分層抽樣支持的廣州市南沙區濕地景觀遙感分類

李天翔， 龔建周， 崔海山， 陳曉越

(廣州大學 地理科學學院， 廣東 廣州　510006)

?

分層抽樣支持的廣州市南沙區濕地景觀遙感分類

李天翔， 龔建周， 崔海山*， 陳曉越

(廣州大學 地理科學學院， 廣東 廣州510006)

南沙區是廣州市“南拓”戰略的重點發展區域，在城市化過程中若能合理利用與保護境內具有重要生態功能的濕地資源，將有利于促進區域可持續發展.基于分層抽樣技術，通過使用Erdas Imagine軟件的Frame Sampling Tool工具和Landsat OLI影像，對南沙區的濕地景觀進行分類.結果表明：①基于分層抽樣的分類方法具有較高的分類精度，如濕地景觀分類總精度為84%，Kappa系數為0.8；②該方法通過Erdas Imagine軟件的Frame Sampling Tool平臺可以對樣本進行更有效地估計、訓練及管理；③廣州市南沙區內濕地資源豐富，占研究區總面積的40.84%，主要分布在珠江出海口及各支流的附近.

濕地景觀； 遙感分類； 分層抽樣技術； 幀采樣框； 廣州市南沙區

濕地是陸地和開闊水體之間的過渡地帶，包括天然或人工、長久或暫時的沼澤地、泥炭地或水域地帶[1].濕地在調節氣候、蓄水、凈化水質、維持區域生態安全和保護生物多樣性等方面都有著重要的作用[2].因其特殊的甚至不可替代的生態功能，以及人口猛增和經濟全球化嚴重威脅到世界范圍內水資源的可持續性發展，濕地研究已成為國內外學者們關注的熱點[3].劉紅玉等[4]將濕地景觀的概念界定為“以濕地為主體對象，空間上由濕地斑塊、廊道，以及在發生、變化和功能上，與濕地有著相互聯系的其它類型空間單元、聚合而成的一定異質性的地理區域.在這個地理區域內，其他類型空間單元通過與濕地景觀單元間的作用影響濕地生態過程和功能，并形成具有特定濕地景觀組合特征和整體性特征的景觀區域”.自20世紀90年代以來，雖然作為濕地學科新興領域的濕地景觀研究日益走向成熟，然而其基礎性的濕地景觀分類研究相對偏少[2].

濕地景觀分類是借助景觀生態學的原理方法，用一系列指標描述濕地特征及差異，進行濕地景觀生態類型的劃分，從而建立濕地景觀生態分類體系[2].隨著3S技術發展及其廣泛應用，多國學者已基于遙感數據和GIS技術，進行濕地景觀遙感分類[5].集3S技術、定量數據模型以及人工智能的耦合自動分類模型，將是未來濕地景觀分類研究的重點和難點[6].已有學者借用面向對象、決策樹、人工神經網絡、支持向量機、獨立分量分析等遙感分類方法，進行濕地景觀分類[7-10].由于各種方法本身具有的局限，加上濕地景觀類型復雜和景觀邊界模糊，遙感影像“同物異譜、同譜異物”的現象和混合像元問題的存在影響到濕地景觀的遙感分類精度，使其成為濕地科學研究的難點.

隨著遙感數據日益增多以及其應用日趨普遍，遙感信息提取效用已成為遙感數據應用的瓶頸[11].胡慧萍[12]認為人們對遙感信息的認識和利用程度遠遠落后于通過空間和航空系統獲取信息的速度.目前，獲取遙感圖像信息的方法有非監督和分類監督2大類.其中，監督分類(Supervised Classification)是依據典型樣本訓練方法進行分類的技術，已在遙感影像信息提取方面得到廣泛應用.其主要步驟是選取訓練樣本和逐像元對影像進行研究判別.基于不同的判別標準或算法，監督分類方法又包括最小距離分類、馬氏距離分類、Parallelpipe、神經元網絡分類、模糊分類、最大似然法等方法.而傳統的人工采樣方法工作量大、效率偏低、人為干擾較大，選取的訓練樣本往往比較任意或不具有代表性[13].基于分層抽樣的原理，Erdas Imagine軟件內嵌一個分層采樣工具(Frame Sampling Tool)，使監督分類的樣本訓練更方便，選取樣本更具統計學意義的代表性.

位于廣州市南端的南沙區，是廣州城市空間“南拓”發展戰略的重點開發區域.區內濕地資源豐富，為廣州城市發展提供了寶貴的土地資源和良好的生態環境.但城市擴展過程已不可避免地影響到濕地資源，已有學者對南沙濕地生態系統的生態特征現狀、生態系統的服務功能與保護等進行研究[14-15]，而作為研究基礎的濕地景觀分類未見報道.基于分層抽樣技術及原理，本文采用Erdas Imagine平臺的幀采樣(Frame Sampling Tool)工具，對廣州市南沙區濕地景觀進行遙感影像分類，探討中小城市濕地景觀遙感分類的可行方案.

1　研究區概況及數據

1.1研究區概況

南沙區總面積803 km2，年常住人口72萬人.南沙位于廣州市域的最南端，22°32′～22°54′N、113°17′～113°44′E之間.南沙區東望東莞虎門，西臨中山、佛山，北側與廣州市番禺區相接，南面瀕臨伶仃洋，是珠江出?？诤椭槿菂^域的中心.其地理區位優越，不僅是珠江流域通往海洋的主要通道，還是連接珠江口岸城市群的重要水陸交通樞紐(圖1)，在推動珠三角整體發展的戰略中具有重要意義.

圖1　研究區域位置

南沙區內水網密布，河涌縱橫，有多條重要水道經過，海岸線漫長曲折，加之長期的人工圍墾，形成了類型多樣、面積廣大的濕地.近年來，在廣州市快速城市化的過程中，南沙區內大量的自然濕地被圍墾、開發，濕地生態系統受到損害，濕地景觀受到不同程度的破壞.隨著南沙自貿區的正式確立，廣州市“南拓”進程不斷加快，對南沙區的開發利用將是廣州市未來幾年的發展重點.在推進南沙區開發建設的過程中，合理利用與保護具有重要生態功能的濕地資源，是實現社會經濟與生態環境可持續發展的重要內容.

1.2數據

(1)遙感影像數據：①覆蓋研究區的用于濕地景觀遙感分類的Landsat OLI影像.軌道號為122/44幅，空間分辨率為30 m，獲取時間為2014年1月16日；影像云量21.85%(分布在深圳、東莞、惠陽)；②用于檢驗分類效果的多景Google Earth影像(空間分辨率為2 m，獲取時間為2013年10月～2014年1月).(2)源于南沙區政府網站公布的電子地圖獲研究區行政邊界圖(http://www.gzns.gov.cn/zjns/).(3)野外實地考察資料.

2　分層抽樣技術的濕地景觀遙感分類

2.1遙感數據預處理

數據預處理包括遙感影像幾何精校正、剪裁和波段合成等.①幾何精校正：在Erdas Imagine平臺對Landsat OLI影像和與之對應的Google Earth影像進行了圖到圖配準的幾何精校正，均方根誤差控制在1個像元以內；②裁剪：基于研究區行政邊界圖，對研究區影像進行裁剪，提取南沙區范圍內的遙感影像；③波段合成：根據各濕地類型不同的反射率特征，對多光譜圖像進行不同波段合成，以利于不同類型樣本的提取，涉及到的波段有2、3、4、5和6,共5個.

2.2濕地景觀遙感分類體系

由于濕地系統自身的復雜性，長期以來的濕地科學研究一直缺乏1個能夠得到廣泛認可的濕地景觀分類方法和分類系統[2,4,9].參考國際濕地分類系統及濕地景觀研究成果，結合自然和區域特性，構建濕地景觀類、景觀亞類和景觀型3個層次的分類體系，見表1.

表1　南沙區濕地景觀分類體系

2.3分層抽樣技術的濕地景觀遙感分類

2.3.1分層抽樣技術原理

分層抽樣又稱幀采樣，首先，將抽樣總體按照某種特征或規則劃分為若干不同的次級總體(層)，即遙感領域所謂的幀；接著，在各層進行抽樣，通過分析所抽取的樣本，達到對其總體特征進行估計的目的.與簡單隨機抽樣相比，分層抽樣的優勢在于當抽取樣本單元的數量相同時，分層抽樣能夠獲得比簡單隨機抽樣更高的估計精度，即能夠獲得更高的抽樣效率[16].與簡單隨機抽樣相比，分層抽樣具有更高的效率，其推導過程如下：

分層抽樣估計值的方差為

(1)

簡單隨機抽樣估計值的方差為

(2)

(3)

將式(3)代入式(2)得到

(4)

2.3.2基于Frame Sampling Tool的分層抽樣濕地景觀遙感分類

基于Frame Sampling Tool工具，進行濕地景觀遙感分類的具體技術流程，見圖2.

(1)建立濕地類層

對遙感影像進行基于分層抽樣的分類之前，首先要進行濕地類層的建立與劃分.考慮到目標層劃分的原則，應提取各層層內單位與層間單位的目標值.因此，要對研究區的Landsat OLI影像進行基于幀采樣的分類，必須先要對遙感影像進行初步的分類.本研究利用非監督分類將廣州市南沙區的TM影像初步分為40類.通過初步分類的結果，對廣州市南沙區進行濕地類層的建立，目標層根據本研究所構建的濕地分類系統劃分為濱海濕地及沿海灘涂、湖泊濕地、河流濕地、養殖基塘和其他景觀等5類.在Erdas Imagine 中利用Grouping Tools和Recode功能將上述5類濕地景觀進行歸類和重新編碼，將其設置為5個獨立的目標類層.

(2)建立取樣格網與選取樣本

完成濕地層的建立后，需要對研究區的取樣格網進行建立.本文以用于參照的Google Earth影像的邊界為掩膜，建立研究區的取樣格網.其中，取樣格網的樣本總數為768個，覆蓋研究區遙感影像的80%，單個樣本大小為1 000×1 000，單位為像元.

本研究分別在每種分層方案下選取40個樣本進行分析，樣本選取的方法為系統隨機抽取和手動選取相結合，2者所選取樣本的比例為1∶1.系統隨機抽取時，系統會根據樣本在各層的分布情況進行選取，保證所選樣本具有該層的代表性.而手動選取可以避免樣本在空間上過度集中，分布不均.

圖2　分層抽樣濕地景觀分類方法流程圖

(3)解譯點陣格網與幀采樣分析

在完成樣本的選取后，需要對每個樣本所在區域建立點陣格網進行解譯.本研究以2013年10月～2014年1月的多景Google Earth高分辨率影像作為參考，對所選取樣本進行解譯，具體步驟如下：

首先，樣本區點陣格網的設置.在樣本所在區域建立15×15的點陣格網，并通過調整點陣格網的位置使其80%以上的點位于樣本框內.

然后,對點陣格網進行解譯.通過參考作為背景的同期Google Earth影像，為點陣格網設置不同的標簽，點陣格網標簽類型的選擇參考本研究建立的廣州市南沙區濕地分類系統，分為濱海濕地、沿海灘涂、湖泊濕地、河流濕地、養殖基塘和其他景觀等5類.解譯后的點陣格網見圖3，根據各點在參考影像上對應的各目標地物，完成對點陣格網的標簽設置.對于超出參考影像范圍的點，標注為無效區域，不參與分析.為保證所選樣本的有效性，單個樣本框中位于無效區域的點數不應超過點陣格網的10%，即有效點的數量必須大于或等于203個.

最終，在完成對各樣本的解譯后，即可通過幀采樣分析對目標濕地類進行提取.提取的過程根據每層所在的樣本單元的加權比例對整體比例求和來計算出研究區域中目標濕地類的比例，得到各像元值屬于各類(層)的概率，最后得出分類的結果.

圖3　完成解譯的點陣格網

3　結果與分析

3.1分類結果修正及精度檢驗

在初步的分類結果中，湖泊濕地與養殖基塘的混淆情況較為嚴重.考慮到湖泊濕地景觀在研究區的分布較少，而初步分類結果中湖泊濕地的面積較高，故對湖泊濕地的分類結果進行修正.修正方法以斑塊面積大小為依據，結合參考高分辨率的Google Earth影像數據，將分類結果為湖泊濕地且面積小于1 hm2的圖塊重新歸劃到養殖基塘類.

此外，研究區的大部分天然水域位于珠江出?？冢且粋€半封閉的海岸水體，與伶仃洋相連，并受到來自珠江的淡水稀釋，在海洋與河流的邊界附近會出現錯分、誤分的個別斑塊.本研究根據濱海濕地及沿海灘涂與河流濕地這2種濕地景觀的分布及其完整性，對2種景觀邊界附近被錯分、誤分的斑塊進行了人工修正.

在完成對分類結果的修正后，接下來進行精度檢驗.利用ArcGIS 10.1中的Create Random Point工具隨機產生200個點(每種景觀中分布40個)，結合Google Earth影像及野外探查檢驗樣本，通過混淆矩陣方法對分類結果進行精度檢驗，濕地景觀遙感分類總精度為84%，Kappa系數為0.8.

3.2濕地景觀分類結果

經過不斷地修正與完善，最終得到2014年廣州市南沙區濕地景觀遙感分類結果，見圖4.研究區其他類景觀和濕地景觀總面積分別為474.91 km2和329.55 km2，達59.16%和40.84%.如圖所示，濱海濕地及沿海灘涂主要分布在珠江口水域及龍穴島南部的灘涂區域，是研究區的主要濕地景觀類型，占總面積的15.85%.湖泊濕地主要分布在黃閣鎮的蝴蝶洲公園及黃山魯森林公園等區域，是面積最少的濕地景觀類型，僅占0.13%.河流和養殖基塘2種濕地景觀面積相當，占總面積的比分別為12.22%和12.54%；其中，河流濕地主要為珠江的各條汊道，包括沙灣水道、濱奇瀝水道、洪奇瀝水道、蕉門水道和橫瀝水道等；養殖基塘散落在研究區的村鎮與農田之間，以及龍穴島北部、新墾鎮南部靠近珠江口的位置.

圖4　濕地景觀遙感分類圖

4　討　論

從方法上看，分層抽樣技術支持的遙感影像分類方法具有較高的分類效率.一方面，與基于簡單隨機抽樣的傳統監督分類方法相比，基于分層抽樣技術的分類方法可以通過更少的樣本數量達到同樣的估計精度，具有更高的估計效率.另一方面，通過Erdas Imagine軟件中的Frame Sampling Tool工具，可以更為方便地對樣本進行訓練，具有更高的工作效率.這尤其在對類型復雜多樣、分布界限模糊的濕地景觀進行分類時具有重要的實際意義.盡管如此，這種分層抽樣的濕地遙感分類方法依然存在著一定的局限性.因為濕地類層的建立、樣本格網的選取與解譯等步驟都需要人工參與，分類結果容易受到研究者的主觀影響，所以該方法需要研究者對研究區的濕地狀況要有較全面的認識.此外，研究區地處珠江三角洲，河網密布，加上長期被人為開發，其濕地的景觀破碎化程度較高，而Landsat OLI影像的分辨率有限，無法提供足夠的細節，不能滿足其分類的精度要求.在對研究區中更多面積較小的濕地景觀(如溝渠等)進行區分時，依然存在較大的困難.隨著遙感技術的不斷發展，影像的空間、時間和光譜分辨率都在不斷提高，如何通過使用多源影像減少數據源自身的局限性，在復雜的濕地環境中有效地提取信息，仍然有待進一步研究與探討.

5　結　論

通過分析結果的檢驗和景觀分析結果可知，基于Erdas平臺的Frame Sampling Tool工具和Landsat 8 OLI影像，對濕地景觀進行的遙感分類具有較高的精度，如濕地景觀分類總精度為84%，Kappa系數為0.8，可以滿足濕地景觀分析.

研究區其他類景觀和濕地景觀總面積百分比分別達59.16%和40.84%，說明濕地景觀是區內的重要生態組分.其中，占比最大的是濱海濕地類型，其值達15.85%；最小的是湖泊，僅占0.13%；河流和養殖基塘2種濕地景觀面積相當，占總面積的比分別為12.22%和12.54%.

[1]左平, 宋長春, 欽佩. 從第七屆國際濕地會議看全球濕地研究熱點及進展[J]. 濕地科學, 2005, 3(1): 66-73.

ZUO P, SONG C C, QIN P. The perspectives and highlights of wetlands research in the worldwide based on the 7th INTECOL international wetl conference[J]. Wetl Sci, 2005, 3(1): 66-73.

[2]李玉鳳, 劉紅玉. 濕地分類和濕地景觀分類研究進展[J]. 濕地科學, 2014, 12(1): 102-108.

LI Y F, LIU H Y. Advance in wetland classification and wetland landscape classification researches[J]. Wetl Sci, 2014, 12(1): 102-108.

[3]FINLAYSON C M, van der VALK A G. Wetland classification and inventory: A summary[J]. Vegetatio, 1995, 118: 185-192.

[4]劉紅玉, 李玉鳳, 曹曉, 等. 我國濕地景觀研究現狀、存在的問題與發展方向[J]. 地理學報, 2009, 64(11): 1394-1401.

LIU H Y. LI Y F, CAO X, et al. The current problems and perspectives of landscape research of wetlands in China[J]. Acta Geogr Sin, 2009, 64(11): 1394-1401.

[5]RIO J N R, LOZANO-GARCIA D F. Spatial filtering of radar sata (RADARSAT) for wetlands (Brackish Marshes) classification[J]. Remote Sens Environ, 2000, 73: 143-151.

[6]曹宇, 莫利江, 李艷, 等. 濕地景觀生態分類研究進展[J]. 應用生態學報, 2009, 20(12): 3084-3092.

CAO Y, MO L J, LI Y，et al. Wetland landscape ecological classification: Research progress[J]. Chin J Appl Ecol, 2009, 20(12): 3084-3092.

[7]王慶光. 基于人工神經網絡的濕地遙感分類研究[D]. 北京:中國地質大學(北京), 2006.

WANG Q G. Remote sensing classification study of wetland based on artificial neural network[D]. Beijing:China University of Geosciences, 2006.

[8]張策, 臧淑英, 金竺, 等. 基于支持向量機的扎龍濕地遙感分類研究[J]. 濕地科學, 2011, 9(3):263-269.

ZHANG C, ZANG S Y, JIN Z, et al. Remote sensing classification for Zhalong wetlands based on support vector machine[J]. Wetl Sci, 2011, 9(3):263-269.

[9]莫利江, 曹宇, 胡遠滿, 等. 面向對象的濕地景觀遙感分類——以杭州灣南岸地區為例[J]. 濕地科學, 2012, 10(2):206-213.

MO L J, CAO Y, HU Y M, et al. Object-oriented classification for satellite remote sensing of wetlands:A case study in Southern Hangzhou Bay area[J]. Wetl Sci, 2012, 10(2):206-213.

[10]東啟亮, 林輝, 孫華, 等. 獨立分量分析與主成分分析方法的濕地遙感分類精度對比——以西洞庭湖濕地為例[J]. 濕地科學, 2014, 12(3): 332-339.

DONG Q L, LIN H, SUN H, et al. Comparison of accuracy on wetland remote sensing classification between independent component analysis and principal component analysis methods: A case study of wetlands in Western Dongting Lake[J]. Wetl Sci, 2014, 12(3): 332-339.

[11]宮鵬. 遙感科學與技術中的一些前沿問題[J]. 遙感學報, 2009, 13(1):13-23.

GONG P. Some essential questions in remote sensing science and technology[J]. J Remote Sens, 2009, 13(1):13-23.

[12]胡慧萍. 面向對象分類技術的景觀信息獲取[D]. 長沙:中南大學, 2007.

HU H P. Object oriented classification technology for landscape information extraction[D].Changsha:Central South University, 2007.

[13]楊鑫. 淺談遙感圖像監督分類與非監督分類[J]. 四川地質學報, 2008, 28(3): 251-254.

YANG X. An elementary introduction to supervised and unsupervised classification of remote sensing image[J]. Acta Geol Sichuan, 2008, 28(3): 251-254.

[14]李英華, 楊志峰, 崔保山. 廣州南沙地區濕地生態特征現狀分析[J]. 北京師范大學學報： 自然科學版, 2004, 40(4): 534-539.

LI Y H, YANG Z F, CUI B S. An analysis on the present wetland ecological characters of Nansha area in Guangzhou[J]. J Beijing Norm Univ: Nat Sci, 2004, 40(4): 534-539.

[15]彭友貴, 陳桂珠, 夏北成, 等. 廣州南沙地區濕地生態系統的服務功能與保護[J]. 濕地科學, 2004, 2(2): 81-87.

PENG Y G, CHEN G Z, XIA B C, et al. Service and conservation functions of wetland ecosystem in Nansha district,Guangzhou city[J]. Wetl Sci, 2004, 2(2): 81-87.

[16]楊曉明, 黎鎮湘. 應用分層采樣技術進行大面積遙感圖像分類的研究[J]. 北京林業大學報, 2003, 25(S1): 33-35.

YANG X M, LI Z X. Application of stratum sampling to classification of RS image[J]. J Beijing For Univ, 2003, 25(S1): 33-35.

【責任編輯： 孫向榮】

Remote sensing classification for wetlands in Nansha district of Guangzhou based on stratified sampling

LI Tian-xiang, GONG Jian-zhou, CUI Hai-shan, CHEN Xiao-yue

(School of Geographical Sciences, Guangzhou University, Guangzhou 510006, China)

Nansha district is an important area of Guangzhou city, which has rich wetland resources. If these wetlands could be reasonably used and protected, it would benefit the sustainable development of Nansha. Based on the Frame Sampling Tool of Erdas Imagine and data of Landsat OLI imagery, the methodology of stratified sampling was applied to remote sensing image classification of the Nansha wetlands. The research results showed that: ①The stratified sampling methodology has a high classification accuracy (an overall accuracy of 84% and a Kappa coefficient of 0.8 were achieved in this study); ②This method has a high efficiency on sample estimating, training and management via Frame Sampling Tool of Erdas Imagine software; ③Nansha district of Guangzhou has rich wetland resources, which occupy 41.05% of the study area, and mainly distribute near the estuary and branches of the Pearl River.

wetland landscape; remote sensing classification; stratified sampling; frame sampling; Nansha district, Guangzhou

2016-04-18;

2016-05-13

國家自然科學基金資助項目(41171070);教育部人文社科資助項目(12YJC790176)；廣東高校省級重點平臺和重大科研資助項目(2014KGJHZ009);廣州市屬高校科技計劃資助項目(12014Z1103)

李天翔(1992-)，男，碩士研究生. E-mail: nc.xiang@163.com

.E-mail:cuihaishan@126.com

1671- 4229(2016)04-0089-07

K 903

A