海南省萬(wàn)泉河主流水域遙感測(cè)量研究——以瓊海市為例

陳瑞偉 梁生錚

（瓊海市國(guó)土資源信息與測(cè)繪中心，海南 瓊海 571400）

1 引言

河流湖泊作為陸地水圈的重要組成部分，在全球生態(tài)環(huán)境中扮演著重要角色，參與自然界的水分循環(huán)，是泥沙、鹽類等進(jìn)入海洋的重要通道。河流的空間位置、水面寬度等信息是氣候變化的重要指示因子，更是生態(tài)環(huán)境研究的主要對(duì)象之一[1-3]。傳統(tǒng)的河流提取為人工基于影像勾畫邊界[4-5]，需投入大量人力物力，時(shí)效性低。而遙感技術(shù)具有時(shí)效性強(qiáng)、數(shù)據(jù)獲取簡(jiǎn)單、大面積同步觀測(cè)等優(yōu)勢(shì)，是目前河流湖泊信息提取的主要數(shù)據(jù)源，國(guó)內(nèi)外學(xué)者基于此開展了許多有意義的工作[6]。水體在遙感影像中具有顯著的光譜特征，在可見光波段有較強(qiáng)的反射，在近紅外波段有較強(qiáng)的吸收。從影像中提取湖泊的單波段閾值法直接采用了水體在近紅外波段的吸收特征[7]，如利用Landsat8影像近紅外波段直接進(jìn)行影像分割[8]，得出水體區(qū)域；而波段比值法和水體指數(shù)法同時(shí)考慮了水體在可見光波段和近紅外波段的反射、吸收特性，以更好地將水體與其他地物分開[9]。影像分類方法也可較好地提取出水體信息。本文基于Sentinel-2影像，采用面向?qū)ο蠓诸惙椒ㄟM(jìn)行瓊海市萬(wàn)泉河主流水域的遙感提取，以達(dá)到快速準(zhǔn)確獲取河流信息的目的。

2 研究區(qū)及數(shù)據(jù)介紹

瓊海是海南省一個(gè)縣級(jí)市，地處東經(jīng)110°7′5"至110°40′50" ，北緯18°58′50"至19°28′35"，位于海南省東側(cè)、萬(wàn)泉河下游。衛(wèi)星影像如圖1所示。

圖1 瓊海市衛(wèi)星影像圖

本文研究采用的數(shù)據(jù)為Sentinel-2影像，Sentinel-2是高分辨率多光譜成像衛(wèi)星，攜帶一枚多光譜成像儀（MSI），分為A/B兩顆衛(wèi)星，一顆衛(wèi)星重訪周期為10天，兩顆互補(bǔ)重訪周期為5天。Sentinel-2影像具有13個(gè)波段，涵蓋了可見光、近紅外、短波紅外波普范圍，并且具有3個(gè)紅邊波段[10]。Sentinel-2衛(wèi)星影像具有覆蓋范圍廣、波段多、分辨率高等優(yōu)點(diǎn)，可用于本研究的萬(wàn)泉河遙感提取。

3 原理及方法

本研究采用面向?qū)ο蠓诸惙椒ㄟM(jìn)行萬(wàn)泉河水域遙感提取。面向?qū)ο蠓椒ǖ奶崛☆愃茮Q策樹的構(gòu)思，從簡(jiǎn)到繁，先剔除其他無(wú)關(guān)信息，再經(jīng)過(guò)多次篩選找出有用的地物類別，實(shí)現(xiàn)地物的分層提取。與傳統(tǒng)分類方法相比，其最大的不同是：面向?qū)ο蠓诸惙椒ǖ牟僮鞒叨葐卧皇腔趩蝹€(gè)像素，而是基于影像對(duì)象。面向?qū)ο蠓诸惙椒ǚ譃椋憾喑叨确指睢⑻卣鬟x擇、規(guī)則建立與分類。面向?qū)ο蠓诸惥唧w流程如圖2所示。

圖2 面向?qū)ο蠓诸惲鞒?/p>

同時(shí)，本研究對(duì)比面向?qū)ο蠓诸惙椒ㄅc非監(jiān)督分類（Isodata、K-means）、監(jiān)督分類（最大似然法、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)法、平均光譜角）的分類精度，并描述不同分類方法在本研究中的優(yōu)缺點(diǎn)。

4 結(jié)果與分析

4.1 面向?qū)ο笏蛱崛?/h3>

對(duì)瓊海市Sentinel-2影像進(jìn)行空間分割，通過(guò)調(diào)整不同分割閾值，得到不同分割程度的對(duì)象。如圖3（a）所示，當(dāng)分割閾值調(diào)整到90，可較好地區(qū)分出水體信息；如圖3（b）所示，當(dāng)分割尺度調(diào)整到70，可以較好地區(qū)分出耕地與林地信息 ；如圖3（c）所示，當(dāng)分割尺度調(diào)整到40，則可較好地識(shí)別出獨(dú)棟建筑等信息。基于此，可進(jìn)行不同類型的樣本選擇。

圖3 不同分割尺度的分割效果圖

在分割的基礎(chǔ)上進(jìn)行樣本選取，該方法所選取的是分割后的對(duì)象，與傳統(tǒng)監(jiān)督分類方法勾畫的樣本不同，分割對(duì)象具有完整的地塊信息，與相鄰地塊對(duì)象在不同特征上存在一定的相異性，可為后期樣本訓(xùn)練提供較純凈的像元信息。本研究共選取水域、耕地、建筑、林地四類作為分類指標(biāo)，每類樣本選取20塊，保證樣本量平衡，各樣本空間分布如圖4所示，其中，林地樣本集中在南部及西北部、耕地樣本集中在東北部與東部，這與瓊海市地貌覆蓋情況相符。

圖4 樣本空間分布圖

通過(guò)面向?qū)ο蠓诸悾玫揭韵陆Y(jié)果（如圖5所示）：利用該方法進(jìn)行瓊海市萬(wàn)泉河遙感提取研究，萬(wàn)泉河干流水域完全解譯了出來(lái)，萬(wàn)泉河呈“幾”字形流經(jīng)瓊海市南部地區(qū)，并在東南側(cè)入海。整體來(lái)說(shuō)，提取效果好、精度較高，未出現(xiàn)斷流現(xiàn)象，并且河岸的淺水區(qū)也得到較高精度的識(shí)別，未出現(xiàn)少提取現(xiàn)象。萬(wàn)泉河部分干流河岸曲折蜿蜒，在遙感提取成果中也有較好的體現(xiàn)，完好地區(qū)分出了水域與河灘地。對(duì)萬(wàn)泉河流域遙感提取成果進(jìn)行面積計(jì)算，瓊海市域萬(wàn)泉河干流面積為23.165平方公里。

圖5 萬(wàn)泉河遙感提取整體成果與局部效果圖

針對(duì)瓊海市萬(wàn)泉河遙感提取，本研究同樣采用非監(jiān)督分類與監(jiān)督分類方法進(jìn)行遙感提取，分別以Isodata算子、K-means聚類、最大似然法、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)法、平均光譜角等方法進(jìn)行遙感識(shí)別，采用混淆舉證進(jìn)行精度驗(yàn)證，最終精度如圖6所示：整體來(lái)說(shuō)，分類精度最高的為面向?qū)ο螅幢狙芯克捎玫难芯糠椒ǎ冗_(dá)到89.4% ；其次是支持向量機(jī)，分類精度為87.8% ；分類精度最低的為非監(jiān)督分類，即Isodata算子、K-means聚類兩種方法，究其原因是非監(jiān)督分類在進(jìn)行聚類分析時(shí)，對(duì)混合像元的處理不如監(jiān)督分類等，且不能將同物異譜、異物同譜情況很好地區(qū)分開來(lái)。

圖6 不同分類器水體識(shí)別精度對(duì)比

5 結(jié)論

本研究采用Sentinel-2影像作為數(shù)據(jù)源進(jìn)行瓊海市萬(wàn)泉河干流水域遙感測(cè)量，采用面向?qū)ο蠓椒ㄟM(jìn)行遙感提取，整體精度較高，且局部提取效果較好，完整地提取出了水域信息。通過(guò)不同分類器的提取精度對(duì)比分析發(fā)現(xiàn)，本研究采用的面向?qū)ο蠓诸惙椒ㄔ谘芯繀^(qū)內(nèi)有最高的分類精度。本研究充分證明了遙感手段在河流信息提取方面的可用性及推廣性，可為后期的相似工作提供良好的參考性。