濕地植被的高分遙感分類

方馨

摘要：濕地植被種類豐富，對于濕地生態(tài)系統(tǒng)有著無可替代的作用，近年來，濕地生態(tài)系統(tǒng)研究焦點是濕地植被的分類及其精度問題。本文以杭州灣南岸作為研究區(qū)域，運用FCN結合面向對象的方法與單采用FCN方法分別對研究區(qū)2017年的QuickBird影像進行處理，以濕地野外調(diào)查數(shù)據(jù)為數(shù)據(jù)源，對杭州灣南岸濱海濕地植被進行提取分類。實驗結果表明：本文方法與單采用FCN的分類結果相比，能有效提高部分濕地植被的分類精度，總體分類精度達92.167%，Kappa系數(shù)達 92.1%。

關鍵詞：面向對象技術;全卷積神經(jīng)網(wǎng)絡;濕地植被;杭州灣南岸

緒 論

一、 研究背景

濕地有“地球之腎”的美稱，在地球表面占6%的覆蓋比，是地球上20%已知物種的棲息地，有很高的生態(tài)地位，是“三大系統(tǒng)”之一。在當前濕地應用研究中，主要聚焦對濕地植被的分類及其提取的精確的研究[1]。濕地植被的多樣性是評價濕地生態(tài)環(huán)境的一個重要指標，因而，對其變化的精確分析和提取，對于濕地生態(tài)系統(tǒng)的研究來說尤為重要。

濕地植被對人類生活有重要意義，是主要環(huán)境資本。濕地植被不僅是必須的自然植物，也是當前開展建設人工濕地工程的重要組成部分。根據(jù)濕地對自然環(huán)境以及人類活動的重要性，加強對于濕地植被的監(jiān)測有助于對濕地植被的觀察與保護[2]。遙感作為一種新技術，憑借觀測范圍廣、獲取信息快等特點，在濕地資源調(diào)查中具有優(yōu)越地位。濱海濕地資源調(diào)查的目的是明確資源種類、分布等情況，掌握濕地資源的變化規(guī)律，為管理、保護濕地資源提供實時的標準化信息[3]。

二、國內(nèi)外研究現(xiàn)狀

2.1遙感分類方法

傳統(tǒng)遙感分類技術有目視解譯與計算機分類。計算機分類按照分類器可分為最大似然法（最常用的監(jiān)督方法）、馬氏距離分類、支持向量機分類等。隨著計算機圖像分類算法的發(fā)展，近年來，遙感分類出現(xiàn)新研究方向，如面向對象分割、決策樹分類、神經(jīng)網(wǎng)絡（NN）法、隨機森林分類法等。

2.2濕地植被遙感分類研究現(xiàn)狀

濕地植被的種類及其分布狀況數(shù)據(jù)，一般通過研究人員開展實地調(diào)查的傳統(tǒng)方式獲取，缺陷在于會耗費相當長的時間以及巨大的人力和物力。近年來，高分遙感影像技術發(fā)展迅速，為濕地的研究監(jiān)測提供了有力手段。國內(nèi)外的實驗研究大多采用高分機載航拍圖，SAR 影像圖，QuickBird影像等研究數(shù)據(jù)，通過支持向量機、隨機森林、深度學習等方法對濕地植被進行監(jiān)測。當前，計算機學習算法不斷的更新，卷積神經(jīng)網(wǎng)絡以自動提取數(shù)據(jù)能力的優(yōu)異性、對圖像大小限制少等特點，開始成為當下研究的熱點方法[4]。

2.3研究目的

高分遙感影像具有空間分辨率高，特征提取精確的特點，有利于復雜地表覆蓋的分類?；谙袼胤诸惙椒ㄌ幚砀叻直媛蔬b感分類，常會出現(xiàn)嚴重的椒鹽現(xiàn)象。近年來出現(xiàn)的全卷積神經(jīng)網(wǎng)絡在解決分類問題有突出的優(yōu)勢，因此，本文將采取全卷積神經(jīng)網(wǎng)絡與面向對象技術相結合的方法， 對杭州灣南岸的濱海濕地進行遙感分類。

三、研究區(qū)概況和研究數(shù)據(jù)

3.1研究區(qū)概況

杭州灣南岸的濱海濕地位于浙江省東北部（29°58’27” ～30°51’30” N，120°54’30” ～ 121°50’48” E ）， 該區(qū)域是三大建設用地核心的聚集地;南岸屬于淤漲型灘涂，也是浙江重要的后背土地資源庫;耕地面積廣闊，還是是浙江重要的糧食基地。

該研究區(qū)的各類地物的分布格局由內(nèi)陸向海岸線大致是：建筑、蘆葦、南方堿蓬、互花米草、海三棱藨草、光攤、淺海。本實驗所研究的濱海濕地植被主要是蘆葦、互花米草、海三棱藨草， 其中還包含一些常見地物，例如：田埂，耕地，河道（水體），樹，陰影等。

3.2研究數(shù)據(jù)

本次實驗的研究數(shù)據(jù)是2017年QuickBird影像以及野外調(diào)查數(shù)據(jù)，圖像大小為14130*13982 個像元，分辨率為0.6 m。研究所采用的QuickBird 數(shù)據(jù)屬于L2A級別的產(chǎn)品，坐標系統(tǒng)采用了全球橫軸墨卡托投影，包含了1個全色波段及4個多光譜波段，因此為了克服單一數(shù)據(jù)源的局限性，使影像信息得到充分利用，將全色波段及多光譜波段進行融合。圖3.2中的黃點為2016年10月在研究區(qū)內(nèi)經(jīng)實地考察所獲取的樣點數(shù)據(jù)，以為后續(xù)制作樣本使用。圖 3.1 為原始圖像，圖3.2為研究樣點分布圖。

四、研究方法

對精校正的2017年Quick Brid 影像進行面向對象分割，利用不同分割參數(shù)設置生成多個分割結果，運用定量評價方法選擇最優(yōu)分割結果?；诜指詈玫膱D像，選擇訓練樣本并制作標簽，運用 FCN 方法進行濕地植被分類;最后檢驗分類精度。

五、研究結果

5.1 分類結果圖

由本次分類圖可見，海三棱藨草主要分布在灘涂處，蘆葦主要分布在空地與水田處，喬木集中在空地的右下角，耕地主要分布在靠近內(nèi)陸，裸露地表較少，主要集中在水田邊緣處。各部分面積見表 5.1。

5.2 精度評價結果

由上述結果可見，基于FCN分類的耕地、水體、灘涂的分類精度高，都達90%以上;海三棱藨草、互花米草、蘆葦、南方堿蓬、喬木的精度較好，都達86%以上?；贔CN結合面向對象分類的結果顯示，海三棱藨草、南方堿蓬、睡蓮、喬木等精度有提高。

5.3 結論與討論

本文采用FCN結合面向對象的方法與基于FCN方法分別對2017年杭州灣南岸的濕地植被進行分類。針對研究區(qū)中的濕地植被進行分類處理，由于植被種類較多，調(diào)查數(shù)據(jù)有限，因此本次實驗主要挑選有代表性且野外調(diào)查數(shù)據(jù)較充足的植被進行分析。本次研究的植被主要有蘆葦、互花米草、睡蓮、喬木、南方堿蓬、海三棱藨草等。

本文通過運用兩種方法所得結果的對比，認為運用FCN結合面向對象分割的方法較僅使用FCN處理，能有效提高部分濕地植被的分類精度，能較好提取濕地植被的監(jiān)測信息。例如：海三棱藨草的研究精度從88%提高至90%，睡蓮的研究精度從 80% 提高至92%。但也存在部分地物精度下降的現(xiàn)象，蘆葦?shù)难芯烤葟?8% 降至84%。

參考文獻：

[1]楊鋒，秦志遠，高松峰.基于神經(jīng)網(wǎng)絡的濕地信息提取及動態(tài)變化研究——以鶴壁淇河為例[J]. 河南城建學院學報，2018，27（6）：50-59.

[2]劉濤.濕地植物對人工濕地生態(tài)環(huán)境修復的重要性[J].環(huán)境與發(fā)展，2019，31（10）：197-199.

[3]孫廣興.3S 技術在濕地生態(tài)環(huán)境保護中的應用綜述[J].科技經(jīng)濟導刊，2019，27（21）：100.

[4]薛家祥，陳海峰.基于卷積神經(jīng)網(wǎng)絡的光伏陣列污染報警系統(tǒng)[J].電測與儀表，2020，57（07）：54-59.