高分1号融合光谱特征提取杭州湾河口沿岸湿地典型植被信息方法研究

陈金凤,程　乾

(浙江工商大学区域生态环境与空间信息技术研究所，浙江 杭州 310018)

高分1号融合光谱特征提取杭州湾河口沿岸湿地典型植被信息方法研究

陈金凤,程乾

(浙江工商大学区域生态环境与空间信息技术研究所，浙江 杭州 310018)

摘要：河口沿岸湿地典型植被信息的遥感分类提取，是监测河口湿地生态环境变化的重要前提之一.以杭州湾河口沿岸湿地为研究区，通过实地采集的典型植被光谱数据与国产高分1号卫星影像数据建立相关关系, 并结合面向对象方法的分割尺度及波段比等参数的设置，利用面向对象分类方法进行杭州湾湿地典型植被信息提取.研究结果表明：基于高分1号高空间分辨率数据，结合典型植被光谱特征和面向对象分类方法，有利于提高典型植被信息提取的精度，可以有效地提取湿地典型植被信息.

关键词：高分1号；杭州湾湿地；面向对象分类；典型植被

0引言

人类干扰程度的加大已导致了湿地环境恶化、资源浪费和破坏， 因而湿地系统的保护和监测也成了关注焦点.在全球湿地研究中，植物是反映湿地生态环境变化敏感程度的指示器, 而植被分类则是植被研究的基础.目前对湿地典型植被提取研究还比较薄弱,传统的人工实地调查要花费大量人力和物力,且经常由于条件限制而无法到达研究区.因此，遥感技术作为地表生态环境过程参量获取的重要工具， 在当今湿地科学领域发挥着重要作用，特别是随着我国高分辨率系列卫星发射(高分)以及高分卫星性能与应用水平的不断提高，利用高分卫星提取典型植被物种信息显得越加重要.

国外湿地专家在湿地植被提取技术方面已开展了许多研究,并取得了一定成果.Coops等以 Landsat TM为数据源, 采用主成分分析方法对多瑙河三角洲湖泊湿地的湿生植物进行研究, 较为成功地提取了10种湿生植物类型[1]；James等以 ETM 影像为数据源, 结合基于像元和面向对象的分类方法, 对美国东北部长岛海峡沿岸地区的水生植物信息提取进行研究[2].在国内，湿地分类方法研究较多[3-5],通过大量野外实地调查，基于湿生植物光谱特征分析,采用面向对象分类方法提取湿地典型植被信息[6-8]；刘雪华等主要采用马氏距离法和主成分分析法对光谱进行降维并对光谱特征进行分析和提取，利用提取的光谱信息构建判别模型对湿地植物进行判别，并对模型精度进行比较评价，最后获得最佳判别模型[9]；李娜等以自然状态下的黑龙江三江平原洪河国家级自然保护区为研究对象， 应用飞艇搭载的空间高分辨率摄像系统获取影像地面分辨率为0.13 m 的影像数据，主要结合面向对象分类方法，开展了基于湿地植物群落尺度的分类制图研究[10].

表1高分1号卫星的主要参数

Tab. 1The principal parameters of Gaofen-1

名称主要载荷指标高分1号卫星2m全色/8m多光谱分辨率相机,幅宽60km;16m多光谱分辨率宽覆盖相机,幅宽800km;4个多光谱(蓝、绿、红、近红外),1个全色;太阳同步轨道,重访周期5d[11].

高分系列卫星是我国自行研制并发射的系列卫星，其中，高分1号于2013年4月发射成功，其主要参数见表1.由于河口生态环境的多样性、复杂性和微尺度性,本文将充分利用高分遥感在河口沿岸微小尺度生态环境的优势，并指导和辅助地面监测和验证工作，利用面向对象方法，开展高分卫星以及地面实测数据融合，精确提取复杂微小尺度背景下生态环境要素的信息.本研究的目的就是充分利用采集的杭州湾沿岸陆地典型植物物种的地面光谱数据，通过与高分1号卫星遥感影像对应区域的影像数据建立相关关系， 并将分析结果参与面向对象方法中分割波段权重的设置, 进而进行影像分割、特征选取和对象分类，从而对杭州湾河口湿地典型植被进行信息提取.

1研究区和数据及方法

1.1　研究区概况

研究区域(图1)主要是杭州湾南岸地区.杭州湾位于中国浙江省东北部，西起浙江海盐县澉浦镇和慈溪之间的西三丰收闸断面，东至扬子角到宁波镇海角连线.与舟山、北仑港海域为邻；南连宁波市，北接嘉兴市、上海市.有钱塘江注入，是一个喇叭形海湾.研究区经纬度：30°14′N~30°35′N，120°56′E~121°17′E.研究区内植被类型多样，主要是芦苇、害羞草、三林藨草、夹竹桃及旱柳等.其中最为典型的区域是杭州湾国家湿地公园，位于杭州湾跨海大桥南岸桥址西侧，属于典型的海岸湿地生态系统，是东南亚最大的咸淡水海滩湿地之一.

图1　研究区示意图(高分1号卫星研究区影像图)Fig.1　Image of study area

1.2　数据

本研究的数据源是2013年8月9日高分1号卫星的杭州湾影像资料，及2013年9月27日至9月29日的野外实地考察的研究区内的典型植被光谱信息等.典型植被光谱信息的采集时间为每天上午10点至下午3点，每种典型植被选择至少5个样本点，并连续每半个小时测一次光谱.

1.3　方法

本次研究中,在野外实际采集的典型植被光谱数据分析的基础上，与高分1号的遥感影像数据建立相关关系，然后运用面向对象的分类方法对研究区进行典型植被信息提取.在遥感影像分割时充分考虑了地物的光谱、几何、 结构以及纹理等信息, 并将典型植被光谱的特征分析结果参与面向对象方法中分割波段权重的设置，生成的对象为同质像元聚集; 并以此对象为信息提取的基本单元,实现类别信息自动提取, 最小的分类单元不再是像元而是一个个的分割对象.如图2所示.

图2　图像提取方法流程技术图Fig. 2　Flow of typical plant species classificationinformation extraction

2结果与讨论

2.1　研究区植被覆盖的高分提取

对研究区2013年8月9日的高分1号遥感影像进行投影变换、几何校正等数据预处理，并采用Gram-Schmidt将研究区8月9日高分8 m多波段和2 m全色影像融合为2 m多波段的遥感影像.影像融合是形成新的具有多波段、高分辨率的融合影像的技术[12]，可以提高遥感数据的可应用性和对地物的识别能力[13].依据杭州湾的地形和土地利用现状等资料，结合高分1号高空间分辨率影像图上的丰富地物信息，以及相关文献[14-15]把杭州湾南岸陆地覆盖分为植被、水体、鱼塘、沼泽、农用地、裸地和城镇建设用地七大主类10亚类(植被、河道和水库、沼泽、休耕地、耕地、鱼塘、裸地、居住用地及工矿用地等).然后，按照面向对象分类的方法对研究区2013年8月9日的高分1号8 m多波段和融合后的2 m多波段遥感影像进行土地覆被信息分类提取，参数设置及评价精度如表2所示.

表2　基于面向对象分类的两种遥感影像参数设置及精度评价

由表2可知， 利用面向对象的2 m多波段的高分1号遥感影像的分类精度较高，经实地考察其分类结果与地面实际吻合程度比较高.因此，在2 m多波段的高分1号遥感影像土地覆被信息分类自动提取结果的基础上，提取植被信息矢量，利用植被矢量建立ROI对8 m分辨率高分影像进行掩膜，提取出植被信息，在该植被覆盖区域基础上，进行典型植被物种信息提取.

图3　研究区植被覆盖分布图Fig. 3　Image of study area about vegetation cover

2.2　典型植被光谱分析

通过野外实地调查杭州湾沿岸湿地典型植被芦苇、害羞草、三林藨草、夹竹桃及旱柳等得知:三林藨草主要分布在杭州湾沿岸滩涂地区，陆地地区分布较少；夹竹桃覆盖的斑块面积大,破碎度低；芦苇主要分布在近水域周围，斑块面积小,破碎度指数大且分离度指数高；旱柳分布斑块面积小,分离度指数大.所以选取芦苇、夹竹桃和旱柳3种具有典型分类特征的植物群落作为研究对象.在确定研究类型的基础上, 大量分析野外采集的上述类型植被光谱数据与高分辨率影像中相应类型植被光谱响应特征, 找出物种之间区分性高的光谱指数，然后参与影像分割参数的设置.

利用 SPSS17.0统计软件分析各典型植物类型在4个波段的光谱及其波段比B4/B3、B2/B1、NDVI、B3/B2、B1/B3、B1/B4和B2/B4等组合运算的区分度,作为面向对象分类的设置参数.通过对比图4、图5分析发现:旱柳、夹竹桃和芦苇在第4波段及B4/B3波段组合时光谱特征的可区分性较大.

图4　研究区典型植被光谱特征Fig. 4　Spectral characteristics of typical vegetationin the study area

图5　研究区典型植被波段组合的光谱特征Fig. 5　Spectral characteristics of typical vegetationspectral combination in the study area

2.3　高分影像分析

影像分割是指将影像中具有相似特征(亮度、色彩、纹理等)的临近像元组成为一个个“对象”的过程，“对象”可认为是一个用空间、光谱、纹理等特征信息定义的感兴趣区.影像分割中分割尺度的选取至关重要， 直接影响所生成的对象多边形的数量、 大小、 形状和分类信息提取的精度.经反复试验，确定分割尺度为65%，归并尺度为70%，并因为各典型植被在B4的光谱特征区分性较大，将影像分割时的波段设置为B4.在这种参数的设定下，研究区影像的分割较为合理， 分割后的对象内部同质性较高， 边界轮廓较为清晰， 具有较好的可分离性与代表性.

图6　特征提取及对象分类技术流程图Fig. 6　Flow of typical plant object featureextraction and classification

完成影像分割后， 采用合适的参数定义和计算对象的特征空间， 是面向对象分类的关键技术问题.Feature Extraction可计算对象的四类属性：Spatial(空间)、 Spectral(光谱)、 Texture(纹理)及Col-or Space(色彩空间)与Band Ratio(波段比).选取以上4类属性构建对象的特征空间：对于空间、 光谱和纹理3种属性， 选择全部指数参与属性计算； 因为第2、3和4波段对植被信息较为敏感，所以“色彩空间” 选择4波段、 3波段和2波段3个RGB波段转换为HIS色彩空间； “波段比”选择信息量丰富， 且对水体和植被具有较好鉴别力的B4和B3的比值.

2.4　特征选取及对象分类

因典型植被信息的提取，关键是依靠植被的光谱信息进行的，所以这里主要是采取写规则的方法来进行特征提取及对象分类,具体流程如图6所示.将实际采集的典型植被的光谱信息和影像上相应的光谱信息进行比较分析，确定两者的对应关系，在进行芦苇、夹竹桃和旱柳的提取时，除运用第4波段的波谱信息设置每种典型植被的阈值范围，还运用了空间信息.因夹竹桃在研究区的分布面积较大，破碎程度较低，又设置了面积阈值；因芦苇多分布在近水域周围，旱柳多分布在道路两旁，大部分是线性分布，且旱柳的分布较芦苇线性较长，所以通过设置长度阈值来提取芦苇和旱柳.规则建立后，执行对象分类.

将分类结果图覆盖在相应的分类前的遥感影像上，对分类结果进行分类类型名称、颜色调整，并对其中的局部分类结果进行调整和修改.然后，通过Post Classified 工具，对修改后的分类结果进行主要或次要分析、聚类分析及筛选类分析.

2.5　分类结果精度评价

在研究区内，最为典型的区域是杭州湾国家湿地公园，总面积43.5 km2，是很多珍稀候鸟的栖息地，物种丰富，所以截取了杭州湾湿地公园的典型植被信息提取.

图7　杭州湾沿岸陆地典型植被信息提取Fig. 7　Hangzhou Bay coastal land typical vegetation information extraction

图8　杭州湾湿地公园典型植被信息提取Fig. 8　Hangzhou Bay Wetland Park typical vegetationinformation extraction

由图7和图8可知:夹竹桃的斑块面积较大，分布较为集中，主要分布在杭州湾湿地公园和道路两旁；芦苇的斑块面积较小，且主要分布在水域沿岸周围；旱柳的斑块面积较小，分布较零散，主要在道路两旁.本研究采用随机抽样方法进行检验.通过ArcGIS 的Create Random Points 命令,在典型植被信息提取结果中生成 25个随机检验点，保证检验点中包含所要提取的3种典型植被类别，然后到杭州湾相应点进行实际取证，结果21个点是正确的，平均精度在80%以上，基本上达到本次研究的目的.

3结论

面对杭州湾河口沿岸湿地复杂斑块分类精度难以提高的关键问题，本文通过分别采集杭州湾沿岸陆地典型植物物种的地面光谱数据，在分析植被光谱特征的基础上, 将野外实地采样的光谱数据与高分1号卫星遥感影像对应区域的影像数据建立相关关系, 其中包括参与面向对象方法的分割尺度中波段及波段比等参数的设置，运用波谱结合空间信息设置每种典型植被的阈值范围.规则建立后，执行对象分类，这种分类方法有利用提高典型植被信息提取的精度.研究表明：利用地面光谱和高分1号卫星数据结合面向对象方法可以有效地提高分类精度，在湿地典型植被信息提取时除考虑图像纹理、空间特征外，还应结合地面光谱，光谱和图像特征结合可以大大提高分类精度；高分1号卫星的应用，不仅体现了其高分辨的优势，而且其丰富的空间及纹理特征是运用面向对象方法提取典型植被信息的关键；但是在典型植被信息提取中分割尺度的确定、特征空间的构建以及要素规则的选取等都需要人工参与，分类结果易受主观因素影响.因此，分割尺度精度评价、最优分割尺度选取过程中的科学性、规范化和智能化，仍需加强研究.

参考文献:

[1] Coops H, Hanganu J, Tudor M,etal. Classification of danube delta lakes based on aquatic vegetation and turbidity[M]//Biology, Ecology and Management of Aquatic Plants. Netherlands: Springer,1999:187-191.

[2] Hurd J D, Civco D L, Gilmore M S,etal. Tidal wetland classification from landsat imagery using an integrated pixel-based and object-based classification approach[C]// ASPRS 2006 Annual Conference.Reno,2006.

[3] 曹宇,莫利江,李艳,等.湿地景观生态分类研究进展[J].应用生态学报,2009,20(12):3084-3092.

[4] 成卫,胡东,付必谦,等.北京湿地生物多样性研究[M].北京:科学出版社,2007.

[5] 曹宝,秦其明,张自力,等.基于特征增强技术的面向对象分类方法[J].水土保持研究,2008,15(1):135-139.

[6] 简永兴,李仁东.鄱阳湖滩地水生植物多样性调查及滩圾植被的遥感研究[J].植物生态学报,2001,25(5):581-587.

[7] 龙娟,宫兆宁,郭逍宇,等.基于光谱特征的湿地湿生植物信息提取研究[J].国土资源遥感,2010,22(3):125-129.

[8] 杜凤兰,田庆久,夏学齐,等.面向对象的地物分类方法研究与分析[J].遥感技术与应用,2004,19(1):20-23.

[9] 刘雪华,孙岩,吴燕.光谱信息降维及判别模型建立用于识别湿地植物物种[J].光谱学与光谱分析,2012,32(2):459-464.

[10] 李娜，周德民，赵魁义.高分辨率影像支持的群落尺度沼泽湿地分类制图[J].生态学报，2011，31(22):6717-6726.

[11] 《中国军转民》编辑部.“高分一号”卫星发射成功[J].中国军转民,2013(5):20-27.

[12] 贾永红.数字图像处理[M].武汉：武汉大学出版社，2003:212-215．

[13] 管玉娟,张利权.影像融合技术在滩涂湿地植被分类中的应用[J].海洋环境科学，2008,27(6):647-652.

[14] 莫利江,曹宇,胡远满,等.面向对象的湿地景观遥感分类:以杭州湾南岸地区为例[J].湿地科学，2012,10(2)：206-213.

[15] 曹敏，史照良，沈泉飞.ALOS影像在土地覆盖分类中最佳波段选取的研究[J].测绘通报，2008(9)：16-18.

Research on the Extraction Method of Typical Vegetation Information in

Hangzhou Bay Wetlands by Gaofen-1

CHEN Jinfeng, CHENG Qian

(Institute of Regional Eco-environment and Spatial Information Technology, Zhejiang Gongshang University, Hangzhou 310018, China)

Abstract:Remote sensing classification extraction of the typical wetland vegetation information in estuarine wetlands is an important prerequisite for monitoring estuarine wetland environment changes. Taking Hangzhou Bay estuarine wetlands along the coast as the study areas, the relationships between the spectral data of typical vegetation and the satellite image data of Gaofen-1 are established, the parameters like segmentation scales and band are set, and the typical wetland vegetation information in Hangzhou Bay is extracted by the object-oriented classification method. The results show that based on the resolution data of Gaofen-1, the combination of the typical vegetation spectral data and object-oriented classification method, is beneficial to improve the extraction precision of typical wetland vegetation.

Key words:Gaofen-1; Hangzhou Bay wetlands; object-oriented classification; typical vegetation

第14卷第1期2015年1月杭州师范大学学报(自然科学版)JournalofHangzhouNormalUniversity(NaturalScienceEdition)Vol.14No.1Jan.2015

文章编号:1674-232X(2015)01-0038-06

中图分类号:TP79

文献标志码:A

doi:10.3969/j.issn.1674-232X.2015.01.007

通信作者：程乾(1968-)，男，教授，博士，主要从事遥感与GIS应用研究.E-mail:qiancheng525@163.com

基金项目:国家高分辨率对地观测重大专项资助项目(E05-Y30B02-9001-13/15-4)；国家自然科学基金项目(41271417).

收稿日期：2014-06-25