摘 要：為準(zhǔn)確監(jiān)測(cè)寧夏哈巴湖國(guó)家級(jí)自然保護(hù)區(qū)植物資源，以2017年Landsat8遙感影像、高分衛(wèi)星遙感影像結(jié)合實(shí)地調(diào)查和無(wú)人機(jī)多光譜影像，分析保護(hù)區(qū)9種典型植物群落的光譜特征，并利用2種分類方法對(duì)保護(hù)區(qū)植被進(jìn)行分類。研究結(jié)果表明，面向?qū)ο蠓诸惙ǚ诸惥葹?9.90%，最大似然法分類精度僅為52%，面向?qū)ο蠓诸惙椒ū茸畲笏迫环ǜm合進(jìn)行研究區(qū)植物群落尺度的分類制圖;研究區(qū)分布范圍廣泛且集中連片分布的是沙柳群落和檸條群落，與多年來(lái)保護(hù)區(qū)長(zhǎng)期治理措施有關(guān)。

關(guān)鍵詞：遙感; 植物群落; 面向?qū)ο蠓诸?/p>

中圖分類號(hào)：P237; Q948 " " "文獻(xiàn)標(biāo)識(shí)碼：A " " 文章編號(hào)：1002-204X（2024）01-0017-06

doi：10.3969/j.issn.1002-204x.2024.01.006

Remote Sensing Classification of Plant Communitity in Haba Lake National Nature Reserve of Ningxia

Ren Chengbao1， Yu Dian1， Pang Haiwei2， Bian Zhen2*， Sang Guoqing2

（1.Ningxia Habah Lake National Nature Reserve Administration， Wuzhong， Ningxia 751100; 2.School of Water Conservancy and Environment， Jinan University， Jinan， Shandong 250022）

Abstract In order to accurately monitor the plant resources of Haba Lake National Nature Reserve in Ningxia and provide scientific basis for the ecological protection of the reserve， the spectral characteristics of 9 typical plant communities in the reserve were analyzed based on Landsat 8 remote sensing images and high-resolution satellite remote sensing images in 2017， combined with field investigation and UAV multispectral images， Two classification methods were used to classify the vegetation in the reserve. The results showed that the classification accuracy of object-oriented classification method was 79.90%， and the classification accuracy of maximum likelihood method was less than 52%; Salix psammophila community and Caragana korshinskii community were concentrated and widely distributed in the study area， which was related to the long-term management measures of the reserve over the years.

Key words Remote sensing; Plant community; Object-based classification

植被是陸地生態(tài)系統(tǒng)中最重要的組分，在陸地表面能量交換和水分循環(huán)過(guò)程中起著至關(guān)重要的作用[1-2]，因此開(kāi)展植被及其變化的相關(guān)研究具有非常重要的現(xiàn)實(shí)意義。近些年來(lái)，國(guó)內(nèi)外很多研究人員借助遙感影像數(shù)據(jù)，對(duì)植被類型及其空間分布進(jìn)行研究[3-4]。隨著高分辨率航空影像和衛(wèi)星影像的發(fā)展，對(duì)陸地植被的遙感分類也逐漸趨于大范圍、高精度和高時(shí)效[5]。FU Y Y等[6]結(jié)合光譜與空間特征提出一種改進(jìn)的植被分類方法，研究表明通過(guò)同時(shí)利用圖像光譜和空間信息能夠進(jìn)一步提高植被分類精度。COLEMAN R W等[7]利用Sentinel-2和國(guó)家農(nóng)業(yè)影像計(jì)劃（NAIP）光學(xué)影像對(duì)城市和非城市區(qū)域的不透水地表喬木、灌木、草本、裸露土壤/非光合植被和水體進(jìn)行分類，得到了較好的結(jié)果。付偉等[8]選取2010年Landsat5和2010年Landsat8遙感影像，根據(jù)其光譜特征曲線和紋理波段，對(duì)福建省長(zhǎng)汀縣河田地區(qū)的植被類型及其變化進(jìn)行了研究，結(jié)果表明該方法準(zhǔn)確有效。符雅盛等[9]基于Landsat8 OLI影像，使用ArcGIS的Hillshade模塊，結(jié)合決策樹(shù)分類法，避免了傳統(tǒng)經(jīng)驗(yàn)?zāi)Ｐ驮诓煌暥冗m用性不同的弊端，提高了山地和丘陵等地形復(fù)雜且存在大面積陰影區(qū)域的植被分類精度。

哈巴湖國(guó)家級(jí)自然保護(hù)區(qū)處于荒漠化前沿地帶，保護(hù)區(qū)內(nèi)植物資源是當(dāng)?shù)鼗哪乐蔚年P(guān)鍵因素，對(duì)荒漠化防治和當(dāng)?shù)厣鷳B(tài)環(huán)境修復(fù)中具有顯著作用的植物群落特征進(jìn)行定量監(jiān)測(cè)，有利于客觀精確地評(píng)價(jià)生態(tài)系統(tǒng)的穩(wěn)定性和當(dāng)?shù)厣鷳B(tài)環(huán)境質(zhì)量，進(jìn)而提供進(jìn)一步的保護(hù)措施。本文綜合多源遙感信息，充分利用高分辨率影像在紋理方面的優(yōu)勢(shì)以及Landsat8影像數(shù)據(jù)豐富的光譜信息，采用面向?qū)ο蠓诸惙椒ê妥畲笏迫环▽?duì)哈巴湖9種植物進(jìn)行群落尺度的分類，并對(duì)分類結(jié)果進(jìn)行對(duì)比分析，研究獲取保護(hù)區(qū)各類植物群落空間分布信息，對(duì)生態(tài)保護(hù)和荒漠化防治具有一定參考價(jià)值。

1 研究區(qū)概況與主要遙感數(shù)據(jù)

1.1 研究區(qū)概況

寧夏哈巴湖國(guó)家級(jí)自然保護(hù)區(qū)（圖1）位于寧夏回族自治區(qū)吳忠市鹽池縣中北部，地理坐標(biāo)為106°53'26\"～107°39'38\" E、37°37'17\"～38°02'04\" N，總面積達(dá)84 000 hm2。地質(zhì)構(gòu)造位于布倫廟—鎮(zhèn)原白堊系大向斜和賀蘭山—青龍山的褶皺帶的兩個(gè)互帶，海拔1 300～1 622 m，大部分為緩坡灘地。保護(hù)區(qū)屬于中溫帶干旱氣候區(qū)，具典型的大陸性氣候特征，動(dòng)植物地理區(qū)系成分復(fù)雜，物種多樣性豐富。

1.2 數(shù)據(jù)源與預(yù)處理

1.2.1 數(shù)據(jù)來(lái)源

（1）無(wú)人機(jī)數(shù)據(jù)獲取。無(wú)人機(jī)數(shù)據(jù)用于樣本選擇和精度驗(yàn)證。在本研究中無(wú)人機(jī)監(jiān)測(cè)系統(tǒng)采用CCD面陣相機(jī)作為遙感設(shè)備，配置28 mm鏡頭，像幅尺寸為36 mm×24 mm[2]，像元大小為6.4 μm。航攝區(qū)域的范圍選取覆蓋各監(jiān)測(cè)點(diǎn)位內(nèi)的全部樣地，并適當(dāng)擴(kuò)大100 m。航線由地面端DJIPilot軟件設(shè)置，航向重疊度80%，旁向重疊度65%，航高120 m以內(nèi)。無(wú)人機(jī)影像獲取時(shí)間為2017年7月21—23日，具體拍攝點(diǎn)位見(jiàn)圖1采樣位置。

（2）高分遙感影像獲取。主要衛(wèi)星數(shù)據(jù)源為高分三號(hào)、資源三號(hào);部分缺失區(qū)域，使用高分一號(hào)衛(wèi)星數(shù)據(jù)補(bǔ)充。具體信息見(jiàn)表1。

（3）Landsat8影像獲取。本研究使用由地理空間數(shù)據(jù)云網(wǎng)站上采集的2017年9月6日Landsat8遙感影像作為基本數(shù)據(jù)源。為了保證影像質(zhì)量，選取的影像云量低于5%，并通過(guò)輻射定標(biāo)、大氣校正等預(yù)處理[10]。

1.2.2 影像預(yù)處理

使用Pix4Dmapper軟件進(jìn)行無(wú)人機(jī)航攝影像處理，通過(guò)圖像篩選、勻色、圖像同名點(diǎn)匹配、點(diǎn)云計(jì)算、圖像拼接等步驟，生成拍攝區(qū)域數(shù)字表面模型（DSM）和可見(jiàn)光正射影像（DOM）。其分辨率在2.8 cm以內(nèi)，較高的分辨率為后續(xù)分類精度的驗(yàn)證提供數(shù)據(jù)支持。

對(duì)Landsat8影像數(shù)據(jù)預(yù)處理后，完成30 m分辨率的保護(hù)區(qū)多光譜影像處理。以2 m分辨率高分影像為基準(zhǔn)，對(duì)保護(hù)區(qū)Landsat8多光譜數(shù)據(jù)依據(jù)最鄰近法進(jìn)行空間重采樣，獲取2 m空間分辨率的Landsat8影像1～7波段圖像[11]，1～7波段依次代表海岸波段、藍(lán)波段、綠波段、紅波段、近紅外波段和2個(gè)短波紅外波段?；谝呀?jīng)過(guò)幾何精校正的高分衛(wèi)星影像，對(duì)Landsat8數(shù)據(jù)進(jìn)行幾何精校正和數(shù)據(jù)裁切，保留有利于植被監(jiān)測(cè)的近紅外波段（NIR）和紅波段（R）、綠波段（G）3個(gè)波段信息。

2 植被分類

2.1 野外調(diào)查

本研究結(jié)合荒漠化定位監(jiān)測(cè)研究，在無(wú)人機(jī)航攝區(qū)域，劃定6塊30 m×30 m樣地，在樣地內(nèi)以“S”形設(shè)置5個(gè)樣方進(jìn)行植物特征調(diào)查，樣方大小為1 m×1 m，數(shù)量共30個(gè)，監(jiān)測(cè)植物名稱、覆蓋度和高度，依此確定樣地優(yōu)勢(shì)植物。

2.2 植被類型確定

根據(jù)保護(hù)區(qū)存在的主要植被分布及實(shí)地考察，在保護(hù)區(qū)選擇9種植物群落：白刺群落（Nitraria tangutorum Bobrov）、鹽爪爪群落（Kalidium foliatum （Pall.） Moq.）、芨芨草群落（Achnatherum splendens （Trin.） Nevski）、檸條群落（Caragana microphylla Lam.）、黑沙蒿群落（Artemisia desertorum Spreng. Syst. Veg.）、苦豆子群落（Sophora alopecuroides L.）、沙柳群落（Salix cheilophila C. K. Schneid.）、檉柳群落（Tamarix chinensis Lour.）、榆樹(shù)群落（Ulmus pumila L.）。結(jié)合實(shí)地調(diào)查和遙感影像，上述群落能夠較完整地分布在大于1個(gè)Landsat影像像元（30 m×30 m）范圍內(nèi)，有利于從遙感影像中對(duì)其影像特征進(jìn)行分析[12]，能夠在光譜和紋理特征方面較好地保證遙感解譯精度。

2.3 典型植物群落光譜特征區(qū)分

基于生成的無(wú)人機(jī)正射影像，對(duì)于確定的9種典型植物群落，共選取131個(gè)遙感圖像采樣點(diǎn)，并利用ArcGIS軟件提取采樣點(diǎn)對(duì)應(yīng)的Landsat8多光譜影像7個(gè)波段的光譜反射率值，進(jìn)行算術(shù)平均后獲得9個(gè)典型植物群落的光譜反射率曲線（圖2）。

2.4 歸一化植被指數(shù)

歸一化植被指數(shù)（NDVI）是反映植被覆蓋程度和植物間差異性等綜合特征的重要指標(biāo)之一，借助不同植物群落在NDVI上的差異可提高最終分類精度，分別計(jì)算出不同植物群落的NDVI值（圖3）[13-14]。

NDVI=

式中：NDVI為歸一化植被指數(shù)，NIR為近紅外波段的反射率，R為可見(jiàn)光紅波波段的反射率。

2.5 典型植物群落遙感分類

本研究運(yùn)用兩種方法對(duì)典型植物群落進(jìn)行分類。一種是利用ERDAS軟件，采用傳統(tǒng)的以像元為分類單元的最大似然法進(jìn)行分類;另一種是借助eCognition軟件，采用面向?qū)ο蠓诸惙椒?，使用最鄰近分類器?duì)影像進(jìn)行分類[15]。借助重采樣至2 m分辨率的研究區(qū)Landsat8影像數(shù)據(jù)，解譯各典型植物群落解譯標(biāo)志，結(jié)合野外調(diào)查成果，進(jìn)行分類樣本選擇。

3 結(jié)果與分析

3.1 分類精度評(píng)價(jià)

為了更好地說(shuō)明分類的準(zhǔn)確度，本研究均采用誤差矩陣的精度評(píng)價(jià)方法[16]對(duì)eCognition面向?qū)ο蠓诸惤Y(jié)果和ERDAS最大似然法分類結(jié)果分別進(jìn)行分類精度檢驗(yàn)。

由（表2）可知，Kappa系數(shù)為0.76，分類結(jié)果一致性較好。利用地面檢驗(yàn)點(diǎn)進(jìn)行不同類型分類精度檢驗(yàn)，結(jié)果表明，總體精度超過(guò)79%。最大似然法（表3）中，其總體精度為52%，Kappa系數(shù)為0.39，分類結(jié)果一致性一般，從精度上來(lái)看誤分、漏分現(xiàn)象嚴(yán)重。

3.2 分類結(jié)果及空間格局特征分析

由面向?qū)ο蠓诸惤Y(jié)果制表，由表4可知，研究區(qū)9種植物群落分布最廣泛的為沙柳群落和檸條群落，較為均勻地分布于研究區(qū)各地，面積分別為112.24 km2和111.01 km2，分別占研究區(qū)總面積的13.46%和13.32%?？臻g分布較少的群落為苦豆子群落和檉柳群落，面積分別為3.88 km2和5.72 km2，分別占研究區(qū)總面積的0.46%和0.68%。9種植物群落合計(jì)面積為342.69 km2，占研究區(qū)總面積的40.80%。

由空間分布格局（圖4）來(lái)看，沙柳、檸條群落不僅分布范圍廣泛，且集中連片分布，與多年來(lái)保護(hù)區(qū)長(zhǎng)期治理措施有關(guān)。鹽爪爪、白刺、檉柳、芨芨草群落呈現(xiàn)明顯的地帶性分布，均分布于保護(hù)區(qū)幾處濕地范圍內(nèi)，且4種群落間存在一定的空間梯度變化關(guān)系。鹽爪爪群落在濕地水域邊緣或濕地中心分布，外圍是白刺連片分布，檉柳群落和芨芨草群落零星分布于濕地邊緣，這與實(shí)地調(diào)查結(jié)果相符。

4 結(jié)論與討論

4.1 結(jié)論

本研究以Landsat8影像以及高分辨率無(wú)人機(jī)影像作為主要數(shù)據(jù)源，對(duì)哈巴湖國(guó)家級(jí)自然保護(hù)區(qū)進(jìn)行了基于群落尺度的分類研究。結(jié)果顯示，用面向?qū)ο蠓诸惙椒ɡ贸叨群线m的對(duì)象為分類單元對(duì)各種濕地植物群落分類，可以克服傳統(tǒng)的基于像元光譜特征分類方法出現(xiàn)的分類斑塊破碎現(xiàn)象，9種植物群落分類精度達(dá)到79%以上，具體結(jié)論如下：

（1）基于多源遙感融合的影像數(shù)據(jù)，在保留Landsat8影像數(shù)據(jù)光譜信息的同時(shí)，增強(qiáng)了影像紋理，對(duì)各植物群落紋理方面有較為細(xì)致的刻畫(huà)，為面向?qū)ο蠓诸愡^(guò)程中樣本選擇提供參考，進(jìn)而提高準(zhǔn)確度;同時(shí)，因無(wú)人機(jī)影像對(duì)植物形態(tài)、紋理等細(xì)致特征的刻畫(huà)非常充分，結(jié)合地面調(diào)查經(jīng)驗(yàn)，各種喬木、灌木和草本植物群落特征均能得到較準(zhǔn)確的識(shí)別，為影像分類精度驗(yàn)證提供了可靠的數(shù)據(jù)支撐。

（2）對(duì)比2種分類方法結(jié)果：面向?qū)ο蠓诸愡_(dá)到較高的精度，總體精度在79%以上，Kappa系數(shù)為0.76;最大似然法分類精度較低，總體精度約52%，Kappa系數(shù)為0.39，分類效果不理想。說(shuō)明遙感分類方法的選擇對(duì)于群落尺度植物分類制圖結(jié)果非常重要，面向?qū)ο蠓诸惙椒ǜm合研究區(qū)植物群落的識(shí)別。

（3）研究區(qū)9種植物群落分布最廣泛的為沙柳群落和檸條群落，較為均勻地分布于研究區(qū)各地，分別占研究區(qū)總面積的13.46%和13.32%;空間分布較少的群落為苦豆子群落和檉柳群落，分別占研究區(qū)總面積的0.46%和0.68%;鹽爪爪、白刺、檉柳、芨芨草群落呈現(xiàn)明顯的地帶性分布，均分布于保護(hù)區(qū)幾處濕地范圍內(nèi)，且4種群落間存在一定的空間梯度變化關(guān)系。研究明確保護(hù)區(qū)各類植物群落分布特征，為生態(tài)保護(hù)和荒漠化防治提供參考。

4.2 討論

本研究利用現(xiàn)有地面調(diào)查和無(wú)人機(jī)監(jiān)測(cè)數(shù)據(jù)進(jìn)行樣本采集和精度驗(yàn)證，監(jiān)測(cè)點(diǎn)分布的均勻性和樣本總量不足，分類結(jié)果的精度尚需進(jìn)一步驗(yàn)證和提高，分類方法仍需不斷完善。后期將繼續(xù)在植物生長(zhǎng)季進(jìn)行補(bǔ)充調(diào)查監(jiān)測(cè)，并在提高整體分類精度的前提下，對(duì)典型植物群落的年際變化進(jìn)行深入研究，為保護(hù)區(qū)植物群落演替和生態(tài)環(huán)境監(jiān)測(cè)提供有效的數(shù)據(jù)支撐。

參考文獻(xiàn)：

[1] 陳效逑，王恒. 1982—2003年內(nèi)蒙古植被帶和植被覆蓋度

的時(shí)空變化[J]. 地理學(xué)報(bào)，2009，64（1）：84-94.

[2] 郭慶華，胡天宇，馬勤，等. 新一代遙感技術(shù)助力生態(tài)系統(tǒng)生態(tài)學(xué)研究[J]. 植物生態(tài)學(xué)報(bào)，2020，44（4）：418-435.

[3] 周玉科. 基于遙感的中國(guó)東北植被物候不對(duì)稱特征分析[J]. 遙感技術(shù)與應(yīng)用，2019，34（2）：345-354.

[4] PU R L， BELL S. Mapping seagrass coverage and spatial patterns with high spatial resolution IKONOS imagery[C]. International Journal of Applied Earth Observation and Geoinformation， 2017，54：145-158.

[5] 楊超，鄔國(guó)鋒，李清泉，等. 植被遙感分類方法研究進(jìn)展[J]. 地理與地理信息科學(xué)，2018，34（4）：24-32.

[6] FU Y Y， ZHAO C J， WANG J H， et al. An Improved Combination of Spectral and Spatial Features for Vegetation Classification in Hyperspectral Images[J]. Remote Sensing， 2017，9（3）：261.

[7] COLEMAN R W， STAVROS N， YADAV V， et al. A simplified framework for high-resolution urban vegetation classification with optical imagery in the Los Angeles megacity[J]. Remote Sensing， 2020，12（15）：2399.

[8] 付偉，徐涵秋，王美雅，等. 南方紅壤典型水土流失區(qū)植被分類及植被類型變化的遙感評(píng)估——以福建省長(zhǎng)汀縣河田地區(qū)為例[J]. 遙感技術(shù)與應(yīng)用，2017，32（3）：546-555.

[9] 符雅盛，張利華，朱志儒，等. 基于決策樹(shù)——山體陰影模型的植被信息提取研究[J]. 長(zhǎng)江流域資源與環(huán)境，2020，29（2）：386-393.

[10] 鄭偉，曾志遠(yuǎn). 遙感圖像大氣校正方法綜述[J]. 遙感信息，2004（4）：66-70.

[11] LUO G P， CHEN X， ZHOU K F， et al. Temporal and spatial variation and stability of the oasis in the Sangong River Watershed， Xinjiang， China[J]. Science in China（Series D：Earth Sciences），2003，46（1）：62-73.

[12] 葉慶華，田國(guó)良，劉高煥，等. 黃河三角洲新生濕地土地覆被演替圖譜[J]. 地理研究，2004（2）：257-264，282.

[13] 陳繼龍，魏雪馨，劉洋，等. 基于多時(shí)相遙感觀測(cè)的板栗林分布提取研究[J]. 遙感技術(shù)與應(yīng)用，2020，35（5）：1226-1236.

[14] 王崇陽(yáng)，田昕. 基于GF-1 PMS數(shù)據(jù)的森林覆蓋變化檢測(cè)[J]. 遙感技術(shù)與應(yīng)用，2021，36（1）：208-216.

[15] 林卉，邵聰穎，李海濤，等. 高分辨率遙感影像5種面向?qū)ο蠓诸惙椒▽?duì)比研究[J]. 測(cè)繪通報(bào)，2017（11）：17-21.

[16] 王雷，馮學(xué)智，都金康. 遙感影像分類與地學(xué)知識(shí)發(fā)現(xiàn)的集成研究[J]. 地理研究，2001（5）：637-643.

責(zé)任編輯：達(dá)海莉