劉 潔，廖凱濤，宋月君，賴格英，鄭海金

（1.江西省水利科學(xué)院，江西 南昌 330029；2.江西師范大學(xué) 地理與環(huán)境學(xué)院，江西 南昌 330022；3.江西省土壤侵蝕與防治重點(diǎn)實(shí)驗(yàn)室，江西 南昌 330029）

我國(guó)南方紅壤區(qū)自然災(zāi)害頻繁，地形復(fù)雜，丘陵、盆地、山地交錯(cuò)，是水土流失較嚴(yán)重的地區(qū)之一。山坡土體在水力和重力的共同作用下，非常容易發(fā)生崩塌侵蝕，形成崩崗侵蝕現(xiàn)象。崩崗是我國(guó)南方紅壤區(qū)危害嚴(yán)重、侵蝕強(qiáng)度最大的侵蝕類型，因此加大對(duì)崩崗的治理有利于保護(hù)水土資源，促進(jìn)生態(tài)環(huán)境的和諧穩(wěn)定發(fā)展。高分專項(xiàng)工程的逐步發(fā)展，實(shí)現(xiàn)了遙感影像亞m級(jí)高空間分辨率與高時(shí)間分辨率的有機(jī)結(jié)合。利用遙感影像可以提高水土流失區(qū)動(dòng)態(tài)監(jiān)測(cè)的效率，對(duì)大面積災(zāi)害監(jiān)測(cè)和防治具有重要 意義。

通過(guò)崩崗調(diào)查可以摸清崩崗的侵蝕現(xiàn)狀，為崩崗侵蝕的預(yù)防和治理提供基礎(chǔ)數(shù)據(jù)[1]。野外崩崗調(diào)查常受限于崩崗侵蝕區(qū)大傾角和高崩壁高差的復(fù)雜地形[2]。 一些學(xué)者嘗試將新技術(shù)應(yīng)用于崩崗侵蝕調(diào)查中，并取得了良好的效果[3]，如劉希林[4]利用三維技術(shù)對(duì)崩崗侵蝕區(qū)進(jìn)行了激光掃描，全面研究了崩崗侵蝕的時(shí)間變化規(guī)律和侵蝕過(guò)程；張鐵洋[2]等通過(guò)CORS-RTK和GIS技術(shù)提高了小流域崩崗侵蝕調(diào)查的精度；李昊潔[5]等研究了不同分辨率影像對(duì)崩崗提取精度的影響，結(jié)果表明10 m以上分辨率的遙感影像對(duì)崩崗形狀的提取有較大困難。然而，在南方地區(qū)特殊的地理環(huán)境下，采用GF-2號(hào)衛(wèi)星影像對(duì)崩崗侵蝕進(jìn)行提取分析的相關(guān)研究較少，因此本文以江西省贛州市贛縣區(qū)白鷺鄉(xiāng)金鉤形小流域崩崗區(qū)為研究對(duì)象，基于GF-2號(hào)衛(wèi)星遙感影像，采用面向?qū)ο蟮姆诸惙椒?，結(jié)合影像的光譜和紋理特征，構(gòu)建了崩崗信息提取的分類規(guī)則，為南方紅壤區(qū)利用國(guó)產(chǎn)遙感影像開(kāi)展崩崗調(diào)查和時(shí)空變化研究提供參考。

1 研究區(qū)概況與數(shù)據(jù)來(lái)源

1.1 研究區(qū)概況

金鉤形小流域位于江西省南部的贛州市贛縣區(qū)，屬亞熱帶濕潤(rùn)季風(fēng)氣候區(qū)，具有氣候溫和濕潤(rùn)、雨量充沛的特點(diǎn)。該區(qū)域光照充足、四季分明、無(wú)霜期長(zhǎng)； 多年平均氣溫為19.3℃；多年平均降水量為1 476 mm， 降水年內(nèi)分配不均，主要集中在4－7月；地形屬于中低山丘陵地區(qū)。贛縣區(qū)是江西省水土流失最嚴(yán)重的縣之一，由2005年江西省崩崗調(diào)查結(jié)果可知，全縣現(xiàn)有崩崗4 138個(gè)，崩崗面積為1 808.3萬(wàn) m2；其中金鉤形小流域是江西省崩崗密度最大、數(shù)量最多、類型最全、流失最嚴(yán)重的區(qū)域，因此具有代表性[6]。

1.2 數(shù)據(jù)來(lái)源

GF-2號(hào)衛(wèi)星于2014年8月在太原衛(wèi)星發(fā)射中心成功發(fā)射，具有亞m級(jí)空間分辨率、高定位精度和快速姿態(tài)機(jī)動(dòng)能力等[7]，主要參數(shù)如表1所示。本文采用的影像獲取時(shí)間為2017-10-29，包括一個(gè)全色波段和4個(gè)多光譜波段，范圍為115e14′～115e20′E、26e17′～ 26e23′N。研究區(qū)內(nèi)主要地物包括居民地、林地、水體、崩崗等。

表1 GF-2號(hào)衛(wèi)星參數(shù)[9-10]

對(duì)獲取的影像進(jìn)行預(yù)處理，主要包括多光譜數(shù)據(jù)的FLAASH大氣校正[7]、多光譜數(shù)據(jù)與全色數(shù)據(jù)的影像配準(zhǔn)、正射校正以及Gram-Schmidt光譜銳化融 合法[8]。

2 研究方法

2.1 光譜特征提取

利用地物的光譜曲線可對(duì)影像中的地物進(jìn)行基礎(chǔ)判讀，獲得樣本點(diǎn)，進(jìn)而統(tǒng)計(jì)不同地物的光譜曲線，為地物類型的區(qū)分提供依據(jù)[11]。本文通過(guò)目視解譯和野外調(diào)查進(jìn)行判讀，區(qū)域內(nèi)主要包括林地、崩崗、水體、建筑物和裸土，如圖1所示。

圖1 研究區(qū)遙感影像（4、3、2波段）

光譜特征是檢測(cè)地物最基礎(chǔ)的特征，對(duì)影像的分類提取具有重要作用。不同類型作物在影像上的光譜特征統(tǒng)計(jì)值具有差異性，在不同波段上由于反射和吸收率的不同，光譜特征也有較大差異。本文通過(guò)光譜特征提取，計(jì)算得到區(qū)域內(nèi)的歸一化植被指數(shù)（NDVI）和歸一化水體指數(shù)（NDWI）。NDVI能有效反映植被生長(zhǎng)情況和植被覆蓋度，通過(guò)比值處理可消除 部分與太陽(yáng)高度角、衛(wèi)星觀測(cè)角、地形、云陰影和大氣條件有關(guān)的輻照度條件變化（大氣層輻射）等的影響，反映植被在紅色波段和近紅外波段的反射差異。NDVI被廣泛應(yīng)用于植被統(tǒng)計(jì)與提取、植被生長(zhǎng)狀態(tài)檢測(cè)以及植被時(shí)空變化分析等領(lǐng)域[12]。其表達(dá)式為：

式中，NIR為近紅外波段；R為紅色波段。

利用NDWI可提取研究區(qū)內(nèi)的水體，對(duì)影像中的水體特征進(jìn)行增強(qiáng)，排除水體對(duì)崩崗提取的影響。其表達(dá)式為：

式中，NIR為近紅外波段；G為綠色波段。

2.2 紋理特征提取

利用灰度共生矩陣方法對(duì)圖像的紋理特征進(jìn)行提取，在影像分類上已得到廣泛應(yīng)用[13]。其計(jì)算方法主要是基于二階概率影像統(tǒng)計(jì)，計(jì)算鄰近像元的相關(guān)性。共生矩陣是在灰度紋理影像中的不同方向θ上計(jì)算距離為d的二階灰度值出現(xiàn)的概率分布，即像素距離d與角度θ的矩陣函數(shù)。

本文設(shè)置二階概率濾波的窗口為3×3，空間相關(guān)性矩陣X和Y的變換分量為1和1，灰度質(zhì)量級(jí)別為64。由圖2可知，在方差、對(duì)比度和相異性上，崩崗紋理特征相對(duì)于其他地物呈現(xiàn)亮色調(diào)，而在協(xié)同性、熵和二階矩上，則呈現(xiàn)為暗色。為了增強(qiáng)崩崗紋理的對(duì)比度，本文將方差、對(duì)比度、相異性的和與協(xié)同性、熵、二階矩相減，從而構(gòu)建新的灰度共生紋理[11]，即GLCT=方差+對(duì)比度+相異性－協(xié)同性－熵－二階矩，得到的GLCT 紋理特征如圖2g所示。通過(guò)增強(qiáng)紋理影像，可以排除人為影響所改造的區(qū)域。

圖2 影像紋理增強(qiáng)

2.3 面向?qū)ο蟮姆诸惙椒?/h3>

面向?qū)ο蟮姆诸惙椒艹浞挚紤]到像元之間的相互關(guān)系，克服傳統(tǒng)分類方法中的“椒鹽”效應(yīng)，從而減少“同譜異物”和“同物異譜”的現(xiàn)象[14]。本文通過(guò)目視解譯的方法對(duì)比影像對(duì)象與地物的實(shí)際分布狀況，并對(duì)影像進(jìn)行分割。利用影像分割的方法能得到同質(zhì)影像斑塊，提升影像的光譜信息、紋理信息、形狀信息以及空間關(guān)系的地物分類識(shí)別精度。本文通過(guò)多次嘗試發(fā)現(xiàn)，分割尺度為45、合并尺度為85時(shí)可以較好地分割出崩崗的邊緣特征。

本文確立的崩崗分類規(guī)則如表2所示，由于崩崗區(qū)域植被稀疏，因此采用NDVI排除植被覆蓋區(qū)；由于研究區(qū)內(nèi)有藍(lán)色屋頂建筑，因此采用藍(lán)光波段排除屋頂；利用計(jì)算得到的新灰度共生矩陣，結(jié)合紋理特征提取崩崗區(qū)域影像；利用長(zhǎng)寬比排除道路；根據(jù)裸地特點(diǎn)，利用綠光波段灰度值和最大化差異度排除裸地。

表2 面向?qū)ο筇崛”缻彿诸愐?guī)則集

3 研究結(jié)果與分析

本文采用野外實(shí)地檢驗(yàn)和目視分析方法對(duì)提取結(jié)果進(jìn)行了精度驗(yàn)證，并比較了面向?qū)ο蟮姆诸惙椒ㄅc非監(jiān)督分類K-means方法的提取精度。不同方法的分類效果如圖3所示。結(jié)合2018年贛縣崩崗發(fā)生點(diǎn)實(shí)地測(cè)量結(jié)果、2018年崩崗侵蝕實(shí)地調(diào)查結(jié)果可知，完全重合的崩崗侵蝕區(qū)有18個(gè)，人工目視提取得到的研究區(qū)內(nèi)崩崗發(fā)生面積為34 215.6 m2，面向?qū)ο蟮姆诸惙椒ㄌ崛〉谋缻徝娣e為31 160.6 m2，準(zhǔn)確率為91.07%。提取精度誤差主要出現(xiàn)在耕地裸露的區(qū)域，可通過(guò)多期影像疊加的方法減小誤差。

本文將其結(jié)果與傳統(tǒng)基于像素的K-means算法的提取結(jié)果進(jìn)行比較，如圖3所示，可以看出，K-means算法的分類結(jié)果較差，錯(cuò)分、漏分現(xiàn)象嚴(yán)重，裸土和崩崗侵蝕區(qū)形態(tài)無(wú)法區(qū)分，因此結(jié)合紋理特征和光譜特征，能較好地對(duì)南方崩崗侵蝕區(qū)進(jìn)行提取。

圖3 不同方法分類效果比較

4 結(jié) 語(yǔ)

本文基于GF-2號(hào)衛(wèi)星影像，結(jié)合光譜特征和紋理特征，利用面向?qū)ο蟮姆诸惙椒ㄌ崛×艘寻l(fā)生崩崗區(qū)域的數(shù)據(jù)，能較好地反映實(shí)際情況。

1）亞m級(jí)遙感影像數(shù)據(jù)能基本反映崩崗的分布范圍，對(duì)于形狀和邊界的提取較準(zhǔn)確，與人工調(diào)查精度差別較小，能為我國(guó)南方紅壤丘陵區(qū)崩崗動(dòng)態(tài)監(jiān)測(cè)和治理提供了一定的參考。

2）利用面向?qū)ο蟮姆诸惙椒梢暂^好地改善錯(cuò)分、漏分現(xiàn)象，克服基于像素的分類方法產(chǎn)生的“椒鹽”現(xiàn)象，獲得較好的分類效果。

目前基于遙感影像，利用面向?qū)ο蟮姆诸惙椒▽?duì)崩崗面積進(jìn)行提取的研究較少，本文僅采用單一時(shí)期的影像進(jìn)行了研究，還應(yīng)對(duì)不同時(shí)間、不同區(qū)域的影像進(jìn)行綜合性研究。隨著國(guó)產(chǎn)衛(wèi)星空間分辨率的不斷提高，應(yīng)進(jìn)一步加強(qiáng)國(guó)產(chǎn)衛(wèi)星在崩崗提取與動(dòng)態(tài)監(jiān)測(cè)中的應(yīng)用研究，拓展國(guó)產(chǎn)衛(wèi)星數(shù)據(jù)的應(yīng)用領(lǐng)域。