论文部分内容阅读
广州市花都区赤坭镇市政管理所 广东广州 510800
摘要：由于湿地系统难以从地面接近的特性，大部分类型的湿地都难以去实地考察。随着空间信息技术的不断发展，遥感和地理信息系统的有利条件就使其成为调查湿地资源的最为理想的方法。湿地遥感信息分类提取并满足一定的分类精度和效率是湿地遥感研究的关键问题之一，已经有不少人提出了不少的方法，其中子象元分类的方法却没见应用于红树林湿地提取。本文就以高分辨率的Quickbird卫星影像作为数据源，通过子象元分解分类的方法对南沙区红树林湿地进行提取，以期在不同方法的应用中得到新的啟发。
关键词：子象元分类；红树林湿地；提取
遥感技术具有感测范围广、信息量大、获取信息快、更新周期短等特点，近20年来已广泛用于湿地资源调查、识别等研究中[5]。湿地遥感信息分类提取并满足一定的分类精度和效率，是湿地遥感监测研究的关键问题之一。国内外许多学者对湿地遥感影像分类已做大量的研究。在传统分类方法的基础上，又出现了许多新的分类方法，包括人工神经网络分类法、模糊分类法、支持向量机分类法、基于知识决策树分类法等[1-4]。笔者利用Quickbird卫星影像通过子象元分解分类的方法对南沙区红树林湿地进行研究。
1.研究方法
1.1子象元分类简介
子象元分类（Subpiexl Classifier）是一种高级的图像处理工具，是通过检测比象元更小的、或者非100%象元的专题信息，同时也可检测那些虽范围较大但混合有其他成分的专题信息，从而提高分类精度。子象元分类通过识别包含多种成分的一个象元中特定成分。子象元分类的特点具体表现在能解决混合象元问题、检测感兴趣子象元、具有自动环境校正功能、用于特征评价与优化的APS和ASK技术还有与传统分类方法提取特征与应用分类的不同[5]390。
1.2数据源
1.2.1红树林湿地的研究对遥感数据的要求
要进行红树林湿地的研究首先要求数据达到一定的空间分辨率或光谱分辨率，Quickbird数据的空间分辨率达到亚米级，从性价比来看是进行该研究的理想数据源之一。其次红树林通常生长在港湾河口地区的淤泥质滩涂上，红树林生态体系处于海洋和陆地的动态界面，受周期性海水浸淹的潮间带环境，所以要对红树林湿地进行研究，尽量要获取该生态体系完整的影像数据，这就要求数据获取尽量在低潮位时刻。还有是数据质量方面的要求，如无云、无阴霾、无噪声等[6]。
1.2.2数据源的获取
本研究所采用的广州大学城的影像是从GoogleEarth软件截取的（google earth的卫星影像，并非单一数据来源，而是卫星影像与航拍的数据整合。其卫星影像部分来自于美国DigitalGlobe公司的QuickBird（捷鸟）商业卫星与EarthSat公司（美国公司，影像来源于陆地卫星LANDSAT-7卫星居多），航拍部分的来源有BlueSky公司（英国公司，以航拍、GIS/GPS相关业务为主）、Sanborn公司（美国公司，以GIS、地理数据、空中勘测等业务为主）等。而大学城影像为Quickbird数据。，因此本文从GoogleEarth软件截取图像辅助研究。），该软件简单易用而且能方便获得，这给本研究带来极大的帮助。GoogleEarth在影像的基础上提供了很多数据图层，用户可根据自己希望的实际情况选择打开的图层。由于分辨率比较高，南沙区范围较大，所以需要将截出来的图用网格分成3*3一共9幅图像。在图像左下角可以得知影像的拍摄时间，所采用的影像是07年2月和10月还有08年2月拍摄的，相对较新，且云量较少，符合本研究的需要。
1.2.3数据源的预处理
与传统的中低分辨率的遥感影像比较，Quickbird数据由于空间分辨率高，数据量大在图像预处理阶段会存在一些问题。标准（Standard）级产品虽然经过了辐射校正、传感器畸变校正、几何校正，消除了平台定位和姿态误差、地球自转、地球曲率等造成的影像变形，并进行了投影。但是它并没有消除地形起伏的影响[7]。QuickBird的全色（Pan）波段已经从可见光波段扩展到近红外波段，而一些中低分辨率的卫星如SPOT Pan和IRS Pan只在可见光范围内，对于这些遥感数据的融合算法并不适用于高分辨率卫星，主要问题是颜色偏差较大，融合的质量有赖于操作者与数据源[8]等。在本次实验中由于子象元分类器自带有预处理功能和自动环境校正，所以直接使用该功能。
1.2.4影像的配准
由于Quickbird分辨率大，南沙区域也过大，所以截取时把影像分成3*3网格状。数据的采集不仅要获取对象的形状、大小，对于地理信息数据来说，其获取的数据应当具有基于某种坐标系统下的坐标，如此对数据进行地理分析，这就是对影像建立坐标参考。如果已经具有源参考数据或参考点，那么就是将影像匹配到参考数据上，获取一系列同名点位。本研究对影像的配准，所采用的参考数据为一幅纠正过的带有地理信息的南沙区spot影像。由于南沙区范围还是比较大的，先将未纠正和纠正过的影像图分割成9块，再分别以纠正过的影像作为参考，找到对应的位置点，逐幅进行配准。这里需要注意，建筑是3维立体的，而参考图层与需配准图像的拍摄角度不同，不能以建筑为对应点配准，应该找到相应位置的道路、河流等平面的地点配准，这样配准才精准。本次实验采取了16个控制点进行配准，令系统生成的同名点X、Y坐标值相对误差控制在0.1内。
图1-1 影像的配准
1.3技术路线
1.3.1技术路线流程图
1.3.2图像质量确认
质量确认功能通过确定图像重复数据行，增强图像的质量。当数据获取到之前，可能提供者产生过人为重复数据行。质量确认的输入就是需要进行子象元分类的原始图像，输出的是一幅包含有连续相同的高强度的叠加图像。对于每个波段的图像，重复行的检测是独立进行的。一些重复数据行影响均匀物质的空间属性，这将影响分类精度和训练集的特征质量。这里使用子象元分类器的图像质量确认模块，最终生成大小与波段相同的图像[5]396。
1.3.3图像预处理
摘要：由于湿地系统难以从地面接近的特性，大部分类型的湿地都难以去实地考察。随着空间信息技术的不断发展，遥感和地理信息系统的有利条件就使其成为调查湿地资源的最为理想的方法。湿地遥感信息分类提取并满足一定的分类精度和效率是湿地遥感研究的关键问题之一，已经有不少人提出了不少的方法，其中子象元分类的方法却没见应用于红树林湿地提取。本文就以高分辨率的Quickbird卫星影像作为数据源，通过子象元分解分类的方法对南沙区红树林湿地进行提取，以期在不同方法的应用中得到新的啟发。
关键词：子象元分类；红树林湿地；提取
遥感技术具有感测范围广、信息量大、获取信息快、更新周期短等特点，近20年来已广泛用于湿地资源调查、识别等研究中[5]。湿地遥感信息分类提取并满足一定的分类精度和效率，是湿地遥感监测研究的关键问题之一。国内外许多学者对湿地遥感影像分类已做大量的研究。在传统分类方法的基础上，又出现了许多新的分类方法，包括人工神经网络分类法、模糊分类法、支持向量机分类法、基于知识决策树分类法等[1-4]。笔者利用Quickbird卫星影像通过子象元分解分类的方法对南沙区红树林湿地进行研究。
1.研究方法
1.1子象元分类简介
子象元分类（Subpiexl Classifier）是一种高级的图像处理工具，是通过检测比象元更小的、或者非100%象元的专题信息，同时也可检测那些虽范围较大但混合有其他成分的专题信息，从而提高分类精度。子象元分类通过识别包含多种成分的一个象元中特定成分。子象元分类的特点具体表现在能解决混合象元问题、检测感兴趣子象元、具有自动环境校正功能、用于特征评价与优化的APS和ASK技术还有与传统分类方法提取特征与应用分类的不同[5]390。
1.2数据源
1.2.1红树林湿地的研究对遥感数据的要求
要进行红树林湿地的研究首先要求数据达到一定的空间分辨率或光谱分辨率，Quickbird数据的空间分辨率达到亚米级，从性价比来看是进行该研究的理想数据源之一。其次红树林通常生长在港湾河口地区的淤泥质滩涂上，红树林生态体系处于海洋和陆地的动态界面，受周期性海水浸淹的潮间带环境，所以要对红树林湿地进行研究，尽量要获取该生态体系完整的影像数据，这就要求数据获取尽量在低潮位时刻。还有是数据质量方面的要求，如无云、无阴霾、无噪声等[6]。
1.2.2数据源的获取
本研究所采用的广州大学城的影像是从GoogleEarth软件截取的（google earth的卫星影像，并非单一数据来源，而是卫星影像与航拍的数据整合。其卫星影像部分来自于美国DigitalGlobe公司的QuickBird（捷鸟）商业卫星与EarthSat公司（美国公司，影像来源于陆地卫星LANDSAT-7卫星居多），航拍部分的来源有BlueSky公司（英国公司，以航拍、GIS/GPS相关业务为主）、Sanborn公司（美国公司，以GIS、地理数据、空中勘测等业务为主）等。而大学城影像为Quickbird数据。，因此本文从GoogleEarth软件截取图像辅助研究。），该软件简单易用而且能方便获得，这给本研究带来极大的帮助。GoogleEarth在影像的基础上提供了很多数据图层，用户可根据自己希望的实际情况选择打开的图层。由于分辨率比较高，南沙区范围较大，所以需要将截出来的图用网格分成3*3一共9幅图像。在图像左下角可以得知影像的拍摄时间，所采用的影像是07年2月和10月还有08年2月拍摄的，相对较新，且云量较少，符合本研究的需要。
1.2.3数据源的预处理
与传统的中低分辨率的遥感影像比较，Quickbird数据由于空间分辨率高，数据量大在图像预处理阶段会存在一些问题。标准（Standard）级产品虽然经过了辐射校正、传感器畸变校正、几何校正，消除了平台定位和姿态误差、地球自转、地球曲率等造成的影像变形，并进行了投影。但是它并没有消除地形起伏的影响[7]。QuickBird的全色（Pan）波段已经从可见光波段扩展到近红外波段，而一些中低分辨率的卫星如SPOT Pan和IRS Pan只在可见光范围内，对于这些遥感数据的融合算法并不适用于高分辨率卫星，主要问题是颜色偏差较大，融合的质量有赖于操作者与数据源[8]等。在本次实验中由于子象元分类器自带有预处理功能和自动环境校正，所以直接使用该功能。
1.2.4影像的配准
由于Quickbird分辨率大，南沙区域也过大，所以截取时把影像分成3*3网格状。数据的采集不仅要获取对象的形状、大小，对于地理信息数据来说，其获取的数据应当具有基于某种坐标系统下的坐标，如此对数据进行地理分析，这就是对影像建立坐标参考。如果已经具有源参考数据或参考点，那么就是将影像匹配到参考数据上，获取一系列同名点位。本研究对影像的配准，所采用的参考数据为一幅纠正过的带有地理信息的南沙区spot影像。由于南沙区范围还是比较大的，先将未纠正和纠正过的影像图分割成9块，再分别以纠正过的影像作为参考，找到对应的位置点，逐幅进行配准。这里需要注意，建筑是3维立体的，而参考图层与需配准图像的拍摄角度不同，不能以建筑为对应点配准，应该找到相应位置的道路、河流等平面的地点配准，这样配准才精准。本次实验采取了16个控制点进行配准，令系统生成的同名点X、Y坐标值相对误差控制在0.1内。
图1-1 影像的配准
1.3技术路线
1.3.1技术路线流程图
1.3.2图像质量确认
质量确认功能通过确定图像重复数据行，增强图像的质量。当数据获取到之前，可能提供者产生过人为重复数据行。质量确认的输入就是需要进行子象元分类的原始图像，输出的是一幅包含有连续相同的高强度的叠加图像。对于每个波段的图像，重复行的检测是独立进行的。一些重复数据行影响均匀物质的空间属性，这将影响分类精度和训练集的特征质量。这里使用子象元分类器的图像质量确认模块，最终生成大小与波段相同的图像[5]396。
1.3.3图像预处理