基于 ZY3 数据的南水北调西线生态遥感调查研究

韦 蔚，高庆方，高永红，薛 倩，王 芳

（黄河勘测规划设计有限公司，河南 郑州 450003）

0 引言

南水北调西线工程作为重要的战略性工程，对其沿线进行生态调查具有重要的意义。近年来，随着国产卫星的不断发展，如 ZY3 和 GF 卫星，利用国产卫星进行遥感监测已成为区域性生态环境监测的新型技术手段。针对生态资源调查对于土地利用、植被群落分布等生态环境监测核心要素的获取目的，在大区域内采用人工目视判读的方法，工期长、成本高，所以探索使用自动或者半自动的遥感分类方法是提高监测效率的有效途径。面向对象的自动分类方法不是传统的以像元为分类基本单位，而是以图像分割后的同质区域为分类单元[1]，这种分类方法可以充分利用影像的光谱和纹理特征、几何形状等信息，非常适合高分辨率遥感影像的分类[2-4]。前人运用面向对象的分类方法也进行了遥感监测方面的研究，如：常利[5]、季建万[6]等，但大多是小范围内的研究，不能满足大范围的普适性。

在本次南水北调西线遥感生态调查项目中使用国产 ZY3 卫星遥感数据通过面向对象的分类方法进行资源调查，与传统方法相比，节约了人工，而且在制定分类规则时考虑了大区域的普适性，提高了调查速度，节约了调查成本，为今后的大区域生态资源快速调查提供了依据，并且基本形成了适用于大区域遥感生态调查的可通用流程。

1 调查范围及数据源选择

1.1 调查范围

本次遥感生态调查范围主要是南水北调西线工程沿线区域，面积约 3500 km2，横跨四川、青海两省，包含雅砻江干流、达曲、泥曲、鲜水河，以及大渡河支流色曲、杜柯河、绰斯甲河、玛柯河、阿柯河、足木足河等 10 条河流。坝址上游为库区淹没范围，分别以指定高程的等高线为边界进行库区范围的圈定；坝址下游为河道两侧 1 km 范围，以河道中心线为准，分别向两侧建立 1 km 缓冲区进行资源调查。

1.2 数据源选择

1.2.1 卫星选择

通过对国内外的卫星遥感影像进行调研，结合项目需求、经费安排、影像性价比等多方面因素，选择 ZY3 卫星遥感影像作为本次土地利用和植被类型细分解译的数据基础。ZY3 测绘卫星由我国于2012 年 1 月 9 日发射，搭载了 4 台光学相机，包括1 台地面分辨率为 2.1 m 的正视全色 TDI CCD、2 台地面分辨率为 3.6 m 的前视和后视全色 TDI CCD、1 台地面分辨率为 5.8 m 的正视多光谱等相机[7]，数据主要用于地形图制图、高程建模及资源调查等。

1.2.2 时相选择

由于南水北调西线覆盖地区具有地域辽阔、自然环境复杂多样的特点，土地利用类型多样，景观特征在 1 a 内不同时期相差很大。在 ZY3 图像的季相确定时，既要注意所在调查区域内影像信息瞬时覆盖本身的质量（一般要求含云量 ＜ 10% 等技术指标），又必须顾及不同区域的时效性和季相差异选择。根据现势性要求，最终选择 2014 年 10—11 月34 景，以及边缘和漏洞处补充的 2013 年 1 月 2 景，3 月 1 景，8 月 1 景，共 38 景的图像。

2 遥感影像处理与解译

2.1 影像预处理

对南水北调西线生态遥感覆盖区域内的 38 景影像经过辐射定标、大气和正射校正、影像配准融合等步骤得到适合本项目研究的 4 波段多光谱全色融合后影像。在使用的过程中根据需要随时变换合成方式：432 假彩色或者 321 真彩色合成显示。由于需要使用波段信息进行自动解译，要用到像元真实的波谱信息，不能对影像进行镶嵌，会破坏原始的像元波谱信息，因此，对单景影像进行分别解译后再做接边处理。

2.2 影像解译

2.2.1 面向对象分类原理

“同物异谱，同谱异物”会对影像分类产生影响，加上高分辨率影像的光谱信息不是很丰富，经常伴有光谱相互影响的现象，这是基于光谱的分类方法多受限的地方。面向对象的分类方法是基于纹理和形状，先将原始的影像进行分割，将相似的区域合并成为一个“对象”[8]，然后对分割后的“对象”进行特征分析和分类的方法，分类原理与流程如图1 所示。

2.2.2 影像分类方案设计

通过对影像进行分割实验，变化分割尺度及形状和紧凑度因子，选择最合适的分割尺度，使所分割的对象保持最大限度的纹理和光谱一致性，即同质像元。通过实验对比最终选取的分割尺度为 25，形状因子为 0.1，紧凑度因子为 0.5，对影像进行分割及合并。

图1 自动解译流程

利用基于多特征的面向对象的方法，对分割后的同质像元图斑，通过实验对比分析，选择以下特征进行分类：图斑对象的亮度；归一化水体指数（NDWI），用于提取水体；归一化植被指数（NDVI），用于提取植被；阴影指数（SI），用于提取阴影、人工建筑物等。相应公式如下：

式中：Rb代表图斑对象蓝光波段平均反射率；Rg代表图斑对象绿光波段平均反射率，Rr代表图斑对象红光波段平均反射率；Rn代表图斑对象近红外波段平均反射率。

对 4 个特征进行组合和实验，分类流程如图2所示。在 eCognition 软件中建立此分类过程，首先划分绿光和红光波段值为 0 的对象为影像背景，不参与分类；其次，在剩下的对象中划分SI＜ 58 的对象为阴影；再次，在剩下对象中划分NDWI＞ 0.41 的为水体；再在剩下对象中划分NDVI＞ 0.19 的为林地；剩下的对象中划分SI＞ 200 的为建筑物；剩下的对象中划分SI在（58～130）范围内的为草地；最后剩下的所有对象为未分类类别。这样逐级分类，再进行类内对象合并、小图斑剔除（＜ 50 个像元的对象自动合并到周围大的像元上）、类图斑边缘平滑（去除栅格像元的棱角，使分类图斑形状更接近于真实地物），最终将影像分为 6 个大类：水体、林地、建筑用地、草地、阴影、未分类。分类结果如图3 所示（未分类类别已合并）。

在 ArcGIS 中对自动解译成果中的林地和草地等生态调查特别关注的类别进行进一步的细分，结合外业调查建立的解译标志，将植被细分至植被群落；对阴影和未分类的图斑进行判读和合并；对自动解译结果较差的类型进行人工圈定和修正，如道路和河流的连通性。

图2 面向对象分类方案

图3 自动分类结果

3 外业核查及数据库建设

3.1 外业核查及成果整理

外业核查的主要内容为：对内业疑问图斑进行核实确认；对内业解译成果进行验证；对不同的植被群落进行记录、拍照，建立植被群落解译样本库。

解译成果核实修改步骤如下：

1）外业调查数据展绘。将样方调查点和拍摄点数据转换成 ArcGIS 的 shape 格式数据，以便与内业解译数据进行套合检查。

2）内业解译数据属性修改。将外业拍照地点、遥感影像、解译图斑套合显示，利用监督分类的原理，选取典型的样本区作为主要参考对象，以样本区为中心，由内而外，以河流流向为参考，自上而下，参照研究区内解译标志，依次细分到林地和草地的植被群落。

3）图斑构面及属性赋值。为保证图斑要素间的拓扑一致性，在作业时直接画出每个图斑范围线，并在每个图斑内添加面心点，将植被群落名称赋给每个点。在 ArcGIS 中对解译图斑线进行拓扑检查和修改，然后进行构面，并将面心点属性赋给每个面状图斑，最终获得解译成果图斑。

3.2 数据库建设

地理数据库采用 Geodatabase 数据模型。按照不同的地理要素类别，南水北调西线工程基础地理数据共分为测量控制点、居民地、地物设施、交通、管线垣栅、水系、境界、地貌土质、植被、地名、辅助要素、栅格数据等 12 类。地理要素的属性包括基本和扩展属性，基本属性项包括要素名称、代码，以及实体的名称、类别、性质、高程等属性项；扩展属性是专业应用部门根据本专业的应用需要，在基本属性的基础上扩充的专业属性项。扩展属性和地理要素、基本属性建立关联，便于空间查询和分析。

3.3 最终成果分析

通过遥感生态调查流程获得最终土地利用分类一级分类结果及三级植被群落分布，如图4 所示。根据外业调查的 85 个点，其中 80 个做样本，5 个选做检查点，检查结果与预判结果一致；并与搜集到的林业调查资料进行对比，地类分布情况也基本一致。

图4 土地利用一级类分类结果及三级类植被群落分布

4 关键问题分析

本次调查属于大范围区域遥感生态调查，由于影像的时相差异较大，导致光谱差异明显，要达到生态调查的目的，需要注意以下关键问题：

1）自动分类方案中的阈值不具有普适性。在分类的过程中不同类别的地物分类的阈值会随着时相和区域的不同产生变化，因此，对于不同景的遥感影像进行处理时对分类规则中的阈值都要进行调整，得到最合适的分类结果。

2）短期内很难利用自动解译将植被直接细分至群落。由于研究区跨越范围较大，植被种类复杂，对于每种植被都建立分类规则较困难；而且搜集到的遥感影像时相有差异，导致相同植被在不同景影像上的光谱差异也比较大，所以很难用统一的分类规则进行植被的细分。如果针对不同景影像建立不同的分类规则又不能在短期内完成，满足不了项目工期要求，因此，经过实验和分析，采用自动加人工的半自动分类方法进行资源信息的提取。先利用面向对象的方法自动分类到一级类，然后再通过人工判读加外业核实的方法进行植被类的细分。实践证明，这种资源调查方法适合大范围短工期的项目需求。

5 结语

利用国产 ZY3 卫星遥感影像进行国土资源监测已经得到了广泛的应用，但在较大范围区域内利用面向对象的自动解译方法进行快速生态遥感信息提取和工程制图属于首次尝试，本研究采取自动和人工解译及外业图斑核查相结合的方法，缩短了工作时间，降低了工作量，为流域生态资源自动解译及水利信息化建设提供了切实可行的技术方案。但对于植被类的进一步细分，仍需要人工干预，下一步需要对自动解译算法进行进一步的改进，以期达到全自动解译的目的，更好地为区域生态调查服务。

参考文献：

[1] 孙晓艳，杜华强，韩凝，等. 面向对象多尺度分割的 SPOT5影像毛竹林专题信息提取[J]. 林业科学，2013，49 (10):80-87.

[2] 杜凤兰，田庆久，夏学齐，等. 面向对象的地物分类法分析与评价[J]. 遥感技术与应用，2004 (1): 20-23，77.

[3] 关元秀，程晓阳. 高分辨率卫星影像处理指南[M]. 北京：科学出版社，2008.

[4] 牟凤云，韩葵. 面向对象的遥感湿地植被分类与信息提取——以微山湖为例[J]. 安徽农业科学，2012，40 (12):7574-7576.

[5] 常利，裴亮. 丹江口水库面积季节变化遥感监测[J]. 测绘与空间地理信息，2017，40 (5): 152-156.

[6] 季建万，沙晋明. 基于面向对象分类方法和多源遥感数据的龙祥岛区域湿地变化检测[J]. 福建师范大学学报（自然科学版），2017，33 (3): 78-86.

[7] 吴平. 资源三号测绘卫星影像在基础地理要素快速更新生产中的技术研究[J]. 测绘与空间地理信息，2015，38 (11):109-113.

[8] 周勇兵，曹辉. 基于 eCognition 的土地利用遥感影像自动提取研究[J]. 人民长江，2017 (12): 75-78.