基于CR-SAM的博斯騰湖西岸湖濱帶典型植被分類*

張子慧，李新國，李勇

1. 新疆師范大學地理科學與旅游學院，新疆 烏魯木齊 830054

2. 中國科學院新疆生態與地理研究所，新疆 烏魯木齊 830011

3. 新疆干旱區湖泊環境與資源重點實驗室，新疆 烏魯木齊 830054

高光譜數據在植被反射率光譜特性差異分析與特征波段提取方面有較大的潛力，可見光、近紅外和短波紅外波段是研究植被分類的重要波長區域［1］。基于高光譜數據進行植被分類，可以在更大程度上突出不同植被間的光譜細節特征、提取植被光譜特征波段，更有效地對不同植被進行分類識別且分類結果精度更高。部分學者已在這方面取得了一定的研究成果。Hirano 等［2］利用AVIRIS 高光譜遙感影像，結合光譜數據庫，采用SAM 分類方法對濕地地物類型進行分類，識別出泥沼地、水域和10 種濕地植被類型；曾帥等［3］利用實測高光譜數據，提取了各項光譜特征參數，對研究區6種植被進行了分類精度驗證；吳見等［4］測試了北京市10 種常見樹種不同時間的葉片高光譜數據，通過分析不同樹種不同時間的光譜特征，篩選出了不同時相條件下高光譜遙感識別樹種的特征波段；杜培軍等［5］闡述了高光譜遙感影像分類進展，突出高光譜遙感記錄精細光譜特征的優勢，發展了針對應用需求的有效分類方法。植被遙感分類研究多采用SAM 方法對光譜曲線進行特征提取，但該方法對特征波段差異較小的地物分類效果較差。Ceamanos 等［6］提出了一種基于支持向量機的分類器集成算法，對高光譜數據進行分類，發現多模型集成的分類精度優于單一算法的精度。李凱等［7］對竹葉原始光譜進行CR、FD、CR-FD 變換后提取特征波段進行葉綠素含量估算，發現CR-FD 模型為竹葉葉綠素含量的最優估算模型，CR 處理后能夠增大光譜值差異。白繼偉等［8］基于CR 算法對高光譜圖像進行分類研究，發現對高光譜圖像進行CR 后，抑制了噪聲，突出了地物光譜的特征信息，提高了圖像的分類運算效率和精度。張雪紅等［9］基于CR算法對油菜氮素營養進行評價，發現CR 處理擴大了原始反射光譜中由氮素脅迫引起的吸收特征微小變化。在考慮到多模型集成方法的基礎上，本文選取CR 算法對SAM分類方法進行改進，對博斯騰湖西岸湖濱帶典型植被進行分類識別與數字制圖，實時獲取典型植被分布狀態對研究區的監測與生物多樣性保護具有重要意義。

1 材料與方法

1.1 研究區概況

博斯騰湖西岸湖濱帶位于新疆焉耆盆地東南部 博 湖 縣 境 內，地 理 位 置 為41°44′N～42°12′N、86°10′E～86°50′E，屬于典型的山前湖泊綠洲區（圖1）。研究區年均溫8.2～11.5 ℃，年降水量47.7～68.1 mm，年蒸發量1 880～2 786 mm，屬典型的溫帶大陸性荒漠氣候［10］。研究區內土壤類型主要有草甸土、沼澤地、灌耕潮土、鹽土、風沙土、棕漠土等，地下水埋深1.0～2.5 m。受氣候、土壤、湖泊等因素的影響，其植被分布具有獨特性，典型植物群落類型有箭桿楊（Populus nigravar.thevestina（Dode）Bean）群落、沙棗樹（Elaeagnus angustifolia）群 落、 蘆 葦（Phragmites australis）群落等［10-11］。

圖1 研究區地理位置與采樣點分布示意圖Fig.1 The geographical location of the study area and the sample sites

1.2 數據來源

1.2.1 實地踏勘數據2018年7月30日和2019年8 月7 日兩次對研究區進行實地勘察后，確定箭桿楊、沙棗樹和蘆葦3種為研究區典型植被群落，布置30 個采樣點并采樣（圖1）。其中箭桿楊、沙棗樹、蘆葦分別采集了7、9、14 個樣點，記錄采樣點經緯度、海拔高度、植被分布現狀、覆蓋度等信息，作為分類結果目視解譯評定的依據。

1.2.2 高光譜數據同期，基于實地踏勘數據，采集箭桿楊、沙棗樹和蘆葦3 種典型植被葉片樣本，利用ASD FieldSpec 3 便攜式地物光譜儀測取高光譜數據；并對箭桿楊、沙棗樹和蘆葦3種典型植被葉片進行采樣。為使數據能夠具有代表性，采樣點均勻分布于研究區，每個樣方大小設置為15 m×15 m，采樣時天氣晴朗（云量小于10%）。進行光譜測量時間在12：00～14：00，為避免隨機噪聲影響，每個樣本重復測取10 次，取平均值作為最終光譜曲線，獲取的高光譜數據波段范圍為350～2 500 nm。

1.2.3 遙感影像數據來自2019 年8 月7 日歐空局官網(https://scihub.copernicus.eu/dhus/#/home)相對軌道編號為R019 的Sentinel-2A L2A 級遙感數據，對研究區進行典型植物群落分類與制圖。

高光譜數據能夠提供光譜信息，采取CR 處理提取光譜特征波段，選擇典型植被光譜細節特征，與遙感影像上植被光譜信息進行匹配，探討SAM分類算法在研究區典型植被特征提取和遙感分類中的應用，獲得研究區典型植被分類識別結果，進行典型植被群落分類與數字制圖。

1.3 Sentinel-2A遙感影像分類識別方法

1.3.1 光譜角制圖方法光譜角是目標數組與待測數組兩向量的夾角，通過比較目標數組與待測數組的相似度進行光譜曲線所對應的地物識別。將遙感圖像各個像元的光譜曲線看成波譜空間中的一個向量，計算待測光譜向量與目標光譜向量的夾角大小來表示兩者之間的相似度［12-13］。光譜角越小，說明待測數組與目標數組是同一類地物的可能性越大［14-15］。光譜角

其中Ti和Ri分別代表待測數組和目標數組中第i個波段的反射率值，n為光譜曲線的波段數。

1.3.2 包絡線去除包絡線是連接波譜頂部的凸起的直線段擬合，以最大值點作為一個端點沿長波方向連接光譜曲線上的極值點，向短波方向進行類似計算，形成曲線的包絡線。用實際光譜反射率去除包絡線上相應線段的反射率值，即“包絡線去除”［16］。包絡線去除可以有效地突出光譜曲線的吸收和反射特征，對原始光譜曲線作歸一化處理，有利于和其他地物的光譜曲線進行特征比較從而提取特征波段［17］。

1.3.3 特征波段提取剔除箭桿楊、沙棗樹、蘆葦3種典型植被的光譜曲線中噪聲等原因造成的異常值，求取均值光譜曲線等預處理、包絡線去除處理，考慮到植被在不同的波段有不同的吸收和反射特征，在可見光和紅邊波段范圍內光譜響應最為敏感，確定研究波段為450～850 nm，并設置閾值提取特征波段，用于分析3種典型植被之間的光譜特征差異，對研究區進行典型植被分類。

1.3.4 解譯標志基于實地踏勘數據，選取研究區3 種典型植被和水體建立解譯標志，如表1 所示，進行目視解譯得出遙感影像目視解譯結果，用于對分類結果進行精度檢驗，確定精度更高的分類方法。

表1 地物解譯標志表Table 1 The table of the sign of geo-interpretation

2 結果與分析

2.1 實測光譜數據特征分析

從圖2可知，箭桿楊和沙棗樹的原始光譜曲線差異最小，最大差異值僅為0.070 4，CR處理后最大差異值增加到0.156 3，增加了0.085 9，CR 處理增加了箭桿楊和沙棗樹之間的可區分特征波段的差異性，能夠突出箭桿楊和沙棗樹之間光譜細節特征；其次，CR 處理前，箭桿楊和沙棗樹的光譜可區分特征波段位于507～653 和754～850 nm，CR 處理后，箭桿楊和沙棗樹的光譜可區分特征波段位于458～732 nm，將原始光譜曲線中位于近紅外波段的特征波段轉移到了可見光波段。

圖2 箭桿楊和沙棗樹可區分特征波段Fig.2 The distinctive bands of Populus nigra var.thevestina(Dode)Bean and Elaeagnus angustifolia

由圖3可知，箭桿楊和蘆葦的原始光譜曲線差異最大，最大差異值為0.116 2，CR處理后最大差異值增加到0.302 8，增加了0.186 6，CR 處理增加了箭桿楊和蘆葦之間的可區分特征波段的差異性，能夠突出箭桿楊和蘆葦之間的光譜細節特征；其次，CR 處理前，箭桿楊和蘆葦的光譜可區分特征波段位于450～712 和785～850 nm，經過CR 處理后，箭桿楊和蘆葦的光譜可區分特征波段位于452～716 nm，將原始光譜曲線中位于近紅外波段的特征波段轉移到了可見光波段。

圖3 箭桿楊和蘆葦可區分特征波段Fig.3 The distinctive bands of Populus nigra var.thevestina(Dode)Bean and Phragmites australis

從圖4可知，沙棗樹和蘆葦的原始光譜曲線的最大差異值為0.087 9，CR處理后最大差異值增加到0.158 5，增加了0.070 6，CR 處理增加了沙棗樹和蘆葦之間的可區分特征波段的差異性，能夠突出沙棗樹和蘆葦之間的光譜細節特征；其次，CR 處理前，沙棗樹和蘆葦的光譜可區分特征波段位于450～648 和741～850 nm，經過CR 處理后，沙棗樹和蘆葦的光譜可區分特征波段位于461～718 nm，將原始光譜曲線中位于近紅外波段的特征波段轉移到了可見光波段。

圖4 沙棗樹和蘆葦可區分特征波段Fig.4 The distinctive bands of Elaeagnus angustifolia and Phragmites australis

3 種典型植被的光譜曲線在綠光和近紅外波段均存在局部極值，兩兩區分的波段差異較小，經過CR 處理后可見光譜段內植被兩兩區分的特征波段差異明顯增加，相當于對原始光譜曲線進行歸一化處理，減少環境背景對3種典型植被光譜曲線的影響，位于近紅外波段的特征波段轉移到了可見光波段，雖然特征光譜波段數減少，卻使可見光波段的特征差異增大，能夠突出植被光譜細節特征，提高信息利用率，更大效率上對研究區3種典型植被進行分類識別。由此得出，CR 處理后不僅改變了特征波段分布位置且更易于不同植被間的特征提取與目標識別。

2.2 遙感影像分類結果分析

從圖5 可知，箭桿楊的面積3.98 km2，占研究區總面積的2.01%，主要分布于道路兩側并且部分與蘆葦地相間分布；沙棗樹的面積19.76 km2，占研究區總面積的9.98%，主要分布于耕地與荒地之間的過渡區以及人為種植的片狀分布；蘆葦的面積174.26 km2，占研究區總面積的88.01%，主要分布于湖濱帶濕地以及開都河下游沿岸。

圖5 3種典型植被分布現狀標準目視解譯結果Fig.5 The result of standard visual interpretation image of the distribution status of three typical vegetation

SAM 和CR-SAM 兩種方法分類結果圖如圖6和圖7所示。為了對分類效果進行定量比較，統計了3種典型植被的識別面積以及識別百分比，結果見表2。

表2 3種分類方法的研究區典型植被分類結果統計表Table 2 Statistical table of typical vegetation classification result of three classification methods in the study area

圖6 3種典型植被SAM分類結果Fig.6 SAM classification result of three typical vegetation

圖7 3種典型植被CR-SAM分類結果Fig.7 CR-SAM classification result of three typical vegetation

從表2和圖6可知，箭桿楊地面積為1.96 km2，沙棗樹地面積為9.55 km2，蘆葦地面積為104.27 km2。SAM 分類方法對箭桿楊、沙棗樹、蘆葦典型植被的識別總面積百分比分別為0.99%、4.82%、52.66，總識別百分比為58.47%，與圖5 相比，以蘆葦地的識別效果為例，可以清晰地看出SAM 分類方法對于蘆葦的識別效果較差，大部分蘆葦區都沒有識別出來。

從表2和圖7可知，箭桿楊地面積為2.59 km2，沙棗樹地面積為13.23 km2，蘆葦地面積為140.84 km2。CR-SAM 分類結果識別出了65.08%的箭桿楊地，較SAM 分類結果增加了15.83%；CR-SAM分類結果識別出了66.95%的沙棗樹地，較SAM分類結果增加了18.62%；CR-SAM 分類結果識別出了80.82%的蘆葦地，較SAM 分類結果增加了20.98%。CR-SAM 分類方法對3 種典型植被的總識別百分比為79.12%。雖然與圖5 相比仍然有部分箭桿楊、沙棗樹和蘆葦地未識別出來，但較圖6已經得到了改善，其中蘆葦區的改善效果最佳，沙棗樹地次之，箭桿楊地改善效果較差，產生這個結果是考慮到影像空間分辨率的影響，由于蘆葦地和沙棗樹地大多是片狀分布，在影像中能夠識別出來，而少量箭桿楊地是分布在道路兩側，對于覆蓋度較低的箭桿楊不能識別出來。

對比圖6 和圖7 的基礎上，由圖5 可知蘆葦地識別效果明顯提升，在開都河下游沿岸的蘆葦區也能夠清晰地被識別出來，并且與沙棗樹的區分性也有所提高，更易于分辨，經CR 處理后，箭桿楊的光譜特征得以增強，能夠較大程度地識別出來，肯定了CR 處理能夠突出植被光譜細節特征，提高了研究區3種典型植被分類識別效果。由此可見，CR-SAM 對于箭桿楊、沙棗樹和蘆葦3 種典型植被的分類識別效果更好，能夠在更大程度上對研究區典型植被進行識別。

2.3 分類精度評定

通過目視解譯結果對兩種方法分類結果進行精度評定、計算Kappa系數，衡量分類結果的吻合度，具體精度評定結果見表3。

從表3 可知，CR 處理前，箭桿楊、沙棗樹和蘆葦3種典型植被的生產者精度和用戶精度都比較低，經CR 處理后，3 種典型植被的生產者精度和用戶精度均在不同程度上得到了提升，其中對沙棗樹的分類識別效果最好，生產者精度增加了34.52%，用戶精度增加了23.16%，并且每種典型植被所識別出來的像元數也得以增加，識別出的總像元數由1 177 644 增加到1 566 597，總體分類精度由SAM 分類的53.00%上升到CR-SAM 分類的70.50%，Kappa 系數由0.32 增加到0.66。CRSAM 分類方法所得的分類結果與目視解譯結果更吻合，能夠更好地識別出3 種典型植被的分布現狀，增強了植被的可區分特征。SAM 分類的總體分類精度相對較低，原因可能是實測儀器和衛星成像儀間所獲得的數據存在差異以及受到大氣干擾，因此，CR-SAM 分類方法更具有應用前景，實用性更強。

表3 SAM與CR-SAM分類精度統計表Table 3 Statistical classification accuracy table of SAM and CR-SAM

3 討 論

SAM 分類方法僅考慮了匹配光譜的形狀特征，而光譜特征擬合匹配方法能夠很好地對植被光譜進行識別。本文采取CR-SAM 分類方法對研究區典型植被進行分類識別，發現能夠提高分類精度，總體分類精度增加了17.5%，這一結論與明群杰［18］的研究結果相近；發現經CR 處理后，植被光譜曲線特征差異明顯增加，能夠減弱環境背景的影響，提高信息利用率，這與周偉等［19］研究結果相似。在SAM 分類方法的基礎上選用CR 處理，未選用楊可明等［20］的研究中的諧波分析的方法，在其研究成果的基礎上進行改進，是因為諧波分析能夠消除部分原始光譜某些波段的噪聲影像，而CR 處理不僅能夠消除噪聲影像還能突出地物光譜細節特征，增加地物光譜曲線的可區分特征波段的差異性。在此基礎上對研究區典型植被進行分類，探討CR-SAM 分類方法的應用前景，并從定性和定量兩個方面對研究區典型植被分類特征加以分析。姬旭升等［21］通過基于像素與面向對象的遙感數據分類方法研究，比較了SAM、SVM、DTs和RF算法在遙感影像分類中的作物識別精度，可知SAM 算法的分類總體精度最高為87.47%，最低為68.56%，對比可知其分類總體精度不高且變化較大。本文利用CR 處理對SAM 方法進行改進，發現經CR 處理后能夠有效抑制光譜噪聲的影響，突出植被光譜的特征信息，改善SAM 分類效果，提高其分類精度，對于CR-SAM 分類方法提高植被分類精度的機理有待于進一步研究。

4 結 論

1）SAM 分類方法對箭桿楊、沙棗樹、蘆葦的識別百分比分別為49.25%、48.33%、59.84%，總識別百分比為58.47%；CR-SAM 分類方法對箭桿楊、沙棗樹、蘆葦的識別百分比分別為65.08%、66.95%、80.82%，總識別百分比為79.12%，其相比較SAM 分類方法對3 種典型植被的識別百分比提高20.65%。

2） CR-SAM 分類結果的總體分類精度為70.50%，SAM 分類結果的總體分類精度僅為53.00%，較SAM 分類方法提高了17.5 個百分點，Kappa系數為0.66，因此，CR-SAM 分類方法對研究區3種典型植被分類識別的總體精度更高，效果更好。

3）箭桿楊占地面積為3.98 km2，主要分布區域為與部分蘆葦區相間分布的過渡帶和道路兩側，占研究區總面積的1.79%；沙棗樹占地面積為19.76 km2，主要分布于耕地與荒地之間的過渡區以及人為種植的片狀分布，占研究區總面積的8.89%；蘆葦占地面積為174.26 km2，主要分布于湖濱帶濕地以及開都河下游沿岸，占研究區總面積的78.43%。