基于高分影像的水利空间要素提取规则集构建

2016-12-27张友静

地理空间信息 2016年5期

许莹，张友静,2，张琴

（1.河海大学地球科学与工程学院，江苏南京210098；2.河海大学水文水资源与水利工程科学国家重点实验室，江苏南京210098； 3.南京物联网应用研究院有限公司，江苏南京210013）

许莹1，张友静1,2，张琴3

针对高分遥感水利要素自动提取问题，提出了一种在融合处理后的高分一号（GF-1）遥感影像下表征和提取水利基础空间要素的方法。依据水利要素与水体的空间关系，采取先进行土地利用/覆盖分类，再提取水利设施要素的技术思路，构建了较为完整的水利空间要素提取规则集。利用混淆矩阵和矢量化图像对提取精度和叠合精度进行评价。结果表明，该规则集用于高分辨率影像水利基础空间要素提取的效果较好。其中，河流提取精度和叠合精度最高，分别为97.1%和94.1%；河流阻断物的提取精度和叠合精度最低，分别为86.0%和81.4%；其他水利要素总体精度较高。

GF-1影像；水利基础空间要素；特征提取；面向对象方法；规则集构建

水利基础空间要素（简称水利要素）是自然与人工构造物的有机集成，主要包括两类：流域自然特征信息要素，包含流域河湖水系分布、汇水单元及相互连接关系、流域地表覆盖类型等；流域水利工程分布要素，包含水库、堤防、水闸、渠道等。水利要素类型多，空间分布广。目前利用遥感影像进行水利要素提取的研究大多集中于河、湖和水系等流域自然要素的提取，主要方法有差值法[1]、水体指数法[2]、多波段谱间关系法[3-5]以及决策树法[6]。对于山区细小水体和半干旱区枯季山间河道，杨树文[7]等利用TM影像多波段谱间关系改进法，实现了较高精度的提取。闫霈[8]等利用增强型水体指数Modified NDWI提取半干旱地区水体。骆剑承[9]等提出了“全域-局部”迭代转换的信息提取方法，通过全域分割分类和局部分割分类的迭代算法，实现了高精度水体信息的自动提取。然而对于水利要素中的水利工程要素提取，目前研究较少。由于我国高分辨率影像数据的可获得性得到极大改善，因此研究基于高分辨率影像数据的水利要素提取方法，对于深入探讨高分辨率影像的地学响应，推动高分影像数据水利应用具有重要意义和实用价值。本文通过分析各类水利要素的光谱特征、纹理特征及其在高分辨率遥感影像上的特征，研究水利要素空间分布和空间关系特点，构建基于高分辨率影像的水利要素提取方法和规则集，为利用高分遥感影像提取和更新水利要素提供技术支持。

1 研究区与研究数据

选取湖北省荆州市城乡结合部为研究区，区域内土地覆被类型多样，包括城镇建设用地、耕地、道路和水体等；大小河流、渠系纵横，水利设施众多；对于水利要素提取具有较强的代表性。

研究数据为2013-08-06的GF-1影像，全色波段空间分辨率为2 m，多光谱波段空间分辨率为8 m，有红、绿、蓝、近红外4个波段。GF-1卫星于2013-04-26成功发射，是我国高分辨率对地观测系统的首发星[10-11]，搭载6台多光谱相机（2台2 m全色/8 m多光谱相机，4台16 m 多光谱宽幅相机），重访周期为4 d，能够提供区域内同时相的高分辨率影像。研究所使用的验证数据为经过矢量化的同范围影像，空间分辨率为1 m。

为了消除大气对地物反射的影响，对遥感图像进行辐射校正和图像融合，将研究区同一时刻空间分辨率为8 m的多光谱数据和2 m的全色数据融合。融合影像既具有全色影像的高分辨率，又具有多光谱特征，有利于目视解译和地物信息提取。

2 研究方法

2.1 研究思路

利用水利要素空间分布和空间关系等特点，在进行土地利用/覆盖初步分类的基础上，提取水利要素。水利要素中流域自然要素和人工建筑要素的分布均与基础土地覆被类别存在一定的空间关系，因此首先进行土地利用/覆盖分类，可在一定程度上简化水利要素的规则集提取过程，提高提取精度。

2.2 土地利用/覆盖分类

本文主要采用面向对象分类法。首先将影像分割成对象特征，然后再进行分类研究；能够充分利用影像的光谱信息、纹理特征和拓扑关系，并综合考虑光滑度、紧致度等空间特征，生成同质的影像对象，从而大大提高分类精度；并能减少面向像元分类方法可能产生的“椒盐”现象。

通过对实际区域的了解和对照土地利用图进行了初步的目视判读，将实验区大致分为5个土地覆被类型：水体、耕地、植被、建筑和道路。确定土地覆被最适宜的分割尺度；多尺度分割后，采用模糊分类的方法实现地物类别的提取；特征选择中选取影像对象在不同波段光谱特征集或选取空间特征集、纹理特征集。在本文中，根据各地物类别在高分辨率影像上的表征，构建各类别的初始特征空间，主要包括光谱特征、形状特征、纹理特征及自定义特征。光谱特征包括4个波段的平均值、最大差分、亮度值、比率和方差等17个特征；纹理特征采用灰度共生矩阵计算的平均值、对比度、方差等8 个特征；形状特征为面积、形状指数、密度、长度/宽度等8个特征；自定义特征为归一化植被指数（NDVI）、归一化水体指数等4个特征，初步确定的特征空间包括37个特征。通过选取样本，统计各类样本的特征值，建立样本信息表并离散化得到决策表，利用粗糙集和蚁群算法相结合的属性约简算法对决策表进行属性约简，最后得到的各要素类别的约简特征为：NDVI、B1波段比率（Ratio B1）、亮度（Brightness）、长宽比（Length/ Width）、长度（Length）、灰度共生矩阵的熵（GLCM entropy）等6个特征，通过决策树C4.5算法，对特征选择后的样本特征数据建立决策规则。

2.3 水利要素提取

水利要素主要包括河湖等的自然流域要素以及堤防、水闸等人工建筑要素，与基础土地覆被类别存在位置等空间关系。例如，河流、湖泊、水库和渠道是以水体为基础类别的二次分类；堤防、水闸一般是以道路、建筑为基础类别的二次分类；堤防是沿河、湖等两岸的人工建筑，一般以道路或植被为基础类别进行二次分类。因此，利用土地利用/覆盖分类的结果进行水利要素的识别，确定各水利要素适宜的多尺度影像分割尺度，再通过对各水利要素的形状、大小、纹理、位置关系、邻接关系等特征综合分析进行水利要素的提取。

对水利要素进行提取时，需着重考虑水利要素的形状、大小、空间位置和邻接关系等。本实验中采用的相关特征主要有：①形状特征，包括面积、形状指数和长宽比等；②邻接关系特征，如堤防与河流、湖泊等存在邻接关系，渠道与耕地等存在邻接关系。

2.3.1 流域自然要素提取

在土地利用/覆盖分类获取的水体类别中进行二次分类得到流域自然要素。本文提取的流域自然要素包括河流、湖泊和坑塘。人工建筑要素中的渠道因其形状特征，也一并进行提取。河流面积较大，且在空间上呈不规则曲线流动；渠道面积小，且多为沿某一方向直线延伸；坑塘形状多呈面积较小的多边形。据此，分别建立提取规则。

2.3.2 水利工程分布要素提取

人工建筑要素的提取主要包括渠道、堤防、水闸和桥梁，其中渠道已提取出来。堤防是指在江、河、湖、海沿岸或水库区、分蓄洪区周边修建的土堤或防洪墙等，通常与河流相邻，随河流呈线状延伸。实验区中堤防主要存在于河流两岸，与防范对象相邻接。根据堤防这一空间特征，以河流为主体对象，寻找与河流相邻的地物，将其定义为堤防，并进行平滑处理，求得主要河流两侧的堤防。从遥感影像上看，水闸和桥梁为切断河流的主要地物，本文将桥梁和水闸统称为河流阻断物。根据河流阻断物的特征，采用距离函数和方向函数来实现河流阻断物的提取。首先在土地利用/覆盖分类的基础上，通过距离函数，设定一定阈值，搜寻这一阈值范围内除水体以外的类别，但仅用距离函数，河流两旁的道路等地物可能会被一并提取，因此，需要同时考虑到河流阻断物的方向性。河流阻断物通常与河流相交，而河流两旁的道路随河流同向延伸，因此利用方向特征设定一定的阈值，将河流两岸距离范围内的地物剔除，实现河流阻断物的提取。渠道宽度较小，跨越渠道的河流阻断物以小路居多，方向以相切为主。本文主要对跨越河流的主要道路进行判别。

3 结果与分析

3.1 规则集建立

利用面向对象分类思想，依据水利要素与水体的空间关系，构建了较为完整的水利要素提取规则集，如表1。

3.2 土地利用/覆盖分类结果评价

经过初始分类后，得到土地覆被分类结果如图1所示。对分类结果作精度评价，实验中用于验证的样本数据为在ENVI软件中多边形随机采样获得，生成初始分类混淆矩阵见表2。

由表2可知，土地覆被总体分类精度较高，为85.8%；Kappa系数为0.84。其中水体分类精度最高，达到98.9%，因其在高分辨率影像上表征明显，特点突出，易于提取。农田与植被光谱特征差异小，虽综合考虑了光谱特征、纹理特征等因素，但混分仍较严重；城区中道路和建筑的光谱差异不明显，道路形状细小破碎，建筑和道路也有一定程度的混分。

根据本文研究思路，水体类别是水利要素提取的基础要素，与水利要素的提取关联较大。因此认为分类结果较为理想，可作为下一步提取水利要素的基础。

表1 水利要素提取规则集

图1 土地覆被分类

表2 土地覆被分类精度评价

3.3 水利要素提取结果评价

水利要素提取的结果如图2所示。几种典型的水利要素提取结果如图3所示。本文对水利要素提取结果的评价方式是将实验中提取的结果与经过矢量化得到的校验数据叠加，进行空间一致性检验。该方法能在一定程度上避免采用混淆矩阵等方法带来的抽样误差问题，可靠性和准确度更高。各水利要素的提取精度见表3。

由分类结果可知，总体提取精度和叠合精度较好。其中，河流提取精度最高，达到97.1%；河流阻断物提取精度最低，为86.0%。河流的叠合精度最高，达到94.1%；河流阻断物的叠合精度最低，为81.4%。影响提取精度的可能原因有：

1）河流面积较大，在高分辨率影像上表征明显，特征突出，提取精度最高。部分细小河流较为破碎，易与城区中的建筑物、植被及其阴影等混分，提取不够完整。检验数据虽与原始影像不是同一时期，但研究区为城乡结合部，防洪设施较为完备，水体面积变化不大。

2）坑塘因其面积较小，且形状各异，易与建筑等地物混分，导致提取的叠合精度低；同时，提取精度也与分割尺度的选择有关。

3）河流阻断物的类别众多，大小不一，与水体等地物的空间位置关系各异，容易导致河流阻断物的漏提或错提。本文中的河流阻断物包含水闸但不限于水闸，水闸与小型桥梁在高分辨率影像上的表征差异较小，较难区分，难以单独提取。

4）堤防的提取精度较高，到达90.1%，但其叠合精度相对较低，仅为83.8%。原因可能是提取时设定河流两侧固定距离的地物为堤防，而实际堤防与河边距离并不完全一致，因此少部分堤防提取结果与实际堤防不能叠合。

图2 水利要素提取

图3 典型水利要素提取结果

表3 水利要素提取精度评价

4 结语

1）实验中通过多尺度分割选择各地物最适宜的分割尺度，利用粗糙集和蚁群算法相结合的特征选择模型，简化了繁琐的特征集创建，有效提高了分类的精度和时间效益。影像土地覆被总体分类精度为85.8%，kappa系数为0.84。

2）深入挖掘水利要素的各种特征，包括光谱、形状、纹理、空间及上下文关系特征等，建立各类水利要素的提取规则，能够有效实现水利要素的识别。各种水利要素的提取精度均能达到85% 以上，叠合精度达到80%以上。

3）研究结果可为构建基于高分辨率影像的水利要素提取方法和规则集、利用高分遥感影像提取和更新水利要素等提供技术支持。从提取结果来看，河流和湖泊等面积较大、表征较为明显的水体提取精度较高；坑塘和河流阻断物等地物因其面积小、光谱特征不明显，提取精度相对较低。河流阻断物是在研究中针对水闸提出来的包含水闸但不限于水闸的横跨于河流、渠道上的人工建筑物，虽可通过空间位置关系进行提取，但难以区分其中的水闸、桥梁等要素。因此，更深入地挖掘光谱、位置关系等信息，建立更复杂、有效的规则集，对各种小型水利要素实现更细致、更高精度的提取，是下一步研究需要关注的重点。

[1] 陆家驹,李士鸿.TM资料水体识别技术的改进[J].环境遥感,1992,7(1)∶17-23

[2] 肖乾广,陈维英,王葳.气象卫星影像用于松花江洪水监测[J].遥感信息,1987(4)∶26-27

[3] 杨忠恩,骆剑承,徐鹏炜.利用NAOA-AHVRR资料提取水体信息的初步研究[J].遥感技术与应用,1995,10(1)∶25-29

[4] 都金康,黄永胜,冯学智,等.SPOT卫星影像的水体提取方法及分类研究[J].遥感学报,2001,5(3)∶214-219

[5] 张明华.用改进的谱间关系模型提取极高山地区水体信息[J].地理与地理信息科学,2008,24(2)∶14-16

[6] 邓劲松,王坷,李君,等.决策树方法从SPOT5卫星影像中自动提取水体信息研究[J].浙江大学学报(农业与生命科学版),2005,31(2)∶171-174

[7] 杨树文,薛重生,刘涛,等.一种利用TM影像自动提取细小水体的方法[J].测绘学报,2010,39(6)∶611-617

[8] 闫霈,张友静,张元.利用增强型水体指数(EWI)和GIS去噪音技术提取半干旱地区水体信息的研究[J].遥感信息,2007(6)∶62-67

[9] 骆剑承,盛永伟,沈占锋,等.分步迭代的多光谱遥感水体信息高精度自动提取[J].遥感学报,2009,13(4)∶610-615

[10] 路云阁,刘采,王姣.基于国产卫星数据的矿山遥感监测一体化解决方案∶以西藏自治区为例[J].国土资源遥感,2014,26(4)∶85-90

[11] 白照广.高分一号卫星的技术特点[J].中国航天,2013,36(8)∶5-9

P237