近年,随着经济发展的热浪,我国各地大兴土木、矿山开发、新修与改扩交通水利、取石填土等人类活动异常频繁。特别在西部峡谷区各项大型工程项目如火如荼地进行着,无论是兴修水电站保障“西电东送”,还是沿江的开发建设,大量的机械工程破坏了植被,使得土壤裸露、结构松散化,降低了生物多样性,增加了土壤侵蚀与次生地质灾害等现象的发生。为了快速、有效地掌握这些机械性破损面的空间分布情况,本研究以机械工程分布密集的云南省螳螂川流域为研究对象,采用高分二号(GF-2)遥感影像,探索一种基于GF-2遥感影像提取机械性破损面的有效方法,为区域内的生态环境恢复、水土保持和地质灾害防治提供可靠的数据源,同时也为类似研究提供参考。

结合研究区实际情况,机械性破损面特指露天矿(包括采石场)、水利、交通等大型机械工程施工后原有植被消失,新植被尚未恢复,从而以裸露形式存在的地表区域。由于机械性破损面与裸地具有相似的光谱信息,因此仅基于光谱信息难以将两者区分; 但与裸地斑块不同,人工机械性破损面表面具有明显的机械化作业后的痕迹残留。本研究正是利用这一特征,探索一种基于纹理特征的面向对象机械性破损面的提取方法。

虽然利用遥感影像提取机械性破损面的研究目前还鲜见有报道,但是面向对象的分类法已非常成熟,它充分利用了地物对象的光谱信息、几何信息及地物对象之间的语义信息、纹理特征和拓扑关系,使得分类结果更加准确。陈佳俊^[1]采用基于像元和面向对象2种方法对耕地信息进行了提取; Ouyang等^[2]采用面向对象的方法对台风过后的菲律宾独鲁万市进行了灾害监测; Xu等^[3]利用QuickBird遥感影像,通过面向对象的分类方法提取了黑河下游地区主要植被覆盖类型; 高仁强等^[4]采用SPOT7高空间分辨率卫星影像数据,提出了一种基于面向对象的模糊分类规则; 戴莉莉等^[5]结合隶属度函数构建了城市建筑、城市绿地的分类规则集,开展了面向对象的分类实验,与监督分类方法相比,取得了更好的分类效果; 针对GF-2影像,王蕾等^[6]以GF-2遥感影像为数据源,采用面向对象分类方法提取了城区地物信息; 张金盈等^[7]利用GF-2影像构建其对象的语义特征向量实现了研究区的自动化分类。

为了解决裸地和机械性破损面同谱异物分类较难的问题,本文采用加以纹理特征辅助的面向对象分类方法,以不同地物的不同特征为依据建立分类规则,并应用J-M距离可分离性分析灰度共生矩阵最优纹理特征,将最优纹理特征加入到提取规则中,最终实现裸地和机械性破损面的区分。

研究区位于云南省螳螂川流域东北侧,属于金沙江一级支流普渡河流域的上游地区,处于安宁市与昆明西山区的交界处。研究区的GF-2卫星遥感影像如图1所示。为了使各类地物的特征更加明显,使用B3(R),B4(G),B2(B)波段进行了假彩色合成。地理坐标为E102°22'50″~102°23'57″,N24°41'36″~24°42'40″,海拔为2 650~2 800 m。区内多分布中低山丘陵或峡谷地貌,出露地层岩类以碳酸盐岩、玄武岩等为主,土壤大多为红壤、水稻土,多年平均降水量约880 mm,植被覆盖率较好。区域内大型机械工程较多,例如露天矿山、道路和建筑施工场地等星罗棋布,造成大量分布杂乱无章的机械性破损面。近期大型机械施工项目以露天矿区(包括采石场)为主,是螳螂川流域露天采矿最为密集的区域。区内植被覆盖类型以林地和耕地为主,同时分布着裸地、水体和居民地,地物类别丰富,有助于机械性破损面的对比分析。

研究采用的遥感数据为GF-2影像,成像时间是2018年2月13日。数据为L1A级,包括4个多光谱波段和全色波段(空间分辨率分别为3.24 m和0.81 m),4个多光谱波段包括0.77~0.89 μm(NIR),0.63~0.69 μm(Red),0.52~0.59 μm(Green)和0.45~0.52 μm(Blue)。基础地理数据为研究区的1:1万地形图。为了增强影像数据的精确性和目视效果,对GF-2影像进行了辐射定标、FLAASH大气校正、正射校正和图像融合等预处理。

由于研究区覆盖地类丰富,提取机械性破损面的过程中容易出现同物异谱的现象,同时,基于像元的分类方法容易造成“椒盐效应”,分类精度不高^[8]。传统的基于像元的分类方法已经无法满足高空间分辨率遥感影像分类的需求。面向对象的决策树分类是一类以实验数据为基准的经验学习算法,该算法主要包括影像分割、地物特征提取和影像分类3个关键步骤^[9]。影像分割是指将整个影像区域分割成若干个互不交叠、具有相同或相似特性的非空子区域的过程^[10]。地物特征提取是按分类目标提取出各地类光谱、形状、纹理等特征的差异信息,将这些信息作为知识加入分类器中,可以大大提高分类精度。本文利用ENVI和eCognition 8.0软件,结合面向对象的决策树方法、监督分类方法对机械性破损面信息进行提取并进行对比分析,具体技术流程如图2所示。

影像分割是面向对象分析开始的第一步。分割算法能利用像素将整个影像细分成更小的影像对象。仅仅依靠单纯的多尺度分割,提取复杂的地物时常达不到理想的效果^[11],而光谱差异分割能在多尺度分割的基础上进一步做有效的合并,2种方法的结合能够将亮度值较为接近的对象进行合并,减少分割对象的数量,更好地为影像特征提取提供条件。

为了使分割后的影像对象内部同质性效果达到最优,需要对多尺度分割中的分割尺度、波段权重、均质性标准进行选择。不同的参数选择对分割效果有影响。分割尺度的设置是多尺度分割最重要的一步,尺度过小会出现“过分割”现象,而尺度过大又会导致“欠分割”现象。波段权重会影响波段信息参与分割的过程,权重越大,说明该波段的更多信息参与到多尺度分割的过程中^[12]。除了尺度参数和波段权重参数外,形状因子和紧致度的合理设置也尤为重要。经多次试验,本研究将尺度参数设为200,波段权重均为1,形状因子设为0.2,紧致度因子设为0.5,光谱差异分割参数设为110,获得分割效果最佳,能够将各类地物都较好地分割开来(图3)。其中,区域1展示了水体、林地对象的分割效果; 区域2展示了有作物的耕地和居民地对象的分割效果; 区域3展示了机械性破损面和裸地的分割效果; 区域4展示了无作物的耕地对象的分割效果。

以分割后的影像对象为基础,结合研究区的特点和获取数据的季节特征,将地物分为以下7类: 水体、林地、耕地(有作物)、耕地(无作物)、居民地、裸地和机械性破损面。为了精确地提取机械性破损面,需分析不同地物在GF-2影像中的特征规则(表1)。针对各类地物不同的特征规则,分别采取不同的提取方法: ①采用归一化水体指数(normalized difference water index,NDWI)和近红外波段提取水体。因为水体在近红外波段反射率与其他地物差别较大,反射率最低,结合近红外波段信息和NDWI值能够更加精确地提取。②借助归一化植被指数(normalized difference vegetation index,NDVI)提取植被。该指数通过增强植被某一特性或细节,反映植被生长状态,能够有效提取植被。③借助Stddev of length of edges (polygon)指数区分农作物覆盖的耕地和林地。该指数属于多边形指数的其中一种,用来度量多边形地物边界的标准差。相对于林地而言,耕地的分割边界规则,有一定的规律性,利用该指数易于区分耕地和林地。④采用形状指数length/width和Stddev of length of edges (polygon)指数相结合,有效地区分并提取建筑物和无作物覆盖的耕地。由于研究区中一部分居民地和无作物覆盖的耕地光谱特征较相似,仅通过4个波段的光谱信息难以区分,所以还结合了以上2项指数。⑤充分利用纹理特征提取机械性破损面。由于部分机械性破损面长时间风化,在影像中反射率较低,颜色较暗,与裸地很相似,仅靠光谱容易导致混淆和错分。通过图像对比发现,机械性破损面纹理特征比裸地明显清晰,所以除了光谱特征,还加入了纹理特征进行机械性破损面的提取。

纹理特征提取方法是用图像的特征灰度差异来反映纹理的空间结构差异^[13]。为了提高地物纹理特征的提取效率,降低提取信息的冗余,采用主成分分析法(principal component analysis,PCA)对预处理后数据进行分析。经PCA分析后,前3个波段已经包含94.32%的信息,其中,第一主成分分量包含了88.64%的信息。所以,使用该分量进行纹理信息提取。

灰度共生矩阵[P(i,j,d)C*C]由图像灰度级之间的联合概率密度构成。是角度θ方向上,相距d的2个像素,其灰度值分别为i和j,灰度级数目为C的频率相关矩阵,反映出影像中任意2点之间灰度的相关性^[14]。通过灰度共生矩阵的计算地物的纹理特征值, 能够反映灰度值变化的潜在规律。由于机械性破损面和裸地的差别较小,为了能够提取更多信息丰富、差异明显的纹理特征,选择角度θ 为0°,45°,90°和135°这4个方向,d为1个像素,窗口尺度为3*3来获取研究区影像的6种较常用的纹理信息,包括方差、信息熵、相异性、对比度、均值和同质度。提取结果如图4所示。

通过选取合格的机械性破损面和裸地样本,统计并分析2种地物的J-M距离和转换分离度指数(表2)。J-M距离指数可以衡量样本之间的可分离性,收敛范围为0~2。当J-M距离值大于1.8时,样本的可分离性较好; 当J-M距离值大于1且小于1.8时,有一定的可分离性,但是信息重叠性较大; 当J-M距离值小于1时,样本不具有可分离性^[15]。根据分析得出对比度和同质度的J-M距离值均大于1.8,且转换分离度也较大。对比度是度量影像中对比的强烈程度,检测图像的反差,有效反映出图像的沟纹深浅和清晰程度。同质度是度量图像纹理局部变化的多少,反映图像纹理的同质性。所以,选择对比度和同质度这2个纹理特征来区分裸地和机械性破损面。

根据上述分析的7类地物特征,建立分类规则(表3)。为了对比加入纹理特征的分类效果,先建立基于光谱特征NDVI的决策树A,其次在光谱决策树A的基础上,加入纹理特征规则,建立了纹理特征决策树B。

基于决策树A和决策树B分别进行面向对象的分类,提取结果如图5所示。图中黄色区域代表机械性破损面,棕色区域代表裸地。可以清晰地看出,图5(a)中由于一部分机械性破损面和裸地光谱较相似,产生了同谱异物的现象,导致了一定程度的混淆和错分,难以准确反映机械性破损面的范围。图5(b)机械性破损面提取效果较为理想,通过典型特征区域,可以直观地看出,加入纹理特征之后,机械性破损面和裸地已被较好地区分开,剔除误分的部分,更加精确地提取出了机械性破损面。

为了定量评价提取精度,更加准确地判断分类方法的优劣程度,通过实地考察与目视判读,采集了200个样本点并记录了对应的地物类型。利用混淆矩阵,计算出总体精度和Kappa系数等统计数据,对分类结果的正确率进行评价。表4为决策树A和决策树B提取的机械性破损面的精度分析结果。基于纹理特征的决策树B进行面向对象的分类结果总体精度达到了86.25%,Kappa系数达到了0.82,与基于光谱特征的决策树A的分类结果相比,总体精度提高了7.91%,Kappa系数提高了0.09。同时,用户精度和制图精度均有所提高。即加入了纹理特征的决策树能够更好地区分裸地和机械性破损面,避免了混淆错分的现象。

为了进一步验证加入纹理特征的面向对象分类的优势,本研究采用了最大似然法、马氏距离法和最小距离法3种基于像元的监督分类方法对原始数据进行分类,结果如图6所示。这3种方法的分类结果与面向对象的分类结果的对比见表5。根据上述监督分类的分类结果,可以看出3种方法的“椒盐效应”都比较严重,而且各类地物普遍存在一定的错分现象。从表5中可以看出,3种分类方法中,最大似然法具有最高的分类精度。但是,与面向对象的分类方法相比,后者的Kappa系数和总体分类精度均高于监督分类方法。基于光谱的决策树A与最大似然法相比,Kappa系数提高了0.08,总体精度提高了3.81%。而基于“光谱+纹理”的决策树B与比最大似然法相比,Kappa系数提高了0.17,总体精度提高了11.72%。

本文研究了机械性破损面的提取方法,依据其光谱、形状和纹理等特征构建了不同规则的决策树分类方法,以GF-2遥感影像为测试数据,验证了该方法的有效性。主要结论如下:

1)通过对GLCM的6种纹理特征进行统计分析,其同质度和对比度能有效地显示机械性破损面,更适宜作为提取机械性破损面的代表性纹理特征。

2) 与基于光谱信息的面向对象分类方法相比,加入了纹理特征的面向对象分类方法在消除与裸地的同谱异物现象方面具有明显的效果,能较好地识别裸地和机械性破损面,是基于GF-2提取机械性破损面的有效方法。

3)与最小距离法、马氏距离法和最大似然法3种基于像元的监督分类方法相比,基于“光谱+纹理”特征的面向对象分类方法在总体精度上分别提高了16.04%,13.58%和11.72%,在Kappa系数上分别提高了0.22,0.2和0.17,说明了本文方法用于提取机械性破损面的有效性。

本文研究也表明,在提高机械性破损面的分类效率、选择最佳分割尺度等方面还需要进一步加强研究,如面向对象分类过程中的最佳分割参数和地物代表性特征的选择,需要通过多次试验来调整。后期研究可采用迭代算法获取最佳尺度及最佳特征的阈值,以提高分类的效率。