0 引言

随着社会需求的进步与科技的发展，遥感数据的空间、光谱、时间分辨率不断提高,为各类遥感应用提供了海量数据资料。但在遥感数据资源“爆炸”的同时，遥感影像解译方式相对落后，大量的信息并没有得到充分的利用和挖掘，从而处于了一种“数据丰富、信息贫乏”的尴尬境地。所以，提高遥感专题信息提取的自动化程度，准确快速地为行业需求提供基础数据，已然成为大数据时代遥感应用的迫切需求。

湿地是地球上水陆相互作用形成的独特生态系统，是地球上重要的资源。由于湿地生态系统的独特性和复杂性，一直以来目视解译是进行高精度湿地信息提取的主要方法，但这种方法效率较低，不适宜于大范围湿地资源普查。为了提高分类效率，伴随遥感自动解译方法的发展与优化，模糊数学、遗传算法、神经网络方法等新方法被引入分类过程中。遥感信息提取的目标是从影像数据中提取出蕴涵在其中对用户有用的信息,影像一般包含地物表达出的光谱信息、空间信息、时间信息以及综合信息。

根据国内外对湿地已有的研究可以看出，由于湿地的各种复杂的特征特性，影响自动化分类精度的因素多，为了获得较高的精度，常常采用人工目视解译的方法。但该方法耗时耗力，不适用于大范围湿地区域调查。随着各种分类器，专家知识的改进，湿地分类在一定程度上提高了分类的精度，要获得准确的分类结果，仍然需要大量的后期人工干预[1-8]。

本研究拟使用“剔除”的分类策略，实现对湿地的高效、自动分类：即先通过湿地最根本的特性低洼，水分含量高来获得一个湿地可能存在的区域，再充分利用光谱、形态、位置、纹理等特征逐步确定湿地的范围。

1 试验区与数据源

1.1 试验区

试验区域选取美国路易斯安娜州南部，密西西比河入海口冲积平原。南部紧邻墨西哥湾，属于亚热带季风性湿润气候，夏季湿热，冬季温和。湿地资源丰富。由于冲积平原肥沃土地带来频繁的农耕活动，对湿地生态区域影响严重。

  (a)   试验区的地理位置                   (b)试验区在全球湿地分布位置

图1  试验区位置示意图

1.2 数据源

本研究选用中美洲南部的30TM遥感影像，图像区域大小为1.5km*0.5km。参考数据有全球1:100万矢量数据；美国USGS发布30m分类成果数据，全球湖泊、湿地数据，包括全球较大的湖泊、水库、河流、湿地的名称、坐标、面积、所属国家等信息；姆萨尔湿地名录，罗列了全球范围近2000个湿地名录，分别记录了湿地的经纬度位置和面积大小等相关信息；全球红树林（Mangrove）数据，由MODIS解译的结果；全球90mSRTM数据，作为高程参考。

图2  研究区TM影像图

2 湿地特征分析

据湿地的定义，构成湿地的三个要素分别为土壤、水分、植被。这就使得相对于其他定义明确的地物，湿地的光谱特征表达更为多样化，更容易与其他地物相混淆。根据构成湿地三要素在不同地域的构成比例不同，湿地可分为不同的形态，针对不同的形态，需对波段组合进行调整，以确保对湿地范围的正确认识：

    A.土壤主导：在高纬度地区，由于长期寒冷和氧气的缺乏，湿地形态会发生变化，出现泥炭

    B.水分主导：这种情况比较普遍，一般的湖泊湿地、洪泛湿地、泛滥草原都属于这种情况。

    C.植被主导：沿海红树林属于典型的植被主导型湿地。一般情况下使用波段3，2，1组合来突出该信息。

     (a)  土壤主导湿地          (b) 水分主导湿地            (c) 植被主导湿地

图3 湿地类型图

2.1光谱特征分析

通过参考数据对比gooleearth高分影像，研究区湿地主要分布在河流与湖泊周边，属地势低洼区。由TM影像可以看出，易与湿地混淆的主要为林地，草地以及未收割的农田。从影像上看出，受地表水丰富的影响，草本湿地植被的呈现不饱和红色，显出部分地表裸地信息，湿地中的林地部分由于终年受积水，地表度湿影响，相比图内的林地区域，树木低矮，呈现暗红色。光谱曲线呈现典型植被的光谱。TM 第4波段，第5波段随着背景水成分增加而降低。

        (a)草本湿地             (b)木本湿地          (c) 光谱曲线示意图

图4湿地光谱曲线图

2.2纹理特征

描述纹理常用的方法主要有灰度共生矩阵(GLCM)和灰度差分矢量(GLDV)。实际应用中，常采用在它们基础上计算得到各种纹理统计特征进行纹理分析。这些纹理统计特征包括同质性、角度二阶矩阵、对比度、相关性、熵、方差、均值和相异性等[7,9,10,11]。

在TM影像表达中，易混淆的农田带有明显人工工作的痕迹，纹理特征相交于自然生长的湿地植被平滑细致，由于农田大多分布在居民地周边，与周围地物类型的差异较大。可考虑使用同质性与均值进行区分。

2.3形状特征分析

形状是地物轮廓在影像平面上的投影，从一定程度上反映出地物的某些特征。从研究区来看，湿地主要是以河流湖泊周边的泛滥湿地为主，所以形态上为带状或以湖泊为中心环形分布。在分类中，湿地植被与未收割的农田具有相似光谱特征，易混分，可利用形状特征中的密度、长宽比等特征加以识别。

其中：n表示构成影像对象的像素数量，X为构成影像对象的所有像素的x坐标，Y为构成影像对象的所有像素的y坐标。密度特征可以描述影像对象的紧致程度，影像对象中最理想的紧致形状是正方形，地物类越接近线性则紧致度越小。

2.4地理相关性

地理相关特征主要是表达影像对象之间的关联关系的特征,如对象的相邻关系、多尺度空间内父子对象间的关系等,这类特征就必须考虑不同层次对象以及同层不同对象之间的空间关系，该问题也可以转化为确定影像对象的边界，然后根据边界确定对象的空间形态。

由于分割形成的影像对象仍然表现在影像空间中,对于如何确定影像对象的边界的问题,对象矢量边界提取的关键过程包括：搜索边界线、生成拓扑结构和去除冗余点。

从湿地特征进行分析，湿地主要存在与低洼，潮湿处。所以远离水体，坡度较大的区域湿地存在的可能性较小。可利用DEM坡度值与计算与水体成果矢量成果之间计算相邻边界的关系值系与距离大小确定其分布的正确位置。

3 分类方法研究

通过对湿地光谱、纹理、形状特征以及地理性关系的分析，从湿地区别于其它地物的特征出发，可实现对湿地的自动分类提取。首先，对原始TM影像进行TC变换处理，得到同质性纹理影像与均值纹理影像；其次，将同质性纹理影像、均值纹理影像与原始TM影像融合，选用合适的尺度分割参数进行多尺度分割；之后，根据湿地多存在于较平坦区域，依据参考DEM进行可能区域的选取；最后，分别按照湿地的光谱特征、纹理特征、形状特征、地理相关性信息，分步骤实现对可能区域中湿地信息的提取；最终得到可靠的湿地的分类提取结果。工艺流程图如下：

图5湿地分类工艺图

4 试验与结果分析

4.1多尺度分割结果

运用面向对象的分类方法首先要进行分割，其中分割尺度的选择对分类精度的影响较大。面向对象的图像分割本质上是讲一幅M*N阵列的数字图像划分成为若干个互不相交叠的区域的过程。多尺度分割算法首先应该保证能生成高度同质性（或异质性最小）的影像分割区域（影像对象），从而适于最佳分离和表示地物目标。在某知道的分割尺度下分割时，采用自单像元大小的区域开始，相邻影像区域两两合并增长的方法，影像区域同质性可以通过异质性的计算来表达。

为了确定合适的分割尺度范围，作者分别使用15,20,30进行多尺度分割，对比分割结果如下表所示：

表1   多尺度分割结果对比表

图6尺度为20的分割结果图

根据试验结果，可以看出：分割尺度为20时，多尺度分割的结果中90%以上的对象均能区分为不同地物，并且，对于光谱特征上有差异的地物均以不同对象进行区分。可见，对于该试验TM影像，分割尺度设置为20比较合适。

4.2分类结果

根据本文提出的湿地提取方法，利用eCognition软件进行面向对象的分类提取。依据参考DEM进行可能区域的选取后，通过计算NDVI、RVI、NDWI、紧致度、长宽比以及rel. border to等函数组合计算出光谱、纹理特征、形状特征、地理相关性信息，实现对可能区域中湿地信息的提取。得到的自动湿地提取结果如图7所示：

图7 湿地提取结果示意图

由分类结果，可以看出：本文提出的湿地分类方法，实现了对湿地信息的高效、自动化提取。

4.3精度评价

为了验证本文方法自动分类结果的准确性，此处采用误差矩阵和Kappa系数的方法，对试验区的湿地分类结果进行精度统计。方法为：从USGS分类产品中取湿地分类结果的区域，随机生成50个采样点，并在google earth上验证其可用性，最终23个采样点作为本次精度验证的样本。建立误差矩阵，分布计算分类精度和Kappa系数。通过计算，总分类精度为84.37％，Kappa系数为0.78。可见，本法提出的湿地信息提取方法是科学的、合理的，适合中尺度影像的湿地自动解译。

5 结论

本次研究以分辨率较小的TM影像为基础，参考已有的全球大比例尺分类结果，使用面向对象的方法，在充分挖掘的光谱特征基础上，利用了影像的形状、纹理、上下文等其它地理特征。并以此为分类依据建立分类规则集，实现湿地的自动化解译。试验结果表明，本文提出的湿地分类方法，实现了对湿地信息的高效、自动化提取，对大范围区域地物类别快速自动化识别提供了参考的依据。该方法适用于中尺度影像中的湿地自动解译。

鉴于试验资料的局限性，本文的试验仍然存在如下不足：一是在进行特征选取时，如何做到准确的选取特征，并对其进行定性定量的评价，需要进一步的探讨；二是面向对象分类所使用的是分割成果对象，分割尺度参数的选择，需要进一步研究其设置的科学性；三是精度评价时，采用的为样本点，而分类是则为对象，这两者之间的误差传递该如何消除，需要进一步的研究和讨论。

参考文献

[1]李爱生,黄铁侠.基于知识的遥感图像分类系统[J].华中理工大学学报,1992,20(4):29一36

[2]刘行华,胡宝新.基于知识的遥感信息地物理解模型研究[J].遥感技术与应用,1992,7(4):1一9

[3]关泽群,李德仁等.基于空间推理的专题影像解译[J].测绘学报,1993,22(l):41~49

[4]傅肃性.地学分析在遥感专题制图中的应用[J].国土资源遥感,1994,(3):41一47

[5]易浩若,白黎娜,纪平.专家系统用于遥感图像处理的方法研究[J].林业科学研究,1994,7(l):13一19

[6]陈永富,王振琴.专家系统在TM遥感图像分类中的应用研究[J].林业科学研究,1996,9(4):344一347

[7]王旭红,肖平,基于知识库分类法在植被提取中的应用研究[J],测绘通报,2004,07(03):237

[8]孙永军，童庆禧，秦其明．利用面向对象方法提取湿地信息[J]．国土资源遥感．2008,(1)：79～82．

[9]莫利江，曹宇，胡远满,等．面向对象的湿地景观遥感分类——以杭州湾南岸地区为例[J]．湿地科学，2012，1O(2)：206-213．

[10]陈定贵，周德民，吕宪国，等．三江平原洪河自然保护区湿地遥感分类研究[J] .遥感技术与应用，2007，22(4)：485-491．

[11]郭俊光，唐志强．南瓮河国家级自然保护区湿地资源与功能评价分析[J]．内蒙古林业调查设计，2008，31(5)：11～14．