引用本文
龙娟, 宫兆宁, 郭逍宇, 赵文吉. 基于光谱特征的湿地湿生植物信息提取研究[J]. 国土资源遥感, 2010,22(3): 125-129
LONG Juan, GONG Zhao-ning, GUO Xiao-yu, ZHAO Wen-ji. Information Extraction of Wetland Aquatic Vegetation Based on Spectral Characteristics[J]. REMOTE SENSING FOR LAND & RESOURCES,2010,22(3): 125-129  
Permissions
Copyright©2010, 《国土资源遥感》编辑部
《国土资源遥感》编辑部
基于光谱特征的湿地湿生植物信息提取研究
龙娟, 宫兆宁, 郭逍宇, 赵文吉
首都师范大学资源与环境学院资源环境与GIS北京市重点实验室,北京 100048

第一作者简介: 龙 娟(1984-),女,硕士,主要研究方向为遥感与GIS。

通讯作者: 宫兆宁(1976-),女,博士,讲师,主要研究方向为生态水文学、水资源与水环境以及遥感地理信息系统技术应用。联系电话: 13801061276; 邮箱:gongzhn@163.com。

收稿日期: 2009-11-19
基金: 国家科技支撑计划重点项目“环北京区域遥感综合监测信息服务系统子课题——环北京区域地表环境遥感动态监测与评价技术研究”(编号: 2007BAH15B02)和国家科技支撑计划重点项目“国家生态恢复重建的综合监测评估关键技术研发”(编号: 2006BAC08B02)共同资助
摘要

基于湿生植物光谱特征分析,采用面向对象分类方法提取湿地典型植被信息。在大量的野外实地调查基础上,确定提取的典型植物类型为芦苇( Phragmites australis)、长芒稗( Echinochloa crusgallii)和睡莲( Nymphaea tetragona); 采集湿地优势植物光谱数据,将优势植物与提取对象芦苇、长芒稗和睡莲的光谱特征进行相关性分析,获取物种间区分性好的波段及波段组合,参与影像分割权重的设置; 根据典型植被的分布特征,确定面向对象分割尺度(其中芦苇的分割尺度为50,长芒稗的分割尺度为20,睡莲的分割尺度为100)。通过研究发现: 基于光谱特征分析的面向对象的分类精度为96%,而未利用光谱特征的面向对象的分类精度为87.3%,传统监督分类精度仅为82.3%。证明在面向对象提取前对植物光谱特征分析得到区分性好的波段及波段组合参与分割,对提高分类精度起关键作用。

关键词: 光谱特征; 面向对象分类方法; 湿地湿生植物; 信息提取; 北京汉石桥湿地
中图分类号:TP75 文献标志码:A 文章编号:1001-070X(2010)03-0125-05
Information Extraction of Wetland Aquatic Vegetation Based on Spectral Characteristics
LONG Juan, GONG Zhao-ning, GUO Xiao-yu, ZHAO Wen-ji
College of Resource Environment and Tourism, Capital Normal University, Beijing 100048, China
Abstract

Based on a spectral characteristic analysis of typical wetland plants, the authors used the object-oriented classification method to extract such specific plants in Hanshiqiao area of Beijing as Phragmites australis, Echinochloa crusgallii and Nymphaea tetragona on the basis of a lot of survey work. First, the authors collected spectral data of these three typical wetland plants in the field, which constituted the basis of spectral correlation analysis and could help make classification between different species. The correlation analysis results of highly distinct spectral band combination and vegetation indexes with remote sensing images were involved in segmentation weight assignment. Second, based on the distribution of typical plants, the authors decided the split-scale of object-oriented (Phragmites australis split-scale being 50, Echinochloa crusgallii split-scale 20, and Nymphaea tetragona split-scale 100). A comparison of different classification methods shows that the classification accuracy of the object-oriented method based on spectral features is about 96%, and the classification accuracy is 87.3% in case it is not based on spectral characteristics. Traditional supervised classification accuracy is only 82.3%. The results show that the object-oriented classification method with spectral feature analysis is effective in the information extraction of Hanshiqiao wetlands typical plants, and the differentiation between spectral bands as well as band combinations will play a key role in that it can highly improve the accuracy of classification.

Keyword: Spectral feature; Object oriented method; Wetland aquatic plant; Information extraction; Beijing Hanshiqiao wetland
0 引言

在全球湿地研究中, 植被是反映湿地生态环境变化敏感程度的指示器, 而植被分类则是植被研究的基础[1]。目前对湿地湿生植物的研究还比较薄弱, 传统的人工实地调查要花费大量人力和物力, 且经常由于条件限制而无法到达研究区。如何快速、准确、方便地利用遥感影像提取湿地植被信息, 成为众所关注的问题[2, 3]。

国外湿地专家在湿地植被提取技术方面已开展了许多研究, Coops等[4]以Landsat TM为数据源, 采用主成分分析方法对多瑙河三角洲湖泊湿地的湿生植物进行研究, 较为成功地提取了10种湿生植物类型(但该方法需要大量的野外工作, 同时水体透明度的情况直接影响分类精度, 该技术比较适合于中等分辨率的遥感数据); Dogan等[5]在2008年利用QuickBird影像对浅湖水生植物信息进行提取, 该方法使用了水体掩模运算和非监督分类, 工作量相对少, 但没有充分利用高分辨率影像的光谱、几何和纹理信息, 分析精度不高; James等[6]以ETM影像为数据源, 结合基于像元和面向对象的分类方法, 对美国东北部长岛海峡沿岸地区的水生植物信息提取进行研究, 该研究充分利用了植被光谱信息参与波段分割, 基于面向对象的分类对目视解译出的5 895 hm2湿地进一步细分, 51%为潮汐湿地, 37%为高地, 11%为水体, 结果比较理想。在国内, 曹宝等[7]在2008年利用SPOT-5数据, 采用面向对象方法对北京颐和园湿地周边区域的草地、林地、裸地、水体、低层建筑、高层建筑和道路等7类地物进行信息提取, 将提取结果分别与马氏距离法、最大似然率法、平面六面体法、最小距离法和光谱角法等的分类结果进行比较, 对比结果显示, 面向对象的信息提取精度明显高于其他传统分类精度, 物种间的相关关系明确, 信息丰富。

本文利用面向对象的信息提取方法, 在野外采样的基础上, 分析植被之间光谱波段和光谱指数的可区分性, 并将分析结果参与分割波段权重和隶属度函数的设置, 从而提高信息提取精度。在分析植被光谱特征的基础上, 将野外实地采样的光谱数据与影像对应区域的影像数据建立相关关系, 其中包括近红外波段的比率、波段间的比值、形状指数、亮度值和近红外波段的方差等; 并采用多尺度分割技术, 根据对象的目视解译结果建立隶属度函数, 从而克服了以往面向对象方法中存在的不足。此方法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利的技术支持, 同时也可以为环境、灾害、土地遥感监测等领域及时提供数据源。

1 研究区概况

北京市汉石桥湿地自然保护区成立于2005年3月, 是北京东部重要库塘型湿地, 包括沼泽湿地和人工湿地两大类, 位于京东平原地带的顺义区杨镇镇域西南(40° 07'N, 116° 42'E)(图1), 距北京主城区约35 km, 面积为1 900 hm2; 属于温带半湿润大陆性季风气候, 年平均气温为1.9℃, 年降雨量为603.1 mm; 湿地土壤以沼泽土、白浆土为主。

图1 北京市汉石桥自然保护区地理位置示意图Fig.1 Hanshiqiao Natural Protected Area in Beijing

由于汉石桥湿地由滞洪水库淤积演化而来, 沼泽化特征明显, 芦苇、香蒲、水葱等湿地植物大量生长, 覆盖面积大, 使湿地生态系统在涵养水源、保持水分、调节气候、蓄水防洪、控制土壤侵蚀和调节径流等方面起着重要的作用; 特别为野生动物的栖息繁殖提供了良好的栖息地。但是近年来, 人为干扰严重, 环境容量降低, 生态系统变弱。因此, 对汉石桥湿地植物信息进行快速、准确地提取尤为重要[8]。

2 研究方法

本次研究中, 面向对象分类方法的关键技术是影像多尺度分割, 即以任意尺度生成属性信息类似的影像多边形对象[9]。在分割时充分考虑了地物的光谱、几何、结构以及纹理等信息, 生成的对象为同质像元聚集; 并以此对象为信息提取的基本单元, 实现类别信息自动提取[10], 最小的分类单元不再是像元而是一个个的分割对象。在实现过程中, 首先对影像数据进行辐射校正和几何精纠正等预处理, 然后对各种类型地物的野外光谱特征进行分析, 筛选出各种植被类型之间区分性高的光谱指数和波段, 赋予区分性好的波段以较高的权重参与影像分割; 并结合形状、纹理等特征提取分割对象的特征, 找到规律, 建立分类规则, 提取植被信息(信息提取流程见图2)。

图2 面向对象湿地湿生植物信息提取流程Fig.2 Flow chart of object-oriented information extraction

2.1 遥感影像预处理

本研究的数据源为2007年5月获取的SPOT-5全色影像和TM多光谱数据。采用二次多项式和双线性内插法, 对上述影像进行辐射校正和几何精纠正等预处理, 将均方根误差控制在0.5个像元内。然后选用PANSHARP方法将TM和SPOT-5影像融合。

2.2 湿地植被类型选取

汉石桥地区的植被类型主要有芦苇(Phragmites australis)、长芒稗(Echinochloa crusgallii)、睡莲(Nymphaea tetragona)、香蒲(Typha angustifolia)和莲(Nelumbo nucifera)等。通过野外实地调查得知, 芦苇覆盖的斑块面积大, 破碎度低; 长芒稗分布斑块面积小, 破碎度指数大且分离度指数高; 睡莲分布斑块面积小, 分离度指数大。所以选取芦苇、长芒稗和睡莲3种具有典型分类特征的植物群落作为研究对象。在确定研究类型的基础上, 大量分析野外采集的上述类型植被光谱数据与高分辨率影像中相应类型植被光谱响应特征, 找出物种之间区分性高的光谱指数, 然后将该分析结果参与波段权重的确定和隶属度函数域值的设定。

2.3 湿地植被光谱信息分析

利用ArcGIS在研究区随机布设200个样点(图3)。

图3 汉石桥自然保护区布点示意图Fig.3 Point diagram of Hanshiqiao natural protected area

去除其中的28个混合像元点, 并根据与影像数据同月份获取的2008年5月24~28日野外实测的80个纯植被类型点, 分析采样点在影像上的光谱信息, 将提取的3种植物类型与研究区其他3种易混淆的地物类型进行区别, 分析研究区各地物在各波段及波段组合的光谱特征变化规律(图4)。

利用SPSS 13.0统计软件分析各典型植物类型在4个波段的光谱及其波段比B4/B3、B2/B1, NDVI, B3/B2、B1/B3、B1/B4和B2/B4等组合运算的区分度, 作为eCognition隶属度函数域值的参考值。通过对比分析发现: 芦苇在B4、B1/B4、B2/B4以及NDVI上区分性好, 可见芦苇的区分性与B4相关性大, 故将B4作为提取芦苇的重要参考波段; 长芒稗

图4 研究区典型地物在各波段(左)和波段组合(右)的光谱特征Fig.4 Spectral characteristics of the typical objects in the study area for various bands(left) and band combinations(right)

则在B4/B3、B1/B4与其他物种的区分性好, 从而可知波段B4对长芒稗的提取作用大, 同样将B4作为提取长芒稗的重要参考波段; 而睡莲仅在B2/B1、B1/B3与其他物种区分效果好, 因此将B1作为提取睡莲的重要参考波段。芦苇、长芒稗和睡莲的最佳光谱组合模型见表1。

表1 典型植被类型光谱最佳组合模型 Tab.1 The best spectral combination model of typical vegetation
2.4 湿地湿生植被多尺度分割与分类

将融合遥感影像的蓝、绿、红和近红外4个波段以及提取效果好的波段组合(B4/B3、B2/B1以及B1/B4)导入eCognition软件, 并选用多尺度分割模块的方式, 结合各植被类型光谱特征确定最优的图层分割的权重, 分割生成的对象或基元应与待分类或待提取目标地物的大小和形状基本吻合; 如果相差较大, 则应调整相应的光谱和形状参数, 重新运行多尺度分割模块, 直到多尺度分割所得对象(由同质像元组成)与待分类或待提取地物的大小和形状基本吻合为止。这样, 分类的对象不仅具有光谱信息, 而且具有多边形的纹理、形状、拓扑和空间关系信息, 还可以根据需要生成多个对象分割层。

以提取芦苇的过程为例, 因光谱分析中已确定B4能将其与其他5种地物类型区分开, 则可将其权重设置为2, 其他波段权重设为1, 而光滑度和紧密度的权重平均, 对区分性不大的波段赋予权重为0, 即不参与分割; 在分割尺度为30的图5(a)中, 生成的对象充分体现了地物局部信息的差异性, 但地物空间分布特征比较差; 而分割尺度为120的图5(c)恰恰相反; 经过多次分割, 认为50是最理想的分割尺度(图5(b)), 兼顾了地物光谱的局部细节及空间分布特征。

图5 不同分割尺度提取芦苇对比Fig.5 Comparison of reed(Phragmites australis)extraction by different segment scales

通过一系列的试验, 对各植被类型的分割尺度和分割参数进行设定, 最后确定芦苇的分割尺度为50; 而长芒稗由于分布不集中, 破碎度指数大, 故分割尺度不应太大, 最后确定分割尺度为20; 相对芦苇和长芒稗, 睡莲分布斑块面积大且破碎度指数低, 确定分割尺度为100(表2列出3种植物提取的参数设置)。

表2 植物提取参数阈值设置 Tab.2 Threshold of vegetation extraction parameters

完成影像分割后, 结合野外实测的光谱数据以及影像上的光谱信息, 设置分类函数; 在设置分类函数过程中, 其参数的确定需要在一定的范围不断调试, 直到效果最好为止; 最后生成分类对象。

3 信息提取结果分析
3.1 信息提取结果

在分割之前, 利用地物光谱间的区分性, 找到区分性好的波段或者波段组合模型参与分割, 总体上, 提取效果比较好。从图6可以看出, 由于长芒稗分布范围广, 而且单块分布面积大小不一, 如果未利用区分效果好的波段或者波段组合模型参与高权重的分割, 提取难度会很大, 全凭分割尺度的设置是无法兼顾几何信息和局部信息的; 睡莲的生长特性决定其分布比较集中, 利用面向对象提取的效果好; 而芦苇虽然分布广, 但分布集中, 提取信息快速、准确。周边无色部分是未做提取区域。

图6 北京汉石桥湿地典型植被提取结果Fig.6 Extraction result of typical vegetation of Hanshiqiao wetland in Beijing

3.2 分类精度评价

分类结果的精度验证主要通过选取野外实地调查数据, 在影像上选取172个样本验证点, 用该样本与分类结果图的相应类别对比, 得出分类总精度达96%(表3)。

表3 分类结果与精度评价表 Tab.3 Classification and its accuracy

同时用传统的面向对象分类方法(光谱未参与)和ERDAS遥感软件平台下监督分类方法提取芦苇、睡莲、长芒稗3种植被, 并用野外实地获取的172个样本进行验证, 其中传统的面向对象分类方法的总体精度为87.3%, KIA=0.815; 而传统的监督分类, 总体精度为82.3%。

4 结论

(1)将本次研究的精度评价结果和以往提取方法的精度对比表明, 光谱参与面向对象分类总体精度高于光谱未参与分类的面向对象提取精度和传统的监督分类精度。可以看出, 在对影像进行信息提取时, 面向对象的分类精度优于传统的分类方法, 但其分割尺度在很大程度上影响了分类精度, 并且隶属度函数域值的设定需要不断修改, 使得分类效果受主观影响比较大。

(2)总体上, 利用地物光谱信息的面向对象分类在分类效果上有了很大的提高, 弥补了传统的基于像素统计特征分类方法的不足。由于该方法可以灵活地运用地物自身的几何信息和结构信息, 并且可以加载人的思维, 构成知识库, 为分类提供了更多的辅助信息; 同时光谱信息参与面向对象分类, 在信息提取之前, 通过野外采样数据, 找到了植物之间的区分规律, 较光谱未参与面向对象分类的目标性强, 提高了分类精度。

The authors have declared that no competing interests exist.

参考文献
[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. [本文引用:1]
[2] 李晓兵, 史培军. 基于NOAA /AVHRR数据的中国主要植被类型NDVI 变化规律研究[J]. 植物学报, 1999, 41(3): 314-324. [本文引用:1]
[3] 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)5: 81-87. [本文引用:1]
[4] Coops H, Hanganu J, Tudor M. Classification of Danube Delta Lakes Based on Aquatic Vegetation and Turbidity. Hydrobiologia[J]. Netherland s, 1999, 415: 187-191. [本文引用:1]
[5] Dogan O K, Akyurek Z, Beklioglu M. Identification and Mapping of Submerged Plants in a Shallow Lake Using QuickBird Satellite Data[J]. Environmental Management, 2008: 1-6. [本文引用:1]
[6] James D, Hurd, Daniel C. Tidal Wetland and Classification from Lland sat Imagery Using an Integrated Pixel Based and Object Based Classification Approach[C]// ASPRS 2006 Annual Conference. Reno, 2006: 1-5. [本文引用:1]
[7] 曹宝, 秦其明, 张自力, 等. 基于特征增强技术的面向对象分类方法[J]. 水土保持研究, 2008(15): 135-139. [本文引用:1]
[8] 成卫, 胡东, 付必谦, 等. 北京湿地生物多样性研究[M]. 北京: 科学出版社, 2007. [本文引用:1]
[9] 杜凤兰, 田庆久, 夏学齐, 等. 面向对象的地物分类方法研究与分析[J]. 遥感技术与应用, 2004, 19(1): 20-23. [本文引用:1]
[10] Wilson E H, Sader S A. Detection of Forest Harvest Type Using Multiple Dates of Land sat TM Imagery[J]. Remote Sensing of Environment, 2002, 80: 385-396. [本文引用:1]