基于K-means聚類分析處理遙感影像的河湖“四亂”因素識別

摘要：2018年水利部部署開展河湖“清四亂”專項行動，為提高河湖亂占、亂采、亂堆、亂建（“四亂”）問題的識別效率，應用K-means聚類分析方法對衛星遙感影像進行檢測，分析了2020～2022年上海市26條（總長649 km）河道與淀山湖、元蕩湖兩個湖泊的“四亂”問題。結果表明：2020～2022年，28個河湖河口線外延6 m 范圍內有274處變化，其中疑似“四亂”問題82處。相比同期人工巡查，基于K-means聚類分析的遙感影像因素識別技術在識別河湖“四亂”中具有巡查效率高、巡查范圍廣、巡查成本低等優勢。研究成果可以為下階段河湖治理和保護監管以及信息化建設提供參考。

關鍵詞：河湖 “清四亂”；K-means聚類分析；遙感影像；上海市

中圖法分類號：P237 文獻標志碼：A DOI：10.15974/j.cnki.slsdkb.2024.02.003

文章編號：1006-0081（2024）02-0019-05

0 引 言

2018年水利部在全國范圍內對亂占、亂采、亂堆、亂建（簡稱“四亂”）等河湖管理保護突出問題開展“清四亂”專項清理整治行動。人工巡查一直是發現河湖問題的主要手段，賀霄霞等提出因地制宜設立巡河員崗位，加強河湖管護崗位供給。上海市從2012年就開始探索人工巡河，并逐步創建了一整套行之有效的“發現、立案、派遣、處理、結案”五大環節處置流程，至2020年底基本實現河湖巡查網格化、養護信息化、監管精細化的管理要求。近年來，上海市也開始研究無人機、無人艇、衛星遙感等技術在巡河中的應用。其中，衛星遙感具有視點高、視域廣、數據采集快和重復連續觀察等特點，并可利用歷史和實時遙感圖像對比，進行網格化巡查。張曦等提出基于遙感的水域岸線目標變化檢測方法，利用衛星遙感協助水域岸線管護。王寶海等提出衛星遙感調查比傳統的調查方法具有較大優勢。鄭瑤瑤等總結了衛星遙感和人工巡查的優勢和局限，提出結合衛星遙感、無人機、無人船、視頻監控等技術的特點，構建空天地一體化的河道監管方案。在“清四亂”工作開展過程中，上海市的河湖管理部門進一步加強行業監管巡查，同時委派專業巡查隊伍對全市河湖開展“四亂”人工巡查，考慮到傳統的人工巡查受限于路網、交通工具以及河道兩岸貫通情況等，大多數情況只能在橋上查看，全線巡查難度較大，耗費的人力物力也較多。因此，在人工巡查“四亂”問題的同時，需積極研究無人機、無人艇、衛星遙感等技術在河湖“四亂”問題中的應用，以期探索出更為高效、全面、經濟的河湖監管手段，加大河湖管理保護監管力度，全面推進河湖長制實施。

本文在此背景下，以上海市28條（個）主要河湖為例，重點研究了基于K-means聚類分析的衛星遙感影像因素識別技術在河湖巡查中的應用，例如提取主要河湖“四亂”問題位置、類型、嚴重程度等，以此助推河湖“清四亂”專項行動開展。

1 研究區域概況

上海市位于長江三角洲東緣，東臨東海，北靠長江，南倚杭州灣，處于太湖流域和長江流域下游，區域內河網密布、水量充沛。據2022年資料統計，上海市共有河湖46 822條（個），屬于典型的平原感潮河網地區，其中市、區管河湖568條（個），承擔了上海市主要的防汛除澇功能。由于上海市城市化進程較快，沿河建筑密集、人口集中，加上中小河湖面廣量大，“四亂”問題時有發生。本文研究對象為市管河湖中的26條河道，以及淀山湖、元蕩湖兩個湖泊，如表1所示。

2 數據來源與研究方法

2.1 遙感影像數據源及其處理

2.1.1 數據來源

用于河湖“四亂”問題因素識別的衛星遙感影像數據需覆蓋主要河湖管理范圍內全部區域，遙感影像的云量一般不超過10%，相鄰影像之間重疊度不小于4%，因此河湖“四亂”問題因素識別宜選取覆蓋主要河湖管理范圍的多時相高分辨率衛星影像。本文選取的是吉林一號衛星影像，星下點地面像元分辨率為0.5 m（全色）/3 m（多光譜），軌道高度481.56 km。

2.1.2 影像預處理方法

用于“四亂”問題因素識別的衛星遙感影像需進行預處理，主要包括輻射定標、大氣校正、幾何校正以及影像融合等。

（1）輻射定標。衛星傳感器獲取的原始數據記錄是地物的灰度值，值的大小受衛星傳感器、地物和大氣等各種因素的影響。利用ENVI進行輻射定標，將原始影像的灰度值轉換為表觀反射率，以消除衛星傳感器本身的誤差。

（2）大氣校正。利用ENVI中FLAASH工具進行大氣校正，消除大氣的散射、吸收和反射引起的誤差，得到地物真實反射率數值。

（3）幾何校正。利用ENVI中幾何校正模塊，加載DEM影像、基準影像和待配準影像，根據基準影像對待配準影像進行校正，消除各種因素導致的變形。

（4）影像融合。多光譜影像具有光譜信息豐富、空間分辨率低等特點；而全色影像具有空間分辨率高、光譜分辨率低的特點。為了充分利用多光譜和全色影像的優勢和不同特征，本文采用Pansharp融合方法對多光譜和全色影像進行融合，保留了原始的光譜特征，提高了遙感影像分辨率，因此可獲得較清晰的影像數據用于主要河湖“四亂”問題因素識別。

盧智靈 基于K-means聚類分析處理遙感影像的河湖“四亂”因素識別2.2 K-means聚類分析

2.2.1 K-means聚類分析算法思想

聚類分析作為有效的大數據分析工具，被廣泛應用于經濟、生物、人工智能等領域。K-means分析方法是聚類分析方法的一種，是一種循環迭代求解的算法，其目的是找到樣本數據潛在的類別，主要特點是簡單、快速且容易理解。

在衛星遙感影像因素識別時，需在光譜空間對像元進行分組，因此采用K-means聚類分析方法識別出一組在某些方面彼此相似的像元，使得特定類別的像元具有相似的光譜，完成整個聚類過程。

K-means聚類分析方法詳細的算法流程如下：

（1）確定聚類數C。預估研究范圍內影像數據集中可能的地物類別數目，記為C，并將C作為影像中像元將要被分組的聚類數。

（2）進行初始化。在多維波段亮度值空間中選擇C個點作為候選聚類中心，將這些點標記為m，c=1，2，3，…，C。在計算過程中，m的選擇是任意的，但不能重疊。為了避免生成帶有不正常影像數據集的聚類，一般初始聚類中心需要均勻分布在整個數據集中，有助于增強收斂性。

（3）計算與C個聚類中心的距離。一般使用歐氏距離，計算光譜區域內像元與初始聚類中心的距離，將每個像元向量x指定到與其距離最近的均值的候選類中。

（4）得到新的聚類中心。從第三步得到的分組中計算一個新的聚類均值集合，新的聚類中心是上一聚類類別內像元值的均值。記為m，c=1，2，3，…，C。

（5）循環迭代至結束。若對于全部c有m=m，則迭代處理停止，否則將m設為當前值，繼續迭代下去，直到沒有像元在聚類中心之間移動為止。

因此，K-means 聚類分析首先需要指定數目的對象，每個對象代表一個聚類中心，對于其余的每個像元，根據該像元與各聚類中心的距離，把它分配到與之最相似的聚類中，并重新計算聚類內的像元均值作為新的聚類中心。整個過程根據需要執行n次，直到最后沒有像元在各類之間移動為止。

隨著迭代進行，誤差平方和SSE度量值將逐漸減小，因此聚類分析過程就是一種類間方差增大、類內方差減小的過程。

2.2.2 K-means聚類分析變化檢測算法

K-means聚類分析變化檢測一般有以下5個階段：

（1）前后時相影像數據預處理。

（2）K-means聚類分析。對前后時相影像數據分別進行K-means聚類分析。

（3）聚類波段排序。對聚類分析結果按照類別進行排序賦值，具體賦值可以依據影像場景，人為確定各個類別的賦值大小。

（4）聚類差值運算。對排序賦值后的聚類波段進行差值運算，并對結果做0～255線性拉伸的影像增強操作。

（5）閾值分割。對差值運算后的波段設定合適的閾值進行影像分割，提取變化目標。

3 結果分析

3.1 “四亂”問題影像處理

以2019年8月的衛星影像數據為初始狀態，分別使用了2020年8月、2021年9月和2022年8月的高分辨率衛星影像數據進行對比分析，包括0.5 m分辨率全色波段數據和3 m分辨率多光譜數據。

獲取影像數據后，首先進行了包含輻射定標、大氣校正、幾何校正、影像融合以及鑲嵌和裁剪的預處理，完成了全色波段數據和多光譜數據的融合，形成了覆蓋28條（個）主要河湖管理范圍的遙感成果數據。

3.2 “四亂”要素的聚類分析

選取試驗區域，利用ENVI聚類分析變化檢測方法，對兩時相影像進行K-means聚類分析，然后根據聚類分析結果進行波段排序賦值，最終對賦值波段進行差值運算獲取變化檢測強度圖。

基于ENVI中K-means工具進行影像聚類分析，主要是地物類別數和最大迭代次數的選擇，具體步驟：

（1）根據影像中地物類別進行分類類別數選擇，本文中C設為5；

（2）Maximum Iterations為最大迭代次數，次數越高，精度越高，本文中迭代次數設為10；

（3）設置輸出路徑，輸出結果。

對兩幅影像進行聚類分析，結果分為5類，從圖1中可看出各類地物的分類結果。

利用ENVI中bandmath工具對聚類類別進行波段賦值，class 1賦值為0，class 2賦值為75，class 3賦值為100，class 4賦值為170，class 5賦值為255，結果如圖2所示。

對聚類類別排序賦值后，利用ENVI中bandmath對兩幅影像進行差值運算，得到變化檢測強度圖，圖3中較亮區域為變化區域。

3.3 關鍵要素識別與準確率分析

從圖4中可以看出，若同一區域前后期地物類別不同，K-means聚類分析算法會通過差值計算檢測到這一區域變化情況，差值結果較亮區域為變化強度大的區域，結果越暗區域變化越小。

對聚類分析變化檢測強度圖進行面積統計分析，錯分的像素面積占總面積的比例約為25%，基于K-means算法的變化檢測精度可達到75%。因此，一般利用K-means算法分類完成后，需結合人工目視解譯，對結果進行檢驗和分類，最終得出構筑物具體類別結果，確保檢測結果科學合理。

3.4 “四亂”要素的聚類分析成果

利用K-means聚類分析處理2019～2022年的衛星遙感影像，2020～2022年共計發現河口線外延30 m 范圍內有1 379處變化，其中6 m范圍內有274處變化，疑似“四亂”問題82處（圖4～5）。

完成疑似“四亂”問題因素識別后，對每一個疑似問題編制檔案資料，要素需包含河道名稱、所屬行政區域、“四亂”類型、問題所在位置（經度、緯度）、涉及面積（m）等。完成建檔后，每個疑似問題還需進行人工巡查，并復核，最后形成一區一報告、一河一報告的河湖“四亂”問題報告。

4 討 論

基于K-means聚類分析的衛星遙感影像變化檢測方法與傳統的人工沿河巡查相比，優勢比較明顯，主要集中在以下幾方面：

（1）巡查效率更高。傳統的人工巡查，2人一組，1 d可以巡查15～20 km，巡查完649 km河道和兩個湖泊，預計周期為25～30 d。而通過衛星遙感技術，能夠在短時間內獲取較大區域的影像數據，大幅縮短了影像數據收集的時間。獲得影像數據后，內業人員通過計算和解譯，得到疑似問題點位，通過人工現場復核、拍攝近景照片和視頻，再出具問題點位報告，總周期10 d左右。

（2）巡查范圍更全面。雖然2017年底，黃浦江45 km岸線公共空間已實現全面貫通，但上海市眾多中小河道因歷史問題，兩岸岸線被企事業單位、居民小區，甚至是涉密的軍工單位占據，暫時無法貫通，而城區的河道，受城市路網影響，河道可達性較差，農村的河道、房屋低矮，沿河大多為農田，沒有道路，人工巡查大多數情況只能在橋上查看，全線巡查難度較大。衛星遙感只要分辨率達到要求，影像的云量不超過10%就可以進行因素識別，不受道路、沿河建筑等影響。由此可見，衛星遙感“四亂”因素識別技術比傳統人工巡查覆蓋面能更加全面、無遺漏。

（3）巡查成本更低。傳統的人工巡查直接成本除了人工和設備折舊，還有占比較大的交通成本及交通風險，衛星遙感直接成本除了人工和設備折舊，交通成本占比較小，但衛片的購買成本占比較高。從2020～2022年的巡查成本分析，扣除衛片成本的衛星遙感技術較傳統的人工巡查更為經濟，且占比最大的是人工成本，隨著技術發展更加成熟，人工成本尚有降低的空間；而人工巡查成本占比較大的是車輛折舊、油（電）費、過路費以及人工，且下降空間不大。隨著衛星遙感技術的普及，免費或者獲取成本較低的衛片資源越來越多，衛星遙感“四亂”因素識別技術的巡查成本經濟性也將更加明顯。

衛星遙感影像變化檢測方法與傳統的人工沿河巡查相比，劣勢主要是樹木、橋梁等遮蓋物下方存在視野盲區，因此采用衛星遙感影像變化檢測方法巡查河道，需對視野盲區輔以人工巡查，實現對河道全覆蓋巡查。同時，衛星遙感影像變化檢測應進一步研究不同類型河湖管理養護問題圖斑的分類解譯和輸出，如新增搭建棚架、建設橋梁、碼頭等，亂堆垃圾，新增河湖岸線占用等，更精準地對河湖實施“四亂”等問題的監管。

5 結 論

本文應用K-means聚類分析方法，對上海市管河湖中的26條河道，以及淀山湖、元蕩湖兩個湖泊衛星遙感影像進行檢測，并對主要河湖6 m范圍內的變化以及疑似“四亂”問題進行調查和統計分析，證明了基于K-means聚類分析的遙感影像因素識別技術對河湖管理范圍內的變化監管具有明顯優勢。在此基礎上，適當輔以人工巡查，對河湖管理、巡查、養護等日常管養工作有很大的幫助，可為下階段河湖治理和保護信息化建設提供經驗，逐步實現河長制、湖長制“有名”“有實”，并向“有能”轉變。

參考文獻：

［1］ 盧智靈，謝翠松，陳嘉胤.上海市河湖名稱現狀分析及命名規范化方法［J］.人民長江，2021，52（增2）：33-36.

［2］ 水利部.關于開展全國河湖“清四亂”專項行動的通知［Z］.北京：水利部，2018.

［3］ 賀霄霞，陳健，李夢婭.河湖管護公益性崗位設置現狀問題及對策［J］.水利水電快報，2021，42（7）：64-67.

［4］ 李穎.無人機和衛星遙感技術在長江河道監測中的應用［J］.江淮水利科技，2022（3）：13-16.

［5］ 張曦，王春林，黃祚繼，等.面向對象多特征融合的水域岸線目標變化檢測［J］.水利信息化，2020（1）：44-49.

［6］ 王寶海，王翠琴，魯林法.談談衛星遙感調查［J］.萊陽農學院學報（社會科學版），2002（2）：81-84.

［7］ 鄭瑤瑤，周斌，林嘉怡，等.空天地協同的城市河道遙感監測研究［J］.浙江水利科技，2021（3）：76-82.

［8］ 李慶，蔡育，陳茹.河長制下的“一河一策”實施對策研究——以上海市骨干河道為例［J］.水利水電快報，2023，44（7）：33-38，55.

［9］ 吳軍超.多特征融合的光學影像圍填海變化檢測與地物識別［D］.焦作：河南理工大學，2016.

［10］ 季永興，黃民生，魏梓興，等.上海市多自然型河流整治實踐與探索［J］.長江流域資源與環境，2008（2）：264-267.

［11］ 上海市水務局.2022上海市河道（湖泊）報告［R］.上海：上海市水務局，2022.

［12］ 戚曉明，楊蘭，白夏，等.基于遙感數據的洪澤湖庫容曲線推求［J］.水利水電科技進展，2017，37（3）：77-83.

［13］ 李珍，刁鋼，趙慧峰.基于大數據分析的學生學業分類管理體系——河北農業大學商學院新生入學成績的K-mean 聚類分析［J］.河北農業大學學報（農林教育版），2018，20（5）：97-99.

［14］ 王建仁，馬鑫，段剛龍.改進的K-means聚類K值選擇算法［J］.計算機工程與應用，2019，55（8）：27-33.

（編輯：江 文）

Identification of "four illegal actions" on rivers and lakes based on K-means

cluster analysis for processing remote sensing imagesLU Zhiling

（Shanghai City Water Conservancy Management Department，Shanghai 200002，China）

Abstract：? In 2018，the Ministry of Water Resources proposed the special action to clear the "four illegal actions" in rivers and lakes. In order to improve the efficiency of identifying factors related to illegal occupation，mining，stacking，and construction on rivers and lakes，K-means clustering analysis method was applied to detect satellite remote sensing images. The "four illegal actions" problem of 26 rivers with a total length of 649 km and two rivers of Dianshan Lake and Yuandang Lake in Shanghai from 2020 to 2022 were analyzed. The results showed that from 2020 to 2022，there were 274 changes within 6 m of 28 rivers and lakes，including 82 suspected "four illegal actions" problems. Compared with manual inspections during the same period，remote sensing image factor recognition technology based on K-means clustering analysis had advantages such as high inspection efficiency，wide inspection scope，and low inspection cost in identifying the "four illegal actions" problems in rivers and lakes. The research results can provide a reference for the next stage of rivers and lakes management，protection and supervision，as well as information construction．

Key words： "four illegal actions" on rivers and lakes；K-means clustering analysis；remote sensing image；Shanghai City