高分辨率遙感影像中農(nóng)田灌溉設(shè)施的提取

喬賢哲，張 超，楊建宇，朱德海

(中國農(nóng)業(yè)大學信息與電氣工程學院，北京100083)

一、引 言

隨著高空間分辨率遙感影像的迅速發(fā)展，其在耕地等級監(jiān)測、國土資源調(diào)查、基礎(chǔ)地理數(shù)據(jù)更新以及土地利用變化檢測等方面都得到了廣泛應用。其中，農(nóng)田線狀地物設(shè)施是影響農(nóng)田質(zhì)量的社會經(jīng)濟因素之一，因此它的正確提取具有重要的價值和意義。在我國的“十一五”國家科技支撐計劃“信息化測繪技術(shù)服務體系關(guān)鍵技術(shù)研究與應用”中也曾明確提出要對遙感影像中重要的地形要素如道路、居民地等主要基礎(chǔ)地理要素進行快速識別[1]。然而，面對現(xiàn)在各級監(jiān)管部門實時監(jiān)管的要求，傳統(tǒng)的人工解譯和半自動解譯工作越來越不能達到人們的需求。遙感技術(shù)由于具有周期短、精度高、可操作性強、信息更新和提取速度快等特點，而逐漸得到了相關(guān)研究人員的青睞。本文采用兩個地區(qū)衛(wèi)星遙感影像作為數(shù)據(jù)源，利用面向?qū)ο蠓诸惖姆椒ㄟM行主要農(nóng)田灌溉設(shè)施(溝渠)提取的研究。

二、試驗與方法

1．試驗區(qū)及遙感影像選取

本研究選取的試驗區(qū)是江蘇省揚州市邗江區(qū)。邗江區(qū)地處江淮平原南端，地理坐標是東經(jīng)119°01'～119°54'，北緯 32°15'～32°25'，屬北亞熱帶溫暖亞帶與溫和亞帶的過渡性地帶，氣候及土壤條件適合多種農(nóng)作物生長。邗江區(qū)是魚米之鄉(xiāng)，擁有可供開發(fā)生產(chǎn)農(nóng)業(yè)的良田35 km2和長江水產(chǎn)的水面50 km2。此區(qū)域內(nèi)地上水資源豐富，河道水面多，農(nóng)田灌溉系統(tǒng)發(fā)達，適于作為本研究的試驗區(qū)域?？紤]到試驗區(qū)氣候?qū)Φ匚锉砻娓采w的影響和道路的光譜特征，研究選擇拍攝于夏季的高分辨率遙感影像。比較了各衛(wèi)星高分辨率遙感影像的可用性之后，本研究選擇WorldView-Ⅱ衛(wèi)星高分辨率遙感影像。表1是WorldView-Ⅱ衛(wèi)星的基本參數(shù)信息。

表1 WorldView-Ⅱ衛(wèi)星影像參數(shù)

為了充分利用影像的高空間分辨率和多光譜信息。本研究使用主成分變換將0．5m分辨率的全色波段和1．8m分辨率的多光譜波段進行融合，得到了0．5m分辨率的多光譜遙感影像。圖1是融合后的遙感影像。

2．基于面向?qū)ο蠓诸惖霓r(nóng)田灌溉系統(tǒng)自動化提取

(1)技術(shù)流程

面向?qū)ο蠓诸惙椒ㄊ潜狙芯刻崛∞r(nóng)田中灌溉設(shè)施的技術(shù)核心。該方法以影像對象為最小分類單元，在較高層次上對遙感影像進行分類。它彌補了傳統(tǒng)的基于像元的分類方法存在的語義信息缺陷，使分類結(jié)果更加精確，而且富含語義信息。其分類過程大體分為3個步驟：影像分割、特征選取、規(guī)則建立及分類[2]。圖2是技術(shù)流程圖。

圖1 融合后試驗區(qū)遙感影像圖

圖2 農(nóng)田灌溉設(shè)施提取技術(shù)流程圖

(2)影像分割

影像分割是面向?qū)ο蠓诸惙椒ㄖ凶顬榛A(chǔ)和關(guān)鍵的一步，影像分割結(jié)果的好壞，直接影響著影像的分類結(jié)果。影像分割就是在基于像素的基礎(chǔ)上依據(jù)參數(shù)設(shè)置將影像分割為大小不同的影像對象，參數(shù)設(shè)置的要求是盡量滿足單個影像對象內(nèi)部的差異性和不同影像對象之間的同質(zhì)性，同時達到最小。

對于大部分采用面向?qū)ο蠓诸惙椒ㄌ崛〉缆返难芯慷际侵苯訉τ跋襁M行分割。本研究初期考慮農(nóng)田中灌溉系統(tǒng)邊緣信息明顯，故先對影像進行了邊緣提取，然后將提取出的邊緣影像也作為遙感影像的一個圖層，最后通過設(shè)置影像各個圖層權(quán)重，來控制不同圖層對影像分割的作用[3]。但發(fā)現(xiàn)會出現(xiàn)較多的錯分割現(xiàn)象，對于后續(xù)的分類影響很大，所以最終對邊緣圖層的權(quán)重設(shè)為0。同時，研究還發(fā)現(xiàn)由于溝渠中有水，水對紅光反射強度相對其它地物低很多，所以將紅光圖層的權(quán)重設(shè)為5。另外，分割尺度設(shè)為90，形狀因子設(shè)為0．5，緊湊度設(shè)為0．5。圖3是多尺度分割結(jié)果圖。

圖3 多尺度分割結(jié)果圖

(3)影像的特征選擇

影像分割將影像劃分為若干影像對象，這些影像對象包含了許多可用于分類的特征：光譜特征、形狀特征、紋理特征等，每一類特征包含若干指標。靈活地組合運用這些特征可以提取到特定的地物信息。

本研究中農(nóng)田灌溉設(shè)施與周圍地物的光譜信息明顯不同，同時溝渠的空間形狀呈帶狀分布。因此本研究主要利用影像的光譜信息和形狀特征來提取農(nóng)田灌溉設(shè)施。由于部分溝渠被行道樹遮蔽，造成了混合像元的情況，如果光譜特征選擇NDVI，就會出現(xiàn)大量錯分類現(xiàn)象，從而不能把溝渠很好地提取出來，所以仍然考慮溝渠中有水的情況，這里光譜特征選擇紅光波段的輻射均值，如此就可以把被行道樹遮蔽的溝渠和其他綠色植被區(qū)分開。形狀特征選擇影響對象的寬度。采用隸屬度分類，兩個特征的閾值設(shè)為“mean layer 2＜40”和“width＜60”。圖4是農(nóng)田灌溉設(shè)施分類結(jié)果圖。

(4)中心線提取及矢量輸出

經(jīng)上述面向?qū)ο蠓诸惖?個步驟之后，技術(shù)流程可以提取得到農(nóng)田灌溉設(shè)施的面狀信息。這些面狀信息是一些形狀狹長的多邊形，還需要進行進一步的矢量化，以得到農(nóng)田線狀地物的矢量圖形。此方面研究還處于研究階段，預采用的方法是數(shù)學形態(tài)學相關(guān)內(nèi)容，本文不作過多描述。

圖4 溝渠分類后結(jié)果圖

3．結(jié)果與分析

為了檢驗基于面向?qū)ο蠓诸惖淖詣踊崛》椒ㄗR別結(jié)果的優(yōu)劣，本研究還與監(jiān)督分類法的提取結(jié)果進行了比較。兩種方法均使用本研究所選試驗區(qū)范圍的影像數(shù)據(jù)，其中監(jiān)督分類法采用最大似然分類方法，這種分類方法與其他監(jiān)督分類方法相比，分類精度較高，且計算時間短，是最常用的分類方法之一。圖5與圖6分別是用兩種方法提取出的溝渠結(jié)果圖。

圖5 最大似然分類提取溝渠結(jié)果圖

圖6 面向?qū)ο蠓诸愄崛锨Y(jié)果圖

從提取結(jié)果看，用監(jiān)督分類方法中最大似然分類法提取農(nóng)田灌溉設(shè)施的效果會出現(xiàn)較多的錯分現(xiàn)象，線狀地物的連續(xù)性遭到破壞，與理想的提取效果相差較大。而采用面向?qū)ο蠓诸惙椒ㄌ崛【€狀地物的結(jié)果，相對最大似然分類法出現(xiàn)錯分類情況要少得多，能較好地提取出農(nóng)田灌溉設(shè)施。

三、結(jié)束語

針對當前農(nóng)田中線狀地物識別研究自動化程度不高的問題，本研究采用基于面向?qū)ο蠓诸惖淖R別方法，利用WorldView-Ⅱ高分辨率遙感影像數(shù)據(jù)對農(nóng)田灌溉設(shè)施進行了自動化識別提取，并與監(jiān)督分類方法對比試驗結(jié)果。研究表明，基于面向?qū)ο蠓诸惖淖詣踊崛》椒梢宰詣幼R別農(nóng)田中的灌溉設(shè)施，識別效果較好，提取所需時間較短。因此，面向?qū)ο蠓诸惖淖詣踊崛》椒ǎ且环N快速而高效的監(jiān)測手段，為農(nóng)田中線狀地物監(jiān)測和耕地的分等定級工作提供了一種科學的技術(shù)支持。

但在試驗中還發(fā)現(xiàn)，面向?qū)ο蠓诸惙椒▽τ谟跋裰斜恍械罉湔趽趸蜿幱皡^(qū)域中的灌溉設(shè)施以及無水或少水的溝渠，直接進行分類并不能獲得很好的提取效果，會出現(xiàn)漏分、錯分情況，這將是本研究后續(xù)工作中待解決的問題之一。

[1]陳柏松，游娟，潘瑜春，等．農(nóng)用地等級質(zhì)量監(jiān)測指標體系與方法[J]．農(nóng)業(yè)工程學報，2009，25(2)：272-276．

[2]吳健生，劉建政，黃秀蘭，等．基于面向?qū)ο蠓诸惖耐恋卣韰^(qū)農(nóng)田排灌系統(tǒng)自動化識別[J]．農(nóng)業(yè)工程學報，2012，28(8)：25-31．

[3]黃亮，左小清，馮沖，等．基于Canny算法的面向?qū)ο笥跋穹指頪J]．國土資源遙感，2011，4：26-30．

[4]許迪，李益農(nóng)，蔡林根，等．衛(wèi)星遙感影像在農(nóng)田排灌系統(tǒng)識別中的應用研究[J]．農(nóng)業(yè)工程學報，2004，20(2)：36-39．