柴 穎，阮仁宗，傅巧妮，歲秀珍

（1.河海大學 地球科學與工程學院，江蘇 南京 210098）

面向?qū)ο蟮母吖庾V影像濕地植被信息提取

柴 穎1，阮仁宗1，傅巧妮1，歲秀珍1

（1.河海大學 地球科學與工程學院，江蘇 南京 210098）

以美國Sacramento-San Joaquin三角洲為研究區(qū)，提取高光譜遙感影像上濕地植被的光譜響應(yīng)特征，用于指導面向?qū)ο蟮臐竦刂脖恍畔⑻崛?。結(jié)果表明，基于光譜響應(yīng)特征分析的面向?qū)ο蠓诸惥葹?8.03%，而未利用光譜響應(yīng)特征的面向?qū)ο蠓诸惥葹?2.08%。在面向?qū)ο筇崛∏皩χ参锕庾V響應(yīng)特征進行特征提取，可以實現(xiàn)濕地植被在物種水平上的識別，并可以有效提高分類精度。

高光譜；光譜響應(yīng)特征；面向?qū)ο?；濕地植被；HyMap

近年來，面向?qū)ο蠓椒ㄒ呀?jīng)應(yīng)用于土地利用、道路、城市用地、森林等遙感信息提取中[1-6]，并得到較好的識別效果。但是，由于濕地植被類型的復雜性、多變性，利用面向?qū)ο蠓椒▽竦刂脖坏难芯窟€比較薄弱。本文以高光譜高空間分辨率數(shù)據(jù)HyMap遙感影像為數(shù)據(jù)源，采用面向?qū)ο蟮男畔⑻崛》椒ǎ谝巴鈱崪y采樣點的基礎(chǔ)上，提取影像上的光譜響應(yīng)特征，用于面向?qū)ο蠓诸惙椒ㄒ?guī)則集的建立。該方法在一定程度上克服了以往面向?qū)ο蠓椒ㄖ袇?shù)設(shè)置具有盲目性的不足，可以實現(xiàn)大面積濕地植被動態(tài)監(jiān)測，為水生植物信息提取提供有力的技術(shù)支持。

1 研究區(qū)域概況及數(shù)據(jù)預處理

1.1 研究區(qū)域概況

薩克拉門托-圣華金三角洲（Sacramento-San Joaquin Delta）位于美國加利福尼亞州西北部薩克拉門托河（Sacramento River）與圣華金河（San Joaquin River）的交匯處，通過舊金山灣流入太平洋。三角洲流域面積4.5萬 km2，是加州淡水輸送系統(tǒng)的主要樞紐[7]。三角洲的水力學異質(zhì)性體現(xiàn)在其鹽度、潮汐通量、水深的多變以及淡水流量極端的季節(jié)年際變化[8]。漲潮時鹽水流入三角洲上游，而淡水從Sacramento-San Joaquin流入。支流河水順流流入，其流量具有季節(jié)特征：在冬季的平均流量1 700±300 m3·s-1，而在夏季平均流量則為540±40 m3·s-1[9]。三角洲的濕地植被在空間上從水體到陸地依次劃分為沉水植被、浮水植被、挺水植被以及岸棲植被。本文選取濕地植被辣椒水草、蒲草、石蓮花、巴西水草4種具有典型分類特征的植物群落作為研究對象。

1.2 數(shù)據(jù)獲取及其預處理

研究區(qū)域的高光譜遙感數(shù)據(jù)來源于成像光譜儀HyMap的航攝影像，成像時間為2007-06-19～2007-06-21，航高1 500 m，空間分辨率3 m。HyMap是澳大利亞HyVista公司研制的航空成像光譜儀，共126個波段，光譜分辨率由12～16 nm不等，波段范圍為0.450～2.543 μm[10]。飛行路線貫穿整個三角洲，共64條航帶，研究區(qū)域為第41、41航帶上的Ward Cut附近的河道，如圖1所示。

圖1 研究區(qū)的地理位置圖

此外，本文引入了野外實測樣點，所有的樣本點均利用GPS獲得，精度約1 m，記錄樣本的種類、覆蓋度和位置等屬性。每個樣本都拍攝兩張照片，一張為樣本整體景觀，另一張為近距離單個植株。每張照片都與相應(yīng)的點位、拍攝時間建立了關(guān)聯(lián)，方便后續(xù)參考和計算。

HyMap數(shù)據(jù)已由HyVista公司進行了幾何校正。本文僅對11個位于大氣水汽吸收帶的波段和1個數(shù)據(jù)錯誤波段進行了剔除；然后在假彩色合成（RGB分別對應(yīng)29、15、8波段）的基礎(chǔ)上數(shù)字化，提取水域邊界。

2 研究方法

2.1 植被微分光譜特征

光譜微分技術(shù)包括對反射光譜進行數(shù)學模擬和計算不同階數(shù)的微分值以迅速確定光譜彎曲點及最大最小反射率的波長位置[11]。利用光譜二階微分可以放大不同類型的植被形態(tài)、體內(nèi)水分的含量、葉綠素的含量等[12]。因此，將二階微分光譜分析技術(shù)應(yīng)用于濕地植被的研究，以期能夠獲取濕地植被識別的最佳波段。一階、二階微分光譜的計算方法如式（1）、（2）所示[13]：

式中，λi為每個波段的波長；ρ'（λi）、ρ"（λi）分別為波長λi的一階和二階微分光譜；Δλ是波長λi-1到λi的間隔，視波段波長而定。

2.2 植被指數(shù)

植被指數(shù)是對多個光譜遙感數(shù)據(jù)進行分析運算（加、減、乘、除等或非線性組合方式），產(chǎn)生某些對生物量、植被長勢等有一定指示意義的數(shù)值[14]。根據(jù)已有的研究成果，選擇了8種植被指數(shù)（如表1）來探究其對濕地植被的識別潛力。

2.3 Fisher判別分析法

Fisher方法是要找到一個（或一組）投影軸使得樣本投影到該空間后能在保證方差最小的情況下，將不同類的樣本很好地分開，并將度量類別均值之間差別的量稱為類間方差（或類間散布矩陣）；而度量這些均值周圍方差的量稱為類內(nèi)方差（或類內(nèi)散布矩陣）。Fisher判決的目標就是尋找一個最佳的投影方向，能夠在最小化類內(nèi)散布的同時最大化類間散布。

2.4 面向?qū)ο蠓诸惙椒?/p>

面向?qū)ο蠓诸惙椒ǖ年P(guān)鍵技術(shù)之一為多尺度分割技術(shù)（確定生成的影像對象最大允許的異質(zhì)性），以任意尺度生成屬性信息類似的影像多邊形對象（同質(zhì)像元）。在分割時充分考慮了植物的光譜、幾何、結(jié)構(gòu)以及紋理等信息，從而獲取同質(zhì)像元聚集，利用獲取的像元聚集，實現(xiàn)主動分類的功能。

3 光譜特征分析與植被信息提取

3.1 植被二階導數(shù)光譜特征分析

根據(jù)GPS采樣數(shù)據(jù)的屬性信息，選取單種植被覆蓋度為80%～100%的實測點為訓練和驗證的樣本點，通過訓練樣本在影像上提取光譜響應(yīng)曲線。

從圖2a中可以看出，4種濕地植被具有典型綠色植被具有的光譜特征（由于1.343 6 μm以后的波段受水體的影響較大，因此僅對0.452～1.343 6 μm波段進行分析），光譜響應(yīng)曲線形狀具有明顯的差別，這些差別反映了4種植被光譜特性的差異。4種植被光譜響應(yīng)曲線的二階微分如圖2b，選擇差異比較明顯的波段0.526～0.542 μm、0.663 9～0.755 1 μm、 0.945 5～0.977 1 μm、1.100 5～1.144 9 μm、1.316 2～1.330 2 μm，共獲得17個光譜值用于植被特征提取研究。對4種濕地植被的二階微分光譜17個波段以及8個植被指數(shù)進行Fisher判別分析。最終，二階導數(shù)的入選波段為0.526～0.542 μm、0.709 8～0.740 μm、0.945 5～0.992 9 μm，植被指數(shù)入選特征為CHIred-green、NDWI 、MTVI1、PSDN。

3.2 面向?qū)ο笮畔⑻崛?/p>

3.2.1 分割層次建立

對分割尺度的設(shè)定依據(jù)從下往上分割次序原則，根據(jù)野外實地調(diào)查，最終確定基礎(chǔ)分割尺度為50最優(yōu)。辣椒水草分布比較集中，面積較大，一般生長的區(qū)域鄰接水域呈條狀分布，分布集中，確定其分割尺度為200；蒲草主要分布在靠近水域的地方，石蓮花漂浮在水邊，二者分布形狀不規(guī)則，破碎度較大，分割尺度設(shè)置為80；沉水植被巴西水草分布集中，破碎度小，分割尺度為150。4種植被的自定義形狀指數(shù)為0.1，緊致度分別為0.6、0.3、0.4、0.5。

對圖像光譜響應(yīng)特征進行二階微分變換，得到波段0.526～0.542 μm、 0.709 8～0.740 μm、0.945 5～0.992 9 μm對4種植被的區(qū)分貢獻較大，將這些波段的分割權(quán)重設(shè)置為1，其他波段為0，即不參與分割。分割后遙感影像數(shù)據(jù)被劃分為一個個的對象，每一個對象均由同質(zhì)像元組成，在此基礎(chǔ)上針對各類植被進行進一步分類。

3.2.2 分類特征的選取與分類體系的建立

完成影像分割后，將特征提取中得到的區(qū)分性好的植被指數(shù)CHIred-green、 NDWI、MTVI1、 PSDN，用于指導Ecognition8.7中面向?qū)ο蠓诸惡瘮?shù)的設(shè)置。在設(shè)置過程中，其參數(shù)的確定需要在一定的范圍不斷調(diào)試，直到效果最好，再生成分類對象，如表2所示。

表2 分類規(guī)則

4 分類結(jié)果與精度評價

利用上述分類方法，得到的分類結(jié)果如圖3所示。

通過分類結(jié)果可知，蒲草和辣椒水草主要位于淺灘上；石蓮花主要分布在水域中流速較緩的區(qū)域；巴西水草則分布在離岸有一定距離、河水有一定深度的區(qū)域。為了進行準確客觀的精度驗證，在該河道42個野外實測樣點的基礎(chǔ)上，通過目視解譯隨機撒點的方法得到了100個樣本點，即樣本總數(shù)達到142個。利用驗證點數(shù)據(jù)對分類結(jié)果進行精度評價，生成混淆矩陣，如表3所示。

同時用傳統(tǒng)的面向?qū)ο蠓诸惙椒ǎü庾V未參與）提取巴西水草、石蓮花、蒲草和辣椒水草，并用142 個樣本點進行驗證，得到的總體分類精度為72.08%。

表3 分類結(jié)果精度評價

5 結(jié) 語

濕地植被斑塊小且分布不規(guī)則，根據(jù)異質(zhì)性最小原則分割出來的對象有其特有的形狀特征和邊界輪廓，可以更加準確地反映濕地植被的真實邊界和輪廓信息，從根本上減少錯分、漏分概率，避免椒鹽噪聲，提高分類精度;基于Fisher判別分析方法對不同植被的光譜響應(yīng)特征進行特征提取,克服了常規(guī)面向?qū)ο蠓椒ㄖ袇?shù)設(shè)置具有盲目性的不足;高光譜遙感數(shù)據(jù)光譜響應(yīng)特征分析與面向?qū)ο蠓诸惙椒ǖ慕Y(jié)合，可以使?jié)竦刂脖坏淖R別達到物種水平上，并能有效地提高物種的分類精度。

[1] Li X B, Shi P J. Research on Regulation of NDVI Change of Chinese Primary Vegetation Types Based on NOAA/AVHRR Data[J]. Acta Botanica Sinica,1999,41(3):314-324

[2] 張曉云，呂憲國.濕地生態(tài)系統(tǒng)服務(wù)價值評價研究綜述[J].林業(yè)資源管理,2006(10):81-87

[3] Myint S W, Gober P, Brazel A,et al. Per-Pixel vs. Objectbased Classification of Urban Land Cover Extraction Using High Spatial Resolution Imagery[J].Remote Sensing of Environment,2011(115):1 145-1 161

[4] 韓閃閃，李海濤，顧海燕.面向?qū)ο蟮耐恋乩米兓瘷z測方法研究[J].遙感應(yīng)用,2009(3): 23-29

[5] Desclee B, Bogaert P, Defourny P. Forest Change Detection by Statistical Object-based Method[J]. Remote Sensing of Environment,2006(10): l-11 [6] 孫曉霞,張繼賢,劉正軍.利用面向?qū)ο蟮姆诸惙椒◤腎KONOS全色影像中提取河流和道路[J].測繪科學,2006,31(1):62-64

[7] Hestir E L,Khanna S, Andrew M E,et al. Identification ofInvasive Vegetation Using Hyperspectral Remote Sensing in the California Delta Ecosystem[J].Remote Sensing of Environment,2008(112): 4 034-4 047

[8] Lawerence R L,Wood S D, Sheley R L.Mapping Invasive Plants Using Hyperspectral Imagery and Breiman Cutler Classifications (RandomForest)[J].Remote Sensing of Environment,2006(100):356-362

[9] Jassby A D, Cloern J E.Organic Matter Sources and Rehabilitation of the Sacramento-San Joaquin Delta (California, USA)[J]. Aquatic Conservation: Marine and Freshwater Ecosystems, 2000(10): 323-352

[10] Underwood E C, Mulitsch M J, Greenberg J A, et al. MappingInvasive Aquatic Vegetation in the Sacramento-San Joaquin Delta Using Hyperspectral Imagery [J].Environmental Monitoring and Assessment,2006(121): 47-64

[11] 浦瑞良，宮鵬.高光譜遙感及其應(yīng)用[M].北京:高等教育出版社, 2000

[12] Demetriades-Shah T H,Steven M D,Clark J A. High Resolution Derivative Spectra in Remote Sensing[J].Remote Sensing of Environment,1990(33):55-64

[13] 吳長山，向月琴，鄭蘭芬,等.利用高光譜數(shù)據(jù)對作物群體葉綠素密度估算的研究[J].遙感學報,2000,4(3):228-232

[14] 趙英時.遙感應(yīng)用分析原理與方法[M].北京:科學出版社,2004

P237.9

B

1672-4623（2015）04-0083-03

10.3969/j.issn.1672-4623.2015.04.030

柴穎，碩士，主要從事生態(tài)遙感與GIS研究。

2014-07-24。

項目來源：中國科學院戰(zhàn)略性先導科技專項資助項目（XDA05050106）。