四川天然草地及草地類的遙感解譯指標體系研究

干曉宇　唐江川　魯巖　劉琳　劉偉　侯眾　張緒校　李林　秦盼

摘要? 構建以遙感參數為主的天然草地及其草地類的解譯指標體系，能夠高效快速地提取天然草地資源的現狀特征。以四川省天然草地為研究對象，利用多源遙感技術，提取四川省3州（甘孜、阿壩、涼山）及四川盆地周邊地區天然草地解譯標志。結果表明，利用近紅外波段、紅光波段及綠光波段指標，配合溫度、濕度、降水等非遙感指標構建的解譯指標體系，能夠很好地提取四川省的5類主要天然草地類的分布特征，其解譯精度為89.7%。此研究為接下來的四川省天然草地資源清查工作提供了技術支持。

關鍵詞? 天然草地;遙感;解譯指標;草地類

中圖分類號? S812??? 文獻標識碼? A

文章編號? 0517-6611（2019）24-0082-06

doi：10.3969/j.issn.0517-6611.2019.24.026

Constructing Interpretation Index System of Natural Grassland and Grassland Classes in Sichuan Province Based on Remote Sensing

GAN Xiao-yu1， TANG Jiang-chuan2， LU Yan2 et al

（1.Sichuan University， Chengdu， Sichuan 610065;2.Sichuan General Grassland Station， Chengdu， Sichuan 610041）

Abstract? Constructing the interpretation index system of natural grassland and classes of grassland based on remote sensing parameters can effectively and rapidly extract the current characteristics of natural grassland resources. In this paper， the natural grassland in Sichuan Province was taken as the research object， and multi-source remote sensing technology was used to extract the interpretation signs of natural grassland in the three prefectures and the surrounding areas of Sichuan Province. The results showed that the interpretation index system based on near infrared band， red band and green band， combined with non-remote sensing indicators such as temperature， humidity and precipitation， could extract the distribution characteristics of five main natural grassland types in Sichuan Province. The overall accuracy was 89.7%. The results provided technical support for the following natural grassland resources inventory work in Sichuan Province.

Key words? Natural grass;Remote sensing;Interpretation index;Classes of grassland

基金項目? 成都市哲學社會科學規劃項目（2015R03）。

作者簡介? 干曉宇（1981—），男，四川雅安人，講師，博士，從事地理信息系統應用、遙感解譯工作。

收稿日期? 2019-05-23

為了解掌握全省草地資源狀況、生態狀況和利用狀況等方面的本底資料，提高草原精細化管理水平，為落實強牧惠牧政策、嚴格依法治草和全面深化草原生態文明體制改革提供數據支撐，四川省于2017年3月—2018年12月進行了全省草地資源清查工作。此次清查的一個主要任務是查清全省天然草原面積及其分布，以及各類天然草地在四川省的分布現狀。在此基礎上，了解自20世紀80年代第一次草地資源調查后四川省草原動態變化情況。根據草地資源調查的要求，需要能快速獲取區內的草原資源分布、草原分類以及生產量信息。傳統的方法費時、費力、耗人力，在規定的時間內不能很好地完成全部工作。借助衛星遙感手段以其時效性、覆蓋面廣、分辨率高等優勢使得快速大面積監測提取草地資源信息，草地生長狀況信息等成為可能[1-2]。

在基于遙感技術的草地資源清查過程中，最為重要的步驟是建立基于遙感參數的解譯指標體系[3]。一旦建立起遙感解譯標志，即可選擇訓練區，利用深度學習中的機器學習等分類方法，快速區別草地和非草地，并進一步確定草地的類。該研究將遙感技術結合地形、濕度和降水等變量，建立適合于四川省的草地資源遙感解譯標志庫，為接下來的草地資源清查工作提供技術支撐。

1? 材料與方法

根據草原分類圖制定需求，該研究需要生成遙感解譯精度為1∶10萬比例尺的草原分類圖[4]。為達到更高的精度，選用了更優質量的影像。其中，非平原和丘陵地區的山地區域以15 m分辨率的陸地衛星Landsat 8 OLI（Operational Land Imager 陸地成像儀）和高分一號、二號衛星影像數據為標準解譯影像;平原和丘陵地區以高分系列衛星影像和資源三號衛星影像為主，空間分辨率為4～8 m。遙感影像收集年份主要為2016—2018年，同時結合了亞米級的GEOEYE、WORLDVIEW系列衛星影像數據進行草地邊界提取，采用深度學習中的機器學習方法進行草地資源信息的預提取和初處理，再結合人工目視解譯判讀和后處理，從而可以確保獲取符合精度要求的草原分類圖[3，5]。在建立草地遙感解譯標志庫的工作中，首先要對天然草地進行認定;然后建立遙感標志以區別天然草地和其他用地類型（如農田、林地和其他非草地類型）;最后，對解譯出來的天然草地圖斑進行進一步分析，以確定各天然草地類的遙感解譯標志。

天然草地類的提取工作分為兩步，首先提取天然草地邊界，然后對提取出的天然草地斑塊進行草地類的劃分。根據農業部草地分類的標準，天然草地是指天然草地優勢種為自然生長行程，且自然生長植物生物量和覆蓋度大于等于50%的草地。天然草地按照相同氣候帶和植被型組的不同，進一步劃分為不同的類[6]。四川省天然草地類主要分為：高寒草甸類、暖性灌草叢類、熱性灌草叢類、山地草甸類、低地草甸類5類[7]。

在建立天然草地和各天然草地類的遙感解譯標志過程中，需要“天地”結合，以確立訓練樣本[8]。該研究選擇了高分影像數據約960景，覆蓋四川省所有區域。同時，進行地面調查，獲取監測區樣地的草原類型、植被蓋度、高度、生物量等信息。確定了1 647個地面樣點，其中1 545個為有效點樣點。有效地面樣點數據經計算機匯總和整理，轉換成地理信息軟件識別的空間數據格式，作為遙感監測的訓練樣本。當所有地面訓練樣本和遙感影像所對應的像元均確定過后，利用機器深度學習的softmax分類器和SVM分類器運行分類算法并得到分類結果。將分類結果進行人工目視解譯，判斷分類的大體精度，并分析容易出錯的類別。根據易錯的分類特征，重新采集分類的樣本以及設定分類的參數，或者對分類的結果進行匯總或者再分割，直到達到滿意的結果為止。此時的分類參數即為所需的草地遙感解譯標志。

2? 結果與分析

2.1? 天然草地遙感解譯標志

在該研究中，積雪、水體、建設用地等其他用地與草地的遙感解譯參數差別較大，耕地則可參考多時相遙感影像的NDVI（歸一化差值植被指數）的變化情況很好地與草地區別[9]。難度最大的是將草地與灌木和林地進行區別。其中，郁閉度低于10%的林草圖斑，以及郁閉度低于40%的灌草圖斑均為草地，而郁閉度高于5%的草地裸地混合圖斑也歸為草地。因此，典型草地訓練樣本的場景選擇十分重要（表1）。

根據對訓練圖斑相應參數值的提取，得到了分類精度最高的參數組合。該組合可用于天然草地圖斑的解譯標志。

2.2? 天然草地類的遙感解譯標志

經過上一步處理，可以從遙感影像中提取出天然草地圖斑。在進行下一步區分天然草地類之前，需要對這些圖斑中的小碎圖斑進行處理。將小圖斑劃分到周邊大的地類當中，并通過人工目視解譯糾正錯分類別，最后通過構建矢量拓撲關系消除不合規定的圖斑。

下一步的工作是對天然草地圖斑進行進一步分析，以確定各圖斑的草地類。經過第一步的處理，得到天然草地圖斑158 881個，涵蓋了四川省5個天然草地類。選取了1 545個有效地面樣點作為訓練樣本，提取樣點位置所在的天然草地斑塊，依據樣點地面調查信息確定該斑塊的草地類。最后找到各斑塊所對應的遙感影像，提取遙感參數以獲得各草地類的解譯標志。

由于四川省地形地貌復雜多樣，加之衛星遙感影像“異物同譜，同物異譜”現象影響，導致僅僅利用遙感影像參數作為解譯標志對草地類進行區分的精度難以達到要求。因此，在該研究中，天然草地類的遙感解譯標志除了利用遙感影像參數外，還需要考慮地形、降水、溫度等非遙感指標，形成解譯標志指標體系[10-12]。

2.2.1? 各天然草地類的遙感影像參數。

將1 545個天然草地地面樣點劃分為高寒草甸類、暖性灌草叢類、熱性灌草叢類、山地草甸類、低地草甸類5類，并將其范圍制作成矢量面文件覆蓋到遙感影像上，最后提取該區域遙感影像各重要波段的參數統計值，作為該類草地遙感解譯標志。該研究選取的遙感影像，四川省3州地區為高分一號、二號衛星，盆周地區為資源三號衛星;成像時間均為5—8月。一般來說，在進行遙感解譯時所選用的波段需要滿足自身信息量充足，并和其它波段所提供的信息相互獨立[13]。因此，該研究選取了遙感解譯時最常用的近紅外、紅光和綠光波段作為指標提取波段。由于3州地區和盆周地區地理特征差異較大，因此將2個區域分開討論。提取結果如表2所示。

由于參與統計的像元數量較多，像元值分布大致呈正態分布。因此，約有95%屬于某一特定類的天然草地的像元，其像元值都將落在平均值的2個標準差范圍內。以盆周山地草甸為例。屬于該草地類的像元，其近紅外波段圖層像元值的取值約有95%都在328.16±14.08的范圍之內，與其他類天然草地像元值有明顯差別，可以作為遙感參數的解譯指標。從表2數據不難發現，一些不同類的天然草地在反射光譜上非常接近，同時，有一些草地類在某一個波段的像元值取值范圍非常廣，最后體現在3個波段像元值相似的結果，造成異物同譜的現象。因此，僅僅依靠遙感參數作為解譯指標并不能完全區分各天然草地類，還需要綜合考慮地形、溫度、降水等因素的影響[14]。

2.2.2? 各天然草地類的解譯標志指標體系構建。

基于以上論述，結合全國草地分類標準[6]，該研究構建了結合遙感影像解譯指標（包括近紅外波段像元值、紅光波段像元值、綠光波段像元值）、濕度、地形、降水量等指標結合的指標體系，旨在為四川草地資源清查工作提供技術支持（表3），其中部分數據基于中華人民共和國草地分類標準[6]。

在利用指標體系進行實際草地類遙感監測分類工作中，首先利用中高分辨率遙感影像提出非天然草地的用地類型。然后，對天然草地斑塊進行進一步分類。首先利用指標體系中的遙感影像解譯指標，即近紅外、紅光和綠光波段像元值的參考范圍，對草地斑塊中的每一個像元進行判斷，落入某類草地指標參考范圍的，則該類草地作為此像元的備選類。然后進一步判斷濕度、降水、地形等指標，判斷該像元最終屬于哪一類草地。若仍無法用該指標體系判斷，則需要對該像元進行實地考察或參考其他相關資料判斷其草地類（圖1）。

2.2.3? 解譯精度驗證。

由于遙感解譯總是存在一定誤差，特別是利用指標體系判斷草地類的工作中，誤差無法避免[15-17]。因此另外利用GIS軟件，隨機選取了253個野外核查樣圖斑，樣點包含所有5個草地類。對這253個核查圖斑進行實地驗證，判斷其分類結果是否正確。在進行實地樣點與圖斑疊加分析時，考慮到野外采樣的GPS位置坐標可能存在一定的不精確性，因此將草地圖斑的邊界外延90 m，即3個Landsat 8標準多光譜像元過后，再進行判斷分析。最后得到的分析結果如下，253個野外采樣核查點鐘，有227個核查點是正確的，總體精度為89.7%。該結果表明，利用遙感參數結合其他非遙感指標對天然草地類進行識別具有可行性和適用性。

3? 結論

該研究采用多源遙感數據，對四川省3州地區和盆周地區的草地資源進行了提取和分類分析。在此過程中，利用多波段遙感影像像元值進行分析，選取了適合四川省草地資源遙感解譯的合理指標，并確定了所選遙感指標的取值參考范圍。通過對分析結果進行實地檢驗點的驗證，發現所采用的方法具有一定的適用性，其總體精度為897%。分析造成分類誤差的主要原因，仍然是衛星遙感影像的“異物同譜，同物異譜”現象;不同時相、不同空間分辨率和不同衛星傳感器的影像源的差異;以及四川省復雜多樣的地形地貌和平原丘陵區細碎的地表地物分布特征。因此，利用遙感解譯指標區分天然草地及其所屬草地類的工作，具有較好的適用性，但仍然離不開后期處理和人工目視解譯判讀工作。

參考文獻

[1]修曉敏，周淑芳，陳黔，等.基于Google Earth Engine與機器學習的省級尺度零散分布草地生物量估算[J].測繪通報，2019（3）：46-52，75.

[2]張洪江，韓燕.3S技術在草地遙感綜合調查中的應用[J].新疆畜牧業，2004（6）：56-58.

[3]查勇JAY GAO，倪紹祥.國際草地資源遙感研究新進展[J].地理科學進展，2003，22（6）：607-617.

[4]贠旭江，董永平，尹曉飛，等.草地資源調查技術規程：NY/T 2998—2016[S].北京：中國農業出版社，2017：2-15.

[5]李百紅.基于遙感數據的草地信息提取及動態監測研究：以新疆哈巴河縣為例[D].泰安：山東農業大學，2011.

[6]贠旭江，董永平，李維薇，等.草地分類：NY/T 2997—2016[S].北京：中國農業出版社，2017：2-10.

[7]周壽榮，杜逸，倪炳熾，等.四川草地資源[M].成都：四川民族出版社，1989.

[8]黃敬峰，王人潮，胡新博.新疆北部天然草地產草量遙感監測預測模型研究[J].浙江農業大學學報（農業與生命科學版），1999，25（2）：125-129.

[9]陳進發，劉暢，徐劍波.基于TM-NDVI的草地生產力遙感監測研究[J].安徽農業科學，2011，39（12）：7365-7366，7407.

[10]趙連春，劉榮堂，楊予海，等.基于地形因子的草地遙感分類方法的研究[J].草業科學，2006，23（12）：26-30.

[11]殷青軍，汪青春，楊英蓮，等.青海瑪多縣草地資源遙感動態監測及分析[J].青海氣象，2001（3）：9-14.

[12]李亞楠，張麗，廖靜娟，等.藏北中部地區草地退化遙感監測[J].遙感技術與應用，2013，28（6）：1069-1075.

[13]李輝霞，劉淑珍.高原草地退化遙感監測對象的地學屬性分析：以西藏自治區那曲縣為例[J].山地學報，2003，21（Z1）：72-76.

[14]李傳新.基于遙感的錫林河流域草地退化及影響因素分析[D].北京：中國地質大學（北京），2016.

[15]李培先，鄭江華，倪亦非，等.阿爾金山草地鼠害發生區及鼠荒地面積遙感估算[J].新疆農業科學，2016，53（7）：1346-1355.

[16]劉睿.基于遙感反演的樣帶草地生產力模擬：以呼倫貝爾-烏里雅蘇臺樣帶為例[D].北京：中國科學院研究生院，2011.

[17]PITKANEN T P，KAYHKO N.Reducing classification error of grassland overgrowth by combing low-density lidar acquisitions and optical remote sensing data[J].ISPRS Journal of Photogrammetry and Remote Sensing，2017，130：150-161.