基于HJ—1星CCD數(shù)據(jù)的面向?qū)ο笕斯け砻嫘畔⑻崛⊙芯?/h1>
2014-01-18 03:46:19謝家麗顏長珍宋翔
安徽農(nóng)業(yè)科學(xué) 2014年15期 關(guān)鍵詞：關(guān)中平原
謝家麗 顏長珍 宋翔
摘要以2010年HJ1號衛(wèi)星CCD數(shù)據(jù)為主要數(shù)據(jù)源，采用面向?qū)ο蠓诸惙椒?，提取關(guān)中平原人工表面信息。在eCognition軟件平臺(tái)的支持下，綜合影像光譜信息、紋理、形狀和地理空間關(guān)系等特征參數(shù)，并添加DEM、Slope、TM數(shù)據(jù)、樣本點(diǎn)數(shù)據(jù)以及特征指數(shù)等輔助信息，依據(jù)決策樹分類思想，進(jìn)行多尺度分割逐級提取地物類型。結(jié)果表明：利用HJ1號衛(wèi)星數(shù)據(jù)提取區(qū)域人工表面信息是可行的，采用面向?qū)ο蟮挠?jì)算機(jī)自動(dòng)分類方法提取人工表面信息的效率明顯提高，且精度達(dá)到85.90%。
關(guān)鍵詞HJ1號衛(wèi)星；面向?qū)ο蠓诸?；關(guān)中平原；eCognition
中圖分類號S126；TP79文獻(xiàn)標(biāo)識碼A文章編號0517-6611（2014）15-04897-04
Abstract Realtime extraction of the artificial surface is important for the management of land resources and the assessment of ecological environment.The objectoriented classification method based on HJ1 satellite CCD images was used to extract artificial surface information， and Guanzhong Plain， an important commodity grain base located in the middle of Shaanxi Province with intensive human activities， was chosen to test the adaptability of the extraction method.With the support of eCognition software， the image spectrum information， texture， shape index and geographical spatial relation together with other auxiliary information such as DEM， Slope， TM data， sample point data and some characteristic indices were synthesized， and then artificial surface information were extract hierarchically on the basis of the classification algorithm of decision tree.The classification accuracy was 85.90% and the results indicated that this method was feasible to extract artificial surface information using objectoriented method based on HJ1 satellite CCD data.Compared with the traditional visual interpretation method， the efficiency of computer automatic classification based on objectoriented technology has been significantly boosted.
Key words HJ1 satellite； Objectoriented classification； Guanzhong Plain； eCognition
在人類生產(chǎn)和生活活動(dòng)對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，對土地資源管理以及生態(tài)環(huán)境評價(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)憑借探測周期短、現(xiàn)時(shí)性強(qiáng)、可大面積同時(shí)觀測的優(yōu)勢，已成為地物定性、定量探測的重要手段，為地球資源監(jiān)測提供了大量的數(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怺4-8]等多個(gè)階段。目前除地物光譜特征外，人們越來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，一些學(xué)者開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取[17-20]。由于影像光譜信息和時(shí)相信息過于單一，人工表面信息的提取精度總是不理想[21]。2008年9月6日，我國發(fā)射了專門用于環(huán)境與災(zāi)害監(jiān)測的預(yù)報(bào)小衛(wèi)星（HJA、HJB），可實(shí)現(xiàn)可見光探測在30 m分辨率下每2 d對國土進(jìn)行全覆蓋觀測，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HJ1號衛(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)來源及其預(yù)處理環(huán)境減災(zāi)衛(wèi)星HJ數(shù)據(jù)來源于中國資源衛(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/gdemwist.asp）以及由DEM經(jīng)過空間分析生成的坡度數(shù)據(jù)和Landsat TM數(shù)據(jù)（http：//glovis.usgs.gov/）。HJ1號衛(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，對水體有透射能力；②綠色波段，0.52～0.60 μm，探測健康植被綠色反射峰；③紅色波段，0.63～0.69 μm，測量植物綠色素吸收率；④近紅外波段，0.76～0.90 μm，測定生物量和作物長勢。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^對影像進(jìn)行分割，使同質(zhì)像元組成大小不同的對象[25]，以每個(gè)對象為處理單元，獲取對應(yīng)地物的光譜信息，并綜合利用影像對象的紋理、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)局部優(yōu)化過程，從任一個(gè)像元開始，采用自上而下的區(qū)域合并方法形成對象，每一個(gè)對象的大小調(diào)整都必須確保合并后的對象的異質(zhì)性小于給定的閾值[25-26]。 對所有面向?qū)ο蟮男畔⑻崛》椒▉碚f，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下一步分類的精度影響很大[8]。
在進(jìn)行對象分割時(shí)，面向?qū)ο蟮姆诸惙椒ㄍㄟ^集合鄰近像元作為一個(gè)對象來識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對于那些邊界不很光滑但聚集度較高的影像對象盡可能使用必要的形狀因子[18]。該研究主要是利用德國Definiens Imaging公司開發(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。基于面向?qū)ο蟮睦碚撝R，利用多尺度分割技術(shù)，統(tǒng)計(jì)分析對象的光譜屬性，建立規(guī)則集對影像進(jìn)行分類，并用野外樣本點(diǎn)對分類結(jié)果進(jìn)行精度驗(yàn)證。
根據(jù)項(xiàng)目需求制定的我國土地覆蓋分類系統(tǒng)，將人工表面分為3個(gè)Ⅰ級類型和6個(gè)Ⅱ級類型（圖1），并對研究區(qū)主要的人工表面信息進(jìn)行對象DN值采樣（圖2）。影像對象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。
2.3云檢測與去除進(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)滿足圖3面向?qū)ο蟮娜斯け砻嫘畔⑻崛×鞒虄蓚€(gè)條件的數(shù)據(jù)，并且目前的去云技術(shù)只能消除薄云對定量遙感反演的影響，因此對土地覆蓋分類工作來說，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，簡稱CI），經(jīng)過多次試驗(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“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“云”進(jìn)行影像替換，重新分類。
4結(jié)論
（1）HJ1號衛(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)過手工整飾后才能用于專題制圖。
參考文獻(xiàn)
[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，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 landuse classification with SPOT HRV data[J].Remote Sensing of Environment，1992，40（2）：137-151.
[10] BAATZ M，SCHPE A.Objectoriented and multiscale 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 pixelbased and objectoriented image classification approachesa 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.Objectbased 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取[D].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 試殷w育場（鳥巢）建設(shè)工程為例[J].國土資源遙感，2009（4）：86-89.
[21] 張峰，吳炳方，黃慧萍，等.泰國水稻種植區(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)量對氣候變化區(qū)域響應(yīng)的評價(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.Multiresolution，objectoriented fuzzy analysis of remote sensing data for GISready 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決策樹分類算法的ETM+影像信息提取[J].地理與地理信息科學(xué)，2008，23（6）：26-29.
猜你喜歡
三個(gè)秦嶺野生百合品種人工馴化栽培表現(xiàn)初探西北園藝·果樹(2023年4期)2023-08-14 04:42:58 關(guān)中平原城市群城市規(guī)模分布及演進(jìn)特征時(shí)代經(jīng)貿(mào)(2022年9期)2022-10-11 06:30:16 關(guān)中平原人為土形成的歷史探析農(nóng)學(xué)學(xué)報(bào)(2022年1期)2022-07-14 09:50:11 杮子熟了農(nóng)產(chǎn)品市場周刊(2021年21期)2021-05-31 11:32:04 西安躋身為第9個(gè)國家中心城市生活文摘(2018年1期)2018-07-03 21:27:46 基于三角模型的關(guān)中5市土地生態(tài)安全區(qū)域差異分析安徽農(nóng)業(yè)科學(xué)(2018年5期)2018-05-14 08:59:42 崛起關(guān)中平原城市群西部大開發(fā)(2018年3期)2018-04-24 01:52:20 《關(guān)中平原城市群發(fā)展規(guī)劃》獲批發(fā)布新西部(2018年3期)2018-03-21 10:09:08 我國第7個(gè)城市群建立建筑科技(2018年1期)2018-02-16 04:05:36 利用模擬寬波段數(shù)據(jù)定量反演關(guān)中平原土壤有機(jī)質(zhì)含量研究安徽農(nóng)業(yè)科學(xué)(2016年14期)2016-07-22 08:55:58
謝家麗 顏長珍 宋翔
摘要以2010年HJ1號衛(wèi)星CCD數(shù)據(jù)為主要數(shù)據(jù)源，采用面向?qū)ο蠓诸惙椒?，提取關(guān)中平原人工表面信息。在eCognition軟件平臺(tái)的支持下，綜合影像光譜信息、紋理、形狀和地理空間關(guān)系等特征參數(shù)，并添加DEM、Slope、TM數(shù)據(jù)、樣本點(diǎn)數(shù)據(jù)以及特征指數(shù)等輔助信息，依據(jù)決策樹分類思想，進(jìn)行多尺度分割逐級提取地物類型。結(jié)果表明：利用HJ1號衛(wèi)星數(shù)據(jù)提取區(qū)域人工表面信息是可行的，采用面向?qū)ο蟮挠?jì)算機(jī)自動(dòng)分類方法提取人工表面信息的效率明顯提高，且精度達(dá)到85.90%。
關(guān)鍵詞HJ1號衛(wèi)星；面向?qū)ο蠓诸?；關(guān)中平原；eCognition
中圖分類號S126；TP79文獻(xiàn)標(biāo)識碼A文章編號0517-6611（2014）15-04897-04
Abstract Realtime extraction of the artificial surface is important for the management of land resources and the assessment of ecological environment.The objectoriented classification method based on HJ1 satellite CCD images was used to extract artificial surface information， and Guanzhong Plain， an important commodity grain base located in the middle of Shaanxi Province with intensive human activities， was chosen to test the adaptability of the extraction method.With the support of eCognition software， the image spectrum information， texture， shape index and geographical spatial relation together with other auxiliary information such as DEM， Slope， TM data， sample point data and some characteristic indices were synthesized， and then artificial surface information were extract hierarchically on the basis of the classification algorithm of decision tree.The classification accuracy was 85.90% and the results indicated that this method was feasible to extract artificial surface information using objectoriented method based on HJ1 satellite CCD data.Compared with the traditional visual interpretation method， the efficiency of computer automatic classification based on objectoriented technology has been significantly boosted.
Key words HJ1 satellite； Objectoriented classification； Guanzhong Plain； eCognition
在人類生產(chǎn)和生活活動(dòng)對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，對土地資源管理以及生態(tài)環(huán)境評價(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)憑借探測周期短、現(xiàn)時(shí)性強(qiáng)、可大面積同時(shí)觀測的優(yōu)勢，已成為地物定性、定量探測的重要手段，為地球資源監(jiān)測提供了大量的數(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怺4-8]等多個(gè)階段。目前除地物光譜特征外，人們越來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，一些學(xué)者開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取[17-20]。由于影像光譜信息和時(shí)相信息過于單一，人工表面信息的提取精度總是不理想[21]。2008年9月6日，我國發(fā)射了專門用于環(huán)境與災(zāi)害監(jiān)測的預(yù)報(bào)小衛(wèi)星（HJA、HJB），可實(shí)現(xiàn)可見光探測在30 m分辨率下每2 d對國土進(jìn)行全覆蓋觀測，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HJ1號衛(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)來源及其預(yù)處理環(huán)境減災(zāi)衛(wèi)星HJ數(shù)據(jù)來源于中國資源衛(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/gdemwist.asp）以及由DEM經(jīng)過空間分析生成的坡度數(shù)據(jù)和Landsat TM數(shù)據(jù)（http：//glovis.usgs.gov/）。HJ1號衛(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，對水體有透射能力；②綠色波段，0.52～0.60 μm，探測健康植被綠色反射峰；③紅色波段，0.63～0.69 μm，測量植物綠色素吸收率；④近紅外波段，0.76～0.90 μm，測定生物量和作物長勢。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^對影像進(jìn)行分割，使同質(zhì)像元組成大小不同的對象[25]，以每個(gè)對象為處理單元，獲取對應(yīng)地物的光譜信息，并綜合利用影像對象的紋理、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)局部優(yōu)化過程，從任一個(gè)像元開始，采用自上而下的區(qū)域合并方法形成對象，每一個(gè)對象的大小調(diào)整都必須確保合并后的對象的異質(zhì)性小于給定的閾值[25-26]。 對所有面向?qū)ο蟮男畔⑻崛》椒▉碚f，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下一步分類的精度影響很大[8]。
在進(jìn)行對象分割時(shí)，面向?qū)ο蟮姆诸惙椒ㄍㄟ^集合鄰近像元作為一個(gè)對象來識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對于那些邊界不很光滑但聚集度較高的影像對象盡可能使用必要的形狀因子[18]。該研究主要是利用德國Definiens Imaging公司開發(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。基于面向?qū)ο蟮睦碚撝R，利用多尺度分割技術(shù)，統(tǒng)計(jì)分析對象的光譜屬性，建立規(guī)則集對影像進(jìn)行分類，并用野外樣本點(diǎn)對分類結(jié)果進(jìn)行精度驗(yàn)證。
根據(jù)項(xiàng)目需求制定的我國土地覆蓋分類系統(tǒng)，將人工表面分為3個(gè)Ⅰ級類型和6個(gè)Ⅱ級類型（圖1），并對研究區(qū)主要的人工表面信息進(jìn)行對象DN值采樣（圖2）。影像對象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。
2.3云檢測與去除進(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)滿足圖3面向?qū)ο蟮娜斯け砻嫘畔⑻崛×鞒虄蓚€(gè)條件的數(shù)據(jù)，并且目前的去云技術(shù)只能消除薄云對定量遙感反演的影響，因此對土地覆蓋分類工作來說，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，簡稱CI），經(jīng)過多次試驗(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“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“云”進(jìn)行影像替換，重新分類。
4結(jié)論
（1）HJ1號衛(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)過手工整飾后才能用于專題制圖。
參考文獻(xiàn)
[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，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 landuse classification with SPOT HRV data[J].Remote Sensing of Environment，1992，40（2）：137-151.
[10] BAATZ M，SCHPE A.Objectoriented and multiscale 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 pixelbased and objectoriented image classification approachesa 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.Objectbased 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取[D].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 試殷w育場（鳥巢）建設(shè)工程為例[J].國土資源遙感，2009（4）：86-89.
[21] 張峰，吳炳方，黃慧萍，等.泰國水稻種植區(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)量對氣候變化區(qū)域響應(yīng)的評價(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.Multiresolution，objectoriented fuzzy analysis of remote sensing data for GISready 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決策樹分類算法的ETM+影像信息提取[J].地理與地理信息科學(xué)，2008，23（6）：26-29.
猜你喜歡
西北園藝·果樹(2023年4期)2023-08-14 04:42:58
時(shí)代經(jīng)貿(mào)(2022年9期)2022-10-11 06:30:16
農(nóng)學(xué)學(xué)報(bào)(2022年1期)2022-07-14 09:50:11
農(nóng)產(chǎn)品市場周刊(2021年21期)2021-05-31 11:32:04
生活文摘(2018年1期)2018-07-03 21:27:46
安徽農(nóng)業(yè)科學(xué)(2018年5期)2018-05-14 08:59:42
西部大開發(fā)(2018年3期)2018-04-24 01:52:20
新西部(2018年3期)2018-03-21 10:09:08
建筑科技(2018年1期)2018-02-16 04:05:36
安徽農(nóng)業(yè)科學(xué)(2016年14期)2016-07-22 08:55:58
