基于eCognition影像解譯技術的風景環境植被景觀遙感量化研究
——以云南雞足山為例

張學玲

當代風景環境調查研究日益強調理性思考、分析邏輯與先進技術的深度協同，量化分析成為景觀科學規劃與設計的重要前提乃至必要途徑，數字技術在風景環境特征調查、分析、評估等研究中所扮演的角色愈發關鍵[1]。伴隨3S技術在大尺度風景園林研究中應用程度的持續深入，傳統風景環境數字化分析程度不斷提高，空間尺度變

得更大，分析綜合性變得更強，其結果也更具科學意義[2]。eCognition作為當代新興的智能化高分遙感影像分析技術，突破了傳統商業遙感軟件單純基于光譜信息進行影像分類的多種局限性，為數字景觀發展提供了一種全新的遙感分析途徑[3]。使用Web of Science搜索近5年主題包含“eCognition”的論文文獻，獲得相關論文190余篇，論文年均數量持續增長，其中與本學科相關的論文20余篇；使用中文期刊服務平臺(CNKI)搜索主題含“eCognition”的論文文獻數量為150余篇，其中與風景園林學領域關系密切的論文僅有幾篇，如張強[4]、宋宜昊[5]、王歡歡[6]相繼開展的園林植物與現狀綠化遙感分析研究。這說明基于eCognition的高分遙感影像解譯技術已獲得林學、生態學、測量學、地理學、城鄉規劃學等學科高度關注并得到廣泛應用，而在風景園林學重視不足，相關研究處于起步階段，有待迅速形成科研拓展和專屬領域。

風景環境多以植被為景觀基質，人工-自然綠化高度復合，并在自然演進、人居發展、空間更迭、規劃建造等共同作用下，逐漸形成以典型植被群落為主體，以連續的植被“知覺群”為空間組成機制[7]，具有特定植被景觀特征和空間格局的風景綜合體。這種綜合體環境特色鮮明、人文-自然景觀要素高度復合，不僅呈現地質地貌、人文資源、建筑特色等景觀特征，更是凸顯植被景觀之美，呈現出鮮明的植被群落特征。例如明代以來持續修建的北京西山、香山等風景區植被群落豐富，林相、季相特點顯著，植被景觀成為風景區標志性特色；河北承德外八廟、浙江天臺山、云南雞足山也是植被景觀薈萃之地，地帶性植被景觀環境各具特色。

景觀特征是景觀要素在自然環境、歷史發展、地域文化等條件影響下形成的獨特、可識別、連續的景觀肌理，是科學模式的有機呈現，具有獨特性、復雜性、多尺度性、連續性等特點[8]。植被景觀特征研究強調運用理性、邏輯的思維方式，科學而嚴密地分析其構成要素及生成與發展過程[9]，充分呈現綠化空間構成模式、深層次解碼與群落演進機制，從而建立植被景觀發展變化與景區風貌之間的對應關系[10]，為當代植被景觀營造提供科學而有效的研究途徑，促進包括風景環境在內的人居景觀環境科學解讀與建設發展。

植被景觀是否可以量化？植被景觀作為綜合的整體能否分解為更精確、可度量的特征要素進行數字化分析？面對這樣的問題，基于當代數字景觀理論和遙感技術手段的eCognition給予了更為系統、簡明的解答途徑[11]。eCognition是當代新興的智能化影像分析技術，它采用決策專家系統支持的模糊分類算法，提出了革命性的分類技術——面向對象分析的分類技術，大大提高了空間影像數據的自動識別精度，有效滿足了科研和工程應用的需求，也為風景環境植被景觀特征研究提供了一種新型量化解析技術[12]。通過eCognition的遙感影像技術分析，我們能夠在高空衛星遙感圖的基礎上，進行大尺度、高精度的植被景觀信息采集和特征分析[13]，運用光譜異質性、多尺度分割函數和歸一化植被指數作為植被圖像分類特征，通過隸屬度函數算法，最終有效提取典型植被景觀要素信息，提高景觀特征分類精度，矢量呈現植被景觀特征分布情況。在推動風景環境景觀特征研究進步的同時，具有深化景觀環境空間調查與分析水平的科研意義。

圖1 雞足山核心景觀區遙感影像圖

1 研究案例與數據預處理

雞足山位于大理白族自治州洱海地區，西臨蒼山、洱海，北靠金沙江，隸屬于大理國家級風景名勝區。主體山群東起塔盤山接溝村，南界沙址街河，西到天柱山，北止九重崖北坡，總面積2 822hm2(圖1)。雞足山地處亞熱帶和溫帶的過渡地帶，立體氣候明顯，地形地貌復雜，動植物資源豐富，生態環境優良，豐富的地形變化與植被資源建構了生動多樣的地表景觀環境。雞足山景區目前分布有大量的風景建筑，包括金頂寺、傳燈寺、五華庵、迦葉殿等寺庵數十座，并呈現出與周邊植被高度融合的態勢；針葉林、闊葉林、竹林、疏林地、茶園、果林等植被呈現規律性分布，植被群落參與園林環境營造，其植被景觀分布與特征有待精準識別與量化分析。

本研究選用中國資源3號(ZY-3)衛星遙感影像(采集時間為2018年1月23日)，空間分辨率為5.8m。光譜波段包括藍色波段(450～520nm)、綠色波段(520～600nm)、紅色波段(630～690nm)和近紅外波段(760～890nm)4個波段。影像視域無云，大氣環境較好，傾斜視角為11°。遙感影像的預處理步驟如下。

1)對原始影像數據進行FLAASH大氣校正。大氣校正的目的是消除大氣折射、散射等現象對地物反射的影響，提高地物提取精度。

2)以雞足山地區1∶10 000現狀地形圖為參考，采用WGS84坐標系統，根據ZY-3衛星影像特點，采用二次多項式糾正方法進行正射校正。

3)根據研究需要，截取合適圖像范圍用于后續遙感影像二次修正與eCognition解析。

2 技術路線

1)研究區域遙感影像的光譜異質性調試與多尺度分層分割，用以獲取不同層次上的影像分析基礎圖像與對應數據。難點在于根據植被景觀要素的光譜特點、幾何形狀、拓撲特征設置每層的分割條件，進而實現雞足山植被空間特征、形狀特征的精準分割。

2)利用分割后的基礎圖像選取實驗樣地(以下簡稱“樣地”)進行植被樣本標定與統計分析，根據雞足山景區不同類型植被景觀特征的差異性確定分類特征，為植被景觀特征分類解析構建基礎樣本數據庫。

3)基于歸一化植被指數(NDVI)進行植被景觀特征描述，使用隸屬度模糊分類方法進行影像深入解析。對照樣本數據，設定植被景觀特征類間區分度，統一進行對象特征和類間特征的精確定義與對象歸類。

4)調試解譯參數進行影像識別，實現雞足山核心景觀區及其輻射區域遙感數據解析，對其植被景觀特征進行分類解析，獲取技術圖紙與相關矢量數據。

5)二次抽取樣地進行精度分析，通過實地調研獲得本次研究的分類精度，進行技術總結并對下一步研究方案進行探討。技術路線如圖2所示。

圖2 雞足山遙感影像解析技術路線

圖3 雞足山核心景區多尺度分割遙感影像

3 研究過程與結果

3.1 影像分割

根據雞足山實地調研樣本情況，在eCognition平臺上利用分形網絡演化算法進行影像分割。在不同地表植被景觀特征分割范圍內，分割后大尺度和小尺度影像數據同時存在，并形成一個有4級層次的多尺度遙感影像對象等級網絡。要同時考慮遙感影像中不同地表條件下植被群落光譜、形狀和空間特征的差異性與同一性，并遵循異質性最小的原則優選算法公式[14]。經反復比較調試，建議在風景環境植被景觀提取中執行的異質性度量準則計算公式為：

式中，F表示異質性準則；w1表示形狀權重；c1和c2分別表示顏色差異性量度和形狀差異性量度，其中c2形狀差異性量度又分為平滑度c3和緊致度c4；w2表示平滑度和緊致度的權重值，平滑度是指合并后區域邊界的光滑程度，緊致度是為了保證合并后區域更加緊湊，它們各占有一個權值，構成了形狀差異性量度。由此可見，多層多尺度的分割算法不但可以針對不同地物進行不同尺度的分割處理，還可以結合地物的空間特征和形狀特征進行更加準確的分割控制，并結合分類時上下層級的邏輯拓撲關系，優化分割精度。

3.2 分割參數設定

依據雞足山地區典型地貌，測試并選定其分割尺度函數。分割函數一般包括尺度選擇、層數選擇、顏色因子、形狀因子、光滑度、緊致度等。本研究中主要根據景觀植被光譜特點、幾何形狀、拓撲特征來對影像進行實用性切割。通過eCognition多尺度分割函數(multiresolution segmentation)設定，形成一個有a、b、c、d 4級層次的多尺度遙感影像對象等級網絡[15]。

其中，層a用于林地與非林地分割，分割尺度不宜過大，以免造成地物破碎。考慮到雞足山現場林地與非林地交錯程度較高，宜從大尺度進行林地與非林地區分，并在底層進行交錯帶分類探討，分割尺度經調試確定為100。層b用于區分針葉林、闊葉林、疏林地和建設用地，在層a分割的基礎上，結合茶園、果林、疏林地等具有人工干預下自然要素的形狀特征，分割尺度設為50即可將植被要素分開。層c用于區分疏林地、竹林、茶園和果林，通過比照樣本，解析不同植被種類的光譜、形狀、緊致度和平滑度特性，有效提取植被景觀信息要素。層d用于進一步提高植被景觀特征提取精度，同時提高構筑物、林隙、陰影和裸地區分度，分割尺度設為10(圖3)。

3.3 對象特征提取

基于分割影像，結合樣地踏勘數據進行數據統計分析，根據不同圖像類型的特征差異確定分類特征[16]。在雞足山核心景觀區多光譜遙感影像4個光譜波段可視化解析處理的基礎上，利用eCognition最鄰近分類器，選擇樣地進行分類試驗。實踐經驗表明，通過不斷將未分和錯分的對象設為樣本，能夠有效實現分類結果優化，并持續提高分類精度。

3.3.1 植被特征指數

植被特征指數是對地表植被狀況簡明、凝練和理性的度量指標，目前已經定義了40多種植被特征指數，廣泛應用在全球與區域土地覆蓋、植被分類和環境變化等遙感分析中[17]。歸一化植被指數(Normalized Difference Vegetation Index，NDVI)用以判定植被群落種類、生長狀態、植被覆蓋度的整合情況，該指數業已通過中國科學院地理科學與資源所專家組的判讀與野外實測數據驗證(2012)，空間一致性良好。

在植被景觀特征解析中，歸一化植被指數增強了在近紅外波段范圍綠葉的散射與紅波段范圍葉綠素的吸收差異，是植被群落種類及生長狀態的最佳指示因子，圖4為雞足山核心景觀區植被特征指數解析圖。

植被特征指數計算公式如下：

式中，pnir表示近紅外光波段反射率；pred表示紅光波段反射率。

3.3.2 光譜異質性指數

在分類時，由于針葉林、闊葉林和竹林光譜信息比較相似，存在一定程度上的誤分現象，故在光譜信息的基礎上加入紋理信息[18]。灰度共生矩陣(Grey Level Co-occurrence Matrix，GLCM)反映出圖像灰度變化的綜合信息，以及分析圖像的排列規律和局部模式。其中，Homogeneity是GLCM的主要特征之一，表示該區域的同質性，同質性越高，其值越大。根據以上統計分析方法得出所用的分類指標如表1，解析圖為圖5。

3.4 植被景觀特征解析

面向對象的特征分類是植被景觀群落層次的模糊邏輯函數分類，eCognition提供了最鄰近(Nearest Neighbor)和隸屬度函數(Membership Functions)2種常用的分類方法。其中，隸屬度函數是一個以同一范圍(0～1)來表達任意特征范圍的方法，易于對每個特征進行編輯和調整；它提供了特征值和類隸屬度之間非常透明的關系隸屬度函數，可以利用對象特征和類間相關特征精確定義對象屬于某一類的標準[19]。針對雞足山植被信息提取中不同的情況，本研究采用光譜異質性和NDVI指數作為圖像分類特征，對植被景觀特征進行隸屬度解析(圖6)。

3.5 精度評價

精度評價對于包含植被景觀在內的景觀特征遙感數據精準提取非常重要，因為一幅植被景觀提取分類圖像的精度直接影響到數據分析的準確性和科學評價的合理性[20]。本項研究中，精度評價是以野外人工調查數據作為參考數據，將參考數據與遙感解析結果建立誤差矩陣進行統計計算。

多數情況下，獲得全部完整的參考數據難度較大，因此大多數精度評價都采用抽樣的方式，并以部分像元或部分類別代替整幅圖像來進行圖像的精度評價。誤差矩陣也稱混淆矩陣，是用來進行精度評價的一種標準格式。本研究采用生產者精度(PA)、用戶精度(UA)、總體精度(OA)和Kappa系數4個精度評價指標，定量評價分割尺度對分類精度的影響，以此作為精度驗證標準。其中，Kappa系數計算公式如下[21]：

本項研究中，樣地數據主要包括調查獲取的植被品種與群落組成、植被景觀特征分布、景觀特征結構與形態組等332個試驗對象樣本，通過人工轉譯，以樣本對象為統計對象，用誤差矩陣及總體精度表示精度評定結果。雞足山核心景觀區分類精度及誤差矩陣如表2所示，最終獲取總體精度為78.92%。

圖4 雞足山核心景觀區植被特征指數(NDVI)解析圖

圖5 雞足山核心景區灰度共生矩陣(GLCM)解析圖

圖6 雞足山核心景觀區景觀特征解析圖

4 結語與展望

本文通過對雞足山核心景觀區遙感影像多尺度分割、分類對比分析，獲取最佳分割尺度，結合樣地提取植被對象的光譜信息，結合紋理信息、幾何信息，以面向對象分類方法對遙感影像進行解譯實驗，運用光譜異質性、多尺度分割函數和歸一化植被指數作為圖像分類特征，通過隸屬度函數算法，最終有效提取出針葉林、闊葉林、竹林、疏林地、茶園和果林6類植被景觀特征要素信息，分類精度達到78.92%，較好地實現了雞足山核心景觀區植被景觀特征與分布情況的遙感影像數據解譯。

研究結果表明，采用面向對象分析方法的多尺度分割隸屬度函數分類方法進行高分遙感影像解譯精度較高，能夠有效區分風景環境植被群落整體景觀特征，適用于包括自然環境、城市環境景觀資源在內的植被景觀要素的量化提取。本文通過對雞足山植被景觀要素的eCognition遙感影像解析，提出并實踐驗證了一套適用于風景環境植被景觀信息量化提取的高分遙感解析技術；能夠在高精高分遙感影像圖支持下，進一步實現對古樹名木、街頭綠地、局部微更新等典型微觀地表景觀精確識別，為風景環境、城市環境中植被景觀分析與研究提供更科學、專業的遙感解析技術。

表1 分層分類指標表

表2 雞足山核心景觀區分類精度及誤差矩陣

經過與同類遙感影像解析技術比較可見，eCognition遙感影像解析技術主要特點表現為分割尺度多樣、分類方法先進、影像特征與算法豐富，能夠有效對接風景園林學景觀資源調查需求，目前可實現的分類精度是令人滿意的，能夠實現典型環境條件下植被景觀的特征化數據收集與圖形表達，為后續大尺度統計分析、規劃設計、養護管理等提供可靠的基礎資料與精準的基礎圖紙。值得關注的是，由于部分植物品種之間存在一定的相似性，分類結果還存在一定的誤分現象，若能進一步結合資源3號遙感立體信息，并提取數字高程模型(DEM)數據，則有可能進一步提高分類精度，相關研究有待深入開展。

基于eCognition遙感影像解譯技術的植被景觀量化解析是伴隨著當代景觀環境科學發展需求、計算機和遙感技術而產生的新型景觀特征與資源調查技術，能夠為大尺度風景環境景觀特征研究提供一個以客觀定量分析、多維直觀呈現為特點的量化研究途徑，并為當代景觀高空間解析、城市綠地系統精確判讀、數字景觀設計等提供遙感分析技術途徑[22]。瞳孔視野迅速提升為衛星視野，具有技術進步意義，同時也可為城鄉規劃學、建筑科學等相關人居環境科學研究提供可參照、可借鑒、可發展的科研平臺與技術對標。

注：文中圖片均由作者繪制。

致謝：感謝李樹華、何鈺昆、延宏、趙鳴等同志對本項研究及論文撰寫給予的支持和幫助，感謝北京國測星繪信息技術有限公司提供資源3號遙感影像并給予技術支持。