周 煒，關(guān)洪軍

(陸軍工程大學(xué) 野戰(zhàn)工程學(xué)院， 南京 210007)

微地貌單元是重要的戰(zhàn)場(chǎng)地理要素之一，也是影響景觀格局的重要因素[1]。微地貌通常指規(guī)模相對(duì)較小的地貌形態(tài)，包含豐富的覆被屬性信息、水源信息、地質(zhì)信息等，對(duì)分析軍事地質(zhì)和特殊目標(biāo)具有重要意義。近年來，微地貌的提取技術(shù)主要基于數(shù)字高程模型數(shù)據(jù)(Digital Elevation Model)實(shí)現(xiàn)。麻莉[2]基于DEM數(shù)據(jù)提出了一種針對(duì)洪泛平原濕地微地貌單元的數(shù)字分析方法。Baade等[3]應(yīng)用TerraSAR-X雷達(dá)數(shù)據(jù)監(jiān)測(cè)秘魯南部海岸沙漠地區(qū)微地貌變化，比較了利用DEM提取微地貌的局限性。沖洪積扇微地貌廣義上講包括沖積扇與洪積扇兩種。沖積扇沉積體具有構(gòu)造“ 敏感性”，其復(fù)雜的沉積機(jī)制是解釋盆地邊緣構(gòu)造活動(dòng)的鑰匙，也是“源-聚-匯” 系統(tǒng)中的“源” 位置[4]。其前沿多為潛水溢出帶和淺埋地下水分布區(qū)，對(duì)野戰(zhàn)給水保障具有重要意義。目前，沖洪積扇微地貌提取技術(shù)多基于遙感影像的光學(xué)特征，DEM多用于輔助篩選泥石流分布區(qū)的溝谷和縱坡分析[5]，這些微地貌識(shí)別方法缺少地學(xué)因子的參考，不適應(yīng)復(fù)雜多變的微地貌邊界的識(shí)別。本文以青藏高原西部，北緯32°26′，東經(jīng)79°36′為研究區(qū)域，提出了一種基于CART分類器的沖洪積扇提取模型。該區(qū)域全年降雨量少，季節(jié)性強(qiáng)，氣候寒冷干燥[6]。寒冷、晝夜溫差大導(dǎo)致冰川發(fā)育廣泛，形成了高山、溝谷、冰蝕、冰磧、沖積扇等地貌類型，為沖洪積扇提取提供了大量的實(shí)驗(yàn)對(duì)象。該模型以GF-2影像、Landsat 8影像、DEM影像為數(shù)據(jù)源，結(jié)合沖洪積扇微地貌的光學(xué)特征、幾何特征、紋理特征、地學(xué)特征位置特征，能夠準(zhǔn)確界定沖洪積扇扇緣，實(shí)現(xiàn)沖洪積扇高精度提取。

1 數(shù)據(jù)處理

數(shù)據(jù)源包括Landsat8影像、GF-2衛(wèi)星影像、數(shù)字高程模型。其中，數(shù)字高程模型根據(jù)1∶5萬地形圖生成；Landsat8影像數(shù)據(jù)來源于中國(guó)科學(xué)院計(jì)算機(jī)網(wǎng)絡(luò)信息中心地理空間數(shù)據(jù)云平臺(tái)(http://www.gscloud.cn)；GF-2影像為1 T級(jí)產(chǎn)品，參數(shù)如表1所示。

表1 GF-2衛(wèi)星數(shù)據(jù)波段參數(shù)

數(shù)據(jù)處理包括幾何校正、濾波降噪、圖像融合3部分。幾何校正主要針對(duì)GF-2遙感影像、DEM影像、Landsat 8影像進(jìn)行圖像配準(zhǔn)，依靠重采樣對(duì)圖像亮度值進(jìn)行插值計(jì)算，建立新的圖像矩陣，結(jié)果誤差控制在0.5個(gè)像元以內(nèi)。濾波降噪通過中值濾波器實(shí)現(xiàn)，濾波窗口大小為5×5。中值濾波能夠有效濾除椒鹽噪聲，盡量保護(hù)邊緣信息的完整[7]。圖像融合的主要目的在于借助GF-2全色段影像的高分辨率優(yōu)勢(shì)，提高洪積扇邊緣的識(shí)別精度。融合采用主成分分析法，融合效果如圖1所示。

2 沖洪積扇特征分析

沖洪積扇具有獨(dú)特的地學(xué)特征和影像特征，深入研究這些特征因子是構(gòu)建沖洪積扇提取模型的必要前提。

1) 地學(xué)特征分析

① 沖洪積扇頂位于河流出山口，地學(xué)特征表現(xiàn)為高程的快速下降，位置關(guān)系表現(xiàn)為鄰接山體與平原。

② 沖洪積扇體在遙感影像上的幾何形態(tài)通常呈現(xiàn)為近似扇形。其發(fā)育范圍取決于山區(qū)河流的匯水面積、巖體風(fēng)化特征、水文特征等。

③ 沖洪積扇體的物質(zhì)組成取決于其河流上游匯水范圍的巖體類型；不同的物質(zhì)成分在遙感影像上呈現(xiàn)不同的光譜特征。

④ 沖洪積扇體的土壤顆粒較粗，主要為砂、礫，通常植被稀疏，不利于植物生長(zhǎng)。扇體邊緣和沖洪積扇前緣的土壤顆粒較細(xì)，一般為沙、粉沙及亞黏土，通常植被發(fā)育，植被覆蓋率高。

⑤ 沖洪積扇在地形上呈現(xiàn)為向盆地傾斜的山前傾斜平原或傾斜臺(tái)地，其坡度為5°～10°，扇體前緣的坡度為1°～2°。

2) 影像特征分析

沖洪積扇體的反射率隨波長(zhǎng)變化的趨勢(shì)與沖洪積扇土體顆粒變化基本一致。由于扇體前緣土體顆粒變細(xì)，以沙、粉沙以及亞黏土為主，土體粒徑約在0.45～0.25 μm之間，土壤孔隙率相對(duì)增高，土壤含水率也明顯增高，其在各波段的反射率略低于沖洪積扇主體的反射率。沖洪積扇前緣地下水溢流帶產(chǎn)生的“微陰影”以及相對(duì)高的土壤含水率，導(dǎo)致扇體前緣部分的反射率、植被指數(shù)和地表溫度的突變，形成沖洪積扇前緣分界帶。

3 沖洪積扇提取模型構(gòu)建

3.1 特征指數(shù)構(gòu)建

1) 植被特征指數(shù)

歸一化差分植被指數(shù)[8](NDVI)常用于監(jiān)測(cè)植被生長(zhǎng)的狀態(tài)、植被覆蓋度，能夠有效排除植被密集區(qū)，計(jì)算公式如下：

(1)

式(1)中:R表示影像的紅波段，NIR表示影像的近紅外波段。

2) 溫度植被干旱指數(shù)

溫度植被干旱指數(shù)[9](TVDI)可用于干旱檢測(cè)以及研究干旱程度的空間變化特征，計(jì)算公式如下：

(2)

式中:Ts表示給定像元的地表溫度，Tsmin、Tsmax表示給定像元相同NDVI值下的最低溫度和最高溫度。根據(jù)Landsat 8熱紅外波段影像反演研究區(qū)溫度植被干旱指數(shù)，指數(shù)值越接近0，土壤濕度越大。反演結(jié)果如圖2所示。

3) 紋理特征指數(shù)

灰度共生矩陣是一種描述紋理特征的常用方法，是建立在估計(jì)圖像的二階組合條件概率密度函數(shù)基礎(chǔ)上的統(tǒng)計(jì)方法，能夠有效提取紋理特征[10]。通過灰度共生矩陣一定程度上能夠識(shí)別沖洪積扇頂?shù)暮拥兰y理。選用7×7窗口提取5種統(tǒng)計(jì)量，分別為一致性(Homogeneity)、對(duì)比度(Contrast)、相異性(Dissimilarity)、熵(Entropy)、均值(Mean)。其計(jì)算公式如下：

(3)

式(3)中:P(i,j)表示i行j列像元的亮度值，u為7×7窗口內(nèi)的像元亮度均值。

4) 坡度、坡向

坡度(Slope)、坡向(Aspect)能充分呈現(xiàn)高程的變化率以及變化方向，有效識(shí)別沖洪積扇頂?shù)牡貙W(xué)特征。

(4)

式(4)中:m表示點(diǎn)在x方向上高程變化率，n表示點(diǎn)在y方向上高程變化率。坡度、坡向計(jì)算一般是在最小像元的基礎(chǔ)上，以5×5窗口為單位進(jìn)行局部微分或曲面回歸擬合得出。

5) 光譜特征參數(shù)

沖洪積扇的物質(zhì)組成主要以河流攜帶的沙礫石和粘土為主，分選性較好，植被極少。其在多光譜影像上色調(diào)比較均勻、亮度值變化差異較小。對(duì)沖洪積扇及該區(qū)域其他地物進(jìn)行樣本采集分析，結(jié)果如表2所示。

表2 沖洪積扇及其他地物光譜值

3.2 分類器設(shè)計(jì)

決策樹是一種經(jīng)典的分類器，其擴(kuò)展通過節(jié)點(diǎn)的類別情況，每個(gè)類別導(dǎo)致一個(gè)結(jié)果[11]。分類器使用改進(jìn)于傳統(tǒng)決策樹的CART(Classification And Regression Tree)分類方法，即分類與回歸樹[12]。

CART為在給定輸入x的條件下，輸出隨機(jī)變量y的條件概率分布。CART算法二分每個(gè)特征(包括標(biāo)簽特征以及連續(xù)特征)，通過最優(yōu)二分特征及其最優(yōu)二分特征值的選擇、切分，生成二叉樹并進(jìn)行剪枝[13]。分類過程中，回歸CART樹用誤差平方和準(zhǔn)則選擇特征，分類CART樹用基尼系數(shù)準(zhǔn)則選擇特征，并遞歸調(diào)用構(gòu)建二叉樹過程生成CART樹。回歸樹實(shí)現(xiàn)流程如圖3所示。

3.3 沖洪積扇提取模型構(gòu)建

1) 計(jì)算DEM影像的坡度值。以3°和10°為閾值，將坡度低于3°的區(qū)域視為沖洪積扇緣發(fā)育區(qū)；將坡度為3°～10°的區(qū)域視為沖洪積扇體發(fā)育區(qū)；將坡度高于10°的區(qū)域視為沖洪積扇頂發(fā)育區(qū)。

2) 計(jì)算目標(biāo)區(qū)域多光譜影像的紋理特征指數(shù)。沖洪積扇頂?shù)挠跋窦y理特征與山體存在明顯區(qū)別，條帶狀河流沖刷痕跡明顯。為縮減灰度共生矩陣計(jì)算量，基于Matlab軟件平臺(tái)對(duì)影像的灰度級(jí)數(shù)進(jìn)行壓縮，即從影像最小像元值起，每5級(jí)壓縮為1級(jí)，如1～5視為1，6～10視為2。

3) 計(jì)算NDVI、TDVI指數(shù)。研究區(qū)地處高原，多鹽堿地，植被指數(shù)主要與土壤類型相關(guān)，參考表2的平原臺(tái)地地光譜特征指數(shù)，以0作為區(qū)分閾值。根據(jù)沖洪積扇體表面植被覆蓋度極低的原則，將NDVI指數(shù)大于0的區(qū)域視為植被存在區(qū)域，排除在沖洪積扇可能存在的區(qū)域之外。從沖洪積扇根部體向扇體邊緣的土壤含水率逐漸增高，到扇前緣的地下水水溢出帶土壤含水率有明顯躍升，多泉水發(fā)育。根據(jù)TDVI指數(shù)，以0.3作為閾值提取影像中的高表層土壤含水率的區(qū)域。

4) 根據(jù)影像光譜特征參數(shù)，以藍(lán)波段像元值720為閾值，區(qū)分鹽堿地與其他地物，排除在沖洪積扇可能存在的區(qū)域之外。

5) 基于決策樹法排除有明顯特征的非沖洪積扇地物，界定山體與山間盆地的分界線。基于CART樹獲取最優(yōu)分割特征值，實(shí)現(xiàn)不同源頭沖洪積扇的提取與區(qū)分。

6) 基于沖洪積扇與山體之間的鄰接關(guān)系判定沖洪積扇，實(shí)現(xiàn)沖洪積扇提取。

4 結(jié)果驗(yàn)證與分析

為檢驗(yàn)?zāi)Ｐ托Ч?，分別使用本文提出的模型、最大似然法、SVM法對(duì)沖洪積扇進(jìn)行提取，并通過混淆矩陣對(duì)提取結(jié)果進(jìn)行精度評(píng)價(jià)，結(jié)果如圖4、表3所示。

注：圖中白色表示沖積扇A，灰色表示沖積扇B，黑色表示洪積扇C

表3 沖積扇分類結(jié)果

從表3看，本文提出的模型提取效果明顯優(yōu)于最大似然法和SVM法，對(duì)影像中3種不同源頭的扇體提取結(jié)果的Kappa系數(shù)分別為0.95、0.86、0.90，總體精度達(dá)到92.37%。結(jié)合圖4所示，模型通過沖洪積扇與山體之間的拓?fù)溧徑雨P(guān)系，有效濾除了 “同譜異物”的其他背景地物，極大地提高了提取精度。

5 結(jié)論

1) 以Landsat8影像、GF-2衛(wèi)星影像、數(shù)字高程模型為數(shù)據(jù)源，基于CART分類器的沖洪積扇提取模型，實(shí)現(xiàn)了沖洪積扇微地貌單元的精確提取，為區(qū)域地貌環(huán)境的監(jiān)測(cè)提供技術(shù)支持。該模型提取沖積扇的總精度為92.37%。

2) DEM數(shù)據(jù)是沖洪積扇提取的重要參數(shù)，結(jié)合光學(xué)、地學(xué)特征的模型提取精度遠(yuǎn)優(yōu)于僅基于光學(xué)特征的最大似然法和支持向量機(jī)方法。

3) 溫度植被干旱指數(shù)能有效表達(dá)土壤濕度，對(duì)識(shí)別沖洪積扇頂部、前緣具有重要作用，能夠準(zhǔn)確劃分沖洪積扇前緣地下水溢出帶。