基于DLG数据的植被快速构面研究

吴凤敏，郑稚棚，周 建

（1.重庆市地理信息中心，重庆 401121）

重庆市属典型的山地地理环境，区域地表覆盖类型变化多样，地物极其破碎，基础地理信息中植被构面耗时长、工作量大，严重影响了基础地理信息数据的入库、地理统计分析以及应用范围，此外，复杂山地环境中植被垂直分布差异较大，导致植被构面的工作量大、难度高，急需建立一套适应复杂山地环境背景下的植被快速构面程序，以提高基础地理信息以及地理国情普查自动化、精细化处理水平。

目前，很多测绘单位生产的基础地理信息数据中，植被数据集均无面状信息，而是采用地类界线加植被分类符号组合的方式表示。由于地类界线的组成较为复杂（由道路、水系、居民地、围栏、 植被界线等要素组成），当地类界与地物重合时，地类界线不重复采集。因此，基于地类界线构面获取植被要素集面状信息的工作量很大，需花费较多的人力和时间才能完成，不利于进行批量化生产。

国内测绘行业将DLG数据与高分辨率影像数据相结合进行植被数据集信息提取以及构面的方法还少有研究[1]。为解决DLG数据中面状植被信息难以采集的问题，提出了一种基于高分辨率卫星影像数据和1︰ 5 000 DLG基础测绘成果数据，采用面向对象的方法构建面状植被信息，然后再结合DLG现有植被类型点信息，实现植被面自动构面和植被自动赋值，以及对遥感分割结果进行边缘修复、光滑等一系列处理，并通过实验样图的生产验证了该工艺流程的可行性及适用性。实验结果表明，该工艺流程不仅能满足面状植被信息生产的精度要求，而且还能提高生产效率。

1 研究区及技术路线

研究区为长寿区八颗镇中部，面积约为7 km2。该区域地物类型较为丰富，包括大面积的水域、林地、耕地以及道路房屋等。研究中所使用的遥感影像为2013年7月 Worldview-2影像，分辨率为0.6 m（含红、绿、蓝、近红外4个波段），图像大小为5 062×3 892像元。研究使用1︰5 000的DLG矢量数据作为植被快速构面的依据，该数据包括7个线图层、7个面图层、1个边界图层以及1个点图层，植被点类型包括耕地（水田、旱地）、果林（橙、蕉、桔、梨、李、枇杷、桃、杏、柚等）、有林地（阔叶林、针叶林和混交林）以及其他植被等。研究技术路线如图1所示。

图1 研究技术路线图

2 数据预处理

2.1 遥感影像预处理

在利用遥感影像结合DLG数据提取植被信息时，由于原始遥感影像的几何精度、光谱质量、区域范围、空间分辨率等通常不能满足既定需求，因此需要对原始遥感影像数据进行预处理。数据预处理技术的主要内容包括几何纠正、辐射纠正、影像融合、影像拼接和裁剪等，处理结果如图2。

图2 研究区遥感影像处理结果

2.2 DLG要素预处理

为使植被信息提取后的结果能与现有基础测绘DLG成果更好地吻合，在进行植被数据集划分类型梳理的过程中，主要依据《重庆市1︰5 000基础地理信息数据库建设技术》（2013版）和《重庆市1︰ 5 000基础地理信息数据库建设技术设计书》进行植被信息类型划分。在类型划分过程中，首先基于《重庆市1︰ 5 000基础地理信息入库数据规定》确定分类的级别和植被类别的名称，对于通过影像难以提取的要素类型（如行树、零星树木）等进行适当的删除处理；对于易混植被要素类型进行了合并处理，如稻田、台田、条田统一分类为稻田；在类型划分的过程中未增加植被类型和修改植被类型。

通过对DLG中各要素集的分析可以发现，地表覆盖的要素集主要有水系、居民地及设施、交通、植被与土质4大类。将DLG数据导入到ArcGIS、FME中，提取出植被分类需要利用的线状要素层，包含交通、水系、居民点及设施、地类界等各类线状要素，而植被符号层单独作为实验结果修正的参考层。

3 植被构面研究

3.1 面向对象分割及分类

植被构面首先需要基于DLG数据对遥感影像进行一个粗分割，从而获取植被面数据。研究基于德国的eCognition软件，采用面向对象的多尺度分割的方法，并且综合考虑了多尺度分割参数选择方法，根据影像特点对主要的分割参数波段权重、分割尺度、光谱因子和形状因子进行合理设置。在面向对象多尺度分割过程中，为了能更好地规范eCognition软件的分割对象块，使分割对象块能与已有的DLG数据最大程度地吻合，将DLG数据中作为植被面边界要素参与遥感影像分割[2-5]（图3）。

影像分割完成之后，需要运用构建规则集对植被进行粗分类，提取植被信息，参与规则集构建的主要指标有归一化植被指数、归一化差分植被指数、增强型植被指数、绿度比值、红度比值等[6-11]。

图3 面向对象的多尺度分割及分类示意图

3.2 植被属性赋值

植被构面程序主要是基于ArcGIS软件平台进行的二次开发插件，程序首先将植被符号点信息赋给经过面向对象的多尺度分割和分类处理的植被面。赋值原则为：如果某一植被面范围内只有一种植被类型的符号点，那么就将给植被点属性赋值给植被面；如果某一植被面范围内有两种及以上的植被符号点，则将该植被面属性赋值为“混合植被”。

3.3 植被面规范化处理

单纯利用面向对象遥感影像分析技术所提取出的植被面数据，其边界信息是很不规则的复杂面，与实际的DLG数据边线不能完全套合，存在突出或内陷的情况，这样的植被面并不能满足DLG植被数据构面的目的，也难以利用其植被数据进行相应的分析、处理。因此必须研究植被面数据与已有DLG的自适应技术，研究面向对象遥感影像分析中所提取的植被面数据进行边缘自适应处理的方法，使得植被面边界能与DLG数据相吻合。

植被面规范化处理包括分割面融合、边缘化规范处理、拓扑自动修改3个方面。分割面融合程序主要对植被分割面进行融合处理，由于影像分割的植被面较为破碎，需要将相邻的具有相同属性的植被面合并产生新的植被面；植被边缘化规范处理是自动将植被面的各种锯齿和凹凸不平的地方进行规范化处理，使得植被边缘与原始的DLG数据边缘全面吻合；拓扑自动修改程序是对成果的最后一步处理，能够对植被构面成果自动进行拓扑检查及修改（图4）。

图4 植被快速构面处理结果

3.4 构面结果评价

植被构面成果精度评价是指植被构面结果正确的面与植被面构面总数进行比较，正确的面所占的百分比就表示植被构面精度。根据1︰5 000 DLG数据中植被点及地类界等相关数据进行了手动构面及属性赋值处理，对比结果显示：植被构面程序自动构面795 个，其中有效面755个，无效面40个。在有效面中，615 个面与1︰5 000地形图中植被点吻合，140个面错误，正确率达到81.5%。在时间效率方面，利用植被构面程序实现植被构面以及对无效面、错误面后续处理耗时1 d，而人工基于DLG数据完成该实验区植被构面耗时共计8 d，因此基于程序的植被构面效率要远远高于人工构面效率。

4 结 语

本文基于1︰5 000 DLG数据，充分利用高分辨率遥感影像丰富的光谱、纹理、形状、空间位置信息，综合分析对比多种解译模型的提取效果，建立了相应的植被信息提取模型，并基于DLG知识库发展了植被边界规范化处理算法，形成植被边界规范化处理程序，自动提取植被边界，实现了复杂山地环境下植被的快速、准确构面。研究结果表明，基于DLG数据的植被快速构面算法和程序能够极大地提高植被构面的效率，且构面准确。同时，构面算法的模块化生产使得DLG植被构面可以进行批量处理，也减少了植被构面的生产成本。

从植被构面结果看，利用eCognition作简单的影像分割，再基于影像分割结果与DLG数据结果，通过ArcGIS植被构面程序实现植被自动构面分类。此植被构面分类虽然速度快而且可以批量处理，但是植被的准确性判断以及后期错误面、无效面处理需要花费过多时间，使得在处理效率上不尽人意。因此下一步需要对植被自动构面结果加以分析，确定正确的面就不用在人工检查以及人工处理，以及提高自动构面的正确性，进一步减少人工工作量。此外，现有植被构面操作步骤过于繁杂，步骤太多，下一步需对现有植被构面插件进行优化，减少操作步骤，以便进一步提高构面效率。

[1]程三胜,龚丽芳,徐柳华,等.基于遥感影像的植被信息提取技术在测绘中的应用研究[C].第十七届中国遥感大会摘要集,杭州,2010

[2]Ichoku C, Kamieli A.A Review of Mixture Modeling Techniques for Sub-pixel Land Cover Estimation[J].Remote Sensing Reviews, 1996(13): 161-168

[3]Lobo A ,Chic O, Casterad A.Classification of Mediterranean Crops with Multi-sensor Data: Per-pixel Versus Per-object Statistics and Image Segmentation[J].International Journal of Remote Sensing, 1996, 17(12):2 385-2 400

[4]Baatz M, Schape A.Object-oriented Multi-scale Image Analysis in Semantic Networks[A].In: Proc of the 2nd International Symposium on Operationalization of Remote Sensing[C].1999:16-20

[5]Plaza A, Martinez P, Perez R, et al.A Quantitative and Comparative Analysis of Endmember Extraction Algorithms from Hyperspectral Data[J].IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(3): 651-654

[6]Lillesand T M, Kiefer R W.遥感图像解译[M].北京: 电子工业出版社, 2003

[7]刘建华, 胡光道.高分辨率遥感影像的土地利用分类[J].遥感与信息, 2004, 20(4):398-400

[8]张宝雷，周万村，马泽忠.三峡地区主要地类的自动提取方法研究[J].长江流域资源与环境, 2005,14(4):445-447

[9]钱巧静, 谢瑞, 张磊,等.面向对象的土地覆盖信息提取方法研究[J].遥感技术与应用, 2005, 20(3):338-342

[10]曹雪, 柯长青.基于对象级的高分辨率遥感影像分类研究[J].遥感信息, 2006(5):27-30

[11]孙晓霞, 张继贤, 刘正军.利用面向对象的分类方法从IKONOS 全色影像中提取河流和道路[J].测绘科学, 2006,31(l):62-63