基于Sentinel-2多光譜遙感影像的森林沼澤信息提取及精度評價

韋怡

基于Sentinel-2多光譜遙感影像的森林沼澤信息提取及精度評價

韋怡

江西科技學院 信息工程學院,江西 南昌 332020

本文基于Sentinel-2多光譜遙感影像數據，使用監督分類方法、隨機森林方法和卷積神經網絡方法對江西省森林沼澤濕地進行信息提取。同時，使用混淆矩陣（Confusion Matrix）來判定三種遙感影像數據分類方法的精度。結果表明，三種遙感影像信息提取方法中，監督分類方法的精度相對較差、濕地分類混淆情況較為嚴重，其次為隨機森林方法，卷積神經網絡方法最優。本研究能夠為地區濕地信息提取與遙感分類提供科研分析依據，為濕地保護和資源開發提供數據支持。

森林遙感; 濕地監測; 信息提取

濕地生態系統涵蓋了陸地與水域兩個部分，是兼具了陸地性質和海洋性質的存在類型。濕地分為自然濕地和人工濕地兩種，為動物、植物和微生物等提供有機、和諧的生態環境。我國自然濕地大多分布在東北地區、長江中下游地區、云貴高原等地區，具有獨特的景觀分布格局。森林沼澤濕地（Forest Swamp Wetland）是濕地的一種類型，具有鮮明的生態特征。它介于沼澤與森林之間，具備高度的敏感性和脆弱性。當前，我國濕地面積呈現出逐年縮減的態勢。森林沼澤濕地占整體濕地比例較小，面積也同樣隨之減少。江西是長江中下游地區濕地資源最為豐富的省份之一。截至2022年12月，江西省濕地面積為91.01萬hm2[1]。本文基于Sentinel-2多光譜遙感影像為基礎，使用監督分類方法（Supervised Classification，SC）、隨機森林方法（Random Forest，RF）和卷積神經網絡方法（Convolutional Neural Networks，CNN）提取江西省全境森林沼澤實地信息，并對三種信息提取結果進行精度評價。本研究能夠為區域濕地的時序動態監測和數據分析提供科學的信息提取方法，為提升研究精度和準確性提供有效參考。

1 研究區與方法

1.1 研究區域

江西省濕地主體框架由“五河一江一湖”組成，即長江江西段、鄱陽湖，以及贛江、撫河、信江、饒河、修河五大河流及其支流。全省濕地總面積為91.01萬hm2，占全省國土面積的5.45%。濕地空間分布總體為北多南少、東多西少，呈現出以鄱陽湖為核心，向東、西、南三面擴散的放射狀形態。江西省自然保護區、濕地公園等自然保護地內受保護的濕地面積為56.41萬hm2，濕地保護率為61.99%[2]。江西省屬亞熱帶溫暖濕潤季風氣候，年平均溫度在16.3℃至25℃之間。年降水量為1342mm至1948mm之間。江西省內森林沼澤面積相對較小，主要分布在鄱陽湖附近濕地區域，以及高山附近濕地區域，如婺源縣饒河源國家濕地公園等。

1.2 數據來源、分類及驗證方法

江西省濕地的遙感影像數據來自Sentinel-2衛星系統，下載自Google Earth Engine。該數據共包含13個光譜波段。采用國際《濕地公約》濕地類別分類方法將遙感影像數據進行分類（表1）。本研究濕地的一級分類為分為自然濕地、人工濕地和其他土地（非濕地）。為保證模型計算精確度，需要對遙感影像數據樣本進行驗證。本研究共獲得訓練樣本1695個。依據其數據分布性和交叉性，按照Luo C等[3]的研究方法對提取樣本數據的50%作為驗證點（Verificating Points）集合，來判定分類結果整體準確率即濕地分類精度（表2）。為保證分類方法準確，研究組于2022年7月1日至7月31日對實際獲得的858個驗證點進行野外樣地類型實測和記錄。

表1 濕地分類方法

表2 訓練樣本與驗證點數據

1.3 方法

1.3.1監督分類方法監督分類是最為傳統的一種遙感影像識別分類方法，包括貝葉斯分類算法、最小距離分類法和馬氏距離分類法等。以貝葉斯分類算法為例，它假定數據分類為正態分布，通過數學統計方法來判定遙感圖像地物類別是否準確。本研究使用ENVI 5.6中文版的IsoData工具對遙感數據進行信息識別提取。

1.3.2隨機森林方法隨機森林方法（Random Forest）通過建立決策樹選擇投票對遙感影像進行信息提取和識別。通過分析每個決策樹生成的總體特征值參數來判斷遙感圖像分類。隨機森林方法屬于集成學習（Ensemble Learning）方法的一種。其優點在于計算過程簡單明了、易于理解，具有較高的抗噪功能和自我識別功能。本研究使用ENVI 5.6中文版的Random Forest Classification工具對遙感數據進行信息識別提取。

1.3.3卷積神經網絡方法卷積神經網絡方法（Convolutional Neural Networks）屬于深度學習神經網絡算法。它從出初始基礎數據出發，分析其視覺分布規律性。它的優勢在于建立多個卷積層與池化層弱化降低現存數據規模、減少計算步驟和計算總量、提升最終數據識別精度。本研究使用ENVI 5.6中文版的Deep Learning工具對遙感數據進行信息識別提取。

1.3.4混淆矩陣使用混淆矩陣（Confusion Matrix）來判定3種遙感影像數據分類方法的精度。將不同模型分類方法與分類結果進行比較，最終將結果進行分布統計并建立分類混淆矩陣。從總體精度、Kappa系數、生產者精度和用戶精度四個指標衡量最終的驗證結果。

2 結果與分析

2.1 監督分類方法分析結果

使用監督分類方法的貝葉斯分類算法對濕地信息進行數據提取與影響分類，并對結果進行混淆矩陣精度評價（表3）。監督分類方法總體精度為79.37%，Kappa值為0.73。整體提取水平較低。其中，耕地（84.43%）、河流濕地（83.82%）和草地（81.71%）的生產者精度最高。林地（92.75%）、草地（82.97%）和耕地（82.62%）的用戶精度最高。森林沼澤濕地的生產者精度為77.78%，用戶精度為79.54%。與上述類型分類相比，識別精度較低。森林沼澤濕地與林地和水田河流出現了分類識別錯誤的現象。

表3 監督分類方法數據精度評價結果

2.2 隨機森林方法分析結果

對提取數據建立分類樹模型并使用展隨機森林方法提取森林沼澤分類。經計算，最優的分類數數目為1200，以此數目建立模型病開展計算（表4）。

表4 隨機森林方法數據精度評價結果

隨機森林方法總體精度為88.64%，Kappa值為0.84。其信息提取精度高于監督分類方法。其中，河流濕地（92.51%）、林地（91.39%）和草地（90.74%）的生產者精度最高。林地（96.40%）、湖泊濕地（93.20%）和河流濕地（89.90%）的用戶精度最高。與此相比，森林沼澤濕地的生產者精度和用戶精度相對較低，僅為88.77%和85.93%。森林沼澤濕地與河流濕地、湖泊濕地和林地產生了分類識別錯誤的現象。

2.3 卷積神經網絡方法分析結果

通過卷積神經網絡方法進行沼澤信息提取和精度分析（表5）。依據混淆矩陣精度評價，卷積神經網絡方法總體精度為93.27%，Kappa值為0.92。其信息提取精度高于隨機森林方法和監督分類方法。在全部信息提取中，生產者精度最高的為林地、河流濕地和草地，比例為95.78%、95.41%和95.25%。森林沼澤濕地生產者精度為94.27%，排在第四位。用戶精度最高的是湖泊濕地、林地和森林沼澤濕地，比例為98.15%、97.33%和95.32%。這是首次森林沼澤濕地的用戶精度進入到排名前三位。森林沼澤濕地僅與林地產生了分類識別混淆現象。

表5 神經網絡方法數據精度評價結果

3 討 論

通過監督分類方法、隨機森林方法和卷積神經網絡方法對驚喜生森林沼澤信息進行提取和精度評價。其中，監督分類方法的精度相對較差、分類混淆情況較為嚴重。總體精度為79.37%，Kappa值為0.73。信息精度與其他兩種方法相比不夠理想。游海林等，成淑艷等以及劉翔等[4-6]分別對鄱陽湖濕地、青海湖沙柳河流域土地以及鹽城濱海濕地采取監督分類方法進行信息提取，結果發現監督分類方法的精度表現一般，但與其他方法相比資源成本消耗較低。

隨機森林方法總體精度為88.64%，Kappa值為0.84。其信息提取精度高于監督分類方法。本研究結果與部分學者研究成果保持一致。韓月等對黃河三角洲濕地、高雨等對濱海濕地、宋懷榮等對鹽城濕地、Morrison等[7-10]對美國沃巴什盆地濕地分類均使用了隨機森林方法，發現其信息提取精度優于監督分類方法，分類成果顯著。

卷積神經網絡方法總體精度為93.27%，Kappa值為0.92。其信息提取精度高于隨機森林方法和監督分類方法。之前已有學者使用卷積神經網絡方法對濕地進行遙感分類，其研究成果認為該方法精度較高，能夠為濕地信息提取和分類提供科學數據支持。游佩佩等對江蘇濱海濕地、陳琛等對濱海濕地、孟祥銳等對洪河濕地以及White DC等[10-14]對澳大利亞大自流盆地濕地使用卷積神經網絡方法進行遙感影響分類，認為該方法要優于監督分類方法和隨機森林方法，與本研究結論一致。

4 結 論

基于Sentinel-2多光譜遙感影像數據，本研究應用了監督分類方法、隨機森林方法和卷積神經網絡方法對江西省森林沼澤濕地進行信息提取和分類，對三種信息提取結果使用混淆矩陣進行精度評價。結果發現，監督分類方法的總體精度為79.37%，Kappa值為0.73；隨機森林方法總體精度為88.64%，Kappa值為0.84；卷積神經網絡方法總體精度為93.27%，Kappa值為0.92。三種方法相比，監督分類方法 < 隨機森林方法 < 卷積神經網絡方法。督分類方法的精度相對較差、濕地分類混淆情況較為嚴重，其次為隨機森林方法，卷積神經網絡方法最優。換而言之，卷積神經網絡方法具有更高的穩定性和顯著的信息提取精確性。本研究也具有一定的局限性。比如，在參數設置和懸鏈樣本的選擇上具備一定的主觀性，尚未對三種模型的光譜特征波段進行更為細致的對比分析。在未來，將進一步擴大研究分類樣本、豐富算法模型，從而為濕地動態識別、信息提取和分類精度研究提供更為準確的數據支持。

[1] 夏陽,方朝陽,黃琪,等.四個時期江西省濕地動態及其影響因素研究[J].濕地科學,2022,20(3):348-356

[2] 蔡海生,查東平,張學玲,等.基于主導生態功能的江西省國土空間生態修復分區研究[J].地學前緣,2021,28(4):55-69

[3] Luo C, Liu HJ, Lu LP,. Monthly composites from Sentinel-1 and Sentinel-2 images for regional major crop mapping with Google Earth Engine[J]. Journal of Integrative Agriculture, 2021,20(7):1944-1957

[4] 游海林,徐力剛,吳永明,等.鄱陽湖水文情勢過程對典型濕地景觀動態變化的影響[J].水力發電,2017,43(2):1-5,26

[5] 成淑艷,曹生奎,曹廣超,等.基于高分辨率遙感影像的青海湖沙柳河流域土地覆蓋監督分類方法對比[J].水土保持 通報,2018,38(5):261-268,353

[6] 劉翔,劉會玉,林振山,等.基于Landsat OLI影像的鹽城濱海濕地分類方法對比研究[J].濕地科學,2017,15(5):689-696

[7] 韓月,柯櫻海,王展鵬,等.資源一號02D衛星高光譜數據黃河三角洲濕地景觀分類[J].遙感學報,2023,27(6):1387-1399

[8] 高雨,胡召玲,樊茹.高分辨率影像融合算法對濱海濕地土地利用分類精度的影響[J].測繪通報,2022(1):116-120

[9] 宋懷榮,蘇國輝,孫記紅,等.基于隨機森林的鹽城濕地近20年景觀格局變化[J].海洋地質前沿,2021,37(12):75-82

[10] Morrison RR, Bray E, Nardi F,. Spatial relationships of levees and wetland systems within floodplains of the Wabash Basin, USA[J]. Journal of The American Water Resources, 2018, 54(4): 934-948.

[11] 游佩佩,劉振波,謝嘉偉,等.基于GF-2的江蘇濱海濕地遙感深度學習分類算法研究[J].長江流域資源與環境,2021,30(7):1659-1669

[12] 陳琛,馬毅,胡亞斌,等.一種自適應學習率的卷積神經網絡模型及應用——以濱海濕地遙感分類為例[J].海洋環境 科學,2019,38(4):621-627

[13] 孟祥銳,張樹清,臧淑英.基于卷積神經網絡和高分辨率影像的濕地群落遙感分類——以洪河濕地為例[J].地理科 學,2018,38(11):1914-1923

[14] White DC, Lewis MM. A new approach to monitoring spatial distribution and dynamics of wetlands and associated flows of Australian Great Artesian Basin springs using Quick Bird satellite imagery[J]. Journal of Hydrology, 2011,408(1-2):140-152

Forest Swamp Information Extraction and Accuracy Evaluation Based on Multispectral Remote Sensing Images of Sentinel-2

WEI Yi

332020,

Based on Sentinel-2 multispectral remote sensing image data, this article uses supervised classification method, random forest method and convolutional neural network method to extract information from forest swamp wetlands in Jiangxi Province. At the same time, the Confusion Matrix is used to determine the accuracy of the three remote sensing image data classification methods. The results show that among the three remote sensing image information extraction methods, the accuracy of the supervised classification method is relatively poor, and the confusion of wetland classification is more serious, followed by the random forest method, and the convolutional neural network method is the best. The results is able to provide scientific research and analysis basis for regional wetland information extraction and remote sensing classification, and provide data support for wetland conservation and resource development.

Forest remote sensing; wetland monitor; information extraction

S771.8

A

1000-2324(2023)04-0490-05

10.3969/j.issn.1000-2324.2023.04.002

2023-01-05

2023-03-06

2021年江西省高等學校教學改革研究:1+X證書制度下《Linux操作系統》的“課證融通”應用研究(JXJG-21-24-12)

韋怡(1988-),女,碩士研究生,高級工程師,研究方向:計算機科學與技術,大數據技術. E-mail:306419526@qq.com