天山北坡草地遙感分類及其精度分析

周 偉，楊 峰,2，錢育蓉,3，李建龍

(1.南京大學生命科學學院，江蘇 南京 210093； 2.四川農業大學農學院，四川 雅安 625014；3.新疆大學軟件學院，新疆 烏魯木齊 830000)

全球變化研究中，植被被認為是一個反映生態環境變化的敏感指示器，已經成為陸地生態系統響應全球變化研究的一個熱點，其中植被類型劃分又是植被研究的基礎[1]。自然界的植被類型復雜多樣，傳統的利用人工進行野外實地調查的植被分類方法周期長，工作量大，不便于定量分析和可視化；遙感影像能全面真實地記錄地表植被與環境的信息，因為不同植被的光譜反射率不同，這使得利用遙感影像對植被類型進行劃分成為可能。近年來，隨著遙感科學技術的快速發展和不同傳感器對地觀測系統的大量應用，獲取同一地區的多平臺、多傳感器、高光譜、高分辨率和多時相的多源遙感數據越來越容易。根據研究目的，可以將多源遙感影像進行融合，獲取比任何單源遙感影像更豐富、精度更高的圖像信息[2-3]，同時多源遙感數據融合可以消除多傳感器之間信息的冗余和矛盾，降低不確定性，減少影像模糊度，增強圖像信息的透明度，獲取對觀測目標完整、一致的信息描述，最終實現圖像解譯精度和動態監測能力以及遙感信息利用率的提高[4-6]。

草地作為我國生態系統的天然屏障，在減緩氣候變化中起著重要作用，草地植被對環境變化具有較高的敏感性。近年來，隨著氣候變化，西北天山山區處于氣候從暖干向暖濕轉型的顯著變化區[7]，加之人類活動的干擾，草地覆蓋和利用狀況發生了明顯變化。目前不少學者對天山山區草地植被進行了研究，王新欣等[8]利用MODIS NDVI 對天山北坡中段草地進行生物量估測，建立了生物量動態估測模型；黃敬峰和王秀珍[9]研究了天山北坡中東段天然草地植被光譜特征；師慶東等[10]利用分區分類方法對新疆北部植被進行分類提取。本研究利用多光譜影像TM(波段2、3、4，分辨率30 m)和ETM+全色波段(分辨率15 m)，將它們進行融合處理，既可提高光譜分辨率，又可提高空間分辨率，對融合后的圖像采用人機互動的解譯方法，將天山北坡的植被類型進行分類，以期為合理利用和科學管理草地資源以及牧業發展規劃提供理論依據。

1 材料與方法

1.1研究區概況 阜康市位于亞歐大陸腹地，新疆維吾爾自治區中北部，天山東段北麓，準噶爾盆地南緣(43°45′～45°30′ N，87°46′～88°44′ E)。研究區地勢自東南向西北傾斜，海拔450～5 445 m，地勢起伏大。阜康市屬中溫帶大陸性干旱氣候，年均氣溫平原區為6.7 ℃，山區為2.54 ℃，年均降水量205 mm，降水的年際變化和季節變化大，年均無霜期174 d[11]。研究區地形和氣候條件的多樣性，造就了多樣的土壤和植被類型。阜康境內土壤類型主要有草甸土、棕鈣土和灰漠土。不同的地貌區域內形成不同的植被群落類型，植被的垂直分異特征明顯，隨海拔升高可以分為低地鹽化草甸、溫性荒漠、溫性荒漠草原、溫性草原、溫性草甸草原、溫性草甸和高寒草甸[12]。

1.2數據來源 本研究選用的遙感影像為阜康市1999年8月23日Landsat 7-ETM+全色波段和2008年9月24日Landsat 5-TM數據，來源于中國科學院遙感衛星地面站；1∶5萬地形圖數據來自阜康市畜牧局和統計局；1 km分辨率的DEM數據來自中國西部環境與生態科學數據中心(http://westdc.westgis.ac.cn/)。地面實地調查數據為2008年8月和2009年10月對研究區域的草地植被調查數據；在研究區，根據地質地貌和植被類型設置樣帶，在每個樣帶選取有代表性的樣地，在每個樣地設置1個大樣方(10 m×10 m)，在大樣方四角及中心部位各設置1個小樣方(1 m×1 m)，共5個，進行植被群落調查，并記錄樣地周圍植被利用狀況及樣方的經緯度和海拔等信息，為獲取解譯標志，完成室內解譯工作收集資料。

1.3數據處理

1.3.1幾何校正 原始遙感數據為中國科學院遙感衛星地面站提供的Level 2數據，該數據是經過輻射校正和系統幾何校正后的產品。利用地面控制點，對Level 2數據進行幾何精校正，并進行坐標變換和裁剪處理。最后獲得研究區兩期標準影像，投影類型為通用橫軸墨卡托投影(UTM)，橢球體為WGS-84，圖像校正的均方根誤差控制在1個像元[13-14]。

1.3.2數據的融合 遙感影像數據融合[15]是指對不同分辨率遙感影像的融合處理，處理后的遙感影像既有較好的空間分辨率，又有多光譜特征，從而達到圖像增強的目的。Landsat ETM+全色波段影像具有15 m的空間分辨率，可以很清楚地表現地物紋理特征，而Landsat TM 影像空間分辨率雖然僅有30 m，但是包含比較豐富的光譜信息，將ETM+全色與TM影像融合，可以同時發揮兩種數據源各自的優勢。在數據融合前對遙感影像進行去云處理[16]，以區分云和冰雪(圖1)。

ETM+全色與TM影像數據的融合是在ERDAS 9.1軟件下運行Resolution Merge命令完成的。為了增強目視解譯的有效性，采用主成分變換法進行融合(圖2)，重采樣方法為3次卷積插值法(Cubic Convolution)。

1.3.3歸一化植被指數 實踐證明歸一化植被指數(Normalized Difference Vegetation Index，NDVI)對于土壤背景的變化較為敏感，本研究選擇NDVI來計算阜康市典型草地植被指數，公式如下[17]：

圖1 研究區原始圖像及融合后的遙感影像Fig.1 The raw remote sensing image and fused image in the study area

(1)

式中，RNIR為近紅外波段4反射率；RRed為紅光波段3反射率。

圖2 數據融合流程圖Fig.2 Flow chart of remote sensing data fusion

1.3.4分類精度檢驗 結合野外實地調查的植被類型資料，在研究區采用地表真實感興趣區(Region of Interest，ROI)采樣方法選取了36個ROI，每種植被類型均隨機選取樣本點3～8個。在圖像上建立感興趣區，然后建立誤差矩陣表，計算總體分類精度、用戶精度、制圖精度等基本精度估計量。在此基礎上，進行Kappa系數分析。Kappa分析采用另一種離散的多源技術，可以克服以上基本精度估算中由于像元類別的小波動導致其百分比變化的缺點，從而可以更客觀地評價分類質量[15]。具體公式如下：

(2)

式中，Pc是總體分類精度，它表述的是對每一個隨機樣本所分結果與地面對應區域的實際類型相一致的概率；Pkk是誤差矩陣表中對角線上對應值，即實測數據類型和分類數據類型一致的像元數量；P是實測和分類總的像元數量。

(3)

式中，Pui是用戶精度(對于第i類型植被)，表示從分類結果中任取一個隨機樣本，其所具有的類型與地面實際類型相同的條件概率；Pii是第i類的實測數據類型和分類數據類型一致的像元數量；Pi+1是分類結果中第i類像元數量之和。

(4)

式中，PAj是制圖精度，表示相對于地面獲得的實際資料中的任意一個隨機樣本，分類圖上同一地點的分類結果與其相一致的條件概率；Pjj是第j類的實測數據類型和分類數據類型一致的像元數量；P+j為實測數據中第j類的像元數之和。

(5)

式中，Khat是Kappa系數，r是誤差矩陣中總列數(即總的類別數)；xii是誤差矩陣中第i行第i列上像元數量；xi+和x+i分別是第i行和第i列的總像元數量；N是用于精度評價的總像元數量。

2 結果與分析

2.1植被類型的劃分 根據中國植被類型圖[18]，研究區植被類型主要包括荒漠植被、荒漠草原、溫帶草原、溫帶草甸草原、溫帶草甸、高寒草甸和耕地。這些植被類型是確定解譯對象和類型的重要參考。但是所劃分的類型，有些在圖像解譯過程中難以判別。因此，在確定具體的解譯標志時，需要進行實地野外調查，結合觀測資料、圖像特征和制圖原則，最后確定出8種解譯標志(表1)。

表1 研究區植被分類系統Table 1 Vegetation classification system of study area

2.2目視解譯標志的建立 遙感圖像的解譯標志又稱判讀標志[15]，指在遙感圖像上能具體反映和判別地物或現象的影像特征。根據遙感圖像中不同地物的色調、陰影、大小、形狀、紋理、圖案和位置等信息，結合影像拍攝時間、季節、圖像的種類、比例尺、地理區域和研究對象，可以整理出不同目標在圖像上所特有的表現形式。表2是依據融合圖像及野外樣地調查確定的8類地物的解譯標志。

表2 研究區域遙感圖像目視解譯標志Table 2 Visual interpretation mark of image in study area

2.3專題信息的分類與評價

2.3.1基于專家知識決策樹的分類 根據目視解譯結果，對每類地物選取一定數量的感興趣區，然后利用最大似然法，先進行監督分類得到阜康市典型草地的初步分類結果。為了便于后續的處理，將沙漠植被和平原荒漠草地合并為荒漠草地，將水體和冰雪合并為冰雪類，將小面積的城鎮用地依據NDVI數值大小歸并入農田或者荒漠草地，并重新編碼。圖3是基于專家知識的分類器構建過程，主要包括相應信息的獲取及預處理，地物特征提取和分析，加入NDVI植被指數、海拔、紋理特征提取知識，并以此制定分類規則，構造專家分類器。

2.3.2分類結果 根據目視解譯結果，利用植被和海拔等信息對研究區進行分區。使用的變量包括NDVI(主要用來提取研究區植被信息)和DEM數字高程模型(主要用來區分耕地和山地森林、平原荒漠和山前荒漠)。通過對各類地物特征反復采樣、測試和對比分析，構造研究區的分類規則(圖4)。

圖3 基于專家知識的分類器構造流程圖Fig.3 The flow chart of classifier based on expert knowledge

圖4 基于專家知識的分類系統決策二叉樹Fig.4 The decision-making binary tree based on expert knowledge

根據專家知識的分類器流程圖并結合分類決策樹，對天山北坡阜康市草地植被類型進行劃分，分類后對其進行預處理，將沙漠植被和平原荒漠進行分離，湖泊或水庫與冰雪類別進行分離獲得草地類型圖(圖5)。

2.4分類結果精度分析 結合野外實地調查資料并參考《中國植被圖集》中新疆植被類型資料[18]，在研究區采用地表真實感興趣區采樣方法選取36個ROI。由于水庫坑塘、冰雪區、城鎮用地和無植被裸地在研究區分布面積較小，將其統一歸為“冰雪及其他”，并在該類隨機選取3個樣本點；在分類精度評價時將平原荒漠和沙漠植被合并為一類，在每個植被類型分別隨機選取樣本點3～8個。通過在圖像上建立感興趣區，計算相關指標并進行精度評價，得到基于專家知識決策樹分類的精度評價結果(表3)。

不同草地類型的分類生產精度和用戶精度較高，錯分和漏分誤差較小；分類總精度超過95%，Kappa系數為0.939 6(表3)，說明基于專家知識系統的分類結果在本研究區具有可行性，分類結果較好。

3 討論與結論

數據融合能提高圖像分辨率，改善圖像幾何精度，增強圖像特征并能改善分類精度。國內外許多學者在多源遙感數據應用研究中，進行融合的影像多為同一時間獲取的數據或者相鄰年份的多源遙感影像[19-21]，本研究中兩期數據時間間隔為9年，對植被類型分類精度有一定影響，尤其對土地利用變化明顯的植被類型的劃分影響較大。然而，研究區處于西北內陸經濟發展相對落后地區，城鎮建設用地面積小，土地利用變化幅度較小，并且城鎮擴張較慢[22]；同時研究區Landsat遙感影像受云層影響較為嚴重，可利用的遙感影像較少，其中Landsat 7-ETM+影像只有1999年可用；本研究利用1999年影像和2008年Landsat 5-TM影像進行數據融合，對融合影像進行植被類型劃分，并且獲得了較高的植被分類精度。

圖5 天山北坡阜康市主要草地植被類型圖Fig.5 Grassland type maps of Fukang in Xinjiang

表3 基于專家知識的分類精度評價Table 3 The accuracy evaluation of classification based on expert knowledge

在遙感數據融合基礎上，根據遙感圖像中不同地物色調、陰影、大小、形狀、紋理和位置等解譯要素的綜合分析，建立目視解譯標志，通過監督分類將阜康植被分為8種植被類型。在監督分類的基礎上，通過建立專家知識決策樹，進一步將新疆阜康典型草地植被分為5類，包括平原荒漠、沙漠植被、低山荒漠、溫性草甸和高寒草甸。精度分析的結果表明，分類的總精度超過95%，Kappa系數為0.939 6，分類效果比較好并且符合實際植被覆蓋狀況，說明該數據融合方法在研究區植被分類中具有一定的可行性，同時基于專家知識系統建立的決策樹分類方法在研究區分類精度高、效果好。

本研究采用的多年間隔的數據融合方法在研究區具有較好的分類效果，然而對于可用的遙感影像較少、城鎮擴張緩慢、土地利用變化較小的其他地區，是否具有可行性需要進一步研究。同時，本研究提出的植被分類方法僅利用了圖像紋理特征、植被指數和DEM等指標，在以后的研究中如能綜合考慮坡度、坡向和植物表面溫度等信息，可能會進一步提高分類精度。

[1] 李曉兵，史培軍.基于NOAA/AVHRR數據的中國主要植被類型NDVI變化規律研究[J].植物學報,1999,41(3):314-324.

[2] 許榕峰，徐涵秋.ETM+全色波段及其多光譜波段圖像的融合應用[J].地球信息科學,2004,6(1):99-103.

[3] Liu J G.Evaluation of landsat-7 ETM+panchromatic band for image fusion with multispectral bands[J].Natural Resources Research,2000,9(4):269.

[4] 韓玲，吳漢寧.TM與ETM影像融合用于地質構造解譯[J].遙感信息,2004(2):35-37.

[5] 賈永紅，李德仁，孫家柄.多源遙感影像數據融合[J].遙感技術與應用,2000,15(1):41-44.

[6] Xie Y C,Sha Z Y,Yu M.Remote sensing imagery in vegetation mapping:A review[J].Journal of Plant Ecology-UK,2008,1(1):9-23.

[7] 施雅風，沈永平，李棟梁，等.中國西北氣候由暖干向暖濕轉型的特征和趨勢探討[J].第四紀研究,2003,23(2):152-164.

[8] 王新欣，朱進忠，范艷敏，等.基于MODIS-NDVI的天山北坡中段草地動態估產模型研究[J].草業科學,2009,26(7):24-27.

[9] 黃敬峰，王秀珍.天山北坡中東段天然草地光譜植被指數特征[J].山地學報,1999,17(2):119-125.

[10] 師慶東，呂光輝，潘曉玲，等.遙感影像中分區分類法及在新疆北部植被分類中的應用[J].干旱區地理,2003(3):264-268.

[11] 楊峰，錢育蓉，李建龍,等.天山北坡典型荒漠草地退化特征及其成因[J].自然資源學報，2011,26(8):1306-1314.

[12] 馮纓，許鵬，安沙舟，等.天山北坡中段草地類型α多樣性研究[J].干旱區研究，2005，22(2):225-230.

[13] Asner G P,Townsend A R,Bustamante M M C,etal.Pasture degradation in the central Amazon:Linking changes in carbon and nutrient cycling with remote sensing[J].Global Change Biology,2004,10(5):844-862.

[14] Numata I,Roberts D A,Chadwick O A,etal.Characterization of pasture biophysical properties and the impact of grazing intensity using remotely sensed data[J].Remote Sensing of Environment,2007,109(3):314-327.

[15] 趙英時.遙感應用分析原理與方法[M].北京:科學出版社,2003:202-208.

[16] 李志林，朱慶.數字高程模型[M].武漢:武漢測繪科技大學出版社,2000

[17] 毛飛，侯英雨，唐世浩，等.基于近20年遙感數據的藏北草地分類及其動態變化[J].應用生態學報,2007,18(8):1745-1750.

[18] 中國科學院中國植被圖編輯委員會.1∶1000000中國植被圖集[M].北京:科學出版社,2001:320-336.

[19] Franklin S E,Bloggett C F.An example of satellite multisensor data fusion[J].Computers & Geosciences,1993,19(4):577-583.

[20] 王祖偉，秦其明.多源遙感數據融合及其在城市研究中的應用[J].測繪通報，2002(3):22-24.

[21] 袁金國，王衛.多源遙感數據融合應用研究[J].地球信息科學，2005,7(3):97-103.

[22] 李志文.阜康市土地利用/覆蓋變化過程及其社會經濟驅動力分析[D].烏魯木齊：新疆農業大學,2005.