基于多源光學(xué)遙感數(shù)據(jù)的湖泊濕地分類結(jié)果一致性分析

朱 江 濤，艾 金 泉,3*，陳 曉 勇，湯 宇 豪

(1.東華理工大學(xué)江西省數(shù)字國(guó)土重點(diǎn)實(shí)驗(yàn)室，江西 南昌 330013;2.東華理工大學(xué)測(cè)繪工程學(xué)院，江西 南昌 330013;3.東華理工大學(xué)江西省大氣污染成因與控制重點(diǎn)實(shí)驗(yàn)室，江西 南昌 330013)

0 引言

湖泊濕地是指湖泊岸邊或淺湖發(fā)生沼澤化形成的濕地，不僅可為人類生活和生產(chǎn)提供水、土地、泥炭等豐富資源，還具有調(diào)節(jié)氣候、凈化水質(zhì)、維持生物多樣性等生態(tài)服務(wù)功能，對(duì)維持區(qū)域生態(tài)平衡和保護(hù)生態(tài)安全具有重要作用[1-3]。遙感技術(shù)已成為濕地監(jiān)測(cè)的主流手段[4]，且受傳感器性能和壽命影響，長(zhǎng)時(shí)序多源光學(xué)遙感數(shù)據(jù)是監(jiān)測(cè)湖泊濕地長(zhǎng)期演變過程不可缺少的數(shù)據(jù)。但不同遙感數(shù)據(jù)的時(shí)空分辨率、波段設(shè)置和光譜響應(yīng)函數(shù)不一致，導(dǎo)致多源光學(xué)遙感數(shù)據(jù)的集成使用存在一定的偏差，在應(yīng)用前需對(duì)其進(jìn)行數(shù)據(jù)一致性分析。例如：戴昭鑫等[5-7]利用類型構(gòu)成相似性、類別混淆程度、空間一致性等指標(biāo)，對(duì)不同土地覆被產(chǎn)品在南美洲、歐洲及中國(guó)新疆地區(qū)的一致性進(jìn)行了分析；李光麗等[8]采用Kappa統(tǒng)計(jì)量、雙錯(cuò)誤測(cè)量、Q統(tǒng)計(jì)量、相同錯(cuò)誤率對(duì)中空間分辨率光學(xué)影像土地覆蓋分類結(jié)果的一致性進(jìn)行了評(píng)價(jià)；顧曉鶴等[9]采用支持向量機(jī)(SVM)方法提取冬小麥面積，并對(duì)MODIS冬小麥測(cè)量結(jié)果與TM測(cè)量結(jié)果進(jìn)行一致性分析。以上研究表明，不同光學(xué)傳感器數(shù)據(jù)生產(chǎn)的地表覆蓋產(chǎn)品具有時(shí)空不一致性，集成使用多源、多時(shí)序遙感數(shù)據(jù)時(shí)需對(duì)其不一致性進(jìn)行定量分析，明確其影響因素和適用范圍。

受人類活動(dòng)和氣候變化雙重影響，鄱陽(yáng)湖濕地面臨濕地受損、生物多樣性降低、洲灘植被退化等問題[10]，如何有效地對(duì)鄱陽(yáng)湖濕地變化進(jìn)行系統(tǒng)監(jiān)測(cè)成為當(dāng)前的首要問題。然而，前人并未對(duì)多源光學(xué)遙感數(shù)據(jù)在湖泊濕地分類中的適用性進(jìn)行比較研究，導(dǎo)致多源遙感數(shù)據(jù)在鄱陽(yáng)湖濕地監(jiān)測(cè)中的集成使用具有很大的不確定性。為此，本文以鄱陽(yáng)湖濕地為研究對(duì)象，基于決策樹方法對(duì)Sentinel-2A、Landsat-8、GF-1和HJ-1A 4種衛(wèi)星光學(xué)影像進(jìn)行分類，并采用類型面積偏差分析、類型面積相關(guān)分析和空間疊加分析方法研究分類結(jié)果的一致性，以期為多源光學(xué)遙感數(shù)據(jù)在濕地長(zhǎng)期監(jiān)測(cè)中的應(yīng)用提供理論依據(jù)。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

鄱陽(yáng)湖(115°47′～116°45′E、28°22′～29°45′N)位于長(zhǎng)江中下游南岸，江西省北部，承接上游贛、撫、信、饒、修五河之水，由湖口北注入長(zhǎng)江。受亞熱帶季風(fēng)氣候影響，鄱陽(yáng)湖降水隨季節(jié)變化顯著，4-9月是雨季，10月至次年3月為旱季，屬于吞吐型湖泊[11]。受五河流域水系和長(zhǎng)江水位的共同影響，鄱陽(yáng)湖水位年內(nèi)差異極大，周期性水位變化導(dǎo)致鄱陽(yáng)湖泥沙灘涂形成特定生態(tài)環(huán)境梯度[12]。

1.2 數(shù)據(jù)及預(yù)處理

研究數(shù)據(jù)為Sentinel-2A、Landsat-8、GF-1和HJ-1A影像數(shù)據(jù)(表1)，為盡量減少不同季節(jié)植被豐度和水文動(dòng)態(tài)引起的土地覆蓋變化，數(shù)據(jù)時(shí)間選擇2019年12月，不同數(shù)據(jù)僅相差兩日，有助于濕地產(chǎn)品的一致性分析。經(jīng)查閱氣象資料，研究期內(nèi)當(dāng)?shù)夭o降雨，因此，湖泊區(qū)域的水文及自然環(huán)境變化較小，減小了數(shù)據(jù)源對(duì)分類結(jié)果一致性的影響。所有數(shù)據(jù)通過ENVI軟件進(jìn)行地形校正和FLAASH大氣校正，裁剪后重采樣為30 m。對(duì)于影像中少量厚云影響區(qū)域，由于無法利用光譜信息進(jìn)行分類，采用目視解譯方式對(duì)濕地進(jìn)行分類。由于不同傳感器的光譜響應(yīng)和空間分辨率不同，可能會(huì)引起分類結(jié)果出現(xiàn)一定程度的不一致；Sentinel-2A的分辨率從10 m重采樣至30 m，也會(huì)影響分類結(jié)果的一致性。

表1 原始影像數(shù)據(jù)信息Table 1 Original image data information

2 研究方法

2.1 決策樹分類方法

決策樹分類法層次結(jié)構(gòu)清晰、運(yùn)算簡(jiǎn)單、處理速度快，可根據(jù)不同傳感器特點(diǎn)，基于先驗(yàn)知識(shí)選取最優(yōu)閾值，從而提高濕地分類精度[13-15]。為盡量減少分類方法對(duì)分類結(jié)果一致性分析的影響，本文僅采用該方法將研究區(qū)濕地分為水體、植被和泥沙灘涂，以避免傳統(tǒng)的監(jiān)督分類和機(jī)器學(xué)習(xí)等方法需要選取訓(xùn)練樣本而導(dǎo)致分類結(jié)果出現(xiàn)偏差，具體流程如圖1所示。通過目視解譯確定影像中30個(gè)水體點(diǎn)和30個(gè)植被點(diǎn)，以水體點(diǎn)的NDWI(式(1))[16]和植被點(diǎn)NDVI(式(2))[17]的均值為基準(zhǔn)進(jìn)行反復(fù)試驗(yàn)，以最優(yōu)分類結(jié)果(總體精度和Kappa系數(shù)最高)為標(biāo)準(zhǔn)確定最優(yōu)閾值，Sentinel-2A、Landsat-8、GF-1、HJ-1A的NDWI和NDVI閾值分別為0.50和0.60、0.20和0.40、-0.15和0.40、-0.65和0.35。

圖1 決策樹分類流程Fig.1 Flow chart of decision tree classification

NDWI=(ρGreen-ρNIR)/(ρGreen+ρNIR)

(1)

NDVI=(ρRed-ρNIR)/(ρRed+ρNIR)

(2)

式中：ρGreen為L(zhǎng)andsat-8與Sentinel-2A的第3波段、GF-1和HJ-1A的第2波段；ρNIR為L(zhǎng)andsat-8的第5波段、Sentinel-2A的第8波段、GF-1和HJ-1A的第4波段；ρRed為Sentinel-2A和Landsat-8的第4波段、GF-1和HJ-1A的第3波段。

2.2 分類結(jié)果精度評(píng)定

在研究區(qū)內(nèi)隨機(jī)采集200個(gè)檢驗(yàn)樣本點(diǎn)(圖2)，根據(jù)Google Earth衛(wèi)星影像進(jìn)行目視判讀，確定檢驗(yàn)樣本點(diǎn)的真實(shí)參考類別；利用檢驗(yàn)樣本點(diǎn)對(duì)分類結(jié)果進(jìn)行誤差矩陣分析，得出生產(chǎn)者精度、用戶精度、總體精度和Kappa系數(shù)[18，19]。

圖2 精度驗(yàn)證點(diǎn)分布Fig.2 Distribution of accuracy verification points

2.3 類型面積偏差分析

類型面積偏差系數(shù)(P)可有效評(píng)價(jià)影像分類結(jié)果中各類型的分類精度，客觀反映各類型面積與均值的偏差[20]，偏差系數(shù)絕對(duì)值越大，說明分類結(jié)果中該類型的面積偏差越大。通過統(tǒng)計(jì)不同遙感影像分類結(jié)果中水體、植被和泥沙灘涂的面積，以4幅影像分類結(jié)果中同類型的面積均值作為標(biāo)準(zhǔn)，計(jì)算類型面積的偏差系數(shù)，公式[21]如下：

(3)

2.4 類型面積相關(guān)分析

類型面積相關(guān)系數(shù)(D)可定量描述2個(gè)隨機(jī)變量的線性相關(guān)程度[20]，綜合評(píng)價(jià)任意兩幅影像分類結(jié)果的一致性，相關(guān)系數(shù)越大，表示兩幅影像分類結(jié)果在不同類型上面積一致性越高。統(tǒng)計(jì)不同遙感影像分類結(jié)果的類型面積，通過計(jì)算兩幅影像分類結(jié)果中各類型面積的相關(guān)系數(shù)，評(píng)價(jià)該組合面積的一致性程度，公式[22]如下：

(4)

2.5 空間一致性分析

類型面積偏差系數(shù)和類型面積相關(guān)系數(shù)雖然能夠定量分析不同分類結(jié)果間的一致性程度，但其直觀性不強(qiáng)。因此，基于分類結(jié)果單獨(dú)提取各地類并將其轉(zhuǎn)為矢量，之后進(jìn)行空間疊加分析，獲得不同分類結(jié)果的空間對(duì)應(yīng)關(guān)系，判斷不同分類結(jié)果的類型是否相同，按照重疊次數(shù)分為完全一致(4幅影像結(jié)果類型全部相同)、高度一致(3幅影像類型相同)、低度一致(兩幅影像類型相同)、完全不一致(4幅影像類型各不相同)[6]，并進(jìn)行專題制圖。

3 結(jié)果及討論

3.1 分類結(jié)果精度評(píng)價(jià)

由不同遙感影像的分類精度統(tǒng)計(jì)結(jié)果(表2)可知，總體精度均高于89%，Kappa系數(shù)大于0.84。其中，Sentinel-2A分類結(jié)果的總體精度最高，達(dá)95.50%，Kappa系數(shù)為0.93；HJ-1A分類結(jié)果的總體精度最低，為89.50%，Kappa系數(shù)為0.84。

表2 分類結(jié)果精度評(píng)價(jià)Table 2 Accuracy evaluation of classification results

從各地類看，水體的分類精度整體較高，用戶精度均高于93%，生產(chǎn)者精度均高于87%，是因?yàn)楹导舅w較易區(qū)分，通過閾值提取水體準(zhǔn)確率較高；泥沙灘涂的兩種分類精度均高于79%，其中，Sentinel-2A的生產(chǎn)者精度最高(97.8%)，GF-1的用戶精度最高(100.00%)；植被的兩種分類精度均高于74%，其中，GF-1的生產(chǎn)者精度最高(100.00%)，Sentinel-2A的用戶精度最高(95.12%)。植被與泥沙灘涂的分類精度偏低，各分類結(jié)果均有不同程度的誤分，主要是因?yàn)楹导?12月)部分泥沙灘涂上有少量植被，造成異物同譜現(xiàn)象。

3.2 面積一致性分析

由表3可知，不同遙感影像的分類結(jié)果均以泥沙灘涂為主，水體次之，植被面積占比最小。但4幅影像中各地類面積占比存在差異，是由于部分泥沙灘涂長(zhǎng)有稀少植被，不同的傳感器對(duì)于稀少植被的光譜反射值有一定差異；同時(shí)，在旱季部分河岸的水體與泥沙灘涂有一定的過渡性，不同傳感器對(duì)于淺水地區(qū)的分類存在差異。水體分類的面積偏差較小，偏差系數(shù)絕對(duì)值均小于15%，最小值為L(zhǎng)andsat-8的2.33%，是因?yàn)楹导舅w輪廓較明顯、易區(qū)分；而植被分類的面積偏差較大，最大值為Sentinel-2A的-31.14%。從面積一致性看，水體最優(yōu)，泥沙灘涂次之，植被最差。

表3 4幅影像分類結(jié)果類型面積百分比及偏差系數(shù)Table 3 Area percentage and deviation coefficients of classification results for four kinds of sensor images

如表4所示，4幅影像分類結(jié)果的類型面積相關(guān)系數(shù)均大于0.8，Sentinel-2A與HJ-1A的相關(guān)性最強(qiáng)，面積相關(guān)系數(shù)為0.99999，因?yàn)槎叻诸惤Y(jié)果相似，各類型面積占比最接近；GF-1與Sentinel-2A的相關(guān)性最差，面積相關(guān)系數(shù)為0.80711，因?yàn)槎叻诸惤Y(jié)果中各類型面積占比差異較大。

表4 4幅影像分類結(jié)果類型面積相關(guān)系數(shù)Table 4 Area correlation coefficients of classification results for four kinds of sensor images

3.3 空間一致性分析

由圖3可知，4幅影像的水體分類邊界基本吻合，一致性較高；關(guān)于植被類型，Landsat-8(圖3a)與GF-1(圖3c)的分類結(jié)果中植被面積略多于Sentinel-2A(圖3b)與HJ-1A(圖3d)的分類結(jié)果；泥沙灘涂與水體誤分區(qū)域主要分布于沿河兩岸。

圖3 4幅影像的分類結(jié)果Fig.3 Classification results for four kinds of sensor images

由圖4(彩圖見附錄2)可知，4幅影像的分類結(jié)果在大部分地區(qū)一致性程度較高，尤其是在研究區(qū)北部和西部。其中，完全一致區(qū)域面積占鄱陽(yáng)湖區(qū)域總面積的55.41%，高度一致區(qū)域占8.89%，低度一致區(qū)域占23.00%,完全不一致區(qū)域占12.70%(GF-1將部分淺灘誤分為水體所致)。由此可知，該分類結(jié)果中64.30%的區(qū)域具有高度一致性，35.70%的區(qū)域一致性有待提升。具體而言：水體(圖4a)表現(xiàn)出高度空間一致性，大部分地區(qū)為完全一致，小部分完全不一致區(qū)域主要集中在大面積水體邊界和細(xì)小河流兩岸；植被(圖4b)主要分布于鄱陽(yáng)湖中部區(qū)域，大部分植被區(qū)域完全一致，高度一致區(qū)域主要集中在一個(gè)長(zhǎng)有淺水植被的泥灘地區(qū)，低度一致與完全不一致區(qū)域則分布在湖岸和細(xì)小河岸；泥沙灘涂(圖4c)是旱季鄱陽(yáng)湖地區(qū)主要的土地類型之一，完全一致區(qū)域位于研究區(qū)北部和東部，大部分地區(qū)為低度一致，少部分地區(qū)完全不一致。整體而言，水體的提取結(jié)果空間一致性程度最高，植被次之，泥沙灘涂的一致性程度最差。

圖4 分類結(jié)果的空間一致性Fig.4 Spatial consistency of classification results

受數(shù)據(jù)來源、分類閾值等因素影響，4種傳感器數(shù)據(jù)分類結(jié)果不盡相同，總體而言，分類結(jié)果的面積一致性高于空間一致性。其中，水體的面積與空間一致性程度最高，緣于旱季湖泊水體的光譜特征較明顯，利用閾值能對(duì)其較好地提??；但旱季部分泥沙灘涂與其上生長(zhǎng)的稀少植被存在光譜特征相似、空間分布重疊等現(xiàn)象，導(dǎo)致分類結(jié)果一致性較差。

4 結(jié)論

本文以鄱陽(yáng)湖濕地為研究對(duì)象，利用決策樹方法對(duì)Landsat-8 OLI、Sentinel-2A MSI、GF-1 WFV1和HJ-1A CCD的光學(xué)影像進(jìn)行分類，利用混淆矩陣和Kappa系數(shù)對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)，并采用類型面積偏差分析、類型面積相關(guān)分析和空間疊加分析對(duì)4種傳感器數(shù)據(jù)的分類結(jié)果進(jìn)行一致性分析，得出以下結(jié)論：1)利用決策樹方法與不同光學(xué)傳感器對(duì)湖泊濕地分類效果較好，總體精度為89.50%～95.50%；2)在類型面積一致性上，4種傳感器數(shù)據(jù)分類結(jié)果均呈現(xiàn)以泥沙灘涂為主，水體次之，植被最少，各分類結(jié)果的一致性程度較高(相關(guān)系數(shù)為0.81～0.99)，但泥沙灘涂與植被的分類結(jié)果具有一定面積偏差；3)在空間一致性分析中，研究區(qū)內(nèi)有64.30%的分類結(jié)果一致性較高，低度一致區(qū)域占23.00%，完全不一致區(qū)域占12.70%。

本文僅針對(duì)不同光學(xué)遙感數(shù)據(jù)分類結(jié)果的面積與空間一致性進(jìn)行研究，未定量分析不同傳感器的波段設(shè)置等差異對(duì)分類結(jié)果的一致性影響，如何通過數(shù)據(jù)融合體現(xiàn)多源遙感數(shù)據(jù)的優(yōu)勢(shì)，克服單一衛(wèi)星影像的不確定性，提高分類精度和信息利用率，是今后研究中需要探索的問題。