基于GF-2號衛星數據的崩崗提取研究

劉 潔，廖凱濤，宋月君，賴格英，鄭海金

（1.江西省水利科學院，江西 南昌 330029；2.江西師范大學 地理與環境學院，江西 南昌 330022；3.江西省土壤侵蝕與防治重點實驗室，江西 南昌 330029）

我國南方紅壤區自然災害頻繁，地形復雜，丘陵、盆地、山地交錯，是水土流失較嚴重的地區之一。山坡土體在水力和重力的共同作用下，非常容易發生崩塌侵蝕，形成崩崗侵蝕現象。崩崗是我國南方紅壤區危害嚴重、侵蝕強度最大的侵蝕類型，因此加大對崩崗的治理有利于保護水土資源，促進生態環境的和諧穩定發展。高分專項工程的逐步發展，實現了遙感影像亞m級高空間分辨率與高時間分辨率的有機結合。利用遙感影像可以提高水土流失區動態監測的效率，對大面積災害監測和防治具有重要 意義。

通過崩崗調查可以摸清崩崗的侵蝕現狀，為崩崗侵蝕的預防和治理提供基礎數據[1]。野外崩崗調查常受限于崩崗侵蝕區大傾角和高崩壁高差的復雜地形[2]。 一些學者嘗試將新技術應用于崩崗侵蝕調查中，并取得了良好的效果[3]，如劉希林[4]利用三維技術對崩崗侵蝕區進行了激光掃描，全面研究了崩崗侵蝕的時間變化規律和侵蝕過程；張鐵洋[2]等通過CORS-RTK和GIS技術提高了小流域崩崗侵蝕調查的精度；李昊潔[5]等研究了不同分辨率影像對崩崗提取精度的影響，結果表明10 m以上分辨率的遙感影像對崩崗形狀的提取有較大困難。然而，在南方地區特殊的地理環境下，采用GF-2號衛星影像對崩崗侵蝕進行提取分析的相關研究較少，因此本文以江西省贛州市贛縣區白鷺鄉金鉤形小流域崩崗區為研究對象，基于GF-2號衛星遙感影像，采用面向對象的分類方法，結合影像的光譜和紋理特征，構建了崩崗信息提取的分類規則，為南方紅壤區利用國產遙感影像開展崩崗調查和時空變化研究提供參考。

1 研究區概況與數據來源

1.1 研究區概況

金鉤形小流域位于江西省南部的贛州市贛縣區，屬亞熱帶濕潤季風氣候區，具有氣候溫和濕潤、雨量充沛的特點。該區域光照充足、四季分明、無霜期長； 多年平均氣溫為19.3℃；多年平均降水量為1 476 mm， 降水年內分配不均，主要集中在4－7月；地形屬于中低山丘陵地區。贛縣區是江西省水土流失最嚴重的縣之一，由2005年江西省崩崗調查結果可知，全縣現有崩崗4 138個，崩崗面積為1 808.3萬 m2；其中金鉤形小流域是江西省崩崗密度最大、數量最多、類型最全、流失最嚴重的區域，因此具有代表性[6]。

1.2 數據來源

GF-2號衛星于2014年8月在太原衛星發射中心成功發射，具有亞m級空間分辨率、高定位精度和快速姿態機動能力等[7]，主要參數如表1所示。本文采用的影像獲取時間為2017-10-29，包括一個全色波段和4個多光譜波段，范圍為115e14′～115e20′E、26e17′～ 26e23′N。研究區內主要地物包括居民地、林地、水體、崩崗等。

表1 GF-2號衛星參數[9-10]

對獲取的影像進行預處理，主要包括多光譜數據的FLAASH大氣校正[7]、多光譜數據與全色數據的影像配準、正射校正以及Gram-Schmidt光譜銳化融 合法[8]。

2 研究方法

2.1 光譜特征提取

利用地物的光譜曲線可對影像中的地物進行基礎判讀，獲得樣本點，進而統計不同地物的光譜曲線，為地物類型的區分提供依據[11]。本文通過目視解譯和野外調查進行判讀，區域內主要包括林地、崩崗、水體、建筑物和裸土，如圖1所示。

圖1 研究區遙感影像（4、3、2波段）

光譜特征是檢測地物最基礎的特征，對影像的分類提取具有重要作用。不同類型作物在影像上的光譜特征統計值具有差異性，在不同波段上由于反射和吸收率的不同，光譜特征也有較大差異。本文通過光譜特征提取，計算得到區域內的歸一化植被指數（NDVI）和歸一化水體指數（NDWI）。NDVI能有效反映植被生長情況和植被覆蓋度，通過比值處理可消除 部分與太陽高度角、衛星觀測角、地形、云陰影和大氣條件有關的輻照度條件變化（大氣層輻射）等的影響，反映植被在紅色波段和近紅外波段的反射差異。NDVI被廣泛應用于植被統計與提取、植被生長狀態檢測以及植被時空變化分析等領域[12]。其表達式為：

式中，NIR為近紅外波段；R為紅色波段。

利用NDWI可提取研究區內的水體，對影像中的水體特征進行增強，排除水體對崩崗提取的影響。其表達式為：

式中，NIR為近紅外波段；G為綠色波段。

2.2 紋理特征提取

利用灰度共生矩陣方法對圖像的紋理特征進行提取，在影像分類上已得到廣泛應用[13]。其計算方法主要是基于二階概率影像統計，計算鄰近像元的相關性。共生矩陣是在灰度紋理影像中的不同方向θ上計算距離為d的二階灰度值出現的概率分布，即像素距離d與角度θ的矩陣函數。

本文設置二階概率濾波的窗口為3×3，空間相關性矩陣X和Y的變換分量為1和1，灰度質量級別為64。由圖2可知，在方差、對比度和相異性上，崩崗紋理特征相對于其他地物呈現亮色調，而在協同性、熵和二階矩上，則呈現為暗色。為了增強崩崗紋理的對比度，本文將方差、對比度、相異性的和與協同性、熵、二階矩相減，從而構建新的灰度共生紋理[11]，即GLCT=方差+對比度+相異性－協同性－熵－二階矩，得到的GLCT 紋理特征如圖2g所示。通過增強紋理影像，可以排除人為影響所改造的區域。

圖2 影像紋理增強

2.3 面向對象的分類方法

面向對象的分類方法能充分考慮到像元之間的相互關系，克服傳統分類方法中的“椒鹽”效應，從而減少“同譜異物”和“同物異譜”的現象[14]。本文通過目視解譯的方法對比影像對象與地物的實際分布狀況，并對影像進行分割。利用影像分割的方法能得到同質影像斑塊，提升影像的光譜信息、紋理信息、形狀信息以及空間關系的地物分類識別精度。本文通過多次嘗試發現，分割尺度為45、合并尺度為85時可以較好地分割出崩崗的邊緣特征。

本文確立的崩崗分類規則如表2所示，由于崩崗區域植被稀疏，因此采用NDVI排除植被覆蓋區；由于研究區內有藍色屋頂建筑，因此采用藍光波段排除屋頂；利用計算得到的新灰度共生矩陣，結合紋理特征提取崩崗區域影像；利用長寬比排除道路；根據裸地特點，利用綠光波段灰度值和最大化差異度排除裸地。

表2 面向對象提取崩崗分類規則集

3 研究結果與分析

本文采用野外實地檢驗和目視分析方法對提取結果進行了精度驗證，并比較了面向對象的分類方法與非監督分類K-means方法的提取精度。不同方法的分類效果如圖3所示。結合2018年贛縣崩崗發生點實地測量結果、2018年崩崗侵蝕實地調查結果可知，完全重合的崩崗侵蝕區有18個，人工目視提取得到的研究區內崩崗發生面積為34 215.6 m2，面向對象的分類方法提取的崩崗面積為31 160.6 m2，準確率為91.07%。提取精度誤差主要出現在耕地裸露的區域，可通過多期影像疊加的方法減小誤差。

本文將其結果與傳統基于像素的K-means算法的提取結果進行比較，如圖3所示，可以看出，K-means算法的分類結果較差，錯分、漏分現象嚴重，裸土和崩崗侵蝕區形態無法區分，因此結合紋理特征和光譜特征，能較好地對南方崩崗侵蝕區進行提取。

圖3 不同方法分類效果比較

4 結 語

本文基于GF-2號衛星影像，結合光譜特征和紋理特征，利用面向對象的分類方法提取了已發生崩崗區域的數據，能較好地反映實際情況。

1）亞m級遙感影像數據能基本反映崩崗的分布范圍，對于形狀和邊界的提取較準確，與人工調查精度差別較小，能為我國南方紅壤丘陵區崩崗動態監測和治理提供了一定的參考。

2）利用面向對象的分類方法可以較好地改善錯分、漏分現象，克服基于像素的分類方法產生的“椒鹽”現象，獲得較好的分類效果。

目前基于遙感影像，利用面向對象的分類方法對崩崗面積進行提取的研究較少，本文僅采用單一時期的影像進行了研究，還應對不同時間、不同區域的影像進行綜合性研究。隨著國產衛星空間分辨率的不斷提高，應進一步加強國產衛星在崩崗提取與動態監測中的應用研究，拓展國產衛星數據的應用領域。