基于特征和规则的河流水系信息提取研究——以宜昌市河长制水系信息核查为例

(宜昌市河道堤防建设管理处，湖北 宜昌 443000)

1 研究背景

水无常势，河流八方，宜昌市水资源丰富，河湖水系众多，其中河湖及堤防工程的管护问题尤为复杂[1]。江河湖泊是生命的源泉，也是经济社会发展的基础支撑，保护江河湖泊，事关人民群众福祉，事关中华民族长远发展。中共中央办公厅、国务院办公厅印发的《关于全面推行河长制的意见》提出河湖管理保护是一项复杂的系统工程，涉及上下游、左右岸、不同行政区域[2]。在全面推行河长制，落实绿色发展理念、推进生态文明建设，解决我国复杂水问题、维护河湖健康生命的同时，也面临着完善河湖水系资料，将新技术应用到河长制管理工作中，辅助河湖管理的难题[3-5]。

2015年开始，宜昌市在全省率先建立以行政首长负责制为核心的河长制，目前已基本实现市、县、乡、村4级河长制全覆盖[6]。通过印发《市委办公室 市政府办公室印发<关于全面推行河湖长制的实施方案>的通知》(宜办文〔2017〕20号)以及宜昌市河道堤防建设管理处相关工作安排，为了实现宜昌市河湖水系及堤防工程的保护与利用控制性规划和河长制管理方案的编制，全面推行河(湖)长制，实现“河长制”常态化管理，必须掌握宜昌市全域河湖水系及堤防工程的基本信息。但由于全国第一次水利普查成果是以1∶50 000比例尺基础地形图数据为基础，无法满足市、县、乡、村4级河长制的管理需求，因此探究一种大范围快速准确地获取河流水系空间信息的方法，为河长制的工作推进提供现实性强的数据基础，便成为后续宜昌市河湖水系和堤防工程管理工作迫在眉睫的任务。

2 多尺度分割

2.1 试验区域数据源

本研究以宜昌市远安县为试验范围，获取了美国DigitalGlobe公司所发射的第四代高解析度光学卫星遥感影像数据，该卫星影像数据的全色光谱最大分辨率达到了0.31 m，数据包含全色波段和多光谱波段信息[7]。其常用波谱特征如表1所示。

表1 WorldView影像光谱特征Table 1 Spectral features of WorldView image

2.2 影像分割

遥感影像随着分辨率的提高，所包含的地物信息量也会越来越多，如果使用单一的分割尺度，已经不能满足高分辨率遥感影像分类的需求，所以多尺度的影像分割是后续解译的首要步骤，同时分割算法的好坏也会直接影响提取结果的精度[8]。

图2 设置不同多尺度分割参数的结果对比Fig.2 Comparison of results by setting different multiscale segmentation parameters

目前国内外对多尺度分割的尺度问题处理方式，主要有以下几种：

(1)以对象之间的同质和异质的特性，对分割的结果不断进行探索，建立起同质尺度与异质尺度阈值和分割结果之间的线性关系，通过线性关系函数，得出综合最优尺度值[9]。

(2)建立单个样本对象和尺度分割之间的关系，通过人工监督分析，找出针对单个样本的最优尺度分割参数[10-11]。

(3)基于已有分类结果数据集，再对不同尺度分割结果与结果数据集进行比对，找出与已有结果分割最近似的尺度阈值，作为分割标准[12]。

本文针对河流与湖泊等水系对象，先基于亮度值和纹理信息进行一次分割，将影像划分为无重叠的均质区域。然后对每一个区域定义其内部像元的空间邻域，这样既能有效分割出大的均质区域，也能照顾到只包含极少像元的小区域，提高分类准确性。最后应用支持向量机(SVM)分类方法将光谱和空间信息特征结合，使得分割图中每一个区域的所有像元都能分配到频率最高的类别中，提高邻域分类的精度。原始影像如图1所示。

图1 原始影像Fig.1 Original image

设置不同多尺度分割参数的结果对比如图2所示。由图2可以看出亮度纹理的阈值设置得越大，分割的结果越细碎；阈值设置得越小，分割的结果越规整。而尺度值设置得越大，分割结果越规整，反之越细碎。通过结果对比，最终得到相对最优化的多尺度分割参数为亮度纹理系数0.3，紧致度系数0.5，尺度系数200。

3 特征模型建立

3.1 特征类型的细分

解译区域目标多样性的增加可能会降低特征提取的精度，这可能发生在有不同表现形式的同一类对象中[13]。这种情况下，尽管属于同一类，2个对象的光谱和纹理特征可能完全不同，并且它们可能被错误地提取到不同的类中(如图3(a))。例如，清澈的河流在光谱上表现出水的特性，而有较多水生植物覆盖的富营养化水面则会呈现出更多植被的光谱特性，但这2种应该同属于水体一类。类似的情况可能会发生在同一类别中的对象具有不同的形状，这可能是由于分割算法或图像质量不同所引起。例如，河流干流可以分割成不同的部分，包括直的和碎片的部分，它们表现出相似的光谱和纹理特征，但是形状不同，这可能会导致形状特征计算误差并影响提取结果(如图3(b))。

图3 水系影像特征Fig.3 Features of river water images

在特征构建时，本文采取创建多子类特征来避免这些问题。例如，河流水面可以拆分为3个子类，包括清澈水面、富营养化水面、泥沙含量较大水面。河流可根据形状分为直的和碎裂的部分。

3.2 特征模型

本研究根据单一地物的多方面特征项，结合面向对象的特征概念模型，设计了适合试验区域的水体影像特征语义模型。模型包含光谱特征、邻域特征。形态特征、空间特征、纹理特征、自定义特征等几个大类，每一个大类下面又包含有若干个子类，每一个子类都有其语义描述信息。这个特征语义模型的构建，有利于对试验中河流水系对象的影像特征的形式化描述和量化表达，其特征模型结构见图4。

4 规则与特征空间

根据特征模型，本文将水体特征归纳为以下几个部分：

(1)对象特征,可细分为光谱特征、邻域特征、形态特征。光谱特征的规则是指对象在所有波段的光谱统计特征[14]，例如平均值、辐射强度、标准差等。邻域特征的规则是指对象邻域的其他对象之间的光谱统计特征，例如光谱邻域均差，相对较亮邻域对象的光谱均差，相对较暗对象的光谱均差等。形态特征的规则是指对象在分割后的形态上展现出来的特征[15]，例如长度分布、宽度分布、长宽比、面积、边界周长、不对称性指数等。

(2)空间特征,可细分为空间位置特征、密度特征、紧致度特征。空间位置特征的规则是指对象的空间坐标范围特征值。密度特征的规则是指单位面积或区域内占有指定对象的面积比。紧致度特征是指单个对象的像素总数与对象半径的比值，其中半径采用协方差矩阵来近似计算得出。

(3)纹理特征。纹理特征是基于对象的不同形态的细分。例如第3.1节所描述水体的不同性质，可以将纹理特征细分为较清澈的水、有植被覆盖的水和泥沙含量较大的水。通过对不同性质的相同对象的纹理特征进行总结和归纳，可以得到该对象的总体纹理特征。

(4)自定义特征。自定义特征主要是加入一些常用的专题指数模型。例如在水体分类中最常用到的归一化水指数(NDWI)等。当然，在识别水体的同时也要区分其他要素，所以其他要素相关的专题指数也可以协助反向排除非水体要素，例如NDMI等。

常用的专题指数如表2所示。表2的计算模型中字符变量均表示光谱反射值，其中，R代表红波段，G代表绿波段，B代表蓝波段，NIR代表近红外波段，MIR代表中红外波段，SWIR代表短波红外波段。

表2 常用专题指数模型对照Table 2 Common thematic indexes

5 分类结果

为了验证前述的基于特征和规则的面向对象河流水系信息提取模型，本研究结合宜昌市河长制水系信息核查项目，以宜昌市远安县为试验区，对高分辨率遥感卫星影像数据依据研究的模型进行了水系信息的提取,影像如图5所示。分类后，河流水系的提取结果如图6所示。

图5 宜昌市远安县影像图Fig.5 Image of Yuan’an County

图6 远安县河流水系图Fig.6 Map of river system in Yuan’an County

本次试验采用eCognition软件作为平台，在软件中构建基于特征和规则的面向对象河流水系信息提取模型，提取水系信息结果。同时与传统的非监督分类方法(K-Mean)和改进的归一化水体指数法(MNDWI)的分类结果精度进行对比。真实水体分类信息以试验区域均匀采样获取的真实值为准。其分类精度比对如表3所示。

可以看出本文的方法在水系信息提取结果上，比传统的非监督分类和MNDWI法在精度上都有较好的提升。96%以上的用户精度能够为河长制水系信息整理与核实提供有效数据支撑。

表3 分类精度对比Table 3 Comparison of classification accuracy

6 结 论

(1)以高分辨率卫星遥感影像数据作为数据源，采用面向对象的思想，提出了一种基于特征和规则的水体信息特征模型。该模型可以借助高分辨率数据源的优势，结合水体信息的对象特征、空间特征、纹理特征和专题光谱指数特征，能够更加准确地实现自动化水体信息要素的识别。

(2)借助eCognition软件平台对研究方法进行验证。结果表明基于特征和规则的水体信息特征模型水系信息识别方法相比于传统方法，能更加准确地提取水体信息，有较好的识别效果和精度，为全国河长制管理中水系信息数据的整理和核实工作，提供了一种可借鉴的高效、可行的解决思路与方案。