基于高分?jǐn)?shù)據(jù)的國(guó)情監(jiān)測(cè)樹(shù)冠信息遙感提取

趙青芬董雯凱

（1.江西省國(guó)土空間調(diào)查規(guī)劃研究院，江西 南昌 330009；2.江西省測(cè)繪地理信息工程技術(shù)研究中心，江西 南昌 330009；3.江西省自然資源測(cè)繪與監(jiān)測(cè)院，江西 南昌 330000）

0.引言

地理國(guó)情是指陸地表面自然環(huán)境和人文地理要素的空間分布及其相互關(guān)系，是我國(guó)國(guó)情信息的重要組成部分[1]。每年的地理國(guó)情普查工作是一項(xiàng)具有重大意義的國(guó)情國(guó)力普查調(diào)查，是全面獲取地表覆蓋情況信息的重要手段，也是掌握地表自然、人文、生態(tài)以及人類活動(dòng)情況的基本工作，更是全方位掌握我國(guó)國(guó)情信息的重要手段與信息來(lái)源[2，3]。每年的國(guó)情普查工作內(nèi)容主要包括地形、植被、耕地、水域、建筑、荒漠與裸露地等要素，主要調(diào)查各要素的類別、位置、范圍、面積以及人文地理要素的基本情況，主要有與人類活動(dòng)密切相關(guān)的交通網(wǎng)絡(luò)、居民地與設(shè)施、地理單元等的類別、位置、范圍等，通過(guò)大范圍調(diào)查與繪圖，掌握各要素的空間分布及現(xiàn)狀變更[4]。地理國(guó)情要素普查中有較容易的耕地普查工作，也有較難的地貌變更普查，本研究針對(duì)較難普查的城區(qū)樹(shù)冠要素，進(jìn)行基于遙感手段的普查方法研究。傳統(tǒng)的城區(qū)樹(shù)冠要素提取主要采用外業(yè)人工排查、內(nèi)業(yè)人工目視勾畫等方法進(jìn)行樹(shù)冠信息提取、調(diào)繪、修改、存檔等步驟。整個(gè)工作流程中，樹(shù)冠信息初步排查就占據(jù)了大部分人力物力的投入，費(fèi)時(shí)費(fèi)力，加之作業(yè)員的經(jīng)驗(yàn)和熟練程度差異，導(dǎo)致遺漏和同類要素分類有差別[5]。但城區(qū)樹(shù)冠要素提取作為地理國(guó)情普查工作中的工作重點(diǎn)，一直以來(lái)都投入大量精力進(jìn)行提取[6]。

遙感技術(shù)是一門新興的技術(shù)，始于20世紀(jì)60年代，是根據(jù)遠(yuǎn)距離目標(biāo)接收或發(fā)射電磁波的信息，根據(jù)電磁波理論，進(jìn)行信息收集、處理，并最后形成衛(wèi)星影像，從而對(duì)地面各地物進(jìn)行探測(cè)和識(shí)別的一種綜合技術(shù)。遙感技術(shù)是一種遠(yuǎn)距離、非接觸的探測(cè)技術(shù)，具有重訪周期短、覆蓋范圍廣、現(xiàn)勢(shì)性強(qiáng)、數(shù)據(jù)獲取與處理簡(jiǎn)便等優(yōu)勢(shì)，為地表信息精準(zhǔn)獲取提供了強(qiáng)有力的手段[7]。遙感手段中的分類，是一種快捷、高效的方法，通過(guò)衛(wèi)星拍攝的影像，結(jié)合地面樣本集，輸入到分類器中，可快速獲取大范圍內(nèi)的地表覆蓋要素分布及變化情況?；诖饲闆r，本研究采用遙感分類手段嘗試進(jìn)行城區(qū)樹(shù)冠要素的自動(dòng)識(shí)別與提取，以此達(dá)到高效率、零遺漏、高精度的目的。本研究采用國(guó)產(chǎn)高分辨率衛(wèi)星影像作為數(shù)據(jù)源，采用優(yōu)化特征后的聚類分析進(jìn)行全要素識(shí)別，然后采用重分類方法進(jìn)行城區(qū)樹(shù)冠遙感提取[8，9]，以此得到城區(qū)樹(shù)冠的高精度成果。

1.數(shù)據(jù)及原理

1.1 數(shù)據(jù)介紹

國(guó)產(chǎn)高分辨率衛(wèi)星影像高分二號(hào)（GF2）于2014年8月19日成功發(fā)射，是我國(guó)自主研制的首顆空間分辨率優(yōu)于1米的民用光學(xué)遙感衛(wèi)星。GF2衛(wèi)星牽頭主用戶為自然資源部，其他用戶包括住房和城鄉(xiāng)建設(shè)部、交通運(yùn)輸部、國(guó)家林業(yè)和草原局等。衛(wèi)星搭載有兩臺(tái)高分辨率1米全色、4米多光譜相機(jī)實(shí)現(xiàn)拼幅成像。GF2衛(wèi)星作為我國(guó)首顆分辨率達(dá)到亞米級(jí)的寬幅民用遙感衛(wèi)星，其在設(shè)計(jì)上具有諸多創(chuàng)新特點(diǎn)，突破了亞米級(jí)、大幅寬成像技術(shù)。GF2星下點(diǎn)空間分辨率可達(dá)0.8米，標(biāo)志著我國(guó)遙感衛(wèi)星進(jìn)入了亞米級(jí)“高分時(shí)代”，成像效果如圖1所示。

1.2 原理方法

圖1 GF2影像局部效果圖

本研究采用的技術(shù)手段主要為非監(jiān)督分類中的聚類分析。非監(jiān)督分類是在不采集外業(yè)樣本的情況下，根據(jù)像元的特征進(jìn)行臨近像元?dú)w類，將其中相似度在一定范圍內(nèi)的像元?dú)w為一類。目前常用且精度較高的非監(jiān)督分類算法主要有最鄰近試探法、ISODATA算法、K均值聚類算法等，其中K均值聚類算法在地物精細(xì)化分類識(shí)別中具有較好的適用性，無(wú)論是精度或者識(shí)別邊界，均具有相對(duì)較好的優(yōu)勢(shì)。

聚類分析是以不同地物在影像上的各種特征差別為依據(jù)的一種無(wú)先驗(yàn)知識(shí)的圖像分類。根據(jù)待分類樣本特征參數(shù)的統(tǒng)計(jì)特征，建立決策規(guī)則來(lái)進(jìn)行分類。常用的算法以K均值聚類居多，K均值聚類算法是一種迭代求解的聚類分析算法，首先將數(shù)據(jù)分為K組，隨機(jī)選取K個(gè)對(duì)象作為初始的聚類中心，然后計(jì)算每個(gè)對(duì)象與各個(gè)種子聚類中心之間的距離，把每個(gè)對(duì)象分配給距離它最近的聚類中心。聚類中心以及分配給它們的對(duì)象就代表一個(gè)聚類。每分配一個(gè)樣本，聚類的聚類中心會(huì)根據(jù)聚類中現(xiàn)有的對(duì)象來(lái)重新計(jì)算。這個(gè)過(guò)程將不斷重復(fù)直到滿足某個(gè)終止條件。終止條件可以是沒(méi)有（或最小數(shù)目）對(duì)象被重新分配給不同的聚類，沒(méi)有（或最小數(shù)目）聚類中心再發(fā)生變化，誤差平方和局部最小。

本研究在聚類分析的基礎(chǔ)上，通過(guò)優(yōu)化指數(shù)特征來(lái)達(dá)到提升分類精度的目的，其中比較豐富的指數(shù)特征為歸一化植被指數(shù)NDVI、歸一化水體指數(shù)NDWI。這兩個(gè)指數(shù)是用遙感影像的特定波段進(jìn)行歸一化差值處理，以凸顯影像中的植被、水體等信息。兩種指數(shù)的計(jì)算原理分別如式（1）、式（2）所示：

式中，NIR為近紅外波段；R為紅光波段；G為綠光波段。

目前已建立的光譜庫(kù)中所有的喬木植被光譜反射率，如圖2所示，喬木植被在近紅外、紅、綠波段三個(gè)波段具有較明顯的吸收與反射特征。本研究選取的NDVI、NDWI兩種指數(shù)，可較好地利用上述三個(gè)波段，通過(guò)線性插值計(jì)算，可將植被與水體的特征差異與其他地類更好地區(qū)分開(kāi)來(lái)，以此保證后續(xù)的識(shí)別精度。

1.3 技術(shù)路線

圖2不同植被光譜波段反射示意圖

本研究選取GF2影像作為研究數(shù)據(jù)源，首先對(duì)影像進(jìn)行平差、正射、融合等預(yù)處理，然后對(duì)影像進(jìn)行指數(shù)計(jì)算，并疊加到影像波段中作為一個(gè)特征集，將光譜波段與指數(shù)波段帶入K均值聚類算法中進(jìn)行影像自動(dòng)解譯。算法中的類別設(shè)為默認(rèn)，進(jìn)行多次聚類迭代分析，可得到最適合影像像元特征的類別數(shù)。對(duì)分類的初步成果，確定樹(shù)冠類別，然后對(duì)分類成果進(jìn)行重分類，消除多余類別，如同一地物錯(cuò)分成多類；并合并相似類，如城區(qū)水體與河流水體；最終得到分類成果。具體技術(shù)路線如圖3所示。

圖3技術(shù)路線

2.結(jié)果分析

2.1 聚類分析

K均值聚類，需要進(jìn)行類別數(shù)量人工確定，即首選給算法一個(gè)類別數(shù)目，然后算法會(huì)進(jìn)行聚類分析，并最終輸出人為設(shè)置的類別數(shù)目。此情況中人為主觀性對(duì)分類精度有影響。本研究首先進(jìn)行多批次人工數(shù)目類別劃分，并分析精度，最終試驗(yàn)得出最優(yōu)的地類類別數(shù)。不同類別數(shù)目與總體精度如表1所示。由表1可知：當(dāng)設(shè)置地類數(shù)目為4時(shí)，精度最低；當(dāng)設(shè)置地類數(shù)目為6時(shí)，精度最高，總體精度達(dá)到了87.5%。因此本研究開(kāi)展的K均值聚類分析，人工設(shè)置的數(shù)目為6類，6大類整體可劃分出全部的地類類別，且對(duì)分類算法產(chǎn)生的誤導(dǎo)最小。

表1類別數(shù)目與精度對(duì)比

采用ENVI軟件，對(duì)GF2影像進(jìn)行聚類分析，分類結(jié)果如圖4所示。整體來(lái)說(shuō)，該方法將具有相似特征的地物圖斑歸為一類，整體上避免了人工采集的樣本在分類中的影響；分類成果中的耕地、道路、林地、水體、建筑等地類均具有較好的識(shí)別。圖中的農(nóng)村居民地，種植較多樹(shù)木，且株高均超過(guò)房頂，在影像上呈現(xiàn)郁閉狀態(tài)，通過(guò)聚類分析方法，較好地識(shí)別出了居民地的樹(shù)冠信息，且邊界吻合度較好，與相鄰的耕地未混淆。

圖4聚類分析效果圖

2.2 優(yōu)化聚類分析

本研究在聚類分析的基礎(chǔ)上，進(jìn)行了指數(shù)計(jì)算，如歸一化植被指數(shù)NDVI、歸一化水體指數(shù)NDWI等，這些指數(shù)對(duì)植被、水體等均具有一定的特征放大作用。本研究將這些指數(shù)作為一個(gè)聚類因子添加到聚類分析的分類體系中，以此達(dá)到提升分類精度，降低分類誤差的目的。通過(guò)研究試驗(yàn)，分類得出的成果優(yōu)于直接進(jìn)行聚類分析的成果，優(yōu)化后的聚類分析成果如圖5所示。通過(guò)豐富指數(shù)特征，較好地避免了灌草的影響，尤其是零星分布的雜草撂荒地區(qū)，在優(yōu)化后的分類成果中與樹(shù)冠信息未混淆成一類，圖5中藍(lán)色圖斑，在優(yōu)化后成果中明顯看出剔除了范圍內(nèi)的細(xì)小圖斑的混淆。

圖5優(yōu)化聚類成果效果圖

對(duì)優(yōu)化后的聚類成果進(jìn)行局部展開(kāi)如圖6所示。圖6中為城區(qū)綠化地帶，且種植多為連片樹(shù)木，通過(guò)優(yōu)化后的聚類分析方法提取的成果中，樹(shù)冠信息被較完整地提取了出來(lái)，且圖中的細(xì)小圖斑以及道路兩旁的混合像元，也較好地剔除出去，整體上大大提高了識(shí)別精度。

圖6優(yōu)化聚類成果局部效果圖

對(duì)聚類分析的成果，進(jìn)行按類別矢量導(dǎo)出，對(duì)導(dǎo)出的類別進(jìn)行人工目視分析，區(qū)分出樹(shù)冠要素成果，然后采用重分類方法，將樹(shù)冠成果作為一類、其他類別成果作為一類，帶入軟件中進(jìn)行標(biāo)識(shí)與再分類，得到樹(shù)冠成果。本研究在提取的成果之上，采用銳化功能，針對(duì)樹(shù)冠提取成果邊緣鋸齒狀問(wèn)題進(jìn)行消除與整理，得到平滑邊緣的成果，以ArcGIS軟件進(jìn)行處理，鋸齒狀基本得到消除，邊緣平滑，且樹(shù)冠提取精度整體提升，最終的成果不僅符合實(shí)際情況，在圖件中也具有一定的美觀性。最終的結(jié)果如圖7所示。整體來(lái)說(shuō)，樹(shù)冠都達(dá)到較準(zhǔn)確地識(shí)別提取，無(wú)論是建筑中間呈條帶分布的樹(shù)冠，或是單獨(dú)的樹(shù)冠，均有較好地識(shí)別。圖7a為城區(qū)中的無(wú)序種植的樹(shù)木，有成片分布的，有單獨(dú)種植的；而圖7b為有序種植的樹(shù)木，樹(shù)木多呈條帶分布，有序地排列在建筑前后，且具有較高的郁閉度。對(duì)于這兩種樹(shù)木種植分布情況，本研究采用的優(yōu)化后的聚類分析遙感分類手段均較好地識(shí)別出了樹(shù)冠信息。

圖7重分類結(jié)果圖

2.3 效率分析

本研究采用的優(yōu)化指數(shù)特征的聚類分析遙感分類手段提取的城區(qū)樹(shù)冠信息，具有高效、便捷等優(yōu)勢(shì)，無(wú)論是遙感初分類還是重分類，整體效率較人工勾畫效率都高得多。對(duì)兩種方法提取樹(shù)冠信息的效率進(jìn)行對(duì)比如表2所示。以一個(gè)區(qū)縣為例：?jiǎn)稳斯串嫵菂^(qū)樹(shù)冠信息需7到10天完成，而遙感手段樹(shù)冠提取及后處理相同工作量的地區(qū)樹(shù)冠信息僅需要30分鐘；且遙感提取的樹(shù)冠信息精度符合國(guó)情普查精度，人工勾畫手段容易出現(xiàn)遺漏，需要反復(fù)檢查與修改。

表2效率分析

3.結(jié)束語(yǔ)

本研究基于國(guó)情監(jiān)測(cè)中的樹(shù)冠信息提取工作存在的問(wèn)題，采用通過(guò)優(yōu)化特征的遙感聚類分析分類方法，結(jié)合高分辨率衛(wèi)星影像GF2進(jìn)行遙感提取研究，以達(dá)到減少樹(shù)冠要素提取工作中的人力物力投入、提高提取效率的目的。通過(guò)研究試驗(yàn)，得出以下結(jié)論：

基于GF2影像的優(yōu)化特征后的遙感聚類分析方法可以較好地提取出樹(shù)冠面積，且精度優(yōu)于傳統(tǒng)的聚類分析方法。

采用重分類的方法對(duì)遙感提取成果進(jìn)行處理，可消除遙感提取的樹(shù)冠成果邊界較瑣碎的問(wèn)題，且成果符合國(guó)情監(jiān)測(cè)工作要求。

基于遙感手段的城區(qū)樹(shù)冠提取整體效率較人工提取效率高，且不存在遺漏現(xiàn)象，為以后的國(guó)情普查工作提供了高效便捷的手段。

本研究雖然在城區(qū)樹(shù)冠要素提取工作中取得了較好的成果，但仍存在一定的問(wèn)題。首先，本研究選用的影像為GF2亞米級(jí)衛(wèi)星影像，該影像重訪周期較長(zhǎng)，多為半年重訪一次，不能較快地獲取同一地區(qū)的重訪影像，而其他高分影像均為2米的分辨率，在樹(shù)冠提取中應(yīng)用效果較差；其次，本研究選用的遙感手段為非監(jiān)督分類，雖然操作便捷，且成果獲取較快，但對(duì)于復(fù)雜地區(qū)會(huì)存在一定的局限性，該方法在山地地區(qū)的推廣性有待進(jìn)一步研究；最后，本文雖然采用遙感手段提升了要素提取的效率，但未采用目前研究較多的深度學(xué)習(xí)方法，該方法可進(jìn)行自動(dòng)化識(shí)別與優(yōu)化。今后的研究工作將積極解決以上問(wèn)題。