基于面向对象的SPOT卫星影像梯田信息提取研究

张雨果, 王 飞,,3, 孙文义, 安淳淳,3

(1.西北农林科技大学 资源环境学院, 陕西 杨凌 712100;2.中国科学院水利部 水土保持研究所, 陕西 杨凌 712100; 3.中国科学院大学, 北京 100049)



基于面向对象的SPOT卫星影像梯田信息提取研究

张雨果1, 王 飞1,2,3, 孙文义2, 安淳淳2,3

(1.西北农林科技大学 资源环境学院, 陕西 杨凌 712100;2.中国科学院水利部 水土保持研究所, 陕西 杨凌 712100; 3.中国科学院大学, 北京 100049)

梯田信息准确和快速提取是区域水土保持动态监测和评价的核心技术之一，运用遥感技术进行地物信息提取是一种有效手段。该研究以燕沟流域为研究区，采用高分辨率的SPOT5遥感影像数据，基于面向对象分类技术，通过影像分割构建影像对象，在分析影像对象的光谱特征、纹理特征和空间特征的基础上，建立了梯田信息的遥感提取规则，实现了梯田的自动提取。最后用手工勾绘结果对梯田的遥感提取结果进行精度评价，从田块边界的吻合度评价位置精度，并通过比较该结果与人工目视解译结果进行面积精度评价。结果表明，基于面向对象分类的遥感方法可以较好地从原始影像中提取复杂地貌区梯田的位置信息，面积提取正确率达到78.38%，该方法可为黄土高原地区梯田信息遥感提取提供借鉴。

梯田; 面向对象分类; 信息提取; 遥感影像; 黄土高原

梯田作为一项重要的水土保持工程措施，具有明显的保水、保土、保肥作用[1]，在我国黄土高原地区的水土流失防治工作中发挥着不可替代的作用。然而，由于黄土高原地区梯田的数量、面积及分布等信息的调查资料不完善，导致梯田在黄土高原的水土保持中的贡献缺乏定量研究。准确、快速的对梯田信息进行提取，可以为区域水土流失防治提供基础数据，进而指导水土保持工作合理有效地进行。传统的依靠人工统计的方法，由于主客观因素的影响，存在效率低、可重复性较差等问题，不能得到推广，而高分遥感技术的快速发展为其提供了可能。

遥感影像凭借其能够迅速地获取地表信息，尤其是随着高分辨率遥感影像的广泛应用，而成为地理信息数据库及地图更新的重要信息源[2]。与传统的遥感影像相比，高分辨率遥感影像可以提供更为丰富的空间信息，更加便于地物目标属性特征的识别。然而，高分辨率影像通常仅有4个波段，其光谱信息相对比较弱。基于像元的常规遥感影像信息提取方法，主要是根据地物的光谱特征对影像进行分类，仅着眼于局部而忽视地物之间的关联关系，严重制约着高分辨率影像地物信息提取的精度以及影像数据的利用率。能否有效利用高分辨率遥感影像的特点，充分发掘其所包含的地物信息，关系着高分辨率遥感影像信息提取的成败。针对高分辨率影像的特点，基于面向对象的遥感影像分析方法应运而生[3]。面向对象的分类方法提出影像对象的概念，将遥感影像进行分割得到一系列同质的对象，以这些对象作为分类的最小单元，通过分析整合地物的光谱信息、空间数据信息以及相互关联信息，对遥感影像进行分类，以减少传统的基于像素级分类方法语义信息的损失，使分类结果含有更为丰富的语义信息[4-5]。面向对象分类技术在国内外研究中得到了广泛的应用，有用于道路[2,6]、森林/植被[7-9]、滑坡[10-13]、湿地[14-15]等单一信息提取的，也有用于进行土地利用分类[16-19]的。

然而，目前面向对象方法在黄土高原地区的梯田信息提取应用方面尚待探索。据此，本研究试图利用高分辨率的SPOT5影像，基于面向对象分类方法，采用ENVI软件，探索黄土高原丘陵沟壑区典型小流域燕沟的梯田信息提取的有效技术方法，以期为整个黄土高原地区梯田信息的遥感提取提供借鉴。

1 研究区及数据准备

1.1 研究区概况

燕沟流域沟口距离延安市3 km(36°28′—36°32′N，109°20′—109°35′E)，属延河二级支流，主沟长约为8.6 km，呈东南—西北流向。流域面积约为48 km2，海拔986～1 425 m[20]。流域年平均气温约9.8℃，多年平均降雨量558.4 mm，其中全年降雨量的70%以上都集中在6—9月，并且大都以暴雨的形式出现，年际变化也很大。地形坡度主要以陡坡地为主，坡度大于25°的占51.91%，15°～25°的占28.75%，15°以下的为19.34%，属于典型的黄土高原丘陵沟壑区，沟壑密度为4.8 km/km2。流域共辖14个行政村和1个沟口区(隶属于柳林街道)。农村经济的主体是种植业,农果并举，种植业主要是以马铃薯和玉米为主，还有少量的大豆、高粱、豌豆和谷子。

1.2 土地利用类型划分

根据我国《土地利用分类》国家标准(2007年8月5日开始颁布执行)，并结合研究区生产生活实际，将该流域的土地利用类型划分为梯田、果园、林地、草地、居住用地和道路等六大类型进行梯田信息提取。

1.3 数据源及预处理

SPOT5卫星影像是法国空间研究中心第五号地球观测卫星系统数据，由中国遥感卫星地面站接收。本研究应用覆盖燕沟流域的SPOT5卫星遥感影像数据，来源于第二次全国土地调查审核，包括空间分辨率为10.0 m的多光谱影像和空间分辨率为2.5 m的全色影像各一景，成像时间为2003年9月9日。SPOT5卫星影像的参数见表1。其他辅助数据主要是Google Earth高清影像数据，用于目视解译和结果验证。Google Earth影像数据是由航拍数据和卫星影像集成与整合而形成的，其形象直观、信息丰富，分辨率一般比较高。本研究使用的Google Earth影像的空间分辨率为0.6 m。

表1 SPOT5卫星影像参数

解译前利用ArcGIS 10.2，ENVI 5.1等软件对影像进行投影转换，辐射校正，大气校正，正射校正，几何校正，影像融合及影像裁剪等一系列预处理。为了有效的提取梯田，应用Gram-Schmidt Pan sharping影像融合方法,将具有丰富光谱信息的多光谱影像与具有高分辨率的全色影像进行融合，这样得到的融合影像同时具有较高的光谱分辨率与空间分辨率。最后利用燕沟流域的行政边界矢量图对融合影像进行裁剪，得到研究区的影像。

2 基于面向对象分类的梯田提取过程

经过影像预处理之后，运用ENVI 5.1对融合影像进行基于面向对象分类方法的梯田提取，首先对影像进行分割与合并构建影像对象，其次，选择影像对象的属性特征，构建梯田信息的分类规则，对梯田进行提取，对提取结果从田块边界的吻合度评价位置精度，并比较该结果与人工目视解译结果进行面积精度评价。

2.1 影像对象构建

影像对象的构建主要是通过影像分割与合并实现的。影像分割通过相邻像元的亮度、颜色及纹理等特征完成，生成具有相似特征的多边形对象。由于空间地物具有其特定的空间尺度，要选择合理的分割尺度，才能使分割生成的影像对象合理、准确的代表真实空间地物参与分类。本研究通过多次尝试，将梯田的边缘特征分割合理阈值设为38%。

影像经初步分割得到的多边形对象比较破碎，可通过合并分块将一些较小的多边形对象合并为较大的影像对象，解决一定程度的影像过度分割问题，改善对地物边界的描绘。经反复试验，最后将合并阈值设为88%。

2.2 基于规则的影像分类

基于规则的影像分类是在影像多尺度分割的基础上，充分利用分割生成的影像对象提供的各种信息，构建地物要素分类规则对影像进行分类。

特定的地物目标总是与相应的属性特征或特征组合相联系，只要选取合适的地物特征或特征组合，就能把目标地物与其他地物区分开[5,21]。通过分析分割对象和地物的关系,可以筛选合适的影像对象特征来描述地物[13]。本研究通过对影像对象的光谱特征、纹理特征、空间特征进行统计分析，本着选择的特征或特征组合具有最大的信息量、能够很容易地区分地物、保证精度的前提下选取尽可能少的特征的原则，选择了光谱特征的最小值、最大值、归一化植被指数(Normalized Difference Vegetation Index,NDVI)均值，纹理特征的范围和方差，以及空间特征的面积来识别梯田，并构建梯田提取的分类规则。

其中，纹理特征是图像中出现的局部模式(纹理单元)及其排列规则[22]，能够在一定程度上区分同物异谱和同谱异物的现象，并克服由光谱混淆引起的分类结果比较破碎的问题。ENVI 5.1的面向对象分类模块采用的是灰度共生矩阵(Gray Level Co-occurrence Matrix)的纹理分析方法，它可以从影像对象中抽取纹理范围、纹理方差、纹理熵等定量描述纹理特征的指标。纹理范围为卷积核范围内的平均灰度值范围，纹理熵为卷积核范围内的平均灰度信息熵，纹理方差为卷积核范围内的平均灰度变化值。

2.3 精度评价

为了客观的评价基于面向对象分类技术梯田提取的精度，本研究对比了该结果和基于地面调查与相近时段Google Earth影像结合的手工勾绘的梯田位置和面积。由于以高精度的Google Earth遥感影像为辅助数据，对研究区梯田信息进行目视解译得到的梯田面积与实际比较接近，因此可以作为精度评价的参考。

3 结果与分析

3.1 建立梯田提取的分类规则

3.1.1 光谱特征分析 不同地物类型在各个波段上的光谱特征详见图1。本研究选取NDVI的平均值，绿波段的最小值，红波段、近红外波段的最大值4个光谱特征参数来区分梯田与其他地物。

图1的分析结果显示：梯田的NDVI均值集中在0.38～0.58，很容易与林地(0.64～0.77)和居住用地(0.18～0.26)的NDVI均值区分，因此通过设定NDVI规则(0.32

3.1.2 纹理特征分析 由于通过设定光谱规则能够区分大部分的林地和居住用地信息，进而通过不同地物类型各波段的纹理特征(图2)辨析草地、果园和道路等地物信息，并选取绿波段的纹理范围、近红外和短波红外波段的纹理方差作为特征参数，在光谱规则分析基础上进一步区分不同地物类型。

图2的分析结果显示：在绿波段，梯田的纹理范围分布在0.01～0.025，整体高于草地(0.007～0.012)和林地(0.006～0.01)的纹理范围，可设定绿波段的纹理范围大于0.008来剔除部分草地以及林地(图2A范围)；在近红外波段，梯田的纹理方差分布区间为0.000 2～0.000 9，而草地在该波段的纹理方差小于0.000 3，可设定近红外波段的纹理方差阈值为0.000 13再剔除一部分草地(图2C方差)；在短波红外波段，梯田的纹理方差小于0.000 7，比道路(0.000 5～0.003 6)和居住用地(0.000 5～0.003 1)的纹理方差低，因此可设定短波红外波段的纹理方差小于0.001 5剔除一部分道路及居住用地(图2D方差)。而果园与梯田的纹理特征则比较相似，因此基于纹理特征很难剔除果园信息。

注:A为不同地物类型的NDVI;B，C，D，E分别为不同地物类型在绿、红、近红外、短波红外波段上的光谱特征。

图1 不同地物类型的光谱信息统计

注:A，B，C，D分别为不同地物类型在绿、红、近红外、短波红外波段上的纹理特征。

图2 不同地物类型的纹理信息统计

3.1.3 空间特征分析 空间特征可以辅助光谱特征与纹理特征，进行梯田信息的提取(图3)。从图3可以看出，梯田面积小于16 000 m2，很容易与林地的面积(大于7 000 m2)区分，因此将面积阈值设置为16 000 m2，可以剔除一部分通过光谱和纹理规则没有剔除掉的林地信息。3.1.4 构建梯田提取分类规则 通过以上分析，构建了基于面向对象的梯田信息提取的分类规则参数表(表2)。并根据梯田信息的分类规则参数表，构建了如表3所示的梯田提取的分类规则集，其中提取是分步实现的，因此规则应用存在先后次序，在实际应用中按照规则顺序依次执行。

图3 不同地物类型的面积

类型特征梯田果园林地草地居住地道路NDVI均值0.38～0.580.64～0.770.18～0.26光谱属性绿波段最小值0.02～0.060.002～0.012红波段最大值0.08～0.1470.1～0.1640.18～0.27近红外最大值0.25～0.330.28～0.370.32～0.480.31～0.44绿波段范围0.01～0.0250.006～0.010.007～0.012纹理属性近红外方差0.0002～0.0009<0.0003短波红外方差<0.00070.0005～0.00310.0005～0.0036空间属性面积<16000>7000

表3 梯田分类的规则集

3.2 精度评价

本研究从梯田位置和面积两方面进行精度评价。在位置方面，基于面向对象方法可以较好地从原始影像中提取梯田的位置信息(图4)，但由于部分梯田田面特征与果园和道路的特征相似，导致部分果园与道路信息不能有效区分和剔除。

在面积方面，基于面向对象分类得到的梯田面积约为3.197 km2，以实地调查资料以及高精度的Google Earth影像作为辅助数据对研究区的梯田信息进行目视解译，统计出研究区梯田面积约为4.079 km2，计算出梯田提取的正确率为78.38%。

图4 基于面向对象的梯田提取结果(局部)

4 结 论

(1) 本研究基于高分辨率的SPOT5卫星影像，应用面向对象分类方法，对影像分割构建影像对象，通过分析影像对象的光谱特征、纹理特征和空间特征等，可以区分不同地物，对主要梯田信息进行有效提取。由于经过影像分割后，梯田的完整结构遭到一定程度的破坏，田面与田坎部分被分割成不同的地物单元，连片梯田所具备的特有纹理特征(田面—田坎的规则性波动)不能充分发挥作用。

(2) 复杂地形区光谱特征非常复杂，信息提取难度大，面向对象分类方法能够综合利用分割对象的光谱、纹理、空间等多种特征信息，充分挖掘影像提供的信息，为影像分类提供更多的依据，并能达到一定的精度，与买凯乐等以ALOS影像利用面向对象分类研究结果(精度为77.73%)[16]接近。但是，因为遥感影像分类方法固有的特点，仍需要与目视解译方法相结合使用。后续的研究中，可以与其他高精度遥感影像、多季相遥感影像等结合使用，更好提取梯田信息。

[1] 寇权,王愿昌,吴永红,等.基于高分辨率卫星影像的梯田监测方法研究[J].中国水土保持,2005(12):24-25.

[2] 胡进刚,张晓东,沈欣,等.一种面向对象的高分辨率影像道路提取方法[J].遥感技术与应用,2006,21(3):184-188.

[3] 王新辉.面向对象的高分辨率影像香榧分布信息提取研究[D].杭州:浙江大学,2008.

[4] 孙悦.基于eCognition的卫星遥感影像分析技术[J].无线电工程,2014,44(3):35-39.

[5] 曹宝,秦其明,马海建,等.面向对象方法在SPOT5遥感图像分类中的应用:以北京市海淀区为例[J].地理与地理信息科学,2006,22(2):46-49,54.

[6] 许高程,毕建涛,王星星,等.面向对象的高分辨率遥感影像道路自动提取试验[J].遥感信息,2012,2(2):108-111.

[7] Mallinis G, Koutsias N, Tsakiri-Strati M, et al. Object-based classification using Quickbird imagery for delineating forest vegetation polygons in a Mediterranean test site [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2008,63(2):237-250.

[8] Newman M E, McLaren K P, Wilson B S. Use of object-oriented classification and fragmentation analysis(1985—2008)to identify important areas for conservation in Cockpit Country, Jamaica[J]. Environmental monitoring and assessment, 2011,172(1/4):391-406.

[9] 乔婷,张怀清,陈永富,等.基于NDVI分割与面向对象的东洞庭湖湿地植被信息提取技术[J].西北林学院学报,2013,28(4):170-175.

[10] Martha T R, Kerle N, Jetten V, et al. Characterising spectral, spatial and morphometric properties of landslides for semi-automatic detection using object-oriented methods[J]. Geomorphology, 2010,116(1):24-36.

[11] Lahousse T, Chang K T, Lin Y H. Landslide mapping with multi-scale object-based image analysis： A case study in the Baichi watershed, Taiwan[J]. Natural Hazards and Earth System Science, 2011,11(10):2715-2726.

[12] Martha T R, Kerle N, Van Westen C J, et al. Segment optimization and data-driven thresholding for knowledge-based landslide detection by object-based image analysis[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(12): 4928-4943.

[13] 张毅,谭龙,陈冠,等.基于面向对象分类法的高分辨率遥感滑坡信息提取[J].兰州大学学报:自然科学版,2014,50(5):745-750.

[14] 郑利娟,李小娟,胡德勇,等.基于对象和DEM的湿地信息提取:以洪河沼泽湿地为例[J].遥感技术与应用,2009,24(3):346-351.

[15] Frohn R C, Reif M, Lane C, et al. Satellite remote sensing of isolated wetlands using object-oriented classification of Landsat-7data[J]. Wetlands, 2009,29(3):931-941.

[16] 买凯乐,张文辉.黄土丘陵沟壑区遥感影像信息面向对象分类方法提取[J].农业机械学报,2011,42(4):153-158.

[17] 祖琪,袁希平,莫源富,等.基于面向对象分类方法在SPOT影像中的地物信息提取[J].中国岩溶,2011,30(2):227-232.

[18] 常春艳,赵庚星,王凌,等.滨海光谱混淆区面向对象的土地利用遥感分类[J].农业工程学报,2012,28(5):226-231.

[19] 江华.基于eCognition面向对象技术的高分辨率遥感影像土地利用分类:以福州琅岐岛为例[J].海峡科学,2014(8):12-17.

[20] 党丽娟,徐勇,高雅.土地利用功能分类及空间结构评价方法:以燕沟流域为例[J].水土保持研究,2014,21(5):193-197,203.

[21] 陈秋晓,骆剑承,周成虎,等.基于多特征的遥感影像分类方法[J].遥感学报,2004,8(3):239-245.

[22] 胡玉福,邓良基,匡先辉,等.基于纹理特征的高分辨率遥感图像土地利用分类研究[J].地理与地理信息科学,2011,27(5):42-45,68.

Terrace Information Extraction From SPOT Remote Sensing Image Based on Object-oriented Classification Method

ZHANG Yuguo1, WANG Fei1,2,3, SUN Wenyi2, AN Chunchun2,3

(1.CollegeofNaturalResourcesandEnvironment,NorthwestA&FUniversity,Yangling,Shaanxi712100,China; 2.InstituteofSoilandWaterConservation,ChineseAcademyofSciencesandMinistryofWaterResources,Yangling,Shaanxi712100,China; 3.UniversityofChineseAcademyofSciences,Beijing100049,China)

Accurate and rapid extraction of terrace is one of the core technologies for the dynamic monitoring and evaluation of soil and water conservation at a regional scale, and remote sensing technology provides an effective and efficient means to extract land cover information. In this paper, image segementation and rule based feature extraction were conducted to interpret the terrace information from the high spatial-resolution SPOT5 imageries in Yan′gou watershed on the Loess Plateau based on object-oriented classification method. Firstly, the image objects were set through the image segmentation. Secondly, the rules for terrace information extraction from remote sensing datasets were established via the analysis of spectral, texture and spatial feature of image objects. In this case, the automatic extraction of terrace was achieved. Finally, the accuracy of extraction results was evaluated through its comparison with visual interpretation results. The results showed that the position of terrace in complex geomorphic regions could be successfully identified through the object-oriented classification method, and the overall accuracy reached to 78.38%. The method developed in this paper is expected to provide a reference for the interpretation of terrace information from remote sensing imageries across the Loess Plateau.

terrace; object-oriented classification; information extraction; remote sensing image; Loess Plateau

2016-03-16

2016-04-13

科技部科技基础性工作专项(2014FY210120);基于中欧农业生产与环境恢复的交互式土壤质量评价(635750,欧盟,16146KYSB20150001,中国科学院);中国科学院“西部之光”人才培养计划“黄土高原侵蚀坡地退耕还林草综合评价与可持续对策研究”

张雨果(1989—),女,河南鲁山县人,硕士研究生,研究方向为黄土高原地区水土保持措施的遥感影像提取。E-mail:1246503839@qq.com

王飞(1971—),男,陕西省户县人,博士,研究员,主要从事水土保持环境效应研究。E-mail:wafe@ms.iswc.ac.cn

TP79; S343.3

A

1005-3409(2016)06-0345-07