翟亮，張曉賀，桑會(huì)勇，王曉軍，賈毅

（中國(guó)測(cè)繪科學(xué)研究院 地理國(guó)情監(jiān)測(cè)研究中心，北京 100830）

1 引 言

為全面掌握我國(guó)地理國(guó)情現(xiàn)狀，滿足經(jīng)濟(jì)社會(huì)發(fā)展和生態(tài)文明建設(shè)的需要，國(guó)務(wù)院決定于2013年至2015年開(kāi)展第一次全國(guó)地理國(guó)情普查工作（國(guó)發(fā)［2013］9號(hào)）。地表覆蓋遙感影像分類(lèi)是全國(guó)第一次地理國(guó)情普查的重要工作內(nèi)容之一，科學(xué)準(zhǔn)確地測(cè)定地表覆蓋的空間分布與動(dòng)態(tài)變化，對(duì)于全面獲取地理國(guó)情信息，掌握地表自然、生態(tài)和人類(lèi)活動(dòng)基本情況，以及研究地球系統(tǒng)的能量平衡、碳循環(huán)及其他生物地球化學(xué)循環(huán)、氣候變化等具有十分重要的意義［1－2］。遙感影像分類(lèi)技術(shù)是獲取地表覆蓋數(shù)據(jù)的主要方法之一。根據(jù)分類(lèi)對(duì)象的不同，目前常用的遙感影像分類(lèi)方法可以分為基于像元和面向?qū)ο髢煞N。其中，基于像元的分類(lèi)方法作為傳統(tǒng)的分類(lèi)方法被廣泛應(yīng)用于中低分辨率的遙感影像分類(lèi)中，常見(jiàn)的方法有最小距離法、平行六面法、最大似然法和ISODATA、K－Means、模糊聚類(lèi)方法、神經(jīng)網(wǎng)絡(luò)法、決策樹(shù)、支持向量機(jī)（SVM）等。隨著圖像空間分辨率的提高，同類(lèi)地物內(nèi)部光譜差異逐漸增大，基于像元的分類(lèi)技術(shù)已經(jīng)不能滿足當(dāng)前遙感圖像信息提取的要求，成為制約高分辨率遙感影像實(shí)際應(yīng)用的瓶頸，而面向?qū)ο蠓诸?lèi)方法的出現(xiàn)為高分辨率遙感影像信息提取提供了新的思路和方法。

目前決策樹(shù)算法已經(jīng)被廣泛應(yīng)用于遙感影像分類(lèi)中［3－6］，GLC樹(shù)分類(lèi)器一種組合決策樹(shù)分類(lèi)器，該分類(lèi)器對(duì)C4.5算法進(jìn)行了改進(jìn)，并集成了AdaBoost推進(jìn)技術(shù)。在全球地表覆蓋遙感分類(lèi)——大洋洲地表覆蓋分類(lèi)工作中，GLC樹(shù)被成功應(yīng)用于Landsat衛(wèi)星影像（2000年和2010年2期共796景）分類(lèi)中，并取得了良好的應(yīng)用效果，其分類(lèi)精度平均達(dá)到85%以上。本文將其應(yīng)用于 WorldView－2影像面向?qū)ο蠓诸?lèi)技術(shù)試驗(yàn)中，通過(guò)對(duì)不同地區(qū)的分類(lèi)實(shí)驗(yàn)證明：利用GLC樹(shù)進(jìn)行高分辨率遙感影像分類(lèi)不僅可以獲得較高的精度，而且適用于多種地物類(lèi)別的提取。

2 數(shù)據(jù)來(lái)源

WorldView－2衛(wèi)星影像是第一次地理國(guó)情普查的主要遙感數(shù)據(jù)源。WorldView－2衛(wèi)星于2009年10月由美國(guó)Digital Global公司發(fā)射，可提供0.46m的全色影像和8個(gè)波段（包括海岸帶波段、藍(lán)色、綠色、紅色、黃色、紅邊波段及兩個(gè)近紅外波段）的2m多光譜影像，與其他影像相比，WorldView－2的空間分辨率更高，多光譜波段更豐富，為用戶(hù)提供進(jìn)行精確變化檢測(cè)和制圖的能力。不同的波段能從不同方面反映地物的特性，可用于地物的分類(lèi)和解譯。第一次地理國(guó)情普查項(xiàng)目中主要利用了藍(lán)、綠、紅、近紅外4個(gè)波段的數(shù)據(jù)開(kāi)展地表覆蓋分類(lèi)。

3 分類(lèi)方法

WorldView－2衛(wèi)星影像屬于高分辨率遙感影像，傳統(tǒng)的基于像元分類(lèi)方法會(huì)導(dǎo)致椒鹽效應(yīng)，所以本文采用了面向?qū)ο蟮姆诸?lèi)思想，首先由對(duì)WorldView－2影像進(jìn)行影像分割生成同質(zhì)圖斑，選擇并提取可用于分類(lèi)的特征；然后選取樣本，利用GLC分類(lèi)器對(duì)生成的圖斑進(jìn)行分類(lèi)。在樣本采集之后，可以通過(guò)交叉驗(yàn)證的方式來(lái)檢測(cè)樣本的質(zhì)量。具體流程如圖1所示。

圖1 自動(dòng)分類(lèi)技術(shù)流程

3.1 影像分割與特征選取

影像分割是面向?qū)ο筮b感影像分類(lèi)的基礎(chǔ)，分割結(jié)果的好壞直接影響最終分類(lèi)效果。常用的分割算法有基于邊緣的影像分割、標(biāo)記分水嶺影像分割、分型網(wǎng)絡(luò)演化影像分割等。其中，分形網(wǎng)絡(luò)演化算法被目前流行的面向?qū)ο蠼庾g軟件所采用，并取得較好的分割效果。該算法采用了異質(zhì)性標(biāo)準(zhǔn)尺度，其計(jì)算公式如下：

影像異質(zhì)性f是由4個(gè)變量計(jì)算而得：wcolor（光譜信息權(quán)重）、1－wcolor（形狀信息權(quán)重）、hcolor（光譜異質(zhì)性值）、hshape（形狀異質(zhì)性值）。wcolor取值為0～1之間，為用戶(hù)定義。

在利用分形網(wǎng)絡(luò)演化算法進(jìn)行影像分割時(shí)，需要確定分割尺度參數(shù)，即生成的影像對(duì)象最大允許的異質(zhì)性。通過(guò)修改尺度參數(shù)，可以改變結(jié)果中的影像對(duì)象尺寸，高的尺度參數(shù)產(chǎn)生的影像對(duì)象大，低的尺度參數(shù)產(chǎn)生的影像對(duì)象小。在滿足必要的精細(xì)的條件下盡可能使用大尺度。

在面向?qū)ο筮b感影像分類(lèi)中，常用的特征可以分為光譜、形狀及紋理特征等。具體見(jiàn)下表。

表1 常用遙感影像特征

3.2 樣本采集

《地理國(guó)情普查內(nèi)容與指標(biāo)》中規(guī)定地理國(guó)情信息分為12個(gè)一級(jí)類(lèi)，49個(gè)二級(jí)類(lèi)，86個(gè)三級(jí)類(lèi)。一級(jí)類(lèi)有：耕地、園地、林地、草地、房屋建筑區(qū)（群）、道路、建筑物、人工堆掘地、裸露地表、水體、地理單元及界限、地形。在利用WorldView－2進(jìn)行地表覆蓋分類(lèi)時(shí)要注意靈活使用《地理國(guó)情普查內(nèi)容與指標(biāo)》中規(guī)定的地表覆蓋分類(lèi)體系。例如，同一景影像中可能同時(shí)存在已經(jīng)長(zhǎng)出莊稼的耕地和未長(zhǎng)莊稼的耕地，兩者的光譜信息會(huì)有較大差異，因此在采集樣本過(guò)程中可自定義類(lèi)別，如將耕地再分為耕地和休耕地或者先將園地、林地歸為一類(lèi)與其他地類(lèi)進(jìn)行粗分類(lèi)，然后再逐級(jí)細(xì)分，這樣可以有效提高最終分類(lèi)精度。

此外，在利用GLC分類(lèi)器執(zhí)行影像分類(lèi)時(shí)，樣本采集的過(guò)程中有以下幾點(diǎn)建議：

①樣本的質(zhì)量直接決定了分類(lèi)結(jié)果精度，盡量由影像判讀經(jīng)驗(yàn)豐富的技術(shù)人員選擇樣本；

②對(duì)于一景影像，樣本總數(shù)要保證一定的數(shù)量，其中每個(gè)類(lèi)別樣本數(shù)不少于5個(gè)；

③某些地表覆蓋類(lèi)別的提取精度與采樣時(shí)其樣本個(gè)數(shù)成正比；

④不要在類(lèi)別不易判斷的地域采集樣本，樣本最好選在確定類(lèi)別地域的中間；

⑤選取的樣本不要過(guò)于集中在一個(gè)區(qū)域，最好是均勻分布。

在本文中，由于條件限制，訓(xùn)練樣本和檢驗(yàn)樣本均采用“隨機(jī)生成點(diǎn)，目視判斷類(lèi)別”的方式獲取。

3.3 GLC樹(shù)分類(lèi)器

GLC樹(shù)分類(lèi)器是一種決策樹(shù)分類(lèi)器，采用了改進(jìn)后的AdaTree算法，在C4.5算法的基礎(chǔ)上修改其多叉樹(shù)結(jié)構(gòu)為二叉樹(shù)，并加入了AdaBoost算法用于提高分類(lèi)精度。通過(guò)GLC分類(lèi)器完成對(duì)分割結(jié)果的自動(dòng)分類(lèi)需要經(jīng)過(guò)生成訓(xùn)練集、生成規(guī)則集、執(zhí)行分類(lèi)三個(gè)步驟。GLC樹(shù)分類(lèi)器具有如下主要特點(diǎn)：

①提供了一種基于采樣樣本直接生成規(guī)則集的影像分類(lèi)解決方案；

②分類(lèi)規(guī)則可自動(dòng)生成，并可根據(jù)閾值設(shè)置進(jìn)行規(guī)則自動(dòng)調(diào)整，不僅提高了工作效率，而且避免了人工建立復(fù)雜規(guī)則集，保障了規(guī)則的客觀性和準(zhǔn)確性；

③可以面向像元或面向?qū)ο?，?duì)影像或影像分割結(jié)果進(jìn)行自動(dòng)分類(lèi)。

GLC樹(shù)分類(lèi)器生成的單條規(guī)則表現(xiàn)形式為：

其中，count表示判斷條件的個(gè)數(shù)，cover表示該條規(guī)則覆蓋的樣本數(shù)目，correct表示預(yù)測(cè)正確的樣本個(gè)數(shù)，pre表示該條規(guī)則的預(yù)測(cè)權(quán)重，class表示類(lèi)別代號(hào)，att和cut分別表示判斷屬性和相應(yīng)閾值。

圖2 GLC樹(shù)分類(lèi)器自動(dòng)分類(lèi)流程

4 實(shí)驗(yàn)和分析

為了檢驗(yàn)本文方法的有效性，分別采用了陜西臨潼、杭州、東北三個(gè)地區(qū)的 WorldView－2影像作為實(shí)驗(yàn)數(shù)據(jù)進(jìn)行了分類(lèi)實(shí)驗(yàn)，為了驗(yàn)證本文采用的GLC樹(shù)分類(lèi)器的優(yōu)越性，實(shí)驗(yàn)同時(shí)采用了SVM算法作為分類(lèi)器利用同一樣本進(jìn)行了分類(lèi)。

（1）陜西臨潼

該地區(qū)為農(nóng)村，影像為7月份數(shù)據(jù)，圖幅大小4096×4096，分辨率全色0.5m，多波段2m，主要以植被為主。根據(jù)地理國(guó)情普查要求和影像實(shí)際情況，設(shè)定解譯標(biāo)志為：人造覆蓋（包括房屋建筑區(qū)、道路、建筑物、人工堆掘地）、耕地、休耕地、水體、耕地、草地、裸地，分割尺度100。訓(xùn)練樣本368個(gè)，檢驗(yàn)樣本201個(gè)。分類(lèi)結(jié)果與原始影像局部對(duì)比如圖3，精度評(píng)價(jià)結(jié)果如表4所示。

（2）杭州

圖3 陜西臨潼地區(qū)分類(lèi)結(jié)果

該地區(qū)影像為WorldView－2 7月份數(shù)據(jù)，圖幅大小2454×2750，分辨率全色0.5m，多波段2m，主要為城區(qū)。根據(jù)地理國(guó)情普查要求和影像實(shí)際情況，設(shè)定解譯標(biāo)志為：樓房、道路、綠地（包括園地、林地、草地）、水體、裸地，分割尺度150。訓(xùn)練樣本406個(gè)，檢驗(yàn)樣本206個(gè)。分類(lèi)結(jié)果與原始影像局部對(duì)比如圖4，精度評(píng)價(jià)結(jié)果如表4所示。

（3）東北某地區(qū)

該地區(qū)影像為 WorldView－2 7月份數(shù)據(jù)，圖幅大小3836×3561，分辨率全色0.5m，多波段2m，為城鄉(xiāng)結(jié)合部。根據(jù)地理國(guó)情普查要求和影像實(shí)際情況，設(shè)定解譯標(biāo)志為：耕地、園＼林地（包括園地和林地）、草地、房屋建筑、道路、裸地、水體，分割尺度200。訓(xùn)練樣本325個(gè)，檢驗(yàn)樣本286個(gè)。分類(lèi)結(jié)果與原始影像局部對(duì)比如圖5，精度評(píng)價(jià)結(jié)果如表4所示。

圖4 杭州地區(qū)分類(lèi)結(jié)果

圖5 東北某地區(qū)分類(lèi)結(jié)果

表4 實(shí)驗(yàn)精度評(píng)價(jià)

上述3個(gè)實(shí)驗(yàn)區(qū)中，實(shí)驗(yàn)1影像中地物相對(duì)比較容易區(qū)分，地物類(lèi)別比較簡(jiǎn)單，實(shí)驗(yàn)2影像中地物類(lèi)別雖然比較簡(jiǎn)單，但是不易區(qū)分，尤其是高樓陰影的存在對(duì)道路和水體的提取都有一定的影像；實(shí)驗(yàn)3影像中地物類(lèi)別復(fù)雜度和區(qū)分難度適中。

通過(guò)上述對(duì)3個(gè)不同地區(qū)的分類(lèi)結(jié)果分析，可以發(fā)現(xiàn)：在影像分割結(jié)果的基礎(chǔ)上，對(duì)于地物類(lèi)別容易區(qū)分的地區(qū)，GLC樹(shù)和SVM都可以取得較高的分類(lèi)精度，但在地物類(lèi)別較難區(qū)分的地區(qū)，尤其是城市，兩種分類(lèi)器的分類(lèi)精度有所降低。但是從整體結(jié)果上講，GLC樹(shù)分類(lèi)器提供了較高的分類(lèi)精度，在相同影像分割、特征和樣本的基礎(chǔ)上，與SVM分類(lèi)器相比，GLC具有更高的分類(lèi)精度。同時(shí)，由于GLC樹(shù)分類(lèi)器中用到了AdaBoost提升算法來(lái)提高分類(lèi)精度，每次提升都需要利用隨機(jī)函數(shù)按照新的權(quán)重選取不同樣本，所以每次執(zhí)行GLC樹(shù)分類(lèi)結(jié)果都會(huì)有差異，但這種差異很小，不影響地理國(guó)情普查生產(chǎn)作業(yè)。目前，GLC樹(shù)分類(lèi)器已經(jīng)集成到地理國(guó)情普查生產(chǎn)作業(yè)平臺(tái)——地理國(guó)情要素提取與解譯系統(tǒng)（FeatureStation＿GeoEx）。

5 結(jié)束語(yǔ)

本文通對(duì) WorldView－2影像數(shù)據(jù)和面向?qū)ο筮b感影像地表覆蓋分類(lèi)方法的研究，提出了地理國(guó)情普查中WorldView－2影像地表覆蓋自動(dòng)分類(lèi)技術(shù)流程，首先利用分形網(wǎng)絡(luò)演化算法獲得分割結(jié)果并進(jìn)行特征選擇與提取，然后選擇訓(xùn)練樣本采用GLC樹(shù)分類(lèi)器對(duì)分割結(jié)果進(jìn)行自動(dòng)分類(lèi)。實(shí)驗(yàn)分別選取了3幅不同地區(qū)、地物類(lèi)型不同的WorldView－2影像進(jìn)行分類(lèi)，現(xiàn)有分類(lèi)結(jié)果證明，利用GLC樹(shù)分類(lèi)器進(jìn)行高分辨率遙感影像地表覆蓋分類(lèi)可以獲得較高的分類(lèi)精度，其平均Kappa系數(shù)達(dá)到85.61%。今后，為了提高工作效率，將圍繞利用GLC樹(shù)分類(lèi)器建立地表覆蓋分類(lèi)規(guī)則庫(kù)進(jìn)行研究。

［1］陳軍，陳晉，宮鵬，等.全球地表覆蓋高分辨率遙感制圖［J］.地理信息世界，2011，2：12－14.

［2］李曉兵，陳云浩，喻鋒.基于遙感數(shù)據(jù)的全球及區(qū)域土地覆蓋制圖—現(xiàn)狀、戰(zhàn)略和趨勢(shì)［J］.地球科學(xué)進(jìn)展，2004，19（1）：71－80.

［3］JOY S M，REICH R M，REYNOLDS R T.A non－parametric supervised classification of vegetation types on the kaibab national forest using decision trees［J］.International Journal of Remote Sensing，2003，24（9）：1835－1852.

［4］FRANKLIN S E，STENHOUSE G B，HANSEN M J，et al.An integrated decision tree approach （IDTA）to mapping landcover using satellite remote sensing in support of grizzly bear habitat analysis in the alberta yellowhead ecosystem.［J］.Canadian Journal of Remote Sensing，2001，27（6）：579－592.

［5］SIMARD M，SAATCHI S S，DE GRANDI G.The use of decision tree and multiscale texture for classification of JERS－1 SAR data over tropical forest［J］.IEEE Transactions on Geoscience and Remote Sensing，2000，38（5）：2310－2321.

［6］溫興平，胡光道，楊曉峰.基于C5.0決策樹(shù)分類(lèi)算法的ETM＋影像信息提?。跩］.地理與地理信息科學(xué)，2007，23（6）：26－29.