论文部分内容阅读
摘要：【目的】基于3期2015年获取的资源一号04星（CBERS-04）多光谱遥感数据，探讨CBERS-04多光谱数据在热带地区土地利用分类中的应用潜力。【方法】结合光谱和物候信息，分别采用最大似然法和决策树分类方法对海南西北部地区土地利用现状进行分类研究。【结果】基于单景的最大似然法可获得相对理想的分类精度，总体分类精度为85.8%～88.8%，卡帕系数为0.80～0.84；同时使用3期影像作为输入，运用最大似然法和决策树分类方法，其分类精度均有明显提升，总体分类精度达91.61%～92.61%，卡帕系数为0.88～0.89，其中最大似然法略优于决策树分类算法。【结论】联合多期CBERS-04多光谱数据能够准确提取热带地区土地利用现状信息，具有广阔的应用前景。
关键词： 土地利用；最大似然法；决策树分类；国产卫星；物候信息
中图分类号： TP751 文献标志码：A 文章编号：2095-1191（2016）10-1807-07
0 引言
【研究意义】土地利用与土地覆盖变化是全球变化研究的重要内容之一，而准确的分类结果能为土地资源管理与合理规划、生物多样性保护等提供数据支撑（领梅等，2013；刘纪远等，2014）。【前人研究进展】遥感技术具有动态、快速等优势，是区域尺度快速获取土地覆盖信息非常重要的手段（Evans and Costa， 2013；Zhang et al.，2014）。但在热带地区，光学遥感影像的获取受云及阴影的强烈影响，是热区遥感制图研究的最主要障碍之一（Zhu et al.， 2012）。虽然粗分辨率遥感影像如MODIS具有非常高的重返周期，但其较粗的分辨率（250～500 m）也很难在斑块破碎化严重且植被覆盖非常复杂的热带地区实现精确制图（Sheldon et al.，2012；Laurin et al.，2013），而高分辨率遥感影像成本又非常昂贵，大面积应用也不现实（Wang et al.， 2015）。近年来，随着卫星数量的不断增加，利用中等分辨率的多时相和多源遥感数据开展土地利用变化的优势越来越明显（Laurin et al.， 2013；陈帮乾等，2015；Reicheet al.， 2015）。多时相遥感数据包含了不同时期地表植被的光谱信息和物候信息，能弥补单一影像光谱信息不足、同物异谱及同谱异物等问题，从而提高影像分类精度（Dong et al.，2016）。自2011年以来，我国先后发射了资源3号、资源一号02C、高分1/2号、资源一号04星等多颗中高分辨率遥感卫星，极大提升了国产卫星影像的自主供给能力和国际竞争力，推进了国产卫星的发展（娜仁花等，2014；吴秀兰等，2015；黄帅等，2016）。其中，资源一号卫星04星（CBERS-04）是由中国与巴西联合研制，于2014年12月7日在山西太原卫星发射中心成功发射，搭载的多光谱相机（MUX）拥有B1（0.45～0.52 μm）、B2（0.52～ 0.59 μm）、B3（0.63～0.69 μm）、B4（0.77～0.89 μm）共4个波段，其空间分辨率比Landsat系列的多光谱高，为20 m，幅宽为120 km，重返周期为26 d。CBERS-04适度的空间分辨率和较高的重返周期使其可在国土与森林资源调查、农作物估产及灾害监测等领域发挥重要作用（刘李等，2016）。【本研究切入点】结合最新国产卫星数据开展实际应用研究，评估卫星数据质量和性能，对促进国产卫星数据的应用具有重要意义，但目前关于CBERS-04星数据的应用研究非常少。【拟解决的关键问题】利用多期CBERS-04多光谱数据和外业调查结果，以地形地貌和植被分布均具有代表性的海南西北部地区为例，建立基于多时相CBERS-04多光谱数据的海南地区土地利用分类方法，为热带地区进行有效土地资源利用提供参考。
1 材料與方法
1. 1 研究区域
以海南西北部为研究区域（图1），该地区主要由平原、丘陵、山地构成，其中山地和丘陵主要分布在研究区南部，沿海区域多为平原，境内大部分海拔在200 m以下。该地区处于东亚大陆季风气候的南缘，属热带湿润季风气候，光热充足，年平均光照时数在2000 h以上（曾迪等，2015）；年降雨量900～2200 mm，由东南向西北逐渐递减，5～10月的雨季降雨量占全年总降雨量的84%（曾迪等，2015）。该地区地表类型复杂，包含森林、水体、耕地、建筑及裸地等，其中，森林有天然林及次生林，主要分布在东南部的松涛水库地区及白沙境内，人工林有天然橡胶和桉树林；西北部区域的儋州地区是海南岛最大的橡胶生产基地，大面积桉树林分布在靠近洋浦附近的沿海地区；由儋州市向沿海挺进的中间区域拥有大量耕地，主要种植冬季瓜菜、夏季甘蔗、双季水稻等作物。另外，松涛水库是海南最大的人工水库。
1. 2 地面数据
分别于2012年9月和2013年7月调查研究区域的天然林、橡胶林及典型人工林、耕地、水体和建筑分布现状，分别获得360张和944张带GPS坐标的景观照片。利用RoboGEO将GPS景观照片转换成Keyhole（Keyhole markup language， KML）文件后导入“谷歌地球”。结合“谷歌地球”中的2015年左右高清卫星影像和GPS景观影片，在研究区域绘制尽量均匀分布的感兴区域（Region of interest，ROI）作为分类算法的训练和验证样本。地面ROI样本绘制完成后，利用NOAA的Biogeography Branch开发的抽样设计工具对不同土地类型的ROI样本以1∶1进行空间随机抽样，其中，50%用于分类算法训练，50%用于分类结果验证。地面样本的空间分布如图1所示，抽样结果按ROI个数和像元数统计如表1所示。
1. 3 影像数据及预处理
以2015年1月22日（条带号3-78）、3月15日（条带号3-78）及6月27日（条带号2-78）过境海南西北部地区的CBERS-04星20 m分辨率的多光谱遥感影像为数据源。影像为2级产品，已经过系统几何校正。经对比发现，不同时期的影像间存在一定的几何偏移。以2014年3月19日获取的无云Landsat 8 L1T级影像为基准，在ENVI遥感分析软件平台下，对三景CBERS-04星多光谱影像进行自动几何精校正，控制误差在5 m范围内。由于3期影像均能很好覆盖整个研究区域，处于相对均一的辐射水平，而辐射校正和大气校正对分类结果精度的影响有限（Song et al.， 2001），且缺乏针对CBERS-04辐射校正工具，因此，本研究未对影像进行辐射和大气校正。影像几何校正完毕后，利用ENVI/IDL软件平台计算归一化植被指数（Normalized difference vegetation index，NDVI）和比值植被指数（Simple ratio vegetation index，SR），计算公式为： 式中，ρred为CBERS-04卫星红光波段像元像素值（Digital number， DN），ρNIR为近红外波段DN。计算的NDVI和SR及4个原始波段将用于影像分类研究。
1. 4 研究方法
1. 4. 1 不同土地利用类型特征分析 红光（Red）、近红外（Near infrared， NIR）波段及NDVI等植被指数是遥感分类的重要参数。分别导出3期CBERS-04影像中森林、水体、建筑和耕地的训练样本的Red、NIR和NDVI像元值，绘制直方图（图2）。结果表明，水体在NIR波段中的可分离性最好，尤其是3月22日获取的影像；分离水体后，森林在红光波段和NDVI波段与耕地和建筑具有较高的可分离性，但耕地与建筑在红光、近红外及NDVI中的重叠度均较高，需要采用其他辅助参数才能实现准确分离。
1. 4. 2 分类方法介绍 根据图2的分类结果，本研究分别采用最大似然的监督分类方法和决策树分类方法提取海南西北部地区主要土地类型的空间分布信息。在执行最大似然分类之前，先通过ENVI的可分离性工具，计算各训练样本ROI的Jeffries-Matusita（J-M）距离（Dong et al.， 2013）。J-M距离越高，表明两个类别之间的可分离性越好；J-M距离>1.9表示两种地物的可分离性较好，J-M距离=2.0表明两种地物分布完全无关，可以完全分离。由表2可看出，除了森林—耕地、耕地—建筑可分离性略差以外，其他几个类别的可分离性都比较理想；1月22日的影像中，森林—耕地的可分离性较好；6月27日的影像中，耕地—建筑的可分离性相对最高。结合训练样本数据，分别在ENVI中采用最大似然法对3期影像进行分类。
此外，本研究将3期影像的波段、NDVI和SR植被指数通过波段叠加的方式生成一个文件后再进行最大似然法分类。图2的直方图分析结果表明，水体在3期影像中可分离性最好，森林次之，可分离性相对较差的是耕地和建筑。考虑到建筑的NDVI相对固定且数值较低，而耕地中作物处于生长季时NDVI较高，在3期影像合成的NDVI影像中可能会有比较好的可分离性。因此，对3期影像的NDVI进行最大值（NDVImax）、最小值（NDVImin）合成，并计算最大值与最小值间的差值（NDVIdiff），以训练样本绘制相应直方图（图3）观察可分离性。结果表明，森林—耕地、耕地—建筑在NDVImax波段的可分离性均较好，可用于构建决策树分类规则。按不同土地类型的总体分离容易程度和每期影像中的可分离性，构建决策树分类规则如下：水体为NIR0315<50且NDVImin<0；森林为NDVImax>0.55且Red0627<40；建筑为NDVImax<0.15；耕地为其他剩余像元。决策树分类中的门槛值分别根据训练样直方图的上界（99%）或下界（1%）值设定，并对具体数据进行圆整，波段DN数值圆整到以10或5为尾数水平，植被指数门槛值圆整到0.05水平。
1. 5 精度评估
分类结果的精度验证主要通过随机抽样的地面样本（占50%）来计算混淆矩阵（Confusion matrix）和卡帕系数（Kappa coefficient），根据混淆矩阵信息来定量评价分类精度。分类结果专题图的制作在ArcGIS软件中完成，并在局部地区进行放大叠加比较，综合评估分类精度。
2 結果与分析
2. 1 不同分类方法分类结果精度比较
由表3可知，基于单景CBERS-04多光谱数据的最大似然法分类结果总体精度为85.8%～88.8%，卡帕系数为0.80～0.84；不同时期获取的影像在其分类精度存在差异，分类精度顺序为：6月影像>1月影像>3月影像；当同时使用3景不同时相的遥感影像为数据源时，无论是最大似然法还是决策树分类算法，其结果均明显高于基于单景的监督分类结果；使用多时相遥感影像时，最大似然法的精度最高，总体分类精度为92.61%，卡帕系数为0.89，其次是决策树分类算法，总体分类精度为91.61%，卡帕系数为0.88。从表4的混淆矩阵结果可以看出，最大似然法和决策树分类算法的森林的精度最高，用户（生产者）精度均大于92.00%；基于最大似然法的水体精度（>89.00%）低于决策树分类算法的精度（>97.00%），建筑的用户（生产者）精度大于85.00%，耕地的精度最低；最大似然法的结果要优于决策树分类算法，前者用户（生产者）精度均高于80.00%，而后者的生产者精度最低，只有71.98%。
2. 2 海南西北部土地利用现状
图4为决策树分类结果空间分布图，其中，底部b～e为部分地区森林、水体、建筑和耕地分类结果与谷歌高清卫星影像叠加对比图，分类结果与地面真实情况呈现较高的吻合度。由图4可看出，森林主要分布在内陆地区，尤其是松涛水库（图中的最大水域）附近区域；海岸带尤其是西部地区，人口密度也相对较大，人为活动干扰影响强烈，森林覆盖率很低，主要土地类型为耕地；而沿海区域降雨量相对较低，太阳辐射比较强烈，存在不少裸地，裸地反光谱特征与城市建筑比较相似，在一定程度上被误分为建筑；内陆地区呈现出典型的森林与耕地斑块，其主要原因是海南儋州及附近区域是海南橡胶种植核心区域，雨量充沛，存在轻台风灾害，拥有大量的农林复合系统；在儋州西北部的洋浦和白马井地区拥有较密集的建筑，其主要原因是洋浦地区是海南主要的工业区，工业建筑群相对密集，另外，北部湾码头和白马井海花岛的建设，也导致了建筑的明显增加。
3 讨论
利用多时相的CBERS-04多光谱数据明显能提高分类的精度。本研究也发现基于最大似然法的分类精度略高于决策树分类算法，且实现过程也非常简单。最大似然法精度略高的原因是在红Red、NIR及NDVI的基础上，还使用了蓝光、绿光和SR植被指数作为输入参数。事实上，增加这3个参数相对提高的精度只有1%。当影像数量不多时，最大似然法是个不错的选择，但当影像数据过多，比如超过5景以上，影像波段叠加后数据量会显著增加。 决策树分类方法具有较强的理论基础，更注重科学性和合理性。虽然本研究过程中实现过程比最大似然法复杂，但是当影像数据更多时会更明显，尤其是使用基于长时间序列影像的合成数据来分类。比如Chen等（2016）发现基于Landsat TM/ETM+的年度最大值合成NDVI中，森林与建筑的可分离性非常高。本研究也发现基于决策树分类的水体用户（生产者）精度均在93.00%以上，優于使用更多输入变量的最大似然法分类结果。
在4种土地利用类型中，无论是最大似然法，还是决策树分类法，其分类结果中耕地的精度最低。分析其原因是热带地区耕地构成非常复杂，破碎化严重，作物物候也存在多样化（Laurin et al.， 2013）。虽然通过合成NDVI可实现大部分耕地的分离，但还是与森林及建筑存在不同程度的重叠，使得精确分离比较困难。
近年来，国产卫星的发展非常迅速，现役卫星数量显著增加，数据获取能力明显增强。但与国外如Landsat系列相比，在影像数据质量和后期处理方面还有一定差距。如在本研究发现CBERS-04数据的几何精度还不够理想，每一景影像均需要进行几何校正；另外在辐射和大气校正、影像批量除云等方面的算法和程序的开发也相对滞后，目前尚无成熟的方法和工具，因而限制了多源和多时相遥感影像的使用。
4 结论
联合多期CBERS-04多光谱数据能够准确提取热带地区土地利用现状信息，具有广阔的应用前景。
参考文献：
陈帮乾，李香萍，肖向明，孙瑞，吴志祥，祁栋灵，杨川，陶忠良. 2015. 基于PALSAR雷达数据与多时相TM/ETM+影像的海南岛土地利用分类研究[J]. 热带作物学报， 36（12）： 2230-2237.
Chen B Q，Li X P，Xiao X M，Shun R，Wu Z X，Qi D L，Yang C，Tao Z L. 2015. Land utilization mapping in Hainan Island by using ALOS PALSAR and multi-temporal landsat TM/ETM+ imagery[J]. Chinese Journal of Tropical Crops， 36（12）： 2230-2237.
黄帅，丁建丽，李艳华. 2016. 面向对象的国产GF-1遥感影像水体信息提取研究[J]. 人民长江，47（5）： 23-28.
Huang S，Ding J L，Li Y H. 2016. Study of water information extraction based on domestic GF-1 remote sensing image by using object-oriented method[J]. Yangtze River， 47（5）： 23-28.
领梅，安慧君，贺晓辉，陶树光，白彦. 2013. 基于决策树的凉城县土地利用分类研究[J]. 内蒙古农业大学学报（自然科学版）， 34（6）： 43-48.
Ling M，An H J，He X H，Tao S G，Bai Y. 2013. Research of land use classification based on decision tree in Liangcheng[J]. Journal of Inner Mongolia Agricultral University， 34（6）： 43-48.
刘纪远，匡文慧，张增祥，徐新良，秦元伟，宁佳，周万村，张树文，李仁东，颜长珍，吴世新，史学正，江南，于东升，潘贤章，迟文峰. 2014. 20世纪80年代末以来中国土地利用变化的基本特征与空间格局[J]. 地理学报， 69（1）： 3-14.
Liu J Y，Kuang W H，Zhang Z X，Xu X L，Qin Y W，Ning J，Zhou W C，Zhang S W，Li R D， Yan C Z， Wu S X， Shi X Z， Jiang N， Yu D S， Pan X Z， Chi W F. 2014. Spatiotemporal characteristics， patterns and causes of land use changes in China since the late 1980s[J].Acta Geographica Sinica， 69（1）： 3-14.
刘李，傅俏燕，潘志强，徐建艳，李晓进，韩启金，张学文，刘涛. 2016. CBERS-04卫星宽视场成像仪在轨场地辐射定标[J]. 航天返回与遥感， 37（1）： 89-96.
Liu L，Fu Q Y，Pan Z Q，Xu J Y，Li X J，Han Q J，Zhang X W，Liu T. 2016. Site calibration of CBERS-04 WFI using reflectance-based method[J]. Spacecraft Recovery & Remote Sensing，37（1）： 89-96.
娜仁花，郑江华，郭宝林，石明辉，森巴提，孙成忠，孙志群，李晓瑾，贾晓光. 2014. 资源三号卫星在野生罗布麻宏观监测中的应用评价[J]. 新疆农业科学，51（3）： 497-503.
Na R H，Zheng J H，Guo B L，Shi M H，Senbati，Sun C Z，Sun Z Q，Li X J，Jia X G. 2014. The application and evaluation of China ZY3 satellite on wild apocynum monitoring[J]. Xinjiang Agricultural Sciences， 51（3）： 497-503 吴秀兰，郑江华，阿不都瓦里·伊玛木，穆晨，倪亦非，吴建国，肖宏伟. 2015. 基于ZY1-02C卫星P/MS数据的草原伪步甲灾害遥感监测[J]. 新疆农业科学，52（3）： 551-559.
Wu X L，Zheng J H，Yimamu A， Mu C， Ni Y F， Wu J G， Xiao H W. 2015. Remote sensing monitoring of prosodes dilaticollis motsch hazards for grassland Based on domestic ZY1-02C satellite’s P/MS dData[J]. Xinjiang Agricultural Sciences， 52（3）： 551-559.
曾迪，漆智平，黃海杰，魏志远，王登峰，高乐，刘磊. 2015. 海南儋州耕地土壤有机质空间变异[J]. 热带作物学报， 36（1）： 199-204.
Zeng D，Qi Z P，Huang H J，Wei Z Y，Wang D F，Gao L，Liu L. 2015. Spatial variablility of soil organic matter content in Danzhou city， Hainan province[J]. Chinese Journal of Tropical Crops， 36（1）： 199-204.
Dong J，Xiao X，Menarguez M A，Zhang G，Qin Y，Thau D，Biradar C M，Moore Iii B. 2016. Mapping paddy rice planting area in northeastern Asia with Landsat 8 images， phenology-based algorithm and Google Earth Engine[J]. Remote Sensing of Environment， 185： 142-154.
Chen B，Li X，Xiao X，Zhao B，Dong J，Kou W，Qin Y，Yang C，Wu Z，Sun R，Lan G，Xie G. 2016. Mapping tropical forests and deciduous rubber plantations in Hainan Island， China by integrating PALSAR 25-m and multi-temporal Landsat images[J]. International Journal of Applied Earth Observations and Geoinformation， 50： 117-130.
Dong J，Xiao X，Chen B，Torbick N，Jin C，Zhang G，Biradar C. 2013. Mapping deciduous rubber plantations through integration of PALSAR and multi-temporal Landsat imagery[J]. Remote Sensing of Environment， 134（7）： 392-402.
Evans T L， Costa M. 2013. Landcover classification of the Lower Nhecol ndiasubregion of the Brazilian Pantanal Wetlands using ALOS/PALSAR， RADARSAT-2 and ENVISAT/ASAR imagery[J]. Remote Sensing of Environment， 128： 118-137.
Laurin G V，Liesenberg V，Chen Q，Guerriero L，Del Frate F，Bartolini A，Coomes D，Wilebore B，Lindsell J，Valentini R. 2013. Optical and SAR sensor synergies for forest and land cover mapping in a tropical site in West Africa[J]. International Journal of Applied Earth Observation and Geoinformation， 21（4）： 7-16.
Reiche J，Verbesselt J，Hoekman D，Herold M. 2015. Fusing Landsat and SAR time series to detect deforestation in the tropics[J]. Remote Sensing of Environment， 156： 276-293.
Sheldon S，Xiao X，Biradar C. 2012. Mapping evergreen forests in the Brazilian Amazon using MODIS and PALSAR 500-m mosaic imagery[J]. Isprs Journal of Photogrammetry and Remote Sensing， 74（11）： 34-40.
Song C，Woodcock C E，Seto K C，Lenney M P，Macomber S A. 2001. Classification and change detection using landsat TM data： when and how to correct atmospheric effects？[J]. Remote Sensing of Environment， 75（2）： 230-244.
Wang T，Zhang H，Lin H，Fang C. 2015. Textural-spectral feature-based species classification of Mangroves in Mai Po Nature Reserve from worldview-3 imagery[J]. Remote Sensing， 8（1）： 24.
Zhang Z，Wang X，Zhao X，Liu B，Yi L，Zuo L，Wen Q，Liu F，Xu J，Hu S. 2014. A 2010 update of National Land Use/Cover Database of China at 1：100000 scale using medium spatial resolution satellite images[J]. Remote Sensing of Environment， 149： 142-154.
Zhu Z，Woodcock C E，Rogan J，Kellndorfer J. 2012. Assessment of spectral， polarimetric， temporal， and spatial dimensions for urban and peri-urban land cover classification using Landsat and SAR data[J]. Remote Sensing of Environment， 117（1）： 72-82.
（责任编辑 邓慧灵）
关键词： 土地利用；最大似然法；决策树分类；国产卫星；物候信息
中图分类号： TP751 文献标志码：A 文章编号：2095-1191（2016）10-1807-07
0 引言
【研究意义】土地利用与土地覆盖变化是全球变化研究的重要内容之一，而准确的分类结果能为土地资源管理与合理规划、生物多样性保护等提供数据支撑（领梅等，2013；刘纪远等，2014）。【前人研究进展】遥感技术具有动态、快速等优势，是区域尺度快速获取土地覆盖信息非常重要的手段（Evans and Costa， 2013；Zhang et al.，2014）。但在热带地区，光学遥感影像的获取受云及阴影的强烈影响，是热区遥感制图研究的最主要障碍之一（Zhu et al.， 2012）。虽然粗分辨率遥感影像如MODIS具有非常高的重返周期，但其较粗的分辨率（250～500 m）也很难在斑块破碎化严重且植被覆盖非常复杂的热带地区实现精确制图（Sheldon et al.，2012；Laurin et al.，2013），而高分辨率遥感影像成本又非常昂贵，大面积应用也不现实（Wang et al.， 2015）。近年来，随着卫星数量的不断增加，利用中等分辨率的多时相和多源遥感数据开展土地利用变化的优势越来越明显（Laurin et al.， 2013；陈帮乾等，2015；Reicheet al.， 2015）。多时相遥感数据包含了不同时期地表植被的光谱信息和物候信息，能弥补单一影像光谱信息不足、同物异谱及同谱异物等问题，从而提高影像分类精度（Dong et al.，2016）。自2011年以来，我国先后发射了资源3号、资源一号02C、高分1/2号、资源一号04星等多颗中高分辨率遥感卫星，极大提升了国产卫星影像的自主供给能力和国际竞争力，推进了国产卫星的发展（娜仁花等，2014；吴秀兰等，2015；黄帅等，2016）。其中，资源一号卫星04星（CBERS-04）是由中国与巴西联合研制，于2014年12月7日在山西太原卫星发射中心成功发射，搭载的多光谱相机（MUX）拥有B1（0.45～0.52 μm）、B2（0.52～ 0.59 μm）、B3（0.63～0.69 μm）、B4（0.77～0.89 μm）共4个波段，其空间分辨率比Landsat系列的多光谱高，为20 m，幅宽为120 km，重返周期为26 d。CBERS-04适度的空间分辨率和较高的重返周期使其可在国土与森林资源调查、农作物估产及灾害监测等领域发挥重要作用（刘李等，2016）。【本研究切入点】结合最新国产卫星数据开展实际应用研究，评估卫星数据质量和性能，对促进国产卫星数据的应用具有重要意义，但目前关于CBERS-04星数据的应用研究非常少。【拟解决的关键问题】利用多期CBERS-04多光谱数据和外业调查结果，以地形地貌和植被分布均具有代表性的海南西北部地区为例，建立基于多时相CBERS-04多光谱数据的海南地区土地利用分类方法，为热带地区进行有效土地资源利用提供参考。
1 材料與方法
1. 1 研究区域
以海南西北部为研究区域（图1），该地区主要由平原、丘陵、山地构成，其中山地和丘陵主要分布在研究区南部，沿海区域多为平原，境内大部分海拔在200 m以下。该地区处于东亚大陆季风气候的南缘，属热带湿润季风气候，光热充足，年平均光照时数在2000 h以上（曾迪等，2015）；年降雨量900～2200 mm，由东南向西北逐渐递减，5～10月的雨季降雨量占全年总降雨量的84%（曾迪等，2015）。该地区地表类型复杂，包含森林、水体、耕地、建筑及裸地等，其中，森林有天然林及次生林，主要分布在东南部的松涛水库地区及白沙境内，人工林有天然橡胶和桉树林；西北部区域的儋州地区是海南岛最大的橡胶生产基地，大面积桉树林分布在靠近洋浦附近的沿海地区；由儋州市向沿海挺进的中间区域拥有大量耕地，主要种植冬季瓜菜、夏季甘蔗、双季水稻等作物。另外，松涛水库是海南最大的人工水库。
1. 2 地面数据
分别于2012年9月和2013年7月调查研究区域的天然林、橡胶林及典型人工林、耕地、水体和建筑分布现状，分别获得360张和944张带GPS坐标的景观照片。利用RoboGEO将GPS景观照片转换成Keyhole（Keyhole markup language， KML）文件后导入“谷歌地球”。结合“谷歌地球”中的2015年左右高清卫星影像和GPS景观影片，在研究区域绘制尽量均匀分布的感兴区域（Region of interest，ROI）作为分类算法的训练和验证样本。地面ROI样本绘制完成后，利用NOAA的Biogeography Branch开发的抽样设计工具对不同土地类型的ROI样本以1∶1进行空间随机抽样，其中，50%用于分类算法训练，50%用于分类结果验证。地面样本的空间分布如图1所示，抽样结果按ROI个数和像元数统计如表1所示。
1. 3 影像数据及预处理
以2015年1月22日（条带号3-78）、3月15日（条带号3-78）及6月27日（条带号2-78）过境海南西北部地区的CBERS-04星20 m分辨率的多光谱遥感影像为数据源。影像为2级产品，已经过系统几何校正。经对比发现，不同时期的影像间存在一定的几何偏移。以2014年3月19日获取的无云Landsat 8 L1T级影像为基准，在ENVI遥感分析软件平台下，对三景CBERS-04星多光谱影像进行自动几何精校正，控制误差在5 m范围内。由于3期影像均能很好覆盖整个研究区域，处于相对均一的辐射水平，而辐射校正和大气校正对分类结果精度的影响有限（Song et al.， 2001），且缺乏针对CBERS-04辐射校正工具，因此，本研究未对影像进行辐射和大气校正。影像几何校正完毕后，利用ENVI/IDL软件平台计算归一化植被指数（Normalized difference vegetation index，NDVI）和比值植被指数（Simple ratio vegetation index，SR），计算公式为： 式中，ρred为CBERS-04卫星红光波段像元像素值（Digital number， DN），ρNIR为近红外波段DN。计算的NDVI和SR及4个原始波段将用于影像分类研究。
1. 4 研究方法
1. 4. 1 不同土地利用类型特征分析 红光（Red）、近红外（Near infrared， NIR）波段及NDVI等植被指数是遥感分类的重要参数。分别导出3期CBERS-04影像中森林、水体、建筑和耕地的训练样本的Red、NIR和NDVI像元值，绘制直方图（图2）。结果表明，水体在NIR波段中的可分离性最好，尤其是3月22日获取的影像；分离水体后，森林在红光波段和NDVI波段与耕地和建筑具有较高的可分离性，但耕地与建筑在红光、近红外及NDVI中的重叠度均较高，需要采用其他辅助参数才能实现准确分离。
1. 4. 2 分类方法介绍 根据图2的分类结果，本研究分别采用最大似然的监督分类方法和决策树分类方法提取海南西北部地区主要土地类型的空间分布信息。在执行最大似然分类之前，先通过ENVI的可分离性工具，计算各训练样本ROI的Jeffries-Matusita（J-M）距离（Dong et al.， 2013）。J-M距离越高，表明两个类别之间的可分离性越好；J-M距离>1.9表示两种地物的可分离性较好，J-M距离=2.0表明两种地物分布完全无关，可以完全分离。由表2可看出，除了森林—耕地、耕地—建筑可分离性略差以外，其他几个类别的可分离性都比较理想；1月22日的影像中，森林—耕地的可分离性较好；6月27日的影像中，耕地—建筑的可分离性相对最高。结合训练样本数据，分别在ENVI中采用最大似然法对3期影像进行分类。
此外，本研究将3期影像的波段、NDVI和SR植被指数通过波段叠加的方式生成一个文件后再进行最大似然法分类。图2的直方图分析结果表明，水体在3期影像中可分离性最好，森林次之，可分离性相对较差的是耕地和建筑。考虑到建筑的NDVI相对固定且数值较低，而耕地中作物处于生长季时NDVI较高，在3期影像合成的NDVI影像中可能会有比较好的可分离性。因此，对3期影像的NDVI进行最大值（NDVImax）、最小值（NDVImin）合成，并计算最大值与最小值间的差值（NDVIdiff），以训练样本绘制相应直方图（图3）观察可分离性。结果表明，森林—耕地、耕地—建筑在NDVImax波段的可分离性均较好，可用于构建决策树分类规则。按不同土地类型的总体分离容易程度和每期影像中的可分离性，构建决策树分类规则如下：水体为NIR0315<50且NDVImin<0；森林为NDVImax>0.55且Red0627<40；建筑为NDVImax<0.15；耕地为其他剩余像元。决策树分类中的门槛值分别根据训练样直方图的上界（99%）或下界（1%）值设定，并对具体数据进行圆整，波段DN数值圆整到以10或5为尾数水平，植被指数门槛值圆整到0.05水平。
1. 5 精度评估
分类结果的精度验证主要通过随机抽样的地面样本（占50%）来计算混淆矩阵（Confusion matrix）和卡帕系数（Kappa coefficient），根据混淆矩阵信息来定量评价分类精度。分类结果专题图的制作在ArcGIS软件中完成，并在局部地区进行放大叠加比较，综合评估分类精度。
2 結果与分析
2. 1 不同分类方法分类结果精度比较
由表3可知，基于单景CBERS-04多光谱数据的最大似然法分类结果总体精度为85.8%～88.8%，卡帕系数为0.80～0.84；不同时期获取的影像在其分类精度存在差异，分类精度顺序为：6月影像>1月影像>3月影像；当同时使用3景不同时相的遥感影像为数据源时，无论是最大似然法还是决策树分类算法，其结果均明显高于基于单景的监督分类结果；使用多时相遥感影像时，最大似然法的精度最高，总体分类精度为92.61%，卡帕系数为0.89，其次是决策树分类算法，总体分类精度为91.61%，卡帕系数为0.88。从表4的混淆矩阵结果可以看出，最大似然法和决策树分类算法的森林的精度最高，用户（生产者）精度均大于92.00%；基于最大似然法的水体精度（>89.00%）低于决策树分类算法的精度（>97.00%），建筑的用户（生产者）精度大于85.00%，耕地的精度最低；最大似然法的结果要优于决策树分类算法，前者用户（生产者）精度均高于80.00%，而后者的生产者精度最低，只有71.98%。
2. 2 海南西北部土地利用现状
图4为决策树分类结果空间分布图，其中，底部b～e为部分地区森林、水体、建筑和耕地分类结果与谷歌高清卫星影像叠加对比图，分类结果与地面真实情况呈现较高的吻合度。由图4可看出，森林主要分布在内陆地区，尤其是松涛水库（图中的最大水域）附近区域；海岸带尤其是西部地区，人口密度也相对较大，人为活动干扰影响强烈，森林覆盖率很低，主要土地类型为耕地；而沿海区域降雨量相对较低，太阳辐射比较强烈，存在不少裸地，裸地反光谱特征与城市建筑比较相似，在一定程度上被误分为建筑；内陆地区呈现出典型的森林与耕地斑块，其主要原因是海南儋州及附近区域是海南橡胶种植核心区域，雨量充沛，存在轻台风灾害，拥有大量的农林复合系统；在儋州西北部的洋浦和白马井地区拥有较密集的建筑，其主要原因是洋浦地区是海南主要的工业区，工业建筑群相对密集，另外，北部湾码头和白马井海花岛的建设，也导致了建筑的明显增加。
3 讨论
利用多时相的CBERS-04多光谱数据明显能提高分类的精度。本研究也发现基于最大似然法的分类精度略高于决策树分类算法，且实现过程也非常简单。最大似然法精度略高的原因是在红Red、NIR及NDVI的基础上，还使用了蓝光、绿光和SR植被指数作为输入参数。事实上，增加这3个参数相对提高的精度只有1%。当影像数量不多时，最大似然法是个不错的选择，但当影像数据过多，比如超过5景以上，影像波段叠加后数据量会显著增加。 决策树分类方法具有较强的理论基础，更注重科学性和合理性。虽然本研究过程中实现过程比最大似然法复杂，但是当影像数据更多时会更明显，尤其是使用基于长时间序列影像的合成数据来分类。比如Chen等（2016）发现基于Landsat TM/ETM+的年度最大值合成NDVI中，森林与建筑的可分离性非常高。本研究也发现基于决策树分类的水体用户（生产者）精度均在93.00%以上，優于使用更多输入变量的最大似然法分类结果。
在4种土地利用类型中，无论是最大似然法，还是决策树分类法，其分类结果中耕地的精度最低。分析其原因是热带地区耕地构成非常复杂，破碎化严重，作物物候也存在多样化（Laurin et al.， 2013）。虽然通过合成NDVI可实现大部分耕地的分离，但还是与森林及建筑存在不同程度的重叠，使得精确分离比较困难。
近年来，国产卫星的发展非常迅速，现役卫星数量显著增加，数据获取能力明显增强。但与国外如Landsat系列相比，在影像数据质量和后期处理方面还有一定差距。如在本研究发现CBERS-04数据的几何精度还不够理想，每一景影像均需要进行几何校正；另外在辐射和大气校正、影像批量除云等方面的算法和程序的开发也相对滞后，目前尚无成熟的方法和工具，因而限制了多源和多时相遥感影像的使用。
4 结论
联合多期CBERS-04多光谱数据能够准确提取热带地区土地利用现状信息，具有广阔的应用前景。
参考文献：
陈帮乾，李香萍，肖向明，孙瑞，吴志祥，祁栋灵，杨川，陶忠良. 2015. 基于PALSAR雷达数据与多时相TM/ETM+影像的海南岛土地利用分类研究[J]. 热带作物学报， 36（12）： 2230-2237.
Chen B Q，Li X P，Xiao X M，Shun R，Wu Z X，Qi D L，Yang C，Tao Z L. 2015. Land utilization mapping in Hainan Island by using ALOS PALSAR and multi-temporal landsat TM/ETM+ imagery[J]. Chinese Journal of Tropical Crops， 36（12）： 2230-2237.
黄帅，丁建丽，李艳华. 2016. 面向对象的国产GF-1遥感影像水体信息提取研究[J]. 人民长江，47（5）： 23-28.
Huang S，Ding J L，Li Y H. 2016. Study of water information extraction based on domestic GF-1 remote sensing image by using object-oriented method[J]. Yangtze River， 47（5）： 23-28.
领梅，安慧君，贺晓辉，陶树光，白彦. 2013. 基于决策树的凉城县土地利用分类研究[J]. 内蒙古农业大学学报（自然科学版）， 34（6）： 43-48.
Ling M，An H J，He X H，Tao S G，Bai Y. 2013. Research of land use classification based on decision tree in Liangcheng[J]. Journal of Inner Mongolia Agricultral University， 34（6）： 43-48.
刘纪远，匡文慧，张增祥，徐新良，秦元伟，宁佳，周万村，张树文，李仁东，颜长珍，吴世新，史学正，江南，于东升，潘贤章，迟文峰. 2014. 20世纪80年代末以来中国土地利用变化的基本特征与空间格局[J]. 地理学报， 69（1）： 3-14.
Liu J Y，Kuang W H，Zhang Z X，Xu X L，Qin Y W，Ning J，Zhou W C，Zhang S W，Li R D， Yan C Z， Wu S X， Shi X Z， Jiang N， Yu D S， Pan X Z， Chi W F. 2014. Spatiotemporal characteristics， patterns and causes of land use changes in China since the late 1980s[J].Acta Geographica Sinica， 69（1）： 3-14.
刘李，傅俏燕，潘志强，徐建艳，李晓进，韩启金，张学文，刘涛. 2016. CBERS-04卫星宽视场成像仪在轨场地辐射定标[J]. 航天返回与遥感， 37（1）： 89-96.
Liu L，Fu Q Y，Pan Z Q，Xu J Y，Li X J，Han Q J，Zhang X W，Liu T. 2016. Site calibration of CBERS-04 WFI using reflectance-based method[J]. Spacecraft Recovery & Remote Sensing，37（1）： 89-96.
娜仁花，郑江华，郭宝林，石明辉，森巴提，孙成忠，孙志群，李晓瑾，贾晓光. 2014. 资源三号卫星在野生罗布麻宏观监测中的应用评价[J]. 新疆农业科学，51（3）： 497-503.
Na R H，Zheng J H，Guo B L，Shi M H，Senbati，Sun C Z，Sun Z Q，Li X J，Jia X G. 2014. The application and evaluation of China ZY3 satellite on wild apocynum monitoring[J]. Xinjiang Agricultural Sciences， 51（3）： 497-503 吴秀兰，郑江华，阿不都瓦里·伊玛木，穆晨，倪亦非，吴建国，肖宏伟. 2015. 基于ZY1-02C卫星P/MS数据的草原伪步甲灾害遥感监测[J]. 新疆农业科学，52（3）： 551-559.
Wu X L，Zheng J H，Yimamu A， Mu C， Ni Y F， Wu J G， Xiao H W. 2015. Remote sensing monitoring of prosodes dilaticollis motsch hazards for grassland Based on domestic ZY1-02C satellite’s P/MS dData[J]. Xinjiang Agricultural Sciences， 52（3）： 551-559.
曾迪，漆智平，黃海杰，魏志远，王登峰，高乐，刘磊. 2015. 海南儋州耕地土壤有机质空间变异[J]. 热带作物学报， 36（1）： 199-204.
Zeng D，Qi Z P，Huang H J，Wei Z Y，Wang D F，Gao L，Liu L. 2015. Spatial variablility of soil organic matter content in Danzhou city， Hainan province[J]. Chinese Journal of Tropical Crops， 36（1）： 199-204.
Dong J，Xiao X，Menarguez M A，Zhang G，Qin Y，Thau D，Biradar C M，Moore Iii B. 2016. Mapping paddy rice planting area in northeastern Asia with Landsat 8 images， phenology-based algorithm and Google Earth Engine[J]. Remote Sensing of Environment， 185： 142-154.
Chen B，Li X，Xiao X，Zhao B，Dong J，Kou W，Qin Y，Yang C，Wu Z，Sun R，Lan G，Xie G. 2016. Mapping tropical forests and deciduous rubber plantations in Hainan Island， China by integrating PALSAR 25-m and multi-temporal Landsat images[J]. International Journal of Applied Earth Observations and Geoinformation， 50： 117-130.
Dong J，Xiao X，Chen B，Torbick N，Jin C，Zhang G，Biradar C. 2013. Mapping deciduous rubber plantations through integration of PALSAR and multi-temporal Landsat imagery[J]. Remote Sensing of Environment， 134（7）： 392-402.
Evans T L， Costa M. 2013. Landcover classification of the Lower Nhecol ndiasubregion of the Brazilian Pantanal Wetlands using ALOS/PALSAR， RADARSAT-2 and ENVISAT/ASAR imagery[J]. Remote Sensing of Environment， 128： 118-137.
Laurin G V，Liesenberg V，Chen Q，Guerriero L，Del Frate F，Bartolini A，Coomes D，Wilebore B，Lindsell J，Valentini R. 2013. Optical and SAR sensor synergies for forest and land cover mapping in a tropical site in West Africa[J]. International Journal of Applied Earth Observation and Geoinformation， 21（4）： 7-16.
Reiche J，Verbesselt J，Hoekman D，Herold M. 2015. Fusing Landsat and SAR time series to detect deforestation in the tropics[J]. Remote Sensing of Environment， 156： 276-293.
Sheldon S，Xiao X，Biradar C. 2012. Mapping evergreen forests in the Brazilian Amazon using MODIS and PALSAR 500-m mosaic imagery[J]. Isprs Journal of Photogrammetry and Remote Sensing， 74（11）： 34-40.
Song C，Woodcock C E，Seto K C，Lenney M P，Macomber S A. 2001. Classification and change detection using landsat TM data： when and how to correct atmospheric effects？[J]. Remote Sensing of Environment， 75（2）： 230-244.
Wang T，Zhang H，Lin H，Fang C. 2015. Textural-spectral feature-based species classification of Mangroves in Mai Po Nature Reserve from worldview-3 imagery[J]. Remote Sensing， 8（1）： 24.
Zhang Z，Wang X，Zhao X，Liu B，Yi L，Zuo L，Wen Q，Liu F，Xu J，Hu S. 2014. A 2010 update of National Land Use/Cover Database of China at 1：100000 scale using medium spatial resolution satellite images[J]. Remote Sensing of Environment， 149： 142-154.
Zhu Z，Woodcock C E，Rogan J，Kellndorfer J. 2012. Assessment of spectral， polarimetric， temporal， and spatial dimensions for urban and peri-urban land cover classification using Landsat and SAR data[J]. Remote Sensing of Environment， 117（1）： 72-82.
（责任编辑 邓慧灵）