高分1號融合光譜特征提取杭州灣河口沿岸濕地典型植被信息方法研究

陳金鳳,程　乾

(浙江工商大學區(qū)域生態(tài)環(huán)境與空間信息技術研究所，浙江 杭州 310018)

高分1號融合光譜特征提取杭州灣河口沿岸濕地典型植被信息方法研究

陳金鳳,程乾

(浙江工商大學區(qū)域生態(tài)環(huán)境與空間信息技術研究所，浙江 杭州 310018)

摘要：河口沿岸濕地典型植被信息的遙感分類提取，是監(jiān)測河口濕地生態(tài)環(huán)境變化的重要前提之一.以杭州灣河口沿岸濕地為研究區(qū)，通過實地采集的典型植被光譜數(shù)據(jù)與國產(chǎn)高分1號衛(wèi)星影像數(shù)據(jù)建立相關關系, 并結合面向對象方法的分割尺度及波段比等參數(shù)的設置，利用面向對象分類方法進行杭州灣濕地典型植被信息提取.研究結果表明：基于高分1號高空間分辨率數(shù)據(jù)，結合典型植被光譜特征和面向對象分類方法，有利于提高典型植被信息提取的精度，可以有效地提取濕地典型植被信息.

關鍵詞：高分1號；杭州灣濕地；面向對象分類；典型植被

0引言

人類干擾程度的加大已導致了濕地環(huán)境惡化、資源浪費和破壞， 因而濕地系統(tǒng)的保護和監(jiān)測也成了關注焦點.在全球濕地研究中，植物是反映濕地生態(tài)環(huán)境變化敏感程度的指示器, 而植被分類則是植被研究的基礎.目前對濕地典型植被提取研究還比較薄弱,傳統(tǒng)的人工實地調查要花費大量人力和物力,且經(jīng)常由于條件限制而無法到達研究區(qū).因此，遙感技術作為地表生態(tài)環(huán)境過程參量獲取的重要工具， 在當今濕地科學領域發(fā)揮著重要作用，特別是隨著我國高分辨率系列衛(wèi)星發(fā)射(高分)以及高分衛(wèi)星性能與應用水平的不斷提高，利用高分衛(wèi)星提取典型植被物種信息顯得越加重要.

國外濕地專家在濕地植被提取技術方面已開展了許多研究,并取得了一定成果.Coops等以 Landsat TM為數(shù)據(jù)源, 采用主成分分析方法對多瑙河三角洲湖泊濕地的濕生植物進行研究, 較為成功地提取了10種濕生植物類型[1]；James等以 ETM 影像為數(shù)據(jù)源, 結合基于像元和面向對象的分類方法, 對美國東北部長島海峽沿岸地區(qū)的水生植物信息提取進行研究[2].在國內，濕地分類方法研究較多[3-5],通過大量野外實地調查，基于濕生植物光譜特征分析,采用面向對象分類方法提取濕地典型植被信息[6-8]；劉雪華等主要采用馬氏距離法和主成分分析法對光譜進行降維并對光譜特征進行分析和提取，利用提取的光譜信息構建判別模型對濕地植物進行判別，并對模型精度進行比較評價，最后獲得最佳判別模型[9]；李娜等以自然狀態(tài)下的黑龍江三江平原洪河國家級自然保護區(qū)為研究對象， 應用飛艇搭載的空間高分辨率攝像系統(tǒng)獲取影像地面分辨率為0.13 m 的影像數(shù)據(jù)，主要結合面向對象分類方法，開展了基于濕地植物群落尺度的分類制圖研究[10].

表1高分1號衛(wèi)星的主要參數(shù)

Tab. 1The principal parameters of Gaofen-1

名稱主要載荷指標高分1號衛(wèi)星2m全色/8m多光譜分辨率相機,幅寬60km;16m多光譜分辨率寬覆蓋相機,幅寬800km;4個多光譜(藍、綠、紅、近紅外),1個全色;太陽同步軌道,重訪周期5d[11].

高分系列衛(wèi)星是我國自行研制并發(fā)射的系列衛(wèi)星，其中，高分1號于2013年4月發(fā)射成功，其主要參數(shù)見表1.由于河口生態(tài)環(huán)境的多樣性、復雜性和微尺度性,本文將充分利用高分遙感在河口沿岸微小尺度生態(tài)環(huán)境的優(yōu)勢，并指導和輔助地面監(jiān)測和驗證工作，利用面向對象方法，開展高分衛(wèi)星以及地面實測數(shù)據(jù)融合，精確提取復雜微小尺度背景下生態(tài)環(huán)境要素的信息.本研究的目的就是充分利用采集的杭州灣沿岸陸地典型植物物種的地面光譜數(shù)據(jù)，通過與高分1號衛(wèi)星遙感影像對應區(qū)域的影像數(shù)據(jù)建立相關關系， 并將分析結果參與面向對象方法中分割波段權重的設置, 進而進行影像分割、特征選取和對象分類，從而對杭州灣河口濕地典型植被進行信息提取.

1研究區(qū)和數(shù)據(jù)及方法

1.1　研究區(qū)概況

研究區(qū)域(圖1)主要是杭州灣南岸地區(qū).杭州灣位于中國浙江省東北部，西起浙江海鹽縣澉浦鎮(zhèn)和慈溪之間的西三豐收閘斷面，東至揚子角到寧波鎮(zhèn)海角連線.與舟山、北侖港海域為鄰；南連寧波市，北接嘉興市、上海市.有錢塘江注入，是一個喇叭形海灣.研究區(qū)經(jīng)緯度：30°14′N~30°35′N，120°56′E~121°17′E.研究區(qū)內植被類型多樣，主要是蘆葦、害羞草、三林藨草、夾竹桃及旱柳等.其中最為典型的區(qū)域是杭州灣國家濕地公園，位于杭州灣跨海大橋南岸橋址西側，屬于典型的海岸濕地生態(tài)系統(tǒng)，是東南亞最大的咸淡水海灘濕地之一.

圖1　研究區(qū)示意圖(高分1號衛(wèi)星研究區(qū)影像圖)Fig.1　Image of study area

1.2　數(shù)據(jù)

本研究的數(shù)據(jù)源是2013年8月9日高分1號衛(wèi)星的杭州灣影像資料，及2013年9月27日至9月29日的野外實地考察的研究區(qū)內的典型植被光譜信息等.典型植被光譜信息的采集時間為每天上午10點至下午3點，每種典型植被選擇至少5個樣本點，并連續(xù)每半個小時測一次光譜.

1.3　方法

本次研究中,在野外實際采集的典型植被光譜數(shù)據(jù)分析的基礎上，與高分1號的遙感影像數(shù)據(jù)建立相關關系，然后運用面向對象的分類方法對研究區(qū)進行典型植被信息提取.在遙感影像分割時充分考慮了地物的光譜、幾何、 結構以及紋理等信息, 并將典型植被光譜的特征分析結果參與面向對象方法中分割波段權重的設置，生成的對象為同質像元聚集; 并以此對象為信息提取的基本單元,實現(xiàn)類別信息自動提取, 最小的分類單元不再是像元而是一個個的分割對象.如圖2所示.

圖2　圖像提取方法流程技術圖Fig. 2　Flow of typical plant species classificationinformation extraction

2結果與討論

2.1　研究區(qū)植被覆蓋的高分提取

對研究區(qū)2013年8月9日的高分1號遙感影像進行投影變換、幾何校正等數(shù)據(jù)預處理，并采用Gram-Schmidt將研究區(qū)8月9日高分8 m多波段和2 m全色影像融合為2 m多波段的遙感影像.影像融合是形成新的具有多波段、高分辨率的融合影像的技術[12]，可以提高遙感數(shù)據(jù)的可應用性和對地物的識別能力[13].依據(jù)杭州灣的地形和土地利用現(xiàn)狀等資料，結合高分1號高空間分辨率影像圖上的豐富地物信息，以及相關文獻[14-15]把杭州灣南岸陸地覆蓋分為植被、水體、魚塘、沼澤、農(nóng)用地、裸地和城鎮(zhèn)建設用地七大主類10亞類(植被、河道和水庫、沼澤、休耕地、耕地、魚塘、裸地、居住用地及工礦用地等).然后，按照面向對象分類的方法對研究區(qū)2013年8月9日的高分1號8 m多波段和融合后的2 m多波段遙感影像進行土地覆被信息分類提取，參數(shù)設置及評價精度如表2所示.

表2　基于面向對象分類的兩種遙感影像參數(shù)設置及精度評價

由表2可知， 利用面向對象的2 m多波段的高分1號遙感影像的分類精度較高，經(jīng)實地考察其分類結果與地面實際吻合程度比較高.因此，在2 m多波段的高分1號遙感影像土地覆被信息分類自動提取結果的基礎上，提取植被信息矢量，利用植被矢量建立ROI對8 m分辨率高分影像進行掩膜，提取出植被信息，在該植被覆蓋區(qū)域基礎上，進行典型植被物種信息提取.

圖3　研究區(qū)植被覆蓋分布圖Fig. 3　Image of study area about vegetation cover

2.2　典型植被光譜分析

通過野外實地調查杭州灣沿岸濕地典型植被蘆葦、害羞草、三林藨草、夾竹桃及旱柳等得知:三林藨草主要分布在杭州灣沿岸灘涂地區(qū)，陸地地區(qū)分布較少；夾竹桃覆蓋的斑塊面積大,破碎度低；蘆葦主要分布在近水域周圍，斑塊面積小,破碎度指數(shù)大且分離度指數(shù)高；旱柳分布斑塊面積小,分離度指數(shù)大.所以選取蘆葦、夾竹桃和旱柳3種具有典型分類特征的植物群落作為研究對象.在確定研究類型的基礎上, 大量分析野外采集的上述類型植被光譜數(shù)據(jù)與高分辨率影像中相應類型植被光譜響應特征, 找出物種之間區(qū)分性高的光譜指數(shù)，然后參與影像分割參數(shù)的設置.

利用 SPSS17.0統(tǒng)計軟件分析各典型植物類型在4個波段的光譜及其波段比B4/B3、B2/B1、NDVI、B3/B2、B1/B3、B1/B4和B2/B4等組合運算的區(qū)分度,作為面向對象分類的設置參數(shù).通過對比圖4、圖5分析發(fā)現(xiàn):旱柳、夾竹桃和蘆葦在第4波段及B4/B3波段組合時光譜特征的可區(qū)分性較大.

圖4　研究區(qū)典型植被光譜特征Fig. 4　Spectral characteristics of typical vegetationin the study area

圖5　研究區(qū)典型植被波段組合的光譜特征Fig. 5　Spectral characteristics of typical vegetationspectral combination in the study area

2.3　高分影像分析

影像分割是指將影像中具有相似特征(亮度、色彩、紋理等)的臨近像元組成為一個個“對象”的過程，“對象”可認為是一個用空間、光譜、紋理等特征信息定義的感興趣區(qū).影像分割中分割尺度的選取至關重要， 直接影響所生成的對象多邊形的數(shù)量、 大小、 形狀和分類信息提取的精度.經(jīng)反復試驗，確定分割尺度為65%，歸并尺度為70%，并因為各典型植被在B4的光譜特征區(qū)分性較大，將影像分割時的波段設置為B4.在這種參數(shù)的設定下，研究區(qū)影像的分割較為合理， 分割后的對象內部同質性較高， 邊界輪廓較為清晰， 具有較好的可分離性與代表性.

圖6　特征提取及對象分類技術流程圖Fig. 6　Flow of typical plant object featureextraction and classification

完成影像分割后， 采用合適的參數(shù)定義和計算對象的特征空間， 是面向對象分類的關鍵技術問題.Feature Extraction可計算對象的四類屬性：Spatial(空間)、 Spectral(光譜)、 Texture(紋理)及Col-or Space(色彩空間)與Band Ratio(波段比).選取以上4類屬性構建對象的特征空間：對于空間、 光譜和紋理3種屬性， 選擇全部指數(shù)參與屬性計算； 因為第2、3和4波段對植被信息較為敏感，所以“色彩空間” 選擇4波段、 3波段和2波段3個RGB波段轉換為HIS色彩空間； “波段比”選擇信息量豐富， 且對水體和植被具有較好鑒別力的B4和B3的比值.

2.4　特征選取及對象分類

因典型植被信息的提取，關鍵是依靠植被的光譜信息進行的，所以這里主要是采取寫規(guī)則的方法來進行特征提取及對象分類,具體流程如圖6所示.將實際采集的典型植被的光譜信息和影像上相應的光譜信息進行比較分析，確定兩者的對應關系，在進行蘆葦、夾竹桃和旱柳的提取時，除運用第4波段的波譜信息設置每種典型植被的閾值范圍，還運用了空間信息.因夾竹桃在研究區(qū)的分布面積較大，破碎程度較低，又設置了面積閾值；因蘆葦多分布在近水域周圍，旱柳多分布在道路兩旁，大部分是線性分布，且旱柳的分布較蘆葦線性較長，所以通過設置長度閾值來提取蘆葦和旱柳.規(guī)則建立后，執(zhí)行對象分類.

將分類結果圖覆蓋在相應的分類前的遙感影像上，對分類結果進行分類類型名稱、顏色調整，并對其中的局部分類結果進行調整和修改.然后，通過Post Classified 工具，對修改后的分類結果進行主要或次要分析、聚類分析及篩選類分析.

2.5　分類結果精度評價

在研究區(qū)內，最為典型的區(qū)域是杭州灣國家濕地公園，總面積43.5 km2，是很多珍稀候鳥的棲息地，物種豐富，所以截取了杭州灣濕地公園的典型植被信息提取.

圖7　杭州灣沿岸陸地典型植被信息提取Fig. 7　Hangzhou Bay coastal land typical vegetation information extraction

圖8　杭州灣濕地公園典型植被信息提取Fig. 8　Hangzhou Bay Wetland Park typical vegetationinformation extraction

由圖7和圖8可知:夾竹桃的斑塊面積較大，分布較為集中，主要分布在杭州灣濕地公園和道路兩旁；蘆葦?shù)陌邏K面積較小，且主要分布在水域沿岸周圍；旱柳的斑塊面積較小，分布較零散，主要在道路兩旁.本研究采用隨機抽樣方法進行檢驗.通過ArcGIS 的Create Random Points 命令,在典型植被信息提取結果中生成 25個隨機檢驗點，保證檢驗點中包含所要提取的3種典型植被類別，然后到杭州灣相應點進行實際取證，結果21個點是正確的，平均精度在80%以上，基本上達到本次研究的目的.

3結論

面對杭州灣河口沿岸濕地復雜斑塊分類精度難以提高的關鍵問題，本文通過分別采集杭州灣沿岸陸地典型植物物種的地面光譜數(shù)據(jù)，在分析植被光譜特征的基礎上, 將野外實地采樣的光譜數(shù)據(jù)與高分1號衛(wèi)星遙感影像對應區(qū)域的影像數(shù)據(jù)建立相關關系, 其中包括參與面向對象方法的分割尺度中波段及波段比等參數(shù)的設置，運用波譜結合空間信息設置每種典型植被的閾值范圍.規(guī)則建立后，執(zhí)行對象分類，這種分類方法有利用提高典型植被信息提取的精度.研究表明：利用地面光譜和高分1號衛(wèi)星數(shù)據(jù)結合面向對象方法可以有效地提高分類精度，在濕地典型植被信息提取時除考慮圖像紋理、空間特征外，還應結合地面光譜，光譜和圖像特征結合可以大大提高分類精度；高分1號衛(wèi)星的應用，不僅體現(xiàn)了其高分辨的優(yōu)勢，而且其豐富的空間及紋理特征是運用面向對象方法提取典型植被信息的關鍵；但是在典型植被信息提取中分割尺度的確定、特征空間的構建以及要素規(guī)則的選取等都需要人工參與，分類結果易受主觀因素影響.因此，分割尺度精度評價、最優(yōu)分割尺度選取過程中的科學性、規(guī)范化和智能化，仍需加強研究.

參考文獻:

[1] Coops H, Hanganu J, Tudor M,etal. Classification of danube delta lakes based on aquatic vegetation and turbidity[M]//Biology, Ecology and Management of Aquatic Plants. Netherlands: Springer,1999:187-191.

[2] Hurd J D, Civco D L, Gilmore M S,etal. Tidal wetland classification from landsat imagery using an integrated pixel-based and object-based classification approach[C]// ASPRS 2006 Annual Conference.Reno,2006.

[3] 曹宇,莫利江,李艷,等.濕地景觀生態(tài)分類研究進展[J].應用生態(tài)學報,2009,20(12):3084-3092.

[4] 成衛(wèi),胡東,付必謙,等.北京濕地生物多樣性研究[M].北京:科學出版社,2007.

[5] 曹寶,秦其明,張自力,等.基于特征增強技術的面向對象分類方法[J].水土保持研究,2008,15(1):135-139.

[6] 簡永興,李仁東.鄱陽湖灘地水生植物多樣性調查及灘圾植被的遙感研究[J].植物生態(tài)學報,2001,25(5):581-587.

[7] 龍娟,宮兆寧,郭逍宇,等.基于光譜特征的濕地濕生植物信息提取研究[J].國土資源遙感,2010,22(3):125-129.

[8] 杜鳳蘭,田慶久,夏學齊,等.面向對象的地物分類方法研究與分析[J].遙感技術與應用,2004,19(1):20-23.

[9] 劉雪華,孫巖,吳燕.光譜信息降維及判別模型建立用于識別濕地植物物種[J].光譜學與光譜分析,2012,32(2):459-464.

[10] 李娜，周德民，趙魁義.高分辨率影像支持的群落尺度沼澤濕地分類制圖[J].生態(tài)學報，2011，31(22):6717-6726.

[11] 《中國軍轉民》編輯部.“高分一號”衛(wèi)星發(fā)射成功[J].中國軍轉民,2013(5):20-27.

[12] 賈永紅.數(shù)字圖像處理[M].武漢：武漢大學出版社，2003:212-215．

[13] 管玉娟,張利權.影像融合技術在灘涂濕地植被分類中的應用[J].海洋環(huán)境科學，2008,27(6):647-652.

[14] 莫利江,曹宇,胡遠滿,等.面向對象的濕地景觀遙感分類:以杭州灣南岸地區(qū)為例[J].濕地科學，2012,10(2)：206-213.

[15] 曹敏，史照良，沈泉飛.ALOS影像在土地覆蓋分類中最佳波段選取的研究[J].測繪通報，2008(9)：16-18.

Research on the Extraction Method of Typical Vegetation Information in

Hangzhou Bay Wetlands by Gaofen-1

CHEN Jinfeng, CHENG Qian

(Institute of Regional Eco-environment and Spatial Information Technology, Zhejiang Gongshang University, Hangzhou 310018, China)

Abstract:Remote sensing classification extraction of the typical wetland vegetation information in estuarine wetlands is an important prerequisite for monitoring estuarine wetland environment changes. Taking Hangzhou Bay estuarine wetlands along the coast as the study areas, the relationships between the spectral data of typical vegetation and the satellite image data of Gaofen-1 are established, the parameters like segmentation scales and band are set, and the typical wetland vegetation information in Hangzhou Bay is extracted by the object-oriented classification method. The results show that based on the resolution data of Gaofen-1, the combination of the typical vegetation spectral data and object-oriented classification method, is beneficial to improve the extraction precision of typical wetland vegetation.

Key words:Gaofen-1; Hangzhou Bay wetlands; object-oriented classification; typical vegetation

第14卷第1期2015年1月杭州師范大學學報(自然科學版)JournalofHangzhouNormalUniversity(NaturalScienceEdition)Vol.14No.1Jan.2015

文章編號:1674-232X(2015)01-0038-06

中圖分類號:TP79

文獻標志碼:A

doi:10.3969/j.issn.1674-232X.2015.01.007

通信作者：程乾(1968-)，男，教授，博士，主要從事遙感與GIS應用研究.E-mail:qiancheng525@163.com

基金項目:國家高分辨率對地觀測重大專項資助項目(E05-Y30B02-9001-13/15-4)；國家自然科學基金項目(41271417).

收稿日期：2014-06-25