基于子象元分解的廣州市南沙區(qū)紅樹林濕地提取

廣州市花都區(qū)赤坭鎮(zhèn)市政管理所 廣東廣州 510800

摘要：由于濕地系統(tǒng)難以從地面接近的特性，大部分類型的濕地都難以去實(shí)地考察。隨著空間信息技術(shù)的不斷發(fā)展，遙感和地理信息系統(tǒng)的有利條件就使其成為調(diào)查濕地資源的最為理想的方法。濕地遙感信息分類提取并滿足一定的分類精度和效率是濕地遙感研究的關(guān)鍵問題之一，已經(jīng)有不少人提出了不少的方法，其中子象元分類的方法卻沒見應(yīng)用于紅樹林濕地提取。本文就以高分辨率的Quickbird衛(wèi)星影像作為數(shù)據(jù)源，通過子象元分解分類的方法對南沙區(qū)紅樹林濕地進(jìn)行提取，以期在不同方法的應(yīng)用中得到新的啟發(fā)。

關(guān)鍵詞：子象元分類；紅樹林濕地；提取

遙感技術(shù)具有感測范圍廣、信息量大、獲取信息快、更新周期短等特點(diǎn)，近20年來已廣泛用于濕地資源調(diào)查、識別等研究中[5]。濕地遙感信息分類提取并滿足一定的分類精度和效率，是濕地遙感監(jiān)測研究的關(guān)鍵問題之一。國內(nèi)外許多學(xué)者對濕地遙感影像分類已做大量的研究。在傳統(tǒng)分類方法的基礎(chǔ)上，又出現(xiàn)了許多新的分類方法，包括人工神經(jīng)網(wǎng)絡(luò)分類法、模糊分類法、支持向量機(jī)分類法、基于知識決策樹分類法等[1-4]。筆者利用Quickbird衛(wèi)星影像通過子象元分解分類的方法對南沙區(qū)紅樹林濕地進(jìn)行研究。

1.研究方法

1.1子象元分類簡介

子象元分類（Subpiexl Classifier）是一種高級的圖像處理工具，是通過檢測比象元更小的、或者非100%象元的專題信息，同時(shí)也可檢測那些雖范圍較大但混合有其他成分的專題信息，從而提高分類精度。子象元分類通過識別包含多種成分的一個(gè)象元中特定成分。子象元分類的特點(diǎn)具體表現(xiàn)在能解決混合象元問題、檢測感興趣子象元、具有自動環(huán)境校正功能、用于特征評價(jià)與優(yōu)化的APS和ASK技術(shù)還有與傳統(tǒng)分類方法提取特征與應(yīng)用分類的不同[5]390。

1.2數(shù)據(jù)源

1.2.1紅樹林濕地的研究對遙感數(shù)據(jù)的要求

要進(jìn)行紅樹林濕地的研究首先要求數(shù)據(jù)達(dá)到一定的空間分辨率或光譜分辨率，Quickbird數(shù)據(jù)的空間分辨率達(dá)到亞米級，從性價(jià)比來看是進(jìn)行該研究的理想數(shù)據(jù)源之一。其次紅樹林通常生長在港灣河口地區(qū)的淤泥質(zhì)灘涂上，紅樹林生態(tài)體系處于海洋和陸地的動態(tài)界面，受周期性海水浸淹的潮間帶環(huán)境，所以要對紅樹林濕地進(jìn)行研究，盡量要獲取該生態(tài)體系完整的影像數(shù)據(jù)，這就要求數(shù)據(jù)獲取盡量在低潮位時(shí)刻。還有是數(shù)據(jù)質(zhì)量方面的要求，如無云、無陰霾、無噪聲等[6]。

1.2.2數(shù)據(jù)源的獲取

本研究所采用的廣州大學(xué)城的影像是從GoogleEarth軟件截取的（google earth的衛(wèi)星影像，并非單一數(shù)據(jù)來源，而是衛(wèi)星影像與航拍的數(shù)據(jù)整合。其衛(wèi)星影像部分來自于美國DigitalGlobe公司的QuickBird（捷鳥）商業(yè)衛(wèi)星與EarthSat公司（美國公司，影像來源于陸地衛(wèi)星LANDSAT-7衛(wèi)星居多），航拍部分的來源有BlueSky公司（英國公司，以航拍、GIS/GPS相關(guān)業(yè)務(wù)為主）、Sanborn公司（美國公司，以GIS、地理數(shù)據(jù)、空中勘測等業(yè)務(wù)為主）等。而大學(xué)城影像為Quickbird數(shù)據(jù)。，因此本文從GoogleEarth軟件截取圖像輔助研究。），該軟件簡單易用而且能方便獲得，這給本研究帶來極大的幫助。GoogleEarth在影像的基礎(chǔ)上提供了很多數(shù)據(jù)圖層，用戶可根據(jù)自己希望的實(shí)際情況選擇打開的圖層。由于分辨率比較高，南沙區(qū)范圍較大，所以需要將截出來的圖用網(wǎng)格分成3*3一共9幅圖像。在圖像左下角可以得知影像的拍攝時(shí)間，所采用的影像是07年2月和10月還有08年2月拍攝的，相對較新，且云量較少，符合本研究的需要。

1.2.3數(shù)據(jù)源的預(yù)處理

與傳統(tǒng)的中低分辨率的遙感影像比較，Quickbird數(shù)據(jù)由于空間分辨率高，數(shù)據(jù)量大在圖像預(yù)處理階段會存在一些問題。標(biāo)準(zhǔn)（Standard）級產(chǎn)品雖然經(jīng)過了輻射校正、傳感器畸變校正、幾何校正，消除了平臺定位和姿態(tài)誤差、地球自轉(zhuǎn)、地球曲率等造成的影像變形，并進(jìn)行了投影。但是它并沒有消除地形起伏的影響[7]。QuickBird的全色（Pan）波段已經(jīng)從可見光波段擴(kuò)展到近紅外波段，而一些中低分辨率的衛(wèi)星如SPOT Pan和IRS Pan只在可見光范圍內(nèi)，對于這些遙感數(shù)據(jù)的融合算法并不適用于高分辨率衛(wèi)星，主要問題是顏色偏差較大，融合的質(zhì)量有賴于操作者與數(shù)據(jù)源[8]等。在本次實(shí)驗(yàn)中由于子象元分類器自帶有預(yù)處理功能和自動環(huán)境校正，所以直接使用該功能。

1.2.4影像的配準(zhǔn)

由于Quickbird分辨率大，南沙區(qū)域也過大，所以截取時(shí)把影像分成3*3網(wǎng)格狀。數(shù)據(jù)的采集不僅要獲取對象的形狀、大小，對于地理信息數(shù)據(jù)來說，其獲取的數(shù)據(jù)應(yīng)當(dāng)具有基于某種坐標(biāo)系統(tǒng)下的坐標(biāo)，如此對數(shù)據(jù)進(jìn)行地理分析，這就是對影像建立坐標(biāo)參考。如果已經(jīng)具有源參考數(shù)據(jù)或參考點(diǎn)，那么就是將影像匹配到參考數(shù)據(jù)上，獲取一系列同名點(diǎn)位。本研究對影像的配準(zhǔn)，所采用的參考數(shù)據(jù)為一幅糾正過的帶有地理信息的南沙區(qū)spot影像。由于南沙區(qū)范圍還是比較大的，先將未糾正和糾正過的影像圖分割成9塊，再分別以糾正過的影像作為參考，找到對應(yīng)的位置點(diǎn)，逐幅進(jìn)行配準(zhǔn)。這里需要注意，建筑是3維立體的，而參考圖層與需配準(zhǔn)圖像的拍攝角度不同，不能以建筑為對應(yīng)點(diǎn)配準(zhǔn)，應(yīng)該找到相應(yīng)位置的道路、河流等平面的地點(diǎn)配準(zhǔn)，這樣配準(zhǔn)才精準(zhǔn)。本次實(shí)驗(yàn)采取了16個(gè)控制點(diǎn)進(jìn)行配準(zhǔn)，令系統(tǒng)生成的同名點(diǎn)X、Y坐標(biāo)值相對誤差控制在0.1內(nèi)。

圖1-1 影像的配準(zhǔn)

1.3技術(shù)路線

1.3.1技術(shù)路線流程圖

1.3.2圖像質(zhì)量確認(rèn)

質(zhì)量確認(rèn)功能通過確定圖像重復(fù)數(shù)據(jù)行，增強(qiáng)圖像的質(zhì)量。當(dāng)數(shù)據(jù)獲取到之前，可能提供者產(chǎn)生過人為重復(fù)數(shù)據(jù)行。質(zhì)量確認(rèn)的輸入就是需要進(jìn)行子象元分類的原始圖像，輸出的是一幅包含有連續(xù)相同的高強(qiáng)度的疊加圖像。對于每個(gè)波段的圖像，重復(fù)行的檢測是獨(dú)立進(jìn)行的。一些重復(fù)數(shù)據(jù)行影響均勻物質(zhì)的空間屬性，這將影響分類精度和訓(xùn)練集的特征質(zhì)量。這里使用子象元分類器的圖像質(zhì)量確認(rèn)模塊，最終生成大小與波段相同的圖像[5]396。

1.3.3圖像預(yù)處理