美国高分辨率土地覆盖关键技术研究进展

　　1、土地覆盖多边形分析

　　遥感影像解译,地物形状是基本要素。许多地类能够区分主要由于其形状大小和边界特征的差异。地物边界多边形提取很难自动化实现,目前主要采用影像切割的方法。切割可将近似的相邻像素概括为同质影像对象,生成各种土地覆盖类型多边形。德国DefiniensImagine公司的Ecognition软件基于面向对象的分类方法,能够依据影像光谱和形状的同质性准则,采用连续等比级切割,产成多尺度地物多边形。而在地物多边形产生后,更关键的是如何用多个参数来表达其特征,达到分类的目的。因此,需要进行多边形特征参数评价,建立相应的参数体系,准确的概括多边形的土地覆盖类型特征。MRLC在研究中,首先每个分类分区选取5个样点,来代表不同的土地覆盖类型组合。然后基于分割结果,对多边形形状特征和影像对象进行统计,包括多边形的圆度、紧凑度、破碎维度和影像光谱特征等要素。其中多边形的圆度主要是从凸凹的角度对空间物体的偏差进行定义;破碎维度是对多边形边缘的粗糙度和复杂程度的一种描述;紧凑度是对多边形的复杂程度的一种描述;对象的光谱特征可选取特定波段或多波段光谱值平均值、均方差值等。最后统计分析不同地物的多边形参数差异,建立分类参数体系,作为分类的依据。地物多边形的形状特征参数以独立的文件保存在NLCD的数据库中,作为分类的基础数据。

　　2、纹理特征分析

　　纹理反映像元灰度的空间变化特征,是整个影像中某一区域内具有规律性排列的图形。当地物的光谱特征比较接近时,纹理特征对于区分地物会起到积极的作用。图像纹理在空间上能够区分像元数据间的变化。因此,纹理分析可区分光谱和空间相邻的遥感影像像元,有助于区分在组成上比较接近的地类像元。纹理分析主要使用TM影像的3个波段,包括1、4、7波段,选用的时相主要是植被展叶期间,采用标准偏差纹理计算方法,利用333的窗口进行滤波。通过纹理特征分析可以提高分类的精度。

　　3、树冠密度信息提取

　　树冠密度信息是对土地覆盖特征的有效补充,可以更好的描述林地的精细变化,满足日益增加的土地覆盖组成信息要求。MRLC依据遥感影像像元值量化树冠密度,在空间上形成连续变化的树冠密度变化图。研究步聚包括首先对1m分辨率的正射影像进行分类,得到1m的树冠分类结果,然后将分类结果叠在30mETM+栅格格网上,统计每个30330格网内树冠占的百分比,分别作为训练样地和试验地,在此基础上将ETM+影像与训练样地百分比信息依据二叉树模型进行线性拟合,建立评价预测模型。再在空间上扩展模型,得到整景影像的预测树冠密度,最后对估算结果进行精度评价。

　　高分辨遥感影像获取树冠密度信息比地面直接观测要节省大量支出。MRLC以1m正射黑白航空影像为数据源,分类主要采用决策树分类方法,程序选用C5分类方法。分类中只定义了3个类别,树冠、非树冠和树萌。每个地区每轨选夏季和秋季两景ETM+影像作为模型输入。MRLC选择弗吉尼亚、犹他州和俄勒冈州作为主要试验区。训练样点选取采用随机抽样方法,保证各个样点间在空间上的独立性。样点选取过程中,ETM+参考影像分为9个相等60360个像元区块,其中的6个随机作为训练区。块状分区可去除像元训练区和试验区间空间关联性,减少误差。

        训练区和试验区动态进行划分。每个研究区域,依据训练样区和试验区的数据,建立和评价二叉树模型。MRLC所用的二叉树模型主要依据Cubist2程序。方法中树冠密度估算模型的评价采用5次迭代的方法进行验证,分窗口进行评价,结果的误差范围在75%至95%之间,最终的估算绝对值误差在10%左右。在试验区内采用二叉树方法建立的模型的误差小于线性拟合模型,预测值与参值间的相关系数二叉树模型要比线性模型大0.06至0.15。说明采用二叉树模型的效果较线性拟合要好,可以扩展到大的范围进行估算。大范围运行化应用还应采取合理的策略,还有一些技术需要确认和发展,如高分辨率的遥感影像采用纹理分析的方法进行分类,以及需要对非林地地区进行掩膜处理等。

　　4、城市不透性表面估算

　　城市土地覆盖状态和趋势,对人类的生活和城市生态系统具有重要的意义。不透性表面研究对象包括城市屋顶、公路和停车场等表面。不透性表面信息是城市土地利用和水质等生态环境指标,其通过改变热量流通,影响城市气候。不透性表面可增加降

　　水地表径流量的频率和密度,影响水质,例如地表不透性与河流接受降水的质量有很大关联性,如果分水岭中有10%是不透性表面,河流的水质常常下降。城市生态系统研究中,包括水文、气候、土地利用和资源管理等方面都需要空间上的不透性表面信息。不透性表面研究是NLCD2000数据库建设的重要内容。MRLC研究目标是发展一个可重复、准确的和有效的方法,计算30m空间格网中不透性表面占的比例。

　　MRLC选用的数据源主要包括ETM+、IKONOS影像。影像数据处理过程中,所有的ETM+数据经过前面的处理方法,IKONOS数据1mPAN波段和4m分辨率的多光谱数据,融合为1m分辨率。所有影像主要采用阿尔伯斯等面积投影,对高、低分辨率的影像进行了几何纠正,几何误差在1个ETM+像元之内。研究中选取南达科他州、弗吉尼亚州为试验区,将城市不透性表面视为空间上的连续变量。不透性表面信息估算主要步聚为:首先是高分辨率影像解译分类,确定城市不透性表面;然后是高光分辨率训练区域选取,特征选取和初始化拟合模型;再进行模型修改和评价,确定最终的模型,以及估算结果评价等。研究中采用了二叉树拟合模型,针对TM影像每个像元估算不透性表面占的百分比,具体技术方法类似于前面的树冠密度估

　　算内容。城市不透性表面预测值与准确值误差范围在8.8%至11.4%之间,相关系数0.82至0.91之间。定量的不透性表面分析提供了更加详细的城市生态系统的信息,对城市进一步分类,丰富了土地覆盖分类的内容。