基于“高分四号”卫星影像洞庭湖湿地信息提取

由佳 张怀清 陈永富 刘华 高志海

（中国林业科学研究院资源信息研究所，北京 100091）

基于“高分四号”卫星影像洞庭湖湿地信息提取

由佳 张怀清 陈永富 刘华 高志海

（中国林业科学研究院资源信息研究所，北京 100091）

文章以“高分四号”卫星数据为数据源，以湖南洞庭湖区域为主要研究区域，建立了洞庭湖三级湿地分类系统（主要包括：水体、草滩地、泥滩、耕地、林地、裸地六类），分别使用最大似然法、支持向量机法以及神经网络法对洞庭湖湿地进行遥感信息提取。结果显示，在三种不同的遥感分类方法中，最大似然法分类精度相对较高，总体精度为77.14%，Kappa系数为0.592 9。研究发现：“高分四号”卫星影像具有良好的湿地类型信息提取能力，采用最大似然分类方法可以较好的进行大区域湿地类型信息的提取。

湿地 信息提取 洞庭湖 “高分四号”卫星 卫星应用

0 引言

湿地主要分布在陆地与水体之间的过渡地带，是两者相互作用形成的独特生态系统，是地球三大生态系统之一；具有显著的生态效用、社会效用以及经济效用[1-4]；并被誉为“地球之肾”以及自然基因库。就分类而言，其主要涵盖沼泽地、泥炭地、湖泊、河滩、河口、海岸滩涂、盐沼、水库、池塘、稻田等天然湿地和人工湿地[5]。

洞庭湖的主水域一般是指东洞庭湖区，总面积达1 478km2，是天然蓄水型通江湖泊，对长江水量的调节具有重要的影响作用。若运用原有的野外实地勘察获取数据分析洞庭湖湿地，则因其湖区内部通行条件有限，获取数据需要花费较多的人工、物力、财力以及时间，并难以保障研究效果的科学性。鉴此，本文运用湿地遥感检测技术对洞庭湖湿地动态变化进行了全面监测，此类方法可充分分析洞庭湖的未来发展趋势和内部生态环境的更迭，也有利于其合理的利用湿地资源和保护湿地生态环境；更为重要是可以在短时间内，动态监测湿地资源动态变化、湿地类型变化以及应急变化等内容，这现已成为全球环境变化检测途径之一。

通过遥感技术手段提取湿地信息，近年来也取得显著进步，并被多位专家学者广泛运用到各自的研究领域。文献[6]首先运用小波理论分析湿地遥感图像的纹理特征，而后进行信息提取的研究；文献[7]运用基于知识的分类方法，Landsat-7卫星利用增强型专题制图仪（Enhanced Thematic Mapper，ETM）数据，通过地面GIS信息以及物候特征，以洞庭湖为研究对象，有效的提高了提取信息的分类精度；文献[8]以湖北洪湖湿地为研究对象，运用改进的独立分量分析检测方法，得到了湿地变化的检测结果，使得检测精度有所提升；文献[9]利用面向像元和面向对象两种方法的优势，结合多变量变化检测，提出创新性较强的分类方法，可以大大提高湿地变化/未变化信息检测的精度；文献[10]则是应用支持矢量机分类方法，对现有遥感影像进行了分类，以杭州湾南岸湿地为研究对象进行了变化检测，并从宏观和微观两方面得出该区湿地范围内土地覆盖类型的变化情况。

当前，湿地信息提取的研究虽然取得了长足进展，随着遥感技术手段的不断更新，高分辨率的遥感影像可使研究者对地物形状及尺寸获得更高的辨识度，而且更新速度快、覆盖范围广，有效提升了空间信息的可靠性[11]。本研究通过利用分辨率为50m的“高分四号”（GF-4）卫星遥感影像进行了湿地类型信息提取，以洞庭湖为研究区域，在对其影像进行预处理的基础上，分别使用三种不同的遥感分类方法进行了提取研究，最后通过评价对比三种分类方法的精度，科学判定洞庭湖湿地信息提取的最佳方法。

1 研究区地理背景与数据分析

1.1 研究区地理背景

洞庭湖位于湖南省北部，长江中游荆江南岸，地处北纬27°39′～29°51′，东经 111°19′～113°34′之间。该区域南近益阳等县市，北抵安乡县、南县等县乡，东至汨罗等市，西至澧县等县市（如图1所示）。地处亚热带季风气候，年平均气温在16.4～17℃之间，年降水量为1 100～1 400mm，年平均过水量达3 126×108m3，总容积220×108m3，其中天然湖泊容积178×108m3，河道容积 42×108m3。洞庭湖独特的生态环境使古老珍稀物种有了得天独厚的生存、生长条件。洞庭湖是长江流域重要的蓄水型湖泊，具有强大的蓄洪能力，同时在保护生物多样性方面发挥着举足轻重的作用。

图1 研究区地理位置Fig.1 Geographical location of research area

1.2 研究区影像数据

本研究利用GF-4卫星数据，GF-4卫星为光学成像卫星，有可见光近红外和中波红外两个通道，可见光近红外谱段分辨率为50m，中波红外谱段分辨率为400m，单景覆盖区域为400km×400km，影像接收时间为2016年05月11日。GF-4卫星数据光谱谱段和分辨率见表1。

表1 GF-4数据光谱谱段和分辨率Tab.1 Spectral bands of GF-4 data

1.3 研究区遥感分类系统

根据国家湿地分类标准（GB/T 24708-2009）和GF-4卫星遥感影像的可解译性，同时结合洞庭湖的实际地理情况，建立了洞庭湖三级湿地分类系统，如表2所示。

表2 洞庭湖湿地遥感分类Tab.2 Remote sensing classification of Dongting Lake wetland

2 湿地提取方法研究

对原始遥感影像数据进行预处理，通过融合、配准进行湿地类型信息的提取，本研究主要运用三种方法：最大似然法、支持向量机法以及神经网络法，具体流程如图2所示。

2.1 监督分类

（1）最大似然法分类（Likelihood Classification）

最大似然法假设每一个波段的每一类统计样本都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中[12-14]。但其中两个或多个波长的单波段训练数据不理想的情况下，各个波峰应有一个唯一的作为单独分离的训练标识。

（2）支持向量机法（Support Vector Machine Classification，SVM）

支持向量机分类是由Vapnik领导的AT&T Bell实验室研究小组在1995年提出的一种分类技术，该分类方法是一种建立在统计学习理论（Statistical Learning Theory，SLT）基础上的机器学习方法。SVM可以根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷情况下，自动寻找那些分类有较大区分能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确度。

（3）神经网络法（Neural Net Classification）

神经网络法是指用计算机模拟人脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程应用与图像分类。

图2 区域湿地类型提取评价流程图Fig.2 Flowchart of extraction and evaluation of regional wetland type

2.2 分类结果

研究区湿地的地物种类颇多，且不同地物的谱段关联性密切。主要表现在：同类地物在 GF-4卫星影像上存在极大的相似性，但其谱段特征间却存在一定的差异性。因此根据研究区影像特性，依据相同的样本区域，进行监督分类，对比分析了最大似然法、神经网络和支持向量机三类算法，分类结果如图3～5所示。

图3 最大似然监督分类结果图Fig.3 Graph of maximum likelihood method supervision classification

图4 支持向量机分类结果图Fig.4 Graph of support vector machine classification

图5 神经网络分类结果图Fig.5 Graph of neuralnetwork classification

2.3 精度评价

研究区精度评价是利用Confusion Matrices工具评价分类结果，是通过混淆矩阵把分类结果的精度显示在一个混淆矩阵里（用于比较分类结果和地表的真实信息）。研究区运用混淆矩阵对三种分类结果进行精度分析，其结果如表3～5所示。

表3 最大似然法精度评价Tab.3 Maximum likelihood classification accuracy evaluation

表4 支持向量机精度评价Tab.4 Support vector machine classification accuracy evaluation

表5 神经网络精度评价Tab.5 Neural network classification accuracy evaluation

由表3～5可以看出，在50m分辨率的高分遥感影像信息提取时，监督分类的三种分类方法中最大似然法的精度相对较高。

3 不同提取方法的结果比较

在分类结果的比较中，运用统一的控制点对比精度，可以更加准确、客观的比较分类结果，在三种分类方法中，总体分类精度可以看作被正确分类的像元总和除以总像元数，Kappa系数是通过把所有地表真实分类中的像元总数乘以混淆矩阵对角线的和，再减去某一类地表真实像元总数与被误分成该类像元总数之积对所有类别求和的结果，再除以总像元数的平方减去某一类中地表真实像元总数与该类中被误分成该类像元总数之积对所有类别求和的结果所得到的[12]。

其中最大似然法的总体精度=77.14%，Kappa系数=0.592 9；神经网络的总体精度=52.92%，Kappa系数=0.266 0；支持向量机的总体精度=50.05%，Kappa系数=0.292 3（如图6所示）。

图6 三种分类方法总体精度比较Fig.6 Comparison of accuracy of the three classification methods

由图6可以看出，监督分类中的最大似然法分类精度最高，尤其在研究区需重点提取地物精度时有一定的提升：三种信息提取方法对水体识别精度较好。从总体精度上可以看出，三种分类方法中最大似然法分类精度最好，其次为神经网络。

4 结束语

本文基于 GF-4卫星数据影像，用三种不同的遥感图像分类方法对洞庭湖区域进行分类识别和精度验证，得出结论：

1）对于洞庭湖国家级自然保护区，GF-4卫星影像具有良好的湿地类型信息提取能力。采用最大似然分类方法，其信息提取精度相对较高；神经网络方法其信息提取精度相对较差。

2）由于GF-4卫星是50m分辨率的影像，运用文中的三种分类方法，在分类过程中均存在林地与草滩地混淆以及耕地与裸地混淆的情况。

3）由于GF-4卫星属于50m分辨率卫星，在分类方面会有相邻像元光谱混合现象的情况出现，分类中细节呈现不明显。

受到 GF-4卫星空间分辨率和传感器自身的影响，以及湿地特征的复杂性的限制，仍有很多方面需要进一步完善，在利用 GF-4卫星遥感影像的大跨度时间序列来进行大范围、大尺度的湿地变化监测方面仍需进一步探讨，为湿地信息提取提供理论依据。

References)

[1] 孙广友. 中国湿地科学的进展与展望[J]. 地球科学进展, 2000, 15(6): 666-672.

SUN Guangyou. Development and Prospect of Wetland Science in China[J]. Advance in Earth Sciences, 2000, 15(6): 666-672. (in Chinese)

[2] 杨永兴. 国际湿地科学研究的主要特点、进展与展望[J]. 地理科学进展, 2002, 21(2): 111-120.

YANG Yongxing. Main Characteristics, Progress and Prospect of International Wetland Science Research[J]. Progress in Geography, 2002, 21(2): 111-120. (in Chinese)

[3] TOYRA J, PIETRONIRO A. Towards Operational Monitoring of a Northen Wetland Using Geometics-based Techiniques[J]. Remote Sensing of Environment, 2005, 97(2): 174-191.

[4] 张永泽, 王烜. 自然湿地生态恢复研究综述[J]. 生态学报, 2001, 21(2): 309-314.

ZHANG Yongze, WANG Xuan. A Review of Ecological Restoration Studies on Natural Wetland[J]. Acta Ecologica Sinica[J]. 2001, 21(2): 309-314. (in Chinese)

[5] 张怀清, 鞠洪波. 湿地资源监测技术[M]. 北京: 中国林业出版社, 2012.

ZHANG Huaiqing, JU Hongbo. Monitoring Technology of Wetland Resources[M]. Beijing: China Forestry Publishing House, 2012. (in Chinese)

[6] 朱朝杰. 基于特征分析的遥感影像变化检测方法研究[D]. 郑州: 解放军信息工程大学, 2007.

ZHU Chaojie. A Study of Change Detection Algorithms Based on Feature Analysis of Remote Sensing Images[D]. Zhengzhou: The PLA Information Engineering University, 2007. (in Chinese)

[7] 王红娟, 姜加虎, 黄群. 基于知识的洞庭湖湿地遥感分类方法[J]. 长江流域资源与环境, 2008, 17(3): 370-373.

WANG Hongjuan, JIANG Jiahu, HUANG Qun. On the Remote Sensing Classification Method of Dongting Lake Wetland Based on Knowledge[J]. Resources and Environment in the Yangtze Basin, 2008, 17(3): 370-373. (in Chinese)

[8] 李芳芳, 肖本林, 张谦. 基于改进独立分量分析的湿地变化检测方法[J]. 计算机应用, 2010, 30(5): 1347-1350.

LI Fangfang, XIAO Benlin, ZHANG Qian. New Wetland Change Detection Method Based onImproved in Dependent component analysis[J]. Journal of Computer Applications, 2010, 30(5): 1347-1350. (in Chinese)

[9] 祝锦霞, 郭庆华, 王珂. 湿地高分辨率遥感影像的变化检测[J]. 中国农业科学, 2010, 30(5): 1347-1350.

ZHU Jinxia, GUO Qinghua, WANG Ke. Change Detection on Wetlands Using High Spatial Resolution Imagery[J]. Scientia Agricultura Sinica, 2010, 30(5): 1347-1350. (in Chinese)

[10] 李爱霞. 基于遥感影像的杭州湾南岸湿地变化分析[J]. 浙江水利水电学院学报, 2015, 27(3): 62-67.

LI Aixia. Balance Analysis on South Hangzhou Bay Wetland Based on Remote Sensing Images[J]. Zhejiang Univ. of Wat. Res ＆ Electric Pow, 2015, 27(3): 62-67. (in Chinese)

[11] 陈述彭. 遥感地学分析[M]. 北京: 测绘出版社, 1990.

CHEN Shupeng. Analysis of Remote Sensing Geography[M]. Beijing: Surveying and mapping press, 1990. (in Chinese)

[12] 邓书斌, 陈秋锦, 杜会建. ENVI遥感图像处理方法[M]. 北京: 高等教育出版社, 2014.

DENG Shubin, CHEN Qiujin, DU Huijian. ENVI Remote Sensing Image Processing Methods[M]. Beijing: Higher Education Press, 2014. (in Chinese)

[13] 吴小娟, 肖晨超, 崔振营, 等. “高分二号” 卫星数据面向对象的海岸线提取法[J]. 航天返回与遥感, 2015, 36(4): 84-91.

WU Xiaojuan, XIAO Chenchao, CUI Zhenying, et al. Coastline Extraction Based on Object-oriented Method Using GF-2 Satellite Data[J]. Spacecraft Recovery & Remote Sensing, 2015, 36(4): 84-91. (in Chinese)

[14] 陈云浩, 冯通, 史培军, 等. 基于面向对象和规则的遥感影像分类研究[J]. 武汉大学学报: 信息科学版, 2006, 31(4): 316-320.

CHEN Yunhao, FENG Tong, SHI Peijun, et al. Classification of Remote Sensing Image Based on Object Oriented and Class Rules[J]. Geomatics and Information Science of Wuhan University, 2006, 31(4): 316-320. (in Chinese)

[15] 王忠武, 刘顺喜, 戴建旺, 等. “高分二号” 卫星多光谱与全色影像配准策略[J]. 航天返回与遥感, 2015, 36(4): 48-52.

WANG Zhongwu, LIU Shunxi, DAI Jianwang, et al. Registration Strategy for GF-2 Satellite Multispectral and Panchromatic Images[J]. Spacecraft Recovery & Remote Sensing, 2015, 36(4): 48-52. (in Chinese)

[16] 田上成, 张乔, 刘保成, 等. 基于传感器几何特性和图像特征的影像配准方法[J]. 航天返回与遥感, 2013, 34(5): 85-89.

TIAN Shangcheng, ZHANG Qiao, LIU Baocheng, et al. An Improved Matching Method for Image Based on Sensor Geometric Features and Image Features[J]. Spacecraft Recovery & Remote Sensing, 2013, 34(5): 85-89. (in Chinese)

[17] 陈云浩, 冯通, 史培军, 等. 基于面向对象和规则的遥感影像分类研究[J]. 武汉大学学报: 信息科学版, 2006, 31(4): 316-320.

CHEN Yunhao, FENG Tong, SHI Peijun, et al. Classification of Remote Sensing Image Based on Object Oriented and Class Rules[J]. Geomatics and Information Science of Wuhan University, 2006, 31(4): 316-320. (in Chinese)

Comparative Study of Dongting Lake Wetland Information Extraction Based on GF-4 Satellite Image

YOU Jia ZHANG Huaiqing CHEN Yongfu LIU Hua GAO Zhihai

（Research Institute of Forest Resource Information Techniques, Chinese Academy of Forestry, Beijing 100091, China）

With GF-4 Satellite data as the data source and Dongting Lake area in Hunan Province as the main research area, this paper establishes a classification system for Dongting Lake level-3 wetlands, mainly including six types, namely, water body, grass land, mud flat,cultivated land, forest land and bare land, and uses the methods of maximum likelihood, support vector machine and neural network for the extraction of remote sensing information of Dongting Lake wetlands. The results show that the maximum likelihood method has a relatively high classification accuracy with an overall accuracy of 77.14% and a Kappa coefficient of 0.592 9 among the above three different remote sensing classification methods. According to the research findings, the “GF-4 Satellite” image has a large capability of wetland type information extraction, and the use of maximum likelihood classification method can lead to better extraction of large-area wetland type information.

information Extraction; Dongting Lake; GF-4 satellite；satellite application

TP75

: A

: 1009-8518(2016)04-0116-07

10.3969/j.issn.1009-8518.2016.04.016

由佳，女，1984年生，山东济南人，2015年获得中国林科院木工所木材科学与技术专业工学博士学位，现为中国林科院资源信息研究所博士后，研究方向为森林经理学。E-mail：youjiaha999@163.com。

（编辑：陈艳霞）

2016-06-06

国家重大专项（21-Y30B05-9001-13/15-2）