渠 斌，李新通

(福建師范大學(xué) 地理科學(xué)學(xué)院，福建 福州350007)

濕地是水陸相互作用形成的獨(dú)特生態(tài)系統(tǒng)，有涵養(yǎng)水源、調(diào)節(jié)氣候和徑流、控制污染、保持生物多樣性等功能，具有重要的生態(tài)價(jià)值，被稱為“地球之腎”[1].近年來，由于人類活動(dòng)的影響，濕地面積呈大面積減少趨勢(shì)，對(duì)生態(tài)環(huán)境的保護(hù)及人類生產(chǎn)、生活都產(chǎn)生了一定的影響.及時(shí)準(zhǔn)確地掌握濕地資源的現(xiàn)狀和動(dòng)態(tài)變化過程，對(duì)濕地的保護(hù)和開發(fā)有重要意義.

遙感技術(shù)是在區(qū)域尺度上準(zhǔn)確、及時(shí)監(jiān)測(cè)濕地的有效手段[2]，已經(jīng)廣泛用于濕地的資源調(diào)查和識(shí)別，為濕地的研究提供了有力的支撐[3-6].國(guó)內(nèi)外學(xué)者利用基于像元的傳統(tǒng)分類方法在提取濕地的遙感信息方面做了大量的研究，如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、決策樹、規(guī)則集等[7，8]近些年，面向?qū)ο蟮姆诸惙椒ㄔ谝恍┑貐^(qū)的濕地分類研究中被運(yùn)用.莫利江和謝靜分別對(duì)杭州灣南岸地區(qū)和三江平原的濕地進(jìn)行遙感分類研究[5,9].陳建龍等基于面向?qū)ο蠛虳EM進(jìn)行濕地提取分析研究，將面向?qū)ο蟮姆诸惙椒ㄗ隽诉M(jìn)一步的運(yùn)用和發(fā)展[10].傳統(tǒng)的遙感影像分類方法沒有充分考慮光譜特征之外的其他空間特征信息，而面向?qū)ο蟮亩嗵卣魅诤系倪b感影像濕地分類提取技術(shù)，是以若干同質(zhì)性像元組成的“對(duì)象”為處理單元[11]，綜合分析地物的光譜特征及形狀、紋理、大小等空間特征和上下文關(guān)系，能夠?qū)崿F(xiàn)快速分類[10].本文以面向?qū)ο蟮募夹g(shù)為支撐，利用e-Cognition軟件，對(duì)福州市龍祥島的濕地情況進(jìn)行研究分析，以期為該地區(qū)的濕地保護(hù)和開發(fā)利用提供理論支持.

1 研究區(qū)域與數(shù)據(jù)來源

1.1 研究區(qū)域

本文以福州市烏龍江流域龍祥島為研究區(qū)(圖1)，該地區(qū)氣候?qū)俚湫偷膩啛釒Ъ撅L(fēng)氣候，氣溫適宜，雨量充沛，年平均降水量為900～2100 mm.根據(jù)研究區(qū)的實(shí)際狀況，將目標(biāo)地類分為建筑與裸地、林地、耕地、灘涂、河流、農(nóng)用池塘六類，其中灘涂、河流、農(nóng)用池塘屬于濕地.

圖1 研究區(qū)位和影像數(shù)據(jù)

1.2 數(shù)據(jù)來源

研究所用數(shù)據(jù)為2001年的Aster衛(wèi)星遙感影像數(shù)據(jù)和2013年GF-1號(hào)衛(wèi)星遙感影像數(shù)據(jù)，其中Aster衛(wèi)星遙感數(shù)據(jù)用到其3個(gè)波段，分別為綠波段、紅波段和近紅波段，分辨率為15 m；GF-1號(hào)衛(wèi)星遙感數(shù)據(jù)共用到其4個(gè)波段，分別為藍(lán)波段、綠波段、紅波段和近紅波段，分辨率為8 m，原始影像數(shù)據(jù)需要進(jìn)行預(yù)處理.由于數(shù)據(jù)源的限制，選取2001年Aster衛(wèi)星影像和2013年GF-1影像是為了提高影像分辨率，并采用面向?qū)ο蟮姆诸惙椒?，?yàn)證分類方法對(duì)于多種影像的普適性.

2 研究方法

2.1 研究流程

首先通過面向?qū)ο蠓指罴夹g(shù)轉(zhuǎn)像元為基元，實(shí)現(xiàn)光譜相似像元的聚類;其次挖掘不同類型地物的地物光譜、空間形態(tài)、空間分布和空間關(guān)系等多種特征;再次通過分層分類、構(gòu)建規(guī)則集，實(shí)現(xiàn)遙感影像地物信息自動(dòng)分類；最后是分類結(jié)果的輸出和精度評(píng)價(jià)，并最終進(jìn)行濕地的變化檢測(cè)(見圖2).

圖2 濕地分類及變化檢測(cè)方法流程圖

2.2 遙感數(shù)據(jù)預(yù)處理

第一步，進(jìn)行遙感影像的輻射標(biāo)定；第二步，采用常用的FLASSH模型完成大氣校正；第三步，以Aster影像為基準(zhǔn)進(jìn)行幾何校正，校正誤差控制在0.5個(gè)像元；第四步，利用所選研究區(qū)界線矢量數(shù)據(jù)分別對(duì)預(yù)處理后的衛(wèi)星遙感數(shù)據(jù)進(jìn)行裁切[9].

2.3 多尺度分割

采用多尺度分割(multiresolution segmentation)算法進(jìn)行影像分割，以得到影像對(duì)象.基于本文的實(shí)驗(yàn)數(shù)據(jù)和地物分類的細(xì)度情況，將Aster影像分割時(shí)的參數(shù)確定為：[Scale parameter:4,Shape:0.1,Compctness:0.5]，將GF影像分割時(shí)的參數(shù)確定為：[Scale parameter:15,Shape:0.2,Compctness:0.5].參數(shù)的設(shè)置是多次實(shí)驗(yàn)的結(jié)果，尺度過大會(huì)導(dǎo)致分類精度降低和地類的混淆，尺度過小會(huì)導(dǎo)致地類的破碎化程度嚴(yán)重.

2.4 特征選取

面向?qū)ο蟮姆诸惙椒ㄍㄟ^分割使影像對(duì)象成為信息載體，由此提取到大量特征信息.本研究選取影像對(duì)象的光譜特征、空間幾何特征和空間關(guān)系特征，可以產(chǎn)生更加精確的分類結(jié)果.

光譜特征包括：亮度值、各波段均值、波段標(biāo)準(zhǔn)差、歸一化植被指數(shù)(NDVI)、歸一化水體指數(shù)(NDWI)等.由于本案例裁剪的影像在e-Cognition中顯示會(huì)有背景值，背景值會(huì)參與計(jì)算，背景顏色是黑色，故亮度值是一個(gè)明顯的區(qū)分，從而將分類的區(qū)域從中提取出來.水體和綠地在近紅外波段下具有較好的區(qū)分度，在水體的提取過程中，會(huì)用到此波段特征.同時(shí)。近紅波段作為NDVI和NDWI的計(jì)算輸入波段.植被在綠波段會(huì)有不同的區(qū)分，用作區(qū)分林地和耕地[14].紅波段會(huì)參與到NDVI的計(jì)算過程.

空間幾何特征包括：對(duì)象的形狀和大小.分割后的對(duì)象中，長(zhǎng)寬比較大的細(xì)長(zhǎng)狀水體應(yīng)為農(nóng)用池塘，形狀規(guī)則的應(yīng)為建筑和裸地等人工用地.通過面積指定的方法，將明顯錯(cuò)分的地類進(jìn)行糾正.

空間關(guān)系特征：對(duì)于類型的相對(duì)邊界(Rel.border to)、被...包圍和45°方向同質(zhì)性.臨近河流的對(duì)象應(yīng)為灘涂.在另一種地類中所包圍的某種地類可以被指定為相應(yīng)的地類，如被建筑和裸地包圍的河流指定為農(nóng)用池塘.

2.5 規(guī)則構(gòu)建

首先分割影像，在分割生成的對(duì)象基礎(chǔ)上選取訓(xùn)練樣本，再導(dǎo)出所選樣本的類別名稱與各種特征，最后通過Salford Predictive Modeler(SPM)軟件進(jìn)行建模，生成分類決策樹得到分類閾值.2001年Aster影像包含規(guī)則：Mean_green、Mean_red、NDVI、NDWI、Standard_red.2013年GF影像包含規(guī)則： Mean_green、Mean_red、NDVI、Mean_blue、GLCM_homogeneity.通過對(duì)比發(fā)現(xiàn)，兩期不同的影像分類規(guī)則中，用到的指標(biāo)都是5個(gè)，相同指標(biāo)3個(gè)，不同指標(biāo)2個(gè)，說明指標(biāo)的選取具有一定的相關(guān)性.由于兩期影像類型、波段數(shù)量和分辨率的不同，導(dǎo)致分類規(guī)則和閾值不同.不同影像的分類規(guī)則流程圖如圖3，其中的一些數(shù)字如21、31、32等是中間過程的一些命名，而林地、建筑和裸地、農(nóng)用池塘后的數(shù)字編碼則是同一種地類的不同區(qū)分，最終的分類結(jié)果要合并到同一地類中.

圖3 濕地提取分類流程圖Fig.3 Flow chart of wetland classification

由于地物地類的復(fù)雜性和斑塊特征的混合，地物特征不明顯的容易被分錯(cuò).故在執(zhí)行完上述分類規(guī)則后，還需要對(duì)影像的分類結(jié)果進(jìn)行檢查.對(duì)于分錯(cuò)的地物，通過一些明顯的特征值(如像元面積、鄰近距離、被包圍)進(jìn)行類別重分類，通過assign class 算法進(jìn)行實(shí)現(xiàn).特征不是特別明顯的對(duì)象之間可以采用手動(dòng)修改的方式，達(dá)到人機(jī)交互的效果，最終完成地物的分類.

2.6 精度評(píng)估

通過建立混淆矩陣分別計(jì)算分類結(jié)果的生產(chǎn)者精度、用戶精度、總體精度和總體Kappa系數(shù).利用ArcGIS中“生成隨機(jī)點(diǎn)”操作，每期影像都要選取400個(gè)樣本點(diǎn)，分別對(duì)其分類結(jié)果進(jìn)行精度評(píng)價(jià).

3 結(jié)果與分析

3.1 分類結(jié)果

基于面向?qū)ο蟮亩嗵卣魅诤系姆诸惙椒▽⒀芯繀^(qū)分為建筑和裸地、林地、耕地、灘涂、河流、和農(nóng)用池塘共六大類，分類結(jié)果如圖4.將濕地分類結(jié)果圖與影像圖進(jìn)行對(duì)比可以看出，不同濕地類型的錯(cuò)分現(xiàn)象主要發(fā)生在不同類型的交界處.導(dǎo)致這種錯(cuò)分現(xiàn)象的主要原因是，不同的濕地類型間各種參數(shù)特征存在相似性.所以，通過反復(fù)實(shí)驗(yàn)準(zhǔn)確地設(shè)置分割參數(shù)、選取閾值建立規(guī)則是提高分類精度的基礎(chǔ).

圖4 分類結(jié)果圖Fig.4 Map of classification result

3.2 精度評(píng)估結(jié)果

由表1可見，通過與目視解譯結(jié)果比較，在選擇的400個(gè)樣本點(diǎn)中，Aster影像被正確分類的建筑和裸地75個(gè)、農(nóng)用池塘12個(gè)、耕地23個(gè)、林地67個(gè)、灘涂58個(gè)、河流116個(gè).通過查看精度，河流的使用精度達(dá)到96.7%，建筑和裸地的使用精度達(dá)到90.4%，耕地、林地、和灘涂的使用精度也達(dá)到了80%以上，農(nóng)用池塘的使用精度較低，與選取的規(guī)則和地類的復(fù)雜程度有關(guān)，需要進(jìn)一步完善.總體精度達(dá)到87.8%，Kappa系數(shù)為0.848，說明整體的分類結(jié)果可靠，具有一定應(yīng)用價(jià)值.

表1 精度誤差評(píng)估矩陣(Aster)

由表2可見，通過與目視解譯結(jié)果比較，在選擇的400個(gè)樣本點(diǎn)中，GF影像被正確分類的建筑和裸地83個(gè)、林地48個(gè)、耕地18個(gè)、農(nóng)用池塘6個(gè)、河流164個(gè)、灘涂29個(gè).通過查看精度，耕地使用精度為100%，并不是耕地完全的被正確分類，而是由于精度的評(píng)價(jià)方法的局限，樣本點(diǎn)較少的原因造成的，但也說明耕地的分類精度較高.河流的使用精度達(dá)到95%，建筑和裸地、林地的使用精度也達(dá)到了80%以上，灘涂達(dá)到75%，而農(nóng)用池塘的使用精度較低，與選取的規(guī)則和地類的復(fù)雜程度有關(guān)，需要進(jìn)一步完善.總體精度達(dá)到87%，Kappa系數(shù)為0.827，說明整體的分類結(jié)果較好，是一種可靠的分類方法.

表2 精度誤差評(píng)估矩陣(GF)

3.3 變化檢測(cè)

將上述分類結(jié)果默認(rèn)為兩個(gè)時(shí)期的土地利用現(xiàn)狀，在此基礎(chǔ)上進(jìn)行分類變化檢測(cè).由圖5可以直觀地看出各地類的變化情況.通過計(jì)算發(fā)現(xiàn)：耕地和農(nóng)用池塘變化很小，耕地減少0.09%，農(nóng)用池塘增加0.10%；其他地類變化顯著，灘涂面積減少6.83%，林地面積減少5.39%，建筑和裸地的增加6.65%，河流面積增加5.54%，造成這種變化的原因可能是城市化進(jìn)程加快和流水的沖刷作用.

圖5 濕地面積變化圖

在所分地類中濕地包括河流、農(nóng)用池塘和灘涂，非濕地包括建筑和裸地、林地和耕地，本文只討論濕地和非濕地之間的變化情況，對(duì)比結(jié)果比較直觀.從濕地變化檢測(cè)圖中(圖6)，可清晰地看出濕地的變化情況.根據(jù)統(tǒng)計(jì)計(jì)算，研究區(qū)總面積約為52.37 km2，非濕地變濕地的為3 km2，濕地變非濕地的為3.62 km2，總體來看，濕地是減少的.濕地占研究區(qū)總面積的51.4%，其生態(tài)意義重大，因此需要合理開發(fā)和保護(hù).

圖6 濕地變化檢測(cè)圖

[1] 楊永興.國(guó)際濕地科學(xué)研究的主要特點(diǎn)、進(jìn)展與展望[J].地理科學(xué)進(jìn)展,2002,21(2):111-120.

[2]Shanmugam P, Ahn Y H, Sanjeevi S. A comparison of the classification of wetland characteristics by linear spectral mixture modelling and traditional hard classifiers on multispectral remotely sensed imagery in southern India[J]. Ecological Modelling, 2006, 194(4):379-394.

[3]李建平,張柏,張泠,等.濕地遙感監(jiān)測(cè)研究現(xiàn)狀與展望[J].地理科學(xué)進(jìn)展,2007,26(1):33-43.

[4]趙廣明,葉思源,李廣雪.衛(wèi)星遙感在濕地研究中的應(yīng)用[J].海洋地質(zhì)動(dòng)態(tài),2007,23(12):28-33

[5]莫立江,曹宇,胡遠(yuǎn)滿,等.面向?qū)ο蟮臐竦鼐熬坝^遙感分類-以杭州灣南岸地區(qū)為例[J].濕地科學(xué),2012,10(2):206-212.

[6]安如,陳志霞,陸玲.面向?qū)ο蟮狞S河源典型區(qū)濕地信息提取[J].河海大學(xué)學(xué)報(bào)(自然科學(xué)版)，2011,39(4):355-360.

[7]Atkinson P M. Spatially weighted supervised classification for remote sensing[J].International Journal of Applied Earth Observation and Geoinformation, 2004,5(4):277-291.

[8]Xu M, Watanachaturaporn P, Varshney P K, et al. Decisiontree regression for soft classification of remote sensing data[J]. Remote Sensing of Environment, 2005,97(3):322-336.

[9]謝靜, 王宗明, 毛德華,等. 基于面向?qū)ο蠓椒ê投鄷r(shí)相HJ-1影像的濕地遙感分類——以完達(dá)山以北三江平原為例[J]. 濕地科學(xué), 2012,10(4):429-438.

[10] 陳建龍, 王語檬, 侯淑濤,等. 面向?qū)ο蠛虳EM的ZY-1 02C影像濕地提取研究[J]. 地球信息科學(xué)學(xué)報(bào), 2015,17(9):1103-1109.

[11]Ursula C B, Hofmann P, Willhauck G, et al. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2004, 58(3-4): 239-258.

[12]林文鵬, 李厚增, 黃敬峰, 等. 上海城市植被光譜反射特征分析[J]. 光譜學(xué)與光譜分析, 2010, 30(11): 3111-3114.

[13]于歡, 張樹清, 趙軍,等. 基于ALOS遙感影像的濕地地表覆被信息提取研究[J]. 地球科學(xué)與環(huán)境學(xué)報(bào), 2010, 32(3):324-330.

[14]Glenn N F. Subpixel abundance estimates in mixture-tuned matched filtering classifications of leafy spurge (L.)[J]. International Journal of Remote Sensing, 2009, 30(23):6099-6119.