基于资源三号遥感影像的湿地信息提取

杨 冬

（1.辽宁省自然资源事务服务中心，辽宁 沈阳 110033）

基于遥感影像的分类方法主要有监督分类、非监督分类、支持向量机分类、决策树分类、人工神经网络分类和面向对象分类方法等。与传统基于像元的分类方法不同，面向对象方法的处理单元是由若干同质性像元组成的一个个独立的“对象”。因而可以减少分类结果中由于目标内部异质性大而引起的“椒盐现象”，特别是对于高分辨率影像遥感分类，由于影像细节部分信息更加丰富，与基于像元分类方法相比，面向对象分类更具优势，同时该方法可以提取分类对象的光谱、纹理、形状和环境等特征信息用于分类，有效地弥补了高分辨率数据光谱特征相对匮乏的缺点，而且能有效地解决基于像元分类中经常出现的光谱混淆、混合像元等问题[1-9]。

本文以盘锦市大洼县湿地为研究对象，利用资源三号高分辨率遥感影像数据，采用面向对象方法对研究区内湿地信息进行提取，实验以研究区典型地物的光谱特征为基础，辅以形状特征、纹理特征和环境特征构建湿地对象分类模型，实现大洼县湿地自动提取。同时，采用基于像元的最大似然分类方法对研究区湿地进行提取，将基于对象和基于像元的湿地提取结果进行对比分析，验证面向对象方法在高分辨率遥感湿地信息提取中的优势。

1 研究区概况与数据源选取

大洼县位于辽宁省的西南部盘锦市境内，辽东湾的东北岸，双台子河及大辽河下游的入海口，与渤海相邻。全境系沉积性退海平原，地势低洼平坦，无山多水。盘锦市湿地作为我国的重要湿地，对周围地区的空气调节起着举足轻重的作用。其中，大洼县是“辽宁沿海经济带”的重要县域，同时也是双台河口国家级自然保护区和双台河口生态监控区域的所在地。

研究数据采用资源三号高分辨率遥感影像，成像时间为2014-08-02和2014-09-30，包括4个多光谱波段（蓝光、绿光、红光和近红外波段），地面分辨率为5.8 m。数据使用前完成了辐射校正、几何纠正，影像纠正后的空间参考为CGCS2000国家大地坐标系和高斯克吕格投影，然后根据大洼县县域界线进行裁剪处理。研究区内陆边界和沿海边界分别以大洼县县域边界和沿海大堤线为准，图1为研究区标准真彩色资源三号遥感影像。

图1 大洼县资源三号真彩色影像

2 研究方法

2.1 湿地分类体系的建立

根据《全国湿地资源调查与监测技术规程》和《湿地公约》，借鉴现有湿地分类体系及全国地理国情监测分类体系，结合大洼县湿地的实际情况及资源三号影像的可判读程度，建立适合大洼县的湿地分类系统（如表1所示）。

表1 大洼县湿地分类系统

2.2 面向对象的湿地信息提取

面向对象分类技术通过几何临近像元的特征关系来识别并组合同质性强的光谱要素，充分利用高分辨率全色和多光谱数据信息的空间、纹理和光谱信息来分割和分类，以实现高精度的分类结果或矢量输出[10-11]。主要包括两个过程：发现对象和对象的分类。首先将遥感影像按照一定规则、适当尺度进行分割并合并成对象，将分类目标由像元转变成对象，接下来根据研究区典型地物的光谱特征、纹理特征及空间特征构建规则进行逐一提取，最终实现所有湿地类型的自动提取。

2.2.1 发现对象

发现对象主要依靠影像分割技术来实现，目的是将影像中具有相同和相似特征的临近像元聚类成一个个“对象”，实现由影像像元向对象基元的转换。在影像分割过程中，分割尺度的选取至关重要，直接影响分割生成对象的内部破碎度和边缘精度[12-13]。

研究采用基于边缘分割的影像分割算法，通过不同尺度上边缘的差异控制产生多尺度的分割。分割过程分为两步：首先确定分割尺度（范围0~100%，值越大，对象破碎化程度越高），对影像进行初始分割；然后确定归并尺度（范围0~100%，值越大，对象生成数量越少，斑块面积越大），根据光谱、纹理和空间特征对初始分割得到的破碎对象进行迭代归并。整个分割过程需要人工干预确定最佳分割与归并尺度参数。经过反复实验发现，针对资源三号数据在选取75%的分割尺度和95%的归并尺度时，得到的对象平均异质性最小，对象边缘最符合实际情况。

2.2.2 基于规则的对象分类

基于规则的对象分类的关键在于对研究区典型地物对象光谱、纹理、空间和环境特征的分析掌握。通过对研究区典型地物随机采样统计，绘制光谱特征值曲线（图2）。

图2 研究区波段光谱分析

通过图2所示规律可以发现建设用地和滩涂湿地在蓝光波段（band1）上的光谱值高于其他地物；水库湿地、坑塘湿地和河流湿地在近红外波段（band4）上的光谱值明显低于其他地物，而归一化植被指数可以有效提取植被覆盖区域，通过对研究区地物光谱特征规律及空间环境特征进行分析，首先将研究区划分为开阔水域、植被覆盖区域和非植被覆盖区，其中开阔水域包括河流、水库和坑塘湿地，植被覆盖区域包括水田、芦苇碱蓬湿地和旱地，而非植被覆盖区由滩涂湿地和建设用地组成[14-16]。然后结合光谱、空间和纹理特征对以上区域进行细分，构建湿地对象提取规则模型（图3），进行湿地逐类提取。

图3 面向对象的湿地分类规则

对于水域湿地的提取，首先应用近红外波段可以提取出水域，对水域湿地的再分类，选用面积特征和形状特征（Roundness）进行区分，Roundness用于描述多边形的圆度特征，公式如下：

式中，Area表示面积，Rmax表示最大直径，圆形的特征值为1，正方形的特征值为pi/4，形状越不规则，特征值越小。通过实验分析可以发现，河流湿地和水库湿地的面积大于坑塘湿地，应用面积特征可以将坑塘提取出来，而河流湿地的Roundness值明显要小于水库湿地，可以实现河流湿地和水库湿地的区分。

对于植被湿地的提取，首先应用归一化植被指数可以提取出植被区域，包括芦苇、水田、赤碱蓬和旱地，通过对典型地物光谱特征的分析（图2），发现水田湿地在绿光波段、芦苇湿地在红光波段、碱蓬湿地在蓝光波段特征差异明显，从而可以进行逐类提取。

滩涂湿地与建设用地各个波段特征值都比较接近，且在蓝光波段（band1）特征值都明显高于其他地物。首先，可以根据band1将滩涂湿地和建设用地提取出来，而建设用地表面与滩涂湿地相比纹理较为粗糙，所以纹理特征可以用来区分建设用地和滩涂湿地。卷积核范围内的平均灰度变化值(Variance)可以直接反映区域内纹理粗细程度，其公式表示为：

Variance表示像元值与均值Mean偏差的度量；当对象中灰度变化较大时，Variance值较大，可以根据该特征变量区分滩涂湿地与建设用地，从而将滩涂湿地提取出来。

3 结果与分析

通过基于规则的面向对象分类方法，对大洼县湿地进行了自动提取和分类，得到2014年大洼县湿地景观图（见图4），对大洼县湿地进行空间特征分析。同时，采用基于像元的最大似然分类方法对大洼县湿地进行自动提取，并分别对基于对象和基于像元的湿地提取结果构建混淆矩阵进行精度评价。

图4 大洼县湿地景观图

3.1 结果分析

对湿地提取结果统计分析表明，2014年大洼县湿地总面积为1 110.66 km2，约占大洼县县域面积的70.31%，其中人工湿地和天然湿地面积分别为867.65 km2和243.01 km2，分别占湿地总面积78.12%和21.88%。人工湿地中，水田湿地面积最大，面积高达737.34 km2，占湿地总面积的66.39%，其次是坑塘湿地和水库湿地，分别占湿地总面积的8.67%和3.06%；天然湿地中，芦苇湿地面积最大，面积为139.81 km2，占湿地总面积12.59%，滩涂湿地、河流湿地和碱蓬湿地面积依次减小，分别仅占湿地总面积的4.33%、3.94%和1.01%。通过对图4分析可知，大洼县湿地分布状况为水田湿地分布最广，覆盖大洼县大部分地区，湿地类型优势度最大；沼泽湿地集中分布在县域西侧；河流湿地主要表现为两条流域，分别分布在县域的东西两侧边界；坑塘湿地主要分布在水库周围和沿海地区；滩涂湿地的分布较为集中，主要分布在南侧沿海地区；水库湿地主要分布在水田湿地区域中。

3.2 分类结果比较

图5为采用基于像元的最大似然方法获取的大洼县湿地分类结果。通过将图4与图5进行比较分析，可以发现面向对象分类结果明显优于最大似然分类结果，最大似然方法分类结果中存在大量的错分、漏分情况，出现了基于像元分类结果中常见的“椒盐现象”，特别是滩涂湿地与建设用地、坑塘湿地与河流湿地和水库湿地的分类混淆情况严重。

图5 大洼县最大似然湿地分类结果

为了全面分析基于对象与基于像元分类结果的精度情况，根据各类湿地在研究区的分布离散程度，在分类结果影像上随机生成一定数目的样本点建立混淆矩阵进行精度评价。通过与大洼县湿地2014年地理国情监测数据对比，分别得到基于对象和基于像元的分类结果精度为94.03%和82.08%，kappa系数为0.861 7和0.805 9，结果表明面向对象的分类总体精度和kappa系数都明显高于最大似然法分类结果，特别是在芦苇湿地和滩涂湿地的提取精度上有很大提高。

4 结语

本文基于资源三号遥感影像，结合湿地的光谱、形状、面积和纹理等特征，提出一种面向对象的湿地分区提取方法，实现大洼县湿地逐类提取。将提取结果与采用最大似然分类方法的湿地分类结果进行对比，结果表明，在基于高分辨率遥感影像的湿地信息提取中，本文提出的面向对象分区分类方法的湿地信息提取精度更高，显著减少了基于像元的传统分类方法所产生的“椒盐现象”，出现错分、漏分的情况明显降低。同时，与基于像元的传统湿地信息提取方法相比，面向对象的湿地分区提取方法融合光谱、空间、纹理和环境多种特征作为分类变量，充分利用了高分辨率遥感数据空间分辨率高而光谱信息相对匮乏的特点。