高分遙感在黃河流域水土流失動態監測中的應用

屈 創, 張春亮, 王麗云, 岳本江, 劉曉燕

(1.黃河水利委員會 黃河上中游管理局, 陜西 西安 710021;2.水利部 水土保持司, 北京 100053; 3.黃河水利委員會, 河南 鄭州 450003)

水土保持監測作為定量獲取區域水土流失狀況的重要手段，是水土流失防治的基礎工作[1-2]。開展水土流失動態監測，準確掌握區域水土流失變化規律與發展趨勢以及水土流失危害，對推動水土保持行業監督管理、完善區域生態環境監測和落實國家生態保護與建設決策具有重要意義[3-4]。

《全國水土流失動態監測與公告項目(2013—2017年)》利用高分辨率遙感影像，獲取土地利用和植被狀況因子，結合區域地形地貌成果，采取3因子計算法，綜合評價水土流失狀況(如面積、強度、危害情況)、水土保持措施及其防治效益等。

近年來，隨著遙感技術的發展，國產GF1號、GF2號、ZY3和天繪系列等高分辨率遙感衛星影像得到了廣泛的應用，為水土保持監測提供了更加豐富的數據源。高分辨率衛星影像，其地物光譜特征更加明顯，景觀結構、形狀、紋理、細節更加突出，傳統基于像素和專家經驗的土地利用分類和植被覆蓋度估算方法，勢必會造成空間數據的大量冗余，不能滿足水土流失動態監測與公告對成果精度和時效性的要求。因此，如何準確、有效、快速的使用高分影像獲取土地利用和植被覆蓋度信息，決定著水土流失動態監測與公告的成效和意義[5]。

本文擬以準格爾旗2014年開展的水土流失動態監測工作為基礎，對面向對象的土地利用半自動分類和植被覆蓋度遙感反演方法進行總結和討論，旨在為流域水土流失動態監測探索一種高效的方法。

1 材料與方法

1.1 動態監測數據基礎

1.1.1 高分辨率遙感影像 2014年準格爾旗水土流失動態監測主要使用資源3號衛星影像。具體影像參數如表1所示。

表1 高分遙感影像參數

1.1.2 數據預處理 《全國水土流失動態監測與公告項目(2013—2017年)》所提供的遙感影像已完成了相關影像校正，在使用前將影像多光譜和全色波段進行融合，以此來提高多光譜影像的空間分辨率；同時對影像進行光譜增強處理，進一步提高影像對比度，為后續在eCogntion軟件中做土地利用半自動分類做準備。

1.2 方 法

1.2.1 面向對象的土地利用分類方法 影像對象是相對于影像像素的一個概念，是影像像素根據“最大同質性、最小異質性”的準則形成一定尺度大小的對象單元[6]。與傳統的影像分析方法不同，面向對象分類方法的基本單元是影像對象，而不是單個的像元。這種方法突破了傳統分類方法的瓶頸，將整個分類過程劃分為2個獨立的模塊：對象生成與信息提取[7-8]。

1.2.2 植被覆蓋度回歸模型 通過對遙感數據的某一波段、波段組合或相關植被指數與植被覆蓋度進行回歸，建立經驗模型，并利用空間外推模型求取大范圍區域的植被覆蓋度[9]。對比多種模型發現，研究區內基于歸一化植被指數的一元二次回歸模型，其結果精度較高。如下是項目區植被覆蓋度回歸模型：

Y=aX2+bX+c

(1)

式中：Y——用回歸模型反演所得植被覆蓋度(%)；X——歸一化植被指數；a，b——反演模型的系數；c——模型常數。

在構建回歸模型時，將樣本點隨機分為兩部分，其中使用樣本數量的80%來參與回歸建模，其余樣本點數據留作精度驗證使用。

1.2.3 回歸模型精度驗證 本文利用未參與回歸建模的樣點數據，采用決定系數(R2)、偏差Bias(B)和均方根誤差(RMSE)3個指標對植被覆蓋度反演結果進行精度驗證[10]：

(1) 決定系數(R2)。用于揭示植被覆蓋度實測樣點數據(X)和反演結果(Y)之間的相關密切程度。

(2)

(2) 偏差Bias(B)。用來表示植被覆蓋度反演結果與“真實值”之間的偏離程度，計算公式如下：

(3)

式中：Mi——植被覆蓋度反演結果；Oi——樣點“真實值”；i——樣本點。下同。

(3) 均方根誤差(RMSE)。同樣用來表示植被覆蓋度反演結果與“真實值”之間的偏差，其值越小表示反演結果和“真實值”之間越接近：計算公式如下：

(4)

2 結果與分析

2.1 面向對象的土地利用半自動分類

2.1.1 分類體系 根據《全國水土流失動態監測與公告項目》土地利用分類表和項目區遙感影像特征，確定項目區土地利用類型為耕地(水澆地、旱地)、園地(果園)、林地(有林地、灌木林地、疏林地、幼林地)、草地、居民點及工礦交通用地(居民用地、獨立工礦用地、公路)、水域及水利設施用地(河流、水面)、其他土地(沙地、裸地)，共有8個1級地類，14個2級類。通過分析影像特征，發現項目區內草地和林地面積較大，其余土地利用類型有少量分布。耕地中主要包括梯田、坡耕地、溝川臺地、壩地等，其在影像上分布較為分散，紋理信息不規整，較為破碎，同時缺少同樣精度的地形數據，因此，僅根據色調和紋理信息不能準確、高效的自動提取出耕地信息。通過反復自動分類實驗研究，考慮到分類結果的準確性和效率，決定對項目區所占面積較小的耕地和園地使用人工目視解譯，其余所有土地利用類型則使用面向對象的土地利用分類方法進行自動提取。

2.1.2 面向對象分類

(1) 影像分割。eCognition軟件中，提供棋盤分割、四叉樹分割、多尺度分割、光譜差異分割、多條件閾值分割等多種分割算法。多尺度分割是最常用的分割方法，它采取的基于專家決策系統支持的模糊分類方法，突破了傳統遙感分類軟件單純利用光譜信息進行影像分析的瓶頸，極大地改善了高分辨率遙感影像自動分類的精度。通過不斷試驗選擇最優分割尺度和分割參數，構建了一個與地表實體相似的層次等級架構[11]。

本項目分割尺度在滿足能夠準確區分各土地利用類型邊界且圖斑數量適中的情況下，確定在60～120之間，光譜因子范圍在0.7～0.9，光滑度的權重值在0.7～0.9，對應的緊致度的權重值為0.3～0.1。通過不斷分割試驗，確定了項目區各土地利用類型3組最優分割參數組合如表2所示。

按照表2分割參數組合，將準格爾旗涉及到的8景影像分別作多尺度分割，得到影像對象單元。在多尺度分割中，選擇人工目視解譯的耕地、園地作為專題數據參與分割過程。部分分割結果如圖1所示。

表2 多尺度分割的參數設置

(2) 對象分類。eCognition軟件中提供了決策樹法、支持向量機分類、模糊分類(隸屬度函數)和最鄰近等多種面向對象分類方法，每種方法都有自身的局限性。為了選擇最優的分類方法，選擇3個具有代表性的區域作為試驗樣區進行自動試驗分類研究。結合野外調查結果和影像解譯標志，選擇各土地利用類型樣點，并分析樣點的影像對象特征值。通過對比4種分類方法的成果精度和效率，最終選擇操作較為靈活、分類結果精度較高的決策樹分類法，構建多種算法融合的自動分類規則集。

在進行決策樹分類時，按照多尺度分割時構建的影像對象分層體系，構建決策樹體系，按照二叉樹的分類思想，開發自動分類規則集，對各土地利用類型進行逐級分類。首先，利用NDVI將所有對象分為植被和非植被兩大類。其中非植被包括7類(獨立工礦用地、居民用地、公路、水面、河流、沙地、裸地)，植被類型包括5類(有林地、灌木林地、疏林地、幼林地、草地)。針對非植被類別，在對應尺度的對象層借助亮度、NDWI(歸一化水體指數)、多波段灰度均值〔Sum([Mean Red]+[Mean Green]+[Mean Blue])〕和藍色波段灰度均值[Mean Blue]等光譜特征，以及最大差分(Max.Diff)、長寬比(Length/With)、密度(Density)等形狀指數(shape index)對象特征進行分類；植被類別精確分類首先需要剔除山坡陰影對結果的影響，通常使用亮度值(Brightness)和熵紋理特征(GLDV Entropy)進行提取，將其定義為陰影類別，在決策樹分類之后通過人工目視判斷的方法進行手動分類，將每個陰影對象指定為所屬的類別(獨立工礦用地、林地等)。

各林地和草地的自動分類可以使用NDVI、亮度值(Brightness)、紅波段和近紅外波段灰度均值[Mean Blue]等光譜特征，輔以熵特征(GLDV Entropy(quick8/11)layer4(all dir.))、NDVI的標準差以及紅光、近紅外波段的標準差等紋理特征來提取。決策樹分類規則集特征參數如表3所示。

圖1 遙感影像分割結果

類別 特征屬性(英文) 特征屬性(中文) NDVI歸一化植被指數有林地Brightness亮度StandardDeviationNDVINDVI的標準差GLDVEntropy(quick8/11)layer4(alldir．)熵特征NDVI歸一化植被指數灌木林地StandardDeviationNDVINDVI的標準差StandardDeviationRed紅波段標準差NDVI歸一化植被指數草地StandardDeviationRed紅光波段的標準差GLDVEntropy(quick8/11)layer4(alldir)．)熵Brightness亮度值Sum([MeanRed]+([MeanGreen]+([MeanBlue])多波段灰度均值獨立工礦用地MeanBlue藍波段均值Max．diff波段間的最大差分值Density密度Length/With公路長寬比公路Density密度Max．diff最大差分值Brightness亮度值水體NDWINDWI=(Green?NIR)/(Green+NIR)MeanNIR近紅外波段均值沙地Density密度Brightness亮度值([MeanGreen]+([MeanBlue]綠波段和藍波段均值裸地NDVI歸一化植被指數Brightness亮度

2.1.3 分類結果后處理 按照表2特征參數，使用決策樹分類方法開發影自動像解譯規則集，執行計算機自動分類，得到項目區土地利用自動分類結果。由于項目區地形地貌破碎，地表覆蓋較為復雜，自動分類結果中難免有錯分、漏分現象。比如在本項目中部分有林地和灌木林地、灌木林地和草地等之間沒有明確的邊界，2種土地利用類型在空間上過渡平緩、相互交融，林、草地混交的現象比較常見；部分幼林地和疏林地，由于其植被覆蓋度相對較低，紋理信息較弱，在分類過程當中也容易和裸地出現混分。因此，在區分這幾類土地利用時需要不斷的調試類別特征值，使分類結果相對更加接近真實；對于不能使用規則集自動分類的對象，就需要在eCognition中通過人工手動對漏分和錯分對象進行修改。修改時，只需要根據人工目視判讀結果，對多邊形單元直接賦屬性或者更改屬性即可，在一定程度上提高了分類后處理和整體工程的精度和效率。

通過對各土地利用分類成果進行野外抽樣驗證，其半自動分類結果精度達到90%以上，滿足《全國水土流失動態監測與公告項目》中土地利用類型因子的精度要求。在該項目中使用此方法，減少了傳統人工目視解譯1/3以上的工作量，解譯周期大幅縮短，工作效率和成果精度得到一定提升。

2.2 植被覆蓋度遙感反演

目前，基于遙感影像的植被覆蓋度獲取方法主要包括人工目視判讀法和統計模型估算法[12]。人工目視判讀主要是基于影像的色調和紋理信息，通過專家經驗進行目視判讀，在一定程度上有一定的主觀性，且不同判讀人員的結果相差較大；統計模型估算法根據其原理大致可以分為3類：回歸模型法、植被指數法、混合像元分解模型法。本文主基于高分辨率遙感數據和實測樣點數據，采用在區域植被覆蓋度估算中有較高精度的回歸模型法，對項目區植被覆蓋度進行遙感反演[13-14]。

2.2.1 植被覆蓋度野外樣點采集 植被覆蓋度野外樣點采集主要結合項目區野外抽樣調查單元展開調查，保證樣點在空間上均勻分布，并且能夠代表項目區不同地形條件、不同土地利用類型、不同植被覆蓋度等級下的真實植被覆蓋狀況。植被覆蓋度調查主要采用樣方法，要求樣點所在地植被狀況相對均一，空間同質性較大；每個樣點的植被覆蓋度通過所在點位置的樣方蓋度和周圍3個樣點(①②③)樣方蓋度取平均值獲得，周圍三點樣方在空間上呈等邊三角形分布，采樣點位于三角形中心位置；樣方大小采用6 m×6 m，分別記錄每個樣點的經緯度位置和植被覆蓋度值，蓋度值以百分數計數；如土地利用類型為有林地和較高的灌木林地，在測量其植被覆蓋度的同時，還需測量林地的郁閉度。采用多樣點空間平均的方法，主要是為了減小或消除樣點空間異質性誤差，以及GPS定位等產生的系統誤差。

2.2.2 植被覆蓋度回歸模型 目前常用的植被指數有歸一化植被指數(NDVI)、差值植被指數(DVI)、比值植被指數(RVI)、修正植被指數(MVI)等，其中，NDVI常用來表征植被覆蓋度信息，對植被檢測靈敏度高、檢測范圍寬、能夠消除地形的陰影干擾、削弱太陽高度角和大氣帶來的噪聲。因此，本項目主要使用NDVI植被指數構建植被覆蓋度反演模型。

首先利用多光譜影像的紅波段和近紅外波段計算每個像元的歸一化植被指數(NDVI)：

NDVI=(NIR-R)/(NIR+R)

(5)

在SPSS 19.0中，使用野外采樣點植被覆蓋度和樣點NDVI進行回歸分析，構建植被覆蓋度回歸模型。在建模時，考慮到后續模型精度檢驗問題，只選擇模型樣點總數的80%參與建模，其余20%的樣點作為模型驗證樣點。準格爾旗2014年被植被覆蓋度回歸模型：

圖2 植被覆蓋度回歸模型

通過回歸分析，可以確定準格爾旗2014年植被覆蓋度回歸模型為：y=-4.1991x2+2.427 2x+0.532 3(R2=0.79)，模型顯著性水平在99.9%以上，具有顯著的統計學意義。說明，使用NDVI構建回歸模型，對區域植被覆蓋度進行回歸預測有較好的效果。通過該回歸模型，反演得到2014年準格爾旗植被覆蓋度空間分布結果如圖3所示。

2.2.3 回歸模型精度檢驗 利用未參與回歸建模的樣點(52個)，對植被覆蓋度反演結果進行一元線性回歸驗證，并采用決定系數(R2)、偏差Bias(B)和均方根誤差(RMSE)3個指標進行精度檢驗，結果如表4所示。

圖3 準格爾旗植被覆蓋度空間分布

樣點數R2BRMSEF統計量P值520．770．093．450．015

表4中，從F統計量P值和R2可以看出，模型回歸檢驗有很顯著的統計學意義，說明植被覆蓋度反演結果與樣點數據有很顯著的線性相關性，結果整體接近真實水平；同時B值和RMSE均接近0，表明植被覆蓋度結果整體穩定性好，波動較小，單點誤差低，反演結果精度較高。在后續植被覆蓋度野外驗證過程中，發現植被覆蓋度遙感反演結果準確率達到92%以上，滿足《全國水土流失動態監測與公告項目》中關于植被覆蓋度解譯精度的要求。

3 結論與討論

本文結合2014年在準格爾旗開展的水土流失動態監測與公告項目，系統闡述了基于高分辨率遙感影像的土地利用半自動分類方法和植被覆蓋度遙感反演方法，旨在為流域水土流失動態監測基礎數據獲取方面，探索和推廣一種嶄新、高效的方法。

(1) 將面向對象的土地利用分類方法應用于水土流失動態監測中，能夠充分利用高分影像的色調、形狀、紋理和層次等對象信息，通過建立影像解譯規則集，實現土地利用半自動分類,降低了人力成本和時間成本，提高了解譯的精度和生產效率，最終結果精度達到90%以上，滿足了水土流失動態監測高解析度和高精確度空間信息獲取的需求，為區域水土流失動態變化監測、分析提供快捷、高效的數據信息。

(2) 基于植被覆蓋度野外樣點數據和NDVI構建植被覆蓋度回歸模型，能夠快速反演得到區域植被覆蓋度信息，反演結果精度達到92%以上，有效避免了傳統人工目視解譯造成的人為誤差，提高了成果的精度和效率。

(3) 通過實踐檢驗，該方法可以推廣應用于《全國水土流失動態監測與公告項目》(黃河流域片)中。

雖然基于面向對象的土地利用分類方法在黃河流域水土流失動態監測與公告項目中取得較好的應用，但是分類過程中個別土地利用類型通過人工目視解譯，在一定程度上還是影響了土地利用分類的整體精度和效率。在今后項目實施過程中，需要進一步研究耕地、園地等土地利用類型的自動解譯規則，逐步將分類過程由“半自動”轉變為“全自動”；同時，植被覆蓋度遙感反演，將深入研究多元回歸模型或指數模型等在項目中的應用與改進，確保反演結果更加準確和高效。

[1] 郭索彥,李智廣.我國水土保持監測的發展歷程與成就[J].中國水土保持科學, 2009,7(5):19-24.

[2] 喬殿新,王瑩,屈創,等.新時期水土保持監測工作芻議[J].中國水土保持科學, 2016,14(6):137-140.

[3] 李智廣,姜學兵,劉二佳,等.我國水土保持監測技術和方法的現狀與發展方向[J].中國水土保持科學, 2015,13(4):144-148.

[4] 趙輝,黎家作,李晶晶.中國水土流失動態監測與評價的現狀與對策[J].水土保持通報,2016,36(1):115-119.

[5] 趙幫元,李志華,郭玉濤,等.遙感在黃河流域水土保持監測中的應用[J].水土保持研究,2004,11(2):47-48.

[6] 白曉燕,陳曉宏,王兆禮.基于面向對象分類的土地利用信息提取及其時空變化研究[J].遙感技術與應用, 2015,30(4):798-809.

[7] 張俊,于慶國,侯家槐.面向對象的高分辨率影像分類與信息提取[J].遙感技術與應用, 2010,25(1):112-117.

[8] 葛春青,張凌寒,楊杰.基于決策樹規則的面向對象遙感影像分類[J].遙感信息, 2009(2):86-90,56.

[9] 屈創.基于多源遙感數據的白龍江流域土壤水分反演研究[D].蘭州:蘭州大學,2014.

[10] 馬金輝,屈創,張海筱,等.2001—2010年石羊河流域上游TRMM降水資料的降尺度研究[J].地理科學進展,2013,32(9):1423-1432.

[11] 羅志東.高分遙感水土保持應用研究[M].北京:中國水利水電出版社,2016.

[12] 張喜旺,吳炳方.基于中高分辨率遙感的植被覆蓋度時相變換方法[J].生態學報, 2015,35(4):1155-1164.

[13] 賈坤,姚云軍,魏香琴,等.植被覆蓋度遙感估算研究進展[J].地球科學進展, 2013,28(7):774-782.

[14] 李苗苗.植被覆蓋度的遙感估算方法研究[D].北京:中國科學院研究生院(遙感應用研究所),2003.