洞庭湖濕地植被分類研究

宋仁飛，林 輝，嚴恩萍，和曉風

（中南林業(yè)科技大學 林業(yè)遙感信息工程研究中心，湖南 長沙 410004）

洞庭湖濕地植被分類研究

宋仁飛，林 輝，嚴恩萍，和曉風

（中南林業(yè)科技大學 林業(yè)遙感信息工程研究中心，湖南 長沙 410004）

高分一號衛(wèi)星是我國2013年自主發(fā)射的第一顆高分辨率對地觀測衛(wèi)星(GF-1) ，其在濕地中的應用還比較少見。以洞庭湖濕地為研究區(qū)，GF-1影像為主要遙感數(shù)據(jù)源，在對研究區(qū)濕地主要植被柳樹、楊樹、蘆葦和苔草的光譜特征分析基礎(chǔ)上，建立決策樹分類算法。同時結(jié)合GF-1影像特有的紋理信息，引入紋理均值和相異性指數(shù)對決策樹算法進行改進，結(jié)果表明：通過采用紋理均值和相異性指數(shù)，總體精度從傳統(tǒng)決策樹的85.64%提高到了92.66%，Kappa系數(shù)從0.82提高到0.91，說明該方法對濕地植被識別的效果較好。這對于同等空間分辨率遙感數(shù)據(jù)的植被分類具有指導和借鑒作用。

高分辨率遙感；決策樹；紋理；植被分類；洞庭湖

濕地在保持水源、凈化水質(zhì)、維護生物多樣性、調(diào)節(jié)氣候等方面有著十分重要的生態(tài)作用[1]，因此享有“地球之腎”的美譽[2]。近年來，濕地植被的群落組成[3]及演變趨勢[4]等方面得到了廣泛的關(guān)注和重視。植被作為全球變化的敏感指示器，已成為一個研究熱點，特別是濕地植被類型的研究對生態(tài)環(huán)境有著十分重要的作用[5]。

隨著遙感分類技術(shù)的發(fā)展，遙感影像分辨率的不斷提高，尤其是國產(chǎn)衛(wèi)星空間分辨率的快速提高，使得應用國產(chǎn)衛(wèi)星對濕地植被類型進行提取成為可能。高分辨率遙感影像不僅真實記錄了地表植被的光譜特征，還表征了與之相關(guān)的紋理信息。相關(guān)研究表明，利用光譜與紋理特征結(jié)合得到的分類精度要高于單純光譜或單純紋理的分類精度[6]。不同的植被類型由于其波譜特征的不同，在影像上的亮度值也不同，有關(guān)學者圍繞多光譜高分辨率遙感影像開展了植被分類研究[7-11]。顏梅春[8]利用IKONOS影像數(shù)據(jù)的紋理信息進行植被分類，并將結(jié)果與用光譜信息、植被指數(shù)信息的分類結(jié)果比較，得出紋理信息分類的精度最高。黎良財?shù)萚9]運用SPOT-5全色和多光譜影像，采用支持向量機(SVM)法對森林植被進行分類研究，探討了SVM法的分類能力以及紋理信息在森林植被分類中的影響。嚴恩萍等[10]以ALOS高分辨率遙感影像為數(shù)據(jù)源，采用基于光譜特征的圖像分類方法實現(xiàn)了森林類型的精確提取，分類精度達90.25%。但運用GF-1將濕地植被區(qū)分至種的文章鮮有報道。本研究旨在尋找能夠識別東洞庭湖4種典型濕地植被的分類方法，為相當空間分辨率的遙感影像植被分類提供參考。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)為湖南省東洞庭湖國家級自然保護區(qū)，位于長江中游荊江江段南側(cè)，全區(qū)總面積約 19 萬 hm2。 地 理 位 置 為 28°59′～ 29°38′N，112°43′～ 113°15′E，海拔高度 10 ～ 80 m，屬于亞熱帶季風氣候區(qū)，年均氣溫17 ℃，降水量1 200～1 300 mm。東洞庭湖是洞庭湖湖系中最大的湖泊，主要濕地植被有苔草、蘆葦、楊樹、柳樹等。

1.2 數(shù)據(jù)來源及預處理

1.2.1 地面調(diào)查數(shù)據(jù)

研究選取的地面數(shù)據(jù)為手持GPS獲取的點數(shù)據(jù)和SVC非成像光譜儀中測量植被光譜時獲取的GPS點數(shù)據(jù)，對非植被地類和不同植被類型進行采樣，共選擇了457個非植被樣本、438個柳樹樣本、200個楊樹樣本、229個蘆葦樣本、394個苔草樣本，選擇其中三分之二的樣本作為訓練數(shù)據(jù)，其余三分之一的數(shù)據(jù)作為驗證數(shù)據(jù)。

1.2.2 遙感數(shù)據(jù)

主要采用了GF-1號衛(wèi)星獲取的遙感影像，接收時間為2014年5月1日，包括4個多光譜波段（空間分辨率8 m）和1個全色波段（空間分辨率2 m）。采用ENVI5.1軟件對GF-1號數(shù)據(jù)進行輻射定標、大氣校正和Gram-Schmidt圖像融合等處理，處理后的影像如圖1所示。

圖1 東洞庭湖濕地GF-1影像Fig. 1 GF-1 image of East-Dongting Lake

1.3 研究方法

本文研究了濕地植被的光譜特征，通過分析柳樹、楊樹、蘆葦、苔草4種主要濕地植被的光譜特征，分別統(tǒng)計原始波段反射率、NDVI和RVI的最小值、最大值和均值，發(fā)現(xiàn)不同植被類型具有不同的光譜特征，可以將它們區(qū)分。首先根據(jù)統(tǒng)計的影像的光譜特征值設(shè)置閾值，進行決策樹分類；然后基于光譜特征的分類結(jié)果，結(jié)合藍波段均值紋理特征和近紅外波段相異性指數(shù)對基于光譜特征的決策樹分類算法進行改進。最后采用混淆矩陣對兩種分類結(jié)果進行精度評價，得出最佳的濕地植被分類方法。

2 結(jié)果與分析

2.1 光譜特征分析

2.1.1 植被與非植被的光譜分析

本文的主要研究目的是進行植被分類，因此需要首先將植被提取出來。目前的很多研究表明，歸一化植被指數(shù)（NDVI）可以很好地區(qū)分植被和非植被地類，是植被覆蓋度的最佳指示因子[12]。本研究選取多個非植被和植被樣本，通過比較其NDVI值，確定了NDVI的閾值為0.3，即NDVI≥0.3的像元為植被，否則為非植被。

2.1.2 不同植被種類間的光譜分析

對于植被的分類，除了影像自帶的4個波段的DN值外，比值植被指數(shù)（RVI）也可以較好地區(qū)分植被類型。RVI植被指數(shù)是植被豐度和長勢的量度指標之一，但其對植被覆蓋度有一定的要求，缺點是對大氣狀況很敏感[13]。對不同植被類型進行采樣，選擇總樣本中三分之二的數(shù)據(jù)進行光譜分析。統(tǒng)計樣本中4個波段的DN值和RVI值進，得出各種植被類型的4個波段DN值、NDVI值和RVI值的最小值、最大值和均值（見表1）。其中包括292個柳樹樣本、133個楊樹樣本、153個蘆葦樣本、263個苔草樣本、305個裸地和水樣本。根據(jù)表1可以繪出各種植被類型的均值光譜曲線和RVI值區(qū)間，結(jié)果如圖2和圖3所示。

表1 各種濕地植被類型光譜特征統(tǒng)計表Table 1 The spectral characteristic of various wetland vegetation statistics

圖2 各種植被類型的各波段均值光譜曲線Fig. 2 The mean spectrums of various vegetation

圖3 各種植被類型的RVI區(qū)間Fig. 3 The RVI intervals of various vegetation

從表1中可發(fā)現(xiàn)：

（1）在藍光波段上，苔草與柳樹、楊樹、蘆葦?shù)膮^(qū)別不大，苔草的DN均值略大于其他幾種植被類型的DN均值。

（2）在綠光和紅光波段上，苔草的DN均值與楊樹、柳樹及蘆葦?shù)腄N均值區(qū)別較大，因此可以利用綠光和紅光波段將大部分苔草區(qū)別開來。

（3）通過比較發(fā)現(xiàn)，蘆葦、楊樹、柳樹在RVI上的差異比較顯著，能夠很好地區(qū)別這三種植被，因此可以利用比值植被指數(shù)將蘆葦、楊樹、柳樹三種植被區(qū)別開來。

從以上的統(tǒng)計結(jié)果中無法直接獲取柳樹、楊樹、蘆葦、苔草4種植被類型的顯著區(qū)別，因此可以利用比值植被指數(shù)先將3種植被區(qū)別開來，再利用綠光波段和紅光波段區(qū)分混在其中的苔草，是一種很好的方法。

2.1.3 結(jié)合紋理信息的光譜分析

首先對影像的各個波段進行分析, 發(fā)現(xiàn)第1波段的紋理均值能很好地反映植被與裸地差異，故計算第1波段的紋理均值。此外，還發(fā)現(xiàn)第4波段的相異性指數(shù)能很好地區(qū)分柳樹和苔草。由于影像的空間分辨率為2 m且植被是呈片狀生長, 因此在計算紋理指數(shù)時應選用較大的窗口。經(jīng)反復研究實驗，決定利用7×7的窗口進行計算。然后分別采集樣本，經(jīng)統(tǒng)計分析和試驗, 在均值紋理上，B1Mean植被＜ B1Mean裸地。在相異性指數(shù)上有 B4Dis柳樹＞B4Dis楊樹＞ B4Dis蘆葦＞ B4Dis苔草的趨勢。即柳樹的相異性指數(shù)大，苔草的相異性指數(shù)小。楊樹和蘆葦介于二者之間，從統(tǒng)計數(shù)據(jù)上看，4種主要植被之間大的相異性指數(shù)之間的大小關(guān)系并不是絕對的，但是如果在用光譜特征進行分類的同時，結(jié)合紋理信息進行分類，將會取得較好的效果。主要解決了苔草和柳樹難以區(qū)分的問題，以及非植被與植被之間的錯分問題。

2.2 決策樹構(gòu)建

研究依據(jù)光譜分析結(jié)果, 采用決策樹算法對洞庭湖濕地植被進行分類，圖4為基于光譜特征的植被分類方法流程。其中B2，B3和B4分別為綠光、紅光和近紅外波段的DN 值，B5為計算出來的遙感影像的NDVI值，B6為計算出來的遙感影像的RVI值。首先根據(jù)B4的值是否為0，將背景范圍提取出來。然后根據(jù)NDVI ＞0.3的提取為植被區(qū)。植被區(qū)中對RVI進行閾值分割，RVI ＜3.3 的為柳樹、苔草，其余為楊樹、蘆葦和苔草，在這其中苔草是混合在其他植被當中的。在柳樹和苔草中，對B3進行閾值分割，B3＞788 的是苔草，其余為柳樹。在楊樹、蘆葦和苔草中，對RVI進行閾值分割，RVI ＜4.6 的是楊樹、苔草，其余為蘆葦、苔草，這其中有一部分楊樹混在其中，可以對B2進行閾值分割，B2＜650楊樹，其余為真正的蘆葦和苔草。在蘆葦和苔草中，B2＞800 的為苔草，其余的蘆葦。

圖4 植被分類方法流程圖Fig. 4 The flow chart of vegetation classification

結(jié)合紋理的決策樹分類方法主要從三個方面對原方法進行了改進：（1）原方法中以分為植被的部分，B1Mean≥15的為非植被，其余為植被；（2）對提取出的柳樹做了進一步的劃分，當B4Dis＞0.694 時為柳樹，其余為苔草；（3）原方法提取的部分楊樹中，B4Dis＞0.42的為楊樹, 其余為蘆葦。

2.3 精度評價

采用混淆矩陣的驗證方法對分類結(jié)果進行精度評價。選取總樣本中另外三分之一的樣本進行精度驗證，得到分類精度評價結(jié)果，結(jié)果如表2所示。其中146個柳樹樣本、67個楊樹樣本、229個蘆葦樣本、131個苔草樣本、152個裸地和水樣本。

表2 基于光譜信息的植被分類精度評價Table 2 Vegetation classification accuracy based on spectral information

由表2可知, 測試樣本的總體分類精度達到了85.84%，Kappa 系數(shù)為0.82，說明該植被分類方法的分類精度較低。就每種植被類型的分類精度而言, 楊樹的分類精度最高,苔草的分類精度最低。說明楊樹出現(xiàn)混分、漏分現(xiàn)象較少, 而苔草則較多。楊樹分類精度較高的原因是楊樹多為人工種植的喬木，林分結(jié)構(gòu)趨于一致，樹種之間的光譜差異較小，且多為成片存在。苔草誤差較大的原因主要是由于苔草與其他植被混雜生長，以及受陰影的影響，造成部分苔草光譜特征與柳樹的光譜特征十分相似，所以苔草混分為柳樹的比較多，但是利用不同植被類型的均值紋理和相異性指數(shù)卻可以將它們進一步區(qū)分開來。

使用混淆矩陣對結(jié)合紋理信息分類的結(jié)果進行精度評價，結(jié)果如表3所示。

表3 結(jié)合紋理信息的植被分類精度評價Table 3 Vegetation classification accuracy with texture information

比較表2和表3可知,苔草錯分為柳樹的樣本數(shù)由25個減少到6個，柳樹錯分為楊樹的樣本數(shù)由15個減至3個，蘆葦錯分為楊樹的樣本數(shù)由6個減為2個，苔草錯分為非植被以及非植被錯分為苔草的樣本均有所減少，錯分的現(xiàn)象大大改善了。從分類精度而言, 總精度由85.84%提高到了92.66%, Kappa系數(shù)由0.82 提高到了0.91, 說明引入紋理信息能夠顯著提高分類精度。

2.4 分類結(jié)果

通過以上的精度評價比較可知，結(jié)合紋理信息的光譜特征分析方法能有效的區(qū)分不同植被種類，且分類的精度較高。據(jù)此，結(jié)合所引入的紋理因子，得到分類結(jié)果圖（如圖5所示）。從分類的結(jié)果圖中可以看出，植被與非植被區(qū)分較好。柳樹多沿湖邊或者離湖邊較近的地方生長，面積較少。楊樹主要分布在沿湖道路的外側(cè)，一般成片狀或長條帶狀分布。蘆葦和苔草多分布在湖區(qū)內(nèi)離水較近的地方，多成大塊、片裝分布。分類后植被總體分布與實際調(diào)查的結(jié)果有較高的吻合性，分類結(jié)果令人滿意。

圖5 結(jié)合紋理信息的植被分類結(jié)果Fig. 5 The result of vegetation classification with texture information

3 結(jié)論與討論

文中所用的植被分類方法是基于洞庭湖濕地主要植被類型光譜特征的分類規(guī)則，結(jié)合GF-1遙感影像特有的紋理特征，利用結(jié)合紋理信息的決策樹算法開展?jié)竦刂脖环诸?，結(jié)果表明：（1）光譜分析表明結(jié)合紋理信息的光譜特征可以有效地區(qū)分研究區(qū)濕地植被，特別是藍波段的紋理均值和近紅外波段的相異性指數(shù)因子；（2）精度評價顯示，與單純利用光譜特征相比，結(jié)合紋理信息的決策樹分類精度較高，達92.66%，kappa系數(shù)為0.91；（3）由濕地植被空間分布圖可知，楊樹多沿堤岸和農(nóng)田邊界分布，柳樹分布稀少，蘆葦和苔草在湖區(qū)內(nèi)分布廣泛，與洞庭湖實際地類分布一致。濕地植被分類的結(jié)果與實際植被的地理空間分布基本一致。本文僅利用了光譜特征和紋理信息中的幾個較少因子進行分類，如能綜合利用更多的光譜因子和紋理因子，將會進一步提高濕地植被的分類精度。紋理信息可以提高高分辨率影像的分類精度，在植被精細分類方面有很好的應用前景，對相當分辨率遙感數(shù)據(jù)的植被分類具有一定的借鑒作用。另外，高分辨率遙感影像中存在少量混合像元問題有待進一步研究。

[1]潮洛蒙,李小凌,俞孔堅.城市濕地的生態(tài)功能[J].城市問題,2003, (3): 9-12.

[2]宋仁飛,林 輝,臧 卓,等.東洞庭湖濕地植被高光譜數(shù)據(jù)變換及識別[J].中南林業(yè)科技大學學報,2014, 34(11):135-139.

[3]余 莉, 何隆華, 張 奇,等.三峽工程蓄水運行對鄱陽湖典型濕地植被的影響[J].地理研究,2011,30(1):134-144.

[4]王 穎,宮輝力,趙文吉,等.北京野鴨湖濕地資源變化特征[J]. 地理學報, 2005,60(4):656-664.

[5]陳君穎,田慶久.高分辨率遙感植被分類研究[J].遙感學報,2007,11(2):221-227.

[6]姜青香,劉慧平.利用紋理分析方法提取TM圖像信息[J].遙感學報,2004,(5):458-463.

[7]嚴恩萍,林 輝,莫登奎,等.基于光譜特征的森林類型識別研究[J].中南林業(yè)科技大學學報, 2011,31(11):23-29.

[8]顏梅春.高分辨率影像的植被分類方法對比研究[J].遙感學報,2007,11(2):235:240.

[9]黎良財,張曉麗,郭 航.基于SVM方法的SPOT-5影像植被分類[J].東北林業(yè)大學學報,2014,42(1):51-56.

[10]嚴恩萍,林 輝,莫登奎,等.基于 ALOS 數(shù)據(jù)的遙感植被分類研究[J].中南林業(yè)科技大學學報, 2010,30(11):37-42.

[11]Huang X, Lu Q, Zhang L. A multi-index learning approach for classification of high-resolution remotely sensed images over urban areas[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 90: 36-48.

[12]吳新民,潘根興.城市不同功能區(qū)土壤重金屬分布初探[J].土壤學報,2005,42(3):713-517.

[13]張 杰,沈 芳,劉志國. 長江口潮灘濕地植被光譜分析與遙感檢測[J]. 華東師范大學學報,2007,(4):42-48.

Dongting lake wetland vegetation classification

SONG Ren-fei, LIN Hui, YAN En-ping, HE Xiao-feng
(Research Center of Forest Remote Sensing & Information Engineering, Central South University of Forestry & Technology,Changsha 410004, Hunan, China)

GF-1 satellite was launched independently in 2013 in China and it is the first high resolution earth observation satellite, and its application in the wetland is relatively rare. This paper used Dongting Lake wetland as the research area based on GF-1 image.We adopted classification algorithm of decision tree, built classification regulation on the basis of vegetation spectral characteristic and classfied the vegetation into four categories including poplars, willow, reeds, and moss grass. Then the method was improved by combining the proper textural information of GF-1 image with using texture mean and dissimilarity index. The result showed that the overall precision of the vegetation classification method based on spectral characteristic was 85.64%, but that of the improved method was upgraded to 92.66%, and kappa coefficient was 0.82, but that of the improved method was upgraded to 0.91 by using the texture mean and dissimilarity index. The result showed the vegetation classification method can classify and discriminate vegetation effectively.As to vegetation classification with similar high-resolution data source, the method will provide scientific guide and reference value.

high-resolution remote sensing; decision tree; texture; vegetation classification; Dongting lake

S771.8

A

1673-923X(2015)11-0027-05

10.14067/j.cnki.1673-923x.2015.11.006

2015-01-10

國家重大專項(N21-Y30B05-9001-13/15-2)；國家自然科學基金項目(31370639)；湖南省高校產(chǎn)業(yè)化培育項目(13CY011)

宋仁飛，碩士研究生

林 輝，教授，博士生導師；E-mail：1053460198@qq.com

宋仁飛,林 輝,嚴恩萍,等.洞庭湖濕地植被分類研究[J].中南林業(yè)科技大學學報, 2015, 35(11): 27-31.

[本文編校：吳 毅]