皖南低山丘陵破碎帶植被信息提取方法

陳 遠(yuǎn) ， 阮仁宗 ，羅菊花 ， 周賢鋒 ， 徐 娜

（1.河海大學(xué) 地球科學(xué)與工程學(xué)院, 江蘇 南京 210098；2.中國科學(xué)院 南京地理與湖泊研究所， 江蘇 南京210008；3.南京大學(xué)， 江蘇 南京210008；4.西安科技大學(xué)，陜西 西安710054）

江南丘陵區(qū)地塊破碎，土地利用/覆被類型相對比較復(fù)雜，傳統(tǒng)的基于像元和光譜特征的計算機自動分類方法的精度難以達(dá)到實際應(yīng)用的要求[1,2]。目視解譯方法可提高分類精度，但往往具有主觀性、不可移植性以及效率低等缺點[3,4]。面向?qū)ο蠓诸惣夹g(shù)可以充分利用對象的紋理、空間、上下文等特征信息，從而提高分類的精度[5,6]。

本文利用多尺度、多變量的面向?qū)ο蠓诸惙椒?，結(jié)合環(huán)境星、Landsat5以及DEM數(shù)據(jù)，嘗試對繁昌縣植被信息提取進(jìn)行研究，并針對不同植被類型所具有的特征差異性，選用相應(yīng)的分割尺度和變量參與分割，按整體到部分逐層過濾提取的順序進(jìn)行分類研究。

1 研究區(qū)概況及數(shù)據(jù)獲取

1.1 研究區(qū)概況

皖南地區(qū)屬于亞熱帶常綠闊葉林區(qū)域中的北亞熱帶常綠、落葉闊葉混交林帶和中亞熱帶常綠闊葉林帶。繁昌縣屬于皖南低山丘陵破碎帶，年平均氣溫為16.6 ℃，1月平均氣溫為0.4 ℃，7月平均氣溫為28.8 ℃；年降水量為1 176.30 mm，無霜期為230～250 d[7]；平均海拔14.8 m。除去耕地之外，植被類型主要有常綠闊葉林、常綠針葉林、落葉闊葉林、落葉闊葉灌木林、灌木園地等。

1.2 分類體系

根據(jù)“應(yīng)對氣候變化的碳收支認(rèn)證及相關(guān)問題”專項制定的土地覆被分類系統(tǒng)[8]，一級類為林地、草地、濕地、耕地、人工表面、其他6大類。本文結(jié)合研究區(qū)影像特點以及實地調(diào)查，可將林地細(xì)分為常綠闊葉林、落葉闊葉林、常綠針葉林、落葉闊葉灌木林、喬木園地、喬木綠地、灌木園地、灌木綠地；草地細(xì)分為草叢、草本綠地；耕地細(xì)分為水田和旱地；其他非植被類型不作進(jìn)一步細(xì)分，見表1。

表1 分類系統(tǒng)表

1.3 數(shù)據(jù)獲取及預(yù)處理

由于植被不同物候期具有不同的光譜特征，因此進(jìn)行植被信息提取和二級類分類的遙感提取需要多時相遙感影像。環(huán)境減災(zāi)小衛(wèi)星HJ1-CCD影像的空間分辨率是30 m，4個波段的波譜范圍分別0.43～0.52 μm、0.52～0.60 μm、0.63～0.69 μm 和 0.76～0.90 μm， 重 訪周期為2 d?？紤]到HJ-CCD影像的空間分辨率和較高的時間分辨率，在區(qū)域尺度上進(jìn)行土地覆蓋的研究較為適宜，因此本文實驗數(shù)據(jù)以HJ數(shù)據(jù)為主，輔以Landsat5數(shù)據(jù)。按實驗要求選取覆蓋研究區(qū)無云的4景HJ和2景TM影像以及ASTER GDEM數(shù)據(jù)作為輔助，如表2所示。這批數(shù)據(jù)影像質(zhì)量較好，覆蓋研究區(qū)植被主要生長期，信息豐富，滿足植被信息提取要求。DEM在區(qū)分林地與其他植被時有顯著作用，且是區(qū)分各個林種重要的輔助數(shù)據(jù)，在園地及水體的提取中也可起到一定的參考作用。

對研究區(qū)不同傳感器數(shù)據(jù)源和不同時相遙感影像數(shù)據(jù)進(jìn)行精確配準(zhǔn)是后期準(zhǔn)確提取地物的前提。本文采用的投影坐標(biāo)系為WGS_1984_Albers，地理坐標(biāo)系為GCS_WGS_1984。數(shù)據(jù)預(yù)處理包括對遙感影像的投影變換、輻射定標(biāo)、大氣校正、幾何校正等。TM120 038對研究區(qū)未完全覆蓋，小部分在120 039中，對120 038與120 039作了拼接處理，拼接后影像按照120 038作為4月份的影像進(jìn)行使用。另外，將TM數(shù)據(jù)進(jìn)行KT變換，結(jié)合其他波段數(shù)據(jù)用以水體信息的過濾，效果較為明顯。

表2 研究區(qū)數(shù)據(jù)源表

2 研究方法

2.1 影像分割

面向?qū)ο蠓诸惙椒ㄊ紫纫M(jìn)行影像分割，產(chǎn)生分類單元。影像分割的質(zhì)量對分類精度影響較大[9]。本文在分割過程中采取eCognition提供的多尺度分割方法。應(yīng)針對不同研究區(qū)或數(shù)據(jù)源，不同地物類型選取相應(yīng)分割尺度，而且參與分割影像的權(quán)重也很重要，可根據(jù)需要選擇影像的相應(yīng)波段參與權(quán)重[10-14]。針對不同的分類目的，對其特征波段可設(shè)置較大的權(quán)重，從而達(dá)到較好的分割效果[15-17]。

考慮到研究區(qū)植被類型的復(fù)雜性、破碎性以及影像的空間分辨率，本文利用TM與環(huán)境星數(shù)據(jù)，針對不同的研究區(qū)、不同的地物類型提取，使用4種分割尺度，分別為30、20、15、10。根據(jù)不同的分割尺度和分類目標(biāo)，權(quán)重設(shè)置有所不同，顏色、光滑度和緊湊度分別設(shè)置權(quán)重為1、0.5、0.6[16,17]。

2.2 特征選取

在影像分割基礎(chǔ)上進(jìn)行分類特征變量的選取，其特征包括影像光譜特征以及eCognition軟件提供面向?qū)ο蟮钠渌卣?，分類特征的選取是基于先驗知識和反復(fù)測試的結(jié)果來確定的。例如，歸一化植被指數(shù)（NDVI）不僅可區(qū)分植被與非植被，也可用于區(qū)分不同植被類型。對于落葉植被與常綠植被，可利用不同時相的遙感數(shù)據(jù)進(jìn)行區(qū)分，如在12月份的影像上，落葉植被反映出的植被信息很弱，因此，可利用12月份遙感圖像生成的NDVI_12區(qū)分落葉植被與常綠植被。水體指數(shù)和近紅外波段可用來進(jìn)行水體的剔除；歸一化差值植被指數(shù)的標(biāo)準(zhǔn)差用以進(jìn)行草地與林地的區(qū)分；DEM及其衍生數(shù)據(jù)SLOPE、ASPECT不僅可區(qū)分耕地與林地、園地，而且在林地的進(jìn)一步細(xì)分中也是重要的特征。面向?qū)ο蟮姆诸愔?，不僅可利用光譜，還可利用紋理特征、上下文特征、對象間的層次關(guān)系特征（對象的鄰域關(guān)系和在多尺度中的對象間的關(guān)系）、空間特征等[17]。對于具體類別的提取所用的特征變量如表3所示。

表3 特征變量及其描述表

2.3 面向?qū)ο蟮挠跋穹治?/h3>

2.3.1 非植被類型的去除

綜合考慮研究區(qū)破碎化的特點和影像具體情況，基于TM 4月份影像將研究區(qū)進(jìn)行尺度30的分割[15]，詳細(xì)處理流程見圖1。

2.3.2 植被信息的細(xì)化

植被信息先分出一級類再對二級類進(jìn)行細(xì)分。一級類包括林地、耕地、草地3種?？紤]到丘陵地帶植被類型的復(fù)雜性和破碎性，在去除非植被信息時，植被中的對象有20、15和10三種尺度，需先將植被合并后作為父類進(jìn)行重新分割，尺度設(shè)為20。

1）耕地。繁昌縣耕地面積為15 973 hm2，其中水田播種面積為12 148 hm2，耕地類型以水田為主[7]。主要分布在地勢相對平坦區(qū)域，山中高程較高區(qū)域少有耕地分布。結(jié)合DEM、SLOPE、NDVI按圖2所示的流程進(jìn)行耕地與草地、林地的區(qū)分。

2）草地。B1_4、B3_4、B7_4、亮度（Brightness）、B1_10對于區(qū)分草地與林地有較好的作用可據(jù)此分割，詳細(xì)處理過程見圖3。

3）林地，分為常綠闊葉林、落葉闊葉林、常綠針葉林、落葉闊葉灌木林、喬木園地、喬木綠地、灌木園地和灌木綠地9種，相對于耕地與草地，信息更為豐富。林地信息的詳細(xì)提取過程見圖4。

3 分類結(jié)果與精度評價

利用上述分類方法，得到的分類結(jié)果如圖5所示。

為了進(jìn)行準(zhǔn)確客觀的精度驗證，本文在118個野外實測樣點的基礎(chǔ)上，通過目視解譯隨機撒點的方法得到了194個樣本點，即樣點總數(shù)達(dá)到312個。利用驗證點數(shù)據(jù)對數(shù)據(jù)進(jìn)行了精度評價，生成的混淆矩陣如表4所示。

4 結(jié)果與分析

通過分類結(jié)果可知，研究區(qū)土地覆蓋類型主要為水田，面積占46.8%，林地主要分布在山區(qū)或山地周圍，以常綠闊葉林為主，占14.55%。本研究采用的規(guī)則集和具體的閾值具有區(qū)域適用性，針對繁昌縣的影像及地物特征，應(yīng)用于其他區(qū)域時，需根據(jù)實際情況進(jìn)行相應(yīng)調(diào)整。

在低山丘陵地帶，人類活動對植被覆蓋類型的影響較大，地表的植被覆蓋相對較為復(fù)雜且破碎，面向?qū)ο蠓诸惙椒筛鶕?jù)不同地物不同背景對地物進(jìn)行面向?qū)ο蟮拿枋?，找出相?yīng)的特征并結(jié)合光譜特征分類，可得到較高的精度。尤其是在多源多時相數(shù)據(jù)的支持下，對象的特征信息較豐富，可提高分類的精度。綜上所述，采用的面向?qū)ο蠓謱臃诸惙椒ㄟM(jìn)行的分類有以下優(yōu)點：

1）面向?qū)ο蟮倪b感提取方法的最大優(yōu)點是基于影像對象上的分類， 可充分利用影像的光譜信息、紋理信息和拓?fù)潢P(guān)系。

2）采用多尺度分割方法，對不同的地物類型生成適度大小的多邊形，不同的分割尺度組合有利于對地物對象包含的特征。類間關(guān)系等的充分提取，從而提高分類精度，背景越復(fù)雜，對象與對象間的信息越豐富，越有利于充分利用面向?qū)ο蟮奶卣髦颠M(jìn)行分類。

3）分層分類法可根據(jù)地物斑塊大小在不同層級上進(jìn)行提取，逐步提取出所需類別，大大提高了分類精度。

4）根據(jù)異質(zhì)性最小原則分割出來的對象有自己的形狀特征和邊界輪廓，能夠更加準(zhǔn)確地反映地物的真實邊界、輪廓信息，從根本上減少錯分、漏分的概率，同時能有效避免椒鹽噪聲，提高分類精度。

表4 植被分類結(jié)果混淆矩陣

[1]楊強.基于遙感的榆林地區(qū)生態(tài)脆弱性研究[D].南京：南京大學(xué)，2013

[2]羅紅霞，龔健雅.亞熱帶低山丘陵區(qū)土壤遙感監(jiān)測圖像處理[J].長江流域資源與環(huán)境，2006，15(1) ：41-47

[3]趙萍，馮學(xué)智， 王雷，等.江南丘陵區(qū)土地利用/覆被分類[J].南京大學(xué)學(xué)報：自然科學(xué)版，2003，39(3) ：404-410

[4]肖鵬峰，劉順喜.中分辨率遙感圖像土地利用與覆被分類的方法及精度評價[J].國土資源遙感，2004(4) ：41-46

[5]郭亞鴿，于信芳.面向?qū)ο蟮纳种脖粓D像識別分類方法[J].地球信息科學(xué)學(xué)報，2012，14 (4)：514-522

[6]陳旭，徐佐榮，余世孝.基于對象的QuickBird遙感圖像多層次森林分類[J].遙感技術(shù)與應(yīng)用，2009，24(1)：22-26

[7]安徽省統(tǒng)計局.安徽省統(tǒng)計年鑒[Z].北京：中國統(tǒng)計出版社，2012

[8]吳炳方，張磊，李曉松，等.面向生態(tài)系統(tǒng)碳收支服務(wù)的全國土地覆被分類系統(tǒng)設(shè)計方案[Z].北京：中國科學(xué)院遙感應(yīng)用研究所，2011

[9]AS Laliberte, EL Fredricksonand Albert Rango.Combining Decision Trees with Hierarchical Object-oriented Image Analysis for Mapping Arid Rangelands[J].Photogrammetric Engineering and Remote Sensing, 2007,73(2):197-207

[10]Baatz M, Sch?pe A. Object-oriented and Multi-scale Image Analysis in Semantic Networks[C].2nd International Symposium:Operationalization of Remote Sensing,1999

[11]張峰，吳炳方，黃慧萍，等.泰國水稻種植區(qū)耕地信息[J].自然資源學(xué)報，2003，18(6) ：766-772

[12]Gao Y, Mas J F.A Comparison of the Performance of Pixel Based and Object Based Classifications over Images with Various Spatial Resolutions [J].Online Journal of Earth Sciences,2008(2)27-35

[13]胡文亮，趙萍，董張玉.一種改進(jìn)的遙感影像面向?qū)ο笞顑?yōu)分割尺度計算模型[J].地理與地理信息科學(xué),2010，26(6)：15-18

[14]Blaschke T, Hay G J. Object-oriented Image Analysis and Scale-space: Theory and Methods for Modeling and Evaluating Multiscale Landscape Structure[J]. International Archives of Photogrammetry and Remote Sensing, 2001, 34(4): 22-29

[15]Marangoz A M, Oruc M, Buyuksalih G. Object-oriented Image Analysis and Semantic Network for Extracting the Roads and Buildings from IKONOS Pan-sharpened Images[C].ISRPS 2004 Annual Conference,2004

[16]Definiens. Definiens Developer 7.0 User Guide[Z]. Definiens AG, Munich，2007

[17]Benz U C, Hofmann P, Willhauck G, et al. Multi-resolution,Object-oriented Fuzzy Analysis of Remote Sensing Data for GIS-ready Information[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2004, 58(3): 239-258