基于多時(shí)相遙感數(shù)據(jù)的老山景區(qū)地類信息提取及景觀格局動態(tài)分析

孫 敏,周春國,鄒長新,張崢男,劉 冬①

(1.生態(tài)環(huán)境部南京環(huán)境科學(xué)研究所,江蘇 南京 210042;2.南京林業(yè)大學(xué)林學(xué)院,江蘇 南京 210037)

伴隨著經(jīng)濟(jì)社會的快速發(fā)展[1],城市化與生態(tài)環(huán)境之間的矛盾也日益突出,生態(tài)問題已成為全球關(guān)注的焦點(diǎn)。準(zhǔn)確掌握區(qū)域生態(tài)系統(tǒng)景觀格局動態(tài)變化是生態(tài)文明建設(shè)道路上不可缺失的一環(huán)。為了更好地掌握全球生態(tài)系統(tǒng)動態(tài)與土地利用格局變化,遙感技術(shù)應(yīng)用越來越廣泛[2]。美國國家航空航天局(NASA)的陸地衛(wèi)星(Landsat)計(jì)劃對地球進(jìn)行了長達(dá)40多年的觀測,它的高分辨率長時(shí)間序列信息為掌握過去幾十年的森林資源動態(tài)提供了獨(dú)一無二的資源[3]。目前遙感信息提取的主流技術(shù)手段是將目視解譯與計(jì)算機(jī)分類相結(jié)合,分類算法眾多,如支持向量機(jī)(support vector machine, SVM)、人工神經(jīng)網(wǎng)絡(luò)法(artificial neural network, ANN)、決策樹法(decision tree, DT)、最大似然法(maximum likelihood estimation, MLE)等[4]。分類原理上主要分為基于像元與面向?qū)ο?兩者主要不同處在于圖像分類的基本單元,面向?qū)ο蠓ㄌ岢隽讼瓤紤]影像光譜、形狀、紋理特征進(jìn)行圖像分割再進(jìn)行分類的方法[5-6],完美解決了傳統(tǒng)的基于像元分類出現(xiàn)的椒鹽現(xiàn)象。然而,目前面向?qū)ο蠓诸惙ㄟ\(yùn)用還比較單一,結(jié)合統(tǒng)計(jì)學(xué)等其他算法的進(jìn)一步優(yōu)化分類方法研究尚未得到廣泛應(yīng)用。

景觀格局研究發(fā)展十分迅速,國內(nèi)外學(xué)者在群落梯度排序、群落空間分布格局、不同類型景觀格局與結(jié)構(gòu)動態(tài)分析等領(lǐng)域開展了綜合性分析工作。景觀格局指數(shù)法[7-9]是目前較為普遍的分析方法,它能夠從多方面呈現(xiàn)地區(qū)景觀空間格局水平與動態(tài)變化。目前,該方法多以溫帶及寒帶北方森林為研究對象,以亞熱帶森林為研究對象進(jìn)行多時(shí)相遙感地類信息提取及景觀格局分析的較少。類屬亞熱帶森林的南京市老山景區(qū)正在進(jìn)行生態(tài)建設(shè)改革,長期以來鮮見專門針對其景觀格局變化進(jìn)行的研究。

筆者提出了一種基于面向?qū)ο笈c統(tǒng)計(jì)學(xué)相結(jié)合的地類信息提取方法,以南京市老山景區(qū)為研究對象,借助多期Landsat影像數(shù)據(jù)提取景區(qū)的地類信息并分析景觀格局動態(tài)變化。研究目標(biāo)為:(1)將模糊統(tǒng)計(jì)法與最鄰近分類器相結(jié)合提取研究區(qū)的地類信息,并與多種分類方法進(jìn)行精度比較;(2)提取研究區(qū)近17 a的地類信息;(3)利用景觀格局指數(shù)分析研究區(qū)近17 a的景觀格局分布規(guī)律。

1 研究區(qū)與數(shù)據(jù)預(yù)處理

1.1 研究區(qū)概況

老山景區(qū)(32°02′48″～32°09′48″ N,118°24′34″～118°40′59″ E)位于南京市浦口區(qū),與安徽省和縣毗鄰,景區(qū)內(nèi)山巒疊嶂,有大椅子山、珍珠泉等眾多自然景觀(圖1)。

圖1 研究區(qū)位置

老山地貌屬低山丘陵,地層初露較全,有豐富的非金屬礦資源,呈東北—西南走向,山峰綿延,平均海拔200～400 m。老山景區(qū)屬于亞熱帶季風(fēng)氣候區(qū),夏熱冬寒,四季分明;年平均氣溫15.3 ℃,1月均溫2.2 ℃,無霜期28 d,年平均降水量1 043.8 mm[10]。土壤類型包括黃棕壤、黃褐土、紅黏土、暗色土、黃砂土等。老山景區(qū)植物資源豐富,擁有植物148科1 053種,國家一級保護(hù)植物有禿杉(Taiwaniaflousiana)、蘇鐵(Cycasrevoluta)等;二級保護(hù)植物有鉆天楊(Populusnigra)、櫸樹(Zelkovaserrata)等。

1.2 數(shù)據(jù)來源及預(yù)處理

主要遙感影像數(shù)據(jù)包括2017、2013、2009、2005和2001年老山地區(qū)Landsat影像,軌道號120/38,接收日期為2017年10月9日、2013年8月11日、2009年10月3日、2005年10月24日和2001年10月29日,以及Google Earth影像。5期遙感影像云量均小于15%,研究區(qū)內(nèi)基本無云,質(zhì)量良好,滿足研究要求,數(shù)據(jù)詳細(xì)信息見表1。

表1 Landsat數(shù)據(jù)詳細(xì)信息

研究將對數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正、圖像GS融合、圖像裁剪等預(yù)處理。

2 研究方法

對影像進(jìn)行多尺度分割試驗(yàn),設(shè)置不同分割參數(shù),利用影像對象同質(zhì)性的局部變化的變化率值(ROC-LV)與目視評價(jià)相結(jié)合的手段對分割結(jié)果進(jìn)行評價(jià),選取各層次最優(yōu)分割尺度。從光譜、形狀、紋理特征中選擇66個(gè)對象特征作為初始特征空間,通過大量實(shí)驗(yàn)最終得到11維最優(yōu)特征空間。利用模糊統(tǒng)計(jì)法確定不同類別各特征最優(yōu)隸屬函數(shù)。將最鄰近分類器與基于模糊規(guī)則分類器相結(jié)合,構(gòu)建模糊多分類器模型,將景區(qū)分為林地、農(nóng)業(yè)用地、建筑用地、水域和未利用地5大類。為得到最精確的老山地類信息,將上述分類結(jié)果與面向?qū)ο蟮腃5.0決策樹法以及基于像元的最大似然法(MLE)、人工神經(jīng)網(wǎng)絡(luò)法(ANN)、支持向量機(jī)法(SVM)法所得出的分類結(jié)果進(jìn)行精度比較,并擇優(yōu)進(jìn)行景觀格局分析。

選取最優(yōu)分類方法對研究區(qū)2001—2017年5期影像進(jìn)行信息提取,分別從密度指標(biāo)、形狀指標(biāo)、邊緣指標(biāo)、多樣性指標(biāo)和聚散性指標(biāo)中選取具有代表性的景觀格局指數(shù)進(jìn)行景觀水平的景觀格局分析[11-12],并結(jié)合景區(qū)歷史經(jīng)營情況與相關(guān)政策分析其變化成因及規(guī)律。

2.1 分類體系確定

地類的確定不僅需要考慮影像本身所包含的信息,同時(shí)也要綜合實(shí)際地區(qū)土地利用類型分布狀況與研究目的。參考老山地區(qū)土地利用的實(shí)際情況、二類調(diào)查結(jié)果及研究目的,將研究區(qū)劃分為植被區(qū)與非植被區(qū)(表2)。

表2 老山景區(qū)地類分類體系

2.2 地類信息提取

在確立分類體系后,基于面向?qū)ο蠛突谙裨椒▽?017年老山景區(qū)Landsat影像進(jìn)行地類信息提取并評價(jià)結(jié)果選取最優(yōu)分類方法,再次對2001、2005、2009和2013年影像進(jìn)行分類以實(shí)現(xiàn)多期景區(qū)地類信息的分類提取。最后根據(jù)地類信息提取結(jié)果構(gòu)建景觀格局指數(shù),對老山景區(qū)2001、2005、2009、2013和2017年景觀格局進(jìn)行動態(tài)分析。

2.2.1基于面向?qū)ο蠓诸?/p>

(1)多尺度分割

為了得到最優(yōu)參數(shù)組合,選用9個(gè)尺度(即40、50、60、70、80、90、100、110和120)分別實(shí)驗(yàn),通過估計(jì)尺度參數(shù)(ESP)來指示對象分割效果的最佳參數(shù),結(jié)合最大面積法、均值方差法以及參考目視解譯分析綜合評價(jià),最終得到最優(yōu)分割參數(shù)(表3)。

表3 各層異質(zhì)性因子權(quán)重表

(2)分類方法

基于面向?qū)ο蠓诸惙椒ㄟx取模糊分類法和C5.0決策樹法2種方法。模糊分類法根據(jù)類別距離矩陣選取理論最優(yōu)特征空間,在此基礎(chǔ)上通過改變最大維數(shù)對影像多次分類,統(tǒng)計(jì)分類精度,將最高分類精度所對應(yīng)的特征空間作為最優(yōu)特征空間。根據(jù)模糊統(tǒng)計(jì)法確定各類別不同特征的最優(yōu)隸屬函數(shù),結(jié)合最鄰近分類器與基于模糊規(guī)則分類器構(gòu)建模糊多分類器模型。選用24種共66個(gè)對象特征作為初始特征空間進(jìn)行統(tǒng)計(jì)比較,對各地類特點(diǎn)計(jì)算各特征空間類別之間的分離矩陣,統(tǒng)計(jì)分析各特征組合的最低分離度來確定最優(yōu)特征空間。此外在模糊分類中為了更加精確地對地物進(jìn)行分類,基于研究區(qū)地類統(tǒng)計(jì)規(guī)律構(gòu)造各特征的真實(shí)隸屬函數(shù),并通過分析影像對象特征建立對象層次結(jié)構(gòu),確立各層次的模糊規(guī)則。

C5.0法對老山景區(qū)進(jìn)行面向?qū)ο蠓诸?其優(yōu)點(diǎn)在于增加了新數(shù)據(jù)類型處理功能,并為提高分類精度增加了Boosting算法[13]。研究采用eCognition中C5.0算法對研究區(qū)影像進(jìn)行分類,訓(xùn)練樣本特征選擇與上述對象特征相同,按照波段均值、標(biāo)準(zhǔn)差、波段比、GLCM特征以及自定義的植被指數(shù)進(jìn)行分類。

2.2.2基于像元分類

基于像元的分類方法包括MLE、SVM和ANN這3種方法。MLE以統(tǒng)計(jì)學(xué)為基礎(chǔ),基于貝葉斯準(zhǔn)則,以使錯(cuò)分率最小[14]。ANN是將處理單元作為神經(jīng)元,連接大量簡單的神經(jīng)元形成復(fù)雜網(wǎng)絡(luò),用來模仿人腦的思維方式,對數(shù)據(jù)進(jìn)行接收、處理等活動的信息處理系統(tǒng)[15]。SVM在非線性及高維模式識別、解決小樣本中表現(xiàn)出特有的優(yōu)勢,并能夠廣泛運(yùn)用到函數(shù)擬合等機(jī)器學(xué)習(xí)研究中[16]。

2.2.3分類精度評價(jià)

利用同一樣本對基于像元與面向?qū)ο蠓椒ㄟM(jìn)行精度評價(jià)。依據(jù)實(shí)地調(diào)查得到的126個(gè)樣地?cái)?shù)據(jù),驗(yàn)證樣本選取林地樣本200個(gè),農(nóng)業(yè)用地樣本100個(gè),建筑用地樣地100個(gè),水域樣本50個(gè)以及未利用地樣本50個(gè)。采用混淆矩陣統(tǒng)計(jì)法進(jìn)行精度評價(jià),評價(jià)指標(biāo)包括總體精度和Kappa系數(shù)。

2.3 景觀格局動態(tài)分析

選取最優(yōu)分類方法基礎(chǔ)上對研究區(qū)2001、2005、2009、2013和2017年影像進(jìn)行信息提取后,從老山景區(qū)景觀水平上對景區(qū)生態(tài)景觀空間格局動態(tài)進(jìn)行分析[17]。利用景觀生態(tài)學(xué)軟件Fragstats 4.2計(jì)算老山景區(qū)2001、2005、2009、2013和2017年的各類景觀格局指數(shù),包括密度指標(biāo)(斑塊數(shù)量NP、斑塊密度PD)、形狀指標(biāo)(周長面積分維數(shù)PAFRAC)、邊緣指標(biāo)(邊緣總長度TE、邊緣密度ED)、多樣性指標(biāo)(香農(nóng)多樣性指數(shù)SHDI、香農(nóng)均勻性指數(shù)SHEI)、聚散性指標(biāo)(蔓延度CONTAG)等。

3 結(jié)果與分析

3.1 模糊規(guī)則與特征空間

圖2為各特征組合距離分布圖。從圖2可以看出,理論最優(yōu)特征空間維數(shù)為55。為獲得最優(yōu)特征空間,在此基礎(chǔ)上通過改變最大特征維數(shù)設(shè)定不同最佳特征空間,統(tǒng)計(jì)出最高分類精度為91.8%,所對應(yīng)的特征空間由圖層3平均值、圖層7平均值、圖層6標(biāo)準(zhǔn)差、圖層3比率值、圖層4比率值、圖層1比率值、灰度共生矩陣角二階矩、灰度共生矩陣相關(guān)性、灰度共生矩陣同質(zhì)性、長寬比、面積這11個(gè)特征組成,所得各類別距離矩陣見表4。

圖中突出點(diǎn)對應(yīng)維數(shù)為理論最優(yōu)空間維數(shù)。

通過對影像對象特征分析,建立對象層次結(jié)構(gòu),層次1主要在大分割尺度上區(qū)分植被與非植被地類,通過NDVI與圖層3平均值可以較好地區(qū)分,層次2在層次1的基礎(chǔ)上降低分割尺度進(jìn)一步細(xì)分,非植被區(qū)劃分為建筑用地、水域與未利用地,植被區(qū)劃分為農(nóng)業(yè)用地與林地,層次3對層次1與層次2未分類地塊進(jìn)行細(xì)分。表5為各層的模糊規(guī)則與特征空間。

3.2 地類信息提取

對2017年Landsat影像進(jìn)行地類信息提取,從混淆矩陣(表6～11)中可以看出,面向?qū)ο蠓椒ǚ诸惥雀哂诨谙裨诸??？傮w精度從大到小依次為模糊分類法>C5.0決策樹法>SVM>ANN>MLE。

表4 各類別距離矩陣

表5 各層次模糊規(guī)則與特征空間

表6 模糊分類法混淆矩陣

表7 C5.0決策樹分類法混淆矩陣

模糊分類法對建設(shè)用地分類效果最好,水域與林地次之,3種地類分類精度都達(dá)到90%以上,對未利用地分類精度最差。C5.0決策樹分類法對水域分類效果最好,生產(chǎn)精度比模糊分類精度低,但仍高于90%。SVM在基于像元的3種方法中精度最高,ANN次之,MLE最差。從各類土地利用類型上看,SVM對未利用地分類精度最高,但林地分類效果不好,有13.74%的林地被劃分為農(nóng)田。ANN僅次于SVM,對建筑用地、未利用地以及水域劃分效果較好。基于以上分類結(jié)果,該研究選擇分類精度最高的面向?qū)ο竽：诸惙▽ρ芯繀^(qū)2001、2005、2009和2013年影像進(jìn)行分類(圖3)。

表8 最大似然分類法混淆矩陣

表9 人工神經(jīng)網(wǎng)絡(luò)分類法混淆矩陣

表10 支持向量機(jī)分類法混淆矩陣

表11 各分類方法的精度

3.3 景觀格局動態(tài)分析

景觀格局是不同大小、形狀的景觀板塊在空間上的排列狀況,是景觀異質(zhì)性的重要體現(xiàn)[18],景觀評價(jià)指標(biāo)值能高度濃縮景觀發(fā)展的信息[19-21]。在ArcGIS軟件中將老山景區(qū)2001、2005、2009、2013和2017年土地分類圖轉(zhuǎn)換成Fragstats軟件能夠識別的柵格文件格式。將tif格式圖輸入到Fragstats軟件,計(jì)算上述各景觀格局指標(biāo)(表12)。

從表12可以看出,研究期間老山景區(qū)NP浮動較大,其變化趨勢與PD相同,景觀斑塊呈現(xiàn)先破碎再聚合趨勢。2009年TE達(dá)到最大長度,景觀邊緣復(fù)雜性最高,2013與2017年有所降低。ED雖無明顯單調(diào)增減趨勢,但總體趨于減小,斑塊形狀復(fù)雜度降低。CONTAG整體變化不大,2001—2017年由57.008 2%上升至59.409 4%,優(yōu)勢斑塊類型連通度增加。SHEI浮動趨勢與SHDI相同,呈波浪形浮動,2013—2017年SHDI開始回歸,景觀分布趨于均勻,最高值均出現(xiàn)在2009年,景區(qū)景觀多樣性最高。

分析相關(guān)歷史年鑒等資料發(fā)現(xiàn)該時(shí)段老山景區(qū)處于早期開發(fā)階段,并且氣溫和降水量變化程度高,產(chǎn)生了較大的自然干擾。因此,人為因素和自然因素為主導(dǎo)的原因使得景區(qū)破碎化加快,但從表12可以發(fā)現(xiàn)2013年前后破碎化程度減緩,是因?yàn)樽?012年出臺《南京市老山景區(qū)保護(hù)條例》后景區(qū)加大封山育林力度,景區(qū)森林得到一定恢復(fù)。而在2015年國家批復(fù)成立南京江北新區(qū)的政策下,老山景區(qū)在江北城市規(guī)劃中將逐步被打造成江北的中央公園和城市綠色休閑中心,政府后期出臺了《南京老山景區(qū)控制性詳細(xì)規(guī)劃》方案,對老山景區(qū)的開發(fā)加強(qiáng)了控制,景觀破碎化速率低于以往,但破碎化程度仍然在緩慢增加。因此,2017年斑塊數(shù)量又有所上升,但從邊緣密度無明顯增減可知景觀破碎化慢慢趨于穩(wěn)定。

4 討論

老山景區(qū)是南京市重要的森林資源,林木和動植物資源豐富,在優(yōu)化區(qū)域景觀生態(tài)環(huán)境、調(diào)節(jié)氣候變化、保護(hù)生物多樣性等方面發(fā)揮了至關(guān)重要的作用。該研究比較了面向?qū)ο蠓椒ê突谙裨诸?大類地類提取方法。從總體分類效果上看,可以直觀感受到基于像元的分類方法由于基于單個(gè)像素進(jìn)行處理而出現(xiàn)很多瑣碎分散的像元圖斑,這樣的像元點(diǎn)大部分是不合理的,忽略了生態(tài)系統(tǒng)的完整性。而面向?qū)ο蟮姆诸惙椒ㄓ捎谠诜诸愔锌紤]到光譜、紋理、空間關(guān)系等屬性,能夠更好地考慮到斑塊的完整性,在其分類結(jié)果中完美避免了不合理的像元圖斑的存在,因此面向?qū)ο蠓诸惙椒傮w較基于像元分類方法分類精度高。

該研究中的模糊分類充分利用了影像中豐富的光譜、紋理、語義等信息,考慮了明確分類對象之間的不確定地區(qū)的歸屬。決策樹算法能從大量數(shù)據(jù)中自動生成簡單易懂的分類規(guī)則來挖掘分類信息,結(jié)合面向?qū)ο蠖嗵卣餍?在特征點(diǎn)明顯的地物中(如林地等)同樣可以提高分類精度。對于最大似然法分類,由于人工選擇地類樣本點(diǎn),很好地突出了水域的分類結(jié)果。

圖3 2001—2017年老山景區(qū)土地利用類型分布

表12 2001—2017年老山景區(qū)各類景觀指數(shù)值

由于研究區(qū)地處林分結(jié)構(gòu)復(fù)雜的亞熱帶森林,地形、森林類型、面向?qū)ο蠓指顓?shù)、分類規(guī)則閾值選擇等都會對分類結(jié)果產(chǎn)生影響,因此今后可以嘗試?yán)貌煌臄?shù)據(jù)組合來挖掘規(guī)則,構(gòu)造更多分類器分類法進(jìn)行對比實(shí)驗(yàn),同時(shí)嘗試更多尺度轉(zhuǎn)換方法,掌握更多的分割效果評價(jià)方法。此外,目前面向?qū)ο蟪叨葍?yōu)化研究多基于先驗(yàn)知識等人為選擇,而人工智能領(lǐng)域中深度學(xué)習(xí)算法因可以自主學(xué)習(xí)進(jìn)行特征選擇和優(yōu)化建模等已被廣泛用于遙感領(lǐng)域。因此,今后將嘗試將深度學(xué)習(xí)方法應(yīng)用于面向?qū)ο蟪叨葍?yōu)化方面的研究上。

5 結(jié)論

以南京市老山景區(qū)為研究對象,選用多時(shí)相Landsat影像為遙感數(shù)據(jù)源,對老山景區(qū)2001、2005、2009、2013和2017年地類信息進(jìn)行提取,并在景觀水平上構(gòu)建景觀格局指數(shù),對老山景區(qū)2001—2017年的景觀格局動態(tài)變化進(jìn)行分析,得到以下結(jié)論:

(1)對景區(qū)遙感影像進(jìn)行多尺度分割,采用目視評價(jià)并參照估計(jì)尺度參數(shù)插件計(jì)算影像對象同質(zhì)性的局部變化的變化值,在不同尺度中更加直觀地選取各層最優(yōu)尺度與異質(zhì)性因子權(quán)重。最終確定層次1分割尺度為90,形狀因子0.4,緊致度因子0.4;層次2分割尺度為60,形狀因子0.1,緊致度因子0.5;層次3分割尺度為40,形狀因子0.3,緊致度因子0.8。

(2)將模糊統(tǒng)計(jì)法與面向?qū)ο蟮淖钹徑诸惼飨嘟Y(jié)合的分類方法進(jìn)行地類信息提取,首先在選取最優(yōu)特征空間過程中根據(jù)類別距離矩陣選取理論最優(yōu)特征空間,通過改變最大維數(shù)多次分類,最終獲得分類精度最大的11維特征空間為最優(yōu)特征空間;其次,提出利用模糊統(tǒng)計(jì)學(xué)擬合各類別各特征的特定隸屬函數(shù),獲得比常用的標(biāo)準(zhǔn)式方程隸屬函數(shù)準(zhǔn)確度更高的最優(yōu)隸屬函數(shù),結(jié)合最鄰近分類器進(jìn)行地類信息提取。

(3)利用面向?qū)ο蟮哪：诸惙?、C5.0決策樹法與基于像元的MLE、ANN、SVM這5種分類方法進(jìn)行分類,分類精度分別為91.79%、89.20%、84.91%、87.89%和88.09%。林地與水域的提取在5種分類方法中都達(dá)到較好的效果,農(nóng)業(yè)用地在模糊分類法中達(dá)到最優(yōu)提取效果,建設(shè)用地與未利用林地在SVM法中達(dá)到最優(yōu)提取效果。

(4)為最大程度分析研究區(qū)2001—2017年研究期間景觀格局動態(tài),選取5大類景觀格局指數(shù)對研究區(qū)近17 a景觀格局進(jìn)行動態(tài)分析。隨著人為活動的增加,研究期間老山景區(qū)NP由477增長至653塊,PD由4.293 4增長至5.928 1塊·km-2,斑塊破碎化程度增加;CONTAG由57.008 2%增長至59.409 4%,優(yōu)勢斑塊類型連通度提高;SHDI上下窄幅波動,2009年達(dá)到最大值0.725 5。隨著景區(qū)對景觀均衡性的重視度逐漸提高,生態(tài)建設(shè)不斷完善,老山景區(qū)逐步向均衡性、穩(wěn)定性方向發(fā)展。