基于TM影像的崇明東灘濕地植被分類研究

楊立君，馬明棟，唐立軍

（1．河海大學(xué) 水文水資源學(xué)院，南京210098；2．南京郵電大學(xué)地理與生物信息學(xué)院，南京210003；3．上海祥陽水利勘測有限公司，上海202156）

濕地、森林與海洋一起并稱為全球三大生態(tài)系統(tǒng)，其中濕地植被是濕地生態(tài)系統(tǒng)的主要組成部分。濕地植被是濕地生態(tài)系統(tǒng)中能量的固定者和有機(jī)營養(yǎng)物質(zhì)的最初生產(chǎn)者，是最重要的營養(yǎng)級，能綜合反映濕地的生境特征，并在濕地水分、物質(zhì)、能量循環(huán)中起重要作用［1－2］。濕地植被的動(dòng)態(tài)變化能夠反映濕地的生態(tài)環(huán)境變化，被認(rèn)為是一個(gè)反映生態(tài)環(huán)境變化的敏感指示器，已成為研究熱點(diǎn)，其中植被分類是進(jìn)行植被覆蓋狀況和動(dòng)態(tài)變化規(guī)律研究的基礎(chǔ)［3］。

遙感技術(shù)具有宏觀、同步、動(dòng)態(tài)的優(yōu)勢，可以應(yīng)用于大規(guī)模、大尺度的濕地植被調(diào)查中。潮灘濕地處于海陸交匯的特殊地帶，土壤背景受潮汐影響，變化非常復(fù)雜，可達(dá)性差，利用遙感植被分類這是難點(diǎn)［4－5］。針對濕地復(fù)雜環(huán)境下植被信息提取，國內(nèi)外學(xué)者展開了大量研究。Hugo Coops等［6］2008年利用 Landsat－5TM數(shù)據(jù)源研究了多瑙河三角洲湖泊濕地水生植物，該分類方法以大量的野外工作為基礎(chǔ)，通過主成分分析法提取了10種濕地植被，分類效果較好。Dogan等［7］利用QuickBird影像對淺湖的濕地植被進(jìn)行了分類，該分類方法使用了水體掩膜和非監(jiān)督分類法，人工干預(yù)少，但分類精度低。在高光譜濕地植被分類中國外學(xué)者對水稻的研究較多，并建立了水稻產(chǎn)量的高光譜估算模型［8］。我國學(xué)者在對濕地植被分類中，主要是通過光譜特征分析及波段變換采用決策樹分類方法［9－11］，該方法需要一定專業(yè)知識(shí)，在確定決策樹閾值時(shí)，往往需要大量的試驗(yàn)，在分類時(shí)分類依據(jù)較少且完全靠人為制定。上海崇明東灘是我國重要的河口濕地，它為亞太地區(qū)遷徙鳥類提供了重要的越冬生境和中途停歇點(diǎn)，是我國瀕海濕地生物多樣性關(guān)鍵地區(qū)。1992年崇明東灘濕地被列入《中國保護(hù)濕地名錄》，2002年被濕地國際組織接納為“國際重要濕地”（編號1144），2005年被國家林業(yè)局批準(zhǔn)為國家級鳥類自然保護(hù)區(qū)。

本文以崇明東灘為例，以Landsat－5TM影像為數(shù)據(jù)源，在波譜特征分析的基礎(chǔ)上，基于知識(shí)發(fā)現(xiàn)探索水體、淤泥、植被等信息的自動(dòng)提取方法，探討將光譜特征變量作為輔助信息進(jìn)行植被分類的方法，以期為灘涂地區(qū)植被動(dòng)態(tài)監(jiān)測及覆蓋狀況提供參考，并為進(jìn)一步研究植被群落生態(tài)系統(tǒng)穩(wěn)定性和植被恢復(fù)提供科學(xué)依據(jù)。

1 研究區(qū)概況及數(shù)據(jù)預(yù)處理

1．1 研究區(qū)概況

崇明東灘是長江口規(guī)模最大、發(fā)育最完善的河口型潮汐濕地，位于崇明島最東端（東經(jīng)121°53′—122°10′，北緯31°26′—31°35′），是由長江徑流攜帶的泥沙沉積而成，目前仍以每年150～200m的淤漲速度向東海推進(jìn)。崇明東灘地勢平坦，灘地以0．05%的和緩坡度向海傾斜，灘高為3．6～4．2m，土壤鹽度為3～6，多由粉砂組成且有機(jī)質(zhì)含量高。崇明東灘屬于北亞熱帶海洋性氣候，溫和濕潤，年平均氣溫為15～16℃，這些自然環(huán)境為潮灘植被的生長、發(fā)育和繁殖提供了良好條件，植被生長旺盛。崇明東灘植被主要以挺水型植物為主，由低潮區(qū)的海三棱藨草，包括糙葉苔草和藨草群落帶、內(nèi)側(cè)高潮區(qū)的蘆葦群落和中、高潮區(qū)交錯(cuò)混生的互花米草群落3大類，伴以堿蓬或白茅為主的鹽土植被，主要植被群落具有高程梯度分布的特征。遙感影像主要地物包含內(nèi)陸、植被潮灘及渾濁水體。本文主要針對潮灘中的主要植被群落蘆葦、互花米草和海三棱藨草進(jìn)行植被分類研究。

1．2 遙感影像預(yù)處理

本文選用獲取時(shí)間為2007年7月28日10：19的Landsat－5TM影像數(shù)據(jù)為數(shù)據(jù)源，該影像成像時(shí)天空無云，質(zhì)量較好，水邊線未淹沒潮灘植被。成像時(shí)間潮灘植被覆蓋度高、信息豐富、特征明顯，易于解譯。對遙感影像的預(yù)處理主要包括輻射定標(biāo)、大氣校正、幾何校正和影像增強(qiáng)等。本文輻射定標(biāo)利用Chander、Markham和Helder的研究成果，選用NLAPS處理產(chǎn)品的對應(yīng)定標(biāo)參數(shù)完成輻射定標(biāo)，采用 MODTRAN 4＋輻射傳輸模型完成大氣校正［12－13］。利用上海灘涂1∶5萬地形圖對大氣校正后的遙感影像進(jìn)行幾何校正，在海堤上及海堤內(nèi)側(cè)選擇共15個(gè)校正點(diǎn)，采用一次多項(xiàng)式，最鄰近重采樣的方法插值。最后的幾何校正誤差為0．333，小于0．5個(gè)像元。對于幾何校正后的遙感影像，通過2%裁剪拉伸進(jìn)行增強(qiáng)。

2 基于知識(shí)發(fā)現(xiàn)的植被分類方法

2．1 地物光譜特征采集

地物的光譜特征研究是現(xiàn)代遙感技術(shù)的重要組成部分，是遙感應(yīng)用分析的基礎(chǔ)。光譜特征研究的總體方法包括：（1）用光譜儀測定實(shí)際光譜；（2）用理論公式推導(dǎo)地物理想光譜值；（3）通過影像分析確定波段對應(yīng)值。本文中對研究區(qū)典型地物的波譜分析采用兩種方法：一是采用ENVI軟件直接從TM影像上采集研究區(qū)內(nèi)典型地物在不同波段上的光譜響應(yīng)值（圖1）。二是利用美國ASD公司生產(chǎn)的Field－SpecR 3Hi－Res便攜式地物光譜儀采集研究區(qū)內(nèi)典型地物的光譜值（圖2）。由于淤泥、水體光譜與植被光譜區(qū)分性強(qiáng)，且實(shí)地采集困難大，因此本文沒有實(shí)測淤泥與水體光譜。

圖1 TM典型地物光譜曲線

2．2 典型地物光譜特征分析

（1）通過植被光譜曲線可以看出，兩種方法獲得的地物光譜曲線具有很強(qiáng)的相似性，預(yù)處理后的遙感影像能夠真實(shí)地記錄地表信息。

（2）植被與非植被的光譜特征差異較大。在可見光波段非植被類型地物反射率較植被反射率高；在紅外波段渾濁水體由于水的吸收作用，其反射率明顯低于其它地物類型；淤泥的光譜曲線沒有明顯的峰谷特征。

圖2實(shí)測典型地物光譜曲線

（3）典型綠色植被光譜特征明顯，在可見光波段大部分被吸收只有綠光波段被少量反射，在近紅外波段光穿透葉綠素，被綠色植物的葉片細(xì)胞反射，形成強(qiáng)反射。

（4）從實(shí)測的3種類型植被的光譜曲線（圖2）可以看出，3種典型地物的光譜曲線特征相似，區(qū)分難度大，但在近紅外波段，互花米草反射率最高，其次是蘆葦，海三菱藨草為最低，這與遙感影像典型地物反射率均值一致。

2．3 植被潮灘提取

由以上分析可得，潮灘植被光譜特征相似，淤泥與水體光譜特征差異明顯且容易提取。潮灘地區(qū)的遙感影像主要包含內(nèi)陸、植被潮灘、淤泥及渾濁水體，為了減少“同物異譜”和“異譜同物”，本文將植被潮灘從遙感影像中單獨(dú)提取出來。

2．3．1 內(nèi)陸分離 內(nèi)陸分離是以海堤為界將內(nèi)陸分離出去。本文利用ENVI軟件以手動(dòng)建立掩膜的方式將內(nèi)陸分離。

2．3．2 水體分離 歸一化差異水體指數(shù)［NDWI＝（Green－NIR）／（Green＋NIR）］和改進(jìn)的歸一化差異水體指數(shù)［MNDWI＝（Green－MIR）／（Green＋MIR）］是水體信息提取最常用的方法。水體指數(shù)法通過波段間的比值運(yùn)算能夠增強(qiáng)某些地物的反差，是水體信息提取的典型方法［14］。歸一化差異水體指數(shù)最先由Mcfeeters提出，后由徐涵秋提出了改進(jìn)歸一化差異水體指數(shù)［15］。從計(jì)算公式可以看出兩個(gè)水體指數(shù)只是參與計(jì)算的波段不同，為了尋找增強(qiáng)水體與淤泥（背景）反差的最優(yōu)方法，本文按照歸一化水體指數(shù)的思想，計(jì)算了 TM1、TM2、TM3和 TM4、TM5的波段組合值。通過計(jì)算水體與淤泥樣本均值距離來評價(jià)增強(qiáng)反差效果，在計(jì)算結(jié)果中，（TM1－TM5）／（TM1＋TM5）最大，其次是（TM3－TM5）／（TM3＋TM5）?？紤]到研究區(qū)水體與淤泥在空間上臨近，在水體提取中本文采用（TM1－TM5）／（TM1＋TM5）波段組合，將兩個(gè)類別的概率密度曲線相交點(diǎn)（0．4）作為分割閾值對水體進(jìn)行分離［16－17］。

2．3．3 植被提取 歸一化植被指數(shù)［NDVI＝（TM3－TM4）／（TM3＋TM4）］是植被狀態(tài)和植被覆蓋度的最佳檢測指標(biāo)［18］，因此，本文通過NDVI將植被潮灘提取出來。

2．4 植被指數(shù)計(jì)算

2．5 最佳植被指數(shù)選擇

不同植被指數(shù)的波段選擇和計(jì)算方式存在差異，對不同地物的區(qū)分效果也不盡相同。為了評價(jià)植被指數(shù)在潮灘植被調(diào)查中的效果，本文選用均值間標(biāo)準(zhǔn)化距離（d）來反映兩個(gè)地物密度函數(shù)的可分性［20］，其公式為：

其中：μ1，μ2——兩類樣本的光譜均值；δ1，δ2為兩類樣本的標(biāo)準(zhǔn)方差。按公式（1）對典型地物蘆葦、互花米草、海三棱藨草進(jìn)行標(biāo)準(zhǔn)化距離計(jì)算，為了使計(jì)算結(jié)果具有可比性，在計(jì)算之前將各植被指數(shù)在［0，255］進(jìn)行線性拉伸，計(jì)算結(jié)果如表1所示。受篇幅限制，在IC、PC及KT變換中，僅列出標(biāo)準(zhǔn)化距離較大值分量。

為了總體評價(jià)植被指數(shù)在潮灘植被分類中的可分性，本文通過典型植被間的標(biāo)準(zhǔn)化距離和值來進(jìn)行評價(jià)。距離和值越大可分性越好，反之則差，將距離和值從高到低排序，結(jié)果如表1所示。表1表明，對于潮灘優(yōu)勢植被，海三菱藨草和蘆葦、海三菱藨草和互花米草可分性較強(qiáng)，蘆葦和互花米草可分性較差，只有KT1、KT2、DVI植被指數(shù)具有較好的可分性，但距離值也較小。

表1 均值間標(biāo)準(zhǔn)化距離統(tǒng)計(jì)

2．6 神經(jīng)網(wǎng)絡(luò)分類

神經(jīng)網(wǎng)絡(luò)在對多光譜數(shù)據(jù)進(jìn)行分類時(shí)，不需要概率分布模型，可以方便地將地理輔助數(shù)據(jù)及光譜派生數(shù)據(jù)加入到多光譜數(shù)據(jù)的分類中去，它通過對訓(xùn)練樣本學(xué)習(xí)獲得網(wǎng)絡(luò)的權(quán)值，形成分類器，且在一定程度上可以消除傳統(tǒng)遙感影像分類所帶來的模糊性和不確定性［21－22］。研究表明，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行遙感監(jiān)督分類的精度比傳統(tǒng)分類高10%～30%。綜合考慮標(biāo)準(zhǔn)化距離和值最大及蘆葦和互花米草的可分性，本文將KTI、TRVI和DVI植被指數(shù)加入到原始影像，采用神經(jīng)網(wǎng)絡(luò)分類方法對潮灘植被進(jìn)行監(jiān)督分類。

3 結(jié)果與分析

采用神經(jīng)網(wǎng)絡(luò)方法分別對預(yù)處理后的原始影像、最佳植被指數(shù)組合影像及原始影像加最優(yōu)植被指數(shù)的遙感影像通過ENVI 4．8軟件進(jìn)行神經(jīng)網(wǎng)絡(luò)監(jiān)督分類，并對分類精度進(jìn)行評價(jià)。在分類精度評價(jià)中，將實(shí)地調(diào)勘察與上海市邊灘資源遙感調(diào)查結(jié)合，分別選取了827個(gè)蘆葦樣本、572個(gè)互花米草樣本和620個(gè)海三菱藨草樣本，建立混淆矩陣，并計(jì)算相關(guān)指標(biāo)，得表2。

由表2可知，在去除了水體、淤泥后，僅針對植被潮灘進(jìn)行植被分類的精度較高。從總體分類精度和Kappa系數(shù)上看，由于原始影像加上指數(shù)影像后增加了植被的可區(qū)分信息，該影像分類精度最高；由于植被指數(shù)絕大多是由TM3、TM4波段經(jīng)過線性和非線性組合而成，忽略了其它波段的光譜信息，因此，由最佳植被指數(shù)組合的影像分類精度較低。從用戶精度上看，海三菱藨草精度最高，互花米草最低，這和互花米草與蘆葦之間標(biāo)準(zhǔn)化距離最小可分性最差相一致。

表2 不同影像的混淆矩陣及分類精度比較

4 結(jié) 論

本文分析了研究區(qū)典型地物的實(shí)測反射光譜曲線和遙感影像光譜曲線，通過編程自動(dòng)比較了植被指數(shù)和水體指數(shù)在崇明東灘典型地物信息提取中的優(yōu)劣。在此基礎(chǔ)上，用密度分割方法對研究區(qū)域水體和淤泥進(jìn)行信息提取，手動(dòng)方式對內(nèi)陸進(jìn)行分離。最后對植被潮灘中的典型植被進(jìn)行神經(jīng)網(wǎng)絡(luò)監(jiān)督分類。在植被分類過程中得到以下結(jié)論：利用水體指數(shù)和植被指數(shù)將植被從遙感影像中提取出來，可以提高典型地物的統(tǒng)計(jì)精度，較好地克服“同物異譜”和“同譜異物”現(xiàn)象。在預(yù)處理后的遙感影像中加入了最佳植被指數(shù)后，分類精度提高至86．5%?；谥R(shí)發(fā)現(xiàn)的潮灘植被分類，在水體和淤泥提取、感興趣選擇和最佳指數(shù)確定中，通過編程實(shí)現(xiàn)。該分類方法所需專業(yè)知識(shí)少，分類速度快，可以快速、準(zhǔn)確地掌握濕地優(yōu)勢地物的分布狀況及動(dòng)態(tài)變化趨勢。崇明東灘互花米草與海三菱藨草紋理特征、光譜曲線特征相似，且受環(huán)境背景影響大，分類精度還不是特別理想。

［1］ 孟憲民．濕地與全球環(huán)境變化［J］．地理科學(xué)，1999，19（5）：385－391．

［2］ 孫廣友．中國濕地科學(xué)的進(jìn)展與展望［J］．地球科學(xué)進(jìn)展，2000，15（6）：666－669．

［3］ 李曉兵，史培軍．基于NOAA／AVHRR數(shù)據(jù)的中國主要植被類型NDVI變化規(guī)律研究［J］．植物學(xué)報(bào)，1999，41（3）：314－324．

［4］ 劉瑜，韓震．基于遙感的長江口南匯潮灘植被群落時(shí)空動(dòng)態(tài)變化［J］．上海海洋大學(xué)學(xué)報(bào)，2009，18（5）：579－585．

［5］ 劉瑜，韓震，李睿．基于主成分分析和植被指數(shù)的潮灘植被信息提取研究［J］．遙感應(yīng)用，2010（4）：44－50．

［6］Coops H，Hanganu J，Thdor M，et al．Classification of Danube Delta lakes based on aquatic vegetation and turbidity［J］．Hydrobiologia，1999，415：187－191．

［7］ Dogan O K，Akyurek Z，Beklioglu M．Identification and mapping of submerged plants in a shallow lake using quickbird satellite data［J］．Environmental Magagement，2009，90（7）：2138－2143．

［8］ Lacapra V C，Melack J M，Gastil M，et al．Remote sensing of foliar chemistry of inundated rice with imaging spectrometry［J］．Remote Sensing of Environment，1996，55（1）：50－58．

［9］ 張策，臧淑英，金竺，等．基于支持向量機(jī)的扎龍濕地遙感分類研究［J］．濕地科學(xué)，2011，9（3）：263－270．

［10］ 阿也提古麗·斯迪克，趙書河，左平，等．基于知識(shí)工程師的崇明島東灘自然保護(hù)區(qū)鹽沼植被分類研究［J］．國土資源遙感，2010（1）：123－126．

［11］ 劉瑜，韓震．植被指數(shù)在長江口潮灘濕地植被信息提取中的應(yīng)用研究［J］．遙感技術(shù)與應(yīng)用，2009，24（6）：777－783．

［12］ 姚薇，李志軍．Landsat衛(wèi)星遙感影像的大氣校正方法研究［J］．大氣科學(xué)學(xué)報(bào)，2011，34（2）：251－256．

［13］ 侯東，宋國寶，董燕生，等．TM傳感器輻射定標(biāo)參數(shù)精度分析［J］．國土資源遙感，2010（4）：14－18．

［14］ 席曉燕，沈楠，李小娟．ETM＋影像水體提取方法研究［J］．計(jì)算機(jī)工程與應(yīng)用，2009，30（4）：993－996．

［15］ 曹榮龍，李存軍，劉良云，等．基于水體指數(shù)的密云水庫面積提取及變化監(jiān)測［J］．測繪科學(xué)，2008，33（2）：158－160．

［16］ 李慶海，陶本藻．概率統(tǒng)計(jì)原理和在測量中的應(yīng)用［M］．北京：測繪出版社，1990．

［17］ 李均力，盛永偉，駱劍承．喜馬拉雅山地區(qū)冰湖信息的遙感自動(dòng)化提?。跩］．遙感學(xué)報(bào)，2011，15（1）：36－43．

［18］ 田慶久，閔祥軍．植被指數(shù)研究進(jìn)展［J］．地球科學(xué)進(jìn)展，1998，13（4）：327－333．

［19］ Zhao Bin，Yan Yaner，Guo Haiqiang，et al．Monitoring rapid vegetation succession in estuarine wetland using time series MODIS－based indicators：an application in the Yangtze River Delta Area［J］．Ecological Indicators，2009，9（2）：346－356．

［20］ Aronoff S，Goodfellow W．Effective analysis of image processing to regional geochemical data［J］．Advanced Technology for Monitoring and Processing Global Environmental Data，1985，7：220－234．

［21］ 張友水，馮學(xué)智，阮仁宗，等．Kohonen神經(jīng)網(wǎng)絡(luò)在遙感影像分類中的應(yīng)用［J］．遙感學(xué)報(bào)，2004，8（2）：178－184．

［22］ 張金屯，楊洪曉．自組織特征人工神經(jīng)網(wǎng)絡(luò)在龐泉溝自然保護(hù)區(qū)植物群落分類中的應(yīng)用［J］．生態(tài)學(xué)報(bào)，2007，27（3）：1005－1010．