基于高分辨率遥感影像的植被分类方法比较

张殿岱,王雪梅,2

(1.新疆师范大学 地理科学与旅游学院,乌鲁木齐 830054；2.新疆维吾尔自治区重点实验室 新疆干旱区湖泊环境与资源实验室,乌鲁木齐 830054)

植被是生态系统中最为重要的组成部分,也是生态系统存在的主要基础,具有截流降雨、减缓径流、防沙治沙,保持水土等功能[1]。干旱区植被的恢复与重建可有效控制土地退化过程,对荒漠生态系统平衡的维持起着关键作用[2-3]。遥感影像分类是获取植被信息的重要方式,而分类方法的选择是决定影像分类精度的关键因素[4]。目前,国外相关研究主要集中在通过多种分类方法,结合多源遥感数据对植被类型、光谱特征或物种进行遥感分类等方面的研究[5-6]。在早期的植被遥感分类研究中,国内学者常采用基于像元的监督和非监督分类方法[7-10]。伴随各类卫星的陆续发射,一些学者将新的方法引入到遥感影像的植被分类当中,如植被指数分类、多源多时相信息综合法,以及结合地形、纹理和光谱等辅助信息分类和元胞自动机分类等,实现了“亚像元”级的植被遥感分类[11-13]。

近年来,随着人工智能信息技术与理论的发展,我国的高分二号(GF-2)民用对地观测卫星顺利发射并投入使用,标志着我国遥感卫星进入了亚米级“高分时代”[14]。不同领域的学者也对高分辨率遥感影像数据的应用开展了相关研究。史敏伟等[15]利用GF-2影像使用随机森林分类方法进行土地利用分类,实验证明该方法对土地利用分类具有较好的效果；王芳等[16-18]基于GF-2号影像采用面向对象的分类方法对植被信息进行了准确提取；谢锦莹等[19]采用面向对象与全卷积神经网络相结合的方法可有效从高分辨率影像中提取典型滨海湿地植被信息,从而弥补基于像元分类的缺陷,消除椒盐现象,优化滨海湿地植被分类结果。本文以 GF-2号影像为数据源,对新疆库车市东部绿洲-荒漠过渡带地表植被进行分类研究,采用基于像元的监督分类与面向对象的分类方法探索适合该研究区植被分类方法,以期发挥GF-2号遥感影像数据在植被分类中的更大潜力,并为后续土地覆被信息提取提供相关技术支撑。

1 研究区概况

研究区位于新疆维吾尔自治区库车市东部的绿洲-荒漠过渡带,地处新疆南部,塔里木盆地北缘,行政隶属阿克苏地区,其地理坐标为41°31′5″～41°41′35″N、83°16′11″～83°23′11″E,平均海拔高度在907m左右,区域范围约为 24 km×14km。库车绿洲具有气候干旱、降水稀少、风沙频繁、植被稀疏、蒸发强烈的气候特征,属于典型的暖温带大陆性干旱气候,年均气温在10.5～11.4℃,年均降水量在46.4～64.5mm[20]。天然植被群落的构成主要以胡杨为主的乔木、小乔木柽柳以及灌木和半灌木的盐节木、盐穗木、白刺、花花柴、盐爪爪、铃铛刺、苦豆子等,草本植物主要有芦苇、骆驼刺、猪毛菜和囊果碱蓬等[21]。人工植被以棉花(主要农作物)、小麦、玉米、水稻等为主。

2 研究方法

2.1 影像来源与预处理

采用3.2m分辨率的GF-2遥感影像为数据源,GF-2影像具有高定位精度、高空间分辨率等特性。影像成像时间为2018年6月30日,传感器为PMS1,其轨道类型为太阳同步回归轨道,轨道高度为631km,回归周期为69d。影像包括红、绿、蓝和近红外4个波段,波长范围为0.45～0.89μm。利用ENVI5.3软件对遥感影像进行辐射定标、FLAASH大气校正、正射校正、拼接与裁剪等预处理,结合实地调查对影像进行目视解译,将研究区地物分为6类,包括乔木、灌木、草本、农作物、水体和其它(建设用地、盐碱光板地及裸土地)。

2.2 监督分类

监督分类方法,首先需要在研究区影像范围内选取有代表性的训练场地建立训练样本,然后选择特征参数,通过求出的特征参数作为决策规则,建立判别函数,最后依据样本类别的特征对待分类影像进行遥感影像分类。在分类过程中,监督分类方法能够充分体现出操作者所具备的先验知识,能够主观地根据目的决定分类类别和训练样本的个数[22]。但在选择和评价样本时,费时费力且分类时只能参考样本的光谱差异,分类样本的选择主观性较强,该方法更适合于在具有先验知识的情况下使用。

2.3 面向对象分类

面向对象分类方法是以对象为最小单元进行影像分类,首先采用适合的图像分割尺度将遥感影像分割成若干个对象,然后统计并分析对象的特征参数,用合适的分类方法对指定的分类类别进行目标识别[23],此方法很适合于缺乏先验知识的情况。该分类方法能充分利用每个对象所包含的光谱特征、纹理特征、形状特征等,以提高分类精度。

2.4 精度评价

通过计算混淆矩阵,可以得到研宄影像分类的总体精度、用户精度、制图精度。同时,基于混淆矩阵还可以得到研宄分类影像的kappa系数,也是一种有效性较强的精度评价系数。因此,使用总体分类精度和Kappa系数作为影像分类结果的精度评价指标。一般而言,Kappa系数取值范围在0～1之间,其值越大,则表明分类精度越高,值越小越接近0,表明两者之间的相关程度极低,一致性差[22]。

3 结果与分析

3.1 监督分类

通过野外调查所积累的经验,结合研究区地物基本信息,均匀选择100个以上样本作为分类训练样本。使用ENVI5.3软件,采用支持向量机方法对研究区GF-2遥感影像进行基于像元的监督分类。

根据监督分类方法对GF-2影像覆盖区所提取的地物信息进行统计,由表1可得,该区域位于荒漠—绿洲过渡带,植被覆盖度较低,土壤盐渍化现象十分严重,植被多以耐盐碱和干旱的盐生植被为主,形成了复杂的灌草植物群落。其中,草地覆盖面积较大,占比约为40.476%,灌木多分布在绿洲边缘地带或水域附近。在绿洲边缘,人类为了生产生活对荒漠土地进行开垦种植以供所需,故该地区以棉花为主的农作物种植面积仅次于草地,占该区域总面积的33.372%,而乔木分布面积最小,仅为2.857km2。此外水体、盐碱光板地及裸地的面积分别占区域总面积的1.003%和11.949%。

表1 监督分类地物提取统计表

3.2 面向对象分类

3.2.1图像分割参数的选择

采用多尺度分割方法,进行了多次实验(图1),分割尺度分别为30,60,80,100,120,140,最终使用的图像分割参数为Scale=30,Shape=0.2,Compactness=0.5,波段权重设置 1∶1∶1∶1。

图1 面向对象的不同分割尺度对比图

3.2.2特征优选

选取植被指数信息(3个)、光谱特征(10个)以及形状特征(10个)共23个特征用于构建初始特征空间。最终筛选出9个特征为优选后的特征空间结果,用以判别地物的特征条件(表2)。

表2 初始特征空间与优选后特征空间

使用eCognition8.9软件Feature Space Optimization工具对经过优选后的特征空间进行J-M距离计算,通过计算地物类别对应特征之间的距离,筛选出类别之间分离度较大的特征作为区分各类别的优选特征。2个样本之间的特征距离越小就说明2种类别越难以区分,研究区最终分类结果表明(表3),水体最容易进行分类,草本与其它的特征距离值为1.128 4,是这6类地物中最小的特征距离值,说明草本与其它类型之间较为难区分,灌木与草本之间容易混淆。

表3 各地物类别间的距离值

3.2.3影像分类

面向对象方法的提取类似决策树的构思,先剔除其它无关信息,再经过多次筛选找出有用的地物类别,实现地物的分层提取。经过多尺度分割后,需要对分割后的单个对象进行划分,选择合适的参数或者规则将对象与其它对象区分开来,以实现各种地物的分类。本研究采用最近邻分类法进行划分类型,最终得到面向对象的分类结果。通过对监督分类和面向对象的分类结果图进行对比分析发现,2种分类结果大体一致,面向对象的分类结果较监督对象分类更为准确,能更清晰反映出研究区地表的实际状况(图2)。

图2 分类结果

通过对面向对象分类结果进行统计分析可知(表4),使用面向对象分类方法得出草地依然是该地区覆盖面积最大的植被类型,农作物的分布面积位居其次,占比约为34.223%,灌木和其它类型的面积分别为52.306,28.956km2,在该地区所占面积比例分别为15.593%和8.632%。乔木和水体相对于其他类型所占面积比最低。

表4 面向对象分类地物提取统计表

3.3 植被信息提取的精度验证与比较

结合实地调查样点数据对2种分类结果进行分类后处理并计算混淆矩阵,可以得到研宄影像分类的生产者精度、用户精度和总体分类精度。同时,基于混淆矩阵还可以得到研宄影像分类的kappa系数,作为分类结果有效性较强的精度评价指标。具体分类精度数据如表5、表6所示。由监督分类结果精度评价表5可知,在研究区影像上随机且均匀地选取各类100个像元样本,建立混淆矩阵,得到的分类结果总体精度为94.01%,Kappa系数为0.930,其中灌木的生产者精度最低,灌木和草本的用户精度相对较低,说明6类地物中灌木错分现象较多,草本的漏分现象明显。进一步比较面向对象分类结果精度评价(表6),得到的分类结果总体精度为97.80%,Kappa系数为0.962,乔木的漏分现象较为明显,而灌木、草本和农作物的生产者精度与用户精度均较高。同时,水体的分类精度更为精确,而其它类的分类精度相对较低。

表5 基于像元的监督分类结果精度评价表

表6 面向对象分类结果精度评价表 个数

经过对2种分类方法的分类后处理精度验证,研究区使用面向对象分类方法的分类精度总体优于基于像元的监督分类方法,尤其是对草本和水体的类别划分较为准确。因此,选取面向对象的分类方法可较为准确地对研究区植被进行分类。

4 讨论与结论

1) 在对研究区遥感影像分类过程中发现,使用基于像元的监督分类在选择和评价样本时,需要耗费人力及大量的时间,分类时只能参考样本的光谱差异,而面向对象分类方法能参考对象中所包含的光谱、纹理和形状特征等,能够规避监督分类时出现的“椒盐现象”[19]。运用面向对象的分类方法,在一定程度上避免了分类结果破碎的现象,充分利用每个对象所包含的光谱特征和形状特征等[23]。相关研究表明,对已分类影像经分类后处理可达到较高的分类精度[24-25]。

2) 基于像元的监督分类与面向对象的分类总体精度均可达到94%以上,Kappa系数达到了0.93以上,分类结果均达到较为满意的效果。

3) 相较于监督分类,面向对象的分类方法总体精度提升了3.79%,Kappa系数提升了0.032,可更为准确地提取研究区的植被信息,为合理分析和评价该区域地表状况及土地荒漠化监测提供科学依据。