梁庆璇,巫殷麟,谢凤杏,杨宇宁,许 洁
(1.南宁师范大学自然资源与测绘学院,广西 南宁 530001;2.广西自然资源遥感院,广西 南宁 530023;3.南宁师范大学经济与管理学院,广西 南宁 530001)
植被作为环境的重要组成因子,是反映区域生态环境状况的最好标志之一,也是土壤、水文等要素的解译标志[1]。而城市植被作为区域植被的一部分,是城市生态系统重要的组成因素,对于构建生态城市、保护城市生态环境起着举足轻重的作用,如净化空气、防止水体流失以及改善区域气候等[2]。植被覆盖度[植被(包括叶、茎、枝)在单位面积内的垂直投影面积所占百分比]作为植被生长状况的直观量化指标,在水文、气象、生态等方面的区域或全球性问题的研究中起着重要的作用[3]。因此,及时、准确地获取城市植被覆盖信息具有重要的理论与现实意义。
随着社会经济的快速发展,城市化进程进一步加快,在这个过程当中如何谋求城市与环境协调发展,已经成为了人们迫切研究的方向。目前,城市植被信息提取主要有人工实地测量和基于遥感影像的信息提取两种方式。基于遥感影像对城市植被信息进行提取,研究城市植被的分布和结构,可以为城市绿地系统规划、改善城市生态质量提供参考。因此,本研究以OLI影像为数据源,利用ENVI5.3和Arc GIS10.2软件提取植被覆盖信息,通过对比不同的波段组合方式在分类总体精度上、空间上和数据上的精确度,最终确定提取南宁市邕宁区的植被覆盖信息的最佳组合方式,研究进行的小区域植被信息提取,可为大面积范围的植被信息提取提供参考。
南宁市邕宁区地处“南宁盆地”东南部,总的地势是南、北高,中部低,由西向东倾斜。地理坐标介于东经108°25′~108°51′、北纬22°23′~22°45′。邕宁区由百济镇、蒲庙镇、那楼镇、新江镇、中和乡等5个乡镇组成,总面积1 295 km2。属亚热带季风气候,境内植物种类主要有蕨类、裸子类和被子类植物,种类繁多。森林植被有桉树、松树、樟树等,以马尾松、湿地松和桉树居多。粮食作物主要有水稻、玉米。经济作物主要有甘蔗、桑园,果木林有芒果、荔枝、柑橙等。珍稀植物有金花茶、苏木等。
本研究的数据主要有Landsat 8 OLI卫星影像、南宁市邕宁区的谷歌地图和行政界线矢量图。Landsat 8卫星OLI影像中,与提取植被信息相关的有波段2,主要用于水体穿透,分辨土壤植被;波段3,主要作用是用于分辨植被;波段4,处于绿叶素吸收的区域,用于观测道路、裸露土壤、植被种类等;波段5,用于云和植被覆盖变换;波段8,波段范围较窄,可更好区分植被和无植被。OLI影像具体信息见表1。
表1 OLI影像信息表
为更好突显植被信息,研究利用ENVI5.3对Landsat 8 OLI影像数据进行辐射定标、大气校正、影像裁剪、新波段变量构造(包括主成分分析、归一化植被指数和缨帽变化)、波段组合(包括原始波段组合、主成分分析波段组合和衍生波段组合)等处理。
2.3.1 监督分类
在对3种波段组合完成后,分别对3个组合波段的影像进行监督分类,以提取植被覆盖信息。监督分类一般分为3个步骤:创建训练样本、执行监督分类、分类评价及分类后处理。本次监督分类在定义训练样本时分别定义水体、居民地、裸地、植被。在执行监督分类时选择极大似然估计方法(Maximum Likelihood Estimate,MLE)进行分类。在分类过程中,首先保证样本分类始终只由一个人完成,且各类训练样本的数量一致;其次保证分类方法相同,尽量排除人为和实验过程带来的影响。
(1)原始波段组合影像监督分类。针对原始波段组合影像,用极大似然估计方法对其进行监督分类,训练样本可分离性计算报表见表2,原始波段组合的影像经过监督分类后,结果如图1所示。
图1 原始波段组合影像植被提取结果图
表2 原始波段组合影像训练样本可分离性计算报表
(2)PCA波段组合影像监督分类。针对PCA波段组合影像,用极大似然估计方法对其进行监督分类,训练样本可分离性计算报表见表3,由主成分分析后PC312波段组合的影像,经过监督分类后得到的植被覆盖信息结果如图2所示。
表3 PCA波段组合影像训练样本可分离性计算报表
图2 PCA波段组合影像植被提取结果图
(3)衍生波段组合影像监督分类。针对衍生波段组合影像,用极大似然估计方法对其进行监督分类,训练样本可分离性计算报表见表4,由衍生波段组合的影像,经过监督分类后得到的植被覆盖信息结果如图3所示。
图3 衍生波段组合影像植被提取结果图
2.3.2 目视解译
为了对比3种组合方式影像的监督分类结果在空间上的精度,本研究将谷歌地图作为参照图,如图4所示,将裁剪后的谷歌地图导入ArcGIS10.2中进行目视解译。目视解译后的结果如图5所示。
图4 谷歌地图邕宁区影像
图5 目视解译结果图
本研究以2017年10月28日南宁市邕宁区Landsat8 OLI影像为数据源,将影像经过预处理后进行原始波段组合、主成分分析波段组合、衍生波段组合,然后将3种组合方式的影像进行监督分类。并将3种组合监督分类结果与目视解译结果和南宁市统计年鉴提供的数据进行对比,最后得出提取南宁市邕宁区植被覆盖信息最佳的波段组合方式。
3.1.1 3种组合监督分类结果的相互对比
将影像经过监督分类之后,在ENVI中选择Confusion Matrix Using Ground Truth ROIS选项,分别得到3种组合方式的混淆矩阵图,由混淆矩阵图可得到3种波段组合方式的KAPPA系数和总体精度,具体结果见表5。
表5 KAPPA系数和总体精度表
由表6可以发现3种波段组合方式的影像经过监督分类之后,KAPPA系数由高到低为衍生波段组合>原始波段组合>主成分变换波段组合,总体精度由高到低为衍生波段组合>原始波段组合>主成分变换波段组合。由自身的分类精度对比可知衍生波段组合的监督分类结果要优于其他2种组合方式。
3.1.2 3种组合监督分类结果与目视解译结果的对比
为了对比3种组合方式的监督分类结果在空间上的精度,本研究将3种波段组合影像监督分类结果与谷歌影像地图在ArcGIS10.2中的目视解译结果进行对比,如图6-图9所示。
图6 原始波段影像监督分类结果
图7 PCA波段影像监督分类结果
图8 衍生波段影像监督分类结果
图9 目视解译结果
对比上图可知原始波段影像监督分类结果和衍生波段影像监督分类结果在空间性上比较接近目视解译的结果,PCA波段组合影像监督分类结果与目视解译的结果相差较大。现将原始波段影像监督分类结果和衍生波段影像监督分类结果和目视解译结果通过局部放大后对比,最终确定最接近目视解译结果的波段组合影像,局部放大对比如图10-图12所示。
图10 原始波段组合分类局部放大图
图11 衍生波段组合分类局部放大图
图12 目视解译局部放大图
通过对比图10-图12,可以发现衍生波段组合影像的监督分类结果与目视解译结果在空间性上较为接近,由此可知衍生波段组合影像的监督分类结果要优于其他两种组合的分类结果。
3.1.3 植被面积取结果精度对比
本研究为了对比3种组合方式的影像监督分类提取的植被覆盖面积数据上的精确性,利用ArcGIS分别统计出原始波段组合影像、主成分变换波段组合影像、衍生波段组合影像经过监督分类后植被的面积和目视解译得到的面积,结合南宁市统计年鉴做出对比,结果见表6。
表6 植被提取面积(km2)
通过对比可知衍生波段组合经过监督分类提取的植被面积和目视解译结果、南宁市统计年鉴在数值上最接近,其次是原始波段组合的监督分类结果,最后是主成分变换波段组合的监督分类结果。
本次植被提取实验通过对比3种组合提取植被信息的精度,最终确定提取南宁市邕宁区植被覆盖信息效果最好波段组合为衍生波段组合。由提取到的研究区植被覆盖信息可知,邕宁区的植被分布范围很广泛,几乎覆盖了市区的大部分面积。这与邕宁区大部分地区属于未开发利用地有关,植被生长过程中不受外界因素的干扰。由于本次采用的影像图分辨率有限,导致从整体来看城市里的植被相对较少且植被分布较为零散,而且较小的村落几乎被植被所覆盖,在提取过程中体现不出来。
本次实验衍生波段组合影像监督分类的结果在空间上和数据精确度上与南宁市邕宁区真实地面情况和南宁市统计年鉴大致相同。
本研究对南宁市邕宁区植被信息提取实验过程进行总结如下。
在波段组合过程中,原始波段组合是根据影像各个波段的相关性结合各个波段的作用选出的最合适提取植被信息的波段组合,原始波段组合影像监督分类的总体精度达到97.158 6%,在空间性和数据精确度上都较接近目视解译结果和南宁市统计年鉴,提取效果一般;主成分变换波段组合是将PC3、PC1、PC2波段分别以红、绿、蓝进行假彩色合成,但主成分变换波段组合影像在监督分类时却出现了错分最多的情况,最终总体精度也最低,为89.134 4%;衍生波段组合是因为NDVI、GVI都能反映出植被的信息,而主成分分析PC1包含了所有波段中90%以上的信息量,所以将PC1作为红波段,GVI作为绿波段,NDVI作为蓝波段进行假彩色的合成,其监督分类总体精度为99.613 9%,这是本次实验中波段组合方式中精度最高的一组,在空间性和提取的植被面积数据上也是最接近目视解译和南宁市统计年鉴的。
在精度对比过程中,将3种波段组合方式影像的监督分类总体精度相互对比;在空间上对比目视解译得到的结果;在提取得到的植被面积数据精确度上对比南宁市统计年鉴提供的面积和目视解译得到的面积。3种对比方法都是衍生波段组合影像监督分类结果优于其他两种波段组合影像监督分类的结果。因此,本研究最终确定衍生波段组合为提取植被信息的最佳波段组合方式。
4.2.1 不足
实验中有较多不足的地方,首先是本次试验采用的影像数据空间分辨率只有30 m,导致在监督分类提取样本时发现有较多混合像元的情况出现,影响到了监督分类的精确度;其次是本次实验下载的遥感影像捕获的时间是10月底,在这段时间部分农作物已经收获,植被也不处在茂盛生长时间段内,导致在提取植被信息时产生误差,也使得提取的植被面积相对于目视解译和年鉴提供的面积偏小;最后是目视解译过程工作量太大而出现人为误差影像实验精度。这些问题都直接影响到了本次南宁市邕宁区植被提取实验的提取精度和实验精度对比。
4.2.2 展望
(1)在本次实验中,采用的OLI影像数据空间分辨率不是很高,导致在监督分类时发现有较多混合像元的情况出现,这种现象在较小的区域还是会有一定误差的。这种现象可以通过提高卫星影像的空间分辨率以及在实验前对影像进行预处理来解决,所以在提高影像分辨率和影像预处理方面还需要做很大的改进。
(2)本次实验以谷歌地图作为参照图进行目视解译,但因工作量较大导致局部细小植被面积的提取没有很好地完成,导致提取的面积在精确度上有所下降,这方面还需要在实验过程中有所提高。