密度分割和面向?qū)ο蠼Y(jié)合的東平湖濕地信息提取

王璦玲,劉潔,王彩艷,王瑞燕

1.山東農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院,山東泰安271018

2.土肥資源高效利用國家工程實驗室,山東泰安271018

3.山東省土地調(diào)查規(guī)劃院,山東濟南250014

4.黑龍江地理信息工程院,黑龍江哈爾濱150081

密度分割和面向?qū)ο蠼Y(jié)合的東平湖濕地信息提取

王璦玲1,2,劉潔3,王彩艷4,王瑞燕1

1.山東農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院,山東泰安271018

2.土肥資源高效利用國家工程實驗室,山東泰安271018

3.山東省土地調(diào)查規(guī)劃院,山東濟南250014

4.黑龍江地理信息工程院,黑龍江哈爾濱150081

針對濕地復(fù)雜的覆被信息，以東平湖濕地為研究對象、Landsat ETM+影像為數(shù)據(jù)，通過密度分割、設(shè)置閾值精確提取植被類型；基于面向?qū)ο螅Y(jié)合形狀和紋理特征，精確提取水體類型；采用最大似然法提取建設(shè)用地及其他地物。結(jié)果表明，2009年東平湖濕地面積179.84 km2，其中自然濕地161.32 km2，王工濕地18.52 km2。密度分割和面向?qū)ο蠼Y(jié)合提取的總體精度為88.54%，總體Kappa系數(shù)為0.8776，分別高于最大似然法的10.10%和0.1072。濕地信息提取結(jié)果可為東平湖濕地管理提供基礎(chǔ)數(shù)據(jù)。密度分割與面向?qū)ο蠼Y(jié)合的濕地遙感信息提取方法可為湖泊濕地快速、準(zhǔn)確提取提供技術(shù)支撐。

密度分割;面向?qū)ο?濕地;信息提取;東平湖

濕地作為地球最重要生態(tài)系統(tǒng)之一，具有提供豐富的動植物產(chǎn)品、礦物資源等經(jīng)濟功能，抵御洪水、保持生物多樣性等生態(tài)功能和休閑娛樂、科研教育等社會功能，被譽為“地球之腎”、“生物超市”[1]。加強濕地科學(xué)研究，對于維持和提高濕地資源功能，合理開發(fā)、利用、保護和管理濕地資源具有重要意義。目前，濕地研究已成為多學(xué)科研究的熱點問題，而快速、準(zhǔn)確地獲取濕地信息則是濕地研究的基礎(chǔ)、關(guān)鍵環(huán)節(jié)。國內(nèi)外學(xué)者依托RS技術(shù)，分別采用最大似然法[2]、光譜增強處理[3]、分類回歸樹[4]和面向?qū)ο骩5]等方法進行了濕地信息提取研究。以上研究雖取得較好的提取效果，但多采用單一方法，針對地物類型復(fù)雜、光譜混淆嚴(yán)重的濕地而言，提取方法難免存在局限性。設(shè)置合理的DN值閾值、密度分割，可精確提取光譜特征差異明顯的地物類型；而面向?qū)ο蠓诸惙ǔ浞掷玫匚锏男螤詈图y理特征，可精確提取光譜特征相似、但形狀和紋理差異明顯的地物類型。因此，針對復(fù)雜的濕地地表景物，應(yīng)探索密度分割和面向?qū)ο蠼Y(jié)合的方法，充分利用兩種方法的優(yōu)勢，實現(xiàn)高精度濕地信息提取。

東平湖濕地是山東省第二大內(nèi)陸湖泊濕地。近年來東平湖及其濕地相關(guān)研究引起學(xué)者關(guān)注，如東平湖庫區(qū)可持續(xù)發(fā)展[6]、東平湖生態(tài)系統(tǒng)服務(wù)功能價值[7]等，但基于遙感手段的相關(guān)研究薄弱。本文采用Landsat ETM+影像為數(shù)據(jù)源，結(jié)合影像光譜、形狀、紋理等特征，探索密度分割和面向?qū)ο蠼Y(jié)合在東平湖濕地信息提取上的應(yīng)用，為準(zhǔn)確、高效、快速提取東平湖濕地信息提供技術(shù)支撐。

1 研究區(qū)概況及數(shù)據(jù)來源

1.1 研究區(qū)概況

東平湖（老湖區(qū)）位于山東省東平縣境內(nèi)，東接大清河，南連柳長河，北通黃河，常年水面124.3 km2，平均水深2.5 m，溫帶季風(fēng)型大陸性氣候，年均氣溫13.3℃，年均降水量640.5 mm。東平湖是山東省第二大淡水湖、黃河下游最大的分洪滯洪區(qū)、南水北調(diào)東線的主要調(diào)節(jié)湖及山東省重要的淡水漁業(yè)生產(chǎn)基地。近年來，借助湖水資源及水滸文化等優(yōu)勢，東平湖已發(fā)展為生態(tài)旅游休閑勝地和水滸旅游重要景區(qū)。依托黃河等水資源以及蘆葦?shù)壬镔Y源，東平湖形成了北方罕見的大型湖灣濕地，包括東平湖面、大清河、湖區(qū)南部的分洪滯洪區(qū)和東部的稻屯洼濕地公園。東平湖濕地類型復(fù)雜，既有自然濕地如水面，也有王工濕地如水稻田。該區(qū)生物資源豐富，有魚類、水生植物、浮游植物以及浮游動物等。研究區(qū)位置如圖1。

圖1 研究區(qū)位置示意圖Fig.1 Sketch map in the study area

1.2 數(shù)據(jù)來源

根據(jù)《全國濕地資源調(diào)查技術(shù)規(guī)程（試行）》，湖泊濕地的遙感影像解譯應(yīng)選取豐水期的影像資料。因此，本研究采用東平湖豐水期、2009年9月23日的ETM數(shù)據(jù)。收集東平縣地形圖、2005～2009年土地利用現(xiàn)狀圖、2008年航空影像等圖件及東平縣自然社會經(jīng)濟條件、縣志、土地利用總體規(guī)劃、生態(tài)縣規(guī)劃、東平湖風(fēng)景名勝區(qū)總體規(guī)劃等資料。實地考察東平湖濕地類型、分布情況，并咨詢當(dāng)?shù)鼐用窦昂蠞O民，了解濕地變化情況。

2 數(shù)據(jù)處理與濕地分類系統(tǒng)建立

2.1 數(shù)據(jù)預(yù)處理

利用最佳指數(shù)（OIF）確定4、5、3波段為最佳波段組合。以土地利用現(xiàn)狀圖為標(biāo)準(zhǔn)，選擇高斯—克里格和西安80作為影像校正的投影和坐標(biāo)系統(tǒng)，選取40個明顯地物點進行校正，誤差控制在

0.5 個像元以內(nèi)。對原始影像進行2%線性拉伸，使圖像灰度值分布于0～255范圍內(nèi)，拉大不同地物間的差異。采用索伯爾銳化模板進行卷積增強處理，突出地物邊界，并對圖像進行去相關(guān)分析處理。東平湖濕地包括東平湖、大清河、湖周及河流沿岸、稻屯洼濕地，除東平湖面、稻屯洼濕地相對集中外，其余分布散亂。堅持非濕地類別及面積最少原則劃定研究區(qū)范圍，總面積251.79 km2。

2.2 東平湖濕地分類系統(tǒng)建立

建立適合研究區(qū)的濕地分類系統(tǒng)是濕地研究的基礎(chǔ)。本研究參考國際《濕地公約》及《全國濕地資源調(diào)查技術(shù)規(guī)程（試行）》濕地分類標(biāo)準(zhǔn)，結(jié)合研究區(qū)既有自然濕地也有王工濕地、既有湖泊也有河流等特征，建立東平湖濕地分類系統(tǒng)：自然濕地與王工濕地2個一級類，湖泊水面、河流水面、蘆葦沼澤等9個二級類。非濕地有水工建筑、旱地、水澆地、林地、建設(shè)用地等（表1）。

表1 東平湖濕地分類系統(tǒng)Table 1 Classification system of Dongping Lake wetland

3 密度分割和面向?qū)ο蠼Y(jié)合的東平湖濕地信息提取

3.1 濕地提取流程

針對湖泊濕地主要有植被和水域兩大地物景觀，本研究采用密度分割和面向?qū)ο蠓謩e提取水體和植被濕地信息。首先，LBV變換后，對V值分量圖進行密度分割精確提取不同植被；其次，建立水體提取模型提取水體，基于面向?qū)ο螅貌煌w地物的形狀和紋理信息，精確劃分不同水體；第三，利用已提取的水體和植被信息對原始影像掩膜處理，采用最大似然法提取建設(shè)用地等其他地物；最后，去除破碎圖斑得到東平湖濕地分類圖。提取流程如圖2。

圖2 密度分割和面向?qū)ο蠼Y(jié)合的濕地提取流程Fig.2 Wetland extracting process with the density segmentation and object-oriented method

3.2 植被信息提取

對預(yù)處理影像進行LBV變換得到V值灰度圖像。由于V值反映地物輻射波段變化的方向和速度，而植被和裸地在這個性質(zhì)上正好相反，最密植被的V值最大，沒有植被而完全裸露的地面V值最小。因此采用LBV變換的V值圖像能夠很好地突出植被信息[8]。鑒于此，本文對LBV變換的V值分量圖進行密度分割以提取植被信息。

植被包括旱地、水澆地、水稻田、林地、草地等陸地植被及蘆葦沼澤、荷田、草灘地等水生植被。兩種植被雖具有類似的光譜特征，但由于含水量的差異，LBV變換的V值圖像的DN值差異顯著。結(jié)合先驗知識、土地利用現(xiàn)狀圖及航片等資料，確定V值圖像的DN值與植被類型對應(yīng)關(guān)系（表2），提取植被信息。

表2 DN值與植被類型對應(yīng)關(guān)系Table 2 Correspondence relations between DN value and vegetation types

3.3 水體信息提取

目前基于遙感影像的水體信息提取方法較多，如構(gòu)建波譜特征指數(shù)[9]、影像變換[10]等。孫步偉通過對TM影像進行HSV、IHS等多種變換和采樣分析，構(gòu)建了較精確的水體提取模型F=（TM2＞TM5，Sat＞Va），提取精度較高[11]。本研究利用該模型較精確提取了水體信息。

水體細(xì)分為湖泊水面、河流水面、自然坑塘、庫塘和養(yǎng)殖場。各地物具有極相似的光譜特征，因此，僅采用DN值難以區(qū)分，本文采用面向?qū)ο蠓椒▽?xì)分水體予以區(qū)分。該方法充分利用地物光譜、形狀、紋理和空間關(guān)系特征，在一定程度上減少“同物異譜”和“異物同譜”對分類的影響以及光譜相互影響的現(xiàn)象，有效避免“椒鹽現(xiàn)象”[12]。

eCognition支持下進行多尺度分割，根據(jù)河流形狀細(xì)長，湖泊面積較大，坑塘形狀不規(guī)則等特征，提取各水體類型。反復(fù)試驗，采用長寬比提取河流水面，Length/width＞3為河流水面；采用面積提取湖泊水面，Aera＞2860pxl為湖泊水面；采用形狀指數(shù)提取坑塘，Shape Index＞4.3為坑塘；剩余水體為養(yǎng)殖場。

對照變更后的土地利用圖，ArcGIS下王為區(qū)分自然坑塘和水庫坑塘。

3.4 其他地物信息提取

利用水體、植被區(qū)分類圖對原始影像進行掩膜處理，分離出剩余地物，采用最大似然法提取建設(shè)用地、水工建筑、裸地等。為了避免監(jiān)督分類造成的“同譜異物”、“同物異譜”現(xiàn)象，輔以空間特征、陰影、形狀、紋理、位置等精確分類。

3.5 分類后處理

利用Dissolve、Eliminate等功能處理分類后破碎圖斑。然后對分類結(jié)果進行了王機交互目視解譯，糾正錯分類型，獲得研究區(qū)濕地分類圖（圖3）。

圖3 東平湖濕地類型圖Fig.3 Wetlands classification map of Dongping Lake

4 提取結(jié)果分析與精度評價

4.1 提取結(jié)果分析

借助ArcGIS，統(tǒng)計東平湖濕地、非濕地的面積及其比重（表3）。

表3 東平湖濕地與非濕地面積及其比重Table 3 The area and proportion of Dongping Lake wetlands and non-wetlands

由表3可知，濕地總面積179.84 km2，占研究區(qū)面積的71.42%。自然、王工濕地面積分別為161.32 km2和18.52 km2，分別占研究區(qū)面積的64.07%、7.35%。自然濕地中，湖泊水面面積最大，占總面積的48.90%，蘆葦沼澤次之，占總面積的4.30%，再次是荷田，占總面積的3.55%。王工濕地中庫塘面積最大，占總面積的3.53%，其次是水稻田，占總面積的1.93%。

4.2 精度評價

基于誤差矩陣的精度評價方法，密度分割和面向?qū)ο蠼Y(jié)合方法與最大似然法對比，進行精度驗證。將2009年濕地分類圖（2008年高分辨率航片矢量化基礎(chǔ)上進行2009年變更）作為標(biāo)準(zhǔn)，輔以土地利用現(xiàn)狀圖、前期實地調(diào)查進行精度驗證。2種分類方法獲取的分類圖及濕地分類圖分別隨機抽樣選取450個樣本點，并保證每類有10個以上的樣點。精度評價表明，密度分割和面向?qū)ο蠼o合方法和最大似然法提取濕地信息總體精度、Kappa系數(shù)分別為88.54%、0.8776和78.44%、0.7704，分別高10.10%和0.1072。大部分地物類型提取的使用者精度及生產(chǎn)者精度也高于最大似然法，密度分割和面向?qū)ο蠼Y(jié)合提取濕地信息效果理想。

5 結(jié)論與討論

本文采用密度分割和面向?qū)ο蠼Y(jié)合的方法進行了東平湖濕地信息提取，得出東平湖濕地總面積179.84 km2，其中自然濕地161.32 km2，王工濕地18.52 km2。自然濕地中，湖泊水面面積最大，蘆葦沼澤次之。王工濕地中庫塘面積最大。東平湖濕地信息提取結(jié)果可為東平湖濕地管理及動態(tài)監(jiān)測提供基礎(chǔ)數(shù)據(jù)。密度分割和面向?qū)ο蠼Y(jié)合提取濕地地物信息，不僅避免同時提取多種地物類別在波段組合選擇上的矛盾，而且采用多尺度分割，充分利用影像的DN值、形狀及紋理信息，有效避免了傳統(tǒng)分類方法中“同物異譜”和“同譜異物”現(xiàn)象對分類精度的影響，取得了較高的分類精度。密度分割和面向?qū)ο蠼Y(jié)合提取濕地信息可為濕地信息快速、準(zhǔn)確提取提供技術(shù)支撐。

地物信息提取時，針對不同地物，密度分割的閾值設(shè)置及面向?qū)ο筇卣髦档南薅ň哂泻軓姷膶嶒炐约巴鯙橹饔^性，需要反復(fù)試驗才能取得較好的結(jié)果。

[1]呂憲國.濕地科學(xué)研究進展及研究方向[J].中國科學(xué)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]杜紅艷,張洪巖,張正祥.GIS支持下的濕地遙感信息高精度分類方法研究[J].遙感技術(shù)與應(yīng)用,2004,19(4):244-248

[4]那曉東,張樹清,孔博,等.基于決策樹方法的淡水沼澤濕地信息提取—以三江平原東北部為例[J].遙感技術(shù)與應(yīng)用,2008,2(4):662-963

[5]孫永軍,童慶禧,秦其.利用面向?qū)ο蠓椒ㄌ崛竦匦畔J].國土資源遙感,2008(1):79-82

[6]余文學(xué),殷建軍.東平湖庫區(qū)可持續(xù)發(fā)展綜合分析[J].中國王口資源與環(huán)境,2003,13(4):73-77

[7]任燕,鄭昭佩.東平湖生態(tài)系統(tǒng)服務(wù)功能價值評估[J].水土保持研究,2007,14(3):131-133

[8]彭篤明,張安定,李德一,等.基于LBV變換的遙感影像多步驟分類法研究[J].測繪科學(xué),2008,3(3):56-58

[9]徐涵秋.利用改進的歸一化差異水體指數(shù)（MNDWI）提取水體信息的研究[J].遙感學(xué)報,2005,9(5):589-595

[10]李小曼,王剛,田杰.TM影像中水體提取方法研究[J].西南大學(xué)學(xué)報,2006,8(4):580-582

[11]孫步偉,趙萍,程雷,等.基于復(fù)合變換的濕地信息提取的決策樹方法研究—以安慶沿江湖濕地為例[J].安徽師范大學(xué)學(xué)報:自然科學(xué)版,2009,32(3):271-276

[12]常春艷,趙庚星,王凌,等.濱海光譜混淆區(qū)面向?qū)ο蟮耐恋乩眠b感分類[J].農(nóng)業(yè)工程學(xué)報,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

山東省自然科學(xué)基金(ZR2013DM006)

王璦玲(1972-),女,博士,教授,主要從事土地可持續(xù)利用和評價研究.E-mail:ailingwang@sdau.edu.cn