基于面向?qū)ο蠓椒ǖ奶旖蚴袨I海新區(qū)濕地信息提取

王婭，郭繼發(fā)，林雨

(天津師范大學(xué) 地理與環(huán)境科學(xué)學(xué)院，天津 300387)

濕地是地球表面重要生態(tài)系統(tǒng),與海洋、森林并稱為地球表面的三大生態(tài)系統(tǒng)。濱海濕地對于濱海地區(qū)的生態(tài)環(huán)境發(fā)揮著不可替代的作用,具體表現(xiàn)在污染物降解、調(diào)節(jié)局地氣候、防止海水倒灌、維護(hù)生物多樣性等諸多方面,同時(shí)也具有很高的社會(huì)經(jīng)濟(jì)價(jià)值,如水產(chǎn)養(yǎng)殖、水資源儲(chǔ)存與供給、科研教育、休閑旅游等[1-2]。天津市濱海新區(qū)位于天津東部沿海地區(qū),濕地面積廣布,并設(shè)有北大港自然保護(hù)區(qū),對整個(gè)天津乃至環(huán)渤海圈的生態(tài)環(huán)境與經(jīng)濟(jì)發(fā)展都有著重要影響[3]。近40年來,伴隨經(jīng)濟(jì)發(fā)展、人口增多,濱海新區(qū)經(jīng)營盈利與濕地保護(hù)、生態(tài)環(huán)境之間的矛盾更顯突出[4-5]。濕地生態(tài)環(huán)境復(fù)雜,內(nèi)部可達(dá)性差,很多實(shí)地調(diào)查工作難以開展,遙感技術(shù)因其時(shí)效性好,覆蓋面積廣,數(shù)據(jù)量豐富,經(jīng)濟(jì)成本低,已成為人們開展?jié)竦乇O(jiān)測的主要手段[6-11]?；谙裨倪b感信息提取方法有監(jiān)督/非監(jiān)督分類等,以像元為基本單元,難以考慮幾何、紋理以及相鄰像元之間的空間信息,因而分類精度不高。隨著遙感影像分割技術(shù)的發(fā)展,基于對象的分類方法逐漸興起,面向?qū)ο蟮幕咎幚韺ο笫峭ㄟ^多尺度分割生成的斑塊對象,每個(gè)斑塊都是屬性特征高度相似的像元聚類。面向?qū)ο罂梢猿浞滞诰虻匚锏墓庾V特征、空間幾何特征、紋理特征、拓?fù)涮卣鞯?針對不同地物類型構(gòu)建科學(xué)的規(guī)則集,近年來被許多學(xué)者廣泛運(yùn)用在濕地研究[12-16],例如,莫利江等[15]基于Landsat杭州灣遙感影像數(shù)據(jù),選擇影像光譜、紋理、空間等多個(gè)特征,運(yùn)用ENVI中基于規(guī)則樣本分割工具對杭州灣濕地景觀進(jìn)行信息提取,并取得很好的分類精度。運(yùn)用面向?qū)ο蠹夹g(shù)多層次提取濕地信息可以有效減少分類對象破碎化,克服由于邊界模糊和內(nèi)部異質(zhì)性較大引起的“斑駁現(xiàn)象”,綜合利用地物的空間幾何信息和光譜信息,彌補(bǔ)“同物異譜、同譜異物”的不足,提高分類結(jié)果精度[17-18]。

本文以天津市濱海新區(qū)為研究區(qū),選擇2021年Sentinel-2影像數(shù)據(jù),基于不同分辨率影像的多尺度分割結(jié)果,獲取分割對象的屬性特征,融合多個(gè)波譜指數(shù),構(gòu)建規(guī)則層次模型,實(shí)現(xiàn)天津市濱海新區(qū)濕地類型自動(dòng)提取,并與隨機(jī)森林分類效果進(jìn)行比較,為研究濕地遙感信息提取和中國濱海濕地的保護(hù)提供依據(jù)。

1 研究區(qū)概況和數(shù)據(jù)來源

1.1 研究區(qū)概況

天津市濱海新區(qū)位于天津市東部沿海地區(qū),與渤海灣相鄰接,如圖1所示,地貌類型為海積沖積平原,沿海地區(qū)有潮間帶分布。由于本身自然地理環(huán)境的獨(dú)特特征,該區(qū)域濕地生境復(fù)雜、生物多樣性豐富,分布有大面積水域濕地,后期在人為因素的改造下,出現(xiàn)了大量人工濕地,在維護(hù)生物多樣性、提供珍稀動(dòng)物棲息地、防止海水倒灌等方面有著重要作用。濱海新區(qū)研究范圍以2018年行政邊界范圍為準(zhǔn),包括15個(gè)功能區(qū),總面積約2 270 km2,海岸線約153 km。

圖1 天津市濱海新區(qū)地理位置

1.2 數(shù)據(jù)來源

選取2021年5月Sentinel-2影像數(shù)據(jù)(歐空局?jǐn)?shù)據(jù)中心網(wǎng)站獲取),其他輔助數(shù)據(jù)主要包括天津市濱海新區(qū)2018年1∶100萬行政矢量邊界圖層和高程數(shù)據(jù)等。

Sentinel-2影像共有13個(gè)波段,本文主要使用其中10 m分辨率的紅、綠、藍(lán)、近紅外波段和20 m分辨率的短波紅外波段。影像首先使用SNAP軟件對哨兵初始影像進(jìn)行10 m分辨率重采樣,再通過ENVI軟件進(jìn)行大氣校正和輻射定標(biāo),最后將校正好的影像進(jìn)行裁剪、拼接、鑲嵌、融合,獲得可以使用的影像數(shù)據(jù)。

2 研究方法

2.1 濕地分類系統(tǒng)

參照《濕地公約》和濕地分類國家標(biāo)準(zhǔn)等國內(nèi)外濕地分類系統(tǒng)[19-20]和天津市濱海新區(qū)水體濕地資料[5,21],基于濱海新區(qū)濕地實(shí)際情況特點(diǎn),綜合考慮研究區(qū)的空間異質(zhì)性特征,建立天津市濱海新區(qū)濕地分類體系,見表1。

表1 天津市濱海新區(qū)濕地分類體系

2.2 濕地信息提取

2.2.1 影像分割

本文使用面向?qū)ο蟮姆謱臃诸惙椒ㄟM(jìn)行研究區(qū)濕地信息提取,分割是面向?qū)ο蠓诸愔械匚镄畔⑻崛〉幕A(chǔ),是將影像中在光譜、空間、紋理上具有相似性的鄰近像元組合成為一個(gè)“對象”的過程[17]。分割尺度的確定直接影響分類的效率和結(jié)果[22]。通過eCognition Developer中反復(fù)實(shí)驗(yàn),設(shè)置形狀異質(zhì)性參數(shù)為0.3,光譜異質(zhì)性參數(shù)為0.7,緊實(shí)度設(shè)置為0.5,根據(jù)不同層次對象提取特征的依據(jù),第一層次主要依賴光譜差異區(qū)分,故分割尺度設(shè)為60時(shí)效果最好,斑塊數(shù)量多,地物異質(zhì)性高,較容易識(shí)別出小型地物,如圖2(a)所示。第二層次需要依據(jù)地物空間幾何特征,故分割尺度設(shè)為90時(shí)效果最好,分割后地物邊界輪廓較為清晰,具有很好的可分離性,如圖2(b)所示。

(a)60尺度分割 (b)90尺度分割圖 2 不同尺度分割效果

2.2.2 特征指數(shù)選取

多尺度分割使影像的最小單元由像元變?yōu)樘卣飨嗨频膶ο?每個(gè)對象有著不同的屬性特征,如影像對象的光譜特征(水體指數(shù)、植被指數(shù)、綠度和濕度等)、紋理特征(同質(zhì)性、異質(zhì)性和熵等)和空間特征(矩形度、面積和長寬比等)[16],本文基于研究區(qū)的影像分割特征和濕地特點(diǎn),在選取影像波段信息的同時(shí),還選擇了一些用于分類的對象屬性特征,見表2。

表2 面向?qū)ο蟮膶傩蕴卣?/p>

3 濕地分類結(jié)果及精度評(píng)價(jià)

3.1 面向?qū)ο蠓謱幽Ｐ蜆?gòu)建

本文基于影像分割結(jié)果,融合上述分割對象的光譜特征和空間幾何特征,逐級(jí)分層分析地物特征,構(gòu)建地物分層規(guī)則集,實(shí)現(xiàn)天津市濱海新區(qū)濕地的自動(dòng)提取。

第一層次在區(qū)分水體和非水體的過程中,水體提取方法一般包括單波段閾值法、多波段水體指數(shù)法、線性分解等,其中多波段水體指數(shù)法有很強(qiáng)的普適性[26-27],本文采用MNDWI指數(shù)并輔以地表溫度區(qū)分水體和非水體層,彌補(bǔ)單一MNDWI指數(shù)的不足,再使用NDBI指數(shù)剔除水體中的陰影。

在水體層中,主要包括河流、湖泊水庫、溝渠、養(yǎng)殖塘、坑塘、海域。由于水體層中不同類別之間光譜差異較小,因此,僅依靠光譜特征難以實(shí)現(xiàn)類別信息的精確提取,此時(shí)需要輔以一定的空間幾何特征進(jìn)行分類。在水體層中進(jìn)行二次分割,分割指數(shù)為90,其他分割參數(shù)不變。

在非水體層中,主要包括一些非純水體濕地、植被性濕地和非濕地,其中建筑可直接通過藍(lán)波段進(jìn)行閾值提取。植被性濕地如公園濕地,具有很高的植被含量,利用NDVI指數(shù)和綠度判別,但由于公園濕地主要是植被和水體混合分布,且植被含量高,又加上人工對公園的建設(shè),導(dǎo)致存在大量植被、水體和建筑的混合像元,因此不易區(qū)分,經(jīng)目視判讀發(fā)現(xiàn)公園濕地空間分布位置相對固定,數(shù)量較少,因此對公園濕地輔以人工目視修正,以提高分類精度。非純水性濕地如沼澤和灘涂,可以利用濕度和空間幾何特征指數(shù)提取,因沼澤植被含量高于灘涂,而水體含量低于灘涂,因此可以通過NDVI指數(shù)和MNDWI指數(shù)將二者區(qū)分。非水體層剩余部分需進(jìn)行二次分割,分割尺度設(shè)置為90,其他分割參數(shù)不變,分割結(jié)果首先根據(jù)近紅外波段的同質(zhì)性特征和矩形度提取建筑,再利用NDVI指數(shù)提取耕地,剩余少量未分類部分運(yùn)用隨機(jī)森林的分類方法,選擇典型耕地、建筑和裸地樣本進(jìn)行分類提取。

最后,合并相同地物類型的對象,導(dǎo)出分類結(jié)果,完成天津市濱海新區(qū)2021年的濕地類型提取。具體分類提取流程如圖3所示。

圖3 面向?qū)ο蟮姆謱犹崛×鞒?/p>

3.2 分類結(jié)果與精度評(píng)價(jià)

基于面向?qū)ο蟮姆謱臃诸惤Y(jié)果和隨機(jī)森林分類結(jié)果如圖4所示。由圖5細(xì)節(jié)對比可以看出,面向?qū)ο蟮姆謱有畔⑻崛》椒黠@優(yōu)于隨機(jī)森林分類,面向?qū)ο蠓謱臃诸惱梅指顚ο蟮拇罅繉傩蕴卣骱芎玫貙^(qū)域內(nèi)河流、海域、灘涂、沼澤、養(yǎng)殖塘等不同濕地類型提取出來,同時(shí)也區(qū)分出建筑用地和耕地,分類結(jié)果“斑駁現(xiàn)象”獲得極大的改善,圖中不同濕地類型的空間分布邊界清晰,很好地實(shí)現(xiàn)了濕地類型的自動(dòng)提取。

(a)面向?qū)ο蠓謱臃诸?(b)隨機(jī)森林分類圖 4 兩種方法的分類結(jié)果

(a)原始影像 (b)面向?qū)ο蠓謱臃诸?(c)隨機(jī)森林分類圖5 兩種分類方法細(xì)節(jié)對比

為保證分類結(jié)果質(zhì)量,進(jìn)一步驗(yàn)證面向?qū)ο蠓诸惙椒ǖ挠行院涂茖W(xué)性,本文選用不同地物類型的誤差混淆矩陣、總體分類精度和Kappa系數(shù)來驗(yàn)證精度。首先每種類型都分別隨機(jī)選取100個(gè)抽樣點(diǎn),結(jié)合實(shí)景地圖對抽樣點(diǎn)進(jìn)行目視判讀,獲取抽樣點(diǎn)的真實(shí)地物類型,建立混淆矩陣,對分類結(jié)果進(jìn)行精度評(píng)價(jià),分類結(jié)果精度見表3。可以看出,面向?qū)ο蟮姆謱臃诸惤Y(jié)果總體精度達(dá)到91.75%,Kappa系數(shù)為0.91,用戶精度和生產(chǎn)者精度效果較好,尤其是濕地類型中的河流、海域、沼澤、灘涂、養(yǎng)殖塘、湖泊水庫、公園濕地以及非濕地中建筑用地和耕地的生產(chǎn)者精度都達(dá)到90%以上,用戶精度也都在80%以上,可見面向?qū)ο蟮姆謱臃诸惙椒ㄔ谔旖蚴袨I海新區(qū)的濕地信息提取上獲得了很好的效果。生產(chǎn)者精度中“其他”類型精度較低,可能是本文“其他”類型主要包括裸地和一些剩余未分類部分,因此導(dǎo)致“其他”類別內(nèi)可能有一些濕地和非濕地地物?？犹梁蜏锨纳a(chǎn)者精度也相對較低,主要是因?yàn)榭犹梁蜏锨拿娣e較小,容易和周圍地物誤分,但總體上面向?qū)ο蠓謱臃诸惤Y(jié)果取得了很好的分類效果。由此可見,基于面向?qū)ο蟮姆謱臃诸愂且环N有效的分類方法。

表3 面向?qū)ο蠓謱臃诸惤Y(jié)果精度評(píng)價(jià)表

4 結(jié)論與討論

本文針對遙感影像基于像元分類的不足,利用面向?qū)ο蠓指罴夹g(shù),以中分辨率的Sentinel-2影像為數(shù)據(jù)源,實(shí)現(xiàn)遙感影像上由“像元”到“對象”的轉(zhuǎn)變,獲取大量具有很強(qiáng)相似性的分割對象,挖掘不同地物類型的光譜特征、空間幾何特征以及紋理特征,融合上述屬性特征構(gòu)建分層信息提取模型,對天津市濱海新區(qū)2021年濕地信息進(jìn)行分層分類提取。結(jié)果表明:(1)融合遙感影像屬性特征的面向?qū)ο蠓謱臃诸惙椒?有別于傳統(tǒng)依據(jù)單一像元光譜值進(jìn)行分類的方法,綜合考慮了地物的光譜、紋理和空間幾何特征,很好地避免了傳統(tǒng)分類結(jié)果的“斑駁”現(xiàn)象,總體分類結(jié)果精度達(dá)到91.75%,Kappa系數(shù)為0.91,表明該分類方法具有很好的可行性;(2)面向?qū)ο蠓椒▽⒒谙裨诸愞D(zhuǎn)化為基于具有同質(zhì)性的對象,充分挖掘了遙感影像上地物的屬性特征,很好地彌補(bǔ)了遙感影像濕地分類不確定性的問題,是濕地遙感信息提取的一大改進(jìn)。

在濕地分類過程中,針對不同的閾值選擇可能會(huì)對分類結(jié)果及精度有一定影響,本文閾值的最優(yōu)選擇主要是通過多次閾值測試,方法相對費(fèi)時(shí)費(fèi)力,如何更好更快地確定閾值可在今后有所探討。本文對于分割影像屬性特征的選取也相對片面,地物光譜特征的不確定性會(huì)影響地物分類精度,尤其是某些地物類型的屬性特征信息選取可以進(jìn)一步挖掘和細(xì)化,挖掘更多的地物屬性特征可以完善面向?qū)ο蟮姆謱幽Ｐ?提高地物提取精度,還需今后繼續(xù)研究。