基于高分辨率遥感影像的地理国情普查水体信息提取方法

2014-08-15刘若梅

测绘通报 2014年4期

关键词：值域高分辨率波段

程滔，刘若梅，周旭

(国家基础地理信息中心，北京 100830)

一、引言

地表覆盖信息提取是地理国情普查项目的重点内容，水体是地表覆盖的重要组成部分，是重要的地理国情信息。掌握我国水体现状及空间分布情况，能够为经济社会发展和生态文明建设科学决策提供有力的数据依据。

常规水体信息自动提取方法主要利用归一化差异水体指数(NDWI)算法，该算法是通过寻找水体的最强反射波段和最弱反射波段，将强者置于分子，弱者置于分母，从而达到增强水体对象，抑制背景地物，实现水体信息提取的目的。

地理国情普查项目中，为了掌握全面、客观、准确、高精度的地理国情信息，使用的数据源均为高分辨率遥感影像，并且大部分为WorldView2的4波段(蓝色波段：450～510 nm，绿色波段：510～580 nm，红色波段：630～690 nm，近红外波段：770～895 nm，分别用B、G、R、N表示)影像。

NDWI算法在基于中、低分辨率遥感影像水体信息提取中具有非常好的适用性，但在高分辨率遥感影像中，由于不同地表覆盖类型间的特征差异表现得更加细微，并且高层房屋建筑、桥梁、山体等的阴影现象较普遍，提取出的水体信息中常常混入阴影等干扰信息。同时，影像分辨率越高，同类地物内部光谱差异越大，基于像元光谱统计的分类技术已经不能满足高分辨率遥感影像信息提取的要求。

因此，本文研究基于高分辨率遥感影像的、面向对象的水体信息提取方法。首先获取试验区影像，分析水体在影像中的波段特性，设计NDWI算法的模型；然后通过水体各类特征，挖掘用于水体信息提取的典型特征，包括蓝波段的比率值(ratio layer B)、标准方差值(standard deviation layer B)指标，构建水体信息提取指数，提取水体信息，并在此过程中，利用归一化植被指数(NDVI)等模型去除阴影；最后，选取方法验证区，利用提出的方法对区域内水体信息进行提取，验证方法的适用性和稳健性。

二、水体信息提取模型构建

1. 水体特征分析与挖掘

水体对太阳光的入射能量具有强吸收性，因此在大部分遥感传感器的波长范围内，总体上呈现较弱的反射率，并随着波长的增加而进一步减弱。图1为水体在16 bit WorldView2 4波段影像波谱上的特征曲线。

可以看出，水体在绿波段、近红外波段上，分别表现出了强反射、强吸收特征；在蓝波段上也表现出较强反射特性。前者通常用来构建NDWI指数，而对于后者，目前用来进行水体信息提取的研究与应用较少，不过这一特征是本文研究的重点。

图1 水体在WorldView2影像波谱上的特征曲线

这些特征是水体的典型特征，另外，在大部分遥感影像上，水体的纹理一般比较均匀、平滑；水体形状不一，但与周边地表覆盖物光谱差异较大，在高分辨率遥感影像上，通过目视判读，较易区分与识别；并且，水体在一定的区域范围内，高程趋于平稳，起伏比较平缓。在本文的研究中，上述特征都将作为水体信息提取的指标参数。

2. 水体特征规则构建

水体特征规则的构建首先还是NDWI指数，根据水体在WorldView2影像上的第一项特征，构建归一化差异水体指数公式为：NDWI=(G-N)/(G+N)。式中，G参数为像元的绿波段亮度值；N参数为像元的近红外波段亮度值。依据NDWI指数创建的规则是水体信息提取的主要规则。

仅利用NDWI指数提取的水体信息中，通常会混入很多其他地表覆盖信息。因此，还应利用水体在WorldView2影像上的第二项特征，构建蓝波段的比率值(ratio layer B)、标准方差值(standard deviation layer B)两项指标，作为水体信息提取的规则。

影像通道的比率值反映了通道对总亮度值的贡献度。蓝波段的比率值公式为：ratio layer B =MB/(MB+MG+MR+MN)。式中，MB、MG、MR、MN参数分别为对象内各像元的蓝、绿、红、近红外波段亮度值的平均值。

由于地形起伏的影响，地物的光谱反射特性产生变化，并且不同地表覆盖的地域往往受海拔高度或坡度、坡向的制约，将高程信息作为辅助信息参与信息提取将有利于提高分类的精度。因此，加入DEM辅助信息，在一定的阈值范围内能够减少其他类别与水体的混合概率。

三、实例与分析

选取北京市门头沟部分地区(116.05°E～116.15°E，39.91°N～39.98°N，面积64 km2)作为试验区，对该方法进行试验。

研究该方法的目的是为地理国情普查项目提供可靠方法参考，因此，选取了另外一个地区，对方法的稳健性进行了验证。该地区位于西藏北部(89.63°E—89.85°E，34.31°N—34.49°N，面积80 km2)。

1. 方法试验

北京市门头沟地区位于北京市正西偏南，兼具城区与山区两种地形，高程范围为68～735 m，具有水体、植被、建筑物、道路等典型地表覆盖类型，且分布比较均匀。

实例使用的数据源为WorldView2 4波段遥感影像，如图2(a)所示，影像获取时间为2011年11月20日。同时，收集了该地区30 m分辨率的DEM数据，作为辅助信息。

面向对象信息提取的核心是精确的影像分割。在影像分割中，采用的分割尺度为80，形状因子为0.3，紧致度因子为0.5，影像分割结果如图2(b)所示。

图2 原始影像与分割结果

获取影像分割对象后，即可根据水体对象的特征，挖掘水体对象的多维特征空间，构建规则集，进行水体信息提取。

根据本文研究的方法，主要构建NDWI指数、蓝波段比率值、蓝波段标准方差值指标。为了有效去除阴影，构建了NDVI指数指标，并且引入了DEM辅助信息。

选取水体对象样本，与试验区内其他地表覆盖对象进行对比，获取各类地表覆盖对象及水体对象的NDWI指数、蓝波段比率值、蓝波段标准方差值的值域范围，以及NDVI指数、对象高程平均值(mean layer DEM)指标的值域范围，见表1。

表1 指标值域范围

根据指标值域范围，设置合理的阈值，对水体对象进行提取，算法流程如图3所示。

图3 算法流程

水体信息提取结果如图4所示。

从结果可以看出：①利用该方法，自动提取出水体对象，归入了水体类，去除了大量阴影信息；②虽然对阴影进行了去除，但提取出的结果中仍然混有一些阴影对象，这是因为在高分辨率遥感影像中，阴影对象与水体对象的各项指标的值域都很接近，存在值域交叉现象；③自动提取阶段兼顾了精度与效率，结果能够满足后续流程的需要。

2. 方法稳健性验证

地理国情普查项目是国家重大专项项目，因此，对信息提取的结果精度有更高的要求，对各地表覆盖类型信息的提取，在计算机自动分类后，人工判读与编辑工作是必不可少的。本文研究的目的是通过试验最大限度地实现水体信息自动提取，尽可能减少后期人工判读与编辑工作量，总结出尽可能最优、最明确的技术方法和流程。

因此，本文没有采用常规的精度评定方法对该方法进行评定，而是通过选取另外一块试验区，对该方法的稳健性进行进一步验证。选取西藏北部地区的一处高山地作为方法稳健性的验证区域，该区域高程在5083～5401 m之间，主要分布着大面积的裸露地表、复杂的辫状水体和少量的植被。水体呈交错分布状，水体密集，大部分水流宽度较窄，但达到地理国情普查规定的采集指标，若采用人机交互的方式，工作量极大。在西藏、新疆地区，这种形态的水体较常见、分布较多，该验证区具有很强的代表性。

使用的数据源仍然为WorldView2 4波段遥感影像，如图5(a)所示，影像获取时间为2011年8月26日。在影像分割中，采用的分割尺度为100，形状因子为0.5，紧致度因子为0.5，影像分割结果如图5(b)所示。

图5 原始影像与分割结果

根据水体对象样本与验证区内其他地表覆盖对象的对比结果，得出验证区内各类地表覆盖对象及水体对象的NDWI指数、蓝波段比率值、蓝波段标准方差值等指标的值域范围，见表2。

表2 指标值域范围

根据指标值域范围，设置合理的阈值，对水体对象进行提取，提取结果如图6所示。

图6 水体信息提取结果

从结果可以看出：①完成了水体信息的自动提取，提取出了水体对象，归入了水体类，提取结果的质量较好；②验证区虽然海拔高程较高，但起伏较小，阴影影响不严重，因此提取的水体信息基本没有受到阴影的干扰，如果其他区域内阴影干扰较严重，则仍然可加入NDVI、mean layer DEM指标参数进行去除；③自动提取的水体信息兼顾了精度与效率，结果能够满足后续流程的需要。