基于Sentinel 2 影像的青衣江流域土地利用分类

李文君

（安徽理工大学，安徽 淮南232001）

不同卫星影像、不同分类方法、不同研究手段针对不同研究区域的土地利用分类一直是遥感领域的研究热点，发展至今，已经有很多技术手段趋于成熟。韩涛[1]、郭交[2]、国外Davoud Ashourloo[3]等利用sentinel 2 影像数据与sentinel 1 雷达数据、landsat 光学数据、Spot-7 卫星影像等多源数据进行融合，对比研究分析，提高作物了分类精度且改进了作物分类方法。本文根据青衣江流域地势地貌特点，以Sentinel 2 卫星影像为基础数据来源，通过CART 决策树法和基于多时相NDVI 决策树分类三种不同方法来研究提取研究地区大春时期的土地利用信息，为青衣江流域的作物种植与发展工作提供一些支持。

1 研究区概况

青衣江流域乐山灌区位于四川省西南部（103°22' ～103°45'E，29°25' ～29°49'N），该地区在大春时期（5-9 月）各主要作物的生育期也存在差异：水稻大田期的生育期为5 月中旬至8 月底、9 月初，种植面积131.15km2；玉米的全生育期为4 月11 日至7 月31 日，种植面积35.05km2；红苕的全生育期为6 月1 日至11 月10 日，种植面积21.67km2；大春蔬菜6 月1 日至10 月20 日，种植面积35.04km2。

2 数据获取及预处理

Sentinel 2 卫星数据在同系列光学影像卫星数据中有三个显著优势：一是时间分辨率高，同地区影像5 天一景；二是空间分辨率高，10 米、20 米和60 米，可为使用者提供更高空间分辨率影像图；三是Sentinel 2 号卫星提供的数据在官网上可以免费下载。又因为Sentinel 2 卫星影像是光学影像，所以不能避免云的影响。

此次卫星影像获取时间为2017 年7 月9 日、8 月13 日、9月7 日，做到尽量含盖研究区域主要作物的生育期。辅助数据包括青衣江流域乐山灌区矢量边界数据、第二次青衣江乐山灌区土地调查资料、Google earth 卫星地图等。Sentinel 2 影像数据预处理具体流程如下：影像的预处理包括利用插件sen2cor 进行大气校正，以获取L2A 级别数据；用SNAP 软件将影像进行重采样以及ENVI 格式转存，生成有12 个波段且空间分辨率为10m 的ENVI 格式影像；在ENVI 中，影像经过波段合成、图像镶嵌，利用矢量边界数据进行裁剪影等流程后，最终得到研究区域影像。

3 研究方法

分类指标：NDVI 是众多植被指数中，在遥感领域被运用次数最多、范围最广的一种监测植被覆盖等情况的指数。NDVI 范围为（-1,1），NDVI 越趋近于1，越表明该地区植被覆盖度越大。

分类方法：一是监督分类中的最大似然法，它是通过求出每个像素对于各类别的归属概率，把该像素分到归属概率最大的类别中去的方法。二是基于专家知识的决策树分类方法，它是基于遥感图像数据及其他空间数据，通过一系列方法，获得分类规则并进行遥感分类。

精度评定：对分类结果进行评定，混淆矩阵是人们使用最多、最广泛的精度评定方法。在输出的混淆矩阵报表中，包含了总体分类精度、Kappa 系数、错分误差、漏分误差、制图精度和用户精度等精度评定指标，通过众多指标可以判定分类结果的精度高低。其中总体分类精度、Kappa 系数作为此次主要评定指标。

4 结果与分析

结合RGB 彩色合成图像和第二次青衣江乐山灌区土地调查资料分析，定义大春地物样本为水稻、玉米、红苕、大春蔬菜、建筑、水体和森林。进行最大似然法分类，分类结果如图1（a）。本次决策树分类采用基于CART 算法的决策树规则自动获取扩展工具，RuleGen。对于单幅影像，齐乐[4]等选取包括影像波段、植被指数在内的共13 个波段参与对香格里拉的土地利用分类。经过分析，构建两种数据集进行决策树分类，一是多源数据集由预处理完成后的sentinel 2 影像的12 个波段、NDVI、ISODATA 非监督分类结果所构建。再经过决策树规则的获取与应用后，得到土地利用分类结果，如图1（b）。以上分类结果均代表大春土地利用分类。二是基于大春7、8、9 月的三景NDVI 图构建生成NDVI 数据集，RuleGen 工具对大春ROI 训练样本进行深层分析，最终生成一份ENVI 决策树规则文件。经过决策树规则的获取与应用后，获得大春地物分类图。列出大春分类结果图，如图1（c）。在训练样本中，选取部分样本作为检验样本，根据检验样本与分类结果进行精度评定，生成评定结果（见表1）。

图1 大春分类结果

表1 大春地物分类面积及精度评定

运用最大似然分类法、CART 决策树分类法和基于多时相的决策树分类方法对Sentinel 2 影像分类效果图如图1 所示。图1 中，建筑物能较为清晰地提取出来，河流库的边界轮廓可以较为清晰地识别；最大似然分类法对于森林的提取效果较差。基于多时相的决策树分类能够很好的提取出水稻、红苕、大春蔬菜，但对玉米的提取不够准确。由表1，最大似然分类法与决策树法能够很好地识别河流，而在水稻识别方面，精度却是三种方法中最低的。而基于单景影像的决策树分类，其总体分类精度比最大似然法大将近2%，kappa 系数大0.06 左右，分类结果可接受，但是在森林、红苕地物分类中效果较差。基于多时相的决策树分类方法是三种方法中较优的一种方法，它不仅能较好的分辨出建筑、水体、森林还有一些农作物也能识别出来，而且能够真正说明大春地物的分类分布情况，其他两种分类结果仅仅只能作为参考。值得一提的是，此种方法在玉米的分类中其分类面积比实际面积多了96.15km2，效果较差，需要不断的创新与改进。由此，基于多景影像的决策树分类其总体分类精度和kappa 系数皆高于其他两种方式方法的精度，故选取最后一种方式来进行分类，更能体现研究区域的分类成果。

5 结论

基于Sentinel 2 卫星影像数据，本文讨论了最大似然分类法、CART 决策树分类法和基于多时相的决策树分类方法在青衣江流域的土地利用分类效果，通过检验样本与分类结果的精度评定，评定结果发现：基于多时相的决策树分类在以上三类方法中分类结果最好，总体分类精度和kappa 系数分别可达85.22%和0.81。本研究技术方法成功提取了青衣江流域建筑、水、森林的分布信息及大春作物水稻、红苕、大春蔬菜的作物种植信息。不足的是玉米提取效果欠佳，后续可以引入其他特征值计算纹理特征，进一步促进分类结果的准确性。