基于DLG數據的植被快速構面研究

吳鳳敏，鄭稚棚，周 建

（1.重慶市地理信息中心，重慶 401121）

重慶市屬典型的山地地理環境，區域地表覆蓋類型變化多樣，地物極其破碎，基礎地理信息中植被構面耗時長、工作量大，嚴重影響了基礎地理信息數據的入庫、地理統計分析以及應用范圍，此外，復雜山地環境中植被垂直分布差異較大，導致植被構面的工作量大、難度高，急需建立一套適應復雜山地環境背景下的植被快速構面程序，以提高基礎地理信息以及地理國情普查自動化、精細化處理水平。

目前，很多測繪單位生產的基礎地理信息數據中，植被數據集均無面狀信息，而是采用地類界線加植被分類符號組合的方式表示。由于地類界線的組成較為復雜（由道路、水系、居民地、圍欄、 植被界線等要素組成），當地類界與地物重合時，地類界線不重復采集。因此，基于地類界線構面獲取植被要素集面狀信息的工作量很大，需花費較多的人力和時間才能完成，不利于進行批量化生產。

國內測繪行業將DLG數據與高分辨率影像數據相結合進行植被數據集信息提取以及構面的方法還少有研究[1]。為解決DLG數據中面狀植被信息難以采集的問題，提出了一種基于高分辨率衛星影像數據和1︰ 5 000 DLG基礎測繪成果數據，采用面向對象的方法構建面狀植被信息，然后再結合DLG現有植被類型點信息，實現植被面自動構面和植被自動賦值，以及對遙感分割結果進行邊緣修復、光滑等一系列處理，并通過實驗樣圖的生產驗證了該工藝流程的可行性及適用性。實驗結果表明，該工藝流程不僅能滿足面狀植被信息生產的精度要求，而且還能提高生產效率。

1 研究區及技術路線

研究區為長壽區八顆鎮中部，面積約為7 km2。該區域地物類型較為豐富，包括大面積的水域、林地、耕地以及道路房屋等。研究中所使用的遙感影像為2013年7月 Worldview-2影像，分辨率為0.6 m（含紅、綠、藍、近紅外4個波段），圖像大小為5 062×3 892像元。研究使用1︰5 000的DLG矢量數據作為植被快速構面的依據，該數據包括7個線圖層、7個面圖層、1個邊界圖層以及1個點圖層，植被點類型包括耕地（水田、旱地）、果林（橙、蕉、桔、梨、李、枇杷、桃、杏、柚等）、有林地（闊葉林、針葉林和混交林）以及其他植被等。研究技術路線如圖1所示。

圖1 研究技術路線圖

2 數據預處理

2.1 遙感影像預處理

在利用遙感影像結合DLG數據提取植被信息時，由于原始遙感影像的幾何精度、光譜質量、區域范圍、空間分辨率等通常不能滿足既定需求，因此需要對原始遙感影像數據進行預處理。數據預處理技術的主要內容包括幾何糾正、輻射糾正、影像融合、影像拼接和裁剪等，處理結果如圖2。

圖2 研究區遙感影像處理結果

2.2 DLG要素預處理

為使植被信息提取后的結果能與現有基礎測繪DLG成果更好地吻合，在進行植被數據集劃分類型梳理的過程中，主要依據《重慶市1︰5 000基礎地理信息數據庫建設技術》（2013版）和《重慶市1︰ 5 000基礎地理信息數據庫建設技術設計書》進行植被信息類型劃分。在類型劃分過程中，首先基于《重慶市1︰ 5 000基礎地理信息入庫數據規定》確定分類的級別和植被類別的名稱，對于通過影像難以提取的要素類型（如行樹、零星樹木）等進行適當的刪除處理；對于易混植被要素類型進行了合并處理，如稻田、臺田、條田統一分類為稻田；在類型劃分的過程中未增加植被類型和修改植被類型。

通過對DLG中各要素集的分析可以發現，地表覆蓋的要素集主要有水系、居民地及設施、交通、植被與土質4大類。將DLG數據導入到ArcGIS、FME中，提取出植被分類需要利用的線狀要素層，包含交通、水系、居民點及設施、地類界等各類線狀要素，而植被符號層單獨作為實驗結果修正的參考層。

3 植被構面研究

3.1 面向對象分割及分類

植被構面首先需要基于DLG數據對遙感影像進行一個粗分割，從而獲取植被面數據。研究基于德國的eCognition軟件，采用面向對象的多尺度分割的方法，并且綜合考慮了多尺度分割參數選擇方法，根據影像特點對主要的分割參數波段權重、分割尺度、光譜因子和形狀因子進行合理設置。在面向對象多尺度分割過程中，為了能更好地規范eCognition軟件的分割對象塊，使分割對象塊能與已有的DLG數據最大程度地吻合，將DLG數據中作為植被面邊界要素參與遙感影像分割[2-5]（圖3）。

影像分割完成之后，需要運用構建規則集對植被進行粗分類，提取植被信息，參與規則集構建的主要指標有歸一化植被指數、歸一化差分植被指數、增強型植被指數、綠度比值、紅度比值等[6-11]。

圖3 面向對象的多尺度分割及分類示意圖

3.2 植被屬性賦值

植被構面程序主要是基于ArcGIS軟件平臺進行的二次開發插件，程序首先將植被符號點信息賦給經過面向對象的多尺度分割和分類處理的植被面。賦值原則為：如果某一植被面范圍內只有一種植被類型的符號點，那么就將給植被點屬性賦值給植被面；如果某一植被面范圍內有兩種及以上的植被符號點，則將該植被面屬性賦值為“混合植被”。

3.3 植被面規范化處理

單純利用面向對象遙感影像分析技術所提取出的植被面數據，其邊界信息是很不規則的復雜面，與實際的DLG數據邊線不能完全套合，存在突出或內陷的情況，這樣的植被面并不能滿足DLG植被數據構面的目的，也難以利用其植被數據進行相應的分析、處理。因此必須研究植被面數據與已有DLG的自適應技術，研究面向對象遙感影像分析中所提取的植被面數據進行邊緣自適應處理的方法，使得植被面邊界能與DLG數據相吻合。

植被面規范化處理包括分割面融合、邊緣化規范處理、拓撲自動修改3個方面。分割面融合程序主要對植被分割面進行融合處理，由于影像分割的植被面較為破碎，需要將相鄰的具有相同屬性的植被面合并產生新的植被面；植被邊緣化規范處理是自動將植被面的各種鋸齒和凹凸不平的地方進行規范化處理，使得植被邊緣與原始的DLG數據邊緣全面吻合；拓撲自動修改程序是對成果的最后一步處理，能夠對植被構面成果自動進行拓撲檢查及修改（圖4）。

圖4 植被快速構面處理結果

3.4 構面結果評價

植被構面成果精度評價是指植被構面結果正確的面與植被面構面總數進行比較，正確的面所占的百分比就表示植被構面精度。根據1︰5 000 DLG數據中植被點及地類界等相關數據進行了手動構面及屬性賦值處理，對比結果顯示：植被構面程序自動構面795 個，其中有效面755個，無效面40個。在有效面中，615 個面與1︰5 000地形圖中植被點吻合，140個面錯誤，正確率達到81.5%。在時間效率方面，利用植被構面程序實現植被構面以及對無效面、錯誤面后續處理耗時1 d，而人工基于DLG數據完成該實驗區植被構面耗時共計8 d，因此基于程序的植被構面效率要遠遠高于人工構面效率。

4 結 語

本文基于1︰5 000 DLG數據，充分利用高分辨率遙感影像豐富的光譜、紋理、形狀、空間位置信息，綜合分析對比多種解譯模型的提取效果，建立了相應的植被信息提取模型，并基于DLG知識庫發展了植被邊界規范化處理算法，形成植被邊界規范化處理程序，自動提取植被邊界，實現了復雜山地環境下植被的快速、準確構面。研究結果表明，基于DLG數據的植被快速構面算法和程序能夠極大地提高植被構面的效率，且構面準確。同時，構面算法的模塊化生產使得DLG植被構面可以進行批量處理，也減少了植被構面的生產成本。

從植被構面結果看，利用eCognition作簡單的影像分割，再基于影像分割結果與DLG數據結果，通過ArcGIS植被構面程序實現植被自動構面分類。此植被構面分類雖然速度快而且可以批量處理，但是植被的準確性判斷以及后期錯誤面、無效面處理需要花費過多時間，使得在處理效率上不盡人意。因此下一步需要對植被自動構面結果加以分析，確定正確的面就不用在人工檢查以及人工處理，以及提高自動構面的正確性，進一步減少人工工作量。此外，現有植被構面操作步驟過于繁雜，步驟太多，下一步需對現有植被構面插件進行優化，減少操作步驟，以便進一步提高構面效率。

[1]程三勝,龔麗芳,徐柳華,等.基于遙感影像的植被信息提取技術在測繪中的應用研究[C].第十七屆中國遙感大會摘要集,杭州,2010

[2]Ichoku C, Kamieli A.A Review of Mixture Modeling Techniques for Sub-pixel Land Cover Estimation[J].Remote Sensing Reviews, 1996(13): 161-168

[3]Lobo A ,Chic O, Casterad A.Classification of Mediterranean Crops with Multi-sensor Data: Per-pixel Versus Per-object Statistics and Image Segmentation[J].International Journal of Remote Sensing, 1996, 17(12):2 385-2 400

[4]Baatz M, Schape A.Object-oriented Multi-scale Image Analysis in Semantic Networks[A].In: Proc of the 2nd International Symposium on Operationalization of Remote Sensing[C].1999:16-20

[5]Plaza A, Martinez P, Perez R, et al.A Quantitative and Comparative Analysis of Endmember Extraction Algorithms from Hyperspectral Data[J].IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(3): 651-654

[6]Lillesand T M, Kiefer R W.遙感圖像解譯[M].北京: 電子工業出版社, 2003

[7]劉建華, 胡光道.高分辨率遙感影像的土地利用分類[J].遙感與信息, 2004, 20(4):398-400

[8]張寶雷，周萬村，馬澤忠.三峽地區主要地類的自動提取方法研究[J].長江流域資源與環境, 2005,14(4):445-447

[9]錢巧靜, 謝瑞, 張磊,等.面向對象的土地覆蓋信息提取方法研究[J].遙感技術與應用, 2005, 20(3):338-342

[10]曹雪, 柯長青.基于對象級的高分辨率遙感影像分類研究[J].遙感信息, 2006(5):27-30

[11]孫曉霞, 張繼賢, 劉正軍.利用面向對象的分類方法從IKONOS 全色影像中提取河流和道路[J].測繪科學, 2006,31(l):62-63