面向三江保護區植被類型識別的最佳波段組合研究

姜 怡，劉 華，趙 峰，馬永康，劉浩棟

(1.中國林業科學研究院資源信息研究所,國家林業和草原局林業遙感與信息技術重點實驗室,北京 100091)

隨著遙感技術的發展和廣泛應用，其在退耕還林（草）[1-3]、退耕還濕[4-5]等生態恢復工程的監測中也發揮了重要作用。除了工程進展和實施效果外，植被類型識別也是工程監測的主要內容。現有的植被類型識別方法多采用不同分類器進行監督分類[6-7]，其中樣本選擇是監督分類的必要步驟。通過研究最佳波段組合方式，增強影像信息的可判讀性，從而實現分類樣本的快速獲取。

最佳波段組合一直是衛星數據研究的熱點問題。對于擁有多波段光譜信息的傳感器來說，應用最佳波段組合可細致分析衛星原始數據各波段信息特征以及在各個領域的應用價值[8-9]。如郭力娜等[10]采用最佳指數因子與不同土地利用類型光譜曲線相結合的方法，選取了適用于Landsat8 OLI 在土地利用類型提取的最佳波段組合為1-5-7；王平平等[11]在研究WorldView2 原始波段最佳波段組合的基礎上，增加了不同光譜指數，增強巖性信息提取；和曉風等[12]針對濕地類型，從信息量、信息熵、最佳指數3 個定量指標出發，確定了GF1 影像最佳波段組合為4-3-2。此外，最佳波段組合也是一種數據選擇方法，許多學者采用最佳波段組合方式來減少冗余信息與噪聲[13-15]，進一步提高分類精度。

高分六號衛星是我國首顆精準農業觀測衛星，其新增的紅邊波段能夠有效反映植被的光譜信息，可為退耕還濕工程監測，特別是在區分濕地保護區內農作物與濕地植被方面提供有力的數據支持。但目前，利用高分六號數據針對濕地保護區植被信息識別上的研究較少。本研究以三江國家級自然保護區為對象，基于高分六號數據，從制圖中的視覺評估角度，開展保護區植被類型識別中的最佳波段組合研究，并對結果進行定量評估。以期為高分六號數據在濕地資源監測中的進一步應用提供參考。

1 研究區與數據源

1.1 研究區概況

三江國家級自然保護區位于黑龍江省佳木斯市撫遠市和同江市境內，面積198 089 hm2，是以沼澤濕地為主要保護對象的自然保護區。2000 年被國務院批準為國家級自然保護區，2002 年被列入《國際重要濕地名錄》。保護區內有豐富的濕地資源，土壤肥沃、濕地植被茂密且類型復雜多樣。由于歷史上多次大規模人口遷入及開荒，原有的大部分濕地被農田侵占，原始濕地資源遭到破壞。為恢復保護區內濕地生態系統功能，保護野生動物與鳥類正常繁衍棲息，自2016 年起，保護區開始實施“退耕還濕”工程。為方便區劃和管理，當地政府將三江自然保護區分為黑龍江流域保護區（面積106 552 hm2）；烏蘇里江流域保護區（面積91 537 hm2）。本研究選擇黑龍江流域保護區作為研究區域（圖1）。

圖1 研究區高分六號影像（RGB=3，2，1）Fig.1 Image of GF6 in the study area（RGB=3，2，1）

1.2 數據源

“高分六號”衛星搭載了8 譜段CMOS 探測器，首次增加了能夠有效反映植被特有光譜特性的“紅邊”波段（具體參數見表1）。本實驗所用數據下載于陸地觀測衛星數據（http://36.112.130.153:7777/#/home），2019 年9 月12 號獲取，數據經過輻射定標、大氣校正以及正射校正最終形成后續研究的遙感數據。此外，樣本數據為2020 年8 月底到9 月初實地采集，由于研究區部分地區自然條件復雜，導致某些區域難以進入，故采用無人機進行數據采集作為補充。同時，結合實地考察經驗與google earth 影像選取足夠數量的樣本點，作為后續實驗的基礎數據。

表1 高分六號WFV 數據Table 1 GF6/WFV

2 研究方法

從影像信息特征與不同植被類型間可分性兩個方面出發，選取標準偏差、信息熵、相關系數以及衍生的波段指數來反映影像信息特征，從整體角度縮小最佳波段組合選取范圍；再針對保護區植被類型的光譜特征，利用J-M 距離方法計算不同植被類型間的可分性，最終確定研究區植被類型識別的最佳波段組合。

2.1 影像信息特征

2.1.1 影像信息量 標準偏差和信息熵是衡量波段信息量的常用方法。標準偏差可以反映圖像像元值與總體均值之間的離散程度，而信息熵表達的是圖像灰度分布的聚集特征所包含的信息量。標準偏差與信息熵越大，則信息量就越豐富。統計研究區WFV 傳感器8 個波段的標準偏差、信息熵，最大最小值、均值結果如表2 所示。

表2 波段統計信息Table 2 Statistics of spectral information

2.1.2 影像波段相關性 相關系數是用以反映變量之間相關關系密切程度的統計指標。對于遙感影像來說，相關系數表達的是波段間的信息重合度。相關系數越大，則兩個波段間相關性越大，二者間的冗余度越大，信息重復度越高。統計研究區各波段間的相關系數并繪制相關系數矩陣圖（圖2），圖中由藍到紅相關性依次增加。考慮到GF6/WFV 數據原始波段設置并未按照波長長度排列，不利于相關性分析，故圖2 坐標按照中心波長長度重新排序，這樣更能表達GF6/WFV 數據的各波段之間的相關性。

圖2 相關系數矩陣Fig.2 Image of correlation coefficient matrix

2.2 最佳指數因子分析

本研究選擇應用較為廣泛的OIF指數[16]方法。OIF指數不以單個波段為目標尋找最佳波段組合，而是綜合了波段組合內部方差與相關系數，從組合角度評價圖像信息量。OIF指數越大，則波段組合信息量越大。其計算公式如下：

其中:Si為波段i的標準差，rij為波段i與波段j之間的相關系數。

從GF6/WFV 數據的8 個波段中任意選取3 個波段組合，共計56 種組合方式，計算各波段組合的OIF指數，并按照OIF數值從大到小排序，結果如表3 所示。

表3 最佳波段指數OIF 值Table 3 The value of OIF

3 三江保護區植被類型識別的最佳波段組合

3.1 研究區影像信息特征分析

由表2 可知，從不同波段的中心波長來說，按照波長從短到長依次是b7＞b1＞b2＞b8＞b3＞b5＞b6＞b4，標準偏差從小到大順序為b7＞b1＞b8＞b2＞b3＞b5＞b6＞b4，信息熵差從小到大順序為b7＞b1＞b3＞b8＞b2＞b5＞b6＞b4，中心波長長度幾乎與信息量呈正相關。信息量總趨勢是隨中心波長增長而增大，即波長越長，圖像反差越大，所含信息量越豐富。其次，由圖2 可知，波段間相關系數出現分塊現象，即：b1、b2、b3、b5、b7、b8（簡稱：一組）以及b4、b6（簡稱：二組）。這兩組波段組間相關性相對較低，信息重疊程度小，但組內部各波段相關性較高，信息重疊度較大。在最佳波段選擇原則中我們認為，最終結果應盡可能選擇波段間相關性小的3 個波段。因此，最佳波段組合不宜以組內部波段組成。

由表3 可知，OIF指數排名前6 名波段組合均存在b4 與b6。通過前文信息特征分析可知，b4 和b6 所含信息量雖大，但二者的相關性極高，不宜同時選取。考慮到波段組合的獨立性以及信息量，研究決定從所有段組合中選擇含有b4 或b6（不同時存在）且同時OIF數值排名位于前20 的波段組合作為選擇范圍，用于進一步分析，即OIF指數排名第7～26 的波段組合。

3.2 研究區植被類型光譜特征分析

研究區植被類型豐富，是三江平原原始沼澤的核心和縮影。但由于歷史上大規模開荒活動，三江國家級自然保護區內存在大量耕地，占地面積較大，作物類型單一。研究區耕地類型以玉米和水稻為主，沼澤濕地以沼澤化草甸為主。根據研究區植被類型特點，本研究選擇沼澤化草甸、玉米、水稻、林地以及草地5 種植被類型作為研究對象，以前期外業調查數據和谷歌影像作為參考，每種植被類型選擇30 個樣本，計算每種植被類型在8 個波段上的響應值，并繪制不同植被類型的光譜特征曲線，如圖3 所示。

圖3 5 種植被類型的光譜特征曲線Fig.3 5 Spectral characteristic curve of planting quilt type

根據圖3 可知，5 種植被類型的光譜響應值的總體走勢相近，在單波段區分程度各不相同。其中，紅邊波段b5、b6 在植被類型識別中表現優異，尤其是波段5 對各植被類型區分的綜合能力位于前列；b4 和b6 波段的玉米、水稻比其他植被類型輻射值更高，有利于區分耕地與其他植被類型；可見光波段（b1、b2、b3、b7、b8）的林地輻射值最低而水稻最高，但是b7 波段對植被類型區分能力極差，為進一步縮小最佳波段選擇范圍，故最佳波段組合中不考慮第7 波段。此外，綜合考慮到波段間信息量，故最佳波段組合中應包含b4，不包含b6 與b7。

3.3 植被類型可分性分析

J-M 距離是度量不同類別可分性較為有效的方法，公式如下：

式中:p(X/ωi)為條件概率密度，即第i個像元屬于第ωi個類別的幾率。Jij取值在0～2 之間，其中，Jij位于0.0～1.0 之間時，則樣本間不具有光譜可分性；Jij位于1.0～1.9 之間時，樣本間具有一定的光譜可分性，但存在較大程度的重疊；Jij位于1.9～2.0 之間時，樣本間具有很好的光譜可分性。

通過前期基于OIF指數的信息量以及植被類型光譜特征的綜合分析，從OIF指數法篩選出的20 組波段組合中，排除包含波段6、7 的波段組合，共選出10 組波段組合，依次計算不同地物類型間的J-M 距離（結果保留2 位小數）。結果如表4 所示。

表4 J-M 距離Table 4 Jeffreys-Matusita Distance

基于J-M 距離評估植被類型的可分性結果可知，從56 個波段組合中初選出的10 個波段組合在植被類型識別方面均表現優異，僅在區分沼澤化草甸與草地效果不佳，但在其他植被類型間J-M 距離均大于1.83，且絕大多數J-M 距離大于1.9，驗證了篩選結果的可靠性。其中，在不同波段組合中林地、水稻、玉米和草地4 種植被類型間的JM 距離均大于1.94，表明該10 個組合在這4 種植被類型具有較強區分能力。此外，沼澤化草甸與其他植被類型間J-M 距離相對較低，不宜區分，尤其是沼澤化草甸與草地，J-M 距離最大為1.76（波段組合1-4-8），最小僅為0.90，表明沼澤化草甸與草地的光譜信息十分相近，容易混淆不易區分。

3.4 基于三江保護區植被類型識別的最佳波段組合

由于J-M 距離方法僅能衡量兩種地物類型間的可分性，本研究采用兩種方法相結合的綜合評估法，進一步確定三江保護區植被類型識別的最佳波段組合。方法一：將各植被類型間的J-M 距離按大小排序，累加排名次序，統計總排名作為最終分數，總分越小則說明該波段綜合排名越高，植被類型識別能力越強（表5）。方法二：累加不同植被類型兩兩間J-M 距離，記為總分，并按總分大小排序，總分越高則表明波段組合綜合識別能力越強。綜合兩種方法結果如表6 所示。

表5 方法一排名Table 5 Rank of method 1

綜合兩種方法進行評估的優勢在于，如果僅采用方法一進行評估，會產生拉平效應。例如表4 中的沼澤化草甸與草地，波段組合1-3-4 的J-M 距離為1.74，波段組合1-4-5 為1.75，數值相差0.01，排名相差1。同樣在沼澤化草甸與草地中，波段組合2-4-5 的J-M 距離為1.50，波段組合1-3-4 為1.74，數值相差0.24，但排名仍相差1。如果僅采用方法二進行評估，則又會出現因為某兩種植被類型的J-M 距離數值過小和過大而過分影響該波段的綜合排名現象。故在兩種評估方法中同時表現優異的波段組合，才應是我們優選的植被類型識別最佳波段組合。

根據表6 可知，綜合排名第一的波段組合為1-4-5。本研究根據最佳波段選擇原則，在研究區地物光譜特征分析基礎上，結合OIF值排序以及地物類型最大差異的分析，最終確定1-4-5 波段為研究區植被類型識別的最佳波段組合。

表6 波段組合綜合排名Table 6 Comprehensive rank of band combinations

3.5 最佳波段組合驗證

為了更加科學地判定波段1-4-5 為最佳波段組合，本研究選取綜合排名第二的波段組合1-4-8 作為對比數據，以驗證最佳波段組合的優越性；并將常用于植被識別的波段組合2-3-4 作為另一組對比數據。采用在小樣本條件下表現較好支持向量機方法對3 種波段組合分別進行監督分類，獲取研究區植被類型分布圖。分類結果如圖4 所示。分類精度驗證結果如表7 所示。

由表7 可知，波段組合1-4-5 在各植被類型識別精度均表現優異，總體精度和Kappa 系數最高，故進一步證明波段波段組合1-4-5 為本研究的最佳波段組合。此外，適合的RGB 組合方式也是選擇最佳波段組合的關鍵步驟，通過對比發現，R-4、G-5、B-1 為RGB 最佳組合色彩顯示（圖4）。

表7 3 種波段組合分類結果評價Table 7 Classification accurary of 3 kinds of band combination

圖4 波段組合分類結果Fig.4 Classification results of band combination

4 結論

基于GF6/WFV 影像，從影像特征和類間可分性角度出發，對標準偏差、信息熵和相關系數等指標進行分析，通過最佳指數因子方法確定各個波段組合的信息量；再結合典型植被類型光譜特征曲線、J-M 距離等確定了研究區典型植被類型識別的最佳波段組合，并得到如下結論：

（1）對于GF6/WFV 數據，從可見光到近紅外各波段信息量總體為上升趨勢，其中b4 波段信息熵與標準偏差最大，b7 最小，說明b4 包含信息量最多而b7 最少；依據波段間相關性可分為兩組：b1、b2、b3、b7、b8（一組）和b4、b6（二組）。兩組波段組內相關性高，信息冗余度高，組間相關性低，冗余程度低。對于影像特征分析可知，在后續研究中，只有從兩組中分別選取適當波段進行組合，才能保證最終波段組合的獨立性。

（2）單一的波段選擇方法具有一定局限性，綜合方法可以實現方法間優勢互補。OIF指數可評估波段組合整體信息含量，初步篩選信息豐富的波段組合；光譜特征曲線從單波段角度評估各類型的可分性；J-M 距離從組合角度評價不同波段組合對植被類型的區分能力。綜合以上3 個角度可獲得最終的最佳波段組合。

（3）經過多指標的綜合評估，在56 個波段組合中，波段組合4（R）-5（G）-1（B）是三江保護區植被類型識別的最佳波段組合。其中林地、水稻、玉米、草地4 種植被類型類間具有較強的可分性，但沼澤化草甸與其他植被類型間J-M 距離相對較低，尤其與草地間存在部分混淆情況。

本研究基于GF6/WFV 影像對識別三江保護區植被類型的最佳波段組合進行了研究，研究結果中最佳波段組合1-4-5 中包含近紅與紅邊兩個波段，前人研究表明，該兩個波段在植被生物量[17]、健康評估[18]和樹種[19-22]、農作物識別[23-24]中發揮了巨大的作用，有助于提高植被信息的提取精度。故本研究提出的最佳波段組合在植被相關的目視解譯和分類等方面具有可靠性，對于三江平原的植被類型快速識別具有參考價值。GF6 號衛星作為我國自主研發的傳感器，其新增加的波段包含紫波段、黃波段以及兩個紅邊波段4 個特殊波段，本研究從原始波段組合角度分析了植被類型識別方面的最佳波段組合，在今后的研究中可以從指數進一步挖掘新增波段在植被方面的應用。