(宜昌市河道堤防建設(shè)管理處，湖北 宜昌 443000)

1 研究背景

水無常勢，河流八方，宜昌市水資源豐富，河湖水系眾多，其中河湖及堤防工程的管護(hù)問題尤為復(fù)雜[1]。江河湖泊是生命的源泉，也是經(jīng)濟(jì)社會發(fā)展的基礎(chǔ)支撐，保護(hù)江河湖泊，事關(guān)人民群眾福祉，事關(guān)中華民族長遠(yuǎn)發(fā)展。中共中央辦公廳、國務(wù)院辦公廳印發(fā)的《關(guān)于全面推行河長制的意見》提出河湖管理保護(hù)是一項(xiàng)復(fù)雜的系統(tǒng)工程，涉及上下游、左右岸、不同行政區(qū)域[2]。在全面推行河長制，落實(shí)綠色發(fā)展理念、推進(jìn)生態(tài)文明建設(shè)，解決我國復(fù)雜水問題、維護(hù)河湖健康生命的同時，也面臨著完善河湖水系資料，將新技術(shù)應(yīng)用到河長制管理工作中，輔助河湖管理的難題[3-5]。

2015年開始，宜昌市在全省率先建立以行政首長負(fù)責(zé)制為核心的河長制，目前已基本實(shí)現(xiàn)市、縣、鄉(xiāng)、村4級河長制全覆蓋[6]。通過印發(fā)《市委辦公室 市政府辦公室印發(fā)<關(guān)于全面推行河湖長制的實(shí)施方案>的通知》(宜辦文〔2017〕20號)以及宜昌市河道堤防建設(shè)管理處相關(guān)工作安排，為了實(shí)現(xiàn)宜昌市河湖水系及堤防工程的保護(hù)與利用控制性規(guī)劃和河長制管理方案的編制，全面推行河(湖)長制，實(shí)現(xiàn)“河長制”常態(tài)化管理，必須掌握宜昌市全域河湖水系及堤防工程的基本信息。但由于全國第一次水利普查成果是以1∶50 000比例尺基礎(chǔ)地形圖數(shù)據(jù)為基礎(chǔ)，無法滿足市、縣、鄉(xiāng)、村4級河長制的管理需求，因此探究一種大范圍快速準(zhǔn)確地獲取河流水系空間信息的方法，為河長制的工作推進(jìn)提供現(xiàn)實(shí)性強(qiáng)的數(shù)據(jù)基礎(chǔ)，便成為后續(xù)宜昌市河湖水系和堤防工程管理工作迫在眉睫的任務(wù)。

2 多尺度分割

2.1 試驗(yàn)區(qū)域數(shù)據(jù)源

本研究以宜昌市遠(yuǎn)安縣為試驗(yàn)范圍，獲取了美國DigitalGlobe公司所發(fā)射的第四代高解析度光學(xué)衛(wèi)星遙感影像數(shù)據(jù)，該衛(wèi)星影像數(shù)據(jù)的全色光譜最大分辨率達(dá)到了0.31 m，數(shù)據(jù)包含全色波段和多光譜波段信息[7]。其常用波譜特征如表1所示。

表1 WorldView影像光譜特征Table 1 Spectral features of WorldView image

2.2 影像分割

遙感影像隨著分辨率的提高，所包含的地物信息量也會越來越多，如果使用單一的分割尺度，已經(jīng)不能滿足高分辨率遙感影像分類的需求，所以多尺度的影像分割是后續(xù)解譯的首要步驟，同時分割算法的好壞也會直接影響提取結(jié)果的精度[8]。

圖2 設(shè)置不同多尺度分割參數(shù)的結(jié)果對比Fig.2 Comparison of results by setting different multiscale segmentation parameters

目前國內(nèi)外對多尺度分割的尺度問題處理方式，主要有以下幾種：

(1)以對象之間的同質(zhì)和異質(zhì)的特性，對分割的結(jié)果不斷進(jìn)行探索，建立起同質(zhì)尺度與異質(zhì)尺度閾值和分割結(jié)果之間的線性關(guān)系，通過線性關(guān)系函數(shù)，得出綜合最優(yōu)尺度值[9]。

(2)建立單個樣本對象和尺度分割之間的關(guān)系，通過人工監(jiān)督分析，找出針對單個樣本的最優(yōu)尺度分割參數(shù)[10-11]。

(3)基于已有分類結(jié)果數(shù)據(jù)集，再對不同尺度分割結(jié)果與結(jié)果數(shù)據(jù)集進(jìn)行比對，找出與已有結(jié)果分割最近似的尺度閾值，作為分割標(biāo)準(zhǔn)[12]。

本文針對河流與湖泊等水系對象，先基于亮度值和紋理信息進(jìn)行一次分割，將影像劃分為無重疊的均質(zhì)區(qū)域。然后對每一個區(qū)域定義其內(nèi)部像元的空間鄰域，這樣既能有效分割出大的均質(zhì)區(qū)域，也能照顧到只包含極少像元的小區(qū)域，提高分類準(zhǔn)確性。最后應(yīng)用支持向量機(jī)(SVM)分類方法將光譜和空間信息特征結(jié)合，使得分割圖中每一個區(qū)域的所有像元都能分配到頻率最高的類別中，提高鄰域分類的精度。原始影像如圖1所示。

圖1 原始影像Fig.1 Original image

設(shè)置不同多尺度分割參數(shù)的結(jié)果對比如圖2所示。由圖2可以看出亮度紋理的閾值設(shè)置得越大，分割的結(jié)果越細(xì)碎；閾值設(shè)置得越小，分割的結(jié)果越規(guī)整。而尺度值設(shè)置得越大，分割結(jié)果越規(guī)整，反之越細(xì)碎。通過結(jié)果對比，最終得到相對最優(yōu)化的多尺度分割參數(shù)為亮度紋理系數(shù)0.3，緊致度系數(shù)0.5，尺度系數(shù)200。

3 特征模型建立

3.1 特征類型的細(xì)分

解譯區(qū)域目標(biāo)多樣性的增加可能會降低特征提取的精度，這可能發(fā)生在有不同表現(xiàn)形式的同一類對象中[13]。這種情況下，盡管屬于同一類，2個對象的光譜和紋理特征可能完全不同，并且它們可能被錯誤地提取到不同的類中(如圖3(a))。例如，清澈的河流在光譜上表現(xiàn)出水的特性，而有較多水生植物覆蓋的富營養(yǎng)化水面則會呈現(xiàn)出更多植被的光譜特性，但這2種應(yīng)該同屬于水體一類。類似的情況可能會發(fā)生在同一類別中的對象具有不同的形狀，這可能是由于分割算法或圖像質(zhì)量不同所引起。例如，河流干流可以分割成不同的部分，包括直的和碎片的部分，它們表現(xiàn)出相似的光譜和紋理特征，但是形狀不同，這可能會導(dǎo)致形狀特征計(jì)算誤差并影響提取結(jié)果(如圖3(b))。

圖3 水系影像特征Fig.3 Features of river water images

在特征構(gòu)建時，本文采取創(chuàng)建多子類特征來避免這些問題。例如，河流水面可以拆分為3個子類，包括清澈水面、富營養(yǎng)化水面、泥沙含量較大水面。河流可根據(jù)形狀分為直的和碎裂的部分。

3.2 特征模型

本研究根據(jù)單一地物的多方面特征項(xiàng)，結(jié)合面向?qū)ο蟮奶卣鞲拍钅Ｐ?，設(shè)計(jì)了適合試驗(yàn)區(qū)域的水體影像特征語義模型。模型包含光譜特征、鄰域特征。形態(tài)特征、空間特征、紋理特征、自定義特征等幾個大類，每一個大類下面又包含有若干個子類，每一個子類都有其語義描述信息。這個特征語義模型的構(gòu)建，有利于對試驗(yàn)中河流水系對象的影像特征的形式化描述和量化表達(dá)，其特征模型結(jié)構(gòu)見圖4。

4 規(guī)則與特征空間

根據(jù)特征模型，本文將水體特征歸納為以下幾個部分：

(1)對象特征,可細(xì)分為光譜特征、鄰域特征、形態(tài)特征。光譜特征的規(guī)則是指對象在所有波段的光譜統(tǒng)計(jì)特征[14]，例如平均值、輻射強(qiáng)度、標(biāo)準(zhǔn)差等。鄰域特征的規(guī)則是指對象鄰域的其他對象之間的光譜統(tǒng)計(jì)特征，例如光譜鄰域均差，相對較亮鄰域?qū)ο蟮墓庾V均差，相對較暗對象的光譜均差等。形態(tài)特征的規(guī)則是指對象在分割后的形態(tài)上展現(xiàn)出來的特征[15]，例如長度分布、寬度分布、長寬比、面積、邊界周長、不對稱性指數(shù)等。

(2)空間特征,可細(xì)分為空間位置特征、密度特征、緊致度特征?？臻g位置特征的規(guī)則是指對象的空間坐標(biāo)范圍特征值。密度特征的規(guī)則是指單位面積或區(qū)域內(nèi)占有指定對象的面積比。緊致度特征是指單個對象的像素總數(shù)與對象半徑的比值，其中半徑采用協(xié)方差矩陣來近似計(jì)算得出。

(3)紋理特征。紋理特征是基于對象的不同形態(tài)的細(xì)分。例如第3.1節(jié)所描述水體的不同性質(zhì)，可以將紋理特征細(xì)分為較清澈的水、有植被覆蓋的水和泥沙含量較大的水。通過對不同性質(zhì)的相同對象的紋理特征進(jìn)行總結(jié)和歸納，可以得到該對象的總體紋理特征。

(4)自定義特征。自定義特征主要是加入一些常用的專題指數(shù)模型。例如在水體分類中最常用到的歸一化水指數(shù)(NDWI)等。當(dāng)然，在識別水體的同時也要區(qū)分其他要素，所以其他要素相關(guān)的專題指數(shù)也可以協(xié)助反向排除非水體要素，例如NDMI等。

常用的專題指數(shù)如表2所示。表2的計(jì)算模型中字符變量均表示光譜反射值，其中，R代表紅波段，G代表綠波段，B代表藍(lán)波段，NIR代表近紅外波段，MIR代表中紅外波段，SWIR代表短波紅外波段。

表2 常用專題指數(shù)模型對照Table 2 Common thematic indexes

5 分類結(jié)果

為了驗(yàn)證前述的基于特征和規(guī)則的面向?qū)ο蠛恿魉敌畔⑻崛∧Ｐ停狙芯拷Y(jié)合宜昌市河長制水系信息核查項(xiàng)目，以宜昌市遠(yuǎn)安縣為試驗(yàn)區(qū)，對高分辨率遙感衛(wèi)星影像數(shù)據(jù)依據(jù)研究的模型進(jìn)行了水系信息的提取,影像如圖5所示。分類后，河流水系的提取結(jié)果如圖6所示。

圖5 宜昌市遠(yuǎn)安縣影像圖Fig.5 Image of Yuan’an County

圖6 遠(yuǎn)安縣河流水系圖Fig.6 Map of river system in Yuan’an County

本次試驗(yàn)采用eCognition軟件作為平臺，在軟件中構(gòu)建基于特征和規(guī)則的面向?qū)ο蠛恿魉敌畔⑻崛∧Ｐ?，提取水系信息結(jié)果。同時與傳統(tǒng)的非監(jiān)督分類方法(K-Mean)和改進(jìn)的歸一化水體指數(shù)法(MNDWI)的分類結(jié)果精度進(jìn)行對比。真實(shí)水體分類信息以試驗(yàn)區(qū)域均勻采樣獲取的真實(shí)值為準(zhǔn)。其分類精度比對如表3所示。

可以看出本文的方法在水系信息提取結(jié)果上，比傳統(tǒng)的非監(jiān)督分類和MNDWI法在精度上都有較好的提升。96%以上的用戶精度能夠?yàn)楹娱L制水系信息整理與核實(shí)提供有效數(shù)據(jù)支撐。

表3 分類精度對比Table 3 Comparison of classification accuracy

6 結(jié) 論

(1)以高分辨率衛(wèi)星遙感影像數(shù)據(jù)作為數(shù)據(jù)源，采用面向?qū)ο蟮乃枷?，提出了一種基于特征和規(guī)則的水體信息特征模型。該模型可以借助高分辨率數(shù)據(jù)源的優(yōu)勢，結(jié)合水體信息的對象特征、空間特征、紋理特征和專題光譜指數(shù)特征，能夠更加準(zhǔn)確地實(shí)現(xiàn)自動化水體信息要素的識別。

(2)借助eCognition軟件平臺對研究方法進(jìn)行驗(yàn)證。結(jié)果表明基于特征和規(guī)則的水體信息特征模型水系信息識別方法相比于傳統(tǒng)方法，能更加準(zhǔn)確地提取水體信息，有較好的識別效果和精度，為全國河長制管理中水系信息數(shù)據(jù)的整理和核實(shí)工作，提供了一種可借鑒的高效、可行的解決思路與方案。