皖南低山丘陵破碎带植被信息提取方法

陈 远 ， 阮仁宗 ，罗菊花 ， 周贤锋 ， 徐 娜

（1.河海大学 地球科学与工程学院, 江苏 南京 210098；2.中国科学院 南京地理与湖泊研究所， 江苏 南京210008；3.南京大学， 江苏 南京210008；4.西安科技大学，陕西 西安710054）

江南丘陵区地块破碎，土地利用/覆被类型相对比较复杂，传统的基于像元和光谱特征的计算机自动分类方法的精度难以达到实际应用的要求[1,2]。目视解译方法可提高分类精度，但往往具有主观性、不可移植性以及效率低等缺点[3,4]。面向对象分类技术可以充分利用对象的纹理、空间、上下文等特征信息，从而提高分类的精度[5,6]。

本文利用多尺度、多变量的面向对象分类方法，结合环境星、Landsat5以及DEM数据，尝试对繁昌县植被信息提取进行研究，并针对不同植被类型所具有的特征差异性，选用相应的分割尺度和变量参与分割，按整体到部分逐层过滤提取的顺序进行分类研究。

1 研究区概况及数据获取

1.1 研究区概况

皖南地区属于亚热带常绿阔叶林区域中的北亚热带常绿、落叶阔叶混交林带和中亚热带常绿阔叶林带。繁昌县属于皖南低山丘陵破碎带，年平均气温为16.6 ℃，1月平均气温为0.4 ℃，7月平均气温为28.8 ℃；年降水量为1 176.30 mm，无霜期为230～250 d[7]；平均海拔14.8 m。除去耕地之外，植被类型主要有常绿阔叶林、常绿针叶林、落叶阔叶林、落叶阔叶灌木林、灌木园地等。

1.2 分类体系

根据“应对气候变化的碳收支认证及相关问题”专项制定的土地覆被分类系统[8]，一级类为林地、草地、湿地、耕地、人工表面、其他6大类。本文结合研究区影像特点以及实地调查，可将林地细分为常绿阔叶林、落叶阔叶林、常绿针叶林、落叶阔叶灌木林、乔木园地、乔木绿地、灌木园地、灌木绿地；草地细分为草丛、草本绿地；耕地细分为水田和旱地；其他非植被类型不作进一步细分，见表1。

表1 分类系统表

1.3 数据获取及预处理

由于植被不同物候期具有不同的光谱特征，因此进行植被信息提取和二级类分类的遥感提取需要多时相遥感影像。环境减灾小卫星HJ1-CCD影像的空间分辨率是30 m，4个波段的波谱范围分别0.43～0.52 μm、0.52～0.60 μm、0.63～0.69 μm 和 0.76～0.90 μm， 重 访周期为2 d。考虑到HJ-CCD影像的空间分辨率和较高的时间分辨率，在区域尺度上进行土地覆盖的研究较为适宜，因此本文实验数据以HJ数据为主，辅以Landsat5数据。按实验要求选取覆盖研究区无云的4景HJ和2景TM影像以及ASTER GDEM数据作为辅助，如表2所示。这批数据影像质量较好，覆盖研究区植被主要生长期，信息丰富，满足植被信息提取要求。DEM在区分林地与其他植被时有显著作用，且是区分各个林种重要的辅助数据，在园地及水体的提取中也可起到一定的参考作用。

对研究区不同传感器数据源和不同时相遥感影像数据进行精确配准是后期准确提取地物的前提。本文采用的投影坐标系为WGS_1984_Albers，地理坐标系为GCS_WGS_1984。数据预处理包括对遥感影像的投影变换、辐射定标、大气校正、几何校正等。TM120 038对研究区未完全覆盖，小部分在120 039中，对120 038与120 039作了拼接处理，拼接后影像按照120 038作为4月份的影像进行使用。另外，将TM数据进行KT变换，结合其他波段数据用以水体信息的过滤，效果较为明显。

表2 研究区数据源表

2 研究方法

2.1 影像分割

面向对象分类方法首先要进行影像分割，产生分类单元。影像分割的质量对分类精度影响较大[9]。本文在分割过程中采取eCognition提供的多尺度分割方法。应针对不同研究区或数据源，不同地物类型选取相应分割尺度，而且参与分割影像的权重也很重要，可根据需要选择影像的相应波段参与权重[10-14]。针对不同的分类目的，对其特征波段可设置较大的权重，从而达到较好的分割效果[15-17]。

考虑到研究区植被类型的复杂性、破碎性以及影像的空间分辨率，本文利用TM与环境星数据，针对不同的研究区、不同的地物类型提取，使用4种分割尺度，分别为30、20、15、10。根据不同的分割尺度和分类目标，权重设置有所不同，颜色、光滑度和紧凑度分别设置权重为1、0.5、0.6[16,17]。

2.2 特征选取

在影像分割基础上进行分类特征变量的选取，其特征包括影像光谱特征以及eCognition软件提供面向对象的其他特征，分类特征的选取是基于先验知识和反复测试的结果来确定的。例如，归一化植被指数（NDVI）不仅可区分植被与非植被，也可用于区分不同植被类型。对于落叶植被与常绿植被，可利用不同时相的遥感数据进行区分，如在12月份的影像上，落叶植被反映出的植被信息很弱，因此，可利用12月份遥感图像生成的NDVI_12区分落叶植被与常绿植被。水体指数和近红外波段可用来进行水体的剔除；归一化差值植被指数的标准差用以进行草地与林地的区分；DEM及其衍生数据SLOPE、ASPECT不仅可区分耕地与林地、园地，而且在林地的进一步细分中也是重要的特征。面向对象的分类中，不仅可利用光谱，还可利用纹理特征、上下文特征、对象间的层次关系特征（对象的邻域关系和在多尺度中的对象间的关系）、空间特征等[17]。对于具体类别的提取所用的特征变量如表3所示。

表3 特征变量及其描述表

2.3 面向对象的影像分析

2.3.1 非植被类型的去除

综合考虑研究区破碎化的特点和影像具体情况，基于TM 4月份影像将研究区进行尺度30的分割[15]，详细处理流程见图1。

2.3.2 植被信息的细化

植被信息先分出一级类再对二级类进行细分。一级类包括林地、耕地、草地3种。考虑到丘陵地带植被类型的复杂性和破碎性，在去除非植被信息时，植被中的对象有20、15和10三种尺度，需先将植被合并后作为父类进行重新分割，尺度设为20。

1）耕地。繁昌县耕地面积为15 973 hm2，其中水田播种面积为12 148 hm2，耕地类型以水田为主[7]。主要分布在地势相对平坦区域，山中高程较高区域少有耕地分布。结合DEM、SLOPE、NDVI按图2所示的流程进行耕地与草地、林地的区分。

2）草地。B1_4、B3_4、B7_4、亮度（Brightness）、B1_10对于区分草地与林地有较好的作用可据此分割，详细处理过程见图3。

3）林地，分为常绿阔叶林、落叶阔叶林、常绿针叶林、落叶阔叶灌木林、乔木园地、乔木绿地、灌木园地和灌木绿地9种，相对于耕地与草地，信息更为丰富。林地信息的详细提取过程见图4。

3 分类结果与精度评价

利用上述分类方法，得到的分类结果如图5所示。

为了进行准确客观的精度验证，本文在118个野外实测样点的基础上，通过目视解译随机撒点的方法得到了194个样本点，即样点总数达到312个。利用验证点数据对数据进行了精度评价，生成的混淆矩阵如表4所示。

4 结果与分析

通过分类结果可知，研究区土地覆盖类型主要为水田，面积占46.8%，林地主要分布在山区或山地周围，以常绿阔叶林为主，占14.55%。本研究采用的规则集和具体的阈值具有区域适用性，针对繁昌县的影像及地物特征，应用于其他区域时，需根据实际情况进行相应调整。

在低山丘陵地带，人类活动对植被覆盖类型的影响较大，地表的植被覆盖相对较为复杂且破碎，面向对象分类方法可根据不同地物不同背景对地物进行面向对象的描述，找出相应的特征并结合光谱特征分类，可得到较高的精度。尤其是在多源多时相数据的支持下，对象的特征信息较丰富，可提高分类的精度。综上所述，采用的面向对象分层分类方法进行的分类有以下优点：

1）面向对象的遥感提取方法的最大优点是基于影像对象上的分类， 可充分利用影像的光谱信息、纹理信息和拓扑关系。

2）采用多尺度分割方法，对不同的地物类型生成适度大小的多边形，不同的分割尺度组合有利于对地物对象包含的特征。类间关系等的充分提取，从而提高分类精度，背景越复杂，对象与对象间的信息越丰富，越有利于充分利用面向对象的特征值进行分类。

3）分层分类法可根据地物斑块大小在不同层级上进行提取，逐步提取出所需类别，大大提高了分类精度。

4）根据异质性最小原则分割出来的对象有自己的形状特征和边界轮廓，能够更加准确地反映地物的真实边界、轮廓信息，从根本上减少错分、漏分的概率，同时能有效避免椒盐噪声，提高分类精度。

表4 植被分类结果混淆矩阵

[1]杨强.基于遥感的榆林地区生态脆弱性研究[D].南京：南京大学，2013

[2]罗红霞，龚健雅.亚热带低山丘陵区土壤遥感监测图像处理[J].长江流域资源与环境，2006，15(1) ：41-47

[3]赵萍，冯学智， 王雷，等.江南丘陵区土地利用/覆被分类[J].南京大学学报：自然科学版，2003，39(3) ：404-410

[4]肖鹏峰，刘顺喜.中分辨率遥感图像土地利用与覆被分类的方法及精度评价[J].国土资源遥感，2004(4) ：41-46

[5]郭亚鸽，于信芳.面向对象的森林植被图像识别分类方法[J].地球信息科学学报，2012，14 (4)：514-522

[6]陈旭，徐佐荣，余世孝.基于对象的QuickBird遥感图像多层次森林分类[J].遥感技术与应用，2009，24(1)：22-26

[7]安徽省统计局.安徽省统计年鉴[Z].北京：中国统计出版社，2012

[8]吴炳方，张磊，李晓松，等.面向生态系统碳收支服务的全国土地覆被分类系统设计方案[Z].北京：中国科学院遥感应用研究所，2011

[9]AS Laliberte, EL Fredricksonand Albert Rango.Combining Decision Trees with Hierarchical Object-oriented Image Analysis for Mapping Arid Rangelands[J].Photogrammetric Engineering and Remote Sensing, 2007,73(2):197-207

[10]Baatz M, Schäpe A. Object-oriented and Multi-scale Image Analysis in Semantic Networks[C].2nd International Symposium:Operationalization of Remote Sensing,1999

[11]张峰，吴炳方，黄慧萍，等.泰国水稻种植区耕地信息[J].自然资源学报，2003，18(6) ：766-772

[12]Gao Y, Mas J F.A Comparison of the Performance of Pixel Based and Object Based Classifications over Images with Various Spatial Resolutions [J].Online Journal of Earth Sciences,2008(2)27-35

[13]胡文亮，赵萍，董张玉.一种改进的遥感影像面向对象最优分割尺度计算模型[J].地理与地理信息科学,2010，26(6)：15-18

[14]Blaschke T, Hay G J. Object-oriented Image Analysis and Scale-space: Theory and Methods for Modeling and Evaluating Multiscale Landscape Structure[J]. International Archives of Photogrammetry and Remote Sensing, 2001, 34(4): 22-29

[15]Marangoz A M, Oruc M, Buyuksalih G. Object-oriented Image Analysis and Semantic Network for Extracting the Roads and Buildings from IKONOS Pan-sharpened Images[C].ISRPS 2004 Annual Conference,2004

[16]Definiens. Definiens Developer 7.0 User Guide[Z]. Definiens AG, Munich，2007

[17]Benz U C, Hofmann P, Willhauck G, et al. Multi-resolution,Object-oriented Fuzzy Analysis of Remote Sensing Data for GIS-ready Information[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2004, 58(3): 239-258