基于GF-2号卫星数据的崩岗提取研究

刘 洁，廖凯涛，宋月君，赖格英，郑海金

（1.江西省水利科学院，江西 南昌 330029；2.江西师范大学 地理与环境学院，江西 南昌 330022；3.江西省土壤侵蚀与防治重点实验室，江西 南昌 330029）

我国南方红壤区自然灾害频繁，地形复杂，丘陵、盆地、山地交错，是水土流失较严重的地区之一。山坡土体在水力和重力的共同作用下，非常容易发生崩塌侵蚀，形成崩岗侵蚀现象。崩岗是我国南方红壤区危害严重、侵蚀强度最大的侵蚀类型，因此加大对崩岗的治理有利于保护水土资源，促进生态环境的和谐稳定发展。高分专项工程的逐步发展，实现了遥感影像亚m级高空间分辨率与高时间分辨率的有机结合。利用遥感影像可以提高水土流失区动态监测的效率，对大面积灾害监测和防治具有重要 意义。

通过崩岗调查可以摸清崩岗的侵蚀现状，为崩岗侵蚀的预防和治理提供基础数据[1]。野外崩岗调查常受限于崩岗侵蚀区大倾角和高崩壁高差的复杂地形[2]。 一些学者尝试将新技术应用于崩岗侵蚀调查中，并取得了良好的效果[3]，如刘希林[4]利用三维技术对崩岗侵蚀区进行了激光扫描，全面研究了崩岗侵蚀的时间变化规律和侵蚀过程；张铁洋[2]等通过CORS-RTK和GIS技术提高了小流域崩岗侵蚀调查的精度；李昊洁[5]等研究了不同分辨率影像对崩岗提取精度的影响，结果表明10 m以上分辨率的遥感影像对崩岗形状的提取有较大困难。然而，在南方地区特殊的地理环境下，采用GF-2号卫星影像对崩岗侵蚀进行提取分析的相关研究较少，因此本文以江西省赣州市赣县区白鹭乡金钩形小流域崩岗区为研究对象，基于GF-2号卫星遥感影像，采用面向对象的分类方法，结合影像的光谱和纹理特征，构建了崩岗信息提取的分类规则，为南方红壤区利用国产遥感影像开展崩岗调查和时空变化研究提供参考。

1 研究区概况与数据来源

1.1 研究区概况

金钩形小流域位于江西省南部的赣州市赣县区，属亚热带湿润季风气候区，具有气候温和湿润、雨量充沛的特点。该区域光照充足、四季分明、无霜期长； 多年平均气温为19.3℃；多年平均降水量为1 476 mm， 降水年内分配不均，主要集中在4－7月；地形属于中低山丘陵地区。赣县区是江西省水土流失最严重的县之一，由2005年江西省崩岗调查结果可知，全县现有崩岗4 138个，崩岗面积为1 808.3万 m2；其中金钩形小流域是江西省崩岗密度最大、数量最多、类型最全、流失最严重的区域，因此具有代表性[6]。

1.2 数据来源

GF-2号卫星于2014年8月在太原卫星发射中心成功发射，具有亚m级空间分辨率、高定位精度和快速姿态机动能力等[7]，主要参数如表1所示。本文采用的影像获取时间为2017-10-29，包括一个全色波段和4个多光谱波段，范围为115e14′～115e20′E、26e17′～ 26e23′N。研究区内主要地物包括居民地、林地、水体、崩岗等。

表1 GF-2号卫星参数[9-10]

对获取的影像进行预处理，主要包括多光谱数据的FLAASH大气校正[7]、多光谱数据与全色数据的影像配准、正射校正以及Gram-Schmidt光谱锐化融 合法[8]。

2 研究方法

2.1 光谱特征提取

利用地物的光谱曲线可对影像中的地物进行基础判读，获得样本点，进而统计不同地物的光谱曲线，为地物类型的区分提供依据[11]。本文通过目视解译和野外调查进行判读，区域内主要包括林地、崩岗、水体、建筑物和裸土，如图1所示。

图1 研究区遥感影像（4、3、2波段）

光谱特征是检测地物最基础的特征，对影像的分类提取具有重要作用。不同类型作物在影像上的光谱特征统计值具有差异性，在不同波段上由于反射和吸收率的不同，光谱特征也有较大差异。本文通过光谱特征提取，计算得到区域内的归一化植被指数（NDVI）和归一化水体指数（NDWI）。NDVI能有效反映植被生长情况和植被覆盖度，通过比值处理可消除 部分与太阳高度角、卫星观测角、地形、云阴影和大气条件有关的辐照度条件变化（大气层辐射）等的影响，反映植被在红色波段和近红外波段的反射差异。NDVI被广泛应用于植被统计与提取、植被生长状态检测以及植被时空变化分析等领域[12]。其表达式为：

式中，NIR为近红外波段；R为红色波段。

利用NDWI可提取研究区内的水体，对影像中的水体特征进行增强，排除水体对崩岗提取的影响。其表达式为：

式中，NIR为近红外波段；G为绿色波段。

2.2 纹理特征提取

利用灰度共生矩阵方法对图像的纹理特征进行提取，在影像分类上已得到广泛应用[13]。其计算方法主要是基于二阶概率影像统计，计算邻近像元的相关性。共生矩阵是在灰度纹理影像中的不同方向θ上计算距离为d的二阶灰度值出现的概率分布，即像素距离d与角度θ的矩阵函数。

本文设置二阶概率滤波的窗口为3×3，空间相关性矩阵X和Y的变换分量为1和1，灰度质量级别为64。由图2可知，在方差、对比度和相异性上，崩岗纹理特征相对于其他地物呈现亮色调，而在协同性、熵和二阶矩上，则呈现为暗色。为了增强崩岗纹理的对比度，本文将方差、对比度、相异性的和与协同性、熵、二阶矩相减，从而构建新的灰度共生纹理[11]，即GLCT=方差+对比度+相异性－协同性－熵－二阶矩，得到的GLCT 纹理特征如图2g所示。通过增强纹理影像，可以排除人为影响所改造的区域。

图2 影像纹理增强

2.3 面向对象的分类方法

面向对象的分类方法能充分考虑到像元之间的相互关系，克服传统分类方法中的“椒盐”效应，从而减少“同谱异物”和“同物异谱”的现象[14]。本文通过目视解译的方法对比影像对象与地物的实际分布状况，并对影像进行分割。利用影像分割的方法能得到同质影像斑块，提升影像的光谱信息、纹理信息、形状信息以及空间关系的地物分类识别精度。本文通过多次尝试发现，分割尺度为45、合并尺度为85时可以较好地分割出崩岗的边缘特征。

本文确立的崩岗分类规则如表2所示，由于崩岗区域植被稀疏，因此采用NDVI排除植被覆盖区；由于研究区内有蓝色屋顶建筑，因此采用蓝光波段排除屋顶；利用计算得到的新灰度共生矩阵，结合纹理特征提取崩岗区域影像；利用长宽比排除道路；根据裸地特点，利用绿光波段灰度值和最大化差异度排除裸地。

表2 面向对象提取崩岗分类规则集

3 研究结果与分析

本文采用野外实地检验和目视分析方法对提取结果进行了精度验证，并比较了面向对象的分类方法与非监督分类K-means方法的提取精度。不同方法的分类效果如图3所示。结合2018年赣县崩岗发生点实地测量结果、2018年崩岗侵蚀实地调查结果可知，完全重合的崩岗侵蚀区有18个，人工目视提取得到的研究区内崩岗发生面积为34 215.6 m2，面向对象的分类方法提取的崩岗面积为31 160.6 m2，准确率为91.07%。提取精度误差主要出现在耕地裸露的区域，可通过多期影像叠加的方法减小误差。

本文将其结果与传统基于像素的K-means算法的提取结果进行比较，如图3所示，可以看出，K-means算法的分类结果较差，错分、漏分现象严重，裸土和崩岗侵蚀区形态无法区分，因此结合纹理特征和光谱特征，能较好地对南方崩岗侵蚀区进行提取。

图3 不同方法分类效果比较

4 结 语

本文基于GF-2号卫星影像，结合光谱特征和纹理特征，利用面向对象的分类方法提取了已发生崩岗区域的数据，能较好地反映实际情况。

1）亚m级遥感影像数据能基本反映崩岗的分布范围，对于形状和边界的提取较准确，与人工调查精度差别较小，能为我国南方红壤丘陵区崩岗动态监测和治理提供了一定的参考。

2）利用面向对象的分类方法可以较好地改善错分、漏分现象，克服基于像素的分类方法产生的“椒盐”现象，获得较好的分类效果。

目前基于遥感影像，利用面向对象的分类方法对崩岗面积进行提取的研究较少，本文仅采用单一时期的影像进行了研究，还应对不同时间、不同区域的影像进行综合性研究。随着国产卫星空间分辨率的不断提高，应进一步加强国产卫星在崩岗提取与动态监测中的应用研究，拓展国产卫星数据的应用领域。