天山北坡草地遥感分类及其精度分析

周 伟，杨 峰,2，钱育蓉,3，李建龙

(1.南京大学生命科学学院，江苏 南京 210093； 2.四川农业大学农学院，四川 雅安 625014；3.新疆大学软件学院，新疆 乌鲁木齐 830000)

全球变化研究中，植被被认为是一个反映生态环境变化的敏感指示器，已经成为陆地生态系统响应全球变化研究的一个热点，其中植被类型划分又是植被研究的基础[1]。自然界的植被类型复杂多样，传统的利用人工进行野外实地调查的植被分类方法周期长，工作量大，不便于定量分析和可视化；遥感影像能全面真实地记录地表植被与环境的信息，因为不同植被的光谱反射率不同，这使得利用遥感影像对植被类型进行划分成为可能。近年来，随着遥感科学技术的快速发展和不同传感器对地观测系统的大量应用，获取同一地区的多平台、多传感器、高光谱、高分辨率和多时相的多源遥感数据越来越容易。根据研究目的，可以将多源遥感影像进行融合，获取比任何单源遥感影像更丰富、精度更高的图像信息[2-3]，同时多源遥感数据融合可以消除多传感器之间信息的冗余和矛盾，降低不确定性，减少影像模糊度，增强图像信息的透明度，获取对观测目标完整、一致的信息描述，最终实现图像解译精度和动态监测能力以及遥感信息利用率的提高[4-6]。

草地作为我国生态系统的天然屏障，在减缓气候变化中起着重要作用，草地植被对环境变化具有较高的敏感性。近年来，随着气候变化，西北天山山区处于气候从暖干向暖湿转型的显著变化区[7]，加之人类活动的干扰，草地覆盖和利用状况发生了明显变化。目前不少学者对天山山区草地植被进行了研究，王新欣等[8]利用MODIS NDVI 对天山北坡中段草地进行生物量估测，建立了生物量动态估测模型；黄敬峰和王秀珍[9]研究了天山北坡中东段天然草地植被光谱特征；师庆东等[10]利用分区分类方法对新疆北部植被进行分类提取。本研究利用多光谱影像TM(波段2、3、4，分辨率30 m)和ETM+全色波段(分辨率15 m)，将它们进行融合处理，既可提高光谱分辨率，又可提高空间分辨率，对融合后的图像采用人机互动的解译方法，将天山北坡的植被类型进行分类，以期为合理利用和科学管理草地资源以及牧业发展规划提供理论依据。

1 材料与方法

1.1研究区概况 阜康市位于亚欧大陆腹地，新疆维吾尔自治区中北部，天山东段北麓，准噶尔盆地南缘(43°45′～45°30′ N，87°46′～88°44′ E)。研究区地势自东南向西北倾斜，海拔450～5 445 m，地势起伏大。阜康市属中温带大陆性干旱气候，年均气温平原区为6.7 ℃，山区为2.54 ℃，年均降水量205 mm，降水的年际变化和季节变化大，年均无霜期174 d[11]。研究区地形和气候条件的多样性，造就了多样的土壤和植被类型。阜康境内土壤类型主要有草甸土、棕钙土和灰漠土。不同的地貌区域内形成不同的植被群落类型，植被的垂直分异特征明显，随海拔升高可以分为低地盐化草甸、温性荒漠、温性荒漠草原、温性草原、温性草甸草原、温性草甸和高寒草甸[12]。

1.2数据来源 本研究选用的遥感影像为阜康市1999年8月23日Landsat 7-ETM+全色波段和2008年9月24日Landsat 5-TM数据，来源于中国科学院遥感卫星地面站；1∶5万地形图数据来自阜康市畜牧局和统计局；1 km分辨率的DEM数据来自中国西部环境与生态科学数据中心(http://westdc.westgis.ac.cn/)。地面实地调查数据为2008年8月和2009年10月对研究区域的草地植被调查数据；在研究区，根据地质地貌和植被类型设置样带，在每个样带选取有代表性的样地，在每个样地设置1个大样方(10 m×10 m)，在大样方四角及中心部位各设置1个小样方(1 m×1 m)，共5个，进行植被群落调查，并记录样地周围植被利用状况及样方的经纬度和海拔等信息，为获取解译标志，完成室内解译工作收集资料。

1.3数据处理

1.3.1几何校正 原始遥感数据为中国科学院遥感卫星地面站提供的Level 2数据，该数据是经过辐射校正和系统几何校正后的产品。利用地面控制点，对Level 2数据进行几何精校正，并进行坐标变换和裁剪处理。最后获得研究区两期标准影像，投影类型为通用横轴墨卡托投影(UTM)，椭球体为WGS-84，图像校正的均方根误差控制在1个像元[13-14]。

1.3.2数据的融合 遥感影像数据融合[15]是指对不同分辨率遥感影像的融合处理，处理后的遥感影像既有较好的空间分辨率，又有多光谱特征，从而达到图像增强的目的。Landsat ETM+全色波段影像具有15 m的空间分辨率，可以很清楚地表现地物纹理特征，而Landsat TM 影像空间分辨率虽然仅有30 m，但是包含比较丰富的光谱信息，将ETM+全色与TM影像融合，可以同时发挥两种数据源各自的优势。在数据融合前对遥感影像进行去云处理[16]，以区分云和冰雪(图1)。

ETM+全色与TM影像数据的融合是在ERDAS 9.1软件下运行Resolution Merge命令完成的。为了增强目视解译的有效性，采用主成分变换法进行融合(图2)，重采样方法为3次卷积插值法(Cubic Convolution)。

1.3.3归一化植被指数 实践证明归一化植被指数(Normalized Difference Vegetation Index，NDVI)对于土壤背景的变化较为敏感，本研究选择NDVI来计算阜康市典型草地植被指数，公式如下[17]：

图1 研究区原始图像及融合后的遥感影像Fig.1 The raw remote sensing image and fused image in the study area

(1)

式中，RNIR为近红外波段4反射率；RRed为红光波段3反射率。

图2 数据融合流程图Fig.2 Flow chart of remote sensing data fusion

1.3.4分类精度检验 结合野外实地调查的植被类型资料，在研究区采用地表真实感兴趣区(Region of Interest，ROI)采样方法选取了36个ROI，每种植被类型均随机选取样本点3～8个。在图像上建立感兴趣区，然后建立误差矩阵表，计算总体分类精度、用户精度、制图精度等基本精度估计量。在此基础上，进行Kappa系数分析。Kappa分析采用另一种离散的多源技术，可以克服以上基本精度估算中由于像元类别的小波动导致其百分比变化的缺点，从而可以更客观地评价分类质量[15]。具体公式如下：

(2)

式中，Pc是总体分类精度，它表述的是对每一个随机样本所分结果与地面对应区域的实际类型相一致的概率；Pkk是误差矩阵表中对角线上对应值，即实测数据类型和分类数据类型一致的像元数量；P是实测和分类总的像元数量。

(3)

式中，Pui是用户精度(对于第i类型植被)，表示从分类结果中任取一个随机样本，其所具有的类型与地面实际类型相同的条件概率；Pii是第i类的实测数据类型和分类数据类型一致的像元数量；Pi+1是分类结果中第i类像元数量之和。

(4)

式中，PAj是制图精度，表示相对于地面获得的实际资料中的任意一个随机样本，分类图上同一地点的分类结果与其相一致的条件概率；Pjj是第j类的实测数据类型和分类数据类型一致的像元数量；P+j为实测数据中第j类的像元数之和。

(5)

式中，Khat是Kappa系数，r是误差矩阵中总列数(即总的类别数)；xii是误差矩阵中第i行第i列上像元数量；xi+和x+i分别是第i行和第i列的总像元数量；N是用于精度评价的总像元数量。

2 结果与分析

2.1植被类型的划分 根据中国植被类型图[18]，研究区植被类型主要包括荒漠植被、荒漠草原、温带草原、温带草甸草原、温带草甸、高寒草甸和耕地。这些植被类型是确定解译对象和类型的重要参考。但是所划分的类型，有些在图像解译过程中难以判别。因此，在确定具体的解译标志时，需要进行实地野外调查，结合观测资料、图像特征和制图原则，最后确定出8种解译标志(表1)。

表1 研究区植被分类系统Table 1 Vegetation classification system of study area

2.2目视解译标志的建立 遥感图像的解译标志又称判读标志[15]，指在遥感图像上能具体反映和判别地物或现象的影像特征。根据遥感图像中不同地物的色调、阴影、大小、形状、纹理、图案和位置等信息，结合影像拍摄时间、季节、图像的种类、比例尺、地理区域和研究对象，可以整理出不同目标在图像上所特有的表现形式。表2是依据融合图像及野外样地调查确定的8类地物的解译标志。

表2 研究区域遥感图像目视解译标志Table 2 Visual interpretation mark of image in study area

2.3专题信息的分类与评价

2.3.1基于专家知识决策树的分类 根据目视解译结果，对每类地物选取一定数量的感兴趣区，然后利用最大似然法，先进行监督分类得到阜康市典型草地的初步分类结果。为了便于后续的处理，将沙漠植被和平原荒漠草地合并为荒漠草地，将水体和冰雪合并为冰雪类，将小面积的城镇用地依据NDVI数值大小归并入农田或者荒漠草地，并重新编码。图3是基于专家知识的分类器构建过程，主要包括相应信息的获取及预处理，地物特征提取和分析，加入NDVI植被指数、海拔、纹理特征提取知识，并以此制定分类规则，构造专家分类器。

2.3.2分类结果 根据目视解译结果，利用植被和海拔等信息对研究区进行分区。使用的变量包括NDVI(主要用来提取研究区植被信息)和DEM数字高程模型(主要用来区分耕地和山地森林、平原荒漠和山前荒漠)。通过对各类地物特征反复采样、测试和对比分析，构造研究区的分类规则(图4)。

图3 基于专家知识的分类器构造流程图Fig.3 The flow chart of classifier based on expert knowledge

图4 基于专家知识的分类系统决策二叉树Fig.4 The decision-making binary tree based on expert knowledge

根据专家知识的分类器流程图并结合分类决策树，对天山北坡阜康市草地植被类型进行划分，分类后对其进行预处理，将沙漠植被和平原荒漠进行分离，湖泊或水库与冰雪类别进行分离获得草地类型图(图5)。

2.4分类结果精度分析 结合野外实地调查资料并参考《中国植被图集》中新疆植被类型资料[18]，在研究区采用地表真实感兴趣区采样方法选取36个ROI。由于水库坑塘、冰雪区、城镇用地和无植被裸地在研究区分布面积较小，将其统一归为“冰雪及其他”，并在该类随机选取3个样本点；在分类精度评价时将平原荒漠和沙漠植被合并为一类，在每个植被类型分别随机选取样本点3～8个。通过在图像上建立感兴趣区，计算相关指标并进行精度评价，得到基于专家知识决策树分类的精度评价结果(表3)。

不同草地类型的分类生产精度和用户精度较高，错分和漏分误差较小；分类总精度超过95%，Kappa系数为0.939 6(表3)，说明基于专家知识系统的分类结果在本研究区具有可行性，分类结果较好。

3 讨论与结论

数据融合能提高图像分辨率，改善图像几何精度，增强图像特征并能改善分类精度。国内外许多学者在多源遥感数据应用研究中，进行融合的影像多为同一时间获取的数据或者相邻年份的多源遥感影像[19-21]，本研究中两期数据时间间隔为9年，对植被类型分类精度有一定影响，尤其对土地利用变化明显的植被类型的划分影响较大。然而，研究区处于西北内陆经济发展相对落后地区，城镇建设用地面积小，土地利用变化幅度较小，并且城镇扩张较慢[22]；同时研究区Landsat遥感影像受云层影响较为严重，可利用的遥感影像较少，其中Landsat 7-ETM+影像只有1999年可用；本研究利用1999年影像和2008年Landsat 5-TM影像进行数据融合，对融合影像进行植被类型划分，并且获得了较高的植被分类精度。

图5 天山北坡阜康市主要草地植被类型图Fig.5 Grassland type maps of Fukang in Xinjiang

表3 基于专家知识的分类精度评价Table 3 The accuracy evaluation of classification based on expert knowledge

在遥感数据融合基础上，根据遥感图像中不同地物色调、阴影、大小、形状、纹理和位置等解译要素的综合分析，建立目视解译标志，通过监督分类将阜康植被分为8种植被类型。在监督分类的基础上，通过建立专家知识决策树，进一步将新疆阜康典型草地植被分为5类，包括平原荒漠、沙漠植被、低山荒漠、温性草甸和高寒草甸。精度分析的结果表明，分类的总精度超过95%，Kappa系数为0.939 6，分类效果比较好并且符合实际植被覆盖状况，说明该数据融合方法在研究区植被分类中具有一定的可行性，同时基于专家知识系统建立的决策树分类方法在研究区分类精度高、效果好。

本研究采用的多年间隔的数据融合方法在研究区具有较好的分类效果，然而对于可用的遥感影像较少、城镇扩张缓慢、土地利用变化较小的其他地区，是否具有可行性需要进一步研究。同时，本研究提出的植被分类方法仅利用了图像纹理特征、植被指数和DEM等指标，在以后的研究中如能综合考虑坡度、坡向和植物表面温度等信息，可能会进一步提高分类精度。

[1] 李晓兵，史培军.基于NOAA/AVHRR数据的中国主要植被类型NDVI变化规律研究[J].植物学报,1999,41(3):314-324.

[2] 许榕峰，徐涵秋.ETM+全色波段及其多光谱波段图像的融合应用[J].地球信息科学,2004,6(1):99-103.

[3] Liu J G.Evaluation of landsat-7 ETM+panchromatic band for image fusion with multispectral bands[J].Natural Resources Research,2000,9(4):269.

[4] 韩玲，吴汉宁.TM与ETM影像融合用于地质构造解译[J].遥感信息,2004(2):35-37.

[5] 贾永红，李德仁，孙家柄.多源遥感影像数据融合[J].遥感技术与应用,2000,15(1):41-44.

[6] Xie Y C,Sha Z Y,Yu M.Remote sensing imagery in vegetation mapping:A review[J].Journal of Plant Ecology-UK,2008,1(1):9-23.

[7] 施雅风，沈永平，李栋梁，等.中国西北气候由暖干向暖湿转型的特征和趋势探讨[J].第四纪研究,2003,23(2):152-164.

[8] 王新欣，朱进忠，范艳敏，等.基于MODIS-NDVI的天山北坡中段草地动态估产模型研究[J].草业科学,2009,26(7):24-27.

[9] 黄敬峰，王秀珍.天山北坡中东段天然草地光谱植被指数特征[J].山地学报,1999,17(2):119-125.

[10] 师庆东，吕光辉，潘晓玲，等.遥感影像中分区分类法及在新疆北部植被分类中的应用[J].干旱区地理,2003(3):264-268.

[11] 杨峰，钱育蓉，李建龙,等.天山北坡典型荒漠草地退化特征及其成因[J].自然资源学报，2011,26(8):1306-1314.

[12] 冯缨，许鹏，安沙舟，等.天山北坡中段草地类型α多样性研究[J].干旱区研究，2005，22(2):225-230.

[13] Asner G P,Townsend A R,Bustamante M M C,etal.Pasture degradation in the central Amazon:Linking changes in carbon and nutrient cycling with remote sensing[J].Global Change Biology,2004,10(5):844-862.

[14] Numata I,Roberts D A,Chadwick O A,etal.Characterization of pasture biophysical properties and the impact of grazing intensity using remotely sensed data[J].Remote Sensing of Environment,2007,109(3):314-327.

[15] 赵英时.遥感应用分析原理与方法[M].北京:科学出版社,2003:202-208.

[16] 李志林，朱庆.数字高程模型[M].武汉:武汉测绘科技大学出版社,2000

[17] 毛飞，侯英雨，唐世浩，等.基于近20年遥感数据的藏北草地分类及其动态变化[J].应用生态学报,2007,18(8):1745-1750.

[18] 中国科学院中国植被图编辑委员会.1∶1000000中国植被图集[M].北京:科学出版社,2001:320-336.

[19] Franklin S E,Bloggett C F.An example of satellite multisensor data fusion[J].Computers & Geosciences,1993,19(4):577-583.

[20] 王祖伟，秦其明.多源遥感数据融合及其在城市研究中的应用[J].测绘通报，2002(3):22-24.

[21] 袁金国，王卫.多源遥感数据融合应用研究[J].地球信息科学，2005,7(3):97-103.

[22] 李志文.阜康市土地利用/覆盖变化过程及其社会经济驱动力分析[D].乌鲁木齐：新疆农业大学,2005.