EN中文

Journal of Geo-information Science >

2015 , Vol. 17 >Issue 9: 1102 - 1109

DOI: https://doi.org/10.3724/SP.J.1047.2015.01103

Orginal Article

Wetland Information Extraction of ZY-1 02C Image Based on the Object and DEM

  • CHEN Jianlong , 1 ,
  • WANG Yumeng , 2, * ,
  • HOU Shutao 2 ,
  • YANG Houxiang 1
Expand
  • 1. Institute of surveying and planning on land and resources in Heilongjiang province, Harbin 150090, China
  • 2. School of Resources and Environmental Sciences, Northeast Agricultural University, Harbin 150030, China
*Corresponding author: WANG Yumeng, E-mail:

Received date: 2014-12-08

  Request revised date: 2015-01-26

  Online published: 2015-09-07

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

With the application of high resolution remote sensing image, the object-oriented technology has been developing rapidly in high resolution remote sensing image information extraction. Many scholars are interested in conducting research and application in this field, but the study of ZY-1 02C satellite imagery is rare. This paper uses the method of combining object-oriented classification and DEM data, to extract the wetland information of ZY-1 02C satellite image, and explores the application of this method in wetland information extraction from ZY-1 02C satellite imagery. It is of great significance to the research on the application of domestic satellite in wetland monitoring and protection. The results showed that: (1) ZY-1 02C satellite imagery has relatively high resolution, rich spatial information and large local heterogeneity. In addition, its spectral characteristics among various types of wetland are similar. The proposed object-oriented remote sensing image information extraction considers both the image’s spectral information and spatial information. It is applied to ZY-1 02C satellite imagery for the wetland information extraction, and the precision of its classification result is significantly higher than the pixel-based method. (2) This article has explored the method of combining object-oriented classification and DEM. The DEM data was taken as an additional band of image and was associated with the three original bands from the image to be involved in the segmentation, and the segmented objects are classified. The confusion between marsh and grass lands during the extraction is reduced, and the accuracy of wetland type classification is further improved. This method is suitable for wetland information extraction from high resolution remote sensing image. (3) The information extraction results based on object-oriented classification and DEM showed that, the precisions of paddy fields, water body, marsh and tidal flats are 97.44%, 86.96%, 88.46% and 88.46% respectively, which satisfy the wetland monitoring and protection requirements of 02C remote sensing image.

Key words： object-oriented; DEM; 02C remote sensing image; wetland; information extraction

Cite this article

CHEN Jianlong , WANG Yumeng , HOU Shutao , YANG Houxiang . Wetland Information Extraction of ZY-1 02C Image Based on the Object and DEM[J]. Journal of Geo-information Science, 2015 , 17(9) : 1102 -1109 . DOI: 10.3724/SP.J.1047.2015.01103

1 引言

湿地是水陆相互作用形成的独特生态系统,有涵养水源、调节小气候及保护物种基因等功能,是自然界最具生物多样性的生态景观之一[1-2]。湿地的物理特征决定了其在提供水源、调节气候和径流、控制污染、保持生物多样性,以及提供可利用的资源和美化环境等方面,具有重要的生态价值。近年来,由于人类活动的影响,湿地的面积呈大面积减少趋势,这对生态环境的保护及人类生产、生活都产生了一定的影响。因此,及时准确地掌握和研究湿地资源的现状和动态变化过程,对湿地的合理开发和保护有重要的意义。
近20 a来,遥感（Remote Sensing,RS）已广泛用于湿地资源调查、识别等研究中,为湿地研究提供了有力的技术支撑[3-6]。国内外学者对湿地的遥感信息提取已做了大量研究,新型的信息提取方法不断被提出,如知识决策树、人工神经网络、支持向量机及模糊分类法等[7-11]。这些新方法的分类精度有所提高,但仍存在运算复杂,模型参数多等问题,且没有充分考虑影像除光谱外的其他空间特征信息。面向对象针对高分辨率影像应用而兴起的一种新型的遥感分类技术,是以若干同质性像元组成的“对象”为处理单元,综合分析地物的光谱特征及形状、纹理、大小等空间特征,很大程度上解决了基于像元方法难以克服的混合像元问题,分类结果的“椒盐现象”明显减轻,提高了分类精度[12]。湿地与其他用地类型相比高程差异较明显,因此,DEM数据有利于湿地与其他用地类型的区分。近年来,许多学者利用DEM数据进行水体等湿地类型的信息提取研究[12-15],取得了较好的效果,但将面向对象与DEM数据相结合的信息提取方法鲜有研究。
我国资源一号02C卫星（简称ZY-1 02C星）搭载有全色多光谱相机和全色高分辨率相机,获取的全色和多光谱图像数据,可广泛应用于国土资源调查、水利、农业、林业及生态环境等重要领域[16-18]。本文利用研究区02C遥感影像及DEM数据,运用面向对象的分类方法,对大庆市杜尔伯特蒙古族自治县湿地进行提取,并对面向对象与DEM相结合的湿地信息提取方法进行了评价与比较。

2 研究区概况及数据处理

（1）本文以大庆市杜尔伯特蒙古族自治县为研究区,该县位置为123°45′~124°38′E,45°53′~47°08′N,处于黑龙江省西部的松嫩平原上,海拔48~178 m,其西邻泰来县,南与肇源县毗邻,东靠大庆,北与齐齐哈尔市、林甸县接壤（图1）。该县地处黑龙江省西南部松嫩平原中部的最低平部分,从北向南略 倾斜。
Fig. 1 The figure of study area location and DEM

图1 研究区位置及DEM图

杜尔伯特蒙古族自治县是黑龙江省湿地类型较多、面积较大、分布最广的地区之一。县域内湿地类型丰富,主要包括水体、沼泽地、河滩、水田等。截至到2012年,湿地总面积为19.47×104 hm2,约占全县陆地总面积的32.86%。境内分布着一些较大的湿地——国家级湿地自然保护区1处、连环湖、龙虎泡、喇嘛寺泡、嫩江滨江湿地等。总体上,其湿地资源丰富,在调节区域气候、蓄水分洪、净化水体、减轻污染等方面起着非常重要的作用。
（2）选取2014年6月研究区资源卫星一号02C卫星数据作为数据源,运用ENVI 5.1软件对研究区02C数据进行影像配准、正射校正、影像融合、镶嵌和裁切等预处理,得到研究区DOM影像;同时,处理研究区DEM数据,使其作为一个波段同02C影像一起参与面向对象的湿地信息提取。精度检验所使用的300点位数据为2014年9月赴该区,利用手持GPS所采集的外业测量数据,其他辅助数据还包括研究区2012土地利用变更数据库及1:5万的土地利用现状图等。

3 湿地的遥感信息提取

根据研究区的自然地理、生态环境等因素,结合研究区生态县规划、野外调查等相关资料,采用监督分类法和面向对象分类法,将研究区湿地分为水体、沼泽地、河滩和水田4类,非湿地分为旱田、林地、草地、盐碱地及建设用地。

3.1 湿地样区监督分类

监督分类是以建立统计识别函数为理论基础,依据典型样本训练方法进行分类的技术。本文选用监督分类中的最大似然法对研究区进行湿地提取,分别选取湿地类型较为典型的A、B地块进行比较分析,得到分类结果如图2所示。从图2可看出,分类结果整体“椒盐现象”较为严重。通过图2（a）与2（b）对比可知,沼泽和草地混淆较为严重,部分水体被错分为河滩和建设用地;通过图2（c）与2（d）对比可知,部分河滩被错分为建设用地,水田中混淆有部分沼泽地。从分类结果可知,监督分类中湿地与非湿地容易混淆,同时,湿地内部类型的混淆也较为严重,影响了湿地提取精度。
Fig. 2 Supervised classification results

图2 监督分类结果图

3.2 面向对象的识别分类

面向对象的分析过程是通过将影像中的像元分割成为影像对象来再现地表空间的地理对象,突破传统方法以像元为基本处理单元的局限性,以含有更多语义信息的多个相邻像元组成的对象为处理单元,适用于较高层次的遥感影像信息提取[19-21]。面向对象的信息提取方法主要包括影像分割和影像分类2部分,本文运用eCognition软件辅助使用DEM数据,对02C影像进行面向对象分类。
（1）影像分割
影像分割是一项重要的图像处理和分析的技术,即指将影像中具有相似特征（亮度、色彩、纹理等）的临近像元组成为一个个“对象”的过程。影像分割中分割参数的选取至关重要,决定了分割后影像对象的数量、大小及形状,从而影响分类精度[22-23]。分割参数内涵具体如表1所示。
Tab. 1 The connotation of the multi-scale segmentation parameters

表1 多尺度分割的参数内涵

分割参数
分割尺度 同质性标准
光谱权重 形状权重 形状参数设置
光滑度 紧致度
≥0 1-w w wsmooth 1-wsmooth
面向对象的多尺度影像分割从任一像元开始,采用区域合并算法从自下而上对遥感影像进行分割。这种算法不再单纯地考虑地物的光谱特性,而是将光谱特性及空间特性进行综合考量,使分割后的影像整体异质性达到最小,大大减少了“椒盐现象”的产生。分割尺度的大小决定着分割对象的大小及破碎程度,分割尺度越小则分割后影像的破碎化程度越高,反之,分割尺度越大则更多的像元被合并,生成的对象面积相对更大。异质性由光谱异质性和形状异质性2部分组成（式（1））,形状异质性由紧致度和光滑度组成（式（2））。其中,权重代表着不同标准对分割结果的影响程度,权重越大,贡献越大,反之贡献越小。
f = w ∙ h color + ( 1 - w ) ∙ h s h ape （1）
式中, f 为异质性; h color 为光谱异质性; h s h ape 为形状异质性; w 为光谱异质性所占权重。
h s h ape = w compact ∙ h compact + ( 1 - w compact ) ∙ h smoo t h （2）
式中, h compact 为紧致度; h smoo t h 为光滑度; w co mpact 为紧致度所占权重。
在eCognition软件中,载入02C影像与DEM数据,使影像的3个波段与DEM数据共4组数据共同参与分类,其权重之比设置为1:1:1:1,通过反复试验,最终将分割尺度参数设定为50,形状因子0.7,紧致度0.5。分割结果如图3所示。
Fig. 3 The figure of segmentation results

图3 分割效果图

（2）影像湿地提取
运用eCogniton软件,以分割后的影像对象为基本单元,针对每一类用地进行要素定义,并进行训练样本选择,从而进行分类,通过不断的改善、编辑得到分类结果（图4）。通过面向对象分类结果图4（a）与监督分类结果图2（b）对比可知,沼泽地与草地混淆的现象得到明显的减轻,水体错分的现象得到明显改善,但仍存在小部分水体与沼泽地相混淆的现象。通过比较图4（c）、图2（d）可知,河滩提取的准确率明显提高,水田与沼泽地的混淆现象也有所减轻。
Fig. 4 The object-oriented classification results

图4 面向对象的分类结果

通过图4（a）与图4（b）、图4（c）与图4（d）的比较,分析叠加DEM前后面向对象的信息提取精度。由分类结果可知,叠加DEM的分类结果中,沼泽与草地的混淆现象基本消失,部分水体与沼泽误分的现象也进一步减轻,河滩提取的准确率也有所提升。总体而言,湿地的信息提取精度得到进一步提升。

3.3 湿地提取精度检验

根据2014年9月外业测量点位数据,分别与监督分类结果、面向对象分类结果进行比对,得到分类结果的分类误差矩阵和精度。3种方法所提取的结果总体精度分别为77.33%、87.33%及91.67%,详见表2-4。
Tab. 2 The accuracy of error evaluation matrix by supervised classification

表2 监督分类的精度误差评估矩阵

类型 旱田 林地 草地 盐碱地 建设用地 水田 水体 沼泽地 河滩 合计 生产者精度（%） 用户精度（%）
分类数据 非湿地 旱田 71 3 6 3 3 86 88.75 82.56
林地 2 35 2 3 1 1 44 83.33 79.55
草地 6 3 49 1 7 66 77.78 74.24
盐碱地 3 1 1 5 50.00 60.00
建设用地 2 3 5 50.00 60.00
湿地 水田 1 1 2 17 1 4 26 65.38 65.38
水体 35 3 1 39 92.10 89.74
沼泽地 4 2 1 16 23 47.05 69.56
河滩 1 2 3 6 60.00 50.00
合计 80 42 63 6 6 26 38 34 5 300
总体精度(%) 77.33
Tab. 3 The precision of object-oriented error evaluation matrix (no superposition of DEM)

表3 面向对象的精度误差评估矩阵（未叠加DEM）

类型 旱田 林地 草地 盐碱地 建设用地 水田 水体 沼泽地 河滩 合计 生产者精度（%） 用户精度（%）
分类数据 非湿地 旱田 79 1 2 2 2 86 95.18 91.86
林地 2 38 2 1 1 44 92.68 86.36
草地 2 2 56 5 1 66 87.50 84.85
盐碱地 4 1 5 57.14 80.00
建设用地 2 3 5 60.00 60.00
湿地 水田 2 22 2 26 84.62 84.62
水体 37 1 1 39 97.37 94.87
沼泽地 2 1 1 19 23 63.33 82.61
河滩 1 1 4 6 66.67 66.67
合计 83 41 64 7 5 26 38 30 6 300
总体精度(%) 87.33
Tab. 4 The precision of object-oriented error evaluation matrix (superposition of DEM)

表4 面向对象的精度误差评估矩阵（叠加DEM）

类型 旱田 林地 草地 盐碱地 建设用地 水田 水体 沼泽地 河滩 合计 生产者精度（%） 用户精度（%）
分类数据 非湿地 旱田 81 1 2 1 1 86 95.29 94.19
林地 2 40 2 44 95.24 90.91
草地 2 1 60 2 1 66 90.91 90.91
盐碱地 4 1 5 57.14 80.00
建设用地 1 4 5 80.00 80.00
湿地 水田 2 23 1 26 92.00 88.46
水体 38 1 39 97.44 97.44
沼泽地 1 1 1 20 23 83.33 86.96
河滩 1 5 6 71.43 83.33
合计 85 42 66 7 5 25 39 24 7 300
总体精度(%) 91.67

3.4 湿地提取结果与分析

本文利用ENVI 5.1软件对研究区02C影像进行了监督分类,并运用eCognition软件对影像进行了面向对象分类,比较面向对象方法与传统的像元方法的差异与优劣。同时,将相叠DEM后的面向对象分类结果与未叠加DEM的面向对象方法进行比较,探索DEM数据在高分辨率遥感影像湿地信息提取中的应用。
通过3种分类结果图及精度误差评估矩阵对比可知,3种方法所提取的结果总体精度分别为77.33% 、87.33%及91.67%。湿地的监督分类结果精度较低,草地与沼泽地的混淆较为严重;同时,存在部分水田、水体被误分为沼泽地的湿地类型内部混淆的现象,其主要原因是监督分类的分类依据主要为地物的光谱特征,而水体、水田、沼泽地及滩涂光谱特征较为相似,导致分类精度较低,水田、沼泽地、河滩的生产者精度分别为65.38%、47.05%和60.00%;面向对象的分类结果精度明显提高,沼泽地与草地的混淆现象明显减轻,湿地类型内部的错分也得到改善,水田、水体、沼泽地、河滩的生产者精度提升至84.62%、97.37%、63.33%及66.67%;
本文利用2012年杜尔伯特蒙古族自治县土地利用变更数据库及DEM数据,分别提取各用地类型的DEM数据,经统计得到各用地类型的平均高程（图5）。
Fig. 5 Average heights of different land use types

图5 不同用地类型的平均高程对比图

由图5可知,水体、沼泽地、水田、河滩等湿地类型的平均高程均低于旱田、林地、草地等非湿地类型,其中,水体与非湿地的高程差异最大。由于湿地与非湿地相比高程差异较为明显,叠加DEM后湿地与非湿地区分的准确性有所提高,同时湿地内部（如沼泽地与水田）的混淆也得到缓解。水田、水体、沼泽地、河滩的生产者精度分别为92.00%、97.44%、83.33%及71.43%,总体精度为91.67%。

4 结论与讨论

本文利用面向对象与DEM数据相结合的方法,对02C遥感影像进行湿地提取和精度检验。通过分析基于像元的监督分类、面向对象分类,以及叠加DEM后的面向对象分类的3种信息提取结果认为：（1）资源卫星一号02C影像有分辨率较高、空间信息丰富、局部异质性较大等特点,同时湿地各类型之间也具有光谱特征相似的特征,因此适合采用兼顾光谱信息与空间信息特征的面向对象分类法对其进行信息提取,减少了基于像元的分类方法中“椒盐现象”的产生,分类精度更高。（2）本文采用面向对象与DEM相结合的方法,在面向对象分类方法的基础上,叠加DEM数据,使其与影像的3个波段一同参与影像分割,并对分割对象进行分类。结果表明,此种湿地信息提取方法可有效缓解沼泽地与草地、水田与沼泽地、水体与河滩等的混淆与错分现象,湿地的信息提取精度明显提高,适用于高分辨率遥感影像的湿地信息提取。（3）通过精度检验可知,基于对象与DEM的02C影像信息提取结果精度较高,总体精度为91.67%,资源卫星一号02C遥感影像满足对湿地进行监测和保护的应用需要。
通过基于对象与DEM信息的提取方法,湿地提取精度有所提高,但由于河滩在影像上的光谱特征易与其他地物混淆,同时地形、高程与水体、沼泽相比差异较小,此次的分类精度仍偏低,生产者精度为71.43%,因此,对河滩的遥感信息提取方法有待进一步深入研究。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
杨永兴. 国际湿地科学研究的主要特点、进展与展望[J].地理科学进展,2002,21(2):111-120.

[2]
张树文,颜凤芹,于灵雪,等.湿地遥感研究进展[J].地理科学,2013,33(11):1406-1412.

[3]
李建平,张柏,张泠,等.湿地遥感监测研究现状与展望[J].地理科学进展,2007,26(1):33-43.

[4]
赵广明,叶思源,李广雪.卫星遥感在湿地研究中的应用[J].海洋地质动态,2007,23(12):28-33

[5]
莫立江,曹宇,胡远满,等.面向对象的湿地景景观遥感分类——以杭州湾南岸地区为例[J].湿地科学,2012,10(2):206-212.

[6]
安如,陈志霞,陆玲.面向对象的黄河源典型区湿地信息提取[J].河海大学学报(自然科学版)2011,39(4):355-360.

[7]
王圆圆,李京.遥感影像土地利用/覆盖分类方法研究综述[J].遥感信息,2004(1):532-539.

[8]
Atkinson P M.Spatially weighted supervised classification for remote sensing[J].International Journal of Applied Earth Observation and Geo information, 2004,5(4):277-291.

[9]
Xu M, Watanachaturaporn P, Varshney P K, et al.Decision tree regression for soft classification of remote sensing data[J]. Remote Sensing of Environment, 2005,97(3):322-336.

[10]
汪闽,骆剑承,周成虎,等.结合高斯马尔可夫随机场纹理模型与支撑向量机在高分辨率遥感图像上提取道路网[J].遥感学报,2005,9(3):271-276.

[11]
周春艳,王萍,张振勇,等.基于面向对象信息提取技术的城市用地分类[J].遥感技术与应用,2008,23(1):32-35.

[12]
郑利娟,李小娟,胡德勇,等.基于对象和DEM的湿地信息提取——以洪河沼泽湿地为例[J].遥感技术与应用,2009,24(3):346-351.

[13]
雷天赐,黄圭成,雷义均.基于高程模型的鄱阳湖湿地植被遥感信息识别与分类提取[J].资源环境与工程,2009,23(6):844-847.

[14]
王羲程,曹广超,张富玲,等.结合TM影像和DEM两种数据源的青藏高原湿地提取方法[J].测绘科学,2013,38(4):40-42.

[15]
李伟涛,王春,李鹏,等.DEM地形综合方法对水文结构信息提取精度的影响[J].水土保持通报,2012,32(4):168-171.

[16]
中国资源卫星应用中心.资源一号02C卫星[EB/OL].[2012-07-25].EB/OL].[<date-in-citation content-type="access-date">2012-07-5</date-in-citation>].

[17]
刘刚,许宏健,马海涛,等.基于资源一号02C卫星数据的土地资源高分系统变化信息提取方法应用研究[J].测绘与空间地理信息,2013,36(4):65-71.

[18]
胡卫国,孟令奎,张东映,等.资源一号02C星图像水体信息提取方法[J].国土资源遥感,2014,26(2):43-47.

[19]
张学儒,刘林山,张镱锂,等.基于ENVI ZOOM面向对象的高海拔灌丛植被提取——以定日县为例[J].地理与地理信息科学,2010,26(4):104-108.

[20]
张继平,刘林山,张镱锂,等.面向对象的极高海拔区水体及冰川信息提取——以珠穆朗玛峰国家级自然保护区核心区为例[J].地球信息科学学报,2010,12(4):517-523.

[21]
李雪轲,王晋年,张立福,等.面向对象的航空高光谱图像混合分类方法[J].地球信息科学学报,2014,16(6):941-948.

[22]
张秀英,冯学智,江洪.面向对象分类的特征空间优化[J].遥感学报,2009,13(4):664-669.

[23]
买提·沙吾提,塔西甫拉提·特依拜丁建丽,等.面向对象的干旱区盐渍地信息提取方法研究[J].中国沙漠,2013,33(5):1586-1592.

Options
Outlines

/

〈 〉