面向对象的土地退化信息提取方法

面向对象的土地退化信息提取技术流程如图 3 －9 所示。

( 一) 土地退化类型与土地类型

基于农户的土地退化调查分析表明，横山县土地类型分为川水地、沟坝地、梯田、墚峁顶、墚峁坡和风沙地六类，土地质量由高到低依次为川水地、沟坝地、梯田、墚峁顶、墚峁坡和风沙地 ( 王静等，2006) ，依次对应不同土地退化类型 ( 表 3 －6) 。

表 3 －6 土地退化类型与土地类型

续表

图3－9 土地退化信息提取技术流程图

( 二) 土地退化光谱响应单元的划分

本研究提出了土地退化光谱响应单元 ( DSＲU) 的概念。土地退化光谱响应单元是生态条件、地理条件相对一致并且在遥感影像中所反映的光谱特征具有相对同质的土地单元，具有相似的地形、植被、土壤特征以及相似的光谱特征 ( Zonneveld，1989; Imeson et al. ，1995) 。因此，土地退化光谱响应单元的划分不仅依据地形、土壤和植被的空间信息，还要依据土地退化类型的遥感影像光谱信息，将影像分割的方法用于其中。

在土地退化光谱响应单元的划分中，初步参与影像分割的数据层包括高光谱影像的PCA1 至 PCA9、地形因素 ( 海拔和坡度) 、植被因素 ( 植被指数 MCAＲI) 、土壤特征和土地利用图层等，共输入 13 个栅格图层和 1 个用于辅助分类的专题图层，参与分割的图层及其权重见表 3 － 7，权重大小表示该图层在分割中所起作用的大小。PCA1 至 PCA9 由Hyperion 数据经过主成分变 换后生 成，由于后面的数据信噪比较 差，所 以 只 取 前 9 个Hyperion 高光谱数据主成分分量; 由 DEM 生成坡度和坡向数据，土壤层由有机质预测图构成，专题图层 ( Thematic layers) 为由 TM 解译的土地利用图，植被图层由高光谱植被指数构成，在 ENVI 中经过波段运算而得，即修正型叶绿素吸收反射率指数 MCAＲI ( Kim et al. ，1994; Daughtry et al. ，2000) ，计算公式如下:

退化废弃地遥感信息提取研究

表 3 －7 参与分割的图层及其权重

多尺度分割是面向对象分类方法的第一步，是一个自下而上、将像素聚类合并成小多边形 ( 影像对象) 的过程。以这小多边形作为分类的最小单元，每个多边形内部则不再细分，它是面向对象分类方法的基础。多尺度分割的意义主要在于，除了单纯的光谱信息，影像对象 ( 多边形) 相对于单个像素来讲包含了更多能用于分类的附加属性，由于它是像素的集合，所以就具有了单个像素所不具有的统计特性 ( 例如均值、最大值、方差等) ，以及形状、纹理和一系列可以在多层次影像对象网络结构 ( 同一层的对象为邻居Neighbors，不同层的对象为父对象 Super-objects 和子对象 Sub-objects，由不同层次影像对象组成的立体交叉相互联系的网络结构，Context 即来源于这个网络结构) 进行运算的相互关联的上下文信息，为分类提供了分析手段。

任何一个具体的分类任务均具有特定的尺度。分割的影像对象 ( Image objects) 只有在合适尺度才能为分类提供有意义的上下文信息，而 “多尺度分割”( Multiresolution segmentation) 为把影像对象分割成合适的尺度提供了可能。与单个像素相比，同类的影像对象信噪比显著增强，无需依赖太多的附加信息，分类的鲁棒性得以增强 ( 分类结果更加稳定、健壮) ; 并且在分割过程中，大幅度减少了分类过程中需要处理的单元个数，化像素为对象，化零为整，提高了效率。这里所采用的多尺度分割是一种从单个像素开始的自下而上( 即数据驱动) 的区域合并技术。在自下而上的方法中，分割是基于一系列的统计方法和参数来处理整景影像的。采用的限制参数异质性最小，即影像分割过程中，像元的合并开始于任意一个像元，先将单个像元合并为较小的影像对象，再将较小的影像对象合并成较大的影像对象，当超过异质性参数时，不再合并像元，以实现整幅影像在给定分割尺度域值的情况下所有影像对象的平均异质性最小 ( De Jong et al. ，2007) 。

本研究进行了一个类似像元尺度的分割和其他 4 个尺度的分割，DSＲU 为系统中最小的影像分割单元。尺度1 代表类似像元尺度，其他4 个尺度为尺度25 ( 小尺度) 、尺度 50 ( 中尺度) 、尺度100 ( 中尺度) 和尺度200 ( 大尺度) ，代表影像分割单元 DSＲU 从小到大。影像从像元开始分割，依次为类似像元尺度、尺度 25、尺度 50、尺度 100 和尺度 200，不同尺度分割结果与分割参数如表 3 －8 所示。土地利用图作为专题图层也参与分割，专题图层在分割中的意义是 “没有一个影像能够跨越专题图层中多边形的边界，相当于起一个超级对象的作用”。因此，只有多边形的专题图层才能参与到分割中，点层和线层则不起作用。

表 3 －8 不同分割参数

在本研究中，基于参与分割图层及其所占权重，即土地退化监测指标的不同权重，设计了不同指标组合作为影像分割的输入层，进行影像分割和影像分类，通过比较不同分类结果确定最佳的土地退化监测指标组合。用于影像分割的8 种数据层组合与权重见表3 －9。

表 3 －9 用于影像分割的 8 种数据层组合与权重

续表

( 三) 土地类型的初始分类

根据 Hyperion 影像色彩 ( ＲGB 分别为 Hyperion 数据主成分的第一、二、三分量) ，利用最邻近分类器，选择训练样本，将多尺度分割成的 DSＲU 影像对象分为以下几类: 红色( 云) 、蓝黑色 ( 云的阴影) 、绿色 ( 无退化土地) 、淡蓝色 ( 沟坝地和梁峁坡) 、淡粉红色 ( 坡顶和沙地) 、深蓝色 ( 居民地) 、黑色 ( 水体) 等。在 eCognition 中，可不断指定训练样本，直到得出满意的分类结果。实际上，监督分类这种不断改进的迭代方法会导致多维特征空间中类别分布的边界不同。因此，在分类中可先确定少数样本，再逐步添加必要样本，这是一种非常有效的分类方法。

( 四) 土地类型的二次分类

对上述 7 种土地类型的初始分类作进一步细分。“淡蓝色”类别进一步细分为沟坝地和梁峁坡，“淡粉红色”类别进一步细分为坡顶和沙地，“绿色”类别 ( 无退化土地) 进一步细分为沟坝地和川水地。将成员函数分类器引入分类，利用 DEM、坡度、植被指数等数据来辅助分类，并依据多源影像的光谱信息、形状信息、纹理信息、相邻关系信息等进行分类。依据野外调查和影像目视解译，以及土地退化类型与土地类型的地学知识，确定了成员函数分类器的相关指标阈值。具体判定函数如下:

“淡蓝色”类别进一步细分的指标阈值: 沟坝地 ( Dike field) 为1040 ＜ 海拔 ＜1160 或MCAＲI ＞ 0. 05 并且坡度 ＜ 8°，坡耕地 ( Loess hilly slope) 为除 “沟坝地” 以外的对象;“淡粉红色”类别进一步细分标准: 梁峁顶 ( Loess hilly top) 为 MCAＲI ＞ － 0. 3，沙地( Sandy Land) 为 MCAＲI ＜ － 0. 3; “绿色”类别进一步细分标准: 沟坝地 ( Dike field) 为MCAＲI ＜ 0. 3，川水地 ( Irrigated land) 为 MCAＲI ＞ 0. 3。

( 五) 土地退化评价

基于农户调查和野外调查，无退化土地包括川水地和沟坝地，属于高质量土地，梯田属于轻度退化土地，梁峁顶属于中度退化土地，沙地和坡耕地属于高度退化土地。沟坝地、梁峁顶土地和坡耕地按照其退化程度又进一步细分为三级。依据野外调查和影像目视解译，以及土地退化类型与土地类型的地学知识，确定了成员函数分类器植被指数和有机质的指标阈值，具体判定函数如下:

沟坝地 ( Dike Field) 的指标阈值: 一等地 ( dike_1) 为 0. 09 ＜ MCAＲI ＜ 2，二等地( dike_2) 为 0. 05 ＜ MCAＲI ＜ 0. 09，三等地 ( dike _3) 为 － 1 ＜ MCAＲI ＜ 0. 05; 梁峁坡( Loess hilly slope) 的指标阈值: 一等地 ( slope_1) 为 3. 98 ＜ 有机质指数 ＜ 4，二等地( slope_2) 为 3. 75 ＜ 有机质指数 ＜ 3. 95，三等地为 ( slope_3) 3 ＜ 有机质指数 ＜ 3. 75; 梁峁顶 ( Loess hilly top) 的指标阈值: 一等地 ( top_1) 为 0 ＜ MCAＲI ＜ 2 或有机质指数 ＞4. 0，三等地 ( top_3) 为 － 1 ＜ MCAＲI ＜ － 0. 2 或有机质指数 ＜ 3. 65，剩余为二等地( top_2) 。