年代最主要的航天遙感數(shù)據(jù)資源。21世紀(jì)以來遙感數(shù)據(jù)多源化，然而Landsat衛(wèi)星影像因其價(jià)格低廉、存量數(shù)據(jù)時(shí)間跨度長、易于獲取等優(yōu)勢仍然被廣泛使用，尤其是中等尺度的地域研究[6-7]。Landsat8 的設(shè)計(jì)和特征與Landsat7 基本相同，但采用了更為先進(jìn)的技術(shù)，性能和可靠性都有所提高[8]。本次研究使用2014年Landsat 8號衛(wèi)星的OLI影像為數(shù)據(jù)源,影像的條帶號和行編號分別為129和43。

2 研究區(qū)覆蓋分類及精度評價(jià)方法確定

2.1 地表覆蓋分類體系確定

在開展星云湖流域的遙感分類研究之前，確定適合于利用遙感監(jiān)測的地表覆蓋分類體系是首要任務(wù)。經(jīng)過對比分析常用的幾種地表覆蓋類型體系后，發(fā)現(xiàn)安德森分類系統(tǒng)主要針對遙感監(jiān)測技術(shù)專門設(shè)計(jì)，所以本研究采用安德森分類系統(tǒng)的第一層次作為地表覆蓋的分類體系，分類體系中6個(gè)級別的不同土地利用和地表覆蓋類型見表1。

表1 基于陸地衛(wèi)星數(shù)據(jù)建立的土地利用分類系統(tǒng)

2.2 監(jiān)測精度評價(jià)指標(biāo)

為了比較分析各種分類方法的應(yīng)用效果及精確度，首先需要確定分類結(jié)果屬性正確性的精度評價(jià)方法。目前常使用構(gòu)建混淆矩陣作為地表覆蓋分類后處理的重要精度評價(jià)方法[9]，通過總體精度或Kappa統(tǒng)計(jì)量來判斷分類精度水平。

總體精度是指被正確分類的像元總和除以總像元數(shù)。被正確分類的像元數(shù)目沿著混淆矩陣的對角線分步，總像元數(shù)等于所有真實(shí)參考源的像元總數(shù)。Kappa系數(shù)是通過把所有真實(shí)參考像元總數(shù)乘以混淆矩陣對角線的和，再減去某一類中真實(shí)參考像元數(shù)與該類中被分類像元總和之積后，再除以像元總數(shù)的平方減去某一類中真實(shí)參考像元總數(shù)與該類中被分類像元總數(shù)之積，對所有類比求和的結(jié)果?？傮w精度和Kappa系數(shù)公式如下：

(1)

(2)

式中：n為總的像元數(shù)量；xii為i類別正確分類像元數(shù)量；xih為參考數(shù)據(jù)中i類別的總像元數(shù)；xil為所要評價(jià)的土地覆蓋分類數(shù)據(jù)i類別的總像元數(shù)。

3 遙感監(jiān)測技術(shù)應(yīng)用

3.1 監(jiān)測方法選取及圖像預(yù)處理

監(jiān)督分類方法是遙感分類技術(shù)發(fā)展最早且應(yīng)用最為廣泛的傳統(tǒng)經(jīng)典分類方法。其技術(shù)核心是在分類之前通過實(shí)地抽樣調(diào)查，或配合人工目視判讀，對遙感圖像上某些抽樣區(qū)中影像地物的類別屬性獲得先驗(yàn)的知識，然后利用計(jì)算機(jī)按照這些已知類別的特征去“訓(xùn)練”判決函數(shù)，以此判別并歸類處理以完成對整個(gè)圖像的分類[10]。本研究中所選用的是監(jiān)督分類中最常用也是精度較高的最大似然法。最大似然法是假設(shè)每一個(gè)波段的每一類統(tǒng)計(jì)都呈正態(tài)分布，計(jì)算給定像元屬于某一訓(xùn)練樣本的似然度，像元最終被歸并到似然度最大的一類當(dāng)中。

神經(jīng)網(wǎng)絡(luò)近年來被廣泛應(yīng)用于遙感圖像分類，分類精度也明顯得到了提升[11]。BP神經(jīng)網(wǎng)絡(luò)是利用非線性可微分函數(shù)進(jìn)行權(quán)值訓(xùn)練的多層網(wǎng)絡(luò)，包括輸入層、中間層和輸出層,它具有收斂速度快和自學(xué)習(xí)、自適應(yīng)功能強(qiáng)的特點(diǎn)，能最大限度地利用樣本集的先驗(yàn)知識，自動提取合理的模型，因此BP神經(jīng)網(wǎng)絡(luò)具有較高的精度[12]。

面向?qū)ο蠓诸惣夹g(shù)以圖斑作為分類的處理對象，圖斑包含的語義信息比單個(gè)像元更加豐富，不僅包含光譜信息，還包括多種特征如形狀、大小、紋理、位置等信息[13]。目前已有的研究成果表明，由于該方法中，面向圖斑對象綜合利用了遙感影像的光譜、形狀、紋理等信息，因此使得其分類效果更為客觀與精確可靠[14]。

在遙感影像的處理與分析中，預(yù)處理是最初的也是最基本的影像操作。為了消除影像的幾何畸變，需對影像進(jìn)行幾何校正，另外，為了能更好地分析和使用遙感數(shù)字圖像，還需要對遙感圖像進(jìn)行圖像增強(qiáng)、濾波、變換和特征提取等處理，從而更準(zhǔn)確地獲取和提取到所需要的信息[15]。

a.根據(jù)地形圖或利用GPS采集的控制點(diǎn)對圖像進(jìn)行幾何校正,此次研究采用二次多項(xiàng)式函數(shù)方法進(jìn)行影像的幾何校正,處理過程見圖3。

圖3 數(shù)據(jù)幾何校正處理流程

在幾何糾正過程中，要用到如下配準(zhǔn)公式：

x=a0+(a1X+a2Y)+(a3X2+a4XY+a5Y2)+

(a6X3+a7X2Y+a8XY2+a9Y3)

(3)

y=b0+(b1X+b2Y)+(b3X2+b4XY+b5Y2)+

(b6X3+b7X2Y+b8XY2+b9Y3)

(4)

b.對影像進(jìn)行增強(qiáng)處理可以改變圖像的灰度等級，能達(dá)到提高影像對比度的效果，并且能夠突出邊緣或者線狀地物，突出主要信息等。其中對比度拉伸是最基本的圖像處理方法，主要是用來改善圖像顯示的對比度。此次研究中采用的是對遙感影像做2%的線性拉伸處理。

c.本研究區(qū)為星云湖流域，為了使數(shù)據(jù)處理更加簡單、快捷，依據(jù)星云湖流域的流域界線進(jìn)行裁剪處理，得到研究區(qū)域影像。

3.2 監(jiān)督分類方法技術(shù)處理

先打開要進(jìn)行監(jiān)督分類的影像數(shù)據(jù)，選擇不同的波段進(jìn)行彩色合成，盡可能地選擇信息量最豐富的波段進(jìn)行合成。波段選擇可以通過計(jì)算不同波段之間的相關(guān)系數(shù)來分析其相關(guān)性。對已確定的安德森分類系統(tǒng)的第一層次的六類，根據(jù)自己的分類定義相應(yīng)的訓(xùn)練區(qū)，其中訓(xùn)練區(qū)盡可能地選擇較為純凈的區(qū)域，且每一類也要在不同地區(qū)多選擇幾個(gè)訓(xùn)練區(qū)。本次研究選擇最大似然法的方法進(jìn)行分類，從可用訓(xùn)練區(qū)類表選擇將要用于分類的感興趣區(qū)，選擇分類圖像輸出到磁盤文件或內(nèi)存。監(jiān)督分類的操作流程見圖4。

圖4 監(jiān)督分類流程

3.3 BP神經(jīng)網(wǎng)絡(luò)方法技術(shù)處理

網(wǎng)絡(luò)的實(shí)現(xiàn)分兩步完成，即正向傳播和反向傳播。本研究選擇ENVI5.0平臺和對遙感圖像做預(yù)處理，即對其做光譜增強(qiáng)、降噪、去條帶、幾何、輻射校正等處理。操作流程見圖5。

圖5 BP神經(jīng)網(wǎng)絡(luò)操作流程

本研究選擇基于光譜特征的BP神經(jīng)網(wǎng)絡(luò)分類方法，網(wǎng)絡(luò)的各參數(shù)設(shè)置如下：初始權(quán)值a=0.1，學(xué)習(xí)速率因子η=0.9，動量因子a=0.01，給定網(wǎng)絡(luò)全局誤差E=0.01，經(jīng)過不超過1000次的學(xué)習(xí)，網(wǎng)絡(luò)模型收斂，獲得較好的分類結(jié)果。將上述訓(xùn)練參數(shù)對研究區(qū)的訓(xùn)練樣本進(jìn)行BP網(wǎng)絡(luò)訓(xùn)練，其訓(xùn)練結(jié)果曲線見圖6。從中推斷出，所構(gòu)建的基于光譜數(shù)據(jù)和地理信息數(shù)據(jù)的BP網(wǎng)絡(luò)結(jié)構(gòu)和各相關(guān)參數(shù)設(shè)定較為合理，可以進(jìn)行快速有效的BP網(wǎng)絡(luò)訓(xùn)練，并能夠得到較準(zhǔn)確的分類結(jié)果。

圖6 BP人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果曲線

3.4 面向?qū)ο蠓椒夹g(shù)處理

面向?qū)ο蟮姆诸惙椒ǚ譃榘l(fā)現(xiàn)對象和特征提取兩個(gè)部分。面向?qū)ο蟮牟僮髁鞒桃妶D7。

圖7 面向?qū)ο蠓诸愡^程

面向?qū)ο蠓椒ㄊ歉鶕?jù)臨近像素亮度、紋理、顏色等對影像進(jìn)行分割，它使用了一種基于邊緣的分割算法，這種算法較為簡捷，并且只需一個(gè)輸入?yún)?shù)，就能產(chǎn)生多尺度分割結(jié)果。而選擇一種合適的分割尺度是面向?qū)ο蠓椒夹g(shù)的關(guān)鍵。本次研究在分類過程之前以分割尺度50、聚合尺度50，分割尺度40、聚合尺度60和分割尺度30、聚合尺度70三種不同的分割尺度和聚合尺度進(jìn)行效果對比，效果見圖8。

通過對3種不同分割尺度、聚合尺度的效果對比可以發(fā)現(xiàn)，當(dāng)分割尺度參數(shù)為30、聚合尺度參數(shù)為70時(shí)分類效果較好，不僅地物分割準(zhǔn)確，而且相近光譜的小斑塊也合并了在一起。所以本次研究最終確定其分割尺度參數(shù)為30，聚合尺度參數(shù)為70。

4 監(jiān)測結(jié)果整理與精度分析

4.1 監(jiān)測結(jié)果整理分析

對星云湖流域采用監(jiān)督分類的最大似然法、BP神經(jīng)網(wǎng)絡(luò)和面向?qū)ο蠓诸?種分類方法，所得到的3種地表覆蓋遙感分類監(jiān)測結(jié)果見圖9。

圖8 不同尺度下分割示意圖

圖9 不同分類方法技術(shù)處理結(jié)果

4.2 監(jiān)測結(jié)果精度分析

對監(jiān)督分類中的最大似然法、BP神經(jīng)網(wǎng)絡(luò)、面向?qū)ο?種分類方法的混淆矩陣進(jìn)行對比計(jì)算，得出3種分類方法的總體精度和整體Kappa統(tǒng)計(jì)量，見表2。直觀對比可知，針對研究區(qū)所開展的3種分類技術(shù)應(yīng)用結(jié)果，無論從總體精度還是Kappa統(tǒng)計(jì)量看，分類精度最好的是面向?qū)ο蠹夹g(shù)方法，其次是BP神經(jīng)網(wǎng)絡(luò)，傳統(tǒng)的監(jiān)督分類技術(shù)應(yīng)用結(jié)果的精度相對較低。

表2 不同分類方法的精度的比較

5 結(jié)果與討論

在以星云湖流域?yàn)檠芯繀^(qū)，利用遙感技術(shù)對滇中高原湖泊的地表覆蓋分類方法的對比研究中，發(fā)現(xiàn)利用常規(guī)的分類方法如監(jiān)督分類的總體精度雖達(dá)到了78.03%，Kappa統(tǒng)計(jì)量為0.73，但由于受地物光譜特征的干擾和混淆,很難得到較為理想的分類結(jié)果。而BP神經(jīng)網(wǎng)絡(luò)和面向?qū)ο蟮姆诸惙椒傮w精度分別達(dá)到了88.70%和92.76%，其Kappa統(tǒng)計(jì)量也達(dá)到了0.8572和0.9060，其精度足以支撐星云湖高原湖泊流域的環(huán)境演變綜合研究，也能為該區(qū)域的土地資源利用現(xiàn)狀調(diào)查、土地利用變化監(jiān)測、水資源宏觀監(jiān)測、土地開發(fā)及保護(hù)等資源環(huán)境監(jiān)測與管理方面提供技術(shù)方法體系支撐。

通過對研究區(qū)組織開展的地表覆蓋遙感監(jiān)測技術(shù)應(yīng)用研究，總體結(jié)論如下：

a.監(jiān)督分類是較為傳統(tǒng)的分類方法，操作較為簡單，但從效率方面來說，監(jiān)督分類其人為主觀因素較強(qiáng)；訓(xùn)練樣本的選取和評估需花費(fèi)較多的人力、時(shí)間。而從分類精度方面來說，監(jiān)督分類只能識別訓(xùn)練樣本中所定義的類別，對于因訓(xùn)練者不知或因數(shù)量太少未被定義的類別，監(jiān)督分類不能識別，從而影響分類結(jié)果，特別是對土地覆蓋類型復(fù)雜的地區(qū)影響更大。

b.BP神經(jīng)網(wǎng)絡(luò)分類方法由于在分類初期需要對樣本進(jìn)行多次網(wǎng)絡(luò)訓(xùn)練，因此相對于最大似然法這種傳統(tǒng)的分類方法，該技術(shù)應(yīng)用結(jié)果可以較好地提升分類精度。

c.面向?qū)ο蟮姆诸惙椒軌蚝芎玫乩眠b感影像自身的紋理信息、拓?fù)潢P(guān)系和光譜信息。相比于傳統(tǒng)的基于像元的識別模式與自下而上分類歸并機(jī)制，能夠較好地提高分類精度。但面向?qū)ο蟮挠跋穹治黾夹g(shù)所面臨的首要問題是影像分割，影像分割質(zhì)量的好壞直接決定了影像后期處理(影像理解、影像識別、影像分類等)的精度，因此如何選擇合適的影像分割尺度已成為面向?qū)ο笥跋穹治黾夹g(shù)的關(guān)鍵[16]。