基于遥感影像的水域覆盖信息提取方法

陈俊任，周晓华，付锋

(江西核工业二六八测绘院，浙江 宁波 315800)

基于遥感影像的水域覆盖信息提取方法

陈俊任*，周晓华，付锋

(江西核工业二六八测绘院，浙江 宁波 315800)

从遥感影像分类原理入手，通过地理国情普查中内业解译工作探讨水域覆盖分类要素提取方法。比较分析各种方法的优缺点，阐述计算机自动分类方法与技术流程，描述了水域地表覆盖分类的具体过程，并给出了相应实例，为地理国情普查水域覆盖分类提供技术参考。

遥感影像；水域覆盖分类；要素提取

1 引 言

随着各种资源、环境监测卫星的发射与运行大大提高了遥感技术的实时性和运行性，为地表动态变化研究提供多时相、大范围的实时信息，遥感技术已成为当前人类研究地球资源环境的一种有力技术手段[1，2]。其中遥感影像分类是遥感技术研究的一个重要方面，无论是专业信息提取还是遥感数据库的建立及动态变化预测等都离不开分类[3]。尤其是全国第一次地理国情普查内业解译广为运用，地表覆盖分类信息反映地表自然营造和人工建造物的自然属性或状况，数据采集的成果作为后续工序的数据基础，其质量直接影响地理国情普查成果准确性。本文通过分析水域在遥感影像上的表现特征及相应的表达模型，探讨地理国情普查内业解译中水域地表覆盖分类信息自动提取方法与技术流程，为地理国情普查相关工作提供技术参考。

2 水域地表覆盖分类的主要方法

基于遥感影像的水域地表覆盖分类主要是以高分辨率数字正射影像为基础，参考整合处理后的基础地理信息数据和行业专题数据资料及其他数据资料，进行内业信息提取，获取河渠(河流、水渠)、湖泊、库塘(水库、坑塘)、海面、冰川与常年积雪(冰川、常年积雪)等类型的水域面状分类图斑，整理形成地理国情普查水域地表覆盖分类初步成果。分类方法包括目视解译、计算机自动分类以及几种方法的结合等。

目视解译指专业人员通过直接观察或借助辅助判读仪器根据不同地物类型在遥感影像上表现出来的光谱特征、空间特征和时间特征，提取特定目标地物信息的过程或方法[4]。一般流程分为资料准备、初步解译、野外调查、详细解译和数据整理5个阶段。

而目前计算机影像自动分类的提取技术分两类[5，6]：基于像元技术和面向对象技术。基于像元技术以单个像元为基本单元参与分类，不同分辨率系列影像的分类结果能体现地物大小与影像分辨率之间的关系，地物在适宜的影像分辨率中提取有较高的精度，该方法不适合高分辨率影像。面向对象技术以多尺度影像分割为关键技术，对同一空间分辨率的影像进行不同尺度的分割，形成了不同尺度的影像对象层次网络体系，不同地物由其最适宜的尺度来进行描述，并在该尺度上进行地物信息提取。本文根据高分辨率影像的全色和多光谱数据的空间、纹理和光谱信息特征，以计算机自动处理为主，对影像进行分割，把影像覆盖范围内的空间分成不同特征属性的对象；在分割的基础上，依据这些对象的特征属性，构建相应的规则进行自动分类得到初步成果。其基本技术流程如图1所示。

图1 计算机自动分类技术流程

计算机自动识别方法现阶段还无法替代目视解译方法。采用该方法进行水域地表覆盖分类时，对于不同区域、不同影像源、不同时相差异较大的影像，要达到理想的分割和分类效果，需要针对影像的特征对处理过程中依赖的一些参数和采用的具体算法进行反复调整和选择。

3 计算机自动分类方法提取水域地表覆盖分类信息

在地理国普查中，水域地表覆盖分类主要按照计算机自动分类方法与技术流程进行处理，并结合人工解译与编辑，提取水域边界与属性信息。

3.1 水域基本特征获取

水域是指被液态和固态水覆盖的地表，其范围随季节变化较大。通过分析河渠、湖泊、库塘、海面、冰川与常年积雪等各种类型水域在遥感影像上的形态特征以及光谱特征曲线可以看出：(1)液态水域对光谱的反射特性很相似，在近红外波段表现出强吸收特征，而绿波段表现出强反射特征；固态水域在绿波段上表现强反射特征，在蓝波段上表现出强吸收特征；(2)水域在蓝波段上也表现出了比较强的反射特性；(3)水域的纹理通常比较平滑、均匀；(4)水域与周边地表覆盖物光谱差异较大，形状各异，但在高分辨率遥感影像上通过目视判读就可以较易区分与识别；(5)水域在一定的区域范围内，高程趋于平稳，起伏比较平缓。

3.2 水体指数信息构建及辅助信息嵌入

(1)根据水域的光谱特征构建相应的水体指数指标，作为水域信息提取的判定依据，其中归一化的水体指数(NDWI)[7]公式为： (G-NIR1)/(G+NIR1)。

(2)根据水域在蓝波段上也表现出较强反射特性，构建蓝波段的比率值(Ratio Layer B)、标准方差值(Standard Deviation Layer B)两项指标，作为水域地表覆盖分类的判定规则。

Ratio Layer B=([Mean Layer B])/([Mean Layer B]+[Mean Layer G]+[Mean Layer R]+[Mean Layer N])，式中[Mean Layer B]、[Mean Layer G]、[Mean Layer R]、[Mean Layer N]参数分别为对象内各像元的蓝、绿、红、近红外波段亮度值的平均值[8]。

(3)水域的纹理一般比较均匀、平滑，因此，可以通过水域的纹理特征(熵、方差等)值，将其与阴影等混分类型进行区分。

(4)河渠宽窄不一，形状自然弯曲，但总体上长度远远大于宽度；湖泊、库塘、海面的形状宽窄不一，但总体上长度与宽度比不如河渠明显。可以通过长度、面积、长宽、规则度等多种形状特征指标，进行水域的地表覆盖分类。

(5)辅助信息(如DEM、DSM等)参与自动分类，对提高分类精度有很重要的意义，能够减少地物要素的混分概率。同时，提取的水域信息中，如果混有阴影信息，可利用DEM、DSM 等辅助信息，同时可嵌入DLG等基础地理信息数据中的水域数据，去除阴影等大部分干扰因素。3.3 规则构建及自动分类

以WorldView-2卫星遥感影像为数据源进行实例分析，包括全色波段与B、G、R、NIR1 4个多光谱波段(蓝色波段B：450 nm～510 nm；绿色波段G：510 nm～580 nm；红色波段R：630 nm～690 nm；近红外线波段NIR1：770 nm～895 nm)影像。利用水域在近红外波长的强吸收性以及植被和干土壤在此波段范围内的强反射特点，通过分析图像各波段水陆交界处的地表反射率，结合人工选择典型训练样本。提取特有特征和阈值组合，形成分类规则。主要包括：NDWI、Mean Layer DEM、Ratio Layer B、Standard Deviation Layer B等[9]，具体流程如图2所示。

图2 水域地表覆盖分类规则构建流程

经自动分类后，依次得到如下结果：

图3 分类前

图4 NDWI≥0.36

图5 Mean Layer 5(DEM层)≥150

图6 Ratio Layer 1<0.3

图7 NDVI≥0

图8 Standard deviation Layer 1≥9.5

3.4 人工解译与编辑

由于计算机自动识别方法现阶段还无法完全替代目视解译方法，在地理国情普查水域要素提取过程中需要人工解译与编辑作为辅助以确保解译的准确性。首先将自动分类结果导出为通用矢量格式(如.shp格式)；然后在常用的GIS软件中(如ArcGIS软件)，套合数字正射影像，进行编辑工作。具体步骤如下：

(1)核查水体对象的错分、漏分错分入水体类的非水体对象，进行人工剔除；达到采集指标要求但未实现自动提取的水体对象，应进行人工添加。

(2)对象合并与拆分：水体对象与非水体对象分割入同一对象的对象，进行对象拆分。水体对象拆分及合并处理前后如图9、图10所示。

图9 处理前

图10 处理后

(3)空间位置上位于水体内部的非水体地物处理，如图11、图12所示。

图11 处理前

图12 处理后

经过人工解译与编辑后的结果如图13所示：

图13 经人工编辑处理后的分类结果

4 结 论

本文根据高分辨率影像的全色和多光谱数据的空间、纹理和光谱信息特征，以计算机自动处理为主，对影像进行分割，把影像覆盖范围内的空间分成不同特征属性的对象；在分割的基础上，依据水域的特征属性，构建了水域地表覆盖分类的评定规则自动提取并结合人工解译与编辑，提取水域边界与属性信息，通过实例证明计算机自动分类方法提取水域地表覆盖分类信息能够满足地理国情普查内业解译精度要求，为地理国情普查生产提供参考。

[1] 宫鹏，黎夏，徐冰. 高分辨率影像解译理论与应用方法中的一些研究问题[J]. 遥感学报，2006，10(l)：1～5.

[2] 陈秋晓. 高分辨率遥感图像分割方法研究[D]. 北京：中国科学院地理科学与资源研究所，2004.

[3] 钱巧静，谢瑞，张磊等. 面向对象的土地覆盖信息提取方法研究[J]. 遥感技术与应用，2005，20(3)：338～342.

[4] 付卓，胡吉平，谭衢霖等. 遥感应用分析中影像分割方法.遥感技术与应用[J]. 2006.21(5)：456～462.

[5] 罗玲，解梅，陈杉. 基于多尺度形态滤波的分水岭图像分割方法[J]. 计算机辅助设计与图形学报，2004，16(2)：168～173.

[6] 陈忠. 高分辨率遥感图像分类技术研究[D]. 北京：中国科学院遥感应用研究所，2006.

[7] 陈旺，梁虹，邓亚东，等. 一种基于指数函数的遥感水体信息提取方法[J]. 地球物理学进展，2012，2(1)：103～106.

[8] 吴文渊，沈晓华，邹乐君等. 基于Landsat ETM影像的水体信息综合提取方法[J]. 科技通报，2008，24(2)89～93.

[9] 戴丽君，刘闯. Alos融合影像中水体信息提取方法研究[J]. 水资源与工程学报，2011，2(3)106～109.

The Method of Water Cover Information Extracting Based on Remote-Sensing Image

Chen Junren，Zhou Xiaohua，Fu Feng

(Jiangxi Nuclear Industry 268 Surveying and Maping Institute，Ningbo 315800，China)

Starting with remote-sensing image principle of classification，it discussed extracting method of water cover classification elements by interpretation work in geographical conditions of census. It compared and analyzed merits and demerits of all kinds of methods，stated methods of auto-classified technology and technique process of computer，described specific procedure of water area land cover classification. The corresponding example is presented，it provided technical reference of land cover classification in geographical conditions of census.

remote-sensing image；water cover classification；feature extraction

1672-8262(2017)02-93-05

P236

B

2016—10—12

陈俊任(1985—)，男，硕士，工程师，从事地理信息工程应用方面的研究。