面向对象的高光谱影像湿地植被信息提取

柴 颖，阮仁宗，傅巧妮，岁秀珍

（1.河海大学 地球科学与工程学院，江苏 南京 210098）

面向对象的高光谱影像湿地植被信息提取

柴 颖1，阮仁宗1，傅巧妮1，岁秀珍1

（1.河海大学 地球科学与工程学院，江苏 南京 210098）

以美国Sacramento-San Joaquin三角洲为研究区，提取高光谱遥感影像上湿地植被的光谱响应特征，用于指导面向对象的湿地植被信息提取。结果表明，基于光谱响应特征分析的面向对象分类精度为88.03%，而未利用光谱响应特征的面向对象分类精度为72.08%。在面向对象提取前对植物光谱响应特征进行特征提取，可以实现湿地植被在物种水平上的识别，并可以有效提高分类精度。

高光谱；光谱响应特征；面向对象；湿地植被；HyMap

近年来，面向对象方法已经应用于土地利用、道路、城市用地、森林等遥感信息提取中[1-6]，并得到较好的识别效果。但是，由于湿地植被类型的复杂性、多变性，利用面向对象方法对湿地植被的研究还比较薄弱。本文以高光谱高空间分辨率数据HyMap遥感影像为数据源，采用面向对象的信息提取方法，在野外实测采样点的基础上，提取影像上的光谱响应特征，用于面向对象分类方法规则集的建立。该方法在一定程度上克服了以往面向对象方法中参数设置具有盲目性的不足，可以实现大面积湿地植被动态监测，为水生植物信息提取提供有力的技术支持。

1 研究区域概况及数据预处理

1.1 研究区域概况

萨克拉门托-圣华金三角洲（Sacramento-San Joaquin Delta）位于美国加利福尼亚州西北部萨克拉门托河（Sacramento River）与圣华金河（San Joaquin River）的交汇处，通过旧金山湾流入太平洋。三角洲流域面积4.5万 km2，是加州淡水输送系统的主要枢纽[7]。三角洲的水力学异质性体现在其盐度、潮汐通量、水深的多变以及淡水流量极端的季节年际变化[8]。涨潮时盐水流入三角洲上游，而淡水从Sacramento-San Joaquin流入。支流河水顺流流入，其流量具有季节特征：在冬季的平均流量1 700±300 m3·s-1，而在夏季平均流量则为540±40 m3·s-1[9]。三角洲的湿地植被在空间上从水体到陆地依次划分为沉水植被、浮水植被、挺水植被以及岸栖植被。本文选取湿地植被辣椒水草、蒲草、石莲花、巴西水草4种具有典型分类特征的植物群落作为研究对象。

1.2 数据获取及其预处理

研究区域的高光谱遥感数据来源于成像光谱仪HyMap的航摄影像，成像时间为2007-06-19～2007-06-21，航高1 500 m，空间分辨率3 m。HyMap是澳大利亚HyVista公司研制的航空成像光谱仪，共126个波段，光谱分辨率由12～16 nm不等，波段范围为0.450～2.543 μm[10]。飞行路线贯穿整个三角洲，共64条航带，研究区域为第41、41航带上的Ward Cut附近的河道，如图1所示。

图1 研究区的地理位置图

此外，本文引入了野外实测样点，所有的样本点均利用GPS获得，精度约1 m，记录样本的种类、覆盖度和位置等属性。每个样本都拍摄两张照片，一张为样本整体景观，另一张为近距离单个植株。每张照片都与相应的点位、拍摄时间建立了关联，方便后续参考和计算。

HyMap数据已由HyVista公司进行了几何校正。本文仅对11个位于大气水汽吸收带的波段和1个数据错误波段进行了剔除；然后在假彩色合成（RGB分别对应29、15、8波段）的基础上数字化，提取水域边界。

2 研究方法

2.1 植被微分光谱特征

光谱微分技术包括对反射光谱进行数学模拟和计算不同阶数的微分值以迅速确定光谱弯曲点及最大最小反射率的波长位置[11]。利用光谱二阶微分可以放大不同类型的植被形态、体内水分的含量、叶绿素的含量等[12]。因此，将二阶微分光谱分析技术应用于湿地植被的研究，以期能够获取湿地植被识别的最佳波段。一阶、二阶微分光谱的计算方法如式（1）、（2）所示[13]：

式中，λi为每个波段的波长；ρ'（λi）、ρ"（λi）分别为波长λi的一阶和二阶微分光谱；Δλ是波长λi-1到λi的间隔，视波段波长而定。

2.2 植被指数

植被指数是对多个光谱遥感数据进行分析运算（加、减、乘、除等或非线性组合方式），产生某些对生物量、植被长势等有一定指示意义的数值[14]。根据已有的研究成果，选择了8种植被指数（如表1）来探究其对湿地植被的识别潜力。

2.3 Fisher判别分析法

Fisher方法是要找到一个（或一组）投影轴使得样本投影到该空间后能在保证方差最小的情况下，将不同类的样本很好地分开，并将度量类别均值之间差别的量称为类间方差（或类间散布矩阵）；而度量这些均值周围方差的量称为类内方差（或类内散布矩阵）。Fisher判决的目标就是寻找一个最佳的投影方向，能够在最小化类内散布的同时最大化类间散布。

2.4 面向对象分类方法

面向对象分类方法的关键技术之一为多尺度分割技术（确定生成的影像对象最大允许的异质性），以任意尺度生成属性信息类似的影像多边形对象（同质像元）。在分割时充分考虑了植物的光谱、几何、结构以及纹理等信息，从而获取同质像元聚集，利用获取的像元聚集，实现主动分类的功能。

3 光谱特征分析与植被信息提取

3.1 植被二阶导数光谱特征分析

根据GPS采样数据的属性信息，选取单种植被覆盖度为80%～100%的实测点为训练和验证的样本点，通过训练样本在影像上提取光谱响应曲线。

从图2a中可以看出，4种湿地植被具有典型绿色植被具有的光谱特征（由于1.343 6 μm以后的波段受水体的影响较大，因此仅对0.452～1.343 6 μm波段进行分析），光谱响应曲线形状具有明显的差别，这些差别反映了4种植被光谱特性的差异。4种植被光谱响应曲线的二阶微分如图2b，选择差异比较明显的波段0.526～0.542 μm、0.663 9～0.755 1 μm、 0.945 5～0.977 1 μm、1.100 5～1.144 9 μm、1.316 2～1.330 2 μm，共获得17个光谱值用于植被特征提取研究。对4种湿地植被的二阶微分光谱17个波段以及8个植被指数进行Fisher判别分析。最终，二阶导数的入选波段为0.526～0.542 μm、0.709 8～0.740 μm、0.945 5～0.992 9 μm，植被指数入选特征为CHIred-green、NDWI 、MTVI1、PSDN。

3.2 面向对象信息提取

3.2.1 分割层次建立

对分割尺度的设定依据从下往上分割次序原则，根据野外实地调查，最终确定基础分割尺度为50最优。辣椒水草分布比较集中，面积较大，一般生长的区域邻接水域呈条状分布，分布集中，确定其分割尺度为200；蒲草主要分布在靠近水域的地方，石莲花漂浮在水边，二者分布形状不规则，破碎度较大，分割尺度设置为80；沉水植被巴西水草分布集中，破碎度小，分割尺度为150。4种植被的自定义形状指数为0.1，紧致度分别为0.6、0.3、0.4、0.5。

对图像光谱响应特征进行二阶微分变换，得到波段0.526～0.542 μm、 0.709 8～0.740 μm、0.945 5～0.992 9 μm对4种植被的区分贡献较大，将这些波段的分割权重设置为1，其他波段为0，即不参与分割。分割后遥感影像数据被划分为一个个的对象，每一个对象均由同质像元组成，在此基础上针对各类植被进行进一步分类。

3.2.2 分类特征的选取与分类体系的建立

完成影像分割后，将特征提取中得到的区分性好的植被指数CHIred-green、 NDWI、MTVI1、 PSDN，用于指导Ecognition8.7中面向对象分类函数的设置。在设置过程中，其参数的确定需要在一定的范围不断调试，直到效果最好，再生成分类对象，如表2所示。

表2 分类规则

4 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3所示。

通过分类结果可知，蒲草和辣椒水草主要位于浅滩上；石莲花主要分布在水域中流速较缓的区域；巴西水草则分布在离岸有一定距离、河水有一定深度的区域。为了进行准确客观的精度验证，在该河道42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100个样本点，即样本总数达到142个。利用验证点数据对分类结果进行精度评价，生成混淆矩阵，如表3所示。

同时用传统的面向对象分类方法（光谱未参与）提取巴西水草、石莲花、蒲草和辣椒水草，并用142 个样本点进行验证，得到的总体分类精度为72.08%。

表3 分类结果精度评价

5 结 语

湿地植被斑块小且分布不规则，根据异质性最小原则分割出来的对象有其特有的形状特征和边界轮廓，可以更加准确地反映湿地植被的真实边界和轮廓信息，从根本上减少错分、漏分概率，避免椒盐噪声，提高分类精度;基于Fisher判别分析方法对不同植被的光谱响应特征进行特征提取,克服了常规面向对象方法中参数设置具有盲目性的不足;高光谱遥感数据光谱响应特征分析与面向对象分类方法的结合，可以使湿地植被的识别达到物种水平上，并能有效地提高物种的分类精度。

[1] Li X B, Shi P J. Research on Regulation of NDVI Change of Chinese Primary Vegetation Types Based on NOAA/AVHRR Data[J]. Acta Botanica Sinica,1999,41(3):314-324

[2] 张晓云，吕宪国.湿地生态系统服务价值评价研究综述[J].林业资源管理,2006(10):81-87

[3] Myint S W, Gober P, Brazel A,et al. Per-Pixel vs. Objectbased Classification of Urban Land Cover Extraction Using High Spatial Resolution Imagery[J].Remote Sensing of Environment,2011(115):1 145-1 161

[4] 韩闪闪，李海涛，顾海燕.面向对象的土地利用变化检测方法研究[J].遥感应用,2009(3): 23-29

[5] Desclee B, Bogaert P, Defourny P. Forest Change Detection by Statistical Object-based Method[J]. Remote Sensing of Environment,2006(10): l-11 [6] 孙晓霞,张继贤,刘正军.利用面向对象的分类方法从IKONOS全色影像中提取河流和道路[J].测绘科学,2006,31(1):62-64

[7] Hestir E L,Khanna S, Andrew M E,et al. Identification ofInvasive Vegetation Using Hyperspectral Remote Sensing in the California Delta Ecosystem[J].Remote Sensing of Environment,2008(112): 4 034-4 047

[8] Lawerence R L,Wood S D, Sheley R L.Mapping Invasive Plants Using Hyperspectral Imagery and Breiman Cutler Classifications (RandomForest)[J].Remote Sensing of Environment,2006(100):356-362

[9] Jassby A D, Cloern J E.Organic Matter Sources and Rehabilitation of the Sacramento-San Joaquin Delta (California, USA)[J]. Aquatic Conservation: Marine and Freshwater Ecosystems, 2000(10): 323-352

[10] Underwood E C, Mulitsch M J, Greenberg J A, et al. MappingInvasive Aquatic Vegetation in the Sacramento-San Joaquin Delta Using Hyperspectral Imagery [J].Environmental Monitoring and Assessment,2006(121): 47-64

[11] 浦瑞良，宫鹏.高光谱遥感及其应用[M].北京:高等教育出版社, 2000

[12] Demetriades-Shah T H,Steven M D,Clark J A. High Resolution Derivative Spectra in Remote Sensing[J].Remote Sensing of Environment,1990(33):55-64

[13] 吴长山，向月琴，郑兰芬,等.利用高光谱数据对作物群体叶绿素密度估算的研究[J].遥感学报,2000,4(3):228-232

[14] 赵英时.遥感应用分析原理与方法[M].北京:科学出版社,2004

P237.9

B

1672-4623（2015）04-0083-03

10.3969/j.issn.1672-4623.2015.04.030

柴颖，硕士，主要从事生态遥感与GIS研究。

2014-07-24。

项目来源：中国科学院战略性先导科技专项资助项目（XDA05050106）。