面向地理國情監測的地表覆蓋信息提取方法

程 滔，周 旭，劉若梅

（國家基礎地理信息中心，北京 100830）

一、引 言

地表覆蓋信息獲取是地理國情監測的首要任務，也是地理國情監測的基礎。通過一定的技術手段和方法，獲取到包括植被、水域、荒漠與裸露地、冰川與常年積雪、人工表面等的范圍、面積及其空間分布現狀等地表覆蓋信息，可為地理國情指標信息的統計與發布提供重要依據。

目前，國際上已發布了5套全球地表覆蓋數據產品，國內也開展了全球地表覆蓋項目，多個行業也根據自身行業需求開展過地表覆蓋方面的研究。然而，全球地表覆蓋尺度很大，為了滿足全球變化研究與地球模式模擬的需求，使用的影像空間分辨率相對較低；行業地表覆蓋分類體系也是為滿足本行業需求制定的。地理國情監測地表覆蓋分類體系是從監測全國范圍內地理要素變化發展的角度出發，綜合考慮多個行業應用的需求，參考現有的國家技術標準、行業技術規范，以及國內外已公布的、應用較廣泛的地表覆蓋分類體系而制定的，將采用中、高分辨率遙感影像進行信息提取。

基于遙感影像的地表覆蓋信息獲取方法很多，包括計算機自動分類、專題數據輔助自動分類、人工解譯、外業調查等。其中，計算機自動分類效率最高，然而，大部分成功案例均是面向專題要素信息的提取或基于小范圍的信息提取研究，其尚無法滿足地理國情監測工程項目大范圍、綜合要素信息提取的需求。本文在技術分析的基礎上，提出了一種在工程化應用中可行的地表覆蓋信息提取方法，可為地理國情監測的地表覆蓋信息提取提供參考。

二、信息提取方法

地理國情監測項目中，根據一定的原則和方法，初步確定了地表覆蓋內容體系方案，包括耕地、園地、林地、草地、人工表面、裸露地表、水體、冰雪8個一級類，以及若干二級類和三級類3個層級的類別。

不同的信息提取方法，提取效率不同，精度差異較大。地表覆蓋信息提取的原則是盡可能基于遙感影像自動分類，最大限度地使用計算機自動處理，在不能滿足精度要求的情況下，采取輔助手段，兼顧效率與精度，提取出地表覆蓋內容體系中各級地表覆蓋信息。

計算機自動分類是通過遙感影像內業處理，利用對象的光譜特征、形狀特征、紋理特征等，建立適應的提取規則，自動提取出各級地表覆蓋類別信息。具體技術方法如下:

1）遙感影像預處理。對遙感影像進行影像合成、影像融合、正射糾正等處理，為后續處理建立良好的基礎。

2）要素基本特征獲取。獲取地表覆蓋要素在遙感影像中的基本特征，包括光譜、紋理、形狀、空間位置等，分析各類特征在信息提取中的功能。

3）要素指數信息構建。根據各類地表覆蓋要素的基本特征，構建相應的指數指標（如NDVI、NDWI等），作為信息提取的判定依據。

4）要素輔助信息嵌入。輔助信息（如DEM、DSM等）參與自動分類，對提高分類精度有很重要的意義，能夠減少地物要素的混合概率。

5）樣本選取。針對不同類型的地物，依據地物要素的特征信息，采集一定數量的樣本作為自動分類的標志。

6）信息提取。利用地物要素的基本特征、指數信息等，加入輔助信息進行決策，采用監督分類、決策樹分類、面向對象分類等方法對地表覆蓋要素進行信息提取。

7）結果評價與分析。采集一定數量的檢驗樣本，對地表覆蓋信息提取結果進行評價與分析，結合人工解譯與編輯，最終得到精度滿足需求的分類結果。

三、關鍵技術分析

1.對數據源的要求

隨著信息技術和衛星傳感器技術的飛速發展，衛星遙感影像的種類不斷增多，為地理國情監測地表覆蓋信息提取提供了豐富的遙感數據源。因此，針對不同級別的分類類別，可采用不同的空間分辨率與光譜分辨率的影像。一級類地物信息的提取，適宜使用分辨率優于10 m的多光譜影像；二級類地物信息的提取，適宜使用分辨率優于5 m的多光譜影像；三級類地物信息的提取，適宜使用分辨率優于1 m的多光譜影像。遙感影像的光譜分辨率越高，越有利于提高分類的精度，因此，應盡量采用光譜分辨率高的遙感影像。

2.地物要素特征分析

地物要素的特征有很多，對特征進行深入分析，獲取提取地物類別的最佳特征組合，是自動分類的一項重要任務。光譜特征是目前計算機自動分類方法利用的主要特征，它是紋理特征、形狀特征的基礎，也是遙感影像最直接的信息源。紋理作為一種區域特征，是對影像各像元之間空間分布的一種描述，反映了一個區域內像素灰度級的空間分布屬性。與其他影像特征相比，紋理能更好地兼顧影像宏觀性質與細微結構兩個方面，因此，它是目標識別的重要特征。形狀是地物在影像上的外形與輪廓，是識別地物性質重要而且明顯的標志。對于河流、道路等線性地物和建筑物、農田等具有相對規則形狀的單位的表達與描述，形狀特征一般能取得較好的效果。

通過特征分析，直接建立判定規則，或通過構建指數指標建立判定規則，是目前自動分類的主要手段。地理國情監測主要基于中、高分辨率遙感影像，需要充分利用地物要素的多種特征，通過對要素特征進行充分分析與挖掘，才能夠為信息提取規則的建立提供必要的條件。

3.信息提取規則的構建

信息提取的關鍵之一是針對不同類型的地物要素，構建適用的提取規則。良好的信息提取規則在計算機自動分類中將發揮良好的性能。如對植被、水系信息的提取，應用較多的算法主要為歸一化植被指數（NDVI）和歸一化水體指數（NDWI），它們都是利用比值運算創建的。比值型指數創建的基本原理是在多光譜波段內，尋找研究對象的最強反射波段和最弱反射波段，將強者置于分子，弱者置于分母，從而增強研究對象，抑制背景地物。

地形起伏因素的影響會使地物的光譜反射特性產生變化，并且不同地物的生長地域往往受海拔高度或坡度、坡向的制約，所以將高程信息作為輔助信息參與分類將有利于提高分類精度。在條件允許的情況下，可加入DEM、DSM等輔助信息，參與規則的建立。

從目前的研究現狀來看，隨著影像空間分辨率的提高，不同地物間的特征差異表現得更加細微，這給信息提取規則的構建帶來了一定的難度，計算機自動分類的單一地物類別中總會混合其他地物類別。因此，計算機自動分類要想獲得滿意的分類精度，必須建立詳盡的信息提取規則，通過設置適當的閾值，得到理想的結果。

4.分類方法的選取

傳統基于像素的遙感影像分類方法都是在光譜信息極其豐富、地物間光譜差異較為明顯的基礎上進行的。高分辨率遙感影像的結構、紋理等信息非常突出，但不同地物間的光譜特征差異表現得不再明顯，“同物異譜”、“異物同譜”現象更加普遍。隨著高分辨率遙感影像的廣泛應用，基于像元光譜統計的自動分類技術已不能滿足當前遙感信息提取的要求。

在應用需求較迫切的情況下，面向對象的影像分類方法為高分辨率遙感影像信息提取提供了新的思路。該方法不再單單利用光譜特征，而是充分利用高分辨率影像豐富的光譜、紋理、形狀、空間位置等綜合特征提取地表覆蓋信息。面向對象的影像分類方法的關鍵在于精確的影像分割，分割方法包括基于多尺度的、基于灰度的、基于紋理的、基于知識的等。其中，多尺度分割算法最為常用，它綜合應用地物要素的光譜特征和紋理特征，計算各波段光譜異質性與形狀異質性的綜合特征值，并設置一定的閾值，當所有分割對象的綜合加權值大于指定閾值時，完成影像的多尺度分割。在此基礎上，建立適當的規則，提取相應的地表覆蓋信息。

基于專家知識的決策樹分類方法也是計算機自動分類方法中應用較多的一種方法，該方法主要根據光譜特征、空間關系和其他上下文關系歸類像元，是利用信息論原理對大量樣本的屬性進行分析和歸納而產生的。一個決策樹由一個根節點、一系列內部節點和分支及若干個葉節點組成。每個內部節點代表一個決策過程中所要測試的屬性；每個分支代表測試的一個結果，不同屬性值形成不同分支；而每個葉節點代表一個類別，即影像的分類結果。

在地理國情監測工作中，應根據所使用遙感影像的空間分辨率、光譜分辨率等特征，選擇適用的分類方法，盡可能地提高自動分類精度，減少后期人工編輯工作量，提高分類效率。

四、結 論

通過對遙感影像信息提取關鍵技術的分析，可以得出如下結論:

1）基于遙感影像的地表覆蓋信息提取是在計算機自動分類的基礎上進行的，目前遙感影像自動分類方法有很多，但由于遙感影像數據的復雜性，還沒有一種分類方法是普適的、高效的。在實際應用中，只能針對具體的遙感影像類型，探索最適合的分類方法，以達到較高的分類精度。

2）地理國情監測項目對地表覆蓋分類精度要求較高，同時需兼顧效率。因此，在計算機自動分類精度無法滿足要求時，需進行人工解譯與編輯，以提高整體分類精度。

3）傳統基于光譜的分類方法比較適用于中、低分辨率多光譜和高光譜影像，針對高分辨率遙感影像信息的提取，以面向對象的影像分類方法為例，可歸納出如下一套可行、適用的工程化技術流程:首先對影像進行多尺度分割；在此基礎上，對影像進行面向對象分類，結合分割與分類結果，采用人工解譯的方法，對分類結果進行編輯，得到最終地表覆蓋信息提取結果。技術流程如圖1所示。

圖1 地表覆蓋信息提取流程圖

綜上所述，地理國情制定的地表覆蓋內容體系中，一級類地物可通過自動分類進行提取，部分二級類地物與三級類地物由于自動分類的精度較低，需要在計算機自動分類或人工解譯的基礎上，結合外業普查來進行提取。該方法可為地理國情地表覆蓋信息提取提供參考。

［1］ 李月臣，陳晉，宮鵬，等.基于NDVI時間序列數據的土地覆蓋變化檢測指標設計［J］.應用基礎與工程科學學報，2005，13（3）:261-274.

［2］ 姜麗華，楊曉蓉.基于決策樹分類技術的遙感影像分類方法研究［J］.農業網絡信息，2009（10）:34-37.

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

［4］ 胡張武.高分辨率遙感影像道路信息提取方法研究［J］.測繪通報，2011（8）:13-16.

［5］ 馬雪梅，陳亮，俞冰，等.基于決策樹和混合像元分解的城市擴張分類［J］.測繪通報，2006（10）:9-12.

［6］ 陳述彭.遙感大辭典［M］.北京:科學出版社，1990.

［7］ 羅小波，趙春暉，潘建平，等.遙感圖像智能分類及其應用［M］.北京:電子工業出版社，2011:19-27.

［8］ 陳圣波.遙感影像信息庫［M］.北京:科學出版社，2011:18-38.

［9］ 肖鵬峰，馮學智.高分辨率遙感圖像分割與信息提取［M］.北京:科學出版社，2012:5-19.

［10］ 曹麗琴，李平湘，張良培，等.基于多地表特征參數的遙感影像分類研究［J］.遙感技術與應用，2010，25（1）:38-44.

［11］ 陳云浩，馮通，史培軍，等.基于面向對象和規則的遙感影像分類研究［J］.武漢大學學報:信息科學版，2006，31（4）:316-320.