基于eCognition平台的第三次全国国土调查应用研究

黄磊 全思湘 王珍香

摘  要  第三次全国国土调查是我国一项重要的调查工作，是全面查清国土资源的重要手段。本文基于eCognition的面向对象分类方法结合光谱特征、纹理特征和几何特征进行高分辨率遥感影像的土地利用分类，研究结果表明该分类方法具有较好的分类结果和较高的精度评价。该分类方法已应用于第三次国土调查成果的检查，提高了不一致图斑提取的工作效率，同时可为年度土地变更调查、自然资源调查监测工作提供技术支持。

关键词  第三次全国土地调查;eCognition;面向对象分类

中图分类号：P272，P208               文献标识码：A

文章编号：1672-5603（2021）01-21-6

Abstract： The Third National Land Survey （TNLS） is an important work in our country， which is significant to investigate the national land resource comprehensively. This paper utilizes the object-oriented classification method combining with the spectral features， texture features and geometry features based on eCognition to classify the land use of the high-resolution remote sensing images. The result indicates that this classification method can obtain the good classification result and high accuracy evaluation. Therefore， the object-oriented classification method has been used to examine the results of the TNLS， and has improved the efficiency of extracting inconsistent land use parcels. It can also provide technology support for annual land change survey and natural resource survey and monitoring.

Keywords： the third national land survey; eCognition; object-oriented classification

第三次全国土地调查（以下简称“三调”）是一项重大的国情国力调查。截至到2020年底，湖南省第三次国土调查土地利用现状调查工作已顺利结束，在历时3年的第三次国土调查进程中，初始库建设、不一致图斑提取等工作均涉及土地利用现状的遥感影像解译，然而当前的人机交互方式效率较低且容易遗漏图斑。因此，对高分辨率遥感影像进行土地利用现状自动分类，是保证快速、精确开展国土调查的重要保障。

本论文避开传统的基于光谱像元的遥感影像解译方法，选择首个面向对象的影像分析软件eCognition对研究区域进行土地利用分类，对比分析分类结果与三调成果的差异，并探讨面向对象的遥感影像分类方法在自然资源调查监测工作的可行性和适用性。

1    研究方法

1.1  三调与遥感影像分类

国土调查的工作基础是提取高分辨率遥感影像和现有数据成果的不一致图斑，制作外业调查工作底图。不一致图斑的提取通常采用人工目视解译进行，但这要求作业人员要有专业的地类影像认知能力和丰富的野外实地调查经验，且人工作业方式效率低，容易受到主观因素干扰。因此如何对高分辨率的遥感影像自动分类是国土调查的技术基础。

传统的遥感影像分类如非监督分类、监督分类等是基于像元的光谱信息进行分类，但由于同物异谱及异物同谱现象普遍存在，导致遥感影像分类容易出现“椒盐现象”。面向对象的分类方法是以图像分割后的同质区域作为分类单元，除了影像的光谱特征外，还可以利用纹理特征、几何形状等信息，在高分辨率遥感影像分类中尤为适用。面向对象的分类方法主要有支持向量機（Support Vector Machine， SVM）、随机森林（Random Forest， RF）、决策树（Decision Tree， DT）、贝叶斯（Bayes）、隶属度函数分类等。在选择高分影像分类方法时，要充分考虑分类影像的特征选择合适的分类方法[1]。

1.2  eCognition的面向对象分类方法

eCognition作为首个面向对象的影像分析软件，具有模拟人类思维进行影像智能分析和信息提取的能力。eCognition中国技术开发中心曾与吉利大学、河海大学和山东科技大学三所高校合作，分别提出“基于高分一号中小河流流域水体信息提取解决方案”、“城市场景信息提取解决方案”以及“基于高分影像土地利用类型提取解决方案”。山东科技大学江涛教授指出土地利用类型提取的成果总体精度可以达到95%以上，Kappa系数在0.9以上，比纯人工目视解译的效率高5倍以上[2]。

国内外对eCognition在遥感影像的面向对象分类提取应用研究较多。宋杨（2012）等以印度尼西亚热带雨林地区为研究对象，使用eCognition面向对象分类方法利用雷达图像的光谱信息、拓扑信息和形状特征进行水体提取[3]。宿方睿等利用eCognition面向对象方法对高分辨率World View-2以及Landsat遥感卫星数据，基于灰度共生矩阵和植被指数提出滑坡遥感信息量判别模型，进行川藏铁路沿线大型滑坡遥感解译[4]。林爱文等基于eCognition的多尺度分割、决策专家系统支持的模糊最近邻法对武汉市土地利用进行面向对象分类，分析土地利用/覆被的变化情况[5]。Aguilar， M.A（2012）等采用eCognition的最近邻分类器，使用纹理特征、几何特征和主层值特征等7个图像对象特征对融合及全色GeoEye-1正射影像进行土地覆盖分类，并评估分类精度[6]。现有研究大都基于光谱特征、纹理特征和几何特征的一种或两种选取分类特征，本文则是综合利用三种特征进行土地利用分类，在一定程度上可保证土地利用分类精度的提高。

2    试验区域与研究内容

2.1  试验区域与数据源

本论文选取湖南省怀化市靖州苗族侗族自治县渠阳镇城区附近某一区域（图1）进行研究，重点提取水体、建筑、植被和道路。高分辨率遥感影像来自SV-1卫星，省级下发的0.5米DOM统筹影像。

2.2  最优分割尺度

多尺度影像分割是一种既能自动生成遥感影像的影像对象，又能将这些影像对象按等级结构联接起来的一门技术。多尺度影像分割采用异质性最小的区域合并算法，目的是实现分割后影像对象的权重异质性最小化，影响异质性最小的两种因子包括光谱因子和形状因子，形状因子包括光滑度异质性、紧密度异质性。只有保证光谱异质性、光滑度异质性、紧密度异质性最小，才能使整幅影像所有对象的平均异质性最小[7]。

使用eCognition面向对象分类方法的基础是选择最优分割尺度，人为选取需要反复试验，本文通过ESP工具获取。ESP工具的工作原理是通过计算不同分割尺度参数下影像对象同质性的局部变化（Local Variance， LV）的变化率值ROC-LV（Rate of Change of LV）来指示对象分割效果最佳参数。当LV的变化率最大即出现峰值时，该点对应的分割尺度即为最优分割尺度。一般来说，不同地物的最优分割尺度有所不同。

2.3  分类特征

一般情况下，选取的特征值越多，信息越丰富，但是因为无法定量分析各个特征在分类过程中的具体贡献，有时候会存在信息冗余。空间特征优化功能可以计算不同特征的贡献，找出利于分类的最佳特征空间组合，通过比较不同地类的特征找到能使这些类的训练样本之间具有最大平均最小距离的特征组合。本文参考相关研究成果[3，5-6，8-10]，选取涉及光谱特征、纹理特征和几何特征的方差（Standard deviation Layer1/2/3）、亮度（Mean Brightness）、长宽比（Length/Width）、形状指数（Shape index）、矩形拟合（Rectangular Fit）、植被指数（Vegetation Index，VI）、归一化差异纹理均匀化指数（Normalized Difference Textural Uniformity Index，NDTUI）等9个特征，这些特征在eCognition或直接获取或自定义获取。

（1）光谱特征

植被指数是地表与植被相互关系的量化指标。植被指数与植被的盖度、生物量、叶面积指数等有较好的相关性，也能指示植被的宏观类型、生长状况和季候特征变化，因此植被指数在森林资源监测、生态环境评价等应用甚广。植被指数是利用可见光红光波段和近红外波段的不同组合进行植被研究，这些波段包含了90%以上的植被信息。国内外研究学者根据研究对象的不同创建不同的植被指数，如归一化植被指数、垂直植被指数等，并在此基础上不断修正植被指数，以满足自己研究需要。因本文源数据只有红绿蓝三个波段信息，使用VI指数[11]代替，计算公式见式（1）。

（2）纹理特征

灰度共生矩阵（GLCM，Gray-Level Co-occurrence Matrix）[12]是涉及像素距离和角度的矩阵函数，它通过计算图像中一定距离和一定方向的两点灰度之间的相关性，来反映图像在方向、间隔、变化幅度及快慢上的综合信息。灰度共生矩阵可以描述影像各像元灰度的空间分布特征和结构特征，是定义一组纹理特征的基础[13]。Haralick曾提出了14种基于灰度共生矩阵计算出来的统计量，包括均值、方差、均质性、对比度、熵、角二阶矩等[14]。本文选取其中的均质性（HOM）、角二阶矩（ASM）纹理统计量，构建NDTUI指数[13]扩大水体和其他地类在纹理均匀性方面的差异，计算公式见式（2）。

（3）几何形状

Shape index用来表示对象边界的光滑性，图像对象的边界越平滑，其形状指数越低。Rectangular Fit描述图像对象与大小和比例相似的矩形的匹配程度，用于提取建筑物。Length/Width用于提取道路等條带状地物。

2.4  分类精度评价

使用eCognition的基于样本的误差矩阵（Error Matrix based on Samples）进行分类精度评价，该精度评价成果包括混淆矩阵、单一类别的精度分析结果和总体类别的精度分析结果，利用混淆矩阵可以了解每一种类别的样本总数、错分及漏分的样本数量，单一类别精度分析包括5种指标，总体类别精度分析包括2种指标。单一类别精度分析指标中的条件Kappa系数（KIA Per Class）反映各个类型的分类精度，总体类别精度评价指标中的Kappa系数（KIA）利用了整个误差矩阵的信息，通常被认为能够更准确地反映整体的分类精度。本文通过对研究区域选取的训练样本进行分类精度评价，进一步验证基于eCognition的面向对象分类方法对三调土地利用分类的可行性。

3    结果分析

3.1  分割尺度与特征选取

利用ESP获取得到LV变化率图（图2），选择LV变化率最大时的各个分割尺度，配合形状因子和紧致度因子反复试验选取最优分割尺度。试验表明在分割尺度为70，形状因子为0.3，紧致度因子为0.8的情况下多尺度分割效果最好（图3）。

使用特征空间优化功能选择最利于水体（water）、建筑（building）、植被（vegetation）、道路（road）分类的特征组合。最低分离距离为1.169，最佳维数为7，表示最佳特征空间组合是Standard deviation Layer1/2/3、Mean Brightness、Rectangular Fit、VI、NDTUI。不同维度下的分离距离和最佳组合下不同类别的分离矩阵分别见图4和表1。

3.2  训练样本分类精度评价

针对水体、建筑、植被、道路选的训练样本，通过eCognition的Error Matrix based on Samples对训练样本分类成果进行精度评价。评价结果的混淆矩阵、单一类别精度、总体分類精度分析成果如表2所示。其中单一类别精度分析指标中的条件Kappa系数（KIA Per Class）和总体类别精度评价指标中的Kappa系数（KIA）均为1，表示所有选择的训练样本都被正确分类，该分类方法可以进一步应用于三调土地利用分类。

3.3  分类结果

使用eCognition的最近邻分类器（Nearest Neighbor）进行面向对象分类，分类后的建筑、水体、植被、道路分布图如图5所示。该分类结果与三调成果（图6）对比分析，该面向对象分类方法将三调成果的建筑物内部细化出了植被和硬化地表;水体能较大程度上与三调成果吻合，但是一些细节部分容易遗漏;植被能较为准确分类出来，与高分辨率遥感影像上的植被分布基本一致;道路也能与三调成果的道路走向保持一致，但由于房前屋后的空坪与道路的光谱特征、纹理特性较为相似，分割后的几何特征也大致相同，导致道路和硬化地表暂且分为同一类。

总体来说，该分类方法能较大程度上将四种地类准确划分。由于三调工作遵循最小上图面积、道路连通等原则，导致本文分类结果与三调成果存在着一定差异，但面向对象的分类方法在自然资源调查和监测工作中可以起到自然资源定位功能，从而为自然资源管理和监督提供技术支持。

4   结束语

本文使用eCognition的面向对象分类方法对靖州渠阳镇某一区域的高分辨率遥感影像的建筑物、水体、植被、道路四种地类进行分类，在分类过程中反复试验寻找最佳分割尺度、最有效分类特征、最优空间特征组合，并将分类结果与三调成果进行对比，研究结果显示该分类结果与三调初始调查成果基本吻合，且具有很好的分类精度，表明该分类方法具有可行性，下一步需要其他区域的验证。

需要进一步探讨的是本次分类只针对与建筑物、水体、植被、道路四大类，但是三调《土地利用现状分类》（GB/T 21010-2017）标准，应根据土地用途进一步细分土地利用现状，如植被细分为耕地、园地、林地、草地，这需要下一步深入研究利用eCognition的面向对象分类方法细分土地利用现状，才能最大程度上与三调成果接轨，并进一步服务于自然资源调查监测工作的开展。

参考文献/References

[1]林卉， 邵聪颖， 李海涛， 等. 高分辨率遥感影像5种面向对象分类方法对比研究[J]. 测绘通报（11）：20-24.

[2]江涛.基于高分影像土地利用类型提取解决方案[C]// eCognition产品解决方案发布会.2017.

[3]宋杨， 李长辉， 林鸿. 面向对象的eCognition遥感影像分类识别技术应用[J]. 地理空间信息， 2012， 10（2）：64-66.

[4]宿方睿， 郭长宝， 张学科， 等. 基于面向对象分类法的川藏铁路沿线大型滑坡遥感解译[J]. 现代地质（05）：57-69.

[5]林爱文， 朱海燕， 刘吉平. 基于eCognition的土地利用/覆被变化遥感分析方法研究——以武汉市为例[C]// 2006全国土地资源战略与区域协调发展学术研讨会. 2006.

[6]Aguilar M A ， Vicente R ， Aguilar F J ， et al. OPTIMIZING OBJECT-BASED CLASSIFICATION IN URBAN ENVIRONMENTS USING VERY HIGH RESOLUTION GEOEYE-1 IMAGERY[C]// XXII Congress of the International Society for Photogrammetry & Remote. 2012.

[7]张振勇， 王萍， 朱鲁， 等. eCognition技术在高分辨率遥感影像信息提取中的应用. [J]. 国土资源信息化， 000（2）：15-17，33.

[8]周勇兵， 曹辉. 基于eCognition的土地利用遥感影像自动提取研究. [J]. 人民长江， 2017， 048（012）：75-78.

[9]江华. 基于eCognition面向对象技术的高分辨率遥感影像土地利用分类—以福州琅岐岛为例[J]. 海峡科学， 2014， 000（008）：12-17.

[10]孙燕霞. 基于高空间分辨率遥感影像的土地利用信息提取[D]. 重庆交通大学， 2014.

[11]Meyer G E ， Neto J C . Verification of color vegetation indices for automated crop imaging applications[J]. Computers and Electronics in Agriculture， 2008， 63（2）：282-293.

[12]Robert M， Haralick K， Shanmugam Its'Hak Dinstein.  Textural Features for Image Classification. IEEE Transactions On Systems， Man， and Cybernetics[J]， 1973.SMC-3（6）：610-621.

[13]许书影， 乔刚. 高分辨率卫星遥感影像水体信息提取[C]// 中国测绘地理信息学会学术年会. 2014.

[14]Robert M， Haralick K. Statistical and Structural Approaches to Texture. Proceedings of the IEEE[J]， 1979. 67（5）：786-804.