寧夏東部半干旱區(qū)典型植物群落遙感分類特征

龐海威， 余 殿， 任成寶， 張 玉， 鄭彩之，郭佳誠， 邊 振， 桑國慶

（1.濟(jì)南大學(xué)水利與環(huán)境學(xué)院，山東 濟(jì)南 250022；2.寧夏回族自治區(qū)哈巴湖國家級自然保護(hù)區(qū)管理局，寧夏 吳忠 751100）

植物群落是在特定的氣候、土壤和地形條件下發(fā)育的植物群體單位，是土地基本屬性的綜合指標(biāo)，在環(huán)境修復(fù)和提高生物多樣性方面發(fā)揮著重要作用［1］；尤其在干旱半干旱地區(qū)，植被對于荒漠化防治起到關(guān)鍵作用［2］。因此，如何準(zhǔn)確獲取植物群落分布區(qū)域，是對其進(jìn)一步認(rèn)識和保護(hù)的前提，也是生態(tài)恢復(fù)和生態(tài)建設(shè)的重要依據(jù)。

目前，對植被的提取手段主要以人工實(shí)地調(diào)查和遙感技術(shù)為主，憑借遙感技術(shù)在時間和空間尺度上的優(yōu)勢，借助其實(shí)現(xiàn)的植被分類方式已被大量地應(yīng)用于植被信息提取及動態(tài)變化監(jiān)測中［3-6］。其中，普通的多光譜數(shù)據(jù)和高分多光譜數(shù)據(jù)使用較為普遍；而Landsat、Spot等能達(dá)到20～30 m空間分辨率的影像數(shù)據(jù)，更適合基于中尺度的植被提?。?-8］。例如，Brewer 等［9］以Spot影像和航空影像為數(shù)據(jù)源，分別采用面向?qū)ο蠓诸惡湍恳暯庾g的方法提取研究區(qū)內(nèi)森林類別，通過對比面向?qū)ο蟮姆诸惙椒ㄓ懈玫男Ч?；Bross 等［10］利用2002—2009 年的Landsat影像數(shù)據(jù)監(jiān)測河岸植被的變化，比較非監(jiān)督分類與植被指數(shù)NDVI 閾值分類2種方法。結(jié)果發(fā)現(xiàn)，ND?VI閾值分類法較好；付偉等［11］選取2010年Landsat 5和2010年Landsat 8遙感影像，根據(jù)其光譜特征曲線和紋理波段，實(shí)現(xiàn)對福建省長汀縣河田地區(qū)的植被分類和植被類型變化的研究；章曉潔等［12］采用Sen?tinel-2A 多光譜成像儀（MSI）和Landsat 8 陸地成像儀影像（OIL）基于最大似然比分類獲得了普陀山島上植被及其他地物分布情況。

面向?qū)ο蟮姆诸惙椒ǔ浞掷梅诸悓ο笏墓庾V信息、紋理結(jié)構(gòu)和空間語義等多方面特征，有效地避免“椒鹽”現(xiàn)象，彌補(bǔ)了傳統(tǒng)基于像元分類方法僅利用光譜信息的不足［13-14］。已在高空間分辨率遙感信息提取方面成為主流技術(shù)［15］，也有一些學(xué)者將其應(yīng)用于中分辨率影像的信息提取并取得較好的效果。任傳帥等［16］利用Spot-6 數(shù)據(jù)采用面向?qū)ο蠓诸惙▽θ齺喪形鞑康貐^(qū)芒果林進(jìn)行提取，驗(yàn)證了面向?qū)ο蟮姆诸惙椒茌^大幅度地提高芒果林的分類精度；Douglas等［17］基于Landsat 8數(shù)據(jù)研究了波蘭和烏克蘭交界處雜農(nóng)業(yè)景觀的土地覆蓋和土地利用分類結(jié)果。然而，面向?qū)ο蠓诸惙椒ㄔ谥蟹直媛蔬b感影像分類方面多集中在土地利用/覆被、農(nóng)作物、森林樹種的識別提?。?8］；且采用多源遙感數(shù)據(jù)可避免單一遙感數(shù)據(jù)源在光譜和空間分辨率上的缺陷，將多源遙感數(shù)據(jù)協(xié)同多特征進(jìn)行地物分類也可提高最終分類精度［19］。同時由于同物異譜和同譜異物現(xiàn)象的存在，采用單時相影像數(shù)據(jù)對植被信息的提取存在一定的偏差，如何借助多時相數(shù)據(jù)，在避免信息冗余的情況下，提高分類精度值得進(jìn)一步研究。

寧夏哈巴湖國家級自然保護(hù)區(qū)位于鄂爾多斯臺地西緣，年降水量少且蒸發(fā)劇烈，動植物地理區(qū)系成分復(fù)雜，在半干旱荒漠草原區(qū)具典型性和代表性。本文以該保護(hù)區(qū)為研究區(qū)域，基于Landsat 8多時相遙感數(shù)據(jù)、無人機(jī)正射影像等多源遙感數(shù)據(jù)，對研究區(qū)內(nèi)具有顯著生態(tài)修復(fù)作用的植物群落進(jìn)行光譜特征提取，并利用面向?qū)ο蠓诸惙椒ㄟM(jìn)行區(qū)域尺度的分類研究；最終獲得區(qū)域尺度的植物群落分布信息，為寧夏哈巴湖國家級自然保護(hù)區(qū)生態(tài)保護(hù)和可持續(xù)利用政策提供理論依據(jù)。

1 數(shù)據(jù)和方法

1.1 研究區(qū)概況

寧夏哈巴湖國家級自然保護(hù)區(qū)（以下簡稱保護(hù)區(qū)，圖1）位于寧夏回族自治區(qū)鹽池縣中北部，地理位置為106°53′26″～107°39′38″E，37°37′17″～38°02′04″N，總面積840 hm2。海拔高度1200～1622 m，大部分為緩坡灘地。保護(hù)區(qū)屬于中溫帶干旱氣候區(qū)，具典型的大陸性氣候特征，屬荒漠草原-濕地生態(tài)系統(tǒng)類型，年平均氣溫7.1 ℃，年平均降水量285 mm，主要集中在7—9月，年均蒸發(fā)量2727.4 mm，是全年降水量的9.6倍。

圖1 研究區(qū)及采樣區(qū)分布Fig.1 Distribution of study area and sampling area

1.2 數(shù)據(jù)來源及處理

1.2.1 無人機(jī)數(shù)據(jù) 利用裝載MicaSense RedEdge-MX 多光譜相機(jī)的無人機(jī)，于2021 年7 月20—24 日對保護(hù)區(qū)實(shí)地調(diào)查區(qū)域內(nèi)9種典型植物群落光譜數(shù)據(jù)進(jìn)行采集（圖2），飛行高度50 m以內(nèi)，得到藍(lán)、綠、紅、紅邊、近紅外5 個窄帶光譜波段，地面分辨率在2 cm以內(nèi)，并經(jīng)過ENVI 5.1軟件最鄰近法重采樣至30 m分辨率。

圖2 典型植物群落多光譜正射影像及采樣點(diǎn)分布Fig.2 Multispectral orthophoto images of typical plant communities and distribution of sampling points

常規(guī)無人機(jī)影像數(shù)據(jù)作為遙感影像解譯及分類結(jié)果驗(yàn)證的支撐，相同時間段對同地區(qū)典型植物群落進(jìn)行了無人機(jī)飛行試驗(yàn)，飛行高度120 m以內(nèi)，并通過pix4Dmapper 軟件進(jìn)行無人機(jī)航攝影像處理，通過圖像篩選、勻色、圖像同名點(diǎn)匹配、點(diǎn)云計(jì)算、圖像拼接等步驟，生成拍攝區(qū)域可見光正射影像（DOM，Digital Orthophoto Map），地面分辨率均在3 cm以內(nèi)。

1.2.2 Landsat 8數(shù)據(jù) 本研究使用的Landsat 8遙感影像，主要來自美國地質(zhì)調(diào)查局（USGS）網(wǎng)站和地理空間數(shù)據(jù)云網(wǎng)站，影像獲取時間分別為2021年2月21 日和7 月31 日，采集范圍為保護(hù)區(qū)范圍，云量低于5%，并通過輻射定標(biāo)、大氣校正等預(yù)處理，數(shù)據(jù)質(zhì)量良好。

1.3 研究方法

面向?qū)ο蠓诸惙椒ㄔ诳紤]光譜信息的同時，加入結(jié)構(gòu)和紋理信息，使判斷依據(jù)豐富，減少誤分混分，適用于研究區(qū)植被資源復(fù)雜且植物群落相間生長的實(shí)際情況；同時相較于傳統(tǒng)基于像元的分類方法，在很大程度上克服了“同物異譜”和“同譜異物”現(xiàn)象的負(fù)面影響［20-21］。其原理是通過對影像的分割使同質(zhì)像元組成大小不同的對象，主要由影像分割和信息提取兩部分組成；本研究基于eCognition 軟件實(shí)現(xiàn)面向?qū)ο蠓诸?，分類過程中影像均經(jīng)過標(biāo)準(zhǔn)假彩色變換。

1.3.1 波段優(yōu)選方法 最佳指數(shù)法（Optimum Index Factor，OIF）是一種在波段提取中較普遍使用的特征波段提取方法，是基于波段間相關(guān)性系數(shù)以及波段間的標(biāo)準(zhǔn)差來反映波段組合信息質(zhì)量的一種方法，數(shù)值越大則代表波段中富含信息越豐富，波段間信息冗余?。?2］，計(jì)算公式為：

式中：OIF表示最佳因子指數(shù)；Si為第i個波段的標(biāo)準(zhǔn)差，數(shù)值越大即波段內(nèi)富含信息越豐富；Rij為第i和第j波段的相關(guān)系數(shù)，數(shù)值越大代表兩波段間信息重疊程度高，冗余大；n為所選波段的波段數(shù)（一般為3）。

1.3.2 多尺度分割 多尺度分割（multiresolution segmemntation，MRS），其原理為首先計(jì)算各個波段的權(quán)重和綜合特征值，隨后計(jì)算出所有波段的加權(quán)特征值，然后將所有波段的權(quán)重特征與其之前所設(shè)置的閾值進(jìn)行對比，重復(fù)迭代運(yùn)算直到加權(quán)值大于閾值為止即完成分割過程。影響分割結(jié)果主要是尺度、形狀、緊密度和參與分割圖層所屬權(quán)重4個因素［23］。

（1）波段權(quán)重

在分割過程中，參與分割的影像層權(quán)重設(shè)置越大，則影像層所包含的信息將被較多考慮；本文將添加進(jìn)來的分割圖層權(quán)重均設(shè)為1。

（2）分割尺度

最優(yōu)分割尺度的選擇是多尺度分割過程中的關(guān)鍵步驟［24］。但對于所選取的典型植物群落分割尺度尚未有統(tǒng)一標(biāo)準(zhǔn)，本文嘗試多個分割尺度分割后的目視效果來確定分割尺度。

（3）同質(zhì)性因子

同質(zhì)性為多尺度分割中非常重要的指標(biāo)，其由形狀因子（Shape）和緊致度（Compactness）兩部分構(gòu)成。緊致度影響著最終分割出的對象之間大小差異程度，在尺度和形狀參數(shù)一定的情況下，緊致度越小則越細(xì)碎，形狀因子設(shè)置越大則分割出的斑塊差異越?。?5］。

1.3.3 最鄰近分類算法 最鄰近分類算法需在確定地物類別的基礎(chǔ)上，選擇各分類類別具有代表性的對象作為訓(xùn)練樣本，通過配置合適的特征空間，最后根據(jù)待分類對象與各類型之間隸屬度值完成分類，需對每一個分類均定義樣本和特征空間［26］。

本文在定義9 種典型植物群落外，另加入水體和其他（研究區(qū)建筑用地、道路、擾動用地、沙地及鹽堿地）2 類分類對象，共11 類對象；本文的特征空間主要由Landsat 8包含的7個波段以及構(gòu)建的植被指數(shù)計(jì)算得到（表1）。

表1 面向?qū)ο筮^程中使用的特征空間Tab.1 Feature space used in object-oriented processes

1.3.4 精度評價 為控制人為主觀因素對分類結(jié)果的影響，分類過程中使用同一個分類樣本庫，并保證精度驗(yàn)證利用同一套基于像素的混淆矩陣，以此來提高精度評價結(jié)果的可信度［27-28］，具體實(shí)驗(yàn)方案設(shè)計(jì)見表2。

表2 分類實(shí)驗(yàn)分組Tab.2 Classification experiment grouping

2 結(jié)果與分析

2.1 典型植物群落選取及光譜特征提取

鑒于使用的Landsat 8 衛(wèi)星遙感影像空間分辨率為30 m，故在植物群落選擇方面，除保證植物群落集中連片分布、優(yōu)勢種明顯外，還應(yīng)保證群落地面分布范圍大于30 m 尺度。根據(jù)研究區(qū)植被生長現(xiàn)狀及實(shí)地考察結(jié)果，確定了9種典型植物群落，如表3所示。

表3 植物群落分類Tab.3 List of plant community classification system

基于無人機(jī)航攝區(qū)域多光譜正射影像（圖2），在各個植物群落上共選取216 個采樣點(diǎn)(部分采樣點(diǎn)在正射影像基礎(chǔ)上依據(jù)Landsat 8 紋理信息適當(dāng)擴(kuò)大區(qū)域選取)，利用ArcGIS 10.7 軟件提取出采樣點(diǎn)對應(yīng)Landsat 8 影像光譜值，經(jīng)算術(shù)平均后做出9種典型植物群落2021 年2 月21 日與7 月31 日2 期Landsat 8衛(wèi)星影像光譜曲線圖（圖3、圖4）。從結(jié)果來看，2 月21 日影像各植物群落間形成了較穩(wěn)定的反射率排序，各波段突變不大，但不同群落間在各波段的穩(wěn)定差異性，是非生長季植物群落植株與土壤背景光譜特征的綜合反應(yīng)，這種信息與植物生長旺盛時期的光譜特征信息差異性較大，對豐富時間維度上的光譜特征具有一定作用；7 月31 日影像植物群落在前4 個波段形成了較穩(wěn)定的反射率，但在第3、4 波段反射率差距逐漸拉大，隨之在第5 波段產(chǎn)生突變，反射率急劇上升，形成了新的反射率排序，這是由于植被葉片內(nèi)部構(gòu)造在紅光波段和近紅外波段形成的“紅邊”現(xiàn)象；在第6、7波段，屬于大氣水強(qiáng)吸收波段，在這兩波段內(nèi)，又形成了相似的反射率排序。

圖3 2021年2月21日典型植物群落光譜Fig.3 Spectral curve of typical plant community on February 21,2021

圖4 2021年7月31日典型植物群落光譜Fig.4 Spectral curve of typical plant community on July 31,2021

2.2 最佳波段選擇

通過OIF 計(jì)算公式，計(jì)算得到各波段間相關(guān)系數(shù)（表4）以及35 種波段組合的OIF 值，按其數(shù)值大小取前10名依次排序如表5所示，要確定最終最佳波段組合還需結(jié)合各植物群落光譜特征。從提取出的植物群落光譜曲線（圖4）來看，在B4波段（Red波段）呈現(xiàn)較大的差異，隨之在B5 波段（NIR 波段）原有排序被打破，光譜反射率差異明顯增強(qiáng)，加之B4和B5相關(guān)系數(shù)（表4）最小，初步確定最佳波段需包含B4、B5 波段；同時波段4、5、7 組合標(biāo)準(zhǔn)差和較大，相關(guān)系數(shù)和較小，表明其包含信息豐富且波段間信息冗余小。因此，最終確定最佳波段組合為4、5、7。

表4 波段間相關(guān)系數(shù)矩陣Tab.4 Correlation matrix

表5 OIF值前10排名組合Tab.5 OIF value top 10 ranking combination

2.3 分割參數(shù)選擇

2.3.1 分割尺度選擇 實(shí)驗(yàn)中分別以50、100、200、1000四個分割尺度進(jìn)行篩選（圖5）。在分割尺度為50 時，過度分割，結(jié)果過于細(xì)碎；分割尺度為200 和1000時，植物群落細(xì)節(jié)分割不夠，結(jié)果過于粗糙；分割尺度為100時，結(jié)果較為合理，能較為完整反映地物信息。

圖5 不同分割尺度下分割結(jié)果Fig.5 Segmentation results under different segmentation scales

2.3.2 同質(zhì)性因子確定 從目視解譯效果來看，分別控制緊致度與形狀因子不變，實(shí)驗(yàn)組效果如圖6所示?？刂品指畛叨?00、緊致度0.5，將形狀因子比例系數(shù)設(shè)置0.1、0.3、0.5 做對比，分別對應(yīng)圖6a、圖6b、圖6c。隨著形狀因子的增大，分割后對象邊界趨向光滑，但分割圖斑也逐漸增大，考慮到研究區(qū)植被組分復(fù)雜，選擇分割結(jié)果較為細(xì)致實(shí)驗(yàn)組，即圖6a，Shape=0.1 時。在分割尺度100、形狀因子參數(shù)0.1 條件下，將緊致度參數(shù)設(shè)置成0.3、0.5、0.7做對比，分別對應(yīng)圖6d、圖6e、圖6f。隨著緊致度增加，分割斑塊又被進(jìn)一步細(xì)化，考慮到白刺群落和芨芨草群落相間生長，故在此仍選擇分割結(jié)果較為細(xì)致的實(shí)驗(yàn)組，即圖6f，Compactness=0.7時。

圖6 不同緊致度與形狀因子配置下分割效果圖Fig.6 Segmentation effect diagram with different compactness and shape factor configuration

為了進(jìn)一步研究緊致度和形狀因子對分割結(jié)果的影響，本文在eCognition 原始參數(shù)設(shè)置基礎(chǔ)上（Shape=0.1，Compactness=0.5），選用7 月Landsat 8影像4、5、7 波段，尺度參數(shù)100，分別控制形狀因子為0.1 條件下，緊致度參數(shù)分別為0.1、0.3、0.5、0.7、0.9，以及緊致度參數(shù)為0.5條件下，形狀因子分別為0.1、0.3、0.5、0.7、0.9時分類精度。

如圖7所示，隨著緊致度的增加，分類精度呈現(xiàn)先降低后增加的趨勢；緊致度在0.1～0.3 范圍內(nèi)，整體精度較高，但已呈現(xiàn)下降趨勢，在0.5 降到最低；隨后在0.7 時達(dá)到最大值。控制緊致度不變，形狀因子在0.1～1的范圍內(nèi)按步長0.2取值，分類精度如圖8所示，與上述緊致度實(shí)驗(yàn)結(jié)果不同，總體精度變化緩慢，0.1～0.7 范圍內(nèi)沒有較大波動，但在0.7～0.9范圍內(nèi)存在突變，此時分類精度較大幅度較低；最大值在0.1 處取得。故最終確定緊致度參數(shù)為0.7，形狀因子為0.1。

圖7 不同緊致度參數(shù)下分類精度Fig.7 Different compatness parameter setting classification accuracy

圖8 不同形狀因子參數(shù)下分類精度Fig.8 Different shape parameter setting classification accuracy

2.4 精度分析與評價

基于Landsat 8兩期多光譜遙感數(shù)據(jù)，并輔以計(jì)算出的NDVI 圖層，將植被生長季7 月31 日影像波段4、5、7，以及與非生長季2月12日影像波段1～7分別結(jié)合，共計(jì)A～G組8種組合方式，利用面向?qū)ο蠓诸惙椒ǎ@得寧夏哈巴湖國家級自然保護(hù)區(qū)內(nèi)9 種典型植物群落分類結(jié)果（表6、表7、圖9），并對結(jié)果最優(yōu)組E進(jìn)行分類結(jié)果制圖（圖10）。

圖9 eCognition分類效果圖Fig.9 Classification rendering of eCognition

圖10 E組最終分類結(jié)果Fig.10 Group E final classification results

表6 分類精度Tab.6 Classification accuracy table

表7 E組實(shí)驗(yàn)分類結(jié)果混淆矩陣Tab.7 Confounding matrix of experimental classification results in group E

其中，總體分類精度最高的為E組實(shí)驗(yàn)：7月31日影像B4、B5、B7 波段結(jié)合2 月21 日影像B4 波段，總體精度和Kappa系數(shù)分別為83.98%和0.81。從其分類結(jié)果混淆矩陣反映情況來看，對于單一植物群落精度，楊樹、檉柳、黑沙蒿群落生產(chǎn)者精度較高，分別為90.32%、92.10%、100%。芨芨草、白刺、樟子松群落生產(chǎn)者精度較低，分別為46.88%、66.67%、60.00%。從用戶精度來看，除芨芨草和白刺群落外，其余植物群落用戶精度均大于85%，表明其中錯分的現(xiàn)象較少。芨芨草群落中混分了較多的白刺、樟子松、檸條群落，分別占芨芨草群落總樣本數(shù)的25.81%（8個）、12.90%（4個）和9.68%（3個）；檸條與檉柳和樟子松之間也存在互分現(xiàn)象。以上分析表明，使用Landsat 8兩期數(shù)據(jù)能完成研究區(qū)植物群落的分類要求，并達(dá)到較高精度，也表明面向?qū)ο蟮姆诸惙椒ňC合利用了分類對象光譜、幾何等特征，有效的提高了分類精度。

3 討論

本文利用多時相Landsat 8 數(shù)據(jù)獲得了較高的分類精度，能夠滿足研究要求，可為保護(hù)區(qū)大尺度植物群落提取提供方法參考。但由于中分辨率影像紋理信息相對不足，部分植物群落間邊界模糊，加之某些植物群落相間生長以及植被生長狀態(tài)不一致所導(dǎo)致的“同物異譜”現(xiàn)象，容易造成一定的混分誤分，如何提高容易混分誤分的植物群落分類精度，增加全面多維度遙感信息的典型植物群落識別將是下一步開展的研究工作；本文其他類別中誤分?jǐn)?shù)量較大，用戶精度較低，分析原因后判定這是由于部分天然分布植物群落的植被覆蓋度較低情況下，背景信息對群落邊界和植物光譜特征影響較大，而檸條、沙柳等研究區(qū)內(nèi)近些年大量種植的植被分類精度較高，與人工種植方式有利于形成清晰邊界、較理想的生境和植被覆蓋度有關(guān)；本文以圖像多尺度分割結(jié)合目視判斷的方式進(jìn)行植物群落范圍劃分，需要高分辨率無人機(jī)影像和較豐富的實(shí)地調(diào)查經(jīng)驗(yàn)作為支撐，后續(xù)研究應(yīng)進(jìn)一步總結(jié)適用于研究區(qū)的多尺度分割參數(shù)，減少對主觀經(jīng)驗(yàn)的依賴性；同時，本文僅對基于像元光譜特征和面向?qū)ο蟮淖钹徑诸惙椒ㄟM(jìn)行對比研究，而如何借助多種分類器組合提高分類精度值得進(jìn)一步深入研究。

4 結(jié)論

本文針對植物群落在生長季和非生長季的特性，結(jié)合兩期影像分析光譜特征，基于面向?qū)ο蠓椒▽?shí)現(xiàn)了多時相影像結(jié)合的研究區(qū)典型植物群落分類，一定程度上提高了分類精度。得到如下結(jié)論：

（1）研究區(qū)內(nèi)典型植物群落有不同的光譜特征，總體分類精度隨著緊致度和形狀因子參數(shù)的變化而變化，當(dāng)形狀因子分別為0.1 和0.9 時，分類精度差值達(dá)到最大約12%，隨緊致度變化總體分類精度在緊致度參數(shù)取0.5 和0.7 時差值達(dá)到最大，在6%左右。

（2）從8 組實(shí)驗(yàn)的分類結(jié)果來看，采用兩期影像數(shù)據(jù)的總體分類精度均高于單期影像數(shù)據(jù)的總體分類精度，總體分類精度和Kappa 系數(shù)E 組實(shí)驗(yàn)最大，分別為83.98%、0.81，相比較僅依據(jù)最優(yōu)三波段（波段4、5、7 組合）的分類，分別提高了8.24%和0.10，說明僅采用單期影像部分植物群落間光譜差異不明顯，分類效果不佳。

（3）就各分類對象用戶精度而言，榆樹、楊樹、檉柳、黑沙蒿、檸條在光譜特征的表現(xiàn)上區(qū)分度較高，同時用戶精度也相應(yīng)較高。