分层抽样支持的广州市南沙区湿地景观遥感分类

李天翔， 龚建周， 崔海山， 陈晓越

(广州大学 地理科学学院， 广东 广州　510006)



分层抽样支持的广州市南沙区湿地景观遥感分类

李天翔， 龚建周， 崔海山*， 陈晓越

(广州大学 地理科学学院， 广东 广州510006)

南沙区是广州市“南拓”战略的重点发展区域，在城市化过程中若能合理利用与保护境内具有重要生态功能的湿地资源，将有利于促进区域可持续发展.基于分层抽样技术，通过使用Erdas Imagine软件的Frame Sampling Tool工具和Landsat OLI影像，对南沙区的湿地景观进行分类.结果表明：①基于分层抽样的分类方法具有较高的分类精度，如湿地景观分类总精度为84%，Kappa系数为0.8；②该方法通过Erdas Imagine软件的Frame Sampling Tool平台可以对样本进行更有效地估计、训练及管理；③广州市南沙区内湿地资源丰富，占研究区总面积的40.84%，主要分布在珠江出海口及各支流的附近.

湿地景观； 遥感分类； 分层抽样技术； 帧采样框； 广州市南沙区

湿地是陆地和开阔水体之间的过渡地带，包括天然或人工、长久或暂时的沼泽地、泥炭地或水域地带[1].湿地在调节气候、蓄水、净化水质、维持区域生态安全和保护生物多样性等方面都有着重要的作用[2].因其特殊的甚至不可替代的生态功能，以及人口猛增和经济全球化严重威胁到世界范围内水资源的可持续性发展，湿地研究已成为国内外学者们关注的热点[3].刘红玉等[4]将湿地景观的概念界定为“以湿地为主体对象，空间上由湿地斑块、廊道，以及在发生、变化和功能上，与湿地有着相互联系的其它类型空间单元、聚合而成的一定异质性的地理区域.在这个地理区域内，其他类型空间单元通过与湿地景观单元间的作用影响湿地生态过程和功能，并形成具有特定湿地景观组合特征和整体性特征的景观区域”.自20世纪90年代以来，虽然作为湿地学科新兴领域的湿地景观研究日益走向成熟，然而其基础性的湿地景观分类研究相对偏少[2].

湿地景观分类是借助景观生态学的原理方法，用一系列指标描述湿地特征及差异，进行湿地景观生态类型的划分，从而建立湿地景观生态分类体系[2].随着3S技术发展及其广泛应用，多国学者已基于遥感数据和GIS技术，进行湿地景观遥感分类[5].集3S技术、定量数据模型以及人工智能的耦合自动分类模型，将是未来湿地景观分类研究的重点和难点[6].已有学者借用面向对象、决策树、人工神经网络、支持向量机、独立分量分析等遥感分类方法，进行湿地景观分类[7-10].由于各种方法本身具有的局限，加上湿地景观类型复杂和景观边界模糊，遥感影像“同物异谱、同谱异物”的现象和混合像元问题的存在影响到湿地景观的遥感分类精度，使其成为湿地科学研究的难点.

随着遥感数据日益增多以及其应用日趋普遍，遥感信息提取效用已成为遥感数据应用的瓶颈[11].胡慧萍[12]认为人们对遥感信息的认识和利用程度远远落后于通过空间和航空系统获取信息的速度.目前，获取遥感图像信息的方法有非监督和分类监督2大类.其中，监督分类(Supervised Classification)是依据典型样本训练方法进行分类的技术，已在遥感影像信息提取方面得到广泛应用.其主要步骤是选取训练样本和逐像元对影像进行研究判别.基于不同的判别标准或算法，监督分类方法又包括最小距离分类、马氏距离分类、Parallelpipe、神经元网络分类、模糊分类、最大似然法等方法.而传统的人工采样方法工作量大、效率偏低、人为干扰较大，选取的训练样本往往比较任意或不具有代表性[13].基于分层抽样的原理，Erdas Imagine软件内嵌一个分层采样工具(Frame Sampling Tool)，使监督分类的样本训练更方便，选取样本更具统计学意义的代表性.

位于广州市南端的南沙区，是广州城市空间“南拓”发展战略的重点开发区域.区内湿地资源丰富，为广州城市发展提供了宝贵的土地资源和良好的生态环境.但城市扩展过程已不可避免地影响到湿地资源，已有学者对南沙湿地生态系统的生态特征现状、生态系统的服务功能与保护等进行研究[14-15]，而作为研究基础的湿地景观分类未见报道.基于分层抽样技术及原理，本文采用Erdas Imagine平台的帧采样(Frame Sampling Tool)工具，对广州市南沙区湿地景观进行遥感影像分类，探讨中小城市湿地景观遥感分类的可行方案.

1　研究区概况及数据

1.1研究区概况

南沙区总面积803 km2，年常住人口72万人.南沙位于广州市域的最南端，22°32′～22°54′N、113°17′～113°44′E之间.南沙区东望东莞虎门，西临中山、佛山，北侧与广州市番禺区相接，南面濒临伶仃洋，是珠江出海口和珠三角区域的中心.其地理区位优越，不仅是珠江流域通往海洋的主要通道，还是连接珠江口岸城市群的重要水陆交通枢纽(图1)，在推动珠三角整体发展的战略中具有重要意义.

图1　研究区域位置

南沙区内水网密布，河涌纵横，有多条重要水道经过，海岸线漫长曲折，加之长期的人工围垦，形成了类型多样、面积广大的湿地.近年来，在广州市快速城市化的过程中，南沙区内大量的自然湿地被围垦、开发，湿地生态系统受到损害，湿地景观受到不同程度的破坏.随着南沙自贸区的正式确立，广州市“南拓”进程不断加快，对南沙区的开发利用将是广州市未来几年的发展重点.在推进南沙区开发建设的过程中，合理利用与保护具有重要生态功能的湿地资源，是实现社会经济与生态环境可持续发展的重要内容.

1.2数据

(1)遥感影像数据：①覆盖研究区的用于湿地景观遥感分类的Landsat OLI影像.轨道号为122/44幅，空间分辨率为30 m，获取时间为2014年1月16日；影像云量21.85%(分布在深圳、东莞、惠阳)；②用于检验分类效果的多景Google Earth影像(空间分辨率为2 m，获取时间为2013年10月～2014年1月).(2)源于南沙区政府网站公布的电子地图获研究区行政边界图(http://www.gzns.gov.cn/zjns/).(3)野外实地考察资料.

2　分层抽样技术的湿地景观遥感分类

2.1遥感数据预处理

数据预处理包括遥感影像几何精校正、剪裁和波段合成等.①几何精校正：在Erdas Imagine平台对Landsat OLI影像和与之对应的Google Earth影像进行了图到图配准的几何精校正，均方根误差控制在1个像元以内；②裁剪：基于研究区行政边界图，对研究区影像进行裁剪，提取南沙区范围内的遥感影像；③波段合成：根据各湿地类型不同的反射率特征，对多光谱图像进行不同波段合成，以利于不同类型样本的提取，涉及到的波段有2、3、4、5和6,共5个.

2.2湿地景观遥感分类体系

由于湿地系统自身的复杂性，长期以来的湿地科学研究一直缺乏1个能够得到广泛认可的湿地景观分类方法和分类系统[2,4,9].参考国际湿地分类系统及湿地景观研究成果，结合自然和区域特性，构建湿地景观类、景观亚类和景观型3个层次的分类体系，见表1.

表1　南沙区湿地景观分类体系

2.3分层抽样技术的湿地景观遥感分类

2.3.1分层抽样技术原理

分层抽样又称帧采样，首先，将抽样总体按照某种特征或规则划分为若干不同的次级总体(层)，即遥感领域所谓的帧；接着，在各层进行抽样，通过分析所抽取的样本，达到对其总体特征进行估计的目的.与简单随机抽样相比，分层抽样的优势在于当抽取样本单元的数量相同时，分层抽样能够获得比简单随机抽样更高的估计精度，即能够获得更高的抽样效率[16].与简单随机抽样相比，分层抽样具有更高的效率，其推导过程如下：

分层抽样估计值的方差为

(1)

简单随机抽样估计值的方差为

(2)

(3)

将式(3)代入式(2)得到

(4)

2.3.2基于Frame Sampling Tool的分层抽样湿地景观遥感分类

基于Frame Sampling Tool工具，进行湿地景观遥感分类的具体技术流程，见图2.

(1)建立湿地类层

对遥感影像进行基于分层抽样的分类之前，首先要进行湿地类层的建立与划分.考虑到目标层划分的原则，应提取各层层内单位与层间单位的目标值.因此，要对研究区的Landsat OLI影像进行基于帧采样的分类，必须先要对遥感影像进行初步的分类.本研究利用非监督分类将广州市南沙区的TM影像初步分为40类.通过初步分类的结果，对广州市南沙区进行湿地类层的建立，目标层根据本研究所构建的湿地分类系统划分为滨海湿地及沿海滩涂、湖泊湿地、河流湿地、养殖基塘和其他景观等5类.在Erdas Imagine 中利用Grouping Tools和Recode功能将上述5类湿地景观进行归类和重新编码，将其设置为5个独立的目标类层.

(2)建立取样格网与选取样本

完成湿地层的建立后，需要对研究区的取样格网进行建立.本文以用于参照的Google Earth影像的边界为掩膜，建立研究区的取样格网.其中，取样格网的样本总数为768个，覆盖研究区遥感影像的80%，单个样本大小为1 000×1 000，单位为像元.

本研究分别在每种分层方案下选取40个样本进行分析，样本选取的方法为系统随机抽取和手动选取相结合，2者所选取样本的比例为1∶1.系统随机抽取时，系统会根据样本在各层的分布情况进行选取，保证所选样本具有该层的代表性.而手动选取可以避免样本在空间上过度集中，分布不均.

图2　分层抽样湿地景观分类方法流程图

(3)解译点阵格网与帧采样分析

在完成样本的选取后，需要对每个样本所在区域建立点阵格网进行解译.本研究以2013年10月～2014年1月的多景Google Earth高分辨率影像作为参考，对所选取样本进行解译，具体步骤如下：

首先，样本区点阵格网的设置.在样本所在区域建立15×15的点阵格网，并通过调整点阵格网的位置使其80%以上的点位于样本框内.

然后,对点阵格网进行解译.通过参考作为背景的同期Google Earth影像，为点阵格网设置不同的标签，点阵格网标签类型的选择参考本研究建立的广州市南沙区湿地分类系统，分为滨海湿地、沿海滩涂、湖泊湿地、河流湿地、养殖基塘和其他景观等5类.解译后的点阵格网见图3，根据各点在参考影像上对应的各目标地物，完成对点阵格网的标签设置.对于超出参考影像范围的点，标注为无效区域，不参与分析.为保证所选样本的有效性，单个样本框中位于无效区域的点数不应超过点阵格网的10%，即有效点的数量必须大于或等于203个.

最终，在完成对各样本的解译后，即可通过帧采样分析对目标湿地类进行提取.提取的过程根据每层所在的样本单元的加权比例对整体比例求和来计算出研究区域中目标湿地类的比例，得到各像元值属于各类(层)的概率，最后得出分类的结果.

图3　完成解译的点阵格网

3　结果与分析

3.1分类结果修正及精度检验

在初步的分类结果中，湖泊湿地与养殖基塘的混淆情况较为严重.考虑到湖泊湿地景观在研究区的分布较少，而初步分类结果中湖泊湿地的面积较高，故对湖泊湿地的分类结果进行修正.修正方法以斑块面积大小为依据，结合参考高分辨率的Google Earth影像数据，将分类结果为湖泊湿地且面积小于1 hm2的图块重新归划到养殖基塘类.

此外，研究区的大部分天然水域位于珠江出海口，是一个半封闭的海岸水体，与伶仃洋相连，并受到来自珠江的淡水稀释，在海洋与河流的边界附近会出现错分、误分的个别斑块.本研究根据滨海湿地及沿海滩涂与河流湿地这2种湿地景观的分布及其完整性，对2种景观边界附近被错分、误分的斑块进行了人工修正.

在完成对分类结果的修正后，接下来进行精度检验.利用ArcGIS 10.1中的Create Random Point工具随机产生200个点(每种景观中分布40个)，结合Google Earth影像及野外探查检验样本，通过混淆矩阵方法对分类结果进行精度检验，湿地景观遥感分类总精度为84%，Kappa系数为0.8.

3.2湿地景观分类结果

经过不断地修正与完善，最终得到2014年广州市南沙区湿地景观遥感分类结果，见图4.研究区其他类景观和湿地景观总面积分别为474.91 km2和329.55 km2，达59.16%和40.84%.如图所示，滨海湿地及沿海滩涂主要分布在珠江口水域及龙穴岛南部的滩涂区域，是研究区的主要湿地景观类型，占总面积的15.85%.湖泊湿地主要分布在黄阁镇的蝴蝶洲公园及黄山鲁森林公园等区域，是面积最少的湿地景观类型，仅占0.13%.河流和养殖基塘2种湿地景观面积相当，占总面积的比分别为12.22%和12.54%；其中，河流湿地主要为珠江的各条汊道，包括沙湾水道、滨奇沥水道、洪奇沥水道、蕉门水道和横沥水道等；养殖基塘散落在研究区的村镇与农田之间，以及龙穴岛北部、新垦镇南部靠近珠江口的位置.

图4　湿地景观遥感分类图

4　讨　论

从方法上看，分层抽样技术支持的遥感影像分类方法具有较高的分类效率.一方面，与基于简单随机抽样的传统监督分类方法相比，基于分层抽样技术的分类方法可以通过更少的样本数量达到同样的估计精度，具有更高的估计效率.另一方面，通过Erdas Imagine软件中的Frame Sampling Tool工具，可以更为方便地对样本进行训练，具有更高的工作效率.这尤其在对类型复杂多样、分布界限模糊的湿地景观进行分类时具有重要的实际意义.尽管如此，这种分层抽样的湿地遥感分类方法依然存在着一定的局限性.因为湿地类层的建立、样本格网的选取与解译等步骤都需要人工参与，分类结果容易受到研究者的主观影响，所以该方法需要研究者对研究区的湿地状况要有较全面的认识.此外，研究区地处珠江三角洲，河网密布，加上长期被人为开发，其湿地的景观破碎化程度较高，而Landsat OLI影像的分辨率有限，无法提供足够的细节，不能满足其分类的精度要求.在对研究区中更多面积较小的湿地景观(如沟渠等)进行区分时，依然存在较大的困难.随着遥感技术的不断发展，影像的空间、时间和光谱分辨率都在不断提高，如何通过使用多源影像减少数据源自身的局限性，在复杂的湿地环境中有效地提取信息，仍然有待进一步研究与探讨.

5　结　论

通过分析结果的检验和景观分析结果可知，基于Erdas平台的Frame Sampling Tool工具和Landsat 8 OLI影像，对湿地景观进行的遥感分类具有较高的精度，如湿地景观分类总精度为84%，Kappa系数为0.8，可以满足湿地景观分析.

研究区其他类景观和湿地景观总面积百分比分别达59.16%和40.84%，说明湿地景观是区内的重要生态组分.其中，占比最大的是滨海湿地类型，其值达15.85%；最小的是湖泊，仅占0.13%；河流和养殖基塘2种湿地景观面积相当，占总面积的比分别为12.22%和12.54%.

[1]左平, 宋长春, 钦佩. 从第七届国际湿地会议看全球湿地研究热点及进展[J]. 湿地科学, 2005, 3(1): 66-73.

ZUO P, SONG C C, QIN P. The perspectives and highlights of wetlands research in the worldwide based on the 7th INTECOL international wetl conference[J]. Wetl Sci, 2005, 3(1): 66-73.

[2]李玉凤, 刘红玉. 湿地分类和湿地景观分类研究进展[J]. 湿地科学, 2014, 12(1): 102-108.

LI Y F, LIU H Y. Advance in wetland classification and wetland landscape classification researches[J]. Wetl Sci, 2014, 12(1): 102-108.

[3]FINLAYSON C M, van der VALK A G. Wetland classification and inventory: A summary[J]. Vegetatio, 1995, 118: 185-192.

[4]刘红玉, 李玉凤, 曹晓, 等. 我国湿地景观研究现状、存在的问题与发展方向[J]. 地理学报, 2009, 64(11): 1394-1401.

LIU H Y. LI Y F, CAO X, et al. The current problems and perspectives of landscape research of wetlands in China[J]. Acta Geogr Sin, 2009, 64(11): 1394-1401.

[5]RIO J N R, LOZANO-GARCIA D F. Spatial filtering of radar sata (RADARSAT) for wetlands (Brackish Marshes) classification[J]. Remote Sens Environ, 2000, 73: 143-151.

[6]曹宇, 莫利江, 李艳, 等. 湿地景观生态分类研究进展[J]. 应用生态学报, 2009, 20(12): 3084-3092.

CAO Y, MO L J, LI Y，et al. Wetland landscape ecological classification: Research progress[J]. Chin J Appl Ecol, 2009, 20(12): 3084-3092.

[7]王庆光. 基于人工神经网络的湿地遥感分类研究[D]. 北京:中国地质大学(北京), 2006.

WANG Q G. Remote sensing classification study of wetland based on artificial neural network[D]. Beijing:China University of Geosciences, 2006.

[8]张策, 臧淑英, 金竺, 等. 基于支持向量机的扎龙湿地遥感分类研究[J]. 湿地科学, 2011, 9(3):263-269.

ZHANG C, ZANG S Y, JIN Z, et al. Remote sensing classification for Zhalong wetlands based on support vector machine[J]. Wetl Sci, 2011, 9(3):263-269.

[9]莫利江, 曹宇, 胡远满, 等. 面向对象的湿地景观遥感分类——以杭州湾南岸地区为例[J]. 湿地科学, 2012, 10(2):206-213.

MO L J, CAO Y, HU Y M, et al. Object-oriented classification for satellite remote sensing of wetlands:A case study in Southern Hangzhou Bay area[J]. Wetl Sci, 2012, 10(2):206-213.

[10]东启亮, 林辉, 孙华, 等. 独立分量分析与主成分分析方法的湿地遥感分类精度对比——以西洞庭湖湿地为例[J]. 湿地科学, 2014, 12(3): 332-339.

DONG Q L, LIN H, SUN H, et al. Comparison of accuracy on wetland remote sensing classification between independent component analysis and principal component analysis methods: A case study of wetlands in Western Dongting Lake[J]. Wetl Sci, 2014, 12(3): 332-339.

[11]宫鹏. 遥感科学与技术中的一些前沿问题[J]. 遥感学报, 2009, 13(1):13-23.

GONG P. Some essential questions in remote sensing science and technology[J]. J Remote Sens, 2009, 13(1):13-23.

[12]胡慧萍. 面向对象分类技术的景观信息获取[D]. 长沙:中南大学, 2007.

HU H P. Object oriented classification technology for landscape information extraction[D].Changsha:Central South University, 2007.

[13]杨鑫. 浅谈遥感图像监督分类与非监督分类[J]. 四川地质学报, 2008, 28(3): 251-254.

YANG X. An elementary introduction to supervised and unsupervised classification of remote sensing image[J]. Acta Geol Sichuan, 2008, 28(3): 251-254.

[14]李英华, 杨志峰, 崔保山. 广州南沙地区湿地生态特征现状分析[J]. 北京师范大学学报： 自然科学版, 2004, 40(4): 534-539.

LI Y H, YANG Z F, CUI B S. An analysis on the present wetland ecological characters of Nansha area in Guangzhou[J]. J Beijing Norm Univ: Nat Sci, 2004, 40(4): 534-539.

[15]彭友贵, 陈桂珠, 夏北成, 等. 广州南沙地区湿地生态系统的服务功能与保护[J]. 湿地科学, 2004, 2(2): 81-87.

PENG Y G, CHEN G Z, XIA B C, et al. Service and conservation functions of wetland ecosystem in Nansha district,Guangzhou city[J]. Wetl Sci, 2004, 2(2): 81-87.

[16]杨晓明, 黎镇湘. 应用分层采样技术进行大面积遥感图像分类的研究[J]. 北京林业大学报, 2003, 25(S1): 33-35.

YANG X M, LI Z X. Application of stratum sampling to classification of RS image[J]. J Beijing For Univ, 2003, 25(S1): 33-35.

【责任编辑： 孙向荣】

Remote sensing classification for wetlands in Nansha district of Guangzhou based on stratified sampling

LI Tian-xiang, GONG Jian-zhou, CUI Hai-shan, CHEN Xiao-yue

(School of Geographical Sciences, Guangzhou University, Guangzhou 510006, China)

Nansha district is an important area of Guangzhou city, which has rich wetland resources. If these wetlands could be reasonably used and protected, it would benefit the sustainable development of Nansha. Based on the Frame Sampling Tool of Erdas Imagine and data of Landsat OLI imagery, the methodology of stratified sampling was applied to remote sensing image classification of the Nansha wetlands. The research results showed that: ①The stratified sampling methodology has a high classification accuracy (an overall accuracy of 84% and a Kappa coefficient of 0.8 were achieved in this study); ②This method has a high efficiency on sample estimating, training and management via Frame Sampling Tool of Erdas Imagine software; ③Nansha district of Guangzhou has rich wetland resources, which occupy 41.05% of the study area, and mainly distribute near the estuary and branches of the Pearl River.

wetland landscape; remote sensing classification; stratified sampling; frame sampling; Nansha district, Guangzhou

2016-04-18;

2016-05-13

国家自然科学基金资助项目(41171070);教育部人文社科资助项目(12YJC790176)；广东高校省级重点平台和重大科研资助项目(2014KGJHZ009);广州市属高校科技计划资助项目(12014Z1103)

李天翔(1992-)，男，硕士研究生. E-mail: nc.xiang@163.com

.E-mail:cuihaishan@126.com

1671- 4229(2016)04-0089-07

K 903

A