基于面向对象方法的天津市滨海新区湿地信息提取

王娅，郭继发，林雨

(天津师范大学 地理与环境科学学院，天津 300387)

湿地是地球表面重要生态系统,与海洋、森林并称为地球表面的三大生态系统。滨海湿地对于滨海地区的生态环境发挥着不可替代的作用,具体表现在污染物降解、调节局地气候、防止海水倒灌、维护生物多样性等诸多方面,同时也具有很高的社会经济价值,如水产养殖、水资源储存与供给、科研教育、休闲旅游等[1-2]。天津市滨海新区位于天津东部沿海地区,湿地面积广布,并设有北大港自然保护区,对整个天津乃至环渤海圈的生态环境与经济发展都有着重要影响[3]。近40年来,伴随经济发展、人口增多,滨海新区经营盈利与湿地保护、生态环境之间的矛盾更显突出[4-5]。湿地生态环境复杂,内部可达性差,很多实地调查工作难以开展,遥感技术因其时效性好,覆盖面积广,数据量丰富,经济成本低,已成为人们开展湿地监测的主要手段[6-11]。基于像元的遥感信息提取方法有监督/非监督分类等,以像元为基本单元,难以考虑几何、纹理以及相邻像元之间的空间信息,因而分类精度不高。随着遥感影像分割技术的发展,基于对象的分类方法逐渐兴起,面向对象的基本处理对象是通过多尺度分割生成的斑块对象,每个斑块都是属性特征高度相似的像元聚类。面向对象可以充分挖掘地物的光谱特征、空间几何特征、纹理特征、拓扑特征等,针对不同地物类型构建科学的规则集,近年来被许多学者广泛运用在湿地研究[12-16],例如,莫利江等[15]基于Landsat杭州湾遥感影像数据,选择影像光谱、纹理、空间等多个特征,运用ENVI中基于规则样本分割工具对杭州湾湿地景观进行信息提取,并取得很好的分类精度。运用面向对象技术多层次提取湿地信息可以有效减少分类对象破碎化,克服由于边界模糊和内部异质性较大引起的“斑驳现象”,综合利用地物的空间几何信息和光谱信息,弥补“同物异谱、同谱异物”的不足,提高分类结果精度[17-18]。

本文以天津市滨海新区为研究区,选择2021年Sentinel-2影像数据,基于不同分辨率影像的多尺度分割结果,获取分割对象的属性特征,融合多个波谱指数,构建规则层次模型,实现天津市滨海新区湿地类型自动提取,并与随机森林分类效果进行比较,为研究湿地遥感信息提取和中国滨海湿地的保护提供依据。

1 研究区概况和数据来源

1.1 研究区概况

天津市滨海新区位于天津市东部沿海地区,与渤海湾相邻接,如图1所示,地貌类型为海积冲积平原,沿海地区有潮间带分布。由于本身自然地理环境的独特特征,该区域湿地生境复杂、生物多样性丰富,分布有大面积水域湿地,后期在人为因素的改造下,出现了大量人工湿地,在维护生物多样性、提供珍稀动物栖息地、防止海水倒灌等方面有着重要作用。滨海新区研究范围以2018年行政边界范围为准,包括15个功能区,总面积约2 270 km2,海岸线约153 km。

图1 天津市滨海新区地理位置

1.2 数据来源

选取2021年5月Sentinel-2影像数据(欧空局数据中心网站获取),其他辅助数据主要包括天津市滨海新区2018年1∶100万行政矢量边界图层和高程数据等。

Sentinel-2影像共有13个波段,本文主要使用其中10 m分辨率的红、绿、蓝、近红外波段和20 m分辨率的短波红外波段。影像首先使用SNAP软件对哨兵初始影像进行10 m分辨率重采样,再通过ENVI软件进行大气校正和辐射定标,最后将校正好的影像进行裁剪、拼接、镶嵌、融合,获得可以使用的影像数据。

2 研究方法

2.1 湿地分类系统

参照《湿地公约》和湿地分类国家标准等国内外湿地分类系统[19-20]和天津市滨海新区水体湿地资料[5,21],基于滨海新区湿地实际情况特点,综合考虑研究区的空间异质性特征,建立天津市滨海新区湿地分类体系,见表1。

表1 天津市滨海新区湿地分类体系

2.2 湿地信息提取

2.2.1 影像分割

本文使用面向对象的分层分类方法进行研究区湿地信息提取,分割是面向对象分类中地物信息提取的基础,是将影像中在光谱、空间、纹理上具有相似性的邻近像元组合成为一个“对象”的过程[17]。分割尺度的确定直接影响分类的效率和结果[22]。通过eCognition Developer中反复实验,设置形状异质性参数为0.3,光谱异质性参数为0.7,紧实度设置为0.5,根据不同层次对象提取特征的依据,第一层次主要依赖光谱差异区分,故分割尺度设为60时效果最好,斑块数量多,地物异质性高,较容易识别出小型地物,如图2(a)所示。第二层次需要依据地物空间几何特征,故分割尺度设为90时效果最好,分割后地物边界轮廓较为清晰,具有很好的可分离性,如图2(b)所示。

(a)60尺度分割 (b)90尺度分割图 2 不同尺度分割效果

2.2.2 特征指数选取

多尺度分割使影像的最小单元由像元变为特征相似的对象,每个对象有着不同的属性特征,如影像对象的光谱特征(水体指数、植被指数、绿度和湿度等)、纹理特征(同质性、异质性和熵等)和空间特征(矩形度、面积和长宽比等)[16],本文基于研究区的影像分割特征和湿地特点,在选取影像波段信息的同时,还选择了一些用于分类的对象属性特征,见表2。

表2 面向对象的属性特征

3 湿地分类结果及精度评价

3.1 面向对象分层模型构建

本文基于影像分割结果,融合上述分割对象的光谱特征和空间几何特征,逐级分层分析地物特征,构建地物分层规则集,实现天津市滨海新区湿地的自动提取。

第一层次在区分水体和非水体的过程中,水体提取方法一般包括单波段阈值法、多波段水体指数法、线性分解等,其中多波段水体指数法有很强的普适性[26-27],本文采用MNDWI指数并辅以地表温度区分水体和非水体层,弥补单一MNDWI指数的不足,再使用NDBI指数剔除水体中的阴影。

在水体层中,主要包括河流、湖泊水库、沟渠、养殖塘、坑塘、海域。由于水体层中不同类别之间光谱差异较小,因此,仅依靠光谱特征难以实现类别信息的精确提取,此时需要辅以一定的空间几何特征进行分类。在水体层中进行二次分割,分割指数为90,其他分割参数不变。

在非水体层中,主要包括一些非纯水体湿地、植被性湿地和非湿地,其中建筑可直接通过蓝波段进行阈值提取。植被性湿地如公园湿地,具有很高的植被含量,利用NDVI指数和绿度判别,但由于公园湿地主要是植被和水体混合分布,且植被含量高,又加上人工对公园的建设,导致存在大量植被、水体和建筑的混合像元,因此不易区分,经目视判读发现公园湿地空间分布位置相对固定,数量较少,因此对公园湿地辅以人工目视修正,以提高分类精度。非纯水性湿地如沼泽和滩涂,可以利用湿度和空间几何特征指数提取,因沼泽植被含量高于滩涂,而水体含量低于滩涂,因此可以通过NDVI指数和MNDWI指数将二者区分。非水体层剩余部分需进行二次分割,分割尺度设置为90,其他分割参数不变,分割结果首先根据近红外波段的同质性特征和矩形度提取建筑,再利用NDVI指数提取耕地,剩余少量未分类部分运用随机森林的分类方法,选择典型耕地、建筑和裸地样本进行分类提取。

最后,合并相同地物类型的对象,导出分类结果,完成天津市滨海新区2021年的湿地类型提取。具体分类提取流程如图3所示。

图3 面向对象的分层提取流程

3.2 分类结果与精度评价

基于面向对象的分层分类结果和随机森林分类结果如图4所示。由图5细节对比可以看出,面向对象的分层信息提取方法明显优于随机森林分类,面向对象分层分类利用分割对象的大量属性特征很好地将区域内河流、海域、滩涂、沼泽、养殖塘等不同湿地类型提取出来,同时也区分出建筑用地和耕地,分类结果“斑驳现象”获得极大的改善,图中不同湿地类型的空间分布边界清晰,很好地实现了湿地类型的自动提取。

(a)面向对象分层分类 (b)随机森林分类图 4 两种方法的分类结果

(a)原始影像 (b)面向对象分层分类 (c)随机森林分类图5 两种分类方法细节对比

为保证分类结果质量,进一步验证面向对象分类方法的有效性和科学性,本文选用不同地物类型的误差混淆矩阵、总体分类精度和Kappa系数来验证精度。首先每种类型都分别随机选取100个抽样点,结合实景地图对抽样点进行目视判读,获取抽样点的真实地物类型,建立混淆矩阵,对分类结果进行精度评价,分类结果精度见表3。可以看出,面向对象的分层分类结果总体精度达到91.75%,Kappa系数为0.91,用户精度和生产者精度效果较好,尤其是湿地类型中的河流、海域、沼泽、滩涂、养殖塘、湖泊水库、公园湿地以及非湿地中建筑用地和耕地的生产者精度都达到90%以上,用户精度也都在80%以上,可见面向对象的分层分类方法在天津市滨海新区的湿地信息提取上获得了很好的效果。生产者精度中“其他”类型精度较低,可能是本文“其他”类型主要包括裸地和一些剩余未分类部分,因此导致“其他”类别内可能有一些湿地和非湿地地物。坑塘和沟渠的生产者精度也相对较低,主要是因为坑塘和沟渠的面积较小,容易和周围地物误分,但总体上面向对象分层分类结果取得了很好的分类效果。由此可见,基于面向对象的分层分类是一种有效的分类方法。

表3 面向对象分层分类结果精度评价表

4 结论与讨论

本文针对遥感影像基于像元分类的不足,利用面向对象分割技术,以中分辨率的Sentinel-2影像为数据源,实现遥感影像上由“像元”到“对象”的转变,获取大量具有很强相似性的分割对象,挖掘不同地物类型的光谱特征、空间几何特征以及纹理特征,融合上述属性特征构建分层信息提取模型,对天津市滨海新区2021年湿地信息进行分层分类提取。结果表明:(1)融合遥感影像属性特征的面向对象分层分类方法,有别于传统依据单一像元光谱值进行分类的方法,综合考虑了地物的光谱、纹理和空间几何特征,很好地避免了传统分类结果的“斑驳”现象,总体分类结果精度达到91.75%,Kappa系数为0.91,表明该分类方法具有很好的可行性;(2)面向对象方法将基于像元分类转化为基于具有同质性的对象,充分挖掘了遥感影像上地物的属性特征,很好地弥补了遥感影像湿地分类不确定性的问题,是湿地遥感信息提取的一大改进。

在湿地分类过程中,针对不同的阈值选择可能会对分类结果及精度有一定影响,本文阈值的最优选择主要是通过多次阈值测试,方法相对费时费力,如何更好更快地确定阈值可在今后有所探讨。本文对于分割影像属性特征的选取也相对片面,地物光谱特征的不确定性会影响地物分类精度,尤其是某些地物类型的属性特征信息选取可以进一步挖掘和细化,挖掘更多的地物属性特征可以完善面向对象的分层模型,提高地物提取精度,还需今后继续研究。