地理國情普查中地表覆蓋信息提取技術(shù)研究

黃 霞， 張靜舒， 何 勇

(重慶交通大學 河海學院，重慶 400074)

地理國情監(jiān)測就是綜合利用現(xiàn)代測繪技術(shù)和各時期基礎(chǔ)測繪成果，對地形、水系、濕地、冰川、沙漠、地表形態(tài)、地表覆蓋、道路、城鎮(zhèn)等要素進行動態(tài)和定量化空間化的監(jiān)測，并對普查及監(jiān)測成果進行統(tǒng)計分析，及時發(fā)布統(tǒng)計分析報告及統(tǒng)地圖[1]。地理國情普查是地理國情監(jiān)測的第一步，地理國情是從地理的角度分析研究和描述國情，即以地球表層自然生物和人文現(xiàn)象的空間變化和它們之間的相互關(guān)系特征等為基本內(nèi)容，對構(gòu)成國家物質(zhì)基礎(chǔ)的各種條件因素做出宏觀性、整體性、綜合性的調(diào)查分析和描述[2]。地表覆蓋信息提取作為地理國情普查中重要的一個環(huán)節(jié)，其技術(shù)是國內(nèi)外時下研究的熱點。英國的全球干旱監(jiān)測網(wǎng)[3]、歐盟的全球環(huán)境與安全監(jiān)測計劃[4]、美國國家生態(tài)觀測網(wǎng)[5]、亞太地區(qū)環(huán)境革新戰(zhàn)略項目環(huán)境綜合監(jiān)測子項目[6]等國外地理國情監(jiān)測項目為國內(nèi)開展地理國情普查提供了可行的理論與技術(shù)支撐；我國第一、二次土地調(diào)查、第一次全國水利調(diào)查、“863計劃地球觀測與導航技術(shù)領(lǐng)域重點項目”[7]等國情項目的開展也為地理國情普查奠定了理論與實踐基礎(chǔ)。近年來董冬、龔偉等進對地理國情基本要素內(nèi)容進行了淺要分析[8]，李德仁等進行了地理國情監(jiān)測技術(shù)支撐的論述[9]，陳軍等探討了全球地表覆蓋高分辨率遙感制圖，介紹了我國30 m地表覆蓋數(shù)據(jù)產(chǎn)品[10]。目前，在地理國情普查中，基于遙感的地表覆蓋信息提取技術(shù)主要有3種——目視解譯、計算機自動解譯、計算機人工交互解譯。

1 地表覆蓋信息提取技術(shù)及分類體系

1.1 地表覆蓋信息提取技術(shù)

圖1為地理國情普查中地表覆蓋信息提取技術(shù)，可看出主要有3種方法——目視解譯、計算機自動解譯、計算機人工交互解譯。目視解譯是指利用圖像的影像特征(色調(diào)或色彩，即波譜特征)和空間特征(形狀、大小、陰影、紋理、圖形位置和布局)與多種非遙感信息資料(如地形圖、各種專題圖)組合，運用其相關(guān)規(guī)律，進行由此及彼、由表及里、去偽存真的綜合分析和邏輯推理的思維過程。

圖1 地理國情普查地表覆蓋信息提取技術(shù)路線

計算機自動提取計算機自動分類是通過遙感影像內(nèi)業(yè)處理，利用對象的光譜特征形狀特征紋理特征等，建立適應的提取規(guī)則，自動提取出各級地表覆蓋類別信息[11]。計算機人工交互解譯是二者的結(jié)合。根據(jù)影像特征，對其光譜、形狀較為顯著的目標地物采用計算機自動提取，而對光譜信息模糊、形狀破碎的地物采取目視解譯的方法。

1.2 地表覆蓋信息分類

地表覆蓋信息分類信息反映地表自然營造物和人工建筑物的自然屬性或狀況，不同的分類標準會產(chǎn)生不同的分類結(jié)果，參考國務院第一次全國地理國情普查領(lǐng)導小組辦公室2013年8月發(fā)布的《地理國情普查內(nèi)容與指標(GDPJ01-2013)》進行地表覆蓋信息的分類，其中地理國情普查內(nèi)容分為12個一級類，58個二級類，133個三級類，其名稱和代碼均有定義參考該分類體系，采用三級分類。

2 數(shù)據(jù)源及研究區(qū)概況

2.1 遙感影像信息

選取的是2011年11月空間分辨率為0.5 m的WorldView_2影像作為數(shù)據(jù)源，其除了藍色波段(450～510)、綠色波段(510～580)、紅色波段(630～690)、近紅外線波段(770～895外，還具有新的彩色波段：海岸波段(400～450)，這個波段支持植物鑒定和分析，也支持基于葉綠素和滲水的規(guī)格參數(shù)表的深海探測研究；黃色波段(585～625)，是重要的植物應用波段；紅色邊緣波段(705～745)，輔助分析有關(guān)植物生長情況，可以直接反映出植物健康狀況有關(guān)信息；近紅外2波段(860～1 040)，這個波段部分重疊在NIR1波段上，但較少受到大氣層的影響，該波段支持植物分析和單位面積內(nèi)生物數(shù)量的研究。

2.2 研究區(qū)概況

西藏自治區(qū)，全區(qū)面積120.223萬km2，約占全國總面積的1/8，設1個地級市(拉薩市)、6個地區(qū)(昌都地區(qū)、林芝地區(qū)、山南地區(qū)、日喀則地區(qū)、那曲地區(qū)、阿里地區(qū))和73個縣(市區(qū))。地勢由西北向東南傾斜，地貌大致可分為喜馬拉雅高山區(qū)，藏南谷地，藏北高原和藏東高山峽谷區(qū)，地形復雜多樣，因此，為了更高效率的提取地表覆蓋信息，不同區(qū)域選取的信息提取技術(shù)應有所差異。

3 地表覆蓋信息提取

為了更好地對比分析，每種解譯方法所采用的實驗數(shù)據(jù)不同，但實驗區(qū)范圍大小相同，均以1∶25 000分幅數(shù)據(jù)作為實驗區(qū)，地形復雜程度不同，但目標地物種類大致相同。

3.1 目視解譯法

目視解譯指專業(yè)人員通過直接觀察在遙感圖像上獲取特定目標地物信息的過程。實驗是基于Geoway平臺，實現(xiàn)地表覆蓋分類信息提取，實驗區(qū)像素范圍為24 398×19 130。

3.1.1 建立解譯標志

影像的解譯標志也稱判讀要素， 它是遙感圖像上能直接反映和判別地物信息的影像特征， 主要包括形狀、大小、陰影、色調(diào)、顏色、紋理、圖案等。實驗區(qū)內(nèi)地形復雜程度較低，地物種類較少，主要是草地、林地，影像上道路、房屋、水體、耕地等形狀規(guī)則的地物存在但數(shù)量不多。

3.1.2 提取地表覆蓋分類信息

通過建立的解譯標志體系，進行遙感影像的判讀，進行地物類別分類，提取地表覆蓋信息。結(jié)果如圖2(a)所示，為此次實驗的地表覆蓋分類結(jié)果。實驗將目標地物分為14類：旱地(0120)、針葉林(0312)、闊葉灌木林(0321)、喬灌混合林(0330)、高覆蓋度草地(0411)、高密度低矮房屋建筑區(qū)(0521)、低密度低矮房屋建筑區(qū)(0550)、無軌道路路面(0601)、其他硬化地表(0719)、其他構(gòu)筑物(0790)、其他堆放物(0829)、礫石地表(0940)、水面(01001)。

3.2 計算機自動提取法

基于eCognition平臺，采用面向?qū)ο蟮亩喑叨刃畔⑻崛〖夹g(shù)進行地表覆蓋信息進行提取，像素范圍為24 248×18 966。面向?qū)ο蟮亩喑叨刃畔⑻崛》椒ǖ淖钚⊙芯繉ο蟛皇菃蝹€像元，而是基于某種規(guī)則組合而成的像元集，即對象。

3.2.1 分 割

影像分割是面向?qū)ο蟮亩喑叨刃畔⑻崛〖夹g(shù)的基礎(chǔ)和關(guān)鍵。遙感影像具有復雜的空間信息，單一尺度的遙感影像分割難以兼顧不同類別的地物宏觀和微觀特征，當分割尺度較大時，面積較大的目標地物如林地、草地、旱地等得以較好保留，但道路、房屋等面積較小的目標地物的形狀特征則會被破壞；當分割尺度較小時，會導致對象增多，數(shù)據(jù)冗余，降低分類效率。因而需要在不同尺度下對遙感影像進行分割。

根據(jù)RMAS法，通過實驗，計算出影像最優(yōu)尺度，進行3次分割，如表1所示：第一次分割尺度為40，形狀參數(shù)、顏色參數(shù)、緊致度參數(shù)為、平滑度參數(shù)分別為0.2、0.8、0.9、0.1，波段權(quán)重為R∶G∶B∶Nir=1∶1∶1∶1，以提取房屋、道路信息、水體信息；第二次分割尺度為60，形狀參數(shù)、顏色參數(shù)、緊致度參數(shù)為、平滑度參數(shù)分別為0.2、0.8、0. 8、0.2，波段權(quán)重為R∶G∶B∶Nir=1∶1∶1∶1，以提取旱地信息；第三次分割尺度為80，形狀參數(shù)、顏色參數(shù)、緊致度參數(shù)為、平滑度參數(shù)分別為0.1、0.9、0.9、0.1，波段權(quán)重為R∶G∶B∶Nir=1∶1∶1∶1，以提取植被及其他地物信息。

表1 面向?qū)ο蠓ǘ喑叨确指顓?shù)表

3.2.2 分 類

面向?qū)ο蟮姆诸愂腔陬悓哟蔚哪：壿嫼瘮?shù)分類，它不是僅僅把一個影像對象賦予一個類，而是提供這個對象對所有可以考慮類的隸屬度，此外子類可以繼承父類的描述。

eCognition提供兩種分類模式——鄰近分類法和隸屬度函數(shù)分類法，前者屬于監(jiān)督分類，需要定義分類樣本和特征空間，后者屬于非監(jiān)督分類，可以利用對象特征和類間相關(guān)特征精確定義對象屬于某一類的標準。根據(jù)鄰近分類法，采用鄰近分類器對多尺度分割后的對象進行分類。

3.2.3 分類后處理

分類后，并不能得到理想的分類結(jié)果。此時需要通過一系列分類后處理，一般包括合并對象、重分類、局部邊緣處理。剛分類后的對象成為目標地物的子類，相同屬性的對象并沒有合并起來，此時，需要對每一類地物進行合并；對錯分、誤分的地物需要進行重分類；由于影像存在陰影或者其他原因，導致道路、水體信息中斷，需要進行局部邊緣處理，以使其邏輯準確，實驗采用的是生長法。

分類后處理是確保分類準確性重要的一步，分類結(jié)果如圖2(b)圖所示，實驗提取了16種地表覆蓋分類地物：旱地(0120)、闊葉林(0311)、針葉林(0312)、闊葉灌木林(0321)、喬灌混合林(0330)、高覆蓋度草地(0411)、低覆蓋度草地(0413)、高密度低矮房屋建筑區(qū)(0521)、低密度低矮房屋建筑區(qū)(0550)、無軌道路路面(0601)、其他硬化地表(0719)、其他堆放物(0829)、礫石地表(0940)、巖石地表(0950)、水面(01001)。

3.3 計算機人工交互解譯法

對地形復雜的遙感影像，使用目視解譯耗時長，而使用計算機自動提取又達不到生產(chǎn)精度，此時，可以使用二者相結(jié)合的計算機人工交互解譯法提取其地表覆蓋信息，此實驗綜合運用Geoway、eCognition與ArcGIS軟件，實驗區(qū)像素范圍為24 398×19 130。

3.3.1 目視解譯房屋及道路

實驗區(qū)房屋從光譜上看，屋頂有藍色、白色、黑色、灰色等，其形狀亦不規(guī)則，而道路路面由于原材料有瀝青、碎石、土，在影像上亦呈現(xiàn)白色、青色、黃色等復雜的光譜信息，其道路網(wǎng)稀松，存在中斷現(xiàn)象，不利于進行計算機自動解譯。故利用Geoway軟件將實驗區(qū)的房屋、道路信息提取出來。

3.3.2 計算機自動提取

實驗區(qū)旱地、水體數(shù)量繁多，二者幾何形狀特征突出，與相鄰地物光譜信息差異大，適宜計算機自動提取的地物。在eCognition平臺上，將人工矢量化得到的矢量數(shù)據(jù)及DEM數(shù)據(jù)參與分割，先進行矢量分割，得到房屋、道路分類數(shù)據(jù)；再次分割，尺度為75，形狀參數(shù)、顏色參數(shù)、緊致度參數(shù)、平滑度參數(shù)分別為0.2、0.8、0. 8、0.2，波段權(quán)重為R∶G∶B∶Nir=1∶1∶1∶1，以提取旱地及水面信息。

實驗區(qū)其他地物多為林地、草地，則采用計算機自動解譯的方式進行地表覆蓋信息提取。

3.3.3 計算機人工解譯信息提取后處理

計算機人工交互解譯由于計算機與人反復交叉工作，會導致數(shù)據(jù)銜接存在問題，需要進行后處理，核查其屬性信息是否丟失，邏輯關(guān)系是否存在不恰當處。

分類結(jié)果如圖2(c)所示，此次實驗將實驗區(qū)地物分為19類：旱地(0120)、闊葉林(0311)、針葉林(0312)、針闊混交林(0313)、闊葉灌木林(0321)、喬灌混合林(0330)、疏林(0350)、人工幼林(0370)、高覆蓋度草地(0411)、中覆蓋度草地(0412)、低覆蓋度草地(0413)、人工草地(0420)、高密度低矮房屋建筑區(qū)(0521)、低密度低矮房屋建筑區(qū)(0550)、無軌道路路面(0601)、其他硬化地表(0719)、礫石地表(0940)、巖石地表(0950)、水面(01001)。

圖2 地表覆蓋地物分類圖

3.4 分類結(jié)果及精度評價

通過3次實驗，可以看出，不同的地區(qū)，影像質(zhì)量不同，地形不同，地表覆蓋種類不同，適用的解譯方法不同，分類結(jié)果不同。目視解譯法，適用于地形簡單，地物種類少，地物破碎度較小的解譯區(qū)域，對影像質(zhì)量要求一般；如圖3(a)所示，為目視解譯法實驗中14種地物的分類精度，每種地物分類精度都較高，總體精度為94.01%。

計算機自動解譯法，適用于地形簡單，地物破碎度較小的解譯區(qū)域，對影像質(zhì)量要求高，而與地物種類數(shù)關(guān)系不大；對線性地物，尤其是形狀規(guī)則的地物，如旱地、房屋、道路、水體等，解譯效果好；如圖3(b)所示，為計算機自動解譯法實驗中16種地物的分類精度，地物分類精度一般小于目視解譯法解譯的地表覆蓋地物分類精度，總體精度為90.68%。

計算機人工交互解譯法，適用于地形復雜，地物分類破碎度大，線性地物數(shù)占總體地物分類數(shù)比重大的解譯區(qū)域，它對影像質(zhì)量要求比目視解譯法高，比計算機自動提取法低；對于線性地物，尤其是對于旱地、水體等與相鄰地物光譜差異大，形狀規(guī)則的地物，適用計算機自動提取，而對剩余地物，適宜采用目視解譯，如圖3(c)為計算機人工交互解譯法實驗中19種地物的分類精度，地物分類精度一般比目視解譯法解譯的地表覆蓋地物分類精度低，比計算機自動解譯法的地表覆蓋地物分類精度高，總體精度為93.13%。

圖3 地表覆蓋分類成果精度

4 結(jié) 語

綜上所述，在地理國情普查中，對于地形不同的地區(qū)，質(zhì)量不同的遙感影像，宜選用不同的解譯方法，應以合理的方式綜合應用這3種解譯方法：目視解譯法應用于地形簡單、地物種類少的解譯區(qū)域；計算機自動解譯法應用于地形簡單，影像質(zhì)量高的解譯區(qū)域；計算機人工交互解譯法應用于地形復雜，地物種類多，地物破碎度大的解譯。

參考文獻：

[1] 劉新華.專題地圖表示方法在地理國情監(jiān)測信息制圖中的綜合運用[J].測繪標準化，2013，29(3)：12-15

[2] 徐德明.監(jiān)測地理國情服務科學發(fā)展[EB/OL].http：∥chzt.sbsm.gov.cn/article/zxgz/dlgqjc/ttxw/201104/20110400081302.shtml，2011

[3] 中國科學院資源環(huán)境科學與技術(shù)局科學研究動態(tài)監(jiān)測 [EB/OL].http：www.rcees. ac.cn/xwzx/ky-dt/201102/p020220222728608447733.pdf.2011-04-05

[4] Gmes. Gmes. Info [EB/OL]. http：∥www.gmes. Info.2011-04-06

[5] 喬朝飛.國外地理國情監(jiān)測概況與啟示[J].測繪通報，2011(11)：81-83

[6] 渡邊正孝，王勤學，林誠二，等.亞太地區(qū)環(huán)境綜合監(jiān)測的研究方法[J].地理學報，2004，59(1)：3-12

[7] 徐冠華，鞠洪波，何斌，等.世紀中國地球科學發(fā)展：立足中國，走向世界[N].科技日報，2010-08-01

[8] 董冬，龔偉.淺談地理國情普查基本要素內(nèi)容[J].測繪與空間地理信息，2013，36(8)：199-201

[9] 李德仁，眭海剛，單杰.論地理國情監(jiān)測的技術(shù)支撐[J].武漢大學學報·信息科學版，2012，37(5)：505-512

[10] 陳軍，陳晉，宮鵬，等.全球地表覆蓋高分辨率遙感制圖[J].地理信息世界，2011，12(3)：12-14

[11] 程滔，周旭，劉若梅.面向地理國情監(jiān)測的地表覆蓋信息提取方法[J].測繪通報，2013(8)：84-86