基于多源遥感数据融合的土地利用类型信息提取研究

李 涛，颜 伟

（贵阳市森林资源管理站，贵州贵阳 550003）

遥感作为一种远距离的、非接触的目标探测技术和方法，具有多平台、多波段、多层次等特点和信息量丰富、信息获取周期短、实时性和动态性强等优势。它可以探测目标，获取信息，并通过加工处理后，定位、定性和定量地描述目标。土地利用类型信息可以应用遥感技术来获取，并能够对其进行相关的地学分析、专题图制作等，使得遥感技术在土地利用类型分类领域有着不可比拟的优势，因此，利用遥感数据提取土地利用类型信息是土地利用类型分类的重要手段。

目前，运用遥感数据定量提取研究区土地利用信息在大尺度区域土壤侵蚀等环境科学研究领域中越来越重要[1]。但是，在土地利用类型分类中，存在数据源和提取方式的局限性。主要问题表现在数据量较少，数据源单一，多为光学遥感，较少运用雷达数据，光谱性不丰富，分辨率有待提高。进行多源遥感数据融合可以富集多种传感器遥感信息[2]，利用多源遥感信息的冗余性和互补性，可以最大限度地描述目标或场景信息[3-4]。CBERS 光学遥感光谱信息丰富，但空间分辨率较低，易受天气影响，而ASAR 数据空间分辨率高，且受天气影响和制约较小[5]，因此，把CBERS 和ASAR 遥感数据进行融合，可以把CBERS 光学遥感数据和ASAR 雷达遥感数据形成优势互补，从而提高目标的识别、分析、解译能力[6-7]。

本研究以CBERS 和ASAR 数据为多源遥感数据源，采用HPF 像素级融合法进行数据融合，然后分别运用融合前后数据提取镇宁县土地利用类型信息，对比分析数据融合前后土地利用类型信息的相对误差，比较融合前后土地利用类型的提取效果。研究结果对土壤侵蚀较为严重，生态环境比较脆弱的典型岩溶地区镇宁县的土地利用类型信息提取具有重要指导意义。此外，土地利用类型作为土壤侵蚀的重要评价因子[8-11]，也是构建研究区土壤侵蚀模型的主要参数[12-15]。因此，基于多源遥感数据的土地利用类型信息提取研究，可以为大区域土壤侵蚀信息中土地利用类型信息的提取提供参考，对大尺度研究区域土壤流失情况的分析评价具有重要的意义[16-20]。

1 研究区概况

镇宁县地处贵州中部丘原西南部，位于东经105°35′10″～106°0′50″，北纬25°25′19″～26°10′32″。全县国土面积1713.3km2，地势北高南低，坡度变化较大，海拔356～1678m，以亚热带气候为主，属南亚热带湿润季风气候区。镇宁县是典型的岩溶地区，山地面积1098km2，丘陵面积157.8km2，分别占全县总面积的64.08%和9.21%。岩溶地貌分布广，占全县总面积60%以上。基岩多为石灰岩、砂页岩、白云质石灰岩、硅质灰岩，其土壤多为黄壤、红黄土壤和黑色石灰土。

2 材料与方法

2.1 数据来源

以CBERS 数据与ASAR 数据作为多源遥感数据源。CBERS 数据来源于资源环境云平台（http：//www.resdc.cn），ASAR 数据来源于欧空局（https：//earth.esa.int/），另外，选取30m 分辨率的DEM 数据作为辅助分类数据。CBERS 影像波谱数多，具有清晰度较好和几何精度较高等优点，但也存在一定程度的条纹错位，抗大气干扰能力较差等缺点。ASAR 影像空间分辨率高，具有全天候、对表面和云层的穿透性和信息载体多样性特点。

2.2 影像预处理

CBERS 数据采用软件ENVI5.0 软件，先对前4 个波段进行合成，影像投影选用UTM 方式，选取的地面控制点（GCP），对第5 波段进行几何校正和融合，然后用镇宁县矢量数据对CBERS 影像裁剪，最后对裁剪的数据进行图像变换和增强处理，生成研究区CBERS 影像。ASAR 数据通过斑点噪声的去除处理后，然后进行影像定标、滤波和几何校正处理，裁剪研究区ASAR 影像，并用HPF（高通滤波融合）融合方法对研究区范围内的CBERS 和ASAR 遥感影像进行融合，生成HPF融合数据。

2.3 土地利用类型分类方法

本研究采用了ISODATA 非监督分类法对研究区进行分类非监督分类，利用eCognition 建立分类层次，并对每一类地物定义样本和特征空间作为分类参考依据，根据图像本身的统计特征及自然点群的分布来进行分类。根据研究对象和国家土地利用分类系统标准[21]，将土地利用类型分为草地、建筑或岩石、山体、坡耕地、有林地、其它林地、水体、空地8 类。

2.4 分类结果评价方法

精度评价中，采用抽样方式以部分像元或部分类别代替整幅图像来进行图像的精度评价。图像精度是指一幅不知道其质量的图像和一幅假设准确的参考图像或者地面真实样本训练区图像之间的吻合程度。建立误差矩阵（或称混淆矩阵），以此计算各种统计量并进行统计检验，最终给出对于总体的和基于各种地面类型的分类精度值，本研究采用制图精度、用户精度、漏分误差和错分误差4 个指标。

2.4.1 制图精度。假定地表真实为A 类，分类器能将一幅图中的像元归为A 类的可能性。它用于反映生产这张图的方法的好坏。

式中，PAj为百分比，PAarea为PA面积，Pjarea为Pj面积。

2.4.2 用户精度。假定分类器将像元归到A 类，相应的地表真实类别是A 的可能性。它反映分类图中各类别的可信度，即该图的可靠性。

式中，PUi为百分比，PUarea为PU面积，Piarea为Pi面积。

制图精度和用户精度对应的是漏分误差和错分误差。漏分误差显示的是实际的某一类地物有多少被错误地分到其它类别，而错分误差显示的则是图像中被划为某一类地物实际上有多少应该是别的类别，漏分误差与制图精度互补，错分误差与用户精度互补。

分别在影像CBERS 影像和HPF 融合影像上选取代表8 种土地利用类型采样点各1 个，共计16 个采样点，每个采样点面积为667m2；制定采样点土地利用类型外业调查核实内容记录表；开展采样点外业调查核实工作，详细记录土地利用类型信息数据，汇总统计采样点数据建立由制图精度、用户精度、漏分误差和错分误差4 个指标形成的误差矩阵，对CBERS 影像和HPF融合影像提取土地利用类型信息结果进行分析和评价。

3 结果与分析

3.1 提取结果

基于CBERS 影像和HPF 融合影像提取的土地利用类型分类图。

图1 CBERS 影像的土地利用类型分类图

图2 HPF 融合影像的土地利用类型分类图

表1 基于CBERS 影像和HPF 融合影像的土地利用类型信息提取结果误差矩阵

3.2 分类结果精度分析

3.2.1 基于CBERS 影像提取土地利用类型信息结果及分析。表2 所示，基于CBERS 影像提取的土地利用类型信息结果：除了草地类型和其它林地类型精度比较低外，其他类型精度都比较高，分类效果比较好。建筑或岩石制图精度为94.5%，用户精度为96.9%；水体制图精度和用户精度均为100%；坡耕地制图精度为92.1%，用户精度为88.2%；有林地制图精度为91.8%，用户精度为87.9%；山体制图精度为96.7%，用户精度为100.0%；空地制图精度为90.4%，用户精度为89.9%。由表1 可知，草地类型制图精度比较低，漏分现象比较严重，即将属于草地类型的像元划分为其它林地较多，但用户精度较高，错分误差较小，主要原因是CBERS 光谱特征表现在影像上，各土地利用类型纹理，色调较为明显，容易区分；其它林地用户精度较低，错分误差达到了15.5%，错分现象比较严重，主要原因是其它林地与有林地有一些混淆，灌木林地与乔木林地区域影像边界不明显，导致错分。

表2 基于CBERS 影像和HPF 融合影像的土地利用类型信息提取结果精度评价

3.2.2 基于HPF 融合影像提取土地利用类型信息结果及分析。表2 所示，基于HPF 融合影像提取的土地利用类型信息结果：各个土地利用类型制图精度和用户精度都较高，漏分误差和错分误差都较小，分类效果较好。水体制图精度和用户精度均为100%；草地制图精度为96.3%，用户精度为98.5%；建筑或岩石制图精度为98.7%，用户精度为100%；山体制图精度为97.5%，用户精度为100%；坡耕地制图精度为96.7%，用户精度为98.6%；有林地制图精度为98.2%，用户精度为97.8%；其它林地制图精度为96.3%，用户精度为96.7%；空地制图精度为100%，用户精度为92.5%；所有土地利用类型的制图精度和用户精度都达到了96%以上。由表1 可知，只有其它林地和空地2 种类型容易出现错分现象，存在错分误差，但误差都较小，都小于10%，说明HPF 融合影像提取土地利用类型信息精度较高，跟融合影像分辨率较高和土地利用类型影像图斑纹理、色调、边界较清晰有关。

3.3 分类结果精度评价

总体上来说，HPF 融合影像提取土地利用类型信息效果好于CBERS 影像。从用户精度来说，HPF 融合影像提取水体、建筑或岩石、山体3 种土地利用类型精度都能达到100%，而CBERS 影像只有山体类型达到了100%，说明HPF 融合影像提取土地利用类型范围更广；HPF 融合影像用户精度都在90%以上，错分现象不多，说明HPF 融合影像提取效果明显优于CBERS影像。从制图精度来说，HPF 融合影像提取水体和空地类型，其精度达到了100%，CBERS 影像只有水体类型能达到100%；除水体类型外，其他土地利用类型的制图精度方面，HPF 融合影像精度均高于CBERS 影像，说明HPF 融合影像漏分现象较少，提取土地利用类型信息效果较好。

4 结论与讨论

本研究以CBERS 影像和HPF 融合影像为数据源进行HPF 遥感影像融合，采取ISODATA 非监督分类法等方法提取镇宁县土地利用类型信息，结果如下：

（1）总体上，基于HPF 融合影像提取土地利用类型信息，漏分现象较少，提取土地利用类型信息效果较好。在提取水体类型方面，CBERS 影像和HPF 融合影像的精度都达到了100%，两者效果相同；其它土地利用类型信息的提取，HPF 融合影像精度均高于CBERS影像，HPF 融合数据效果均优于CBERS 数据。

（2）运用CBERS 和ASAR 影像进行HPF 融合，生成HPF 融合影像，并用HPF 融合影像提取土地利用类型信息是提高土地利用类型分类正确率的有效途径之一，这一途径对于岩溶地区同样适用。