密度分割和面向对象结合的东平湖湿地信息提取

王瑷玲,刘洁,王彩艳,王瑞燕

1.山东农业大学资源与环境学院,山东泰安271018

2.土肥资源高效利用国家工程实验室,山东泰安271018

3.山东省土地调查规划院,山东济南250014

4.黑龙江地理信息工程院,黑龙江哈尔滨150081

密度分割和面向对象结合的东平湖湿地信息提取

王瑷玲1,2,刘洁3,王彩艳4,王瑞燕1

1.山东农业大学资源与环境学院,山东泰安271018

2.土肥资源高效利用国家工程实验室,山东泰安271018

3.山东省土地调查规划院,山东济南250014

4.黑龙江地理信息工程院,黑龙江哈尔滨150081

针对湿地复杂的覆被信息，以东平湖湿地为研究对象、Landsat ETM+影像为数据，通过密度分割、设置阈值精确提取植被类型；基于面向对象，结合形状和纹理特征，精确提取水体类型；采用最大似然法提取建设用地及其他地物。结果表明，2009年东平湖湿地面积179.84 km2，其中自然湿地161.32 km2，王工湿地18.52 km2。密度分割和面向对象结合提取的总体精度为88.54%，总体Kappa系数为0.8776，分别高于最大似然法的10.10%和0.1072。湿地信息提取结果可为东平湖湿地管理提供基础数据。密度分割与面向对象结合的湿地遥感信息提取方法可为湖泊湿地快速、准确提取提供技术支撑。

密度分割;面向对象;湿地;信息提取;东平湖

湿地作为地球最重要生态系统之一，具有提供丰富的动植物产品、矿物资源等经济功能，抵御洪水、保持生物多样性等生态功能和休闲娱乐、科研教育等社会功能，被誉为“地球之肾”、“生物超市”[1]。加强湿地科学研究，对于维持和提高湿地资源功能，合理开发、利用、保护和管理湿地资源具有重要意义。目前，湿地研究已成为多学科研究的热点问题，而快速、准确地获取湿地信息则是湿地研究的基础、关键环节。国内外学者依托RS技术，分别采用最大似然法[2]、光谱增强处理[3]、分类回归树[4]和面向对象[5]等方法进行了湿地信息提取研究。以上研究虽取得较好的提取效果，但多采用单一方法，针对地物类型复杂、光谱混淆严重的湿地而言，提取方法难免存在局限性。设置合理的DN值阈值、密度分割，可精确提取光谱特征差异明显的地物类型；而面向对象分类法充分利用地物的形状和纹理特征，可精确提取光谱特征相似、但形状和纹理差异明显的地物类型。因此，针对复杂的湿地地表景物，应探索密度分割和面向对象结合的方法，充分利用两种方法的优势，实现高精度湿地信息提取。

东平湖湿地是山东省第二大内陆湖泊湿地。近年来东平湖及其湿地相关研究引起学者关注，如东平湖库区可持续发展[6]、东平湖生态系统服务功能价值[7]等，但基于遥感手段的相关研究薄弱。本文采用Landsat ETM+影像为数据源，结合影像光谱、形状、纹理等特征，探索密度分割和面向对象结合在东平湖湿地信息提取上的应用，为准确、高效、快速提取东平湖湿地信息提供技术支撑。

1 研究区概况及数据来源

1.1 研究区概况

东平湖（老湖区）位于山东省东平县境内，东接大清河，南连柳长河，北通黄河，常年水面124.3 km2，平均水深2.5 m，温带季风型大陆性气候，年均气温13.3℃，年均降水量640.5 mm。东平湖是山东省第二大淡水湖、黄河下游最大的分洪滞洪区、南水北调东线的主要调节湖及山东省重要的淡水渔业生产基地。近年来，借助湖水资源及水浒文化等优势，东平湖已发展为生态旅游休闲胜地和水浒旅游重要景区。依托黄河等水资源以及芦苇等生物资源，东平湖形成了北方罕见的大型湖湾湿地，包括东平湖面、大清河、湖区南部的分洪滞洪区和东部的稻屯洼湿地公园。东平湖湿地类型复杂，既有自然湿地如水面，也有王工湿地如水稻田。该区生物资源丰富，有鱼类、水生植物、浮游植物以及浮游动物等。研究区位置如图1。

图1 研究区位置示意图Fig.1 Sketch map in the study area

1.2 数据来源

根据《全国湿地资源调查技术规程（试行）》，湖泊湿地的遥感影像解译应选取丰水期的影像资料。因此，本研究采用东平湖丰水期、2009年9月23日的ETM数据。收集东平县地形图、2005～2009年土地利用现状图、2008年航空影像等图件及东平县自然社会经济条件、县志、土地利用总体规划、生态县规划、东平湖风景名胜区总体规划等资料。实地考察东平湖湿地类型、分布情况，并咨询当地居民及湖上渔民，了解湿地变化情况。

2 数据处理与湿地分类系统建立

2.1 数据预处理

利用最佳指数（OIF）确定4、5、3波段为最佳波段组合。以土地利用现状图为标准，选择高斯—克里格和西安80作为影像校正的投影和坐标系统，选取40个明显地物点进行校正，误差控制在

0.5 个像元以内。对原始影像进行2%线性拉伸，使图像灰度值分布于0～255范围内，拉大不同地物间的差异。采用索伯尔锐化模板进行卷积增强处理，突出地物边界，并对图像进行去相关分析处理。东平湖湿地包括东平湖、大清河、湖周及河流沿岸、稻屯洼湿地，除东平湖面、稻屯洼湿地相对集中外，其余分布散乱。坚持非湿地类别及面积最少原则划定研究区范围，总面积251.79 km2。

2.2 东平湖湿地分类系统建立

建立适合研究区的湿地分类系统是湿地研究的基础。本研究参考国际《湿地公约》及《全国湿地资源调查技术规程（试行）》湿地分类标准，结合研究区既有自然湿地也有王工湿地、既有湖泊也有河流等特征，建立东平湖湿地分类系统：自然湿地与王工湿地2个一级类，湖泊水面、河流水面、芦苇沼泽等9个二级类。非湿地有水工建筑、旱地、水浇地、林地、建设用地等（表1）。

表1 东平湖湿地分类系统Table 1 Classification system of Dongping Lake wetland

3 密度分割和面向对象结合的东平湖湿地信息提取

3.1 湿地提取流程

针对湖泊湿地主要有植被和水域两大地物景观，本研究采用密度分割和面向对象分别提取水体和植被湿地信息。首先，LBV变换后，对V值分量图进行密度分割精确提取不同植被；其次，建立水体提取模型提取水体，基于面向对象，利用不同水体地物的形状和纹理信息，精确划分不同水体；第三，利用已提取的水体和植被信息对原始影像掩膜处理，采用最大似然法提取建设用地等其他地物；最后，去除破碎图斑得到东平湖湿地分类图。提取流程如图2。

图2 密度分割和面向对象结合的湿地提取流程Fig.2 Wetland extracting process with the density segmentation and object-oriented method

3.2 植被信息提取

对预处理影像进行LBV变换得到V值灰度图像。由于V值反映地物辐射波段变化的方向和速度，而植被和裸地在这个性质上正好相反，最密植被的V值最大，没有植被而完全裸露的地面V值最小。因此采用LBV变换的V值图像能够很好地突出植被信息[8]。鉴于此，本文对LBV变换的V值分量图进行密度分割以提取植被信息。

植被包括旱地、水浇地、水稻田、林地、草地等陆地植被及芦苇沼泽、荷田、草滩地等水生植被。两种植被虽具有类似的光谱特征，但由于含水量的差异，LBV变换的V值图像的DN值差异显著。结合先验知识、土地利用现状图及航片等资料，确定V值图像的DN值与植被类型对应关系（表2），提取植被信息。

表2 DN值与植被类型对应关系Table 2 Correspondence relations between DN value and vegetation types

3.3 水体信息提取

目前基于遥感影像的水体信息提取方法较多，如构建波谱特征指数[9]、影像变换[10]等。孙步伟通过对TM影像进行HSV、IHS等多种变换和采样分析，构建了较精确的水体提取模型F=（TM2＞TM5，Sat＞Va），提取精度较高[11]。本研究利用该模型较精确提取了水体信息。

水体细分为湖泊水面、河流水面、自然坑塘、库塘和养殖场。各地物具有极相似的光谱特征，因此，仅采用DN值难以区分，本文采用面向对象方法对细分水体予以区分。该方法充分利用地物光谱、形状、纹理和空间关系特征，在一定程度上减少“同物异谱”和“异物同谱”对分类的影响以及光谱相互影响的现象，有效避免“椒盐现象”[12]。

eCognition支持下进行多尺度分割，根据河流形状细长，湖泊面积较大，坑塘形状不规则等特征，提取各水体类型。反复试验，采用长宽比提取河流水面，Length/width＞3为河流水面；采用面积提取湖泊水面，Aera＞2860pxl为湖泊水面；采用形状指数提取坑塘，Shape Index＞4.3为坑塘；剩余水体为养殖场。

对照变更后的土地利用图，ArcGIS下王为区分自然坑塘和水库坑塘。

3.4 其他地物信息提取

利用水体、植被区分类图对原始影像进行掩膜处理，分离出剩余地物，采用最大似然法提取建设用地、水工建筑、裸地等。为了避免监督分类造成的“同谱异物”、“同物异谱”现象，辅以空间特征、阴影、形状、纹理、位置等精确分类。

3.5 分类后处理

利用Dissolve、Eliminate等功能处理分类后破碎图斑。然后对分类结果进行了王机交互目视解译，纠正错分类型，获得研究区湿地分类图（图3）。

图3 东平湖湿地类型图Fig.3 Wetlands classification map of Dongping Lake

4 提取结果分析与精度评价

4.1 提取结果分析

借助ArcGIS，统计东平湖湿地、非湿地的面积及其比重（表3）。

表3 东平湖湿地与非湿地面积及其比重Table 3 The area and proportion of Dongping Lake wetlands and non-wetlands

由表3可知，湿地总面积179.84 km2，占研究区面积的71.42%。自然、王工湿地面积分别为161.32 km2和18.52 km2，分别占研究区面积的64.07%、7.35%。自然湿地中，湖泊水面面积最大，占总面积的48.90%，芦苇沼泽次之，占总面积的4.30%，再次是荷田，占总面积的3.55%。王工湿地中库塘面积最大，占总面积的3.53%，其次是水稻田，占总面积的1.93%。

4.2 精度评价

基于误差矩阵的精度评价方法，密度分割和面向对象结合方法与最大似然法对比，进行精度验证。将2009年湿地分类图（2008年高分辨率航片矢量化基础上进行2009年变更）作为标准，辅以土地利用现状图、前期实地调查进行精度验证。2种分类方法获取的分类图及湿地分类图分别随机抽样选取450个样本点，并保证每类有10个以上的样点。精度评价表明，密度分割和面向对象给合方法和最大似然法提取湿地信息总体精度、Kappa系数分别为88.54%、0.8776和78.44%、0.7704，分别高10.10%和0.1072。大部分地物类型提取的使用者精度及生产者精度也高于最大似然法，密度分割和面向对象结合提取湿地信息效果理想。

5 结论与讨论

本文采用密度分割和面向对象结合的方法进行了东平湖湿地信息提取，得出东平湖湿地总面积179.84 km2，其中自然湿地161.32 km2，王工湿地18.52 km2。自然湿地中，湖泊水面面积最大，芦苇沼泽次之。王工湿地中库塘面积最大。东平湖湿地信息提取结果可为东平湖湿地管理及动态监测提供基础数据。密度分割和面向对象结合提取湿地地物信息，不仅避免同时提取多种地物类别在波段组合选择上的矛盾，而且采用多尺度分割，充分利用影像的DN值、形状及纹理信息，有效避免了传统分类方法中“同物异谱”和“同谱异物”现象对分类精度的影响，取得了较高的分类精度。密度分割和面向对象结合提取湿地信息可为湿地信息快速、准确提取提供技术支撑。

地物信息提取时，针对不同地物，密度分割的阈值设置及面向对象特征值的限定具有很强的实验性及王为主观性，需要反复试验才能取得较好的结果。

[1]吕宪国.湿地科学研究进展及研究方向[J].中国科学院院刊,2002(3):170-172

[2]Munyati C.Wetland change detection on the Kafue Flats,Zambia,by classification of a multitemporal remote sensing image data set[J].International Journal of Remote sensing,2000,21(9):1787-1806

[3]杜红艳,张洪岩,张正祥.GIS支持下的湿地遥感信息高精度分类方法研究[J].遥感技术与应用,2004,19(4):244-248

[4]那晓东,张树清,孔博,等.基于决策树方法的淡水沼泽湿地信息提取—以三江平原东北部为例[J].遥感技术与应用,2008,2(4):662-963

[5]孙永军,童庆禧,秦其.利用面向对象方法提取湿地信息[J].国土资源遥感,2008(1):79-82

[6]余文学,殷建军.东平湖库区可持续发展综合分析[J].中国王口资源与环境,2003,13(4):73-77

[7]任燕,郑昭佩.东平湖生态系统服务功能价值评估[J].水土保持研究,2007,14(3):131-133

[8]彭笃明,张安定,李德一,等.基于LBV变换的遥感影像多步骤分类法研究[J].测绘科学,2008,3(3):56-58

[9]徐涵秋.利用改进的归一化差异水体指数（MNDWI）提取水体信息的研究[J].遥感学报,2005,9(5):589-595

[10]李小曼,王刚,田杰.TM影像中水体提取方法研究[J].西南大学学报,2006,8(4):580-582

[11]孙步伟,赵萍,程雷,等.基于复合变换的湿地信息提取的决策树方法研究—以安庆沿江湖湿地为例[J].安徽师范大学学报:自然科学版,2009,32(3):271-276

[12]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

Information Extraction from Dongping LakeWetland with the Density SegmentationandObject-orientedMethod

WAMGAi-ling1,2,LIU Jie3,WANG Cai-yan4,WANG Rui-yan1
1.College of Resources and Environment/Shandong Agricultural University,Tai’an271018,China
2.National Engineering Laboratory for Efficient Utilization of Soil and Fertilizer Resources,Tai’an271018,China
3.Shandong Provincial Land Surveying and Planning Institute,Jinan250014,China
4.Heilongjiang Institute of Geomatics Engineering,Harbin150081,China

Because wetland information has the characteristics of complexity and diversity in the lake region,it is difficult to acquire accurate information from remote sensing image.Selecting Dongping Lake wetland as the research object,using Landsat ETM+image data,the paper extracted vegetation types accurately through density slicing and threshold setting; water types were extracted accurately based on the object-oriented method combined with shape and texture characteristics; construction land and other types were extracted with the maximum likelihood method.The results indicated that the wetland area of Dongping Lake was 179.84 km2in 2009,with the area of natural wetland 161.32 km2,and artificial wetland 18.52 km2.The overall accuracy of density segmentation and object-oriented method was 88.54%and the overall Kappa coefficient was 0.8776,which were higher than 10.10%and 0.1072 compared with the maximum likelihood method.Wetland information extraction results can provide basic data for Dongping Lake wetland management.Wetland remote sensing information extraction method of density segmentation combined with object-oriented method can provide technical support for rapid and accurate extraction of lake wetland.

Density segmentation;object-oriented;wetland;information extraction;Dongping Lake

S771.8

:A

:1000-2324(2017)01-0070-05

2015-02-05

:2015-10-22

山东省自然科学基金(ZR2013DM006)

王瑷玲(1972-),女,博士,教授,主要从事土地可持续利用和评价研究.E-mail:ailingwang@sdau.edu.cn