融合面向?qū)ο笈c纓帽變換的濕地覆被類別遙感提取方法

羅開盛，陶福祿

?

融合面向?qū)ο笈c纓帽變換的濕地覆被類別遙感提取方法

羅開盛1,2，陶福祿1※

（1. 中國科學(xué)院地理科學(xué)與資源研究所陸地表層格局與模擬院重點(diǎn)實(shí)驗(yàn)室，北京 100101；2. 中國科學(xué)院大學(xué), 北京 100049）

為了有效提取濕地覆被類別遙感信息，該文基于國產(chǎn)環(huán)境星影像（HJ-CCD）和Landsat7遙感影像（ETM）提出了一種融合面向?qū)ο蠹夹g(shù)和纓帽變換的提取濕地覆被信息的方法，并對東洞庭湖區(qū)的濕地進(jìn)行提取。遙感提取結(jié)果的總體精度90.02%，Kappa系數(shù)0.88，高于傳統(tǒng)的分類方法分類的量化結(jié)果；獲得的結(jié)果沒有“椒鹽現(xiàn)象”且比較緊致。試驗(yàn)結(jié)果表明融合面向?qū)ο蠛屠t帽變換的方法能夠有效的提取濕地覆被類別，精度高，效果好。研究結(jié)果為有效地利用遙感手段提取濕地覆被信息提供參考。

遙感；分類；濕地；面向?qū)ο螅籋J-CCD影像；纓帽變換

0 引 言

濕地是地球上獨(dú)特的生態(tài)系統(tǒng)，具有涵養(yǎng)水源、蓄洪抗災(zāi)、降解污染、維持生物多樣性、提供多種資源、調(diào)節(jié)氣候等一系列的功能，被稱為“地球之腎”[1-3]。遙感技術(shù)的快速發(fā)展為濕地信息的獲取提供了契機(jī)。從遙感數(shù)據(jù)源而言，濕地遙感研究中，常用的多光譜影像數(shù)據(jù)源[4-10]有MSS、TM/ETM、SPOT影像。高光譜影像、雷達(dá)影像也越來越多地被應(yīng)用于濕地研究中[11-12]。Landsat TM（ETM）、SPOT影像等性價比高，易獲取，數(shù)據(jù)處理簡單，適合二級濕地的動態(tài)監(jiān)測，目前應(yīng)用最為普遍。濕地遙感分類方法也取得了較大進(jìn)展，主要有監(jiān)督分類和非監(jiān)督分類。在國內(nèi)外濕地遙感研究中，最小距離分類法和最大似然分類法是較常用的監(jiān)督分類方法[13-14]。非監(jiān)督分類的應(yīng)用也比較廣泛[15-17]，分類結(jié)果需要野外調(diào)查樣點(diǎn)來驗(yàn)證。當(dāng)兩類地物光譜差異很小時，非監(jiān)督分類的效果較差。近年來也出現(xiàn)了一些新方法，例如支持向量機(jī)法。但總的來說由于“同譜異物”現(xiàn)象的存在，各濕地類別的光譜容易混淆，濕地類型提取精度難以取得實(shí)質(zhì)性的突破，成為濕地遙感發(fā)展的瓶頸。而傳統(tǒng)基于像元的分類方法僅僅利用地物的光譜信息顯然無法克服這一難題。面向?qū)ο蠹夹g(shù)可以充分挖掘地物的除光譜以外的空間、拓?fù)涞雀鞣N特征，因此近年來許多學(xué)者利用該技術(shù)進(jìn)行土地覆被信息的提取[15-19]。結(jié)合光譜及其他特征，融合多種方法可能是解決濕地光譜混淆，提高濕地提取精度的重要途徑，但是這方面的研究鮮有報道。

環(huán)境減災(zāi)衛(wèi)星（HJ-1A/1B）于2008年9月成功發(fā)射，其搭載CCD相機(jī)4個波段，分辨率為30 m，重訪周期 3 d。國產(chǎn)環(huán)境衛(wèi)星對生態(tài)環(huán)境進(jìn)行動態(tài)監(jiān)測，為環(huán)境質(zhì)量的快速科學(xué)評估和環(huán)境保護(hù)工作提供科學(xué)依據(jù)[19]。近年來也有相關(guān)學(xué)者利用HJ-CCD影像對地表覆被信息進(jìn)行提取，例如羅開盛等[20]利用HJ-CCD為主要數(shù)據(jù)源對湖南麻陽縣的各種土地信息進(jìn)行了提取。但總體上利用HJ-CCD影像提取地表覆被類型的研究相對較少，對濕地信息進(jìn)行提取的研究更是鮮有報道。國產(chǎn)環(huán)境星影像資源有待進(jìn)一步利用和發(fā)揮其預(yù)期的作用。

基于此，本文以HJ-CCD和ETM遙感影像為數(shù)據(jù)源，融合面向?qū)ο蠹夹g(shù)和纓帽變換方法，提出了一種提取濕地覆被的遙感提取方法-面向?qū)ο蠛屠t帽變化組合法（以下簡稱組合法），對東洞庭湖的濕地覆被進(jìn)行提取。以期探索出有效提取濕地覆被類別的遙感方法；探索克服濕地光譜混淆的難題的途徑；促進(jìn)遙感技術(shù)和國產(chǎn)環(huán)境星影像在濕地覆被動態(tài)監(jiān)測中的應(yīng)用。

1 原理與方法

1.1 研究區(qū)域概況

研究區(qū)介于112°3′～112°20′E與28°43′～29°01′N之間，處于洞庭湖濕地的東側(cè)，包括東洞庭湖濕地自然保護(hù)區(qū)以及周邊的洞庭湖濕地（圖1）。該區(qū)位于中亞熱帶向北亞熱帶過渡氣候區(qū)，由于受東亞季風(fēng)和洞庭湖龐大水體的影響，氣候溫和濕潤、光照充足、四季分明。年均溫度17 ℃；1月的平均氣溫為4.4 ℃；7月最高溫為29.2 ℃。年日照時數(shù)1 600 h，年降雨量1 295.4 mm。該區(qū)是中國鳥類和亞洲水禽的重要棲息地。

圖1 東洞庭試驗(yàn)區(qū)

1.2 試驗(yàn)數(shù)據(jù)選取與處理

本研究的數(shù)據(jù)源包括：2010年夏季（6月8日）的HJ/A-CCD遙感影像；2010年冬季（12月20日）的Landsat ETM影像；2010年1 : 10萬湖南土地覆被分類圖；2010年野外實(shí)地采樣數(shù)據(jù)。數(shù)據(jù)的預(yù)處理包括投影轉(zhuǎn)換，幾何校正和輻射校正。

1.3 濕地遙感提取的分類系統(tǒng)

利用遙感手段的濕地分類系統(tǒng)不同于其濕地研究的分類系統(tǒng)，通常考慮遙感的監(jiān)測能力而比較宏觀。盡管國內(nèi)外有學(xué)者進(jìn)行探索，但分類體系和分類方法帶有很強(qiáng)的區(qū)域特征，可比性差。聯(lián)合國糧農(nóng)組織和聯(lián)合國環(huán)境規(guī)劃署開發(fā)了土地覆被分類方法（land cover classification system，LCCS）能夠彌補(bǔ)以上缺點(diǎn)。目前LCCS已納入國際標(biāo)準(zhǔn)化組織批準(zhǔn)進(jìn)程，成為國際碳收支認(rèn)證的土地覆被分類標(biāo)準(zhǔn)。因此，本文采用張磊等[21]根據(jù)LCCS建立的中國濕地覆被分類系統(tǒng)（表1）。

1.4 面向?qū)ο蠹夹g(shù)

面向?qū)ο蠓诸惣夹g(shù)是應(yīng)用到土地覆被信息提取的新技術(shù)，由于它可以充分利用影像的光譜、空間、拓?fù)涞雀鞣N信息而得到眾多研究者的認(rèn)可。面向?qū)ο蠹夹g(shù)和傳統(tǒng)分類技術(shù)有著本質(zhì)上的不同，因?yàn)樗幕|(zhì)是包含物理意義的對象。面向?qū)ο蠹夹g(shù)在土地覆被中的應(yīng)用是一次革命性的變化[22-23]。本試驗(yàn)在e-Cognition軟件平臺中進(jìn)行，它是目前面向?qū)ο蠹夹g(shù)中最具代表性的專業(yè)軟件。

分割是面向?qū)ο蠹夹g(shù)遙感信息提取的基礎(chǔ)。本文采用基于相鄰像元異質(zhì)性最小的區(qū)域合并算法。這種算法首先以一個種子進(jìn)行并行生長，然后又以此為種子合并同質(zhì)性比較大的相鄰像元，直到達(dá)到一定的閾值（分割參數(shù)）后停止[24]。尺度值越大，分割獲得的對象越少，單位對象的面積越大。尺度越小，分割的對象越多，單位對象的面積越小。但是尺度過大會出現(xiàn)“湮沒現(xiàn)象”，造成一些地物信息無法提?。怀叨冗^小會增加分類中閾值設(shè)置的工作量。由于不同地物類別有其特性和空間結(jié)構(gòu)，因而需要采用多尺度分割方法，即對影像進(jìn)行不同尺度的分割，然后在不同的分割層上進(jìn)行不同濕地類別信息的提?。▓D2）。目前還沒有自動獲得最優(yōu)分割尺度的有效方法，反復(fù)試驗(yàn)然后目視判斷是比較可靠的方法[24]。

表1 濕地覆被遙感信息提取分類體系

注：：覆蓋度/郁閉度，%；：植被高度，m；：水一年覆蓋時間，月。

Note: Letterindicates the coverage/canopy density, %; letterrepresents the height of vegetation and unit is the meter; letterrepresents the period of water submerging and the unit is month

圖2 影像多尺度分割格局

1.5 纓帽變換

纓帽變換（tasseled cap transformation，TC）。TC對原始數(shù)據(jù)進(jìn)行正交變換，去除原始影像各波段間的冗余信息，變換后的結(jié)果具有重要的物理意義。對于Ｌandsat7 ETM數(shù)據(jù)，其結(jié)果有6個輸出波段：亮度、綠度與濕度，第四分量、第五分量和第六分量都為噪聲[25-26]。經(jīng)過反復(fù)試驗(yàn)表明濕度分量可用于識別濕地與普通陸地以及植被性濕地與非植被性濕地，綠度分量可用于區(qū)分森林濕地，灌叢濕地、草本濕地等植被性濕地類型。

2 結(jié)果與分析

2.1 影像的多尺度分割

本文采用多層多尺度分割法，在不同的分割層上進(jìn)行濕地覆被的提取。經(jīng)反復(fù)試驗(yàn)，最后確定在分割尺度為80、30和15三個層上提取濕地覆被。尺度為80的影像層中把非濕地信息剔除出去。尺度為30的影像層上提取森林濕地、灌叢濕地和草本濕地信息。尺度為15的影像層上提取河流、湖泊、水渠、水庫/坑塘等濕地信息。

2.2 濕地覆被信息提取的特征選擇

結(jié)合相關(guān)知識和野外實(shí)地考察分析獲得提取濕地的特征。本文用于濕地信息提取的特征主要包括各波段光譜及派生特征、紋理特征、結(jié)構(gòu)特征和幾何特征：1）濕度分量，主要用于區(qū)分濕地與非濕地（普通陸地）；2）綠度分量，主要用于區(qū)分森林濕地、灌叢濕地、草本濕地等植被性濕地；3）夏季標(biāo)準(zhǔn)歸一化植被指數(shù)（NDVI）與冬季NDVI之和（累積NDVI，代表）；4）冬季的NDVI（）；5）紋理特征中的灰度共生矩陣（Grey Level Co-occurrence Matrix，GLCM，用代表）；6）長寬比（），即對象外接矩形的長和寬的比值；7）對象的長度Length（）；Length是對象外接矩形的對角線長度。8）形狀指數(shù)SI（）。

2.3 濕地覆被遙感信息提取的過程

2.3.1 濕地覆被遙感信息提取的流程

本文采用二分決策樹進(jìn)行濕地覆被的提取。此方法的每個節(jié)點(diǎn)上只有互補(bǔ)的兩個子類別，最后節(jié)點(diǎn)上的類別即我們所要獲得的地物類別[24]。先將整個遙感影像分為濕地和非濕地兩類。然后將濕地分解為植被性濕地和非植被性濕地。植被性濕地按一年中生物量大小可分為森林濕地、灌叢濕地和草本濕地。然后首先將草本濕地提取出來，即將植被性濕地分為草本濕地和非草本濕地。非草本濕地再分解成森林濕地和灌叢濕地。非植被性濕地可分為線狀濕地和面狀濕地。線狀濕地進(jìn)一步分為河流和水渠，而面狀濕地劃分為湖泊和人工的水庫/坑塘（圖3）。

2.3.2 基于組合法的濕地提取過程

將ETM影像在ENVI軟件平臺中進(jìn)行纓帽變換，獲得6個分量。將分別代表亮度、綠度和濕度的前3個變量以圖層形式分別輸出。統(tǒng)一坐標(biāo)投影后，在ENVI軟件中通過波段疊加的方式與HJ-CCD的4個波段進(jìn)行融合，形成一幅具有7個波段的融合影像。將融合的新影像輸入e-Cognition軟件中進(jìn)行濕地覆被的遙感信息提取試驗(yàn)。在影像分割過程中，對7個波段進(jìn)行相同尺度的分割以保證邊界的一致性。

濕地由水和土壤組成，它的濕度指數(shù)值介于土壤和水之間。TC變換后的第一分量即濕度分量能夠很好地表征這一特性。濕度分量反映了土壤的濕度狀況，其對于濕地信息的提取具有十分重要的參考價值。一般來說，隨著土壤含水量的增加，可見光和紅外波段反射率降低。反復(fù)試驗(yàn)后發(fā)現(xiàn)閾值為42時比較合適，大于42的為濕地，其余為非濕地（陸地）。濕地有一部分帶有濃厚的植被特性，我們稱之為植被性濕地，其他的為非植被性濕地。兩者在光譜特征上差異很大，冬季的NDVI是區(qū)分兩者的最佳指標(biāo)。反復(fù)試驗(yàn)表明NDVI大于0.2的為植被性濕地，反之為非植被性濕地。

注：V7的單位是像元數(shù)；V1、V2、V3、V4、V5、V6和V8為無量綱數(shù)值

非植被性濕地按照空間特征明顯可以分為面狀濕地以及線狀濕地。本文中的面狀濕地包括水庫/坑塘和湖泊，而線狀濕地包括水渠和河流。長度指標(biāo)（length）是表征空間形狀特征的重要指標(biāo)。我們首先得將非植被濕地對象進(jìn)行合并，然后使用此特征。反復(fù)試驗(yàn)表明長度為210個像元是線狀濕地和面狀濕地的臨界點(diǎn)。從圖1可以看到河流與水渠在充水的時候光譜差異相當(dāng)小，僅僅利用光譜特征是無法區(qū)分的，但河流與水渠的外接矩形的長寬比差異很大，同時在紋理特征上水渠的密度大得多。長寬比大于等于3且灰度共生矩陣值大于等于1.1的線性濕地歸為水渠，其他則為河流。湖泊是自然形成的，而水庫/坑塘是帶有明顯人工烙印地物類別。因此水庫/坑塘的形狀更加規(guī)則。利用形狀指數(shù)表征這一差別。試驗(yàn)表明形狀指數(shù)小于等于1.24的為水庫/坑塘，反之為湖泊。

植被性濕地和非植被性濕地之間的光譜差異比較大，利用光譜指標(biāo)進(jìn)行運(yùn)算的方法來拉大它們之間的差異。草本濕地與灌木濕地及森林濕地在單個季節(jié)的生物量差異可能比較小，但冬夏累積生物量差異是比較大。利用累積NDVI表征這一差異，先將草本濕地從植被性濕地中提取出來。灌叢濕地與森林濕地的光譜特征有一定的差異，試驗(yàn)表明利用TC變換后的綠度分量能夠?qū)⒍邊^(qū)分，閾值是36。

2.4 結(jié)果評價與比較

2.4.1 結(jié)果評價

從效果上看，組合法獲得的結(jié)果比較緊致，并不顯得破碎，保持了較高的類別與形狀一致性，各類型的區(qū)分較為明顯，不同類型的邊界幾何形態(tài)較為清晰，椒鹽噪聲相對較少（圖4），能夠克服傳統(tǒng)基于像元方法的“椒鹽現(xiàn)象”。這主要是因?yàn)槊嫦驅(qū)ο蠹夹g(shù)是基于有意義的對象，而不是細(xì)小的像元。2010年研究區(qū)濕地總面積為766.33 km2（95.03%）。森林濕地33.00 km2，水庫/坑塘49.33 km2，河流139.89 km2，湖泊23.86 km2，灌叢濕地192.41 km2，草本濕地322.76 km2。

圖4 濕地覆被類別遙感信息提取結(jié)果

精度驗(yàn)證是在對成果進(jìn)行定性評價的基礎(chǔ)上的定量分析[25]。利用ENVI 4.8軟件的Generate random sample工具隨機(jī)產(chǎn)生400個樣本點(diǎn)，結(jié)合2010年的1 : 10萬湖南土地覆被分類圖及野外樣點(diǎn)，通過疊加判讀樣本點(diǎn)的濕地覆被類型，進(jìn)而生成混淆矩陣。評價指標(biāo)是制圖精度和用戶精度，以及分類總精度和Kappa系數(shù)。組合法分類結(jié)果的總精度為90.02%；Kappa系數(shù)為0.882 1。

2.4.2 與傳統(tǒng)方法提取結(jié)果的比較

為了進(jìn)一步驗(yàn)證組合法在中低分辨率影像的濕地遙感分類中的有效性，并比較該方法與傳統(tǒng)基于像元方法之間的差異與優(yōu)劣，本文利用ENVI 4.8軟件的監(jiān)督分類模塊，最大似然、最小距離、平行六面體、神經(jīng)網(wǎng)絡(luò)、馬氏距離、支持向量機(jī)（support vector machine，SVM）、均值（Means）及迭代自組織數(shù)據(jù)分析技術(shù)（ISODATA）等傳統(tǒng)基于像元的分類方法對研究區(qū)的濕地覆被進(jìn)行了提取，并將分類結(jié)果精度與組合法進(jìn)行了比較[28]（表2、圖5和圖6）。

對比9種方法的總體精度和Kappa系數(shù)，組合法的最高。ISODATA分類結(jié)果的總體精度和Kappa系數(shù)最低，分別為17.38%和0.107 6。基于像元的分類結(jié)果的總精度小于65%，Kappa系數(shù)小于0.6，而組合法的總體精度為90.02%，Kappa系數(shù)為0.882 1?？傮w上而言，組合法分類結(jié)果的總體精度和Kappa系數(shù)都高于傳統(tǒng)方法。9種方法總體可以歸為4類，即非監(jiān)督分類法、監(jiān)督分類法、改進(jìn)的基于像元分類法和組合法。非監(jiān)督分類法包括ISODATA和Means；監(jiān)督分類法包括平行六面體、最小距離、馬氏距離、最大似然和神經(jīng)網(wǎng)絡(luò)；改進(jìn)的基于像元分類法指支持向量機(jī)法（SVM）。從表2可知非監(jiān)督分類各方法的總體精度和Kappa系數(shù)最低，監(jiān)督分類的總體精度和Kappa系數(shù)高一些；改進(jìn)的基于像元分類法在基于像元的各分類方法中總體精度和Kappa系數(shù)最高，但都低于組合法。

表2 9種方法的分類總精度和Kappa系數(shù)比較

圖5 9種分類方法各濕地類別分類精度

圖5中各種方法濕地覆被類別中，除了森林濕地之外，組合法的用戶精度和制圖精度都是最高的。最小距離法獲得的森林濕地結(jié)果的制圖精度最高。組合法提取的植被性濕地（森林濕地，灌叢濕地和草本濕地）的用戶精度都要遠(yuǎn)遠(yuǎn)高于其他方法，制圖精度也最高，這主要融合了纓帽變換，充分利用濕度和綠度分量的結(jié)果。組合法提取的湖泊、水庫/坑塘以及水渠的用戶精度和制圖精度要明顯高于其他方法。湖泊、水庫/坑塘以及水渠的光譜特征十分相似，僅僅利用光譜特征很難區(qū)分。但面向?qū)ο蠹夹g(shù)可以通過識別它們在空間和形狀上的差異，有效地將它們區(qū)分。但是用組合法提取的結(jié)果中，非植被性濕地的效果要比植被性濕地更好。這主要是因?yàn)槊嫦驅(qū)ο蠹夹g(shù)的主要優(yōu)勢不在充分利用地物的光譜特征，而是空間和空間結(jié)構(gòu)等特征。9種方法中水渠的分類精度都不高，主要是因?yàn)樗膶挾忍∫约跋噜従坝^產(chǎn)生遮蔽干擾。

3 結(jié)論與討論

本文基于HJ-CCD和ETM影像提出了一種濕地覆被類別遙感信息提取的方法-面向?qū)ο蠛屠t帽變換組合法并對東洞庭湖的濕地覆被進(jìn)行了提取。獲得的結(jié)果目視效果緊致且平滑，能夠與地物的邊界保持較好的一致性。總體精度為90.02%，Kappa系數(shù)達(dá)到0.88。通過與傳統(tǒng)的分類方法比較，本文方法能夠有效的消除“椒鹽現(xiàn)象”，精度較高。

濕地是一個完整的生態(tài)系統(tǒng)，有植被性的二級濕地覆被類別，也有非植被性的二級類別。面向?qū)ο蠓诸惣夹g(shù)相對傳統(tǒng)方法最大的優(yōu)勢是能夠利用濕地的空間信息，空間結(jié)構(gòu)信息以及上下文關(guān)系。這對于非植被性濕地類別的提取很有效，本文的研究也表明了這一點(diǎn)。但是植被性的濕地還是需要利用光譜特征，因?yàn)楹芏嗬霉庾V信息構(gòu)建的指標(biāo)能夠反映生物量，土壤含水量，植被生長等各種狀況。但面向?qū)ο蠹夹g(shù)的基質(zhì)是對象，而不是像元，這是一種本質(zhì)性的變化。今后需要基于對象去進(jìn)一步挖掘有效提取植被性濕地的光譜差異的方法。由于目前沒有自動且有效獲取最優(yōu)分割尺度的方法，因此本文中的最優(yōu)分割尺度是通過反復(fù)試驗(yàn)后目視判斷獲得的，其結(jié)果會存在一定的誤差。

[1] 牟曉杰，劉興土，閻百興，等. 中國濱海濕地分類系統(tǒng)[J]. 濕地科學(xué)，2015，13(1)：19－26. Mou Xiaojie, Liu Xingtu, Yan Baixing, et al. Classification system of coastal wetlands in China[J]. Wetland Science, 2015, 13(1): 19－26. (in Chinese with English Abstract)

[2] Spencer T, Schürch M, Nicholls R J, et al. Global coastal wetland change under sea-level rise and related stresses: The DIVA Wetland Change Model[J]. Global and Planetary Change, 2016, 139: 15－30.

[3] Moor H, Hylander K, Norberg J. Predicting climate change effects on wetland ecosystem services using species distribution modeling and plant functional traits[J]. Ambio, 2015, 44(1): 113－126.

[4] Frohn R C, D，Amico E, Lane C, et al. Multi-temporal sub-pixel Landsat ETM+ classification of isolated wetlands in Cuyahoga county, Ohio, USA[J]. Wetlands, 2012, 32(2): 289－299.

[5] Houhoulls P F, Mlchene W K. Detecting wetland change: a rule-based approach using NWI and SPOT-XS Data[J]. Photogrammetric Engineering and Remote Sensing, 2000, 66(2): 205－211.

[6] Wright C, Gallant A. Improved wetland remote sensing in Yellowstone National Park using classification trees to combine TM imagery and ancillary environmental data[J]. Remote Sensing of Environment, 2007, 107(4): 582－605.

[7] 王永麗，于君寶，董洪芳，等. 黃河三角洲濱海濕地的景觀格局空間演變分析[J]. 地理科學(xué)，2012，32(6)：717－724. Wang Yongli, Yu Junbao, Dong Hongfang, et al. Spatial evolution of landscape pattern of coastal wetlands in yellow river Delta[J]. Scientia Geographica Sinica, 2012, 32(6): 717－724. (in Chinese with English Abstract)

[8] 蔡為民，楊世媛，汪蘇燕，等. 不同土地利用方式下的七里海濕地臨界評價研究[J]. 地理科學(xué)，2012，32(4)：499－505.

[9] Zomer R J, Trabucco A, Ustin S L. Building spectral libraries for wetlands land cover classification and hyper-spectral remote sensing[J]. J Environ Manage, 2009, 90(7): 2170－2177.

[10] 王莉雯，衛(wèi)亞星. 濕地生態(tài)系統(tǒng)雷達(dá)遙感監(jiān)測研究進(jìn)展[J]. 地理科學(xué)進(jìn)展，2011，30(9)：1107－1117. Wang Liwen, Wei Yaxing. Progress in monitoring wetland ecosystems by radar remote sensing[J]. Progress in Geography, 2011, 30(9): 1107－1117. (in Chinese with English Abstract)

[11] Lo C P, Watson L J. The influence of geographic sampling methods on vegetation map accuracy evaluation in a swampy environment[J]. Photogrammetric Engineering and Remote Sensing, 1998, 64(12): 1189－1200.

[12] MacAlister C, Mahaxay M. Mapping wetlands in the Lower Mekong Basin for wetland resource and conservation management using Landsat ETM images and field survey data[J]. J Environ Manage, 2009, 90(7): 2813－2823.

[13] 薛星宇，劉紅玉. 基于ALOS影像的鹽城海濱濕地遙感信息分類方法研究[J]. 遙感技術(shù)與應(yīng)用，2012，27(2)：248－255. Xue Xingyu, Liu Hongyu. Study on the classification approaches of Yancheng coastial Wetlands based on ALOS image[J]. Remote Sensing Technology and Application, 2012, 27(2): 248－255. (in Chinese with English Abstract)

[14] Shi W, Miao Z, Wang Q, et al. Spectral–spatial classification and shape features for urban road centerline extraction[J]. Geoscience and Remote Sensing Letters, IEEE, 2014, 11(4): 788－792.

[15] Ramiya A M, Nidamanuri R R, Krishnan R. Object-oriented semantic labelling of spectral–spatial LiDAR point cloud for urban land cover classification and buildings detection[J]. Geocarto International, 2016, 31(2): 121－139.

[16] 羅開盛，李仁東. 長沙市近10年土地利用變化過程與未來趨勢分析[J]. 中國科學(xué)院大學(xué)學(xué)報，2014，31(5)：632－639. Luo Kaisheng, Li Rendong. Land use change process in recent ten years and trends analysis in Changsha in future[J]. Journal of University of Chinese Academy of Science, 2014, 31(5): 632－639. (in Chinese with English Abstract)

[17] 羅開盛，李仁東，常變?nèi)? 利用面向?qū)ο蠹夹g(shù)進(jìn)行大尺度土地覆被調(diào)查方法[J]. 中國科學(xué)院大學(xué)學(xué)報，2013，30(6)：54－59. Luo Kaisheng, Li Rendong, Chang Bianrong. Application in land cover extraction classification objected-oriented techniques and HJ image in large scale[J]. Journal of University of Chinese Academy of Science, 2013, 30(6)：54－59. (in Chinese with English Abstract)

[18] 于文婧，劉曉娜，孫丹峰，等. 基于HJ-CCD數(shù)據(jù)和決策樹法的干旱半干旱灌區(qū)土地利用分類[J]. 農(nóng)業(yè)工程學(xué)報，2016，32(2)：212－219. Yu Wenjing, Liu Xiaona, Sun Danfeng, et al. Land use classification in arid and semi-arid irrigated area based on HJ-CCD data and decision tree method[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(2):

212－219. (in Chinese with English Abstract)

[19] 羅開盛，李仁東，常變?nèi)?，? 面向?qū)ο蟮淖顑?yōu)分割尺度選擇研究進(jìn)展[J]. 世界科技研究與發(fā)展，2013，35(1)：75－79.

Luo Kaisheng, Li Rendong, Chang Bianrong, et al. Research progress in choosing object-oriented optimal segmentation scale[J]. World Sci-tech R&D, 2013, 35(1): 75－79. (in Chinese with English Abstract)

[20] 羅開盛，李仁東. 基于ＨＪ影像的面向?qū)ο笸恋馗脖环诸惙椒╗J]. 華中師范大學(xué)學(xué)報（自然科學(xué)版）2013，47(4)：566－570.

Luo Kaisheng, Li Rendong, Object oriented land cover extraction classification techniques on HJ images[J]. Journal of Huazhong Normal University (Nat. Sci), 2013, 47(4): 566－570. (in Chinese with English Abstract)

[21] 張磊，吳炳方，李曉松，等. 基于碳收支的中國土地覆被分類系統(tǒng)[J]. 生態(tài)學(xué)報，2014，34(24)：7158－7166.Zhang Lei，Wu Bingfang，Li Xiaosong，et al. Classification system of China land cover for carbon budget. Acta Ecologica Sinica, 2014, 34(24): 7158－7166. (in Chinese with English Abstract)

[22] Han L, Han X. Tasseled cap transformation for HJ multispectral remote sensing data[C]//International Conferenceon Intelligent Earth Observing and Applications. International Society for Optics and Photonics, 2015: 2－8.

[23] Lück W, van Niekerk A. Evaluation of a rule-based compositing technique for Landsat-5 TM and Landsat-7 ETM+images[J]. International Journal of Applied Earth Observation and Geo-information, 2016, 47: 1－14.

[24] 冉有華，李文君，陳賢章. TM圖像土地利用分類精度驗(yàn)證與評估-以定西縣為例[J]. 遙感技術(shù)與應(yīng)用，2003，18(2)：81－86. Ran Youhua, Li Wenjun, Chen Xianzhang. Verification and assessment of land use classification by using TM image— taking dingxi county as an example[J]. Remote Se sing Technology and Application, 2003, 18(2): 81－86. (in Chinese with English Abstract)

[25] 趙英時. 遙感應(yīng)用分析原理與方法[M]. 北京：科學(xué)出版社. 2003：202－204. Zhao Yingshi. The principle and method of analysis of remote sensing application[M]. Beijing: China Science Press. 2003：202－204. (in Chinese with English Abstract)

Method for wetland type extraction using remote sensing combing object-oriented and tasseled cap transformation

Luo Kaisheng1,2, Tao Fulu1※

(1.100101; 2100049)

Wetland is one of the most important ecosystems, and it has high social benefit, economic benefit and scientific research value. However, wetland resources are bearing a heavy pressure because of various natural and anthropogenic factors. The degradation of the wetland quality and quantity has aroused widespread concerns. To conserve and manage wetland resources, it is important to monitor wetlands and their adjacent uplands. Satellite remote sensing has several advantages, such as wild coverage, saving time and labor, multi-temporal, multi-platform, containing a large amount of information, and so on, when monitoring wetland resources especially in large geographic areas. In early work, the satellite imagery used the visual interpretation for classification, which is still used widely today. The most commonly used computer classification methods are unsupervised classification and supervised classification. However, it is difficult to make great progress on improving the accuracy of remote sensing classification because of “different things with the same spectrums” in wetlands. Spectrum confusion among wetlands seriously restricts the extraction of wetland information and the application of remote sensing technology in the monitoring of the wetland. But the traditional pixel-based methods cannot overcome this difficulty because it only used the spectral features of imagery, ignoring other information that the remote sensing imagery carries, although it has been universally applied in land cover information extraction for many years. In order to over this difficulty and promote the application of remote sensing technology in dynamic monitoring of wetland, a new hybrid classification approach for wetland was proposed in this paper, which combined the object-oriented technology and the tasseled cap transformation method. The new proposed approach was further checked by a case study of wetland extraction based on the HJ-CCD and Landsat ETM (enhanced thematic mapper) remote sensing images in 2010 in the eastern Dongting Lake region. We yielded a better classification result using the new approach. The overall accuracy was 90.02% and the Kappa coefficient was 0.88, which were much higher than that of the traditional pixel-based methods. Meanwhile, this method significantly reduced the disturbance of salt-and-pepper noise, and the results were quite compact and smooth compared with that using other traditional classification methods. A higher accuracy was obtained for the proposed approach for vegetation wetlands including wood wetland, shrub wetland and grass wetland, which was attributed to the full mining of imagery spectral information through the tasseled cap transformation. The accuracy of the hybrid approach was much higher than that of others for river, channel, reservoir and lake whose spectrums were extremely similar. This was mainly because the object-oriented technology could fully utilize spatial and shape information of imagery. Hence, according to the experiment results, the proposed approach combing the object-oriented technology and the tasseled cap transformation is an effective method in wetland extraction using the remote sensing technology and can overcome the difficulty of spectrum similarity, which is mainly attributed to making full use of spatial feature on the basis of exploring the spectral features through the tasseled cap transformation. Meanwhile, we can conclude that Chinese HJ-CCD images are an important data source for monitoring the dynamics of wetland.

remote sensing; classification; wetlands; object-oriented technology; HJ-CCD imagery;tasseled cap transformation

10.11975/j.issn.1002-6819.2017.03.027

P954; S127

A

1002-6819(2017)-03-0198-06

2016-03-28

2016-11-01

國家自然科學(xué)基金（91325302）

羅開盛，男，湖南新寧人，博士生，環(huán)境遙感方向。北京中國科學(xué)院地理科學(xué)與資源研究所，100101。Email：zhgkxylksh@163.com

陶福祿，男，河南洛陽人，研究員，遙感應(yīng)用方向。北京中國科學(xué)院地理科學(xué)與資源研究所，100101。Email：taofl@igsnrr.ac.cn

羅開盛，陶福祿.融合面向?qū)ο笈c纓帽變換的濕地覆被類別遙感提取方法[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(3)：198－203. doi：10.11975/j.issn.1002-6819.2017.03.027 http://www.tcsae.org

Luo Kaisheng, Tao Fulu.Method for wetland type extraction using remote sensing combing object-oriented and tasseled cap transformation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(3): 198－203. (in Chinese with English Abstract) doi：10.11975/j.issn.1002-6819.2017.03.027 http://www.tcsae.org