APP下载

洞庭湖湿地植被分类研究

2015-12-21宋仁飞严恩萍和晓风

中南林业科技大学学报 2015年11期
关键词:杨树柳树纹理

宋仁飞,林 辉,严恩萍,和晓风

(中南林业科技大学 林业遥感信息工程研究中心,湖南 长沙 410004)

洞庭湖湿地植被分类研究

宋仁飞,林 辉,严恩萍,和晓风

(中南林业科技大学 林业遥感信息工程研究中心,湖南 长沙 410004)

高分一号卫星是我国2013年自主发射的第一颗高分辨率对地观测卫星(GF-1) ,其在湿地中的应用还比较少见。以洞庭湖湿地为研究区,GF-1影像为主要遥感数据源,在对研究区湿地主要植被柳树、杨树、芦苇和苔草的光谱特征分析基础上,建立决策树分类算法。同时结合GF-1影像特有的纹理信息,引入纹理均值和相异性指数对决策树算法进行改进,结果表明:通过采用纹理均值和相异性指数,总体精度从传统决策树的85.64%提高到了92.66%,Kappa系数从0.82提高到0.91,说明该方法对湿地植被识别的效果较好。这对于同等空间分辨率遥感数据的植被分类具有指导和借鉴作用。

高分辨率遥感;决策树;纹理;植被分类;洞庭湖

湿地在保持水源、净化水质、维护生物多样性、调节气候等方面有着十分重要的生态作用[1],因此享有“地球之肾”的美誉[2]。近年来,湿地植被的群落组成[3]及演变趋势[4]等方面得到了广泛的关注和重视。植被作为全球变化的敏感指示器,已成为一个研究热点,特别是湿地植被类型的研究对生态环境有着十分重要的作用[5]。

随着遥感分类技术的发展,遥感影像分辨率的不断提高,尤其是国产卫星空间分辨率的快速提高,使得应用国产卫星对湿地植被类型进行提取成为可能。高分辨率遥感影像不仅真实记录了地表植被的光谱特征,还表征了与之相关的纹理信息。相关研究表明,利用光谱与纹理特征结合得到的分类精度要高于单纯光谱或单纯纹理的分类精度[6]。不同的植被类型由于其波谱特征的不同,在影像上的亮度值也不同,有关学者围绕多光谱高分辨率遥感影像开展了植被分类研究[7-11]。颜梅春[8]利用IKONOS影像数据的纹理信息进行植被分类,并将结果与用光谱信息、植被指数信息的分类结果比较,得出纹理信息分类的精度最高。黎良财等[9]运用SPOT-5全色和多光谱影像,采用支持向量机(SVM)法对森林植被进行分类研究,探讨了SVM法的分类能力以及纹理信息在森林植被分类中的影响。严恩萍等[10]以ALOS高分辨率遥感影像为数据源,采用基于光谱特征的图像分类方法实现了森林类型的精确提取,分类精度达90.25%。但运用GF-1将湿地植被区分至种的文章鲜有报道。本研究旨在寻找能够识别东洞庭湖4种典型湿地植被的分类方法,为相当空间分辨率的遥感影像植被分类提供参考。

1 材料与方法

1.1 研究区概况

研究区为湖南省东洞庭湖国家级自然保护区,位于长江中游荆江江段南侧,全区总面积约 19 万 hm2。 地 理 位 置 为 28°59′~ 29°38′N,112°43′~ 113°15′E,海拔高度 10 ~ 80 m,属于亚热带季风气候区,年均气温17 ℃,降水量1 200~1 300 mm。东洞庭湖是洞庭湖湖系中最大的湖泊,主要湿地植被有苔草、芦苇、杨树、柳树等。

1.2 数据来源及预处理

1.2.1 地面调查数据

研究选取的地面数据为手持GPS获取的点数据和SVC非成像光谱仪中测量植被光谱时获取的GPS点数据,对非植被地类和不同植被类型进行采样,共选择了457个非植被样本、438个柳树样本、200个杨树样本、229个芦苇样本、394个苔草样本,选择其中三分之二的样本作为训练数据,其余三分之一的数据作为验证数据。

1.2.2 遥感数据

主要采用了GF-1号卫星获取的遥感影像,接收时间为2014年5月1日,包括4个多光谱波段(空间分辨率8 m)和1个全色波段(空间分辨率2 m)。采用ENVI5.1软件对GF-1号数据进行辐射定标、大气校正和Gram-Schmidt图像融合等处理,处理后的影像如图1所示。

图1 东洞庭湖湿地GF-1影像Fig. 1 GF-1 image of East-Dongting Lake

1.3 研究方法

本文研究了湿地植被的光谱特征,通过分析柳树、杨树、芦苇、苔草4种主要湿地植被的光谱特征,分别统计原始波段反射率、NDVI和RVI的最小值、最大值和均值,发现不同植被类型具有不同的光谱特征,可以将它们区分。首先根据统计的影像的光谱特征值设置阈值,进行决策树分类;然后基于光谱特征的分类结果,结合蓝波段均值纹理特征和近红外波段相异性指数对基于光谱特征的决策树分类算法进行改进。最后采用混淆矩阵对两种分类结果进行精度评价,得出最佳的湿地植被分类方法。

2 结果与分析

2.1 光谱特征分析

2.1.1 植被与非植被的光谱分析

本文的主要研究目的是进行植被分类,因此需要首先将植被提取出来。目前的很多研究表明,归一化植被指数(NDVI)可以很好地区分植被和非植被地类,是植被覆盖度的最佳指示因子[12]。本研究选取多个非植被和植被样本,通过比较其NDVI值,确定了NDVI的阈值为0.3,即NDVI≥0.3的像元为植被,否则为非植被。

2.1.2 不同植被种类间的光谱分析

对于植被的分类,除了影像自带的4个波段的DN值外,比值植被指数(RVI)也可以较好地区分植被类型。RVI植被指数是植被丰度和长势的量度指标之一,但其对植被覆盖度有一定的要求,缺点是对大气状况很敏感[13]。对不同植被类型进行采样,选择总样本中三分之二的数据进行光谱分析。统计样本中4个波段的DN值和RVI值进,得出各种植被类型的4个波段DN值、NDVI值和RVI值的最小值、最大值和均值(见表1)。其中包括292个柳树样本、133个杨树样本、153个芦苇样本、263个苔草样本、305个裸地和水样本。根据表1可以绘出各种植被类型的均值光谱曲线和RVI值区间,结果如图2和图3所示。

表1 各种湿地植被类型光谱特征统计表Table 1 The spectral characteristic of various wetland vegetation statistics

图2 各种植被类型的各波段均值光谱曲线Fig. 2 The mean spectrums of various vegetation

图3 各种植被类型的RVI区间Fig. 3 The RVI intervals of various vegetation

从表1中可发现:

(1)在蓝光波段上,苔草与柳树、杨树、芦苇的区别不大,苔草的DN均值略大于其他几种植被类型的DN均值。

(2)在绿光和红光波段上,苔草的DN均值与杨树、柳树及芦苇的DN均值区别较大,因此可以利用绿光和红光波段将大部分苔草区别开来。

(3)通过比较发现,芦苇、杨树、柳树在RVI上的差异比较显著,能够很好地区别这三种植被,因此可以利用比值植被指数将芦苇、杨树、柳树三种植被区别开来。

从以上的统计结果中无法直接获取柳树、杨树、芦苇、苔草4种植被类型的显著区别,因此可以利用比值植被指数先将3种植被区别开来,再利用绿光波段和红光波段区分混在其中的苔草,是一种很好的方法。

2.1.3 结合纹理信息的光谱分析

首先对影像的各个波段进行分析, 发现第1波段的纹理均值能很好地反映植被与裸地差异,故计算第1波段的纹理均值。此外,还发现第4波段的相异性指数能很好地区分柳树和苔草。由于影像的空间分辨率为2 m且植被是呈片状生长, 因此在计算纹理指数时应选用较大的窗口。经反复研究实验,决定利用7×7的窗口进行计算。然后分别采集样本,经统计分析和试验, 在均值纹理上,B1Mean植被< B1Mean裸地。在相异性指数上有 B4Dis柳树>B4Dis杨树> B4Dis芦苇> B4Dis苔草的趋势。即柳树的相异性指数大,苔草的相异性指数小。杨树和芦苇介于二者之间,从统计数据上看,4种主要植被之间大的相异性指数之间的大小关系并不是绝对的,但是如果在用光谱特征进行分类的同时,结合纹理信息进行分类,将会取得较好的效果。主要解决了苔草和柳树难以区分的问题,以及非植被与植被之间的错分问题。

2.2 决策树构建

研究依据光谱分析结果, 采用决策树算法对洞庭湖湿地植被进行分类,图4为基于光谱特征的植被分类方法流程。其中B2,B3和B4分别为绿光、红光和近红外波段的DN 值,B5为计算出来的遥感影像的NDVI值,B6为计算出来的遥感影像的RVI值。首先根据B4的值是否为0,将背景范围提取出来。然后根据NDVI >0.3的提取为植被区。植被区中对RVI进行阈值分割,RVI <3.3 的为柳树、苔草,其余为杨树、芦苇和苔草,在这其中苔草是混合在其他植被当中的。在柳树和苔草中,对B3进行阈值分割,B3>788 的是苔草,其余为柳树。在杨树、芦苇和苔草中,对RVI进行阈值分割,RVI <4.6 的是杨树、苔草,其余为芦苇、苔草,这其中有一部分杨树混在其中,可以对B2进行阈值分割,B2<650杨树,其余为真正的芦苇和苔草。在芦苇和苔草中,B2>800 的为苔草,其余的芦苇。

图4 植被分类方法流程图Fig. 4 The flow chart of vegetation classification

结合纹理的决策树分类方法主要从三个方面对原方法进行了改进:(1)原方法中以分为植被的部分,B1Mean≥15的为非植被,其余为植被;(2)对提取出的柳树做了进一步的划分,当B4Dis>0.694 时为柳树,其余为苔草;(3)原方法提取的部分杨树中,B4Dis>0.42的为杨树, 其余为芦苇。

2.3 精度评价

采用混淆矩阵的验证方法对分类结果进行精度评价。选取总样本中另外三分之一的样本进行精度验证,得到分类精度评价结果,结果如表2所示。其中146个柳树样本、67个杨树样本、229个芦苇样本、131个苔草样本、152个裸地和水样本。

表2 基于光谱信息的植被分类精度评价Table 2 Vegetation classification accuracy based on spectral information

由表2可知, 测试样本的总体分类精度达到了85.84%,Kappa 系数为0.82,说明该植被分类方法的分类精度较低。就每种植被类型的分类精度而言, 杨树的分类精度最高,苔草的分类精度最低。说明杨树出现混分、漏分现象较少, 而苔草则较多。杨树分类精度较高的原因是杨树多为人工种植的乔木,林分结构趋于一致,树种之间的光谱差异较小,且多为成片存在。苔草误差较大的原因主要是由于苔草与其他植被混杂生长,以及受阴影的影响,造成部分苔草光谱特征与柳树的光谱特征十分相似,所以苔草混分为柳树的比较多,但是利用不同植被类型的均值纹理和相异性指数却可以将它们进一步区分开来。

使用混淆矩阵对结合纹理信息分类的结果进行精度评价,结果如表3所示。

表3 结合纹理信息的植被分类精度评价Table 3 Vegetation classification accuracy with texture information

比较表2和表3可知,苔草错分为柳树的样本数由25个减少到6个,柳树错分为杨树的样本数由15个减至3个,芦苇错分为杨树的样本数由6个减为2个,苔草错分为非植被以及非植被错分为苔草的样本均有所减少,错分的现象大大改善了。从分类精度而言, 总精度由85.84%提高到了92.66%, Kappa系数由0.82 提高到了0.91, 说明引入纹理信息能够显著提高分类精度。

2.4 分类结果

通过以上的精度评价比较可知,结合纹理信息的光谱特征分析方法能有效的区分不同植被种类,且分类的精度较高。据此,结合所引入的纹理因子,得到分类结果图(如图5所示)。从分类的结果图中可以看出,植被与非植被区分较好。柳树多沿湖边或者离湖边较近的地方生长,面积较少。杨树主要分布在沿湖道路的外侧,一般成片状或长条带状分布。芦苇和苔草多分布在湖区内离水较近的地方,多成大块、片装分布。分类后植被总体分布与实际调查的结果有较高的吻合性,分类结果令人满意。

图5 结合纹理信息的植被分类结果Fig. 5 The result of vegetation classification with texture information

3 结论与讨论

文中所用的植被分类方法是基于洞庭湖湿地主要植被类型光谱特征的分类规则,结合GF-1遥感影像特有的纹理特征,利用结合纹理信息的决策树算法开展湿地植被分类,结果表明:(1)光谱分析表明结合纹理信息的光谱特征可以有效地区分研究区湿地植被,特别是蓝波段的纹理均值和近红外波段的相异性指数因子;(2)精度评价显示,与单纯利用光谱特征相比,结合纹理信息的决策树分类精度较高,达92.66%,kappa系数为0.91;(3)由湿地植被空间分布图可知,杨树多沿堤岸和农田边界分布,柳树分布稀少,芦苇和苔草在湖区内分布广泛,与洞庭湖实际地类分布一致。湿地植被分类的结果与实际植被的地理空间分布基本一致。本文仅利用了光谱特征和纹理信息中的几个较少因子进行分类,如能综合利用更多的光谱因子和纹理因子,将会进一步提高湿地植被的分类精度。纹理信息可以提高高分辨率影像的分类精度,在植被精细分类方面有很好的应用前景,对相当分辨率遥感数据的植被分类具有一定的借鉴作用。另外,高分辨率遥感影像中存在少量混合像元问题有待进一步研究。

[1]潮洛蒙,李小凌,俞孔坚.城市湿地的生态功能[J].城市问题,2003, (3): 9-12.

[2]宋仁飞,林 辉,臧 卓,等.东洞庭湖湿地植被高光谱数据变换及识别[J].中南林业科技大学学报,2014, 34(11):135-139.

[3]余 莉, 何隆华, 张 奇,等.三峡工程蓄水运行对鄱阳湖典型湿地植被的影响[J].地理研究,2011,30(1):134-144.

[4]王 颖,宫辉力,赵文吉,等.北京野鸭湖湿地资源变化特征[J]. 地理学报, 2005,60(4):656-664.

[5]陈君颖,田庆久.高分辨率遥感植被分类研究[J].遥感学报,2007,11(2):221-227.

[6]姜青香,刘慧平.利用纹理分析方法提取TM图像信息[J].遥感学报,2004,(5):458-463.

[7]严恩萍,林 辉,莫登奎,等.基于光谱特征的森林类型识别研究[J].中南林业科技大学学报, 2011,31(11):23-29.

[8]颜梅春.高分辨率影像的植被分类方法对比研究[J].遥感学报,2007,11(2):235:240.

[9]黎良财,张晓丽,郭 航.基于SVM方法的SPOT-5影像植被分类[J].东北林业大学学报,2014,42(1):51-56.

[10]严恩萍,林 辉,莫登奎,等.基于 ALOS 数据的遥感植被分类研究[J].中南林业科技大学学报, 2010,30(11):37-42.

[11]Huang X, Lu Q, Zhang L. A multi-index learning approach for classification of high-resolution remotely sensed images over urban areas[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 90: 36-48.

[12]吴新民,潘根兴.城市不同功能区土壤重金属分布初探[J].土壤学报,2005,42(3):713-517.

[13]张 杰,沈 芳,刘志国. 长江口潮滩湿地植被光谱分析与遥感检测[J]. 华东师范大学学报,2007,(4):42-48.

Dongting lake wetland vegetation classification

SONG Ren-fei, LIN Hui, YAN En-ping, HE Xiao-feng
(Research Center of Forest Remote Sensing & Information Engineering, Central South University of Forestry & Technology,Changsha 410004, Hunan, China)

GF-1 satellite was launched independently in 2013 in China and it is the first high resolution earth observation satellite, and its application in the wetland is relatively rare. This paper used Dongting Lake wetland as the research area based on GF-1 image.We adopted classification algorithm of decision tree, built classification regulation on the basis of vegetation spectral characteristic and classfied the vegetation into four categories including poplars, willow, reeds, and moss grass. Then the method was improved by combining the proper textural information of GF-1 image with using texture mean and dissimilarity index. The result showed that the overall precision of the vegetation classification method based on spectral characteristic was 85.64%, but that of the improved method was upgraded to 92.66%, and kappa coefficient was 0.82, but that of the improved method was upgraded to 0.91 by using the texture mean and dissimilarity index. The result showed the vegetation classification method can classify and discriminate vegetation effectively.As to vegetation classification with similar high-resolution data source, the method will provide scientific guide and reference value.

high-resolution remote sensing; decision tree; texture; vegetation classification; Dongting lake

S771.8

A

1673-923X(2015)11-0027-05

10.14067/j.cnki.1673-923x.2015.11.006

2015-01-10

国家重大专项(N21-Y30B05-9001-13/15-2);国家自然科学基金项目(31370639);湖南省高校产业化培育项目(13CY011)

宋仁飞,硕士研究生

林 辉,教授,博士生导师;E-mail:1053460198@qq.com

宋仁飞,林 辉,严恩萍,等.洞庭湖湿地植被分类研究[J].中南林业科技大学学报, 2015, 35(11): 27-31.

[本文编校:吴 毅]

猜你喜欢

杨树柳树纹理
基于BM3D的复杂纹理区域图像去噪
跟踪导练(五)
使用纹理叠加添加艺术画特效
柳树
TEXTURE ON TEXTURE质地上的纹理
会治病的柳树
杨树山漫画作品欣赏
消除凹凸纹理有妙招!
柳树的春天
杨树上为什么会有许多“眼睛”