基于面向對象及光譜特征的植被信息提取與分析

崔一嬌，朱 琳，趙力娟

(首都師范大學資源環境與旅游學院;北京市城市環境過程與數字模擬國家重點實驗室培育基地;三維信息獲取與應用教育部重點實驗室;城市環境過程與數字模擬國家重點實驗室培育基地;資源環境與地理信息系統北京市重點實驗室，北京 100048)

植被是反映地理環境(氣候、土壤、地貌等)的最好標志［1-2］。在干旱半干旱地區，植被群落組成簡單，天然植被更是生物生態系統的重要組成部分，植被對地理環境尤其是植被生長的主要依賴因子就有更為直接的反映［3］，對干旱半干旱地區的植被進行更細致的信息提取不僅對生態環境的保育及研究有著重要的意義，同時也能反映地下水的變化情況，對地下水研究也有著重要的作用。

近年來比較常用的植被分類方法除傳統的基于像元的方法，如監督分類、非監督分類、神經網絡和模糊數學等，還有基于面向對象的方法［4］，基于像元的方法利用了像元的光譜信息，常存在誤分類的情況，有時會產生“椒鹽現象”［5］。而面向對象的分類方法彌補了傳統分類方法的不足，綜合考慮了像元的光譜信息、對象內部的結構、紋理以及相鄰對象之間的關聯信息［6］。

國內外已有許多學者利用面向對象的方法提取植被信息。Sulong等分別利用1∶5000的航空照片和TM影像，將馬來西亞Kemaman地區的紅樹林劃分為14個植被類型，分類精度達到91.12%和87.18%［7］;James等利用ETM+影像，在像元分類基礎上運用面向對象方法對美國東北部長島海峽沿岸的濕地植被進行細分，并對比分析了兩種方法的結果［8］;Xujun Ye等利用機載多光譜影像對桔園的雜草信息進行了提取，精度達99.07%［9］;Andrea等結合分類樹的方法對干旱牧場草地進行分類，精度可達80%［10］。而在我國，針對草地信息的提取仍多集中在基于像元的方法上，在面向對象方法上，黃慧萍等利用高分辨率影像，成功提取了喬木、灌木、人工草地與疏林地等草地覆蓋信息，精度達92%左右［11］;張學儒等人利用高程、NDVI、紋理等信息針對高海拔灌叢植被進行提取，精度達84.7%［4］。我國基于面向對象技術在植被分類應用上還需深入。

西遼河流域屬于西北半干旱地區，是環境變化的敏感區，也是國家實施西部大開發戰略的重點地區，西遼河流域已經成為我國東北地區生態環境最脆弱的地區之一［12］。本文以西遼河流域平原區為研究對象，采用中分辨率影像，結合野外采集的光譜信息，運用面向對象的分類方法對地物信息進行分類，并對草地類型進行了細分著重提取了植被信息。研究成果能夠為西遼河植被生態系統的維持和恢復以及進一步研究植被與水資源關系提供科學依據。

1 研究區概況及數據來源

1.1 研究區概況

西遼河流域平原區位于東北平原西部農牧交錯帶的東緣，地理坐標為42°34'01″—44°58'47″N，119°3'40″—124°34'25″E(圖1)，總面積5.16×104km2。研究區屬于溫帶半濕潤向半干旱氣候的過渡地區，年際間干濕交替，春季干旱少雨多大風。年降水量343—451mm，并呈現從南向北逐漸減少的規律。由于沙漠化過程，部分土壤已經退化為風沙土，河漫灘和河谷平原上為草甸土，部分區域有鹽堿土。植被以疏林草原為主，草本層退化，灌木層發育強烈。

1.2 數據來源

本文采用Landsat-5 TM影像，分辨率為30 m。影像獲取時間為2010年7、8、9月份，該時期研究區的植被特征較為明顯，利于植被信息的提取。數據預處理分為幾何校正、大氣校正、鑲嵌和裁剪4個步驟。幾何校正采用多項式變換，并用最鄰近法進行重采樣。然后利用ENVI的FLAASH模型對影像進行大氣校正。最后對遙感影像進行鑲嵌，并用西遼河平原區邊界對其進行裁剪。

圖1 研究區位置圖Fig.1 Location of the study area

植被光譜數據的采集時間為2011年8月，植被生長較旺盛且與影像時間一致。選取研究區內開魯、通遼、烏爾吉木倫河流域、哈黑爾郭勒流域四個區域作為野外采樣區，利用FieldSpec波譜儀對主要植被及土壤進行了光譜采集，光譜測量范圍為350—2500nm。每次光譜測定前均進行標定，每株植被測定20次，采樣點共25個，共獲取34個1m×1m的植物樣方。

2 研究方法

面向對象方法主要包括影像分割和信息提取兩部分。首先，根據影像像元的同質性自下而上合并形成影像對象;然后，利用對象的空間特征和光譜特征通過隸屬度函數或最鄰近分類器，實現類別信息自動提取的目的［13］。

圖2 技術流程圖Fig.2 The flow chart of research

本文利用Definiens eCognition 7.0作為軟件平臺，其獨有的分類范式(分割程序，最鄰近分類器，特征空間優化等)提高了分類精度，能夠用于提取更詳細的植被信息［14］。采用eCognition軟件中隸屬度函數分類器構建分類樹時，結合野外采集的光譜、影像光譜、歸一化植被指數(NDVI)等信息對植被信息進行提取，技術流程如圖2，主要分為3個部分:影像分割、信息提取以及分類結果的精度評估與出圖。

2.1 分類系統制定

西遼河流域平原區植被類型主要有耕地、草地和林地。林地多為人工種植的林場，與農田一樣受人為因素影響較大，草地植被則屬于天然植被。研究區典型植被包括茵陳、虎尾草、蒼耳、稗、披堿草和白刺花。由于地下水是干旱半干旱地區植被生長的主要限制因素之一［3］。根據草地植被與水分的關系將研究區的草甸植被簡單分為中生偏旱和中生偏濕兩類，表1列出這兩類分別包括的植被物種。本次研究中提取耕地、林地、中生偏旱草地、中生偏濕草地、未利用地和水體共6類地物信息。

2.2 影像分割

分割尺度影響著分類結果的精度，根據不同尺度的嘗試結果，最終選擇分割尺度為70(圖3)，分割時其余參數設置如下:波段色彩權重均為1，顏色權重設為0.7，緊湊度設為0.5。由圖可以看出分割尺度為20時，對象過于破碎，不利于分類;當分割尺度為120時，分割不夠完整，存在一個對象包含了多種地物的現象，而分割尺度70的結果相對兼顧了研究區各種植被的局部細節以及空間幾何分布特征。

表1 西遼河流域植被物種的類型Table 1 The types of vegetation in study area

圖3 不同分割尺度結果比較Fig.3 The result of different segmentation scale

2.3 信息提取

影像分割后，共獲得119384個影像對象，屬性特征值的計算分析以及信息的提取過程就是基于這些影像對象進行的。建立各類別的分類規則可以有兩種途徑，一種是選擇地物訓練樣本，自動建立規則;另一種是分析類別的特征表現，建立分類層次并定義各類別分類規則。本文選擇的是第二種方法，選取有效的屬性特征、建立分類層次(分類樹)、定義隸屬度函數是該方法提取地物信息的重要環節。分類層次結構如圖4所示，eCognition根據構建的類層次結構，能夠對非目標地類進行掩膜，避免提取目標地物時其他類別的干擾。針對各類別主要選取了以下幾個屬性特征:NDVI、波段反射率均值、波段反射率比率和亮度。

(1)水體

水體在除藍綠波段外的其他波段上吸收均較為顯著，本研究中水體對中紅外波段的吸收更為明顯，因此利用中紅外波段的均值與所有波段均值和之比(中紅外波段比屬性Ratio(5))區分水體與非水體。

(2)未利用地

由于土壤反射率與土壤含水量密切相關，隨土壤水分的增加而降低［15］，西遼河流域平原地處半干旱區，影像上未利用地的亮度值明顯較高，亮度值即各個波段反射率均值的平均值，因此在非水體類別中，可以選用亮度屬性來提取未利用地信息，未分類部分為植被。

(3)耕地和林地

歸一化植被指數NDVI是最常用的植被指數之一，對植被生長狀態和植被覆蓋度有最佳的指示作用［16］，NDVI能夠消除大部分和大氣條件有關的輻照度條件變化，很好的發掘遙感影像光譜中的植被信息。西遼河地區耕地和林地均為人工種植，覆蓋度較高，因此在未分類部分利用NDVI可以把耕地和林地這些植被茂密的類別與草地信息有效區分開來。雖然耕地和林地在影像上混淆較大，但耕地在形狀上多呈有規律的矩形，利用這一特性eCognation中Rectangular Fit屬性可以實現耕地的提取，該屬性考慮對象的長寬創建一個同面積的矩形，比較對象與矩形的匹配程度，越匹配其值越接近1。

(4)草地

不同的地物類型具有不同的光譜特性，因此可以利用光譜特征的差異識別不同的地物［17］。利用ViewSpecPro光譜處理軟件對采集的光譜數據分析得到6種草地植被的光譜曲線。

圖4 分類層次結構圖Fig.4 Map of class hierarchy structure

根據TM影像的波段信息(只選取藍、綠、紅、近紅外和中紅外波段)，將六種植被的光譜信息分段分析，統計TM每個波段對應的波譜反射率平均值，得到其均值光譜反射率特征曲線(圖5)，由圖可以看出這幾種草地物種在第1、2、3波段反射率比較接近;而在第4波段，中生偏旱草(虎尾草、蒼耳和稗)反射率較為接近，中生偏濕草(披堿草和白刺花)反射率較為接近，兩類草地植被光譜反射率有較明顯的差異。因此選用第4波段的反射率均值屬性作為區分中生偏旱和中生偏濕草地的依據。同時，對草地采樣點光譜和采樣點對應在遙感影像上的光譜進行比較，調試并確定兩類草地理想的光譜閾值范圍。

基于上述分析，利用選取的屬性特征最終建立的分類規則見表2。

圖5 研究區主要草地物種均值波譜反射率曲線圖Fig.5 Spectral curve of typical grass object

3 分類結果與精度評價

3.1 分類結果

西遼河流域平原區分類的結果見圖6。從制圖結果中可以看出，面向對象方法提取的信息結果圖斑完整性較好，避免出現了“椒鹽現象”。

3.2 精度評價

分類結果的精度評估采用誤差矩陣的評價方法，利用野外實地考察結果以及高分辨率影像上目視選取的樣本評估分類結果。共選取了100個檢查點，其中野外實測采樣點25個，高分辨率遙感影像隨機采樣點75個。中生偏旱與中生偏濕草地樣本全部來自野外采樣點。精度評價結果見表3。對角線上的元素為被正確分類的樣本數目，非對角線上的元素為被混分的樣本數目。

表2 分類體系和分類規則Table 2 Classes and rules of feature extraction

圖6 2010年影像面向對象分類圖Fig.6 Information extraction result of 2010 TM image

表3 分類結果精度評價表Table 3 Accuracy assessment results of classification

4 討論

由分類結果可以看出，研究區植被在空間分布上存在一些特點，利用ArcGIS軟件對研究區植被進行統計及分析，討論植被分布的規律。

(1)不同植被面積分布

對各類植被信息的面積進行計算，結果得出耕地面積為12167.3km2，占總面積的23.3%;林地面積20350.4km2，占總面積的 38.9%;草地面積 15832.3km2，占總面積的 30.3%，其中，中生偏旱草地面積14206.7 km2，占草地面積的89.7%，中生偏濕草地面積1625.6km2，占草地面積的10.3%。說明西遼河流域平原區以林地為主。草地覆蓋也占有很大比重，其中，中生偏旱草覆蓋面積遠遠大于中生偏濕。

(2)不同區縣植被面積分布

疊合區縣邊界數據，針對不同區縣統計不同植被信息的面積，由于巴林左旗和公主嶺兩區在西遼河流域平原區面積過小，不計入統計，由圖7可以看出林地主要分布在科爾沁左翼后旗和科爾沁左翼中旗，分別占林地總面積的15.4%和22.8%;耕地主要分布在科爾沁區和科爾沁左翼中旗，分別占耕地總面積的17.6%和20.3%;中生偏旱草主要分布在奈曼旗、科爾沁左翼后旗和科爾沁左翼中旗，分別占中生偏旱草總面積的15.9%，15.1%和14.7%;中生偏濕草主要分布在科爾沁左翼后旗、扎魯特旗和科爾沁左翼中旗，分別占中生偏濕草總面積的15.9%，13.9%和16.3%。相反，林地在庫倫旗、巴林右旗的面積，耕地在庫倫旗、巴林右旗及通榆縣的面積，中生偏旱草在雙遼市、長嶺縣的面積，中生偏濕草在庫倫旗、巴林右旗和長嶺縣的面積所占最少。可以看出，植被集中的區縣(科爾沁區、科爾沁左翼中旗、科爾沁左翼后旗)在研究區中均位于中下游區域，緊靠西遼河、新開河一級河流。植被占面積較少的區縣(庫倫旗、巴林右旗)主要在上游地區。

圖7 各區縣植被面積統計圖Fig.7 The statistic result of Vegetation area in different countries

(3)不同緩沖帶植被面積

由分類結果可以看出在植被分布上，尤其是耕地主要分布在研究區中下游水域附近，且中生偏濕草地也多分布于該地區。對西遼河流域平原區的一級河流分別作5、10、15、20km的緩沖區分析，并對不同緩沖區內的植被面積進行統計，由于離差較大，對縱坐標(面積)取以10為底的對數進行分析，由圖8可以看出，耕地主要分布在緩沖區5km內，隨著與河流的距離增大，耕地面積明顯減少;林地主要分布在緩沖區10km內，隨緩沖區距離增大，有一定的減少;草地中，中生偏濕草較集中在10km內，而中生偏旱草的分布隨河流緩沖區距離的增大總體呈現減少的趨勢，但關系不顯著。針對上述三方面討論得出的特點可以看出，西遼河流域平原區植被以林地、耕地為主，集中分布于河流兩側，且中下游地區植被較上游地區長勢更好。分析其原因，一是隨林業保護政策以及人類活動的影響，使得西遼河流域平原區林地和耕地在面積占很大優勢。二是受自身環境限制，因為研究區地處半干旱環境，地表水資源較為匱乏，近年來地下水資源也出現不足，水資源對植被生長有一定限制。此外，研究區上游土壤鹽堿化較為嚴重，相比之下，中下游土壤養分充足，利于種植，

因此，在空間分布上，植被較為集中分布在河流兩側及中下游地區。三是植被本身的特性也影響其分布的范圍，中生偏濕草對水分依賴明顯，研究區環境本身不利于中生偏濕草的生長，因此分布較少且集中在水源較充足的地區，相反，中生偏旱草對水分依賴較小，因此在分布上與河流位置關系上的特征并不顯著。

圖8 不同緩沖區內植被面積統計圖Fig.8 The result of vegetation area in different buffer zone

5 小結

利用面向對象的信息提取方法能夠有效地提取西遼河平原區2010年的植被信息，分類結果的總體分類精度達到了 82.13%，Kappa 系數為 0.765。

在光譜信息上，研究區中生偏旱和中生偏濕草地植被存在明顯的差異，TM影像的第4波段反射率均值屬性能夠作為區分中生偏旱和中生偏濕草地的依據。

研究區耕地、林地主要受水體分布和人類活動的影像，研究區植被主要分布在中下游游水域附近，在面積上，以林地分布為主，草地類型中，中生偏旱草地占主要優勢。在空間位置上，植被較為集中在科爾沁左翼中旗和科爾沁左翼后旗臨近河流的旗縣。結合一級河流的緩沖分析，林地和中生偏濕草主要集中在一級河流緩沖區10km內，耕地集中在緩沖區5km內，中生偏旱草分布與河流關系不顯著。在將來的研究中，可以結合降水、地下水埋深等數據對研究區的植被分布規律做進一步的討論。

［1］ Wu J，Pan J，Xing L X，Liu A T.Distilling type information of vegetation based on slight subare.Journal of Jilin University(Earth Science Edition)，2007，37(Z1):217-220.

［2］ Zheng D，Li W H，Chen Y P，Liu J Z.Relations between Groundwater and Natural Vegetation in the Arid Zone.Resources Science，2005，27(4):160-167.

［3］ Chen Y N，Li W H，Xu H L，Liu J Z，Zhang H F，Chen Y P.The Influence of Groundwater on Vegetation in theLower Reaches of Tarim River，China.Acta Geographica Sinica.2003，58(4):542-549.

［4］ Zhang X R，Liu L S，Zhang Y L，Zhang J P，Nie Y，Zhang H.Extraction of Shrub Vegetation by Object-Oriented Classification Method Based on ENVI ZOOM in High-Altitude Area:A Case of Dingri County.Geography and Geo-Information Science.2010，26(4):104-108.

［5］ Su W，Li J，Chen Y H，Zhang J S，Hu D Y，Liu C M.Object oriented urban land-cover classification of multi-scale image segmentatio n method a case study in kuala lumpur city center，Malaysia.Journal of Remote Sensing.2007，11(4):521-530.

［6］ Gao Y，Mas J F，Maathuis B H P，Zhang X M，Djik P M V.Comparison of pixel-based and object-oriented image classification approaches a case study in a coal fire area，Wuda，Inner Mongolia，China.International Journal of Remote Sensing，2006，27(18):4039-4055.

［7］ Sulong I，Mohd-Lokman H，Mohd-Tarmizi H，Ismail A.Mangrove mapping using landsat imagery and aerial photographs:Kemaman district，Terengganu，Malaysia.Environment，Development and Sustainability，2002，4:135-152.

［8］ Hurd J D，Civco D L，Gilmore M S，Prisloe S，Wilson E H.Tidal wetland classification from landsat imagery using an integrated pixel-based and object-based classification approach//ASPRS 2006 Annual conference.American Society for Photogrammetry and Remote Sensing.Reno:Nevada，2006:28-39.

［9］ Ye X，Sakai K，Asada S－I，Sasao A.Use of airborne multispectral imagery to discriminate and map weed infestations in a citrus orchard.Weed Biology and Management，2007，7:23-30.

［10］ Laliberte A S，Fredrickson E L，Rango A.Combining decision trees with hierarchical object-oriented image analysis for mapping arid rangelands.Photogrammetric Engineering＆ Remote Sensing，2007，73(2):197-207.

［11］ Huang H P，Wu B F，Li M M，Zhou W F，Wang Z W.Detecting urban vegetation efficiently with high resolution remote sensing data.Journal of Remote Sensing，2004，8(1):68-74.

［12］ Yang J P，Ding Y J，Chen R S，Liu L Y.The interdecadal fluctuation of dry and wet climate boundaries in China in recent 50 years.Acta Geographica Sinica.2002，57(6):655-660.

［13］ Li N，Zhou D M，Zhao K Y.Marshclassification mapping at a community scale using high-resolution imagery.Acta Ecologica Sinca.2011，31(22):6718-6726.

［14］ Platt R V，Rapoza L.An evaluation of an object-oriented paradigm for land use/landcover classification.The Professional Geographer，2008，60(1):87-100.

［15］ Shepherd K D，Walsh M G.Development of reflectance spectral libraries for characterization of soil properties.Published in Soil Sci，2002，66:988-998.

［16］ Purevdorj T S，Tateishi R，Ishiyama T，Honda Y.Relationship between percent vegetation cover and vegetation indices.Remote sensing，1998，19(18):3519-3535.

［17］ Wang H Y，Su W，Zhou J Q.Object-oriented information extraction method of remote sensing image based on multi-classifier mixed.Engineering of Surveying and Mapping.2009，18(5):22-26.

參考文獻:

［1］ 吳健，潘軍，邢立新，劉安濤.基于景觀分區的植被類型信息提取.吉林大學學報(地球科學版)，2007，37(Z1):217-220.

［2］ 鄭丹，李衛紅，陳亞鵬，劉加珍.干旱區地下水與天然植被關系研究綜述.資源科學，2005，27(4):160-167.

［3］ 陳亞寧，李衛紅，徐海量，劉加珍，張宏峰，陳亞鵬.塔里木河下游地下水位對植被的影響.地理學報，2003，58(4):542-549.

［4］ 張學儒，劉林山，張鐿鋰，張繼平，聶勇，張華.基于ENVI ZOOM面向對象的高海拔灌叢植被提取——以定日縣為例.地理與地理信息科學，2010，26(4):104-108.

［5］ 蘇偉，李京，陳云浩，張錦水，胡德勇，劉翠敏.基于多尺度影像分割的面向對象城市土地覆被分類研究——以馬來西亞吉隆坡市城市中心區為例.遙感學報，2007，11(4):521-530.

［11］ 黃慧萍，吳炳方，李苗苗，周為峰，王忠武.高分辨率影像城市綠地快速提取技術與應用.遙感學報，2004，8(1):68-74.

［12］ 楊建平，丁永建，陳仁升，劉連友.近50年來中國干濕氣候界線的10年際波動.地理學報，2002，57(6):655-661.

［13］ 李娜，周德民，趙魁義.高分辨率影像支持的群落尺度沼澤濕地分類制圖.生態學報，2011，31(22):6717-6726.

［17］ 王惠英，蘇偉，周軍其.基于多分類器組合面向對象遙感影像信息提取方法.測繪工程，2009，18(5):22-26.