基于卫星影像的冲积扇地貌识别方法

基础理论与应用研究 基于GF-2卫星影像的冲积扇地貌识别方法 摘要 针对冲积扇微地貌遥感解译速度慢、周期长、工作量大，提出了一种基于分类与回归树(CART)分类器的冲洪积扇提取模型；该模型使用决策树法滤除非相关的特征地物，减少计算量；应用CART获取区分冲洪积扇与背景的最优二分特征值，实现冲洪积扇提取；根据拓扑邻接关系检验提取结果；实验结果表明：就冲积扇地貌识别而言，该模型提取效果明显优于最大似然法和SVM法，对影像中3种不同源头的扇体提取结果的Kappa系数分别为0.95、0.86、0.90，总体精度达到92.37%。 关键词 冲洪积扇；遥感；CART；微地貌 本文引用格式 周炜，关洪军.基于GF-2卫星影像的冲积扇地貌识别方法[J].兵器装备工程学报，2018,39(10):188-192. Citation format ZHOU Wei, GUAN Method of Alluvial Fan Geomorphology Based on GF-2 Satellite Images[J].Journal of Ordnance Equipment Engineering,2018,39(10):188-192. 中图分类号 TP751.1 收稿日期 2018-04-10； 基金项目 国家部委基金资助项目(KYGYZXJK) 作者简介 周炜(1994—)，男，硕士研究生，主要从事遥感图像处理及地学应用研究，E-mail:。 Recognition Method of Alluvial Fan Geomorphology Based on GF 2 Satellite Images Abstract An extraction model of alluvial fan based on classification and regression tree (CART) classifier was proposed in this paper to solve the problem of slow speed, long period and heavy workload in alluvial fan micro topography remote sensing interpretation. The model used decision tree to filter out uncorrelated feature objects and reduce computation. It obtained the optimal two characteristic values of the alluvial fan and the background by CART to realize the automatic extraction of alluvial fan. And it checked the result according to the topological adjacency relation to improve the result precision. The experimental result shows that in terms of alluvial fan geomorphologic identification, the model is obviously superior to the maximum likelihood method and the SVM method. The Kappa coefficients of the fan extraction results from three different sources in the image are 0.95, 0.86, 0.90, and the overall precision is 92.37%. Key words alluvial fan; remote sensing; CART; micro geomorphology 微地貌单元是重要的战场地理要素之一，也是影响景观格局的重要因素 [1] [2] [3] [4] [5] [6] 1 数据处理 数据源包括Landsat8影像、GF-2卫星影像、数字高程模型。其中，数字高程模型根据1∶5万地形图生成；Landsat8影像数据来源于中国科学院计算机网络信息中心地理空间数据云平台( T级产品，参数如表1所示。 数据处理包括几何校正、滤波降噪、图像融合3部分。几何校正主要针对GF-2遥感影像、DEM影像、Landsat 8影像进行图像配准，依靠重采样对图像亮度值进行插值计算，建立新的图像矩阵，结果误差控制在0.5个像元以内。滤波降噪通过中值滤波器实现，滤波窗口大小为5×5。中值滤波能够有效滤除椒盐噪声，尽量保护边缘信息的完整 [7] 2 冲洪积扇特征分析 冲洪积扇具有独特的地学特征和影像特征，深入研究这些特征因子是构建冲洪积扇提取模型的必要前提。 1) 地学特征分析 ① 冲洪积扇顶位于河流出山口，地学特征表现为高程的快速下降，位置关系表现为邻接山体与平原。 ② 冲洪积扇体在遥感影像上的几何形态通常呈现为近似扇形。其发育范围取决于山区河流的汇水面积、岩体风化特征、水文特征等。 ③ 冲洪积扇体的物质组成取决于其河流上游汇水范围的岩体类型；不同的物质成分在遥感影像上呈现不同的光谱特征。 ④ 冲洪积扇体的土壤颗粒较粗，主要为砂、砾，通常植被稀疏，不利于植物生长。扇体边缘和冲洪积扇前缘的土壤颗粒较细，一般为沙、粉沙及亚黏土，通常植被发育，植被覆盖率高。 ⑤ 冲洪积扇在地形上呈现为向盆地倾斜的山前倾斜平原或倾斜台地，其坡度为5°～10°，扇体前缘的坡度为1°～2°。 2) 影像特征分析 冲洪积扇体的反射率随波长变化的趋势与冲洪积扇土体颗粒变化基本一致。由于扇体前缘土体颗粒变细，以沙、粉沙以及亚黏土为主，土体粒径约在0.45～0.25 μm之间，土壤孔隙率相对增高，土壤含水率也明显增高，其在各波段的反射率略低于冲洪积扇主体的反射率。冲洪积扇前缘地下水溢流带产生的“微阴影”以及相对高的土壤含水率，导致扇体前缘部分的反射率、植被指数和地表温度的突变，形成冲洪积扇前缘分界带。 3 冲洪积扇提取模型构建 3.1 特征指数构建 1) 植被特征指数 归一化差分植被指数 [8] 式(1)中: R NIR 2) 温度植被干旱指数 温度植被干旱指数 [9] 式中: Ts Ts min Ts max 3) 纹理特征指数 灰度共生矩阵是一种描述纹理特征的常用方法，是建立在估计图像的二阶组合条件概率密度函数基础上的统计方法，能够有效提取纹理特征 [10] 式(3)中: P i j i j u 4) 坡度、坡向 坡度(Slope)、坡向(Aspect)能充分呈现高程的变化率以及变化方向，有效识别冲洪积扇顶的地学特征。 式(4)中: m x n y 5) 光谱特征参数 冲洪积扇的物质组成主要以河流携带的沙砾石和粘土为主，分选性较好，植被极少。其在多光谱影像上色调比较均匀、亮度值变化差异较小。对冲洪积扇及该区域其他地物进行样本采集分析，结果如表2所示。 3.2 分类器设计 决策树是一种经典的分类器，其扩展通过节点的类别情况，每个类别导致一个结果 [11] [12] CART为在给定输入 x y [13] 3.3 冲洪积扇提取模型构建 1) 计算DEM影像的坡度值。以3°和10°为阈值，将坡度低于3°的区域视为冲洪积扇缘发育区；将坡度为3°～10°的区域视为冲洪积扇体发育区；将坡度高于10°的区域视为冲洪积扇顶发育区。 2) 计算目标区域多光谱影像的纹理特征指数。冲洪积扇顶的影像纹理特征与山体存在明显区别，条带状河流冲刷痕迹明显。为缩减灰度共生矩阵计算量，基于Matlab软件平台对影像的灰度级数进行压缩，即从影像最小像元值起，每5级压缩为1级，如1～5视为1，6～10视为2。 3) 计算NDVI、TDVI指数。研究区地处高原，多盐碱地，植被指数主要与土壤类型相关，参考表2的平原台地地光谱特征指数，以0作为区分阈值。根据冲洪积扇体表面植被覆盖度极低的原则，将NDVI指数大于0的区域视为植被存在区域，排除在冲洪积扇可能存在的区域之外。从冲洪积扇根部体向扇体边缘的土壤含水率逐渐增高，到扇前缘的地下水水溢出带土壤含水率有明显跃升，多泉水发育。根据TDVI指数，以0.3作为阈值提取影像中的高表层土壤含水率的区域。 4) 根据影像光谱特征参数，以蓝波段像元值720为阈值，区分盐碱地与其他地物，排除在冲洪积扇可能存在的区域之外。 5) 基于决策树法排除有明显特征的非冲洪积扇地物，界定山体与山间盆地的分界线。基于CART树获取最优分割特征值，实现不同源头冲洪积扇的提取与区分。 6) 基于冲洪积扇与山体之间的邻接关系判定冲洪积扇，实现冲洪积扇提取。 4 结果验证与分析 为检验模型效果，分别使用本文提出的模型、最大似然法、SVM法对冲洪积扇进行提取，并通过混淆矩阵对提取结果进行精度评价，结果如图4、表3所示。 从表3看，本文提出的模型提取效果明显优于最大似然法和SVM法，对影像中3种不同源头的扇体提取结果的Kappa系数分别为0.95、0.86、0.90，总体精度达到92.37%。结合图4所示，模型通过冲洪积扇与山体之间的拓扑邻接关系，有效滤除了 “同谱异物”的其他背景地物，极大地提高了提取精度。 5 结论 1) 以Landsat8影像、GF-2卫星影像、数字高程模型为数据源，基于CART分类器的冲洪积扇提取模型，实现了冲洪积扇微地貌单元的精确提取，为区域地貌环境的监测提供技术支持。该模型提取冲积扇的总精度为92.37%。 2) DEM数据是冲洪积扇提取的重要参数，结合光学、地学特征的模型提取精度远优于仅基于光学特征的最大似然法和支持向量机方法。 3) 温度植被干旱指数能有效表达土壤湿度，对识别冲洪积扇顶部、前缘具有重要作用，能够准确划分冲洪积扇前缘地下水溢出带。 参考文献： [1] 万越.基于数字地形分析的排土场微地貌景观格局分析[D].北京：中国地质大学,2015. [2] 麻莉.内陆平原淡水湿地微地貌定量提取技术方法[D].北京：首都师范大学,2011. [3] JUSSI BAADE,CHRISTIANE Microrelief Sensing With TerraSAR-X： First Results[J].IEEE Transactions on Geoscience & Remote Sensing,2010,48(2):965-970. [4] 印森林,刘忠保,陈燕辉,等.冲积扇研究现状及沉积模拟实验——以碎屑流和辫状河共同控制的冲积扇为例[J].沉积学报,2017,35(1):10-23. [5] 冯光胜.基于TM影像自动获取冲洪积扇信息模型研究[J].铁道工程学报,2012,29(3):1-5，16. [6] 蒋明,刘玉文,李泳,等.我国高原气象条件及其对火炮外弹道特性影响[J].兵器装备工程学报,2016,37(5):7-11. [7] 张艳楠.图像处理中的中值滤波及其改进[J].中国新通信,2018,20(2):230-231. [8] JOVANOVIC M.The use of NDVI and CORINE Land Cover databases for forest management in Serbia[J].Acta Geographica Slovenica,2018,58(1):109-123. [9] 郭瑞宁,郭青霞,冯雨豪,等.基于TVDI的土壤湿度时空分布及影响因子分析[J].灌溉排水学报,2018,37(4):52-58. [10] 李亚坤,关洪军,孙传亮,等.基于纹理特征MNF变换的多光谱遥感影像分类[J].兵器装备工程学报,2017,38(2):113-117,131. [11] 张莹莹,蔡晓斌,宋辛辛,等.基于决策树的洪湖水生植物遥感信息提取[J].湿地科学,2018,16(2):213-222. [12] RUTKOWSKI L,JAWORSKI M,PIETRUCZUK L,et al.The CART decision tree for mining data streams[J].Information Sciences,2014,266(5):1-15. [13] 张盼,马孝义,赵龙,等.基于不同植被指数和分类回归树的关中地区土地利用分类[J].水土保持研究,2018,25(3):310-316. 责任编辑

文章来源：《遥感学报》 网址: http://www.ygxbzz.cn/qikandaodu/2021/0611/688.html