趙得軍

（江西理工大學(xué)，江西 贛州 341000）

如今，高分辨率影像已經(jīng)在衛(wèi)星遙感技術(shù)領(lǐng)域掀起一股熱潮，它因具有高光譜信息、豐富的空間信息（紋理、幾何信息）越來(lái)越受到大眾的關(guān)注和廣泛的應(yīng)用，傳統(tǒng)的基于像元的信息提取方法對(duì)于低分辨率影像有較好的效果，而對(duì)于高分辨率影像不如低分辨率影像的結(jié)果，不同地物之間產(chǎn)生了疊加，傳統(tǒng)的信息提取方法因光譜差異未能達(dá)到預(yù)期的效果。因此，面向?qū)ο蟮挠跋裉幚砑夹g(shù)應(yīng)運(yùn)而生［1］。應(yīng)用多時(shí)相提取地物信息在學(xué)科中面臨著多種挑戰(zhàn)，變化檢測(cè)兩幅不同時(shí)刻且有相同地理區(qū)域的遙感影像，檢測(cè)出發(fā)生變化的區(qū)域，進(jìn)而加強(qiáng)了人類對(duì)于地球環(huán)境與活動(dòng)的利用，本文基于eCongnition面向?qū)ο笮畔⑻崛〉乃悸?，?duì)稀土礦區(qū)多時(shí)相影像數(shù)據(jù)開(kāi)展變化檢測(cè)，充分反映礦區(qū)生態(tài)變化以及土地利用率的現(xiàn)狀。

1 研究方法

遙感影像的變化檢測(cè)指對(duì)不同時(shí)期同一區(qū)域覆蓋的多源數(shù)據(jù)和相關(guān)地理數(shù)據(jù)，結(jié)合影像本身的地物特征和傳感器成像原理，利用影像分析與處理和數(shù)據(jù)模型的建立，檢測(cè)出發(fā)生變化地物區(qū)域的過(guò)程［2］。多時(shí)相影像的變化檢測(cè)是指兩幅或者兩幅以上影像進(jìn)行變化檢測(cè)，反映出地理范圍的變化、地理性質(zhì)上的變化以及位置上發(fā)生的變化，在本文中對(duì)不同時(shí)期的稀土礦山影像數(shù)據(jù)變化檢測(cè)，反映出礦區(qū)內(nèi)地物的多種變化信息，其中包括植被病蟲(chóng)害與礦區(qū)水污染造成的植被減少的變化，礦區(qū)內(nèi)植被的濫砍濫伐導(dǎo)致的地物異常變化，也有礦區(qū)重金屬對(duì)土壤造成的地表變化，兩時(shí)相影像變化檢測(cè)注重于時(shí)間上的選擇，礦區(qū)的變化檢測(cè)直接反映環(huán)境的污染現(xiàn)狀和土地利用的變化，為礦區(qū)環(huán)境治理和管理提供科學(xué)依據(jù)［3］。

2 實(shí)驗(yàn)與分析

2.1 研究區(qū)及影像數(shù)據(jù)簡(jiǎn)介

本文選自江西贛州定南地區(qū)為研究區(qū)，定南地區(qū)位于江西的南端，經(jīng)度114°58′04″～115°10′56″，緯度24°51′24″～25°02′56″，礦區(qū)占地約為200km2。本次研究所用的是兩期高分一號(hào)（GF-1）遙感影像數(shù)據(jù)，采用的是軌道號(hào)為122/43的影像數(shù)據(jù)為數(shù)據(jù)源，其中，軌道高度為645km，軌道傾角98.0506°，軌道類型為太陽(yáng)同步回歸軌道，重訪周期為4d，總共有5個(gè)波段，4個(gè)8m的多光譜波段和1個(gè)2m的全色波段，各波段的波段參數(shù)如表（1）所示。

表1 高分一號(hào)圖像波段信息

2.2 遙感數(shù)據(jù)的預(yù)處理

影像的預(yù)處理包括數(shù)據(jù)的獲取、幾何糾正、正射校正以及高分辨率數(shù)據(jù)的輻射定標(biāo)和大氣校正。

高分辨率的輻射校正包括輻射定標(biāo)和大氣校正［4］，定標(biāo)將傳感器接收到的遙感數(shù)據(jù)轉(zhuǎn)換為實(shí)際的物理量。大氣校正是為了消除由大氣散射引起的輻射誤差，是礦區(qū)內(nèi)地表信息提取不可缺少的一步，本文應(yīng)用遙感ENVI軟件的FLAASH工具對(duì)高分一號(hào)PMS多光譜圖像進(jìn)行大氣校正，主要分為三步，數(shù)據(jù)定標(biāo)，也就是所謂的輻射定標(biāo)；波普響應(yīng)函數(shù)制作；FLAASH大氣校正。由于衛(wèi)星的姿態(tài)、軌道和地球運(yùn)動(dòng)等外界的因素造成的幾何畸變，除此之外也有影像本身的內(nèi)部因素，幾何校正實(shí)現(xiàn)與標(biāo)準(zhǔn)地圖的匹配從而校正圖像的畸變。利用DEM數(shù)據(jù)來(lái)校正因地形起伏導(dǎo)致的誤差，從而更加真實(shí)、豐富地突出礦區(qū)的地表信息。為了能夠更加準(zhǔn)確、快速地檢測(cè)出礦區(qū)內(nèi)的變化，在變化檢測(cè)前對(duì)兩幅影像進(jìn)行圖像融合的處理，改善分類的精度、增強(qiáng)特征顯示的能力及修復(fù)圖像的幾何精度，本文將2m的全色波段和8m的多光譜波段進(jìn)行融合提供變化檢測(cè)的能力。

2.3 礦區(qū)植被的變化檢測(cè)

稀土礦區(qū)內(nèi)森林的亂砍濫伐、礦區(qū)污水的排放以及重金屬對(duì)土壤的污染導(dǎo)致了植被大大減少，植被的生長(zhǎng)是能夠反映礦區(qū)環(huán)境良好的唯一標(biāo)志，同時(shí)也是其他地物信息提取的標(biāo)志，本文借助面向?qū)ο骵Cognition信息提取軟件，并且結(jié)合植被指數(shù)NDVI和高分辨率遙感影像豐富的空間信息提取植被的變化信息。面向?qū)ο蟮男畔⑻崛∫缘匚铩巴|(zhì)均一”和內(nèi)部對(duì)象同質(zhì)性與外部對(duì)象異質(zhì)性的原理生成不同層次的結(jié)果，不同分類層次之間有著相互的關(guān)聯(lián)，下層基于像素，上層是整幅影像。尺度的分割在信息提取中起著極其重要的作用，eCognition軟件的分割方法采用區(qū)域生長(zhǎng)的算法，不同的地物有著不同的分割尺度，產(chǎn)生不同的分類結(jié)果，以最大可能的分割尺度來(lái)區(qū)分不同影像區(qū)域從而獲取影像對(duì)象，在此過(guò)程中要設(shè)置分割參數(shù)，形狀因子的選取盡可能地不要設(shè)置太大，否則影響分割的質(zhì)量，其中顏色因子和緊湊度因子也是分割中不可或缺的一部分。在完成分割的基礎(chǔ)上執(zhí)行分類，分類方法有規(guī)則的監(jiān)督分類、最鄰近法分類和模糊數(shù)學(xué)分類，應(yīng)用易康eCognition特有的層次結(jié)構(gòu)關(guān)系對(duì)影像中的對(duì)象完整地分類，為地物的提取給予了良好的效果［5］。

多時(shí)相影像變化檢測(cè)的處理過(guò)程首先是對(duì)兩幅影像分別執(zhí)行多尺度的分割，多尺度的分割是影像局部?jī)?yōu)化的過(guò)程，采取尺度為80，形狀因子和緊湊度因子分別為0.1和0.8，對(duì)兩幅影像設(shè)置同樣的參數(shù)進(jìn)行分割，對(duì)分割后的結(jié)果采用隸屬度函數(shù)植被指數(shù)的設(shè)定，其中將NDVI＞0.3設(shè)定為植被，其余的全部設(shè)定為非植被，利用相同的算法對(duì)兩幅影像進(jìn)行分類處理，從而植被類別明顯地區(qū)分于其他類別，分類的基礎(chǔ)上進(jìn)行合并處理，植被將得到連通的斑塊，從而易于變化檢測(cè)，其中兩幅影像的分類合并結(jié)果如圖1所示。

圖1 不同時(shí)相影像的分類結(jié)果

其中上圖中a是第一期礦區(qū)的分類圖，圖b是第二期礦區(qū)的分類圖。分類合并的基礎(chǔ)上通過(guò)易康eCognition軟件特有的層次結(jié)構(gòu)來(lái)同步兩個(gè)分割層次，兩層次間設(shè)置垂直關(guān)系疊加分類結(jié)果，疊加的結(jié)果顯示出不同影像分割形成的斑塊也存在著差異。

通過(guò)兩層次結(jié)構(gòu)的邏輯關(guān)系設(shè)定兩幅影像的結(jié)合參數(shù)，并且按照植被增加、植被減少以及植被未變化的條件進(jìn)行處理，得到不同時(shí)相影像植被變化的分類結(jié)果。如圖所示2。

圖2 不同時(shí)相影像分類結(jié)合效果圖

從上圖中可以得知，礦區(qū)開(kāi)采區(qū)周邊以及污水排放區(qū)出現(xiàn)了植被的較少（藍(lán)色），小范圍開(kāi)采周邊與建筑物附近有植被的增加現(xiàn)象（紅色），其余礦區(qū)內(nèi)大部分的植被都未發(fā)生變化（白色）。圖斑在第一期的分類結(jié)果中為植被，在第二期的分類結(jié)果中為非植被，表明是植被減少（藍(lán)色）；圖斑在第一期的分類結(jié)果中為非植被，在第二期的分類結(jié)果中為植被，表明是植被增加；圖斑在第一期的分類結(jié)果中為植被，在第二期的分類結(jié)果中為植被，那么說(shuō)明在這塊區(qū)域植被未變化。

3 結(jié)論

本文使用多時(shí)相的高分辨率影像數(shù)據(jù)，結(jié)合易康eCognition軟件對(duì)礦山的植被做出了變化檢測(cè)與分析，得到了植被減少、植被增加和植被未變化的結(jié)果圖，并且可以將結(jié)果以矢量的方式導(dǎo)出做數(shù)據(jù)的相關(guān)研究，植被良好提取的前提對(duì)遙感影像進(jìn)行配準(zhǔn)、融合等預(yù)處理，圖斑邊界與地物才能完全的匹配，充分地反映了礦山內(nèi)環(huán)境變化和生態(tài)恢復(fù)的情況，在礦區(qū)周邊出現(xiàn)植被的退化現(xiàn)象，估計(jì)是礦區(qū)開(kāi)采導(dǎo)致的污染現(xiàn)狀而使植被減少，為了更加確切了解礦區(qū)植被的生長(zhǎng)狀況，應(yīng)該進(jìn)一步地對(duì)水土的污染做出相關(guān)研究，有利于為礦區(qū)無(wú)序開(kāi)采的管理與環(huán)境保護(hù)提供科學(xué)依據(jù)。

［1］Uuemma E，Roosaare J，Mander U.Scle drpendence of landscape metrics and their indicatoryvalue for nutrient and organic matter losses from catchments［J］.Ecological Indicators，2005，5（4）：350-369.

［2］殷守敬，吳傳慶，王橋，等.多時(shí)相遙感影像變化檢測(cè)方法研究進(jìn)展綜述［J］.光譜學(xué)與光譜分析，2013（12）：3339-3342.

［3］李恒凱，吳立新，劉小生.稀土礦區(qū)地表環(huán)境變化多時(shí)相遙感監(jiān)測(cè)研究——以嶺北稀土礦區(qū)為例［J］.中國(guó)礦業(yè)大學(xué)學(xué)報(bào)，2014（6）：1087-1094.

［4］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.

［5］宋楊，李長(zhǎng)輝，林鴻，等.基于eCognition的綠地利用變化檢測(cè)應(yīng)用研究［J］. 城市勘測(cè)，2011（5）：81-83，97.