胡琳,甘淑,2,费联君,3,于辉,彭锐,冯宇,吴阳

(1.昆明理工大学 国土资源工程学院,云南 昆明 650093;2.云南省高校高原山地空间信息测绘技术应用工程研究中心,云南 昆明 650093;3.云南省遥感中心,云南 昆明 650034;4.云南工程职业学院,云南 昆明 650304)

0 引 言

湖泊是人类文明的发祥地,城镇发展因湖而兴. 高原湖泊具有调节气候、提供工农业及生活用水、便于蓄水发电等功能. 云南地处云贵高原,地势较高,可利用的水资源有限,因此,高原湖泊是云南宝贵的自然资源. 但因受高原山地气候和地形影响,导致高原湖泊补给水源少、水体循环交换周期长、自身水体净化能力差且湖泊出口很少,处于半封闭或封闭状态,高原湖泊生态系统极其脆弱.

滇池是云南“九湖”高原湖泊之一. 滇池流域伴随着周边城镇人口数量增加,城镇化进程加快,大力发展旅游业等因素加剧了入湖污染负荷. 滇池作为污染很严重的高原湖泊,保护与治理工作备受关注. 因此,快速甄别滇池流域周边城镇入湖污染源,并实时获取滇池治理保护基础数据,为及时优化治理方案显得十分必要.

高原湖泊流域的地表覆盖是生态化建设、可持续发展规划、环境变化检测等重要参数和关键参量[1]. 了解研究区地表覆盖分类,为甄别滇池流域入湖污染源提供实质性帮助. 遥感技术以其快速、高效的特点在地表覆盖分类中起到显著作用[1-6].

昆明市晋宁区位于滇池南岸,下辖53 km的湖岸线,占据了滇池流域总湖岸线的32.5%. 本文选取晋宁区为典型城镇研究区,对滇池周边典型城镇地表覆盖分类进行遥感信息提取,以期为滇池流域生态环境治理保护提供科学依据.

1 研究区概况及数据

1.1 研究区概况

晋宁区,位于云南省中部,昆明市西南部,紧邻滇池东南部水域. 辖区北临呈贡区,南接玉溪市红塔区,东和西分别与江川区、西山区接壤. 晋宁区总面积为1230.86 km2. 由于晋宁区地处云贵高原,地势南高北低. 本次试验选取晋宁区地表覆盖类型丰富、毗邻滇池水域的城镇中心地作为研究区,如图1所示.

1.2 数据源

试验选2017年3月14日Landsat8 OLI卫星影像,轨道号:43(Row),129(Path),以及研究区2017年2月7日Google earth卫星影像,主要用于目视解译的高分辨率影像参考;2016年12月31日拍摄的研究区谷歌地图,空间分辨率为2.15 m,主要用于分类结果的验证.

2 数据预处理与地表覆盖分类体系

2.1 数据预处理

本试验涉及的数据预处理操作为:① Landsat 8无需矫正[7-8],用矩形框选取研究区以裁剪影像;将多光谱波段、全色光波段提取;再基于GS方法将影像融合,得到15 m分辨率的影像[9-13],如图2所示;② 以Landsat8影像为基准图像选取40个控制点,对谷歌地图几何配准校正. 配准后误差RMS在0.5个像元内,满足研究要求.

2.2 地表覆盖分类体系

研究区地表覆盖分类信息是滇池流域环境变化的主要影响因子,参考《土地利用现状分类》针对区域自然地理特性[14-15],结合影像判读分析以及试验研究目的,确定地表覆盖分类系统,主要分为五类,分别是耕地、绿地、城镇用地、水体和裸地.

3 地表覆盖分类提取方法比较

3.1 基于最大似然法的自动提取方法

试验基于最大似然法[16]进行分类,选取各类别样本并得到样本间的可分离系数,各类别样本组合后可分离度均大于1.80,训练样本选择有效,如表1所示.

表1 各类别间样本可分离性评价报表

因所得最大似然法分类结果图3(a)过于细碎,运用Majority/Minority分析[17]为结果进行分类后处理,所得图3(b)效果较好,将用于精度校验.

3.2 基于目视解译的提取方法

将经过预处理后分辨率为15 m的Landsat8影像导入Arcgis,根据本文确定的地表覆盖分类系统,借助Google Earth高分辨率影像作为参考,目视解译后所得结果如图4所示.

3.3 地表覆盖分类提取方法比较

利用多项分布的样本选取方法能为混淆矩阵精度评价提供更客观依据.剔除实地外业调查中的部分异常点后选用其中49个样本点以及Arcgis建立的400个随机检验点,作为验证数据. 建立混淆矩阵,进行精度评价.

由表2可知,最大似然法分类总体精度72.82%,Kappa系数0.644,研究区整体分类质量很好. 其中,水体光谱特征均一,分类效果最佳,用户精度为97.33%,生产精度为93.59%;裸地分类效果较差,空间尺寸小且零散,类间混淆明显,因此裸地用户精度和生产精度差异较大.

由表3可知,目视解译分类总体精度88.64%,Kappa系数0.844,研究区整体分类效果极好. 水体、耕地、绿地的分类效果比较理想,但因毗邻流域和山体的城镇用地较分散,解译易受周围耕地影响,使较小块城镇用地未被提取,分类精度低;裸地和绿地区别不明显,造成一定程度误判,裸地生产精度最低仅为61.90%,而用户精度为92.86%. 总体而言分类效果最好的是水体,用户精度、生产者精度均较高.

表2 最大似然法地表覆盖分类提取精度评价表

表3 目视解译地表覆盖分类提取精度评价表

4 结果与讨论

4.1 分类结果评价

目视解译从分类总精度和Kappa系数都更优于最大似然法. 进一步对比各类别的生产精度可以发现,水体、裸地、城镇用地精度差异不大,耕地和绿地的生产精度却有明显提升,耕地由70.75%提升至97.17%,绿地由67.39%提升至88.04%;对比用户精度,裸地精度变化很大,由18.31%提升至92.86%耕地精度也有所变化,由65.79%到79.84%.

因为最大似然法以像元为单位,基于训练样本进行计算机自动解译分类,同时受地形环境等因素影响,导致分类结果精度低且存在“椒盐”现象,在研究区范围较大时,地表覆盖分类不易达到实际需求. 但分类速度快,有效减少人工工作量.

目视解译工作量大,速度慢,在解译范围较大时,效率低,成本高,且不同类别之间的边界模糊,通过人眼判别存在困难,因此人工需要对影像有较深刻了解. 但目视解译有很高分类精度,因此目视解译更多运用于生产.

4.2 空间分布及总面积分析

目视解译精度较高,故地类空间分布及总面积分析采用目视解译结果,结合图4和表4 可知:研究区主要为绿地,占总面积的39.44%,整体上分布较为集中,有少部分分布于城镇用地、耕地之间;城镇用地面积仅次于耕地共16.6 km2,分布集中在研究区中部,部分零星分布于邻水体、绿地、耕地处;水体主要分布于研究区东北部,部分穿过城镇,属滇池流域;裸地在各类地表覆盖类型中占比最少,仅有4.4%,且分布零碎.

表4 各类地表覆盖类型面积及比例

4.3 应用展望,致力滇池保护

遥感技术为地表覆盖分类提供高效、快捷的获取方式,可以快速提取晋宁区地表覆盖分类信息. 同理,滇池流域的其他城镇如:昆明市、呈贡区、玉溪市等也存在影响滇池治理保护因素,对于快速甄别其它城镇入湖污染源亦是关键. 此举将为滇池流域的宏观动态监测提供技术支持,为滇池流域城镇发展、规划和治理提供决策信息,具有应用价值.