基于“高分四號(hào)”衛(wèi)星影像洞庭湖濕地信息提取

由佳 張懷清 陳永富 劉華 高志海

（中國(guó)林業(yè)科學(xué)研究院資源信息研究所，北京 100091）

基于“高分四號(hào)”衛(wèi)星影像洞庭湖濕地信息提取

由佳 張懷清 陳永富 劉華 高志海

（中國(guó)林業(yè)科學(xué)研究院資源信息研究所，北京 100091）

文章以“高分四號(hào)”衛(wèi)星數(shù)據(jù)為數(shù)據(jù)源，以湖南洞庭湖區(qū)域?yàn)橹饕芯繀^(qū)域，建立了洞庭湖三級(jí)濕地分類系統(tǒng)（主要包括：水體、草灘地、泥灘、耕地、林地、裸地六類），分別使用最大似然法、支持向量機(jī)法以及神經(jīng)網(wǎng)絡(luò)法對(duì)洞庭湖濕地進(jìn)行遙感信息提取。結(jié)果顯示，在三種不同的遙感分類方法中，最大似然法分類精度相對(duì)較高，總體精度為77.14%，Kappa系數(shù)為0.592 9。研究發(fā)現(xiàn)：“高分四號(hào)”衛(wèi)星影像具有良好的濕地類型信息提取能力，采用最大似然分類方法可以較好的進(jìn)行大區(qū)域濕地類型信息的提取。

濕地 信息提取 洞庭湖 “高分四號(hào)”衛(wèi)星 衛(wèi)星應(yīng)用

0 引言

濕地主要分布在陸地與水體之間的過(guò)渡地帶，是兩者相互作用形成的獨(dú)特生態(tài)系統(tǒng)，是地球三大生態(tài)系統(tǒng)之一；具有顯著的生態(tài)效用、社會(huì)效用以及經(jīng)濟(jì)效用[1-4]；并被譽(yù)為“地球之腎”以及自然基因庫(kù)。就分類而言，其主要涵蓋沼澤地、泥炭地、湖泊、河灘、河口、海岸灘涂、鹽沼、水庫(kù)、池塘、稻田等天然濕地和人工濕地[5]。

洞庭湖的主水域一般是指東洞庭湖區(qū)，總面積達(dá)1 478km2，是天然蓄水型通江湖泊，對(duì)長(zhǎng)江水量的調(diào)節(jié)具有重要的影響作用。若運(yùn)用原有的野外實(shí)地勘察獲取數(shù)據(jù)分析洞庭湖濕地，則因其湖區(qū)內(nèi)部通行條件有限，獲取數(shù)據(jù)需要花費(fèi)較多的人工、物力、財(cái)力以及時(shí)間，并難以保障研究效果的科學(xué)性。鑒此，本文運(yùn)用濕地遙感檢測(cè)技術(shù)對(duì)洞庭湖濕地動(dòng)態(tài)變化進(jìn)行了全面監(jiān)測(cè)，此類方法可充分分析洞庭湖的未來(lái)發(fā)展趨勢(shì)和內(nèi)部生態(tài)環(huán)境的更迭，也有利于其合理的利用濕地資源和保護(hù)濕地生態(tài)環(huán)境；更為重要是可以在短時(shí)間內(nèi)，動(dòng)態(tài)監(jiān)測(cè)濕地資源動(dòng)態(tài)變化、濕地類型變化以及應(yīng)急變化等內(nèi)容，這現(xiàn)已成為全球環(huán)境變化檢測(cè)途徑之一。

通過(guò)遙感技術(shù)手段提取濕地信息，近年來(lái)也取得顯著進(jìn)步，并被多位專家學(xué)者廣泛運(yùn)用到各自的研究領(lǐng)域。文獻(xiàn)[6]首先運(yùn)用小波理論分析濕地遙感圖像的紋理特征，而后進(jìn)行信息提取的研究；文獻(xiàn)[7]運(yùn)用基于知識(shí)的分類方法，Landsat-7衛(wèi)星利用增強(qiáng)型專題制圖儀（Enhanced Thematic Mapper，ETM）數(shù)據(jù)，通過(guò)地面GIS信息以及物候特征，以洞庭湖為研究對(duì)象，有效的提高了提取信息的分類精度；文獻(xiàn)[8]以湖北洪湖濕地為研究對(duì)象，運(yùn)用改進(jìn)的獨(dú)立分量分析檢測(cè)方法，得到了濕地變化的檢測(cè)結(jié)果，使得檢測(cè)精度有所提升；文獻(xiàn)[9]利用面向像元和面向?qū)ο髢煞N方法的優(yōu)勢(shì)，結(jié)合多變量變化檢測(cè)，提出創(chuàng)新性較強(qiáng)的分類方法，可以大大提高濕地變化/未變化信息檢測(cè)的精度；文獻(xiàn)[10]則是應(yīng)用支持矢量機(jī)分類方法，對(duì)現(xiàn)有遙感影像進(jìn)行了分類，以杭州灣南岸濕地為研究對(duì)象進(jìn)行了變化檢測(cè)，并從宏觀和微觀兩方面得出該區(qū)濕地范圍內(nèi)土地覆蓋類型的變化情況。

當(dāng)前，濕地信息提取的研究雖然取得了長(zhǎng)足進(jìn)展，隨著遙感技術(shù)手段的不斷更新，高分辨率的遙感影像可使研究者對(duì)地物形狀及尺寸獲得更高的辨識(shí)度，而且更新速度快、覆蓋范圍廣，有效提升了空間信息的可靠性[11]。本研究通過(guò)利用分辨率為50m的“高分四號(hào)”（GF-4）衛(wèi)星遙感影像進(jìn)行了濕地類型信息提取，以洞庭湖為研究區(qū)域，在對(duì)其影像進(jìn)行預(yù)處理的基礎(chǔ)上，分別使用三種不同的遙感分類方法進(jìn)行了提取研究，最后通過(guò)評(píng)價(jià)對(duì)比三種分類方法的精度，科學(xué)判定洞庭湖濕地信息提取的最佳方法。

1 研究區(qū)地理背景與數(shù)據(jù)分析

1.1 研究區(qū)地理背景

洞庭湖位于湖南省北部，長(zhǎng)江中游荊江南岸，地處北緯27°39′～29°51′，東經(jīng) 111°19′～113°34′之間。該區(qū)域南近益陽(yáng)等縣市，北抵安鄉(xiāng)縣、南縣等縣鄉(xiāng)，東至汨羅等市，西至澧縣等縣市（如圖1所示）。地處亞熱帶季風(fēng)氣候，年平均氣溫在16.4～17℃之間，年降水量為1 100～1 400mm，年平均過(guò)水量達(dá)3 126×108m3，總?cè)莘e220×108m3，其中天然湖泊容積178×108m3，河道容積 42×108m3。洞庭湖獨(dú)特的生態(tài)環(huán)境使古老珍稀物種有了得天獨(dú)厚的生存、生長(zhǎng)條件。洞庭湖是長(zhǎng)江流域重要的蓄水型湖泊，具有強(qiáng)大的蓄洪能力，同時(shí)在保護(hù)生物多樣性方面發(fā)揮著舉足輕重的作用。

圖1 研究區(qū)地理位置Fig.1 Geographical location of research area

1.2 研究區(qū)影像數(shù)據(jù)

本研究利用GF-4衛(wèi)星數(shù)據(jù)，GF-4衛(wèi)星為光學(xué)成像衛(wèi)星，有可見(jiàn)光近紅外和中波紅外兩個(gè)通道，可見(jiàn)光近紅外譜段分辨率為50m，中波紅外譜段分辨率為400m，單景覆蓋區(qū)域?yàn)?00km×400km，影像接收時(shí)間為2016年05月11日。GF-4衛(wèi)星數(shù)據(jù)光譜譜段和分辨率見(jiàn)表1。

表1 GF-4數(shù)據(jù)光譜譜段和分辨率Tab.1 Spectral bands of GF-4 data

1.3 研究區(qū)遙感分類系統(tǒng)

根據(jù)國(guó)家濕地分類標(biāo)準(zhǔn)（GB/T 24708-2009）和GF-4衛(wèi)星遙感影像的可解譯性，同時(shí)結(jié)合洞庭湖的實(shí)際地理情況，建立了洞庭湖三級(jí)濕地分類系統(tǒng)，如表2所示。

表2 洞庭湖濕地遙感分類Tab.2 Remote sensing classification of Dongting Lake wetland

2 濕地提取方法研究

對(duì)原始遙感影像數(shù)據(jù)進(jìn)行預(yù)處理，通過(guò)融合、配準(zhǔn)進(jìn)行濕地類型信息的提取，本研究主要運(yùn)用三種方法：最大似然法、支持向量機(jī)法以及神經(jīng)網(wǎng)絡(luò)法，具體流程如圖2所示。

2.1 監(jiān)督分類

（1）最大似然法分類（Likelihood Classification）

最大似然法假設(shè)每一個(gè)波段的每一類統(tǒng)計(jì)樣本都呈正態(tài)分布，計(jì)算給定像元屬于某一訓(xùn)練樣本的似然度，像元最終被歸并到似然度最大的一類當(dāng)中[12-14]。但其中兩個(gè)或多個(gè)波長(zhǎng)的單波段訓(xùn)練數(shù)據(jù)不理想的情況下，各個(gè)波峰應(yīng)有一個(gè)唯一的作為單獨(dú)分離的訓(xùn)練標(biāo)識(shí)。

（2）支持向量機(jī)法（Support Vector Machine Classification，SVM）

支持向量機(jī)分類是由Vapnik領(lǐng)導(dǎo)的AT&T Bell實(shí)驗(yàn)室研究小組在1995年提出的一種分類技術(shù)，該分類方法是一種建立在統(tǒng)計(jì)學(xué)習(xí)理論（Statistical Learning Theory，SLT）基礎(chǔ)上的機(jī)器學(xué)習(xí)方法。SVM可以根據(jù)有限的樣本信息在模型的復(fù)雜性（即對(duì)特定訓(xùn)練樣本的學(xué)習(xí)精度）和學(xué)習(xí)能力（即無(wú)錯(cuò)誤地識(shí)別任意樣本的能力）之間尋求最佳折衷情況下，自動(dòng)尋找那些分類有較大區(qū)分能力的支持向量，由此構(gòu)造出分類器，可以將類與類之間的間隔最大化，因而有較好的推廣性和較高的分類準(zhǔn)確度。

（3）神經(jīng)網(wǎng)絡(luò)法（Neural Net Classification）

神經(jīng)網(wǎng)絡(luò)法是指用計(jì)算機(jī)模擬人腦的結(jié)構(gòu)，用許多小的處理單元模擬生物的神經(jīng)元，用算法實(shí)現(xiàn)人腦的識(shí)別、記憶、思考過(guò)程應(yīng)用與圖像分類。

圖2 區(qū)域濕地類型提取評(píng)價(jià)流程圖Fig.2 Flowchart of extraction and evaluation of regional wetland type

2.2 分類結(jié)果

研究區(qū)濕地的地物種類頗多，且不同地物的譜段關(guān)聯(lián)性密切。主要表現(xiàn)在：同類地物在 GF-4衛(wèi)星影像上存在極大的相似性，但其譜段特征間卻存在一定的差異性。因此根據(jù)研究區(qū)影像特性，依據(jù)相同的樣本區(qū)域，進(jìn)行監(jiān)督分類，對(duì)比分析了最大似然法、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)三類算法，分類結(jié)果如圖3～5所示。

圖3 最大似然監(jiān)督分類結(jié)果圖Fig.3 Graph of maximum likelihood method supervision classification

圖4 支持向量機(jī)分類結(jié)果圖Fig.4 Graph of support vector machine classification

圖5 神經(jīng)網(wǎng)絡(luò)分類結(jié)果圖Fig.5 Graph of neuralnetwork classification

2.3 精度評(píng)價(jià)

研究區(qū)精度評(píng)價(jià)是利用Confusion Matrices工具評(píng)價(jià)分類結(jié)果，是通過(guò)混淆矩陣把分類結(jié)果的精度顯示在一個(gè)混淆矩陣?yán)铮ㄓ糜诒容^分類結(jié)果和地表的真實(shí)信息）。研究區(qū)運(yùn)用混淆矩陣對(duì)三種分類結(jié)果進(jìn)行精度分析，其結(jié)果如表3～5所示。

表3 最大似然法精度評(píng)價(jià)Tab.3 Maximum likelihood classification accuracy evaluation

表4 支持向量機(jī)精度評(píng)價(jià)Tab.4 Support vector machine classification accuracy evaluation

表5 神經(jīng)網(wǎng)絡(luò)精度評(píng)價(jià)Tab.5 Neural network classification accuracy evaluation

由表3～5可以看出，在50m分辨率的高分遙感影像信息提取時(shí)，監(jiān)督分類的三種分類方法中最大似然法的精度相對(duì)較高。

3 不同提取方法的結(jié)果比較

在分類結(jié)果的比較中，運(yùn)用統(tǒng)一的控制點(diǎn)對(duì)比精度，可以更加準(zhǔn)確、客觀的比較分類結(jié)果，在三種分類方法中，總體分類精度可以看作被正確分類的像元總和除以總像元數(shù)，Kappa系數(shù)是通過(guò)把所有地表真實(shí)分類中的像元總數(shù)乘以混淆矩陣對(duì)角線的和，再減去某一類地表真實(shí)像元總數(shù)與被誤分成該類像元總數(shù)之積對(duì)所有類別求和的結(jié)果，再除以總像元數(shù)的平方減去某一類中地表真實(shí)像元總數(shù)與該類中被誤分成該類像元總數(shù)之積對(duì)所有類別求和的結(jié)果所得到的[12]。

其中最大似然法的總體精度=77.14%，Kappa系數(shù)=0.592 9；神經(jīng)網(wǎng)絡(luò)的總體精度=52.92%，Kappa系數(shù)=0.266 0；支持向量機(jī)的總體精度=50.05%，Kappa系數(shù)=0.292 3（如圖6所示）。

圖6 三種分類方法總體精度比較Fig.6 Comparison of accuracy of the three classification methods

由圖6可以看出，監(jiān)督分類中的最大似然法分類精度最高，尤其在研究區(qū)需重點(diǎn)提取地物精度時(shí)有一定的提升：三種信息提取方法對(duì)水體識(shí)別精度較好。從總體精度上可以看出，三種分類方法中最大似然法分類精度最好，其次為神經(jīng)網(wǎng)絡(luò)。

4 結(jié)束語(yǔ)

本文基于 GF-4衛(wèi)星數(shù)據(jù)影像，用三種不同的遙感圖像分類方法對(duì)洞庭湖區(qū)域進(jìn)行分類識(shí)別和精度驗(yàn)證，得出結(jié)論：

1）對(duì)于洞庭湖國(guó)家級(jí)自然保護(hù)區(qū)，GF-4衛(wèi)星影像具有良好的濕地類型信息提取能力。采用最大似然分類方法，其信息提取精度相對(duì)較高；神經(jīng)網(wǎng)絡(luò)方法其信息提取精度相對(duì)較差。

2）由于GF-4衛(wèi)星是50m分辨率的影像，運(yùn)用文中的三種分類方法，在分類過(guò)程中均存在林地與草灘地混淆以及耕地與裸地混淆的情況。

3）由于GF-4衛(wèi)星屬于50m分辨率衛(wèi)星，在分類方面會(huì)有相鄰像元光譜混合現(xiàn)象的情況出現(xiàn)，分類中細(xì)節(jié)呈現(xiàn)不明顯。

受到 GF-4衛(wèi)星空間分辨率和傳感器自身的影響，以及濕地特征的復(fù)雜性的限制，仍有很多方面需要進(jìn)一步完善，在利用 GF-4衛(wèi)星遙感影像的大跨度時(shí)間序列來(lái)進(jìn)行大范圍、大尺度的濕地變化監(jiān)測(cè)方面仍需進(jìn)一步探討，為濕地信息提取提供理論依據(jù)。

References)

[1] 孫廣友. 中國(guó)濕地科學(xué)的進(jìn)展與展望[J]. 地球科學(xué)進(jìn)展, 2000, 15(6): 666-672.

SUN Guangyou. Development and Prospect of Wetland Science in China[J]. Advance in Earth Sciences, 2000, 15(6): 666-672. (in Chinese)

[2] 楊永興. 國(guó)際濕地科學(xué)研究的主要特點(diǎn)、進(jìn)展與展望[J]. 地理科學(xué)進(jìn)展, 2002, 21(2): 111-120.

YANG Yongxing. Main Characteristics, Progress and Prospect of International Wetland Science Research[J]. Progress in Geography, 2002, 21(2): 111-120. (in Chinese)

[3] TOYRA J, PIETRONIRO A. Towards Operational Monitoring of a Northen Wetland Using Geometics-based Techiniques[J]. Remote Sensing of Environment, 2005, 97(2): 174-191.

[4] 張永澤, 王烜. 自然濕地生態(tài)恢復(fù)研究綜述[J]. 生態(tài)學(xué)報(bào), 2001, 21(2): 309-314.

ZHANG Yongze, WANG Xuan. A Review of Ecological Restoration Studies on Natural Wetland[J]. Acta Ecologica Sinica[J]. 2001, 21(2): 309-314. (in Chinese)

[5] 張懷清, 鞠洪波. 濕地資源監(jiān)測(cè)技術(shù)[M]. 北京: 中國(guó)林業(yè)出版社, 2012.

ZHANG Huaiqing, JU Hongbo. Monitoring Technology of Wetland Resources[M]. Beijing: China Forestry Publishing House, 2012. (in Chinese)

[6] 朱朝杰. 基于特征分析的遙感影像變化檢測(cè)方法研究[D]. 鄭州: 解放軍信息工程大學(xué), 2007.

ZHU Chaojie. A Study of Change Detection Algorithms Based on Feature Analysis of Remote Sensing Images[D]. Zhengzhou: The PLA Information Engineering University, 2007. (in Chinese)

[7] 王紅娟, 姜加虎, 黃群. 基于知識(shí)的洞庭湖濕地遙感分類方法[J]. 長(zhǎng)江流域資源與環(huán)境, 2008, 17(3): 370-373.

WANG Hongjuan, JIANG Jiahu, HUANG Qun. On the Remote Sensing Classification Method of Dongting Lake Wetland Based on Knowledge[J]. Resources and Environment in the Yangtze Basin, 2008, 17(3): 370-373. (in Chinese)

[8] 李芳芳, 肖本林, 張謙. 基于改進(jìn)獨(dú)立分量分析的濕地變化檢測(cè)方法[J]. 計(jì)算機(jī)應(yīng)用, 2010, 30(5): 1347-1350.

LI Fangfang, XIAO Benlin, ZHANG Qian. New Wetland Change Detection Method Based onImproved in Dependent component analysis[J]. Journal of Computer Applications, 2010, 30(5): 1347-1350. (in Chinese)

[9] 祝錦霞, 郭慶華, 王珂. 濕地高分辨率遙感影像的變化檢測(cè)[J]. 中國(guó)農(nóng)業(yè)科學(xué), 2010, 30(5): 1347-1350.

ZHU Jinxia, GUO Qinghua, WANG Ke. Change Detection on Wetlands Using High Spatial Resolution Imagery[J]. Scientia Agricultura Sinica, 2010, 30(5): 1347-1350. (in Chinese)

[10] 李愛(ài)霞. 基于遙感影像的杭州灣南岸濕地變化分析[J]. 浙江水利水電學(xué)院學(xué)報(bào), 2015, 27(3): 62-67.

LI Aixia. Balance Analysis on South Hangzhou Bay Wetland Based on Remote Sensing Images[J]. Zhejiang Univ. of Wat. Res ＆ Electric Pow, 2015, 27(3): 62-67. (in Chinese)

[11] 陳述彭. 遙感地學(xué)分析[M]. 北京: 測(cè)繪出版社, 1990.

CHEN Shupeng. Analysis of Remote Sensing Geography[M]. Beijing: Surveying and mapping press, 1990. (in Chinese)

[12] 鄧書(shū)斌, 陳秋錦, 杜會(huì)建. ENVI遙感圖像處理方法[M]. 北京: 高等教育出版社, 2014.

DENG Shubin, CHEN Qiujin, DU Huijian. ENVI Remote Sensing Image Processing Methods[M]. Beijing: Higher Education Press, 2014. (in Chinese)

[13] 吳小娟, 肖晨超, 崔振營(yíng), 等. “高分二號(hào)” 衛(wèi)星數(shù)據(jù)面向?qū)ο蟮暮０毒€提取法[J]. 航天返回與遙感, 2015, 36(4): 84-91.

WU Xiaojuan, XIAO Chenchao, CUI Zhenying, et al. Coastline Extraction Based on Object-oriented Method Using GF-2 Satellite Data[J]. Spacecraft Recovery & Remote Sensing, 2015, 36(4): 84-91. (in Chinese)

[14] 陳云浩, 馮通, 史培軍, 等. 基于面向?qū)ο蠛鸵?guī)則的遙感影像分類研究[J]. 武漢大學(xué)學(xué)報(bào): 信息科學(xué)版, 2006, 31(4): 316-320.

CHEN Yunhao, FENG Tong, SHI Peijun, et al. Classification of Remote Sensing Image Based on Object Oriented and Class Rules[J]. Geomatics and Information Science of Wuhan University, 2006, 31(4): 316-320. (in Chinese)

[15] 王忠武, 劉順喜, 戴建旺, 等. “高分二號(hào)” 衛(wèi)星多光譜與全色影像配準(zhǔn)策略[J]. 航天返回與遙感, 2015, 36(4): 48-52.

WANG Zhongwu, LIU Shunxi, DAI Jianwang, et al. Registration Strategy for GF-2 Satellite Multispectral and Panchromatic Images[J]. Spacecraft Recovery & Remote Sensing, 2015, 36(4): 48-52. (in Chinese)

[16] 田上成, 張喬, 劉保成, 等. 基于傳感器幾何特性和圖像特征的影像配準(zhǔn)方法[J]. 航天返回與遙感, 2013, 34(5): 85-89.

TIAN Shangcheng, ZHANG Qiao, LIU Baocheng, et al. An Improved Matching Method for Image Based on Sensor Geometric Features and Image Features[J]. Spacecraft Recovery & Remote Sensing, 2013, 34(5): 85-89. (in Chinese)

[17] 陳云浩, 馮通, 史培軍, 等. 基于面向?qū)ο蠛鸵?guī)則的遙感影像分類研究[J]. 武漢大學(xué)學(xué)報(bào): 信息科學(xué)版, 2006, 31(4): 316-320.

CHEN Yunhao, FENG Tong, SHI Peijun, et al. Classification of Remote Sensing Image Based on Object Oriented and Class Rules[J]. Geomatics and Information Science of Wuhan University, 2006, 31(4): 316-320. (in Chinese)

Comparative Study of Dongting Lake Wetland Information Extraction Based on GF-4 Satellite Image

YOU Jia ZHANG Huaiqing CHEN Yongfu LIU Hua GAO Zhihai

（Research Institute of Forest Resource Information Techniques, Chinese Academy of Forestry, Beijing 100091, China）

With GF-4 Satellite data as the data source and Dongting Lake area in Hunan Province as the main research area, this paper establishes a classification system for Dongting Lake level-3 wetlands, mainly including six types, namely, water body, grass land, mud flat,cultivated land, forest land and bare land, and uses the methods of maximum likelihood, support vector machine and neural network for the extraction of remote sensing information of Dongting Lake wetlands. The results show that the maximum likelihood method has a relatively high classification accuracy with an overall accuracy of 77.14% and a Kappa coefficient of 0.592 9 among the above three different remote sensing classification methods. According to the research findings, the “GF-4 Satellite” image has a large capability of wetland type information extraction, and the use of maximum likelihood classification method can lead to better extraction of large-area wetland type information.

information Extraction; Dongting Lake; GF-4 satellite；satellite application

TP75

: A

: 1009-8518(2016)04-0116-07

10.3969/j.issn.1009-8518.2016.04.016

由佳，女，1984年生，山東濟(jì)南人，2015年獲得中國(guó)林科院木工所木材科學(xué)與技術(shù)專業(yè)工學(xué)博士學(xué)位，現(xiàn)為中國(guó)林科院資源信息研究所博士后，研究方向?yàn)樯纸?jīng)理學(xué)。E-mail：youjiaha999@163.com。

（編輯：陳艷霞）

2016-06-06

國(guó)家重大專項(xiàng)（21-Y30B05-9001-13/15-2）