基于高分数据的国情监测树冠信息遥感提取
赵青芬董雯凯
（1.江西省国土空间调查规划研究院，江西 南昌 330009；
2.江西省测绘地理信息工程技术研究中心，江西 南昌 330009；
3.江西省自然资源测绘与监测院，江西 南昌 330000）
地理国情是指陆地表面自然环境和人文地理要素的空间分布及其相互关系，是我国国情信息的重要组成部分[1]。每年的地理国情普查工作是一项具有重大意义的国情国力普查调查，是全面获取地表覆盖情况信息的重要手段，也是掌握地表自然、人文、生态以及人类活动情况的基本工作，更是全方位掌握我国国情信息的重要手段与信息来源[2，3]。每年的国情普查工作内容主要包括地形、植被、耕地、水域、建筑、荒漠与裸露地等要素，主要调查各要素的类别、位置、范围、面积以及人文地理要素的基本情况，主要有与人类活动密切相关的交通网络、居民地与设施、地理单元等的类别、位置、范围等，通过大范围调查与绘图，掌握各要素的空间分布及现状变更[4]。地理国情要素普查中有较容易的耕地普查工作，也有较难的地貌变更普查，本研究针对较难普查的城区树冠要素，进行基于遥感手段的普查方法研究。传统的城区树冠要素提取主要采用外业人工排查、内业人工目视勾画等方法进行树冠信息提取、调绘、修改、存档等步骤。整个工作流程中，树冠信息初步排查就占据了大部分人力物力的投入，费时费力，加之作业员的经验和熟练程度差异，导致遗漏和同类要素分类有差别[5]。但城区树冠要素提取作为地理国情普查工作中的工作重点，一直以来都投入大量精力进行提取[6]。
遥感技术是一门新兴的技术，始于20世纪60年代，是根据远距离目标接收或发射电磁波的信息，根据电磁波理论，进行信息收集、处理，并最后形成卫星影像，从而对地面各地物进行探测和识别的一种综合技术。遥感技术是一种远距离、非接触的探测技术，具有重访周期短、覆盖范围广、现势性强、数据获取与处理简便等优势，为地表信息精准获取提供了强有力的手段[7]。遥感手段中的分类，是一种快捷、高效的方法，通过卫星拍摄的影像，结合地面样本集，输入到分类器中，可快速获取大范围内的地表覆盖要素分布及变化情况。基于此情况，本研究采用遥感分类手段尝试进行城区树冠要素的自动识别与提取，以此达到高效率、零遗漏、高精度的目的。本研究采用国产高分辨率卫星影像作为数据源，采用优化特征后的聚类分析进行全要素识别，然后采用重分类方法进行城区树冠遥感提取[8，9]，以此得到城区树冠的高精度成果。
1.1 数据介绍
国产高分辨率卫星影像高分二号（GF2）于2014年8月19日成功发射，是我国自主研制的首颗空间分辨率优于1米的民用光学遥感卫星。GF2卫星牵头主用户为自然资源部，其他用户包括住房和城乡建设部、交通运输部、国家林业和草原局等。卫星搭载有两台高分辨率1米全色、4米多光谱相机实现拼幅成像。GF2卫星作为我国首颗分辨率达到亚米级的宽幅民用遥感卫星，其在设计上具有诸多创新特点，突破了亚米级、大幅宽成像技术。GF2星下点空间分辨率可达0.8米，标志着我国遥感卫星进入了亚米级“高分时代”，成像效果如图1所示。
1.2 原理方法
图1 GF2影像局部效果图
本研究采用的技术手段主要为非监督分类中的聚类分析。非监督分类是在不采集外业样本的情况下，根据像元的特征进行临近像元归类，将其中相似度在一定范围内的像元归为一类。目前常用且精度较高的非监督分类算法主要有最邻近试探法、ISODATA算法、K均值聚类算法等，其中K均值聚类算法在地物精细化分类识别中具有较好的适用性，无论是精度或者识别边界，均具有相对较好的优势。
聚类分析是以不同地物在影像上的各种特征差别为依据的一种无先验知识的图像分类。根据待分类样本特征参数的统计特征，建立决策规则来进行分类。常用的算法以K均值聚类居多，K均值聚类算法是一种迭代求解的聚类分析算法，首先将数据分为K组，随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象来重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，误差平方和局部最小。
本研究在聚类分析的基础上，通过优化指数特征来达到提升分类精度的目的，其中比较丰富的指数特征为归一化植被指数NDVI、归一化水体指数NDWI。这两个指数是用遥感影像的特定波段进行归一化差值处理，以凸显影像中的植被、水体等信息。两种指数的计算原理分别如式（1）、式（2）所示：
式中，NIR为近红外波段；
R为红光波段；
G为绿光波段。
目前已建立的光谱库中所有的乔木植被光谱反射率，如图2所示，乔木植被在近红外、红、绿波段三个波段具有较明显的吸收与反射特征。本研究选取的NDVI、NDWI两种指数，可较好地利用上述三个波段，通过线性插值计算，可将植被与水体的特征差异与其他地类更好地区分开来，以此保证后续的识别精度。
1.3 技术路线
图2不同植被光谱波段反射示意图
本研究选取GF2影像作为研究数据源，首先对影像进行平差、正射、融合等预处理，然后对影像进行指数计算，并叠加到影像波段中作为一个特征集，将光谱波段与指数波段带入K均值聚类算法中进行影像自动解译。算法中的类别设为默认，进行多次聚类迭代分析，可得到最适合影像像元特征的类别数。对分类的初步成果，确定树冠类别，然后对分类成果进行重分类，消除多余类别，如同一地物错分成多类；
并合并相似类，如城区水体与河流水体；
最终得到分类成果。具体技术路线如图3所示。
图3技术路线
2.1 聚类分析
K均值聚类，需要进行类别数量人工确定，即首选给算法一个类别数目，然后算法会进行聚类分析，并最终输出人为设置的类别数目。此情况中人为主观性对分类精度有影响。本研究首先进行多批次人工数目类别划分，并分析精度，最终试验得出最优的地类类别数。不同类别数目与总体精度如表1所示。由表1可知：当设置地类数目为4时，精度最低；
当设置地类数目为6时，精度最高，总体精度达到了87.5%。因此本研究开展的K均值聚类分析，人工设置的数目为6类，6大类整体可划分出全部的地类类别，且对分类算法产生的误导最小。
表1类别数目与精度对比
采用ENVI软件，对GF2影像进行聚类分析，分类结果如图4所示。整体来说，该方法将具有相似特征的地物图斑归为一类，整体上避免了人工采集的样本在分类中的影响；
分类成果中的耕地、道路、林地、水体、建筑等地类均具有较好的识别。图中的农村居民地，种植较多树木，且株高均超过房顶，在影像上呈现郁闭状态，通过聚类分析方法，较好地识别出了居民地的树冠信息，且边界吻合度较好，与相邻的耕地未混淆。
图4聚类分析效果图
2.2 优化聚类分析
本研究在聚类分析的基础上，进行了指数计算，如归一化植被指数NDVI、归一化水体指数NDWI等，这些指数对植被、水体等均具有一定的特征放大作用。本研究将这些指数作为一个聚类因子添加到聚类分析的分类体系中，以此达到提升分类精度，降低分类误差的目的。通过研究试验，分类得出的成果优于直接进行聚类分析的成果，优化后的聚类分析成果如图5所示。通过丰富指数特征，较好地避免了灌草的影响，尤其是零星分布的杂草撂荒地区，在优化后的分类成果中与树冠信息未混淆成一类，图5中蓝色图斑，在优化后成果中明显看出剔除了范围内的细小图斑的混淆。
图5优化聚类成果效果图
对优化后的聚类成果进行局部展开如图6所示。图6中为城区绿化地带，且种植多为连片树木，通过优化后的聚类分析方法提取的成果中，树冠信息被较完整地提取了出来，且图中的细小图斑以及道路两旁的混合像元，也较好地剔除出去，整体上大大提高了识别精度。
图6优化聚类成果局部效果图
对聚类分析的成果，进行按类别矢量导出，对导出的类别进行人工目视分析，区分出树冠要素成果，然后采用重分类方法，将树冠成果作为一类、其他类别成果作为一类，带入软件中进行标识与再分类，得到树冠成果。本研究在提取的成果之上，采用锐化功能，针对树冠提取成果边缘锯齿状问题进行消除与整理，得到平滑边缘的成果，以ArcGIS软件进行处理，锯齿状基本得到消除，边缘平滑，且树冠提取精度整体提升，最终的成果不仅符合实际情况，在图件中也具有一定的美观性。最终的结果如图7所示。整体来说，树冠都达到较准确地识别提取，无论是建筑中间呈条带分布的树冠，或是单独的树冠，均有较好地识别。图7a为城区中的无序种植的树木，有成片分布的，有单独种植的；
而图7b为有序种植的树木，树木多呈条带分布，有序地排列在建筑前后，且具有较高的郁闭度。对于这两种树木种植分布情况，本研究采用的优化后的聚类分析遥感分类手段均较好地识别出了树冠信息。
图7重分类结果图
2.3 效率分析
本研究采用的优化指数特征的聚类分析遥感分类手段提取的城区树冠信息，具有高效、便捷等优势，无论是遥感初分类还是重分类，整体效率较人工勾画效率都高得多。对两种方法提取树冠信息的效率进行对比如表2所示。以一个区县为例：单人勾画城区树冠信息需7到10天完成，而遥感手段树冠提取及后处理相同工作量的地区树冠信息仅需要30分钟；
且遥感提取的树冠信息精度符合国情普查精度，人工勾画手段容易出现遗漏，需要反复检查与修改。
表2效率分析
本研究基于国情监测中的树冠信息提取工作存在的问题，采用通过优化特征的遥感聚类分析分类方法，结合高分辨率卫星影像GF2进行遥感提取研究，以达到减少树冠要素提取工作中的人力物力投入、提高提取效率的目的。通过研究试验，得出以下结论：
基于GF2影像的优化特征后的遥感聚类分析方法可以较好地提取出树冠面积，且精度优于传统的聚类分析方法。
采用重分类的方法对遥感提取成果进行处理，可消除遥感提取的树冠成果边界较琐碎的问题，且成果符合国情监测工作要求。
基于遥感手段的城区树冠提取整体效率较人工提取效率高，且不存在遗漏现象，为以后的国情普查工作提供了高效便捷的手段。
本研究虽然在城区树冠要素提取工作中取得了较好的成果，但仍存在一定的问题。首先，本研究选用的影像为GF2亚米级卫星影像，该影像重访周期较长，多为半年重访一次，不能较快地获取同一地区的重访影像，而其他高分影像均为2米的分辨率，在树冠提取中应用效果较差；
其次，本研究选用的遥感手段为非监督分类，虽然操作便捷，且成果获取较快，但对于复杂地区会存在一定的局限性，该方法在山地地区的推广性有待进一步研究；
最后，本文虽然采用遥感手段提升了要素提取的效率，但未采用目前研究较多的深度学习方法，该方法可进行自动化识别与优化。今后的研究工作将积极解决以上问题。