水源地土地覆被分类及无人机遥感验证评价方法研究

李 营 杨一鹏 殷守敬 杨海军 洪运富 朱海涛

(环境保护部卫星环境应用中心，北京 100094)

1 水源地卫星遥感影像分类

水源地是我国环境保护的重点区域，保证水源地水质安全具有重要意义。卫星遥感技术具有重访周期短、监测范围大、重复动态监测等优势，是开展环境监测的重要技术手段，在水源地监测中也愈加发挥重要作用。GF－1 是我国2013年发射的高分辨率遥感卫星，搭载了两台2m 分辨率全色、8m 分辨率多光谱相机及四台16m 分辨率多光谱相机，实现了高空间分辨率、多光谱与高时间分辨率的结合，是开展宏观与微观环境监测的良好数据源。土地覆被分类是卫星遥感应用最为广泛的产品之一，基于GF－1 卫星开展土地覆被分类，能够有效利用GF－1 影像数据分辨率特征，监测水源地敏感地物，为水源地监测提供技术支撑，进而推动国内环境遥感监测事业的进一步发展。

目前，面向对象分类方法普遍适用于高空间分辨率卫星影像，其充分利用高分辨率的全色和多光谱数据的空间、纹理和光谱信息，对卫星影像进行分割和分类，最终以高精度的分类结果或者矢量输出。当前面向对象分类采用最为广泛的是德国Definiens Imaging 公司开发的智能化影像分析软件eCognition，本文采用该软件对GF－1 卫星影像进行土地覆被分类。

2 无人机遥感验证评价

基于土地覆被分类获取水源地环境敏感信息后，须验证评价分类结果，目前，国内外土地覆被验证数据源主要分为人工地面核查数据与遥感数据，人工地面核查数据采集耗费较高的人力、物力成本，而且在地形复杂、自然条件恶劣的区域难以获取;相对于人工地面核查数据，遥感数据省时省力，能够获取任何区域的验证信息，是一种较为经济实用的验证数据源。国内外学者已利用遥感数据开展了相关研究，并取得了较好成果。总体来说，基于遥感数据的土地覆被验证评价通常采用相同或更高空间分辨率的数据，对于GF－1 水源地敏感信息土地覆被结果的验证，需采用优于2m 空间分辨率影像数据，而目前国内民用卫星缺少此类数据，且国外高分辨率数据(如Quickbird、Geoeye、WorldView、Ikonos 等)难以在时相上满足验证要求，因此，采用无人机遥感影像数据进行验证评价是一种较好的权衡方法。

无人机遥感数据获取通常包括无人机飞行准备、航线规划、空域申请、无人机飞行、数据处理、信息提取等过程。数据获取后，采用随机抽样方法选取多个土地覆被验证多边形样本，与土地覆被结果进行对比验证后建立混淆矩阵，通过总体分类精度、用户精度、生产者精度评价分类结果。

3 示例应用

以扬州南水北调东线工程源头区为示例研究区，该区域位于扬州市邗江区与江都市的交接处，是重要的水源地。卫星遥感影像采用2014年3月28日GF－1 全色与多光谱影像数据，数据的处理过程为:对2m 的全色影像进行几何校正后，将8m 多光谱影像与其配准，按照研究区边界裁剪两幅影像，之后，采用Pansharping融合方法对影像进行融合。

为提取研究区内水源地敏感地物分布信息，结合土地利用现状分类标准(GBT 21010－2007)，将研究区土地覆被分为水体、建筑物、自然地表、道路、裸露的混凝土、滩涂及岛屿、船只和造船厂等八类。基于eCognition 软件，采用面向对象分类方法，通过多尺度分割方法试验多次分割不同地物，之后，选用隶属度模糊分类和目视解译相结合的方法对影像进行分类，分类结果如图1 所示。

图1 水源地GF－1 影像土地覆被分类

针对土地覆被分类结果，基于同时相无人机遥感影像，随机抽样选取452 个多边形样本，每个多边形样本代表一种土地覆被类型，在无人机影像中，多边形样本的土地覆被类型为多边形内面积最大的地物。通过对无人机影像样本进行目视解译，建立基于多边形样本的混淆矩阵，之后，采用总体精度、生产者精度和用户精度等指标评价分类精度。通过计算，总体精度为80.00%，各土地覆被类型精度如表1 所示。

表1 用户精度和生产者精度

4 结 论

(1)本方法是国产高分辨率卫星与无人机遥感技术结合应用的探索，能够有效应用于水源地遥感监测研究中，为水源地环境保护提供技术与数据支撑。(2)目前，我国无人机遥感技术发展迅速，在各领域发挥了重要作用，已经成为卫星遥感技术的有力补充，国内无人机遥感验证研究相对较少，本方法采用无人机遥感数据对卫星遥感影像分类结果进行验证，增添了该领域的研究成果，力争为国内相关研究提供一定的技术借鉴。

［1］陈志勇．基于高分辨率遥感影像的城市土地覆被变化分析研究［D］．兰州交通大学，2013．

［2］莫利江，曹宇，胡远满，刘淼，夏栋．面向对象的湿地景观遥感分类——以杭州湾南岸地区为例［J］．湿地科学，2012，02:206－213．

［3］梁京涛，成余粮，王军，等．基于无人机遥感技术的汶川地震区典型高位泥石流动态监测［J］．中国地质灾害与防治学报，2013，24(3):54－61．

［4］谢涛，刘锐，胡秋红，等．基于无人机遥感技术的环境监测研究进展［J］．环境科技，2013，26(4):55－64．

［5］Stehman S V，Wickham J D．Pixels，blocks of pixels，and polygons:Choosing a spatial unit for thematic accuracy assessment［J］．Remote Sensing of Environment，2011，115(12):3044－3055．

［6］Radoux J，Bogaert P．Accounting for the area of polygon sampling units for the prediction of primary accuracy assessment indices［J］．Remote Sensing of Environment，2014，142:9－19．

［7］孙晓霞，张继贤，刘正军．利用面向对象的分类方法从IKONOS 全色影像中提取河流和道路［J］．测绘科学，2006，01:62－63+5．

［8］陈云浩，冯通，史培军，王今飞．基于面向对象和规则的遥感影像分类研究［J］．武汉大学学报(信息科学版)，2006，04:316－320．

［9］王桥，王晋年，杨一鹏，等．环境监管无人机遥感技术与应用［M］．北京:科学出版社，2014，1－3．