基于FNEA最優分割尺度下的塔里木河流域濕地提取研究

李紅凌，劉 斌，巴艷君

(1.新疆大學資源與環境科學學院，烏魯木齊 830046；2.新疆維吾爾自治區測繪科學研究院，烏魯木齊 830046)

0 引 言

我國干旱/半干旱區生態環境十分脆弱，該區域濕地的變化非常活躍，是環境變化的敏感指示器[1]，其轉移，收縮以及消失都能夠反映出該區域內生態環境的質量和容量。當下，遙感在濕地方面的研究重點體現在濕地資源檢測、濕地信息分類與濕地的變化監測等方面。就濕地遙感信息提取方法來說，自動化智能化一直是研究者追求的目標[2]。針對高分辨率的遙感影像，為了改善地物目標的分類精度，學者通常選擇面向對象的影像分割技術，并根據分割結果從對象中提取出光譜特征以及空間關系特征來改善對象間光譜混合問題[3]。

在面向對象分割過程中，當分割閾值選擇不合理時會引起“欠分割”、“過分割”、“邊緣不匹配”等問題，為了滿足不同地物的最佳分割效果，可以利用地物特征異質性來尋找各類別最適宜的分割尺度，最終獲得不同類型的影像對象[4]。由Baatz等人[5]于2000年提出的分形網絡演化方法(Fractal Net Evolution Approach，FNEA)是一種非常適用于高分辨率遙感影像的圖像分割算法，已被應用與多個國際項目中，實踐證明這種基于統計的影像分割技術在影像分析中頗具潛力[6,7]。 FNEA技術的依據是局部最佳適應法,該方法確保像元在統計對象異質性最小的結果后進行合并,即單個像元或像元集合與其相鄰的像元同時進行計算與合并,兩個相鄰對象之間的差異通過啟發式處理過程進行比較[8]。

在濕地信息遙感提取方面，范登科[9]等發現歸一化差異綜合水體指數在水體提取中水陸區分度高。朱長明[10]和姜浩[11]等根據水體的線性特征提出解決影細小河流的提取的方法。鄭麗娟等人提出面向對象結合DEM數據對研究區濕地進行提取[12];謝靜、李曉娟等人采用多時相HJ_1影像利用面向對象方法完成了完達山以北的濕地遙感分類[13]。上述方法在水體提取上取得了較好的效果，對濕地信息提取有重要的參考價值。

1 研究區概況與數據

塔里木河流域位于新疆天山山脈以南，昆侖山山脈以北，由葉爾羌河、和田河、阿克蘇河等匯合而成。塔里木河從西向東蜿蜒于塔里木盆地北部，上游地區地勢較為起伏，多為不平緩的沙漠地區，流域范圍從葉爾羌河流域起，到塔里木河尾閭的臺特瑪湖，全長2 421 km，是世界上第一最大內陸河流域。該流域深處歐亞大陸腹地，四周環山，地理位置偏離海洋，日照充足，導致該區域內降水量小，蒸發量大，表現為干旱大陸性氣候。根據《中華人民共和國濕地分類標準( GB/T 24708-2009)》采用二級分類系統，結合塔里木盆地水文地貌條件和濕地發育特征，濕地一級類型包括天然濕地與人工濕地，二級類型包括湖泊濕地、河流濕地、沼澤濕地、水庫、坑塘和人工養殖場六個類型。

試驗采用的遙感影像數據為2014年10月葉爾羌河中游區域RapidEye高分遙感影像，地理坐標為39°4′58.58″N，77°36′33.01E～39°0′47.84″N，77°42′40.90″E，空間分辨率為5 m，波段范圍分別為藍波段(440～510 nm)，綠波段(520-590 nm)， 紅波段(630～685 nm)，紅邊波段(690～730 nm)和近紅外波段(760～850 nm)；1∶50 000 DOM數據用于研究區影像正射校正；土地利用現狀數據為研究區第二次土地調查項目成果，該數據為地表覆蓋分類輔助判讀的參考數據及分類結果精度驗證的主要數據源。研究區內濕地類型有河流、水庫、沼澤、人工養殖場和坑塘。原始影像經過輻射校正、正射校正、融合、鑲嵌等處理。

2 研究方法

2.1 主成分分析

主成分分析(Principal Component Analysis, PCA)由Pearson[14]于1901年發明，其原理是通過對協方差矩陣進行特征分析，從而達到減少數據維數的目的，并且該過程要遵循數據集對方差的貢獻最大原則[15]。影像經過主成分分析后得到的5個分量，前3個分量PC1、PC2和PC3累計方差百分比為99.65%,將前3個分量分別放入紅、綠、藍通道合成假彩色影像，與原真彩色影像相比色彩鮮明，各地物的區分度更明顯，其中深色區域反映出可能為水體的信息。PC1分量的灰度圖像中可以看出水庫、沼澤等地物顯示高亮度值，限定閾值可提取相應目標地物。根據研究區內典型地物在PCA各分量中的波譜曲線顯示，水體在PC2波段上的值VALUEwater<-800，裸地、植被、建筑物等地物值VALUE(not water)>-800。從PC2分量的灰度圖像中可以看出水體呈現暗色調，其他地物為亮色調.由此可知，在面向對象的濕地提取中，選擇PC2分量作為特征參數，調整閾值可以有效提取水體信息。

圖1 主成分分析圖Fig.1 The spectrum of typical features in PCA plot

圖2 典型地物在 PCA 的波譜曲線圖Fig.2 Principal components analysis images

2.2 多尺度分割

FNEA的多尺度分割(Multiresolution Segmentation)[16]是一種基于像元自下而上的分割思維，其原理是從任一種子像元開始,將小的像元合并為大的對象，分割過程受尺度參數、形狀參數和緊致度的影響。尺度參數在軟件應用中是不是一個具體的術語，其作用是限定影像對象的異質性閾值，通過調整參數改變分割對象的規模(顏色同質性是基于光譜顏色的標準差)；形狀參數用于限定對象的形狀以及優化對象的均質度[17]；緊致度參數可以進一步表示對象的均質度[18]；合并規則為合并后對象的異質性不得大于事先給定的閾值。

由于研究區存在多種濕地類型，為解決不同地物目標適宜的分割尺度，本研究通過ESP(Estimation of Scale Parameter)尺度評價工具[19]統計影像同質性的局部變化LV(Local Variance)以及LV變化率值ROC(Rates Of Change)。ROC計算公式為：

式中：Li表示目標層第i層對象層的平均標準差，而Li-1表示目標層第i-1層中對象層的平均標準差。當ROC最大時變化率曲線呈現峰值，峰值點有可能為目標地物對應最優尺度。

參照ESP評價結果結合目視判別法，最終判斷尺度在240時適合水庫、沼澤等目標較大的濕地類型提取；尺度為80時人工養殖場的邊緣匹配狀況較好；尺度為40時能準確對河流、坑塘進行分割。

圖3 ESP尺度分割評價圖Fig.3 ESP scale segmentation evaluation image

2.3 濕地分層提取

濕地包含的信息較為復雜，利用單一波段的光譜閾值難以區分。本研究在針對濕地分類所提取得特種光譜、紋理、形狀特征主要包括：

(1)主成分分析的PC1、PC2分量。

(2)歸一化植被指數NDVI(Normalized Difference Vegetation Index),通過植被在紅光和近紅外波段輻射差異，計算兩個波段的反射率和差、比值來判別地表植被覆蓋和長勢，其表達式為：

式中：Bnir表示近紅外波段；Br表示紅光波段。

(3)歸一化差異綜合水體指數CIWI(Combined Index of NDVI and NIR for Water- Identification)[20]。水體隨波長增長，其光譜反射率降低，而植被和土壤則相反，將NDVI和近紅外結合，利用乘性因子可以增強水體光譜特征值，抑制植被、河漫灘等地物信息，從而區分水體和其他地物。表達式為：

(4)紋理特征主要有灰度共生同質性指數(GLCM Homogeneity)。

(5)形狀特征中形狀指數(Shape Index)和對象的像元長度(Length)。

分割過程中設置參數詳情：緊致度為0.5，形狀指數為0.4。分別在240、80和40三個尺度的分割結果上建立分類規則集，濕地提取流程如圖4所示。

圖4 濕地信息分層提取流程圖Fig.4 Flowchart of wetland information extraction

首先，在分割尺度為240層，通過PC2閾值對影像進行水體粗提取，提取出可能是水體的區域，并根據歸一化差異綜合水體指數CIWI與形狀指數ShapeIndex進一步從水體中提取水庫信息,同時，通過植被覆蓋指數NDVI與PC1兩個特征從非水體中提取出沼澤濕地。其次，在尺度為80時，通過調整CIWI指數和紋理指數GLCM的閾值來確立人工養殖場。然后，在尺度為40時通過PC2,CIWI提取較為細小的水體信息，將提取的細小水體圖斑合并，通過限定對象長度Length值區分河流和庫塘信息。同時，在該尺度上對可能為陸地的區域重新檢測水體信息，再次利用CIWI指數來提取坑塘信息。最后對分類結果進行合并、平滑以及去除細小圖斑等處理。

3 結果與分析

將按照試驗步驟所得到的研究區濕地分類結果，可以得出結論基于FNEA的多尺度分層提取可以實現研究區內，水庫、沼澤、河流、人工養殖場和坑塘等濕地類型的自動解譯(見圖5)，基本滿足生產應用的需求，也對國內外其他干旱區、內陸地區的濕地遙感解譯提供參考。

為了更為客觀的驗證該提取結果的精度，本文參考第二次土地調查專題數據和野外實測數據，在研究區范圍內各濕地類型隨機選取30～50個檢驗樣本點，統計樣本點在分類影像中的混淆矩陣，如表1所示。混淆矩陣顯示，基于FNEA分割尺度下的多層次濕地信息提取方法在塔里木河流域內濕地遙感解譯中總精度達到了87.7%，Kappa系數為0.842,各濕地類型的用戶精度與制圖精度明顯高于80%,取得了較好的結果。其中，水庫與沼澤的制圖均達到了90%，人工養殖場達到93.33%。另外，人工養殖場與河流的用戶精度甚至高于95%，達到了96.55%與96.15%。由于受到植被、河漫灘、陰影等地物的干擾，導致分類結果中出現個別錯分、漏分等現象。但是，整體而言，基于FNEA多尺度分割結合分層規則集的建立在研究區內濕地解譯和提取中達到了較為理想的效果。

圖5 濕地分類圖Fig.5 The classifications of wetland

表1 濕地自動解譯混淆矩陣Table.1 The confusion Matrix of wetland Automatic interpretation

4 結 語

干旱/半干旱地區的稀疏植被、河漫灘、建筑物陰影等地物的光譜亮度值與濕地中沼澤、河流等地物非常相似，傳統的解譯方法很少對空間特征信息加以應用，為解決單一光譜信息中同譜異物、同物異譜造成的地物界限不明確和椒鹽現象，該研究提出了基于面向對象網絡分形演化法并融入空間關系，多尺度多層次的提取濕地信息。結果表明，面向對象思維在針對高分辨率的遙感影像的濕地提取中體現出一定優勢：

(1)FNEA分割結合ESP分割評價工具能夠快速、準確的確立與地物相適應的分割尺度并有效地將像元分割成對象目標，避免花費大量的人力和時間去確立合理的分割尺度，同時，改善了后續分類中的地物混淆和椒鹽現象。

(2)主成分分析法不僅能夠去除影像中的冗余信息達到減維降噪的目的，研究顯示，主成分分析中的第一分量與第二分量是分離水體與其他信息的有效特征，在水體解譯中非常實用。

(3)在FNEA最優分割尺度下的分類規則集能夠快速、自動提取研究區內濕地信息，其架構靈活可控，適于被移植和擴展，經換區試驗證明具有一定的普適性。同時，對其他區域的濕地信息識別與提取提供參考。

該研究針對多層次、多特征的干旱區/半干旱區濕地信息提取還不夠完善，有待針對干旱區/半干旱區的區域特點發現和拓展更多特征，探索更為高效準確的規則集模型。

□

[1] 黃 方,張樹文,Jan de Leeuw,等.20世紀70年代以來松嫩平原烏裕爾河中下游流域的濕地演變[J].自然資源學報,2006,21(6):949-956.

[2] 朱長明，李均力，張 新，等.面向對象的高分辨率遙感影像濕地信息分層提取[J].測繪通報,2014,(10):23-28.

[3] 汪 閩,萬其明,張大騫,等.光譜、形狀特征結合的多精度圖像分割算法與應用[J].地球信息科學學報,2010,12(2):261-268.

[4] 黃慧萍，吳炳方．地物大小、對象尺度、影像分辨率的關系分析[J]．遙感技術與應用,2006,21(3):243-248.

[5] Baatz M, Sch?pe A. Multiresolution segmentation: An opti-mization approach for high quality multi-scale image seg-mentation[C]∥ Angewandte Geographische Informations-verarbeitung XII, Strobl J, Blaschke T, Griesebner G(Eds),Wichmann, Heidelberg,Germany,2000.

[6] Schiewe J.Segmentation of high-resolution remotely senseddata-concepts, applications and problems[J]. InternationalArchives of Photogrammetry Remote Sensing And Spatial Information Sciences, 2002,34(4):380-385.

[7] Blaschke T, Burnett C, Pekkarinen A. Image segmentation methods for object-based analysis and classification[C]∥ Remote sensing image analysis: Including the spatial do-main.Springer Netherlands, 2006.

[8] Schiewe J, Tufte L, Ehlers M. Potential and problems of multi-scale segmentation methods in remote sensing[J].GeoBIT/GIS, 2001,6(1):34-39.

[9] 范登科,李 明,賀少帥.基于環境小衛星CCD影像的水體提取指數法比較[J].地理與地理信息科學,2012,28(2):14-19.

[10] 朱長明,駱劍承,沈占鋒,等.DEM 輔助下的河道細小線性水體自適應迭代提取[J].測繪學報,2013,42(2):277-283.

[11] 姜 浩,馮 敏,肖 桐,王昌佐.基于線狀特征增強的 TM 遙感影像細小河流提取方法[J].測繪學報,2014,43(7):705-710.

[12] 鄭麗娟,李小娟,胡德勇,等.基于對象和輔助DEM的濕地信息提取 以洪澤湖濕地為例[J].遙感技術與應用，2009,24(3):346-351．

[13] 謝 靜,王宗明,毛德華,等.基于面向對象方法和多時相HJ-1影像的濕地遙感分類——以完達山北三江平原為例[J].濕地科學,2012,10(4) :429-438．

[14] 王 鶯,王 靜,姚玉璧,等.基于主成分分析的中國南方干旱脆弱性評價[J].生態環境學報,2014,23(12):1 897-1 904.

[15] Pearson K. Principal components analysis[J]. The London Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 1901,6(2):559.

[16] Benz UC, Hofmann P, Willhauck G, Lingenfelder M. Multi-Resolution, Object Oriented Fuzzy Analysis of Remote Sensing Data for GIS-Ready Information[J]. SPRSJournal of Photogrammetry & Remote Sensing, 2004,(58):239-258.

[17] Beijing Space Eye Innovation Technology Co, LT D. eCognition Training Files[EB/OL]. [2008 29224].http:∥www.bsei.com.cn/xz ecognition rjzl.html〗.

[18] Definiens AG. Definiens Developer 7 Reference Book[M]. München:Trappentreustr Press,2007:23-24.

[19] Dragut L, Tiede D, Levick SR.ESP: a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data[J]．International Journal of Geographical Information Science,2010,24(6):859-871.

[20] 莫偉華,孫涵.基于EOS/MODIS衛星數據的洪澇災害遙感監測應用技術研究[D]．南京：南京信息工程大學，2006.

·信息·

歡迎訂閱2016年《中國農村水利水電》

《中國農村水利水電》是由中國灌溉排水發展中心、水利部農村水電及電氣化發展局、武漢大學、中國國家灌排委員會主辦的水利水電專業性技術期刊，內容包括水利水電研究、設計、建設和管理的各個方面，信息量大，讀者面廣，且注重應用技術的研究和推廣，理論聯系實際，具有很強的實用性。是全國(省、部)優秀科技期刊，并榮獲“首屆國家期刊獎”，是“中國期刊方陣”的雙高期刊。是全國中文核心期刊、中國科技論文統計源期刊、中國學術期刊綜合評價數據庫來源期刊。

欄目設置：農田水利、灌區建設與管理、節水灌溉、供水工程、水工建筑、泵站技術、水文水資源、水環境與水生態、水利經濟、水電建設、防汛與抗旱、國外技術等。

月刊，大16開，每月15日出版，定價10.00元/冊，全年120元。

國內訂閱：全國各地郵局，郵發代號38-49

國外訂閱：中國國際圖書貿易總公司(北京399信箱)，國外代號M4211，也可直接從編輯部訂閱

地 址：武漢大學(二區)《中國農村水利水電》編輯部 郵 編：430072

電 話：(027)68776133 68776880 傳 真：(027)68776133

聯 系 人：關良寶E-mail：xsdbjb@188.com

單位名稱：《中國農村水利水電》讀者服務部

開戶銀行：中國銀行武漢市東湖開發區支行轉水大支行

賬 號：556057528310。