基于遙感影像紋理特征的濕地植被分類

魏 瑄

（1.廣東省國土資源測繪院，廣東 廣州 510500）

基于遙感影像紋理特征的濕地植被分類

魏 瑄1

（1.廣東省國土資源測繪院，廣東 廣州 510500）

為了監測自然因素和人為活動對濕地生態系統的影響，采用高分辨率遙感影像進行快速濕地植被群落檢測是非常必要的。提出了一種基于紋理特征的濕地植被群落自動分類算法，并通過實例證明，該算法可有效提高濕地植被的分類精度。

濕地；紋理特征；ML；SVM

傳統的植被檢測僅采用遙感影像的光譜特征，難以達到令人滿意的效果；而遙感影像的紋理特征能提供空間分布信息，其中一階紋理特征（范圍、平均值、標準偏差、方差和熵）和二階紋理特征（角二階矩、對比度、相關性、同質性和相異性）在遙感研究中的應用已較普遍[1]。對高分辨率影像進行一階和二階紋理特征的提取和有效使用能提供更加豐富的信息[2]，從而有效提高高分辨率遙感影像的分類精度。本文旨在利用高分辨率遙感影像的紋理特征建立一種快速和精確的分類方法。

常見的濕地植被群落包括沼生植被（SM）、莎草濕地（SSWP）、木本群落（WV）、禾本濕地（SWP）等。本文以包含SM、SSWP、WV、SWP等4種典型濕地植被群落的0.5 m分辨率的遙感影像為數據源[3]，以人工判斷結果為基準，驗證不同分類方法的精度。常見濕地植被樣例如圖1所示。

圖1 常見濕地植被樣例

1 光譜特征分析

半方差函數也稱半變異函數，是地統計學中研究土壤變異性和植被群落分布的關鍵函數，可作為植被光譜分類的依據[4]。J-M距離是一種特征空間距離度量方法，表示影像特征矢量與各類中心的距離，可有效表征可分類性。本文以半方差函數和J-M距離指數為例，對4種濕地植被類型進行半方差分析，研究其光譜特性上的可分類程度[5]。實驗表明，在沒有加入紋理特征的情況下，僅靠光譜特征分析，難以獲取高精度的結果。

1.1 半方差分析

針對特定的光譜波段，4種植被類型的半方差曲線是不同的；但所有光譜波段的總趨勢是相似的。圖 2為近紅外波段的半方差曲線，可以看出SWP的半方差值非常低，且呈現較差的空間自相關；SM的半方差較低但有不斷上升的趨勢，直至到達穩定的最高點；SSWP、WV趨勢與SM類似，在僅有光譜特征的情況下難以進行分類。

圖2 半方差曲線

1.2 J-M距離分析

通過J-M距離的光譜可分性分析可知，單憑光譜特征很難將各類別分離出來，具體結果如圖3所示。將不同植被進行兩兩分析時，只有VW可被準確地分類（J-M＞1.9）；而相似的植物群落，如SSWP和SM的J-M距離非常小僅約為0.5，說明這兩種植被群落不易被分離；同樣，SSWP和SWP也有一個不易分類的J-M距離（0.55）。當加入紋理特征時，只有SSWP和SWP表現出低J-M距離（1.20），其余類型均有較大的J-M距離，說明加入紋理特征分析后，可有效提升分類精度。

圖3 J-M距離分類圖

2 加入紋理特征的分類

本文采用ENVI v.4.5軟件進行最大似然算法（ML）和支持向量機（SVM）分類，先后加入一階、二階紋理特征，并計算不同窗口大小的數據。實驗結果表明，加入紋理特征后，植被可被有效分類。一般情況下，SVM[6]分類精度優于ML（SSWP除外）；采用SVM時，一階和二階紋理特征對分類結果的影響不大；采用ML時，窗口大小對分類精度影響很大，在3×3和9×9 個像素的窗口情況下均達到了最大分類精度；且在加入二階紋理特征的情況下，SVM對SM植被具有非常高的檢出率（90.6%）。

2.1 加入一階紋理特征

從表1（數據已剔除光譜特征）可知，ML分類精度與窗口尺寸有明顯的相關性，其中最高整體精度窗口大小為7×7（76.77%）；最低整體精度窗口大小為3×3（59.27%）。SVM分類精度與窗口尺寸之間沒有明顯的相關性，平均分類精度比ML高[7]。

表1 加入一階紋理特征分類結果

2.2 加入二階紋理特征

使用光譜特征、二階紋理特征以及不同的窗口尺寸進行ML和SVM，其結果見表2。最高整體精度窗口大小為7×7（78.08%），而9×9和5×5窗口沒有顯著差異。WV在9×9窗口下具有較高的分類精度（90.60%）。

表2 加入二階紋理特征分類結果

3 結 語

本文采用0.5m分辨率的高分辨率遙感影像作為數據源，使用ML和SVM分類器，結合一階、二階紋理特征和輔助數據進行了濕地植被分類。結果表明，僅靠光譜特征難以進行有效的植被分類；當加入紋理特征后，一般情況下SVM分類精度要優于ML（SSWP除外）。分析過程中不僅考慮了一階、二階紋理特征，還討論了窗口大小，通過對窗口尺寸進行試驗，找到了最佳的窗口選擇。實驗表明，窗口大小對SVM分類精度影響不大，但是在ML分類中，7×7窗口大小的分類精度較高。總體來說，對于不同的空間異質性濕地，使用高分辨率遙感圖像，綜合分析光譜和紋理特征能準確地對常見植被群落進行自動分類，從而利用高分辨率遙感影像對濕地植被進行快速、有效的監測。

[1]陳啟浩,高偉,劉修國.輔以紋理特征的高分辨率遙感影像分類[J].測繪科學,2008,33(1):88-90

[2]胡杏花,朱谷昌,徐文海.基于分形理論的遙感影像分類研究[J].遙感信息,2011(5):100-103

[3]程晉昕,余凌翔,魯韋坤.基于高分辨率遙感影像的滇池湖濱濕地植被類型監測[J].云南地理環境研究,2013,25(6):1-8

[4]王鑫.基于高分辨率遙感影像的植被分類方法研究[D].北京:北京林業大學,2015

[5]項希希,吳兆錄,羅康,等.人為干擾對滇池湖濱區濕地高等植物種類組成的影響[J].應用生態學報,2013,24(9):2 457-2 463

[6]丁海勇,卞正富.基于SVM算法和紋理特征提取的遙感圖像分類[J].計算機工程與設計,2008,29(8):2 131-2 132

[7]馬心璐,任志遠,王永麗.支持向量機在高光譜遙感圖像植被分類中的應用[J]. 農業系統科學與綜合研究,2009, 25(2):204-207

P237

B

1672-4623（2017）07-0063-02

10.3969/j.issn.1672-4623.2017.07.019

魏瑄，碩士研究生，工程師，研究方向為CORS、數字城市、在線巡查系統及遙感監測。

2017-04-10。