南京地理所土地利用矢量数据产品加工技术服务

一．背景介绍

       基于矢量数据的土地利用分类,就是根据所给定的分类条件,以高精度的矢量数据为基础,确定地面给定面积大小的栅格单元内的土地类别及其他所需要的属性。其原始数据为面状矢量地物要素,结果数据为栅格格式,

       因而,从某种意义上说,基于矢量数据的土地利用分类的过程,就是按照一定的条件,把矢量数据转化为栅格数据的过程。因为栅格数据操作总体上说比较容易实现,尤其是作为斑块图件的表示,更易于为人们接受,并可以使大量的空间分析模型更容易实现,易于与遥感相结合、易于信息共享。

       GIS数据作为辅助数据用于提高遥感图像分类精度是近年来常采用的方法。GIS可作为辅助数据用于训练区的选择,分类数据预分层,分类结果后处理,或作为附加“波段”用于分类过程。如:在土地利用动态监测中,将土地利用现状的矢量数据与同年度同地区的遥感影像做配准与叠加,对于少数地类不单一的图斑做局部边界提取,使分割后输入图斑内的地类单一,再以图斑为单位提取整个图斑的灰度特征、纹理特征、形态特征等多种判别指标,大大提高了分辨率、纹理粗糙影像的判别精度。

       基于GIS利用专家知识进行遥感图像分类也是研究者常用的一种分类方法。例如,将原有的GIS数据和各种土地利用类型变化的先验性知识综合集成用于新的遥感图像的分类中,不仅可以促进GIS数据更新的自动化,而且还可以得到比常规最大似然法高的分类精度。

       随着研究方法的发展,利用GIS进行遥感图像分类不再局限于利用其浅层知识,有不少研究者开始尝试将空间数据发掘和知识发现(SDMKI)作用于GIS数据库并用于遥感分类研究,称为知识驱动的遥感图像解译。如:GIS辅助下的Bayes法遥感影像分类,可以从GIS空间数据库中挖掘知识用以辅助遥感影像分类,以提高分类精度。基于空间数据发掘的遥感图像分类,采用数据发掘技术从GIS数据库和遥感图像中发现知识,用于改善遥感图像分类。该方法可实施2种空间数据归纳学习途径,即在空间对象粒度学习和直接在像元粒度上学习,并把归纳学习与传统图像分类方法相结合,试验证明:归纳学习能够较好地解决同谱异物,同物异谱等问题,显著提高分类精度,并且能够根据发现的知识进一步细分类,扩展了图像分类的能力。

       地理国情监测云平台应南京地理所的要求，对山东省1990年、1995年、2000年、2005年、2008年建设用地矢量数据提供产品加工技术服务，以满足客户项目及科研工作的需要。

二．案例详情

       1.数据获取与数据准备

       本次技术服务的核心是基于TM、ETM遥感影像生产的山东省土地利用建设用地数据产品，将分类后的数据产品进过重采样后得到山东省1990年、1995年、2000年、2005年、2008年五期1：100000的建设用地数据产品。本次技术服务主要流程如下：

       本研究采用的遥感影像数据来自美国马里兰大学和中国科学院国际科学数据服务平台，均采用美国陆地卫星于1990年、1995年、2000年、2005年和2008年所拍摄的TM、ETM+30m遥感影像，云量均接近0%。本文的遥感影像成像时间不一致，但是季相接近，分别在4、5、6、8月份获得，由于3月到6月是研究区内冬小麦生长的季节，而6月到9月份是夏玉米生长的季节，因此地物信息较清楚，由此带来的地物反射光谱差异显著，容易识别，影像解译比较容易。

       2.数据预处理

       在对影像数据进行分类解译之前，首先要对数据做预处理工作，主要步骤有:

       （1）波段选择及融合

       本文采用最佳指数法（Optimum Index Factor，简称）和特征值法相结合，共同确定了最佳波段组合，也就是4、3、2波段，分别赋予红、绿、蓝色作为标准假彩色合成的RGB波段。这一假彩色影像最关键的是突出了植被特征，并且能提供丰富的信息，能充分显示各种地物特征的差别，便于分类，可以保证分类的准确性。

       （2）图像几何校正与配准

       本次技术服务采用的LandsatTM和LandsatETM+图像已经在中国遥感卫星地面站进行过辐射校正和几何粗校正，但为了使研究结果更加的科学、可信，则必须的对影像进行几何精校正。几何精校正是利用地面控制点(Ground control Point，GPC)对由各种随机因素引起的遥感图像进行几何畸变的校正。本研究以研究区的地形图作为参考图像，必要时辅以实地考察的GPS点，采用多项式几何纠正计算模型，对遥感影像进行几何精校正。

       （3）图像增强处理

       传感器获取的遥感图像含有大量地物特征信息，在图像上这些特征信息以灰度形式表现出来，当地物特征间表现的灰度差很小时，目视判读就无法辨认，图像增强处理是的目的在于突出图像中有用的信息，扩大不同图像特征之间的差别，从而提高对图像的解译和分析能力。遥感数字图像增强处理一般可分为两大类：频域法和空间域法。本文主要采用空间域图像增强方法，其遵循视觉效果比较好、计算相对简单、合乎应用要求的原则。另外，在后面遥感图像分类的新波段变量构造部分还应用了NDVI指数以区分植被和非植被以提高分类精度。

       （4）影像拼接与裁剪

       本案例中的研究区域为中国，则遥感影像数据需要覆盖整个中国区域，因此需要进行影响拼接，进行拼接时首先要参照某一遥感影像，将其它遥感影像进行直方图匹配处理，使得所有用到的遥感影像具有基本一致的色调，然后再将要用到的影像进行无缝的拼接处理，之后经过裁剪得到覆盖整个研究区的遥感影像。

       3.分类方法

       本次服务是基于TM、ETM等遥感信息基础上，在多位专家的参与下，采用全数字人机交互作业方法，同时参照有关地理图件和统计资料，结合外业实地考察验证，对地物的几何形状，颜色特征、纹理特征和空间分布情况进行分析，并在综合各位专家意见后，建立遥感影像解译标志。在内业建立解译标志与实现数据获取的基础上，不断的对解译模板进行修改，直到修改的模板经过评价以后比较满意为止，以提高土地利用/覆盖类型精度。动态图斑数据主要采用“动态分割图斑法”。参照国内外现有土地利用/土地覆盖 的分类体系，结合本项目的开展的目的和要求以及遥感信息源的情况，制定了有6个一级分类，25个二级分类的土地利用/土地覆盖分类体系。

       在分类过程中，由于遥感图像自身的空间分辨率，同物异谱以及异物同谱现象广泛存在，所以错分和误分的情况很常见，因此对分类结果要做进一步的处理工作，也就是去除小图斑的工作，我们常称之为分类后处理。常用的分类后处理方法有：聚类统计（Clump）、过滤分析（Sieve）、去除分析（Eliminate）和分类重编码（Recode）等。

       4.质量控制与检查

       各工序过程质量按要求进行过程检查 ,需100%检查。

       （1）土地利用/覆盖数据抽样检查

       对获取的土地利用/覆盖数据产品进行空间抽样检查，验证土地利用/覆盖数据类型定性是否正确。验证的方式主要依靠高分影像（要考虑影像的时效性）与野外实地验证相结合的方式作业，未达到抽样精度90%的重新修正数据。

       （2）数据图形处理

       1）矢量数据

       矢量数据的统一格式为arc/info的coverage格式。处理后的分县coverage，要严格按照县界确定界线，相邻县之间不得存在双眼皮等接边问题。省界接边要保证两个相邻省共用一条数字化边界线，并且与省界严格一致。所有的空间数据均要统一到系统的投影坐标系统下。所有的处理过程都不能增加数据的误差，无论是空间误差还是属性数据误差。

       2）栅格数据

       栅格数据统一采用arc/info的grid格式。处理后的分县grid，要严格按照县界确定界线。所有的空间数据均要统一到系统的投影坐标系统下。所有的处理过程都不能增加数据的误差，无论是空间误差还是属性数据误差。

       3）精度控制参数

差值(fuzzy)：10米；

线段最小值(weed):100米；

悬结点限值(danglc):10米；

结点归并空间距离限值(nodesnap):10米；

结点与弧段最短距离(snapping):10米。

       5.细小地物的处理技术与方法

       中国地域广阔、资源丰富、类型多样、土地利用类型和土地利用结构复杂，特别是近十年土地资源的利用类型变化巨大，要得到准确的土地利用面积，必须采用相应的采样技术，获取有关信息，从而保证资源类型尤其是耕地资源面积的准确性。因此，综合考虑，并考虑到耕地内部细节一般相对不变。将细小地物抽样分三类扣除：第一类是从TM影像中抽取小于6×6个象元的面状细小地物；第二类是从TM影像中扣除重要线状地物；第三类是结合分辨率更高的航片抽取更加细小的地物。这三种抽样方法都各自形成一个细小地物抽样成数数据库用于细小地物的面积扣除。

       6.技术服务成果展示

2000年山东省建设用地矢量数据