SPOT卫星影像的水体提取方法及分类研究_都金康
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
文章编号:1007-4619(2001)03-0214-06SPOT 卫星影像的水体提取方法及分类研究
都金康,黄永胜,冯学智,王周龙
(南京大学城市与资源学系,江苏南京210093)
摘 要: 文中分析了水体及其它主要地物的光谱特性在SPOT 影像中的表现特征,发现大多数地形阴影与水体的光谱特征具有一定的相似性,因而用单一的方法很难有效地提取山区中的水体。
经过研究,发现用决策树分类方法,在各节点设计不同的分类器,可以有效地提取山区中的水体。
由于不同类型的水体其面积、周长、形状等几何特征各有特点,并且与地貌类型有一定的关系,因而可利用水体的空间特征信息,对提取的水体进行分类,其方法也选用决策树分类方法,分类结果令人满意。
关键词: 水体;决策树分类;空间结构中图分类号: TP751.1 文献标识码: A
1 引 言
利用卫星遥感数据提取水体,进行水资源宏观
监测及洪水淹没范围评估,近20年来得到了广泛的研究。
阈值法、差值法、比值法、密度分割法、色度判别法、比率测算法、谱间关系法以及基于知识的水体自动判别方法和根据形状信息进行水体识别与分类方法等各种方法相继提出并得到了应用。
刘建波等利用密度分割法从TM 图像中提取水体的分布范围[1]。
陆家驹等分别用阈值法、色度判别法、比率测算法从TM 资料中识别水体[2],通过识别结果的比较认为,阈值法的单红外波段识别水体简便迅速,但只能满足4000m 2以上水体的要求,色度判别法优于红外单波段,比率测算法不但能识别其它方法无法识别的小水体,还能对大水体的形状有所改进。
肖乾广等利用AVHRR 的通道2与通道1差值图像可很好地识别水体[3]。
Barton I .J .等利用AVHRR 通道4提取的亮度温度来识别水体并对洪水进行了昼夜监测
[4]。
盛永伟等利用AVHRR 数据的通道2
与通道1之比值图像,有效识别薄云覆盖下的水体[5]。
周成虎、杜云艳等提出了基于水体光谱知识
的AVHRR 影像水体自动提取识别的水体描述模型,并将该模型应用于太湖、淮河、渤海等地区[6,
7]。
此外,最常见的方法是使用分类方法提取水体,Shil
利用Landsat MSS 提取水体[8],认为单波段(近红外波段7)密度分割法与波段5和波段7组合的非监督
分类法所获得的水体表面积仅差3%,任一方法都可采用。
以上方法对于平原地区是很有效的,但对于山区,在提取水体的同时,易将阴影提取出来,这主要是由于大多数地形阴影与深水水体的光谱特征相混淆。
杨存建等针对这一问题,发现Landsat TM 影像中,只有水体具有波段2加波段3大于波段4加波段5的特征,据此可以将水体单一提取出来[9]。
但是对于SPOT 及其它卫星影像,水体并无如此特性。
由于遥感图像的类别不同以及研究地区的地面特征不同,同一方法不可能适用于所有情况。
必须对研究地区的特点、遥感影像特征以及水体的遥感信息机理等方面进行综合分析研究,最后才能确定使用某一方法或几种方法综合使用。
本文对SPOT 卫星资料识别水体问题进行了研究,提出了基于SPOT 影像的决策树水体识别技术,该方法可很好地去除山体阴影。
利用光谱信息无法对提取的水体进行分类。
但不同类型的水体其面积、周长、形状等几何特征各有特点,并且与地貌类型有一定的关系。
黎夏利用形状信息对初分类的水体进一步分类,提高分类精度[10]。
本文则利用水体的空间特征信息,选用决策树分类方法对提取的水体进行分类。
收稿日期:2000-07-17;修订日期:2000-10-12
作者简介:都金康(1964— ),男,副教授。
1988年南京大学水资源与环境专业研究生毕业。
主要从事水资源系统分析、洪涝灾害、水文模型、遥感及GIS 在水文与水资源应用等方面的研究。
发表论文20余篇。
第5卷第3期遥 感 学 报
Vol .5,No .32001年5月
JOURNAL OF RE MOTE SENSI NG
May ,2001
2 水体识别原理及方法
2.1 水体的遥感机理分析
卫星遥感影像记载了地物对电磁波的反射信息及地物本身的热辐射信息。
各种地物由于其结构、组成及理化性质的差异,导致其对电磁波的反射及本身的热辐射存在着差异。
天然水体对0.4—2.5μm电磁波的吸收明显高于绝大多数其它地物,因而水体的总辐射水平低于其它地物,在彩色遥感影像上表现为暗色调。
在红外波段,水体吸收的能量高于可见光波段,即使水很浅,水体也几乎全部吸收了近红外及中红外波段内的全部入射能量,所以水体在近红外及中红外波段的反射能量很少,而植被、土壤在这两个波段内的吸收能量较小,且有较高的反射特性,这使得水体在这两个波段上与植被和土壤有明显的区别。
反映在影像上,水体呈现出暗色调,而土壤植被则相对较亮。
因此,选用一个合适的近红外波段,定出水体的阈值,将低于该值的像元定为水体,高于该值的像元则为非水体,这样就可很容易地把水体与其它地物区分开来。
但在山区,由于山体阴影的影响,使得阴坡在红外波段的反射能量特别低,在图像上同样呈现暗色调,若使用阈值法,则提取的水体中混有阴影。
因此,阈值法无法有效提取山区影像中的水体。
在可见光波段内,水体的波谱特性非常复杂,其反射率主要取决于水面、水中物质和水体底部物质的反射,因而水体本身性质及水中物质类型及含量对反射率都有影响。
阴影在可见光波段的反射特性则主要由该阴影笼罩的地物反射特性决定。
分析水体及阴影在可见光及红外波段的光谱特性,从中找出二者的差异,从而区分它们,则是本研究的主要内容。
2.2 S POT影像的水体及背景地物的光谱值分析
本研究区域为江苏省南京市江宁县,所选卫星影像资料为1999-01-21的SPOT-4(XI)。
该影像共有4个波段,分别为:B1(0.50—0.59μm),B2(0.61—0.68μm),B3(0.78—0.89μm)和短波红外波段SWIR(1.58—1.75μm)。
为了分析水体及背景地物在SPOT-4的光谱亮度值特征,选取5种典型地物,就每一地物测定其各波段的光谱亮度值,并进行样本统计,统计结果见表1。
表1 样点波谱亮度值统计结果
Ta ble1 The statistical results of sam ples'spectral values
地物水体居民地植被旱地阴影最小值91103739774
最大值11511696117112 B1均值1041089010788均方差735411
最小值6893628759
最大值10010888116104 B2均值86100769975均方差747913
最小值3863929942
最大值619013817470 B3均值487511313153均方差2715189
最小值3972689639
最大值4611215617286 SWIR均值419310712162均方差212312014
从表1可以看出,在波段B1,水体与居民地、旱地有混淆,而与其它地物有较大的差别;在B2,居民地、旱地混淆较大,植被与阴影基本上重叠,水体处于它们之间,5种地物都有一定程度的重叠。
在B3,水体与阴影重叠严重,而与其它地物差别明显;在短红外波段SWIR各地物亮度值差异较明显,但水体与阴影仍有少部分重叠。
对同一地物同一波段的采样点值做均值统计,并作出地物的均值波谱图(图1),从图中可直观看出以上特点。
在SWIR波段(横坐标值为4)水体的亮度值明显低于其他地物,对此
第3期都金康等:SPOT卫星影像的水体提取方法及分类研究215
波段可利用阈值法将水体从其它地物中分离出来,但混有阴影,因而单一的阈值法无法有效地提取水体。
我们用相似性距离法、极大似然法以及B P 神经网络方法进行分类,发现水体类别中仍然混有阴影,这些方法也不能有效地提取水体。
因而,水体提取的重点集中在如何去除水体中的阴影,如果有研究区的DTM 辅助信息如坡度信息,则去除阴影比较容易。
如没有辅助信息,则需另想办法,下面是我们提出的解决方法。
图1 典型地物波谱响应曲线Fig .1 The spectral response curves of typical
objects
2.3 水体的提取过程
根据水体的遥感机理及光谱特征分析,水体的
提取可按以下步骤来完成:
(1)水体及阴影的提取
利用SWIR 波段水体的亮度值明显低于其它地物的特点,通过直方图分析,发现水体与其它地物各有一峰值,中间有一过渡区,为了避免各浅水水体的漏提,阈值定在非水体的起点,其值为85。
将提出的水体叠置在由B2,B3,SWIR 组合的彩色合成图像上,发现水体全部提出,但有一部分并非水体,而是山体的阴影,其它地物并未发现。
(2)阴影的去除
为了将所提水体中的阴影去掉,将水体及阴影再采样,分析它们在4个波段的波谱特性,水体与阴影的波谱亮度值见图2。
从图中可看出:在B1,水体亮度值一般大于100,且变化幅度较大,而阴影亮度值一般小于100。
在SWIR ,水体亮度值一般小于60,而阴影亮度值大于60,但水体的亮度值范围较窄。
在B2,水体与阴影的亮度值关系类似B1,但二者的混淆较大。
在B3,水体与阴影的关系类似
SWIR ,但混淆也较大。
据此,为了将阴影去除而又
不去掉过多的水体,选择B1进行阴影去除,取阈值100进行判别:阴影={“B1”<100},这样可将阴影从提取的水体中去除。
图2 水体与阴影的波谱响应曲线Fig .2 The spectral response curves
of water and shadow
(3)丢失水体再提取
将去除阴影后的水体叠置在由B2,B3,SWIR 组合的彩色合成图像上,发现阴影全被去除,但部分水体也被去除。
为了提取丢失的水体,在提出的阴影
影像上再采样,分析阴影中的少量水体与阴影的波谱特征(图3),发现在B1,水体亮度值大于83;在B2水体亮度值大于60;在B3水体亮度值小于55;在SWIR 水体亮度值小于50。
而阴影在4个波段的亮度值却不同时具备以上特点。
据此,利用水体与阴影在4个波段波谱响应趋势的不同,可分离水体与阴影,如果某像元同时满足下列条件:
(a )B1>83;(b )B2>60;(c )B3<55;(d )SWIR <50。
图3 去除的阴影中水体、阴影波谱响应曲线
Fig .3 Spectral response curves of water
s hadow in extracted shadow i mage
可将此像元判为水体,否则为阴影。
如此可将水体从阴影中提取出来。
将分离阴影后的水体与从阴影中提取的水体叠加,再叠置在由B2,B3,SWIR 组合的彩色合成图像
216 遥 感 学 报第5卷
上,发现水体被准确提出,几乎没有山体阴影,也没
有水体被漏提(其结果见图4、图5)。
图4 在SWIR 用阈值法提取的水体
Fig .4 The water bodies extracted using thresholding
at SWIR
以上提取水体的过程,从分类的角度可归于决
策树分类,其过程可用图6表示。
该过程的步骤简单
直观,首先根据短波红外波段水体亮度值明显低于其它地物的特点将水体与其它地物分离开,但会混有山体阴影;然后再将阴影从水体中去除,但部分水体也被去除;最后再将丢失的水体再提取回来。
图5 去除阴影后的水体
Fig .5 The water bodies after discarding
shadows
图6 水体提取过程
Fig .6 The Procedure of water bodies extraction
3 基于空间特征的水体分类
利用光谱信息无法对提取的水体进行分类。
但由于不同水体的空间特征各有特点,因而可利用这些特点对水体进行分类。
3.1 水体空间特征分析
地物空间特征主要有大小、形状、纹理和位置等
要素,对不同类型的水体如河流、水库、湖泊、池塘、
鱼塘等,其空间特征有如下特点:
(1)大小特征:水体大小可用面积和周长来反映,一般情况下,湖泊的面积较大,水库、河流、池塘、鱼塘等的面积依次减少。
湖泊、面状河流、大的水库周长较长,而小水库,池塘、鱼塘等周长较短。
(2)形状特征:水体的形状特征表现为:湖泊、水库、池塘、鱼塘及大的河流呈面状,而小的河流为曲线。
对面状水体而言,不同类型的水体其形状又
第3期都金康等:SPOT 卫星影像的水体提取方法及分类研究217
各不一致:湖泊的边界一般较平坦光滑,河流呈弯曲的长条状,池塘形状较圆滑,近似椭圆,小水库形状也较圆滑,但边界有一部分呈直线,大水库由于受地形影响,其边界呈山体等高线形状,而鱼塘则呈规则的四边形。
从形状规则程度来看,如果定义形状指数k 为:
k =A 1/2/P
式中:k 为形状指数,A 为面积,P 为周长。
则圆的形状指数最大(>0.25),正方形次之(=0.25)。
一般情形,形状越不规则,其形状指数越小。
因此,河流的形状指数较湖泊、水库、池塘要小。
(3)位置特征:水体类型的分布与地形、地貌也有一定的关系。
在山区一般分布有线状河流、水库和池塘,而平原区则主要分布有河流、湖泊和池塘,水库比较少。
(4)纹理特征:不同水体的纹理特征差异不大,对水体分类不起作用。
以上对水体空间特征的分析结果,可以作为先验知识,基于这些知识对提取的水体进行分类。
其方法一种是建立水体类型与空间特征之间关系的知识表达模型,根据建立的规则对每个水体进行分类;另一种方法是根据水体类型与空间特征之间关系,建立决策树,在决策树的每一节点设计分类器,最终完成水体的分类。
3.2 水体的分类
本文采用决策树分类方法对提取的水体进行分类。
其过程为:首先将提取的水体在ARC /INFO 系统下,由栅格转换为矢量多边形,并计算出每个多边形的面积、周长和形状指数。
再利用地貌类型资料(矢量多边形)与水体多边形进行叠置分析,将水体划分为不同地貌类型。
然后制定分类规则,用决策树分类方法对水体进行分类,决策树结构见图7。
由于江宁地貌类型主要分为中间的秦淮谷地与两边的低山丘陵,其间没有湖泊,而低山中的河流很小,在SPOT 影像上反映不出来,故可制定以上简单的分类规则。
将分类结果与江宁县水系图进行比较,发现大部分很吻合,但仍有部分水体被错分。
为了评价分类精度,首先对分类结果进行类别统计,得出每一类别的面积,然后与江宁县水系图对照,找出不符类型并统计其面积,最后得到以面积(km 2
)为单位的差错
矩阵,再计算各种精度(表2),其总精度为92%。
图7 水体分类的决策树结构Fig .7 The structure of decision -tree algorithm
for classification of water bodies
表2 分类差错矩阵
Table 2 The confusion error matrix
河流
水库池塘用户精度/%
河流40.400.599水库010.21.091池塘2.62.018.480
算法精度/%
94
84
92
4 结 论
在山区由于阴影的影响,单一方法往往无法将水体有效地提取出来,而以决策树分类方法为总体框架,每一步采用一种具体分类方法,可以有效地提取水体。
利用光谱信息无法对提取的水体进行分类。
但不同类型的水体其面积、周长、形状等几何特征各有特点,并且与地貌类型有一定的关系。
利用水体的空间特征信息,分析不同水体的空间特征特点,以此建立不同水体与空间特征的知识表达模型或水体分类决策规则,可以对水体进行有效分类,本文采用了决策树方法,获得了较为满意的效果。
参考文献(References )
[1] Liu Jianbo ,Dai Changda .The Application of TM Image in Reservoir
Situation Monitoring [J ].Re mote Sensing of Envir onment ,1996,11(1):53—58.[刘建波,戴昌达.TM 图像在大型水库库情监测管理中的应用[J ].环境遥感,1996,11(1):53—58.][2] Lu Jiaj u ,Li Shihong .Improvement of the Techniques for Dis tinguish -ing Water Bodies from T M Data [J ].RemoteSens ing of Envir onment ,1992,7(1):17—23.[陆家驹,李士鸿.TM 资料水体识别技术的改进[J ].环境遥感,1992,7(1):17—23.]
[3] Xiao Qianguang ,et al .NOAA Imagery Application for Monitoring
218 遥 感 学 报第5卷
Songhua R iver Flood [J ].Remote Se nsing Inf or mation ,1987,(4):26—27.[肖乾广等.气象卫星影像用于松花江洪水监测[J ].遥感信息,1987,(4):26—27.]
[4] Barton I J ,Bathols J M .Mornitoring floods with AVHRR [J ].Re -mote Sens ing of Envir onment ,1989,30(1):89—94.
[5] Sheng Yongwei ,Xiao Qianguang .Waterbody Identification in Cloud -Contaminated NO AA /AVHRR Image [J ].Remote Sens ing of Envi -r onment ,1994,9(4):247—255.[盛永伟,肖乾广.应用气象卫星识别薄云覆盖下的水体.环境遥感[J ],1994,9(4):247—255.]
[6] Du Y unyan ,Zhou Chenghu .Automatically Extracting Re mote Sens -ing Information for Waterbodies [J ].Re mote Sens ing of Environme nt ,1998,2(4):264—268.[杜云艳,周成虎.水体的遥感信息自动提取方法[J ].遥感学报,1998,2(4):264—268.]
[7] Zhou Chenghu ,D u Yunyan ,et al .A Description Model Based on
Knowledge for Automatically R ecogniz ing Water from NOAA /AVHRR
[J ].Journal of Natural Dis as ter s ,1996,5(3):100—108.[周成虎,杜云艳等.基于知识的AVHRR 影像的水体自动识别方法与模型研究[J ].自然资源学报,1996,5(3):100—108.][8] Shih S F .Co mparison of ELAS classifications and dens ity s licing
Lands at data for water s urface area as sess ment [A ].J ohns on A I .In Hydrologic Applications of Space Tec hnology (Publication No ,160[c ]).Intl .Ass oc .Hydrological Sci .,1985.
[9] Y ang Cunjian ,X u Mei ,et al .Investi gation on Extracting the Wa -terbody from Landsat TM [J ].G eogr aphical Res earc h ,1998,17(suppl .):86—89.[杨存建,徐美等.遥感信息机理的水体提取方法的探讨[J ].地理研究,1998,17(增刊):86—89.]
[10] Li Xia .A Ne w Method t o Improve Class ification Accurac y with Shape
Information [J ].Remote Sens ing of Envi ronment ,1995,10(4):279—289.[黎夏.形状信息的提取与计算机自动分类[J ].环境遥感,1995,10(4):279—287.]
Stu dy on Water Bodies Extraction and Classification from SPOT Image
DU Jin -kang HUANG Yong -sheng FENG Xue -zhi W ANG Zhou -long
(Dept .of Urban and Res our ces Sci enc es ,Nanj ing Unive rs ity ,N anjing 210093,C hina )
A bstract : The remote sensing mechanism and spectral characteristics of water bodies and other objects in SPOT -4im -agery were analyzed .Due to the similar infrared spectral r esponse feature of water bodies to those of the objects under the mountain shadows in the imager y ,thresholding for infrared bands is not suitable for the extraction of water bodies .The decision tree algorithm including several classifiers was put for ward ,which can extract water bodies effectively and easily .The terrain infor mation and geometric features such as perimeter ,area ,and shape ,which ar e frequently used in vi -sual interpretation ,can be used to classify water bodies into subclass .The decision tr ee algorithm including several clas -sifiers associated with terrain and geometric infor mation was developed to classify water bodies .
Jiangning county of Jiangsu Province was selected as a case study area ,SPOT -4(XI ,1999.1)and contour data of the ar ea were used as information sources ,the results after applying the proposed approach were satisfactong .
Key words : water bodies ;decision tree algorithm ;spatial structure
第3期都金康等:SPOT 卫星影像的水体提取方法及分类研究219。