方馨

摘要：湿地植被种类丰富，对于湿地生态系统有着无可替代的作用，近年来，湿地生态系统研究焦点是湿地植被的分类及其精度问题。本文以杭州湾南岸作为研究区域，运用FCN结合面向对象的方法与单采用FCN方法分别对研究区2017年的QuickBird影像进行处理，以湿地野外调查数据为数据源，对杭州湾南岸滨海湿地植被进行提取分类。实验结果表明：本文方法与单采用FCN的分类结果相比，能有效提高部分湿地植被的分类精度，总体分类精度达92.167%，Kappa系数达 92.1%。

关键词：面向对象技术;全卷积神经网络;湿地植被;杭州湾南岸

绪 论

一、 研究背景

湿地有“地球之肾”的美称，在地球表面占6%的覆盖比，是地球上20%已知物种的栖息地，有很高的生态地位，是“三大系统”之一。在当前湿地应用研究中，主要聚焦对湿地植被的分类及其提取的精确的研究[1]。湿地植被的多样性是评价湿地生态环境的一个重要指标，因而，对其变化的精确分析和提取，对于湿地生态系统的研究来说尤为重要。

湿地植被对人类生活有重要意义，是主要环境资本。湿地植被不仅是必须的自然植物，也是当前开展建设人工湿地工程的重要组成部分。根据湿地对自然环境以及人类活动的重要性，加强对于湿地植被的监测有助于对湿地植被的观察与保护[2]。遥感作为一种新技术，凭借观测范围广、获取信息快等特点，在湿地资源调查中具有优越地位。滨海湿地资源调查的目的是明确资源种类、分布等情况，掌握湿地资源的变化规律，为管理、保护湿地资源提供实时的标准化信息[3]。

二、国内外研究现状

2.1遥感分类方法

传统遥感分类技术有目视解译与计算机分类。计算机分类按照分类器可分为最大似然法（最常用的监督方法）、马氏距离分类、支持向量机分类等。随着计算机图像分类算法的发展，近年来，遥感分类出现新研究方向，如面向对象分割、决策树分类、神经网络（NN）法、随机森林分类法等。

2.2湿地植被遥感分类研究现状

湿地植被的种类及其分布状况数据，一般通过研究人员开展实地调查的传统方式获取，缺陷在于会耗费相当长的时间以及巨大的人力和物力。近年来，高分遥感影像技术发展迅速，为湿地的研究监测提供了有力手段。国内外的实验研究大多采用高分机载航拍图，SAR 影像图，QuickBird影像等研究数据，通过支持向量机、随机森林、深度学习等方法对湿地植被进行监测。当前，计算机学习算法不断的更新，卷积神经网络以自动提取数据能力的优异性、对图像大小限制少等特点，开始成为当下研究的热点方法[4]。

2.3研究目的

高分遥感影像具有空间分辨率高，特征提取精确的特点，有利于复杂地表覆盖的分类。基于像素分类方法处理高分辨率遥感分类，常会出现严重的椒盐现象。近年来出现的全卷积神经网络在解决分类问题有突出的优势，因此，本文将采取全卷积神经网络与面向对象技术相结合的方法， 对杭州湾南岸的滨海湿地进行遥感分类。

三、研究区概况和研究数据

3.1研究区概况

杭州湾南岸的滨海湿地位于浙江省东北部（29°58’27” ～30°51’30” N，120°54’30” ～ 121°50’48” E ）， 该区域是三大建设用地核心的聚集地;南岸属于淤涨型滩涂，也是浙江重要的后背土地资源库;耕地面积广阔，还是是浙江重要的粮食基地。

该研究区的各类地物的分布格局由内陆向海岸线大致是：建筑、芦苇、南方碱蓬、互花米草、海三棱藨草、光摊、浅海。本实验所研究的滨海湿地植被主要是芦苇、互花米草、海三棱藨草， 其中还包含一些常见地物，例如：田埂，耕地，河道（水体），树，阴影等。

3.2研究数据

本次实验的研究数据是2017年QuickBird影像以及野外调查数据，图像大小为14130*13982 个像元，分辨率为0.6 m。研究所采用的QuickBird 数据属于L2A级别的产品，坐标系统采用了全球横轴墨卡托投影，包含了1个全色波段及4个多光谱波段，因此为了克服单一数据源的局限性，使影像信息得到充分利用，将全色波段及多光谱波段进行融合。图3.2中的黄点为2016年10月在研究区内经实地考察所获取的样点数据，以为后续制作样本使用。图 3.1 为原始图像，图3.2为研究样点分布图。

四、研究方法

对精校正的2017年Quick Brid 影像进行面向对象分割，利用不同分割参数设置生成多个分割结果，运用定量评价方法选择最优分割结果。基于分割好的图像，选择训练样本并制作标签，运用 FCN 方法進行湿地植被分类;最后检验分类精度。

五、研究结果

5.1 分类结果图

由本次分类图可见，海三棱藨草主要分布在滩涂处，芦苇主要分布在空地与水田处，乔木集中在空地的右下角，耕地主要分布在靠近内陆，裸露地表较少，主要集中在水田边缘处。各部分面积见表 5.1。

5.2 精度评价结果

由上述结果可见，基于FCN分类的耕地、水体、滩涂的分类精度高，都达90%以上;海三棱藨草、互花米草、芦苇、南方碱蓬、乔木的精度较好，都达86%以上。基于FCN结合面向对象分类的结果显示，海三棱藨草、南方碱蓬、睡莲、乔木等精度有提高。

5.3 结论与讨论

本文采用FCN结合面向对象的方法与基于FCN方法分别对2017年杭州湾南岸的湿地植被进行分类。针对研究区中的湿地植被进行分类处理，由于植被种类较多，调查数据有限，因此本次实验主要挑选有代表性且野外调查数据较充足的植被进行分析。本次研究的植被主要有芦苇、互花米草、睡莲、乔木、南方碱蓬、海三棱藨草等。

本文通过运用两种方法所得结果的对比，认为运用FCN结合面向对象分割的方法较仅使用FCN处理，能有效提高部分湿地植被的分类精度，能较好提取湿地植被的监测信息。例如：海三棱藨草的研究精度从88%提高至90%，睡莲的研究精度从 80% 提高至92%。但也存在部分地物精度下降的现象，芦苇的研究精度从88% 降至84%。

参考文献：

[1]杨锋，秦志远，高松峰.基于神经网络的湿地信息提取及动态变化研究——以鹤壁淇河为例[J]. 河南城建学院学报，2018，27（6）：50-59.

[2]刘涛.湿地植物对人工湿地生态环境修复的重要性[J].环境与发展，2019，31（10）：197-199.

[3]孙广兴.3S 技术在湿地生态环境保护中的应用综述[J].科技经济导刊，2019，27（21）：100.

[4]薛家祥，陈海峰.基于卷积神经网络的光伏阵列污染报警系统[J].电测与仪表，2020，57（07）：54-59.