楊維濤， 孫建國(guó)， 馬恒利， 黃 卓

（1.蘭州交通大學(xué)測(cè)繪與地理信息學(xué)院，甘肅 蘭州 730070；2.地理國(guó)情監(jiān)測(cè)技術(shù)應(yīng)用國(guó)家地方聯(lián)合研究中心，甘肅 蘭州 730070；3.甘肅省地理國(guó)情監(jiān)測(cè)工程實(shí)驗(yàn)室，甘肅 蘭州 730070）

地貌形態(tài)指客觀存在的地表幾何特征，是諸多自然因素和人文過(guò)程形成與演化的邊界條件［1-3］。地貌形態(tài)分類是按照特定的分類標(biāo)準(zhǔn)劃分不同類型地貌形態(tài)的主觀過(guò)程，廣泛應(yīng)用于生態(tài)建模［4］、土壤制圖［5］和滑坡防治［6］等諸多領(lǐng)域。地貌形態(tài)分類一般利用數(shù)字高程模型（DEM）或其他數(shù)據(jù)源進(jìn)行［7-8］，包括人工和自動(dòng)2種實(shí)現(xiàn)方式。人工分類具有較高的準(zhǔn)確性，但速度慢、成本高且可重復(fù)性差［9］。自動(dòng)分類大致又可分為基于像元的分類和基于對(duì)象的分類。相比而言，后者以圖像分割所得單元為分類對(duì)象，更加符合人的空間認(rèn)知過(guò)程，分類效果明顯改善［10-11］。

地貌形態(tài)復(fù)雜多樣，常見(jiàn)的地貌形態(tài)類型也多種多樣，這給地貌形態(tài)的劃分造成了諸多困難。迄今為止，基于對(duì)象的地貌形態(tài)分類精度仍然不夠理想。一個(gè)重要原因是，人類感興趣的同類地貌形態(tài)往往具有多尺度性或尺度跨越性［12］。一方面，不同類型地貌形態(tài)之間可能具有整體上的尺度差異。例如，在一個(gè)范圍較大的地形起伏區(qū)，河谷平地的范圍一般比其他地貌形態(tài)狹小，但因其對(duì)生產(chǎn)和生活的便利性而成為感興趣對(duì)象。對(duì)于這種情況，現(xiàn)有研究采用了分層識(shí)別策略，即在不同分割尺度下提取不同類型的地貌形態(tài)對(duì)象［13-14］。但是，多個(gè)最優(yōu)分割尺度的選擇需要多次試驗(yàn)和目測(cè)判斷，過(guò)程繁瑣且隨意性較大［15-16］。另一方面，同一類型地貌形態(tài)的不同對(duì)象也常常具有尺度差異。例如，臺(tái)塬的面積十分懸殊，可達(dá)數(shù)倍甚至更大，任何單一尺度的分割和分類結(jié)果總是不夠理想。對(duì)于此類情形，現(xiàn)有研究還少有顧及。

因此，開(kāi)發(fā)能夠充分考慮跨尺度特點(diǎn)的地貌形態(tài)分類方法十分必要。本文提出一種考慮尺度跨越性的地貌形態(tài)多尺度綜合分類方法（A Multi-Scale Integrated Classification Method for Landforms，以下文中簡(jiǎn)稱為：MSIC），旨在避免以往研究針對(duì)不同類型地貌形態(tài)選擇最優(yōu)分割尺度的主觀性，同時(shí)能夠提取不同尺度上的同一類型地貌形態(tài)對(duì)象。拓展了地貌形態(tài)分類方法的研究思路，實(shí)現(xiàn)了地貌形態(tài)精細(xì)化分類，可為編制精細(xì)化地貌形態(tài)圖譜提供技術(shù)支持，對(duì)于當(dāng)?shù)赝恋氐暮侠砘?，水土流失的有效防治，降低自然?zāi)害發(fā)生等方面均有積極的意義。

1 研究方法

1.1 MSIC步驟和原理

MSIC由多尺度分割、按尺度順序篩選和多尺度合并三部分構(gòu)成（圖1）。多尺度分割是利用eCognition 的多尺度分類算法人為定義一系列尺度，獲得各尺度分割對(duì)象。按尺度順序篩選是1個(gè)以多尺度特征提取和監(jiān)督分類為基礎(chǔ)、以小尺度（小尺寸）優(yōu)先和概率最大化為準(zhǔn)則的被分類對(duì)象迭代確認(rèn)過(guò)程（圖2）。概率最大化是影像分類的一般依據(jù)，而小尺度優(yōu)先則是為了保證在進(jìn)行大尺度對(duì)象的提取和分類時(shí)能夠剔除具有空間包含關(guān)系的小尺度對(duì)象的影響。多尺度合并是將各尺度分類篩選出的地貌進(jìn)行合并，得到地貌形態(tài)分類結(jié)果。

圖1 MSIC流程Fig.1 MSIC process

圖2 MSIC的小尺度優(yōu)先與概率最大化準(zhǔn)則示意圖Fig.2 Schematic diagram of small scales priority and probability maximization criteria for MSIC

具體描述為以下7個(gè)步驟：

第一步：多尺度分割。人為確定系列尺度，利用現(xiàn)有多尺度分割算法分割DEM，獲得多尺度對(duì)象。

第二步：特征提取。逐尺度提取對(duì)象單元特征，包括地形屬性、紋理特征以及其他可能有助于改善分類效果的地形特征。

第三步：監(jiān)督分類。借助于實(shí)地考察或者高分辨率遙感影像等方式選擇訓(xùn)練樣本，進(jìn)行監(jiān)督分類得到多尺度的預(yù)分類信息。

第四步：最小尺度被分類對(duì)象的篩選。以小尺度優(yōu)先和概率最大化為準(zhǔn)則，篩選確認(rèn)被分類對(duì)象。

第五步：多尺度對(duì)象的更新。從多尺度對(duì)象中剔除當(dāng)前最小尺度，并將本次被分類對(duì)象從其他所有尺度對(duì)象中裁除。

第六步：循環(huán)。從當(dāng)前執(zhí)行最小尺度的下一尺度開(kāi)始，重復(fù)執(zhí)行第二步至第五步，直至執(zhí)行完所有尺度。

第七步：多尺度合并。將各尺度上篩選出的已確認(rèn)對(duì)象合并，得到完整的地貌形態(tài)類型圖。

1.2 精度評(píng)價(jià)

分類精度評(píng)價(jià)是對(duì)分類結(jié)果與真實(shí)地表地物接近程度的檢驗(yàn)。精度評(píng)價(jià)是圖像分類進(jìn)行信息提取或土地利用/土地覆蓋分類中必不可少的一部分，同時(shí)也是地貌形態(tài)識(shí)別不可或缺的環(huán)節(jié)。精度評(píng)定指標(biāo)選擇總體精度（Overall Accuracy, 簡(jiǎn)稱OA），制圖精度（Producer’s Accuracy，簡(jiǎn)稱PA），用戶精度（User’s Accuracy，簡(jiǎn)稱UA）以及Kappa系數(shù)［17］。

總體精度是通過(guò)混淆矩陣對(duì)角線數(shù)據(jù)之和與樣本總數(shù)的比值。該評(píng)價(jià)參數(shù)反映了圖像自動(dòng)分類中所有地物類別的總體精度，但是它并不能體現(xiàn)每個(gè)地物類別的精度情況。

PA又被稱之為生產(chǎn)者精度，表示在所有實(shí)測(cè)類型為第i類的樣本中，被正確地分類也是第i類的樣本所占的比例。制圖精度是對(duì)生產(chǎn)者分類精度的度量方式。

UA反映了某一類正確地提取該類樣本度。

Kappa系數(shù)能夠準(zhǔn)確的反映整體的地物分類精度，能夠反映與驗(yàn)證數(shù)據(jù)的一致性，客觀的評(píng)價(jià)出分類結(jié)果的精度。

式中：i和j均為樣本類別數(shù)；N為樣本總數(shù)；m為對(duì)應(yīng)類別個(gè)數(shù)；k為地物類別數(shù)。

2 試驗(yàn)

2.1 試驗(yàn)區(qū)及數(shù)據(jù)

試驗(yàn)區(qū)位于中國(guó)黃土高原西部（106.10°～106.76°E，35.71°～36.27°N），海拔1132～2932 m，地勢(shì)西北高，東南低，區(qū)內(nèi)有塬、墚、峁、河谷平原等典型地貌形態(tài)（圖3）。試驗(yàn)區(qū)30 m 空間分辨率的DEM從地理空間數(shù)據(jù)云下載（http://www.gscloud.cn/）。傳統(tǒng)的地貌形態(tài)分類主要以典型地形因子為分類特征［18-19］，另外一些研究還在地形因子的基礎(chǔ)上考慮了地形紋理特征因子［1］。近年來(lái)，有學(xué)者提出了地貌形態(tài)元素的概念及其提取方法［20-21］，并且認(rèn)為地貌形態(tài)元素的空間結(jié)構(gòu)信息對(duì)于地貌形態(tài)分類十分有利［9］。因此，本文依據(jù)地形因子、地形紋理和地貌形態(tài)元素結(jié)構(gòu)信息共3類特征進(jìn)行地貌形態(tài)分類。

圖3 研究區(qū)示意圖Fig.3 Schematic diagram of the study area

2.2 多尺度分割和樣本采集

利用eCognition Developer 9.0.3 提供的多尺度分割算法對(duì)DEM 進(jìn)行分割。尺度的大小根據(jù)地貌形態(tài)的大小確定合適的尺度。除分割尺度外，其余參數(shù)均為默認(rèn)值。經(jīng)反復(fù)試驗(yàn)，分割尺度系列確定為100、200、400、800、1200 和2000。手工數(shù)字化參考張宗祜主編的《中國(guó)黃土高原地貌類型圖》［22］中的試驗(yàn)區(qū)部分，共包括基巖山地、平梁溝谷、緩梁溝谷、寬梁溝谷、狹梁溝谷、低丘緩谷、緩峁溝谷、河谷階地、殘塬溝谷、寬塬溝谷、盆地和塬共12種地貌形態(tài)。以其中圖斑的30%作為訓(xùn)練樣本，所有圖斑均作為驗(yàn)證樣本。

2.3 特征提取

（1）地形因子。地形因子多種多樣，存在一定的相關(guān)性和信息冗余。采用雪氏熵值法確定相關(guān)性較低的地形因子，利用雪氏熵值法［18］對(duì)剩余備選地形因子進(jìn)行量化篩選，最終確定高程、坡度、山體陰影、地表曲率和坡度變率、地形起伏度和高程變異系數(shù)7個(gè)因子參與分類。

（2）地形紋理。Haralick 等［23］提出的灰度共生矩陣（GLCM）在圖像紋理分析中得到廣泛應(yīng)用?？紤]到工作量和GLCM之間的相關(guān)性，根據(jù)前人經(jīng)驗(yàn)，選擇了高程變異、坡度均值、坡度熵、陰影均值、陰影方差、陰影熵、陰影相關(guān)性、陰影角二階矩、陰影相異性、陰影同質(zhì)性和陰影對(duì)比度11個(gè)紋理特征。

（3）地貌形態(tài)元素結(jié)構(gòu)信息。首先，利用Jasiewicz 等［20］的方法提取形態(tài)元素圖層；然后，利用GeoPAT［24］中的Co-occurrence 直方圖工具為每個(gè)尺度的每個(gè)單元提取空間結(jié)構(gòu)信息；最后，利用主成分分析法獲取前3個(gè)主成分。

3 結(jié)果與分析

3.1 MSIC分類精度

圖4 是MSIC 方法的分類結(jié)果。研究區(qū)東南部主要為大范圍基巖山地，西北部主要分布連片的殘塬溝谷和緩梁溝谷，中部區(qū)域地貌形態(tài)類型多樣且大小實(shí)體交錯(cuò)分布。表1為各種地貌形態(tài)的制圖精度（PA）和用戶精度（UA）?；鶐r山地的UA 最高（79.70%），塬的UA最低（51.60%），表明基巖山地的分類結(jié)果錯(cuò)分情況較低，而塬的分類結(jié)果錯(cuò)分情況較高。殘塬溝谷的PA最高（89.47%），塬的PA最低（45.14%），表明殘塬溝谷的形態(tài)特征明顯，不容易漏分，而塬容易出現(xiàn)漏分現(xiàn)象?？傮w精度為75.16%，Kappa 系數(shù)為0.71，說(shuō)明MSIC 方法具有一定的實(shí)用性。

圖4 MSIC結(jié)果Fig.4 MSIC results

表1 MSIC精度Tab.1 Accuracy evaluation of MSIC

3.2 MSIC與單一尺度分類精度對(duì)比

圖5 為單尺度系列100、200、400、800、1200 和2000 的分類結(jié)果。與圖4 對(duì)比可以發(fā)現(xiàn)，小尺度上的地貌形態(tài)結(jié)果與MSIC 結(jié)果相似度較高，但是地貌形態(tài)過(guò)于細(xì)碎，過(guò)分割現(xiàn)象十分明顯；大尺度地貌形態(tài)斑塊較大，較小的地貌形態(tài)被淹沒(méi)，欠分割現(xiàn)象比較突出。例如，圖5 中窗口A 的地貌形態(tài)應(yīng)是基巖山地，但在較小尺度（100、200和400）分類結(jié)果中夾雜著狹梁溝谷和盆地，在較大尺度（800、1200和2000）上則少有混分。窗口B的地貌形態(tài)應(yīng)為緩峁溝谷，較小尺度上少有混分，但在較大尺度上出現(xiàn)了錯(cuò)分情況。

圖5 單一尺度分類結(jié)果Fig.5 Single scale classification results

表2為各單尺度分類精度與MSIC的總體精度、Kappa 系數(shù)。單尺度100、200、400、800、1200、2000的分類總體精度分別為42.30%、48.91%、47.84%、48.66%、32.19%和24.98%，Kappa 系數(shù)為0.36、0.43、0.42、0.43、0.25 和0.16?？梢?jiàn)，200 尺度上的總體精度和Kappa 系數(shù)均最高，總體精度為48.91%，Kappa系數(shù)為0.45。MSIC 的總體精度和Kappa 系數(shù)高于任何一種單尺度，高出200尺度26.25%和0.26。

表2 MSIC與單一尺度分類精度對(duì)比Tab.2 Comparison of MSIC and single scale classification accuracy

為進(jìn)一步說(shuō)明MSIC 相對(duì)單尺度分類方法的優(yōu)勢(shì)，根據(jù)斑塊大小，將研究區(qū)地貌形態(tài)分成“大型地貌形態(tài)”、“中等地貌形態(tài)”和“小型地貌形態(tài)”3個(gè)等級(jí)，分別用G1，G2 和G3 表示。利用驗(yàn)證數(shù)據(jù)對(duì)合并后的地貌形態(tài)進(jìn)行精度評(píng)價(jià)（表3）。MSIC在G1、G2 和G3 等級(jí)中，PA 和UA 均大于80%，分類精度高。而各單尺度中，G1 在小尺度（100 和200）PA 和UA 均較小，在大尺度（1200 和200）PA 和UA 均較大。G2在小尺度和大尺度PA和UA均較小，在中間尺度（400和800）PA和UA均較大。G3在小尺度PA和UA 均較大，在大尺度（1200 和200）PA 和UA 均較小。

表3 地貌形態(tài)分級(jí)精度評(píng)定Tab.3 Classification accuracy evaluation of landforms

4 討論

地貌形態(tài)的多尺度或跨尺度特性使得單一尺度的分割和分類往往不能達(dá)到用戶的需求。本文提出的MSIC 以小尺度（小尺寸）優(yōu)先和概率最大化為準(zhǔn)則，對(duì)地貌形態(tài)對(duì)象進(jìn)行迭代確認(rèn)分類，旨在從小尺度上分辨小型地貌形態(tài)，從大尺度上識(shí)別大型地貌形態(tài)。試驗(yàn)結(jié)果驗(yàn)證了MSIC的可行性。

Xiong 等［25］提出過(guò)基于小流域的地貌形態(tài)分類方法。該方法需要獲取臨界流域大小的閾值。若閾值過(guò)大，小流域分割的太大，可能1個(gè)小流域不止1種地貌形態(tài)；若小流域分割的太小，可能由于數(shù)據(jù)分辨率不足而產(chǎn)生地貌類型錯(cuò)誤。王樂(lè)等［13］嘗試?yán)脤哟畏诸惙ㄟM(jìn)行地貌形態(tài)分類，但同樣對(duì)流域閾值的選擇依賴較大，最佳流域閾值需要依靠多次試驗(yàn)，以人為篩選為主，主觀性較大。與上述2種方法相比，MSIC 雖然也涉及到多尺度分割，但是尺度的選擇不像傳統(tǒng)方法要求那么高，可以人為規(guī)定一系類尺度。當(dāng)然，設(shè)定的尺度越多，分類精度必然越高，但計(jì)算量越大。

MSIC 在其他的遙感影像分類中也具有廣泛的應(yīng)用潛力。廣義的講，地貌形態(tài)分類屬于遙感影像分類中的一類。在遙感影像分類中，面向?qū)ο蟮姆诸惙椒ㄖ饕酝N地物類型同一尺度為主。對(duì)于同種地物類型而言，也普遍存在跨尺度的現(xiàn)象（尤其在高分辨率遙感影像中）。因此在遙感分類時(shí)，單一尺度可能并不能滿足實(shí)際的需求。MSIC 不僅能夠避免不同地貌形態(tài)最優(yōu)尺度的選擇，而且能夠處理同一類型地貌形態(tài)對(duì)象跨尺度的情況，因而可能應(yīng)用于面向?qū)ο蟮倪b感分類中來(lái)解決這一問(wèn)題。

5 結(jié)論

現(xiàn)有的地貌形態(tài)自動(dòng)分類方法尚未充分顧及地貌形態(tài)對(duì)象跨尺度的分類難題，分類精度受到制約。本文提出了1種考慮尺度跨越性的地貌形態(tài)多尺度綜合分類方法。以黃土高原為例的試驗(yàn)得出以下結(jié)論：

（1）MSIC 總體精度為75.16%，Kappa 系數(shù)為0.71，分類精度較高。

（2）MSIC 在G1、G2 和G3 等級(jí)中，PA 和UA 均大于80%，既識(shí)別出了小型地貌形態(tài)，也分出了大型地貌形態(tài)，可用于地貌形態(tài)精細(xì)化分類。

本文嘗試從地貌形態(tài)的屬性出發(fā)，以地貌形態(tài)的大小為尺度劃分單元，進(jìn)行地貌形態(tài)多尺度分類，雖取得了不錯(cuò)的效果，但是文章只考慮了地貌形態(tài)的形態(tài)特征因素，地貌形態(tài)作為形態(tài)和成因的復(fù)雜結(jié)合體，試驗(yàn)中對(duì)于地貌形態(tài)的成因方面尚未考慮，在今后研究中：

（1）應(yīng)該既考慮地貌形態(tài)的形態(tài)特征，也考慮地貌形態(tài)的成因。

（2）本研究中采用的試驗(yàn)參數(shù)具有區(qū)域性，是針對(duì)研究區(qū)地貌形態(tài)對(duì)應(yīng)設(shè)定的，應(yīng)用于其他研究區(qū)時(shí)須做相應(yīng)調(diào)整。

（3）MSIC對(duì)地貌形態(tài)進(jìn)行自動(dòng)分類時(shí)，采用常規(guī)的監(jiān)督分類，效率較低，可嘗試在后續(xù)研究中，考慮機(jī)器學(xué)習(xí)算法進(jìn)行分類，提高分類精度和效率。

（4）如何優(yōu)化尺度選取，實(shí)現(xiàn)尺度自適應(yīng)的分類算法，同時(shí)尋找更能反應(yīng)地貌形態(tài)特征的因子組合，以期達(dá)到更好的分類效果。