基于eCognition平臺(tái)的第三次全國國土調(diào)查應(yīng)用研究

黃磊 全思湘 王珍香

摘? 要? 第三次全國國土調(diào)查是我國一項(xiàng)重要的調(diào)查工作，是全面查清國土資源的重要手段。本文基于eCognition的面向?qū)ο蠓诸惙椒ńY(jié)合光譜特征、紋理特征和幾何特征進(jìn)行高分辨率遙感影像的土地利用分類，研究結(jié)果表明該分類方法具有較好的分類結(jié)果和較高的精度評(píng)價(jià)。該分類方法已應(yīng)用于第三次國土調(diào)查成果的檢查，提高了不一致圖斑提取的工作效率，同時(shí)可為年度土地變更調(diào)查、自然資源調(diào)查監(jiān)測(cè)工作提供技術(shù)支持。

關(guān)鍵詞? 第三次全國土地調(diào)查;eCognition;面向?qū)ο蠓诸?/p>

中圖分類號(hào)：P272，P208? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1672-5603（2021）01-21-6

Abstract： The Third National Land Survey （TNLS） is an important work in our country， which is significant to investigate the national land resource comprehensively. This paper utilizes the object-oriented classification method combining with the spectral features， texture features and geometry features based on eCognition to classify the land use of the high-resolution remote sensing images. The result indicates that this classification method can obtain the good classification result and high accuracy evaluation. Therefore， the object-oriented classification method has been used to examine the results of the TNLS， and has improved the efficiency of extracting inconsistent land use parcels. It can also provide technology support for annual land change survey and natural resource survey and monitoring.

Keywords： the third national land survey; eCognition; object-oriented classification

第三次全國土地調(diào)查（以下簡(jiǎn)稱“三調(diào)”）是一項(xiàng)重大的國情國力調(diào)查。截至到2020年底，湖南省第三次國土調(diào)查土地利用現(xiàn)狀調(diào)查工作已順利結(jié)束，在歷時(shí)3年的第三次國土調(diào)查進(jìn)程中，初始庫建設(shè)、不一致圖斑提取等工作均涉及土地利用現(xiàn)狀的遙感影像解譯，然而當(dāng)前的人機(jī)交互方式效率較低且容易遺漏圖斑。因此，對(duì)高分辨率遙感影像進(jìn)行土地利用現(xiàn)狀自動(dòng)分類，是保證快速、精確開展國土調(diào)查的重要保障。

本論文避開傳統(tǒng)的基于光譜像元的遙感影像解譯方法，選擇首個(gè)面向?qū)ο蟮挠跋穹治鲕浖Cognition對(duì)研究區(qū)域進(jìn)行土地利用分類，對(duì)比分析分類結(jié)果與三調(diào)成果的差異，并探討面向?qū)ο蟮倪b感影像分類方法在自然資源調(diào)查監(jiān)測(cè)工作的可行性和適用性。

1? ? 研究方法

1.1? 三調(diào)與遙感影像分類

國土調(diào)查的工作基礎(chǔ)是提取高分辨率遙感影像和現(xiàn)有數(shù)據(jù)成果的不一致圖斑，制作外業(yè)調(diào)查工作底圖。不一致圖斑的提取通常采用人工目視解譯進(jìn)行，但這要求作業(yè)人員要有專業(yè)的地類影像認(rèn)知能力和豐富的野外實(shí)地調(diào)查經(jīng)驗(yàn)，且人工作業(yè)方式效率低，容易受到主觀因素干擾。因此如何對(duì)高分辨率的遙感影像自動(dòng)分類是國土調(diào)查的技術(shù)基礎(chǔ)。

傳統(tǒng)的遙感影像分類如非監(jiān)督分類、監(jiān)督分類等是基于像元的光譜信息進(jìn)行分類，但由于同物異譜及異物同譜現(xiàn)象普遍存在，導(dǎo)致遙感影像分類容易出現(xiàn)“椒鹽現(xiàn)象”。面向?qū)ο蟮姆诸惙椒ㄊ且詧D像分割后的同質(zhì)區(qū)域作為分類單元，除了影像的光譜特征外，還可以利用紋理特征、幾何形狀等信息，在高分辨率遙感影像分類中尤為適用。面向?qū)ο蟮姆诸惙椒ㄖ饕兄С窒蛄繖C(jī)（Support Vector Machine， SVM）、隨機(jī)森林（Random Forest， RF）、決策樹（Decision Tree， DT）、貝葉斯（Bayes）、隸屬度函數(shù)分類等。在選擇高分影像分類方法時(shí)，要充分考慮分類影像的特征選擇合適的分類方法[1]。

1.2? eCognition的面向?qū)ο蠓诸惙椒?/p>

eCognition作為首個(gè)面向?qū)ο蟮挠跋穹治鲕浖?，具有模擬人類思維進(jìn)行影像智能分析和信息提取的能力。eCognition中國技術(shù)開發(fā)中心曾與吉利大學(xué)、河海大學(xué)和山東科技大學(xué)三所高校合作，分別提出“基于高分一號(hào)中小河流流域水體信息提取解決方案”、“城市場(chǎng)景信息提取解決方案”以及“基于高分影像土地利用類型提取解決方案”。山東科技大學(xué)江濤教授指出土地利用類型提取的成果總體精度可以達(dá)到95%以上，Kappa系數(shù)在0.9以上，比純?nèi)斯つ恳暯庾g的效率高5倍以上[2]。

國內(nèi)外對(duì)eCognition在遙感影像的面向?qū)ο蠓诸愄崛?yīng)用研究較多。宋楊（2012）等以印度尼西亞熱帶雨林地區(qū)為研究對(duì)象，使用eCognition面向?qū)ο蠓诸惙椒ɡ美走_(dá)圖像的光譜信息、拓?fù)湫畔⒑托螤钐卣鬟M(jìn)行水體提取[3]。宿方睿等利用eCognition面向?qū)ο蠓椒▽?duì)高分辨率World View-2以及Landsat遙感衛(wèi)星數(shù)據(jù)，基于灰度共生矩陣和植被指數(shù)提出滑坡遙感信息量判別模型，進(jìn)行川藏鐵路沿線大型滑坡遙感解譯[4]。林愛文等基于eCognition的多尺度分割、決策專家系統(tǒng)支持的模糊最近鄰法對(duì)武漢市土地利用進(jìn)行面向?qū)ο蠓诸?，分析土地利?覆被的變化情況[5]。Aguilar， M.A（2012）等采用eCognition的最近鄰分類器，使用紋理特征、幾何特征和主層值特征等7個(gè)圖像對(duì)象特征對(duì)融合及全色GeoEye-1正射影像進(jìn)行土地覆蓋分類，并評(píng)估分類精度[6]。現(xiàn)有研究大都基于光譜特征、紋理特征和幾何特征的一種或兩種選取分類特征，本文則是綜合利用三種特征進(jìn)行土地利用分類，在一定程度上可保證土地利用分類精度的提高。

2? ? 試驗(yàn)區(qū)域與研究?jī)?nèi)容

2.1? 試驗(yàn)區(qū)域與數(shù)據(jù)源

本論文選取湖南省懷化市靖州苗族侗族自治縣渠陽鎮(zhèn)城區(qū)附近某一區(qū)域（圖1）進(jìn)行研究，重點(diǎn)提取水體、建筑、植被和道路。高分辨率遙感影像來自SV-1衛(wèi)星，省級(jí)下發(fā)的0.5米DOM統(tǒng)籌影像。

2.2? 最優(yōu)分割尺度

多尺度影像分割是一種既能自動(dòng)生成遙感影像的影像對(duì)象，又能將這些影像對(duì)象按等級(jí)結(jié)構(gòu)聯(lián)接起來的一門技術(shù)。多尺度影像分割采用異質(zhì)性最小的區(qū)域合并算法，目的是實(shí)現(xiàn)分割后影像對(duì)象的權(quán)重異質(zhì)性最小化，影響異質(zhì)性最小的兩種因子包括光譜因子和形狀因子，形狀因子包括光滑度異質(zhì)性、緊密度異質(zhì)性。只有保證光譜異質(zhì)性、光滑度異質(zhì)性、緊密度異質(zhì)性最小，才能使整幅影像所有對(duì)象的平均異質(zhì)性最小[7]。

使用eCognition面向?qū)ο蠓诸惙椒ǖ幕A(chǔ)是選擇最優(yōu)分割尺度，人為選取需要反復(fù)試驗(yàn)，本文通過ESP工具獲取。ESP工具的工作原理是通過計(jì)算不同分割尺度參數(shù)下影像對(duì)象同質(zhì)性的局部變化（Local Variance， LV）的變化率值ROC-LV（Rate of Change of LV）來指示對(duì)象分割效果最佳參數(shù)。當(dāng)LV的變化率最大即出現(xiàn)峰值時(shí)，該點(diǎn)對(duì)應(yīng)的分割尺度即為最優(yōu)分割尺度。一般來說，不同地物的最優(yōu)分割尺度有所不同。

2.3? 分類特征

一般情況下，選取的特征值越多，信息越豐富，但是因?yàn)闊o法定量分析各個(gè)特征在分類過程中的具體貢獻(xiàn)，有時(shí)候會(huì)存在信息冗余?？臻g特征優(yōu)化功能可以計(jì)算不同特征的貢獻(xiàn)，找出利于分類的最佳特征空間組合，通過比較不同地類的特征找到能使這些類的訓(xùn)練樣本之間具有最大平均最小距離的特征組合。本文參考相關(guān)研究成果[3，5-6，8-10]，選取涉及光譜特征、紋理特征和幾何特征的方差（Standard deviation Layer1/2/3）、亮度（Mean Brightness）、長(zhǎng)寬比（Length/Width）、形狀指數(shù)（Shape index）、矩形擬合（Rectangular Fit）、植被指數(shù)（Vegetation Index，VI）、歸一化差異紋理均勻化指數(shù)（Normalized Difference Textural Uniformity Index，NDTUI）等9個(gè)特征，這些特征在eCognition或直接獲取或自定義獲取。

（1）光譜特征

植被指數(shù)是地表與植被相互關(guān)系的量化指標(biāo)。植被指數(shù)與植被的蓋度、生物量、葉面積指數(shù)等有較好的相關(guān)性，也能指示植被的宏觀類型、生長(zhǎng)狀況和季候特征變化，因此植被指數(shù)在森林資源監(jiān)測(cè)、生態(tài)環(huán)境評(píng)價(jià)等應(yīng)用甚廣。植被指數(shù)是利用可見光紅光波段和近紅外波段的不同組合進(jìn)行植被研究，這些波段包含了90%以上的植被信息。國內(nèi)外研究學(xué)者根據(jù)研究對(duì)象的不同創(chuàng)建不同的植被指數(shù)，如歸一化植被指數(shù)、垂直植被指數(shù)等，并在此基礎(chǔ)上不斷修正植被指數(shù)，以滿足自己研究需要。因本文源數(shù)據(jù)只有紅綠藍(lán)三個(gè)波段信息，使用VI指數(shù)[11]代替，計(jì)算公式見式（1）。

（2）紋理特征

灰度共生矩陣（GLCM，Gray-Level Co-occurrence Matrix）[12]是涉及像素距離和角度的矩陣函數(shù)，它通過計(jì)算圖像中一定距離和一定方向的兩點(diǎn)灰度之間的相關(guān)性，來反映圖像在方向、間隔、變化幅度及快慢上的綜合信息?；叶裙采仃嚳梢悦枋鲇跋窀飨裨叶鹊目臻g分布特征和結(jié)構(gòu)特征，是定義一組紋理特征的基礎(chǔ)[13]。Haralick曾提出了14種基于灰度共生矩陣計(jì)算出來的統(tǒng)計(jì)量，包括均值、方差、均質(zhì)性、對(duì)比度、熵、角二階矩等[14]。本文選取其中的均質(zhì)性（HOM）、角二階矩（ASM）紋理統(tǒng)計(jì)量，構(gòu)建NDTUI指數(shù)[13]擴(kuò)大水體和其他地類在紋理均勻性方面的差異，計(jì)算公式見式（2）。

（3）幾何形狀

Shape index用來表示對(duì)象邊界的光滑性，圖像對(duì)象的邊界越平滑，其形狀指數(shù)越低。Rectangular Fit描述圖像對(duì)象與大小和比例相似的矩形的匹配程度，用于提取建筑物。Length/Width用于提取道路等條帶狀地物。

2.4? 分類精度評(píng)價(jià)

使用eCognition的基于樣本的誤差矩陣（Error Matrix based on Samples）進(jìn)行分類精度評(píng)價(jià)，該精度評(píng)價(jià)成果包括混淆矩陣、單一類別的精度分析結(jié)果和總體類別的精度分析結(jié)果，利用混淆矩陣可以了解每一種類別的樣本總數(shù)、錯(cuò)分及漏分的樣本數(shù)量，單一類別精度分析包括5種指標(biāo)，總體類別精度分析包括2種指標(biāo)。單一類別精度分析指標(biāo)中的條件Kappa系數(shù)（KIA Per Class）反映各個(gè)類型的分類精度，總體類別精度評(píng)價(jià)指標(biāo)中的Kappa系數(shù)（KIA）利用了整個(gè)誤差矩陣的信息，通常被認(rèn)為能夠更準(zhǔn)確地反映整體的分類精度。本文通過對(duì)研究區(qū)域選取的訓(xùn)練樣本進(jìn)行分類精度評(píng)價(jià)，進(jìn)一步驗(yàn)證基于eCognition的面向?qū)ο蠓诸惙椒▽?duì)三調(diào)土地利用分類的可行性。

3? ? 結(jié)果分析

3.1? 分割尺度與特征選取

利用ESP獲取得到LV變化率圖（圖2），選擇LV變化率最大時(shí)的各個(gè)分割尺度，配合形狀因子和緊致度因子反復(fù)試驗(yàn)選取最優(yōu)分割尺度。試驗(yàn)表明在分割尺度為70，形狀因子為0.3，緊致度因子為0.8的情況下多尺度分割效果最好（圖3）。

使用特征空間優(yōu)化功能選擇最利于水體（water）、建筑（building）、植被（vegetation）、道路（road）分類的特征組合。最低分離距離為1.169，最佳維數(shù)為7，表示最佳特征空間組合是Standard deviation Layer1/2/3、Mean Brightness、Rectangular Fit、VI、NDTUI。不同維度下的分離距離和最佳組合下不同類別的分離矩陣分別見圖4和表1。

3.2? 訓(xùn)練樣本分類精度評(píng)價(jià)

針對(duì)水體、建筑、植被、道路選的訓(xùn)練樣本，通過eCognition的Error Matrix based on Samples對(duì)訓(xùn)練樣本分類成果進(jìn)行精度評(píng)價(jià)。評(píng)價(jià)結(jié)果的混淆矩陣、單一類別精度、總體分類精度分析成果如表2所示。其中單一類別精度分析指標(biāo)中的條件Kappa系數(shù)（KIA Per Class）和總體類別精度評(píng)價(jià)指標(biāo)中的Kappa系數(shù)（KIA）均為1，表示所有選擇的訓(xùn)練樣本都被正確分類，該分類方法可以進(jìn)一步應(yīng)用于三調(diào)土地利用分類。

3.3? 分類結(jié)果

使用eCognition的最近鄰分類器（Nearest Neighbor）進(jìn)行面向?qū)ο蠓诸悾诸惡蟮慕ㄖ?、水體、植被、道路分布圖如圖5所示。該分類結(jié)果與三調(diào)成果（圖6）對(duì)比分析，該面向?qū)ο蠓诸惙椒▽⑷{(diào)成果的建筑物內(nèi)部細(xì)化出了植被和硬化地表;水體能較大程度上與三調(diào)成果吻合，但是一些細(xì)節(jié)部分容易遺漏;植被能較為準(zhǔn)確分類出來，與高分辨率遙感影像上的植被分布基本一致;道路也能與三調(diào)成果的道路走向保持一致，但由于房前屋后的空坪與道路的光譜特征、紋理特性較為相似，分割后的幾何特征也大致相同，導(dǎo)致道路和硬化地表暫且分為同一類。

總體來說，該分類方法能較大程度上將四種地類準(zhǔn)確劃分。由于三調(diào)工作遵循最小上圖面積、道路連通等原則，導(dǎo)致本文分類結(jié)果與三調(diào)成果存在著一定差異，但面向?qū)ο蟮姆诸惙椒ㄔ谧匀毁Y源調(diào)查和監(jiān)測(cè)工作中可以起到自然資源定位功能，從而為自然資源管理和監(jiān)督提供技術(shù)支持。

4? ?結(jié)束語

本文使用eCognition的面向?qū)ο蠓诸惙椒▽?duì)靖州渠陽鎮(zhèn)某一區(qū)域的高分辨率遙感影像的建筑物、水體、植被、道路四種地類進(jìn)行分類，在分類過程中反復(fù)試驗(yàn)尋找最佳分割尺度、最有效分類特征、最優(yōu)空間特征組合，并將分類結(jié)果與三調(diào)成果進(jìn)行對(duì)比，研究結(jié)果顯示該分類結(jié)果與三調(diào)初始調(diào)查成果基本吻合，且具有很好的分類精度，表明該分類方法具有可行性，下一步需要其他區(qū)域的驗(yàn)證。

需要進(jìn)一步探討的是本次分類只針對(duì)與建筑物、水體、植被、道路四大類，但是三調(diào)《土地利用現(xiàn)狀分類》（GB/T 21010-2017）標(biāo)準(zhǔn)，應(yīng)根據(jù)土地用途進(jìn)一步細(xì)分土地利用現(xiàn)狀，如植被細(xì)分為耕地、園地、林地、草地，這需要下一步深入研究利用eCognition的面向?qū)ο蠓诸惙椒?xì)分土地利用現(xiàn)狀，才能最大程度上與三調(diào)成果接軌，并進(jìn)一步服務(wù)于自然資源調(diào)查監(jiān)測(cè)工作的開展。

參考文獻(xiàn)/References

[1]林卉， 邵聰穎， 李海濤， 等. 高分辨率遙感影像5種面向?qū)ο蠓诸惙椒▽?duì)比研究[J]. 測(cè)繪通報(bào)（11）：20-24.

[2]江濤.基于高分影像土地利用類型提取解決方案[C]// eCognition產(chǎn)品解決方案發(fā)布會(huì).2017.

[3]宋楊， 李長(zhǎng)輝， 林鴻. 面向?qū)ο蟮膃Cognition遙感影像分類識(shí)別技術(shù)應(yīng)用[J]. 地理空間信息， 2012， 10（2）：64-66.

[4]宿方睿， 郭長(zhǎng)寶， 張學(xué)科， 等. 基于面向?qū)ο蠓诸惙ǖ拇ú罔F路沿線大型滑坡遙感解譯[J]. 現(xiàn)代地質(zhì)（05）：57-69.

[5]林愛文， 朱海燕， 劉吉平. 基于eCognition的土地利用/覆被變化遙感分析方法研究——以武漢市為例[C]// 2006全國土地資源戰(zhàn)略與區(qū)域協(xié)調(diào)發(fā)展學(xué)術(shù)研討會(huì). 2006.

[6]Aguilar M A ， Vicente R ， Aguilar F J ， et al. OPTIMIZING OBJECT-BASED CLASSIFICATION IN URBAN ENVIRONMENTS USING VERY HIGH RESOLUTION GEOEYE-1 IMAGERY[C]// XXII Congress of the International Society for Photogrammetry & Remote. 2012.

[7]張振勇， 王萍， 朱魯， 等. eCognition技術(shù)在高分辨率遙感影像信息提取中的應(yīng)用. [J]. 國土資源信息化， 000（2）：15-17，33.

[8]周勇兵， 曹輝. 基于eCognition的土地利用遙感影像自動(dòng)提取研究. [J]. 人民長(zhǎng)江， 2017， 048（012）：75-78.

[9]江華. 基于eCognition面向?qū)ο蠹夹g(shù)的高分辨率遙感影像土地利用分類—以福州瑯岐島為例[J]. 海峽科學(xué)， 2014， 000（008）：12-17.

[10]孫燕霞. 基于高空間分辨率遙感影像的土地利用信息提取[D]. 重慶交通大學(xué)， 2014.

[11]Meyer G E ， Neto J C . Verification of color vegetation indices for automated crop imaging applications[J]. Computers and Electronics in Agriculture， 2008， 63（2）：282-293.

[12]Robert M， Haralick K， Shanmugam Its'Hak Dinstein.? Textural Features for Image Classification. IEEE Transactions On Systems， Man， and Cybernetics[J]， 1973.SMC-3（6）：610-621.

[13]許書影， 喬剛. 高分辨率衛(wèi)星遙感影像水體信息提取[C]// 中國測(cè)繪地理信息學(xué)會(huì)學(xué)術(shù)年會(huì). 2014.

[14]Robert M， Haralick K. Statistical and Structural Approaches to Texture. Proceedings of the IEEE[J]， 1979. 67（5）：786-804.