基于高分影像的水利空間要素提取規則集構建

許 瑩，張友靜,2，張 琴

（1.河海大學 地球科學與工程學院，江蘇 南京210098；2.河海大學 水文水資源與水利工程科學國家重點實驗室，江蘇 南京210098； 3.南京物聯網應用研究院有限公司，江蘇 南京210013）

基于高分影像的水利空間要素提取規則集構建

許 瑩1，張友靜1,2，張 琴3

（1.河海大學 地球科學與工程學院，江蘇 南京210098；2.河海大學 水文水資源與水利工程科學國家重點實驗室，江蘇 南京210098； 3.南京物聯網應用研究院有限公司，江蘇 南京210013）

針對高分遙感水利要素自動提取問題，提出了一種在融合處理后的高分一號（GF-1）遙感影像下表征和提取水利基礎空間要素的方法。依據水利要素與水體的空間關系，采取先進行土地利用/覆蓋分類，再提取水利設施要素的技術思路，構建了較為完整的水利空間要素提取規則集。利用混淆矩陣和矢量化圖像對提取精度和疊合精度進行評價。結果表明，該規則集用于高分辨率影像水利基礎空間要素提取的效果較好。其中，河流提取精度和疊合精度最高，分別為97.1%和94.1%；河流阻斷物的提取精度和疊合精度最低，分別為86.0%和81.4%；其他水利要素總體精度較高。

GF-1影像；水利基礎空間要素；特征提取；面向對象方法；規則集構建

水利基礎空間要素（簡稱水利要素）是自然與人工構造物的有機集成，主要包括兩類：流域自然特征信息要素，包含流域河湖水系分布、匯水單元及相互連接關系、流域地表覆蓋類型等；流域水利工程分布要素，包含水庫、堤防、水閘、渠道等。水利要素類型多，空間分布廣。目前利用遙感影像進行水利要素提取的研究大多集中于河、湖和水系等流域自然要素的提取，主要方法有差值法[1]、水體指數法[2]、多波段譜間關系法[3-5]以及決策樹法[6]。對于山區細小水體和半干旱區枯季山間河道，楊樹文[7]等利用TM影像多波段譜間關系改進法，實現了較高精度的提取。閆霈[8]等利用增強型水體指數Modified NDWI提取半干旱地區水體。駱劍承[9]等提出了“全域-局部”迭代轉換的信息提取方法，通過全域分割分類和局部分割分類的迭代算法，實現了高精度水體信息的自動提取。然而對于水利要素中的水利工程要素提取，目前研究較少。由于我國高分辨率影像數據的可獲得性得到極大改善，因此研究基于高分辨率影像數據的水利要素提取方法，對于深入探討高分辨率影像的地學響應，推動高分影像數據水利應用具有重要意義和實用價值。本文通過分析各類水利要素的光譜特征、紋理特征及其在高分辨率遙感影像上的特征，研究水利要素空間分布和空間關系特點，構建基于高分辨率影像的水利要素提取方法和規則集，為利用高分遙感影像提取和更新水利要素提供技術支持。

1 研究區與研究數據

選取湖北省荊州市城鄉結合部為研究區，區域內土地覆被類型多樣，包括城鎮建設用地、耕地、道路和水體等；大小河流、渠系縱橫，水利設施眾多；對于水利要素提取具有較強的代表性。

研究數據為2013-08-06的GF-1影像，全色波段空間分辨率為2 m，多光譜波段空間分辨率為8 m，有紅、綠、藍、近紅外4個波段。GF-1衛星于2013-04-26成功發射，是我國高分辨率對地觀測系統的首發星[10-11]，搭載6臺多光譜相機（2臺2 m全色/8 m多光譜相機，4臺16 m 多光譜寬幅相機），重訪周期為4 d，能夠提供區域內同時相的高分辨率影像。研究所使用的驗證數據為經過矢量化的同范圍影像，空間分辨率為1 m。

為了消除大氣對地物反射的影響，對遙感圖像進行輻射校正和圖像融合，將研究區同一時刻空間分辨率為8 m的多光譜數據和2 m的全色數據融合。融合影像既具有全色影像的高分辨率，又具有多光譜特征，有利于目視解譯和地物信息提取。

2 研究方法

2.1 研究思路

利用水利要素空間分布和空間關系等特點，在進行土地利用/覆蓋初步分類的基礎上，提取水利要素。水利要素中流域自然要素和人工建筑要素的分布均與基礎土地覆被類別存在一定的空間關系，因此首先進行土地利用/覆蓋分類，可在一定程度上簡化水利要素的規則集提取過程，提高提取精度。

2.2 土地利用/覆蓋分類

本文主要采用面向對象分類法。首先將影像分割成對象特征，然后再進行分類研究；能夠充分利用影像的光譜信息、紋理特征和拓撲關系，并綜合考慮光滑度、緊致度等空間特征，生成同質的影像對象，從而大大提高分類精度；并能減少面向像元分類方法可能產生的“椒鹽”現象。

通過對實際區域的了解和對照土地利用圖進行了初步的目視判讀，將實驗區大致分為5個土地覆被類型：水體、耕地、植被、建筑和道路。確定土地覆被最適宜的分割尺度；多尺度分割后，采用模糊分類的方法實現地物類別的提取；特征選擇中選取影像對象在不同波段光譜特征集或選取空間特征集、紋理特征集。在本文中，根據各地物類別在高分辨率影像上的表征，構建各類別的初始特征空間，主要包括光譜特征、形狀特征、紋理特征及自定義特征。光譜特征包括4個波段的平均值、最大差分、亮度值、比率和方差等17個特征；紋理特征采用灰度共生矩陣計算的平均值、對比度、方差等8 個特征；形狀特征為面積、形狀指數、密度、長度/寬度等8個特征；自定義特征為歸一化植被指數（NDVI）、歸一化水體指數等4個特征，初步確定的特征空間包括37個特征。通過選取樣本，統計各類樣本的特征值，建立樣本信息表并離散化得到決策表，利用粗糙集和蟻群算法相結合的屬性約簡算法對決策表進行屬性約簡，最后得到的各要素類別的約簡特征為：NDVI、B1波段比率（Ratio B1）、亮度（Brightness）、長寬比（Length/ Width）、長度（Length）、灰度共生矩陣的熵（GLCM entropy）等6個特征，通過決策樹C4.5算法，對特征選擇后的樣本特征數據建立決策規則。

2.3 水利要素提取

水利要素主要包括河湖等的自然流域要素以及堤防、水閘等人工建筑要素，與基礎土地覆被類別存在位置等空間關系。例如，河流、湖泊、水庫和渠道是以水體為基礎類別的二次分類；堤防、水閘一般是以道路、建筑為基礎類別的二次分類；堤防是沿河、湖等兩岸的人工建筑，一般以道路或植被為基礎類別進行二次分類。因此，利用土地利用/覆蓋分類的結果進行水利要素的識別，確定各水利要素適宜的多尺度影像分割尺度，再通過對各水利要素的形狀、大小、紋理、位置關系、鄰接關系等特征綜合分析進行水利要素的提取。

對水利要素進行提取時，需著重考慮水利要素的形狀、大小、空間位置和鄰接關系等。本實驗中采用的相關特征主要有：①形狀特征，包括面積、形狀指數和長寬比等；②鄰接關系特征，如堤防與河流、湖泊等存在鄰接關系，渠道與耕地等存在鄰接關系。

2.3.1 流域自然要素提取

在土地利用/覆蓋分類獲取的水體類別中進行二次分類得到流域自然要素。本文提取的流域自然要素包括河流、湖泊和坑塘。人工建筑要素中的渠道因其形狀特征，也一并進行提取。河流面積較大，且在空間上呈不規則曲線流動；渠道面積小，且多為沿某一方向直線延伸；坑塘形狀多呈面積較小的多邊形。據此，分別建立提取規則。

2.3.2 水利工程分布要素提取

人工建筑要素的提取主要包括渠道、堤防、水閘和橋梁，其中渠道已提取出來。堤防是指在江、河、湖、海沿岸或水庫區、分蓄洪區周邊修建的土堤或防洪墻等，通常與河流相鄰，隨河流呈線狀延伸。實驗區中堤防主要存在于河流兩岸，與防范對象相鄰接。根據堤防這一空間特征，以河流為主體對象，尋找與河流相鄰的地物，將其定義為堤防，并進行平滑處理，求得主要河流兩側的堤防。從遙感影像上看，水閘和橋梁為切斷河流的主要地物，本文將橋梁和水閘統稱為河流阻斷物。根據河流阻斷物的特征，采用距離函數和方向函數來實現河流阻斷物的提取。首先在土地利用/覆蓋分類的基礎上，通過距離函數，設定一定閾值，搜尋這一閾值范圍內除水體以外的類別，但僅用距離函數，河流兩旁的道路等地物可能會被一并提取，因此，需要同時考慮到河流阻斷物的方向性。河流阻斷物通常與河流相交，而河流兩旁的道路隨河流同向延伸，因此利用方向特征設定一定的閾值，將河流兩岸距離范圍內的地物剔除，實現河流阻斷物的提取。渠道寬度較小，跨越渠道的河流阻斷物以小路居多，方向以相切為主。本文主要對跨越河流的主要道路進行判別。

3 結果與分析

3.1 規則集建立

利用面向對象分類思想，依據水利要素與水體的空間關系，構建了較為完整的水利要素提取規則集，如表1。

3.2 土地利用/覆蓋分類結果評價

經過初始分類后，得到土地覆被分類結果如圖1所示。對分類結果作精度評價，實驗中用于驗證的樣本數據為在ENVI軟件中多邊形隨機采樣獲得，生成初始分類混淆矩陣見表2。

由表2可知，土地覆被總體分類精度較高，為85.8%；Kappa系數為0.84。其中水體分類精度最高，達到98.9%，因其在高分辨率影像上表征明顯，特點突出，易于提取。農田與植被光譜特征差異小，雖綜合考慮了光譜特征、紋理特征等因素，但混分仍較嚴重；城區中道路和建筑的光譜差異不明顯，道路形狀細小破碎，建筑和道路也有一定程度的混分。

根據本文研究思路，水體類別是水利要素提取的基礎要素，與水利要素的提取關聯較大。因此認為分類結果較為理想，可作為下一步提取水利要素的基礎。

表1 水利要素提取規則集

圖1 土地覆被分類

表2 土地覆被分類精度評價

3.3 水利要素提取結果評價

水利要素提取的結果如圖2所示。幾種典型的水利要素提取結果如圖3所示。本文對水利要素提取結果的評價方式是將實驗中提取的結果與經過矢量化得到的校驗數據疊加，進行空間一致性檢驗。該方法能在一定程度上避免采用混淆矩陣等方法帶來的抽樣誤差問題，可靠性和準確度更高。各水利要素的提取精度見表3。

由分類結果可知，總體提取精度和疊合精度較好。其中，河流提取精度最高，達到97.1%；河流阻斷物提取精度最低，為86.0%。河流的疊合精度最高，達到94.1%；河流阻斷物的疊合精度最低，為81.4%。影響提取精度的可能原因有：

1）河流面積較大，在高分辨率影像上表征明顯，特征突出，提取精度最高。部分細小河流較為破碎，易與城區中的建筑物、植被及其陰影等混分，提取不夠完整。檢驗數據雖與原始影像不是同一時期，但研究區為城鄉結合部，防洪設施較為完備，水體面積變化不大。

2）坑塘因其面積較小，且形狀各異，易與建筑等地物混分，導致提取的疊合精度低；同時，提取精度也與分割尺度的選擇有關。

3）河流阻斷物的類別眾多，大小不一，與水體等地物的空間位置關系各異，容易導致河流阻斷物的漏提或錯提。本文中的河流阻斷物包含水閘但不限于水閘，水閘與小型橋梁在高分辨率影像上的表征差異較小，較難區分，難以單獨提取。

4）堤防的提取精度較高，到達90.1%，但其疊合精度相對較低，僅為83.8%。原因可能是提取時設定河流兩側固定距離的地物為堤防，而實際堤防與河邊距離并不完全一致，因此少部分堤防提取結果與實際堤防不能疊合。

圖2 水利要素提取

圖3 典型水利要素提取結果

表3 水利要素提取精度評價

4 結 語

1）實驗中通過多尺度分割選擇各地物最適宜的分割尺度，利用粗糙集和蟻群算法相結合的特征選擇模型，簡化了繁瑣的特征集創建，有效提高了分類的精度和時間效益。影像土地覆被總體分類精度為85.8%，kappa系數為0.84。

2）深入挖掘水利要素的各種特征，包括光譜、形狀、紋理、空間及上下文關系特征等，建立各類水利要素的提取規則，能夠有效實現水利要素的識別。各種水利要素的提取精度均能達到85% 以上，疊合精度達到80%以上。

3）研究結果可為構建基于高分辨率影像的水利要素提取方法和規則集、利用高分遙感影像提取和更新水利要素等提供技術支持。從提取結果來看，河流和湖泊等面積較大、表征較為明顯的水體提取精度較高；坑塘和河流阻斷物等地物因其面積小、光譜特征不明顯，提取精度相對較低。河流阻斷物是在研究中針對水閘提出來的包含水閘但不限于水閘的橫跨于河流、渠道上的人工建筑物，雖可通過空間位置關系進行提取，但難以區分其中的水閘、橋梁等要素。因此，更深入地挖掘光譜、位置關系等信息，建立更復雜、有效的規則集，對各種小型水利要素實現更細致、更高精度的提取，是下一步研究需要關注的重點。

[1] 陸家駒,李士鴻.TM資料水體識別技術的改進[J].環境遙感,1992,7(1)∶17-23

[2] 肖乾廣,陳維英,王葳.氣象衛星影像用于松花江洪水監測[J].遙感信息,1987(4)∶26-27

[3] 楊忠恩,駱劍承,徐鵬煒.利用NAOA-AHVRR資料提取水體信息的初步研究[J].遙感技術與應用,1995,10(1)∶25-29

[4] 都金康,黃永勝,馮學智,等.SPOT衛星影像的水體提取方法及分類研究[J].遙感學報,2001,5(3)∶214-219

[5] 張明華.用改進的譜間關系模型提取極高山地區水體信息[J].地理與地理信息科學,2008,24(2)∶14-16

[6] 鄧勁松,王坷,李君,等.決策樹方法從SPOT5衛星影像中自動提取水體信息研究[J].浙江大學學報(農業與生命科學版),2005,31(2)∶171-174

[7] 楊樹文,薛重生,劉濤,等.一種利用TM影像自動提取細小水體的方法[J].測繪學報,2010,39(6)∶611-617

[8] 閆霈,張友靜,張元.利用增強型水體指數(EWI)和GIS去噪音技術提取半干旱地區水體信息的研究[J].遙感信息,2007(6)∶62-67

[9] 駱劍承,盛永偉,沈占鋒,等.分步迭代的多光譜遙感水體信息高精度自動提取[J].遙感學報,2009,13(4)∶610-615

[10] 路云閣,劉采,王姣.基于國產衛星數據的礦山遙感監測一體化解決方案∶以西藏自治區為例[J].國土資源遙感,2014,26(4)∶85-90

[11] 白照廣.高分一號衛星的技術特點[J].中國航天,2013,36(8)∶5-9

P237

B

1672-4623（2016）05-0071-04

10.3969/j.issn.1672-4623.2016.05.023

許瑩，碩士，主要從事遙感技術機理與應用研究。

2015-04-29。

項目來源：高分辨率對地觀測系統重大專項資助項目（08-Y30B07-9001-13/15）。