賈玉潔，劉云根，楊思林，王 妍，張 超，徐紅楓，鄭淑君

（1. 西南林業(yè)大學 生態(tài)與環(huán)境學院，云南 昆明 650224；2. 西南林業(yè)大學 云南省山地農(nóng)村生態(tài)環(huán)境演變與污染防治重點實驗室，云南 昆明 650224；3. 西南林業(yè)大學 林學院，云南 昆明 650224）

土地利用是城市發(fā)展規(guī)劃及資源開發(fā)利用的關鍵信息，同時也是區(qū)域土地利用變化研究的重要基礎[1]。然而高原山區(qū)的遙感影像自動分類相比其他地形區(qū)而言，傳統(tǒng)的遙感分類方法在分類精度上受各方面因素影響，難以滿足研究需求[2]。傳統(tǒng)的監(jiān)督分類方法和非監(jiān)督分類方法，是基于像元的數(shù)理統(tǒng)計法，地物分類時考慮的主要為像元的光譜信息，對遙感影像的形狀、紋理及空間關系等利用不夠充分[3]，容易發(fā)生“同物異譜”和“同譜異物”。近年來，國內外許多學者嘗試利用不同類型遙感影像來提高土地利用分類精度，在遙感影像的使用上多以Landsat和Modis系列的中低分辨率數(shù)據(jù)為主，分類精度經(jīng)常受到影像空間分辨率的限制，在地物破碎的區(qū)域提取草地、水塘和小規(guī)模村莊等時存在較大的局限性[4]。近年來采用高分辨率衛(wèi)星作為實驗數(shù)據(jù)的分類研究逐年增多[5?7]，高分辨率影像可利用清晰的地物幾何特征和紋理等信息，具有覆蓋范圍大、重訪周期短、定量化探測等優(yōu)點，但影像成本較高，獲取難度較大[8]。哨兵二號遙感衛(wèi)星最高的空間分辨率可達10 m，與傳統(tǒng)遙感數(shù)據(jù)相比，Sentinel-2A遙感數(shù)據(jù)新增加的4個紅邊波段與葉綠素含量關系緊密[9]。在地物提取分類研究領域中，近年來有眾多學者運用紅邊波段進行濕地提取[10]、作物識別[11]、地物類型劃分[12]等方面的研究，均取得了較好的效果。隨著計算機和3S技術的發(fā)展，遙感研究的逐漸深入，新的分類方法不斷涌現(xiàn)，如多重濾波[13]、面向對象分類法[14]、模糊分類法[15]、隨機森林分類法[16]、神經(jīng)網(wǎng)絡法[17]等。盡管這些分類方法在不同程度上均提高了分類精度，然而在分類結果中依然存在著或多或少的“椒鹽效應”[18]。本研究以云南省大理市為研究區(qū)域，以Sentinel-2A遙感影像為數(shù)據(jù)源，提出一種面向對象特征與決策樹規(guī)則相結合的分類方法，依靠多維遙感信息復合技術，充分利用地物的光譜特征[19]、幾何結構和紋理等提高遙感影像在大理市不同土地利用類型的區(qū)分效果，可探索提高高原山區(qū)分類精度的有效途徑。

1 研究區(qū)概況

云南省大理市地處云貴高原，大理州中部，25°25′ ～25°58′N，99°58′ ～100°27′E，總面積為 1 815 km2，基礎海拔1 000 m以上，地面起伏較大，地形以山地為主，其中山地面積為1 278.8 km2，山區(qū)、半山區(qū)面積達70.5%?？傮w特征是西北高，東南低，四周高，中間低。研究區(qū)地處盆地，中部是洱海，被四周的高山環(huán)抱，西部是蒼山，東側為馬尾山，四周山坡均朝向洱海。

2 研究方法

2.1 數(shù)據(jù)來源與預處理

本研究使用的Sentinel-2數(shù)據(jù)源通過歐空局的哥白尼數(shù)據(jù)中心下載，輔助數(shù)據(jù)包括2.5 m天地圖影像數(shù)據(jù)和從地理空間數(shù)據(jù)云獲取的大理市行政邊界矢量數(shù)據(jù)。利用歐洲航天局(ESA)官方提供的SNAP軟件和sen2cor插件對下載的原始影像進行大氣校正，得到L2A級數(shù)據(jù)，采用最近鄰插值法將波段重采樣為10 m分辨率，基于ENVI軟件對其進行幾何校正。因高原山區(qū)云霧較多，為降低影像云覆蓋對分類精度影響，將2020年1月1日至12月31日大理市Sentinel-2A影像最小云量進行年度多時相合成，通過大理市行政邊界矢量數(shù)據(jù)對遙感影像數(shù)據(jù)進行裁剪。

2.2 土地利用分類體系

土地利用分類標準在參照GB/T 21010—2017《土地利用現(xiàn)狀分類標準》[20]的基礎上結合高原山區(qū)各方面特征，將研究區(qū)分為七大類，選出準確可靠的7個類型樣本，進行樣本間的分離度計算，計算結果如表1所示。

表1 各種類型地物樣本組合的 Jeffries-Matusita距離Table 1 Jeffries Matusita distance of various types of feature sample combinations

2.3 面向對象特征的決策樹分類

2.3.1 決策樹分類模型粗分類 為能充分利用基于像素和面向對象分類方法優(yōu)勢，組合方法已被廣泛應用于土地利用分類領域[21]。QUEST決策樹從運算速度和分類精度方面均衡考量，優(yōu)于其他決策樹方法[22]。利用面向對象特征的遙感分類方法，可結合研究對象的光譜、形狀、紋理、空間關系等不同屬性信息，將相同性質的像元組成為基本處理單元“對象”完成分類[23]。對研究區(qū)各地物類型的光譜特征、紋理特征和幾何特征分析后，以第3綠光波段、第8近紅外波段、第4紅波段和第11短波紅外為特征波段，再提取農(nóng)田、草地、冰川積雪和其他等4個不同類別地類的面向對象特征，根據(jù)各特征建立分類規(guī)則進行建模。構建面向對象特征與QUEST決策樹相結合的分類模型，如圖1所示。

圖1 分類模型流程圖Figure 1 Flow chart of classification model

①水體區(qū)域提取。基于研究區(qū)實地情況，本研究采取歸一化差異水體指數(shù)(NDWI)方法[24]將研究區(qū)水體部分劃分出來。根據(jù)對樣本數(shù)據(jù)的初步分析以及人工判讀，先將QUEST決策樹分類條件設置為NDWI＞0.412 5。②植被區(qū)域提取。因為Sentinel-2數(shù)據(jù)的優(yōu)勢是在紅邊范圍含有3個波段的數(shù)據(jù)，且研究區(qū)是典型的高原山區(qū)，全域植被覆蓋率較高，所以歸一化植被指數(shù)(NDVI)能從影像中更加有效地提取植被區(qū)域[25]。以此為基礎將決策樹分類條件設置為NDVI＞0.312 5，可將植被區(qū)域與非植被區(qū)域分離開，且不與水體區(qū)域混淆。再通過設置NDVI指數(shù)范圍闕值，進一步將植被中的農(nóng)田、草地分類條件設置為0.312 5＜NDVI＜0.654 3，林地則設置為0.654 3＜NDVI＜1.000 0。③非植被區(qū)域提取。將研究區(qū)的水體和植被兩大類提取成功后，其余部分則為非植被區(qū)域。為了進一步將建筑用地從非植被區(qū)域提取出來，在前幾步的基礎上又計算了歸一化建筑指數(shù)(NDBI)，并將QUEST決策樹分類條件設置為NDBI＞0，發(fā)現(xiàn)此時可將研究區(qū)大部分建設用地從非植被區(qū)域提取出來。

2.3.2 面向對象特征的細分類 面向對象可充分利用各對象的各類特征信息，本研究使用了面向對象的光譜特征、幾何特征和紋理特征，其定義如表2所示。

表2 面向對象特征定義表Table 2 Object oriented feature definition

本研究采用多尺度分割算法進行影像分割，共設置了一個分割層次，主要目的是將農(nóng)田與草地、冰川積雪與其他進行區(qū)分。在確保影像分類精度的前提下進行多次實驗，最終結果表明：分割尺度設置為30較為適宜，此時，各個分類對象均有較好的可分離性，且各個對象內部的同質性較高。再根據(jù)相鄰對象的紋理特征和內部一致性確定歸并尺度，對分割好的原始影像進行迭代歸并，進一步完成相鄰同類對象的歸并。經(jīng)多次實驗，確定的歸并尺度為65最為適宜。①草地與農(nóng)田的面向對象特征。草地與農(nóng)田相比，具有規(guī)則的幾何形狀，同時，草地與農(nóng)田的光譜均值也有一定差異。所以，可將農(nóng)田的對象篩選條件設置為：面積＞3 000 m2，矩形形狀參數(shù)＞0.3，光譜均值＞3 000 nm，余下不滿足設定的農(nóng)田篩選條件的地區(qū)為草地。②冰川積雪與其他的面向對象特征。其他用地類型延伸率較小且形狀不規(guī)則，光譜均值也有較大差異，而冰川積雪大都分布于蒼山高海拔地區(qū)，且連續(xù)性高，面積較大。所以為將兩者區(qū)分開來，設定其他用地的篩選條件為：延伸率＜3.5，1 210 nm＜光譜均值(第4波段)＜1 360 nm，1 225 nm＜光譜均值(第3波段)＜1 335 nm，1 400 nm＜光譜均值(第2波段)＜1 465 nm ，符合該條件的區(qū)域可判定為其他用地，余下不滿足設定條件的則為冰川積雪。

2.4 其他分類方法

本研究還運用了最大似然分類法、ISODATA法與面向對象特征決策樹法進行比較。ISODATA法分類與最大似然法均未引入面向對象特征，ISODATA法使用ENVI 5.3軟件，選擇IsoData分類器，預設22個類別和最大迭代次數(shù)為10進行分類計算，最后通過目視識別分類結果合并為本研究的7個類別。最大似然法基于ENVI 5.3軟件使用ROIS方法定義7類訓練樣本進行分類。面向對象特征決策樹分類使用IDL8.5結合ENVI 5.3編程實現(xiàn)。

2.5 精度評定

為了檢驗研究區(qū)影像分類解譯結果的可信度，通過野外調查和2.5 m精度的天地圖相結合的方式目視判讀檢驗研究區(qū)各個樣本點的真實土地利用類別，采用誤差矩陣方法進行檢驗。在研究區(qū)內利用ArcGIS軟件隨機生成500個檢驗樣本點，各地類驗證點個數(shù)如表3所示。

表3 各地類驗證點個數(shù)Table 3 Number of verification points of each class

3 結果與分析

3.1 不同分類方法空間分布比較

將3個分類結果與同期高分辨率天地圖影像進行疊加對比(圖2)：ISODATA法相比前2種方法雖然顯示結果較差，但具有明顯特征的地物基本都能被識別出來，冰川積雪與建筑用地因光譜特征類似，從而產(chǎn)生了部分混淆。最大似然分類和面向對象決策樹分類得到的研究區(qū)地物分布與天地圖影像顯示結果基本一致。但是，由于高原山區(qū)草地和部分農(nóng)田分布較為破碎，且研究區(qū)地表植被覆蓋度較高，所以利用最大似然方法提取的某些林地、草地和面積較小的農(nóng)田會產(chǎn)生部分混淆。而面向對象決策樹分類由于構建特征指數(shù)將不同地物差異放大，且引入了面向對象特征，更有利于決策規(guī)則的制定，所以提取的結果在空間表現(xiàn)上相比與其他分類方法更合理。

圖2 基于不同分類方法得到的大理市2020年土地利用類型示意圖Figure 2 Land use type map of Dali City in 2020 based on different classification methods

對3種土地利用分類方法各地類的面積進行統(tǒng)計，并與歐空局公布的2020年10 m分辨率土地利用數(shù)據(jù)進行驗證對比。結果如圖3所示：面向對象特征的決策樹法提取的研究區(qū)內林地面積最大，其次是農(nóng)田、草地、水體、建設用地和冰川積雪，面積最小的為其他用地：3種分類方法中此方法結果與研究區(qū)的實際情況最為符合。 ISODATA法基于機器學習，在地物分布較為破碎的區(qū)域，機器學習的效果會受樣本中噪聲的影響，產(chǎn)生過擬合現(xiàn)象。最大似然法是基于統(tǒng)計分析的原理，可減輕樣本中噪聲的影響，提取結果在空間分布上也更為合理。面向對象特征的決策樹法以對象為處理單元，充分利用研究對象的光譜、形狀、紋理、空間關系等不同屬性信息，所以提取的結果與實際情況最為接近。

圖3 各類地物面積統(tǒng)計Figure 3 Area statistics of various features

3.2 不同地類的方法適用性比較

為進一步比較不同方法下各類地物的提取差異，采用2.5 m天地圖的500個樣點結合野外調查對3種方法的分類結果進行驗證，利用誤差矩陣分析得到的分類結果進行精度評價，結果如表4所示。從制圖精度角度看，ISODATA法制圖精度由高到低依次是其他、建設用地、水體、林地、農(nóng)田、冰川積雪和草地，其中精度最高的其他為89.37%，最低的草地僅為58.00%。對于用戶精度，ISODATA法的水體用戶精度最高，為97.44%。余下的地類用戶精度由高到低分別為林地、其他、冰川積雪、草地、建設用地和農(nóng)田。從以上2個精度對比來看，林地和水體的分類精度最高，建設用地、草地、冰川積雪和其他分類精度也較高，農(nóng)田分類精度較低。分析認為，由于水體的光譜特性相對單一，誤分狀況較少。而林地、農(nóng)田和草地三者誤分與互相之間光譜特性重合有較大關系。建設用地的誤分區(qū)域主要分布在洱海周邊和建成區(qū)周圍的裸地，因裸地和房屋具有相似的高反射特性，主要誤分為建設用地和草地，草地和冰川積雪誤分為建設用地由光譜特性相近導致。

表4 ISODATA法遙感解譯誤差矩陣Table 4 ISODATA remote sensing interpretation error matrix

由表5可得：基于最大似然法的水體制圖精度最高，為94.79%，余下6個地類制圖精度由高到低分別為林地、草地、其他、農(nóng)田、冰川積雪和建設用地。用戶精度最高的地類是水體，為100.00%，其他地類用戶精度由高到低分別是林地、建設用地、草地、農(nóng)田、其他和冰川積雪。冰川積雪精度最低，僅為66.67%。通過分析認為，水體的光譜特性較為單一，極少出現(xiàn)誤分。充分利用不同類型的光譜表現(xiàn)特征和周邊地理環(huán)境，所以林地和農(nóng)田區(qū)分度較好，但和草地仍有部分混淆。部分建設用地位于山區(qū)，受周邊地理環(huán)境影響較大，加之城區(qū)建設用地光譜特征較為復雜。農(nóng)田誤分主要是誤分為林地、草地和建設用地，由于前三者均屬于綠色植被，在氣溫濕度均較好的情況下，選擇樣本時會經(jīng)常造成3類間的誤分。與建設用地的誤分由于山區(qū)農(nóng)田與建設用地交錯分布，難以分辨。其他地類誤分為建設用地由于兩者具有相似的高反射特性，極易造成混淆。

由表6可以看出：基于面向對象特征決策樹法中的水體制圖精度仍是最高，為93.94%，其他地類制圖精度由高到低分別是林地、農(nóng)田、草地、建設用地、其他和冰川積雪。冰川積雪雖然精度最低，但仍達76.92%。面向對象特征決策樹法制圖精度由高到低分別是水體、其他、林地、冰川積雪、草地、農(nóng)田和建設用地，其中用戶精度最高的水體為95.88%，最低的建設用地精度為83.61%。分析認為，誤分情況主要是由于決策樹粗分類時3個指數(shù)的參數(shù)設置原因。農(nóng)田和草地之間的部分誤分也與面向對象特征參數(shù)設置有關，此方法分類中冰川積雪和其他2個地類無錯分現(xiàn)象，由此看出面向對象特征參數(shù)設置較為適合。

以上精度分析可以看出，面向對象特征決策樹法相比于其他方法在農(nóng)田、草地、建設用地和其他這4類分類精度上有了顯著提高，且在高原山區(qū)特有地類冰川積雪的信息提取上也有較好的適用性。而對于研究區(qū)水域和林地的提取來說，最大似然法的適用性更好。

3.3 不同分類方法總體精度比較

一般總體精度在80%以上可以認為精度良好，表7表明：3種分類方法分類精度良好。其中，ISODATA法總體分類精度最低，但也滿足基本分類需求，總體分類精度為82.60%，Kappa系數(shù)為79.40%；其次是最大似然法，總體分類精度較ISODATA法略有提高，總體分類精度為85.00%，Kappa系數(shù)為81.90%，但最大似然法基于機器學習的提取方法也可能會帶來過擬合效應，導致提取精度偏高；面向對象特征決策樹分類方法精度最高，總體分類精度可達90.20%，Kappa系數(shù)為87.95%，說明此方法的分類結果與實際情況最為貼近，更加適用于高原山區(qū)土地利用分類。

表7 3種分類方法比較Table 7 Comparison of three classification methods

4 結論

本研究結果表明：①從地物空間分布上看，面向對象與決策樹相結合的方法得到的最終分類結果與同期高分辨率天地圖影像較為一致，表明與地物的實際分布情況更為接近。②從地類方法適用性角度來看，最大似然分類法在水域和林地的提取上適用性較好，面向對象特征決策樹法在農(nóng)田和草地、建設用地和其他這些光譜特征較為相似的地類區(qū)分度較好。在高原山地特有的地類冰川積雪提取上也表現(xiàn)出了極大的優(yōu)越性。③從不同方法總體分類精度角度看，面向對象特征的決策樹法在大理市的土地利用信息提取中效果最好，總體分類精度和Kappa系數(shù)分別為90.20%和87.95%，較傳統(tǒng)的最大似然法和ISODATA法分類精度均有提升，可實現(xiàn)大理市土地利用的高精度提取。

本研究在進行大理市土地利用分類時，利用先粗分類再進一步細分類的思想，將面向對象特征與決策樹規(guī)則相結合，粗分類先設計決策樹分類規(guī)則，在決策樹基礎上進行類別的細分類，此方法可避免區(qū)域之間的混淆問題，反映了提高遙感影像分類精度的一個方法，具有良好的應用前景[26]。面向對象特征輔助決策樹分類，其分類精度和準確性雖有提高，但與歐空局面積仍存在一定的出入，說明分類過程中僅提取面向對象特征輔助是不夠的。因此，在今后的計算機分類過程中，需進一步加強遙感影像計算機自動解譯的研究，充分利用地物形狀、紋理、空間關系、空間位置等特征，對影像進行綜合評判，提高影像的分類精度。