1 引言

从地理国情监测这一任务提出至今的几年时间里，各测绘部门高度重视，紧紧跟随“构建数字中国、监测地理国情、发展壮大产业、建设测绘强国”的总体发展目标，统筹协调，精心设计，以饱满的精神态度投入到此项全新的任务中。这是测绘地理信息部门深入贯彻落实科学发展观的新举措，也是推动我国加快转变经济发展方式的新手段。

本文依据这一重要行业背景，围绕多源遥感数据与地理国情监测展开研究工作。首先，给出了地理国情监测相关概念，详细分析了地理国情监测与地理国情普查及地表覆盖分类之间的关系。其次，分别选用了光学遥感数据和微波遥感数据进行影像自动分割及地表覆盖分类研究，从多源的角度验证了不同遥感信息在地理国情普查中提取地物的能力。最后，分析了遥感数据在地理国情监测实践中的应用现状、存在的问题以及应用潜力。

2 地理国情监测及相关概念

2.1 地理国情监测

地理国情这一概念自被提出以后，很多专家和学者赋予了其丰富的内涵。它是我国国情的重要组成部分，将从地理空间的角度分析、研究和描述我国的国情信息，是包括国土疆域面积、地理区划区分、地形地貌特征、道路交通网络、江河湖海分布、土地利用与土地覆盖、城市布局和城镇化扩张、灾害分布等在内的自然和人文地理要素在宏观层面的综合表达，具有区域性、多尺度、时间序列及客观性等特征[1]。而地理国情监测侧重研究动态、变化着的地理国情信息，监测的内涵可以理解为在与推动经济发展关系密切的地表覆盖信息和相关人文信息的动态变化上，例如城镇布局变化情况、土地利用变化状况、道路交通网络变化情况、江河流域及水利设施变化等。监测对象可归纳为自然环境要素，产业经济要素和社会人文环境三大类。其中，自然环境要素指地表及其上下一定空间范围内的自然资源和生态环境特征，是地理国情监测的基础内容，包括土地要素的面积、位置、地形地貌、土地覆盖、建筑物及构筑物、水系、矿产及生态环境等[2]，土地覆盖作为自然环境要素的重要组成部分将是本文的研究核心。

目前，世界上已有众多国家在地理国情监测方面做了相关研究工作，美国地质调查局启动了地理信息分析和动态监测五年计划，旨在用量化的方法描述美国和全球地表变化状态和趋势，并将此作为常态化和业务化工作；欧盟开展了欧洲和北亚的土地利用、土地覆盖变化模拟；加拿大进行了资源清查、核算、评估及监测工作；日本提出了国土监测计划等等。这些国家做的相关工作都取得了良好的成效，这为我国更好的开展地理国情监测提供了可借鉴的经验[3]。

2.2 地理国情普查

为了能够长期和持续的进行地理国情监测，需要以现有的基础地理信息数据库为基础，以航空摄影测量和遥感技术为补充，在不同分辨率或比例尺层次上，获取和积累影像资料，对居民地、水体、植被、公路和铁路等一些重要地理要素进行补充和普查，对其主要属性进行完善更新，并通过多种空间分析方法，获得各个监测指标特定时点或时段的本底值，建立起反映我国基本地理国情的本底数据库信息系统，为将来可能发生的变化提供基础信息，从而为长期开展地理国情监测与分析活动奠定基础。2013年7月，全国第一次地理国情普查正式启动，预计2015年底结束。目前，全国地理国情普查计划分为两个阶段：第一阶段，整合并充分利用各级、各类基础地理信息资源，全面查清我国目前地理国情基本状况，主要工作包括普查底图制作、数据采集与处理、外业调查与核查等，最终建立地理国情监测本底数据库；第二阶段，主要完成普查信息的整理及统计分析，对事关经济社会发展大局的重要地理要素进行动态监测，形成多样化地理国情信息产品，为地理国情监测常态化、业务化运行奠定基础[4]。

 

2.3 地表覆盖分类

地表覆盖是地球表面各种物质类型及其自然属性的综合，它不同于土地利用，一般不侧重于土地的社会属性，其空间分布信息反映着人类社会经济活动的过程。因此，科学准确的测量地表覆盖空间分布与动态变化意义重大[5]。长期以来，没有一个权威的机构开展全国范围内的地表覆盖的数据库和信息资源建设，使得地形图或是基础地理信息数据库一直不尽完整。因此，地表覆盖分类数据的采集是地理国情普查中最基本、最重要、任务量最大且精度要求较高的一项工作，做好地表覆盖分类将为后续的动态监测奠定坚实的基础[6]。在实际地表覆盖分类中，综合考虑到地理国情普查的需求和可行性，将普查类别分为12个一级类，58个二级类，133个三级类[7]。下文进行基于高分辨率光学遥感和微波遥感数据提取地物信息，涉及到地表覆盖分类一级类别中的7类，包括林地、耕地、房屋建筑（区）、水体、草地、荒漠与裸露地表及园地。

 

2.4 多源遥感数据应用现状

   遥感是为实现全球范围内多层次、多视角、多领域的对地观测而获取丰富资源信息的一种综合性空间探测技术，广泛应用于资源综合规划与利用、城乡规划与管理、自然灾害防治、环境动态监测等科学研究和工程应用中，也成为地理国情监测中重要地表数据获取的主要手段[2]。随着卫星和传感器技术的发展，世界各国发射的新型卫星日益增多，光学遥感的空间分辨率、时间分辨率及光谱分辨率也日趋升高，地物识别能力也随即提高。合成孔径雷达（Synthetic Aperture Radar，SAR）以其全天时、全天候、强穿透的成像能力，已经成为光学遥感的有益补充，其数据获取方式也由单波段、单极化、单角度等发展到多频率、多极化、多角度以及多时相等综合获取方式，这就为SAR在国情普查地表覆盖分类中的应用提供了前所未有的机遇和挑战。

   为了保证地理国情监测遥感数据的完整性，形成比较完善的监测数据成果体系，例如基础地理国情全要素覆盖图，多时态地理国情监测数据库，以及相关的特征要素专题图和变化统计图等，多源遥感数据的综合使用至关重要[8]。本文着重讨论多源遥感数据中光学影像与SAR影像的应用情况。目前，在实际生产中，将光学影像应用于地理国情普查中的地表覆盖分类已基本实现，在满足精度要求与业务化运行的条件下，形成了以资源三号卫星数据为主体，高分辨率World View1/2、Quick Bird影像相结合的数据获取方式，可基本实现覆盖全国领土范围。然而，SAR影像还未见有应用先例，SAR是地面目标对雷达发射信号散射的回波强度和相位的记录影像，用后向散射强度值来表示地物信息，类似于光学影像中像元的亮度值，SAR和光学遥感影像所反映的地物信息差别很大，在多云雨雾覆盖地区有较大的应用优势，可作为光学空缺数据的有力补充。

3 基于光学遥感影像地表覆盖分类

3.1 面向对象分割与人工区划结合

   以上小结提到可用光学遥感数据的多种信息进行地表覆盖分类，例如，可结合光谱特征、纹理信息、地形信息及其他辅助信息，采用最大似然、BP神经网络、支持向量机（SVM）等分类器提取不同地类。但在地理国情普查实际生产中，需要在很大的面积内进行地表覆盖分类，存在以下四个问题。

   首先，由于影像质量不高，尤其是光学遥感影像受天气影响较大，经常有大范围的云覆盖，且高分影像同一地物有多种像元构成，光谱同质性差，且存在较多的阴影，即使有多种传感器影像做补充，也难能有一套高质量的多源遥感数据全覆盖普查区域；

其次，由于我国疆域范围内大多数区域实际的地表覆盖类型比较复杂，不同地类之间的界限比较模糊，受混合像元、自然地类异质性影响很大；

   再次，基于像元的分类方法受噪声影响较大，椒盐现象比较严重，虽然现有的一些分类后处理算法可以减轻噪声，但在大区域分类中依然无法保证分类精度。因此，传统基于像元的自动化影像分类方法进行地表覆盖分类在现阶段的地理国情普查中适用性不高，而面向对象的分类技术突破了传统分类方法以像元为基本分类和处理单元的局限性，而是以含有更多语义信息的多个相邻像元组成的对象为处理单元，综合考虑了影像的光谱特征、几何特征、纹理特征及结构特征，在降低噪声的同时可保持类别的完整性[9]；

   最后，采用全人工区划的方法进行地表覆盖分类费时、费力，作业效率亟需提高。

鉴于以上分析结果，在地理国情普查地表覆盖数据采集的实际生产中，采用面向对象分类中的影像自动分割技术与人工区划判读相结合的分类方法，可高质量、高效率的开展地表覆盖分类工作。

 

3.2 最优分割尺度及结果评价

   地表覆盖分类采用自动分割和人工区划判读相结合的作业模式，因此，如何选择合适的分割尺度是进行高质量、高效率地表覆盖分类的重要前提，本小结选用多尺度分割的方法重点研究分割尺度对分类结果的影响。多尺度分割采用异质性小的区域合并算法，即从任意一个像元开始，在设定的分割参数阈值范围内，自下而上将小的对象合并成大的对象，可以理解为一个局部优化的过程。要达到满意的分割效果，分割参数的选择很重要，比如分割尺度、波段权重、以及均质性因子等[10]。实际中，影像的全部波段均参与分割，分割尺度是决定分类结果好坏的最重要参数。一个最优的分割尺度，应该保证在同一分割单元内像元的匀质度最大，不同分割单元间的异质性最大，即分割后的对象多边形既不能太破碎，也不能将不同地物类型之间的边界模糊显示。因此，如何选择一个最优的分割尺度，是本文研究的关键问题之一。

目前，国内外最优分割尺度选择方法主要包括以下四类：（1）影响特征分析法，即通过大量的分割试验，目视观察获得一个比较合适的尺度；（2）单特征指示法，根据一个定量的特征模型比较评判分割对象；（3）影像特征综合评价法，仅从影像的角度考虑分割后对象的各种量化特征，不涉及与实际地类的一致性；（4）地像结合法，既考虑了影像对象的特征，又考虑了与实际地物吻合度的量化评价方法[11]。本文结合实际生产，采用影像特征分析法选择最优分割尺度，该方法是通过大量不同分割尺度实验得到多种不同的分割结果，不需要太多的理论支持，具有很好的实际应用性。研究选取了位于陕北地区的一小部分高分辨率遥感数据，重采样后的空间分辨率为0.5米，主要地表覆盖类型为耕地、园林、林地、草地、荒漠与裸露地表及房屋建筑（区）。分别选用了20，50，70，100，200五个尺度进行分割实验，得到的分割结果如图1（a）-图1（e）所示。全人工区划分类结果如图1（f）所示，该区域地表覆盖类别已经过外业核实，分类结果具有一定的可靠性。

 

 

a.尺度：20                  b.尺度：50                  c.尺度：70

 

           d.尺度：100                e.尺度：200f.人工区划分类

图1 不同分割尺度下分割结果与人工区划对比图

将五个分割尺度下的分割结果与人工区划分类结果相比较，结果证明：

（1）分割尺度越小，如图1中尺度为20和50时，同一地类的分割结果越破碎，不同图斑之间异质性较小，而且与人工区划分类结果差异较大，这就使得后期的合并工作量较大，不能完整的提取单独地类，也不利于提高工作效率。

（2）分割尺度过大，如图中尺度为为200时，分割的图斑越大，分割结果内部均质性较差，耕地与园地以及林地三者之间的界限没有明确区分开，与人工区划分类结果差异也比较大，还需要后期大量的工作继续划分。

（3）当分割尺度选为100时，既保证了分割结果内部的均质性，图斑之间的异质性也很明显，分割结果与人工区划结果最接近，因此，该尺度即为最优分割尺度。在此分割结果基础上，结合人工修正得到最终的地表覆盖分类数据具有一定的可行性，且工作效率上明显优于纯粹人工解译，也能降低人工目视识别结果的主观性及随意性，从理论角度提高了分类精度。

4 基于SAR影像地表覆盖分类

4.1 数据及预处理

    SAR影像目前在地理国情普查地表覆盖数据采集中还未见有应用先例，可用在后期地理国情监测中地面沉降分析等相关领域。相对于光学影像， SAR在多云、雨、雾地区以及短期全覆盖森林地区的数据获取具有很强的优势，因此，本小节主要研究SAR影像对地表覆盖类型的识别能力。选取了黑龙江省逊克县境内地类比较丰富的区域，主要分类类别确定为地理国情普查中林地、耕地、房屋建筑（区）及水域四种地类。研究获得了该区域2007年6月22日、2007年8月7日和2007年9月22日3个时相的L波段PALSAR双极化（HH/HV）Level1.1级产品数据（图1），方位向、距离向像元大小分别为4.49m、9.6m，对其进行多视化和重采样后像元大小为25m*25m。由于该数据所使用的L波段波长较长，时间去相干相对较轻，仍然可以得到有效的相干数据。

本文将获取的三个不同时相的多极化SAR影像之间的相干性作为重要参数，引入到地表覆盖分类中。相干系数是对相干性的定量化表示，反应了两个时相影像间的相关程度，即获地物目标在两个时间范围内的变化情况。这一信息与不同地物类型有一定的相关性，可进行地表覆盖分类甚至更细致的二级、三级类识别。相干系数可定义为[12]

(1)

其取值范围是[0,1]，若主辅影像接收到的雷达信号完全一致，则为最大值1；若接收到的信号完全不一致，则为最小值0。为了得到雷达后向散射强度及相干信息，更好的分析SAR的地物解译能力，研究中使用GAMMA软件对三个时相的双极化数据进行预处理，具体包括辐射定标、多视化、相干性估计、滤波、相位解缠、地理编码等预处理，最终得到一个时间序列的强度影像和干涉影像。

 

4.2基于多时相、多极化、相干信息识别地物类别

得到一个时间序列的强度影像和干涉影像之后，分别选取林地、耕地、房屋建筑（区）及水域四种地物的样本，定性分析了三个时相中HH和HV极化的后向散射系数值以及不同时相间的干涉相干系数值，通过比较不同特征对地物之间的可分离性，最终选取了与四个类别相关性好的特征，包括三个时相不同极化（HH-HV）间的平均相干系数，8月份HH极化后向散射强度，6月份HV极化后向散射强度，2007.6.22与2007.9.22 HH干涉相干系数，2007.8.7与2007.9.22 HH干涉相干系数，2007.6.22与2007.8.7 HV干涉相干性。将这7个特征引入SVM分类器进行土地覆盖分类，能从极化、干涉以及时相等不同的角度最有效地识别土地覆盖类型。分类结果如图2（b）所示，图2（a）为一个时相RGB彩色合成显示的SAR强度影像，其中，R为HH极化，G为HV极化，B为HH极化。

 

 

（a）（b）

图2（a）SAR强度影像；（b）基于多时相、多极化、干涉SAR土地覆盖分类结果图

由图2可以看出，林地、耕地、房屋建筑（区）及水域四种地类可以较好的区分开。得到分类结果后，需要依据外业调查的地面实况数据进行精度评价。这里通过混淆矩阵验证分类结果与地面真实样本之间的吻合程度。由于实际中获取条件的限制，通过地面调查得到所有验证点存在很大的困难，故采用均匀抽样的方法，以各个类别的部分像元代替整幅影像来评价精度。为了使检验样本更精更准，还参考了实验区的森林资源二类调查数据以及光学TM影像分类结果作为参考。评价时均匀选取了77个样本训练区，得到的分类总精度为91.37%，Kappa系数为0.87，表明SAR影像结合全新的分类算法，对地理国情监测中地物类别有很好的提取潜力。

5 总结与展望

5.1 总结

本文以地理国情监测中最重要的地表覆盖分类工作为核心展开研究，用实验验证了高分光学影像中多尺度分割技术在地表覆盖分类中的应用情况，以及综合使用SAR影像时相信息、极化信息和干涉信息分类对于地物类别的识别能力，得到以下研究结果：

（1）面向对象的影像分割技术在现阶段的地理国情监测中发挥着重要的作用，通过影像特征分析法选择最优尺度可得到满意的分割结果。采用影像分割与人工区划相结合的地表覆盖数据提取方法可在提高作业效率的同时保证较高的分类精度。（2）利用极化SAR、干涉SAR对不同类别地物结构变化特征的敏感性，引入双极化SAR中不同极化之间的相干系数，并结合所选择的时相特征、极化特征以及干涉相干特征，可以得到满意的地表覆盖分类结果，有力验证了SAR对地物的解译能力。（3）在地理国情监测中，多云、雨、雾地区，以及大面积覆盖的森林区域，很难获取质量较高的光学遥感影像，SAR以其自身的成像优势可成为光学影像的有力补充，在地表覆盖分类中具有一定的应用潜力。

5.2 展望

目前，遥感技术朝着多传感器、多平台、多角度和高空间分辨率、高光谱分辨率、高时间分辨率、高辐射分辨率方向发展。刚刚发射成功的高分二号卫星，以优于1米的空间分辨率，将我国遥感卫星带入亚米级高分时代，正在研究中的高分三号卫星，将搭载SAR传感器，以穿云透雾的能力对地面进行全天时、全天候观测成像，这些海量的多源遥感数据为长期全面地进行地理国情监测奠定了坚实的基础。用遥感技术进行地理国情的初始监测已经实现，但仍然有大量的数据没有得到合适的应用，因此，如何更好的将光学影像与雷达数据相结合，国产与国外遥感影像相结合，中低分辨率与高分辨率影像相结合，航空与航天遥感影像相结合，多时相遥感影像相结合成为地理国情监测中亟需解决并不断完善的科学问题。

 

参考文献

[1]陈俊勇.地理国情监测.http://blog.sina.com.cn/s/blog_5388765d0101ebfc.html,2013.

[2]李德仁,眭海刚,单杰.论地理国情监测的技术支撑[J].武汉大学学报（信息科学版）,2012,37(5):505-512.

[3]周天祥.监测地理国情对测绘发展的引领与拓新[J].测绘与空间地理信息,2012, 35(3):221-223.

[4]袁立明.关注首次地理国情普查[J].地球,2013,7(207):23-27.

[5]陈军,陈晋,宫鹏,廖安平,何超英.全球地表覆盖高分辨率遥感制图[J].国际摄影测量与遥感动态专题,2011.9(2):12-14.

[6]第一次全国地理国情普查领导小组办公室,地理国情普查内容与指标[S].2013.

[7]唐新明.地理国情监测的基础是地表覆盖[N].中国测绘报,2011.3.29.

[8]中国测绘宣传中心.地理国情监测研究与探索[M].北京:测绘出版社,2011.200-201.

[9]冯琦,陈尔学,李文梅,王馨爽.基于ALOS PALSAR数据的热带森林制图技术研究[J].遥感技术与应用,2012, 27 (3):436-442.

[10]张振勇,王萍,朱鲁,陈香菱.eCognition技术在高分辨率遥感影像信息提取中的应用[J].国土资源信息化,2007,33(2):15-17.

[11]罗开盛,李仁东,常变蓉,邱娟,易凤佳.面向对象的最优分割尺度选择研究进展[J].世界科技研究与发展,2013,35(1):75-79.

[12]Bamler R, Hartl P. 1998. Synthetic aperture radar interferometry. Inverse Problems, 14 (4) :1-54.

上一篇：“全球公路建设地图”描绘自然保护与区域…

下一篇：长江经济带绿色发展空间格局监测项目设计…