基于子象元分解的廣州市南沙區紅樹林濕地提取

廣州市花都區赤坭鎮市政管理所 廣東廣州 510800

摘要：由于濕地系統難以從地面接近的特性，大部分類型的濕地都難以去實地考察。隨著空間信息技術的不斷發展，遙感和地理信息系統的有利條件就使其成為調查濕地資源的最為理想的方法。濕地遙感信息分類提取并滿足一定的分類精度和效率是濕地遙感研究的關鍵問題之一，已經有不少人提出了不少的方法，其中子象元分類的方法卻沒見應用于紅樹林濕地提取。本文就以高分辨率的Quickbird衛星影像作為數據源，通過子象元分解分類的方法對南沙區紅樹林濕地進行提取，以期在不同方法的應用中得到新的啟發。

關鍵詞：子象元分類；紅樹林濕地；提取

遙感技術具有感測范圍廣、信息量大、獲取信息快、更新周期短等特點，近20年來已廣泛用于濕地資源調查、識別等研究中[5]。濕地遙感信息分類提取并滿足一定的分類精度和效率，是濕地遙感監測研究的關鍵問題之一。國內外許多學者對濕地遙感影像分類已做大量的研究。在傳統分類方法的基礎上，又出現了許多新的分類方法，包括人工神經網絡分類法、模糊分類法、支持向量機分類法、基于知識決策樹分類法等[1-4]。筆者利用Quickbird衛星影像通過子象元分解分類的方法對南沙區紅樹林濕地進行研究。

1.研究方法

1.1子象元分類簡介

子象元分類（Subpiexl Classifier）是一種高級的圖像處理工具，是通過檢測比象元更小的、或者非100%象元的專題信息，同時也可檢測那些雖范圍較大但混合有其他成分的專題信息，從而提高分類精度。子象元分類通過識別包含多種成分的一個象元中特定成分。子象元分類的特點具體表現在能解決混合象元問題、檢測感興趣子象元、具有自動環境校正功能、用于特征評價與優化的APS和ASK技術還有與傳統分類方法提取特征與應用分類的不同[5]390。

1.2數據源

1.2.1紅樹林濕地的研究對遙感數據的要求

要進行紅樹林濕地的研究首先要求數據達到一定的空間分辨率或光譜分辨率，Quickbird數據的空間分辨率達到亞米級，從性價比來看是進行該研究的理想數據源之一。其次紅樹林通常生長在港灣河口地區的淤泥質灘涂上，紅樹林生態體系處于海洋和陸地的動態界面，受周期性海水浸淹的潮間帶環境，所以要對紅樹林濕地進行研究，盡量要獲取該生態體系完整的影像數據，這就要求數據獲取盡量在低潮位時刻。還有是數據質量方面的要求，如無云、無陰霾、無噪聲等[6]。

1.2.2數據源的獲取

本研究所采用的廣州大學城的影像是從GoogleEarth軟件截取的（google earth的衛星影像，并非單一數據來源，而是衛星影像與航拍的數據整合。其衛星影像部分來自于美國DigitalGlobe公司的QuickBird（捷鳥）商業衛星與EarthSat公司（美國公司，影像來源于陸地衛星LANDSAT-7衛星居多），航拍部分的來源有BlueSky公司（英國公司，以航拍、GIS/GPS相關業務為主）、Sanborn公司（美國公司，以GIS、地理數據、空中勘測等業務為主）等。而大學城影像為Quickbird數據。，因此本文從GoogleEarth軟件截取圖像輔助研究。），該軟件簡單易用而且能方便獲得，這給本研究帶來極大的幫助。GoogleEarth在影像的基礎上提供了很多數據圖層，用戶可根據自己希望的實際情況選擇打開的圖層。由于分辨率比較高，南沙區范圍較大，所以需要將截出來的圖用網格分成3*3一共9幅圖像。在圖像左下角可以得知影像的拍攝時間，所采用的影像是07年2月和10月還有08年2月拍攝的，相對較新，且云量較少，符合本研究的需要。

1.2.3數據源的預處理

與傳統的中低分辨率的遙感影像比較，Quickbird數據由于空間分辨率高，數據量大在圖像預處理階段會存在一些問題。標準（Standard）級產品雖然經過了輻射校正、傳感器畸變校正、幾何校正，消除了平臺定位和姿態誤差、地球自轉、地球曲率等造成的影像變形，并進行了投影。但是它并沒有消除地形起伏的影響[7]。QuickBird的全色（Pan）波段已經從可見光波段擴展到近紅外波段，而一些中低分辨率的衛星如SPOT Pan和IRS Pan只在可見光范圍內，對于這些遙感數據的融合算法并不適用于高分辨率衛星，主要問題是顏色偏差較大，融合的質量有賴于操作者與數據源[8]等。在本次實驗中由于子象元分類器自帶有預處理功能和自動環境校正，所以直接使用該功能。

1.2.4影像的配準

由于Quickbird分辨率大，南沙區域也過大，所以截取時把影像分成3*3網格狀。數據的采集不僅要獲取對象的形狀、大小，對于地理信息數據來說，其獲取的數據應當具有基于某種坐標系統下的坐標，如此對數據進行地理分析，這就是對影像建立坐標參考。如果已經具有源參考數據或參考點，那么就是將影像匹配到參考數據上，獲取一系列同名點位。本研究對影像的配準，所采用的參考數據為一幅糾正過的帶有地理信息的南沙區spot影像。由于南沙區范圍還是比較大的，先將未糾正和糾正過的影像圖分割成9塊，再分別以糾正過的影像作為參考，找到對應的位置點，逐幅進行配準。這里需要注意，建筑是3維立體的，而參考圖層與需配準圖像的拍攝角度不同，不能以建筑為對應點配準，應該找到相應位置的道路、河流等平面的地點配準，這樣配準才精準。本次實驗采取了16個控制點進行配準，令系統生成的同名點X、Y坐標值相對誤差控制在0.1內。

圖1-1 影像的配準

1.3技術路線

1.3.1技術路線流程圖

1.3.2圖像質量確認

質量確認功能通過確定圖像重復數據行，增強圖像的質量。當數據獲取到之前，可能提供者產生過人為重復數據行。質量確認的輸入就是需要進行子象元分類的原始圖像，輸出的是一幅包含有連續相同的高強度的疊加圖像。對于每個波段的圖像，重復行的檢測是獨立進行的。一些重復數據行影響均勻物質的空間屬性，這將影響分類精度和訓練集的特征質量。這里使用子象元分類器的圖像質量確認模塊，最終生成大小與波段相同的圖像[5]396。

1.3.3圖像預處理