摘要：　土地覆盖/土地利用 (lc/lu) 调查已经成为开展土地利用动态变化预测、自然灾害防治及土地利用规划、土地管理和环境保护的一项关键的基础性工作，受到广泛注意和重视。随着遥感技术和各种地学分析模型的发展和深入，利用遥感技术获得的影像数据对区域的 lc/lu 情况及其动态变化进行定期或不定期的监测，成为一种最为迅速可靠和理想有效的手段。常规的 lc/lu 遥感分类方法主要包括基于常规数理统计分类方法、基于人工神经网络分类方法、基于知识逻辑推理的分类方法等。论文综合这些方法的特性，提出了遥感地学智能图解模型支持下的 lc/lu 分类体系，并以香港地区为试验对象，采用多平台遥感数据和辅助地理信息，进行了土地覆盖/土地利用遥感应用研究。

关键词　遥感地学智能图解模型；土地覆盖—土地利用；遥感影像分类

1 引言

　　土地覆盖/土地利用 (lc/lu) 分类是随着遥感技术发展而出现的针对土地分类的新概念。土地覆盖侧重于土地的自然属性，是被自然营造体和人工建造物所覆盖的地表诸要素的综合体的反映，遥感影像分类可对所有地表覆盖物（包括已利用和未利用）进行分类；而土地利用则侧重于土地的社会属性，是人类根据土地的自然特点，按照一定的经济、社会目的，采取一系列生物、技术手段，对土地进行长期或周期性的经营管理和治理改造活动。土地利用是一个把土地的自然生态系统变为人工生态系统的过程，是自然、经济、社会诸因素综合作用的复杂过程，土地利用的方式、程度、结构及地域分布和效益，既受自然条件影响，更受到各种社会、经济、技术条件的约束，而且社会生产方式往往起决定性的作用[1～2]。wwW.11665.Com土地利用是土地覆盖变化的最直接和主要的驱动因子。

　　lc/lu 调查已经成为开展土地利用预测、自然灾害防治及土地规划管理和环境保护等关键的基础性工作，受到广泛重视。随着遥感技术和地学分析模型的深入发展，利用遥感技术对区域的土地覆盖或土地利用情况及动态变化进行定期或不定期的监测，成为最迅速可靠和理想有效的手段之一。在开展遥感 lc/lu 的调查研究工作中，经常将两者合并考虑，建立统一的分类系统，称为遥感 lc/lu 分类体系。本文针对香港地区 lc/lu 特点，在多平台遥感数据（包括 tm、spot－hrv、irs－1c pan）和地理辅助信息（包括地形数据和目视解译土地利用图）基础上，首先提出遥感地学智能图解模型 (rsigim)，并初步建立 lc/lu 智能化分类体系，最后是香港地区土地覆盖分类的实例分析。

2 土地覆盖/土地利用遥感分类一般研究方法

　　常规 lc/lu 遥感分类方法主要包括传统分类方法、人工神经网络分类方法、基于知识分类方法等。

2.1 传统 lc/lu 遥感分类方法

　　传统的遥感影像分类方法包括区域划分分类、分层分类（包括决策树）、统计分类等。其中区域划分和分层分类主要是根据遥感影像中的地学分异规律，针对影像中属于不同大类或景观区域，通过层次划分采用不同的分类决策规则，从粗到细进行逐步分类。成功典例如腾冲航空遥感实验的景观分异的树状模式，通过对河湖沉积相的识别进行江汉平原土地利用分类等等[3]。这种分类方法需要依赖分类者对影像地学规律的达到一定的认识程度，才能够比较准确地反映真实的地学分布规律，其缺点是很难把握分类规则的标准，其中定性的成份比较多。而统计分类方法，如动态聚类、最小距离、最大似然分类器等，都是利用遥感数据的统计值特征或与训练样本数据之间的统计关系来进行地物分类，依赖于遥感影像数据的统计特性，一定程度上定量化地反映类别间的数学分布的特征。但纯粹的数理统计方法，由于没有地学知识的支持而难以真实反映一些特殊的地学分布，特别是处理复杂空间信息时难以确定其统计参数。

2.2 人工神经网络影像分类

　　与传统分类方法相比，人工神经网络 (ann) 分类方法一般可获得更高精度的分类结果，因此 ann 方法在遥感土地覆盖/土地利用分类中被广泛应用，特别是对于复杂类型的土地覆盖分类，ann 方法显示了其优越性。如 howald(1989)、mcclellad(1989)、hepner(1990)、t.yosh ida(1994)、k.s.chen(1995)、j.d.paola(1997) 等利用 ann 分类方法对 tm 图像进行土地覆盖分类，在不同程度上提高了分类精度；kanellopoulos(1992) 利用 ann 方法对 spot 影像的土地覆盖进行了多达 20 类的分类，取得比统计方法更精确的结果；g.m.foody(1996) 用 ann 对土地覆盖中的混合像元现象进行了分解；l

.bruzzone 等 (1997) 在 tm－5 遥感数据、空间结构信息数据、辅助数据（包括高程、坡度等）等空间数据基础下，用 ann 方法对复杂土地利用进行了分类，比最大似然分类方法提高了 9% 的精度[4～8]。与统计分类方法相比较，ann 方法具有更强的非线性映射能力，因此，能处理和分析复杂空间分布的遥感信息。但是目前大多数 ann 方法主要是针对遥感数据的计算行为，同样缺乏地学知识的支持，因此，也不能真实反映遥感影像中特殊类型的分布特征。

2.3 基于地学知识符号逻辑推理的影像分类

　　基于符号知识的逻辑推理遥感分类方法是在传统基于地学分异规律的分类方法基础上，通过对地学知识进行符号化表达和形式化逻辑推理的过程，来实现信息的判别，一定程度上能真实地反映地学分布规律。但是，由于遥感信息模糊、复杂的特点，很难用结构化、符号化的地学知识来表达蕴涵的土地覆盖规律及其动态发展的过程，而且遥感影像包含的信息量巨大，用串行的符号逻辑推理的处理方式进行影像分析，效率不高。近年来，在遥感 lc/lu 分类应用研究中，开始尝试用基于知识的逻辑推理分类方法和建立专家系统来进行遥感分类工作。如术洪磊 (1997) 等以规则形式表示遥感影像解译知识，使用 tm 数据和 dem、坡度、土地利用图等地理辅助数据，从遥感影像处理、地理数据、专家知识一体化角度，对基于知识方法的遥感影像分类方法进行了研究；s.w.wharton(1987) 通过建立光谱知识库来提高城市土地覆盖分类的精度；b.kartikeyan 等 (1995) 建立了遥感土地分类专家系统的框架模型，其中包括光谱知识库、推理机、知识自动获取机等，并针对光谱知识进行了实际的土地覆盖分类的实验工作[9～12]。

3 遥感地学智能图解模型及土地覆盖/土地利用遥感分类

3.1 遥感地学智能图解

　　遥感地学智能图解 (rsigim) 是研究如何用计算机系统模拟地学专家对遥感影像的综合地学解译和决策分析的过程，从低到高分别需要经过包括信息传输及基本处理分析、影像的视觉生理认知理解、逻辑心理认知理解、知识发现、决策分析等多个层次的综合过程（图 1）。r sigim的最终目的是对影像中包含的地物目标、地学现象和过程等进行描述、识别、分类和解释，对遥感影像中地物和目标的类别、大小、结构、相互关系及其他地学属性等成像机理和内在特征进行提取，对蕴涵在遥感影像中的地学知识进行挖掘和表达，并进一步融合地学模型，进行地学现象和地学过程预测和决策分析。

图 1 遥感地学智能图解 (rsigim) 结构框架
 fig.1 the framework of rsintelligent geo-interpretation model

3.2 基于 rsigim 的土地覆盖/土地利用分类体系

　　基于 rsigim 土地覆盖/土地利用分类方法体系，包括 3 个层次的结构模型（图 2）。①数据预处理模型主要通过数理计算和统计分析进行影像的基本处理和分析，根据影像上未知地物在特征空间上数理统计的差异而实现基本分类和信息识别，获得对影像的基本单元分布的初步认识；②基于神经计算的影像分类模型是进一步模拟视觉神经处理系统的形象思维，在一定的地学知识支持下，通过对已知样本数据集的学习，获得复杂的非线性映射网络结构，实现对影像的土地覆盖类型从粗到细的层次分类；③最后在一定的结构化地学知识库（包括光谱知识库、地形知识库、土地利用知识库等）的支持下，通过基于符号的逻辑推理，从事实和服从一定的地学规律角度上对分类结果进行补充确认和修正，并结合目视解译获得的土地利用图进行土地利用的更新和决策分析。

图 2 基于遥感地学智能图解的土地覆盖分类体系结构
 fig.2 systematic structure of land-cover classification based on rsgii

4 应用实例

4.1 香港地区土地覆盖/土地利用概况

　　香港土地利用规划在回归之前，经历了几个历史时期，包括针对 1949～1952 年间突然的大陆移民潮及 50 年代经济膨胀引起的土地需求而采取的应变式土地利用规划、70 年代由于人口增长在“有限度扩散”政策下进行的发展新市镇初步规划、80 年代编制的针对综合土地利用和交通发展规划的“全港发展策略”和“机场发展计划”。长期以来，港英政府主要以围绕港口建设的发展策略以及采取对内地的隔离政策和对新界属于“租借”的担心，长期以来对相对平坦而广阔的新界地区的土地利用计划只进行有限度发展，

形成全港比较畸形的土地利用布局[13]。香港地区的地形、地貌非常复杂，因此，土地覆盖类型比较复杂多样，而且由于本身是一个人口居住密集的以城市为主体的地区，随着经济发展，人为的建设等因素使得土地覆盖和土地利用在时间和空间跨度上是多变的[14]。利用遥感获得的影像数据，通过综合分析方法，进行土地资源包括土地覆盖情况、土地利用现状、土地利用变迁等调查，将为土地利用的决策规划提供实时、动态、快速的实证数据。遥感监测手段为土地利用的规划提供了动态、可靠、综合的基础数据准备，通过对遥感土地覆盖/土地利用发展、现状、趋势的分析，对土地利用的进一步规划将产生直接的推动作用。

4.2 分类过程

　　香港地区遥感 lc/lu 分类研究的数据来源包括多平台遥感数据和地理辅助数据。其中遥感数据来源包括美国陆地卫星 tm 影像数据、法国 spot－hrv 影像数据和印度遥感卫星 irs－1c 的 pa n影像数据。另外，为了增加辅助决策信息支持，本次工作还增加了一定的地理辅助信息，包括 20m 分辨率的香港高程数据及其坡度、坡向等派生数据，还有人工目视解译获得的香港岛范围内的土地利用现状地图。

　　(1) 空间数据预处理　　包括图像增强、几何配准、统计变换、辅助信息处理等基础性工作。如土地覆盖分类工作的数据源来自不同平台、不同投影坐标系，因此，分类之前需要通过几何精纠正，使各数据层的像素间严格配准。首先选取控制点，包括水库或海岸拐点、道路明显交叉点、山顶、建筑物、裸地等明显标志点作为控制点位置；用多项式拟合方法进行影像配准。在多波段遥感图像中，由于各波段的数据间存在相关的情况很多，通过主成分分析 (pca) 就可以把图像中所含有大部分信息用少数波段表示出来，意味着信息几乎不丢失，但数据量可以减少。大多土地覆盖类型的地域分异现象是受高程、坡度等地形因子制约而形成的，在 lc/lu 遥感分类中，可从高程数据中派生出坡度、坡向、粗糙度等地形因子进行辅助。

　　(2) 地学知识处理　　一般遥感土地覆盖分类中主要采用的辅助地学知识包括：①地物波谱知识；②植被指数；③地物类型随地形因子的分布规律，如地物高程分布规律、地物坡度分布规律等；④地物分布的空间关系，如红树林和水体的空间相关关系；⑤地物生长的时相分布规律，如成像季节植被的长势情况等。地物波谱知识、地物的地形分布知识、地物空间分布知识等采用结构化的“if－then”规则形式表示，通过空间不确定推理，对最后分类结果进行证实和纠正；植被指数等知识以一定的数学模型形式，通过对整体影像数据的计算处理，获得反映突出某种信息的影像数据，再作为数据源的一个数据层，参与到土地覆盖分类之中；地物生长的时相分布规律，则针对参与的多平台遥感数据源的获取时间，分别对其地物类型的分布进行决策。

　　(3) 土地覆盖粗分类　　主要数据源是 tm 影像数据和 dem 地形因子，包括 4 个波段遥感数据层（包括 tm123、tm4、tm5、tm7）和 3 个地形因子（高程 dem、坡度 slope、坡向 aspect）。主要分类过程包括：首先利用聚类方法对影像数据进行聚类分析，获得影像的复杂度；然后将影像划分为基本大类，并在影像中选取这些大类的样本数据集；最后用 rbf 神经网络方法对影像数据进行粗分类，获得主要大类的土地覆盖情况后对影像进行区域划分。

　　(4) 土地覆盖精细分类　　在用 tm 影像和 dem 的融合数据中获得的影像分异大类划分后，各大类再与 spot－hrv、irs－1c pan遥感数据和地形因子数据进行融合，分别得到各大类内部的第二层次的精细类别分布结构；然后用 artmap 等高度非线性映射的神经网络分类器对各大类进行第二层次的精细分类，获得精细分类结果；最后通过分类后的处理，以及用地学辅助知识及推理机对分类结果进行纠正。

　　首先在精细分类结果上，通过空间域滤波，删除细小图斑，并对颜色表进行规范定义，生成分类专题图；然后对分类结果进行验证，包括对所选取的若干测试样本进行结果验证，获得分类误差矩阵作为精度评价指数，并利用所组织的地学知识库处理系统通过基于符号的空间推理进行分类结果的验证和对与知识库不符合的分类结论进行纠正处理；最后通过分类专题图与原来通过目视解译获得的土地利用图对比，对土地利用图进行更新处理。通过遥感手段获得对土地覆盖/土地利用的分类的目的之一是对现有土地利用图的更新。更新建立在对土地覆盖分类结果的评价体系上，分别进行像素级和特征级的对比评价，再通过人工交互式的对话方式，对土地利用图进行一定程度上的更新。

5 结论

　　在遥感智能地学图解模型 (rsigim)

支持下，针对香港地区土地覆盖/土地利用分类进行了遥感综合研究的探讨，目的是研究如何在多源遥感信息及相关的辅助信息、专家知识支持下，建立土地覆盖/土地利用的遥感智能化分类体系。通过对香港港岛地区的土地覆盖/土地利用进行初步的土地利用分类和更新试验，我们认为 rsigim 的遥感分类体系可为实际遥感影像自动解译工作提供一种新的工作思路。

论文网在线