皖南低山丘陵破碎帶植被信息提取方法

陳 遠 ， 阮仁宗 ，羅菊花 ， 周賢鋒 ， 徐 娜

（1.河海大學 地球科學與工程學院, 江蘇 南京 210098；2.中國科學院 南京地理與湖泊研究所， 江蘇 南京210008；3.南京大學， 江蘇 南京210008；4.西安科技大學，陜西 西安710054）

江南丘陵區地塊破碎，土地利用/覆被類型相對比較復雜，傳統的基于像元和光譜特征的計算機自動分類方法的精度難以達到實際應用的要求[1,2]。目視解譯方法可提高分類精度，但往往具有主觀性、不可移植性以及效率低等缺點[3,4]。面向對象分類技術可以充分利用對象的紋理、空間、上下文等特征信息，從而提高分類的精度[5,6]。

本文利用多尺度、多變量的面向對象分類方法，結合環境星、Landsat5以及DEM數據，嘗試對繁昌縣植被信息提取進行研究，并針對不同植被類型所具有的特征差異性，選用相應的分割尺度和變量參與分割，按整體到部分逐層過濾提取的順序進行分類研究。

1 研究區概況及數據獲取

1.1 研究區概況

皖南地區屬于亞熱帶常綠闊葉林區域中的北亞熱帶常綠、落葉闊葉混交林帶和中亞熱帶常綠闊葉林帶。繁昌縣屬于皖南低山丘陵破碎帶，年平均氣溫為16.6 ℃，1月平均氣溫為0.4 ℃，7月平均氣溫為28.8 ℃；年降水量為1 176.30 mm，無霜期為230～250 d[7]；平均海拔14.8 m。除去耕地之外，植被類型主要有常綠闊葉林、常綠針葉林、落葉闊葉林、落葉闊葉灌木林、灌木園地等。

1.2 分類體系

根據“應對氣候變化的碳收支認證及相關問題”專項制定的土地覆被分類系統[8]，一級類為林地、草地、濕地、耕地、人工表面、其他6大類。本文結合研究區影像特點以及實地調查，可將林地細分為常綠闊葉林、落葉闊葉林、常綠針葉林、落葉闊葉灌木林、喬木園地、喬木綠地、灌木園地、灌木綠地；草地細分為草叢、草本綠地；耕地細分為水田和旱地；其他非植被類型不作進一步細分，見表1。

表1 分類系統表

1.3 數據獲取及預處理

由于植被不同物候期具有不同的光譜特征，因此進行植被信息提取和二級類分類的遙感提取需要多時相遙感影像。環境減災小衛星HJ1-CCD影像的空間分辨率是30 m，4個波段的波譜范圍分別0.43～0.52 μm、0.52～0.60 μm、0.63～0.69 μm 和 0.76～0.90 μm， 重 訪周期為2 d。考慮到HJ-CCD影像的空間分辨率和較高的時間分辨率，在區域尺度上進行土地覆蓋的研究較為適宜，因此本文實驗數據以HJ數據為主，輔以Landsat5數據。按實驗要求選取覆蓋研究區無云的4景HJ和2景TM影像以及ASTER GDEM數據作為輔助，如表2所示。這批數據影像質量較好，覆蓋研究區植被主要生長期，信息豐富，滿足植被信息提取要求。DEM在區分林地與其他植被時有顯著作用，且是區分各個林種重要的輔助數據，在園地及水體的提取中也可起到一定的參考作用。

對研究區不同傳感器數據源和不同時相遙感影像數據進行精確配準是后期準確提取地物的前提。本文采用的投影坐標系為WGS_1984_Albers，地理坐標系為GCS_WGS_1984。數據預處理包括對遙感影像的投影變換、輻射定標、大氣校正、幾何校正等。TM120 038對研究區未完全覆蓋，小部分在120 039中，對120 038與120 039作了拼接處理，拼接后影像按照120 038作為4月份的影像進行使用。另外，將TM數據進行KT變換，結合其他波段數據用以水體信息的過濾，效果較為明顯。

表2 研究區數據源表

2 研究方法

2.1 影像分割

面向對象分類方法首先要進行影像分割，產生分類單元。影像分割的質量對分類精度影響較大[9]。本文在分割過程中采取eCognition提供的多尺度分割方法。應針對不同研究區或數據源，不同地物類型選取相應分割尺度，而且參與分割影像的權重也很重要，可根據需要選擇影像的相應波段參與權重[10-14]。針對不同的分類目的，對其特征波段可設置較大的權重，從而達到較好的分割效果[15-17]。

考慮到研究區植被類型的復雜性、破碎性以及影像的空間分辨率，本文利用TM與環境星數據，針對不同的研究區、不同的地物類型提取，使用4種分割尺度，分別為30、20、15、10。根據不同的分割尺度和分類目標，權重設置有所不同，顏色、光滑度和緊湊度分別設置權重為1、0.5、0.6[16,17]。

2.2 特征選取

在影像分割基礎上進行分類特征變量的選取，其特征包括影像光譜特征以及eCognition軟件提供面向對象的其他特征，分類特征的選取是基于先驗知識和反復測試的結果來確定的。例如，歸一化植被指數（NDVI）不僅可區分植被與非植被，也可用于區分不同植被類型。對于落葉植被與常綠植被，可利用不同時相的遙感數據進行區分，如在12月份的影像上，落葉植被反映出的植被信息很弱，因此，可利用12月份遙感圖像生成的NDVI_12區分落葉植被與常綠植被。水體指數和近紅外波段可用來進行水體的剔除；歸一化差值植被指數的標準差用以進行草地與林地的區分；DEM及其衍生數據SLOPE、ASPECT不僅可區分耕地與林地、園地，而且在林地的進一步細分中也是重要的特征。面向對象的分類中，不僅可利用光譜，還可利用紋理特征、上下文特征、對象間的層次關系特征（對象的鄰域關系和在多尺度中的對象間的關系）、空間特征等[17]。對于具體類別的提取所用的特征變量如表3所示。

表3 特征變量及其描述表

2.3 面向對象的影像分析

2.3.1 非植被類型的去除

綜合考慮研究區破碎化的特點和影像具體情況，基于TM 4月份影像將研究區進行尺度30的分割[15]，詳細處理流程見圖1。

2.3.2 植被信息的細化

植被信息先分出一級類再對二級類進行細分。一級類包括林地、耕地、草地3種。考慮到丘陵地帶植被類型的復雜性和破碎性，在去除非植被信息時，植被中的對象有20、15和10三種尺度，需先將植被合并后作為父類進行重新分割，尺度設為20。

1）耕地。繁昌縣耕地面積為15 973 hm2，其中水田播種面積為12 148 hm2，耕地類型以水田為主[7]。主要分布在地勢相對平坦區域，山中高程較高區域少有耕地分布。結合DEM、SLOPE、NDVI按圖2所示的流程進行耕地與草地、林地的區分。

2）草地。B1_4、B3_4、B7_4、亮度（Brightness）、B1_10對于區分草地與林地有較好的作用可據此分割，詳細處理過程見圖3。

3）林地，分為常綠闊葉林、落葉闊葉林、常綠針葉林、落葉闊葉灌木林、喬木園地、喬木綠地、灌木園地和灌木綠地9種，相對于耕地與草地，信息更為豐富。林地信息的詳細提取過程見圖4。

3 分類結果與精度評價

利用上述分類方法，得到的分類結果如圖5所示。

為了進行準確客觀的精度驗證，本文在118個野外實測樣點的基礎上，通過目視解譯隨機撒點的方法得到了194個樣本點，即樣點總數達到312個。利用驗證點數據對數據進行了精度評價，生成的混淆矩陣如表4所示。

4 結果與分析

通過分類結果可知，研究區土地覆蓋類型主要為水田，面積占46.8%，林地主要分布在山區或山地周圍，以常綠闊葉林為主，占14.55%。本研究采用的規則集和具體的閾值具有區域適用性，針對繁昌縣的影像及地物特征，應用于其他區域時，需根據實際情況進行相應調整。

在低山丘陵地帶，人類活動對植被覆蓋類型的影響較大，地表的植被覆蓋相對較為復雜且破碎，面向對象分類方法可根據不同地物不同背景對地物進行面向對象的描述，找出相應的特征并結合光譜特征分類，可得到較高的精度。尤其是在多源多時相數據的支持下，對象的特征信息較豐富，可提高分類的精度。綜上所述，采用的面向對象分層分類方法進行的分類有以下優點：

1）面向對象的遙感提取方法的最大優點是基于影像對象上的分類， 可充分利用影像的光譜信息、紋理信息和拓撲關系。

2）采用多尺度分割方法，對不同的地物類型生成適度大小的多邊形，不同的分割尺度組合有利于對地物對象包含的特征。類間關系等的充分提取，從而提高分類精度，背景越復雜，對象與對象間的信息越豐富，越有利于充分利用面向對象的特征值進行分類。

3）分層分類法可根據地物斑塊大小在不同層級上進行提取，逐步提取出所需類別，大大提高了分類精度。

4）根據異質性最小原則分割出來的對象有自己的形狀特征和邊界輪廓，能夠更加準確地反映地物的真實邊界、輪廓信息，從根本上減少錯分、漏分的概率，同時能有效避免椒鹽噪聲，提高分類精度。

表4 植被分類結果混淆矩陣

[1]楊強.基于遙感的榆林地區生態脆弱性研究[D].南京：南京大學，2013

[2]羅紅霞，龔健雅.亞熱帶低山丘陵區土壤遙感監測圖像處理[J].長江流域資源與環境，2006，15(1) ：41-47

[3]趙萍，馮學智， 王雷，等.江南丘陵區土地利用/覆被分類[J].南京大學學報：自然科學版，2003，39(3) ：404-410

[4]肖鵬峰，劉順喜.中分辨率遙感圖像土地利用與覆被分類的方法及精度評價[J].國土資源遙感，2004(4) ：41-46

[5]郭亞鴿，于信芳.面向對象的森林植被圖像識別分類方法[J].地球信息科學學報，2012，14 (4)：514-522

[6]陳旭，徐佐榮，余世孝.基于對象的QuickBird遙感圖像多層次森林分類[J].遙感技術與應用，2009，24(1)：22-26

[7]安徽省統計局.安徽省統計年鑒[Z].北京：中國統計出版社，2012

[8]吳炳方，張磊，李曉松，等.面向生態系統碳收支服務的全國土地覆被分類系統設計方案[Z].北京：中國科學院遙感應用研究所，2011

[9]AS Laliberte, EL Fredricksonand Albert Rango.Combining Decision Trees with Hierarchical Object-oriented Image Analysis for Mapping Arid Rangelands[J].Photogrammetric Engineering and Remote Sensing, 2007,73(2):197-207

[10]Baatz M, Sch?pe A. Object-oriented and Multi-scale Image Analysis in Semantic Networks[C].2nd International Symposium:Operationalization of Remote Sensing,1999

[11]張峰，吳炳方，黃慧萍，等.泰國水稻種植區耕地信息[J].自然資源學報，2003，18(6) ：766-772

[12]Gao Y, Mas J F.A Comparison of the Performance of Pixel Based and Object Based Classifications over Images with Various Spatial Resolutions [J].Online Journal of Earth Sciences,2008(2)27-35

[13]胡文亮，趙萍，董張玉.一種改進的遙感影像面向對象最優分割尺度計算模型[J].地理與地理信息科學,2010，26(6)：15-18

[14]Blaschke T, Hay G J. Object-oriented Image Analysis and Scale-space: Theory and Methods for Modeling and Evaluating Multiscale Landscape Structure[J]. International Archives of Photogrammetry and Remote Sensing, 2001, 34(4): 22-29

[15]Marangoz A M, Oruc M, Buyuksalih G. Object-oriented Image Analysis and Semantic Network for Extracting the Roads and Buildings from IKONOS Pan-sharpened Images[C].ISRPS 2004 Annual Conference,2004

[16]Definiens. Definiens Developer 7.0 User Guide[Z]. Definiens AG, Munich，2007

[17]Benz U C, 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 and Remote Sensing, 2004, 58(3): 239-258