朱長明，李均力，張 新，駱劍承

(1.江蘇師范大學城市與環(huán)境學院，江蘇徐州 221116；2.中國科學院新疆生態(tài)與地理研究所，新疆烏魯木齊 830011；3.中國科學院遙感與數(shù)字地球研究所，北京 100101）

面向對象的高分辨率遙感影像濕地信息分層提取

朱長明1，2，李均力2，張 新3，駱劍承3

(1.江蘇師范大學城市與環(huán)境學院，江蘇徐州 221116；2.中國科學院新疆生態(tài)與地理研究所，新疆烏魯木齊 830011；3.中國科學院遙感與數(shù)字地球研究所，北京 100101）

一、引 言

由于區(qū)域地理環(huán)境復雜、通達性差等原因，遙感技術一開始在濕地調查研究中得到了廣泛的應用[1]。濕地研究98%的數(shù)據(jù)是利用遙感和現(xiàn)有圖件獲取地表濕地景觀信息[2]?？v觀現(xiàn)有的濕地遙感監(jiān)測研究，主要集中在濕地遙感資源調查與制圖和濕地遙感分類與變化檢測兩大方面。而就濕地遙感信息分類方法來說，自動化、智能化一直是研究者追求的目標。隨著計算機和模式識別技術的發(fā)展，在自動化和智能化信息提取方面，各種新理論、新方法相繼涌現(xiàn)，如神經(jīng)網(wǎng)絡、支持向量機、知識發(fā)現(xiàn)、決策樹、規(guī)則集等，并成功地應用于濕地分類研究。如文獻[3]將神經(jīng)網(wǎng)絡算法應用到濕地的自動提?。晃墨I[4]運用基于規(guī)則的濕地分類；文獻[5]基于ETM＋和SPOT 5影像，采用決策樹法提取了濕地；文獻[6]利用專家系統(tǒng)方法對珠江口紅樹林濕地的變化等情況進行了監(jiān)測；文獻[7]提出了基于粗糙集理論的濕地遙感信息自動監(jiān)測方法。但是以上大部分濕地遙感信息智能提取和目標識別還是從像元特征提取角度進行方法設計，是一種基于像元操作層次上的圖像信息提取，能夠描述與提取的特征信息非常有限。

近年來，國內外對于面向對象(object-oriented，又稱per-parcel或per-field）的遙感影像處理與分析方式日益受到關注[8-9]。尤其是德國Definiens Imaging公司研發(fā)的面向對象的遙感信息提取軟件eCognition，已經(jīng)采用了面向對象和模糊規(guī)則的處理與分析技術，并成功將其投入廣泛的商業(yè)運用，開創(chuàng)了基于對象遙感信息提取的新時代。國內外學者已經(jīng)開始探索和研究將面向對象技術應用于遙感信息提取和分類。如文獻[10]率先提出基于對象的遙感圖像分類方法；文獻[11]利用基于對象的模糊分類器組合，成功地實現(xiàn)了從IKONOS影像上提取城市區(qū)域；文獻[12]完成了面向對象和規(guī)則的北京市土地利用遙感影像分類研究。在濕地信息遙感提取方面，文獻[13]提出基于對象和輔助DEM的濕地提??；文獻[14]采用面向對象方法完成了完達山以北的濕地遙感分類；文獻[15]利用面向對象方法提取濕地信息；文獻[16]通過面向對象技術完成了杭州灣南岸的濕地信息遙感監(jiān)測。

從面向對象影像分析可以發(fā)現(xiàn)，面向對象的遙感信息提取可以更好地融入其他特征知識。其核心在于針對不同的目標地物和研究區(qū)，發(fā)掘更多有效的特征信息，構建科學合理的特征規(guī)則集。本文以瑪納斯國家濕地公園規(guī)劃區(qū)為研究區(qū)域，采用高空間分辨率的快鳥(QuickBird）影像為數(shù)據(jù)源，應用面向對象的遙感分類技術，通過多尺度分割，實現(xiàn)影像像元到特征基元的轉換，計算基元對象的屬性特征，分析不同類型濕地基元對象之間的空間關系和特征屬性，采用分層分類、由易到難、逐層構建規(guī)則集，實現(xiàn)高分辨率遙感影像濕地信息的自動提取。試驗結果表明，該方法能夠快速實現(xiàn)區(qū)域范圍內濕地信息的自動識別和快速提取，總體分類精度達到了87.5%，Kappa系數(shù)超過0.83，基本滿足應用的需求，為研究區(qū)的濕地景觀遙感動態(tài)監(jiān)測研究奠定了基礎。

二、試驗區(qū)與數(shù)據(jù)源

1.研究區(qū)概況

瑪納斯國家濕地公園規(guī)劃區(qū)地處新疆腹地，位于瑪納斯縣中部(85°50′E―86°30′E，43°50′N―44°50′N），以夾河子水庫、大海子水庫、新戶平水庫三大水庫為主，包括周邊地區(qū)，如大灣子水庫、下橋子三村水庫等小型水庫和瑪納斯河故道部分區(qū)域，如圖1所示。規(guī)劃區(qū)面積為81.6 km2，其中濕地面積68.38 km2。地勢南高北地，天山冰川雪水從自南向北奔騰而下，水量豐富、水域遼闊、灘涂廣袤、池塘眾多、濕地資源豐富，是中亞到印度半島的候鳥遷徙交通要道。根據(jù)國際《濕地公約》的定義，該區(qū)域內濕地類型主要有：水庫、坑塘(魚塘）、蘆葦沼澤、河道水系及人工溝渠等5個亞類。

圖1 研究區(qū)位置

2.數(shù)據(jù)選擇及預處理

本文使用的試驗數(shù)據(jù)有快鳥(QuickBird）高空間分辨率衛(wèi)星遙感影像、高程數(shù)據(jù)為30 m的ASTER DEM和輔助數(shù)據(jù)，以及研究區(qū)1∶10萬土地利用現(xiàn)狀圖。其中QuickBird影像的空間分辨率全色波段星下點最高達到0.61 m，多光譜為2.44 m，多光譜光譜波段設置有藍、綠、紅和近紅外。在此衛(wèi)星遙感影像上，各種類型的濕地可目視識別，空間紋理清晰，是濕地信息高分辨率衛(wèi)星遙感監(jiān)測有效的數(shù)據(jù)源。由于QuickBird影像已經(jīng)具有地理坐標信息，經(jīng)輻射校正，只需要統(tǒng)一空間坐標系統(tǒng)。考慮到提取結果的面積統(tǒng)計計算，文中將空間參考統(tǒng)一轉換到Albert等面積圓錐投影。

三、研究方法

基于面向對象的高分辨率影像濕地信息分層提取，整個流程包括數(shù)據(jù)處理、影像分割、特征計算，空間關系分析與特征表達、規(guī)則集構建、對象分類、類型合并、結果輸出，如圖2所示。其中影像分割、空間關系分析和規(guī)則集構建是核心部分。

圖2 總體流程圖

1.影像多尺度分割

高分辨率遙感影像多尺度分割是面向對象信息提取的前提基礎。通過多尺度分割，將空間分布上相同和相似的像元聚類成為一個目標體，實現(xiàn)影像像元向目標基元的轉換。整個分割過程需要人工干預的是最佳尺度選擇和最優(yōu)分割參數(shù)。由于地理實體的格局普遍存在尺度依賴性，因此針對特定的地物目標選擇一個最優(yōu)分割尺度，才能正確地反映其空間分布結構特性，這是遙感影像多尺度分割的關鍵[17]。由于研究區(qū)存在多種地物目標，文中通過多次試驗，最終確定了50和30兩個尺度。分割的參數(shù)光譜緊致度選擇為0.7，形狀指數(shù)選擇為0.3，這樣的分割參數(shù)設置偏重對光譜的依賴，對于線性目標河道分割效果最好。在50尺度上，主要提取地物、湖泊和水庫，而在30的尺度上提取沼澤和河道等細小的目標。在以上參數(shù)設置下分割后的對象內部同質性較高，邊界輪廓較為清晰，具有較好的可分離性與代表性，如圖3所示。

2.空間關系分析

空間分布(依賴）關系則是反映地物分異的另一重要特征，分層分類方法是揭示地物區(qū)域結構分布規(guī)律的重要地學分析方法。在干旱區(qū)流域水體(湖泊、河流）、沼澤、綠洲(草地）、沙漠、高山等地表景觀，以水體為中心，景觀格局呈現(xiàn)“圈層”結構，形成干旱區(qū)特有的景觀依存格局和分異規(guī)律，如圖4所示。水體的分布同濕地的分布在空間關系上必定存在空間相近、空間相鄰、空間包含。按總體結構特征對每一層次定義一定的空間尺度，逐步融合不同類型空間分布知識并設計相應的分類決策規(guī)則，從而實現(xiàn)對影像中的地物單元從粗到細的逐層判別分類和提取。結合研究區(qū)實際情況，在分層提取時，首先提取開放性水域，再提取鄰水的沼澤，然后提取離水沼澤，最后根據(jù)空間、形狀、大小等特征，將水庫、坑塘和河道等分開。

圖3 遙感影像多尺度分割

圖4 流域地表景觀格局概念圖

3.規(guī)則集構建

文中根據(jù)景觀分異的模式，對濕地景觀景物總體結構進行逐級分層次分析，并在以上景觀格局依存規(guī)律指導下，提出了多特征融合的區(qū)域濕地分層提取方法。通過逐層構建規(guī)則集，融入空間特征和專家知識，實現(xiàn)流域濕地景觀自動監(jiān)測，具體技術流程如圖5所示。

圖5 干旱區(qū)濕地信息提取分層分類流程圖

第一，在選擇緊致度compactness為0.7，形狀指數(shù)shape為0.3的基礎上，分別在50和30的尺度上，完成影像的多尺度分割，實現(xiàn)像元到基元的轉換，并計算相關空間和屬性特征。第二，構建歸一化水體指數(shù)NDWI和灰度共生矩陣GLCM，通過NDWI＞0.1和GLCM＞0.05，提取出可能是水的基元；進一步根據(jù)坡度slope＜0.1和面積area＞100，判斷出開放性水域，通過基元合并，實現(xiàn)水體提取。第三，在鄰水沼澤層，以開放性水體為重要的參考地物，通過地表濕度因子反演和空間關系分析，具體判別規(guī)則為距離水邊的距離，即border to water＜0、光譜均值mean＜80和濕度指數(shù)wetness＞0，以實現(xiàn)河流和湖泊沼澤的識別。第四，對于一些獨立單元的沼澤，根據(jù)紋理(GLCM＜0.2）、濕度(wetness＞0）、光譜指數(shù)(亮度較暗brightness＜0）以及空間關系特征(border to water＜5），識別出可能存在的沼澤地。第五，在水體層，通過對象合并，根據(jù)水域面積的大小，可分為水庫和坑塘；而對于一些小的水域，依據(jù)對象的長寬比(length/width＞2.5）和已有的土地利用圖中的河道空間位置信息疊加分析(overlay＞0），以及上文提出的河流、湖泊(坑塘）提取屬性特征以及空間形態(tài)知識，實現(xiàn)坑塘和河流的提取。第六，相同類別基元對象合并，導出分類結果。至此完成了流域水庫、坑塘、河道、沼澤等類型濕地的提取。

四、結果與分析

1.試驗結果

按照上述的流程步驟，試驗結果如圖6所示。圖6(a）為研究區(qū)的真彩色遙感影像鑲嵌圖，圖6(b）為濕地遙感監(jiān)測的結果圖。通過遙感分類結果圖和真彩色遙感影像對比可以看出，面向對象的區(qū)域濕地分層提取，基本上實現(xiàn)了流域范圍內的水庫、河道、湖泊坑塘以及沼澤等濕地類型的自動提取。

圖6 面向對象濕地提取結果

2.精度分析

如果要進一步驗證算法精度和有效性，評價結果必須客觀可信。文中通過選取隨機樣本和目視解譯相結合的方法，在試驗區(qū)通過遙感詳細目視解譯，獲取研究區(qū)的濕地景觀遙感分類圖。通過在每個類別中隨機設置100個隨機點，結合分類影像，統(tǒng)計誤差混淆矩陣、總體精度和生產(chǎn)者精度，見表1。

從誤差混淆矩陣可以看出，面向對象的分層濕地信息提取算法，對于瑪納斯?jié)竦毓珗@區(qū)的遙感監(jiān)測取得了非常理想的效果，用戶精度和制圖精度(生產(chǎn)者精度）最低都達到了80%以上。尤其是對于水庫和坑塘的識別，用戶精度分別為98.97%、87.62%，制圖精度分別為96%、87%。總體分類精度達到了87.5%，Kappa系數(shù)為0.833。這個精度基本可以滿足自動分類的應用精度要求[18]。在制圖精度上，精度最高的是水庫，其次是坑塘，然后是沼澤，精度最低的是河道。沼澤的生產(chǎn)者精度主要受到離水沼澤影響，判斷的精度有所降低；而和水域相鄰的沼澤區(qū)域基本可以精確提取。對于河道而言，一方面寬度較窄；另一方面一些河道被誤判為坑塘和沼澤，影響了整體制圖精度?？傊?，通過面向對象的分層提取和空間關系的融入，對區(qū)域濕地信息遙感自動提取獲得了較為滿意的結果。

表1 濕地自動分類精度評價表

五、結束語

通過遙感技術手段實時地獲取區(qū)域濕地信息，是濕地資源管理與規(guī)劃和濕地生態(tài)保護的基礎和依據(jù)。本文針對像素級濕地遙感信息智能提取過程中，對于空間特征信息應用得較少，自動化監(jiān)測程度難以進一步提高等問題，分析了濕地在遙感圖像上的光譜和空間特征，嘗試在面向對象技術的支持下，通過空間關系的融入，實現(xiàn)多特征融合的濕地信息分層提取。同傳統(tǒng)的智能提取算法不同，面向對象的濕地分層分類是一種決策樹分類，分類結果的好壞取決于決策樹規(guī)則集的構建，整個分類過程人為控制因素較多，分類結果可控。利用分層分類思想，通過逐層下剝和逐步設置規(guī)則條件，得到了最優(yōu)信息提取結果。研究得到以下結論：

1）面向對象的遙感信息提取，其處理的對象從影像像元的像素層次過渡到了特征基元的對象層次，它更接近觀測數(shù)據(jù)的思維邏輯，可以參與后續(xù)分析的特征數(shù)量上遠較前者豐富，因此也更易于地學知識融合。

2）對象級分類構建的算法規(guī)則集可移植、可擴展，結構靈活，有利于專家知識的融入，整個提取過程可控；另外，避免了像素級計算中的“椒鹽”或“毛刺”現(xiàn)象，為后處理制圖編輯工作減少了很多工作量。

3）空間特征信息(如空間關系、空間位置等）是重要的地理特征信息，它與光譜特征信息相輔相成。本文通過空間關系特征知識的融入，在沼澤濕地信息對象級提取中發(fā)揮了重要的作用。這對于光譜特征復雜多變的地物信息提取可提供借鑒。

但是，本研究在多特征信息融合的濕地信息提取上還處于初步階段，空間特征的使用上應用較多的是空間分布特征、空間位置信息及專家知識等。如何發(fā)現(xiàn)更多有效的特征和規(guī)則集，融入更多的專家知識，完善并發(fā)展針對特定類型濕地的地物目標對象化分析方法，構建適應區(qū)域特點的濕地專題信息自動提取模型，還有待于進一步深入研究。

[1]KUZILA M S，RNNDQUIST D C，GREEN J A.Methods for Estimating Wetland Loss：The Rainbasin Region of Nebraska，1927―1981[J].Journal of Soil and Water Conservation，1991，46(6）：441-446.

[2]劉紅玉，李玉鳳，曹曉，等.我國濕地景觀研究現(xiàn)狀、存在問題和發(fā)展方向[J].地理學報，2009，64(11）：1394-1401.

[3]AUGUSTEIJN M F，WARRENDER C E.Wetland Classification Using Optical and Radar Data and Neural Network Classification[J].International Journal of Remote Sensing，1998，19(8）：1545-1560.

[4]LUNETTA R S，BALOGH M E.Application of Multi-Temporal Landsat5 TM Imagery for Wetland Identification[J].Photogrammetric Engineering and Remote Sensing，1999，65(11）：1303-1310.

[5]PHILLIPS R L，BEERI O，DEKEYSER E S.Remote Wetland Assessment for Missouri Coteau Prairie Glacial Basins[J].Wetlands，2005，25(2）：335-349.

[6]黎夏，劉凱，王樹功.珠江口紅樹林濕地演變及遙感定量分析[J].地理學報，2006，61(1）：26-35.

[7]張樹清.3S支持下的中國典型沼澤濕地景觀時空動態(tài)變化研究[M].長春：吉林大學出版社，2008.

[8]BLASCHKE T，HAY G J.Object-oriented Image Analysis and Scale-space：Theory and Methods for Modeling and Evaluating Multiscale Landscape Structures[C]∥Proceedings of the International Archives of Photogrammetry and Remote Sensing.Georgia：University of Georgia，2001.

[9]BENZ U C，HOFMANN P，WILLHAUCK G，et al.Multiresolution，Object-oriented Fuzzy Analysis of Remote Sensing Data for GIS-ready Information[J].ISPRS Journal of Photogrammetry＆Remote Sensing，2004，58(3-4）：239-258.

[10]BLASCHKE T，LANG S，LORUP E，et al.Object-oriented Image Processing in An Integrated GIS/Remote Sensing Environment and Perspectives for Environmental Applications[C]∥Environmental Information for Planning，Politics and the Public.Marburg：Metropolis Verlag，2000.

[11]SHACKELFORD A K，DAVIS C H.A Hierarchical Fuzzy Classification Approach for High-resolution Multispectral Data over Urban Areas[J].IEEE Transactions on Geoscience and Remote Sensing，2003，41(9）：1920-1932.

[12]陳云浩，馮通，史培軍，等.基于面向對象的和規(guī)則的遙感影像分類研究[J].武漢大學學報：信息科學版，2006，31(4）：316-320.

[13]鄭麗娟，李小娟，胡德勇，等.基于對象和輔助DEM的濕地信息提取―――以洪澤湖濕地為例[J].遙感技術與應用，2009，24(3）：346-351.

[14]謝靜，王宗明，毛德華，等.基于面向對象方法和多時相HJ-1影像的濕地遙感分類―――完達山以北三江平原為例[J].濕地科學，2012，10(4）：429-438.

[15]孫永軍，童慶喜，秦其明.利用面向對象方法提取濕地信息[J].國土資源遙感，2008(1）：79-82.

[16]莫麗江，曹宇，胡遠滿，等.面向對象的濕地景觀遙感分類―――以杭州灣南岸地區(qū)為例[J].濕地科學，2012，10(1）：206-214.

[17]明冬萍，王群，楊建宇.遙感影像空間尺度特性與最佳空間分辨率選擇[J].遙感學報，2008，12(4）：529-538.

[18]JANSSEN L F，VANDERWEL F J M.Accuracy Assessment of Satellite Derived Land-cover Data：A Review [J].Photogrammetric Engineering＆Remote Sensing，1994，60(4）：410-432.

Wetlands Information Automatic Extraction from High Resolution Remote Sensing Imagery Based on Object-oriented Technology

ZHU Changming，LI Junli，ZHANG Xin，LUO Jiancheng

因濕地的類型多樣和光譜特征的不確定性，其在高分辨率遙感影像上可人工目視解譯，卻難以自動化判讀。本文在面向對象技術支持下，提出多特征融合的高分辨率遙感影像濕地信息分層提取。該方法首先通過面向對象分割技術轉像元為基元，實現(xiàn)光譜相似像元的聚類；然后分析濕地景觀格局依存關系和不同類型濕地提取的難易程度，確定提取的先后順序；再挖掘不同類型濕地的地物光譜、空間形態(tài)、空間分布和空間關系等多種屬性特征；最后通過分層分類、由易到難構建規(guī)則集，逐層融入空間知識，實現(xiàn)高分辨率遙感影像濕地信息自動監(jiān)測。試驗通過高空間分辨率衛(wèi)星數(shù)據(jù)對瑪納斯國家濕地公園區(qū)進行遙感監(jiān)測，結果表明，該方法能夠快速實現(xiàn)區(qū)域范圍內濕地信息的自動識別和快速提取，總體分類精度達到了87.5%，Kappa系數(shù)超過0.83，基本滿足應用的需求，可為應用提供技術參考。

濕地信息；高分辨率遙感；自動監(jiān)測；面向對象

P237

B

0494-0911(2014）10-0023-06

2013-08-29

國家自然科學基金( 41201460； 41101041；61074132）；國際科技合作項目(2010DFA92720）；水利部公益性行業(yè)科研專項(201201092）

朱長明(1983―），男，安徽廬江人，博士，助理研究員，主要從事遙感信息智能提取及濕地生態(tài)環(huán)境遙感研究等。

朱長明，李均力，張新，等.面向對象的高分辨率遙感影像濕地信息分層提取[J].測繪通報，2014(10）：23-28.

10.13474/j.cnki. 11-2246.2014.0320