基于面向?qū)ο蟮腉F-1遙感影像采煤沉陷區(qū)濕地分類

程琳琳，董雪梅，詹佳琪，張 也

（中國(guó)礦業(yè)大學(xué)（北京）地球科學(xué)與測(cè)繪工程學(xué)院，北京 100083）

0 引 言

濕地對(duì)于物種多樣性的保持、氣候調(diào)節(jié)、地下水補(bǔ)充、凈化污染物等具有重要作用，同時(shí)還兼具休閑娛樂等功能。近代由于人類的不合理開發(fā)利用，造成濕地資源的逐漸枯竭，如何可持續(xù)地開發(fā)利用濕地已引起高度關(guān)注，對(duì)濕地的分類也成為了國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)[1]。由于濕地地理位置的特殊性，傳統(tǒng)的測(cè)量手段難以獲取和監(jiān)測(cè)其信息。遙感技術(shù)作為一種新的觀測(cè)手段，以其快速、大范圍、無需深入等特點(diǎn)在濕地研究中得到了廣泛應(yīng)用[2-4]?；谶b感影像的濕地分類方法隨著計(jì)算機(jī)技術(shù)的發(fā)展也在不斷改進(jìn)，從最早的目視判讀到基于像元的分類，再到?jīng)Q策樹分類等。隨著衛(wèi)星遙感技術(shù)的發(fā)展，影像分辨率的提高，出現(xiàn)了面向?qū)ο蟮姆诸惙椒╗5-12]。但綜觀目前已有的研究，多集中于對(duì)天然濕地或水體進(jìn)行分類。采煤沉陷區(qū)的濕地是人工濕地，受煤炭開采的影響，其形成是一個(gè)長(zhǎng)期的動(dòng)態(tài)過程，地質(zhì)環(huán)境更為復(fù)雜多變，生態(tài)結(jié)構(gòu)相比一般濕地更為脆弱，研究區(qū)域尺度較小，對(duì)了解濕地的各種自然條件等造成很大阻礙，加之中國(guó)的復(fù)墾方向以耕地為主，因此，對(duì)采煤沉陷區(qū)濕地的分類，已有的研究鮮有涉及。

中國(guó) 95%以上的煤炭資源來自井工開采，其采出造成大面積的土地下沉，尤其在高潛水位礦區(qū)形成大面積積水，嚴(yán)重影響了生產(chǎn)生活。掌握采煤沉陷區(qū)濕地的類別和分布，可為其復(fù)墾、規(guī)劃及管理提供科學(xué)依據(jù)[13-14]。目前，人工濕地遙感分類面臨的主要問題是各種分類算法的應(yīng)用具有局限性，為保證分類的精度，需針對(duì)不同的遙感數(shù)據(jù)或不同的濕地類型使用不同的最優(yōu)分類算法[15]。但天然濕地的形成受氣候、溫度、地勢(shì)等因素的影響，不同區(qū)域差異較大，難以用同一種或相似的方法進(jìn)行分類；而采煤沉陷區(qū)濕地的形成是人工干擾下的結(jié)果，不同礦區(qū)的濕地類型通常較為一致,易于用同一種或相似的方法進(jìn)行分類。因此，本文擬以兗州煤田采煤沉陷區(qū)為例，探討基于GF-1遙感影像和面向?qū)ο蟮牟擅撼料輩^(qū)濕地分類方法。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

兗州煤田位于山東省西南部，橫跨兗州、鄒城、曲阜三市，主要有楊村、南屯、鮑店、東灘、興隆莊、北宿六對(duì)礦井，面積為258 km2（見圖1）。煤田內(nèi)部地形平坦，由東北向西南平緩降低，地面高程36～72 m。除降雨較多的7、8月份外，其余月份降雨較少，春季易出現(xiàn)干旱現(xiàn)象。區(qū)內(nèi)的河流主要有泗河、白馬河、沙河和泥河，均是季節(jié)性河流，干旱季節(jié)無水。該煤田地下潛水位高，潛水位平均埋深約為3～4 m，煤礦開采造成的土地破壞形式主要表現(xiàn)為地表下沉塌陷和積水，主要分布兗州市和鄒城市部分城鎮(zhèn)。

1.2 數(shù)據(jù)來源

1）遙感數(shù)據(jù)

兗州煤田的降雨多集中在7、8月份，為了區(qū)分季節(jié)性積水區(qū)和常年積水區(qū)，同時(shí)兼顧提取植被型濕地的需要，應(yīng)考慮降雨量小且植被特征較明顯的時(shí)期，經(jīng)比較，最終選取2015年5月13日的GF-1遙感影像。該幅影像質(zhì)量相對(duì)較好，只有少量薄云，各種濕地類型在影像上較容易區(qū)分，滿足研究需要。

圖1 兗州煤田地理位置圖Fig.1 Location map of Yanzhou coal field

2）其他數(shù)據(jù)

（1）其他圖件資料：全國(guó)30 m分辨率的DEM數(shù)據(jù)；濟(jì)寧市國(guó)土資源局提供的 2015年兗州市土地利用現(xiàn)狀圖、2015年鄒城市土地利用現(xiàn)狀圖、2015年曲阜市土地利用現(xiàn)狀圖，比例尺1∶50 000。

（2）輔助資料：濟(jì)寧市國(guó)土資源局提供的兗州煤田采礦權(quán)邊界矢量圖。

2 兗州煤田采煤沉陷區(qū)的濕地類型

采煤沉陷區(qū)濕地的形成是一個(gè)動(dòng)態(tài)過程。地下的煤炭資源被采出前，其原始應(yīng)力是平衡的，被采出后會(huì)形成采空區(qū)，原始應(yīng)力遭到破壞，地表出現(xiàn)下沉塌陷最終形成下沉盆地，沉陷區(qū)的積水水位比地下水水位低時(shí)，出現(xiàn)積水。兗州煤田屬高潛水位地區(qū)，具有地勢(shì)平坦、潛水位埋深小、可采煤層數(shù)量多、煤層厚度大和地表下沉系數(shù)大等特點(diǎn)，地表沉陷積水嚴(yán)重。有些沉陷區(qū)下沉深度較大，一直受地下水補(bǔ)給，常年被水覆蓋，形成常年積水；有些下沉深度較小的沉陷區(qū)，在降雨量大的季節(jié)出現(xiàn)積水，在降雨量小的季節(jié)沒有積水，形成季節(jié)積水[16]。

由于該煤田開采時(shí)間長(zhǎng)，存在較多的常年積水區(qū)域，大部分被復(fù)墾為水產(chǎn)養(yǎng)殖濕地，主要為池塘養(yǎng)殖。在GF-1影像上，水產(chǎn)養(yǎng)殖濕地有明顯的硬化邊界，形狀規(guī)則，多數(shù)為矩形?？拷菂^(qū)的常年積水區(qū)域有 2處被復(fù)墾為景觀濕地。景觀濕地在GF-1影像上也比較規(guī)則，有明顯的硬化邊界。由于該煤田一直在開采，部分沉陷區(qū)尚未穩(wěn)沉，加之復(fù)墾的階段性，存在不易復(fù)墾或者沒有復(fù)墾的常年積水區(qū)域和季節(jié)積水區(qū)域，即未復(fù)墾的常年積水濕地和未復(fù)墾的季節(jié)積水濕地。未復(fù)墾的常年積水濕地周圍水位較淺，易生長(zhǎng)植被，為植被型濕地，植被類型主要為蘆葦[17]。除此之外，該煤田內(nèi)還有季節(jié)性河流。綜上所述，依據(jù)區(qū)域特征和復(fù)墾結(jié)果，兗州煤田采煤沉陷區(qū)濕地的類型及其特點(diǎn)如表1所示。

表1 兗州煤田采煤沉陷區(qū)的濕地類型及特點(diǎn)Table 1 Types and characteristics of wetlands in coal mining subsidence area of Yanzhou coal field

3 遙感影像分割與分割參數(shù)選擇

采用面向?qū)ο蟮姆诸惙椒?，為了獲得較高精度的分類結(jié)果，必須先對(duì)影像數(shù)據(jù)進(jìn)行很好的分割[18]。由于研究區(qū)內(nèi)的河流是季節(jié)性河流，在降雨量小的月份，一條河流有很多不同的特征，如果分段提取則分類精度較低；而景觀濕地的特征與大部分水產(chǎn)養(yǎng)殖濕地的特征一致，一般的分割方法很難獲得二者較準(zhǔn)確的影像對(duì)象，將二者區(qū)分開來，后續(xù)的分類也很難獲得較高的精度。因此，為提高河流濕地和景觀濕地的分割和分類精度，應(yīng)盡量通過土地利用現(xiàn)狀圖、土地利用規(guī)劃圖或其他相關(guān)資料獲取兩者的位置、邊界等信息。本文從土地利用現(xiàn)狀圖中提取河流和景觀濕地的矢量（Area1），基于Area1進(jìn)行兩者影像的分割和分類；其他區(qū)域的矢量（Area2）通過研究區(qū)范圍與河流濕地和景觀濕地的矢量（Area1）擦除獲得，基于Area2進(jìn)行其他類型濕地的分割和分類。多光譜和全色影像融合后的GF-1影像，具有紅、綠、藍(lán)、近紅外4個(gè)波段，在提取植被型濕地時(shí)，4、3、2波段組合的標(biāo)準(zhǔn)假彩色影像，植被顯示為紅色，易于與其他地類區(qū)分；提取其他地類時(shí)，在 3、2、1波段組合的真彩色影像上更為直觀，波段權(quán)重均為1。

3.1 河流濕地和景觀濕地影像的棋盤分割

Area1矢量數(shù)據(jù)參與分割運(yùn)算可以獲得河流和景觀濕地最優(yōu)的分割結(jié)果。分割的方法主要影響分割的效率，但對(duì)于分割結(jié)果的精度影響不大，為了提高分割效率，選取eCognition Developer8.7軟件中最簡(jiǎn)單的棋盤分割方法對(duì)河流和景觀濕地進(jìn)行分割[16]。使用該方法時(shí)，分割對(duì)象間具有規(guī)則的拓?fù)溧徑雨P(guān)系和父子對(duì)象之間的上下文規(guī)則關(guān)系。每個(gè)分割塊的大小可以依據(jù)各個(gè)分割塊棋盤的均方差最小的原則來計(jì)算，也可自己設(shè)定。基于矢量進(jìn)行河流和景觀濕地影像分割的目的即獲得與矢量一致的影像對(duì)象，故具體分割時(shí)，設(shè)定分割塊的大小大于矢量數(shù)據(jù)長(zhǎng)和寬像素大小的最大值以獲得與矢量一致的影像對(duì)象。分割結(jié)果如圖2所示。

圖2 河流濕地和景觀濕地分割結(jié)果Fig.2 Segmentation results of river wetland and landscape wetland

通過分析分割結(jié)果及對(duì)比影像可知，分割得到的影像對(duì)象主要為原始的面狀矢量，研究區(qū)內(nèi)除矢量部分，其余區(qū)域被分為一個(gè)影像對(duì)象。對(duì)比分割結(jié)果和土地利用現(xiàn)狀圖可知，河流和景觀濕地對(duì)應(yīng)的影像對(duì)象與實(shí)際地物完全吻合，后續(xù)影像分類時(shí)可以完全正確地對(duì)二者進(jìn)行提取。

3.2 沉陷區(qū)其余濕地影像的多尺度分割

除河流濕地和景觀濕地外，研究區(qū)內(nèi)其余濕地為水產(chǎn)養(yǎng)殖濕地、植被型濕地、未復(fù)墾的常年積水濕地和未復(fù)墾的季節(jié)積水濕地。這 4類濕地在高光譜影像上的的光譜特征、紋理特征和幾何特征等不盡相同，因此不同組成部分的尺度值也不同，即具有多尺度特征，故選擇多尺度分割算法對(duì)沉陷區(qū)其余濕地的影像進(jìn)行分割[19]。

對(duì) Area2區(qū)域內(nèi)的影像進(jìn)行多尺度分割需確定的參數(shù)主要為分割尺度和異質(zhì)性因子權(quán)重[20]。分割尺度的大小決定著濕地邊界的完整性。異質(zhì)性因子包括形狀異質(zhì)性因子和光譜異質(zhì)性因子，二者權(quán)重之和為1，確定了形狀異質(zhì)性因子的權(quán)重，則光譜異質(zhì)性因子的權(quán)重也隨之確定[21]。形狀異質(zhì)性又包括緊致度異質(zhì)性和光滑度異質(zhì)性，二者權(quán)重之和為1，在分析時(shí)確定緊致度異質(zhì)性因子的權(quán)重即可[21]。分割尺度的改變最為直觀，在其他參數(shù)不變的條件下，首先改變分割尺度，比較不同分割尺度下的分割結(jié)果，以選擇合適的分割尺度；之后先后改變形狀因子和緊致度因子權(quán)重，對(duì)比分割結(jié)果，選取最為合適的參數(shù)。以水產(chǎn)養(yǎng)殖濕地分割參數(shù)選擇為例，由圖3a可知，分割尺度為100時(shí)，影像對(duì)象比較破碎，故調(diào)大分割尺度。在形狀因子和緊致度因子權(quán)重保持不變的情況下，分割尺度依次增大到180和230。當(dāng)分割尺度為180時(shí)，如圖3b所示，較大的和較小的水產(chǎn)養(yǎng)殖濕地都分割的比較破碎，不能很好的與邊界吻合。當(dāng)分割尺度為230時(shí)，如圖3c所示，分割效果較好，所以分割尺度確定為230。在分割尺度確定的情況下，不改變緊致度因子權(quán)重，僅改變形狀因子權(quán)重。由于水產(chǎn)養(yǎng)殖濕地比較規(guī)整，形狀因子權(quán)重設(shè)定的起始值可以略大，如圖3d所示，形狀因子權(quán)重設(shè)為0.7時(shí)，分割得到的影像對(duì)象與大、小水產(chǎn)養(yǎng)殖濕地的邊界較吻合。保持分割尺度和形狀因子權(quán)重不變，緊致度因子權(quán)重依次增大為0.4、0.8和0.9。如圖3f、3g和3h所示，隨著緊致度因子權(quán)重增大，得到的影像對(duì)象越接近水產(chǎn)養(yǎng)殖濕地的形狀。而如果分割尺度再增大，如圖3i所示，分割結(jié)果沒有太大變化。綜合考慮大、小水產(chǎn)養(yǎng)殖濕地的分割結(jié)果與邊界的吻合度、光譜信息的均質(zhì)性，最終分割參數(shù)設(shè)定為230、0.7和0.9（參數(shù)因子依次為分割尺度、形狀因子權(quán)重和緊致度因子權(quán)重，下同），最終分割結(jié)果如圖3h所示。

圖3 典型水產(chǎn)養(yǎng)殖濕地原圖與不同分割參數(shù)結(jié)果Fig.3 Original image and results with different segmentation parameters of typical aquaculture wetland

同理采用上述方法，確定的植被型濕地分割尺度為180、形狀因子權(quán)重為0.2、緊致度因子權(quán)重為0.1；未復(fù)墾的常年積水濕地的分割尺度為 250、形狀因子權(quán)重為0.6、緊致度因子權(quán)重為0.7；未復(fù)墾的季節(jié)積水濕地分割尺度為170、形狀因子權(quán)重為0.2、緊致度因子權(quán)重為0.1。

完成影像的分割后，采用分層分類的方法進(jìn)行濕地分類，從分割尺度最小的一層開始分類，分割尺度最大的放在最后一層進(jìn)行分類，最后將各層的分類結(jié)果通過層間的繼承關(guān)系繼承到某一層中完成分類。不同的濕地具有各自的相對(duì)最優(yōu)分割參數(shù)，但分類的層數(shù)由分割尺度決定，分割層次越多，分類過程就越復(fù)雜[22-23]。有些地物的分割尺度存在相似性，可以在同一尺度下進(jìn)行分割。所以應(yīng)對(duì)最終得到的分割參數(shù)進(jìn)行綜合分析，以獲得局部最優(yōu)分割參數(shù)，在提高分類精度的同時(shí)提高分類效率[24]。植被型濕地和未復(fù)墾的季節(jié)積水濕地面積都相對(duì)較小，分割尺度相差較小且都沒有明顯邊界，故將兩者放在同一分類層次中，分割尺度為180，形狀因子權(quán)重為 0.2，緊致度因子權(quán)重為 0.1。根據(jù)最終的分割參數(shù)，后續(xù)的分類層次設(shè)為3層。

4 面向?qū)ο蟮臐竦胤诸?/h2>

4.1 河流濕地和景觀濕地的分類

河流濕地和景觀濕地影像對(duì)象是其各自矢量，故采取較為簡(jiǎn)單的標(biāo)準(zhǔn)最鄰近分類方法[25]，無需定義分類規(guī)則和層次，且分類快速。選取各個(gè)類別的樣本，對(duì)每類樣本進(jìn)行特征統(tǒng)計(jì)并分析，以該特征為中心，計(jì)算影像對(duì)象距離各類樣本特征的距離，將距離最近的影像對(duì)象歸為相對(duì)應(yīng)的類別[26-28]。

式中d為影像對(duì)象o與樣本s間的距離；sfv是樣本s的f特征的特征值；ofv是影像對(duì)象的f特征的特征值；σf是特征f的標(biāo)準(zhǔn)差。河流濕地的影像對(duì)象比較狹長(zhǎng)，景觀濕地的影像對(duì)象比較規(guī)則，二者的長(zhǎng)寬比（γ）差異較明顯，故河流濕地和景觀濕地的影像特征選擇長(zhǎng)寬比（γ），該特征能很好地區(qū)分兩者，通過計(jì)算得到兩者的特征閾值分別為長(zhǎng)寬比（γ）大于5.0和小于1.2。

4.2 沉陷區(qū)其余濕地的分類

4.2.1 分類層次建立

根據(jù)基于矢量的多尺度分割及對(duì)分割參數(shù)的綜合分析，未復(fù)墾的常年積水濕地的分割尺度為250，形狀因子權(quán)重為0.6，緊致度因子權(quán)重為0.7，作為L(zhǎng)1層；水產(chǎn)養(yǎng)殖濕地分割尺度為230，形狀因子權(quán)重為0.7，緊致度因子權(quán)重為0.9，作為L(zhǎng)2層；植被型濕地和未復(fù)墾的季節(jié)積水濕地放在同一分類層次中，分割尺度為180，形狀因子權(quán)重為0.2，緊致度因子權(quán)重為0.1，作為L(zhǎng)3層；由此建立三層分類層次。分類規(guī)則采用自下而上的規(guī)則[29]，先從分割尺度小的L3層開始分類，提取植被型濕地和未復(fù)墾的季節(jié)積水濕地；繼而在分割尺度相對(duì)較大的L2層繼續(xù)分類，提取水產(chǎn)養(yǎng)殖濕地；然后在分割尺度最大的L1層分類，提取未復(fù)墾的常年積水濕地；最后將各層提取得到的濕地類型合并到L2層中。

4.2.2 影像特征的選擇和分類規(guī)則的建立

水產(chǎn)養(yǎng)殖濕地主要是池塘養(yǎng)殖，形狀比較規(guī)則，大多為矩形，分割得到的影像對(duì)象也較為規(guī)則，長(zhǎng)寬比（γ）與其他地物有較明顯差異，歸一化植被指數(shù)（normalized difference vegetation index）能很好地反映植被覆蓋狀況，故可用其區(qū)分植被和水體，且水產(chǎn)養(yǎng)殖濕地與未復(fù)墾的常年積水濕地的面積多有差異，故其影像特征選擇為歸一化植被指數(shù)（NDVI）、長(zhǎng)寬比（γ）和面積（A），未復(fù)墾的常年積水濕地的影像特征則選擇歸一化植被指數(shù)（NDVI）和面積（A）。植被型濕地的紋理比較不規(guī)則，近紅外波段能提供更多的植被信息，而 NDVI能比較容易地區(qū)分植被和其他地物[30-31]，灰度共生矩陣的均值（gray-level co-occurrence matrix mean）是影像對(duì)象局部的灰度均值，反映遙感影像的紋理特征。故植被型濕地的影像特征選擇灰度共生矩陣的均值（GLCM mean）、近紅外波段的均值（NIR mean）和NDVI。未復(fù)墾的季節(jié)積水濕地在影像上比較暗，紋理不規(guī)則，故選擇的特征為光譜亮度（Brightness）和灰度共生矩陣的均值（GLCM mean），各層次濕地的分類規(guī)則如表2所示。

表2 三層次濕地分類規(guī)則Table 2 Classification rules of three layers

4.2.3 分類方法

根據(jù)以上分類規(guī)則，采用模糊分類法進(jìn)行分類。通過不斷試驗(yàn)，將各濕地類別的離散特征值范圍轉(zhuǎn)換為范圍[0,1]，利用模糊邏輯函數(shù)來分類賦值。該函數(shù)分析各類別的特征后返回一個(gè)隸屬度值，將各影像對(duì)象分到隸屬度值最高的類別中[32]。

采用模糊分類法得到水產(chǎn)養(yǎng)殖濕地、植被型濕地、未復(fù)墾的常年積水濕地和未復(fù)墾的季節(jié)積水濕地 4類濕地的分類結(jié)果。將這 4類濕地的分類結(jié)果與河流濕地和景觀濕地的分類結(jié)果合并到同一圖層，得到研究區(qū)所有濕地類型的分類結(jié)果，導(dǎo)出SHP格式的結(jié)果圖。

5 分類結(jié)果與評(píng)價(jià)

兗州煤田采煤沉陷區(qū)的河流濕地、景觀濕地、水產(chǎn)養(yǎng)殖濕地、植被型濕地、未復(fù)墾的常年積水濕地和未復(fù)墾的季節(jié)積水濕地的最終分類結(jié)果如圖 4所示?？梢钥闯觯符}現(xiàn)象較少，分類效果良好。

為更好地評(píng)價(jià)分類結(jié)果，采用實(shí)地驗(yàn)證和混淆矩陣的方法進(jìn)一步進(jìn)行定量的精度評(píng)價(jià)[33]，選取 141個(gè)樣點(diǎn)對(duì)分類結(jié)果進(jìn)行野外實(shí)地調(diào)查驗(yàn)證，圖 5為采煤沉陷區(qū)的實(shí)地驗(yàn)證樣點(diǎn)分布，得到的混淆矩陣精度評(píng)價(jià)結(jié)果如表3所示。

圖4 兗州煤田采煤沉陷區(qū)濕地分類結(jié)果Fig.4 Classification results of wetland in Yanzhou coal mining subsidence area

圖5 兗州煤田采煤沉陷區(qū)濕地分類實(shí)地驗(yàn)證樣點(diǎn)分布圖Fig.5 Distribution map of sample spot for verification of classification result of wetland in Yanzhou coal mining subsidence area

由表 3可知，實(shí)地驗(yàn)證結(jié)果良好，總體精度為96.95%，Kappa系數(shù)達(dá)到 0.958 4。河流濕地和景觀濕地的分類精度為100%，水產(chǎn)養(yǎng)殖濕地和未復(fù)墾的季節(jié)積水濕地的用戶精度和生產(chǎn)者精度均大于 90%，其余濕地存在著少許錯(cuò)分的現(xiàn)象，出現(xiàn)這種現(xiàn)象的原因主要是由于異物同譜現(xiàn)象的存在，某一濕地分割得到的影像對(duì)象的特征函數(shù)值與分類時(shí)選擇的其他濕地（錯(cuò)分對(duì)象）分割得到的影像對(duì)象的特征函數(shù)值一致，所以被錯(cuò)分到其他濕地。

中國(guó)高潛水位煤礦區(qū)主要分布在山東、安徽、河南等省，煤礦開采后地表沉陷積水易形成濕地，其濕地類型與本文的濕地類型一致，因此，本文的分類方法同樣也適用于這些高潛水位采煤沉陷區(qū)。

表3 基于面向?qū)ο蟮膬贾菝禾锊擅撼料輩^(qū)濕地分類結(jié)果評(píng)價(jià)Table 3 Assessment of classification results of wetland in Yanzhou coal mining subsidence area based on object-oriented method

6 結(jié) 論

本文以山東省兗州煤田為研究區(qū)，基于GF-1遙感影像，采用面向?qū)ο蟮姆椒▽?duì)其沉陷區(qū)的濕地進(jìn)行了分類。為提高季節(jié)性河流和景觀濕地的分類精度，從土地利用現(xiàn)狀圖中提取兩者的矢量（Area1），基于Area1進(jìn)行兩者影像的分割和分類；其他區(qū)域的矢量（Area2）通過研究區(qū)范圍與河流濕地和景觀濕地的矢量（Area1）擦除獲得，基于Area2進(jìn)行其他類型濕地的分割和分類。對(duì)河流濕地和景觀濕地的影像進(jìn)行基于矢量的棋盤分割，采用標(biāo)準(zhǔn)最鄰近法進(jìn)行分類。水產(chǎn)養(yǎng)殖濕地、植被型濕地、未復(fù)墾的常年積水濕地和未復(fù)墾的季節(jié)積水濕地的影像采用基于矢量的多尺度分割，通過反復(fù)試驗(yàn)獲取最優(yōu)分割參數(shù)，進(jìn)而進(jìn)行綜合分析得到局部最優(yōu)分割參數(shù)，由此確定分類層次，選取易于區(qū)分各類型濕地的影像特征建立分類規(guī)則，采用模糊分類法進(jìn)行分類。選擇了 141個(gè)樣點(diǎn)對(duì)分類結(jié)果進(jìn)行野外實(shí)地驗(yàn)證，通過混淆矩陣進(jìn)行精度評(píng)價(jià)。結(jié)果表明：各濕地類別的提取效果良好，景觀濕地和河流濕地的生產(chǎn)者精度和用戶精度均達(dá)到100%，總體精度達(dá)到96.95%，Kappa系數(shù)達(dá)到0.958 4。因此，本文提出的分類方法適宜于采煤沉陷區(qū)濕地的分類。該研究可為采煤沉陷區(qū)濕地的分類提供借鑒，為兗州煤田濕地的復(fù)墾、規(guī)劃及管理提供科學(xué)依據(jù)。

由于研究區(qū)內(nèi)的河流是季節(jié)河流，在枯水期部分河段易被錯(cuò)分為其他地類；景觀濕地的特征則與大部分水產(chǎn)養(yǎng)殖濕地的特征一致，分類難度較大，本文基于土地利用現(xiàn)狀圖提取河流濕地和景觀濕地的矢量的做法提高了分類精度。如不能獲取土地利用現(xiàn)狀圖，則應(yīng)通過其他相關(guān)資料事先獲取季節(jié)性河流濕地和景觀濕地的位置、邊界等信息以提高分類精度。

此外，限于數(shù)據(jù)資料等的不足，本文的分類精度仍有一定的提升空間。如在雨水充沛的時(shí)期，未復(fù)墾的季節(jié)積水濕地會(huì)出現(xiàn)積水，其特征和未復(fù)墾的常年積水濕地特征一致，若能獲取更高分辨率的DEM數(shù)據(jù)，則可進(jìn)一步提高未復(fù)墾的季節(jié)積水濕地和未復(fù)墾的常年積水濕地的提取精度；若能獲取研究區(qū)范圍內(nèi)的地表濕度數(shù)據(jù)以及影像時(shí)相范圍的大氣數(shù)據(jù)，則可進(jìn)一步提高水體和植被型濕地的分類精度等。同時(shí)，本文在進(jìn)行多尺度影像分割時(shí)，采用的是大量的對(duì)比試驗(yàn)，雖然獲得了相對(duì)最優(yōu)的分割尺度，但耗費(fèi)了很長(zhǎng)的時(shí)間。各類型濕地的特征參數(shù)也是通過大量數(shù)據(jù)的對(duì)比分析而獲取，耗時(shí)較長(zhǎng)并影響了提取精度，有待在今后的研究中進(jìn)一步改進(jìn)。

[參 考 文 獻(xiàn)]

[1] 李玉鳳，劉紅玉. 濕地分類和濕地景觀分類研究進(jìn)展[J].濕地科學(xué)，2014，12(1)：102－108.Li Yufeng, Liu Hongyu. Advance in wetland classification and wetland landscape classification researches[J]. Wetland Science, 2014, 12(1): 102－108. (in Chinese with English abstract)

[2] 劉紅玉，李玉鳳，曹曉，等. 我國(guó)濕地景觀研究現(xiàn)狀、存在的問題與發(fā)展方向[J]. 地理學(xué)報(bào)，2009，64(11)：1394－1401.Liu Hongyu, Li Yufeng, Cao Xiao, et al. The current problems and perspectives of landscape research of wetlands in China[J]. Acta Geographica Sinca, 2009, 64(11): 1394－1401. (in Chinese with English abstract)

[3] 張樹文，顏鳳芹，于靈雪，等. 濕地遙感研究進(jìn)展[J]. 地理科學(xué)，2013，33(11)：1406－1412.Zhang Shuwen, Yan Fengqin, Yu Lingxue, et al. Application of remote sensing technology to wetland research[J]. Scientia Geographica Sinica, 2013, 33(11): 1406－1412. (in Chinese with English abstract)

[4] 周德民，宮輝力，胡金明，等. 中國(guó)濕地衛(wèi)星遙感的應(yīng)用研究[J]. 遙感技術(shù)與應(yīng)用，2006(6)：577－583.Zhou Demin, Gong Huili, Hu Jinming, et al. Application of satellite remote sensing technology to wetland research[J].Remote Sensing Technology and Application, 2006(6): 577－583. (in Chinese with English abstract)

[5] 韋瑋，李增元，譚炳香. 高光譜遙感技術(shù)在濕地研究中的應(yīng)用[J]. 世界林業(yè)研究，2010，23(3)：18－23.Wei Wei, Li Zengyuan, Tan Bingxiang. A review of application of hyperspectral remote sensing to wetland study[J]. World Forestry Research, 2010, 23(3): 18－23. (in Chinese with English abstract)

[6] Khatami R, Mountrakis G, Stehman S V. A meta-analysis of remote sensing research on supervised pixel-based land-cover image classification processes: General guidelines for practitioners and future research[J]. Remote Sensing of Environment, 2016, 177: 89－100.

[7] Hussain E, Shan J. Object-based urban land cover classification using rule inheritance over very high-resolution multisensor and multitemporal data[J]. Mapping Sciences &Remote Sensing, 2016, 53(2): 164－182.

[8] Mirzapour F, Ghassemian H. Object-based multispectral image segmentation and classification[C]// International Symposium on Telecommunications. Tehran: Institute of Electrical and Electronics Engineers Inc., 2014: 430－435.

[9] Lizarazo I, Elsner P. Fuzzy segmentation for object-based image classification[J]. International Journal of Remote Sensing, 2009, 30(6): 1643－1649.

[10] Rittl T, Cooper M, Heck R J, et al. Object-based method outperforms per-pixel method for land cover classification in a protected area of the Brazilian Atlantic Rainforest Region[J]. Pedosphere, 2013, 23(3): 290－297.

[11] 費(fèi)鮮蕓，王婷，魏雪麗. 基于多尺度分割的遙感影像濱海濕地分類[J]. 遙感技術(shù)與應(yīng)用，2015，30(2)：298－303.Fei Xianyun, Wang Ting, Wei Xueli. Coastal wetland classification based on multi-scale image segmentation using high spatial RS image[J]. Remote Sensing Technology and Application, 2015, 30(2): 298－303. (in Chinese with English abstract)

[12] 謝靜，王宗明，毛德華，等. 基于面向?qū)ο蠓椒ê投鄷r(shí)相HJ－1影像的濕地遙感分類——以完達(dá)山以北三江平原為例[J]. 濕地科學(xué)，2012，10(4)：429－438.Xie Jing, Wang Zongming, Mao Dehua, et al. Remote sensing classification of wetlands using object-oriented method and multi-season HJ-1 Images-a case study in the Sanjiang Plain North of the Wandashan Mountain[J].Wetland Science,2012, 10 (4): 429－438. (in Chinese with English abstract)

[13] 程琳琳，趙云肖，陳良. 高潛水位采煤沉陷區(qū)土地?fù)p毀程度評(píng)價(jià)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(21)：253－260.Cheng Linlin, Zhao Yunxiao, Chen Liang. Evaluation of land damage degree of mining subsidence area with high groundwater level[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017,33(21): 253－260. (in Chinese with English abstract)

[14] 肖武. 井工煤礦區(qū)邊采邊復(fù)的復(fù)墾時(shí)機(jī)優(yōu)選研究[D]. 北京：中國(guó)礦業(yè)大學(xué)，2012.Xiao Wu. Optimization of Reclamation Time for Concurrent Mining and Reclamation in Underground Coal Mining Area[D]. Beijing: China University of Minging and Technology(Beijing), 2012. (in Chinese with English abstract)

[15] 孫楠，朱渭寧，程乾. 基于多年遙感數(shù)據(jù)分析長(zhǎng)江河口海岸帶濕地變化及其驅(qū)動(dòng)因子[J]. 環(huán)境科學(xué)學(xué)報(bào)，2017，37(11)：4366－4373.Sun Nan, Zhu Weining, Cheng Qian. Remote sensing time-series analysis of wetland variations and driving factors in estuarine and coastal regions of Yangtze River[J]. Acta Scientiae Circumstantiae, 2017, 37(11): 4366－4373. (in Chinese with English abstract)

[16] 許冬，吳侃. 濟(jì)寧煤礦區(qū)地表塌陷積水時(shí)空演變[J]. 遼寧工程技術(shù)大學(xué)學(xué)報(bào)，2014，33(10)：1307－1311.Xu Dong, Wu Kan. Spatial-temporal evolution of collapse waterlogged region in Jining coal mining district[J]. Journal of Liaoning Technical University, 2014, 33(10): 1307－1311.(in Chinese with English abstract)

[17] 付艷華，胡振琪，肖武，等. 高潛水位煤礦區(qū)采煤沉陷濕地及其生態(tài)治理[J]. 濕地科學(xué)，2016，14(5)：671－676.Fu Yanhua, Hu Zhenqi, Xiao Wu, et al. Subsidence wetlands in coal mining areas with high water level and their ecological restoration[J]. Wetland Science, 2016, 14(5):671－676. (in Chinese with English abstract)

[18] 李娜，包妮沙，吳立新，等. 面向?qū)ο蟮V區(qū)復(fù)墾植被分類最優(yōu)分割尺度研究[J]. 測(cè)繪科學(xué)，2016，41(4)：66－71，76.Li Na, Bao Nisha, Wu Lixin, et al. Study of optimal segmentation scale in object-based classification for rehabilitated vegetation in coal mining site[J]. Science of Surveying and Mapping, 2016, 41(4): 66－71, 76. (in Chinese with English abstract)

[19] 孟雪，郜昌建，高媛赟，等. 基于森林小班的高分影像融合及地類信息提取[J]. 林業(yè)資源管理，2016(2)：98－105，115.Meng Xue, Gao Changjian, Gao Yuanyun, et al. Land use information extraction and high resolution image fusion based on forest resource sub-compartment[J]. Forest Resources Management, 2016(2): 98－105,115. (in Chinese with English abstract)

[20] 陳冬梅，馮策元，周建民，等. 面向?qū)ο蟮霓r(nóng)村用地信息遙感提取技術(shù)應(yīng)用——以寧夏西吉為例[J]. 城市發(fā)展研究，2017，24(9)：127－132.Chen Dongmei, Feng Ceyuan, Zhou Jianmin, et al.Applications of object-oriented rural land use information extraction by remote sensing technology: A case study of Xiji County, Ningxia Province[J]. Urban Development Studies,2017, 24(9): 127－132. (in Chinese with English abstract)

[21] 馬燕妮，明冬萍，楊海平. 面向?qū)ο笥跋穸喑叨确指钭畲螽愘|(zhì)性參數(shù)估計(jì)[J]. 遙感學(xué)報(bào)，2017，21(4)：566－578.Ma Yanni, Ming Dongping, Yang Haiping. Scale estimation of object-oriented image analysis based on spectral-spatial statistics[J]. Journal of Remote Sensing , 2017, 21(4): 566－578. (in Chinese with English abstract)

[22] 佃袁勇，方圣輝，姚崇懷. 多尺度分割的高分辨率遙感影像變化檢測(cè)[J]. 遙感學(xué)報(bào)，2016，20(1)：129－137.Dian Yuanyong, Fang Shenghui, Yao Chonghuai. Change detection for high-resolution images using multilevel segment method[J]. Journal of Remote Sensing, 2016, 20(1):129－137. (in Chinese with English abstract)

[23] 劉煥軍，盛磊，于勝男，等. 基于氣候分區(qū)與遙感技術(shù)的大興安嶺濕地信息提取[J]. 生態(tài)學(xué)雜志，2017，36(7)：2068－2076.Liu Huanjun, Sheng Lei, Yu Shengnan, et al. Wetland information extraction based on climate division and remote sensing technology in Daxing’an Mountains[J]. Chinese Journal of Ecology, 2017, 36(7): 2068－2076. (in Chinese with English abstract)

[24] 胡佳，林輝，孫華，等. 濕地類型遙感影像分割最優(yōu)尺度選擇[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào)，2015，35(11)：32－37.Hu Jia, Lin Hui, Sun Hua, et al. Select optimal segmentation scale of wetlands using remote sensing data[J]. Journal of Central South University of Forestry & Technology, 2015,35(11): 32－37. (in Chinese with English abstract)

[25] Ponttuset J, Arbelaez P, Barron J, et al. Multiscale combinatorial grouping for image segmentation and object proposal generation[J]. IEEE Trans Pattern Anal Mach Intell,2017, 39(1): 128－140.

[26] 王彩艷，王璦玲，王介勇，等. 基于面向?qū)ο蟮暮０稁恋乩眯畔⑻崛⊙芯縖J]. 自然資源學(xué)報(bào)，2014，29(9)：1589－1597.Wang Caiyan, Wang Ailing, Wang Jieyong, et al. Coastal zone land use information extraction based on object-oriented classification method[J]. Journal of Natural Resources, 2014,29(9): 1589－1597. (in Chinese with English abstract)

[27] 易鳳佳，李仁東，常變?nèi)? 基于面向?qū)ο蟮拈L(zhǎng)株潭地區(qū)遙感影像分類方法[J]. 華中師范大學(xué)學(xué)報(bào)(自然科學(xué)版)，2014，48(6)：910－916.Yi Fengjia, Li Rendong, Chang Bianrong. A atudy on the remote sensing image of Changzhutan area based on the object-oriented classification techniques[J]. Journal of Huazhong Nationa Normal University(Nat.Sci), 2014, 48(6):910－916. (in Chinese with English abstract)

[28] Belgiu M, Drǎgu? L, Strobl J. Quantitative evaluation of variations in rule-based classifications of land cover in urban neighbourhoods using WorldView-2 imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 87: 205－215.

[29] 張華，張改改，吳睿. 基于GF－1衛(wèi)星數(shù)據(jù)的面向?qū)ο蟮拿袂诰G洲植被分類研究[J]. 干旱區(qū)地理，2017，40(4)：831－838.Zhang Hua, Zhang Gaigai, Wu Rui. Object-based vegetable classification based on GF-1 imagery in Minqin Oasis[J].Arid Land Geography, 2017, 40(4): 831－838. (in Chinese with English abstract)

[30] 胡秀娟，徐涵秋，黃紹霖，等. WorldView－2近紅外光譜波段反演馬尾松植被信息的比較研究[J]. 地球信息科學(xué)學(xué)報(bào)，2016，18(4)：537－543.Hu Xiujuan, Xu Hanqiu, Huang Shaolin, et al. Comparison between the two near infrared bands of WorldView-2 imagery in their applications in Pinus Massoniana forest[J].Journal of Geo-information Science, 2016, 18(4): 537－543.(in Chinese with English abstract)

[31] 孫斌，李增元，郭中，等. 高分一號(hào)與Landsat TM數(shù)據(jù)估算稀疏植被信息對(duì)比[J]. 遙感信息，2015，30(5)：48－56.Sun Bin, Li Zengyuan, Guo Zhong, et al. Comparison of sparse vegetation information estimation based on GF-1 and Landsat multi-spectral data[J]. Remote Sensing Information,2015, 30(5): 48－56. (in Chinese with English abstract)

[32] 謝國(guó)雪，黃文校，盧遠(yuǎn)，等. 基于高分辨率遙感影像的桑樹信息提取研究——以廣西鹿寨縣為例[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃，2015，36(2)：44－53.Xie Guoxue, Huang Wenxiao, Lu Yuan, et al. Information extraction of silkworm-croping areas based on high spatial resolution remote sensing images: A case study of Luzai County, Guangxi, China[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2015, 36(2): 44－53. (in Chinese with English abstract)

[33] 牛增懿，丁建麗，李艷華，等. 基于高分一號(hào)影像的土壤鹽漬化信息提取方法[J]. 干旱區(qū)地理，2016，39(1)：171－181.Niu Zengyi, Ding Jianli, Li Yanhua, et al. Soil salinization information extraction method based on GF-1 image[J]. Arid Land Geography, 2016, 39(1): 171－181. (in Chinese with English abstract)