在宁夏回族自治区盐池县选取3个实验区，如图 1所示。图 1（a）为部分区域有浮游藻类覆盖、部分区域有盐分析出的季节性咸水湖湿地实验区1，图 1（b）、图 1（c）为无植被覆盖、部分区域有盐分析出的季节性咸水湖湿地实验区2、3。

图  1  实验区影像

Figure 1.  Test SPOT Images

实验数据包括实验区域合适时相的高分二号遥感影像、LiDAR点云数据、地理国情普查数据和第二次全国湿地资源调查数据。其中，高分二号影像时相是基于《全国湿地资源调查技术规程》中的季节性咸水湖湿地定义，取多年平均最高水位对应时间确定的^[14]，其获取时间为2016年3月29日，包括空间分辨率为0.8 m的全色影像和空间分辨率为3.2 m的多光谱影像。在湿地信息提取前对影像进行几何校正，消除图像畸变和失真，通过Pan-sharpening影像融合获得空间分辨率为0.8 m的高分融合影像，并重采样得到分辨率为2.5 m、1.0 m的高分影像。LiDAR点云数据经插值后得到空间分辨率为5.0 m、2.5 m、1.0 m的DEM。地理国情普查数据保留道路与建筑物专题层，第二次全国湿地资源调查数据保留实验区的季节性咸水湖湿地图斑。

季节性咸水湖湿地自然边界提取的流程如图 2所示。首先对高分影像、DEM、地理国情普查数据进行多尺度叠置分割，构建影像对象，利用地理国情普查数据剔除道路与建筑物；其次进行分割对象特征提取与选择，确定分类特征；最后，通过基于规则的决策树法完成季节性咸水湖湿地自然边界的提取。

图  2  季节性咸水湖湿地自然边界提取流程图

Figure 2.  Flowchart of Natural Boundary Extraction of Seasonal Saltwater Lake Wetland

以下主要论述分类特征选取和面向对象决策规则分类等关键技术。

在季节性咸水湖湿地自然边界的具体提取过程中，综合考虑其在高分二号影像上的光谱特性和DEM上的地形特性选取分类特征。在光谱特征上，季节性咸水湖湿地主要表现为水体的特性，在色调上与周围地物有较大差别，在近红外波段有明显的吸收峰，其近红外波段值低于植被、裸地等地物的近红外波段值。同时，季节性咸水湖湿地部分区域由于水分较少，有盐分析出，呈现裸地特性；部分区域覆盖有浮游藻类，呈现植被特性。常用的水体指数（如NDWI）无法精确提取得到季节性咸水湖湿地自然边界，选用可区分植被、裸地、水体的LBV变换特征和NDVI参与提取。在地形上，季节性咸水湖湿地一般位于地势低洼处，起伏和缓，对高程和坡度的变化较为敏感。因此，选取了LBV变换特征、近红外波段均值（M_Nir）、色调H_{(3, 2, 1)}、NDVI均值M_NDVI、数字高程模型均值（M_DEM）和坡度均值（M_slope）参与后续分类，进行季节性咸水湖湿地自然边界提取。

LBV变换是一种卫星影像数据处理与信息提取方法，用于增大水体与其他地物的反差。LBV变换可生成L、B、V三个分量。其中，L表示地物的总辐射水平，B表示地物可见光-红外光辐射平衡，V表示地物辐射随波段变化向量——方向和速度。分析水体、裸地、植被3类地物的光谱特性可知，裸地的总辐射水平最强，水体的红外辐射最弱，植被的辐射随波段变化最急剧。因此，LBV变换后的L分量对应裸地特征图像，反映地表地物亮度；B分量对应水体特征图像，反映地表水分多少；V分量对应植被特征图像，反映地面植被密度。对高分二号遥感影像进行LBV变换的公式为^[15]：

式中，M_Blue、M_Green、M_Red、M_Nir分别代表影像对象蓝、绿、红、近红外波段的均值。

有一定植被覆盖的季节性咸水湖湿地具有植被和水体特性，无植被覆盖、有盐分析出的季节性咸水湖湿地具有水体和裸地特性，因此LBV变换特征在季节性咸水湖湿地信息提取中有重要价值。基于LBV变换进行季节性咸水湖湿地提取的方法为：

式中，G(x, y)表示提取季节性咸水湖的二值图像，1表示季节性咸水湖湿地信息，0表示非季节性咸水湖湿地信息；c₁、c₂为常数。

有一定植被覆盖的季节性咸水湖湿地呈现紫黑色，无植被覆盖的季节性咸水湖湿地呈现暗土黄色和黑色，在有盐分析出裸露的区域呈现亮白色，与相连的绿色农田、亮土黄色裸地色调差别较大。同时，相较于农田、裸地等地物，季节性咸水湖湿地在近红外波段的值明显偏低。选取影像分割对象的近红外波段均值M_Nir、色调H_{(3, 2, 1)}参与后续分类。

NDVI是最常用的检测植被覆盖度的遥感指数，可以增强对植被的响应能力，同时消除了大部分与仪器定标、地形以及大气条件等有关的辐射度变化。基于面向对象的NDVI值表达式为：

DEM用于描述研究区域地貌形态的空间分布，坡度数据是开展地形特征分析和可视化处理的基本因子。引入LiDAR数据生成的DEM数据与DEM数据派生的地形坡度因子，参与后续分类研究。

经多次实验和分析，最终选择BL、BV、M_Nir、H_{(3, 2, 1)}、M_NDVI、M_DEM、M_slope7个特征用于季节性咸水湖湿地自然边界定位。

面向对象决策规则分类是从遥感影像对象的光谱特征及其他辅助特征中选取合适的特征组成特征集，定义合适的分类规则算法，建立二叉树或者多叉树，对图像中的各对象进行逐层识别和归类，通过若干次中间判别最终得到分类结果。相较于监督分类等分类方法，该方法具有非参数、结构清晰、实现简单等优点，对输入数据无任何统计数据要求，可根据需要主动选取分类特征，运算高效。因此，本文选用决策规则分类方法，结合高分影像、高空间分辨率DEM等多源数据进行季节性咸水湖湿地自然边界提取。

图 3所示是7个特征构建的决策规则模型。图 3中，0表示其他地类，1代表有盐分析出的季节性咸水湖湿地区域，2代表无盐分析出的季节性咸水湖湿地区域，k₁、k₂、k₃、k₄、k₅、k₆、k₇、k₈为决策树各节点阈值。DEM参与季节性咸水湖湿地自然边界提取时，考虑虚线框内的特征。对各个实验区，分别选取训练样本进行季节性咸水湖湿地在7个特征量上的光谱特征统计，经过多次实验分析，选取BL、BV的下限值和M_NDVI、M_Nir、M_DEM、M_slope、H_{(3, 2, 1)}的上限值作为决策树各节点的阈值。

图  3  季节性咸水湖湿地决策规则模型

Figure 3.  Decision Rule Model of Seasonal Saltwater Lake Wetland

对图 1中每个实验区，按§2所述的流程，分别采用无DEM、5.0 m DEM、2.5 m DEM、1.0 m DEM结合高分影像、地理国情普查数据和湿地资源调查数据进行季节性咸水湖湿地自然边界提取（见图 4)。图 4中大图为平面显示结果，小图为局部三维显示结果，用绿色表示的参考湿地边界是利用1.0 m高分影像和1.0 m高空间分辨率DEM对季节性咸水湖湿地自然边界进行三维人工解译，并实地核查修正得到的。下面以参考边界为标准，对算法提取边界进行定性和定量分析。

图  4  季节性咸水湖湿地自然边界提取结果

Figure 4.  Natural Boundary Results of Seasonal Saltwater Lake Wetlands

利用1.0 m高分影像提取的季节性咸水湖湿地自然边界见图 4（a）。对实验区1，无DEM参与提取，漏提了小图①处湿度较低的湿地信息，小图②处与湿地光谱特性接近的湿润农田错分为湿地信息，与参考边界相离较远；采用5.0 m DEM参与提取，小图①处漏提取的湿地信息和小图②处错分为湿地信息的湿润农田大部分可正确判别，与参考边界距离明显减小；采用2.5 m DEM参与提取，小图①处改善效果与5.0 m DEM参与提取时接近，小图②处错分为湿地信息的湿润农田基本被剔除，与参考边界距离进一步减小；采用1.0 m DEM参与提取，小图②处改善效果与2.5 m DEM参与提取时效果接近，小图①处漏提取的湿地信息进一步被正确判别，与参考边界总体上最为接近。对实验区2和实验区3的边界提取结果进行分析，与实验区1规律相同。可以看出，对1.0 m高分影像，在光谱特征不明显的湿地边界处，无DEM数据参与提取会出现虚检与漏检情况，DEM参与提取，虚检与漏检区域有明显改善；随着参与提取的DEM空间分辨率的提高，虚检与漏检情况改善效果逐渐增大，算法提取边界与参考边界的距离逐渐减小，即对边界定位精度的改善效果逐渐增强，到1.0 m DEM参与提取时达到最佳。

利用2.5 m高分影像提取的季节性咸水湖湿地自然边界如图 4（b）所示。对实验区1，无DEM参与提取，漏提了小图①、②处湿度较低的湿地信息，小图③处与湿地光谱特性相近的湿润农田被错分为湿地信息，与参考边界相离较远；采用5.0 m DEM参与提取，小图①、②处漏提取的湿地信息部分可正确判别，小图③处错分为湿地信息的湿润农田大部分被剔除，改善效果明显；采用2.5 m DEM参与提取，小图②、③处改善效果与5.0 m DEM参与提取时接近，小图①处改善效果增强，总体改善效果增大；采用1.0 m DEM参与提取，小图①处改善效果与2.5 m DEM参与提取时接近，小图②处漏提取的湿地信息进一步被正确判别，小图③处错分为湿地信息的湿润农田基本被剔除，改善效果进一步增强。对实验区2和实验区3的边界提取结果进行分析，有相同的结论。可以看出，对2.5 m高分影像，参与季节性咸水湖湿地自然边界提取的DEM空间分辨率越高，湿地边界信息的虚检与漏检情况改善效果越明显，对边界定位精度的改善效果越强，与1.0 m高分影像实验结论一致。

以参考边界为标准，对本文算法提取的边界进行精度评定。评价指标包括两个面矢量间相对位移的最大距离、平均距离和中误差，分别代表了算法提取边界相对于参考边界的最大偏移量、平均偏移量和偏移距离中误差，结果如表 1所示。

对1.0 m高分影像进行实验，与无DEM参与提取得到的湿地自然边界相比，分别采用5.0 m、2.5 m、1.0 m空间分辨率的DEM参与季节性咸水湖湿地自然边界提取后, 对实验区1，本文算法提取的边界与参考边界的最大距离下降幅度较小，平均距离、中误差下降幅度明显, 且随DEM空间分辨率的增大而增大。对实验区2和实验区3，本文算法提取的边界与参考边界的3个指标值下降幅度均比较明显，且DEM空间分辨率越高，下降幅度越大。可以看出，DEM参与季节性咸水湖湿地自然边界提取，可以降低3个指标值，提高边界定位精度；随着DEM空间分辨率的提高，对湿地自然边界定位精度的改善效果也更为明显。对2.5 m高分影像的季节性咸水湖湿地自然边界提取结果进行分析，结论相同。

综合定性和定量分析可得：在影像分辨率一定的情况下，DEM参与季节性咸水湖湿地自然边界提取后，有效改善了湿地边界信息的虚检与漏检，本文算法提取边界与参考边界的最大距离、平均距离、中误差明显降低，说明DEM的参与提高了湿地自然边界定位精度，且DEM空间分辨率越高，对边界定位精度的改善效果越强。其原因在于DEM可提供地形信息参与湿地自然边界提取，随着DEM空间分辨率的提高，地物的细节地形信息逐渐精确，湿地与周边裸地、农田等地物的区分也更为明显，更有利于湿地信息提取，提高湿地自然边界定位精度。

本文提出了一种结合高分影像、高空间分辨率DEM、地理国情普查数据等多源数据的季节性咸水湖湿地自然边界提取方法。首先，利用地理国情普查数据的先验地类信息剔除道路、建筑物，然后选取LBV变换特征、近红外波段均值M_Nir、DEM高程值、坡度等特征构建决策规则模型，实现季节性咸水湖湿地自然边界定位。在此基础上，对比分析了无DEM、5.0 m DEM、2.5 m DEM和1.0 m DEM参与季节性咸水湖湿地自然边界提取的结果，实验结果表明，合适的高空间分辨率DEM参与季节性咸水湖湿地自然边界提取可以提高其边界定位精度。该方法已成功应用到宁夏回族自治区湿地自然边界确定项目生产实践中。