基于高分二號數據的自然保護區生態用地遙感分類研究
——以衡水湖國家級自然保護區為例

賈 坤 劉端陽 姚云軍 張曉通

(北京師范大學地理科學學部，北京 100875)

國家級自然保護區是推進生態文明建設、構建國家生態安全屏障和建設美麗中國的重要載體，其中生態用地對于保持生態平衡、構建和諧的人與自然關系、保護生物多樣性具有重要作用，是區域生態環境質量好壞的“晴雨表”[1]。然而，隨著我國社會經濟的快速發展和城市化進程的加快，我國生態用地尤其是國家級自然保護區生態用地面臨諸多問題，如何準確有效、及時地對生態用地狀況進行監測對國家級自然保護區的管理和生態保護具有重要的作用。

遙感因具有快速、大面積觀測以及具有可追溯性的對地觀測優勢，已成為生態用地監測和提取的重要手段。目前，利用遙感技術監測生態用地狀況已開展了較多研究，如王志濤等[2]基于Landsat-8衛星數據對沽源縣水源涵養型、土壤保持型等生態用地類型進行了綜合識別并分析了其空間分布狀況；張彥敏等[3]基于SPOT-5衛星遙感數據，對天津市生態用地人類活動變化進行遙感監測，發現天津生態用地呈現人工表面增多的趨勢；武愛彬等[4]基于長時間序列的Landsat TM和Landsat-8衛星數據開展了河北生態用地解譯，并分析其時空格局的地貌分異特征。隨著我國高分辨率對地觀測重大專項的實施，國產高分衛星數據憑借其高空間分辨率、高時間分辨率和高重訪觀測的優勢，為區域生態用地監測提供了理想的潛在數據源[5]。國內學者也利用高分衛星數據對生態用地遙感監測展開了初步的探索，如孟晉杰等[6]基于GF-1衛星數據，對北京市中心區及以東方向的城市郊區城市生態用地進行監測，取得了很好的效果。

綜上所述，遙感技術可為區域生態用地監測提供有力的技術支撐，而高空間分辨率的遙感數據的空間信息更豐富，紋理特征更明顯，有望進一步提高區域生態用地遙感分類精度。高分二號（GF-2）衛星是我國高分辨率對地觀測系統重大專項中首顆亞米級高空間分辨率民用光學遙感衛星，于2016年8月19日在山西太原衛星發射中心發射升空。該衛星搭載兩臺1米全色、4米多光譜相機（PMS），多光譜數據包括藍、綠、紅和近紅外四個波段，重訪周期為5天，是區域生態用地遙感監測的重要數據源[7]。但GF-2衛星數據用于國家級自然保護區生態用地分類的研究較少，其實際應用方法和監測效果有待進一步探索和驗證。因此，本文基于GF-2衛星數據，研究河北省衡水湖國家級自然保護區生態用地遙感分類方法，探討GF-2衛星數據在國家級自然保護區生態用地遙感分類中的應用效果，以期推進國產高分衛星服務于國家級自然保護區生態用地管理和規劃。

1 研究區概況

河北衡水湖國家級自然保護區（115°27′50″～115°42′51″E，37°31′40″～37°41′56″N）位于河北省衡水市桃城區、冀州兩縣區境內，占地面積283 km2。該地區屬暖溫帶大陸季風氣候區，四季分明，多年平均氣溫約為13.0 ℃，年平均降雨量約為518.9 mm。衡水湖自然保護區于2003年晉升為國家級自然保護區[8]，具有保持沼澤、水域、灘涂、草甸和森林等完整濕地生態系統的特點，生態用地類型豐富，對于檢驗GF-2衛星數據的分類能力具有較好的代表性與示范性。保護區內具有豐富的生物多樣性，主要以內陸淡水濕地生態系統和國家一、二級鳥類為主要保護對象[8]，屬于淡水濕地生態系統類型自然保護區，具有蓄洪防澇防旱、調節氣候、控制土壤侵蝕、降解環境污染等功能，對調解京津地區的氣候、改善生態環境起到重要作用。圖1（a）是采用GF-2衛星多光譜遙感數據拼接的研究區真彩色合成影像圖，其中紅線內區域為衡水湖國家級自然保護區，圖1（b）為裁剪后的保護區影像。

圖1 衡水湖國家級自然保護區地理位置Fig. 1 Geographical location of Hengshui Lake National Nature Reserve

2 數據來源

2.1 GF-2衛星數據

本研究選用的GF-2衛星數據為PMS傳感器采集的多光譜影像，由中國資源衛星應用中心 （http://www.cresda.com/CN/）提供。GF-2衛星數據成像時間為2017年11月18日，數據獲取時間段內大氣狀況良好，因此研究區遙感數據云覆蓋比例小于1%、成像質量好，可完整覆蓋衡水湖自然保護區。

2.2 地面調查與樣本選擇

本研究于2017年11月18日在研究區開展地面調查工作，主要調查研究區生態用地類型的空間分布特征。在地面調查期間，調查人員記錄了具有代表性的生態用地詳細信息，并利用手持GPS接收機進行地理坐標信息采集，GPS型號為天寶Juno SB，空間定位精度約±3 m。根據《土地利用現狀分類》（GB/T 21010?2017）和研究區實際的生態用地分布，最終確定研究區生態用地分類系統包括水體、農田、濕地、道路、林地、居民點。在地面調查和GoogleEarth影像輔助GF-2數據目視解譯的基礎上，隨機選取樣本用于分類模型構建和檢驗的訓練與檢驗樣本。對于每種生態用地類型均獲取了足夠的樣本點，其中包括水體像元1 579 390個、農田像元623 544個、濕地像元404 390個、道路像元21 716個、林地像元20 714個和居民點像元99 576個。在建立樣本數據集后，將樣本點隨機均分成兩部分，分別作為訓練樣本和檢驗樣本，訓練和檢驗樣本互不重疊。

3 研究方法

基于GF-2多光譜數據的自然保護區生態用地遙感分類技術流程圖如圖2所示。首先，對GF-2多光譜數據進行輻射定標、大氣校正以及幾何校正處理，進而利用保護區邊界對數據進行拼接和裁剪。之后，利用面向對象的多尺度分割方法對遙感數據進行圖像分割，并計算每個對象的光譜特征以及紋理特征。進而，利用樣本數據集和分類特征進行生態用地遙感分類模型構建以及自然保護區生態用地分類。最后，對分類結果進行分類后處理，包括小斑塊去除和分類后統計等，最終得到自然保護區生態用地遙感分類專題圖。

圖2 生態用地分類流程Fig. 2 Flow chart of ecological land classification

3.1 GF-2衛星數據處理

GF-2多光譜數據的預處理主要包括：輻射定標、大氣校正、幾何校正。其中，輻射定標是將像元亮度值轉換為輻射亮度，定標公式為：

其中，Le代表輻射亮度值，Gain和Offset是從中國資源衛星應用中心獲取的GF-2衛星PMS數據輻射定標系數（http://218.247.138.119/CN/Downloads/dbcs/11307.shtml）。

大氣校正采用FLAASH大氣校正模型[9]，該模型基于MODTRAN4的輻射傳輸計算方法，能精確地補償大氣影響，適用于GF-2衛星多光譜數據的大氣校正。FLAASH模型的輸入數據主要來源于GF-2衛星PMS多光譜數據的成像時間和數據相關參數。幾何校正采用二次多項式糾正法，參考影像采用從美國地質調查局網站（https://earthexplorer.usgs.gov/）獲取的Landsat-8衛星OLI傳感器采集的高質量數據。其中，幾何校正采用的地面控制點從兩幅影像中手動選取。最后，將經過大氣校正和幾何校正后的兩景GF-2衛星PMS數據進行拼接裁剪，用于后續衡水湖自然保護區生態用地遙感分類研究。

3.2 面向對象的多尺度影像分割

面向對象的分類模式將遙感影像分割為不同的對象來代替原始的像元作為分類的基本單位，其最重要的步驟是合理的影像分割，使分割對象能夠清晰地反映出感興趣地物的空間分布[10?11]。本研究中選擇多尺度分割算法[12]進行遙感影像分割。因為在整幅影像上很難找到一個固定的最佳分割尺度，因此為確定最佳的影像分割尺度，本研究以5為間隔，在10～100之間設置了19組對照實驗，將每次實驗的分割結果進行對比分析，通過目視觀察優選能呈現感興趣地物目標真實形態的最優分割尺度。最后，本研究選擇25作為分割尺度參數。

3.3 分類方法與精度檢驗

本研究選用了支持向量機分類器[13?15]，是一種基于統計學習理論的機器學習算法，其通過在高維特征空間中尋找最優分類超平面解決復雜數據的分類問題[16?17]。支持向量機具有參數設定簡單和能得到全局最優結果的優點，尤其適合有限樣本問題，在很大程度上解決了傳統分類方法中存在的如模型選擇、過學習、多維問題、局部極小點等問題[16]。支持向量機的最終求解可轉化為一個具有線性約束的二次凸規劃問題，不存在局部極小值。現代的支持向量機理論[18]是由Cortes和Vapnik提出的，詳細的支持向量機描述可查詢Burges[19]發表的文獻。

支持向量機分類器的輸入特征包括光譜特征和紋理特征，其中光譜特征包括GF-2數據的多光譜波段反射率，及其顏色空間變換得到的HSL空間的色調、飽和度和亮度特征。這些特征對于農田、濕地以及林地等植被覆蓋類型具有較好的識別能力，是由于在可見光-近紅外波段范圍內，植被在藍光和紅光波段存在吸收谷，在綠光和近紅外波段存在反射峰，有利于植被和非植被以及不同植被類型之間的區分。紋理特征主要包括Texture Range、Texture Mean、Texture Variance和Texture Entropy等紋理統計特征[20?21]，其中Texture Range指卷積核內的平均灰度范圍，本研究中卷積核設置為3×3；Texture Mean指卷積核內的平均灰度值，如公式（2）；Texture Variance指卷積核內的灰度變化值，如公式（3）；Texture Entropy指卷積核內信息熵，如公式（4）。紋理特征主要對水體、道路和居民點等地表類型較為敏感，因這些地物類型往往由不同材質構成，其灰度變化差異相較于自然地物目標更為明顯。本研究選取徑向基函數（Radial Basis Function，RBF）作為支持向量機分類算法的核函數，核參數γ和懲罰因子C根據先驗知識分別設置為0.25和100。

式中，M和N表示卷積核大小，研究中取3×3，f(i,j) 為 (i,j)位置處像元的灰度值， μ為卷積核內灰度均值，P(i,j) 為卷積核內灰度值為f(i,j)的像元概率。

分類后處理采用多數（Majority）分析、聚類處理（Clump）和過濾處理（Sieve）策略去除初步分類結果中的碎小斑塊，最終得到衡水湖自然保護區生態用地分類專題圖。專題圖分類精度驗證基于前述檢驗樣本采用分類混淆矩陣衡量[16,22]，檢驗樣本包括水體像元789 695個、農田像元311 772個、濕地像元202 195個、道路像元10 858個、林地像元10 357個和居民點像元49 788個，精度指標包括總體分類精度和Kappa系數。

4 結果與分析

衡水湖國家級自然保護區生態用地分類結果如圖3所示。進一步利用地面檢驗樣本，計算分類混淆矩陣，得到總體分類精度和Kappa統計指標（表1）。從目視效果來看，采用GF-2衛星多光譜數據可有效識別各種生態用地類型。衡水湖保護區東部主要分布為水體和濕地，西部主要為農田，其中夾雜分布一些居民點。定量精度評價結果表明，基于GF-2衛星多光譜數據的衡水湖自然保護區生態用地遙感分類總體分類精度為92.62%，Kappa系數為0.875，達到了較好的分類效果。在分類混淆方面，水體、農田、林地及居民點分類效果較好，濕地與水體和農田具有一定程度的混分，導致了濕地的制圖精度相對于其他用地類別呈現較低的現象。這是由于濕地多由水生植被構成，植被覆蓋度的高低差異會造成濕地光譜與水體和農田光譜的混淆。另外，道路與水體、農田、居民點都有少量的分類混淆。這是由于GF-2衛星多光譜數據4 m的空間分辨率在相對較窄的道路識別上空間細節信息呈現不足，造成道路易于周邊用地類型形成混合像元，導致了道路分類精度也低于其他用地類別。精細的道路識別可能需更高空間分辨率的遙感數據。總體而言，各生態用地類別均能達到一個較好的分類效果。

圖3 衡水湖自然保護區生態用地遙感分類Fig. 3 Remote sensing classification map of ecological land in Hengshui Lake Nature Reserve

表1 衡水湖自然保護區生態用地遙感分類混淆矩陣Table 1 Confusion matrix of remote sensing classification of ecological land in Hengshui Lake Nature Reserve

本研究對衡水湖自然保護區內不同生態用地類型的面積進行了統計，其中水體、農田、濕地、道路、林地和居民點的面積分別為42.77 km2、87.43 km2、10.06 km2、6.47 km2、5.95 km2和10.98 km2。從統計結果可以看出，衡水湖自然保護區農田和水體占據了總共79.5%的比例（圖4）。

圖4 衡水湖自然保護區生態用地類型統計Fig. 4 Statistical chart of ecological land use types in Hengshui Lake Nature Reserve

5 討論與結論

本研究以國家高空間分辨率對地觀測系統GF-2衛星多光譜數據為主要數據源，采用面向對象的支持向量機分類算法，提出了衡水湖國家級自然保護區生態用地遙感分類技術。總體來說，與中、低空間分辨率遙感數據相比，GF-2衛星多光譜數據在景觀結構、形狀、紋理和細節等方面均具有較大優勢，能在精細的空間尺度上識別地表的細節變化狀況。從分類結果可看出，GF-2衛星數據采用面向對象的分類策略適于自然保護區生態用地遙感分類，能取得較好的分類效果。另外，GF-2衛星數據可免費獲取，相對于同等空間分辨率商業遙感衛星數據昂貴的數據費用更具經濟性，且具有制圖便捷與準確的特點，是生態用地遙感分類較好的數據源。

通過本研究可得出如下結論：1）GF-2衛星多光譜數據較高的空間分辨率，能有效解決研究區生態用地中存在的地類細小、破碎、隨機性強的問題，能為國家級自然保護區生態用地遙感分類提供有效的數據源。2）采用面向對象分類策略的支持向量機分類方法適用于GF-2衛星多光譜數據生態用地分類，總體分類精度達到92.62%，為國家級自然保護區生態用地遙感監測與業務應用提供技術參考。