2. 水利部水土保持监测中心, 100053, 北京;
3. 北京林业大学林学院, 100083, 北京;
4. 林业生态工程教育部工程研究中心, 100083, 北京
中国水土保持科学 2019, Vol. 17 Issue (1): 124-130. DOI: 10.16843/j.sswc.2019.01.017 |
土壤侵蚀是中国乃至世界的重大环境问题。科学及时监测与评价土壤侵蚀状况是进行水土保持综合治理的重要基础,对政府科学决策、规划制定、治理成效评估等工作具有重要的现实意义。遥感技术具有探测范围广、获取信息快、信息含量大等优势,自20世纪70年代以来作为一种重要的技术手段,在土壤侵蚀普查以及水土流失动态监测等工作中广泛应用[1-2]。随着中国高分辨率对地观测系统等重大工程的实施,高分遥感数据成为主要的数据源在土壤侵蚀监测与评价中普遍应用。同时,高分遥感技术应用还存在一些问题亟待解决,高分遥感信息提取自动化算法区域适用性差,遥感信息提取成果多期动态误差波动性大,遥感信息提取与土壤侵蚀监测与评价业务的融合集成性差,整体应用效率不高,不能满足当前监测全覆盖、多频次工作需要。目前,高分遥感在土壤侵蚀应用领域研究主要是面向对象[3-4]、机器学习[5-6]、深度学习[7]等信息提取方法或算法研究,在高分遥感与监测业务融合、工程化应用、整体提升效率方面研究还是空白。笔者重点针对高分遥感应用上述难点问题以及土壤侵蚀监测与评价的现实需求,引入系统工程学原理与方法,将遥感技术应用于土壤侵蚀监测与评价工作作为一个整体来考虑,提出一种工程化应用模式,以提升整体应用效率和水平,满足土壤侵蚀常态化、业务化和工程化应用需要。
1 模式的系统工程学阐释 1.1 工程化模式的内涵基于高分遥感技术开展土壤侵蚀监测与评价,涉及高分遥感信息提取、其他基础数据处理、土壤侵蚀模型分析及其相应的系统构建、基础设施环境建设等多要素环节,其工程化模式构建主要是基于系统工程学原理,将其作为一个系统进行整体研究,系统梳理该系统现实问题及逻辑关系,将高分遥感技术与土壤侵蚀监测与评价业务有机融合,按照整体化、规范化、流程化、定量化等原则和方法,合理构建和配置系统相关组成要素,形成一套高效稳定的工程化业务应用模式。
1.2 工程化模式的主要特性从系统工程学的角度说,任何系统都有些基本的性质和特性[8]。根据土壤侵蚀高分遥感监测与评价工程化模式的内涵,该模式具有5方面特性:1)整体性,在遥感信息提取、土壤侵蚀分析评价整个过程中人为经验参与、系统应用、设备环境建设等需要保持整体的协调一致;2)稳定性,遥感信息提取和业务分析评价等经验知识和方法保持相对稳定,减少人为经验差异带来的误差和不确定性,保持土壤侵蚀监测与评价成果的连续性和稳定性;3)高效性,模式各环节的衔接转换顺畅、集成高效;4)量化性,可量化环节应进行定量化约束,使相应环节量化、可控;5)实用性,模式各环节要素简单实用、可操作性强。
2 模式的总体框架该模式主要包括工程化综合知识库、信息提取算法集、应用集成3个核心要素:基于水土保持区划和县级行政区划并行融合的空间管理框架体系,将业务与专家知识进行规范和固化,构建高分遥感样本、遥感信息提取算法与参数、土壤侵蚀监测评价业务参数等分类型分区域知识库体系;针对不同的高分遥感信息提取目标对象,分区域建立以模型与算法为核心的信息提取算法集,获取针对相应区域特点的相对稳定的算法控制参数,辅助专家知识与后处理软件工具集,形成一套规范、固化、可重复应用的高分遥感信息快速提取方法体系;以综合知识库构建和信息提取算法集为核心,实现知识库和信息提取算法应用软件工具化,将土壤侵蚀高分遥感监测与评价各环节作为整体,对基础数据、应用软件系统和基础信息设施设备环境等相关环节进行有机集成。这3个系统要素之间相互联系、相互互动、相互支撑、紧密融合,形成工程化应用不可分割的有机整体。模式总体框架如图 1所示。
工程化综合知识库模式构建采用美国学者霍尔(A. D. Hall)提出的系统工程方法论三维结构体系[9],根据前文分析的工程化模式内涵特性,梳理和抽象知识库的业务对象及其知识类型,按照土壤侵蚀监测与评价组织管理需要,确定和形成综合知识库空间结构体系。工程化综合知识库架构如图 2所示。
考虑到县级行政区划通常作为中国水土保持行业管理单元,参照全国水土保持区划与水土保持重点防治区划,搭建以水土保持区划(融合水土保持重点防治区划)和县级行政区划相结合的“双层融合构架”知识库框架,实现知识库对象及其知识的存储、调用、检索与更新。
3.1.2 对象指标框架根据土壤侵蚀高分遥感监测与评价业务应用需求与业务应用流程,知识库可划分遥感类对象指标和非遥感类对象指标。遥感类对象指标是指基于高分遥感影像进行信息提取的土壤侵蚀评价指标,主要包括土地利用类型、植被类型及植被覆盖状况和水土保持治理措施等。非遥感类对象指标是指与土壤侵蚀评价紧密相关的非遥感手段获取的对象指标,主要包括坡度坡长、土壤类型及土壤可蚀性、侵蚀动力和水土保持管理等指标。
3.1.3 知识内容框架按照知识库对象指标的知识表现形式,知识内容可分为样本知识、方法知识、参数知识和模型知识等。样本知识包括高分遥感影像、对象图片、对象遥感特征、业务特征及分布规律知识等。方法知识主要包括各遥感类对象指标遥感信息提取的算法、方法集,非遥感类对象指标分析计算的算法方法等。参数知识包括对象指标遥感信息提取或分析计算过程中研究和试验获取的参数值或范围。模型知识主要指各类土壤侵蚀分析评价模型。
3.2 工程化遥感信息提取算法模式构建在确定土壤侵蚀高分遥感指标因子的分类体系的基础上,确定信息识别提取的算法,综合时间、难度、效率、精度等综合效用,根据对象指标的总体分布规律及内在关系的认知程度,综合遥感和非遥感的决策函数,辅以专家知识和分类参数等手段,构建合理的分层逻辑决策树,对高分遥感图像中的各个对象指标进行逐层的识别和归类提取。工程化信息提取模式如图 3所示。
充分考虑土壤侵蚀机理和不同土壤侵蚀高分遥感指标因子的贡献,兼顾遥感影像分辨率、制图精度和比例尺,依据土地类型、植被、地形、水土保持措施等综合特征,遵循多级性、独立性、开放性、统一性原则,建立一套满足适用于高分遥感信息提取和土壤侵蚀野外调查工作的土壤侵蚀高分遥感指标因子分类体系。该分级系统采用3级分类结构:一级分类和二级分类适用于全国尺度范围,以实现分类数据的比较、协同和共享;三级分类是在二级分类的基础上灵活扩展的,适用于不同尺度和对象的研究。
3.2.2 分类目标特征及算法体系构建通过详细分析目标对象的光学物理属性、形状信息、纹理特征、空间位置等方面的特征,确定不同分类对象的信息提取算法。分类算法包括遥感信息算法和非遥感信息算法。通过对高分遥感影像各波段进行代数运算、导数运算、代数变换、时频变换以及色度变换等,对分类对象的均值、方差、灰度比、亮度等进行统计,对纹理、形状等空间维特征进行分析,使得类间距离最大,类内距离最小,形成能准确反映出待分类目标的特征光谱子集和空间子集,增强分类性能、提高分类精度。由于高分遥感影像的复杂性,仅依靠光谱信息和空间信息很难获得满意的分类精度,因此需要充分挖掘区域分类对象的空间分布、空间拓扑、空间关系和地物时相分布规律等地学知识和关系特征方面的非遥感信息算法,并将其融合至遥感信息提取过程。
3.2.3 分层决策树模式构建基于区域各类别地物的分布特征,分析土壤侵蚀高分遥感因子的表现形式,依据优选模型,参照专家的经验规则知识,提出土壤侵蚀高分遥感因子提取的分层决策树的构造方式。该方式是按照层次模式把高分遥感数据集一级级向下细分,在每个分支子集中重复建立下层结点和分支,形成最佳逻辑的决策树。结点的选取需要综合评价技术难度、时间耗损、分类精度等指标,获取研究者满意的分类策略或者分类层次。为确定每个提取目标的最优方案,根据风险决策理论[10],依据多属性效用函数理论[9],以分类分层法为基础,以决策者的最大期望值为目标,构建土壤侵蚀高分遥感因子提取的优选模型。在综合评判和决策过程中,准则层权重的确定是其中一个重要环节。根据信息具有粒度的思想,基于方根法[11]来科学定义准则层的重要性,最后得到有利于正确评价和决策的综合权重。最后,利用专家知识,按照表 1对其满意度进行划分,以期获得综合效益值,进而获取最优的分类层次。其表达式为:
$ E\left( A \right)=\max ~[E({{A}_{i}})]; $ | (1) |
$ E({{A}_{i}})=\sum\limits_{j=1}^{m}{{{\lambda }_{j}}{{a}_{ij}}}。$ | (2) |
式中:A为土壤侵蚀高分遥感因子提取分类方案的集合,即A=(A1, A2, …, An);E(A)为收益的最大值;E(Ai)为收益值;i为分类方案编号;n为分类方案总数;λj为条件发生的概率或者反映各指标的权重系数,且
通过分类算法直接提取的结果中存在孔穴、孤岛,甚至存在接边错误、拓扑问题、错提、漏提、图斑破碎、边界错误等问题,因此需要对分类结果进行分类结果修正,进一步提高分类结果的精度。工程化修正模式首先对分类算法直接提取的数据问题进行分类,对不同问题采取不同的技术方法手段进行修正,相应的修正算法和技术手段实现软件工具化,进行批处理,提高修正处理的速度和效率。
3.3 工程化综合集成模式构建通过统一的结构化设计构架,将实现土壤侵蚀高分遥感监测与评价工作的应用功能软件、基础数据和基础信息设施等要素集成到相互连通、统一协调的系统之中,实现集中、高效、便利的一体化集约化应用。
3.3.1 工程化基础数据集成模式为提高土壤侵蚀分析评价效率,满足土壤侵蚀定期、不定期动态分析评价需求,必须做好高分遥感及提取指标数据与基础数据之间的融合集成。融合集成方式主要基于大数据和云计算的理念和方法,通过建立统一的空间基准体系,基于统一的空间数据管理平台,按照集中式或分布式数据库模式,实现多源多期次海量高分遥感数据之间、遥感数据与基础数据之间、过程数据与成果数据之间的有机集成,减少土壤侵蚀分析评价过程中各类数据资源之间匹配、转换、衔接等处理时间,提升工程化应用效率。
3.3.2 工程化应用功能集成模式土壤侵蚀高分遥感监测与评价全环节、全流程的软件工具化及功能集成是提高监测与评价分析效率,实现工程化推广应用的必要手段。应用功能主要包括遥感数据管理、遥感数据处理、分析提取、土壤侵蚀模型分析评价以及知识库管理系统等方面。集成方式主要有搭建式、配置式、插件式等,可采用1种或多种集成开发模式进行灵活集成,满足功能集成的灵活性、可扩展性和易维护性,并为功能复用、调用和互操作提供有效手段。
3.3.3 工程化基础环境集成模式基础环境集成主要包括计算机基础软件处理工具平台,例如遥感处理工具、GIS分析工具、数据库管理系统等,硬件环境平台主要包括数据存储、数据处理、数据输出、数据备份等设备以及数据交互和信息传输为依托的网络综合集成。基础环境集成方式在传统的集成方式基础上,可根据实际条件,建立和部署到安全、隔离的“云”基础设施之上,通过“云”模式的存储计算实现海量空间数据的并行处理,提升基础环境集成的效率和水平。
4 模式的应用案例分析为验证本研究提出的模式的应用效果,结合国家重点研发计划资助项目、高分水利遥感应用示范系统等课题,利用课题建立的工程化应用平台和高分一号2 m分辨率的夏季影像,选取陕西省横山县进行了示范应用实践。横山县土地总面积4 333 km2,属于典型的农牧交错带,植被覆盖以草原和灌木丛为主,分布少量林地和园地,水土流失强度大,水土保持治理措施主要以林草措施、梯田整地和淤地坝为主。参照已经建立的遥感知识库,在研究区构建了包括耕地、园地、林地、草地、城镇村及工矿用地、水域、交通运输用地、其他用地等8个一级类,以及梯田、裸地、沙地、水土保持林、水土保持种草等12个二级类的分类体系。分析目标地物的光谱属性、形状信息、纹理特征、空间位置等方面的特征,获得不同分类目标的算法及其特点,在此基础上构建分类方案的比选模型,确定满意的分类策略。最终确定的比选模型的表达式为
$ \text{max }\!\!~\!\!\text{ }E({{A}_{i}})=0.4{{E}_{1}}({{A}_{i}})+0.4{{E}_{2}}({{A}_{i}})+0.2{{E}_{3}}({{A}_{i}})。$ | (3) |
式中:Ai为提取的某一种方案;E1,E2,E3分别为时间耗损、分类精度、技术难度的期望值。
通常,在植被覆盖较多的地区,先区分水域及非水域,再区分植被和非植被,然后再进行其他地类的提取。而在陕北农牧交错带,由于植被的光谱信息相对较弱,不容易与其他地类区分;因此在提取的过程中,从根节点开始进行水域和非水域的分离,后期的分类顺序、算法分裂准则以及结点的个数需根据比选模型确定。本模式解决了图斑琐碎且分类精度低的问题,因此精度可达到“非常满意”的级别,时间耗损达到“满意”,对于有一定知识经验的人而言技术难度也可以达到“满意”,综合效益为2.9。按照上述的分类策略,对各地物目标进行提取,总体分类精度87.58%,高于85%的精度评价标准,经过工程化修正模式工具,分类精度达到95%,横山县土壤侵蚀监测与评价整体工作效率提升了2~3倍。实践表明:该模式的设计与应用提升了高分遥感信息提取稳定性,保证了监测与评价流程的一体化,提高了整体工作效率。
5 结论与讨论笔者针对高分遥感技术在土壤侵蚀监测与评价工作的问题与不足,将整个工作环节作为一个系统工程进行研究,构建了一种土壤侵蚀高分遥感监测与评价工程化模式。该模式重点通过知识库构建、遥感信息提取算法、应用集成3个环节要素的业务化工程化的梳理与构建,来有效提升土壤侵蚀监测与评价工作的整体效率和水平。通过在陕西省横山县的示范应用成效表明,该模式可满足土壤侵蚀监测与评价业务效能提升的需要,具有较强的实用性。
该模式属于一种综合集成性模式,随着模式应用的不断完善,以及高分遥感信息提取、大数据分析以及云计算等技术的深入发展,该模式应用效能的提升会更加明显。该模式可在全国开展的水土保持动态监测工作中进行试点推广,进而在全国土壤侵蚀普查和水土流失生态安全预警等领域中全面应用。
[1] |
赵辉, 黎家作, 李晶晶. 中国水土流失动态监测与评价的现状与对策析[J].
水土保持通报, 2016, 36(1): 115.
ZHAO Hui, LI Jiazuo, LI Jingjing. Present situation and countermeasures of dynamic monitoring and evaluation of soil and water loss in China[J]. Bulletin of Soil and Water Conservation, 2016, 36(1): 115. |
[2] |
李智广, 曹炜, 刘秉正, 等. 我国水土流失状况与发展趋势研究[J].
中国水土保持科学, 2008, 6(1): 57.
LI Zhiguang, CAO Wei, LIU Bingzheng, et al. Current status and developing trend of soil erosion in China[J]. Science of Soil & Water Conservation, 2008, 6(1): 57. DOI: 10.3969/j.issn.1672-3007.2008.01.009. |
[3] |
郭琳, 裴志远, 吴全, 等. 面向对象的土地利用/覆盖遥感分类方法与流程应用[J].
农业工程学报, 2010, 26(7): 194.
GUO Lin, PEI Zhiyuan, WU Quan, et al. Application of method and process of object-oriented land use-cover classification using remote sensing images[J]. Transactions of the CSAE, 2010, 26(7): 194. DOI: 10.3969/j.issn.1002-6819.2010.07.034. |
[4] |
林卉, 邵聪颖, 李海涛, 等. 高分辨率遥感影像5种面向对象分类方法对比研究[J].
测绘通报, 2017(11): 17.
LIN Hui, SHAO Congying, LI Haitao, et al. Five object-oriented classification methods analysis based on high-resolution remote sensing image[J]. Bulletin of Surveying and Mapping, 2017(11): 17. |
[5] |
张雁.基于机器学习的遥感图像分类研究[D].北京: 北京林业大学, 2014: 10.
ZHANG Yan. Study of remote sensing image classification based on machine larning[D]. Beijing: Beijing Forestry University, 2014: 10. |
[6] |
杜培军, 夏俊士, 薛朝辉, 等. 高光谱遥感影像分类研究进展[J].
遥感学报, 2016, 20(2): 236.
DU Peijun, XIA Junshi, XUE Zhaohui, et al. Review of hyperspectral remote sensing image classification[J]. Journal of Remote Sensing, 2016, 20(2): 236. |
[7] |
刘大伟, 韩玲, 韩晓勇. 基于深度学习的高分辨率遥感影像分类研究[J].
光学学报, 2016(4): 298.
LIU Dawei, HAN Ling, HAN Xiaoyong. High spatial resolution remote sensing image classification based on deep learning[J]. Acta Optica Sinica, 2016(4): 298. |
[8] |
汪应洛.
系统工程学[M]. 北京: 高等教育出版社, 2007: 22.
WANG Yingluo. Systems engineering[M]. Beijing: Higher Education Press, 2007: 22. |
[9] |
陈忠, 盛毅华.
现代系统科学学[M]. 上海: 上海科学技术文献出版社, 2005.
CHEN Zhong, SHEN Yihua. Modern system science[M]. Shanghai: Shanghai Scientific and Technological Literature Press, 2005. |
[10] |
程理民.
运筹学模型与方法教程[M]. 北京: 清华大学出版社, 2000: 89.
CHENG Limin. Operations research models and methods tutorial[M]. Beijing: Tsinghua University Press, 2000: 89. |
[11] |
兰樟仁, 张东水. 遥感影像多目标优化信息提取模式研究[J].
农业工程学报, 2008, 24(7): 155.
LAN Zhangren, ZHANG Dongshui. Remote sensed information extracting model based on multiple-objective decision support theory:A case study of wetland agriculture[J]. Transactions of the CSAE, 2008, 24(7): 155. DOI: 10.3321/j.issn:1002-6819.2008.07.032. |