辛動軍 ，袁 夢 ，陳建安 ，鐘 旭 ，臧藝元 ，胡 平 ，鐘國忠 ，唐 鼐 ，王傳立

（1.中南林業(yè)科技大學(xué)，湖南 長沙 410004；2.黃家湖國家濕地公園管理處，湖南 益陽 413000）

濕地是水陸相互作用形成的獨特生態(tài)系統(tǒng)，是生存環(huán)境和自然界生物多樣性的生態(tài)景觀之一，具有穩(wěn)定環(huán)境、物種基因保護(hù)及資源利用的功能[1-2]。遙感影像數(shù)據(jù)具有較高的空間分辨率、波譜分辨率、豐富的信息量、較高的定位精度，一直是濕地調(diào)查、研究與保護(hù)的重要數(shù)據(jù)源之一[3-4]。遙感分類可通過目視解譯和計算機自動分類完成[5]。目視解譯可充分利用判讀人員的知識和經(jīng)驗，解譯精度一般高于計算機分類，但其解譯精度受限于解譯人員的經(jīng)驗，帶有很大的主觀性。計算機自動分類速度快，能很大程度上降低人的勞動強度，但效果跟算法相關(guān)。已有的分類方法有：最小距離分類法和最大似然比分類法[6]。決策樹分類法[7-10]，面向?qū)ο蠓╗11-12]，主成分分析法[13]，神經(jīng)網(wǎng)絡(luò)法[14-15]等。

針對不同的濕地類型，基于遙感的濕地常用提取方法包括單波段閾值法，多波段閾值法，常見的濕地信息提取模式識別技術(shù)有監(jiān)督分類和非監(jiān)督分類以及以此為基礎(chǔ)提出的各種形式的混合分類法。這些方法大多基于數(shù)理統(tǒng)計理論，此類方法一般要求樣本數(shù)目趨于無窮大時才能獲得良好的分類精度，故在樣本數(shù)量少、特征維度低時效果欠佳。支持向量機的濕地信息自動提取方法雖然在整體上提高了分類精度，但依然存在很多錯分和漏分情況，主要是由于這些分類方法僅基于影像的光譜特征進(jìn)行分類，而遙感影像本身存在“同物異譜、同譜異物”的現(xiàn)象。到目前為止，除受遙感影像源限制的原因外，基于以上算法的遙感影像數(shù)據(jù)濕地分類精度普遍不高[11-15]。因此要想達(dá)到理想的分類精度，還需要考慮其它相關(guān)特征及其有效提取、分析方法。本文以黃家湖國家濕地公園為例，利用高分辨率遙感影像數(shù)據(jù)，提出利用快速離散曲波變換和極限學(xué)習(xí)機相結(jié)合的方法對濕地遙感影像進(jìn)行分類，旨在探討增強遙感信息提取精度和濕地類型分類準(zhǔn)確度的方法。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)湖南黃家湖國家濕地公園（東經(jīng)112°18′30″～ 112°24′34″， 北 緯 28°40′40″～28°45′10″）位于益陽市北7.5 km處，資水尾閭，南洞庭湖之濱，主要包括益陽市資陽區(qū)境內(nèi)的黃家湖、南門湖、甘溪港河的永興－窯山口段及其周邊區(qū)域與沅江市境內(nèi)的黃家湖。濕地公園東連資江甘溪港河，西與迎豐水庫尾水渠相連，北與沅江三眼塘區(qū)接壤，南到黃家湖管委會的香鋪侖村和劃香侖村。湖南黃家湖國家濕地公園地處雪峰山余脈與洞庭交接前緣地帶，資水中下游以北，屬濱湖丘陵地貌類型，海拔最高為266.3 m，最低為24.9 m，地勢比較平緩，屬第四紀(jì)濱湖沖積平原地帶。主要地類有湖泊、河流、草本沼澤、森林沼澤、農(nóng)田、水產(chǎn)養(yǎng)殖場等濕地類型，此外還有道路、民用建筑等非濕地。公園湖泊面積較大，占總面積的43.7%，除湖泊外各類型間交錯分布，較為復(fù)雜。

1.2 研究數(shù)據(jù)與方法

1.2.1 快速離散曲波變換

因快速離散曲波變換（Fast discrete curvelet transform）對圖像邊緣的強大提取和辨析能力，F(xiàn)DCT已被廣泛應(yīng)用于圖像處理之中。在文獻(xiàn)[16]中介紹了 2 種離散曲波變換算法，分別是基于非等價空間快速傅里葉變換的離散曲波變換算法和基于 Wrapping 的快速離散曲波變換算法。其中Wrapping算法是目前最快的離散曲波變換算法，因此本文采用Wrapping算法。

Wrapping 算法的主要流程：1、對森林斑塊遙感影像進(jìn)行二維快速傅里葉變換，得到二維頻域表示。2、對變換后的頻域表示與窗函數(shù)運算。3、圍繞原點作局部化處理。4、進(jìn)行二維快速傅里葉逆變換，計算曲波系數(shù)。曲波系數(shù)計算公式如下：

式中：參數(shù)j、l、k分別表示曲波變換的尺度、方向和位移。

1.2.2 極限學(xué)習(xí)機

極限學(xué)習(xí)機(Extreme Learning Machine)ELM[17]，是由新加坡南洋理工大學(xué)黃廣斌教授提出求解單隱層前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法。相對于傳統(tǒng)的單隱層前饋神經(jīng)網(wǎng)絡(luò)，ELM隨機初始化單隱層前饋神經(jīng)網(wǎng)絡(luò)的輸入權(quán)值和偏置值，通過優(yōu)化訓(xùn)練誤差和輸出權(quán)值范數(shù)，來保證優(yōu)良的泛化性能。其最大的特點是通過求解隱層輸出矩陣的廣義逆，直接計算輸出權(quán)值的解析解，比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)速度更快。假設(shè)有N個任意的樣本（Xi，ti），其中，

對于一個有L個隱層節(jié)點的單隱層神經(jīng)網(wǎng)絡(luò)可以表示為：

其中，g(x)為激活函數(shù)，Wi=[wi,1，wi,2，…，wi,n]T為輸入權(quán)重，βi為輸出權(quán)重，bi第i個隱層單元的偏置。Wi·Xj表示W(wǎng)i和Xj的內(nèi)積。一旦輸入權(quán)重Wi和隱層的偏置bi被隨機確定，隱層的輸出矩陣H就被唯一確定。訓(xùn)練單隱層神經(jīng)網(wǎng)絡(luò)可以轉(zhuǎn)化為求解一個線性系統(tǒng)Hβ=T。并且輸出權(quán)重β可以被解析確定。

其中，H?是矩陣的H的廣義逆。

1.2.3 試驗設(shè)計與過程

ELM結(jié)構(gòu)為單層前饋神經(jīng)網(wǎng)絡(luò)，其輸入為濕地遙感影像的光譜特征、紋理特征、空間特征，輸出為濕地類型，其隱含層神經(jīng)元數(shù)設(shè)置為40，學(xué)習(xí)函數(shù)采用連續(xù)可微的Sigmod函數(shù)[19]。因濕地類型的多樣性和光譜特征的不確定性，采用FDCT方法提取地物遙感影像的紋理特征，首先將遙感影像進(jìn)行FDCT變換分解，獲得影像的高頻曲波變換系數(shù)和低頻曲波變換系數(shù)，選取高頻部分曲波變換系數(shù)組合作為地物的紋理特征。最后將訓(xùn)練好的ELM神經(jīng)網(wǎng)絡(luò)用于濕地類型自動識別[20-21]。

實驗過程如下：

（1）將樣本圖像和測試圖像采用基于Wrapping的快速離散曲波變換進(jìn)行處理，從而獲得曲波變換系數(shù)。曲波變換后的結(jié)果如表1所示：

表1 曲波變換結(jié)果Table 1 The result of curvelet transform

從表1可以看出，圖像被劃分為4個尺度層。最內(nèi)層，也就是第一層稱為Coarse尺度層（最粗尺度層），是由低頻系數(shù)組成的一個19×15的矩陣。最外層，也就是第四層稱為Fine尺度層（最細(xì)尺度層），是由高頻系數(shù)組成的一個112×92的矩陣；中間的第二層和第三層稱為Detail尺度層，每層系數(shù)被分割為4個大方向，每個大方向又被劃分為4個、8個小方向，每個小方向是由中高頻系數(shù)組成的矩陣。

（2）對曲波變換分解獲得的低頻系數(shù)再進(jìn)行旋轉(zhuǎn)變換，形成列向量特征參數(shù)。

（3）構(gòu)建ELM神經(jīng)網(wǎng)絡(luò)，在本文中隱含層神經(jīng)元數(shù)為5 000，學(xué)習(xí)函數(shù)采用Sigmod函數(shù)，將2步得到的特征參數(shù)送入ELM神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)、訓(xùn)練和識別。

（4）濕地型分類實驗結(jié)果如表2所示。

表2 分類準(zhǔn)確率Table 2 Classification accuracy

從表2可以看出，F(xiàn)DCT+ELM的方法，識別率達(dá)到86.7% ，而SVM的方法為76.5%，但是FDCT+ELM的方法的特征維度為3 904，這會增加計算的復(fù)雜度。后期工作考慮對曲波特征進(jìn)一步降維后再訓(xùn)練，測試精度和時間上的變化。

2 結(jié)果與分析

2.1 分類效果比較

利用FDCT+ELM方法對濕地進(jìn)行分類可以得到較為滿意的結(jié)果，特征識別率達(dá)86.7%，Kappa指數(shù)達(dá)0.83。分類結(jié)果如圖2所示：

支持向量機（SVM）算法對濕地圖片進(jìn)行特征提取與分類效果如圖3所示：

FDCT+ELM算法在各個地類的識別上具有更高的精度，各個地類區(qū)分明顯，不同地類邊界的幾何形態(tài)較為清晰，SVM分類結(jié)果較為破碎，斑點噪聲較多，尤其在農(nóng)田、冬水田與草本沼澤的分類上破碎化程度較為突出，對永久性河流與永久性淡水湖的區(qū)分也存在混淆，將永久性河流誤判為永久性淡水湖。在對水產(chǎn)養(yǎng)殖場的區(qū)分上，兩者都表現(xiàn)出較滿意的精度。兩種算法在對洪泛平原濕地、永久性湖泊除了有細(xì)微的差別外，地類區(qū)分的特征基本一致[22-23]。總體而言，DCT+ELM算法表現(xiàn)更好。

2.2 分類精度評價及結(jié)果分析

為證明FDCT+ELM在高分辨率濕地遙感影像分類中的可行性，選取分類精度、錯分誤差、漏分誤差、總體精度和Kappa系數(shù)等因子進(jìn)行評價。兩種方法的分類精度如表3和表4所示：

圖2 FDCT+ELM方法分類結(jié)果Fig.2 The classif i cation result of FDCT+ELM method

圖3 SVM分類結(jié)果Fig.3 The classif i cation result of SVM method

表3 FDCT+ELM分類精度Table 3 The classification accuracy of FDCT+ELM

表4 SVM分類精度評價Table 4 The classification accuracy of SVM

對比分析表3和表4中分類精度、錯分誤差和漏分誤差數(shù)據(jù)，基于FDCT+ELM的濕地類型分類方法其分類精度達(dá)到了86.7%，明顯高于傳統(tǒng)SVM的濕地類型分類方法76.5%的分類精度，前者的Kappa系數(shù)超過0.83，高于傳統(tǒng)SVM分類方法的0.80。

3 結(jié)論與討論

本研究利用高分辨率遙感影像數(shù)據(jù)，對黃家湖國家濕地公園濕地類型進(jìn)行了研究。主要得出如下結(jié)論：

（1）提出基于FDCT與ELM的濕地類型分類方法，該方法結(jié)合快速離散曲波變換及極限學(xué)習(xí)機求解單隱層前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，在提高分類精度和運算速度的同時，具有結(jié)構(gòu)清晰、運算高效等優(yōu)點，在處理多維數(shù)據(jù)時可以根據(jù)需要主動選取分類特征變量，可以有效減少傳統(tǒng)分類方法在處理多光譜遙感數(shù)據(jù)時由于地物和地形過于復(fù)雜導(dǎo)致的分類混淆情況。

（2）對基于FDCT與ELM的濕地類型分類方法實驗及精度評價分析表明，其整體精度達(dá)86.7%。與經(jīng)典的基于SVM算法分類方法相比，整體分類精度提高了10.2%，Kappa系數(shù)提高0.03，尤其是洪泛平原濕地，草本沼澤，非濕地，稻田、冬水田和森林沼澤的分類精度明顯提高。

黃家湖國家濕地公園在洞庭湖區(qū)域，濕地類型主要包括草本沼澤，稻田、冬水田，非濕地，洪泛平原濕地，森林沼澤，水產(chǎn)養(yǎng)殖場，永久性淡水湖，永久性河流，運河、輸水河等景觀類型。其中植被一般都是成片分布區(qū)域較大，由此，利用快速離散曲波變換和極限學(xué)習(xí)機相結(jié)合的方法（FDCT+ELM算法）可以較為容易地將這些區(qū)域區(qū)分出來，在草灘和泥灘的過渡帶，以及草灘和明水體的過渡帶也都能比較準(zhǔn)確地區(qū)分出濕地植被區(qū)域邊界。實驗表明，與SVM分類算法的濕地分類相比，F(xiàn)DCT+ELM算法使?jié)竦貐^(qū)域各地類類型區(qū)分明顯，不同地類邊界的幾何形態(tài)較為清晰，識別精度更高。當(dāng)然，除了FDCT+ELM算法上的優(yōu)勢以外，其中研究區(qū)濕地類型70%以上為湖泊河流，相對比較單一，也是獲得較高濕地分類精度的因素之一。而基于SVM分類算法的濕地分類結(jié)果破碎化程度較高，尤其在農(nóng)田、冬水田與草本沼澤的分類上較為突出，斑點噪聲多，對永久性河流與永久性淡水湖的區(qū)分上也存在混淆。

本次實驗中FDCT+ELM方法的特征維度高達(dá)3 904維，增加了計算的復(fù)雜度。后期工作中可考慮對曲波特征進(jìn)行降維分析，在不降低分類精度的情況下降低計算的復(fù)雜度。針對濕地遙感分類，解譯者之間存在的相互差異對遙感分類結(jié)果的影響還仍然存在，為降低這一影響將是濕地遙感影像自動識別和分類研究有待進(jìn)一步待解決的關(guān)鍵問題之一。

基于FDCT與ELM算法將高分辨率遙感影像濕地分類方法推廣到地物識別、森林類型識別等應(yīng)用領(lǐng)域，對其進(jìn)一步研究有著十分重要的意義。

[1]邱煌奧,程朋根,等.多光譜遙感影像濕地水體提取方法綜述[J].江西科學(xué),2016,34(1):61-65.

[2]Amani M, Salehi B, Mahdavi S, et al.Wetland Classification Using Multi-Source and Multi-Temporal Optical Remote Sensing Data in Newfoundland and Labrador, Canada[J].Canadian Journal of Remote Sensing, 2017, (58): 1-14.

[3]Ballanti L, Byrd K, Woo I, et al.Remote Sensing for Wetland Mapping and Historical Change Detection at the Nisqually River Delta[J].Sustainability, 2017, 9(11): 1919.

[4]張樹文,顏鳳芹,于靈雪,等.濕地遙感研究進(jìn)展[J].地理科學(xué), 2013,33(11):1406-1412.

[5]王卷樂.著鄱陽湖地區(qū)環(huán)境變化遙感監(jiān)測與環(huán)境管理[M].北京:科學(xué)出版社,2016.

[6]MacAlister C, Mahaxay M.Mapping wetlands in the Lower Mekong Basin for wetland resource and conservation management using Landsat ETM images and fi eld survey data[J].Journal of Environ.Manage, 2009,90(7):2813-2823.

[7]Huiping Z,Hong J,Qinghua H.Landscape and Water Quality change detection in urban wetland: a post-classification comparison method with IKONOS Data[J].Procedia Environmen talSciences,2011,10:1726-1731.

[8]嚴(yán)恩萍,林 輝,莫登奎,等.基于ALOS數(shù)據(jù)的遙感植被分類研究[J].中南林業(yè)科技大學(xué)學(xué)報,2010,30(11):37-42.

[9]曹洪濤,張拯寧,李 明.基于c4.5決策樹的多特征遙感分類方法[J].測繪工程,2016,25(3):73-76.

[10]楊 冬, 李恩寶,等.利用決策樹模型的濕地提取與分類[J].遼寧工程技術(shù)大學(xué)學(xué)報( 自然科學(xué)版),2016,35(5):543-547.

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

[12]朱長明,李均力,等.面向?qū)ο蟮母叻直媛蔬b感影像濕地信息分層提取[J].測繪通報,2014(10): 23-28.

[13]東啟亮,林 輝,孫 華,等.多源遙感數(shù)據(jù)融合方法在濕地分類中的適用性研究[J].中南林業(yè)科技大學(xué)學(xué)報,2013,33(1):52-57.

[14]王慶光.基于人工神經(jīng)網(wǎng)絡(luò)的濕地遙感分類研究[D].北京:中國地質(zhì)大學(xué), 2006.

[15]Bortels L, Chan J C W, Merken R, et al.Long-term monitoring of wetlands along the Western-Greek Bird Migration Route using Landsat and ASTER satellite images: Amvrakikos Gulf (Greece)[J].Journal for Nature Conservation,2011,19(4):215-223.

[16]Mary G J J, Ramachandran A.Quality Improvement in Color Image Compression using New FDCT and FIDCT[J].International Journal of Computer Applications, 2015,123(8):12-17.

[17]G.Huang, Q.Zhu, C.Siew, Extreme learning machine: theory and applications[J].Elsevier Neurocomputing,2006,70(1–3):489–501.

[18]王德嬌,史晉芳,吳 倩,等.一種混合降噪方法在輻射圖像降噪處理中的應(yīng)用[J].機械設(shè)計與制造,2017(1):97-100.

[19]Chen J, Chen H, Wan X, et al.MR-ELM: a MapReduce-based framework for large-scale ELM training in big data era[J].Neural Computing & Applications, 2016, 27(1): 101-110.

[20]Deo R C, Tiwari M K, Adamowski J F, et al.Forecasting effective drought index using a wavelet extreme learning machine (W-ELM) model[J].Stochastic Environmental Research& Risk Assessment, 2017, 31(5): 1211-1240.

[21]王 樂,王 超.影像融合和面向?qū)ο蠹夹g(shù)在濕地分類中的應(yīng)用[J].地理空間信息,2017,15(8):22-29.

[22]Cao J, Chen T, Fan J.Landmark recognition with compact BOW histogram and ensemble ELM[M]. Kluwer Academic Publishers,2016: 2839-2857.

[23]Sinha R, Saxena S, Singh M.Protocols for riverine wetland mapping and classification using remote sensing and GIS[J].Current Science, 2017, 112(7): 1544-1552.