基于物候參數(shù)和面向?qū)ο蠓ǖ臑l海生態(tài)脆弱區(qū)植被遙感提取

張貴花，王瑞燕，趙庚星，袁秀杰，彭 楊，王向峰

?

基于物候參數(shù)和面向?qū)ο蠓ǖ臑l海生態(tài)脆弱區(qū)植被遙感提取

張貴花1,2，王瑞燕1※，趙庚星1，袁秀杰1，彭 楊1，王向峰3

（1. 山東農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院，泰安 271018； 2.北京佳格天地科技有限公司，北京 100080； 3.東營墾利區(qū)國土資源局，東營 257000）

用遙感數(shù)據(jù)快速準(zhǔn)確地提取植被信息對生態(tài)環(huán)境監(jiān)測和發(fā)展氣候模型具有基礎(chǔ)性和關(guān)鍵性的意義。由于中國黃河三角洲地區(qū)植被類型插花分布，傳統(tǒng)遙感提取方法精度較低。該文選取近代黃河三角洲典型生態(tài)脆弱區(qū)為研究區(qū)，基于MODIS和LANDSAT8數(shù)據(jù)，通過提取研究區(qū)的物候參數(shù)和不同分辨率遙感影像的融合處理，根據(jù)植被類型斑塊大小確定分割尺度，根據(jù)典型植被類型的物候特征、光譜和空間等特征值構(gòu)建分類規(guī)則，利用分區(qū)策略自上而下進(jìn)行面向?qū)ο蠓诸?。結(jié)果表明，該方法總體精度為80.75%，Kappa系數(shù)0.79，高于傳統(tǒng)物候和面向?qū)ο蠓诸惙椒āV生態(tài)幅的棉田與其他植被的光譜混淆是傳統(tǒng)面向?qū)ο蠓诸惙椒ㄖ脖环诸惥鹊偷闹饕?，利用物候參?shù)進(jìn)行植被分區(qū)能規(guī)避棉田和自然植被的光譜混淆，有利于對植被類型的區(qū)分。分類結(jié)果與當(dāng)?shù)刂脖环植记闆r相符，可以用于研究區(qū)植被類型的精細(xì)提取。

遙感；植被；提??；瀕海生態(tài)脆弱區(qū)；物候參數(shù)；面向?qū)ο蠓椒?/p>

0 引 言

植被是反映氣候、土壤、地貌等地理環(huán)境要素的最好標(biāo)志，在維持生態(tài)平衡及保護(hù)生態(tài)環(huán)境方面有著舉足輕重的地位，是生態(tài)環(huán)境的重要組成因子，在全球變化研究中充當(dāng)“指示器”的作用[1-2]，植被類型是氣候模型的重要參量，因此獲取植被類型的時空分布信息對生態(tài)環(huán)境預(yù)測和提升氣候模型的精度具有重要意義。

植被遙感信息提取能夠有效地確定植被的類型、分布及長勢等信息[3-4]，關(guān)于植被的遙感提取方法引起人們的廣泛關(guān)注，并取得大量的研究成果。一般來說，在較小的空間范圍內(nèi)且植被類型較少的情況下，通過選擇合適的單一時相的高分辨率遙感數(shù)據(jù)即可對植被進(jìn)行區(qū)分，這種方法分類精細(xì)精度較高，但在植被類型較多的地區(qū)應(yīng)用時存在因?yàn)楣庾V混淆而導(dǎo)致精度較低問題[5-6]，目前，解決該問題的對策是利用遙感的時相特征，具體可以分為2種利用方式，一種是使用多時相的較高空間分辨率遙感影像如Landsat、SPOT等進(jìn)行植被分類[7-10]，但由于云的影響，在生長期關(guān)鍵時刻通常只有少數(shù)高分辨率圖像可用，因此，高分辨率影像的時間可利用性是有限的[11]。為了克服這一缺陷，國內(nèi)外許多學(xué)者嘗試?yán)玫诙N方式，即通過高時間分辨率的MODIS、AVHRR等密集時間序列影像提取的物候特征進(jìn)行植被類型的區(qū)分[12-14]，使用這些數(shù)據(jù)源雖然可以克服天氣的限制，但是遙感數(shù)據(jù)高時間分辨率是以降低空間分辨率為代價的，因此，這類方法所用的數(shù)據(jù)空間分辨率低，一般只能進(jìn)行草地、耕地、森林等宏觀的分類或應(yīng)用于植被類型較少的地區(qū)，在進(jìn)行植被類別精細(xì)提取并且植被類別多樣的地區(qū)還不夠理想[15-18]。如果將這兩種方法相結(jié)合，融合多種數(shù)據(jù)源，利用高時間分辨率遙感數(shù)據(jù)的時間特征和高空間分辨率的光譜特征對植被進(jìn)行判斷，做到優(yōu)勢互補(bǔ)，對提高植被的分類精度將會是一個有益嘗試，近年來，在這一面已開展了一些探索性的研究。如Liu等[19]通過將不同時空分辨率的遙感圖像共同作為輸入光譜產(chǎn)生同時具備高時空分辨率的新圖像的方式，分類結(jié)果比融合前得到了高達(dá)20％的改進(jìn)。賈明明等[20]基于環(huán)境星的光譜信息與MODIS的時序數(shù)據(jù)對山區(qū)森林二級類型進(jìn)行植被分類研究，發(fā)現(xiàn)加入物候特征的分類精度得到大幅度提高。陳穎姝等[21]對湖北省監(jiān)利縣的洪澇季節(jié)作物種植結(jié)構(gòu)的遙感提取結(jié)果表明，Landsat8數(shù)據(jù)的光譜信息和MODIS作物生長關(guān)鍵生育時期的NDVI閾值相結(jié)合的方法比傳統(tǒng)的 MODIS 數(shù)據(jù)分類方法更適合于中小尺度研究區(qū)域。上述文獻(xiàn)主要是對農(nóng)作物或林地等某幾種類型的植被識別方法進(jìn)行研究，使用的遙感信息主要是光譜和物候信息，而以一個行政區(qū)域內(nèi)的所有植被類型進(jìn)行系統(tǒng)分類的研究還很少。通常，在一個行政區(qū)域內(nèi)，除了人工種植的植物外，還分布有自然植被，在植物生長季節(jié)，很多植物的光譜特征差異并不大，物候也相差不太明顯，即便憑借光譜和物候信息也很難將其精確區(qū)分。但一般情況下，為了方便地籍管理，人工種植的植被類型的田塊相對自然植被斑塊更為整齊規(guī)則，在人工植被中，由于種植習(xí)慣和受土壤環(huán)境的影響，不同人工植被的幾何形狀和田塊大小差異較大。因此，在對一個行政區(qū)域內(nèi)的植被類型進(jìn)行遙感提取時，除光譜和物候特征外，還應(yīng)該考慮植被類型在圖像上的空間特征。

現(xiàn)代黃河三角洲是1855年以來黃河沖積作用形成的沖積扇，是水陸系統(tǒng)相互作用形成的獨(dú)特生態(tài)系統(tǒng)，對全球變化與人類活動的影響具有高度敏感性和脆弱性，植被對環(huán)境變化響應(yīng)敏感，演替頻繁，是植被和環(huán)境變化研究的理想地區(qū)。目前，由于氣候變化和人類活動，導(dǎo)致大面積的濕地退化和次生鹽漬化等生態(tài)問題[22-24]，這些問題的解決都與植被息息相關(guān)，因此，獲取植被類型的空間分布信息對黃河三角洲生態(tài)系統(tǒng)的保護(hù)和恢復(fù)具有重要意義，在該區(qū)的研究結(jié)果表明，研究區(qū)內(nèi)植被類型插花分布，植被光譜混淆嚴(yán)重，傳統(tǒng)的遙感分類方法在該地不夠理想[25-27]。面向?qū)ο蠓椒瓤杀苊鈧鹘y(tǒng)像元分類方法的“椒鹽現(xiàn)象”也可以集成遙感數(shù)據(jù)的多維度特征制定地物提取的規(guī)則集，實(shí)現(xiàn)較高層次的目標(biāo)地物提取，提高分類精度[3,5,28-29]。因此，本文選擇該區(qū)域內(nèi)的黃河口墾利區(qū)為研究區(qū)，利用2013年Landsat 8及MODIS NDVI 16d合成數(shù)據(jù)，綜合考慮植被物候、光譜和空間特征，采用面向?qū)ο蠓诸惙椒ㄟM(jìn)行植被信息的提取，以期提高植被類型的分類精度和精細(xì)程度，為瀕海脆弱區(qū)植被類型的遙感調(diào)查工作提供方法支持。

1 研究區(qū)與數(shù)據(jù)獲取

1.1 研究區(qū)概況

研究區(qū)位于山東省東北部黃河入?？谔幍膲ɡ麉^(qū)。37°24′－38°10′N，118°15′－119°19′E，地處溫帶季風(fēng)氣候區(qū)，大陸性季風(fēng)影響明顯，冬季干冷，夏季濕熱，四季分明，是中國暖溫帶最完整的、最廣闊、最年輕的濕地生態(tài)系統(tǒng)，具有國家級自然生態(tài)保護(hù)區(qū)。研究區(qū)內(nèi)地廣人稀，土地后備資源豐富，區(qū)內(nèi)無地帶性植被類型，植被的分布主要受土壤水鹽含量、潛水水位與礦化度、地貌類型以及人類活動影響。植被呈大斑塊分布，天然植被以濱海鹽生植被為主，主要分布有蘆葦、堿蓬、蘆葦-檉柳-堿蓬群落及刺槐林等。人工作物主要以耐鹽作物棉花、水稻、小麥及蓮藕為主。

1.2 數(shù)據(jù)的獲取和處理

從美國NASA共享網(wǎng)站下載2013年23期MOD13陸地2級標(biāo)準(zhǔn)數(shù)據(jù)，空間分辨率250 m的歸一化植被指數(shù)（NDVI）16d合成數(shù)據(jù)。從美國地質(zhì)勘探局（USGS）下載2013年5月30日及10月5日墾利區(qū)Landsat 8數(shù)據(jù)。對MODIS NDVI16d合成數(shù)據(jù)進(jìn)行投影轉(zhuǎn)換。Landsat 8數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正和幾何精校正后，將全色波段與多光譜波段進(jìn)行Gram-schmidt(GS)融合，得到15 m分辨率影像，最后將融合后的影像按照研究區(qū)矢量邊界進(jìn)行裁剪。將2013年墾利區(qū)實(shí)地調(diào)查數(shù)據(jù)、土地利用現(xiàn)狀圖及Google earth相結(jié)合構(gòu)建的驗(yàn)證點(diǎn)樣區(qū)文件，用于分類精度評價。上述處理主要采用eCognition和Arcgis軟件完成。

2 研究方法

2.1 構(gòu)建植被遙感分類體系

結(jié)合研究區(qū)的植被類型和遙感影像的可解譯性建立研究區(qū)植被分類體系：首先根據(jù)人工種植與否將植被分為人工植被和自然植被兩類，其中，自然植被按群落類型分為蘆葦、堿蓬、蘆葦-檉柳群落和刺槐林。當(dāng)?shù)氐娜斯ぶ脖恢饕懈鞣N農(nóng)作物、人工柳林、人工草坪等，根據(jù)種植制度將農(nóng)作物分為小麥、水稻、棉花及藕池。當(dāng)?shù)氐娜斯げ萜杭性趬ɡ麉^(qū)城內(nèi)，不是本文的研究對象。研究區(qū)內(nèi)分布著相當(dāng)規(guī)模的鹽荒地，其上長有耐鹽的雜草，植被覆蓋率低，由于無法確定優(yōu)勢種，也不納入植被分類體系。

2.2 植被的物候特征及參數(shù)提取

人工植被與自然植被生長周期不同，其物候特征存在顯著差異。人工植被中棉田、水稻及藕池生長季開始時間在4月下旬或者5月上旬，玉米9月下旬收獲后播種小麥，而自然植被中蘆葦、堿蓬及柳樹在3月或者4月上旬開始萌芽，比人工植被早。蘆葦-檉柳-堿蓬群落和刺槐生長季開始時間為4月上旬。所以根據(jù)植被物候參數(shù)能夠?qū)⑷斯ぶ脖慌c自然植被區(qū)分。柳林整個生長季從3月中旬到11月中下旬，在自然植被中最長，堿蓬在10月成熟后葉變色，生長過程中生物量的累積面積較其他自然植被低。所以采用植被物候有助于植被類別的提取。

植物物候是區(qū)域循環(huán)相對明確的時序模式，這種模式反映了植被生長的過程。使用Logistic時間函數(shù)方法擬合出遙感影像上每一個像元生長及衰落期的NDVI曲線，然后根據(jù)曲率最大值法確定植被物候參數(shù)特征。根據(jù)研究區(qū)植被物候歷的特征分析，主要提取以下幾個關(guān)鍵植被物候參數(shù)：生長季開始時間（start of season, SOS）、生長季結(jié)束時間（end of season, EOS）、生長季長度（Length of season, LOS）、生長過程中NDVI的累積面積（Large integral）及生長過程中峰值與基線值之間的積分結(jié)果（Small integral）。將提取的植被物候參數(shù)數(shù)據(jù)（250 m分辨率）重采樣到與Landsat 8影像相同分辨率（15 m）并與其合并。

2.3 最優(yōu)尺度分割

影像多尺度分割是提高面向?qū)ο蠓诸惙椒ň鹊闹匾疤幔浠舅枷胧蔷C合考慮影像的光譜特征和形狀特征等因素，達(dá)到分割對象異質(zhì)性最小的目標(biāo)。因研究區(qū)位于黃河入?？诘母蓾窠诲e地帶，從沿海到內(nèi)陸，同類植被單元的面積呈現(xiàn)出遞減趨勢，靠近沿海的自然植被類型斑塊較內(nèi)陸地區(qū)的人工植被大，且更加集中，針對植被類型的該空間分布和內(nèi)部結(jié)構(gòu)特征，采用300、250、200、150和100多個分割尺度對研究區(qū)進(jìn)行遞進(jìn)分割，得到各類植被提取的目標(biāo)對象。形狀因子和緊致度分別為0.1和0.5，各波段權(quán)重為1，最后得到Level1-Level5 五個由大到小的分割層次。

前期研究發(fā)現(xiàn)，研究區(qū)的自然植被和人工植被光譜混淆嚴(yán)重[25,27]，因此，為了避免植被之間的光譜混淆，本文選取10月份的影像，在尺度分割得到的不同層次的目標(biāo)對象的基礎(chǔ)上，將物候信息、光譜和形狀等作為分類特征，采用層次提取策略自上而下地提取植被類型：Level1用于得到植被區(qū)對象，把非植被掩膜掉，Level2將植被區(qū)分為自然植被與人工植被，Level3在自然植被中提取蘆葦、堿蓬、蘆葦-檉柳-堿蓬群落、柳林及刺槐林。Level4用于人工植被中提取棉田、麥田、稻田及藕池，Level5不作為分類層，為所有類別匯總層。

2.4 植被提取方法

2.4.1 植被分區(qū)

墾利區(qū)10月份的植被茂密且長勢旺盛，植被和非植被較易區(qū)分，因此采用10月份影像進(jìn)行植被分區(qū)。首先，通過NDVI閾值（NDVI<0.32）去掉鹽荒地和非植被區(qū)，從而得到研究中的植被類型分布范圍。在這一條件下，由于長有水生植物的水體也被劃入植被區(qū)，因此，采用近紅外波段均值進(jìn)一步去除水體的影響（RNIR<200）。然后根據(jù)物候特征的差異，采用植被生長季開始時間及生長季長度（SOS>144，LOS<156）將植被分為自然植被與人工植被2個區(qū)，其中，人工植被柳林處于黃河入?？谧匀槐Ｗo(hù)區(qū)內(nèi)，本文將其放到自然植被區(qū)進(jìn)行提取。

2.4.2 植被提取規(guī)則構(gòu)建

首先，通過各植被類型訓(xùn)練樣本的差異程度確定用于分類的特征參數(shù)，然后，根據(jù)訓(xùn)練樣本平均值，同時參考標(biāo)準(zhǔn)假彩色合成影像，劃定不同植被類型的特征參數(shù)閾值。以人工植被為例，其空間和光譜特征的平均值如表1所示。

由表1知，相比較而言，在空間特征方面，人工植被的形狀指數(shù)差異相對明顯，因此，采用形狀指數(shù)納入分類規(guī)則的構(gòu)建體系。在光譜特征方面，由于該月份的玉米已經(jīng)收獲，麥苗還未長出，因此麥田在近紅外波段反射率最小，而紅光波段的反射率最大，與其他3類差異明顯，將近紅外反射率作為提取麥田的依據(jù)；由于生長環(huán)境和生長狀態(tài)的差異，稻田和棉田在近紅外和綠光的反射率差異加大。綜合這些特征，采用形狀指數(shù)、近紅外、紅光和綠光波段反射率構(gòu)建人工植被分類規(guī)則如圖1所示。

表1 人工植被空間及光譜特征值

注： 紅光、綠光、藍(lán)光和近紅外波段的值為大氣校正后植被在各光譜波段反射率擴(kuò)大一萬倍后的值。

Note: The values in the red, green，blue and near-infrared bands are ten thousand times that of the reflectance of the corresponding spectral band after atmospheric correction.

注： SOS為生長季開始時間；LOS為生長季長度；LI為生長過程中NDVI的累積面積；SI為生長過程中峰值與基線值之間的積分結(jié)果；RF為矩形適合度；Shape-i為形狀指數(shù)；NDVI為歸一化植被指數(shù)；Bri為像元亮度值；RNIR為近紅外反射率；RR為紅光反射率；RG為綠光反射率。

采用上述方法構(gòu)建各自然植被類型的提取規(guī)則：刺槐林是能在當(dāng)?shù)佧}漬化土壤環(huán)境中存活的為數(shù)不多的喬木之一，與其他灌草叢自然植被區(qū)別最明顯的光譜特征是其對近紅外的反射率高，另外，它生長周期較長，形狀較規(guī)則，因此采用形狀參數(shù)和近紅外反射率構(gòu)建其提取規(guī)則。蘆葦是當(dāng)?shù)亟ㄈ悍N，集中分布在入?？谔?，比其他自然植被長得旺盛而密集，對近紅外反射率高，葉面積指數(shù)大，生物量多，因此，NDVI較高。故采用NDVI和近紅外反射率建立其提取規(guī)則。堿蓬也是當(dāng)?shù)亟ㄈ悍N，耐鹽堿，生長于鹽分含量高的土壤上，因此其分布比較稀疏，10月份葉色變紅，亮度與其他綠葉植被相比較暗，因此采用物候參數(shù)Large integral、Small integral和光譜特征亮度值構(gòu)建提取規(guī)則。柳樹與蘆葦-檉柳-堿蓬群落的光譜特征近似，但其物候特征有所差異，在研究區(qū)，柳樹生長季開始時間為3月上旬，蘆葦-檉柳-堿蓬群落為4月上旬，因此采用物候參數(shù)生長季開始時間區(qū)分二者。根據(jù)上述植被類型互相區(qū)別的特征，構(gòu)建研究區(qū)自然植被類型的分類規(guī)則如圖1所示。

3 研究結(jié)果與精度分析

將Level1、Level2、Level3及Level4分類結(jié)果匯總到Level5后并導(dǎo)出，利用Arcgis進(jìn)行后期處理，得到植被分類結(jié)果如圖2c。

傳統(tǒng)物候分類方法是基于各植被類型的物候特征采用決策樹方法進(jìn)行分類，分類結(jié)果如圖2a所示。傳統(tǒng)面向?qū)ο蠓诸惙椒ㄋ捎玫亩喑叨确指顓?shù)與前文相同，參考5月份影像及現(xiàn)場調(diào)查選取各類型的訓(xùn)練樣本，選擇光譜與紋理作為訓(xùn)練樣本的分類屬性，建立分類模型或分類函數(shù)，采用K鄰近法分類。傳統(tǒng)面向?qū)ο蠓诸惙椒ǖ姆诸惤Y(jié)果如圖2b所示。

本文驗(yàn)證樣本主要來源于研究區(qū)野外實(shí)地調(diào)查點(diǎn)、該區(qū)域土地利用現(xiàn)狀圖和Google Earth提供的Quickbird高空間分辨率衛(wèi)星影像圖，共選取了個400個檢驗(yàn)樣本點(diǎn)，均勻分布于影像并且每類不少于30個?；谒x取的驗(yàn)證樣本點(diǎn)，采用混淆矩陣進(jìn)行分類精度評價，結(jié)果如表2所示。

圖2 分類方法的對比圖

表2 分類精度評價表

表2的分類結(jié)果顯示，傳統(tǒng)物候分類的總體分類精度低，總精度為42.62%，Kappa系數(shù)只有0.19，從各個植被類型的分類精度看，堿蓬、柳林、蘆葦檉柳堿蓬群落、棉田和稻田的植被類型用戶精度較高，但制圖精度較低，說明這些類型被漏分的情況少，而錯分的情況多，其他植被類型分類精度很低。分析其原因，MODIS空間分辨率低，存在大量混合像元，而當(dāng)?shù)刂脖活愋途哂械慕诲e分布特點(diǎn)，加重了光譜混淆現(xiàn)象，因此空間上呈分散分布或斑塊狹小的類型被誤分到呈集中連片分布的大斑塊中，其中，刺槐林被誤分到了鄰近的蘆葦檉柳堿蓬群落中，蘆葦被誤分到鄰近的堿蓬和蘆葦檉柳堿蓬群落中。這表明傳統(tǒng)物候分類方法不能做到研究區(qū)植被的精細(xì)分類，但其用戶精度較高的幾個植被類型劃定了相應(yīng)植被可能的空間分布界線以及自然植被和人工植被的分界線，為高空間分辨率圖像的精細(xì)分類提供了輔助信息。傳統(tǒng)面向?qū)ο蠓ㄒ膊焕硐?，在用戶精度方面，自然植被中除刺槐林外，其他各類別光譜混淆嚴(yán)重。在制圖精度方面，只有刺槐林及柳林的制圖精度相對較高，其他各類別的制圖精度普遍偏低?；煜仃嚤砻?，造成分類精度低的原因主要是各類植被與棉田的混淆，這是由于棉田對鹽漬化的耐受范圍較廣，加之人為活動的影響和經(jīng)濟(jì)利益驅(qū)動，在研究區(qū)內(nèi)廣泛種植，棉田地塊大小不一、形狀各異，受鹽漬化程度脅迫的不同，棉花長勢差異大，導(dǎo)致其光譜和形狀特征與其他植被類型相差不大，因此只利用影像光譜和空間特征的傳統(tǒng)面向?qū)ο蠓椒o法準(zhǔn)確區(qū)分開研究區(qū)的植被類別。

物候參數(shù)-面向?qū)ο蠓椒ǖ姆诸惥扔辛撕艽蟮奶岣撸诸惪傮w精度提高到80.75%，Kappa系數(shù)提高到0.79。在制圖精度方面，除少量刺槐林錯分到蘆葦-檉柳-堿蓬群落、柳林及蘆葦中外，堿蓬、柳林、蘆葦-檉柳-堿蓬群落、蘆葦制圖精度分別由67.50%、72.50%、52.50%和45.00%提高到75.00%、80.00%、90.00%和72.50%。人工植被中除棉田用戶精度略有下降外，麥田、稻田及藕池分別提高了15.9%、11.29%及19.46%。棉田、麥田、稻田及藕池制圖精度分別由42.00%、52.50%、55.00%、53.33%提高到82.00%、72.50%、82.50%和73.33%。分析其原因，結(jié)合植被物候參數(shù)的面向?qū)ο蠓诸惙椒ㄍㄟ^結(jié)合物候參數(shù)進(jìn)行植被分區(qū)，棉田被劃分為人工植被區(qū)，避免了棉田對自然植被分類的干擾，因此堿蓬、柳林、蘆葦-檉柳-堿蓬群落及蘆葦?shù)茸匀恢脖坏木鹊玫酱蠓岣?。該方法分類誤差的原因主要是MODIS影像空間分辨率較低，物候參數(shù)是基于MODIS影像提取的，因此一定比例的零散小地塊的棉田被漏分到了自然植被，還有一些生態(tài)位相似的空間毗鄰的植被群落被歸為一類，帶來了分類的誤差。根據(jù)該分類方法取得的分類結(jié)果，統(tǒng)計各植被類型的面積、占比和主要空間分布特征如表3所示。

表3 植被類型面積比例統(tǒng)計表

對表3的數(shù)據(jù)進(jìn)行匯總，植被覆蓋面積98 356.71 hm2，占墾利區(qū)總面積的46.11%。自然植被面積為52 137.36 hm2，占植被總面積的53%，表明當(dāng)?shù)刈匀簧鷳B(tài)環(huán)境良好。自然植被中，堿蓬、蘆葦和蘆葦-檉柳-堿蓬群落的占比最高，為當(dāng)?shù)氐膬?yōu)勢植被群落，其中，高耐鹽的堿蓬占到自然植被的一半，其次為中等耐鹽的蘆葦-檉柳-堿蓬群落，兩者占總自然植被的77.97%，說明當(dāng)?shù)氐柠}漬化狀況仍然較高，刺槐林和柳林在當(dāng)?shù)氐恼急认鄬^低，這與當(dāng)?shù)氐臏\埋深和礦化度高的地下水有關(guān)，深根系的喬木很難存活，因此當(dāng)?shù)馗叽蟮膯棠鞠∩?，生長狀況較差。人工植被面積為46 219.37 hm2，占墾利區(qū)總面積的21.67%。總體上看，人工植被的分布呈現(xiàn)出因地制宜的土地利用特點(diǎn)：耐鹽程度高的棉田占比最高，在研究區(qū)廣泛種植，從沿海到向陸一側(cè)都有分布，是墾利區(qū)主要的農(nóng)作物和重要的經(jīng)濟(jì)作物。其次為麥田，麥田受土壤鹽漬化和淡水資源的制約，主要分布在黃河以南，靠近淡水水源及向陸一側(cè)的低鹽漬化地區(qū)，而稻田和藕池對淡水資源需求較大，其分布受淡水資源的制約，而隨著黃河來水的減少，它們的種植面積非常有限，只在靠近黃河的淡水豐沛的區(qū)域和大型水庫附近有種植?？傊?，研究區(qū)的植被類型分類結(jié)果體現(xiàn)為鹽生植被數(shù)量上占優(yōu)勢的特點(diǎn)，空間分布上體現(xiàn)出由淡水資源和土壤鹽漬化程度對植被類型分布起控制作用的特征，這與當(dāng)?shù)氐膶?shí)際情況是相符的。

4 討 論

在3種分類方法中，基于光譜和時相特征的傳統(tǒng)物候參數(shù)分類方法精度最低，不能用于區(qū)分研究區(qū)植被類型。傳統(tǒng)基于光譜和空間特征的面向?qū)ο蠓诸惙椒ǚ诸惥纫草^低，植被之間混分和漏分錯誤較多，也不能有效區(qū)分研究區(qū)的植被類型。這與目前的研究結(jié)論一致，如Wang等[12]利用MODIS NDVI時間序列提取北美草原植被物候參數(shù)進(jìn)行C3和C4兩種草的提取，結(jié)果表明物候特征只能從一定程度上克服兩者的光譜混淆，張霞等[17]通過對華北平原的土地覆蓋的遙感分類研究發(fā)現(xiàn)，用低空間分辨率MODIS監(jiān)測土地利用破碎度很高的區(qū)域的土地覆蓋變化除了光譜和物候參數(shù)外還需要更多的輔助數(shù)據(jù)。黃昕等[30-32]研究表明，將空間特征融入光譜分類方法，雖在精度上有一定的提高，但是只是部分消除了同物異譜和同譜異物造成的分類錯誤，對于高精度城市、海岸帶等混雜型地物的分類來說，仍難以達(dá)到實(shí)用的要求。但是，當(dāng)我們通過面向?qū)ο蠓诸惣夹g(shù)將光譜特征、物候參數(shù)和空間特征結(jié)合起來用于植被分類，發(fā)現(xiàn)該方法能更有效地解決植被類型間的光譜混淆問題，達(dá)到理想的分類精度。同時，植被類型面積比例統(tǒng)計結(jié)果也表明，植被類型分類結(jié)果與研究區(qū)的實(shí)際情況相符，進(jìn)一步表明了該分類方法的科學(xué)性，這些結(jié)果表明，在類似研究區(qū)這種植被類型多樣、光譜混淆嚴(yán)重的情況下，應(yīng)綜合采用植被物候、影像光譜及空間特征等多維度的特征信息進(jìn)行植被類型的區(qū)分。

由于LANDSAT8數(shù)據(jù)分辨率的客觀局限，這種方法對小斑塊的植被識別精度相對有限。當(dāng)植被分布斑塊面積不足225 m2，即小于LANDSAT8融合后的最小像元面積時，會與周邊地物形成混合像元，而混合像元會產(chǎn)生分類結(jié)果的不確定性，造成一定比例的零散小地塊的棉田被漏分到了自然植被，還有一些生態(tài)位相似的空間毗鄰的植被群落被歸為一類，帶來了分類的誤差。這也與目前的研究結(jié)論一致，如Tatsumi等[11,15,17]在土地利用類型遙感提取和作物的提取研究中也注意并分析了這一現(xiàn)象。這一點(diǎn)也是該方法在實(shí)際應(yīng)用中需要注意的地方。

本文方法還可以用做植被變化監(jiān)測。由于當(dāng)植被類型發(fā)生變化，植被的物候、光譜和空間特征將會發(fā)生較為明顯的變化，不同時相和波段的LANDSAT8影像進(jìn)行交叉融合時，同一植被類型在兩者上的信息表現(xiàn)不一致，那么融合后影像中就會表現(xiàn)出與植被類型不變的地方明顯的光譜差別[33]，更容易被捕捉到，同時結(jié)合空間和物候參數(shù)進(jìn)行閾值分割，可以監(jiān)測到植被類型的變化，對小面積的變化類型也有一定的分析識別能力。并且中國已積累了大量的土地利用和植被調(diào)查數(shù)據(jù)[34-35]，這種監(jiān)測有更多地面信息支持以及研究應(yīng)用的連續(xù)性。關(guān)于該方法在植被類型動態(tài)變化的自動識別是下一步需要深入研究的內(nèi)容。

5 結(jié) 論

以近代黃河三角洲典型生態(tài)脆弱區(qū)為研究區(qū)，以高時間分辨率的MODIS數(shù)據(jù)和較高空間分辨率的LANDSAT8影像為遙感數(shù)據(jù)源，綜合利用遙感影像的物候、光譜和空間特征，采用面向?qū)ο蠹夹g(shù)構(gòu)建典型植被類型的分類規(guī)則，對研究區(qū)的植被類型進(jìn)行遙感提取研究，得出研究結(jié)論如下：

1）相比較而言，物候參數(shù)-面向?qū)ο蠓诸惙椒ǖ木茸罡?，?yōu)于傳統(tǒng)物候參數(shù)分類和面向?qū)ο蠓诸惙椒?。?jīng)驗(yàn)證，該方法的分類總精度為80.75%，Kappa系數(shù)為0.79，達(dá)到了較高的分類精度和精細(xì)程度。各植被類型的空間分布與實(shí)地情況相符，針對研究區(qū)各植被類型的提取規(guī)則，系統(tǒng)完整，可操作性強(qiáng)，可用于瀕海脆弱區(qū)植被信息遙感調(diào)查工作。

2）采用面向?qū)ο蠹夹g(shù)對研究區(qū)植被類型進(jìn)行精細(xì)區(qū)分時，最優(yōu)分割尺度取決于植被類型的斑塊大小。對研究區(qū)的自然植被進(jìn)行分割時，要用大的分割尺度，而對人工植被分割時，用的尺度相對較小。

3）不同植被類型的面積提取精度主要取決于其斑塊面積及其集中分布程度。分類結(jié)果的面積精度表明，圖斑面積大而連片的刺槐、柳林和蘆葦-檉柳-堿蓬群落等植被類型的面積提取精度較高；而麥田、蘆葦和棉田等類型，由于分布零散，面積規(guī)模小而破碎，面積提取精度相對較小。

4）植被類型面積比例結(jié)果表明，在自然植被中，以強(qiáng)耐鹽的鹽生植被為主，而耐鹽低同時又是黃河三角洲珍稀和瀕危鳥類動物的重要棲息地的蘆葦占的比例略低。在人工植被中，也是耐鹽堿的棉田為主，說明該區(qū)土壤鹽漬化狀況仍然比較嚴(yán)重，因此該區(qū)應(yīng)該繼續(xù)加強(qiáng)生態(tài)保護(hù)和鹽堿地治理，維持國家自然保護(hù)區(qū)功能和提高土壤的農(nóng)業(yè)生產(chǎn)力。

[1] Garcia M, Ustin S L. Detection of interannual vegetation responses to climatic variability using AVIRIS data in a coastal savanna in California[J]. IEEE Transactions on Geoscience & Remote Sensing, 2001, 39(7): 1480－1490.

[2] Lka D, Maier B, Seijmonsbergen A C. Improved Landsat-based forest mapping in steep mountainous terrain using object-based classification[J]. Forest Ecology & Management, 2003, 183(1): 31－46.

[3] Lemay V, Maedel J, Coops N C. Estimating stand structural details using nearest neighbor analyses to link ground data, forest cover maps, and Landsat imagery[J]. Remote Sensing of Environment, 2008, 112(5): 2578－2591.

[4] Frohn R C, Reif M, Lane C, et al. Satellite remote sensing of isolated wetlands using object-oriented classification of Landsat-7 data[J]. Wetlands, 2009, 29(3): 931－941.

[5] Vogels M F A, Jong S M D, Sterk G, et al. Agricultural cropland mapping using black-and-white aerial photography, object-based image analysis and random forests[J]. International Journal of Applied Earth Observation & Geoinformation, 2017, 54: 114－123.

[6] Roelfsema C M, Lyons M, Kovacs E M, et al. Multi-temporal mapping of seagrass cover, species and biomass: A semi-automated object based image analysis approach[J]. Remote Sensing of Environment, 2014, 150(7): 172－187.

[7] Badhwar G B. Automatic corn-soybean classification using Landsat MSS data. II. Early season crop proportion estimation[J]. Remote Sensing of Environment, 1984, 14(1/2/3): 31－37.

[8] Ozdogan M. The spatial distribution of crop types from MODIS data: temporal unmixing using Independent Component Analysis[J]. Remote Sensing of Environment, 2010, 114(6): 1190－1204.

[9] Vyas S P, Oza M P, Dadhwal V K. Multi-crop separability study of rabi crops using multi-temporal satellite data[J]. Journal of the Indian Society of Remote Sensing, 2005, 33(1): 75－79.

[10] Hall F G, Badhwar G D. Signature-extendable technology: Global space-based crop recognition[J]. IEEE Transactions on Geoscience & Remote Sensing, 1987, 25(1): 93－103.

[11] Tatsumi K, Yamashiki Y, Torres M A C, et al. Crop classification of upland fields using Random forest of time-series Landsat 7 ETM+ data[J]. Computers & Electronics in Agriculture, 2015, 115: 171－179.

[12] Wang C, Hunt E R, Zhang L, et al. Phenology-assisted classification of C-3 and C-4 grasses in the US Great Plains and their climate dependency with MODIS time series[J]. Remote Sensing of Environment, 2013, 138(6): 90－101.

[13] 王瑋，馮琦勝，郭鈮，等. 基于長時間序列NDVI資料的我國西北干旱區(qū)植被覆蓋動態(tài)監(jiān)測[J]. 草業(yè)科學(xué)，2015，32(12)：1969－1979.

Wang Wei, Feng Qisheng, Guo Ni, et al. Dynamic monitoring of vegetation coverage based on long time-series NDVI data sets in northwest arid region of China[J]. Pratacultural Science, 2015，32(12)：1969－1979.(in Chinese with English abstract)

[14] Usman M, Liedl R, Shahid M A, et al. Land use/land cover classification and its change detection using multi-temporal MODIS NDVI data[J]. Journal of Geographical Sciences, 2015, 25(12): 1479－1506.

[15] Wardlow B D, Egbert S L, Kastens J H. Analysis of time-series MODIS 250m vegetation index data for crop classification in the U.S. Central Great Plains[J]. Remote Sensing of Environment, 2007, 108(3): 290－310.

[16] Son N T, Chen C F, Chen C R, et al. A phenology-based classification of time-series MODIS data for rice crop monitoring in mekong delta, vietnam[J]. Remote Sensing, 2013, 6(1): 135－156.

[17] 張霞，孫睿，張兵，等. 基于MODIS植被指數(shù)時間譜的華北平原土地覆蓋分類[J]. 農(nóng)業(yè)工程學(xué)報，2006，22(12)：128－132.

Zhang Xia, Sun Rui, Zhang Bing, et al. Land cover classification of North China Plain using MODIS_EVI temporal profile[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(12): 128－132. (in Chinese with English abstract)

[18] 康峻，牛錚，高帥，等. 基于擬合物候參數(shù)的植被遙感決策樹分類[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(9)：148－156.

Kang Jun, Niu Zheng, Gao Shuai, et al. Decision tree classification based on fitted phenology parameters from remotely sensed vegetation data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(9): 148－156. (in Chinese with English abstract)

[19] Liu M W, Ozdogan M, Zhu X. Crop type classification by simultaneous use of satellite images of different resolutions[J]. IEEE Transactions on Geoscience & Remote Sensing, 2014, 52(6): 3637－3649.

[20] 賈明明，任春穎，劉殿偉，等. 基于環(huán)境星與MODIS時序數(shù)據(jù)的面向?qū)ο笊种脖环诸怺J]. 生態(tài)學(xué)報，2014，34(24)：7167－7174.

Jia Mingming, Ren Chunying, Liu Dianwei, et al. Object-oriented forest classification based on combination of HJ-1 CCD and MODIS-NDVI data[J]. Acta Ecologica Sinica, 2014, 34(24):7167－7174. (in Chinese with English abstract)

[21] 陳穎姝，張曉春，王修貴，等. 基于Landsat8 OLI與MODIS數(shù)據(jù)的洪澇季節(jié)作物種植結(jié)構(gòu)提取[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(21)：165－173.

Chen Yingshu, Zhang Xiaochun, Wang Xiugui, et al. Extraction of crop planting structure in seasons prone to waterlogging using Landsat8 OLI and MODIS data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(21): 165－173. (in Chinese with English abstract)

[22] Jiang C, Pan S, Chen S. Recent morphological changes of the Yellow River (Huanghe) submerged delta: Causes and environmental implications[J]. Geomorphology, 2017, 293.

[23] Liu G, Li J, Zhang X, et al. GIS-mapping spatial distribution of soil salinity for Eco-restoring the Yellow River Delta in combination with Electromagnetic Induction[J]. Ecological Engineering, 2016, 94: 306－314.

[24] Zhang H, Chen X, Luo Y. An overview of ecohydrology of the Yellow River delta wetland[J]. Ecohydrology & Hydrobiology, 2016, 16(1): 39－44.

[25] 常春艷，趙庚星，王凌，等. 濱海光譜混淆區(qū)面向?qū)ο蟮耐恋乩眠b感分類[J]. 農(nóng)業(yè)工程學(xué)報，2012，28(5)：226－231.

Chang Chunyan, Zhao Gengxing, Wang Ling, et al. Land use classification based on RS object-oriented method in coastal spectral confusion region[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(5): 226－231. (in Chinese with English abstract)

[26] 秦元偉，趙庚星，姜曙千，等. 基于中高分辨率衛(wèi)星遙感數(shù)據(jù)的縣域冬小麥估產(chǎn)[J]. 農(nóng)業(yè)工程學(xué)報，2009，25(7)：118－123.

Qin Yuanwei, Zhao Gengxing, Jiang Shuqian, et al. Winter wheat yield estimation based on high and moderate resolution remote sensing data at county level[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(7): 118－123. (in Chinese with English abstract)

[27] 趙庚星，李玉環(huán)，徐春達(dá). 遙感和GIS支持的土地利用動態(tài)監(jiān)測研究：以黃河三角洲墾利縣為例[J]. 應(yīng)用生態(tài)學(xué)報，2000，11(4)：573－576.

Zhao Gengxing, Li Yuhuan, Xu Chunda. Land use dynamic monitoring supported by remote sensing and GIS-A case study in Kenli County of Yellow River delta[J]. Chinese Journal of Applied Ecology, 2000, 11(4): 573－576. (in Chinese with English abstract)

[28] Pham L T H, Brabyn L. Monitoring mangrove biomass change in Vietnam using SPOT images and an object-based approach combined with machine learning algorithms[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2017, 128: 86－97.

[29] 蘇偉，李京，陳云浩，等. 基于多尺度影像分割的面向?qū)ο蟪鞘型恋馗脖环诸愌芯浚阂择R來西亞吉隆坡市城市中心區(qū)為例[J]. 遙感學(xué)報，2007，11(4)：521－530.

Su Wei, Li Jing, Chen Yunhao, et al. Object-oriented urban land-cover classification of multi-scale image segmentation method: A case study in Kuala Lumpur City Center, Malaysia[J]. Journal of Remote Sensing, 2007, 11(4): 521－530. (in Chinese with English abstract)

[30] 黃昕，張良培，李平湘. 融合形狀和光譜的高空間分辨率遙感影像分類[J]. 遙感學(xué)報，2007，11(2)：193－200.

Huang Xin, Zhang Liangpei, Li Pingxiang. Classification of high spatial resolution remotely sensed imagery based on the fusion of spectral and shape features[J]. Journal of Remote Sensing, 2007, 11(2): 193－200. (in Chinese with English abstract)

[31] Qiao C, Shen Z F, Wu N, et al. Remote sensing image classification method supported by spatial adjacency[J]. Journal of Remote Sensing, 2011, 15(1): 88－99.

[32] Segl K, Roessner S, Heiden U, et al. Fusion of spectral and shape features for identification of urban surface cover types using reflective and thermal hyperspectral data[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2003, 58(1/2): 99－112.

[33] Alqurashi A F, Kumar L. Investigating the use of remote sensing and GIS techniques to detect land use and land cover change: A review[J]. Advances in Remote Sensing, 2013, 2(2): 193－204.

[34] 樊志全. 全國土地利用變更調(diào)查報告[M]. 北京：中國大地出版社，2006.

[35] 李世東. 中國林業(yè)信息化標(biāo)準(zhǔn)規(guī)范[M]. 北京：中國林業(yè)出版社，2014.

Extraction of vegetation information in coastal ecological vulnerable areas from remote sensing data based on phenology parameters and object-oriented method

Zhang Guihua1,2, Wang Ruiyan1※, Zhao Gengxing1, Yuan Xiujie1, Peng Yang1, Wang Xiangfeng3

(1.271018; 2.100080,; 3.,257000,)

Obtaining good vegetation classifications based on remote sensing data is important for ecosystem forecasting and improvement of global climate modeling. However, the classification result using the traditional methods is not accurate in the modern Yellow River Delta due to interspersed distribution of the vegetation types. The work reported here concerns the use of multi-sensor and multi-temporal remote sensing data in order to alleviate this problem by the object-oriented method assisted with the phenology parameters. Landsat 8 OLI and MODIS data were chosen because of the advantages such as being free of charge and stable to offer dataset. Meanwhile, these 2 types of data can bring a proper combination because they show the characteristics of vegetation respectively in space and time. Taking the typical ecologically vulnerable area of the Yellow River Delta as the study area, this study used the 250-meter 16-day MODIS vegetation indices products (MOD13Q1) to build time series curves of NDVI (normalized difference vegetation index) for different vegetation types, which were later smoothed by logistic time function method to fit NDVI data. Then, the different bands of Landsat 8 data were fused using the Gram-Schmidt (GS) method to obtain the 15-meter resolution image. A set of phenology indicators, including start of season, end of season, season length, peak NDVI, accumulative area of NDVI during growth period, and integral result between peak value and baseline value were extracted by the maximum curvature method. The extracted phenology images of the vegetation (250 m resolution) were resampled to 15 m resolution and merged with Landsat 8 image. Further, we employed a multi-resolution segmentation method according to the patch size of different vegetation types. Then, the classifier rules utilizing the phenological features and spectral characteristics of typical vegetation types were developed to map the vegetation in the study area, and we applied a partitioning strategy to carry out object-oriented classification. Finally, the classification results were compared with that from traditional methods. It indicated that the overall accuracy is 80.75% and Kappa coefficient is 0.79, higher than traditional phenology and object-oriented classification methods. In addition, we found that the low accuracy of the traditional object-oriented classification method is mainly caused by the cotton fields that had wide ecological fitness, which leads to the confusion of the cotton fields with other vegetation types. And the disadvantage for the confusion of the cotton fields and the natural vegetation is avoided by the phenology-assisted method, which is beneficial to distinguish the vegetation types. Therefore, the combination of vegetation phenological parameters and object-oriented method can solve the problem of spectral confusion effectively, and is suited for extraction of the vegetation types in small-scale areas like the coastal vulnerable areas. Moreover, statistical results on vegetation area indicated that the classification results accurately reflected the real situation of local vegetation distribution. In the study area, the vegetation coverage rate is high, and the proportion of natural vegetation and artificial vegetation is near to 1. In the natural vegetation type, the,andcommunity are the main vegetation types, accounting for 77.99%. The cotton is the dominant vegetation in the plant vegetation types, accounting for 71.16%, and less for non-salt vegetation types. Therefore, this method of the study provides support for vegetation survey in coastal vulnerable areas.

remote sensing; vegetation; extract; coastal ecological vulnerable area; phenology parameters; object oriented approach

2017-09-07

2018-02-04

十三五國家重點(diǎn)研發(fā)計劃（2017YFD0200702）；國家自然科學(xué)基金（41271235）；山東農(nóng)業(yè)大學(xué)創(chuàng)新團(tuán)隊項目“雙一流”獎補(bǔ)資金資助（SYL2017XTTD02）；山東農(nóng)業(yè)大學(xué)青年教師成長計劃經(jīng)費(fèi)和青年創(chuàng)新基金共同資助（41401239）；山東省重點(diǎn)研發(fā)計劃（2017CXGC0306）

張貴花，工程師，現(xiàn)從事植被資源信息遙感。Email：zhang.guihua112729@163.com

王瑞燕，博士，副教授，現(xiàn)從事資源信息遙感。Email：wry@sdau.edu.cn

10.11975/j.issn.1002-6819.2018.04.025

P237

A

1002-6819(2018)-04-0209-08

張貴花，王瑞燕，趙庚星，袁秀杰，彭 楊，王向峰. 基于物候參數(shù)和面向?qū)ο蠓ǖ臑l海生態(tài)脆弱區(qū)植被遙感提取[J]. 農(nóng)業(yè)工程學(xué)報，2018，34(4)：209－216.doi：10.11975/j.issn.1002-6819.2018.04.025 http://www.tcsae.org

Zhang Guihua, Wang Ruiyan, Zhao Gengxing, Yuan Xiujie, Peng Yang, Wang Xiangfeng. Extraction of vegetation information in coastal ecological vulnerable areas from remote sensing data based on phenology parameters and object-oriented method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(4): 209－216. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.04.025 http://www.tcsae.org