由佳 張懷清 陳永富 劉華 高志海

（中國林業(yè)科學研究院資源信息研究所，北京 100091）

基于“高分四號”衛(wèi)星影像洞庭湖濕地信息提取

由佳 張懷清 陳永富 劉華 高志海

（中國林業(yè)科學研究院資源信息研究所，北京 100091）

文章以“高分四號”衛(wèi)星數(shù)據(jù)為數(shù)據(jù)源，以湖南洞庭湖區(qū)域為主要研究區(qū)域，建立了洞庭湖三級濕地分類系統(tǒng)（主要包括：水體、草灘地、泥灘、耕地、林地、裸地六類），分別使用最大似然法、支持向量機法以及神經(jīng)網(wǎng)絡法對洞庭湖濕地進行遙感信息提取。結(jié)果顯示，在三種不同的遙感分類方法中，最大似然法分類精度相對較高，總體精度為77.14%，Kappa系數(shù)為0.592 9。研究發(fā)現(xiàn)：“高分四號”衛(wèi)星影像具有良好的濕地類型信息提取能力，采用最大似然分類方法可以較好的進行大區(qū)域濕地類型信息的提取。

濕地 信息提取 洞庭湖 “高分四號”衛(wèi)星 衛(wèi)星應用

0 引言

濕地主要分布在陸地與水體之間的過渡地帶，是兩者相互作用形成的獨特生態(tài)系統(tǒng)，是地球三大生態(tài)系統(tǒng)之一；具有顯著的生態(tài)效用、社會效用以及經(jīng)濟效用[1-4]；并被譽為“地球之腎”以及自然基因庫。就分類而言，其主要涵蓋沼澤地、泥炭地、湖泊、河灘、河口、海岸灘涂、鹽沼、水庫、池塘、稻田等天然濕地和人工濕地[5]。

洞庭湖的主水域一般是指東洞庭湖區(qū)，總面積達1 478km2，是天然蓄水型通江湖泊，對長江水量的調(diào)節(jié)具有重要的影響作用。若運用原有的野外實地勘察獲取數(shù)據(jù)分析洞庭湖濕地，則因其湖區(qū)內(nèi)部通行條件有限，獲取數(shù)據(jù)需要花費較多的人工、物力、財力以及時間，并難以保障研究效果的科學性。鑒此，本文運用濕地遙感檢測技術對洞庭湖濕地動態(tài)變化進行了全面監(jiān)測，此類方法可充分分析洞庭湖的未來發(fā)展趨勢和內(nèi)部生態(tài)環(huán)境的更迭，也有利于其合理的利用濕地資源和保護濕地生態(tài)環(huán)境；更為重要是可以在短時間內(nèi)，動態(tài)監(jiān)測濕地資源動態(tài)變化、濕地類型變化以及應急變化等內(nèi)容，這現(xiàn)已成為全球環(huán)境變化檢測途徑之一。

通過遙感技術手段提取濕地信息，近年來也取得顯著進步，并被多位專家學者廣泛運用到各自的研究領域。文獻[6]首先運用小波理論分析濕地遙感圖像的紋理特征，而后進行信息提取的研究；文獻[7]運用基于知識的分類方法，Landsat-7衛(wèi)星利用增強型專題制圖儀（Enhanced Thematic Mapper，ETM）數(shù)據(jù)，通過地面GIS信息以及物候特征，以洞庭湖為研究對象，有效的提高了提取信息的分類精度；文獻[8]以湖北洪湖濕地為研究對象，運用改進的獨立分量分析檢測方法，得到了濕地變化的檢測結(jié)果，使得檢測精度有所提升；文獻[9]利用面向像元和面向?qū)ο髢煞N方法的優(yōu)勢，結(jié)合多變量變化檢測，提出創(chuàng)新性較強的分類方法，可以大大提高濕地變化/未變化信息檢測的精度；文獻[10]則是應用支持矢量機分類方法，對現(xiàn)有遙感影像進行了分類，以杭州灣南岸濕地為研究對象進行了變化檢測，并從宏觀和微觀兩方面得出該區(qū)濕地范圍內(nèi)土地覆蓋類型的變化情況。

當前，濕地信息提取的研究雖然取得了長足進展，隨著遙感技術手段的不斷更新，高分辨率的遙感影像可使研究者對地物形狀及尺寸獲得更高的辨識度，而且更新速度快、覆蓋范圍廣，有效提升了空間信息的可靠性[11]。本研究通過利用分辨率為50m的“高分四號”（GF-4）衛(wèi)星遙感影像進行了濕地類型信息提取，以洞庭湖為研究區(qū)域，在對其影像進行預處理的基礎上，分別使用三種不同的遙感分類方法進行了提取研究，最后通過評價對比三種分類方法的精度，科學判定洞庭湖濕地信息提取的最佳方法。

1 研究區(qū)地理背景與數(shù)據(jù)分析

1.1 研究區(qū)地理背景

洞庭湖位于湖南省北部，長江中游荊江南岸，地處北緯27°39′～29°51′，東經(jīng) 111°19′～113°34′之間。該區(qū)域南近益陽等縣市，北抵安鄉(xiāng)縣、南縣等縣鄉(xiāng)，東至汨羅等市，西至澧縣等縣市（如圖1所示）。地處亞熱帶季風氣候，年平均氣溫在16.4～17℃之間，年降水量為1 100～1 400mm，年平均過水量達3 126×108m3，總?cè)莘e220×108m3，其中天然湖泊容積178×108m3，河道容積 42×108m3。洞庭湖獨特的生態(tài)環(huán)境使古老珍稀物種有了得天獨厚的生存、生長條件。洞庭湖是長江流域重要的蓄水型湖泊，具有強大的蓄洪能力，同時在保護生物多樣性方面發(fā)揮著舉足輕重的作用。

圖1 研究區(qū)地理位置Fig.1 Geographical location of research area

1.2 研究區(qū)影像數(shù)據(jù)

本研究利用GF-4衛(wèi)星數(shù)據(jù)，GF-4衛(wèi)星為光學成像衛(wèi)星，有可見光近紅外和中波紅外兩個通道，可見光近紅外譜段分辨率為50m，中波紅外譜段分辨率為400m，單景覆蓋區(qū)域為400km×400km，影像接收時間為2016年05月11日。GF-4衛(wèi)星數(shù)據(jù)光譜譜段和分辨率見表1。

表1 GF-4數(shù)據(jù)光譜譜段和分辨率Tab.1 Spectral bands of GF-4 data

1.3 研究區(qū)遙感分類系統(tǒng)

根據(jù)國家濕地分類標準（GB/T 24708-2009）和GF-4衛(wèi)星遙感影像的可解譯性，同時結(jié)合洞庭湖的實際地理情況，建立了洞庭湖三級濕地分類系統(tǒng)，如表2所示。

表2 洞庭湖濕地遙感分類Tab.2 Remote sensing classification of Dongting Lake wetland

2 濕地提取方法研究

對原始遙感影像數(shù)據(jù)進行預處理，通過融合、配準進行濕地類型信息的提取，本研究主要運用三種方法：最大似然法、支持向量機法以及神經(jīng)網(wǎng)絡法，具體流程如圖2所示。

2.1 監(jiān)督分類

（1）最大似然法分類（Likelihood Classification）

最大似然法假設每一個波段的每一類統(tǒng)計樣本都呈正態(tài)分布，計算給定像元屬于某一訓練樣本的似然度，像元最終被歸并到似然度最大的一類當中[12-14]。但其中兩個或多個波長的單波段訓練數(shù)據(jù)不理想的情況下，各個波峰應有一個唯一的作為單獨分離的訓練標識。

（2）支持向量機法（Support Vector Machine Classification，SVM）

支持向量機分類是由Vapnik領導的AT&T Bell實驗室研究小組在1995年提出的一種分類技術，該分類方法是一種建立在統(tǒng)計學習理論（Statistical Learning Theory，SLT）基礎上的機器學習方法。SVM可以根據(jù)有限的樣本信息在模型的復雜性（即對特定訓練樣本的學習精度）和學習能力（即無錯誤地識別任意樣本的能力）之間尋求最佳折衷情況下，自動尋找那些分類有較大區(qū)分能力的支持向量，由此構(gòu)造出分類器，可以將類與類之間的間隔最大化，因而有較好的推廣性和較高的分類準確度。

（3）神經(jīng)網(wǎng)絡法（Neural Net Classification）

神經(jīng)網(wǎng)絡法是指用計算機模擬人腦的結(jié)構(gòu)，用許多小的處理單元模擬生物的神經(jīng)元，用算法實現(xiàn)人腦的識別、記憶、思考過程應用與圖像分類。

圖2 區(qū)域濕地類型提取評價流程圖Fig.2 Flowchart of extraction and evaluation of regional wetland type

2.2 分類結(jié)果

研究區(qū)濕地的地物種類頗多，且不同地物的譜段關聯(lián)性密切。主要表現(xiàn)在：同類地物在 GF-4衛(wèi)星影像上存在極大的相似性，但其譜段特征間卻存在一定的差異性。因此根據(jù)研究區(qū)影像特性，依據(jù)相同的樣本區(qū)域，進行監(jiān)督分類，對比分析了最大似然法、神經(jīng)網(wǎng)絡和支持向量機三類算法，分類結(jié)果如圖3～5所示。

圖3 最大似然監(jiān)督分類結(jié)果圖Fig.3 Graph of maximum likelihood method supervision classification

圖4 支持向量機分類結(jié)果圖Fig.4 Graph of support vector machine classification

圖5 神經(jīng)網(wǎng)絡分類結(jié)果圖Fig.5 Graph of neuralnetwork classification

2.3 精度評價

研究區(qū)精度評價是利用Confusion Matrices工具評價分類結(jié)果，是通過混淆矩陣把分類結(jié)果的精度顯示在一個混淆矩陣里（用于比較分類結(jié)果和地表的真實信息）。研究區(qū)運用混淆矩陣對三種分類結(jié)果進行精度分析，其結(jié)果如表3～5所示。

表3 最大似然法精度評價Tab.3 Maximum likelihood classification accuracy evaluation

表4 支持向量機精度評價Tab.4 Support vector machine classification accuracy evaluation

表5 神經(jīng)網(wǎng)絡精度評價Tab.5 Neural network classification accuracy evaluation

由表3～5可以看出，在50m分辨率的高分遙感影像信息提取時，監(jiān)督分類的三種分類方法中最大似然法的精度相對較高。

3 不同提取方法的結(jié)果比較

在分類結(jié)果的比較中，運用統(tǒng)一的控制點對比精度，可以更加準確、客觀的比較分類結(jié)果，在三種分類方法中，總體分類精度可以看作被正確分類的像元總和除以總像元數(shù)，Kappa系數(shù)是通過把所有地表真實分類中的像元總數(shù)乘以混淆矩陣對角線的和，再減去某一類地表真實像元總數(shù)與被誤分成該類像元總數(shù)之積對所有類別求和的結(jié)果，再除以總像元數(shù)的平方減去某一類中地表真實像元總數(shù)與該類中被誤分成該類像元總數(shù)之積對所有類別求和的結(jié)果所得到的[12]。

其中最大似然法的總體精度=77.14%，Kappa系數(shù)=0.592 9；神經(jīng)網(wǎng)絡的總體精度=52.92%，Kappa系數(shù)=0.266 0；支持向量機的總體精度=50.05%，Kappa系數(shù)=0.292 3（如圖6所示）。

圖6 三種分類方法總體精度比較Fig.6 Comparison of accuracy of the three classification methods

由圖6可以看出，監(jiān)督分類中的最大似然法分類精度最高，尤其在研究區(qū)需重點提取地物精度時有一定的提升：三種信息提取方法對水體識別精度較好。從總體精度上可以看出，三種分類方法中最大似然法分類精度最好，其次為神經(jīng)網(wǎng)絡。

4 結(jié)束語

本文基于 GF-4衛(wèi)星數(shù)據(jù)影像，用三種不同的遙感圖像分類方法對洞庭湖區(qū)域進行分類識別和精度驗證，得出結(jié)論：

1）對于洞庭湖國家級自然保護區(qū)，GF-4衛(wèi)星影像具有良好的濕地類型信息提取能力。采用最大似然分類方法，其信息提取精度相對較高；神經(jīng)網(wǎng)絡方法其信息提取精度相對較差。

2）由于GF-4衛(wèi)星是50m分辨率的影像，運用文中的三種分類方法，在分類過程中均存在林地與草灘地混淆以及耕地與裸地混淆的情況。

3）由于GF-4衛(wèi)星屬于50m分辨率衛(wèi)星，在分類方面會有相鄰像元光譜混合現(xiàn)象的情況出現(xiàn)，分類中細節(jié)呈現(xiàn)不明顯。

受到 GF-4衛(wèi)星空間分辨率和傳感器自身的影響，以及濕地特征的復雜性的限制，仍有很多方面需要進一步完善，在利用 GF-4衛(wèi)星遙感影像的大跨度時間序列來進行大范圍、大尺度的濕地變化監(jiān)測方面仍需進一步探討，為濕地信息提取提供理論依據(jù)。

References)

[1] 孫廣友. 中國濕地科學的進展與展望[J]. 地球科學進展, 2000, 15(6): 666-672.

SUN Guangyou. Development and Prospect of Wetland Science in China[J]. Advance in Earth Sciences, 2000, 15(6): 666-672. (in Chinese)

[2] 楊永興. 國際濕地科學研究的主要特點、進展與展望[J]. 地理科學進展, 2002, 21(2): 111-120.

YANG Yongxing. Main Characteristics, Progress and Prospect of International Wetland Science Research[J]. Progress in Geography, 2002, 21(2): 111-120. (in Chinese)

[3] TOYRA J, PIETRONIRO A. Towards Operational Monitoring of a Northen Wetland Using Geometics-based Techiniques[J]. Remote Sensing of Environment, 2005, 97(2): 174-191.

[4] 張永澤, 王烜. 自然濕地生態(tài)恢復研究綜述[J]. 生態(tài)學報, 2001, 21(2): 309-314.

ZHANG Yongze, WANG Xuan. A Review of Ecological Restoration Studies on Natural Wetland[J]. Acta Ecologica Sinica[J]. 2001, 21(2): 309-314. (in Chinese)

[5] 張懷清, 鞠洪波. 濕地資源監(jiān)測技術[M]. 北京: 中國林業(yè)出版社, 2012.

ZHANG Huaiqing, JU Hongbo. Monitoring Technology of Wetland Resources[M]. Beijing: China Forestry Publishing House, 2012. (in Chinese)

[6] 朱朝杰. 基于特征分析的遙感影像變化檢測方法研究[D]. 鄭州: 解放軍信息工程大學, 2007.

ZHU Chaojie. A Study of Change Detection Algorithms Based on Feature Analysis of Remote Sensing Images[D]. Zhengzhou: The PLA Information Engineering University, 2007. (in Chinese)

[7] 王紅娟, 姜加虎, 黃群. 基于知識的洞庭湖濕地遙感分類方法[J]. 長江流域資源與環(huán)境, 2008, 17(3): 370-373.

WANG Hongjuan, JIANG Jiahu, HUANG Qun. On the Remote Sensing Classification Method of Dongting Lake Wetland Based on Knowledge[J]. Resources and Environment in the Yangtze Basin, 2008, 17(3): 370-373. (in Chinese)

[8] 李芳芳, 肖本林, 張謙. 基于改進獨立分量分析的濕地變化檢測方法[J]. 計算機應用, 2010, 30(5): 1347-1350.

LI Fangfang, XIAO Benlin, ZHANG Qian. New Wetland Change Detection Method Based onImproved in Dependent component analysis[J]. Journal of Computer Applications, 2010, 30(5): 1347-1350. (in Chinese)

[9] 祝錦霞, 郭慶華, 王珂. 濕地高分辨率遙感影像的變化檢測[J]. 中國農(nóng)業(yè)科學, 2010, 30(5): 1347-1350.

ZHU Jinxia, GUO Qinghua, WANG Ke. Change Detection on Wetlands Using High Spatial Resolution Imagery[J]. Scientia Agricultura Sinica, 2010, 30(5): 1347-1350. (in Chinese)

[10] 李愛霞. 基于遙感影像的杭州灣南岸濕地變化分析[J]. 浙江水利水電學院學報, 2015, 27(3): 62-67.

LI Aixia. Balance Analysis on South Hangzhou Bay Wetland Based on Remote Sensing Images[J]. Zhejiang Univ. of Wat. Res ＆ Electric Pow, 2015, 27(3): 62-67. (in Chinese)

[11] 陳述彭. 遙感地學分析[M]. 北京: 測繪出版社, 1990.

CHEN Shupeng. Analysis of Remote Sensing Geography[M]. Beijing: Surveying and mapping press, 1990. (in Chinese)

[12] 鄧書斌, 陳秋錦, 杜會建. ENVI遙感圖像處理方法[M]. 北京: 高等教育出版社, 2014.

DENG Shubin, CHEN Qiujin, DU Huijian. ENVI Remote Sensing Image Processing Methods[M]. Beijing: Higher Education Press, 2014. (in Chinese)

[13] 吳小娟, 肖晨超, 崔振營, 等. “高分二號” 衛(wèi)星數(shù)據(jù)面向?qū)ο蟮暮０毒€提取法[J]. 航天返回與遙感, 2015, 36(4): 84-91.

WU Xiaojuan, XIAO Chenchao, CUI Zhenying, et al. Coastline Extraction Based on Object-oriented Method Using GF-2 Satellite Data[J]. Spacecraft Recovery & Remote Sensing, 2015, 36(4): 84-91. (in Chinese)

[14] 陳云浩, 馮通, 史培軍, 等. 基于面向?qū)ο蠛鸵?guī)則的遙感影像分類研究[J]. 武漢大學學報: 信息科學版, 2006, 31(4): 316-320.

CHEN Yunhao, FENG Tong, SHI Peijun, et al. Classification of Remote Sensing Image Based on Object Oriented and Class Rules[J]. Geomatics and Information Science of Wuhan University, 2006, 31(4): 316-320. (in Chinese)

[15] 王忠武, 劉順喜, 戴建旺, 等. “高分二號” 衛(wèi)星多光譜與全色影像配準策略[J]. 航天返回與遙感, 2015, 36(4): 48-52.

WANG Zhongwu, LIU Shunxi, DAI Jianwang, et al. Registration Strategy for GF-2 Satellite Multispectral and Panchromatic Images[J]. Spacecraft Recovery & Remote Sensing, 2015, 36(4): 48-52. (in Chinese)

[16] 田上成, 張喬, 劉保成, 等. 基于傳感器幾何特性和圖像特征的影像配準方法[J]. 航天返回與遙感, 2013, 34(5): 85-89.

TIAN Shangcheng, ZHANG Qiao, LIU Baocheng, et al. An Improved Matching Method for Image Based on Sensor Geometric Features and Image Features[J]. Spacecraft Recovery & Remote Sensing, 2013, 34(5): 85-89. (in Chinese)

[17] 陳云浩, 馮通, 史培軍, 等. 基于面向?qū)ο蠛鸵?guī)則的遙感影像分類研究[J]. 武漢大學學報: 信息科學版, 2006, 31(4): 316-320.

CHEN Yunhao, FENG Tong, SHI Peijun, et al. Classification of Remote Sensing Image Based on Object Oriented and Class Rules[J]. Geomatics and Information Science of Wuhan University, 2006, 31(4): 316-320. (in Chinese)

Comparative Study of Dongting Lake Wetland Information Extraction Based on GF-4 Satellite Image

YOU Jia ZHANG Huaiqing CHEN Yongfu LIU Hua GAO Zhihai

（Research Institute of Forest Resource Information Techniques, Chinese Academy of Forestry, Beijing 100091, China）

With GF-4 Satellite data as the data source and Dongting Lake area in Hunan Province as the main research area, this paper establishes a classification system for Dongting Lake level-3 wetlands, mainly including six types, namely, water body, grass land, mud flat,cultivated land, forest land and bare land, and uses the methods of maximum likelihood, support vector machine and neural network for the extraction of remote sensing information of Dongting Lake wetlands. The results show that the maximum likelihood method has a relatively high classification accuracy with an overall accuracy of 77.14% and a Kappa coefficient of 0.592 9 among the above three different remote sensing classification methods. According to the research findings, the “GF-4 Satellite” image has a large capability of wetland type information extraction, and the use of maximum likelihood classification method can lead to better extraction of large-area wetland type information.

information Extraction; Dongting Lake; GF-4 satellite；satellite application

TP75

: A

: 1009-8518(2016)04-0116-07

10.3969/j.issn.1009-8518.2016.04.016

由佳，女，1984年生，山東濟南人，2015年獲得中國林科院木工所木材科學與技術專業(yè)工學博士學位，現(xiàn)為中國林科院資源信息研究所博士后，研究方向為森林經(jīng)理學。E-mail：youjiaha999@163.com。

（編輯：陳艷霞）

2016-06-06

國家重大專項（21-Y30B05-9001-13/15-2）