基于多源光學遙感數據的湖泊濕地分類結果一致性分析

朱 江 濤，艾 金 泉,3*，陳 曉 勇，湯 宇 豪

(1.東華理工大學江西省數字國土重點實驗室，江西 南昌 330013;2.東華理工大學測繪工程學院，江西 南昌 330013;3.東華理工大學江西省大氣污染成因與控制重點實驗室，江西 南昌 330013)

0 引言

湖泊濕地是指湖泊岸邊或淺湖發生沼澤化形成的濕地，不僅可為人類生活和生產提供水、土地、泥炭等豐富資源，還具有調節氣候、凈化水質、維持生物多樣性等生態服務功能，對維持區域生態平衡和保護生態安全具有重要作用[1-3]。遙感技術已成為濕地監測的主流手段[4]，且受傳感器性能和壽命影響，長時序多源光學遙感數據是監測湖泊濕地長期演變過程不可缺少的數據。但不同遙感數據的時空分辨率、波段設置和光譜響應函數不一致，導致多源光學遙感數據的集成使用存在一定的偏差，在應用前需對其進行數據一致性分析。例如：戴昭鑫等[5-7]利用類型構成相似性、類別混淆程度、空間一致性等指標，對不同土地覆被產品在南美洲、歐洲及中國新疆地區的一致性進行了分析；李光麗等[8]采用Kappa統計量、雙錯誤測量、Q統計量、相同錯誤率對中空間分辨率光學影像土地覆蓋分類結果的一致性進行了評價；顧曉鶴等[9]采用支持向量機(SVM)方法提取冬小麥面積，并對MODIS冬小麥測量結果與TM測量結果進行一致性分析。以上研究表明，不同光學傳感器數據生產的地表覆蓋產品具有時空不一致性，集成使用多源、多時序遙感數據時需對其不一致性進行定量分析，明確其影響因素和適用范圍。

受人類活動和氣候變化雙重影響，鄱陽湖濕地面臨濕地受損、生物多樣性降低、洲灘植被退化等問題[10]，如何有效地對鄱陽湖濕地變化進行系統監測成為當前的首要問題。然而，前人并未對多源光學遙感數據在湖泊濕地分類中的適用性進行比較研究，導致多源遙感數據在鄱陽湖濕地監測中的集成使用具有很大的不確定性。為此，本文以鄱陽湖濕地為研究對象，基于決策樹方法對Sentinel-2A、Landsat-8、GF-1和HJ-1A 4種衛星光學影像進行分類，并采用類型面積偏差分析、類型面積相關分析和空間疊加分析方法研究分類結果的一致性，以期為多源光學遙感數據在濕地長期監測中的應用提供理論依據。

1 研究區與數據

1.1 研究區概況

鄱陽湖(115°47′～116°45′E、28°22′～29°45′N)位于長江中下游南岸，江西省北部，承接上游贛、撫、信、饒、修五河之水，由湖口北注入長江。受亞熱帶季風氣候影響，鄱陽湖降水隨季節變化顯著，4-9月是雨季，10月至次年3月為旱季，屬于吞吐型湖泊[11]。受五河流域水系和長江水位的共同影響，鄱陽湖水位年內差異極大，周期性水位變化導致鄱陽湖泥沙灘涂形成特定生態環境梯度[12]。

1.2 數據及預處理

研究數據為Sentinel-2A、Landsat-8、GF-1和HJ-1A影像數據(表1)，為盡量減少不同季節植被豐度和水文動態引起的土地覆蓋變化，數據時間選擇2019年12月，不同數據僅相差兩日，有助于濕地產品的一致性分析。經查閱氣象資料，研究期內當地并無降雨，因此，湖泊區域的水文及自然環境變化較小，減小了數據源對分類結果一致性的影響。所有數據通過ENVI軟件進行地形校正和FLAASH大氣校正，裁剪后重采樣為30 m。對于影像中少量厚云影響區域，由于無法利用光譜信息進行分類，采用目視解譯方式對濕地進行分類。由于不同傳感器的光譜響應和空間分辨率不同，可能會引起分類結果出現一定程度的不一致；Sentinel-2A的分辨率從10 m重采樣至30 m，也會影響分類結果的一致性。

表1 原始影像數據信息Table 1 Original image data information

2 研究方法

2.1 決策樹分類方法

決策樹分類法層次結構清晰、運算簡單、處理速度快，可根據不同傳感器特點，基于先驗知識選取最優閾值，從而提高濕地分類精度[13-15]。為盡量減少分類方法對分類結果一致性分析的影響，本文僅采用該方法將研究區濕地分為水體、植被和泥沙灘涂，以避免傳統的監督分類和機器學習等方法需要選取訓練樣本而導致分類結果出現偏差，具體流程如圖1所示。通過目視解譯確定影像中30個水體點和30個植被點，以水體點的NDWI(式(1))[16]和植被點NDVI(式(2))[17]的均值為基準進行反復試驗，以最優分類結果(總體精度和Kappa系數最高)為標準確定最優閾值，Sentinel-2A、Landsat-8、GF-1、HJ-1A的NDWI和NDVI閾值分別為0.50和0.60、0.20和0.40、-0.15和0.40、-0.65和0.35。

圖1 決策樹分類流程Fig.1 Flow chart of decision tree classification

NDWI=(ρGreen-ρNIR)/(ρGreen+ρNIR)

(1)

NDVI=(ρRed-ρNIR)/(ρRed+ρNIR)

(2)

式中：ρGreen為Landsat-8與Sentinel-2A的第3波段、GF-1和HJ-1A的第2波段；ρNIR為Landsat-8的第5波段、Sentinel-2A的第8波段、GF-1和HJ-1A的第4波段；ρRed為Sentinel-2A和Landsat-8的第4波段、GF-1和HJ-1A的第3波段。

2.2 分類結果精度評定

在研究區內隨機采集200個檢驗樣本點(圖2)，根據Google Earth衛星影像進行目視判讀，確定檢驗樣本點的真實參考類別；利用檢驗樣本點對分類結果進行誤差矩陣分析，得出生產者精度、用戶精度、總體精度和Kappa系數[18，19]。

圖2 精度驗證點分布Fig.2 Distribution of accuracy verification points

2.3 類型面積偏差分析

類型面積偏差系數(P)可有效評價影像分類結果中各類型的分類精度，客觀反映各類型面積與均值的偏差[20]，偏差系數絕對值越大，說明分類結果中該類型的面積偏差越大。通過統計不同遙感影像分類結果中水體、植被和泥沙灘涂的面積，以4幅影像分類結果中同類型的面積均值作為標準，計算類型面積的偏差系數，公式[21]如下：

(3)

2.4 類型面積相關分析

類型面積相關系數(D)可定量描述2個隨機變量的線性相關程度[20]，綜合評價任意兩幅影像分類結果的一致性，相關系數越大，表示兩幅影像分類結果在不同類型上面積一致性越高。統計不同遙感影像分類結果的類型面積，通過計算兩幅影像分類結果中各類型面積的相關系數，評價該組合面積的一致性程度，公式[22]如下：

(4)

2.5 空間一致性分析

類型面積偏差系數和類型面積相關系數雖然能夠定量分析不同分類結果間的一致性程度，但其直觀性不強。因此，基于分類結果單獨提取各地類并將其轉為矢量，之后進行空間疊加分析，獲得不同分類結果的空間對應關系，判斷不同分類結果的類型是否相同，按照重疊次數分為完全一致(4幅影像結果類型全部相同)、高度一致(3幅影像類型相同)、低度一致(兩幅影像類型相同)、完全不一致(4幅影像類型各不相同)[6]，并進行專題制圖。

3 結果及討論

3.1 分類結果精度評價

由不同遙感影像的分類精度統計結果(表2)可知，總體精度均高于89%，Kappa系數大于0.84。其中，Sentinel-2A分類結果的總體精度最高，達95.50%，Kappa系數為0.93；HJ-1A分類結果的總體精度最低，為89.50%，Kappa系數為0.84。

表2 分類結果精度評價Table 2 Accuracy evaluation of classification results

從各地類看，水體的分類精度整體較高，用戶精度均高于93%，生產者精度均高于87%，是因為旱季水體較易區分，通過閾值提取水體準確率較高；泥沙灘涂的兩種分類精度均高于79%，其中，Sentinel-2A的生產者精度最高(97.8%)，GF-1的用戶精度最高(100.00%)；植被的兩種分類精度均高于74%，其中，GF-1的生產者精度最高(100.00%)，Sentinel-2A的用戶精度最高(95.12%)。植被與泥沙灘涂的分類精度偏低，各分類結果均有不同程度的誤分，主要是因為旱季(12月)部分泥沙灘涂上有少量植被，造成異物同譜現象。

3.2 面積一致性分析

由表3可知，不同遙感影像的分類結果均以泥沙灘涂為主，水體次之，植被面積占比最小。但4幅影像中各地類面積占比存在差異，是由于部分泥沙灘涂長有稀少植被，不同的傳感器對于稀少植被的光譜反射值有一定差異；同時，在旱季部分河岸的水體與泥沙灘涂有一定的過渡性，不同傳感器對于淺水地區的分類存在差異。水體分類的面積偏差較小，偏差系數絕對值均小于15%，最小值為Landsat-8的2.33%，是因為旱季水體輪廓較明顯、易區分；而植被分類的面積偏差較大，最大值為Sentinel-2A的-31.14%。從面積一致性看，水體最優，泥沙灘涂次之，植被最差。

表3 4幅影像分類結果類型面積百分比及偏差系數Table 3 Area percentage and deviation coefficients of classification results for four kinds of sensor images

如表4所示，4幅影像分類結果的類型面積相關系數均大于0.8，Sentinel-2A與HJ-1A的相關性最強，面積相關系數為0.99999，因為二者分類結果相似，各類型面積占比最接近；GF-1與Sentinel-2A的相關性最差，面積相關系數為0.80711，因為二者分類結果中各類型面積占比差異較大。

表4 4幅影像分類結果類型面積相關系數Table 4 Area correlation coefficients of classification results for four kinds of sensor images

3.3 空間一致性分析

由圖3可知，4幅影像的水體分類邊界基本吻合，一致性較高；關于植被類型，Landsat-8(圖3a)與GF-1(圖3c)的分類結果中植被面積略多于Sentinel-2A(圖3b)與HJ-1A(圖3d)的分類結果；泥沙灘涂與水體誤分區域主要分布于沿河兩岸。

圖3 4幅影像的分類結果Fig.3 Classification results for four kinds of sensor images

由圖4(彩圖見附錄2)可知，4幅影像的分類結果在大部分地區一致性程度較高，尤其是在研究區北部和西部。其中，完全一致區域面積占鄱陽湖區域總面積的55.41%，高度一致區域占8.89%，低度一致區域占23.00%,完全不一致區域占12.70%(GF-1將部分淺灘誤分為水體所致)。由此可知，該分類結果中64.30%的區域具有高度一致性，35.70%的區域一致性有待提升。具體而言：水體(圖4a)表現出高度空間一致性，大部分地區為完全一致，小部分完全不一致區域主要集中在大面積水體邊界和細小河流兩岸；植被(圖4b)主要分布于鄱陽湖中部區域，大部分植被區域完全一致，高度一致區域主要集中在一個長有淺水植被的泥灘地區，低度一致與完全不一致區域則分布在湖岸和細小河岸；泥沙灘涂(圖4c)是旱季鄱陽湖地區主要的土地類型之一，完全一致區域位于研究區北部和東部，大部分地區為低度一致，少部分地區完全不一致。整體而言，水體的提取結果空間一致性程度最高，植被次之，泥沙灘涂的一致性程度最差。

圖4 分類結果的空間一致性Fig.4 Spatial consistency of classification results

受數據來源、分類閾值等因素影響，4種傳感器數據分類結果不盡相同，總體而言，分類結果的面積一致性高于空間一致性。其中，水體的面積與空間一致性程度最高，緣于旱季湖泊水體的光譜特征較明顯，利用閾值能對其較好地提??；但旱季部分泥沙灘涂與其上生長的稀少植被存在光譜特征相似、空間分布重疊等現象，導致分類結果一致性較差。

4 結論

本文以鄱陽湖濕地為研究對象，利用決策樹方法對Landsat-8 OLI、Sentinel-2A MSI、GF-1 WFV1和HJ-1A CCD的光學影像進行分類，利用混淆矩陣和Kappa系數對分類結果進行評價，并采用類型面積偏差分析、類型面積相關分析和空間疊加分析對4種傳感器數據的分類結果進行一致性分析，得出以下結論：1)利用決策樹方法與不同光學傳感器對湖泊濕地分類效果較好，總體精度為89.50%～95.50%；2)在類型面積一致性上，4種傳感器數據分類結果均呈現以泥沙灘涂為主，水體次之，植被最少，各分類結果的一致性程度較高(相關系數為0.81～0.99)，但泥沙灘涂與植被的分類結果具有一定面積偏差；3)在空間一致性分析中，研究區內有64.30%的分類結果一致性較高，低度一致區域占23.00%，完全不一致區域占12.70%。

本文僅針對不同光學遙感數據分類結果的面積與空間一致性進行研究，未定量分析不同傳感器的波段設置等差異對分類結果的一致性影響，如何通過數據融合體現多源遙感數據的優勢，克服單一衛星影像的不確定性，提高分類精度和信息利用率，是今后研究中需要探索的問題。