基于面向?qū)ο蠓诸惣夹g(shù)的雅礱江流域地表信息提取與分析

謝　帥, 陳建平, 于　歡, 王　哲, 向　杰

(1.中國(guó)地質(zhì)大學(xué)(北京) 地球科學(xué)與資源學(xué)院，北京100083； 2.北京市國(guó)土資源信息研究開發(fā)重點(diǎn)實(shí)驗(yàn)室，北京100083； 3.成都理工大學(xué)地球科學(xué)學(xué)院，四川成都610059)

?

基于面向?qū)ο蠓诸惣夹g(shù)的雅礱江流域地表信息提取與分析

謝帥1,2, 陳建平1,2, 于歡3, 王哲3, 向杰1,2

(1.中國(guó)地質(zhì)大學(xué)(北京) 地球科學(xué)與資源學(xué)院，北京100083； 2.北京市國(guó)土資源信息研究開發(fā)重點(diǎn)實(shí)驗(yàn)室，北京100083； 3.成都理工大學(xué)地球科學(xué)學(xué)院，四川成都610059)

雅礱江是川西最重要的河流之一，雅礱江流域內(nèi)的土地利用情況與流域內(nèi)的生態(tài)環(huán)境及河流水質(zhì)密切相關(guān)。以Landsat 8 OLI遙感影像為數(shù)據(jù)源，采用面向?qū)ο蟮姆诸惙椒?，建立分類?guī)則，獲取研究區(qū)的土地利用情況，利用Fragstats 4.2 軟件進(jìn)行區(qū)域景觀空間分布特征分析。結(jié)果表明：采用面向?qū)ο蟮姆诸惙椒ǖ姆诸惪傮w精度達(dá)到 87.11%，Kappa 系數(shù)達(dá)到 0.855。雅礱江流域內(nèi)的區(qū)域整體景觀連接性較好。草地和林地是研究區(qū)的主導(dǎo)類型，整體看分布較為集中。

面向?qū)ο蠓诸?；土地利用；景觀格局指數(shù)； Fragstats軟件；eCognition軟件；雅礱江流域；四川西部

0　引　言

雅礱江位于四川省西南部，是原生植物棲息地和具有豐富原生群落的金沙江流域的最大支流，水流湍急，水力資源豐富。近年來(lái)，隨著人們對(duì)雅礱江不合理的開發(fā)和干預(yù)，導(dǎo)致棲息地退化、生態(tài)蕭條、水土流失和河谷地質(zhì)災(zāi)害地貌發(fā)育，流域的生態(tài)環(huán)境面臨著巨大的壓力。土地利用狀況對(duì)流域面源污染有著重要的影響，同時(shí)也是流域面源污染模擬的重要參數(shù)。在實(shí)際應(yīng)用過(guò)程中，由于流域面毗鄰河流，所以其土地利用的方式對(duì)河流的水質(zhì)有著重要且直接的影響。

在流域或區(qū)域的景觀尺度范圍內(nèi)，遙感技術(shù)可以快速、客觀、多時(shí)段地提供了大量信息，在地面上，通過(guò)使用相應(yīng)的數(shù)據(jù)管理，RS和GIS的空間分析技術(shù)相得益彰(喻鋒等，2006)。因此，遙感技術(shù)成為土地利用數(shù)據(jù)的主要獲取方式。在應(yīng)用中，常見的土地利用信息提取方法主要包括：目視解譯、基于決策樹的分類、基于統(tǒng)計(jì)學(xué)方法的分類以及混合分類等(高建勇,2013)。因?yàn)槊嫦驅(qū)ο蠓诸惪梢猿浞掷眠b感影像的多種特征,所以對(duì)于空間尺度、空間分析等問(wèn)題的處理更適合，目前被廣泛應(yīng)用到中、高分辨率遙感影像的分類工作中。

基于Landsat 8多光譜遙感數(shù)據(jù)，應(yīng)用面向?qū)ο筮b感分類方法，獲取流域范圍內(nèi)的土地利用信息，并進(jìn)行區(qū)域景觀空間分布特征分析(王少偉等，2014)。對(duì)利用面向?qū)ο蠓椒ㄌ崛×饔虻乇砭坝^信息的有效性進(jìn)行檢驗(yàn)，并為區(qū)域土地資源的可持續(xù)開發(fā)利用提供依據(jù)。

1　研究區(qū)概況及數(shù)據(jù)源

1.1研究區(qū)概況

以四川省甘孜藏族自治州境內(nèi)的雅礱江流域作為研究區(qū)(圖1)。區(qū)內(nèi)雅礱江長(zhǎng)度占雅礱江流域全長(zhǎng)的3/5，且位于雅礱江的上游段，對(duì)整個(gè)雅礱江流域的生態(tài)環(huán)境及河流水質(zhì)具有重要的影響。研究區(qū)面積為70 366 km2，涉及甘孜州的10個(gè)縣(市)行政區(qū)，大部分區(qū)域處于山地，地勢(shì)陡峭，海拔范圍為2 207～6 102 m，較大的高差造成了區(qū)域氣溫、降水、植被分布等隨地勢(shì)高低垂直變化異常明顯。

圖1　研究區(qū)位置圖Fig.1　Map showing location of the study area

圖2　雅礱江流域影像預(yù)處理后假彩色合成遙感影像(OLI 543組合)Fig.2　Pseudo-color composite of preprocessed images in the Yalong River Basin

1.2數(shù)據(jù)源及預(yù)處理

采用覆蓋研究區(qū)的NASA Landsat 8多光譜遙感影像為主要數(shù)據(jù)源(圖2)。Landsat 8上載有2個(gè)主要傳感器，分別是獲取空間分辨率30 m和15 m多光譜影像的陸地成像儀(Operational Land Imager, OLI)傳感器和獲取空間分辨率100 m熱紅外影像的熱紅外傳感器(Thermal Infrared Sensor, TIRS)(徐涵秋等，2013)。Landsat 8的30 m分辨率多光譜影像數(shù)據(jù)可以用于獲取土地利用和土地覆蓋情況，研究選用2013—2014年無(wú)云覆蓋的30 m分辨率多光譜遙感影像數(shù)據(jù)，將數(shù)據(jù)進(jìn)行輻射校正和幾何校正等預(yù)處理，并根據(jù)研究的需要對(duì)原始影像按照研究區(qū)范圍進(jìn)行影像裁剪。

為了更好地建立分類規(guī)則，本次研究還采用了數(shù)字高程模型(Digital Elevation Model, DEM)等地理輔助數(shù)據(jù)(圖3)。DEM是表示地面高程的一種實(shí)體地面模型，可以很好地描述包括高程在內(nèi)的各種地貌因子及這些因子在空間上的分布情況，同時(shí)利用所獲得的DEM數(shù)據(jù)提取坡度和坡向數(shù)據(jù)(圖4、圖5)。

圖3　雅礱江流域DEM數(shù)據(jù)Fig.3　DEM data of the study area

圖4　雅礱江流域坡度數(shù)據(jù)Fig.4　Slope degree of the study area

圖5　雅礱江流域坡向圖Fig.5　Slope aspect of the study area

2　研究方法

2.1建立分類系統(tǒng)

獲取土地利用數(shù)據(jù)首要的是根據(jù)區(qū)域?qū)嶋H地表覆蓋狀況建立科學(xué)的土地利用分類系統(tǒng)(王少偉等，2014)。參照國(guó)土資源部《全國(guó)土地分類(過(guò)渡期間適用)》(國(guó)土資發(fā)[2002]247號(hào))，同時(shí)考慮雅礱江流域地表覆蓋實(shí)際狀況和進(jìn)一步研究的需要，建立流域土地利用分類系統(tǒng)，將土地利用類型分為11種：農(nóng)業(yè)用地、林地、草地、裸地、居民地、交通用地、工業(yè)用地、河流、湖泊、濕地和冰川積雪。

2.2多尺度分割

多尺度影像分割技術(shù)是獲取遙感數(shù)據(jù)不同尺度信息的最有效方法，該方法克服了數(shù)據(jù)源的固定尺度，采用多尺度結(jié)構(gòu)來(lái)揭示層次關(guān)系(錢巧靜等，2005)。對(duì)研究區(qū)Landsat 8多光譜影像進(jìn)行多尺度分割，由于不同尺度的影像分割適合不同地物信息的提取，故經(jīng)過(guò)多次分割試驗(yàn)結(jié)果比較，最終選定分割尺度為25，該分割尺度能夠很好地模擬不同地物的輪廓和大小，為后續(xù)分類提供了較好的數(shù)據(jù)基礎(chǔ)(圖6、圖7、圖8)。

圖6　原始影像Fig.6　Original image

圖7　分割尺度25Fig.7　Split scale 25

圖8　分割尺度15Fig.8　Split scale 15

2.3遙感影像分類

2.3.1分類方法根據(jù)上述建立的流域土地利用分類系統(tǒng)，對(duì)于各個(gè)土地利用類型進(jìn)行嚴(yán)格描述，與傳統(tǒng)方法中僅按照對(duì)不同類型描述來(lái)分析光譜信息的分類方法所不同，利用一定量的、不同的規(guī)則對(duì)圖像進(jìn)行分類和信息提取。其中，為了提高分類的精度，對(duì)于影像中由于光照、天氣等因素影響所產(chǎn)生的陰影、云霧等進(jìn)行專家知識(shí)驗(yàn)證與解譯，最大程度地保證分類結(jié)果的正確性。

采用的分類方法主要為決策樹法和最近鄰分類法。決策樹是一種直觀的知識(shí)表示方法，同時(shí)也是高效的分類器(潘琛等，2008)，它以信息論為基礎(chǔ)，將復(fù)雜的決策形成過(guò)程抽象成易于理解和表達(dá)的規(guī)則或判斷。最近鄰分類法類似于傳統(tǒng)分類方法中的監(jiān)督分類，通過(guò)選擇樣本的方法來(lái)進(jìn)行影像的分類(高玉蓉，2006)，其原理是通過(guò)選擇的樣本統(tǒng)計(jì)該樣本類的特征，以這個(gè)特征為中心，以未分類對(duì)象中包含且用于分類的特征與樣本類特征之“差”為距離，該對(duì)象距離哪個(gè)樣本類最近，就被分到哪個(gè)類別中(石媛媛等，2010)。所有類的分配都由關(guān)系度或可能度所決定，圖像對(duì)象距離樣本對(duì)象越近，其關(guān)系度越大。該方法的優(yōu)點(diǎn)是分類操作比較簡(jiǎn)單、直觀，能夠快速處理類層次關(guān)系(蔣永濤等，2009)。

2.3.2分類規(guī)則的建立在分類過(guò)程中，還利用了NDVI、NDWI、NDBI等多種指標(biāo)，這些指標(biāo)和對(duì)應(yīng)的解釋如表1所示。并基于這些指標(biāo)建立分類規(guī)則(圖9)。

表1　分類指標(biāo)描述與解釋

圖9　雅礱江流域土地分類規(guī)則Fig.9　Classification rules of the study area

首先計(jì)算覆蓋研究區(qū)遙感影像的NDVI值，當(dāng)?shù)孛娓采w為云、水、雪等對(duì)可見光高反射的物體時(shí)，NDVI<0；NDVI=0表示沒有植被覆蓋，此時(shí)，NIR≈R；當(dāng)有植被覆蓋時(shí)，NDVI>0，植被越茂密，NDVI的值越大。所以，建立規(guī)則，將NDVI>0的區(qū)域分類為植被區(qū)域，NDVI≤0的區(qū)域分類為非植被區(qū)域。

在植被區(qū)域中，草地的植被覆蓋度較低，根據(jù)研究區(qū)的實(shí)際情況，草地的NDVI取值范圍在0.1～0.2之間。草地具有一定的平均亮度，但亮度值不高，選定亮度值>8 000作為條件之一。另外觀察到草地的特征在Landsat 8 的Band 6中與其他土地利用類型有較好的區(qū)分特征，經(jīng)過(guò)反復(fù)對(duì)比驗(yàn)證，采用Band 6≥15 900作為分類條件之一。通過(guò)上述3個(gè)分類條件的組合，較好地提取了研究區(qū)的草地覆蓋區(qū)域。

在植被區(qū)域中，濕地的分布基本都在較平緩的地區(qū)，所以首先利用坡度對(duì)濕地進(jìn)行提取，采用坡度(Slope)≤3°的條件。另外，濕地也存在水體特征，所以采用MNDWI，由于是植被區(qū)域，所以排除了河流和湖泊的干擾，采用MNDWI>-0.01的分類條件。通過(guò)2個(gè)分類條件的組合，提取出研究區(qū)的濕地覆蓋區(qū)域。

在植被區(qū)域中，林地的植被特征最明顯，植被覆蓋度最高，首先根據(jù)影像選擇NDVI>0.29作為分類條件，由于研究區(qū)部分地區(qū)海拔較高，根據(jù)實(shí)際情況，林地在一定海拔區(qū)域及以上將不再生長(zhǎng)，所以采用DEM<4 800的分類條件。同樣，林地的特征在Landsat 8 的Band 6中與其他土地利用類型有較好的區(qū)分，經(jīng)過(guò)對(duì)比觀察，采用Band 6≤10 000作為條件之一。通過(guò)3個(gè)分類條件的組合，研究區(qū)林地的覆蓋區(qū)域得到了較好的提取。

在植被區(qū)域中，經(jīng)過(guò)驗(yàn)證，農(nóng)業(yè)用地?zé)o法通過(guò)特征指標(biāo)進(jìn)行分離，根據(jù)該地區(qū)的土地利用現(xiàn)狀圖選定了適量樣本，然后采用最近鄰分類法進(jìn)行分類，最終提取了研究區(qū)的農(nóng)業(yè)用地區(qū)域。

在非植被區(qū)域中，NDWI對(duì)于水體有較好的反映與表現(xiàn)，利用NDWI提取水體，為了更好地區(qū)分河流和湖泊，采用了形狀指數(shù)。在形狀指數(shù)中，河流由于斑塊表現(xiàn)得更細(xì)長(zhǎng)，所以形狀指數(shù)相較于湖泊更大，將形狀指數(shù)=4作為湖泊與河流的界限，對(duì)河流與湖泊的區(qū)域進(jìn)行區(qū)分并得到其各自的分布情況。

在非植被區(qū)域中，裸地在NDVI值上的特征與其他地物類型有明顯的區(qū)分，采用NDVI提取裸地覆蓋區(qū)域，經(jīng)過(guò)對(duì)研究區(qū)的整體把握，將分類條件設(shè)定為-0.03≤NDVI≤-0.01，從而提取研究區(qū)的裸地區(qū)域。

在非植被區(qū)域中，同一波段不同地物吸收和反射太陽(yáng)光的程度各異，同一地物在不同波段吸收和反射太陽(yáng)光的能力也不同。依據(jù)這一原理，發(fā)現(xiàn)建設(shè)用地在Landsat 8第4波段上具有較特殊的光譜信息，與其他地物光譜有明顯不同的特征，因此選取Band 4與亮度值結(jié)合用來(lái)區(qū)分人造地物類型。采用Band 4<13 000、亮度值<10 500的分類條件提取建設(shè)用地。在建設(shè)用地中，進(jìn)一步通過(guò)NDBI指數(shù)進(jìn)行居民地提取，采用形狀指數(shù)提取道路，采用最近鄰法進(jìn)行工業(yè)用地的提取。

在非植被區(qū)域中，冰川和積雪具有較高的亮度值，結(jié)合區(qū)域?qū)嶋H情況首先采用了亮度值>15 000的分類條件。另外，發(fā)現(xiàn)冰川和積雪在Landsat 8第3波段上有與其他地物類型較好的區(qū)分特征，所以選擇Band 3作為條件之一，采用Band 3≥30 000作為分類條件。通過(guò)2個(gè)分類條件的組合，可以比較好地提取出冰川和積雪區(qū)域。

2.4景觀格局指數(shù)

景觀格局指數(shù)易于理解、生態(tài)學(xué)意義較明確，能夠高度濃縮景觀格局信息，由于其描述方法帶有一定的統(tǒng)計(jì)性質(zhì)和便于分析比較不同尺度格局的優(yōu)點(diǎn)，對(duì)于理解和解釋景觀功能具有重要作用，已經(jīng)成為描述景觀格局及變化，建立格局與景觀過(guò)程之間的聯(lián)系最常用的量化研究方法。景觀指數(shù)方法在景觀格局分析時(shí)應(yīng)用十分廣泛，目前發(fā)展出的景觀指數(shù)有幾百種之多，可以分為斑塊水平指數(shù)、斑塊類型水平指數(shù)和景觀水平指數(shù)(于歡等，2012)。

考慮到研究?jī)?nèi)容，分別選擇斑塊類型水平指數(shù)和景觀水平指數(shù)作為反映生態(tài)效應(yīng)的主要指標(biāo)。選擇斑塊類型水平指數(shù)中的斑塊面積(TA)、景觀百分比(PLAND)，最大斑塊指數(shù)(LPI)等，選擇景觀水平指數(shù)中的散布和毗鄰指數(shù)(IJI)、聚集度指數(shù)(AI)、蔓延度(CONTAG)以及分別處于2種水平指數(shù)中的斑塊數(shù)(NP)、斑塊密度(PD)、景觀形狀指數(shù)(LSI)等進(jìn)行觀測(cè)分析。

3　結(jié)果與分析

3.1土地利用提取結(jié)果

根據(jù)上述研究方法，最終獲得了研究區(qū)土地利用圖(圖10)。

圖10　雅礱江流域2013年土地覆被結(jié)果1-裸地；2-農(nóng)業(yè)用地；3-林地；4-冰川積雪；5-草地；6-居民地；7-工業(yè)用地；8-湖泊；9-濕地；10-河流；11-交通用地Fig.10　Land cover of the Yalong River Basin in 2013

對(duì)研究區(qū)的土地利用覆被情況進(jìn)行面積統(tǒng)計(jì)，獲得了不同土地利用類型的面積和百分比數(shù)據(jù)(表2)。由表2可以看出，研究區(qū)的主要土地利用類型為草地和林地，兩者合計(jì)占比達(dá)流域總面積的89%。

表2　研究區(qū)土地覆被面積統(tǒng)計(jì)

如圖10所示，雅礱江流域的土地覆被分類結(jié)果比較平滑且緊致,沒有傳統(tǒng)像元分類中因較多孤立分散點(diǎn)而形成的“椒鹽現(xiàn)象”。從中可以看出各類別的形狀與實(shí)際地物能夠保持較高的一致性，各類別總體延伸趨勢(shì)比較清晰。

3.2土地分類精度評(píng)價(jià)

遙感圖像的分類精度評(píng)價(jià)一般是用分類結(jié)果圖與實(shí)際數(shù)據(jù)進(jìn)行比較，用正確分類的百分比表示精度。目前常用混淆矩陣法來(lái)評(píng)價(jià)分類精度。

研究所采用的評(píng)價(jià)方法使用eCognition軟件本身所提供的誤差矩陣統(tǒng)計(jì)方法。

選用30 m分辨率的Landsat 8多光譜分辨率遙感影像進(jìn)行分類，為能夠更客觀地評(píng)價(jià)分類結(jié)果，在研究區(qū)實(shí)地驗(yàn)證了273個(gè)野外驗(yàn)證點(diǎn)，另選用了177個(gè)Google Earth上經(jīng)過(guò)專家知識(shí)驗(yàn)證的數(shù)據(jù)作為精度評(píng)價(jià)的樣本點(diǎn)(圖11)。

圖11　研究區(qū)驗(yàn)證點(diǎn)示意圖1-雅礱江；2-縣城駐地；3-地表景觀采樣點(diǎn)；4-專家知識(shí)樣本點(diǎn)Fig.11　Sketch showing verification points in the study area

樣本選擇時(shí)采用簡(jiǎn)單隨機(jī)抽樣法在分類結(jié)果上選擇測(cè)試樣本，然后根據(jù)專家知識(shí)判讀驗(yàn)證測(cè)試樣本?；煜仃囂峁┝嗣枋龇诸惥群妥R(shí)別誤差的基礎(chǔ)，有助于改善分類或由此得到的評(píng)價(jià)結(jié)果(表3)。

表3　土地分類結(jié)果精度評(píng)價(jià)

從評(píng)價(jià)結(jié)果可以看出，河流、濕地、裸地、道路的生產(chǎn)者精度較高，均在88%及以上；河流、湖泊、裸地、冰川積雪的用戶精度都在92%以上。草地的用戶精度最低為75%，說(shuō)明錯(cuò)分、漏分比較嚴(yán)重。分類結(jié)果的總體精度為 87.11%，Kappa 系數(shù)為 0.855，此精度比較高，完全能夠滿足遙感應(yīng)用需求。

精度高的主要原因是利用了面向?qū)ο蠹夹g(shù)，在分類中可以充分利用地物光譜、空間、紋理、鄰接、形狀等特征，最大程度地克服“同物異譜”和“異物同譜”帶來(lái)的負(fù)面效應(yīng)(羅開盛等，2013)。

在精度驗(yàn)證過(guò)程中，發(fā)現(xiàn)景觀過(guò)于破碎地區(qū)的錯(cuò)誤率較高，而且精度隨著樣點(diǎn)密度的增大而下降，這表明面向?qū)ο蠹夹g(shù)應(yīng)用到景觀過(guò)于破碎的地區(qū)有一定的局限性。原因在于遙感獲得的像元本身是某一區(qū)域的混合信息，即使高分辨率分影像也不能克服這一缺陷，高分辨率影像只是將中低分辨率的線性混合轉(zhuǎn)化成非線性混合；而面向?qū)ο蠹夹g(shù)中對(duì)象的光譜特征值是組成該對(duì)象所有像元的平均值，平均值起到平滑差異的作用，必然會(huì)放大信息的混合效應(yīng)，形成混合對(duì)象，那些十分破碎的地物就淹沒在這些混合對(duì)象當(dāng)中而無(wú)法提取。但面向?qū)ο蠓诸愔袥Q策規(guī)則的多樣性與準(zhǔn)確性將有助于減少這方面的誤差，起到提高精度的作用。

3.3景觀格局分析

3.3.1斑塊類型水平指數(shù)分析在Fragstats 4.2 軟件下基于遙感影像分類結(jié)果進(jìn)行斑塊類型水平指數(shù)的計(jì)算，統(tǒng)計(jì)結(jié)果如表4所示。

表4 　研究區(qū)斑塊類型水平指數(shù)

由表4可以看出，草地和林地的CA指數(shù)較大。PLAND指數(shù)分別為61.22和27.83，說(shuō)明草地景觀和林地景觀對(duì)整個(gè)區(qū)域的影響程度很大，占主導(dǎo)地位；河流在景觀中的地位較低，但考慮到水體是生態(tài)環(huán)境中的核心要素，因此也將其作為重要的景觀類型進(jìn)行分析。NP指數(shù)中,農(nóng)業(yè)用地的值較高，但是CA指數(shù)并不突出，說(shuō)明農(nóng)業(yè)用地分布比較分散，同時(shí)也表明了農(nóng)業(yè)用地景觀破碎化程度較高。PD指數(shù)中，草地的PD指數(shù)最大，說(shuō)明草地景觀的整體性較好；林地的CA指數(shù)最大，但是PD指數(shù)相較于草地較小，說(shuō)明林地景觀的破碎程度和草地相比較大，引起這種現(xiàn)象的原因主要為地形和高程因素，但是也不能忽視人為的干擾，需要重點(diǎn)觀察人為對(duì)林地景觀的干擾；河流的NP指數(shù)較小，表明河流景觀比較完整，未遭到大面積的斷流、人為截?cái)嗟取PI指數(shù)表現(xiàn)出與NP、PD指數(shù)相同的規(guī)律，側(cè)面驗(yàn)證了前述結(jié)論。LSI指數(shù)中裸地景觀最高，表明區(qū)域內(nèi)裸地景觀最為破碎，由于其指標(biāo)值的量度不受斑塊面積的影響，因此肯定了主要是斑塊邊長(zhǎng)的減少造成的斑塊形狀復(fù)雜程度的降低，從這一角度來(lái)講，裸地景觀更為分散和破碎，其中可能包括人為的破壞其他景觀類型所造成的裸地斑塊的增多，破碎性加大的因素，但只是從景觀生態(tài)學(xué)意義上的初步判斷，其具體分布規(guī)律和影響因素還需結(jié)合其他實(shí)地觀測(cè)數(shù)據(jù)綜合進(jìn)行。

3.3.2景觀水平指數(shù)分析在Fragstats 4.2 軟件下分別基于各時(shí)期遙感影像分類結(jié)果進(jìn)行景觀水平指數(shù)的計(jì)算，統(tǒng)計(jì)結(jié)果如表5所示。

表5　研究區(qū)景觀水平指數(shù)

由表5可以看出：研究區(qū)的面積為70 366 km2，PD指數(shù)為2.77，表明區(qū)域景觀的斑塊密度較小，多種景觀交叉破碎；LPI等于某一拼塊類型中的最大拼塊占據(jù)整個(gè)景觀面積的比例，表明在區(qū)域內(nèi)草地景觀占有相當(dāng)大的比重；綜合CONTAG、COHESION、DIVISION指數(shù)，考慮到區(qū)域內(nèi)草地和林地景觀占主導(dǎo)地位，表明草地和林地景觀具有良好的連接性，區(qū)域整體景觀格局比較完整；IJI指數(shù)為44.27，由于區(qū)域處于多山地帶，區(qū)域內(nèi)的地表景觀受到水因素的影響分布特征顯著；綜合PLADJ、MESH、SPLIT指數(shù)結(jié)果,表明區(qū)域的最大斑塊較大且對(duì)區(qū)域的影響范圍較大；AI隨著焦點(diǎn)類型聚集而增大，表明在區(qū)域內(nèi)的草地和林地占據(jù)有優(yōu)勢(shì)地位，它們對(duì)區(qū)域的景觀格局影響力大；SHDI指數(shù)表明區(qū)域內(nèi)的景觀多樣性較好，從側(cè)面表現(xiàn)出流域內(nèi)景觀比較完整，多樣性良好，目前遭受到的人為破壞小。

通過(guò)景觀水平指數(shù)的分析，發(fā)現(xiàn)雅礱江流域的區(qū)域景觀整體連接性好，草地和林地對(duì)于區(qū)域景觀格局整體完整性與穩(wěn)定性的影響處于優(yōu)勢(shì)水平，河流景觀對(duì)于其他景觀的空間分布和位置特征具有顯著影響。為了更好地實(shí)現(xiàn)雅礱江流域的長(zhǎng)效發(fā)展和經(jīng)濟(jì)效益最大化，在流域內(nèi)的環(huán)境保護(hù)與資源開發(fā)中，應(yīng)著重于草地和林地的完整性不被破壞，重點(diǎn)關(guān)注河流、湖泊的徑流和污染情況。

4　結(jié)　論

雅礱江流域內(nèi)自然資源種類繁多，水電資源豐富，是川西最重要的流域之一。土地利用作為環(huán)境變化的重要因子，對(duì)流域的建設(shè)具有重要意義。土地利用類型是土地利用變化研究的重要數(shù)據(jù)，通過(guò)面向?qū)ο筮b感影像分類的方法來(lái)獲取研究區(qū)的土地利用類型，得出的主要結(jié)論如下。

(1) 在面向?qū)ο蠖喑叨确指畹幕A(chǔ)上，采用決策樹方法建立分類規(guī)則。根據(jù)研究區(qū)地物的不同特征，結(jié)合地物在不同波段上的反射率不同，按層次提取地物信息，從大的分類中不斷進(jìn)行剝離分析，最終按照規(guī)則提取出所有需要的地物類別。這種面向?qū)ο蟮姆诸惙椒▽?duì)影像的波段特征信息進(jìn)行了充分利用，分類過(guò)程直觀，便于理解。

(2) 采用的分類方法分類精度較高，總體精度達(dá)到87.11%，通過(guò)統(tǒng)計(jì)分類結(jié)果的土地利用類型面積可知，該地區(qū)主要土地利用類型為草地、林地。各種土地利用類型的分類精度均能達(dá)到研究要求。

(3) 通過(guò)分類結(jié)果及其統(tǒng)計(jì)可知：研究區(qū)內(nèi)占土地利用類型主導(dǎo)地位的是草地和林地，整體看分布較為集中，其中部分林地、草地被建設(shè)用地、河流等水體分割為較為破碎的圖斑；濕地面積也較大，主要分布在地勢(shì)平緩的區(qū)域，居民地和農(nóng)業(yè)用地的界線較為模糊；水體主要為雅礱江及其支流，居民地多數(shù)在河流沿岸，河流為居民地的發(fā)展提供資源；林地多分布在海拔4 800 m以下，分布較廣泛；冰川積雪、裸地多分布在海拔較高的山區(qū)。

高玉蓉，2006. 基于決策樹的土地利用現(xiàn)狀信息提取研究[D]. 杭州：浙江大學(xué).

高建勇，2013. 基于TM影像的平朔礦區(qū)土地利用/土地覆蓋變化研究[D]. 西安：長(zhǎng)安大學(xué).

蔣永濤,任國(guó)業(yè),鄧良基,等，2009. 面向?qū)ο笸恋乩眯畔⑻崛〖夹g(shù)研究[J]. 西南農(nóng)業(yè)學(xué)報(bào), 22(3):733-738.

羅開盛,李仁東,常變?nèi)?等，2013. 面向?qū)ο蟮暮笔⊥恋馗脖蛔兓b感快速監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào),29(24):260-267.

潘琛,杜培軍,張海榮，2008. 決策樹分類法及其在遙感圖像處理中的應(yīng)用[J]. 測(cè)繪科學(xué), 33(1): 208-211.

錢巧靜,謝瑞,張磊,等，2005. 面向?qū)ο蟮耐恋馗采w信息提取方法研究[J]. 遙感技術(shù)與應(yīng)用,25(3):338-342.

石媛媛,鄧勁松,陳利蘇,等，2010. 利用計(jì)算機(jī)視覺和光譜分割技術(shù)進(jìn)行水稻葉片鉀脅迫特征提取與診斷研究[J]. 光譜學(xué)與光譜分析，30(1):214-219.

王少偉,張曉祥,楊曉英，2014. 太湖湖濱敏感區(qū)的土地利用遙感分類研究[J]. 遙感技術(shù)與應(yīng)用, 29(1):114-121.

徐涵秋,唐菲，2013. 新一代Landsat系列衛(wèi)星:Landsat 8遙感影像新增特征及其生態(tài)環(huán)境意義[J]. 生態(tài)學(xué)報(bào), 33(11)：3249-3257.

喻鋒,李曉兵,王宏,等，2006. 皇甫川流域土地利用變化與生態(tài)安全評(píng)價(jià)[J]. 地理學(xué)報(bào), 61(6):645-653.

于歡,楊德生,何政偉，2012. 重慶市渝北區(qū)地表景觀時(shí)空演化及生態(tài)效應(yīng)分析[J]. 測(cè)繪與空間地理信息, 35(6):4-7.

Landscape information extraction and analysis of the Yalong River Basin using object-oriented classification method

XIE Shuai1,2， CHEN Jianping1,2， YU Huan3， WANG Zhe3， XIANG Jie1,2

(1. School of Earth Sciences and Resources, China University of Geosciences (Beijing), Beijing 100083, China; 2. Key Laboratory of Land and Resources Information Research & Development in Beijing, Beijing 100083, China; 3. College of Earth Sciences, Chengdu University of Technology, Chengdu 610059, Sichuan, China)

The Yalong River is one of the most important rivers in western Sichuan Province. The land use of the Yalong River Basin is closely related to its ecological environment and water quality. In this study, using Landsat 8 remote sensing images as data source, we established the classification rule using an object-oriented classification method to obtain the land use of the study area, and further analyzed the spatial distribution characteristics of regional landscape with the Fragstats 4.2 software. The result shows that the overall classification accuracy was 87.11% by using an object-oriented classification method, and the Kappa coefficient was 0.855. The regional overall landscape in the Yalong River Basin has a good connectivity. Grass and forest lands were the dominant landscape types in the study area, with an overall concentrated distribution.

object-oriented classification; land use; landscape level index; Fragstats software； eCognition software; Yalong River Basin; western Sichuan Province

10.3969/j.issn.1674-3636.2016.03.526

2016-06-09；

2016-06-20；編輯：陸李萍

中國(guó)地質(zhì)調(diào)查局項(xiàng)目“礦山環(huán)境變化自動(dòng)監(jiān)測(cè)示范研究”(1212011120029)

謝帥(1992—)，男，碩士研究生，研究方向?yàn)榈厍蛱綔y(cè)與信息技術(shù)，E-mail：stevejuskey@foxmail.com

P237

A

1674-3636(2016)03-0526-09