高分辨率遙感影像中農田灌溉設施的提取

喬賢哲，張 超，楊建宇，朱德海

(中國農業大學信息與電氣工程學院，北京100083)

一、引 言

隨著高空間分辨率遙感影像的迅速發展，其在耕地等級監測、國土資源調查、基礎地理數據更新以及土地利用變化檢測等方面都得到了廣泛應用。其中，農田線狀地物設施是影響農田質量的社會經濟因素之一，因此它的正確提取具有重要的價值和意義。在我國的“十一五”國家科技支撐計劃“信息化測繪技術服務體系關鍵技術研究與應用”中也曾明確提出要對遙感影像中重要的地形要素如道路、居民地等主要基礎地理要素進行快速識別[1]。然而，面對現在各級監管部門實時監管的要求，傳統的人工解譯和半自動解譯工作越來越不能達到人們的需求。遙感技術由于具有周期短、精度高、可操作性強、信息更新和提取速度快等特點，而逐漸得到了相關研究人員的青睞。本文采用兩個地區衛星遙感影像作為數據源，利用面向對象分類的方法進行主要農田灌溉設施(溝渠)提取的研究。

二、試驗與方法

1．試驗區及遙感影像選取

本研究選取的試驗區是江蘇省揚州市邗江區。邗江區地處江淮平原南端，地理坐標是東經119°01'～119°54'，北緯 32°15'～32°25'，屬北亞熱帶溫暖亞帶與溫和亞帶的過渡性地帶，氣候及土壤條件適合多種農作物生長。邗江區是魚米之鄉，擁有可供開發生產農業的良田35 km2和長江水產的水面50 km2。此區域內地上水資源豐富，河道水面多，農田灌溉系統發達，適于作為本研究的試驗區域。考慮到試驗區氣候對地物表面覆蓋的影響和道路的光譜特征，研究選擇拍攝于夏季的高分辨率遙感影像。比較了各衛星高分辨率遙感影像的可用性之后，本研究選擇WorldView-Ⅱ衛星高分辨率遙感影像。表1是WorldView-Ⅱ衛星的基本參數信息。

表1 WorldView-Ⅱ衛星影像參數

為了充分利用影像的高空間分辨率和多光譜信息。本研究使用主成分變換將0．5m分辨率的全色波段和1．8m分辨率的多光譜波段進行融合，得到了0．5m分辨率的多光譜遙感影像。圖1是融合后的遙感影像。

2．基于面向對象分類的農田灌溉系統自動化提取

(1)技術流程

面向對象分類方法是本研究提取農田中灌溉設施的技術核心。該方法以影像對象為最小分類單元，在較高層次上對遙感影像進行分類。它彌補了傳統的基于像元的分類方法存在的語義信息缺陷，使分類結果更加精確，而且富含語義信息。其分類過程大體分為3個步驟：影像分割、特征選取、規則建立及分類[2]。圖2是技術流程圖。

圖1 融合后試驗區遙感影像圖

圖2 農田灌溉設施提取技術流程圖

(2)影像分割

影像分割是面向對象分類方法中最為基礎和關鍵的一步，影像分割結果的好壞，直接影響著影像的分類結果。影像分割就是在基于像素的基礎上依據參數設置將影像分割為大小不同的影像對象，參數設置的要求是盡量滿足單個影像對象內部的差異性和不同影像對象之間的同質性，同時達到最小。

對于大部分采用面向對象分類方法提取道路的研究都是直接對影像進行分割。本研究初期考慮農田中灌溉系統邊緣信息明顯，故先對影像進行了邊緣提取，然后將提取出的邊緣影像也作為遙感影像的一個圖層，最后通過設置影像各個圖層權重，來控制不同圖層對影像分割的作用[3]。但發現會出現較多的錯分割現象，對于后續的分類影響很大，所以最終對邊緣圖層的權重設為0。同時，研究還發現由于溝渠中有水，水對紅光反射強度相對其它地物低很多，所以將紅光圖層的權重設為5。另外，分割尺度設為90，形狀因子設為0．5，緊湊度設為0．5。圖3是多尺度分割結果圖。

圖3 多尺度分割結果圖

(3)影像的特征選擇

影像分割將影像劃分為若干影像對象，這些影像對象包含了許多可用于分類的特征：光譜特征、形狀特征、紋理特征等，每一類特征包含若干指標。靈活地組合運用這些特征可以提取到特定的地物信息。

本研究中農田灌溉設施與周圍地物的光譜信息明顯不同，同時溝渠的空間形狀呈帶狀分布。因此本研究主要利用影像的光譜信息和形狀特征來提取農田灌溉設施。由于部分溝渠被行道樹遮蔽，造成了混合像元的情況，如果光譜特征選擇NDVI，就會出現大量錯分類現象，從而不能把溝渠很好地提取出來，所以仍然考慮溝渠中有水的情況，這里光譜特征選擇紅光波段的輻射均值，如此就可以把被行道樹遮蔽的溝渠和其他綠色植被區分開。形狀特征選擇影響對象的寬度。采用隸屬度分類，兩個特征的閾值設為“mean layer 2＜40”和“width＜60”。圖4是農田灌溉設施分類結果圖。

(4)中心線提取及矢量輸出

經上述面向對象分類的3個步驟之后，技術流程可以提取得到農田灌溉設施的面狀信息。這些面狀信息是一些形狀狹長的多邊形，還需要進行進一步的矢量化，以得到農田線狀地物的矢量圖形。此方面研究還處于研究階段，預采用的方法是數學形態學相關內容，本文不作過多描述。

圖4 溝渠分類后結果圖

3．結果與分析

為了檢驗基于面向對象分類的自動化提取方法識別結果的優劣，本研究還與監督分類法的提取結果進行了比較。兩種方法均使用本研究所選試驗區范圍的影像數據，其中監督分類法采用最大似然分類方法，這種分類方法與其他監督分類方法相比，分類精度較高，且計算時間短，是最常用的分類方法之一。圖5與圖6分別是用兩種方法提取出的溝渠結果圖。

圖5 最大似然分類提取溝渠結果圖

圖6 面向對象分類提取溝渠結果圖

從提取結果看，用監督分類方法中最大似然分類法提取農田灌溉設施的效果會出現較多的錯分現象，線狀地物的連續性遭到破壞，與理想的提取效果相差較大。而采用面向對象分類方法提取線狀地物的結果，相對最大似然分類法出現錯分類情況要少得多，能較好地提取出農田灌溉設施。

三、結束語

針對當前農田中線狀地物識別研究自動化程度不高的問題，本研究采用基于面向對象分類的識別方法，利用WorldView-Ⅱ高分辨率遙感影像數據對農田灌溉設施進行了自動化識別提取，并與監督分類方法對比試驗結果。研究表明，基于面向對象分類的自動化提取方法可以自動識別農田中的灌溉設施，識別效果較好，提取所需時間較短。因此，面向對象分類的自動化提取方法，是一種快速而高效的監測手段，為農田中線狀地物監測和耕地的分等定級工作提供了一種科學的技術支持。

但在試驗中還發現，面向對象分類方法對于影像中被行道樹遮擋或陰影區域中的灌溉設施以及無水或少水的溝渠，直接進行分類并不能獲得很好的提取效果，會出現漏分、錯分情況，這將是本研究后續工作中待解決的問題之一。

[1]陳柏松，游娟，潘瑜春，等．農用地等級質量監測指標體系與方法[J]．農業工程學報，2009，25(2)：272-276．

[2]吳健生，劉建政，黃秀蘭，等．基于面向對象分類的土地整理區農田排灌系統自動化識別[J]．農業工程學報，2012，28(8)：25-31．

[3]黃亮，左小清，馮沖，等．基于Canny算法的面向對象影像分割[J]．國土資源遙感，2011，4：26-30．

[4]許迪，李益農，蔡林根，等．衛星遙感影像在農田排灌系統識別中的應用研究[J]．農業工程學報，2004，20(2)：36-39．