基于資源三號遙感影像的濕地信息提取

楊 冬

（1.遼寧省自然資源事務(wù)服務(wù)中心，遼寧 沈陽 110033）

基于遙感影像的分類方法主要有監(jiān)督分類、非監(jiān)督分類、支持向量機(jī)分類、決策樹分類、人工神經(jīng)網(wǎng)絡(luò)分類和面向?qū)ο蠓诸惙椒ǖ?。與傳統(tǒng)基于像元的分類方法不同，面向?qū)ο蠓椒ǖ奶幚韱卧怯扇舾赏|(zhì)性像元組成的一個(gè)個(gè)獨(dú)立的“對象”。因而可以減少分類結(jié)果中由于目標(biāo)內(nèi)部異質(zhì)性大而引起的“椒鹽現(xiàn)象”，特別是對于高分辨率影像遙感分類，由于影像細(xì)節(jié)部分信息更加豐富，與基于像元分類方法相比，面向?qū)ο蠓诸惛邇?yōu)勢，同時(shí)該方法可以提取分類對象的光譜、紋理、形狀和環(huán)境等特征信息用于分類，有效地彌補(bǔ)了高分辨率數(shù)據(jù)光譜特征相對匱乏的缺點(diǎn)，而且能有效地解決基于像元分類中經(jīng)常出現(xiàn)的光譜混淆、混合像元等問題[1-9]。

本文以盤錦市大洼縣濕地為研究對象，利用資源三號高分辨率遙感影像數(shù)據(jù)，采用面向?qū)ο蠓椒▽ρ芯繀^(qū)內(nèi)濕地信息進(jìn)行提取，實(shí)驗(yàn)以研究區(qū)典型地物的光譜特征為基礎(chǔ)，輔以形狀特征、紋理特征和環(huán)境特征構(gòu)建濕地對象分類模型，實(shí)現(xiàn)大洼縣濕地自動提取。同時(shí)，采用基于像元的最大似然分類方法對研究區(qū)濕地進(jìn)行提取，將基于對象和基于像元的濕地提取結(jié)果進(jìn)行對比分析，驗(yàn)證面向?qū)ο蠓椒ㄔ诟叻直媛蔬b感濕地信息提取中的優(yōu)勢。

1 研究區(qū)概況與數(shù)據(jù)源選取

大洼縣位于遼寧省的西南部盤錦市境內(nèi)，遼東灣的東北岸，雙臺子河及大遼河下游的入海口，與渤海相鄰。全境系沉積性退海平原，地勢低洼平坦，無山多水。盤錦市濕地作為我國的重要濕地，對周圍地區(qū)的空氣調(diào)節(jié)起著舉足輕重的作用。其中，大洼縣是“遼寧沿海經(jīng)濟(jì)帶”的重要縣域，同時(shí)也是雙臺河口國家級自然保護(hù)區(qū)和雙臺河口生態(tài)監(jiān)控區(qū)域的所在地。

研究數(shù)據(jù)采用資源三號高分辨率遙感影像，成像時(shí)間為2014-08-02和2014-09-30，包括4個(gè)多光譜波段（藍(lán)光、綠光、紅光和近紅外波段），地面分辨率為5.8 m。數(shù)據(jù)使用前完成了輻射校正、幾何糾正，影像糾正后的空間參考為CGCS2000國家大地坐標(biāo)系和高斯克呂格投影，然后根據(jù)大洼縣縣域界線進(jìn)行裁剪處理。研究區(qū)內(nèi)陸邊界和沿海邊界分別以大洼縣縣域邊界和沿海大堤線為準(zhǔn)，圖1為研究區(qū)標(biāo)準(zhǔn)真彩色資源三號遙感影像。

圖1 大洼縣資源三號真彩色影像

2 研究方法

2.1 濕地分類體系的建立

根據(jù)《全國濕地資源調(diào)查與監(jiān)測技術(shù)規(guī)程》和《濕地公約》，借鑒現(xiàn)有濕地分類體系及全國地理國情監(jiān)測分類體系，結(jié)合大洼縣濕地的實(shí)際情況及資源三號影像的可判讀程度，建立適合大洼縣的濕地分類系統(tǒng)（如表1所示）。

表1 大洼縣濕地分類系統(tǒng)

2.2 面向?qū)ο蟮臐竦匦畔⑻崛?/h3>

面向?qū)ο蠓诸惣夹g(shù)通過幾何臨近像元的特征關(guān)系來識別并組合同質(zhì)性強(qiáng)的光譜要素，充分利用高分辨率全色和多光譜數(shù)據(jù)信息的空間、紋理和光譜信息來分割和分類，以實(shí)現(xiàn)高精度的分類結(jié)果或矢量輸出[10-11]。主要包括兩個(gè)過程：發(fā)現(xiàn)對象和對象的分類。首先將遙感影像按照一定規(guī)則、適當(dāng)尺度進(jìn)行分割并合并成對象，將分類目標(biāo)由像元轉(zhuǎn)變成對象，接下來根據(jù)研究區(qū)典型地物的光譜特征、紋理特征及空間特征構(gòu)建規(guī)則進(jìn)行逐一提取，最終實(shí)現(xiàn)所有濕地類型的自動提取。

2.2.1 發(fā)現(xiàn)對象

發(fā)現(xiàn)對象主要依靠影像分割技術(shù)來實(shí)現(xiàn)，目的是將影像中具有相同和相似特征的臨近像元聚類成一個(gè)個(gè)“對象”，實(shí)現(xiàn)由影像像元向?qū)ο蠡霓D(zhuǎn)換。在影像分割過程中，分割尺度的選取至關(guān)重要，直接影響分割生成對象的內(nèi)部破碎度和邊緣精度[12-13]。

研究采用基于邊緣分割的影像分割算法，通過不同尺度上邊緣的差異控制產(chǎn)生多尺度的分割。分割過程分為兩步：首先確定分割尺度（范圍0~100%，值越大，對象破碎化程度越高），對影像進(jìn)行初始分割；然后確定歸并尺度（范圍0~100%，值越大，對象生成數(shù)量越少，斑塊面積越大），根據(jù)光譜、紋理和空間特征對初始分割得到的破碎對象進(jìn)行迭代歸并。整個(gè)分割過程需要人工干預(yù)確定最佳分割與歸并尺度參數(shù)。經(jīng)過反復(fù)實(shí)驗(yàn)發(fā)現(xiàn)，針對資源三號數(shù)據(jù)在選取75%的分割尺度和95%的歸并尺度時(shí)，得到的對象平均異質(zhì)性最小，對象邊緣最符合實(shí)際情況。

2.2.2 基于規(guī)則的對象分類

基于規(guī)則的對象分類的關(guān)鍵在于對研究區(qū)典型地物對象光譜、紋理、空間和環(huán)境特征的分析掌握。通過對研究區(qū)典型地物隨機(jī)采樣統(tǒng)計(jì)，繪制光譜特征值曲線（圖2）。

圖2 研究區(qū)波段光譜分析

通過圖2所示規(guī)律可以發(fā)現(xiàn)建設(shè)用地和灘涂濕地在藍(lán)光波段（band1）上的光譜值高于其他地物；水庫濕地、坑塘濕地和河流濕地在近紅外波段（band4）上的光譜值明顯低于其他地物，而歸一化植被指數(shù)可以有效提取植被覆蓋區(qū)域，通過對研究區(qū)地物光譜特征規(guī)律及空間環(huán)境特征進(jìn)行分析，首先將研究區(qū)劃分為開闊水域、植被覆蓋區(qū)域和非植被覆蓋區(qū)，其中開闊水域包括河流、水庫和坑塘濕地，植被覆蓋區(qū)域包括水田、蘆葦堿蓬濕地和旱地，而非植被覆蓋區(qū)由灘涂濕地和建設(shè)用地組成[14-16]。然后結(jié)合光譜、空間和紋理特征對以上區(qū)域進(jìn)行細(xì)分，構(gòu)建濕地對象提取規(guī)則模型（圖3），進(jìn)行濕地逐類提取。

圖3 面向?qū)ο蟮臐竦胤诸愐?guī)則

對于水域濕地的提取，首先應(yīng)用近紅外波段可以提取出水域，對水域濕地的再分類，選用面積特征和形狀特征（Roundness）進(jìn)行區(qū)分，Roundness用于描述多邊形的圓度特征，公式如下：

式中，Area表示面積，Rmax表示最大直徑，圓形的特征值為1，正方形的特征值為pi/4，形狀越不規(guī)則，特征值越小。通過實(shí)驗(yàn)分析可以發(fā)現(xiàn)，河流濕地和水庫濕地的面積大于坑塘濕地，應(yīng)用面積特征可以將坑塘提取出來，而河流濕地的Roundness值明顯要小于水庫濕地，可以實(shí)現(xiàn)河流濕地和水庫濕地的區(qū)分。

對于植被濕地的提取，首先應(yīng)用歸一化植被指數(shù)可以提取出植被區(qū)域，包括蘆葦、水田、赤堿蓬和旱地，通過對典型地物光譜特征的分析（圖2），發(fā)現(xiàn)水田濕地在綠光波段、蘆葦濕地在紅光波段、堿蓬濕地在藍(lán)光波段特征差異明顯，從而可以進(jìn)行逐類提取。

灘涂濕地與建設(shè)用地各個(gè)波段特征值都比較接近，且在藍(lán)光波段（band1）特征值都明顯高于其他地物。首先，可以根據(jù)band1將灘涂濕地和建設(shè)用地提取出來，而建設(shè)用地表面與灘涂濕地相比紋理較為粗糙，所以紋理特征可以用來區(qū)分建設(shè)用地和灘涂濕地。卷積核范圍內(nèi)的平均灰度變化值(Variance)可以直接反映區(qū)域內(nèi)紋理粗細(xì)程度，其公式表示為：

Variance表示像元值與均值Mean偏差的度量；當(dāng)對象中灰度變化較大時(shí)，Variance值較大，可以根據(jù)該特征變量區(qū)分灘涂濕地與建設(shè)用地，從而將灘涂濕地提取出來。

3 結(jié)果與分析

通過基于規(guī)則的面向?qū)ο蠓诸惙椒?，對大洼縣濕地進(jìn)行了自動提取和分類，得到2014年大洼縣濕地景觀圖（見圖4），對大洼縣濕地進(jìn)行空間特征分析。同時(shí)，采用基于像元的最大似然分類方法對大洼縣濕地進(jìn)行自動提取，并分別對基于對象和基于像元的濕地提取結(jié)果構(gòu)建混淆矩陣進(jìn)行精度評價(jià)。

圖4 大洼縣濕地景觀圖

3.1 結(jié)果分析

對濕地提取結(jié)果統(tǒng)計(jì)分析表明，2014年大洼縣濕地總面積為1 110.66 km2，約占大洼縣縣域面積的70.31%，其中人工濕地和天然濕地面積分別為867.65 km2和243.01 km2，分別占濕地總面積78.12%和21.88%。人工濕地中，水田濕地面積最大，面積高達(dá)737.34 km2，占濕地總面積的66.39%，其次是坑塘濕地和水庫濕地，分別占濕地總面積的8.67%和3.06%；天然濕地中，蘆葦濕地面積最大，面積為139.81 km2，占濕地總面積12.59%，灘涂濕地、河流濕地和堿蓬濕地面積依次減小，分別僅占濕地總面積的4.33%、3.94%和1.01%。通過對圖4分析可知，大洼縣濕地分布狀況為水田濕地分布最廣，覆蓋大洼縣大部分地區(qū)，濕地類型優(yōu)勢度最大；沼澤濕地集中分布在縣域西側(cè)；河流濕地主要表現(xiàn)為兩條流域，分別分布在縣域的東西兩側(cè)邊界；坑塘濕地主要分布在水庫周圍和沿海地區(qū)；灘涂濕地的分布較為集中，主要分布在南側(cè)沿海地區(qū)；水庫濕地主要分布在水田濕地區(qū)域中。

3.2 分類結(jié)果比較

圖5為采用基于像元的最大似然方法獲取的大洼縣濕地分類結(jié)果。通過將圖4與圖5進(jìn)行比較分析，可以發(fā)現(xiàn)面向?qū)ο蠓诸惤Y(jié)果明顯優(yōu)于最大似然分類結(jié)果，最大似然方法分類結(jié)果中存在大量的錯分、漏分情況，出現(xiàn)了基于像元分類結(jié)果中常見的“椒鹽現(xiàn)象”，特別是灘涂濕地與建設(shè)用地、坑塘濕地與河流濕地和水庫濕地的分類混淆情況嚴(yán)重。

圖5 大洼縣最大似然濕地分類結(jié)果

為了全面分析基于對象與基于像元分類結(jié)果的精度情況，根據(jù)各類濕地在研究區(qū)的分布離散程度，在分類結(jié)果影像上隨機(jī)生成一定數(shù)目的樣本點(diǎn)建立混淆矩陣進(jìn)行精度評價(jià)。通過與大洼縣濕地2014年地理國情監(jiān)測數(shù)據(jù)對比，分別得到基于對象和基于像元的分類結(jié)果精度為94.03%和82.08%，kappa系數(shù)為0.861 7和0.805 9，結(jié)果表明面向?qū)ο蟮姆诸惪傮w精度和kappa系數(shù)都明顯高于最大似然法分類結(jié)果，特別是在蘆葦濕地和灘涂濕地的提取精度上有很大提高。

4 結(jié)語

本文基于資源三號遙感影像，結(jié)合濕地的光譜、形狀、面積和紋理等特征，提出一種面向?qū)ο蟮臐竦胤謪^(qū)提取方法，實(shí)現(xiàn)大洼縣濕地逐類提取。將提取結(jié)果與采用最大似然分類方法的濕地分類結(jié)果進(jìn)行對比，結(jié)果表明，在基于高分辨率遙感影像的濕地信息提取中，本文提出的面向?qū)ο蠓謪^(qū)分類方法的濕地信息提取精度更高，顯著減少了基于像元的傳統(tǒng)分類方法所產(chǎn)生的“椒鹽現(xiàn)象”，出現(xiàn)錯分、漏分的情況明顯降低。同時(shí)，與基于像元的傳統(tǒng)濕地信息提取方法相比，面向?qū)ο蟮臐竦胤謪^(qū)提取方法融合光譜、空間、紋理和環(huán)境多種特征作為分類變量，充分利用了高分辨率遙感數(shù)據(jù)空間分辨率高而光譜信息相對匱乏的特點(diǎn)。