楊葉濤， 王迎迎， 曾又枝

(1.中國(guó)地質(zhì)大學(xué)(武漢)地球物理與空間信息學(xué)院，武漢 430074； 2.湖北省氣象局，武漢 430074)

0 引言

高分辨率遙感數(shù)據(jù)的出現(xiàn)，使得在dm級(jí)別上進(jìn)行景觀格局分析成為可能[1-3]。采用高分辨率遙感數(shù)據(jù)可以對(duì)以往無(wú)法獲取的細(xì)微景觀要素、景觀格局、景觀過(guò)程進(jìn)行提取，為地表覆蓋景觀研究提供更加全面、精細(xì)的信息。高空間分辨率遙感技術(shù)的推廣使用，使景觀格局研究出現(xiàn)了一些新問(wèn)題，已有的景觀分析方法面臨著挑戰(zhàn)[4]。不同于中低分辨率遙感數(shù)據(jù)，面向?qū)ο蟮膱D像分析方法在高分辨率遙感數(shù)據(jù)上得到廣泛應(yīng)用[5-7]。景觀格局分析需要多尺度視角，已有多尺度方法都是建立在中低分辨率圖像之上[8-9]。由于數(shù)據(jù)分辨率的提高，原有在大尺度上形成的景觀破碎、連續(xù)、連接等概念需要重新認(rèn)識(shí)，景觀格局在高分辨率數(shù)據(jù)上的尺度問(wèn)題需要進(jìn)行深入研究。此外，面向?qū)ο髨D像分析方法的尺度變換與傳統(tǒng)圖像分析方法的尺度變換截然不同。面向?qū)ο蟮某叨茸儞Q方法是按照像素的相似程度在不同尺度上進(jìn)行圖像分割來(lái)實(shí)現(xiàn)的，而傳統(tǒng)方法則按照規(guī)則形狀的像素聚合來(lái)形成不同的空間尺度[10-11]。本研究以高分辨率遙感數(shù)據(jù)的面向?qū)ο髨D像分析為基礎(chǔ)，嘗試建立景觀格局的斑塊、連續(xù)與連接特征相結(jié)合的混合描述模型。將該模型應(yīng)用于QuickBird圖像林地覆蓋度景觀格局信息提取，分析尺度變化規(guī)律。

1 混合景觀格局模型

為了實(shí)現(xiàn)對(duì)景觀連續(xù)變化特征與連接特征的描述，并保持與斑塊鑲嵌特征的空間尺度一致性，本文研究了基于Delaunay-Voronoi原理的混合景觀格局模型。Delaunay-Voronoi方法在鄰域處理與尺度變換上有其自身優(yōu)勢(shì)，因此在遙感圖像分割與多尺度分析上有廣泛應(yīng)用[12-14]。建立的景觀格局斑塊鑲嵌結(jié)構(gòu)，連續(xù)特征與連接特征一體化描述的混合景觀模型如圖1所示。

圖1 基于面向?qū)ο髨D像分析與Delaunay-Voronoi方法的混合景觀格局描述模型

首先，將圖像分割結(jié)果用Voronoi圖進(jìn)行剖分，通過(guò)Voronoi圖的連接性分析，建立圖模型，用以表示景觀的空間連接性； 然后，通過(guò)Voronoi圖的Delaunay三角化，建立不規(guī)則三角網(wǎng)表面模型，用以表示景觀連續(xù)變化特征。

其中，Voronoi剖分需首先確定Voronoi單元中心點(diǎn)的分布(Voronoi離散節(jié)點(diǎn)集)。因Voronoi圖與Delaunay三角網(wǎng)互為偶圖，3個(gè)相鄰的Voronoi多邊形的離散節(jié)點(diǎn)構(gòu)成Delaunay三角形的頂點(diǎn)。Delaunay三角網(wǎng)代表景觀格局特征的空間連續(xù)變化。根據(jù)所表達(dá)的景觀格局意義，計(jì)算Voronoi圖所有離散節(jié)點(diǎn)相互之間的距離，構(gòu)成網(wǎng)絡(luò)模型。

2 實(shí)驗(yàn)分析

研究區(qū)面積為3.84 km2，覆蓋該區(qū)的實(shí)驗(yàn)數(shù)據(jù)包括QuickBird數(shù)據(jù)的1個(gè)全色波段和4個(gè)可見(jiàn)光、近紅外波段。由于本研究以林地為例研究斑塊的鑲嵌特征、連接特征與連續(xù)特征，因此本文首先從該圖像中提取林地覆蓋圖。采用ISODATA的非監(jiān)督聚類(lèi)從NDVI圖像中提取植被，然后結(jié)合紋理信息剔除草地類(lèi)型，最后得到林地覆蓋圖(圖2)。

圖2 研究區(qū)QuickBird圖像(左)及其林地覆蓋圖(右)

本研究采用Definiens Professional 5.0軟件在50～400尺度區(qū)間內(nèi)，以50為間隔，用8個(gè)不同尺度對(duì)圖像進(jìn)行分割; 然后，采用像素聚合方法對(duì)該區(qū)林地景觀特征進(jìn)行多尺度分析。每個(gè)聚合尺度對(duì)應(yīng)1個(gè)圖像分割尺度所得到的多邊形面積中位數(shù)平方根，如表1所示。景觀指標(biāo)如表2所示。

表1 景觀格局分析尺度參數(shù)

表2 斑塊模型、表面模型與連接模型景觀指標(biāo)

將分割結(jié)果分別與林地覆蓋圖疊加，提取多邊形林地覆蓋度屬性。將多邊形林地覆蓋度屬性分為3類(lèi)，即[0, 0.3)，[0.3, 0.7)，[0.7, 1.0)，按分類(lèi)后的多邊形提取斑塊鑲嵌景觀模型。采用基于約束的Halton偽隨機(jī)點(diǎn)采樣方式得到Voronoi離散節(jié)點(diǎn)集，節(jié)點(diǎn)密度與分割多邊形面積中位數(shù)一致，保證每個(gè)分割多邊形至少有1個(gè)隨機(jī)節(jié)點(diǎn)，對(duì)分割多邊形進(jìn)行Voronoi剖分。隨機(jī)選取一定數(shù)量的高覆蓋面域?yàn)檫B接景觀模型中的核心區(qū)域(如圖2中的紅色圈區(qū)域)，以林地覆蓋度倒數(shù)建立連接阻抗圖層，得到景觀連接網(wǎng)絡(luò)模型。對(duì)Voronoi圖Delaunay化，獲取林地覆蓋度連續(xù)表面TIN模型。

3 結(jié)果分析

3.1 林地覆蓋度的提取

基于圖像分割與像素聚合這2種方法在多尺度上獲取的林地覆蓋度如圖3所示。

圖3 在不同尺度參數(shù)下2種方法提取的林地覆蓋度

像素聚合方法隨分析尺度參數(shù)從1上推到8，一些小尺度上明顯存在的林地覆蓋特征隨著尺度上推過(guò)程，邊界逐漸轉(zhuǎn)為模糊，直至最終消失。圖像分割方法隨著尺度參數(shù)從1上推到8，能很好地區(qū)分不同密度的林地覆蓋區(qū)域，保留高異質(zhì)性的邊界特征。從分割結(jié)果來(lái)看，多邊形的邊界與地表覆蓋特征目視判讀結(jié)果基本一致。

3.2 類(lèi)型斑塊景觀特征

在林地覆蓋度提取結(jié)果的基礎(chǔ)上，分別計(jì)算多尺度斑塊鑲嵌指標(biāo)值，如圖4所示。

圖4 類(lèi)型斑塊指標(biāo)的多尺度變化特征

總體來(lái)看，不同的指標(biāo)對(duì)2種不同的景觀格局提取方法的反應(yīng)不一致。SHDI指標(biāo)和PSCV指標(biāo)隨尺度變化的規(guī)律大致相同，而MSI指標(biāo)和AWMPFD指標(biāo)隨尺度變化背離明顯。

部分在像素聚合方法上探測(cè)到的景觀格局尺度變化規(guī)律仍然存在。隨著尺度上推，景觀格局中小面積的斑塊逐漸消失，從而導(dǎo)致SHDI的降低。相對(duì)于像素聚合，圖像分割方法能更好地保留高異質(zhì)性的小斑塊，所以隨尺度增大，其速度降低。同樣情況出現(xiàn)在斑塊面積變異系數(shù)上。另外2個(gè)指標(biāo)在多尺度上獲取的結(jié)果相背離，表明建立在像素聚合方法上的尺度推演規(guī)律對(duì)高分辨率遙感面向?qū)ο缶坝^格局提取并不一定適用。MSI指標(biāo)和AWMPFD指標(biāo)隨尺度變化背離明顯是由于采用分割方法，隨尺度變大分割多邊形區(qū)域會(huì)隨之增大，但是處理的基本單元仍然為原始圖像像素，導(dǎo)致多邊形的邊界更加復(fù)雜。像素聚合方法中隨尺度變大，斑塊面積同樣上升，但是其處理的基本單元為聚合后的網(wǎng)格，基本單元尺寸增大導(dǎo)致形狀系數(shù)基本不變。

3.3 連續(xù)景觀格局特征

本研究選取的連續(xù)景觀指標(biāo)包括平均粗糙度(Sa)以及表面積比率(Sdr)。采用2種不同方法所獲取的指標(biāo)值隨尺度變化規(guī)律如圖5所示。

圖5 連續(xù)表面指標(biāo)的多尺度特征

無(wú)論采用圖像分割法，還是采用像素聚合法，Sa和Sdr都隨著分析尺度上推而減小。隨尺度上推，表面模型的空間異質(zhì)性降低從而導(dǎo)致平均粗糙度與表面積比率值減小。對(duì)比2種圖像分析方法，圖像分割能更好地保存小尺度上的空間異質(zhì)性特征，從而使得Sa和Sdr在相同尺度下取值要明顯高于像素聚合方法。

Sa指標(biāo)反映了連續(xù)表面模型高程取值的整體變異特征，與空間位置無(wú)關(guān)，類(lèi)似于斑塊模型中的多樣性指標(biāo)。隨尺度上推，像素聚合方法和圖像分割方法都有對(duì)上推前的網(wǎng)格或者多邊形高程取均值的操作，從而使得2種方法獲取的Sa指標(biāo)隨尺度增加的變化趨勢(shì)基本一致。

Sdr指標(biāo)表示局部表面積與平面投影面積的比率，類(lèi)似于斑塊模型中的邊緣密度指標(biāo)或者對(duì)比度指標(biāo),表達(dá)了表面模型粗糙度的空間變異特征。由于圖像分割方法將同質(zhì)區(qū)域分割到同一多邊形內(nèi)，并加大與相鄰非同質(zhì)區(qū)域的對(duì)比度，而像素聚合分割方法使得邊界變得模糊(圖3)，從而使Sdr指標(biāo)在2種方法中沒(méi)有類(lèi)推性質(zhì)。圖像分割方法在同尺度下取值要明顯高于像素聚合方法，而且其隨尺度減小的趨勢(shì)也不同于像素聚合方法。

3.4 連接景觀格局特征

對(duì)預(yù)先設(shè)定連接模型的核心區(qū)提取景觀連接指標(biāo)，如圖6所示。

圖6 連接指標(biāo)的多尺度變化特征

從圖6可以看出，2種圖像分析方法所提取的LCP指標(biāo)隨尺度變化特征基本相同，但在分析尺度為8時(shí)，像素聚合方法的LCP急劇上升，這是由于聚合方法在此尺度上有1個(gè)比較短的連接路徑消失所導(dǎo)致的。隨尺度上推，像素聚合方法中節(jié)點(diǎn)間的連接路徑數(shù)NL下降速度要快于圖像分割方法的，這表明圖像分割方法能更好地保留圖像中對(duì)連接性研究至關(guān)重要的廊道。在所有尺度上圖像分割方法所獲取的最短路徑比像素聚合方法所獲取路徑的阻抗小，從而可以得出圖像分割方法獲取的景觀連接特征比像素聚合方法更為準(zhǔn)確。

4 結(jié)論

1)與像素聚合方法獲取的景觀格局特征相比，面向?qū)ο髨D像分割方法所獲取的景觀格局特征更接近于真實(shí)景觀。像素聚合方法沒(méi)有考慮景觀要素的邊界特征以及區(qū)域的異質(zhì)性，采用眾數(shù)或者平均值表示像素聚合以后的景觀特征,從而導(dǎo)致了景觀要素邊界的模糊以及部分面積較小景觀要素的消失。斑塊模型、連接模型與連續(xù)模型的多個(gè)指標(biāo)在多尺度上的提取結(jié)果證明了圖像分割方法在高分辨遙感數(shù)據(jù)的景觀格局提取上的優(yōu)越性。面向?qū)ο蟮膱D像分割方法能夠很好地保存不同尺度上景觀要素的邊界，以及小面積的景觀要素，從而提高了景觀格局提取的準(zhǔn)確度。

2)本文以面向?qū)ο蠖喑叨确指钚纬傻母叻直媛蔬b感圖像對(duì)象為基礎(chǔ)，結(jié)合Delaunay-Voronoi空間數(shù)據(jù)的幾何表達(dá)方法，實(shí)現(xiàn)基于同一數(shù)據(jù)結(jié)構(gòu)建立斑塊模型、連續(xù)模型與連接圖模型，很好地保持了3種模型的空間信息一致性，使3種模型能緊密結(jié)合。該方法目前以隨機(jī)方式生成的離散點(diǎn)構(gòu)成了圖像對(duì)象Voronoi剖分的基礎(chǔ)，這種方式不能保證剖分以后的Voronoi圖邊界與圖像分割多邊形的邊界保持一致，從而使得構(gòu)建的TIN表面模型與連接圖模型與真實(shí)景觀有出入，影響景觀指標(biāo)計(jì)算。下一步工作主要是實(shí)現(xiàn)顧及圖像分割多邊形邊界的Delaunay-Voronoi剖分，使得景觀格局提取結(jié)果更接近于面向?qū)ο蟮膱D像分析結(jié)果。

參考文獻(xiàn)(References)：

[1] Herold M,Couclelis H,Clarke K C.The role of spatial metrics in the analysis and modeling of urban land use change[J].Computers,Environment and Urban Systems,2005,29(4):369-399.

[2] Jacquin A,Misaova L,Gay M.A hybrid object-based classification approach for mapping urban sprawl in periurban environment[J].Landscape and Urban Planning,2008,84(3):152-165.

[3] 周偉,袁春,白中科,等.基于QuickBird影像的鄭州市城區(qū)景觀格局評(píng)價(jià)[J].生態(tài)學(xué)雜志,2007,26(8):1259-1264.

Zhou W,Yuan C,Bai Z K,et al.Landscape patterns of Zhengzhou urban area:An assessment based on QuickBird imagery[J].Chinese Journal of Ecology,2007,26(8):1259-1264.

[4] Wulder M A,Hall R J,Coops N C,et al.High spatial resolution remotely sensed data for ecosystem characterization[J].BioScience,2004,54(6):511-521.

[5] Blaschke T.Object based image analysis for remote sensing[J].ISPRS Journal of Photogrammetry and Remote Sensing,2010,65(1):2-16.

[6] Walter V.Object-based classification of remote sensing data for change detection[J].ISPRS Journal of Photogrammetry and Remote Sensing,2004,58(3):225-238.

[7] 蔡紅玥,姚國(guó)清.基于分水嶺算法的高分遙感圖像道路提取優(yōu)化方法[J].國(guó)土資源遙感,2013,25(3):25-29.

Cai H Y,Yao G Q.Optimized method for road extraction from high resolution remote sensing image based on watershed algorithm[J].Remote Sensing for Land and Resources,2013,25(3):25-29.

[8] Adriaensen F,Chardon J P,De Blust G,et al.The application of ‘least-cost’ modeling as a functional landscape model[J].Landscape Urban Plan,2003,64(4):233-247.

[9] 楊葉濤,龔健雅,王迎迎,等.遙感時(shí)空不一致性對(duì)城市景觀格局動(dòng)態(tài)分析影響[J].武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2011,36(8):974-977.

Yang Y T,Gong J Y,Wang Y Y,et al.Influence of RS spatio-temporal mismatches on multi-temporal landscape pattern analysis in urban area[J].Geomatics and Information Science of Wuhan University,2011,36(8):974-977.

[10]Baatz M,Sch?pe A.Multiresolution segmentation:An optimization approach for high quality multi-scale image segmentation[C]//Strobl J,Blaschke T.Angewandte Geographische Informations-verarbeitung XII.Wichmann,Heidelberg:Springer-Verlag,1999:12-23.

[11]Dietzel C,Herold M,Hemphill J J,et al.Spatio-temporal dynamics in California’s central valley:Empirical links to urban theory[J].International Journal of Geographic Information Science,2005,19(2):175-195.

[12]何少林,徐京華,張帥毅.面向?qū)ο蟮亩喑叨葻o(wú)人機(jī)影像土地利用信息提取[J].國(guó)土資源遙感,2013,25(2):107-112.

He S L,Xu J H,Zhang S Y.Land use classification of object-oriented multi-scale by UAV image[J].Remote Sensing for Land and Resources,2013,25(2):107-112.

[13]趙泉華,李玉,何曉軍,等.基于Voronoi幾何劃分和EM/MPM算法的多視SAR圖像分割[J].遙感學(xué)報(bào),2013,17(4):841-854.

Zhao Q H,Li Y,He X J,et al.Multi-look SAR image segmentation based on voronoi tessellation technique and EM/MPM algorithm[J].Journal of Remote Sensing,2013,17(4):841-854.

[14]賈春陽(yáng),李衛(wèi)華,李小春.基于自適應(yīng)權(quán)值FNEA算法的高分辨率遙感圖像分割[J].國(guó)土資源遙感,2013,25(4):22-25.

Jia C Y,Li W H,Li X C.High-resolution remote sensing image segmentation based on weight adaptive fractal net evolution approach[J].Remote Sensing for Land and Resources,2013,25(4):22-25.