基于面向對象分類技術的雅礱江流域地表信息提取與分析

謝　帥, 陳建平, 于　歡, 王　哲, 向　杰

(1.中國地質大學(北京) 地球科學與資源學院，北京100083； 2.北京市國土資源信息研究開發重點實驗室，北京100083； 3.成都理工大學地球科學學院，四川成都610059)

?

基于面向對象分類技術的雅礱江流域地表信息提取與分析

謝帥1,2, 陳建平1,2, 于歡3, 王哲3, 向杰1,2

(1.中國地質大學(北京) 地球科學與資源學院，北京100083； 2.北京市國土資源信息研究開發重點實驗室，北京100083； 3.成都理工大學地球科學學院，四川成都610059)

雅礱江是川西最重要的河流之一，雅礱江流域內的土地利用情況與流域內的生態環境及河流水質密切相關。以Landsat 8 OLI遙感影像為數據源，采用面向對象的分類方法，建立分類規則，獲取研究區的土地利用情況，利用Fragstats 4.2 軟件進行區域景觀空間分布特征分析。結果表明：采用面向對象的分類方法的分類總體精度達到 87.11%，Kappa 系數達到 0.855。雅礱江流域內的區域整體景觀連接性較好。草地和林地是研究區的主導類型，整體看分布較為集中。

面向對象分類；土地利用；景觀格局指數； Fragstats軟件；eCognition軟件；雅礱江流域；四川西部

0　引　言

雅礱江位于四川省西南部，是原生植物棲息地和具有豐富原生群落的金沙江流域的最大支流，水流湍急，水力資源豐富。近年來，隨著人們對雅礱江不合理的開發和干預，導致棲息地退化、生態蕭條、水土流失和河谷地質災害地貌發育，流域的生態環境面臨著巨大的壓力。土地利用狀況對流域面源污染有著重要的影響，同時也是流域面源污染模擬的重要參數。在實際應用過程中，由于流域面毗鄰河流，所以其土地利用的方式對河流的水質有著重要且直接的影響。

在流域或區域的景觀尺度范圍內，遙感技術可以快速、客觀、多時段地提供了大量信息，在地面上，通過使用相應的數據管理，RS和GIS的空間分析技術相得益彰(喻鋒等，2006)。因此，遙感技術成為土地利用數據的主要獲取方式。在應用中，常見的土地利用信息提取方法主要包括：目視解譯、基于決策樹的分類、基于統計學方法的分類以及混合分類等(高建勇,2013)。因為面向對象分類可以充分利用遙感影像的多種特征,所以對于空間尺度、空間分析等問題的處理更適合，目前被廣泛應用到中、高分辨率遙感影像的分類工作中。

基于Landsat 8多光譜遙感數據，應用面向對象遙感分類方法，獲取流域范圍內的土地利用信息，并進行區域景觀空間分布特征分析(王少偉等，2014)。對利用面向對象方法提取流域地表景觀信息的有效性進行檢驗，并為區域土地資源的可持續開發利用提供依據。

1　研究區概況及數據源

1.1研究區概況

以四川省甘孜藏族自治州境內的雅礱江流域作為研究區(圖1)。區內雅礱江長度占雅礱江流域全長的3/5，且位于雅礱江的上游段，對整個雅礱江流域的生態環境及河流水質具有重要的影響。研究區面積為70 366 km2，涉及甘孜州的10個縣(市)行政區，大部分區域處于山地，地勢陡峭，海拔范圍為2 207～6 102 m，較大的高差造成了區域氣溫、降水、植被分布等隨地勢高低垂直變化異常明顯。

圖1　研究區位置圖Fig.1　Map showing location of the study area

圖2　雅礱江流域影像預處理后假彩色合成遙感影像(OLI 543組合)Fig.2　Pseudo-color composite of preprocessed images in the Yalong River Basin

1.2數據源及預處理

采用覆蓋研究區的NASA Landsat 8多光譜遙感影像為主要數據源(圖2)。Landsat 8上載有2個主要傳感器，分別是獲取空間分辨率30 m和15 m多光譜影像的陸地成像儀(Operational Land Imager, OLI)傳感器和獲取空間分辨率100 m熱紅外影像的熱紅外傳感器(Thermal Infrared Sensor, TIRS)(徐涵秋等，2013)。Landsat 8的30 m分辨率多光譜影像數據可以用于獲取土地利用和土地覆蓋情況，研究選用2013—2014年無云覆蓋的30 m分辨率多光譜遙感影像數據，將數據進行輻射校正和幾何校正等預處理，并根據研究的需要對原始影像按照研究區范圍進行影像裁剪。

為了更好地建立分類規則，本次研究還采用了數字高程模型(Digital Elevation Model, DEM)等地理輔助數據(圖3)。DEM是表示地面高程的一種實體地面模型，可以很好地描述包括高程在內的各種地貌因子及這些因子在空間上的分布情況，同時利用所獲得的DEM數據提取坡度和坡向數據(圖4、圖5)。

圖3　雅礱江流域DEM數據Fig.3　DEM data of the study area

圖4　雅礱江流域坡度數據Fig.4　Slope degree of the study area

圖5　雅礱江流域坡向圖Fig.5　Slope aspect of the study area

2　研究方法

2.1建立分類系統

獲取土地利用數據首要的是根據區域實際地表覆蓋狀況建立科學的土地利用分類系統(王少偉等，2014)。參照國土資源部《全國土地分類(過渡期間適用)》(國土資發[2002]247號)，同時考慮雅礱江流域地表覆蓋實際狀況和進一步研究的需要，建立流域土地利用分類系統，將土地利用類型分為11種：農業用地、林地、草地、裸地、居民地、交通用地、工業用地、河流、湖泊、濕地和冰川積雪。

2.2多尺度分割

多尺度影像分割技術是獲取遙感數據不同尺度信息的最有效方法，該方法克服了數據源的固定尺度，采用多尺度結構來揭示層次關系(錢巧靜等，2005)。對研究區Landsat 8多光譜影像進行多尺度分割，由于不同尺度的影像分割適合不同地物信息的提取，故經過多次分割試驗結果比較，最終選定分割尺度為25，該分割尺度能夠很好地模擬不同地物的輪廓和大小，為后續分類提供了較好的數據基礎(圖6、圖7、圖8)。

圖6　原始影像Fig.6　Original image

圖7　分割尺度25Fig.7　Split scale 25

圖8　分割尺度15Fig.8　Split scale 15

2.3遙感影像分類

2.3.1分類方法根據上述建立的流域土地利用分類系統，對于各個土地利用類型進行嚴格描述，與傳統方法中僅按照對不同類型描述來分析光譜信息的分類方法所不同，利用一定量的、不同的規則對圖像進行分類和信息提取。其中，為了提高分類的精度，對于影像中由于光照、天氣等因素影響所產生的陰影、云霧等進行專家知識驗證與解譯，最大程度地保證分類結果的正確性。

采用的分類方法主要為決策樹法和最近鄰分類法。決策樹是一種直觀的知識表示方法，同時也是高效的分類器(潘琛等，2008)，它以信息論為基礎，將復雜的決策形成過程抽象成易于理解和表達的規則或判斷。最近鄰分類法類似于傳統分類方法中的監督分類，通過選擇樣本的方法來進行影像的分類(高玉蓉，2006)，其原理是通過選擇的樣本統計該樣本類的特征，以這個特征為中心，以未分類對象中包含且用于分類的特征與樣本類特征之“差”為距離，該對象距離哪個樣本類最近，就被分到哪個類別中(石媛媛等，2010)。所有類的分配都由關系度或可能度所決定，圖像對象距離樣本對象越近，其關系度越大。該方法的優點是分類操作比較簡單、直觀，能夠快速處理類層次關系(蔣永濤等，2009)。

2.3.2分類規則的建立在分類過程中，還利用了NDVI、NDWI、NDBI等多種指標，這些指標和對應的解釋如表1所示。并基于這些指標建立分類規則(圖9)。

表1　分類指標描述與解釋

圖9　雅礱江流域土地分類規則Fig.9　Classification rules of the study area

首先計算覆蓋研究區遙感影像的NDVI值，當地面覆蓋為云、水、雪等對可見光高反射的物體時，NDVI<0；NDVI=0表示沒有植被覆蓋，此時，NIR≈R；當有植被覆蓋時，NDVI>0，植被越茂密，NDVI的值越大。所以，建立規則，將NDVI>0的區域分類為植被區域，NDVI≤0的區域分類為非植被區域。

在植被區域中，草地的植被覆蓋度較低，根據研究區的實際情況，草地的NDVI取值范圍在0.1～0.2之間。草地具有一定的平均亮度，但亮度值不高，選定亮度值>8 000作為條件之一。另外觀察到草地的特征在Landsat 8 的Band 6中與其他土地利用類型有較好的區分特征，經過反復對比驗證，采用Band 6≥15 900作為分類條件之一。通過上述3個分類條件的組合，較好地提取了研究區的草地覆蓋區域。

在植被區域中，濕地的分布基本都在較平緩的地區，所以首先利用坡度對濕地進行提取，采用坡度(Slope)≤3°的條件。另外，濕地也存在水體特征，所以采用MNDWI，由于是植被區域，所以排除了河流和湖泊的干擾，采用MNDWI>-0.01的分類條件。通過2個分類條件的組合，提取出研究區的濕地覆蓋區域。

在植被區域中，林地的植被特征最明顯，植被覆蓋度最高，首先根據影像選擇NDVI>0.29作為分類條件，由于研究區部分地區海拔較高，根據實際情況，林地在一定海拔區域及以上將不再生長，所以采用DEM<4 800的分類條件。同樣，林地的特征在Landsat 8 的Band 6中與其他土地利用類型有較好的區分，經過對比觀察，采用Band 6≤10 000作為條件之一。通過3個分類條件的組合，研究區林地的覆蓋區域得到了較好的提取。

在植被區域中，經過驗證，農業用地無法通過特征指標進行分離，根據該地區的土地利用現狀圖選定了適量樣本，然后采用最近鄰分類法進行分類，最終提取了研究區的農業用地區域。

在非植被區域中，NDWI對于水體有較好的反映與表現，利用NDWI提取水體，為了更好地區分河流和湖泊，采用了形狀指數。在形狀指數中，河流由于斑塊表現得更細長，所以形狀指數相較于湖泊更大，將形狀指數=4作為湖泊與河流的界限，對河流與湖泊的區域進行區分并得到其各自的分布情況。

在非植被區域中，裸地在NDVI值上的特征與其他地物類型有明顯的區分，采用NDVI提取裸地覆蓋區域，經過對研究區的整體把握，將分類條件設定為-0.03≤NDVI≤-0.01，從而提取研究區的裸地區域。

在非植被區域中，同一波段不同地物吸收和反射太陽光的程度各異，同一地物在不同波段吸收和反射太陽光的能力也不同。依據這一原理，發現建設用地在Landsat 8第4波段上具有較特殊的光譜信息，與其他地物光譜有明顯不同的特征，因此選取Band 4與亮度值結合用來區分人造地物類型。采用Band 4<13 000、亮度值<10 500的分類條件提取建設用地。在建設用地中，進一步通過NDBI指數進行居民地提取，采用形狀指數提取道路，采用最近鄰法進行工業用地的提取。

在非植被區域中，冰川和積雪具有較高的亮度值，結合區域實際情況首先采用了亮度值>15 000的分類條件。另外，發現冰川和積雪在Landsat 8第3波段上有與其他地物類型較好的區分特征，所以選擇Band 3作為條件之一，采用Band 3≥30 000作為分類條件。通過2個分類條件的組合，可以比較好地提取出冰川和積雪區域。

2.4景觀格局指數

景觀格局指數易于理解、生態學意義較明確，能夠高度濃縮景觀格局信息，由于其描述方法帶有一定的統計性質和便于分析比較不同尺度格局的優點，對于理解和解釋景觀功能具有重要作用，已經成為描述景觀格局及變化，建立格局與景觀過程之間的聯系最常用的量化研究方法。景觀指數方法在景觀格局分析時應用十分廣泛，目前發展出的景觀指數有幾百種之多，可以分為斑塊水平指數、斑塊類型水平指數和景觀水平指數(于歡等，2012)。

考慮到研究內容，分別選擇斑塊類型水平指數和景觀水平指數作為反映生態效應的主要指標。選擇斑塊類型水平指數中的斑塊面積(TA)、景觀百分比(PLAND)，最大斑塊指數(LPI)等，選擇景觀水平指數中的散布和毗鄰指數(IJI)、聚集度指數(AI)、蔓延度(CONTAG)以及分別處于2種水平指數中的斑塊數(NP)、斑塊密度(PD)、景觀形狀指數(LSI)等進行觀測分析。

3　結果與分析

3.1土地利用提取結果

根據上述研究方法，最終獲得了研究區土地利用圖(圖10)。

圖10　雅礱江流域2013年土地覆被結果1-裸地；2-農業用地；3-林地；4-冰川積雪；5-草地；6-居民地；7-工業用地；8-湖泊；9-濕地；10-河流；11-交通用地Fig.10　Land cover of the Yalong River Basin in 2013

對研究區的土地利用覆被情況進行面積統計，獲得了不同土地利用類型的面積和百分比數據(表2)。由表2可以看出，研究區的主要土地利用類型為草地和林地，兩者合計占比達流域總面積的89%。

表2　研究區土地覆被面積統計

如圖10所示，雅礱江流域的土地覆被分類結果比較平滑且緊致,沒有傳統像元分類中因較多孤立分散點而形成的“椒鹽現象”。從中可以看出各類別的形狀與實際地物能夠保持較高的一致性，各類別總體延伸趨勢比較清晰。

3.2土地分類精度評價

遙感圖像的分類精度評價一般是用分類結果圖與實際數據進行比較，用正確分類的百分比表示精度。目前常用混淆矩陣法來評價分類精度。

研究所采用的評價方法使用eCognition軟件本身所提供的誤差矩陣統計方法。

選用30 m分辨率的Landsat 8多光譜分辨率遙感影像進行分類，為能夠更客觀地評價分類結果，在研究區實地驗證了273個野外驗證點，另選用了177個Google Earth上經過專家知識驗證的數據作為精度評價的樣本點(圖11)。

圖11　研究區驗證點示意圖1-雅礱江；2-縣城駐地；3-地表景觀采樣點；4-專家知識樣本點Fig.11　Sketch showing verification points in the study area

樣本選擇時采用簡單隨機抽樣法在分類結果上選擇測試樣本，然后根據專家知識判讀驗證測試樣本?；煜仃囂峁┝嗣枋龇诸惥群妥R別誤差的基礎，有助于改善分類或由此得到的評價結果(表3)。

表3　土地分類結果精度評價

從評價結果可以看出，河流、濕地、裸地、道路的生產者精度較高，均在88%及以上；河流、湖泊、裸地、冰川積雪的用戶精度都在92%以上。草地的用戶精度最低為75%，說明錯分、漏分比較嚴重。分類結果的總體精度為 87.11%，Kappa 系數為 0.855，此精度比較高，完全能夠滿足遙感應用需求。

精度高的主要原因是利用了面向對象技術，在分類中可以充分利用地物光譜、空間、紋理、鄰接、形狀等特征，最大程度地克服“同物異譜”和“異物同譜”帶來的負面效應(羅開盛等，2013)。

在精度驗證過程中，發現景觀過于破碎地區的錯誤率較高，而且精度隨著樣點密度的增大而下降，這表明面向對象技術應用到景觀過于破碎的地區有一定的局限性。原因在于遙感獲得的像元本身是某一區域的混合信息，即使高分辨率分影像也不能克服這一缺陷，高分辨率影像只是將中低分辨率的線性混合轉化成非線性混合；而面向對象技術中對象的光譜特征值是組成該對象所有像元的平均值，平均值起到平滑差異的作用，必然會放大信息的混合效應，形成混合對象，那些十分破碎的地物就淹沒在這些混合對象當中而無法提取。但面向對象分類中決策規則的多樣性與準確性將有助于減少這方面的誤差，起到提高精度的作用。

3.3景觀格局分析

3.3.1斑塊類型水平指數分析在Fragstats 4.2 軟件下基于遙感影像分類結果進行斑塊類型水平指數的計算，統計結果如表4所示。

表4 　研究區斑塊類型水平指數

由表4可以看出，草地和林地的CA指數較大。PLAND指數分別為61.22和27.83，說明草地景觀和林地景觀對整個區域的影響程度很大，占主導地位；河流在景觀中的地位較低，但考慮到水體是生態環境中的核心要素，因此也將其作為重要的景觀類型進行分析。NP指數中,農業用地的值較高，但是CA指數并不突出，說明農業用地分布比較分散，同時也表明了農業用地景觀破碎化程度較高。PD指數中，草地的PD指數最大，說明草地景觀的整體性較好；林地的CA指數最大，但是PD指數相較于草地較小，說明林地景觀的破碎程度和草地相比較大，引起這種現象的原因主要為地形和高程因素，但是也不能忽視人為的干擾，需要重點觀察人為對林地景觀的干擾；河流的NP指數較小，表明河流景觀比較完整，未遭到大面積的斷流、人為截斷等。LPI指數表現出與NP、PD指數相同的規律，側面驗證了前述結論。LSI指數中裸地景觀最高，表明區域內裸地景觀最為破碎，由于其指標值的量度不受斑塊面積的影響，因此肯定了主要是斑塊邊長的減少造成的斑塊形狀復雜程度的降低，從這一角度來講，裸地景觀更為分散和破碎，其中可能包括人為的破壞其他景觀類型所造成的裸地斑塊的增多，破碎性加大的因素，但只是從景觀生態學意義上的初步判斷，其具體分布規律和影響因素還需結合其他實地觀測數據綜合進行。

3.3.2景觀水平指數分析在Fragstats 4.2 軟件下分別基于各時期遙感影像分類結果進行景觀水平指數的計算，統計結果如表5所示。

表5　研究區景觀水平指數

由表5可以看出：研究區的面積為70 366 km2，PD指數為2.77，表明區域景觀的斑塊密度較小，多種景觀交叉破碎；LPI等于某一拼塊類型中的最大拼塊占據整個景觀面積的比例，表明在區域內草地景觀占有相當大的比重；綜合CONTAG、COHESION、DIVISION指數，考慮到區域內草地和林地景觀占主導地位，表明草地和林地景觀具有良好的連接性，區域整體景觀格局比較完整；IJI指數為44.27，由于區域處于多山地帶，區域內的地表景觀受到水因素的影響分布特征顯著；綜合PLADJ、MESH、SPLIT指數結果,表明區域的最大斑塊較大且對區域的影響范圍較大；AI隨著焦點類型聚集而增大，表明在區域內的草地和林地占據有優勢地位，它們對區域的景觀格局影響力大；SHDI指數表明區域內的景觀多樣性較好，從側面表現出流域內景觀比較完整，多樣性良好，目前遭受到的人為破壞小。

通過景觀水平指數的分析，發現雅礱江流域的區域景觀整體連接性好，草地和林地對于區域景觀格局整體完整性與穩定性的影響處于優勢水平，河流景觀對于其他景觀的空間分布和位置特征具有顯著影響。為了更好地實現雅礱江流域的長效發展和經濟效益最大化，在流域內的環境保護與資源開發中，應著重于草地和林地的完整性不被破壞，重點關注河流、湖泊的徑流和污染情況。

4　結　論

雅礱江流域內自然資源種類繁多，水電資源豐富，是川西最重要的流域之一。土地利用作為環境變化的重要因子，對流域的建設具有重要意義。土地利用類型是土地利用變化研究的重要數據，通過面向對象遙感影像分類的方法來獲取研究區的土地利用類型，得出的主要結論如下。

(1) 在面向對象多尺度分割的基礎上，采用決策樹方法建立分類規則。根據研究區地物的不同特征，結合地物在不同波段上的反射率不同，按層次提取地物信息，從大的分類中不斷進行剝離分析，最終按照規則提取出所有需要的地物類別。這種面向對象的分類方法對影像的波段特征信息進行了充分利用，分類過程直觀，便于理解。

(2) 采用的分類方法分類精度較高，總體精度達到87.11%，通過統計分類結果的土地利用類型面積可知，該地區主要土地利用類型為草地、林地。各種土地利用類型的分類精度均能達到研究要求。

(3) 通過分類結果及其統計可知：研究區內占土地利用類型主導地位的是草地和林地，整體看分布較為集中，其中部分林地、草地被建設用地、河流等水體分割為較為破碎的圖斑；濕地面積也較大，主要分布在地勢平緩的區域，居民地和農業用地的界線較為模糊；水體主要為雅礱江及其支流，居民地多數在河流沿岸，河流為居民地的發展提供資源；林地多分布在海拔4 800 m以下，分布較廣泛；冰川積雪、裸地多分布在海拔較高的山區。

高玉蓉，2006. 基于決策樹的土地利用現狀信息提取研究[D]. 杭州：浙江大學.

高建勇，2013. 基于TM影像的平朔礦區土地利用/土地覆蓋變化研究[D]. 西安：長安大學.

蔣永濤,任國業,鄧良基,等，2009. 面向對象土地利用信息提取技術研究[J]. 西南農業學報, 22(3):733-738.

羅開盛,李仁東,常變蓉,等，2013. 面向對象的湖北省土地覆被變化遙感快速監測[J]. 農業工程學報,29(24):260-267.

潘琛,杜培軍,張海榮，2008. 決策樹分類法及其在遙感圖像處理中的應用[J]. 測繪科學, 33(1): 208-211.

錢巧靜,謝瑞,張磊,等，2005. 面向對象的土地覆蓋信息提取方法研究[J]. 遙感技術與應用,25(3):338-342.

石媛媛,鄧勁松,陳利蘇,等，2010. 利用計算機視覺和光譜分割技術進行水稻葉片鉀脅迫特征提取與診斷研究[J]. 光譜學與光譜分析，30(1):214-219.

王少偉,張曉祥,楊曉英，2014. 太湖湖濱敏感區的土地利用遙感分類研究[J]. 遙感技術與應用, 29(1):114-121.

徐涵秋,唐菲，2013. 新一代Landsat系列衛星:Landsat 8遙感影像新增特征及其生態環境意義[J]. 生態學報, 33(11)：3249-3257.

喻鋒,李曉兵,王宏,等，2006. 皇甫川流域土地利用變化與生態安全評價[J]. 地理學報, 61(6):645-653.

于歡,楊德生,何政偉，2012. 重慶市渝北區地表景觀時空演化及生態效應分析[J]. 測繪與空間地理信息, 35(6):4-7.

Landscape information extraction and analysis of the Yalong River Basin using object-oriented classification method

XIE Shuai1,2， CHEN Jianping1,2， YU Huan3， WANG Zhe3， XIANG Jie1,2

(1. School of Earth Sciences and Resources, China University of Geosciences (Beijing), Beijing 100083, China; 2. Key Laboratory of Land and Resources Information Research & Development in Beijing, Beijing 100083, China; 3. College of Earth Sciences, Chengdu University of Technology, Chengdu 610059, Sichuan, China)

The Yalong River is one of the most important rivers in western Sichuan Province. The land use of the Yalong River Basin is closely related to its ecological environment and water quality. In this study, using Landsat 8 remote sensing images as data source, we established the classification rule using an object-oriented classification method to obtain the land use of the study area, and further analyzed the spatial distribution characteristics of regional landscape with the Fragstats 4.2 software. The result shows that the overall classification accuracy was 87.11% by using an object-oriented classification method, and the Kappa coefficient was 0.855. The regional overall landscape in the Yalong River Basin has a good connectivity. Grass and forest lands were the dominant landscape types in the study area, with an overall concentrated distribution.

object-oriented classification; land use; landscape level index; Fragstats software； eCognition software; Yalong River Basin; western Sichuan Province

10.3969/j.issn.1674-3636.2016.03.526

2016-06-09；

2016-06-20；編輯：陸李萍

中國地質調查局項目“礦山環境變化自動監測示范研究”(1212011120029)

謝帥(1992—)，男，碩士研究生，研究方向為地球探測與信息技術，E-mail：stevejuskey@foxmail.com

P237

A

1674-3636(2016)03-0526-09