摘要：城市绿化覆盖调查是结合江苏省自然地理现状、美丽江苏建设需要及政府、公众关注点的要求下开展的任务。本论文以易康软件作为平台，在已有航天遥感影像的基础上，研究如何使用遥感影像半自动解译等方法，通过遥感影像获取与处理、城市绿化信息提取等技术，对城市建成区和中心城区开展城市绿化覆盖遥感调查，获取城市绿化覆盖解译成果及统计分析成果。
关键词：易康；高分辨率影像；多尺度分割；地物提取
0引言
城市绿化覆盖调查可以反映出城市绿化建设的覆盖程度，对城市绿化及生态环境以及城市生存环境可进行对比分析，得出的数据可以反应城市宜居指数，也为城市生态建设提供指引。随着卫星数据的积累，我们虽然获取大量的高分辨率影像，但使用传统的人工矢量化方式进行生产，无法满足城市绿化覆盖调查大范围、更新快的需求。如何减少人工编辑的工作量同时又能高效准确的提取地物信息，是目前制约着遥感技术发展的一个难题。因此，自动、高效、准确的基于遥感影像地物提取方法已经成为遥感应用领域的主要发展方向。本文将通过易康软件，研究如何通过高分辨率卫星影像来提取城市绿化信息。
1 eCognition（易康）软件
eCognition是全球第一个基于面向对象的影像分析软件，其面向对象的影像分析方式可充分利用已有的矢量、栅格、DEM、点云等数据信息对所有类型的常用影像数据源进行智能高效的解译。城市绿化覆盖调查的解译方案分为人工解译和自动解译。人工解译耗时长、综合不够精确、人为主观判断因素影响过大，而全自动解译存在难度大、地物提取不够智能、工程化应用太难等弊端，因此两者结合是目前最好的解决方案。
2 技术方案
1）研究区域范围和概况
研究区位于江苏省淮安市清浦区，研究范围为清浦区城市中心城区，地处黄淮平原和江淮平原，无崇山峻岭，地势平坦，地形地貌以平原为主。
2）数据准备
地理国情城市绿化覆盖调查需要选取成像清晰、对比度明显、无云雾遮挡的影像，最好是5~10月份资源三号卫星遥感影像开展工作。专题数据采用地理国情普查数据库，利用数据库中BOUA6乡镇行政区、BOUA8城市中心城区、LCA地面覆盖作为城市绿化覆盖调查专题数据。
3）数据预处理
影像预处理主要包括影像几何纠正、镶嵌、融合等操作。
原始遥感影像几何纠正使用 ERDAS Image Geometric Correction 模块或 Autosync Workstation 模块，使用 ERDAS Mosaic Images 模块将同一区域多景遥感影像拼接；影像裁切使用 ArcGIS Raster Processing 工具，利用作业区矢量边界对影像进行裁切。
矢量数据预处理主要是将需要使用的基础地理信息矢量数据的坐标系统进行转化，使其坐标与影像套合。
4）城市绿化覆盖提取
利用 eCognition 软件来开展城市绿化覆盖提取工作。首先，建立提取的工程文件，插入处理好的影像文件以及前期用ArcGIS随机生成的点状shp文件作为绿化覆盖起算点矢量数据，或者将地理国情地表覆盖植被层生成点状文件并抽取适量点，然后设立绿化覆盖提取决策树分类算法模板，执行模板构建的规则集里的算法，输出提取结果。
一个工程的Process Tree里构建的规则集，主要包含分割、决策树分类、输出当前分类结果影像三个简单的规则，该规则集直接可以导入到另外一个工程里进行执行，只是需要重新插入一个样本而已。规则集算法流程如下图所示：
图1 植被提取规则集算法流程
这里，选用决策树分类的方式，而不是最邻近分类主要是由于：（1）决策树分类和最邻近分类都需要选择样本，只是选择样本的方式不同，前者用Manual Editing后者用Select Samples；（2）使用最邻近分类还需要做分类特征集的优化，当分类样本数量较多，初始的分类特征集里包含很多纹理特征时，速度就会很慢，而决策树分类的特征优选是放在训练阶段，效率明显会提高很多；（3）最邻近分类所有的类别使用相同的特征空间，特征空间如果包含若干个纹理特征，则在执行监督分类的速度就会特别慢，而且分类效果也不一定满足要求。决策树分类采用的是CART算法，将训练数据集（训练样本）划分为测试变量和目标变量，通过对这两变量的循环分析形成二叉决策树，从而决定了类别提取的先后顺序、使用的特征和特征对应的阈值，避免了去逐个检验效果，而且分类精度明显好于最邻近分类。
按规则集将影像进行分割，得到多个内部结构与特征相接近的斑块；随后建立影像植被指数、亮度、各波段斑块值、最大化差异特征字段，计算各斑块特征值；第三步进行各个斑块特征差异统计，得到绿化覆盖特征阈值，采用该阈值带入决策树进行城市绿化覆盖提取；提取完成后对疑似图斑进行手工编辑修改。该测区提取结果如下
图2 城市绿化覆盖提取结果
5）绿化覆盖提取精度评价
表征分类精度的指标有很多，其中最常用的就是利用混淆矩阵、总体分类精度以及Kappa系数。其中混淆矩阵能够很清楚的看到每个地物正确分类的个数以及被错分的类别和个数，并不能一眼就看出类别分类精度的好坏。为此从混淆矩阵衍生出来各种分类精度指标，其中总体分类精度（Overall Accuracy）和卡帕系数（Kappa）应用最为广泛。
总体分类精度（OA）：指被正确分类的类别像元数与总的类别个数的比值；被正确分类的像元数目沿着混淆矩阵的对角线分布，总像元数等于所有真实参考源的像元总数。
Kappa系数（Kappa）:Kappa系数是一种比例，代表着分类与完全随机的分类产生错误减少的比例，其计算过程可用如下公式表示：
其中N（像元总数），Xi+, X+i(混淆矩阵各行、各列之和)，Xii（混淆矩阵对角线元素）。
城市绿化覆盖调查通过外部生成随机点开展解译的方法，对结果进行混淆矩阵计算检查，从而对城市绿化覆盖提取结果进行精度评价。
首先根据目标区域矢量数据的地理范围，使用ArcGIS软件中的创建随机点工具，随机生成多个样本点，样本量选择一定的标准，且设定样本点间的最小间距，指派经验丰富的解译人员对样本点进行目视判读并填写判读地类，解译完成后通过新建工程将影像、绿化覆盖分类成果和检验点数据导入eCognition Developer软件，然后导入分类精度评价规则集，如下图所示。
图3 分类精度评价规则集
再利用Accuracy Assessment工具对分类结果进行精度评价。根据上述作业区的矢量范围，随机生成了样本点158个，其分布如图4所示；目视解译成果如图5所示；精度评价结果如表 1 所示。
图5目视解译成果
表1 精度评价结果
总体分类精度和Kappa系数反映整个图件的分类精度，条件Kappa系数则反映各个类型的分类精度。很多学者对于分类精度的评价进行了研究，研究结论认为，Kappa系数在0.8以上表示分类图和地面参考信息间的一致性很大或精度很高，Kappa系数在0.40—0.80表示一致性中等，Kappa系数小于0.40表示一致性很差。任何负的Kappa系数都表示分类效果差，但负值的范围取决于待评价的混淆矩阵，因此负值大小是不能表示分类效果的。从表1中可以看出，经过易康自动及人工解译之后，目标区域的绿化覆盖提取总精度达到了96.84%，Kappa系数为0.93，满足提取kappa精度应达到0.85以上城市绿化覆盖技术设计精度的要求。
3 结束语
通过以上地物提取的试验，我们可以看到以目前的技术水平，要实现全自动解译还有很长的路要走，半自动化解译和人工解译相结合的方式是现在最优的解决方案。
试验使用的起算点数据是通过地理国情普查项目的地表覆盖数据提取得到的，在已有大量起算点的基础上进行分割分类最终取得了很好的成果。因此，易康软件在构建好规则集的基础上，可以实现快速、高效的提取绿化图斑，通过人工解释，弥补了自动解译的缺陷，又保留了基于像元提取的绿化覆盖成果。相比于EVNI软件自动解译导出结果，还需在其他平台进行人工修改的方式显得更加快捷、易操作。本论文研究的是提取绿化覆盖，而易康软件里提供了很多算法，根据需要使用相关算法构建规则集，不仅能够实现绿化覆盖的提取，还可以通过类似的方法对水体、道路、居民地建筑区等地物进行提取，为以后大面积的国情监测提供了更好的解决方案，还可以应用到国土、测绘、林业、灾害、农业、海洋和沿岸地带、水利、环境、交通、国防和安全等行业的监测、调查、提取等方面。随着影像提取技术、遥感处理技术和计算机智能化等技术的发展，影像提取的工作将会越来越便捷、需要人工干涉的内容也会越来越少、精度也将越来越高。
参考文献
[1]周龙君，陈晓芬，杨利娟.面向对象标准最邻近分类法在地理国情监测中的应用[J]. 测绘与空间地理信息，2016,(05):155-157.
[2]郝容，屈鸿钧，文学虎.eCognition(易康)软件在地理国情普查地表覆盖解译中的应用[J].测绘通报,2014,(04):134-135.
[3]黄焱，曲平，姜淼.基于易康平台的高分辨率影像在测绘生产中的地物提取[J].测绘与空间地理信息,2013,(12):146-147.
[4]覃宇，张迅.地表覆盖自动解译方案在地理国情普查项目中的应用[J]. 测绘与空间地理信息,2015,(06):164-166.
[5]潘琛，林怡，陈映鹰.基于多特征的遥感影像决策树分类[J]. 光电子.激光,2010,(05):731-736.
论文作者:陶方,李文林,熊健
论文发表刊物:《防护工程》2017年第32期
论文发表时间:2018/3/22
标签：城市绿化论文; 影像论文; 精度论文; 遥感论文; 地物论文; 系数论文; 数据论文; 《防护工程》2017年第32期论文;