面向对象的遥感影像湿地分类与变化检测研究

渠 斌，李新通

(福建师范大学 地理科学学院，福建 福州350007)

湿地是水陆相互作用形成的独特生态系统，有涵养水源、调节气候和径流、控制污染、保持生物多样性等功能，具有重要的生态价值，被称为“地球之肾”[1].近年来，由于人类活动的影响，湿地面积呈大面积减少趋势，对生态环境的保护及人类生产、生活都产生了一定的影响.及时准确地掌握湿地资源的现状和动态变化过程，对湿地的保护和开发有重要意义.

遥感技术是在区域尺度上准确、及时监测湿地的有效手段[2]，已经广泛用于湿地的资源调查和识别，为湿地的研究提供了有力的支撑[3-6].国内外学者利用基于像元的传统分类方法在提取湿地的遥感信息方面做了大量的研究，如神经网络、支持向量机、决策树、规则集等[7，8]近些年，面向对象的分类方法在一些地区的湿地分类研究中被运用.莫利江和谢静分别对杭州湾南岸地区和三江平原的湿地进行遥感分类研究[5,9].陈建龙等基于面向对象和DEM进行湿地提取分析研究，将面向对象的分类方法做了进一步的运用和发展[10].传统的遥感影像分类方法没有充分考虑光谱特征之外的其他空间特征信息，而面向对象的多特征融合的遥感影像湿地分类提取技术，是以若干同质性像元组成的“对象”为处理单元[11]，综合分析地物的光谱特征及形状、纹理、大小等空间特征和上下文关系，能够实现快速分类[10].本文以面向对象的技术为支撑，利用e-Cognition软件，对福州市龙祥岛的湿地情况进行研究分析，以期为该地区的湿地保护和开发利用提供理论支持.

1 研究区域与数据来源

1.1 研究区域

本文以福州市乌龙江流域龙祥岛为研究区(图1)，该地区气候属典型的亚热带季风气候，气温适宜，雨量充沛，年平均降水量为900～2100 mm.根据研究区的实际状况，将目标地类分为建筑与裸地、林地、耕地、滩涂、河流、农用池塘六类，其中滩涂、河流、农用池塘属于湿地.

图1 研究区位和影像数据

1.2 数据来源

研究所用数据为2001年的Aster卫星遥感影像数据和2013年GF-1号卫星遥感影像数据，其中Aster卫星遥感数据用到其3个波段，分别为绿波段、红波段和近红波段，分辨率为15 m；GF-1号卫星遥感数据共用到其4个波段，分别为蓝波段、绿波段、红波段和近红波段，分辨率为8 m，原始影像数据需要进行预处理.由于数据源的限制，选取2001年Aster卫星影像和2013年GF-1影像是为了提高影像分辨率，并采用面向对象的分类方法，验证分类方法对于多种影像的普适性.

2 研究方法

2.1 研究流程

首先通过面向对象分割技术转像元为基元，实现光谱相似像元的聚类;其次挖掘不同类型地物的地物光谱、空间形态、空间分布和空间关系等多种特征;再次通过分层分类、构建规则集，实现遥感影像地物信息自动分类；最后是分类结果的输出和精度评价，并最终进行湿地的变化检测(见图2).

图2 湿地分类及变化检测方法流程图

2.2 遥感数据预处理

第一步，进行遥感影像的辐射标定；第二步，采用常用的FLASSH模型完成大气校正；第三步，以Aster影像为基准进行几何校正，校正误差控制在0.5个像元；第四步，利用所选研究区界线矢量数据分别对预处理后的卫星遥感数据进行裁切[9].

2.3 多尺度分割

采用多尺度分割(multiresolution segmentation)算法进行影像分割，以得到影像对象.基于本文的实验数据和地物分类的细度情况，将Aster影像分割时的参数确定为：[Scale parameter:4,Shape:0.1,Compctness:0.5]，将GF影像分割时的参数确定为：[Scale parameter:15,Shape:0.2,Compctness:0.5].参数的设置是多次实验的结果，尺度过大会导致分类精度降低和地类的混淆，尺度过小会导致地类的破碎化程度严重.

2.4 特征选取

面向对象的分类方法通过分割使影像对象成为信息载体，由此提取到大量特征信息.本研究选取影像对象的光谱特征、空间几何特征和空间关系特征，可以产生更加精确的分类结果.

光谱特征包括：亮度值、各波段均值、波段标准差、归一化植被指数(NDVI)、归一化水体指数(NDWI)等.由于本案例裁剪的影像在e-Cognition中显示会有背景值，背景值会参与计算，背景颜色是黑色，故亮度值是一个明显的区分，从而将分类的区域从中提取出来.水体和绿地在近红外波段下具有较好的区分度，在水体的提取过程中，会用到此波段特征.同时。近红波段作为NDVI和NDWI的计算输入波段.植被在绿波段会有不同的区分，用作区分林地和耕地[14].红波段会参与到NDVI的计算过程.

空间几何特征包括：对象的形状和大小.分割后的对象中，长宽比较大的细长状水体应为农用池塘，形状规则的应为建筑和裸地等人工用地.通过面积指定的方法，将明显错分的地类进行纠正.

空间关系特征：对于类型的相对边界(Rel.border to)、被...包围和45°方向同质性.临近河流的对象应为滩涂.在另一种地类中所包围的某种地类可以被指定为相应的地类，如被建筑和裸地包围的河流指定为农用池塘.

2.5 规则构建

首先分割影像，在分割生成的对象基础上选取训练样本，再导出所选样本的类别名称与各种特征，最后通过Salford Predictive Modeler(SPM)软件进行建模，生成分类决策树得到分类阈值.2001年Aster影像包含规则：Mean_green、Mean_red、NDVI、NDWI、Standard_red.2013年GF影像包含规则： Mean_green、Mean_red、NDVI、Mean_blue、GLCM_homogeneity.通过对比发现，两期不同的影像分类规则中，用到的指标都是5个，相同指标3个，不同指标2个，说明指标的选取具有一定的相关性.由于两期影像类型、波段数量和分辨率的不同，导致分类规则和阈值不同.不同影像的分类规则流程图如图3，其中的一些数字如21、31、32等是中间过程的一些命名，而林地、建筑和裸地、农用池塘后的数字编码则是同一种地类的不同区分，最终的分类结果要合并到同一地类中.

图3 湿地提取分类流程图Fig.3 Flow chart of wetland classification

由于地物地类的复杂性和斑块特征的混合，地物特征不明显的容易被分错.故在执行完上述分类规则后，还需要对影像的分类结果进行检查.对于分错的地物，通过一些明显的特征值(如像元面积、邻近距离、被包围)进行类别重分类，通过assign class 算法进行实现.特征不是特别明显的对象之间可以采用手动修改的方式，达到人机交互的效果，最终完成地物的分类.

2.6 精度评估

通过建立混淆矩阵分别计算分类结果的生产者精度、用户精度、总体精度和总体Kappa系数.利用ArcGIS中“生成随机点”操作，每期影像都要选取400个样本点，分别对其分类结果进行精度评价.

3 结果与分析

3.1 分类结果

基于面向对象的多特征融合的分类方法将研究区分为建筑和裸地、林地、耕地、滩涂、河流、和农用池塘共六大类，分类结果如图4.将湿地分类结果图与影像图进行对比可以看出，不同湿地类型的错分现象主要发生在不同类型的交界处.导致这种错分现象的主要原因是，不同的湿地类型间各种参数特征存在相似性.所以，通过反复实验准确地设置分割参数、选取阈值建立规则是提高分类精度的基础.

图4 分类结果图Fig.4 Map of classification result

3.2 精度评估结果

由表1可见，通过与目视解译结果比较，在选择的400个样本点中，Aster影像被正确分类的建筑和裸地75个、农用池塘12个、耕地23个、林地67个、滩涂58个、河流116个.通过查看精度，河流的使用精度达到96.7%，建筑和裸地的使用精度达到90.4%，耕地、林地、和滩涂的使用精度也达到了80%以上，农用池塘的使用精度较低，与选取的规则和地类的复杂程度有关，需要进一步完善.总体精度达到87.8%，Kappa系数为0.848，说明整体的分类结果可靠，具有一定应用价值.

表1 精度误差评估矩阵(Aster)

由表2可见，通过与目视解译结果比较，在选择的400个样本点中，GF影像被正确分类的建筑和裸地83个、林地48个、耕地18个、农用池塘6个、河流164个、滩涂29个.通过查看精度，耕地使用精度为100%，并不是耕地完全的被正确分类，而是由于精度的评价方法的局限，样本点较少的原因造成的，但也说明耕地的分类精度较高.河流的使用精度达到95%，建筑和裸地、林地的使用精度也达到了80%以上，滩涂达到75%，而农用池塘的使用精度较低，与选取的规则和地类的复杂程度有关，需要进一步完善.总体精度达到87%，Kappa系数为0.827，说明整体的分类结果较好，是一种可靠的分类方法.

表2 精度误差评估矩阵(GF)

3.3 变化检测

将上述分类结果默认为两个时期的土地利用现状，在此基础上进行分类变化检测.由图5可以直观地看出各地类的变化情况.通过计算发现：耕地和农用池塘变化很小，耕地减少0.09%，农用池塘增加0.10%；其他地类变化显著，滩涂面积减少6.83%，林地面积减少5.39%，建筑和裸地的增加6.65%，河流面积增加5.54%，造成这种变化的原因可能是城市化进程加快和流水的冲刷作用.

图5 湿地面积变化图

在所分地类中湿地包括河流、农用池塘和滩涂，非湿地包括建筑和裸地、林地和耕地，本文只讨论湿地和非湿地之间的变化情况，对比结果比较直观.从湿地变化检测图中(图6)，可清晰地看出湿地的变化情况.根据统计计算，研究区总面积约为52.37 km2，非湿地变湿地的为3 km2，湿地变非湿地的为3.62 km2，总体来看，湿地是减少的.湿地占研究区总面积的51.4%，其生态意义重大，因此需要合理开发和保护.

图6 湿地变化检测图

[1] 杨永兴.国际湿地科学研究的主要特点、进展与展望[J].地理科学进展,2002,21(2):111-120.

[2]Shanmugam P, Ahn Y H, Sanjeevi S. A comparison of the classification of wetland characteristics by linear spectral mixture modelling and traditional hard classifiers on multispectral remotely sensed imagery in southern India[J]. Ecological Modelling, 2006, 194(4):379-394.

[3]李建平,张柏,张泠,等.湿地遥感监测研究现状与展望[J].地理科学进展,2007,26(1):33-43.

[4]赵广明,叶思源,李广雪.卫星遥感在湿地研究中的应用[J].海洋地质动态,2007,23(12):28-33

[5]莫立江,曹宇,胡远满,等.面向对象的湿地景景观遥感分类-以杭州湾南岸地区为例[J].湿地科学,2012,10(2):206-212.

[6]安如,陈志霞,陆玲.面向对象的黄河源典型区湿地信息提取[J].河海大学学报(自然科学版)，2011,39(4):355-360.

[7]Atkinson P M. Spatially weighted supervised classification for remote sensing[J].International Journal of Applied Earth Observation and Geoinformation, 2004,5(4):277-291.

[8]Xu M, Watanachaturaporn P, Varshney P K, et al. Decisiontree regression for soft classification of remote sensing data[J]. Remote Sensing of Environment, 2005,97(3):322-336.

[9]谢静, 王宗明, 毛德华,等. 基于面向对象方法和多时相HJ-1影像的湿地遥感分类——以完达山以北三江平原为例[J]. 湿地科学, 2012,10(4):429-438.

[10] 陈建龙, 王语檬, 侯淑涛,等. 面向对象和DEM的ZY-1 02C影像湿地提取研究[J]. 地球信息科学学报, 2015,17(9):1103-1109.

[11]Ursula C B, Hofmann P, Willhauck G, et al. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2004, 58(3-4): 239-258.

[12]林文鹏, 李厚增, 黄敬峰, 等. 上海城市植被光谱反射特征分析[J]. 光谱学与光谱分析, 2010, 30(11): 3111-3114.

[13]于欢, 张树清, 赵军,等. 基于ALOS遥感影像的湿地地表覆被信息提取研究[J]. 地球科学与环境学报, 2010, 32(3):324-330.

[14]Glenn N F. Subpixel abundance estimates in mixture-tuned matched filtering classifications of leafy spurge (L.)[J]. International Journal of Remote Sensing, 2009, 30(23):6099-6119.