任向宇，孙文彬，袁烨

(中国矿业大学(北京) 地球科学与测绘工程学院，北京 100083)

0 引言

土地利用是进行土地管理、规划的重要依据[1]。传统土地利用调查主要采用人工方式，存在耗时长、成本高、精度低等缺陷。而遥感有快速、准确等特点，已被广泛应用到大、中尺度土地利用分类[2-3]。

基于像素和面向对象组合分类方法是常用遥感土地利用分类方法之一[4]。由于能充分利用基于像素和面向对象分类方法优势，组合方法已被广泛应用于土地利用分类领域[5-12]。组合方法主要包括：分类过程组合和分类结果组合。与分类过程组合方法相比，分类结果组合有易实现、效率高、分类效果直观等优势。

但现有组合分类方法忽视混合像元对分类精度的影响，为此，本文引入多端元混合像元分解(multiple endmember spectral mixture analysis，MESMA)技术提取丰度特征，将丰度特征应用到基于像素分类，改善混合像元所致地物边界分类不精确的问题，并将基于像素与面向对象分类结果组合，在抑制“椒盐现象”的同时，提高土地利用分类精度。本文以内蒙古自治区鄂尔多斯市乌审旗纳林河二号矿井区域为研究对象，利用Landsat-8影像进行土地利用分类研究，以期实现地物精细分类，提高分类精度。

1 研究区概况与数据来源

纳林河二号井田位于内蒙古自治区鄂尔多斯市乌审旗，其地理范围为108°51′30″E～109°00′00″E，37°58′00″N～38°05′30″N。受内陆自然条件和人类长期畜牧、建设生产活动影响，该区域植被稀疏，水土流失和土壤沙化严重，具有生态脆弱敏感区典型特征。区域内包括耕地、林地、工矿用地、水域等，土地利用类型比较齐全，因此，本文选择该区域为实验区。

本文选用2018年7月25日Landsat-8影像进行土地利用信息分类提取。影像获取时植被茂盛，与裸土可分性高。为提高影像分辨率，降低混合像元影响，本文对30 m多光谱与15 m全色波段数据进行融合，获得15 m多光谱影像数据。按照《土地利用现状分类标准(GB/T 21010—2007)》标准定义土地类别。在融合后影像数据上选取训练及验证样本，利用同时段2.5 m天地图影像确定样本真值。样本选取情况如表1所示。

表1 训练样点与验证样点

2 方法

2.1 技术流程

MESMA是一种混合像元分解方法，能够提取混合像元各组分的丰度信息，降低混合像元对分类精度的影响。面向对象分类方法能将均质性像元合并为对象，有效避免像元噪音导致的“椒盐现象”。为此，本文采用MESMA和面向对象的组合方法，以提高土地利用分类精度。分类实现流程为：首先，对Landsat-8影像进行预处理；然后，利用MESMA获取的组分丰度特征进行基于像素分类；接着，基于分割尺度寻优进行面向对象分类；最后，依据土地分类精度评价和组合优先级原则进行最佳分类提取，叠加合成最优土地利用分类结果。技术路线如图1所示。

图1 技术路线

2.2 基于像素分类

基于像素分类过程中，首先利用MESMA 提取丰度信息，然后在此基础上选取光谱、纹理和丰度3种特征变量，最后使用随机森林算法分类。

1)多端元混合像元分解。由于传感器分辨率限制，中等分辨率遥感影像存在混合像元问题。MESMA可对混合像元中多种地物组分进行分解，通过为各类地物优选多条光谱，建模反演求出分解后像元的端元比例，提取丰度信息，从而提高土地利用分类精度。

(1)光谱库建立及端元选取。基于VIS模型建立光谱库[13-14]，计算每条光谱的端元均方根误差(endmember average RMSE，EAR)[15-16]和最小平均光谱角(minimum average spectral angle，MASA)[17]，其表达如式(1)、式(2)所示。

(1)

式中：a表示一类端元；n表示端元数目；ai表示光谱向量。

(2)

式中：n表示建模端元光谱的数量；θi，j表示2个光谱向量间的光谱角距离。

以EAR、MASA值均较低为原则，选取最优端元光谱。

(2)端元组合模型丰度反演。利用最优端元光谱建立组合模型(表2)，并将该模型应用于像元分解。光照变化造成的阴影组分需在建立端元组合模型时修正，其表达如式(3)所示。

fshade=1-fnoshade

(3)

式中：fshade表示阴影组分丰度值;fnoshade表示像元内非阴影组分丰度值之和。

表2 端元模型组合及数量

通过阴影归一化生成植被、不透水面、裸土3种组分丰度图像。其约束条件：非阴影组分丰度范围为-0.05～1.05；最大允许阴影组分为0.8；最大均方根误差(root mean squared error，RMSE)为0.025。

2)特征变量选取。光谱特征和纹理特征是遥感分类常用特征变量。利用光谱特征对地物颜色、灰度信息及波段亮度的比较达到分类目的。纹理特征作为图像中体现灰度性质及空间拓扑关系的重要特性，与光谱特征结合可以获得分类精度高、噪声小的分类结果，丰度特征有助于解决混合像元问题，提升分类精度。因此，本文选取光谱、纹理、丰度3种特征变量参与分类。

光谱特征变量包括光谱波段变量(C、B、G、R、NIR、SWIR1、SWIR2)和光谱指数变量(NDVI、MNDWI)，其中NDVI有利于植被提取，MNDWI有助于水体提取。

纹理特征变量基于灰度共生矩阵(grey-level co-occurrence matrix，GLCM)选取，分别计算7个光谱波段变量的同质性、均值、方差、二阶矩等8种纹理特征[18]，获得56个纹理特征变量，因其相关性较高，利用主成分变换(principal components analysis，PCA)数据降维，以避免数据冗余。为保证纹理特征信息量完整性，以特征值10为阈值选取前8个主成分变量(PC1～PC8)参与影像分类(图2)。

图2 主成分分析特征值

除光谱、纹理外，特征变量还包括丰度信息，丰度信息由混合像元分解得到，分别为植被丰度、不透水面丰度和裸土丰度。

3) 随机森林分类。随机森林分类算法集成了Bagging思想，通过对特征参数和决策树数量的控制，可以解决决策树固有的过拟合问题，实现针对复杂数据分类的并行和可扩展性，对噪声和异常值有较好容忍性。大量理论和实证研究都证明随机森林算法具有较高的预测准确率，因而在遥感领域广泛应用。

2.3 面向对象分类

面向对象的分类方法具有很好的抗噪音效果，可以降低“椒盐现象”发生概率，其过程可分为对象分割和分类提取。

手动试错是面向对象分割尺度选取的常用方法，工作量大，效率低，且因没有准确衡量标准，无法保证尺度最优。因此，本文利用寻求局部方差变化率(rates of change of LV，ROC-LV)峰值的方法选择最优分割尺度。最终选取21、38、58、74、98这5个尺度参数进行多尺度分割(图3)，各尺度对应分割对象数量分别为13 992、3 700、1 537、941、563。从分割对象数量可以看出，分割尺度为21时，对象数量激增，出现“过分割”现象；分割尺度为98时，对象数量过少，存在“欠分割”问题。

图3 尺度寻优结果

分割后，使用随机森林分类算法对各尺度分割结果分类，通过精度验证获取最优面向对象的分类结果。

2.4 最优分类结果组合

以“在保证地物结构完整度的基础上实现地物的精细分类”为原则，从面向对象和基于像素分类结果提取精度最高的8个类别合并为最终土地利用分类结果。由于各地物类别边缘不重合，分类结果出现了少量无数据区,因此，利用原始面向对象和基于像素整体精度最高的分类结果对无数据区进行填充。

3 结果分析

3.1 多端元混合像元分解结果分析

MESMA 最终解混比例为99.1%，说明本文端元模型组合成功识别绝大部分混合像元，解混效果好。对照遥感影像，提取的植被、裸土、不透水面轮廓清晰，界线分明，如图4标注位置1的不透水面，位置2的裸土及位置3的植被。

图4 多端元混合像元分解

为验证MESMA技术解决混合像元问题的效果，本文对是否包含丰度特征2种情况分类比较。建设用地边界是对地物细节分类最直观的反映(见图5(b)、图5 (c)，位置对应图4红框标注)，不透水面丰度特征与植被丰度特征的双重作用(图4红框标注)对道路、建筑物等建筑用地有较大影响，使其边界更为清晰精准，错分、漏分现象得到显著改善。

图5 局部分类结果比较

3.2 不同分类方法结果比较分析

由表3可知，随机森林算法的分类精度要高于其他常用监督分类和机器学习算法，在加入丰度特征后，如图5所示，随机森林分类精度在地物边界精细部分小幅提升。由表4可知，分割尺度为58时，精度最高为91.38%，与基于像素结果相比，分类精度降低0.59%，说明对中等空间分辨率遥感影像，基于像素方法性能略优于面向对象分类方法。

表3 基于像素分类精度评价

从视觉效果看，如图6(e)、图6 (f)，面向对象分类结果破碎度明显降低，形状一致性较高，噪声像素减少，解决了基于像素分类方法的“椒盐现象”。由分类混淆矩阵(表5、表6)可知，混分现象在MESMA+RF结果各地类间均有发生，在面向对象结果则集中在沙地和建设用地，主要因为部分沙地与草地分布交错，较为破碎，而建设用地多呈条带状分布，这种分布方式会给面向对象方法在中等分辨率影像进行对象分割时造成影响，所以会造成沙地与草地、建设用地与灌木草地间的混分现象。

表4 面向对象分类精度评价

图6 各尺度面向对象分类结果与MESMA+RF分类结果比较

表5 MESMA+RF分类混淆矩阵 %

表6 分割尺度为58时面向对象分类混淆矩阵 %

通过比较，选取基于像素MESMA+RF分类结果和分割尺度为58的面向对象结果进行组合分类。以本文选取的验证样本为基准，组合分类方法精度达到97.04%，相对基于像素和面向对象方法分类精度分别提高4.56%、5.66%。组合方法改善了混分现象(表5、表6、表7)，各地类分类准确性均得到明显提高。从视觉效果看，组合方法分类结果比基于像素分类结果形状一致性更好，地物边界清晰，有效减少“椒盐现象”(图7(a)、图7(b))；组合方法通过集成MESMA的优势，解决了面向对象方法无法对细小地物准确分类的问题，如图7(c)、图7(d)所示，细小河流被准确识别，轮廓清晰，结构完整。

表7 组合分类方法混淆矩阵 %

图7 基于像素、面向对象和组合方法的分类结果比较

为进一步对本文所提组合分类方法进行评估，与文献[9]的组合分类方法进行比较。该方法分别使用基于像素的最大似然法(MLC)和面向对象的标准最邻近分类方法(SNN)进行土地利用分类，然后提取最优分类结果，对提取的最优分类结果叠加组合，其分类精度评价如表8所示。该组合方法分类精度为92.99%，分类精度低于本文方法。

表8 对比方法分类精度评价

4 结束语

本文针对传统组合分类方法因忽视混合像元而导致分类精度低的问题，在融合基于像素和面向对象分类优势的基础上，引入MESMA技术，提出一种组合分类方法，通过加入丰度特征，解决中等空间分辨率遥感影像分类的混合像元问题，同时基于面向对象方法的组合方式使分类结果避免了“椒盐现象”，分类精度更高，地物边界更清晰，视觉效果更好。与经典的分类方法和组合方法进行对比实验，实验结果表明，本文的组合分类方法要优于单一分类方法和传统组合分类方法。

本文所提方法属于基于分类结果组合方法，因研究时间有限，未对基于分类过程组合方法展开深入研究。分类过程组合方法虽然从对象层面对分类结果中混合对象进行考虑处理，一定程度上可以解决“椒盐现象”，但通过判断对象中比例最高类别进行赋类的处理方式会对地物边界进行平滑，无法做到地物边界精细分类。在今后的研究中，将尝试在基于分类过程的组合方法中对混合像元解混，提高分类精度。