基于面向对象和指数分类的土地利用二级类提取研究.docxVIP

基于面向对象和指数分类的土地利用二级类提取研究 摘要：为更好地利用国产遥感数据研究土地利用资源分布，基于面向对象和指数分类的方法，开展高分二号遥感影像建设用地二级类提取。实现了研究区居民点、仓储用地、工业用地、公共管理与公共服务用地及交通用地的提取，提取总精度达96.9%,Kappa系数达0.94。结果表明本研究方法可以较准确提取高分二号遥感数据的二级类建设用地，对国产数据地物信息提取的研究有一定借鉴意义。 0 引言建设用地的分布、密度及变化可以进一步研究国民经济发展动态等一系列经济问题，并对土地利用格局有重要的影响国内外研究学者针对遥感影像进行建设用地提取的方法研究较多。梁书维等遥感技术应用于建设用地遥感分类信息提取已取得很好的效果，但往往处于一级分类1 数据与方法1.1 数据来源高分二号数据是我国自主研制的首颗空间分辨率优于1 m的民用光学遥感，且是我国目前分辨率最高的陆地观测卫星1.2 数据预处理数据预处理包括对图进行正射校正、辐射定标、大气校正模块(Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes,FLAASH)校正及去薄云处理。辐射定标消除传感器本身、大气、太阳高度角等带来的误差，得到真实的辐射值1.3 图像去云云层去除有利于遥感影像的精确解译，提高影像利用率。遥感影像去云采用优化云变化(Haze Optimized Transform,HOT)算法1.4 面向对象分类多尺度分割算法充分利用影像光谱特性和形状特征，计算每个波段的异质性特征值。实质是将一幅M×N阵列的数字图像划分为若干个互不交叠区域的过程。关键在于确定分割尺度、紧致度因子及形状因子使之生成高度同质性的影像分割区域。1.5 指数分类本文用到的指数包括可以突显影像中的水体信息的归一化水体指数(Normalized Difference Water Index,NDWI)，描述对象紧致程度的密度(Density)，表示对象边界的光滑性的形状指数(Shape Index)，表示局部灰度均匀性的灰度共生矩阵同质性属性(Homogeneity)，也叫逆差距，表示一个影像对象的光谱平均值的亮度值(Brightness)、描述图像对象与大小和比例的矩形拟合(Rectangular fit)。此外还有均值(mean)、对类型的距离(Distance to class)等指数。2 建设用地实验提取2.1 建设用地分类该研究区为郊区，影像数据建设用地较为分散。工业用地即盐田，以经营盐业为目的，包括盐场及附属用地，通常临海有一定的水体特征;该地区建有多数的仓储用地，仓库多为白色、蓝色的房顶，集中在城镇地区;交通运输用地为公路，形状特征明显;居民点包括农村聚集地、乡镇住房，村与村较为分散，且在影像上不易于与休耕地区分;公共管理与服务用地相对较少，有学校及停车场等。因此，根据《全国土地分类体系》将该研究区的建设用地分为居民点、工业用地、仓储用地、公共管理与服务用地以及交通运输用地。2.2 图像多尺度分割寻找多光谱影像合适的分割尺度2.3 建设用地提取该研究区居民地光谱特征及形状特征与休耕地相似，导致与休耕地难以区分，且拓扑特征无特定规则，很难准确地提取出建设用地3 精度评价与分析3.1 精度评价分类结果精度评价是检验分类是否可信的必要，采用基于像素的混淆矩阵精度评价方式，将各类地物目视解译结果作为参照与本文分类结果对照，在eCognition 9.0进行精度评价，包含混淆矩阵、各类别的用户精度、生产者精度和总体精度。评价结果如表2所示，可以看出本文的提取规则能将建设用地进一步分为二级类，生产者精度均达到90%以上，提取效果较为理想，如图4所示。居民住宅建设集中成簇拥状态的村落，村落分布分散，在遥感影像上有明显边界，边界对比度可以将纹理复杂的居民点与其周围平滑地面分离开，但是漏提现象较为严重，或存在一定干扰因素，如耕地的误提。因此选用纹理信息同质性属性可以很好提取居民点，再剔除部分干扰因素，此方法适用于高分二号数据其他地区的居民点提取，有较强普适性。交通运输用地多为公路、铁路等线性建筑，利用紧致度这一形状特征可以很好提取线性地物。根据盐田特性，利用水体指数可以提取盐量较低的盐田，再利用拓扑关系提取盐分含量多的晒盐池。本研究区内的工矿仓储用地多为厂房，公共服务与公共管理用地种类繁杂，共同特点是不易寻找，针对此类型地物的提取，先提取最突出的部位，再将周围部分归结为此类。3.2 不同方法精度比较本文基于面向对象方法提取地物，与传统基于像素(支持向量机)分类方法相比，消除了“椒盐”现象，且能提取所需