地理国情普查中地表覆盖信息提取技术研究

2014-08-08张静舒

重庆工商大学学报（自然科学版） 2014年8期

黄霞，张静舒，何勇

(重庆交通大学河海学院，重庆 400074)

地理国情监测就是综合利用现代测绘技术和各时期基础测绘成果，对地形、水系、湿地、冰川、沙漠、地表形态、地表覆盖、道路、城镇等要素进行动态和定量化空间化的监测，并对普查及监测成果进行统计分析，及时发布统计分析报告及统地图[1]。地理国情普查是地理国情监测的第一步，地理国情是从地理的角度分析研究和描述国情，即以地球表层自然生物和人文现象的空间变化和它们之间的相互关系特征等为基本内容，对构成国家物质基础的各种条件因素做出宏观性、整体性、综合性的调查分析和描述[2]。地表覆盖信息提取作为地理国情普查中重要的一个环节，其技术是国内外时下研究的热点。英国的全球干旱监测网[3]、欧盟的全球环境与安全监测计划[4]、美国国家生态观测网[5]、亚太地区环境革新战略项目环境综合监测子项目[6]等国外地理国情监测项目为国内开展地理国情普查提供了可行的理论与技术支撑；我国第一、二次土地调查、第一次全国水利调查、“863计划地球观测与导航技术领域重点项目”[7]等国情项目的开展也为地理国情普查奠定了理论与实践基础。近年来董冬、龚伟等进对地理国情基本要素内容进行了浅要分析[8]，李德仁等进行了地理国情监测技术支撑的论述[9]，陈军等探讨了全球地表覆盖高分辨率遥感制图，介绍了我国30 m地表覆盖数据产品[10]。目前，在地理国情普查中，基于遥感的地表覆盖信息提取技术主要有3种——目视解译、计算机自动解译、计算机人工交互解译。

1 地表覆盖信息提取技术及分类体系

1.1 地表覆盖信息提取技术

图1为地理国情普查中地表覆盖信息提取技术，可看出主要有3种方法——目视解译、计算机自动解译、计算机人工交互解译。目视解译是指利用图像的影像特征(色调或色彩，即波谱特征)和空间特征(形状、大小、阴影、纹理、图形位置和布局)与多种非遥感信息资料(如地形图、各种专题图)组合，运用其相关规律，进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程。

图1 地理国情普查地表覆盖信息提取技术路线

计算机自动提取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[11]。计算机人工交互解译是二者的结合。根据影像特征，对其光谱、形状较为显著的目标地物采用计算机自动提取，而对光谱信息模糊、形状破碎的地物采取目视解译的方法。

1.2 地表覆盖信息分类

地表覆盖信息分类信息反映地表自然营造物和人工建筑物的自然属性或状况，不同的分类标准会产生不同的分类结果，参考国务院第一次全国地理国情普查领导小组办公室2013年8月发布的《地理国情普查内容与指标(GDPJ01-2013)》进行地表覆盖信息的分类，其中地理国情普查内容分为12个一级类，58个二级类，133个三级类，其名称和代码均有定义参考该分类体系，采用三级分类。

2 数据源及研究区概况

2.1 遥感影像信息

选取的是2011年11月空间分辨率为0.5 m的WorldView_2影像作为数据源，其除了蓝色波段(450～510)、绿色波段(510～580)、红色波段(630～690)、近红外线波段(770～895外，还具有新的彩色波段：海岸波段(400～450)，这个波段支持植物鉴定和分析，也支持基于叶绿素和渗水的规格参数表的深海探测研究；黄色波段(585～625)，是重要的植物应用波段；红色边缘波段(705～745)，辅助分析有关植物生长情况，可以直接反映出植物健康状况有关信息；近红外2波段(860～1 040)，这个波段部分重叠在NIR1波段上，但较少受到大气层的影响，该波段支持植物分析和单位面积内生物数量的研究。

2.2 研究区概况

西藏自治区，全区面积120.223万km2，约占全国总面积的1/8，设1个地级市(拉萨市)、6个地区(昌都地区、林芝地区、山南地区、日喀则地区、那曲地区、阿里地区)和73个县(市区)。地势由西北向东南倾斜，地貌大致可分为喜马拉雅高山区，藏南谷地，藏北高原和藏东高山峡谷区，地形复杂多样，因此，为了更高效率的提取地表覆盖信息，不同区域选取的信息提取技术应有所差异。

3 地表覆盖信息提取

为了更好地对比分析，每种解译方法所采用的实验数据不同，但实验区范围大小相同，均以1∶25 000分幅数据作为实验区，地形复杂程度不同，但目标地物种类大致相同。

3.1 目视解译法

目视解译指专业人员通过直接观察在遥感图像上获取特定目标地物信息的过程。实验是基于Geoway平台，实现地表覆盖分类信息提取，实验区像素范围为24 398×19 130。

3.1.1 建立解译标志

影像的解译标志也称判读要素，它是遥感图像上能直接反映和判别地物信息的影像特征，主要包括形状、大小、阴影、色调、颜色、纹理、图案等。实验区内地形复杂程度较低，地物种类较少，主要是草地、林地，影像上道路、房屋、水体、耕地等形状规则的地物存在但数量不多。

3.1.2 提取地表覆盖分类信息

通过建立的解译标志体系，进行遥感影像的判读，进行地物类别分类，提取地表覆盖信息。结果如图2(a)所示，为此次实验的地表覆盖分类结果。实验将目标地物分为14类：旱地(0120)、针叶林(0312)、阔叶灌木林(0321)、乔灌混合林(0330)、高覆盖度草地(0411)、高密度低矮房屋建筑区(0521)、低密度低矮房屋建筑区(0550)、无轨道路路面(0601)、其他硬化地表(0719)、其他构筑物(0790)、其他堆放物(0829)、砾石地表(0940)、水面(01001)。

3.2 计算机自动提取法

基于eCognition平台，采用面向对象的多尺度信息提取技术进行地表覆盖信息进行提取，像素范围为24 248×18 966。面向对象的多尺度信息提取方法的最小研究对象不是单个像元，而是基于某种规则组合而成的像元集，即对象。

3.2.1 分割

影像分割是面向对象的多尺度信息提取技术的基础和关键。遥感影像具有复杂的空间信息，单一尺度的遥感影像分割难以兼顾不同类别的地物宏观和微观特征，当分割尺度较大时，面积较大的目标地物如林地、草地、旱地等得以较好保留，但道路、房屋等面积较小的目标地物的形状特征则会被破坏；当分割尺度较小时，会导致对象增多，数据冗余，降低分类效率。因而需要在不同尺度下对遥感影像进行分割。

根据RMAS法，通过实验，计算出影像最优尺度，进行3次分割，如表1所示：第一次分割尺度为40，形状参数、颜色参数、紧致度参数为、平滑度参数分别为0.2、0.8、0.9、0.1，波段权重为R∶G∶B∶Nir=1∶1∶1∶1，以提取房屋、道路信息、水体信息；第二次分割尺度为60，形状参数、颜色参数、紧致度参数为、平滑度参数分别为0.2、0.8、0. 8、0.2，波段权重为R∶G∶B∶Nir=1∶1∶1∶1，以提取旱地信息；第三次分割尺度为80，形状参数、颜色参数、紧致度参数为、平滑度参数分别为0.1、0.9、0.9、0.1，波段权重为R∶G∶B∶Nir=1∶1∶1∶1，以提取植被及其他地物信息。

表1 面向对象法多尺度分割参数表

3.2.2 分类

面向对象的分类是基于类层次的模糊逻辑函数分类，它不是仅仅把一个影像对象赋予一个类，而是提供这个对象对所有可以考虑类的隶属度，此外子类可以继承父类的描述。

eCognition提供两种分类模式——邻近分类法和隶属度函数分类法，前者属于监督分类，需要定义分类样本和特征空间，后者属于非监督分类，可以利用对象特征和类间相关特征精确定义对象属于某一类的标准。根据邻近分类法，采用邻近分类器对多尺度分割后的对象进行分类。

3.2.3 分类后处理

分类后，并不能得到理想的分类结果。此时需要通过一系列分类后处理，一般包括合并对象、重分类、局部边缘处理。刚分类后的对象成为目标地物的子类，相同属性的对象并没有合并起来，此时，需要对每一类地物进行合并；对错分、误分的地物需要进行重分类；由于影像存在阴影或者其他原因，导致道路、水体信息中断，需要进行局部边缘处理，以使其逻辑准确，实验采用的是生长法。

分类后处理是确保分类准确性重要的一步，分类结果如图2(b)图所示，实验提取了16种地表覆盖分类地物：旱地(0120)、阔叶林(0311)、针叶林(0312)、阔叶灌木林(0321)、乔灌混合林(0330)、高覆盖度草地(0411)、低覆盖度草地(0413)、高密度低矮房屋建筑区(0521)、低密度低矮房屋建筑区(0550)、无轨道路路面(0601)、其他硬化地表(0719)、其他堆放物(0829)、砾石地表(0940)、岩石地表(0950)、水面(01001)。

3.3 计算机人工交互解译法

对地形复杂的遥感影像，使用目视解译耗时长，而使用计算机自动提取又达不到生产精度，此时，可以使用二者相结合的计算机人工交互解译法提取其地表覆盖信息，此实验综合运用Geoway、eCognition与ArcGIS软件，实验区像素范围为24 398×19 130。

3.3.1 目视解译房屋及道路

实验区房屋从光谱上看，屋顶有蓝色、白色、黑色、灰色等，其形状亦不规则，而道路路面由于原材料有沥青、碎石、土，在影像上亦呈现白色、青色、黄色等复杂的光谱信息，其道路网稀松，存在中断现象，不利于进行计算机自动解译。故利用Geoway软件将实验区的房屋、道路信息提取出来。

3.3.2 计算机自动提取

实验区旱地、水体数量繁多，二者几何形状特征突出，与相邻地物光谱信息差异大，适宜计算机自动提取的地物。在eCognition平台上，将人工矢量化得到的矢量数据及DEM数据参与分割，先进行矢量分割，得到房屋、道路分类数据；再次分割，尺度为75，形状参数、颜色参数、紧致度参数、平滑度参数分别为0.2、0.8、0. 8、0.2，波段权重为R∶G∶B∶Nir=1∶1∶1∶1，以提取旱地及水面信息。

实验区其他地物多为林地、草地，则采用计算机自动解译的方式进行地表覆盖信息提取。

3.3.3 计算机人工解译信息提取后处理

计算机人工交互解译由于计算机与人反复交叉工作，会导致数据衔接存在问题，需要进行后处理，核查其属性信息是否丢失，逻辑关系是否存在不恰当处。

分类结果如图2(c)所示，此次实验将实验区地物分为19类：旱地(0120)、阔叶林(0311)、针叶林(0312)、针阔混交林(0313)、阔叶灌木林(0321)、乔灌混合林(0330)、疏林(0350)、人工幼林(0370)、高覆盖度草地(0411)、中覆盖度草地(0412)、低覆盖度草地(0413)、人工草地(0420)、高密度低矮房屋建筑区(0521)、低密度低矮房屋建筑区(0550)、无轨道路路面(0601)、其他硬化地表(0719)、砾石地表(0940)、岩石地表(0950)、水面(01001)。

图2 地表覆盖地物分类图

3.4 分类结果及精度评价

通过3次实验，可以看出，不同的地区，影像质量不同，地形不同，地表覆盖种类不同，适用的解译方法不同，分类结果不同。目视解译法，适用于地形简单，地物种类少，地物破碎度较小的解译区域，对影像质量要求一般；如图3(a)所示，为目视解译法实验中14种地物的分类精度，每种地物分类精度都较高，总体精度为94.01%。

计算机自动解译法，适用于地形简单，地物破碎度较小的解译区域，对影像质量要求高，而与地物种类数关系不大；对线性地物，尤其是形状规则的地物，如旱地、房屋、道路、水体等，解译效果好；如图3(b)所示，为计算机自动解译法实验中16种地物的分类精度，地物分类精度一般小于目视解译法解译的地表覆盖地物分类精度，总体精度为90.68%。

计算机人工交互解译法，适用于地形复杂，地物分类破碎度大，线性地物数占总体地物分类数比重大的解译区域，它对影像质量要求比目视解译法高，比计算机自动提取法低；对于线性地物，尤其是对于旱地、水体等与相邻地物光谱差异大，形状规则的地物，适用计算机自动提取，而对剩余地物，适宜采用目视解译，如图3(c)为计算机人工交互解译法实验中19种地物的分类精度，地物分类精度一般比目视解译法解译的地表覆盖地物分类精度低，比计算机自动解译法的地表覆盖地物分类精度高，总体精度为93.13%。