基于K-means聚类分析处理遥感影像的河湖“四乱”因素识别

摘要：2018年水利部部署开展河湖“清四乱”专项行动，为提高河湖乱占、乱采、乱堆、乱建（“四乱”）问题的识别效率，应用K-means聚类分析方法对卫星遥感影像进行检测，分析了2020～2022年上海市26条（总长649 km）河道与淀山湖、元荡湖两个湖泊的“四乱”问题。结果表明：2020～2022年，28个河湖河口线外延6 m 范围内有274处变化，其中疑似“四乱”问题82处。相比同期人工巡查，基于K-means聚类分析的遥感影像因素识别技术在识别河湖“四乱”中具有巡查效率高、巡查范围广、巡查成本低等优势。研究成果可以为下阶段河湖治理和保护监管以及信息化建设提供参考。

关键词：河湖 “清四乱”；K-means聚类分析；遥感影像；上海市

中图法分类号：P237 文献标志码：A DOI：10.15974/j.cnki.slsdkb.2024.02.003

文章编号：1006-0081（2024）02-0019-05

0 引 言

2018年水利部在全国范围内对乱占、乱采、乱堆、乱建（简称“四乱”）等河湖管理保护突出问题开展“清四乱”专项清理整治行动。人工巡查一直是发现河湖问题的主要手段，贺霄霞等提出因地制宜设立巡河员岗位，加强河湖管护岗位供给。上海市从2012年就开始探索人工巡河，并逐步创建了一整套行之有效的“发现、立案、派遣、处理、结案”五大环节处置流程，至2020年底基本实现河湖巡查网格化、养护信息化、监管精细化的管理要求。近年来，上海市也开始研究无人机、无人艇、卫星遥感等技术在巡河中的应用。其中，卫星遥感具有视点高、视域广、数据采集快和重复连续观察等特点，并可利用历史和实时遥感图像对比，进行网格化巡查。张曦等提出基于遥感的水域岸线目标变化检测方法，利用卫星遥感协助水域岸线管护。王宝海等提出卫星遥感调查比传统的调查方法具有较大优势。郑瑶瑶等总结了卫星遥感和人工巡查的优势和局限，提出结合卫星遥感、无人机、无人船、视频监控等技术的特点，构建空天地一体化的河道监管方案。在“清四乱”工作开展过程中，上海市的河湖管理部门进一步加强行业监管巡查，同时委派专业巡查队伍对全市河湖开展“四乱”人工巡查，考虑到传统的人工巡查受限于路网、交通工具以及河道两岸贯通情况等，大多数情况只能在桥上查看，全线巡查难度较大，耗费的人力物力也较多。因此，在人工巡查“四乱”问题的同时，需积极研究无人机、无人艇、卫星遥感等技术在河湖“四乱”问题中的应用，以期探索出更为高效、全面、经济的河湖监管手段，加大河湖管理保护监管力度，全面推进河湖长制实施。

本文在此背景下，以上海市28条（个）主要河湖为例，重点研究了基于K-means聚类分析的卫星遥感影像因素识别技术在河湖巡查中的应用，例如提取主要河湖“四乱”问题位置、类型、严重程度等，以此助推河湖“清四乱”专项行动开展。

1 研究区域概况

上海市位于长江三角洲东缘，东临东海，北靠长江，南倚杭州湾，处于太湖流域和长江流域下游，区域内河网密布、水量充沛。据2022年资料统计，上海市共有河湖46 822条（个），属于典型的平原感潮河网地区，其中市、区管河湖568条（个），承担了上海市主要的防汛除涝功能。由于上海市城市化进程较快，沿河建筑密集、人口集中，加上中小河湖面广量大，“四乱”问题时有发生。本文研究对象为市管河湖中的26条河道，以及淀山湖、元荡湖两个湖泊，如表1所示。

2 数据来源与研究方法

2.1 遥感影像数据源及其处理

2.1.1 数据来源

用于河湖“四乱”问题因素识别的卫星遥感影像数据需覆盖主要河湖管理范围内全部区域，遥感影像的云量一般不超过10%，相邻影像之间重叠度不小于4%，因此河湖“四乱”问题因素识别宜选取覆盖主要河湖管理范围的多时相高分辨率卫星影像。本文选取的是吉林一号卫星影像，星下点地面像元分辨率为0.5 m（全色）/3 m（多光谱），轨道高度481.56 km。

2.1.2 影像预处理方法

用于“四乱”问题因素识别的卫星遥感影像需进行预处理，主要包括辐射定标、大气校正、几何校正以及影像融合等。

（1）辐射定标。卫星传感器获取的原始数据记录是地物的灰度值，值的大小受卫星传感器、地物和大气等各种因素的影响。利用ENVI进行辐射定标，将原始影像的灰度值转换为表观反射率，以消除卫星传感器本身的误差。

（2）大气校正。利用ENVI中FLAASH工具进行大气校正，消除大气的散射、吸收和反射引起的误差，得到地物真实反射率数值。

（3）几何校正。利用ENVI中幾何校正模块，加载DEM影像、基准影像和待配准影像，根据基准影像对待配准影像进行校正，消除各种因素导致的变形。

（4）影像融合。多光谱影像具有光谱信息丰富、空间分辨率低等特点；而全色影像具有空间分辨率高、光谱分辨率低的特点。为了充分利用多光谱和全色影像的优势和不同特征，本文采用Pansharp融合方法对多光谱和全色影像进行融合，保留了原始的光谱特征，提高了遥感影像分辨率，因此可获得较清晰的影像数据用于主要河湖“四乱”问题因素识别。

卢智灵 基于K-means聚类分析处理遥感影像的河湖“四乱”因素识别2.2 K-means聚类分析

2.2.1 K-means聚类分析算法思想

聚类分析作为有效的大数据分析工具，被广泛应用于经济、生物、人工智能等领域。K-means分析方法是聚类分析方法的一种，是一种循环迭代求解的算法，其目的是找到样本数据潜在的类别，主要特点是简单、快速且容易理解。

在卫星遥感影像因素识别时，需在光谱空间对像元进行分组，因此采用K-means聚类分析方法识别出一组在某些方面彼此相似的像元，使得特定类别的像元具有相似的光谱，完成整个聚类过程。

K-means聚类分析方法详细的算法流程如下：

（1）确定聚类数C。预估研究范围内影像数据集中可能的地物类别数目，记为C，并将C作为影像中像元将要被分组的聚类数。

（2）进行初始化。在多维波段亮度值空间中选择C个点作为候选聚类中心，将这些点标记为m，c=1，2，3，…，C。在计算过程中，m的选择是任意的，但不能重叠。为了避免生成带有不正常影像数据集的聚类，一般初始聚类中心需要均匀分布在整个数据集中，有助于增强收敛性。

（3）计算与C个聚类中心的距离。一般使用欧氏距离，计算光谱区域内像元与初始聚类中心的距离，将每个像元向量x指定到与其距离最近的均值的候选类中。

（4）得到新的聚类中心。从第三步得到的分组中计算一个新的聚类均值集合，新的聚类中心是上一聚类类别内像元值的均值。记为m，c=1，2，3，…，C。

（5）循环迭代至结束。若对于全部c有m=m，则迭代处理停止，否则将m设为当前值，继续迭代下去，直到没有像元在聚类中心之间移动为止。

因此，K-means 聚类分析首先需要指定数目的对象，每个对象代表一个聚类中心，对于其余的每个像元，根据该像元与各聚类中心的距离，把它分配到与之最相似的聚类中，并重新计算聚类内的像元均值作为新的聚类中心。整个过程根据需要执行n次，直到最后没有像元在各类之间移动为止。

随着迭代进行，误差平方和SSE度量值将逐渐减小，因此聚类分析过程就是一种类间方差增大、类内方差减小的过程。

2.2.2 K-means聚类分析变化检测算法

K-means聚类分析变化检测一般有以下5个阶段：

（1）前后时相影像数据预处理。

（2）K-means聚类分析。对前后时相影像数据分别进行K-means聚类分析。

（3）聚类波段排序。对聚类分析结果按照类别进行排序赋值，具体赋值可以依据影像场景，人为确定各个类别的赋值大小。

（4）聚类差值运算。对排序赋值后的聚类波段进行差值运算，并对结果做0～255线性拉伸的影像增强操作。

（5）阈值分割。对差值运算后的波段设定合适的阈值进行影像分割，提取变化目标。

3 结果分析

3.1 “四乱”问题影像处理

以2019年8月的卫星影像数据为初始状态，分别使用了2020年8月、2021年9月和2022年8月的高分辨率卫星影像数据进行对比分析，包括0.5 m分辨率全色波段数据和3 m分辨率多光谱数据。

获取影像数据后，首先进行了包含辐射定标、大气校正、几何校正、影像融合以及镶嵌和裁剪的预处理，完成了全色波段数据和多光谱数据的融合，形成了覆盖28条（个）主要河湖管理范围的遥感成果数据。

3.2 “四乱”要素的聚类分析

选取试验区域，利用ENVI聚类分析变化检测方法，对两时相影像进行K-means聚类分析，然后根据聚类分析结果进行波段排序赋值，最终对赋值波段进行差值运算获取变化检测强度图。

基于ENVI中K-means工具进行影像聚类分析，主要是地物类别数和最大迭代次数的选择，具体步骤：

（1）根据影像中地物类别进行分类类别数选择，本文中C设为5；

（2）Maximum Iterations为最大迭代次数，次数越高，精度越高，本文中迭代次数设为10；

（3）设置输出路径，输出结果。

对两幅影像进行聚类分析，结果分为5类，从图1中可看出各类地物的分类结果。

利用ENVI中bandmath工具对聚类类别进行波段赋值，class 1赋值为0，class 2赋值为75，class 3赋值为100，class 4赋值为170，class 5赋值为255，结果如图2所示。

对聚类类别排序赋值后，利用ENVI中bandmath对两幅影像进行差值运算，得到变化检测强度图，图3中较亮区域为变化区域。

3.3 关键要素识别与准确率分析

从图4中可以看出，若同一区域前后期地物类别不同，K-means聚类分析算法会通过差值计算检测到这一区域变化情况，差值结果较亮区域为变化强度大的区域，结果越暗区域变化越小。

对聚类分析变化检测强度图进行面积统计分析，错分的像素面积占总面积的比例约为25%，基于K-means算法的變化检测精度可达到75%。因此，一般利用K-means算法分类完成后，需结合人工目视解译，对结果进行检验和分类，最终得出构筑物具体类别结果，确保检测结果科学合理。

3.4 “四乱”要素的聚类分析成果

利用K-means聚类分析处理2019～2022年的卫星遥感影像，2020～2022年共计发现河口线外延30 m 范围内有1 379处变化，其中6 m范围内有274处变化，疑似“四乱”问题82处（图4～5）。

完成疑似“四乱”问题因素识别后，对每一个疑似问题编制档案资料，要素需包含河道名称、所属行政区域、“四乱”类型、问题所在位置（经度、纬度）、涉及面积（m）等。完成建档后，每个疑似问题还需进行人工巡查，并复核，最后形成一区一报告、一河一报告的河湖“四乱”问题报告。

4 讨 论

基于K-means聚类分析的卫星遥感影像变化检测方法与传统的人工沿河巡查相比，优势比较明显，主要集中在以下几方面：

（1）巡查效率更高。传统的人工巡查，2人一组，1 d可以巡查15～20 km，巡查完649 km河道和两个湖泊，预计周期为25～30 d。而通过卫星遥感技术，能够在短时间内获取较大区域的影像数据，大幅缩短了影像数据收集的时间。获得影像数据后，内业人员通过计算和解译，得到疑似问题点位，通过人工现场复核、拍摄近景照片和视频，再出具问题点位报告，总周期10 d左右。

（2）巡查范围更全面。虽然2017年底，黄浦江45 km岸线公共空间已实现全面贯通，但上海市众多中小河道因历史问题，两岸岸线被企事业单位、居民小区，甚至是涉密的军工单位占据，暂时无法贯通，而城区的河道，受城市路网影响，河道可达性较差，农村的河道、房屋低矮，沿河大多为农田，没有道路，人工巡查大多数情况只能在桥上查看，全线巡查难度较大。卫星遥感只要分辨率达到要求，影像的云量不超过10%就可以进行因素识别，不受道路、沿河建筑等影响。由此可见，卫星遥感“四乱”因素识别技术比传统人工巡查覆盖面能更加全面、無遗漏。

（3）巡查成本更低。传统的人工巡查直接成本除了人工和设备折旧，还有占比较大的交通成本及交通风险，卫星遥感直接成本除了人工和设备折旧，交通成本占比较小，但卫片的购买成本占比较高。从2020～2022年的巡查成本分析，扣除卫片成本的卫星遥感技术较传统的人工巡查更为经济，且占比最大的是人工成本，随着技术发展更加成熟，人工成本尚有降低的空间；而人工巡查成本占比较大的是车辆折旧、油（电）费、过路费以及人工，且下降空间不大。随着卫星遥感技术的普及，免费或者获取成本较低的卫片资源越来越多，卫星遥感“四乱”因素识别技术的巡查成本经济性也将更加明显。

卫星遥感影像变化检测方法与传统的人工沿河巡查相比，劣势主要是树木、桥梁等遮盖物下方存在视野盲区，因此采用卫星遥感影像变化检测方法巡查河道，需对视野盲区辅以人工巡查，实现对河道全覆盖巡查。同时，卫星遥感影像变化检测应进一步研究不同类型河湖管理养护问题图斑的分类解译和输出，如新增搭建棚架、建设桥梁、码头等，乱堆垃圾，新增河湖岸线占用等，更精准地对河湖实施“四乱”等问题的监管。

5 结 论

本文应用K-means聚类分析方法，对上海市管河湖中的26条河道，以及淀山湖、元荡湖两个湖泊卫星遥感影像进行检测，并对主要河湖6 m范围内的变化以及疑似“四乱”问题进行调查和统计分析，证明了基于K-means聚类分析的遥感影像因素识别技术对河湖管理范围内的变化监管具有明显优势。在此基础上，适当辅以人工巡查，对河湖管理、巡查、养护等日常管养工作有很大的帮助，可为下阶段河湖治理和保护信息化建设提供经验，逐步实现河长制、湖长制“有名”“有实”，并向“有能”转变。

参考文献：

［1］ 卢智灵，谢翠松，陈嘉胤.上海市河湖名称现状分析及命名规范化方法［J］.人民长江，2021，52（增2）：33-36.

［2］ 水利部.关于开展全国河湖“清四乱”专项行动的通知［Z］.北京：水利部，2018.

［3］ 贺霄霞，陈健，李梦娅.河湖管护公益性岗位设置现状问题及对策［J］.水利水电快报，2021，42（7）：64-67.

［4］ 李颖.无人机和卫星遥感技术在长江河道监测中的应用［J］.江淮水利科技，2022（3）：13-16.

［5］ 张曦，王春林，黄祚继，等.面向对象多特征融合的水域岸线目标变化检测［J］.水利信息化，2020（1）：44-49.

［6］ 王宝海，王翠琴，鲁林法.谈谈卫星遥感调查［J］.莱阳农学院学报（社会科学版），2002（2）：81-84.

［7］ 郑瑶瑶，周斌，林嘉怡，等.空天地协同的城市河道遥感监测研究［J］.浙江水利科技，2021（3）：76-82.

［8］ 李庆，蔡育，陈茹.河长制下的“一河一策”实施对策研究——以上海市骨干河道为例［J］.水利水电快报，2023，44（7）：33-38，55.

［9］ 吴军超.多特征融合的光学影像围填海变化检测与地物识别［D］.焦作：河南理工大学，2016.

［10］ 季永兴，黄民生，魏梓兴，等.上海市多自然型河流整治实践与探索［J］.长江流域资源与环境，2008（2）：264-267.

［11］ 上海市水务局.2022上海市河道（湖泊）报告［R］.上海：上海市水务局，2022.

［12］ 戚晓明，杨兰，白夏，等.基于遥感数据的洪泽湖库容曲线推求［J］.水利水电科技进展，2017，37（3）：77-83.

［13］ 李珍，刁钢，赵慧峰.基于大数据分析的学生学业分类管理体系——河北农业大学商学院新生入学成绩的K-mean 聚类分析［J］.河北农业大学学报（农林教育版），2018，20（5）：97-99.

［14］ 王建仁，马鑫，段刚龙.改进的K-means聚类K值选择算法［J］.计算机工程与应用，2019，55（8）：27-33.

（编辑：江 文）

Identification of "four illegal actions" on rivers and lakes based on K-means

cluster analysis for processing remote sensing imagesLU Zhiling

（Shanghai City Water Conservancy Management Department，Shanghai 200002，China）

Abstract：  In 2018，the Ministry of Water Resources proposed the special action to clear the "four illegal actions" in rivers and lakes. In order to improve the efficiency of identifying factors related to illegal occupation，mining，stacking，and construction on rivers and lakes，K-means clustering analysis method was applied to detect satellite remote sensing images. The "four illegal actions" problem of 26 rivers with a total length of 649 km and two rivers of Dianshan Lake and Yuandang Lake in Shanghai from 2020 to 2022 were analyzed. The results showed that from 2020 to 2022，there were 274 changes within 6 m of 28 rivers and lakes，including 82 suspected "four illegal actions" problems. Compared with manual inspections during the same period，remote sensing image factor recognition technology based on K-means clustering analysis had advantages such as high inspection efficiency，wide inspection scope，and low inspection cost in identifying the "four illegal actions" problems in rivers and lakes. The research results can provide a reference for the next stage of rivers and lakes management，protection and supervision，as well as information construction．

Key words： "four illegal actions" on rivers and lakes；K-means clustering analysis；remote sensing image；Shanghai City