遥感具有对地观测覆盖面积大、高效省时、信息量大等优点^［1］。高光谱遥感技术较多光谱而言，所含谱段多而窄，能探测到宽波段不能探测的物体特性，是实现地物目标“指纹”表达的重要手段^［2］，已逐渐应用于水利^［3］、地质勘探^［4］、农业^［5］、林业^［6］，文物保护^［7］和军事^［8］等领域。譬如，吴叶兰等^［9］采集了正常的和患有各种病虫害的柑橘叶高光谱图像，利用机器学习算法对柑橘叶片进行了分类，为柑橘病虫害的识别提供了依据；范启雄等^［8］总结了高光谱遥感在军事领域的运用，包括军事侦察，伪装识别，相比多光谱遥感，其可以有效识别丛林背景中的绿色伪装目标。综合来看，通过高光谱遥感技术准确快速的识别分类目标物，对于社会生活的各行各业具有重大的影响和深远的意义。

土地覆盖是自然物和人工建造物地表覆盖的诸多要素的综合，相比于土地利用，它更侧重于目标物的自然属性。依据分类基本单元不同，可以将土地覆盖制图分为面向亚像元、像元、对象和地块4种方法^［10］。目前，高光谱遥感影像数据集已广泛应用于土地覆盖制图中，其中面向像元和面向对象的分析方法居多。例如，岑奕等^［5］对雄安新区马蹄湾村进行高光谱成像，用随机森林的方法对数据集面向像元进行土地覆盖分类制图，为中国经济作物高光谱分类提供良好的数据支撑。尚昆等^［11］基于合成核支持向量机利用华盛顿地区HYDICE高光谱数据进行土地覆盖分类制图，证明分类结果比传统支持向量机更好。高奎亮等^［12］提出一种网络结构自动搜索方法，在University of Pavia、Indian Pines、Salinas 和Houston 2018共4个高光谱数据集上验证了面向像元分类精度，得到的结果较常规的深度学习方法更优。董安国等^［13］提出TSNE和多尺度稀疏自编码网络的高光谱图像分类算法，面向像元做分类实验，结果表明与只用光谱信息的SAE、SVM算法和利用空谱联合信息的复合内核支持向量机、SS-SAE、改进的类传播算法等5种算法相比，制图结果较好。吴艳双等^［14］利用高光谱数据进行面向对象的树种精细分类，结果表明利用不同尺度的纹理特征分类效果更好，对复杂林分树种的分类有效。李雪轲等^［15］提出一种面向对象的混合分类方法对高光谱数据进行分类，相比传统的像元级分类，精度有较高提升，有效解决了分类后地物的破碎现象。赵宁博等^［16］以地块为单元结合航空高光谱技术对黑龙江海伦地区进行黑土地质量评价，评价结果与地面验证结果高度一致，为田块尺度的黑土地评价提供技术支撑。韩衍欣等^［1］使用多光谱卫星数据对比了地块尺度对象尺度的农作物分类策略，分析显示面向地块分类方法更好。

综合已有研究分析，传统的土地覆盖制图方式多基于像元展开的，其结果往往难以对复杂地表进行精细化表达，与真实地理实体相脱节，结果生成的过程中也与地理环境信息、领域专家知识相分离、不耦合。而面向对象的影像分割法本质上没有考虑影像所具有的形态信息、上下文语义信息等高层特征^［17］。因此，无论是以像元还是对象为单元的土地覆盖制图，都不能与客观现实世界中的真实地理实体完全对应起来，由此造成了与“人对地表认知的时空场景”不相匹配，进而导致无论在形态还是类型的精度上都与实际要求存在较大的差距。因此，与地理实体相适应的地理图斑（地块）被认为是更理想的制图单元，值得推广应用。然而，在高光谱遥感技术发展的几十年间，土地覆盖制图领域的研究工作多采用面向像元或面向对象的分析方法，鲜有地块尺度的高光谱土地覆盖制图研究，这方面的工作有待实践和详细论证。因此，本文根据中科院发布的高光谱遥感数据集分别进行像元级、对象级和地块级的土地覆盖制图研究，除了可视化定性地对比了制图效果外，定量比较了制图的类型精度和形态精度，探究不同尺度划分的高光谱土地覆盖制图方法的优劣，指出高光谱土地覆盖制图领域的潜在研究方向。

本研究基于高光谱遥感数据，分别以像元、对象和地块为分类单元开展土地覆盖制图。首先是结合纹理特征以及水体归一化指数（NDWI）和植被归一化指数（NDVI），用随机森林算法做出基于像元的土地覆盖分类制图，再把面向像元的分类结果映射统计到对象级和地块级的矢量斑块上，形成这两种划分方法的土地覆盖制图结果，最后通过类型和形态两个维度进行制图精度的评价。具体的技术路线图如图1所示，关键步骤说明如下。

原始的遥感图像只包含了光谱特征，基于此数据集，用ENVI5.3计算NDVI和NDWI两个指数，计算公式如下：

其中：ρ为波段的折射率；此外还计算了影像的纹理特征，主要是通过灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM）求得，包括均值（Mean）、方差（Variance）、均质性（Homogeneity）、对比度（Contrast）、异质性（Dissimilarity）、熵（Entropy）、二阶矩（Second Moment）和相关性（Correlation）等，对8种纹理特征进行主成分分析，根据方差贡献度大小选取前3个主成分及其对应的8种空间纹理特征，进行波段融合得到最终用于分类的所有特征图层。

在此基础上，本研究采用随机森林分类算法对特征图层进行土地覆盖分类制图。随机森林算法采用Bagging思想，从训练样本种有放回地随机抽取原始数据的一部分来训练一棵决策树，将训练的T棵决策树集成到一起形成一个森林模型，每棵树训练得到的结果出现最多的一类为最终判别的类别。最后，由分类后得到混淆矩阵算出总体精度（overall accuracy）、生产者精度（producer accuracy）、Kappa系数和面积精度（area accuracy）等作为评价指标。

面向对象的分类技术是利用单个像元的光谱和空间等特征，将相邻的同质像元组成一个个大小不同的对象，以这些对象为基本单位进行归类。这个过程中影像分割是重要的前置步骤，研究中为了减少影像分割时过多的受地物、光线等因素的影响，先使用ENVI5.3软件对红（Band113） 、绿（Band72）、灰（Band29） 3个显像波段成像，再采用eCognition软件中自下而上的多尺度分割算法，多次调试分割尺度参数、形状指数和紧密度指数，得到合适的分割对象。另外，面向地块的土地覆盖制图，实质上也是一种特殊的面向对象覆盖制图。地块数据相对于普通的对象又有所区别，它具备了普通对象所没有的社会属性，具有与实际应用场景更贴合的地学语义和矢量边界范围。本研究所用的地块数据采用目视解译法获取，每个地块边界处划分错误的像元大约在100~400个，且每个地块内的土地覆盖类型基本一致。

目前，面向对象和地块的土地覆盖制图的方法有两种：第一种是将对象和地块看作一个整体实施分类；另外一种是以像元级土地覆盖分类结果为基础，给每一个对象和地块进行众数的统计后赋予类别标签结果。从像元尺度到对象和地块尺度的土地覆盖制图的过程中，第一种方法的训练样本会大幅减少，因此研究采用第二种土地覆盖制图方法，使用ArcGIS分区域统计功能，做出基于对象和地块的土地覆盖制图结果。

ArcGI分区统计是根据划分好的矢量范围为单位，统计图层的数量指标，如：平均数、众数等。本实验以划分的对象和地块为单位，基于像元土地覆盖分类的结果为图层，使用“Zonal Statistics”功能，统计每个单元内像元分类结果的众数作为其标签，得到对象级和地块级的土地覆盖制图。

在土地覆盖制图的评价上，研究从类型精度和形态精度两个方面来比较。对于类型精度，对照制图结果和验证样本计算混淆矩阵，据此求得总体精度(overall accuracy)、生产者精度(producer accuracy)和Kappa系数。除此以外，本文还引入面积精度K，计算公式如下：

其中：Ai为分类制图后得到的第i类（i=1，…，m）目标物的面积；Ai,0为验证集中第i类（i=1，…，m）目标物的面积。

本文所引入的形态精度是指土地划分后得到的矢量范围和原参考图所给范围的吻合程度以及复杂程度的对比。交并比衡量了土地划分后的矢量边界和原参考边界重叠的相对大小，分维数可以描述斑块形状的复杂程度，因此选用交并比（Intersection-over-Union， IoU）和分维数（Fractal Dimension， F），但普通的交并比只衡量两个多边形的交叠率，分维数衡量单个多边形的复杂程度。本文研究的是原参考图中每块区域与分割得到多个斑块的交并比和分维数，因此重新设计改进了计算方式，作为形态精度的衡量指标。对于形态精度的评价是根据两个指标的计算结果进行比较，得到两种土地划分方法形态上的相对好坏。

从实地调查参考图中提取已标注过地物类别的矢量边界，共提取N块大区域，分别与上述土地划分中的对象和地块叠加，得到叠加出的每一小块区域的面积和周长，并计算每一小块区域的交并比和分维数，分别将其加和平均得出每一块大区域的交并比与分维数，再求出N块区域的加权和作为最后的交并比与分维数。而改进后在加权的基础上得到一个总的求和结果，放大了两种划分方法之间的差异，衬托了研究结论。

交并比的计算公式如下：

在计算分维数时，部分图斑的周长或面积小于1，取对数后所得结果为负数，因此对于分维数的计算要取绝对值，计算公式如下：

其中：N为地物实地调查图提取的区域数量；n为每个对象或地块与区域N叠加后包含的对象个数；Sk为每块区域N的面积；Sj为与N有相交的对象划分或地块划分的区域面积；Si为Sk与Sj叠加后形成的新图斑的面积；Ci为其周长。通常情况下，交并比越大就可以说明分割的图斑与原区域重合度越高，分割效果越好。分维数越大，表明分割的图斑形状越复杂，分割效果越不好，形态不佳。

研究使用的数据为中科院遥感与数字地球研究所联合中科院上海技术物理研究所在河北省雄安新区获取的航空高光谱遥感数据集（http：∥www.hrs-cas.com/a/share/shujuchanpin/2019/0501/1049.html）。该数据集包含256个波段，光谱范围400~1 000 nm，影像大小为3 750×1 580像元，空间分辨率0.5 m；同步实地调研地类分布为18种作物和水体、房屋共20种分类标签。

根据地物实地调查的参考图在新合成的影像上，用ArcGIS软件对20种分类物选取训练样本，共选取了1 379 172个像元作为训练集，将剩余的2 149 307个已标注地物类别的像元作为验证集，如图2所示。

另外，该研究区多以形状较规则的耕地和水域为主。面向对象分割要尽量避免光线等因素影响，形状因子占比要大。本研究用eCognation软件进行多尺度分割，进行多次的分割实验。实验发现，当分割尺度不变时，形状因子占比越大，图像分割越完整；紧致度越高，边界分割就越清晰。经过多次分割实验，最终确定分割尺度为130、形状指数为0.9、紧密度指数为0.9。部分实验结果如图3所示。

研究引用了雄安新区马蹄湾村高光谱遥感数据分类集，用集成学习中的随机森林方法面向像元进行土地覆盖分类制图，再以此为基础实施面向对象和面向地块的土地覆盖制图，结果如图4所示。从图4可见，像元级土地覆盖分类制图忽视了地物之间的联系，制图结果“椒盐现象”严重。面向对象的土地覆盖制图在一定程度上克服了“同物异谱”和“同谱异物”的现象，但其在土地分割时容易受光线、物候和混合像元等因素的影响产生分割不准的情况，且会出现“锯齿”形边界。而面向地块的土地覆盖制图不仅可以解决光谱变异和混合像元等问题，且相较对象级制图成果，具备了耕、种、管、收等农作物作业独有的社会属性，更加符合地表实际和

场景现状。

表1为3种不同空间单元土地覆盖制图结果的精度统计。从表中可以看出，像元级制图结果中各类别的生产者精度相对偏低，其中白蜡、刺槐、玉米、大豆、杨树、菜地、稀树林的生产者精度低于0.70，这是因为这几个类别总量相对较少且分布较为分散，而相对分散的区域更容易受周围物种光线的影响致使错分，另一个原因是因为取样的时候针对边界处的像元取样较少，边界处的像元不易被判别准确。

面向对象的类型精度相对于面向像元的类型精度来说，20种物类的生产者精度平均提高了0.12，各种类别的生产者精度除了玉米和稀树林以外均有提高。对象级制图结果的稀树林类别生产者精度为0，这是因为稀树林的占地面积较小，且实地调查的参考数据中只有一块土地是稀树林，周围梨树的种植面积较大，在进行对象划分时，受光线影响把这块地与梨树划分到一起，分类的时候错分为了梨树，在对象级的分类中没有稀树林这一类别。玉米的制图精度降低了0.02，原因是玉米的分布更加分散，且玉米周围的种植情况相比来说更为复杂，种植种类较多，分割时有两块玉米地和周围种植面积较大的物类划分到一起，分类时这两块地全部分错，因此面向对象的玉米分类精度比面向像元的玉米分类精度稍低。

面向地块的类型精度相对于面向对象的类型精度来说，20种物类的生产者精度平均提高了0.11，除了栾树、水稻茬和房屋以外均有提高。这3种物类都是因为地块划分时边界像元部分划分不准确，精度下降。面向地块的类型精度相对于面向像元的类型精度平均提高了0.23。只有水稻茬的生产者精度有所下降，这是因为水稻茬的种植区域，呈不规则梯形分布，在对梯形的底边分割时分错的边界像元较多，同时在进行面向像元划分土地覆盖制图时没有采集到这部分的训练样本，这部分错分为水稻。

表2对比了3种制图方法的总体精度（Overall Accuracy， OA）和Kappa系数。从表中可以看出，对象级方法总体分类精度比像元级提高了0.11，Kappa系数从0.79增加到0.92，提高了0.13。地块级方法总体精度比对象级方法提高了0.03，Kappa系数增加了0.03。总体来看，地块级方法的精度相对更高。

表3为3种土地空间划分方法的面积精度。对于20个土地覆盖类型，地块级方法所得的面积精度除了稀树林和菜地以外都在0.85以上，平均面积精度为0.91。对象级方法的平均面积精度为0.86面积，各类的精度除了稀树林和菜地以外，均在0.80以上，但大多数地类的面积精度都低于地块级制图的面积精度。像元级方法所得结果的面积精度分布较为分散且精度较低，多数物类的面积精度与对象级和地块级制图方法相比都略逊一筹，平均面积精度仅为0.78。因此，从面积精度的来看，面向地块的制图方法好于面向对象的制图方法，像元级的制图方法相对而言表现最差。

综合上述几个指标的论证，对于土地覆盖制图的类型精度，面向地块的制图方法要好于面向对象的制图方法，且两者都优于面向像元的制图方法。

本节进一步讨论制图结果的形态精度，主要衡量针对土地划分的对象和地块边界的准确性。根据实地调查参考图提取的已被标注地物类别的地块区域共有N=140块，如图5浅黄色阴影部分所示。图6为面向对象的土地分割结果和面向地块的土地分割结果，从图中可以看出，对象分割出的土地边界呈明显“锯齿状”，相邻的区域之间相互交错，且和真实的农田划分有很大出入。而地块分割考虑了真实的农作物种植情况，边界相对更加平整光滑，这样的边界形态更有利于政府部门对土地的监管监察。图7为局部放大对比图，面向对象的土地分割边界相对混乱，错分、少分的现象较多，而面向地块的土地分割边界光滑工整，形态更贴合地表现状。

表4为交并比和分维数两个指标的计算结果。对象级土地分割的分维数较大，表示其分割图斑的形态相对更复杂；地块级土地分割的交并比数值较大，说明地块表达的图斑单元与实地区域的空间单元重合度高，形态表达力更好。

围绕高光谱遥感土地覆盖制图的问题，本文利用雄安新区马蹄湾村高光谱遥感数据集，选择了光谱波段，两个NDVI和NDWI两个指数和8个纹理特征，基于随机森林的分类方法分别开展了像元级、对象级和地块级的土地覆盖制图，并选用生产者精度、总体精度、Kappa系数和面积精度等指标对比3种制图方法的类型精度，基于交并比和分维数两个指标设计了新的计算方式，对比了对象和地块的土地空间分割的形态精度。

根据制图结果，可以直观看出地块级制图无论是类型精度还是形态精度都是最优的，定量分析的结果同样印证了此结论。此外，地块级分类结果中有个别种类的类型精度指标低于前两种方法，在结果分析中也进行了深入探讨。而地块级土地分割的形态精度指标则完全优于对象级土地分割。由此明晰了面向地块的高光谱土地覆盖制图无论是类型精度还是形态精度都要优于传统的像元级或对象级制图方法。从可视化和定量指标等维度的论证中，均显示面向地块的土地覆盖制图能更好地展示空间信息，值得推广。