面向對象的高光譜影像濕地植被信息提取

柴 穎，阮仁宗，傅巧妮，歲秀珍

（1.河海大學 地球科學與工程學院，江蘇 南京 210098）

面向對象的高光譜影像濕地植被信息提取

柴 穎1，阮仁宗1，傅巧妮1，歲秀珍1

（1.河海大學 地球科學與工程學院，江蘇 南京 210098）

以美國Sacramento-San Joaquin三角洲為研究區(qū)，提取高光譜遙感影像上濕地植被的光譜響應特征，用于指導面向對象的濕地植被信息提取。結果表明，基于光譜響應特征分析的面向對象分類精度為88.03%，而未利用光譜響應特征的面向對象分類精度為72.08%。在面向對象提取前對植物光譜響應特征進行特征提取，可以實現(xiàn)濕地植被在物種水平上的識別，并可以有效提高分類精度。

高光譜；光譜響應特征；面向對象；濕地植被；HyMap

近年來，面向對象方法已經應用于土地利用、道路、城市用地、森林等遙感信息提取中[1-6]，并得到較好的識別效果。但是，由于濕地植被類型的復雜性、多變性，利用面向對象方法對濕地植被的研究還比較薄弱。本文以高光譜高空間分辨率數據HyMap遙感影像為數據源，采用面向對象的信息提取方法，在野外實測采樣點的基礎上，提取影像上的光譜響應特征，用于面向對象分類方法規(guī)則集的建立。該方法在一定程度上克服了以往面向對象方法中參數設置具有盲目性的不足，可以實現(xiàn)大面積濕地植被動態(tài)監(jiān)測，為水生植物信息提取提供有力的技術支持。

1 研究區(qū)域概況及數據預處理

1.1 研究區(qū)域概況

薩克拉門托-圣華金三角洲（Sacramento-San Joaquin Delta）位于美國加利福尼亞州西北部薩克拉門托河（Sacramento River）與圣華金河（San Joaquin River）的交匯處，通過舊金山灣流入太平洋。三角洲流域面積4.5萬 km2，是加州淡水輸送系統(tǒng)的主要樞紐[7]。三角洲的水力學異質性體現(xiàn)在其鹽度、潮汐通量、水深的多變以及淡水流量極端的季節(jié)年際變化[8]。漲潮時鹽水流入三角洲上游，而淡水從Sacramento-San Joaquin流入。支流河水順流流入，其流量具有季節(jié)特征：在冬季的平均流量1 700±300 m3·s-1，而在夏季平均流量則為540±40 m3·s-1[9]。三角洲的濕地植被在空間上從水體到陸地依次劃分為沉水植被、浮水植被、挺水植被以及岸棲植被。本文選取濕地植被辣椒水草、蒲草、石蓮花、巴西水草4種具有典型分類特征的植物群落作為研究對象。

1.2 數據獲取及其預處理

研究區(qū)域的高光譜遙感數據來源于成像光譜儀HyMap的航攝影像，成像時間為2007-06-19～2007-06-21，航高1 500 m，空間分辨率3 m。HyMap是澳大利亞HyVista公司研制的航空成像光譜儀，共126個波段，光譜分辨率由12～16 nm不等，波段范圍為0.450～2.543 μm[10]。飛行路線貫穿整個三角洲，共64條航帶，研究區(qū)域為第41、41航帶上的Ward Cut附近的河道，如圖1所示。

圖1 研究區(qū)的地理位置圖

此外，本文引入了野外實測樣點，所有的樣本點均利用GPS獲得，精度約1 m，記錄樣本的種類、覆蓋度和位置等屬性。每個樣本都拍攝兩張照片，一張為樣本整體景觀，另一張為近距離單個植株。每張照片都與相應的點位、拍攝時間建立了關聯(lián)，方便后續(xù)參考和計算。

HyMap數據已由HyVista公司進行了幾何校正。本文僅對11個位于大氣水汽吸收帶的波段和1個數據錯誤波段進行了剔除；然后在假彩色合成（RGB分別對應29、15、8波段）的基礎上數字化，提取水域邊界。

2 研究方法

2.1 植被微分光譜特征

光譜微分技術包括對反射光譜進行數學模擬和計算不同階數的微分值以迅速確定光譜彎曲點及最大最小反射率的波長位置[11]。利用光譜二階微分可以放大不同類型的植被形態(tài)、體內水分的含量、葉綠素的含量等[12]。因此，將二階微分光譜分析技術應用于濕地植被的研究，以期能夠獲取濕地植被識別的最佳波段。一階、二階微分光譜的計算方法如式（1）、（2）所示[13]：

式中，λi為每個波段的波長；ρ'（λi）、ρ"（λi）分別為波長λi的一階和二階微分光譜；Δλ是波長λi-1到λi的間隔，視波段波長而定。

2.2 植被指數

植被指數是對多個光譜遙感數據進行分析運算（加、減、乘、除等或非線性組合方式），產生某些對生物量、植被長勢等有一定指示意義的數值[14]。根據已有的研究成果，選擇了8種植被指數（如表1）來探究其對濕地植被的識別潛力。

2.3 Fisher判別分析法

Fisher方法是要找到一個（或一組）投影軸使得樣本投影到該空間后能在保證方差最小的情況下，將不同類的樣本很好地分開，并將度量類別均值之間差別的量稱為類間方差（或類間散布矩陣）；而度量這些均值周圍方差的量稱為類內方差（或類內散布矩陣）。Fisher判決的目標就是尋找一個最佳的投影方向，能夠在最小化類內散布的同時最大化類間散布。

2.4 面向對象分類方法

面向對象分類方法的關鍵技術之一為多尺度分割技術（確定生成的影像對象最大允許的異質性），以任意尺度生成屬性信息類似的影像多邊形對象（同質像元）。在分割時充分考慮了植物的光譜、幾何、結構以及紋理等信息，從而獲取同質像元聚集，利用獲取的像元聚集，實現(xiàn)主動分類的功能。

3 光譜特征分析與植被信息提取

3.1 植被二階導數光譜特征分析

根據GPS采樣數據的屬性信息，選取單種植被覆蓋度為80%～100%的實測點為訓練和驗證的樣本點，通過訓練樣本在影像上提取光譜響應曲線。

從圖2a中可以看出，4種濕地植被具有典型綠色植被具有的光譜特征（由于1.343 6 μm以后的波段受水體的影響較大，因此僅對0.452～1.343 6 μm波段進行分析），光譜響應曲線形狀具有明顯的差別，這些差別反映了4種植被光譜特性的差異。4種植被光譜響應曲線的二階微分如圖2b，選擇差異比較明顯的波段0.526～0.542 μm、0.663 9～0.755 1 μm、 0.945 5～0.977 1 μm、1.100 5～1.144 9 μm、1.316 2～1.330 2 μm，共獲得17個光譜值用于植被特征提取研究。對4種濕地植被的二階微分光譜17個波段以及8個植被指數進行Fisher判別分析。最終，二階導數的入選波段為0.526～0.542 μm、0.709 8～0.740 μm、0.945 5～0.992 9 μm，植被指數入選特征為CHIred-green、NDWI 、MTVI1、PSDN。

3.2 面向對象信息提取

3.2.1 分割層次建立

對分割尺度的設定依據從下往上分割次序原則，根據野外實地調查，最終確定基礎分割尺度為50最優(yōu)。辣椒水草分布比較集中，面積較大，一般生長的區(qū)域鄰接水域呈條狀分布，分布集中，確定其分割尺度為200；蒲草主要分布在靠近水域的地方，石蓮花漂浮在水邊，二者分布形狀不規(guī)則，破碎度較大，分割尺度設置為80；沉水植被巴西水草分布集中，破碎度小，分割尺度為150。4種植被的自定義形狀指數為0.1，緊致度分別為0.6、0.3、0.4、0.5。

對圖像光譜響應特征進行二階微分變換，得到波段0.526～0.542 μm、 0.709 8～0.740 μm、0.945 5～0.992 9 μm對4種植被的區(qū)分貢獻較大，將這些波段的分割權重設置為1，其他波段為0，即不參與分割。分割后遙感影像數據被劃分為一個個的對象，每一個對象均由同質像元組成，在此基礎上針對各類植被進行進一步分類。

3.2.2 分類特征的選取與分類體系的建立

完成影像分割后，將特征提取中得到的區(qū)分性好的植被指數CHIred-green、 NDWI、MTVI1、 PSDN，用于指導Ecognition8.7中面向對象分類函數的設置。在設置過程中，其參數的確定需要在一定的范圍不斷調試，直到效果最好，再生成分類對象，如表2所示。

表2 分類規(guī)則

4 分類結果與精度評價

利用上述分類方法，得到的分類結果如圖3所示。

通過分類結果可知，蒲草和辣椒水草主要位于淺灘上；石蓮花主要分布在水域中流速較緩的區(qū)域；巴西水草則分布在離岸有一定距離、河水有一定深度的區(qū)域。為了進行準確客觀的精度驗證，在該河道42個野外實測樣點的基礎上，通過目視解譯隨機撒點的方法得到了100個樣本點，即樣本總數達到142個。利用驗證點數據對分類結果進行精度評價，生成混淆矩陣，如表3所示。

同時用傳統(tǒng)的面向對象分類方法（光譜未參與）提取巴西水草、石蓮花、蒲草和辣椒水草，并用142 個樣本點進行驗證，得到的總體分類精度為72.08%。

表3 分類結果精度評價

5 結 語

濕地植被斑塊小且分布不規(guī)則，根據異質性最小原則分割出來的對象有其特有的形狀特征和邊界輪廓，可以更加準確地反映濕地植被的真實邊界和輪廓信息，從根本上減少錯分、漏分概率，避免椒鹽噪聲，提高分類精度;基于Fisher判別分析方法對不同植被的光譜響應特征進行特征提取,克服了常規(guī)面向對象方法中參數設置具有盲目性的不足;高光譜遙感數據光譜響應特征分析與面向對象分類方法的結合，可以使?jié)竦刂脖坏淖R別達到物種水平上，并能有效地提高物種的分類精度。

[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

[2] 張曉云，呂憲國.濕地生態(tài)系統(tǒng)服務價值評價研究綜述[J].林業(yè)資源管理,2006(10):81-87

[3] Myint S W, Gober P, Brazel A,et al. Per-Pixel vs. Objectbased Classification of Urban Land Cover Extraction Using High Spatial Resolution Imagery[J].Remote Sensing of Environment,2011(115):1 145-1 161

[4] 韓閃閃，李海濤，顧海燕.面向對象的土地利用變化檢測方法研究[J].遙感應用,2009(3): 23-29

[5] Desclee B, Bogaert P, Defourny P. Forest Change Detection by Statistical Object-based Method[J]. Remote Sensing of Environment,2006(10): l-11 [6] 孫曉霞,張繼賢,劉正軍.利用面向對象的分類方法從IKONOS全色影像中提取河流和道路[J].測繪科學,2006,31(1):62-64

[7] Hestir E L,Khanna S, Andrew M E,et al. Identification ofInvasive Vegetation Using Hyperspectral Remote Sensing in the California Delta Ecosystem[J].Remote Sensing of Environment,2008(112): 4 034-4 047

[8] Lawerence R L,Wood S D, Sheley R L.Mapping Invasive Plants Using Hyperspectral Imagery and Breiman Cutler Classifications (RandomForest)[J].Remote Sensing of Environment,2006(100):356-362

[9] Jassby A D, Cloern J E.Organic Matter Sources and Rehabilitation of the Sacramento-San Joaquin Delta (California, USA)[J]. Aquatic Conservation: Marine and Freshwater Ecosystems, 2000(10): 323-352

[10] Underwood E C, Mulitsch M J, Greenberg J A, et al. MappingInvasive Aquatic Vegetation in the Sacramento-San Joaquin Delta Using Hyperspectral Imagery [J].Environmental Monitoring and Assessment,2006(121): 47-64

[11] 浦瑞良，宮鵬.高光譜遙感及其應用[M].北京:高等教育出版社, 2000

[12] Demetriades-Shah T H,Steven M D,Clark J A. High Resolution Derivative Spectra in Remote Sensing[J].Remote Sensing of Environment,1990(33):55-64

[13] 吳長山，向月琴，鄭蘭芬,等.利用高光譜數據對作物群體葉綠素密度估算的研究[J].遙感學報,2000,4(3):228-232

[14] 趙英時.遙感應用分析原理與方法[M].北京:科學出版社,2004

P237.9

B

1672-4623（2015）04-0083-03

10.3969/j.issn.1672-4623.2015.04.030

柴穎，碩士，主要從事生態(tài)遙感與GIS研究。

2014-07-24。

項目來源：中國科學院戰(zhàn)略性先導科技專項資助項目（XDA05050106）。