遥感自动解译技术在饮用水源保护区环境监测中的应用_施磊.pdf

地矿测绘2023，39(1):2328CN 531124/TDISSN 10079394Surveying and Mapping of Geology and Mineral esources遥感自动解译技术在饮用水源保护区环境监测中的应用*施磊1，杨彦梅2，杨学琪1，赵永慧2，刘金丽1(1云南二十一世纪空间信息技术应用有限公司，云南 昆明650206;2中国电建集团昆明勘测设计研究院有限公司，云南昆明650051)摘要:近年来，随着人类活动范围扩大以及人类活动日益频繁，饮用水源地的生态环境受到人类活动影响，对饮用水源地生态环境保护任务越来越艰巨。文章以遥感自动解译技术为基础，研究适合某饮用水源保护区的自动解译模型，提取饮用水源保护区的土地覆被信息，可用于分析土地覆被变化情况和动态变化趋势，为饮用水源保护区环境保护、管理和生态恢复提供科学的决策依据。利用监督分类和面向对象分类两种方法分别对饮用水源保护区遥感影像进行自动解译，并对比分析两种方法得到的土地覆被分类结果，最终得出的结论是面向对象分类的精度更高，且面向对象分类结果更利于进行变化监测，也与 GIS 分析有更好的兼容性。关键词:面向对象分类;监督分类;高分辨率影像;饮用水环境监测;自动解译中图分类号:P 237文献标识码:A文章编号:10079394(2023)01002306Application of emote Sensing Automatic Interpretation Technology inEnvironmental Monitoring of Drinking Water Source Protection AreaSHI Lei1，YANG Yan-mei2，YANG Xue-qi1，ZHAO Yong-hui2，LIU Jin-li1(1Yunnan Twenty First Century Aaerospace Information Technology Co，Ltd，Kunming Yunnan 650206，China;2Power China KunmingEngineering Corporation Limited，Kunming Yunnan 650051，China)Abstract:In recent years，with the expansion and the increasing frequency of human activities，the ecologicalenvironment of drinking water sources has been affected by human activities，and the task of prical environment ofdrinking water sources has become increasingly arduousBased on remote sensing automatic interpretation technolo-gy，this paper studies an automatic interpretation model suitable for a drinking water source protection areaExtrac-ting the land cover information of drinking water source protection area can be used to analyze the land cover changeand dynamic change trend，and provide scientific decision-making basis for environmental protection，managementand ecological restoration of drinking water source protection areaThen，two methods，supervised classification andobject-oriented classification，are studied to automatically interpret the remote sensing images of drinking watersource protection area，and the land cover classification results obtained by the two methods are compared and ana-lyzedFinally，the conclusion is that the object-oriented classification accuracy is higher，and the object-orientedclassification results are more conducive to change monitoring and better compatible with GIS analysisKey words:object-oriented classification;supervised classification;high resolution remote sensing image;drinking water environment monitoring;automatic interpretation32*收稿日期:20221011DOI:10.16864/ki.dkch.2023.00040引言近年来随着城市及农村的发展，人类为了生存与发展大肆对土地资源进行开发和利用，使得很多区域土地覆被发生变化，生态环境及水资源环境遭到一定程度上破坏。若任由人类无节制地对饮用水源保护区的自然环境进行改造，将会污染饮用水源保护区的水资源，饮用水源将会面临巨大的危机。因此，快速、精确的获取饮用水源保护区的土地覆被情况变得极为重要。目前，遥感技术具有观测覆盖范围广、信息含量丰富、信息获取速度快、可比性强等优点，近些年来已在各类环境资源调查和监测工作中广泛应用12。利用遥感方法提取土地覆被信息，从最初的人工目视解译，逐渐发展为计算机自动解译。计算机自动解译既能快速提取地物信息，又能提升工作效率和降低工作成本3。常用的自动解译方法有监督分类、非监督分类和决策树分类等，这些分类方法仅利用卫星影像的光谱信息，而面向对象的分类方法除光谱信息外、还要使用纹理、空间位置等信息。面向对象的分类方法是首先将影像分割成一系列彼此相邻的同质区域，即影像对象;然后再综合利用遥感数据光谱信息、纹理特征、空间位置及拓扑关系等方面的特点，计算对象的特征并构建分类体系，进而按对象分类判别以提取所需要的信息45。本文以某饮用水源保护区的高分二号卫星影像作为基础数据，使用 ENVI 软件，研究此饮用水源保护区遥感数据自动解译方法。分别采用监督分类与面向对象分类方法对数据进行解译，并对比分析其解译结果，以寻求更适合饮用水源保护区的分类方法，构建解译模型对研究区各期影像进行土地覆被信息的提取，从而准确分析土地覆被变化情况和动态变化趋势，其结果可为此饮用水源保护区环境保护、管理和生态恢复提供科学的决策依据。1数据准备本研究项目采用高分二号卫星影像作为数据源，高分二号卫星搭载有 1 m 全色/4 m 多光谱高分辨相机，能达到亚米级的空间分辨率，具有定位和定姿精度高的特点，有效地提升了卫星综合观测效能，是我国自主研制的第一颗民用的空间分辨优于1 m 的光学遥感卫星，达到了国际先进水平6。本研究收集到饮用水源保护区 2018 年 4 月和 10 月拍摄影像各一期、2019 年 3 月和 11 月拍摄影像各一期及 2020 年 2 月拍摄影像一期，共 5 期影像。除2019 年 11 月影像云量覆盖较多外，其余几期数据只有少量云及云影覆盖，故未选用 2019 年 11 月影像进行本研究。本研究首先对原始遥感数据进行预处理，通过实地采集控制点和已有 DEM 数据，对全色遥感数据进行正射纠正;然后将多光谱遥感数据与之配准、融合，再进行镶嵌、裁切制作模拟自然真彩色影像;最后对影像进行图像增强、辐射矫正及大气矫正等处理，排除自然因素对光谱信息造成的影响，形成可用于研究区分类解译的遥感正射影像图。2监督分类监督分类是通过目视判读，结合野外调查对每一种类别选取一定数量的训练样本，按照光谱信息，逐个像元与训练样本进行匹配，将其分类到光谱信息最接近的样本类别中7。针对本次研究区的特点，选用了监督分类中精度较好的支持向量机分类方法对影像进行分类。根据研究区土地覆被的实际情况以及项目的需求，本研究再细分定义了11 种地类。在自动分类完成后，将细分的 11 种地类合并为水域、植被、建设用地及其他用地 4 种目标地类。具体分类地类见表 1。表 1监督分类地类Tab1Land types of supervised classification目标地类细分地类水域水库坑塘(包含沟渠)植被自然植被耕种耕地阴影植被建设用地水泥屋顶建筑及道路彩钢瓦屋顶建筑瓦顶建筑其他用地未耕种耕地裸地其他用地每一小类通过目视解译与实地取样结合的方式选取样本，在整个保护区内均匀选取 4050 个样本，共计选取 487 个监督分类样本。通过 ENVI 中42地矿测绘2023 年 3 月的样本分离度计算，计算出各类样本与其他样本的分离度指数，结果表明每两个目标地类之间分离度均高于 1.8，同一大类中每两小类之间分离度高于1.65，可用作监督分类的训练样本。3面向对象分类面向对象分类方法首先是将遥感影像的每个像元通过多尺度分割的方式，分为具有相似性和差异性的很多区块，即面向对象分类的最小单位 对象8。通过计算可以得到对象的面积、形状、纹理、光谱信息及拓扑关系等特征信息，根据实验总结制定分类规则构建分类体系，最后将所有对象以最优方法进行分类判别，进而提取所需的信息9。本研究采用的是基于规则的面向对象分类方法，这种分类方法分为图像对象构建和对象的分类两个过程，具体流程如图 1 所示。图 1面向对象分类流程图Fig1Flow chart of object-oriented classification31图像对象构建ENVI 软件的影像多尺度分割采用的是基于边缘的分割算法，依据相邻像元的波普及纹理等特征进行分割10。通过调整分割尺度、合并尺度参数来控制分割结果，分割尺度越小分的对象越多，对象单元也越破碎，可以通过设置合并尺度把相似对象进行合并。图像分割是面向对象分类的基础，分割效果直接影响分类结果的精度，需要反复实验得到一个比较适中的尺度参数11。采用不同的分割尺度得到的结果如图 2 所示。如图 2(a)分割尺度为 3 时，各个地类都能被较好地分离出来;如图 2(b)分割尺度为 35 时，水域和水边植被或阴影不能被较好地分离出来;如图 2(c)分割尺度为 70 时，部分未种耕地和植被不能被较好地分离出来。将分割尺度设置为 3，采用不同的合并尺度得到的结果如图 3 所示。如图 3(a)合并尺度为 30图 2分割尺度对比Fig2Segmentation scale comparison时，分割对象较为零散;如图 3(c)合并尺度为 95时，部分植被和未种耕地不能被较好地分离出来;最终对比发现，将分割尺度设置为 3，合并尺度设置为 80(见图 3(b)，分割效果较好，各个地类都能被较好地分离出来，并且对象不零散。图 3合并尺度对比Fig3Merge scale comparison32对象分类多尺度分割后，将像元分割为同质像元构成的对象。计算对象所包含像元光谱、形状、纹理、位置及对象之间的拓扑关系等信息，通过总结分析所有信息，将信息进行分类组合，分别找出各类地物的共同特性，作为分类规则制定的依据12。制定分类规则是面向对象分类的关键，直接决定分类成果精度的高低。经反复试验发现，研究区高分二号影像具有如下特点:1)植被:NDVI(归一化植被指数)光谱均值大于 0.2。2)水域:NDWI(归一化水体指数)光谱均值大于 0.2，Band 1(蓝波段)光谱均值小于 250，Band 4(近红外波段)光谱均值小于 110，空间属性 com-pactness(紧密性)小于 0.18。3)阴影:Band 1(蓝波段)光谱均值小于 230，NDWI(归一化水体指数)光谱均值小于 0.2。4)建筑 1:Band 1(蓝波段)光谱均值大于 380，空间属性面积小于 500。5)建筑 2:I(比值居民地指数)光谱均值大52第 39 卷第 1 期施磊，杨彦梅，杨学琪，等:遥感自动解译技术在饮用水源保护区环境监测中的应用于 1.6，纹理属性 Band 2(绿波段)卷积核范围内的平均灰度值大于 180，NDWI(归一化水体指数)光谱均值大于 0.1 且小于 0.2，空间属性面积大于 10 且小于2 500。定义规则时，在利用光谱信息的同时，还利用纹理、空间特征描述属性，对每种地类进行表征规则描述。根据研究区影像光谱、纹理及空间特性，定义的分类规则如图 4 所示。分类时定义的地类可多于目标地类，先定义细分地类，分类后再根据需求进行合并。图 4饮用水源保护区地类信息规则集Fig4ule set of land type information in drinking water source protection area4成果分析41分类图分析本研究实验了面向对象分类及监督分类两种方法，得到分类图。图 5 为分类结果局部放大图，从中可以看出:1)对水体的分类，两种分类方法都基本正确，错分、漏分的情况较少。2)对建筑物和道路的分类，面向对象分类结果准确度更高，且连续性好。3)对植被的分类，面向对象分类结果更准确，监督分类存在严重的噪声，而且椒盐现象严重。得出的分类成果离散，不利于后续的空间信息分析。42精度对比为确定分类结果的可靠性，采用混淆矩阵方法对分类结果进行精度评价。根据目视判读及现场取样的方式选取好的验证样本，本次分类精度评价共选取了 400 个精度评价样本，每类 100 个。调用混淆矩阵计算工具，导入精度评价样本，分别计算监督分类图和面向对象分类图的混淆矩阵，见表 2图 5面向对象分类与监督分类对比Fig5Comparison between object-oriented classification andsupervised classification和表 3。混淆矩阵主要的评价因子有总体分类精度、kappa 系数、错分误差、漏分误差、制图精度和用户精度13。从表 4 及图 6 可以得出:在研究区内面向对象分类得到的植被、水域及其他用地精度都高于监督分类的结果，对于建设用地的分类两种方法结62地矿测绘2023 年 3 月表 2监督分类真实地表混淆矩阵(单位:像素)Tab2True surface confusion matrix of supervised classification(Unit:Pixel)类别植被水域建设用地其他用地总计植被44811299257032966491073水域4277385937425547391186建设用地11337359192150212562其他用地81995177291568163576264868总计535517414326112551985911159689表 3面向对象分类真实地表混淆矩阵(单位:像素)Tab3True surface confusion matrix of object-oriented classifi-cation(Unit:Pixel)类别植被水域建设用地其他用地总计植被49527173542747848510747水域5735397521541454404764建设用地12652569197110511823其他用地3324681951730187184230355总计535517413326112551975911157689表 4分类精度评价比较Tab4Comparison of classification accuracy evaluation地类监督分类/(%)错分误差漏分误差制图精度用户精度面向对象分类/(%)错分误差漏分误差制图精度用户精度植被8.7516.3283.6891.253.037.5292.4896.97水域1.346.8593.1598.661.793.8296.1898.21建设用地26.8318.3381.6773.1722.2118.2981.7177.79其他用地38.2417.6382.3761.7618.745.2794.7381.26总体分类精度/(%)86.8294.08kappa 系数0.800.91图 6分类结果精度比较Fig6Accuracy comparison of classification results果精度相似，但是对于植被的分类监督分类存在较多的漏分现象。面向对象分类的总体分类精度为94.08%，高于监督分类的 86.82%，说明面向对象分类方法更适合于研究区域植被覆被信息提取。监督分类是以像元为基本分类单元进行信息提取，主要是以地物的光谱信息进行分类，然而保护区域内有较多的地类，而且有些地物光谱特性比较相似，只依靠光谱信息很难将地类进行精确的分类，要达到一定的精度要求，就需要进行大量的人工操作，费时费力。面向对象分类是以对象为基本分类单元，除了利用地物的光谱信息外，更多的是利用分类“对象”的几何特性、纹理特性以及“对象”之间的拓扑关系等信息，建立分类规则进行信息提取。与监督分类相比，面向对象分类自动化程度更高、效率高、精度高，且可实现矢量输出，成果可用于 GIS 分析，具有一定的优势。43土地覆被变化分析采用面向对象分类方法，分别对 20182020 年4 期影像进行分类解译处理后，对解译结果的各地类进行面积统计，以此了解饮用水源保护区的基本土地覆被变化状况，具体数据见表 5 及图 7。结合表 5 及图 7 可以看出:该饮用水源保护区在 20182020 年间水域、建设用地面积变化较小;植被覆盖面积在 2018 年 4 月至 2019 年 3 月有上升趋势，2019 年 3 月至 2020 年 2 月植被覆盖面积减少;其他用地面积与植被面积变化呈相反的变化趋势。在对实际影像进行分析后发现，造成植被覆盖面积大幅下降的原因有两方面:一是 2020 年影像有少量的云层覆盖，被云遮挡区域及云下阴影区域被自动分类为了其他用地;二是 2018 及 2019 年影像拍摄时间为 34 月份，植被较茂盛;2020 年影像拍摄时间为 2 月份，植被覆盖率会有一定程度的下降。72第 39 卷第 1 期施磊，杨彦梅，杨学琪，等:遥感自动解译技术在饮用水源保护区环境监测中的应用表 5饮用水源保护区土地覆被分类面积统计Tab5Statistics of land cover classified area in drinking water source protection area地类2018 年 4 月面积/km2比例/%2018 年 10 月面积/km2比例/%2019 年 3 月面积/km2比例/%2020 年 2 月面积/km2比例/%植被377.7762.04396.7165.15408.8367.14347.7257.10水域6.281.037.791.287.311.206.971.14建设用地19.573.2119.153.1416.482.7019.753.25其他用地205.3433.72185.3130.43176.3428.96234.5238.51图 7饮用水源保护区土地覆被面积变化分析Fig7Analysis of land cover area change in drinking watersource protection area5结论本研究项目基于高分二号卫星影像数据，采用遥感自动解译技术对饮用水源保护区进行环境监测，并通过对比分析监督分类和面向对象两种分类方法，得出如下结论:1)研究区覆盖范围较广，高分辨率的卫星影像数据量较大，采用传统的人工目视判读分类方法，受技术人员的主观因素影响较大，无法做到精确客观地对整个区域进行解译;自动解译技术减少了大量的人工干预，在效率、自动化程度、解译分类精度方面均有较大的提升。2)面向对象方法基于对象分类，不仅利用卫星影像光谱信息，还充分利用了其纹理及空间信息辅助分类，使其分类精度更高，同时还减少了图像分类的椒盐现象和零碎图斑的产生，有利于进行变化监测及与 GIS 分析更好兼容。3)高分二号光谱信息少，只包含了红、绿、蓝、近红外 4 个波段，光谱信息相似的地物很难分割开，采用此数据源还需辅助少量的人工目视解译，才能提高解译精度。本研究最终采用分类图面效果更好、精度更高的面向对象分类方法进行信息提取分类，构建解译模型对饮用水源保护区多期影像进行解译，并进行了土地覆被变化分析，其结果较好地反映了饮用水源保护区水域及植被等的变化情况，可为饮用水源保护区环境保护、管理和生态恢复提供有力的数据支持。参考文献 1 邢元军，旦增基于面向对象的高分辨率影像的森林植被变化信息提取研究 J 中南林业调查规划，2010，29(4):3437 2 陈文志，王洁，吴文渊，等杭州湾水体污染的遥感监测应用研究 J 杭州师范大学学报:自然科学版，2012，11(5):470474 3 朱永森，曾永年，张猛基于 HJ 卫星数据与面向对象分类的土地利用/覆盖信息提取J 农业工程学报，2017，33(14):258265 4 钱巧静，谢瑞，张磊，等面向对象的土地覆盖信息提取方法研究 J 遥感技术与应用，2005，20(3):338342 5 陈杰高分辨率遥感影像面向对象分类方法研究 D 长沙:中南大学，2010 6 潘腾高分二号卫星的技术特点J 中国航天，2015(1):39 7潘建刚，赵文吉，宫辉力遥感图像分类方法的研究 J 首都师范大学学报:自然科学版，2004，25(3):8691，80 8 杜凤兰，田庆久，夏学齐，等面向对象的地物分类法分析与评价 J 遥感技术与应用，2004，19(1):2023 9 刘书含，顾行发，余涛，等高分一号多光谱遥感数据的面向对象分类J 测绘科学，2014，39(12):91 94，103 10 邓书斌ENVI 遥感图像处理方法M 北京:高等教育出版社，2014 11 陈春雷，武刚面向对象的遥感影像最优分割尺度评价 J 遥感技术与应用，2011，26(1):96102 12 陈云浩，冯通，史培军，等基于面向对象和规则的遥感影像分类研究J 武汉大学学报:信息科学版，2006，31(4):316320 13 赵英时遥感应用分析原理与方法 M 北京:科学出版社，2003作者简介:施磊(1988)，男，江苏南通人，学士，工程师，主要研究方向为遥感应用。通信作者:杨彦梅(1988)，女，云南嵩明人，硕士研究生，高级工程师，主要研究方向为摄影测量与遥感。82地矿测绘2023 年 3 月