利用復合光譜紋理特征進行城市邊緣區(qū)不透水層提取

朱 爽，崔有禎，張錦水

(1. 北京工業(yè)職業(yè)技術學院，北京 100042； 2. 北京師范大學資源學院，北京 100875)

?

利用復合光譜紋理特征進行城市邊緣區(qū)不透水層提取

朱 爽1，2，崔有禎1，張錦水2

(1. 北京工業(yè)職業(yè)技術學院，北京 100042； 2. 北京師范大學資源學院，北京 100875)

城市邊緣區(qū)是城市化活躍的地區(qū)，在遙感影像上呈現(xiàn)出錯綜復雜、異質強的特征，對該地區(qū)不透水層的遙感提取帶來一定的困難。本文引用擴展支撐向量機(extended support vector machines，ESVM)的軟硬分類方法，結合光譜和紋理特征變化，對正在發(fā)生快速土地覆蓋變化的城市邊緣區(qū)的不透水層進行了提取。本文提出的方法將紋理變化作為有效信息表示城市邊緣區(qū)的變異，并結合軟硬分類方法的特征進行了不透水層純凈、混合像元的識別。研究區(qū)城市邊緣區(qū)的試驗結果表明，將紋理特征作為描述不透水層的空間特征指數能夠將純凈、混合像元的識別效率提高10%，整體分類精度提高1%～5%，優(yōu)于傳統(tǒng)的軟分類、硬分類方法。

不透水層；紋理；擴展支撐向量機；軟硬分類方法

在城市化過程中出現(xiàn)的不透水層產生大量的表層徑流，這將增加水污染和洪澇災害的風險，阻止與含水層的水量交換，增加土壤侵蝕的風險。中國經濟快速發(fā)展及正在進行的快速城市化需要大量的土地，致使農田、草地、森林等向城市不斷轉化。城市邊緣區(qū)經歷著最劇烈的土地覆蓋變化，該地區(qū)的不透水層是表達城市化進程的重要參量[1]。因此，快速、準確地獲取城市邊緣區(qū)不透水層的信息對于掌握城市擴展趨勢、分析城市擴展對環(huán)境產生的潛在風險、加強城市規(guī)劃管理具有重要的意義。

遙感識別技術提供了城市土地覆蓋監(jiān)測的有效方法，但由于城市邊緣區(qū)土地覆蓋的復雜性和遙感影像空間分辨率的限制，為不透水層的提取帶來困難[2]，傳統(tǒng)的分類方法存在一定的局限性[3]。硬分類方法(如最大似然分類、k-means等)是將像元歸屬于特定的土地覆蓋類型，獲得排他性的屬性空間特征進行劃分[4]。然而，城市的土地覆蓋的異質性強，尤其對建設中的城市邊緣區(qū)，混合像元是普遍存在的現(xiàn)象，這種排他性的結果導致識別的錯入、錯出[4-5]。針對這一問題，軟分類方法能夠將不透水層的識別結果以豐度進行表示，已得到了廣泛應用[6-8]。植被-不透水層-土壤-水體模型(vegetation-impervious surface-soil model，V-I-S)以參數化形式定義了城市環(huán)境的生物物理組分和城市發(fā)展不同階段，成為目前通用的城市土地覆蓋描述的概念框架[9]。根據該理論，可將城市不透水層(如居民區(qū)、工業(yè)區(qū)、交通設施)定義為城市不透水層組分，將這些組分輸入到混合光譜分析模型(spectral mixture analysis,SMA)進行分解，提取不透水層的豐度信息[10]。

無論是軟分類方法還是硬分類方法，在提取不透水層時均存在局限性[5,11-13]。而擴展支持向量機(extended support vector machines，ESVM)結合軟、硬分類方法各自的優(yōu)勢，綜合考慮了光譜波動性和混合像元的影響，在土地覆蓋制圖應用中得到較好的識別結果[3,5]。

在城市邊緣區(qū)，不透水層與其他地物(如森林、草地、農田)相互混合，復合光譜和紋理信息能夠有效地保證不透水層的提取精度[10]。紋理信息作為描述空間異質性的有效指標，能夠協(xié)助光譜信息提高空間特征劃分的能力[14-17]。一階統(tǒng)計和二階統(tǒng)計測量方法能夠有效表達紋理特征，可以作為驗證的有效參數來提升光譜特征分類精度[14-15,18]。

本文目標是綜合利用影像光譜和紋理特征，運用軟硬分類方法，選擇典型的北京城市邊緣區(qū)進行不透水層的提取，分析紋理特征對識別結果的影響，并與傳統(tǒng)的識別方法進行對比，以驗證該方法的有效性。

一、研究區(qū)與數據

選擇了兩個試驗區(qū)，分別位于大興區(qū)和通州區(qū)的城市邊緣區(qū)，范圍均為10 km×10 km。北京作為國際大都市，隨著經濟的高速發(fā)展和人口的大量涌入，城市化進程異常迅速。相對于穩(wěn)定的城市中心而言，這一發(fā)展多發(fā)生在城市的邊緣帶。

SPOT-XS作為試驗數據源，獲取日期為2006年4月27日，無云，質量較好(A、B、C均為RGB組合波段：近紅、紅、綠)(如圖1中A所示)。選取了2個具有高分辨率的多光譜QuickBird影像作為進行精度評價的驗證數據，分辨率為2.4 m，覆蓋范圍均為10 km×10 km，獲取日分別為2006年4月23日(如圖1中B方框所示)和2006年5月2日(如圖1中C方框所示)，與SPOT-XS影像獲取時間接近。對高分辨率QuickBird數據進行SVM分類并結合目視的數字化修正，得到不透水層的分布，作為驗證真值用于精度評價。接著，將不透水層的專題圖聚合到20 m分辨率，用于與SPOT影像分辨率匹配。

圖1 研究區(qū)及數據

二、不透水層提取方法

與傳統(tǒng)的基于光譜的ESVM方法不同,本文方法主要是通過復合光譜、紋理信息進行軟硬分類，提取出不透水層，具體采用ESVM方法進行實現(xiàn)，表達為SH_ST_SVM(soft and hard svm method incorporating spectral and texture)用于不透水層的提取。主要步驟如圖2所示。

圖2 試驗流程

首先，進行紋理特征的提取。周邊像元的空間信息可以用來構造紋理信息，該紋理信息與光譜信息相結合有利于土地覆蓋制圖[14,18-19]。本文根據灰度共生矩陣，生成8種空間統(tǒng)計信息(CON、ASM、COR、MEAN、SD、DIS、HOM等)，并根據已有研究結果選擇選取CON、ASM、COR、MEAN和SD用于表示空間異質性特征[20]。然后將這5個紋理特征數據與原始遙感影像進行疊加。

其次，參照USGS土地覆蓋分類體系定義5個初始類，分別為不透水層、農田、林地、裸地、水體，分類樣本從原始的遙感影像圖中進行選取。根據每一類的訓練樣本數為10～30p(p為波段數)原則[21-22]，采用人工判定方法獲得的純凈像元，在遙感影像上選擇出120個樣本用于分類。

然后，基于SH_ST_SVM的不透水層識別。與傳統(tǒng)的線性光譜混合模型采用(linear spectral mixture analysis,LSMA)均值來解釋端元特征相比，ESVM方法利用組分特征構建特征空間，利用支撐向量構建最優(yōu)超平面，將整個不透水層光譜空間分為3部分：純凈、混合和非不透水層(如圖3所示)。具體實現(xiàn)方法參見[3,5]。最終，排他性的硬分類結果和連續(xù)的軟分類結果鑲嵌而形成不透水層專題圖。

圖3 ESVM識別不透水層示意

最后，精度評價采用平方根誤差(root mean square error，RMSE)和偏差(bias)。其中，RMSE表示估計值與真實值之間偏差的衡量指標，bias表示估計值與真實值相比的高估或低估程度。

(1)

(2)

三、結果分析

1. 紋理特征有效性分析

利用JM距離表示不同土地覆蓋類型之間的區(qū)分度(見表1)。JM距離越接近2，地物之間的分離度就越高。從JM距離可以看出，加入光譜與紋理信息計算得到的分離度高于單用光譜信息。單用光譜信息，不透水層和裸地的JM距離為0.69，說明二者之間的光譜混淆程度高；裸地紋理信息比較平坦，一旦加入紋理信息，由于紋理能夠對不透水層光譜的異質性進行有效的表達，從而紋理可以提高二者的區(qū)分度。

表1 土地覆蓋類型之間的JM距離

2. 精度分析

為驗證本文方法的有效性，分別與不同信息源、不同分類器組合的5種方法提取的不透水層進行對比分析，分別包括單一光譜的硬支撐向量機分類方法(hard spectral SVM classification，H_S_SVM)、復合光譜和紋理的硬支撐向量機分類方法(hard spectral and textural SVM classification，H_ST_SVM)、單一光譜的軟支撐向量機分類方法(soft spectral SVM classification，S_S_SVM)、復合光譜和紋理的軟支撐向量機分類方法(soft spectral and textural SVM Classification，S_ST_SVM)、單一光譜的軟硬支撐向量機分類方法(soft and hard spectral SVM，SH_S_SVM)。根據SH_ST_SVM選取樣本所在位置，提取上述5種方法樣本特征進行不透水層的提取。

在不同的土地覆蓋類別中進行不透水層識別結果的精度評估，也即將真值數據聚合到20 m分辨率，其像元中要含有不透水層土地覆蓋類型(>0%)。

表2表明，在不透水層區(qū)域，將紋理特征作為描述不透水層的空間特征，能夠在一定程度上提高不透水層的識別精度，RMSE降低約1%～5%，在與土壤或植被相混合的不透水層識別方面，精度有所提高，與以往的研究結論相一致[19]。

3. 純凈、混合像元識別效率分析

ESVM方法的關鍵步驟在于將整個區(qū)域劃分為純凈像元區(qū)和混合像元區(qū)。將從QuickBird影像得到的每種土地覆蓋類型分類結果聚合到20 m。將土地覆蓋類型豐度為100%的定義為純凈像元并作為真值，驗證不同方法獲取到的純凈、混合像元分布的一致性。一致性指標(C)定義如下

(3)

表2 精度評價

在QuickBird影像中包含22 228個純凈像元、16 660個混合像元。將真值輸入到基于光譜和紋理方法的分類結果中，兩種類型像元的一致性像元為22 607個；基于光譜的方法純凈、混合像元識別率較低，一致性像元為20 924個，本文方法能夠將純凈、混合像元的識別率提高10%。

4. 空間特征分析

選擇一個子區(qū)進行不同方法識別結果的空間特征分析(如圖4所示)。如圖4(d)—圖4(i)所示，6種方法所得到的不透水層分布大致相同。從細節(jié)上看，SH_S_ESVM和SH_ST_ESVM方法能夠將像元進行有效劃分：將純凈像元賦值為100%，將混合像元賦值為0～100%。由于光譜方差能夠有效描述光譜波動，提高了與土壤的分離度，SH_ST_ESVM更能保證不透水層的識別范圍。盡管典型的像元與整個不透水層范圍相符合，但是不透水層的豐度均低于100%。H_S_SVM和H_ST_SVM作為硬分類方法，在過渡區(qū)識別結果為0或100%，會導致混合像元中不透水層的缺失。

圖4 子窗口中不透水層識別結果

四、結論與討論

隨著中國經濟的快速發(fā)展，尤其像北京這樣的大都市正在經歷劇烈的城市擴張過程，承受著環(huán)境、生態(tài)等方面的壓力。城市邊緣區(qū)是城市化進程中最為劇烈區(qū)域，本文提出城市邊緣區(qū)光譜和紋理復合的軟硬分類方法(SH_ST_ESVM)，得到滿意結果。

與傳統(tǒng)軟硬分類方法相比，SH_ST_ESVM方法既吸收了硬分類方法能夠避免環(huán)境噪聲和少量空間分布差異導致的光譜空間波動的優(yōu)點，又具有軟分類方法有效地分解混合像元的能力，從而能夠刻畫城市邊緣區(qū)不透水層的邊緣。與傳統(tǒng)不考慮紋理特征的分類方法相比，ST_HS分類方法的精度有所提高。在不透水層類型中，純凈、混合像元的識別效率提高10%，RMSE降低了1%～5%，該區(qū)域的不透水層的城市邊緣區(qū)異質性大、破碎度高，融入紋理的軟硬分類方法對不透水層的提取具有較廣的應用潛力。

本研究仍有一些方面有待進一步深化：紋理與光譜信息融合的更優(yōu)方法；紋理特征作為與光譜特征相關的信息，具有復雜的非線性特征空間關系，因此線性核函數在土地覆蓋制圖和破碎區(qū)域分解中會存在一些問題，需要應用非線性核函數，如多項式函數、徑向基函數等進行進一步驗證。

[1] POWELL R L, ROBERTS D A, DENNISON P E, et al. Sub-pixel Mapping of Urban Land Cover Using Multiple Endmember Spectral Mixture Analysis: Manaus, Brazil[J]. Remote Sensing of Environment, 2007, 106(2): 253-267.

[2] LU D, WENG Q. Use of Impervious Surface in Urban Land-use Classification[J]. Remote Sensing of Environment, 2006, 102(1): 146-160.

[3] 朱爽，張錦水，帥冠元，等. 通過軟硬變化檢測識別冬小麥[J]. 遙感學報, 2014, 18(2): 476-496.

[4] LU D, WENG Q. A Survey of Image Classification Methods and Techniques for Improving Classification Performance[J]. International Journal of Remote Sensing, 2007, 28(5): 823-870.

[5] WANG L, JIA X. Integration of Soft and Hard Classifications Using Extended Support Vector Machines[J]. IEEE Transactions of Geoscience and Remote Sensing Letters, 2009, 6(3): 543-547.

[6] CHO M A, DEBBA P, MATHIEU R, et al. Improving Discrimination of Savanna Tree Species through a Multiple-endmember Spectral Angle Mapper Approach: Canopy-level Analysis[J]. IEEE Transactions of Geoscience and Remote Sensing, 2010, 48(11): 4133-4142.

[7] PU R L, GONG P, TIAN Y, et al. Using Classification and NDVI Differencing Methods for Monitoring Sparse Vegetation Coverage: a Case Study of Saltcedar in Nevada, USA[J]. International Journal of Remote Sensing, 2008, 29(14): 3987-4011.

[8] PAINTER T H, RITTGER K, MCKENZIE C, et al. Retrieval of Subpixel Snow Covered Area, Grain Size, and Albedo from MODIS[J]. Remote Sensing of Environment, 2009, 113(4): 868-879.

[9] RIDD M K. Exploring a VIS (Vegetation-impervious surface-soil) Model for Urban Ecosystem Analysis through Remote Sensing: Comparative Anatomy for Cities[J]. International Journal of Remote Sensing, 1995, 16(12): 2165-2185.

[10] WENG Q. Remote Sensing of Impervious Surfaces in the Urban Areas: Requirements, Methods, and Trends[J]. Remote Sensing of Environment, 2012, 117(1):34-49.

[11] 賴祖龍，申邵洪，程新文，等. 基于圖斑的高分辨率遙感影像變化檢測[J].測繪通報, 2009(8): 17-20.

[12] D O PIDO I, VILLA A, PLAZA A, et al. A Quantitative and Comparative Assessment of Unmixing-based Feature Extraction Techniques for Hyperspectral Image Classification[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2012, 5(2): 421-435.

[13] 巫兆聰, 胡忠文, 張謙, 等. 結合光譜、紋理與形狀結構信息的遙感影像分割方法[J]. 測繪學報, 2013，42(1):44-50.

[14] GONG P, MARCEAU D J, HOWARTH P J. A Comparison of Spatial Feature Extraction Algorithms for Land-use Classification with SPOT HRV Data[J]. Remote Sensing of Environment, 1992, 40(2): 137-151.

[15] HARALICK R M, SHANMUGAM K, DINSTEIN I H. Textural Features for Image Classification[J]. IEEE Transactions of Systems, Man and Cybernetics, 1973(6): 610-621.

[16] PAN Y, HU T, ZHU X, et al. Mapping Cropland Distributions Using a Hard and Soft Classification Model[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(11): 4301-4312.

[17] SOARES J V, RENNO C D, FORMAGGIO A R, et al. An Investigation of the Selection of Texture Features for Crop Discrimination Using SAR Imagery[J]. Remote Sensing of Environment, 1997, 59(2): 234-247.

[18] SHABAN M A, DIKSHIT O. Improvement of Classification in Urban Areas by the Use of Textural Features: the Case Study of Lucknow City, Uttar Pradesh[J]. International Journal of Remote Sensing, 2001, 22(4): 565-593.

[19] ZHANG Q, WANG J, GONG P, et al. Study of Urban Spatial Patterns from SPOT Panchromatic Imagery Using Textural Analysis[J]. International Journal of Remote Sensing, 2003, 24(21): 4137-4160.

[20] 張錦水，潘耀忠，韓立建，等. 光譜與紋理信息復合的土地利用/覆蓋變化動態(tài)監(jiān)測研究[J]. 遙感學報， 2007, 11(4): 500-510.

[21] 李德仁，李熙，論夜光遙感數據挖掘[J].測繪學報，2015，44(6)：591-601.

Impervious Surface Extraction in Urban-rural Fringe Using Spectral and Texture Features from Integrated Hard and Soft Classification

ZHU Shuang，CUI Youzhen，ZHANG Jinshui

2016-01-19；

2016-04-05

國家自然科學基金(41301444);北京高等學校“青年英才計劃”;北京工業(yè)職業(yè)技術學院一般課題(bgzyky201605)

朱 爽(1981—)，女，博士，講師，主要研究方向為農業(yè)遙感、環(huán)境遙感。E-mail：zhushuang@mail.bnu.edu.cn

朱爽，崔有禎，張錦水.利用復合光譜紋理特征進行城市邊緣區(qū)不透水層提取[J].測繪通報，2016(11)：26-30.

10.13474/j.cnki.11-2246.2016.0358.

P237

B

0494-0911(2016)11-0026-05