多源高分辨率遙感影像不透水面提取

王 璠 楊璐萍

(安徽新華學(xué)院 城市建設(shè)學(xué)院,安徽 合肥 230088)

0 引言

隨著城市化進(jìn)程和社會(huì)經(jīng)濟(jì)的發(fā)展,基于遙感影像對(duì)城市擴(kuò)張監(jiān)測(cè)顯得尤為重要。因此對(duì)區(qū)域尺度上的城市擴(kuò)張進(jìn)行有效的監(jiān)測(cè)可為土地規(guī)劃和生態(tài)環(huán)境保護(hù)等提供科學(xué)參考,具有重要的現(xiàn)實(shí)意義[1]。目前已有國(guó)內(nèi)許多學(xué)者對(duì)城市擴(kuò)張進(jìn)行研究,常變?nèi)?、李仁東在分析武漢市建設(shè)用地?cái)U(kuò)張的時(shí)空特征時(shí),利用面向?qū)ο蠓诸?lèi)方法提取建設(shè)用地,采用空間數(shù)據(jù)庫(kù)引擎(spatial database engine, SDE)空間分析方法,得出前期擴(kuò)張向東北—西南方向演變,后期則不存在方向性的結(jié)論,為后期各種政府機(jī)關(guān)決策提供了依據(jù)[2];陳征等人以浙江省為例,利用遙感影像數(shù)據(jù)和夜間燈光數(shù)據(jù)提取城鎮(zhèn)信息,區(qū)分出城鎮(zhèn)用地和非城鎮(zhèn)用地,進(jìn)行了城鎮(zhèn)時(shí)空擴(kuò)張的特征分析[3];孫善磊等人以環(huán)杭州灣地區(qū)為例,使用決策樹(shù)和形狀指數(shù)相結(jié)合提取城鎮(zhèn)用地信息,證明了此方法的可行性,且杭州市向西北和北方向向外擴(kuò)張[4]。而此研究則是意在探究精度,因此使用支持向量機(jī)分類(lèi)算法,融合不同數(shù)據(jù)源波段,提高分類(lèi)精度。詳細(xì)流程如圖1所示。

圖1 研究路線(xiàn)

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

安徽省坐落于中國(guó)東部,與山東、江蘇、河南、湖北等多省接壤,有省會(huì)合肥和蕪湖、馬鞍山等16個(gè)地級(jí)市。安徽省是中部經(jīng)濟(jì)地帶,接北聯(lián)南,承東啟西。安徽省位于我國(guó)東部季風(fēng)區(qū),由于淮河從中穿過(guò),因此淮河以北屬于溫帶季風(fēng)氣候,淮河以南屬于亞熱帶季風(fēng)氣候[5]。安徽地形多樣,平原占44.7%、山地占27.8%、丘陵占27.5%。安徽省土地總面積13.96萬(wàn)km2,土地資源類(lèi)型多樣,土地構(gòu)成較為合理,土地利用潛力很大。

1.2 數(shù)據(jù)與預(yù)處理

研究使用了2018年安徽省的哨兵2號(hào)(Sentinel-2),美國(guó)陸地衛(wèi)星(Landsat8)和珞珈一號(hào)夜間燈光數(shù)據(jù)。Sentinel-2數(shù)據(jù)是從歐洲航天局官網(wǎng)(https://scihub.copernicus.eu/dhus/#/home)下載獲得,本研究覆蓋范圍為2018年,選取第2、3、4、8波段,空間分辨率為10 m[6-7]。Landsat8從美國(guó)地質(zhì)勘探局(United States Geological Survey,USGS)官網(wǎng)(https://earthexplorer.usgs.gov/)獲得,時(shí)間與Sentinel-2數(shù)據(jù)一致,選擇了綠光波段、紅光波段、近紅外波段和中紅外波段,空間分辨率是30 m[8]?！扮箸煲惶?hào)”是全球首顆專(zhuān)業(yè)夜光遙感衛(wèi)星,由武漢大學(xué)團(tuán)隊(duì)與相關(guān)機(jī)構(gòu)共同研發(fā)制作,在2018年6月2日12時(shí)13分,高分六號(hào)及其搭載的珞珈一號(hào)科學(xué)試驗(yàn)衛(wèi)星,在中國(guó)酒泉衛(wèi)星發(fā)射中心發(fā)射升空,衛(wèi)星進(jìn)入預(yù)定軌道[9]?！扮箸煲惶?hào)”搭載了高靈敏度夜光相機(jī),其精度將達(dá)到地面分辨率100 m。數(shù)據(jù)的預(yù)處理基于GEE(Google Earth Engine)平臺(tái),對(duì)數(shù)據(jù)進(jìn)行預(yù)處理工作,包括對(duì)不同數(shù)據(jù)源進(jìn)行去云、定標(biāo)、幾何校正、拼接、裁剪等[10]。

1.3 基于支持向量積分類(lèi)方法

1.3.1訓(xùn)練樣區(qū)選擇

訓(xùn)練樣本選擇應(yīng)該具有代表性,并且要滿(mǎn)幅均勻選取。本研究選取了森林、農(nóng)田、水體、不透水面四類(lèi)地物類(lèi)型[11]。詳細(xì)統(tǒng)計(jì)如表1所示。

表1 訓(xùn)練樣區(qū)統(tǒng)計(jì)

1.3.2波段計(jì)算與分類(lèi)

由表2可知,研究選取了Landsat8的綠光波段、紅光波段、近紅外、中紅外波段進(jìn)行指數(shù)運(yùn)算,計(jì)算的地物特征指數(shù)有歸一化植被指數(shù)(normalized vegetation index,NDVI),歸一化水體指數(shù)(normalized water index,NDWI),歸一化建筑物指數(shù)(normalized building index,NDBI),并選取了紅光波段和近紅外波段[12]。同時(shí)又選取了Sentinel-2數(shù)據(jù)空間分辨率為10 m的波段,分別為第3(GREEN)、4(RED)、8(NIR)波段,由于哨兵數(shù)據(jù)第11波段SWIR波段對(duì)建筑物提取效果較好,因此選取分辨率為20 m的11(SWIR)波段,計(jì)算了NDVI、NDBI、NDWI[13]。

表2 指數(shù)運(yùn)算表

支持向量機(jī)分類(lèi)法(support vector machine,SVM)是監(jiān)督分類(lèi)的一種模型[14]。可以分析數(shù)據(jù)、識(shí)別模式,用于分類(lèi)和回歸分析。支持向量機(jī)方法是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的,根據(jù)有限的樣本信息在模型的復(fù)雜性(即對(duì)特定訓(xùn)練樣本的學(xué)習(xí)精度)和學(xué)習(xí)能力(即無(wú)錯(cuò)誤地識(shí)別任意樣本的能力)之間尋求最佳折中,以期獲得最好的推廣能力。研究所使用的SVM不僅能分類(lèi)出像元屬性,而且也能解決間隔值的問(wèn)題[15]。

將Landsat8的RED、NIR、NDVI、NDWI、NDBI與Sentinel-2數(shù)據(jù)的RED、NIR、NDVI、NDWI、NDBI和珞珈一號(hào)數(shù)據(jù)加入SVM算法進(jìn)行分類(lèi),同時(shí)將Landsat8的RED、NIR、NDVI、NDWI、NDBI與珞珈一號(hào)數(shù)據(jù)和Sentinel-2數(shù)據(jù)的RED、NIR、NDVI、NDWI、NDBI與珞珈一號(hào)數(shù)據(jù)也各做一次分類(lèi)作為本研究的對(duì)比結(jié)果。

2 結(jié)果與分析

2.1 土地利用分類(lèi)

在進(jìn)行分類(lèi)時(shí),將Landsat8的RED、NIR、NDVI、NDWI、NDBI與Sentinel-2數(shù)據(jù)的RED、NIR、NDVI、NDWI、NDBI結(jié)合,生成一個(gè)10 m的安徽省土地利用分類(lèi)圖。Landsat8的RED、NIR、NDVI、NDWI、NDBI與珞珈一號(hào)數(shù)據(jù)和Sentinel-2數(shù)據(jù)的RED、NIR、NDVI、NDWI、NDBI與珞珈一號(hào)(Luojia-1)數(shù)據(jù)各自生成10 m的安徽省土地利用分類(lèi)圖結(jié)果,如圖2所示。

(a)Landsat & Sentinel-2 & Luojia-1 (b)Sentinel-2 & Luojia-1 (c)Landsat & Luojia-1

基于SVM分類(lèi)結(jié)果,不透水面類(lèi)型提取結(jié)果如圖3所示。

(a)Landsat & Sentinel-2 & Luojia-1 (b)Sentinel-2 & Luojia-1 (c)Landsat & Luojia-1

2.2 分類(lèi)結(jié)果驗(yàn)證

通過(guò)在谷歌地圖上選取樣本點(diǎn),并用混淆矩陣對(duì)分類(lèi)結(jié)果進(jìn)行精度驗(yàn)證,谷歌選取的精度驗(yàn)證點(diǎn)如圖4所示,驗(yàn)證結(jié)果如表3所示。

圖4 精度驗(yàn)證點(diǎn)審圖號(hào)：皖S(2019)13號(hào)

表3 多源數(shù)據(jù)源精度驗(yàn)證結(jié)果與不透水面面積統(tǒng)計(jì)

通過(guò)對(duì)圖2、圖3、表3分析可知,針對(duì)2018年安徽省不透水面的提取,用Landsat、Sentinel-2和珞珈一號(hào)三種不同來(lái)源不同分辨率的數(shù)據(jù),精度達(dá)到0.97,說(shuō)明精度較高。不透水面的面積統(tǒng)計(jì)是19194.283434 km2,面積也較準(zhǔn)確。而Landsat 8 &珞珈一號(hào)和Sentinel-2 &珞珈一號(hào)分類(lèi)精度比Landsat & Sentinel-2 &珞珈一號(hào)三種結(jié)合分類(lèi)精度要低,且面積統(tǒng)計(jì)相差較大。

通過(guò)圖5可以看出,使用三種不同數(shù)據(jù)源分類(lèi),在提高精度的基礎(chǔ)上,如圖5(a),Landsat & Sentinel-2 &珞珈一號(hào)結(jié)合的分類(lèi)能夠?qū)⒆溆谔锏鼗蛏酱謇锏拇迓浜偷缆窚?zhǔn)確提取。如圖5(b)中,Sentinel-2 &珞珈一號(hào)則不能夠準(zhǔn)確提取出此類(lèi)型的地物。圖5(c)中Landsat 8 &珞珈一號(hào)則會(huì)出現(xiàn)錯(cuò)分,易將村落分為林地類(lèi)。

(a)Landsat & Sentinel-2 & Luojia-1 (b)Sentinel-2 & Luojia-1

3 結(jié)論

通過(guò)利用多源高分辨率遙感影像對(duì)安徽省不透水面的提取,并對(duì)提取的結(jié)果進(jìn)行了精度驗(yàn)證與分析,得到了以下結(jié)論：

(1)通過(guò)對(duì)安徽省不透水面的提取,可以看出，Sentinel-2數(shù)據(jù)、Landsat數(shù)據(jù)和珞珈一號(hào)數(shù)據(jù)所組合的有11個(gè)波段對(duì)不透水面面積提取的精度最高。

(2)通過(guò)實(shí)驗(yàn)發(fā)現(xiàn),使用Landsat、Sentinel-2和珞珈一號(hào)三種數(shù)據(jù)源結(jié)合提取不透水面,對(duì)小村落提取效果較好。相比之下,單純只用Landsat或者Sentinel-2數(shù)據(jù),小村落很容易識(shí)別為林地或農(nóng)田,誤差影響較大。

(3)通過(guò)選取特征點(diǎn)進(jìn)行驗(yàn)證,研究中生成的安徽省不透水面專(zhuān)題圖達(dá)到的精度較高,分辨率也較高。安徽省全省不透水面面積接近于19 194.283 434 km2,因此,研究方法切實(shí)可行。

(4)本研究所采用的影像分辨率不高,在進(jìn)行重采樣后造成單個(gè)像元存在多種類(lèi)型的地物,對(duì)分類(lèi)的結(jié)果產(chǎn)生了一定影響。因此,在后續(xù)研究中,可嘗試使用高分辨率的遙感影像。

4 結(jié)束語(yǔ)

隨著三調(diào)的推進(jìn),遙感影像解譯的準(zhǔn)確性和效率性日益重要,基于SVM方法的多源高分辨率遙感影像分類(lèi)及提取能夠滿(mǎn)足準(zhǔn)確性和效率性的社會(huì)特征,能夠很好地協(xié)調(diào)節(jié)省人力物力財(cái)力。