面向地理国情监测的地表覆盖信息提取方法

2013-04-07刘若梅

测绘通报 2013年8期

程滔，周旭，刘若梅

（国家基础地理信息中心，北京 100830）

一、引言

地表覆盖信息获取是地理国情监测的首要任务，也是地理国情监测的基础。通过一定的技术手段和方法，获取到包括植被、水域、荒漠与裸露地、冰川与常年积雪、人工表面等的范围、面积及其空间分布现状等地表覆盖信息，可为地理国情指标信息的统计与发布提供重要依据。

目前，国际上已发布了5套全球地表覆盖数据产品，国内也开展了全球地表覆盖项目，多个行业也根据自身行业需求开展过地表覆盖方面的研究。然而，全球地表覆盖尺度很大，为了满足全球变化研究与地球模式模拟的需求，使用的影像空间分辨率相对较低；行业地表覆盖分类体系也是为满足本行业需求制定的。地理国情监测地表覆盖分类体系是从监测全国范围内地理要素变化发展的角度出发，综合考虑多个行业应用的需求，参考现有的国家技术标准、行业技术规范，以及国内外已公布的、应用较广泛的地表覆盖分类体系而制定的，将采用中、高分辨率遥感影像进行信息提取。

基于遥感影像的地表覆盖信息获取方法很多，包括计算机自动分类、专题数据辅助自动分类、人工解译、外业调查等。其中，计算机自动分类效率最高，然而，大部分成功案例均是面向专题要素信息的提取或基于小范围的信息提取研究，其尚无法满足地理国情监测工程项目大范围、综合要素信息提取的需求。本文在技术分析的基础上，提出了一种在工程化应用中可行的地表覆盖信息提取方法，可为地理国情监测的地表覆盖信息提取提供参考。

二、信息提取方法

地理国情监测项目中，根据一定的原则和方法，初步确定了地表覆盖内容体系方案，包括耕地、园地、林地、草地、人工表面、裸露地表、水体、冰雪8个一级类，以及若干二级类和三级类3个层级的类别。

不同的信息提取方法，提取效率不同，精度差异较大。地表覆盖信息提取的原则是尽可能基于遥感影像自动分类，最大限度地使用计算机自动处理，在不能满足精度要求的情况下，采取辅助手段，兼顾效率与精度，提取出地表覆盖内容体系中各级地表覆盖信息。

计算机自动分类是通过遥感影像内业处理，利用对象的光谱特征、形状特征、纹理特征等，建立适应的提取规则，自动提取出各级地表覆盖类别信息。具体技术方法如下:

1）遥感影像预处理。对遥感影像进行影像合成、影像融合、正射纠正等处理，为后续处理建立良好的基础。

2）要素基本特征获取。获取地表覆盖要素在遥感影像中的基本特征，包括光谱、纹理、形状、空间位置等，分析各类特征在信息提取中的功能。

3）要素指数信息构建。根据各类地表覆盖要素的基本特征，构建相应的指数指标（如NDVI、NDWI等），作为信息提取的判定依据。

4）要素辅助信息嵌入。辅助信息（如DEM、DSM等）参与自动分类，对提高分类精度有很重要的意义，能够减少地物要素的混合概率。

5）样本选取。针对不同类型的地物，依据地物要素的特征信息，采集一定数量的样本作为自动分类的标志。

6）信息提取。利用地物要素的基本特征、指数信息等，加入辅助信息进行决策，采用监督分类、决策树分类、面向对象分类等方法对地表覆盖要素进行信息提取。

7）结果评价与分析。采集一定数量的检验样本，对地表覆盖信息提取结果进行评价与分析，结合人工解译与编辑，最终得到精度满足需求的分类结果。

三、关键技术分析

1.对数据源的要求

随着信息技术和卫星传感器技术的飞速发展，卫星遥感影像的种类不断增多，为地理国情监测地表覆盖信息提取提供了丰富的遥感数据源。因此，针对不同级别的分类类别，可采用不同的空间分辨率与光谱分辨率的影像。一级类地物信息的提取，适宜使用分辨率优于10 m的多光谱影像；二级类地物信息的提取，适宜使用分辨率优于5 m的多光谱影像；三级类地物信息的提取，适宜使用分辨率优于1 m的多光谱影像。遥感影像的光谱分辨率越高，越有利于提高分类的精度，因此，应尽量采用光谱分辨率高的遥感影像。

2.地物要素特征分析

地物要素的特征有很多，对特征进行深入分析，获取提取地物类别的最佳特征组合，是自动分类的一项重要任务。光谱特征是目前计算机自动分类方法利用的主要特征，它是纹理特征、形状特征的基础，也是遥感影像最直接的信息源。纹理作为一种区域特征，是对影像各像元之间空间分布的一种描述，反映了一个区域内像素灰度级的空间分布属性。与其他影像特征相比，纹理能更好地兼顾影像宏观性质与细微结构两个方面，因此，它是目标识别的重要特征。形状是地物在影像上的外形与轮廓，是识别地物性质重要而且明显的标志。对于河流、道路等线性地物和建筑物、农田等具有相对规则形状的单位的表达与描述，形状特征一般能取得较好的效果。

通过特征分析，直接建立判定规则，或通过构建指数指标建立判定规则，是目前自动分类的主要手段。地理国情监测主要基于中、高分辨率遥感影像，需要充分利用地物要素的多种特征，通过对要素特征进行充分分析与挖掘，才能够为信息提取规则的建立提供必要的条件。

3.信息提取规则的构建

信息提取的关键之一是针对不同类型的地物要素，构建适用的提取规则。良好的信息提取规则在计算机自动分类中将发挥良好的性能。如对植被、水系信息的提取，应用较多的算法主要为归一化植被指数（NDVI）和归一化水体指数（NDWI），它们都是利用比值运算创建的。比值型指数创建的基本原理是在多光谱波段内，寻找研究对象的最强反射波段和最弱反射波段，将强者置于分子，弱者置于分母，从而增强研究对象，抑制背景地物。

地形起伏因素的影响会使地物的光谱反射特性产生变化，并且不同地物的生长地域往往受海拔高度或坡度、坡向的制约，所以将高程信息作为辅助信息参与分类将有利于提高分类精度。在条件允许的情况下，可加入DEM、DSM等辅助信息，参与规则的建立。

从目前的研究现状来看，随着影像空间分辨率的提高，不同地物间的特征差异表现得更加细微，这给信息提取规则的构建带来了一定的难度，计算机自动分类的单一地物类别中总会混合其他地物类别。因此，计算机自动分类要想获得满意的分类精度，必须建立详尽的信息提取规则，通过设置适当的阈值，得到理想的结果。

4.分类方法的选取

传统基于像素的遥感影像分类方法都是在光谱信息极其丰富、地物间光谱差异较为明显的基础上进行的。高分辨率遥感影像的结构、纹理等信息非常突出，但不同地物间的光谱特征差异表现得不再明显，“同物异谱”、“异物同谱”现象更加普遍。随着高分辨率遥感影像的广泛应用，基于像元光谱统计的自动分类技术已不能满足当前遥感信息提取的要求。

在应用需求较迫切的情况下，面向对象的影像分类方法为高分辨率遥感影像信息提取提供了新的思路。该方法不再单单利用光谱特征，而是充分利用高分辨率影像丰富的光谱、纹理、形状、空间位置等综合特征提取地表覆盖信息。面向对象的影像分类方法的关键在于精确的影像分割，分割方法包括基于多尺度的、基于灰度的、基于纹理的、基于知识的等。其中，多尺度分割算法最为常用，它综合应用地物要素的光谱特征和纹理特征，计算各波段光谱异质性与形状异质性的综合特征值，并设置一定的阈值，当所有分割对象的综合加权值大于指定阈值时，完成影像的多尺度分割。在此基础上，建立适当的规则，提取相应的地表覆盖信息。

基于专家知识的决策树分类方法也是计算机自动分类方法中应用较多的一种方法，该方法主要根据光谱特征、空间关系和其他上下文关系归类像元，是利用信息论原理对大量样本的属性进行分析和归纳而产生的。一个决策树由一个根节点、一系列内部节点和分支及若干个叶节点组成。每个内部节点代表一个决策过程中所要测试的属性；每个分支代表测试的一个结果，不同属性值形成不同分支；而每个叶节点代表一个类别，即影像的分类结果。

在地理国情监测工作中，应根据所使用遥感影像的空间分辨率、光谱分辨率等特征，选择适用的分类方法，尽可能地提高自动分类精度，减少后期人工编辑工作量，提高分类效率。

四、结论

通过对遥感影像信息提取关键技术的分析，可以得出如下结论:

1）基于遥感影像的地表覆盖信息提取是在计算机自动分类的基础上进行的，目前遥感影像自动分类方法有很多，但由于遥感影像数据的复杂性，还没有一种分类方法是普适的、高效的。在实际应用中，只能针对具体的遥感影像类型，探索最适合的分类方法，以达到较高的分类精度。

2）地理国情监测项目对地表覆盖分类精度要求较高，同时需兼顾效率。因此，在计算机自动分类精度无法满足要求时，需进行人工解译与编辑，以提高整体分类精度。

3）传统基于光谱的分类方法比较适用于中、低分辨率多光谱和高光谱影像，针对高分辨率遥感影像信息的提取，以面向对象的影像分类方法为例，可归纳出如下一套可行、适用的工程化技术流程:首先对影像进行多尺度分割；在此基础上，对影像进行面向对象分类，结合分割与分类结果，采用人工解译的方法，对分类结果进行编辑，得到最终地表覆盖信息提取结果。技术流程如图1所示。