地表覆盖神经网络分类理论与方法

1绪论

随着卫星遥感影像分辨率的不断提高，自然资源管理部门、水利部门、农业部门等各行业部门能够从遥感影像中获得更加翔实的地表覆盖信息。伴随着我国“数字孪生”“智慧城市”和“数字乡村”等重大信息化、智能化基础设施建设的不断推进，在自然资源调查、自然灾害预测、动态交通监管、智慧服务等应用领域越来越多的需要实时获取动态地表覆盖信息。地表覆盖分类是对自然资源要素的空间分布、数量、质量等数据的抽象与提取，地表覆盖分类数据是自然资源空间规划、用途管制、生态修复、确权登记等多领域专项应用中的重要基础支撑数据，对于掌握各类自然资源的边界、家底、现状、交互关系和演化趋势具有重要作用。地表覆盖分类数据通常从遥感影像中提取，由于不同遥感影像的应用场景对地表覆盖分类的周期、尺度、精准等指标要求不同，如何采用新技术、新理论实现地表覆盖分类就显得尤为重要。经过多年来众多学者的不断努力，形成了许多经典的地表覆盖分类方法和算法，特别是神经网络理论和技术的发展，为大数据时代的地表覆盖自动分类提供了新的理论方法。利用神经网络对地表覆盖进行层次化分析是一种有别于传统人工设计的地物特征提取方法，从影像的内在构建机制出发对影像进行处理，对地物的特征进行更深入、更全面的挖掘与解译。除此之外，神经网络在一定程度上也解决了地表覆盖分类在计算机工作过程中需要人为提供预定义的规则或指导的问题，能够有效减少人工参与，更好地为“一张网”“一张图”“一个平台”的自然资源信息化建设提供自动化、智能化的信息获取手段。

1.1地表覆盖分类概述

地表覆盖是指自然营造物和人工建筑物所覆盖的地表诸多要素的综合体，包括地表植被、土壤、冰川、河流、湖泊、沼泽湿地及各种建筑物，反映的是地表构成的综合性信息，主要侧重描述地球表面的自然属性，具有特定的时间和空间特性。地表覆盖分类就是对地表覆盖物按其所具有的各种生物或物理特征进行分类。

国外20世纪六七十年代就开展了土地利用、地表覆盖分类研究，出现了各种土地分类系统。国外多以土地利用现状作为分类依据，具体到各国又有差异。美国地质调查局（USGS）对土地利用和土地覆盖的关注和研究起步很早，在1992年9月就出台了 Standards for digital line graphs for land use and land cover（《土地利用与土地覆盖数字线划图标准》），将土地利用与土地覆盖分类划分为已利用土地、耕地、草地、林地、水域、湿地、裸地、苔原冻土地、冰雪覆盖地和其他用地，美国主要是以土地功能作为分类的主要依据；德国、英国以土地覆盖是否开发用于建设用地作为分类依据；俄罗斯、乌克兰和日本以土地用途作为分类的主要依据；印度则以土地覆盖情况（自然属性）作为划分地类的依据。长期以来，我国相对集中的过渡型自然资源管理模式，使得各行业资源管理部门依据各自相关法规分别制定了相应的自然资源分类体系，其中国土、建设、林业、测绘等部门均制定和实施有覆盖全部地域空间的分类体系。2005年发布了《基础地理信息数字产品土地覆盖图》（CH/T1012-2005），将土地覆盖类型划分为8个一级类，14个二级类；2007年发布了《土地利用现状分类》（GB/T21010-2007），根据土地利用类型分为12个一级类，57个二级类；而面向地表覆盖的分类系统则大多局限于生产项目和科学研究中，国家西部1：50000地形图空白区测图工程中的《地表覆盖数据遥感解译技术规程与地表覆盖分类系统》就结合CH/T1012和测区的实际情况将地表覆盖划分为8个一级类，41个二级类。另外，中国科学院地理科学与资源研究所进行了中国1：1000000地表覆盖制图分类系统研究，将地表覆盖分为7个一级类，36个二级类；《面向地球系统模式应用的全球地表覆盖分类系统方案》将其划分为10个一级类，39个二级类。在2015年地理国情普查过程中，也制定了10个一级类，45个二级类与84个三级类的地理国情普查地表覆盖分类体系。2017年开始的全国第三次土地调查中一级类土地共设13个，二级类土地共设55个，还对部分二级地类细化了三级地类，三级地类共设71个。

地表覆盖分类是依据地球表面各种物质类型、自然属性以及物质特征等要素，对地球表面按照一定的特征指标进行分类。而遥感技术是当前获取地表覆盖分类数据最经济、最常用与最重要的手段。遥感利用传感器接收目标反射或发射的电磁波成像，每种地物的电磁特征与地物性质紧密相关，可以通过电磁特征抽象出对应的地物特征，进而利用这些特征对影像进行语义分割并最终获得地表覆盖分类数据。针对不同的传感器获取的信号，学者们通过多年的研究提出了多种特征提取与分类算法。早期的算法仅仅以独立的像元作为检测单元，主要针对中低分辨率遥感影像，通过逐像素地分析像元光谱差异提取变化信息，并没有考虑像素之间的空间关联，分类精度非常有限。目前主要的分类算法不仅使用像元的信号特征，而且将山、水、林、田、湖、草、矿等资源纳入分类处理范畴，使图像分割更加符合地表覆盖的实际。根据是否利用先验知识，可以将这些算法分为非监督分类与监督分类两大类。