基于DLG數(shù)據(jù)的植被快速構(gòu)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(huán)境，區(qū)域地表覆蓋類(lèi)型變化多樣，地物極其破碎，基礎(chǔ)地理信息中植被構(gòu)面耗時(shí)長(zhǎng)、工作量大，嚴(yán)重影響了基礎(chǔ)地理信息數(shù)據(jù)的入庫(kù)、地理統(tǒng)計(jì)分析以及應(yīng)用范圍，此外，復(fù)雜山地環(huán)境中植被垂直分布差異較大，導(dǎo)致植被構(gòu)面的工作量大、難度高，急需建立一套適應(yīng)復(fù)雜山地環(huán)境背景下的植被快速構(gòu)面程序，以提高基礎(chǔ)地理信息以及地理國(guó)情普查自動(dòng)化、精細(xì)化處理水平。

目前，很多測(cè)繪單位生產(chǎn)的基礎(chǔ)地理信息數(shù)據(jù)中，植被數(shù)據(jù)集均無(wú)面狀信息，而是采用地類(lèi)界線(xiàn)加植被分類(lèi)符號(hào)組合的方式表示。由于地類(lèi)界線(xiàn)的組成較為復(fù)雜（由道路、水系、居民地、圍欄、 植被界線(xiàn)等要素組成），當(dāng)?shù)仡?lèi)界與地物重合時(shí)，地類(lèi)界線(xiàn)不重復(fù)采集。因此，基于地類(lèi)界線(xiàn)構(gòu)面獲取植被要素集面狀信息的工作量很大，需花費(fèi)較多的人力和時(shí)間才能完成，不利于進(jìn)行批量化生產(chǎn)。

國(guó)內(nèi)測(cè)繪行業(yè)將DLG數(shù)據(jù)與高分辨率影像數(shù)據(jù)相結(jié)合進(jìn)行植被數(shù)據(jù)集信息提取以及構(gòu)面的方法還少有研究[1]。為解決DLG數(shù)據(jù)中面狀植被信息難以采集的問(wèn)題，提出了一種基于高分辨率衛(wèi)星影像數(shù)據(jù)和1︰ 5 000 DLG基礎(chǔ)測(cè)繪成果數(shù)據(jù)，采用面向?qū)ο蟮姆椒?gòu)建面狀植被信息，然后再結(jié)合DLG現(xiàn)有植被類(lèi)型點(diǎn)信息，實(shí)現(xiàn)植被面自動(dòng)構(gòu)面和植被自動(dòng)賦值，以及對(duì)遙感分割結(jié)果進(jìn)行邊緣修復(fù)、光滑等一系列處理，并通過(guò)實(shí)驗(yàn)樣圖的生產(chǎn)驗(yàn)證了該工藝流程的可行性及適用性。實(shí)驗(yàn)結(jié)果表明，該工藝流程不僅能滿(mǎn)足面狀植被信息生產(chǎn)的精度要求，而且還能提高生產(chǎn)效率。

1 研究區(qū)及技術(shù)路線(xiàn)

研究區(qū)為長(zhǎng)壽區(qū)八顆鎮(zhèn)中部，面積約為7 km2。該區(qū)域地物類(lèi)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(lán)、近紅外4個(gè)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(shù)據(jù)作為植被快速構(gòu)面的依據(jù)，該數(shù)據(jù)包括7個(gè)線(xiàn)圖層、7個(gè)面圖層、1個(gè)邊界圖層以及1個(gè)點(diǎn)圖層，植被點(diǎn)類(lèi)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(shù)路線(xiàn)如圖1所示。

圖1 研究技術(shù)路線(xiàn)圖

2 數(shù)據(jù)預(yù)處理

2.1 遙感影像預(yù)處理

在利用遙感影像結(jié)合DLG數(shù)據(jù)提取植被信息時(shí)，由于原始遙感影像的幾何精度、光譜質(zhì)量、區(qū)域范圍、空間分辨率等通常不能滿(mǎn)足既定需求，因此需要對(duì)原始遙感影像數(shù)據(jù)進(jìn)行預(yù)處理。數(shù)據(jù)預(yù)處理技術(shù)的主要內(nèi)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(jié)果如圖2。

圖2 研究區(qū)遙感影像處理結(jié)果

2.2 DLG要素預(yù)處理

為使植被信息提取后的結(jié)果能與現(xiàn)有基礎(chǔ)測(cè)繪DLG成果更好地吻合，在進(jìn)行植被數(shù)據(jù)集劃分類(lèi)型梳理的過(guò)程中，主要依據(jù)《重慶市1︰5 000基礎(chǔ)地理信息數(shù)據(jù)庫(kù)建設(shè)技術(shù)》（2013版）和《重慶市1︰ 5 000基礎(chǔ)地理信息數(shù)據(jù)庫(kù)建設(shè)技術(shù)設(shè)計(jì)書(shū)》進(jìn)行植被信息類(lèi)型劃分。在類(lèi)型劃分過(guò)程中，首先基于《重慶市1︰ 5 000基礎(chǔ)地理信息入庫(kù)數(shù)據(jù)規(guī)定》確定分類(lèi)的級(jí)別和植被類(lèi)別的名稱(chēng)，對(duì)于通過(guò)影像難以提取的要素類(lèi)型（如行樹(shù)、零星樹(shù)木）等進(jìn)行適當(dāng)?shù)膭h除處理；對(duì)于易混植被要素類(lèi)型進(jìn)行了合并處理，如稻田、臺(tái)田、條田統(tǒng)一分類(lèi)為稻田；在類(lèi)型劃分的過(guò)程中未增加植被類(lèi)型和修改植被類(lèi)型。

通過(guò)對(duì)DLG中各要素集的分析可以發(fā)現(xiàn)，地表覆蓋的要素集主要有水系、居民地及設(shè)施、交通、植被與土質(zhì)4大類(lèi)。將DLG數(shù)據(jù)導(dǎo)入到ArcGIS、FME中，提取出植被分類(lèi)需要利用的線(xiàn)狀要素層，包含交通、水系、居民點(diǎn)及設(shè)施、地類(lèi)界等各類(lèi)線(xiàn)狀要素，而植被符號(hào)層單獨(dú)作為實(shí)驗(yàn)結(jié)果修正的參考層。

3 植被構(gòu)面研究

3.1 面向?qū)ο蠓指罴胺诸?lèi)

植被構(gòu)面首先需要基于DLG數(shù)據(jù)對(duì)遙感影像進(jìn)行一個(gè)粗分割，從而獲取植被面數(shù)據(jù)。研究基于德國(guó)的eCognition軟件，采用面向?qū)ο蟮亩喑叨确指畹姆椒ǎ⑶揖C合考慮了多尺度分割參數(shù)選擇方法，根據(jù)影像特點(diǎn)對(duì)主要的分割參數(shù)波段權(quán)重、分割尺度、光譜因子和形狀因子進(jìn)行合理設(shè)置。在面向?qū)ο蠖喑叨确指钸^(guò)程中，為了能更好地規(guī)范eCognition軟件的分割對(duì)象塊，使分割對(duì)象塊能與已有的DLG數(shù)據(jù)最大程度地吻合，將DLG數(shù)據(jù)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(yùn)用構(gòu)建規(guī)則集對(duì)植被進(jìn)行粗分類(lèi)，提取植被信息，參與規(guī)則集構(gòu)建的主要指標(biāo)有歸一化植被指數(shù)、歸一化差分植被指數(shù)、增強(qiáng)型植被指數(shù)、綠度比值、紅度比值等[6-11]。

圖3 面向?qū)ο蟮亩喑叨确指罴胺诸?lèi)示意圖

3.2 植被屬性賦值

植被構(gòu)面程序主要是基于ArcGIS軟件平臺(tái)進(jìn)行的二次開(kāi)發(fā)插件，程序首先將植被符號(hào)點(diǎn)信息賦給經(jīng)過(guò)面向?qū)ο蟮亩喑叨确指詈头诸?lèi)處理的植被面。賦值原則為：如果某一植被面范圍內(nèi)只有一種植被類(lèi)型的符號(hào)點(diǎn)，那么就將給植被點(diǎn)屬性賦值給植被面；如果某一植被面范圍內(nèi)有兩種及以上的植被符號(hào)點(diǎn)，則將該植被面屬性賦值為“混合植被”。

3.3 植被面規(guī)范化處理

單純利用面向?qū)ο筮b感影像分析技術(shù)所提取出的植被面數(shù)據(jù)，其邊界信息是很不規(guī)則的復(fù)雜面，與實(shí)際的DLG數(shù)據(jù)邊線(xiàn)不能完全套合，存在突出或內(nèi)陷的情況，這樣的植被面并不能滿(mǎn)足DLG植被數(shù)據(jù)構(gòu)面的目的，也難以利用其植被數(shù)據(jù)進(jìn)行相應(yīng)的分析、處理。因此必須研究植被面數(shù)據(jù)與已有DLG的自適應(yīng)技術(shù)，研究面向?qū)ο筮b感影像分析中所提取的植被面數(shù)據(jù)進(jìn)行邊緣自適應(yīng)處理的方法，使得植被面邊界能與DLG數(shù)據(jù)相吻合。

植被面規(guī)范化處理包括分割面融合、邊緣化規(guī)范處理、拓?fù)渥詣?dòng)修改3個(gè)方面。分割面融合程序主要對(duì)植被分割面進(jìn)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(chǎn)生新的植被面；植被邊緣化規(guī)范處理是自動(dòng)將植被面的各種鋸齒和凹凸不平的地方進(jìn)行規(guī)范化處理，使得植被邊緣與原始的DLG數(shù)據(jù)邊緣全面吻合；拓?fù)渥詣?dòng)修改程序是對(duì)成果的最后一步處理，能夠?qū)χ脖粯?gòu)面成果自動(dòng)進(jìn)行拓?fù)錂z查及修改（圖4）。

圖4 植被快速構(gòu)面處理結(jié)果

3.4 構(gòu)面結(jié)果評(píng)價(jià)

植被構(gòu)面成果精度評(píng)價(jià)是指植被構(gòu)面結(jié)果正確的面與植被面構(gòu)面總數(shù)進(jìn)行比較，正確的面所占的百分比就表示植被構(gòu)面精度。根據(jù)1︰5 000 DLG數(shù)據(jù)中植被點(diǎn)及地類(lèi)界等相關(guān)數(shù)據(jù)進(jìn)行了手動(dòng)構(gòu)面及屬性賦值處理，對(duì)比結(jié)果顯示：植被構(gòu)面程序自動(dòng)構(gòu)面795 個(gè)，其中有效面755個(gè)，無(wú)效面40個(gè)。在有效面中，615 個(gè)面與1︰5 000地形圖中植被點(diǎn)吻合，140個(gè)面錯(cuò)誤，正確率達(dá)到81.5%。在時(shí)間效率方面，利用植被構(gòu)面程序?qū)崿F(xiàn)植被構(gòu)面以及對(duì)無(wú)效面、錯(cuò)誤面后續(xù)處理耗時(shí)1 d，而人工基于DLG數(shù)據(jù)完成該實(shí)驗(yàn)區(qū)植被構(gòu)面耗時(shí)共計(jì)8 d，因此基于程序的植被構(gòu)面效率要遠(yuǎn)遠(yuǎn)高于人工構(gòu)面效率。

4 結(jié) 語(yǔ)

本文基于1︰5 000 DLG數(shù)據(jù)，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(duì)比多種解譯模型的提取效果，建立了相應(yīng)的植被信息提取模型，并基于DLG知識(shí)庫(kù)發(fā)展了植被邊界規(guī)范化處理算法，形成植被邊界規(guī)范化處理程序，自動(dòng)提取植被邊界，實(shí)現(xiàn)了復(fù)雜山地環(huán)境下植被的快速、準(zhǔn)確構(gòu)面。研究結(jié)果表明，基于DLG數(shù)據(jù)的植被快速構(gòu)面算法和程序能夠極大地提高植被構(gòu)面的效率，且構(gòu)面準(zhǔn)確。同時(shí)，構(gòu)面算法的模塊化生產(chǎn)使得DLG植被構(gòu)面可以進(jìn)行批量處理，也減少了植被構(gòu)面的生產(chǎn)成本。

從植被構(gòu)面結(jié)果看，利用eCognition作簡(jiǎn)單的影像分割，再基于影像分割結(jié)果與DLG數(shù)據(jù)結(jié)果，通過(guò)ArcGIS植被構(gòu)面程序?qū)崿F(xiàn)植被自動(dòng)構(gòu)面分類(lèi)。此植被構(gòu)面分類(lèi)雖然速度快而且可以批量處理，但是植被的準(zhǔn)確性判斷以及后期錯(cuò)誤面、無(wú)效面處理需要花費(fèi)過(guò)多時(shí)間，使得在處理效率上不盡人意。因此下一步需要對(duì)植被自動(dòng)構(gòu)面結(jié)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(dòng)構(gòu)面的正確性，進(jìn)一步減少人工工作量。此外，現(xiàn)有植被構(gòu)面操作步驟過(guò)于繁雜，步驟太多，下一步需對(duì)現(xiàn)有植被構(gòu)面插件進(jìn)行優(yōu)化，減少操作步驟，以便進(jìn)一步提高構(gòu)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(shù)在測(cè)繪中的應(yīng)用研究[C].第十七屆中國(guó)遙感大會(huì)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(yè)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(lèi)[J].遙感與信息, 2004, 20(4):398-400

[8]張寶雷，周萬(wàn)村，馬澤忠.三峽地區(qū)主要地類(lèi)的自動(dòng)提取方法研究[J].長(zhǎng)江流域資源與環(huán)境, 2005,14(4):445-447

[9]錢(qián)巧靜, 謝瑞, 張磊,等.面向?qū)ο蟮耐恋馗采w信息提取方法研究[J].遙感技術(shù)與應(yīng)用, 2005, 20(3):338-342

[10]曹雪, 柯長(zhǎng)青.基于對(duì)象級(jí)的高分辨率遙感影像分類(lèi)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?qū)ο蟮姆诸?lèi)方法從IKONOS 全色影像中提取河流和道路[J].測(cè)繪科學(xué), 2006,31(l):62-63