传统对于遥感影像的目视解译费时费力，占用了研究工作者的大部分时间，eCognition软件主要是一款针对自动遥感解译开发的软件，已经被大量用于科研工作中所需求的遥感解译^[1]，其解译结果可以满足研究工作的基本需求。尤其是针对大范围的遥感影像解译，eCognition的优势更为明显。同时其他自动解译软件通常是以单个像素为单位的常规信息提取技术，但它们太过重视局部而忽略了附近整片图斑的几何结构，从而严重制约了信息提取的精度。eCognition解译采用的是面向对象提取方法，针对的是对象而不是传统意义上的像素。eCognition软件主要用于绿地、耕地、水体、灾害点等用地类型的解译和土地利用现状分析，均取得了较好的效果^[2-7]。本文主要通过eCognition面向对象分类方法对2005、2015年地类变化进行研究，根据土地利用类型将地类分为居民地、耕地、裸地、水体、植被等5类^{[8, 9]}，由于同时对研究区进行目视对比以便于确保结果的精确度，因此只选取岷江上游茂县为研究区。

1 研究过程介绍 1.1 数据来源

陆地卫星被广泛应用于农业、林业、水利、国土、城市规划、资源与环境调查、减灾防灾等众多领域，本文采用Landsat 8影像数据，分辨率为30 m，研究区为岷江上游流域茂县，面积3 345 km²。工作平台为eCognition8.7，通过ArcGIS10.2和Envi5.1对初始影像数据进行预处理，eCognition对处理好的影响数据进行自动分类，最后由ArcGIS10.2平台对自动分类的图像进行校正。

1.2 解译原理及方法

eCognition仿照人脑智能的模糊分类算法对信息进行提取，打破了大多遥感软件基于光谱信息提取影像要素的局限性，提出了以面向对象为主的地物分类方法，大大提高了遥感解译自动识别精度，节约时间的同时极为有效地加快了解译速度^{[10, 11]}。遥感影像数据在多尺度分割前表示为同一空间尺度信息，分割后每个影像有了自己的属性在同一区域内被不同尺度的对象所连接，形成一个由不同语意组成的网络，他们之间相互联系。每个样本都寻找最近的影像进行再分类组合，当此样本属于Ⅰ类那么它将被划分为该类，不隶属于则不划分，即最邻近分类。而决策支持的模糊分类则是依据一定的原则建立不同的分类层次，每一层次上定义不同的特征，同时为其制定相应的权重，建立分类标准将多尺度分割后的单元进行分类。其具体的自动分类流程如图 1所示。

1) 对下载好的影像进行筛选后进行预处理。将处理好的几个波段数据以及DEM、SLOPE数据全部添加进eCognition。

2) 叠加波段，此处选择532波段。

3) 可执行分割，经过反复实验分割尺度置为120时分割效果最好^[12]。参数越大，分割之后的单元越小，反之越大。

4) 分割后开始自动解译步骤，从而得出结果。

图 2为遥感影像自动分类前后对比图。图 2中能够清晰地展现分类结果，最后进行精度评价，解译结果可在ArcGIS中进行修改。

1.3 解译结果

2005年和2015年遥感图像自动解译情况对比见图 3。经解译结果统计研究区2005年居民地面积为7 424 580 m²，耕地面积为66 231 024 m²，裸地面积158 693 514 m²，河流面积为198 621 023.54 m²，其余皆为植被面积。研究区2015年耕地面积8 5158 742 m²，裸地面积204 095 973 m²，居民地9 024 580 m²，河流面积20 004 123.51 m²，其余为植被面积。根据解译结果可估算出2005年人口为103 428人，2015年人口为119 290人^[13]。由2005年和2015年的遥感影像自动分类精度评价结果检测自动分类结果符合标准。

2 结果分析与讨论 2.1 2005年和2015年eCognition自动解译结果分析

由解译得出的图像可见，相对于2005年影像2015年有大量裸地增加，裸地主要分布于岷江及其支流两侧、海拔较高的地区，该区域广布钙质、炭质千枚岩、灰岩稳定性差，遇地震产生触动性动力，岩体支离破碎，易形成崩塌，随后遇降雨易引发滑坡泥石流等灾害，由此形成大量裸地。因此居民地以及零散居民点也逐渐由高山向河谷处迁徙。由解译结果叠加分析进行对比得出高山处房屋等建筑物仍在但河谷处居民地不断增大增多，经调查高山处房屋仅部分为老人居住其余皆荒废，经统计仅近五年间因灾害发生而搬迁的住户达1 578户，搬迁费用高达2 525万元。

表 1为2005年和2015年两个年度土地利用类型解译结果对比情况，2015年居民地相比2005年居民地占地面积增长21.6%，该区域2015年耕地面积相比2005年增长18.01%。2015年裸地面积相比2005年裸地面积增长28.6%，河流面积变化不多，植被面积在很大程度上减少。经调查岷江上游茂县2005年实际人口为106 951人，与2005年计算所得误差为3.4%；2015年实际人口11.2万人，误差为5.9%，两个年份均在误差允许范围内。耕地据调查显示2005年耕地面积为70.23平方千米，与遥感解译面积相比误差为6.04%；2015年实际耕地面积为91.84 km²，误差为7.8%，两者也均在误差允许范围内。

2.2 eCognition详细解译结果分析

由于2005年数字图像因年代久远而模糊，因此并没有在一级土地利用类型下进行详细划分，只针对2015年遥感影像在一级分类的基础上进行二级分类，将植被分为草地、稀疏植被和林地，将裸地进一步划分为滑坡和裸地。图 4为2015年岷江上游茂县区域的详细土地分类解译结果，由图 4中可观察到植被的明显变化。经计算滑坡所占面积321 078.92 m²。

解译数据显示该区域共有灾害586个，崩塌滑坡(包括不稳定斜坡)共417个，泥石流149个。据调查结果统计, 岷江上游茂县共有灾害点507个，其中滑坡195个，崩塌104个，泥石流83个，不稳定斜坡125个。按照规模(面积)将其分为特大型(大于3×10⁵)、大型((0.5~3)×10⁵)、中型((0.3~5)×10⁴)和小型(小于或等于3 000 m²)4类，具体分布见表 2。结果对比显示关于灾害数量总数的误差为15.5%，崩塌滑坡(包括不稳定斜坡)灾害数量误差仅为1.6%，但泥石流误差较大为79.5%。由此可见, 结合目视解译eCognition对于滑坡的解译结果较为准确。

居民地展现沿岷江分布，部分山上平坦区域有零星分布。灾害点也沿着河流两侧不均匀分布，灾害严重区域依次为(由多到少)：凤仪镇(80个)、南新镇(55个)、永和乡(52个)、飞虹乡(39个)、回龙乡(38个)、白溪乡(36个)等。同时人口也主要集中在凤仪、南新等乡镇。由图 5可知，居民地和灾害点分布情况与解译结果相吻合。

3 结束语

eCognition作为一款自动分类软件，可以通过对遥感影像进行分类得到详细分类数据，大大节省了调研时间也可为调查工作提供初步分析手段。该软件能够精确地解译出不同用地类型所占地面积，经多次对分割影像之后分类得到结果统计该方法对居民地人口的计算和耕地的分类误差可限定在10%以内，在一定程度上提高了工作效率。尤其是对于大区域范围内的地类分析和居民人口数量调查，在得到的结果的基础上进行详细调查比起传统的登记调查等方式优势突出。同时在某一地区地质灾害的初步调查中也具有一定的作用，通过面积的计算和距离居民地的密度分析划分出不同地区的地质灾害危害大小，以便于相关部门对灾害进行进一步处理。调查结果显示，eCognition自动分类软件结合目视解译不仅可以清楚地判别出地质灾害的面积位置还可以辨别出大致个数。解译结果显示灾害个数判别误差相对于地类划分较大，但对于崩塌滑坡的解译结果较为准确，泥石流灾害的误差较大，究其原因为干枯河流遗留河道与泥石流相似而产生误差。

本文选取的2005年和2015年的影像跨越了10年且分别在2008年大地震前后，能够展现2008年地震对土地利用类型变化的影响，主要体现在裸地的大量增多，10年时间共增长了28.6%，居民地与耕地的增长分别为21.6%和18.01%，根据居民地解译结果计算出2005年人口为103 428人，2015年人口为119 290人，与2005年实际人口误差为3.4%；2015年与实际人口误差为5.9%。以上均能体现eCognition自动解译的准确性与高效性。

eCognition软件用于地类划分仍有很多不足之处，虽然解译时间大大缩短但分类之后依然需要目视解译来判别修改。并且自动解译对图像精度要求较高，对于地质灾害的解译无法做到准确划分类型，会产生一定的误差需要依靠目视解译进对比。如何更加高效的使用软件进行解译仍然是一个值得探讨的问题。