基于Sentinel-2A影像的互花米草信息提取研究

李京，劉亞靜，劉明月

(華北理工大學(xué) 礦業(yè)工程學(xué)院，河北 唐山 063210)

引言

植物入侵是當(dāng)前生態(tài)研究方向熱點(diǎn)之一[1]。互花米草原產(chǎn)于大西洋沿岸，于1979年引入我國，1997年作為生態(tài)工程種引入九段沙自然保護(hù)區(qū)并進(jìn)行定居和擴(kuò)張[2-4]。面向?qū)ο蠓诸惙椒▍^(qū)別于傳統(tǒng)基于單個(gè)像元的分類方法，以若干同質(zhì)性像元集合作為對象處理單元，并綜合光譜、紋理、空間以及形狀等屬性信息，能夠很好地減小"椒鹽效應(yīng)"現(xiàn)象，從而提高分類精度[5]。

該研究以Sentinel系列影像為數(shù)據(jù)源，基于eCognition平臺(tái)，通過面向?qū)ο?支持向量機(jī)分類算法，并構(gòu)建分類特征空間，以九段沙自然保護(hù)區(qū)為研究對象進(jìn)行2019年遙感影像解譯，以探索互花米草的在空間層面的分布狀況，為互花米草的分類以及動(dòng)態(tài)監(jiān)測提供理論依據(jù)。

1數(shù)據(jù)與方法

1.1 研究區(qū)概況

九段沙(31°03′～31°17′N，121°46′～122°15′E)位于上海市長江口外河段，北至長江口北槽深水航道，東至東海，西至長江。九段沙濕地經(jīng)過自然演變而成，主要分為上沙、中沙、下沙三部分。該地區(qū)位于亞熱帶的北部區(qū)域，九段沙生物多樣性低，植被群落結(jié)構(gòu)類型較為簡單，高等植物較少。根據(jù)2000年相關(guān)調(diào)查研究表明，九段沙自然保護(hù)區(qū)主要有海三棱藨草、蘆葦、互花米草等高等植被植物[6]。在1997年有"種引青鳥"工程在中沙人工種植互花米草50 hm2和蘆葦40 hm2，并且在下沙試種50 hm2互花米草[7]。經(jīng)過自然演變以及種間競爭等因素，不斷演變形成互花米草群落、蘆葦群落以及海三棱藨草群落的分布格局。研究區(qū)地理位置如圖1所示。

圖1 研究區(qū)概況圖

1.2 數(shù)據(jù)來源及預(yù)處理

該項(xiàng)研究選取2019年Sentinel-2A遙感衛(wèi)星影像，對長江口九段沙區(qū)域進(jìn)行研究。盡量選取云量少、低潮位、質(zhì)量較好的遙感影像。該研究選用影像數(shù)據(jù)見表1所示。

表1 影像列表及其參數(shù)

使用ENVI5.3軟件對影像執(zhí)行大氣校正、幾何校正、輻射校正、圖像融合和裁剪等預(yù)處理工作，其中在九段沙研究區(qū)域內(nèi)，互花米草、蘆葦以及海三棱藨草3種植被群落在一年中不同的季相會(huì)在影像中呈現(xiàn)一定的光譜相似性，所以在選擇影像的同時(shí)，有必要采用其他不同時(shí)段影像作為輔助解譯，并采用多時(shí)相、多季相影像以此來更好地區(qū)分植被類型，提高解譯精度。

1.3 研究方法

1.3.1最優(yōu)分割尺度估計(jì)

尺度分割參數(shù)對面向?qū)ο蠓诸惤Y(jié)果的質(zhì)量有重要影響。一般對于多尺度分割參數(shù)的確定需要不斷實(shí)驗(yàn)不同的分割參數(shù)結(jié)合目視判斷分割效果。為減少方法的耗時(shí)性、主觀性，該研究采用最優(yōu)分割尺度估計(jì) (estimating the scale parameter 2，ESP2)來確定最佳分割尺度參數(shù)。ESP2的工作原理是對圖像數(shù)據(jù)進(jìn)行分割后，利用得出分割尺度的變化率依據(jù)相關(guān)公式來計(jì)算結(jié)果局部方差的平均值的大小，然后依據(jù)所得出的圖像評估目標(biāo)地物的最優(yōu)尺度參數(shù)，將變化率曲線的峰值作為整個(gè)圖像對象最大異質(zhì)性的表示[8]。ROC計(jì)算公式如(1)式所示：

(1)

式中：LVL-1表示尺度為L-1分割結(jié)果中所有對象的LV均值；LVL表示尺度為L時(shí)的分割結(jié)果中所有對象LV均值。

通過計(jì)算ROC的值并根據(jù)結(jié)果用尺度L繪制ROC曲線，曲線中存在峰值表明基于現(xiàn)有的尺度，特定類型的對象特征圖像可以實(shí)現(xiàn)最佳分割，即當(dāng)LV變化率值具有最大峰值時(shí)，最佳分割比例就是與此點(diǎn)相對應(yīng)的分割比例。由于圖像特征的多樣性和豐富性，ESP2計(jì)算出的最佳分割尺度參數(shù)主要是多個(gè)參數(shù)值，這主要是由于影像內(nèi)存在多種優(yōu)勢地物所引起的。所以，根據(jù)所要研究的地物通過實(shí)驗(yàn)得出的峰值所對應(yīng)的分割尺度可快速確定最佳分割尺度。

1.3.2面向?qū)ο蠓诸?/p>

面向?qū)ο蟮倪b感圖像分類方法不僅可以基于地物的光譜特征，還可以利用其形狀、紋理、大小以及對象層特征之間的關(guān)系，實(shí)現(xiàn)目標(biāo)特征提取和更高層次的遙感圖像分類，從而提高了分類精度。這種分類方法可以有效避免基于像素的分類方法結(jié)果中產(chǎn)生的"椒鹽現(xiàn)象"，從而使分類結(jié)果具有良好的完整性。該研究基于面向?qū)ο蠓诸愜浖Cognition平臺(tái)，開展對九段沙互花米草與其他濕地景觀類型信息提取。主要過程包括：多尺度分割、特征選取以及構(gòu)建分類器[9，10]。

通常，光譜異質(zhì)性標(biāo)準(zhǔn)和空間異質(zhì)性標(biāo)準(zhǔn)一起使用。確定形狀因子和光譜因子要在多尺度分割操作之前。由于這2個(gè)因素對異質(zhì)性的影響最小，因此可以獲得整個(gè)圖像中所有對象的最小的平均異質(zhì)性。

f=wcolorhcolor+(1-wcolor)hshape

(2)

hshape=wcompacthcompact+(1-wcompact)hshape

(3)

其中，異質(zhì)性值f是通過4個(gè)變量因子計(jì)算得出：hcolor表示光譜異質(zhì)性值；hshape表示形狀異質(zhì)性值，其取值在0-1之間；wcolor表示光譜信息權(quán)重；wcompact表示用戶定義的權(quán)重。

1.3.3支持向量機(jī)

支持向量機(jī)(SVM)通過監(jiān)督學(xué)習(xí)來對數(shù)據(jù)進(jìn)行二元分類，它對解決復(fù)雜的、非線性的、高維空間的分類問題具有巨大潛力。支持向量機(jī)利用結(jié)構(gòu)化風(fēng)險(xiǎn)最小化原理代替了傳統(tǒng)的經(jīng)驗(yàn)性風(fēng)險(xiǎn)最小化原理。從設(shè)計(jì)開始，它就已經(jīng)定位為用于處理小樣本的機(jī)器學(xué)習(xí)方法。結(jié)構(gòu)風(fēng)險(xiǎn)最小化的原則可確保在小樣本情況下數(shù)據(jù)分類的可靠性和準(zhǔn)確性。

在實(shí)際計(jì)算中，核心思想是將選定的樣本點(diǎn)映射到高維特征空間，并通過構(gòu)建最佳分類超平面來最大程度地降低分類風(fēng)險(xiǎn)的上限，如圖2所示。

圖2 線性可分支持向量機(jī)原理

對于樣本是線性可分離的情況，通過找到最佳超平面將2個(gè)類別的樣本點(diǎn)分離而沒有錯(cuò)誤。如果一個(gè)平面可以正確地分離出2種類型的特征，即訓(xùn)練樣本點(diǎn)的錯(cuò)誤率是0，并且分類間隔最大，則該平面稱為最佳分類平面。遙感數(shù)據(jù)的大部分分類都屬于非線性問題的分類。與傳統(tǒng)遙感數(shù)據(jù)分類算法相比，該算法在大多數(shù)情況下都可以得到更好的分類結(jié)果。并且SVM在高維特征空間中獲得的分類精度較高，訓(xùn)練速度以及收斂性等方面均可以達(dá)到很理想的效果[11]，如圖3所示。

圖3 特征空間映射

2互花米草提取與分析

2.1 基于ESP2確定最優(yōu)尺度參數(shù)

基于eCognition9.0.2軟件實(shí)現(xiàn)面向?qū)ο蟮幕セ撞菪畔⑻崛。捎枚喑叨确指罘椒ǐ@取影像對象層，通過最優(yōu)分割尺度估計(jì)(ESP2)確定多尺度分割參數(shù)。以下選取九段沙Sentinel-2A 為例，介紹基于ESP2確定多尺度分割參數(shù)的過程。其中主要的參數(shù)設(shè)置為：最小分割尺度為20、最大分割尺度為40、循環(huán)分割次數(shù)為100。在多尺度分割結(jié)束后，與每個(gè)分割尺度對應(yīng)的局部方差將生成一個(gè)TXT文件，并將其保存在圖像所在的目錄中，并依據(jù)生成的TXT文件通過相關(guān)公式計(jì)算相應(yīng)的ROC值，得到ROC_LV圖，然后調(diào)整坐標(biāo)值的范圍，最后得到最優(yōu)的分割尺度分析圖，如圖4所示。

圖4 不同分割尺度下的圖層局部方差變化率曲線

由圖4可以看出，在不斷變化的曲線中存在明顯的峰值信息，根據(jù)這些峰值信息查看相對應(yīng)的數(shù)值的大小。經(jīng)過對比和篩選，可以得出峰值的最優(yōu)分割尺度分別為29、36、53、60、64以及92，利用這些所篩選出的最優(yōu)分割尺度和已經(jīng)確定的緊致度0.5和形狀因子0.2對遙感影像數(shù)據(jù)進(jìn)行對比實(shí)驗(yàn)，得到的局部分割效果如圖5所示。

圖5 多尺度局部分割效果

通過對潛在最優(yōu)的尺度進(jìn)行實(shí)驗(yàn)，發(fā)現(xiàn)29、36和53尺度參數(shù)分割相對破碎，64和92尺度分割較為粗糙，尺度參數(shù)60剛好滿足分類的需求，既不過于破碎又能很好地將不同地物進(jìn)行分割。

2.2 精度評價(jià)

首先采用生態(tài)地理采樣方法生成隨機(jī)采樣點(diǎn)，在研究區(qū)域內(nèi)隨機(jī)生成驗(yàn)證點(diǎn)。根據(jù)分類影像和Google Earth 影像以及統(tǒng)計(jì)歷史參考文獻(xiàn)數(shù)據(jù)確定驗(yàn)證點(diǎn)的屬性值，分別統(tǒng)計(jì)互花米草驗(yàn)證點(diǎn)中實(shí)際屬性為互花米草及非互花米草的數(shù)量；非互花米草驗(yàn)證點(diǎn)中實(shí)際屬性為非互花米草及互花米草的數(shù)量。統(tǒng)計(jì)研究區(qū)域驗(yàn)證點(diǎn)的類別屬性，根據(jù)數(shù)據(jù)生成混淆矩陣。根據(jù)混淆矩陣，計(jì)算分類結(jié)果的總體的分類精度和Kappa 系數(shù)。該項(xiàng)研究結(jié)合分類影像、Google Earth 影像以及歷史參考文獻(xiàn)數(shù)據(jù)最終評價(jià)覆蓋九段沙自然保護(hù)區(qū)的2019年影像分類結(jié)果的分類結(jié)果，最終計(jì)算結(jié)果如表2所示。

表2 2019年互花米草分類精度評價(jià)混淆矩陣

由表2可知，基于面向?qū)ο?支持向量機(jī)的2019年九段沙植被信息信息提取結(jié)果的總體精度和Kappa系數(shù)分別達(dá)到89%和86%。根據(jù)Kappa系數(shù)區(qū)間內(nèi)，說明九段沙植被分布的遙感提取結(jié)果和九段沙實(shí)際空間分布具有高度的一致性。該結(jié)果提取精度表明：基于面向?qū)ο?支持向量機(jī)的九段沙植被信息提取方法能夠初步提取出互花米草的空間分布信息，方法的應(yīng)用具有一定的可行性。

2.2 九段沙互花米草提取結(jié)果分析

表3所示為九段沙植被面積變化情況，圖6所示為2019年互花米草信息提取分類圖。

表3 九段沙植被面積變化/hm2

圖6 2019年互花米草信息提取分類圖

由表3和圖6可知，2019年互花米草面積為5 856.85 hm2，主要分布在中沙以及下沙中上潮間帶，夾在蘆葦與海三棱藨草之間，在上沙有小部分分布；蘆葦所占面積為2 081.39 hm2，在上沙、中沙以及下沙均有分布，其中在上沙分布面積最多，在中沙以及下沙主要生長在高程較高的潮間帶；海三棱藨草所占面積為1 308.19 hm2，在上沙、中沙以及下沙均有分布，主要分布在中下沙高程較低的潮間帶。

3結(jié)論

(1)基于面向?qū)ο?支持向量機(jī)的2019年九段沙植被信息信息提取結(jié)果的總體精度和Kappa系數(shù)分別達(dá)到89%和86%，該方法能夠初步提取出互花米草的空間分布信息，表明方法的應(yīng)用具有一定的可行性。

(2)2019年互花米草面積為5 856.85 hm2，主要分布在中沙以及下沙中上潮間帶，在上沙有小部分分布。