基于HJ-1星CCD數(shù)據(jù)的面向?qū)ο笕斯け砻嫘畔⑻崛⊙芯?br/>——以陜西關(guān)中平原為例

謝家麗，顏長(zhǎng)珍，宋 翔

(中國(guó)科學(xué)院寒區(qū)旱區(qū)環(huán)境與工程研究所沙漠與沙漠化重點(diǎn)實(shí)驗(yàn)室，甘肅蘭州 730000)

在人類生產(chǎn)和生活活動(dòng)對(duì)土地資源的空間分布、質(zhì)量和數(shù)量的強(qiáng)烈影響下，人工表面具有極強(qiáng)的動(dòng)態(tài)性［1］。實(shí)時(shí)提取人工表面信息，對(duì)土地資源管理以及生態(tài)環(huán)境評(píng)價(jià)具有重要意義。但是傳統(tǒng)的外業(yè)實(shí)地調(diào)查很難快速獲取大面積的實(shí)時(shí)信息。遙感技術(shù)憑借探測(cè)周期短、現(xiàn)時(shí)性強(qiáng)、可大面積同時(shí)觀測(cè)的優(yōu)勢(shì)，已成為地物定性、定量探測(cè)的重要手段，為地球資源監(jiān)測(cè)提供了大量的數(shù)據(jù)支持［2－3］。隨著遙感技術(shù)的進(jìn)步及其應(yīng)用的深入，遙感專題信息的提取方法也在不斷革新，經(jīng)歷了目視解譯、自動(dòng)分類、光譜特性的信息提取、光譜空間特征的專題信息提取、面向?qū)ο蠓诸愐约岸喑叨确诸悾?－8］等多個(gè)階段。目前除地物光譜特征外，人們?cè)絹?lái)越注重影像的空間特征如紋理和形狀與地學(xué)輔助數(shù)據(jù)等在信息提取中的作用［9］。Baatz等提出的面向?qū)ο蟮姆诸惙椒▽⒂跋窕诓煌ǘ蔚臋?quán)重進(jìn)行分割，以對(duì)象為處理單元，綜合紋理、上下文等特征信息，在分類精度和速度方面，與傳統(tǒng)方法相比都有顯著提高［10－11］。面向?qū)ο蟮姆诸惙椒ㄔ诨诟叻直媛视跋竦母鞣N遙感信息提取中應(yīng)用廣泛［12－13］，而在時(shí)間上連續(xù)性好、光譜信息比較豐富、獲取成本較低的中分辨率影像利用方面存在不足［14］。近年來(lái)，一些學(xué)者開(kāi)始中分辨率影像信息提取的研究［15－16］。

人工表面信息的提取一直是影像分類中的難點(diǎn)，在大面積土地覆蓋信息提取中更是如此。目前對(duì)人工表面信息的提取研究多是基于高分辨率影像的城市信息提取，包括城市建筑物信息提取、城市綠地提取、道路和橋梁等重大工程信息的提?。?7－20］。由于影像光譜信息和時(shí)相信息過(guò)于單一，人工表面信息的提取精度總是不理想［21］。2008年9月6日，我國(guó)發(fā)射了專門(mén)用于環(huán)境與災(zāi)害監(jiān)測(cè)的預(yù)報(bào)小衛(wèi)星(HJA、HJ-B)，可實(shí)現(xiàn)可見(jiàn)光探測(cè)在30 m分辨率下每2 d對(duì)國(guó)土進(jìn)行全覆蓋觀測(cè)，同時(shí)具備大范圍、全天時(shí)、全天候環(huán)境與災(zāi)害監(jiān)測(cè)等方面的能力［22－23］，為人工表面信息的提取提供了豐富的信息源。為此，筆者將HJ-1號(hào)衛(wèi)星CCD數(shù)據(jù)作為主要數(shù)據(jù)源，以關(guān)中平原為例，發(fā)展面向?qū)ο蟮亩喑叨确诸愄崛∪斯け砻嫘畔⒌姆椒ǎ瑸榇竺娣e土地覆蓋分類中人工表面信息的提取提供成熟的方法。

1 研究區(qū)概況

關(guān)中平原位于陜西省中部，西起隴山，東至潼關(guān)，南至秦嶺北麓，北至陜北黃土高原，總面積5.56萬(wàn)km2，其地處溫帶大陸性季風(fēng)氣候區(qū)，年平均降水量時(shí)間上呈波動(dòng)變化，并由西南向東北遞減［24］。該區(qū)開(kāi)發(fā)歷史久遠(yuǎn)，人為活動(dòng)強(qiáng)烈，土地覆蓋中人工表面信息類型多、分布廣，在西北地區(qū)極具代表性。

2 數(shù)據(jù)與研究方法

2.1 數(shù)據(jù)來(lái)源及其預(yù)處理 環(huán)境減災(zāi)衛(wèi)星HJ數(shù)據(jù)來(lái)源于中國(guó)資源衛(wèi)星中心，作為主要數(shù)據(jù)源，并輔以Aster 30m的DEM 數(shù)據(jù)(http://asterweb.jpl.nasa.gov/gdem-wist.asp)以及由DEM經(jīng)過(guò)空間分析生成的坡度數(shù)據(jù)和Landsat TM數(shù)據(jù)(http://glovis.usgs.gov/)。HJ-1號(hào)衛(wèi)星CCD數(shù)據(jù)共有4個(gè)波段，分別為:①藍(lán)色波段，0.43 ～0.52 μm，對(duì)水體有透射能力;②綠色波段，0.52 ～0.60 μm，探測(cè)健康植被綠色反射峰;③紅色波段，0.63 ～0.69 μm，測(cè)量植物綠色素吸收率;④近紅外波段，0.76～0.90 μm，測(cè)定生物量和作物長(zhǎng)勢(shì)。前3個(gè)波段可區(qū)分人造地物類型，而近紅外波段可區(qū)分植被類型。在數(shù)據(jù)選擇方面，采用多時(shí)相的數(shù)據(jù)源(HJ/CCD:20100721、20101103、20100316)，根據(jù)地物在不同季節(jié)所表現(xiàn)的光譜特征進(jìn)行信息提取。

采用WGS_1984_UTM投影坐標(biāo)系，對(duì)幾何校正后的研究區(qū)TM影像數(shù)據(jù)進(jìn)行投影轉(zhuǎn)換，將其作為校正HJ星數(shù)據(jù)控制點(diǎn)的參考影像。另外，對(duì)HJ星數(shù)據(jù)進(jìn)行大氣校正、輻射校正、幾何精校正、波段合成等處理。由于HJ數(shù)據(jù)幅寬較大，為了提高工作效率，在進(jìn)行幾何精校正時(shí)采用自動(dòng)配準(zhǔn)生成控制點(diǎn)，并人工檢查和修改匹配不準(zhǔn)的控制點(diǎn)，模型選用Rubber Sheeting，誤差控制在1.5個(gè)像元內(nèi)。

2.2 信息提取方法 面向?qū)ο蠓诸惙椒ㄊ侵竿ㄟ^(guò)對(duì)影像進(jìn)行分割，使同質(zhì)像元組成大小不同的對(duì)象［25］，以每個(gè)對(duì)象為處理單元，獲取對(duì)應(yīng)地物的光譜信息，并綜合利用影像對(duì)象的紋理、形狀、空間拓?fù)潢P(guān)系等信息。影像的多尺度分割技術(shù)是一個(gè)局部?jī)?yōu)化過(guò)程，從任一個(gè)像元開(kāi)始，采用自上而下的區(qū)域合并方法形成對(duì)象，每一個(gè)對(duì)象的大小調(diào)整都必須確保合并后的對(duì)象的異質(zhì)性小于給定的閾值［25－26］。對(duì)所有面向?qū)ο蟮男畔⑻崛》椒▉?lái)說(shuō)，成功的影像分割是必要前提，影像分割本身不是目的，但其分割的尺度和精度對(duì)下一步分類的精度影響很大［8］。

在進(jìn)行對(duì)象分割時(shí)，面向?qū)ο蟮姆诸惙椒ㄍㄟ^(guò)集合鄰近像元作為一個(gè)對(duì)象來(lái)識(shí)別感興趣的光譜要素。影像分割應(yīng)遵循兩條原則:①盡可能地將顏色因子的權(quán)重設(shè)大，因?yàn)楣庾V信息是影像數(shù)據(jù)中所包含的主要數(shù)據(jù)，形狀因子權(quán)重太高會(huì)導(dǎo)致光譜均質(zhì)性的損失;②對(duì)于那些邊界不很光滑但聚集度較高的影像對(duì)象盡可能使用必要的形狀因子［18］。該研究主要是利用德國(guó)Definiens Imaging公司開(kāi)發(fā)的面向?qū)ο蟮倪b感分類軟件eCognition進(jìn)行人工表面信息提取?；诿嫦?qū)ο蟮睦碚撝R(shí)，利用多尺度分割技術(shù)，統(tǒng)計(jì)分析對(duì)象的光譜屬性，建立規(guī)則集對(duì)影像進(jìn)行分類，并用野外樣本點(diǎn)對(duì)分類結(jié)果進(jìn)行精度驗(yàn)證。

根據(jù)項(xiàng)目需求制定的我國(guó)土地覆蓋分類系統(tǒng)，將人工表面分為3個(gè)Ⅰ級(jí)類型和6個(gè)Ⅱ級(jí)類型(圖1)，并對(duì)研究區(qū)主要的人工表面信息進(jìn)行對(duì)象DN值采樣(圖2)。影像對(duì)象DN值的差異、變化特征及相應(yīng)人工表面的特征指數(shù)是建立分類規(guī)則集的依據(jù)。試驗(yàn)采用的整個(gè)技術(shù)流程和選用的特征參數(shù)如圖3所示。

圖1 研究區(qū)人工表面信息分類系統(tǒng)

圖2 主要人工表面地物類型樣本光譜響應(yīng)曲線

圖3 面向?qū)ο蟮娜斯け砻嫘畔⑻崛×鞒?/p>

2.3 云檢測(cè)與去除 進(jìn)行土地覆蓋分類時(shí)，選擇影像的要求包括:①選擇植被生長(zhǎng)期的影像，以反映植被類型和現(xiàn)狀;②選擇云覆蓋量最少的影像。但實(shí)際上很難找到同時(shí)滿足兩個(gè)條件的數(shù)據(jù)，并且目前的去云技術(shù)只能消除薄云對(duì)定量遙感反演的影響，因此對(duì)土地覆蓋分類工作來(lái)說(shuō)，獲取云覆蓋區(qū)域的地物類型的難度較大。為了提高土地覆蓋信息提取的精度，需要進(jìn)行去云處理。采用許章華等［27］的替換法思路對(duì)影像中的云進(jìn)行處理。該研究利用“(HJ1+HJ2+HJ3)/3”的值將研究區(qū)內(nèi)被云覆蓋的區(qū)域全部提出，并將其定義為云指數(shù)(Cloud Index，簡(jiǎn)稱CI)，經(jīng)過(guò)多次試驗(yàn)，取CI＞86.45的區(qū)域賦值為“云”，但是由于部分工業(yè)用地的光譜反射值較大，使其包含在“云”里面，因此對(duì)“云”需要再次設(shè)定閾值，采用DEM和Slope將這部分居住地提出，然后對(duì)“云”進(jìn)行影像替換，重新分類。

2.4 特征指數(shù)計(jì)算

2.4.1 水體指數(shù)計(jì)算。水體在近紅外波段的反射率遠(yuǎn)低于其他地物，并且隨著波長(zhǎng)從藍(lán)光增加到近紅外，水體的反射率降幅很大。根據(jù)對(duì)水體的光譜特征分析，建立基于藍(lán)光波段的歸一化差異水體指數(shù)模型(Normalized Difference Water Index-Blue，NDWI-B)，公式如下［22］:

式中，Blue為HJ星CCD數(shù)據(jù)的藍(lán)光波段;NIR為HJ星CCD數(shù)據(jù)的近紅外波段。

2.4.2 植被指數(shù)的計(jì)算。歸一化植被指數(shù)(Normalized Difference Vegetation Index，NDVI)是植被生長(zhǎng)狀態(tài)及植被覆蓋的最佳指示因子，它的時(shí)間變化曲線可反映季節(jié)和人為活動(dòng)的變化，公式如下［28］:

式中，HJ3和HJ4分別為HJ-1 CCD數(shù)據(jù)的第3波段和第4波段的DN值。

3 試驗(yàn)結(jié)果與分析

對(duì)研究區(qū)影像進(jìn)行多尺度分割，以Ⅰ級(jí)分類15的分割尺度和Ⅱ級(jí)分類5的分割尺度進(jìn)行分割。在信息的自動(dòng)提取過(guò)程中采用決策樹(shù)［23，29］的分類思想逐級(jí)開(kāi)展。按照技術(shù)流程圖(圖3)，對(duì)試驗(yàn)區(qū)人工表面信息進(jìn)行提取，具體特征參數(shù)設(shè)置如下。

(1)通過(guò)分析影像中耕地的光譜特征值，對(duì)4個(gè)波段的值進(jìn)行求和，設(shè)定閾值提取耕地。該研究中取SUM(HJ1－4)＞240。在關(guān)中平原，園地和耕地呈交叉分布，容易混淆。在耕地中需要利用耕地的季節(jié)差異，通過(guò)不同時(shí)相的NDVI和HJ星第4波段的值區(qū)分耕地和園地，選取研究區(qū)同年3個(gè)季節(jié)的影像(HJ/CCD:20100721、20101103、20100316)進(jìn)行對(duì)比分析得出:春季農(nóng)田的NDVI值大于0.3，而夏季和秋季農(nóng)田的NDVI值均位于0附近;春季園地的NDVI值在0附近，而夏季和秋季園地的NDVI值大于0.25。

(2)利用基于藍(lán)波段的改進(jìn)型歸一化差異水體指數(shù)NDWI-B提取水體，理論上水體的NDWI-B的值應(yīng)大于0，但是由于影像的時(shí)相以及傳感器等因素的影響，該研究中取NDWI-B＞0.045為水體。研究區(qū)內(nèi)的水體包括河流、湖泊和水庫(kù)/坑塘，利用形狀指數(shù)將河流剔除，分別對(duì)湖泊和水庫(kù)/坑塘與耕地的空間拓?fù)潢P(guān)系進(jìn)行分析，通過(guò)“find enclosed by class”以及“Rel.to neighbor class”將耕地包圍的和耕地附近的水體劃分為水庫(kù)/坑塘。

(3)通過(guò)分析對(duì)象樣本的DN值，發(fā)現(xiàn)建設(shè)用地與其他地物在第3波段的差異較大，因此可以利用DEM、坡度和第3波段的值來(lái)提取建設(shè)用地信息。由于關(guān)中平原人類活動(dòng)比較集中，居住地通常分布在低平區(qū)，Slope＜10。建設(shè)用地分為居住地、工業(yè)用地和交通用地，首先通過(guò)形狀指數(shù)將交通用地提出，然后根據(jù)亮度區(qū)分居住地和工業(yè)用地。此外，分布于耕地間的居民地可用紋理值提取，取其值大于2.25的為居住地。

綜合利用地物對(duì)象的光譜特征、亮度、紋理、地理空間關(guān)系等信息參數(shù)，運(yùn)用面向?qū)ο蟮姆诸惙椒ㄟM(jìn)行多尺度分割，對(duì)分割后的影像對(duì)象進(jìn)行逐級(jí)信息提取，得到研究區(qū)人工表面信息的分類結(jié)果(圖4)。

圖4 關(guān)中平原人工表面信息分類結(jié)果

利用外業(yè)采樣驗(yàn)證點(diǎn)和基于Google Earth等高分辨率影像的目視解譯隨機(jī)采樣點(diǎn)(按各地類圖斑數(shù)的5%隨機(jī)抽樣)共2 475個(gè)，對(duì)關(guān)中平原人工表面信息分類結(jié)果進(jìn)行驗(yàn)證，精度可達(dá)到85.90%(表1)。但是由于受HJ影像數(shù)據(jù)空間分辨率以及混合像元等因素的影響，建設(shè)用地和園地分類精度相對(duì)較低，需要后期人工修改，最終分類精度提高到93%。

表1 人工表面信息分類精度驗(yàn)證結(jié)果 km2

4 結(jié)論

(1)HJ-1號(hào)衛(wèi)星的CCD數(shù)據(jù)具有重訪周期短、覆蓋范圍大和空間分辨率較高的特點(diǎn)，在大區(qū)域人工地表信息分類提取應(yīng)用中具有很大潛力，可為快速、準(zhǔn)確地提取地物分類信息提供數(shù)據(jù)基礎(chǔ)。

(2)與傳統(tǒng)的目視解譯分類方法相比，面向?qū)ο蟮挠?jì)算機(jī)自動(dòng)分類方法的效率顯著提高，并且eCognition軟件可以充分利用分類之前采集的野外調(diào)查樣本點(diǎn)作為樣本專題層，在分類時(shí)加入多時(shí)相影像數(shù)據(jù)以及DEM、Slope、TM和特征指數(shù)等輔助數(shù)據(jù)。此外，面向?qū)ο蟮姆诸惙椒ú粌H利用地物本身的光譜特性，而且綜合紋理、形狀、地理空間關(guān)系等參數(shù)信息，提高了分類精度。

(3)受影像數(shù)據(jù)空間分辨率的限制和混合像元的影響，建設(shè)用地和園地的分類精度相對(duì)較低，后期需要手工修改以提高分類精度。此外，由于計(jì)算機(jī)自動(dòng)分類圖斑的破碎化，經(jīng)過(guò)手工整飾后才能用于專題制圖。

［1］張銀輝，趙庚星.利用ENVI軟件衛(wèi)星遙感耕地信息自動(dòng)提取技術(shù)研究［J］.四川農(nóng)業(yè)大學(xué)學(xué)報(bào)，2000，18(2):170 －172.

［2］童慶禧.遙感科學(xué)技術(shù)進(jìn)展［J］.地理學(xué)報(bào)，1994，49(S1):616 －623.

［3］陳鵬飛，王卷樂(lè)，廖秀英，等.基于環(huán)境減災(zāi)衛(wèi)星遙感數(shù)據(jù)的呼倫貝爾草地地上生物量反演研究［J］.自然資源學(xué)報(bào)，2010，25(7):1122－1131.

［4］濮靜娟.遙感圖像目視解譯原理與方法［M］.北京:中國(guó)科學(xué)技術(shù)出版社，1992.

［5］HARRlS A J L，VAUGHAN R A，ROTHERY D A.Volcano detection and monitoring using AVHRR data:the Krafla eruption［J］.Remote Sensing，1995，16(6):1001 －1020.

［6］陳偉榮，郭德方.比值合成和特征主成分選擇技術(shù)在提取油區(qū)信息中的應(yīng)用［J］.遙感技術(shù)與應(yīng)用，1995，10(3):33 －39.

［7］喻光明，王朝南，鐘儒剛，等.基于DEM的洪澇災(zāi)害信息提取與損失估算［J］.國(guó)土資源遙感，1996(1):42－50.

［8］錢巧靜，謝瑞，張磊，等.面向?qū)ο蟮耐恋馗采w信息提取方法研究［J］.遙感技術(shù)與應(yīng)用，2005，20(3):338 －342.

［9］GONG P，MARCEAU D J，HOWARTH P J.A comparison of spatial feature extraction algorithms for land-use classification with SPOT HRV data［J］.Remote Sensing of Environment，1992，40(2):137 －151.

［10］BAATZ M，SCH?PE A.Object-oriented and multi-scale image analysis in semantic networks［C］//2nd International Symposium:Operationalization of Remote Sensing.Netherlands，1999:16 －20.

［11］GAO Y，MAS J F，MAATHUIS B H P，et al.Comparison of pixel-based and object-oriented image classification approaches-a case study in a coal fire area，Wuda，Inner Mongolia，China［J］.International Journal of Remote Sensing，2006，27(18):4039 －4055.

［12］YU Q，GONG P，CLINTON N，et al.Object-based detailed vegetation classification with airborne high spatial resolution remote sensing imagery［J］.Photogrammetric Engineering and Remote Sensing，2006，72(7):799－811.

［13］李斌兵，黃磊.基于面向?qū)ο蠹夹g(shù)的黃土丘陵溝壑區(qū)切溝遙感提取方法研究［J］.水土保持研究，2013，20(3):115 －119.

［14］林川，宮兆寧，趙文吉.基于中分辨率TM數(shù)據(jù)的濕地水生植物提取［J］.生態(tài)學(xué)報(bào)，2010，30(23):6460 －6469.

［15］崔一嬌，朱琳，趙力娟.基于面向?qū)ο蠹肮庾V特征的植被信息提取與分析［J］.生態(tài)學(xué)報(bào)，2013，33(3):867 －875.

［16］賈明明，劉殿偉，王宗明，等.面向?qū)ο蠓椒ê投嘣催b感數(shù)據(jù)的杭州灣海岸線提取分析［J］.地球信息科學(xué)學(xué)報(bào)，2013，15(2):262 －269.

［17］車風(fēng)，林輝.城市建設(shè)用地遙感信息提取方法研究［J］.測(cè)繪科學(xué)，2010，35(4):97 －99.

［18］HUANG H P，WU B F，LI M M，et al.Detecting urban vegetation efficiently with high resolution sensing data［J］.Journal of Remote Sensing，2004，8(1):68 －74.

［19］王波.基于面向?qū)ο蟮母叻直媛蔬b感影像人工地物信息提?。跠］.贛州:江西理工大學(xué)，2011.

［20］劉浩，胡卓瑋，趙文慧.基于面向?qū)ο蟮闹卮蠊こ掏恋乩米兓畔⑻崛　試?guó)家體育場(chǎng)(鳥(niǎo)巢)建設(shè)工程為例［J］.國(guó)土資源遙感，2009(4):86－89.

［21］張峰，吳炳方，黃慧萍，等.泰國(guó)水稻種植區(qū)耕地信息提取研究［J］.自然資源學(xué)報(bào)，2003，18(6):766 －772.

［22］曲偉，路京選，李琳，等.環(huán)境減災(zāi)小衛(wèi)星影像水體和濕地自動(dòng)提取方法研究［J］.遙感信息，2011，4(7):28 －33.

［23］劉睿，馮敏，孫九林，等.基于環(huán)境減災(zāi)衛(wèi)星CCD數(shù)據(jù)與決策樹(shù)技術(shù)的植被分類研究［J］.地理科學(xué)，2012，32(12):1488 －1495.

［24］張俊香，延軍平.關(guān)中平原小麥產(chǎn)量對(duì)氣候變化區(qū)域響應(yīng)的評(píng)價(jià)模型研究［J］.干旱區(qū)資源與環(huán)境，2003，17(1):85 －90.

［25］陳云浩，馮通，史培軍，等.基于面向?qū)ο蠛鸵?guī)則的遙感影像分類研究［J］.武漢大學(xué)學(xué)報(bào):信息科學(xué)版，2006，31(4):316 －320.

［26］BENZ U C，HOFMANN P，WILLHAUCK G，et al.Multi-resolution，objectoriented fuzzy analysis of remote sensing data for GIS-ready information［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2004，58(3):239－258.

［27］許章華，龔從宏，劉健，等.基于面向?qū)ο笈c替換法的遙感影像云檢測(cè)與去除技術(shù)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44(6):210 －214.

［28］趙英時(shí).遙感應(yīng)用分析原理與方法［M］.北京:科學(xué)出版社，2003.

［29］溫興平，胡光道，楊曉峰.基于C 5.0決策樹(shù)分類算法的ETM+影像信息提?。跩］.地理與地理信息科學(xué)，2008，23(6):26－29.