張殿岱,王雪梅,2

(1.新疆師范大學(xué) 地理科學(xué)與旅游學(xué)院,烏魯木齊 830054；2.新疆維吾爾自治區(qū)重點(diǎn)實(shí)驗(yàn)室 新疆干旱區(qū)湖泊環(huán)境與資源實(shí)驗(yàn)室,烏魯木齊 830054)

植被是生態(tài)系統(tǒng)中最為重要的組成部分,也是生態(tài)系統(tǒng)存在的主要基礎(chǔ),具有截流降雨、減緩徑流、防沙治沙,保持水土等功能[1]。干旱區(qū)植被的恢復(fù)與重建可有效控制土地退化過程,對荒漠生態(tài)系統(tǒng)平衡的維持起著關(guān)鍵作用[2-3]。遙感影像分類是獲取植被信息的重要方式,而分類方法的選擇是決定影像分類精度的關(guān)鍵因素[4]。目前,國外相關(guān)研究主要集中在通過多種分類方法,結(jié)合多源遙感數(shù)據(jù)對植被類型、光譜特征或物種進(jìn)行遙感分類等方面的研究[5-6]。在早期的植被遙感分類研究中,國內(nèi)學(xué)者常采用基于像元的監(jiān)督和非監(jiān)督分類方法[7-10]。伴隨各類衛(wèi)星的陸續(xù)發(fā)射,一些學(xué)者將新的方法引入到遙感影像的植被分類當(dāng)中,如植被指數(shù)分類、多源多時(shí)相信息綜合法,以及結(jié)合地形、紋理和光譜等輔助信息分類和元胞自動(dòng)機(jī)分類等,實(shí)現(xiàn)了“亞像元”級的植被遙感分類[11-13]。

近年來,隨著人工智能信息技術(shù)與理論的發(fā)展,我國的高分二號(GF-2)民用對地觀測衛(wèi)星順利發(fā)射并投入使用,標(biāo)志著我國遙感衛(wèi)星進(jìn)入了亞米級“高分時(shí)代”[14]。不同領(lǐng)域的學(xué)者也對高分辨率遙感影像數(shù)據(jù)的應(yīng)用開展了相關(guān)研究。史敏偉等[15]利用GF-2影像使用隨機(jī)森林分類方法進(jìn)行土地利用分類,實(shí)驗(yàn)證明該方法對土地利用分類具有較好的效果；王芳等[16-18]基于GF-2號影像采用面向?qū)ο蟮姆诸惙椒▽χ脖恍畔⑦M(jìn)行了準(zhǔn)確提取；謝錦瑩等[19]采用面向?qū)ο笈c全卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法可有效從高分辨率影像中提取典型濱海濕地植被信息,從而彌補(bǔ)基于像元分類的缺陷,消除椒鹽現(xiàn)象,優(yōu)化濱海濕地植被分類結(jié)果。本文以 GF-2號影像為數(shù)據(jù)源,對新疆庫車市東部綠洲-荒漠過渡帶地表植被進(jìn)行分類研究,采用基于像元的監(jiān)督分類與面向?qū)ο蟮姆诸惙椒ㄌ剿鬟m合該研究區(qū)植被分類方法,以期發(fā)揮GF-2號遙感影像數(shù)據(jù)在植被分類中的更大潛力,并為后續(xù)土地覆被信息提取提供相關(guān)技術(shù)支撐。

1 研究區(qū)概況

研究區(qū)位于新疆維吾爾自治區(qū)庫車市東部的綠洲-荒漠過渡帶,地處新疆南部,塔里木盆地北緣,行政隸屬阿克蘇地區(qū),其地理坐標(biāo)為41°31′5″～41°41′35″N、83°16′11″～83°23′11″E,平均海拔高度在907m左右,區(qū)域范圍約為 24 km×14km。庫車綠洲具有氣候干旱、降水稀少、風(fēng)沙頻繁、植被稀疏、蒸發(fā)強(qiáng)烈的氣候特征,屬于典型的暖溫帶大陸性干旱氣候,年均氣溫在10.5～11.4℃,年均降水量在46.4～64.5mm[20]。天然植被群落的構(gòu)成主要以胡楊為主的喬木、小喬木檉柳以及灌木和半灌木的鹽節(jié)木、鹽穗木、白刺、花花柴、鹽爪爪、鈴鐺刺、苦豆子等,草本植物主要有蘆葦、駱駝刺、豬毛菜和囊果堿蓬等[21]。人工植被以棉花(主要農(nóng)作物)、小麥、玉米、水稻等為主。

2 研究方法

2.1 影像來源與預(yù)處理

采用3.2m分辨率的GF-2遙感影像為數(shù)據(jù)源,GF-2影像具有高定位精度、高空間分辨率等特性。影像成像時(shí)間為2018年6月30日,傳感器為PMS1,其軌道類型為太陽同步回歸軌道,軌道高度為631km,回歸周期為69d。影像包括紅、綠、藍(lán)和近紅外4個(gè)波段,波長范圍為0.45～0.89μm。利用ENVI5.3軟件對遙感影像進(jìn)行輻射定標(biāo)、FLAASH大氣校正、正射校正、拼接與裁剪等預(yù)處理,結(jié)合實(shí)地調(diào)查對影像進(jìn)行目視解譯,將研究區(qū)地物分為6類,包括喬木、灌木、草本、農(nóng)作物、水體和其它(建設(shè)用地、鹽堿光板地及裸土地)。

2.2 監(jiān)督分類

監(jiān)督分類方法,首先需要在研究區(qū)影像范圍內(nèi)選取有代表性的訓(xùn)練場地建立訓(xùn)練樣本,然后選擇特征參數(shù),通過求出的特征參數(shù)作為決策規(guī)則,建立判別函數(shù),最后依據(jù)樣本類別的特征對待分類影像進(jìn)行遙感影像分類。在分類過程中,監(jiān)督分類方法能夠充分體現(xiàn)出操作者所具備的先驗(yàn)知識,能夠主觀地根據(jù)目的決定分類類別和訓(xùn)練樣本的個(gè)數(shù)[22]。但在選擇和評價(jià)樣本時(shí),費(fèi)時(shí)費(fèi)力且分類時(shí)只能參考樣本的光譜差異,分類樣本的選擇主觀性較強(qiáng),該方法更適合于在具有先驗(yàn)知識的情況下使用。

2.3 面向?qū)ο蠓诸?/h3>

面向?qū)ο蠓诸惙椒ㄊ且詫ο鬄樽钚卧M(jìn)行影像分類,首先采用適合的圖像分割尺度將遙感影像分割成若干個(gè)對象,然后統(tǒng)計(jì)并分析對象的特征參數(shù),用合適的分類方法對指定的分類類別進(jìn)行目標(biāo)識別[23],此方法很適合于缺乏先驗(yàn)知識的情況。該分類方法能充分利用每個(gè)對象所包含的光譜特征、紋理特征、形狀特征等,以提高分類精度。

2.4 精度評價(jià)

通過計(jì)算混淆矩陣,可以得到研宄影像分類的總體精度、用戶精度、制圖精度。同時(shí),基于混淆矩陣還可以得到研宄分類影像的kappa系數(shù),也是一種有效性較強(qiáng)的精度評價(jià)系數(shù)。因此,使用總體分類精度和Kappa系數(shù)作為影像分類結(jié)果的精度評價(jià)指標(biāo)。一般而言,Kappa系數(shù)取值范圍在0～1之間,其值越大,則表明分類精度越高,值越小越接近0,表明兩者之間的相關(guān)程度極低,一致性差[22]。

3 結(jié)果與分析

3.1 監(jiān)督分類

通過野外調(diào)查所積累的經(jīng)驗(yàn),結(jié)合研究區(qū)地物基本信息,均勻選擇100個(gè)以上樣本作為分類訓(xùn)練樣本。使用ENVI5.3軟件,采用支持向量機(jī)方法對研究區(qū)GF-2遙感影像進(jìn)行基于像元的監(jiān)督分類。

根據(jù)監(jiān)督分類方法對GF-2影像覆蓋區(qū)所提取的地物信息進(jìn)行統(tǒng)計(jì),由表1可得,該區(qū)域位于荒漠—綠洲過渡帶,植被覆蓋度較低,土壤鹽漬化現(xiàn)象十分嚴(yán)重,植被多以耐鹽堿和干旱的鹽生植被為主,形成了復(fù)雜的灌草植物群落。其中,草地覆蓋面積較大,占比約為40.476%,灌木多分布在綠洲邊緣地帶或水域附近。在綠洲邊緣,人類為了生產(chǎn)生活對荒漠土地進(jìn)行開墾種植以供所需,故該地區(qū)以棉花為主的農(nóng)作物種植面積僅次于草地,占該區(qū)域總面積的33.372%,而喬木分布面積最小,僅為2.857km2。此外水體、鹽堿光板地及裸地的面積分別占區(qū)域總面積的1.003%和11.949%。

表1 監(jiān)督分類地物提取統(tǒng)計(jì)表

3.2 面向?qū)ο蠓诸?/h3>

3.2.1圖像分割參數(shù)的選擇

采用多尺度分割方法,進(jìn)行了多次實(shí)驗(yàn)(圖1),分割尺度分別為30,60,80,100,120,140,最終使用的圖像分割參數(shù)為Scale=30,Shape=0.2,Compactness=0.5,波段權(quán)重設(shè)置 1∶1∶1∶1。

圖1 面向?qū)ο蟮牟煌指畛叨葘Ρ葓D

3.2.2特征優(yōu)選

選取植被指數(shù)信息(3個(gè))、光譜特征(10個(gè))以及形狀特征(10個(gè))共23個(gè)特征用于構(gòu)建初始特征空間。最終篩選出9個(gè)特征為優(yōu)選后的特征空間結(jié)果,用以判別地物的特征條件(表2)。

表2 初始特征空間與優(yōu)選后特征空間

使用eCognition8.9軟件Feature Space Optimization工具對經(jīng)過優(yōu)選后的特征空間進(jìn)行J-M距離計(jì)算,通過計(jì)算地物類別對應(yīng)特征之間的距離,篩選出類別之間分離度較大的特征作為區(qū)分各類別的優(yōu)選特征。2個(gè)樣本之間的特征距離越小就說明2種類別越難以區(qū)分,研究區(qū)最終分類結(jié)果表明(表3),水體最容易進(jìn)行分類,草本與其它的特征距離值為1.128 4,是這6類地物中最小的特征距離值,說明草本與其它類型之間較為難區(qū)分,灌木與草本之間容易混淆。

表3 各地物類別間的距離值

3.2.3影像分類

面向?qū)ο蠓椒ǖ奶崛☆愃茮Q策樹的構(gòu)思,先剔除其它無關(guān)信息,再經(jīng)過多次篩選找出有用的地物類別,實(shí)現(xiàn)地物的分層提取。經(jīng)過多尺度分割后,需要對分割后的單個(gè)對象進(jìn)行劃分,選擇合適的參數(shù)或者規(guī)則將對象與其它對象區(qū)分開來,以實(shí)現(xiàn)各種地物的分類。本研究采用最近鄰分類法進(jìn)行劃分類型,最終得到面向?qū)ο蟮姆诸惤Y(jié)果。通過對監(jiān)督分類和面向?qū)ο蟮姆诸惤Y(jié)果圖進(jìn)行對比分析發(fā)現(xiàn),2種分類結(jié)果大體一致,面向?qū)ο蟮姆诸惤Y(jié)果較監(jiān)督對象分類更為準(zhǔn)確,能更清晰反映出研究區(qū)地表的實(shí)際狀況(圖2)。

圖2 分類結(jié)果

通過對面向?qū)ο蠓诸惤Y(jié)果進(jìn)行統(tǒng)計(jì)分析可知(表4),使用面向?qū)ο蠓诸惙椒ǖ贸霾莸匾廊皇窃摰貐^(qū)覆蓋面積最大的植被類型,農(nóng)作物的分布面積位居其次,占比約為34.223%,灌木和其它類型的面積分別為52.306,28.956km2,在該地區(qū)所占面積比例分別為15.593%和8.632%。喬木和水體相對于其他類型所占面積比最低。

表4 面向?qū)ο蠓诸惖匚锾崛〗y(tǒng)計(jì)表

3.3 植被信息提取的精度驗(yàn)證與比較

結(jié)合實(shí)地調(diào)查樣點(diǎn)數(shù)據(jù)對2種分類結(jié)果進(jìn)行分類后處理并計(jì)算混淆矩陣,可以得到研宄影像分類的生產(chǎn)者精度、用戶精度和總體分類精度。同時(shí),基于混淆矩陣還可以得到研宄影像分類的kappa系數(shù),作為分類結(jié)果有效性較強(qiáng)的精度評價(jià)指標(biāo)。具體分類精度數(shù)據(jù)如表5、表6所示。由監(jiān)督分類結(jié)果精度評價(jià)表5可知,在研究區(qū)影像上隨機(jī)且均勻地選取各類100個(gè)像元樣本,建立混淆矩陣,得到的分類結(jié)果總體精度為94.01%,Kappa系數(shù)為0.930,其中灌木的生產(chǎn)者精度最低,灌木和草本的用戶精度相對較低,說明6類地物中灌木錯(cuò)分現(xiàn)象較多,草本的漏分現(xiàn)象明顯。進(jìn)一步比較面向?qū)ο蠓诸惤Y(jié)果精度評價(jià)(表6),得到的分類結(jié)果總體精度為97.80%,Kappa系數(shù)為0.962,喬木的漏分現(xiàn)象較為明顯,而灌木、草本和農(nóng)作物的生產(chǎn)者精度與用戶精度均較高。同時(shí),水體的分類精度更為精確,而其它類的分類精度相對較低。

表5 基于像元的監(jiān)督分類結(jié)果精度評價(jià)表

表6 面向?qū)ο蠓诸惤Y(jié)果精度評價(jià)表 個(gè)數(shù)

經(jīng)過對2種分類方法的分類后處理精度驗(yàn)證,研究區(qū)使用面向?qū)ο蠓诸惙椒ǖ姆诸惥瓤傮w優(yōu)于基于像元的監(jiān)督分類方法,尤其是對草本和水體的類別劃分較為準(zhǔn)確。因此,選取面向?qū)ο蟮姆诸惙椒奢^為準(zhǔn)確地對研究區(qū)植被進(jìn)行分類。

4 討論與結(jié)論

1) 在對研究區(qū)遙感影像分類過程中發(fā)現(xiàn),使用基于像元的監(jiān)督分類在選擇和評價(jià)樣本時(shí),需要耗費(fèi)人力及大量的時(shí)間,分類時(shí)只能參考樣本的光譜差異,而面向?qū)ο蠓诸惙椒軈⒖紝ο笾兴墓庾V、紋理和形狀特征等,能夠規(guī)避監(jiān)督分類時(shí)出現(xiàn)的“椒鹽現(xiàn)象”[19]。運(yùn)用面向?qū)ο蟮姆诸惙椒?在一定程度上避免了分類結(jié)果破碎的現(xiàn)象,充分利用每個(gè)對象所包含的光譜特征和形狀特征等[23]。相關(guān)研究表明,對已分類影像經(jīng)分類后處理可達(dá)到較高的分類精度[24-25]。

2) 基于像元的監(jiān)督分類與面向?qū)ο蟮姆诸惪傮w精度均可達(dá)到94%以上,Kappa系數(shù)達(dá)到了0.93以上,分類結(jié)果均達(dá)到較為滿意的效果。

3) 相較于監(jiān)督分類,面向?qū)ο蟮姆诸惙椒傮w精度提升了3.79%,Kappa系數(shù)提升了0.032,可更為準(zhǔn)確地提取研究區(qū)的植被信息,為合理分析和評價(jià)該區(qū)域地表狀況及土地荒漠化監(jiān)測提供科學(xué)依據(jù)。