采用2010年4月20日的SPOT5图像对大连庄河地区的池塘养殖用海信息进行提取。其全色波段图像空间分辨率为2.5 m, 波段范围490~690 nm, 大小为4 354× 3 232个像元; 多光谱图像空间分辨率为10 m, 包含绿、红、近红外和短波红外4个波段。图像的预处理主要包括辐射校正、几何纠正、数据融合等, 利用ENVI软件或ERDAS IMAGINE软件中的相应模块来完成。采用Ehlers方法进行图像融合, 融合图像的1、2、3、4波段依次为绿、红、近红外和短波红外波段。融合后的图像见图2。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 融合图像Fig.2 Fused image

针对池塘养殖用海信息提取的需要, 进行了两次图像分割。在大尺度分割中, 首先基于融合图像的近红外波段, 采用Canny算子进行图像边缘检测^[4], 以提取图像中构筑物、填海造地外边界等线状地物; 然后在eCognition软件中, 设置图像4个波段图层和提取的边缘图层权重均为1, 并比较不同尺度分割结果, 最终选择尺度值为300进行大尺度分割, 以实现水陆分离(图3)。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 针对水体的大尺度图像分割Fig.3 Large scale image segmentation of water

在小尺度图像分割中, 采用平均分割评价指数(average segament estimation index, ASEI)的方法来确定针对养殖斑块的最优分割尺度^[5], 平均分割评价指数最大的那个尺度即为最优分割尺度。选择2个典型的池塘养殖集中分布区, 利用eCognition软件, 计算不同分割尺度下的平均分割评价指数, 如图4所示。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 池塘养殖最优分割尺度选择Fig.4 Optimal segmentation scale selection of pond aquaculture

从图4中可以看出, 在尺度值为45~50时, ASEI达到最高。因此, 确定尺度值50为针对池塘养殖用海方式的SPOT5图像最佳分割尺度。图5为选择的2个样区在尺度50下的分割结果。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 尺度值为50的池塘养殖样区分割结果Fig.5 Segmentation result of pord aquaculture areas using segmentation scale value of 50

在面向对象的图像分析中, 对象特征主要包括光谱特征、纹理特征、形状特征、语义特征、层次特征、专题特征等。在池塘养殖海域, 有较多的海域使用是通过围割海水的方式来实现的, 形成小面积、具有规则形状的地物斑块, 并且在多数情况下, 这些斑块内部的主要构成是海水(例如池塘养殖、盐田、港池蓄水等)。对于水体信息提取可通过构建归一化水体指数(normalized difference water index, NDWI)来实现, 其具体计算公式见文献[6]。因此, 在池塘养殖信息提取时, 光谱特征最为重要, 其次是形状特征和语义特征。

面向对象的遥感图像分类过程就是将一定图层上的对象与地物类别对应起来, 使得每个图像对象被指定为一定的类别^[7]。对象类别的判定可通过基于规则集的模糊分类法来实现, 即用一组特征来描述对象, 并建立对象与类结构之间的关系和判别规则。

首先, 针对尺度300的分割对象, 利用NDWI值提取所有水域斑块, 主要包括池塘养殖区、盐业用海区、河流、湖泊、海洋水体、蓄水池等。其中, 河流通常具有狭长的形状, 湖泊、海洋水体内部较为均质, 而蓄水池面积较小, 分别利用形状指数、波段方差、对象面积等光谱特征或形状特征来识别上述地物。相比之下, 在尺度300的分割结果中, 盐业用海区和池塘养殖区的空间结构较为相似, 内部均有大量筑堤将其划分为网格状的水域。通过观察发现, 不同于池塘养殖区, 盐业用海区内部除了存在大量筑堤外, 还存在光谱特征较为明显的高浓度卤水区。因此, 需在更小尺度上获取盐业用海区内部的特征对象(卤水区)以实现上述两者的有效区分。同理基于本文第2.2节的图像分割方法, 采用平均分割评价指数法确定针对盐田斑块的最佳分割尺度为15, 并在该对象层次上提取出典型的高浓度卤水和盐田内的筑堤。卤水是含有大量藻类浮游生物的水体, 叶绿素浓度较高, 根据Geltison等人的研究结果^[8], 3波段组合指数(对于SPOT数据, 可表示为(1/B2-1/B3)× B4)可较好地指示叶绿素a浓度的高低, 因此可利用该指数((1/B2-1/B3)× B4≥ -0.41)提取卤水斑块。对于筑堤的提取, 可通过对形状指数设定阈值(shapeindex≥ 2.5)来实现。此时, 利用eCognition软件将尺度为15的分割结果同化到尺度300的分割图层上, 并认为尺度300的分割对象中同时包含有高浓度卤水和筑堤的即为盐业用海区, 需剔除。对于剩下的池塘养殖区再通过尺度50的图像分割, 并利用NDWI值和对象间的邻近关系去除滩涂、筑堤等地物, 即得到池塘养殖池斑块。对用于提取池塘养殖用海信息的规则集进行总结, 如表1所示。

表1

Tab.1

表1(Tab.1)

表1 池塘养殖池分类规则集 Tab.1 Classification method of pond aquaculture 分割尺度 提取信息 分类方法 15 提取含有高浓度卤水区及筑堤的区域 (1/B2-1/B3)× B4≥ -0.41, 且shapeindex≥ 2.5 300 提取水体区域 NDWI≥ 0.35 去除盐业用海区 尺度15下含有高浓度卤水区和盐田筑堤的区域 去除河流等 长宽比≥ 4 去除湖泊、海洋水体等 波段4方差≤ 5 去除蓄水池 面积≤ 20 000个像元 50 提取池塘养殖区的水体(去除滩涂等) NDWI≥ 0.4 去除筑堤 波段4图层上对象与邻近亮对象的相对边界≤ 0.9

表1 池塘养殖池分类规则集 Tab.1 Classification method of pond aquaculture

利用表1中的分类规则对研究所用图像进行分类, 其最终的信息提取结果见图6中的黄色区域。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 池塘养殖信息提取结果(黄色区域)Fig.6 Pond aquaculture information extraction result(yellow area)

一般定量表达分类精度的最普遍方法是构建分类误差矩阵(也称为混淆矩阵), 分类误差矩阵是将分类结果与参考数据基于像元或斑块逐一对比得到的。本研究通过目视解译和野外验证结果得到研究区池塘养殖分布数据, 并将其作为参考数据与自动提取结果进行比对计算。总体而言, 基于面向对象的池塘养殖用海信息提取技术具有较高的分类精度。传统的基于像元统计的生产精度为85.83%, 用户精度为92.03%; 而基于面向对象的利用养殖池斑块统计的生产精度为94.04%, 用户精度为95.30%。

池塘养殖的漏分主要表现在盐业用海区有时会存在少量的池塘养殖斑块, 而这些斑块较难识别, 往往会划分到盐业用海方式中。此外, 在池塘养殖池四周存在筑堤, 而这些筑堤的阴影常常会造成提取出来的池塘养殖池比实际面积要小。而池塘养殖的错分情况则主要表现在有些筑堤在图像上表现不明显, 有时会一并划分到池塘养殖斑块中, 而河流入海口等有时也会由于人工建筑物的分割形成小面积水域斑块与养殖池相混淆。