(1.甘肃农业大学林学院　甘肃　兰州　730000；2.甘肃省水土保持科学研究所　甘肃　兰州　730000)

近年来，随着卫星遥感影像技术的发展，高分辨率影像正逐步成为各领域重要的数据源，高分辨率遥感影像拥有丰富空间、光谱、纹理等多重信息，为影像分类提取过程中多重因素进行分类提供了可能。高分辨率遥感影像数据庞大，对影像快速准确分类要求更高，传统人工解译方法已无法满足遥感影像对高分类精度与效率的需求。

eCognition软件是一款基于目标信息的遥感信息提取软件，能对高分影像进行快捷、准确的分类。与传统的基于像元的分类方法相比较，能充分利用遥感影像提供的大小、形状、纹理、相邻像素间关系等形状和空间位置特征，采用面向对象的思路进行提取，大大提高了高空间分辨率数据的自动识别精度[1]。

兰州新区通过对低山丘陵区未利用地的大量平整增加建设用地，在保证新区建设用地的同时减少了对耕地的占用量。但开发利用过程中土地支配权利大，自由度大可能导致严重的水土流失，为及时准确地评估水土流失量，需要对未利用地的平整进行快捷准确的分类。未利用土地有着大小不定、形状差异大、纹理不清晰等分类难点，在土地利用类型分类过程中多采用排除法，即把区分剩余的土地归为未利用土地。研究区未利用地较多且平整开发规模大小，对未利用地原有面积中正在平整、已平整、平整多年还未建设等情况如何提高分类精度与分类效率已成为制约水土流失快速评估的重要因素。

一、研究区概况与数据来源

(一)研究区概况。兰州新区位于东经103°29′22″～103°49′56″，北纬36°17′15″～36°43′29″，地处陇西黄土高原的西北部。研究区地貌类型属典型的黄土高原丘陵，平川、梁峁、沟壑及河谷地貌发育；属温带半干旱气候，四季分明，冬季寒冷干燥，春季多风少雨，夏无酷暑，秋季温凉。兰州新区辖中川镇、秦川镇等6个乡镇，73个行政村，全区土地总面积80645.29hm2，其中耕地面积(包括旱地及水浇地)31378.43hm2，占土地总面积的38.91%；园地面积152.45hm2，占土地总面积的0.19%；林地(包括苗圃)面积1702.84hm2，占土地总面积的2.11%；人工草地37.67hm2，占土地总面积的0.05%；城市建设用地6526.68hm2，占土地总面积的8.09%；村庄用地5196.71hm2，占土地总面积的6.44%；水域及水利设施用地259.81hm2，占土地总面积的0.32%；未利用地10041.47hm2，占土地总面积的12.45%。

随着西部大开发和“一带一路”持续推进，土地资源稀缺已经成为兰州新区经济社会发展的瓶颈，根据2010年国务院发布的《关于进一步支持甘肃经济社会发展的若干意见》(国办发[2010]29号)提出“鼓励对沙地、荒山、荒滩、戈壁等未利用土地开发利用”和国土资源部“鼓励低丘缓坡荒滩等未利用土地开发利用试点工作指导意见”，以科学发展观为统领，充分发挥沙地、荒滩等土地资源优势，因地制宜创新土地利用和管理模式，推动未利用土地规范、科学、有序开发，提高土地资源利用的经济、社会和生态效益，开发建设低丘缓坡沟壑等未利用地为兰州新区破解土地供需两难提供新途径。兰州新区未利用地总面积10041.47 hm2，占新区总面积12.45%，根据《兰州市低丘缓坡沟壑等未利用土地开发利用试验区总体规划(2012-2030年)》，兰州市规划期内开发总规模12000 hm2，其中兰州新区4864 hm2。主要分布在新区东南，涉及到中川镇、秦川镇、西岔，原地貌类型为低山丘陵，现已全部进行土地平整，规划为企业建设用地，能为出城入园搬迁改造，促进了兰州新区的发展，提供充足的土地资源。

(二)基础数据的获取及处理。此次研究影像为兰州新区高分二号影像，时间为2016年10月，多光谱分辨率为2m，分为蓝、绿、红、近红外四个波段。

影像提取以eCognition软件为主，ENVI软件为辅的影像处理方式。利用ENVI软件对高分二号影像进行影像拼接、几何校正，然后用eCognition软件对影像进行影像分割、分类；对解译结果进行两种精度评价：1、基于对象样本的精度评价；2、以人工解译结果为标准的精度评价。对两次精度评价结果进行分析比较，总结此次影像信息提取的得失。

二、研究方法

(一)影像分类方法。此次影像分类对象为兰州新区高分二号遥感影像，采用面向对象法进行影像分类，影像利用多尺度分割法对高分影像进行多层次影像切割，以影像对象做为影像分类单位[2]。利用未利用地影像视图特征作为划分依据，设定阈值对影像对象进行分类，未利用地影像提取步骤如图1所示。影像提取可以分为两个方面：1、以未利用地的视图特征进行影像分类；2、对未利用地分类中的其他土地进行剔除。

图1　流程图

首先需要合理的确定遥感影像分割的尺度大小，各参数所占比例。其次选择适用于影像分类提取的视图特征(feature view)。再次确定不同分类步骤中所需的波段反射率，对分类影像进行多次多尺度影像分割可以降低多余波段对影像分类造成的影响。

分类步骤如下：

初次影像分类：以SBI(土壤亮度指数)为划分依据，分未利用地1和其他土地两类，未利用地1中包含已平整未利用地、植被、建筑、低山丘陵四类。

第二次影像分类：以植被间归一化差异植被指数(NDVI)为划分依据，分未利用地2、植被和其他土地三类、未利用地2中包含已平整未利用地、建筑、低山丘陵三类。

第三次影像分类：以BAI阈值为划分依据，分未利用地3、建筑和其他土地三类、未利用地3中包含已平整未利用地和低山丘陵两类。

第四次影像分类：以brightness(亮度)阈值为划分依据，分未利用地4、低山丘陵土地和其他土地三类，未利用地4中包含已平整未利用地。

已平整未利用地自身具有光谱亮度高、影像色彩单一、纹理多样等特点，对其视图特征(feature view)进行信息提取，并对被影像分类中夹杂的其他地类进行视图特征归类，利用阈值分类方法，多层次，多步骤对影像对象进行分类，达到对已平整未利用地精确分类的目的。

(二)影像分割。根据研究区域范围的大小和影像特征，对影像进行合理的影像分割。分割尺度的选择对分类结果的精度具有至关重要的影响，多尺度分类法将影像分为不同对象，视图特征为划分对象的平均值，分割尺度过大对视图特征影响较大，过小将造成影像切割过细，不利于影像分类[3]。未利用地纹理结构不规则，无法用标准的形状大小进行区分，分类过程中需要增大分割尺度避免影像分割过于破碎化，使影像丧失过多视图特征，因此对于影像的分割尺度，需要多次试验考虑多方面因素方能确定(表1)。

表1　不同尺度影像分割差异特征

图2　影像分割200

图3　影像分割500

图4　影像分割800

在多尺度分割中同样需对均质标准合理定义，由于未利用地自身形状具有不规则性，对精致度需求较高，在影像分类提取过程中需要影像保持一定形状，综合考量，分别设定权重shape(形状)：0.5；compactness(精致度)：0.5。

此次兰州新区高分影像为四波段影像，因此在影像分类提取过程中分别采用SBI指数、NDVI指数、BAI指数、Brightness(亮度)特征进行影像提取，不同视图特征对波段的要求不同，波段的权重比对影像分割产生影响，从而改变影像分类精度[4]。

表2　不同光谱影像分割差异情况

图5　光谱分割权重B:0，G:0，R:1，NIR:1

图6　光谱分割权重 B:1，G:0，R:0，NIR:1

图7　光谱分割权重 B:1，G:1，R:1，NIR:1

(三)影像分类提取。多尺度分割后的影像对象具有光谱信息、纹理结构、形状等视图特征，影像分类提取过程中可根据分类影像的不同特征进行影像分类，由于已平整的未利用地地面较为平整，颜色较为统一，表面无附着物遮盖，其表面具有较多土壤等特点，在影像分类提取过程中主要以光谱特征作为主要影像分类的依据。初次提取时以土壤特征作为其主要影像提取的参考特征，公式为：

SBI=([Mean R]^2+[Mean NIR]^2)^0.5

(1)

式中：SBI为土壤亮度指数,[Mean R]为红色波段反射率，[Mean NIR]为近红外波段反射率。

通过调整阈值进行影像比对，确定未利用地的SBI阈值在大于690且小于1000时，影像中包含未利用地对象最多，初次影像信息提取主要目的为对未利用地进行最大程度的影像对象提取，将满足SBI阈值在690至1000数值的影像对象定义为未利用地1，其他影像对象定义为其他土地，分类结果如图8。

通过对初次影像提取分析发现，影像分类提取中包含有较多影像杂质，主要为：植被、建筑、低山丘陵三类，影像提纯过程中需要进行重点区分。

对初次影像进行影像融合再分割，分类过程中包含地类较多，与未利用地相比较，这些土地类型都满足植被间归一化差异植被指数(NDVI)的土地分类标准，公式为：

NDVI=([Mean NIR]-[Mean R])/([Mean NIR]+[Mean R])

(2)

式中：NDVI为归一化差异植被指数，[Mean NIR]为近红外波段反射率，[Mean R]为红色波段反射率。

第二次影像分类主要以剔除第一次影像分类中包含NDVI指数的影像对象为目的。对已分类未利用地进行统计分析，当未利用地影像中NDVI阈值小于-0.1时，包含有较多杂质地类且对已平整未利用地对象影像最小。定义未利用地1中NDVI指数阈值大于0.1对象为未利用地2，未利用地1中其他影像对象定义为植被，分类结果如图9所示。

图8　第一次影像分类

图9　第二次影像分类

二次分类影像后，未利用地2影像中包含有大量城镇村与工矿用地，与已平整未利用地相比较，城镇村与工矿用地满足BAI值，公式为：

BAI=([Mean B]-[Mean NIR])/([Mean B]+[Mean NIR])

(3)

式中：BAI为待定估计值，[Mean B]为蓝色波段反射率，[Mean NIR]为近红外波段反射率。

利用BAI值对二次分类影像中的城镇村与工矿用地进行影像提取，对未利用地2进行统计分析，当BAI阈值大于0时，未利用地2影像中的影像对象以城镇村与工矿用地为主，且极少包含未利用地，因而，定义BAI阈值小于0的影像对象为未利用地3，定义未利用2中其他影像对象为建筑。分类结果如图10所示。

已平整未利用地与低山丘陵土地影像特征具有很多相似之处，且低山丘陵土地与已平整未利用地相邻，难以在前期进行影像分类，在影像分类过程中较易造成错误分类。与低山丘陵土地相比较，已平整未利用地具有较高brightness值，影像分析过程中，发现 brightness阈值大于530时包含有大量已平整未利用地，且极少含有低山丘陵土地对象。定义未利用地3中 brightness阈值大于530的影像对象为未利用地4，定义未利用地3中brightness阈值小于530的影像对象为低山丘陵土地。由于二者相邻且具有较高相似性，影像分类过程中存在一定的分类错误，需进行少量人工分类进行纠正。

为保证影像分类的完整性，减少椒盐现象，将未利用地4影像进行融合后，定义像素数小于20000的对象为其他用地，得到最终影像分类结果，如图11所示。

图10　第三次影像分类

图11　第四次影像分类

通过对初次影像的三次提纯，达到对兰州新区已平整未利用土地的精确提取的目的。最终分类结果如图12所示。在影像分类过程，由于不同视图特征所需求的图层分割权重不同，为精确提取影像分类结果，每次影像分类结束需重新进行影像的融合与再分割。

图12　已平整未利用地分类图

三、分类结果与精度评价

(一)影像分类精度分析

利用eCognition软件自身携带简单易用的软件评价工具[Error Matrix based on samples](选择分割对象作为评价标准)，所包含的混淆矩阵、kappa系数与常规遥感图像软件相同。进行影像分类的精度评价时，将分类影像分为已平整未利用地与其他土地两类进行精度评价，得到混淆矩阵、单一类别的精度评价分析结果和总体类别的精度分析结果[5]。

精度评价结果如表3所示，生产精度代表所有实际测量类型样本中，被正确分类样本所占的比例，用户精度表示被分类样本所占的比例，两种精度评价最高值为1，越接近代表精度越高，分类稳定性越高。此次精度评价中未利用地生产精度(Producer)达到0.871，用户精度达到0.937，表明已平整未利用地分类结果中分类稳定性好，分类精度高，错分地物对象很少，可以作为影分类结果直接使用。Kappa系数通常被认为能准确反映整体的分类精度，此次影像分类Kappa系数为0.829，表明此次分类质量极好。

精度评价结果表明，eCognition软件在此次影像分类提取过程中能准确的对未利用地进行提取，影像分类稳定性好，且分类精度较高。

表3　影像精度评价

(二)自动解译影像与人工解译影像对比精度评价分析

对研究区同一影像进行人工解译，进行影像自动解译与人工解译精度对比评价分析。eCognition影像解译结果与人工解译结果存在差异，需利用ENVI软件将两种数据统一转换为栅格数据，再进行精度评价。评价结果如表4所示，精度评价显示未利用地生产精度为63.68，用户精度为74.63。表明自动结果与人工解译结果基本吻合，且自动解译结果更为精细，错分误差较低。造成自动解译与人工解译精度评价结果误差的原因主要有：①自动解译影像分割与人工解译分割有误差，多尺度分割法运用模糊方法与人工解译中手动分割方法得到的切割影像不同；②人工解译分割精度较低，分割结果中包含杂质，自动解译在较低分割尺度下对未利用地中杂质进行了剔除，提高了分类精度；③自动解译影像分类过程中以阈值分类为主，影像分类存在遗漏，人工解译分类方式灵活，较少了此类误差。

表4　自动解译与人工解译对比精度评价

四、结论

(1)eCognition软件下对已平整未利用地的提取精度更高，生产精度(Producer)达到0.871，用户精度达到0.937，Kappa系数0.829。能满足影像分类提取中对影像分类精度的要求。多尺度分割方法在影像分割过程中综合考虑了影像的光谱特征，纹理形状等各个要素，使影像分类结果更为合理，减少了分类过程中的椒盐现象。

(2)本方法利用eCognition软件对影像解译结果与传统人工解译相似度较高，影像分类较为统一，且解译结果更为精细，对已平整未利用地中包含的其他地类也能精准区分，自动解译操作较简单，能满足高分辨率遥感影像快速解译的需求。

(3)多次影像融合再分割方式使影像分类精度更高，影像信息提取更具有针对性，对低山丘陵未利用地平整信息的提取更为准确。