基于面向对象及光谱特征的植被信息提取与分析

崔一娇，朱 琳，赵力娟

(首都师范大学资源环境与旅游学院;北京市城市环境过程与数字模拟国家重点实验室培育基地;三维信息获取与应用教育部重点实验室;城市环境过程与数字模拟国家重点实验室培育基地;资源环境与地理信息系统北京市重点实验室，北京 100048)

植被是反映地理环境(气候、土壤、地貌等)的最好标志［1-2］。在干旱半干旱地区，植被群落组成简单，天然植被更是生物生态系统的重要组成部分，植被对地理环境尤其是植被生长的主要依赖因子就有更为直接的反映［3］，对干旱半干旱地区的植被进行更细致的信息提取不仅对生态环境的保育及研究有着重要的意义，同时也能反映地下水的变化情况，对地下水研究也有着重要的作用。

近年来比较常用的植被分类方法除传统的基于像元的方法，如监督分类、非监督分类、神经网络和模糊数学等，还有基于面向对象的方法［4］，基于像元的方法利用了像元的光谱信息，常存在误分类的情况，有时会产生“椒盐现象”［5］。而面向对象的分类方法弥补了传统分类方法的不足，综合考虑了像元的光谱信息、对象内部的结构、纹理以及相邻对象之间的关联信息［6］。

国内外已有许多学者利用面向对象的方法提取植被信息。Sulong等分别利用1∶5000的航空照片和TM影像，将马来西亚Kemaman地区的红树林划分为14个植被类型，分类精度达到91.12%和87.18%［7］;James等利用ETM+影像，在像元分类基础上运用面向对象方法对美国东北部长岛海峡沿岸的湿地植被进行细分，并对比分析了两种方法的结果［8］;Xujun Ye等利用机载多光谱影像对桔园的杂草信息进行了提取，精度达99.07%［9］;Andrea等结合分类树的方法对干旱牧场草地进行分类，精度可达80%［10］。而在我国，针对草地信息的提取仍多集中在基于像元的方法上，在面向对象方法上，黄慧萍等利用高分辨率影像，成功提取了乔木、灌木、人工草地与疏林地等草地覆盖信息，精度达92%左右［11］;张学儒等人利用高程、NDVI、纹理等信息针对高海拔灌丛植被进行提取，精度达84.7%［4］。我国基于面向对象技术在植被分类应用上还需深入。

西辽河流域属于西北半干旱地区，是环境变化的敏感区，也是国家实施西部大开发战略的重点地区，西辽河流域已经成为我国东北地区生态环境最脆弱的地区之一［12］。本文以西辽河流域平原区为研究对象，采用中分辨率影像，结合野外采集的光谱信息，运用面向对象的分类方法对地物信息进行分类，并对草地类型进行了细分着重提取了植被信息。研究成果能够为西辽河植被生态系统的维持和恢复以及进一步研究植被与水资源关系提供科学依据。

1 研究区概况及数据来源

1.1 研究区概况

西辽河流域平原区位于东北平原西部农牧交错带的东缘，地理坐标为42°34'01″—44°58'47″N，119°3'40″—124°34'25″E(图1)，总面积5.16×104km2。研究区属于温带半湿润向半干旱气候的过渡地区，年际间干湿交替，春季干旱少雨多大风。年降水量343—451mm，并呈现从南向北逐渐减少的规律。由于沙漠化过程，部分土壤已经退化为风沙土，河漫滩和河谷平原上为草甸土，部分区域有盐碱土。植被以疏林草原为主，草本层退化，灌木层发育强烈。

1.2 数据来源

本文采用Landsat-5 TM影像，分辨率为30 m。影像获取时间为2010年7、8、9月份，该时期研究区的植被特征较为明显，利于植被信息的提取。数据预处理分为几何校正、大气校正、镶嵌和裁剪4个步骤。几何校正采用多项式变换，并用最邻近法进行重采样。然后利用ENVI的FLAASH模型对影像进行大气校正。最后对遥感影像进行镶嵌，并用西辽河平原区边界对其进行裁剪。

图1 研究区位置图Fig.1 Location of the study area

植被光谱数据的采集时间为2011年8月，植被生长较旺盛且与影像时间一致。选取研究区内开鲁、通辽、乌尔吉木伦河流域、哈黑尔郭勒流域四个区域作为野外采样区，利用FieldSpec波谱仪对主要植被及土壤进行了光谱采集，光谱测量范围为350—2500nm。每次光谱测定前均进行标定，每株植被测定20次，采样点共25个，共获取34个1m×1m的植物样方。

2 研究方法

面向对象方法主要包括影像分割和信息提取两部分。首先，根据影像像元的同质性自下而上合并形成影像对象;然后，利用对象的空间特征和光谱特征通过隶属度函数或最邻近分类器，实现类别信息自动提取的目的［13］。

图2 技术流程图Fig.2 The flow chart of research

本文利用Definiens eCognition 7.0作为软件平台，其独有的分类范式(分割程序，最邻近分类器，特征空间优化等)提高了分类精度，能够用于提取更详细的植被信息［14］。采用eCognition软件中隶属度函数分类器构建分类树时，结合野外采集的光谱、影像光谱、归一化植被指数(NDVI)等信息对植被信息进行提取，技术流程如图2，主要分为3个部分:影像分割、信息提取以及分类结果的精度评估与出图。

2.1 分类系统制定

西辽河流域平原区植被类型主要有耕地、草地和林地。林地多为人工种植的林场，与农田一样受人为因素影响较大，草地植被则属于天然植被。研究区典型植被包括茵陈、虎尾草、苍耳、稗、披碱草和白刺花。由于地下水是干旱半干旱地区植被生长的主要限制因素之一［3］。根据草地植被与水分的关系将研究区的草甸植被简单分为中生偏旱和中生偏湿两类，表1列出这两类分别包括的植被物种。本次研究中提取耕地、林地、中生偏旱草地、中生偏湿草地、未利用地和水体共6类地物信息。

2.2 影像分割

分割尺度影响着分类结果的精度，根据不同尺度的尝试结果，最终选择分割尺度为70(图3)，分割时其余参数设置如下:波段色彩权重均为1，颜色权重设为0.7，紧凑度设为0.5。由图可以看出分割尺度为20时，对象过于破碎，不利于分类;当分割尺度为120时，分割不够完整，存在一个对象包含了多种地物的现象，而分割尺度70的结果相对兼顾了研究区各种植被的局部细节以及空间几何分布特征。

表1 西辽河流域植被物种的类型Table 1 The types of vegetation in study area

图3 不同分割尺度结果比较Fig.3 The result of different segmentation scale

2.3 信息提取

影像分割后，共获得119384个影像对象，属性特征值的计算分析以及信息的提取过程就是基于这些影像对象进行的。建立各类别的分类规则可以有两种途径，一种是选择地物训练样本，自动建立规则;另一种是分析类别的特征表现，建立分类层次并定义各类别分类规则。本文选择的是第二种方法，选取有效的属性特征、建立分类层次(分类树)、定义隶属度函数是该方法提取地物信息的重要环节。分类层次结构如图4所示，eCognition根据构建的类层次结构，能够对非目标地类进行掩膜，避免提取目标地物时其他类别的干扰。针对各类别主要选取了以下几个属性特征:NDVI、波段反射率均值、波段反射率比率和亮度。

(1)水体

水体在除蓝绿波段外的其他波段上吸收均较为显著，本研究中水体对中红外波段的吸收更为明显，因此利用中红外波段的均值与所有波段均值和之比(中红外波段比属性Ratio(5))区分水体与非水体。

(2)未利用地

由于土壤反射率与土壤含水量密切相关，随土壤水分的增加而降低［15］，西辽河流域平原地处半干旱区，影像上未利用地的亮度值明显较高，亮度值即各个波段反射率均值的平均值，因此在非水体类别中，可以选用亮度属性来提取未利用地信息，未分类部分为植被。

(3)耕地和林地

归一化植被指数NDVI是最常用的植被指数之一，对植被生长状态和植被覆盖度有最佳的指示作用［16］，NDVI能够消除大部分和大气条件有关的辐照度条件变化，很好的发掘遥感影像光谱中的植被信息。西辽河地区耕地和林地均为人工种植，覆盖度较高，因此在未分类部分利用NDVI可以把耕地和林地这些植被茂密的类别与草地信息有效区分开来。虽然耕地和林地在影像上混淆较大，但耕地在形状上多呈有规律的矩形，利用这一特性eCognation中Rectangular Fit属性可以实现耕地的提取，该属性考虑对象的长宽创建一个同面积的矩形，比较对象与矩形的匹配程度，越匹配其值越接近1。

(4)草地

不同的地物类型具有不同的光谱特性，因此可以利用光谱特征的差异识别不同的地物［17］。利用ViewSpecPro光谱处理软件对采集的光谱数据分析得到6种草地植被的光谱曲线。

图4 分类层次结构图Fig.4 Map of class hierarchy structure

根据TM影像的波段信息(只选取蓝、绿、红、近红外和中红外波段)，将六种植被的光谱信息分段分析，统计TM每个波段对应的波谱反射率平均值，得到其均值光谱反射率特征曲线(图5)，由图可以看出这几种草地物种在第1、2、3波段反射率比较接近;而在第4波段，中生偏旱草(虎尾草、苍耳和稗)反射率较为接近，中生偏湿草(披碱草和白刺花)反射率较为接近，两类草地植被光谱反射率有较明显的差异。因此选用第4波段的反射率均值属性作为区分中生偏旱和中生偏湿草地的依据。同时，对草地采样点光谱和采样点对应在遥感影像上的光谱进行比较，调试并确定两类草地理想的光谱阈值范围。

基于上述分析，利用选取的属性特征最终建立的分类规则见表2。

图5 研究区主要草地物种均值波谱反射率曲线图Fig.5 Spectral curve of typical grass object

3 分类结果与精度评价

3.1 分类结果

西辽河流域平原区分类的结果见图6。从制图结果中可以看出，面向对象方法提取的信息结果图斑完整性较好，避免出现了“椒盐现象”。

3.2 精度评价

分类结果的精度评估采用误差矩阵的评价方法，利用野外实地考察结果以及高分辨率影像上目视选取的样本评估分类结果。共选取了100个检查点，其中野外实测采样点25个，高分辨率遥感影像随机采样点75个。中生偏旱与中生偏湿草地样本全部来自野外采样点。精度评价结果见表3。对角线上的元素为被正确分类的样本数目，非对角线上的元素为被混分的样本数目。

表2 分类体系和分类规则Table 2 Classes and rules of feature extraction

图6 2010年影像面向对象分类图Fig.6 Information extraction result of 2010 TM image

表3 分类结果精度评价表Table 3 Accuracy assessment results of classification

4 讨论

由分类结果可以看出，研究区植被在空间分布上存在一些特点，利用ArcGIS软件对研究区植被进行统计及分析，讨论植被分布的规律。

(1)不同植被面积分布

对各类植被信息的面积进行计算，结果得出耕地面积为12167.3km2，占总面积的23.3%;林地面积20350.4km2，占总面积的 38.9%;草地面积 15832.3km2，占总面积的 30.3%，其中，中生偏旱草地面积14206.7 km2，占草地面积的89.7%，中生偏湿草地面积1625.6km2，占草地面积的10.3%。说明西辽河流域平原区以林地为主。草地覆盖也占有很大比重，其中，中生偏旱草覆盖面积远远大于中生偏湿。

(2)不同区县植被面积分布

叠合区县边界数据，针对不同区县统计不同植被信息的面积，由于巴林左旗和公主岭两区在西辽河流域平原区面积过小，不计入统计，由图7可以看出林地主要分布在科尔沁左翼后旗和科尔沁左翼中旗，分别占林地总面积的15.4%和22.8%;耕地主要分布在科尔沁区和科尔沁左翼中旗，分别占耕地总面积的17.6%和20.3%;中生偏旱草主要分布在奈曼旗、科尔沁左翼后旗和科尔沁左翼中旗，分别占中生偏旱草总面积的15.9%，15.1%和14.7%;中生偏湿草主要分布在科尔沁左翼后旗、扎鲁特旗和科尔沁左翼中旗，分别占中生偏湿草总面积的15.9%，13.9%和16.3%。相反，林地在库伦旗、巴林右旗的面积，耕地在库伦旗、巴林右旗及通榆县的面积，中生偏旱草在双辽市、长岭县的面积，中生偏湿草在库伦旗、巴林右旗和长岭县的面积所占最少。可以看出，植被集中的区县(科尔沁区、科尔沁左翼中旗、科尔沁左翼后旗)在研究区中均位于中下游区域，紧靠西辽河、新开河一级河流。植被占面积较少的区县(库伦旗、巴林右旗)主要在上游地区。

图7 各区县植被面积统计图Fig.7 The statistic result of Vegetation area in different countries

(3)不同缓冲带植被面积

由分类结果可以看出在植被分布上，尤其是耕地主要分布在研究区中下游水域附近，且中生偏湿草地也多分布于该地区。对西辽河流域平原区的一级河流分别作5、10、15、20km的缓冲区分析，并对不同缓冲区内的植被面积进行统计，由于离差较大，对纵坐标(面积)取以10为底的对数进行分析，由图8可以看出，耕地主要分布在缓冲区5km内，随着与河流的距离增大，耕地面积明显减少;林地主要分布在缓冲区10km内，随缓冲区距离增大，有一定的减少;草地中，中生偏湿草较集中在10km内，而中生偏旱草的分布随河流缓冲区距离的增大总体呈现减少的趋势，但关系不显著。针对上述三方面讨论得出的特点可以看出，西辽河流域平原区植被以林地、耕地为主，集中分布于河流两侧，且中下游地区植被较上游地区长势更好。分析其原因，一是随林业保护政策以及人类活动的影响，使得西辽河流域平原区林地和耕地在面积占很大优势。二是受自身环境限制，因为研究区地处半干旱环境，地表水资源较为匮乏，近年来地下水资源也出现不足，水资源对植被生长有一定限制。此外，研究区上游土壤盐碱化较为严重，相比之下，中下游土壤养分充足，利于种植，

因此，在空间分布上，植被较为集中分布在河流两侧及中下游地区。三是植被本身的特性也影响其分布的范围，中生偏湿草对水分依赖明显，研究区环境本身不利于中生偏湿草的生长，因此分布较少且集中在水源较充足的地区，相反，中生偏旱草对水分依赖较小，因此在分布上与河流位置关系上的特征并不显著。

图8 不同缓冲区内植被面积统计图Fig.8 The result of vegetation area in different buffer zone

5 小结

利用面向对象的信息提取方法能够有效地提取西辽河平原区2010年的植被信息，分类结果的总体分类精度达到了 82.13%，Kappa 系数为 0.765。

在光谱信息上，研究区中生偏旱和中生偏湿草地植被存在明显的差异，TM影像的第4波段反射率均值属性能够作为区分中生偏旱和中生偏湿草地的依据。

研究区耕地、林地主要受水体分布和人类活动的影像，研究区植被主要分布在中下游游水域附近，在面积上，以林地分布为主，草地类型中，中生偏旱草地占主要优势。在空间位置上，植被较为集中在科尔沁左翼中旗和科尔沁左翼后旗临近河流的旗县。结合一级河流的缓冲分析，林地和中生偏湿草主要集中在一级河流缓冲区10km内，耕地集中在缓冲区5km内，中生偏旱草分布与河流关系不显著。在将来的研究中，可以结合降水、地下水埋深等数据对研究区的植被分布规律做进一步的讨论。

［1］ Wu J，Pan J，Xing L X，Liu A T.Distilling type information of vegetation based on slight subare.Journal of Jilin University(Earth Science Edition)，2007，37(Z1):217-220.

［2］ Zheng D，Li W H，Chen Y P，Liu J Z.Relations between Groundwater and Natural Vegetation in the Arid Zone.Resources Science，2005，27(4):160-167.

［3］ Chen Y N，Li W H，Xu H L，Liu J Z，Zhang H F，Chen Y P.The Influence of Groundwater on Vegetation in theLower Reaches of Tarim River，China.Acta Geographica Sinica.2003，58(4):542-549.

［4］ Zhang X R，Liu L S，Zhang Y L，Zhang J P，Nie Y，Zhang H.Extraction of Shrub Vegetation by Object-Oriented Classification Method Based on ENVI ZOOM in High-Altitude Area:A Case of Dingri County.Geography and Geo-Information Science.2010，26(4):104-108.

［5］ Su W，Li J，Chen Y H，Zhang J S，Hu D Y，Liu C M.Object oriented urban land-cover classification of multi-scale image segmentatio n method a case study in kuala lumpur city center，Malaysia.Journal of Remote Sensing.2007，11(4):521-530.

［6］ Gao Y，Mas J F，Maathuis B H P，Zhang X M，Djik P M V.Comparison of pixel-based and object-oriented image classification approaches a case study in a coal fire area，Wuda，Inner Mongolia，China.International Journal of Remote Sensing，2006，27(18):4039-4055.

［7］ Sulong I，Mohd-Lokman H，Mohd-Tarmizi H，Ismail A.Mangrove mapping using landsat imagery and aerial photographs:Kemaman district，Terengganu，Malaysia.Environment，Development and Sustainability，2002，4:135-152.

［8］ Hurd J D，Civco D L，Gilmore M S，Prisloe S，Wilson E H.Tidal wetland classification from landsat imagery using an integrated pixel-based and object-based classification approach//ASPRS 2006 Annual conference.American Society for Photogrammetry and Remote Sensing.Reno:Nevada，2006:28-39.

［9］ Ye X，Sakai K，Asada S－I，Sasao A.Use of airborne multispectral imagery to discriminate and map weed infestations in a citrus orchard.Weed Biology and Management，2007，7:23-30.

［10］ Laliberte A S，Fredrickson E L，Rango A.Combining decision trees with hierarchical object-oriented image analysis for mapping arid rangelands.Photogrammetric Engineering＆ Remote Sensing，2007，73(2):197-207.

［11］ Huang H P，Wu B F，Li M M，Zhou W F，Wang Z W.Detecting urban vegetation efficiently with high resolution remote sensing data.Journal of Remote Sensing，2004，8(1):68-74.

［12］ Yang J P，Ding Y J，Chen R S，Liu L Y.The interdecadal fluctuation of dry and wet climate boundaries in China in recent 50 years.Acta Geographica Sinica.2002，57(6):655-660.

［13］ Li N，Zhou D M，Zhao K Y.Marshclassification mapping at a community scale using high-resolution imagery.Acta Ecologica Sinca.2011，31(22):6718-6726.

［14］ Platt R V，Rapoza L.An evaluation of an object-oriented paradigm for land use/landcover classification.The Professional Geographer，2008，60(1):87-100.

［15］ Shepherd K D，Walsh M G.Development of reflectance spectral libraries for characterization of soil properties.Published in Soil Sci，2002，66:988-998.

［16］ Purevdorj T S，Tateishi R，Ishiyama T，Honda Y.Relationship between percent vegetation cover and vegetation indices.Remote sensing，1998，19(18):3519-3535.

［17］ Wang H Y，Su W，Zhou J Q.Object-oriented information extraction method of remote sensing image based on multi-classifier mixed.Engineering of Surveying and Mapping.2009，18(5):22-26.

参考文献:

［1］ 吴健，潘军，邢立新，刘安涛.基于景观分区的植被类型信息提取.吉林大学学报(地球科学版)，2007，37(Z1):217-220.

［2］ 郑丹，李卫红，陈亚鹏，刘加珍.干旱区地下水与天然植被关系研究综述.资源科学，2005，27(4):160-167.

［3］ 陈亚宁，李卫红，徐海量，刘加珍，张宏峰，陈亚鹏.塔里木河下游地下水位对植被的影响.地理学报，2003，58(4):542-549.

［4］ 张学儒，刘林山，张镱锂，张继平，聂勇，张华.基于ENVI ZOOM面向对象的高海拔灌丛植被提取——以定日县为例.地理与地理信息科学，2010，26(4):104-108.

［5］ 苏伟，李京，陈云浩，张锦水，胡德勇，刘翠敏.基于多尺度影像分割的面向对象城市土地覆被分类研究——以马来西亚吉隆坡市城市中心区为例.遥感学报，2007，11(4):521-530.

［11］ 黄慧萍，吴炳方，李苗苗，周为峰，王忠武.高分辨率影像城市绿地快速提取技术与应用.遥感学报，2004，8(1):68-74.

［12］ 杨建平，丁永建，陈仁升，刘连友.近50年来中国干湿气候界线的10年际波动.地理学报，2002，57(6):655-661.

［13］ 李娜，周德民，赵魁义.高分辨率影像支持的群落尺度沼泽湿地分类制图.生态学报，2011，31(22):6717-6726.

［17］ 王惠英，苏伟，周军其.基于多分类器组合面向对象遥感影像信息提取方法.测绘工程，2009，18(5):22-26.