徐雯亮 王志刚

摘 要：基于面向对象的采样点和多种特征分类，本文以黄土高原典型区延安市吴起县为研究区，采用CART决策树分类、Bayes分类、随机森林分类方法提取土地利用类型，同时对比传统最大似然法分类，对分类结果进行分析评价。结果表明，面向对象方法得到的分类结果地类边界与实际相符，其中随机森林分类效果最优。对于不同地类，面向对象Bayes分类方法适用于采矿用地;面向对象随机森林分类对建设用地分类精度较高;面向对象方法及传统最大似然法对草地、林地分类精度均较好;基于面向对象的方法，采用隶属度函数对水域的分类较为准确，但对于细小水体的提取，传统最大似然提取效果更优。研究成果为中低分辨率遥感影像的黄土高原地区典型地物类型提取提供了方法参考。

关键词：黄土高原;面向对象;土地利用;遥感指数

中图分类号：F323.211文献标识码：A文章编号：1003-5168（2020）26-0155-04

Abstract： Based on object-oriented sampling points and multiple feature classifications， this paper took Wuqi County， Yan'an City， a typical area of the Loess Plateau， as the research area， and used CART decision tree classification， Bayes classification， and random forest classification methods to extract land use types， and compared with the traditional maximum likelihood classification， analyzed and evaluated the classification results at the same time. The results show that the classification result obtained by the object-oriented method is consistent with the actual situation， and the random forest classification effect is the best. For different land types， the object-oriented Bayes classification method is suitable for mining land; the object-oriented random forest classification has a higher classification accuracy for construction land; the object-oriented method and the traditional maximum likelihood method have better classification accuracy for grassland and woodland; based on the object-oriented method， the classification of waters by the membership function is more accurate， but for the extraction of small water bodies， the traditional maximum likelihood extraction is more effective. The research results provide a method reference for the extraction of typical feature types in the Loess Plateau from low- and medium-resolution remote sensing images.

Keywords： Loess Plateau;object oriented;landuse;remote sensing index

典型地区土地利用/覆被信息获取对分析环境变化及合理布局资源具有重要意义[1]。随着卫星传感器技术及分类算法的发展，面向对象分類最大限度地利用分割后对象的光谱、纹理、拓扑关系等特征，避免了传统分类单纯基于地物光谱信息造成的地物破碎、不连续的现象[2]。许多学者[3-6]对黄土高原地区的研究集中在高分辨率及特征地物的提取，对于黄土高原地区中低分辨率面向对象方法提取典型地物的研究还不多见。

本文基于采样点和多种特征的面向对象分类方法对黄土高原典型区延安市吴起县土地利用类型进行提取，分析评价不同方法的分类效果，探究面向对象方法对地貌类型复杂的黄土高原典型区的适用性，得到适宜研究区中低分辨率遥感影像的地物提取方法，为黄土高原地区典型地物类型提取提供方法参考。

1 研究区概况

吴起县地处陕西省延安市西北部，全境属黄土高原丘陵沟壑区，土地利用地域差异明显，吴起县于1998年开始施行封山禁牧和退耕还林政策，生态环境得以改善。吴起县境内石油、天然气资源丰富，采矿用地遍布山间，是陕北石油产量最大县，地区发展特点显著。

2 数据来源及研究方法

2.1 数据来源及处理

研究数据源包括：2018年6月14日的Landsat-8 OLI影像、吴起县行政区界线、野外调查采样点位置及属性信息、高分一号遥感影像等。将所有数据统一坐标系，以保证不同数据叠加没有偏差，对Landsat8 OLI影像进行辐射定标、大气校正、Gram-schmidt（GS）融合、裁剪等处理，生成吴起县空间分辨率15 m的融合影像。

2.2 研究方法

2.2.1 样本选取。结合研究区土地利用地域特点并对照《第三次全国国土调查土地分类》一级类，归并光谱信息基本一致的地类，将研究区土地利用类型分成建设用地、采矿用地、水域、林地、草地、耕地六类。结合实地调查的地类数据，遵循代表性、统计性、准确性等原则[7]，参考高分一号遥感影像选取各地类采样点，共计480个，各地类采样点数据可分离性较好，选取的采样点按比例分为训练和测试验证点。面向对象方法对水域分类时采用规则分类，因此将水域训练采样点剔除，保留水域测试验证采样点，最终得到面向对象方法训练采样点280个、测试验证采样点144个、传统最大似然法训练采样点336个、测试验证采样点144个。

2.2.2 多尺度分割。利用自下而上的多尺度分割算法生成具有一定尺度间隔的多尺度影像对象层，借助ESP（Estimation of Scale Parameters）[8]尺度评价工具自动获取吴起县最优分割尺度。ESP工具统计影像同质性的局部方差[LV]（Local Variance）以及[LV]变化率值[ROC]（Rates Of Change），当变化率曲线出现极大值，所有极大值点为不同地物对应的最优分割尺度备选值[9]。

[ROC=LVL-LVL-1LVL-1×100]                   （1）

式中，[LVL]，[LVL-1]分别为[L]层和[L]-1层的平均标准差。

2.2.3 特征选取。为提高分类精度，选取植被、土壤、建筑、水体等四种常见指数作为分类特征，在消除地形影响的同时表征亮度增强的特征地物。考虑到吴起县采矿用地鲜明的几何特点，增加面积及形状指数作为分类特征。最终选取14个特征构建分类特征属性集，分别为归一化植被指数（NDVI）、归一化土壤指数（NDSI）、改进的归一化裸露指数（MNDBI）、改进的归一化水体指数（MNDWI）、7个波段的均值（Mean）、形状指数（Shape Index）、面积（Area）、长宽比（Length/width）。

3 结果分析

3.1 分类结果

充分利用Landsat8 OLI多光谱影像特征，采用Matlab软件实现最佳指数因子（Optimum Index Factor，OIF）指数计算，最终选取652波段作为Landsat 8 OLI最优波段组合。采用eCognition软件执行多尺度分割算法时，将6波段（SWIR1波段）、5波段（NIR波段）、2波段（B波段）三者分割权重设为2，其余权值设为1，使最优波段组合参与分割的权值增大。分割起始尺度分别设置为50、80、100，形状因子、紧致度因子分别设置为0.1和0.5，循环次数100次，得到的分割结果如图1所示。

由图1可知，当分割尺度为58、69、74、78、86、102等值时，局部方差达到极大值，这些值可能为影像最优分割尺度。经反复试验，当分割尺度为78时，分割效果最好，地物分割适度，未出现分割过拟合或分割不完全现象。

通过计算所有对象近红外波段均值，利用隶属度小于函数，不断调整特征的上下限范围，最终确定水域近红外波段均值介于0～382。然后，基于训练采样点及不同特征参数，对剩余地物分别采用面向对象的CART决策树分类、Bayes分类、随机森林分类等方法进行分类。为对比分类结果，将传统最大似然法作为参照。为比较局部分类效果，截取中心城区包含各种地物的区域对地面同名地物进行分类结果对比，如图2所示。

由图2可知，最大似然法得到的结果“椒盐”现象严重，地物边界与实际存在差别，同一地物中存在错分像元。面向对象方法分类结果地类边界连贯，更接近于实际，避免了地物破碎的现象。传统最大似然分类对于细小河流的提取效果优于面向分类方法，原因在于夏季河道周围密布林草，河流的近红外特征不明显，对于中低分辨率遥感影像，分割对象时出现林地和河流对象混分;而传统最大似然分类是基于像元的分类，得到的分类结果离散，能够更好地学习水域训练采样点。传统最大似然分类出现耕地、建设用地、采矿用地的混淆，原因在于面积较小的采矿用地与零星分布的耕地或建设用地光谱特征相似，仅通过单一光谱特征不易区分。

3.2 精度评价

为更精确对比各种方法的分类精度及探讨不同分类方法的适用性，利用测试验证采样点分别對上述4种方法建立分类混淆矩阵，进行精度对比。评价指标包括总体分类精度、制图精度、用户精度以及 kappa系数等[10]，评价结果如表1所示。

对于不同方法得到的分类结果，四种方法得到分类精度和与地表真实值的一致性各有差异，总体精度和Kappa系数优劣程度为：面向对象随机森林分类>面向对象CART决策树分类>面向对象Bayes分类>传统最大似然法分类。面向对象方法分类优势明显高于传统最大似然分类，随机森林分类整体效果最优，总体分类精度达87.92%，Kappa系数为0.832 5。通过对比可以发现，对于不同地类，各种分类器展现出不同适用性。面向对象Bayes分类方法对于采矿用地的提取，用户精度为75.71%，制图精度达到82.05%，相较于其他三种方法，精度均较高且部分指标远大于其他结果，因此该方法对采矿用地分类更为适用。草地、林地较易区分，四种方法的分类精度均较好;面向对象随机森林分类对建设用地分类较为准确，制图精度达到74.95%;面向对象方法构建隶属度函数，对于水域的分类较为准确。传统最大似然法更适用于黄土高原典型地区中低分辨率遥感影像中细小水体的提取。

4 结论

本文基于Landsat-8 OLI遥感影像，采用采样点和多种特征的面向对象CART决策树分类、Bayes分类、随机森林分类方法对黄土高原典型地区土地利用类型进行提取，同时对比传统最大似然分类，可得出如下结论。

面向对象方法提取的地类边界与实际相符，地类分斑明确，避免了传统基于像元分类所带来的“椒盐现象”问题。总体上，面向对象随机森林方法对丘陵沟壑区分类效果最好，总体分类精度为87.92%，Kappa系数为0.832 5。

对于不同地类，采矿用地分类采用面向对象Bayes分类时精度较好;面向对象随机森林分类更适用于建设用地分类;面向对象方法及传统最大似然法对草地、林地分类精度均较好;基于面向对象的方法采用隶属度函数对于水域的分类较为准确，传统最大似然法更适用于黄土高原典型地区中低分辨率遥感影像中细小水体的提取。

参考文献：

[1]史纪安，陈利顶，史俊通，等.榆林地区土地利用/覆被变化区域特征及其驱动机制分析[J].地理科学，2003（4）：493-498.

[2]韩闪闪，李海涛，顾海燕.面向对象的土地利用变化检测方法研究[J].遥感信息，2009（3）：23-29.

[3]买凯乐，张文辉.黄土丘陵沟壑区遥感影像信息面向對象分类方法提取[J].农业机械学报，2011（4）：153-158.

[4]张雨果，王飞，孙文义，等.基于面向对象的SPOT卫星影像梯田信息提取研究[J].水土保持研究，2016（6）：345-351.

[5]孙娜，高志强，王晓晶，等.基于高分遥感影像的黄土高原地区水体高精度提取[J].国土资源遥感，2017（4）：173-178.

[6]马慧娟，高小红，谷晓天.随机森林方法支持的复杂地形区土地利用/土地覆被分类研究[J].地球信息科学学报，2019（3）：359-371.

[7]武文迪.不同空间尺度下的土地利用变化[D].乌鲁木齐：新疆大学，2019.

[8]Dr?gut L，Tiede D，Levick S R.ESP：a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data [J].International Journal of Geographical Information Science，2010（6）：859-871.

[9]徐涵秋.基于谱间特征和归一化指数分析的城市建筑用地信息提取[J].地理研究，2005（2）：311-320.

[10]那晓东，张树清，孔博，等.基于决策树方法的淡水沼泽湿地信息提取：以三江平原东北部为例[J].遥感技术与应用，2008（4）：365-372.