基于物候参数和面向对象法的濒海生态脆弱区植被遥感提取

张贵花，王瑞燕，赵庚星，袁秀杰，彭 杨，王向峰



基于物候参数和面向对象法的濒海生态脆弱区植被遥感提取

张贵花1,2，王瑞燕1※，赵庚星1，袁秀杰1，彭 杨1，王向峰3

（1. 山东农业大学资源与环境学院，泰安 271018； 2.北京佳格天地科技有限公司，北京 100080； 3.东营垦利区国土资源局，东营 257000）

用遥感数据快速准确地提取植被信息对生态环境监测和发展气候模型具有基础性和关键性的意义。由于中国黄河三角洲地区植被类型插花分布，传统遥感提取方法精度较低。该文选取近代黄河三角洲典型生态脆弱区为研究区，基于MODIS和LANDSAT8数据，通过提取研究区的物候参数和不同分辨率遥感影像的融合处理，根据植被类型斑块大小确定分割尺度，根据典型植被类型的物候特征、光谱和空间等特征值构建分类规则，利用分区策略自上而下进行面向对象分类。结果表明，该方法总体精度为80.75%，Kappa系数0.79，高于传统物候和面向对象分类方法。广生态幅的棉田与其他植被的光谱混淆是传统面向对象分类方法植被分类精度低的主要原因，利用物候参数进行植被分区能规避棉田和自然植被的光谱混淆，有利于对植被类型的区分。分类结果与当地植被分布情况相符，可以用于研究区植被类型的精细提取。

遥感；植被；提取；濒海生态脆弱区；物候参数；面向对象方法

0 引 言

植被是反映气候、土壤、地貌等地理环境要素的最好标志，在维持生态平衡及保护生态环境方面有着举足轻重的地位，是生态环境的重要组成因子，在全球变化研究中充当“指示器”的作用[1-2]，植被类型是气候模型的重要参量，因此获取植被类型的时空分布信息对生态环境预测和提升气候模型的精度具有重要意义。

植被遥感信息提取能够有效地确定植被的类型、分布及长势等信息[3-4]，关于植被的遥感提取方法引起人们的广泛关注，并取得大量的研究成果。一般来说，在较小的空间范围内且植被类型较少的情况下，通过选择合适的单一时相的高分辨率遥感数据即可对植被进行区分，这种方法分类精细精度较高，但在植被类型较多的地区应用时存在因为光谱混淆而导致精度较低问题[5-6]，目前，解决该问题的对策是利用遥感的时相特征，具体可以分为2种利用方式，一种是使用多时相的较高空间分辨率遥感影像如Landsat、SPOT等进行植被分类[7-10]，但由于云的影响，在生长期关键时刻通常只有少数高分辨率图像可用，因此，高分辨率影像的时间可利用性是有限的[11]。为了克服这一缺陷，国内外许多学者尝试利用第二种方式，即通过高时间分辨率的MODIS、AVHRR等密集时间序列影像提取的物候特征进行植被类型的区分[12-14]，使用这些数据源虽然可以克服天气的限制，但是遥感数据高时间分辨率是以降低空间分辨率为代价的，因此，这类方法所用的数据空间分辨率低，一般只能进行草地、耕地、森林等宏观的分类或应用于植被类型较少的地区，在进行植被类别精细提取并且植被类别多样的地区还不够理想[15-18]。如果将这两种方法相结合，融合多种数据源，利用高时间分辨率遥感数据的时间特征和高空间分辨率的光谱特征对植被进行判断，做到优势互补，对提高植被的分类精度将会是一个有益尝试，近年来，在这一面已开展了一些探索性的研究。如Liu等[19]通过将不同时空分辨率的遥感图像共同作为输入光谱产生同时具备高时空分辨率的新图像的方式，分类结果比融合前得到了高达20％的改进。贾明明等[20]基于环境星的光谱信息与MODIS的时序数据对山区森林二级类型进行植被分类研究，发现加入物候特征的分类精度得到大幅度提高。陈颖姝等[21]对湖北省监利县的洪涝季节作物种植结构的遥感提取结果表明，Landsat8数据的光谱信息和MODIS作物生长关键生育时期的NDVI阈值相结合的方法比传统的 MODIS 数据分类方法更适合于中小尺度研究区域。上述文献主要是对农作物或林地等某几种类型的植被识别方法进行研究，使用的遥感信息主要是光谱和物候信息，而以一个行政区域内的所有植被类型进行系统分类的研究还很少。通常，在一个行政区域内，除了人工种植的植物外，还分布有自然植被，在植物生长季节，很多植物的光谱特征差异并不大，物候也相差不太明显，即便凭借光谱和物候信息也很难将其精确区分。但一般情况下，为了方便地籍管理，人工种植的植被类型的田块相对自然植被斑块更为整齐规则，在人工植被中，由于种植习惯和受土壤环境的影响，不同人工植被的几何形状和田块大小差异较大。因此，在对一个行政区域内的植被类型进行遥感提取时，除光谱和物候特征外，还应该考虑植被类型在图像上的空间特征。

现代黄河三角洲是1855年以来黄河冲积作用形成的冲积扇，是水陆系统相互作用形成的独特生态系统，对全球变化与人类活动的影响具有高度敏感性和脆弱性，植被对环境变化响应敏感，演替频繁，是植被和环境变化研究的理想地区。目前，由于气候变化和人类活动，导致大面积的湿地退化和次生盐渍化等生态问题[22-24]，这些问题的解决都与植被息息相关，因此，获取植被类型的空间分布信息对黄河三角洲生态系统的保护和恢复具有重要意义，在该区的研究结果表明，研究区内植被类型插花分布，植被光谱混淆严重，传统的遥感分类方法在该地不够理想[25-27]。面向对象方法既可避免传统像元分类方法的“椒盐现象”也可以集成遥感数据的多维度特征制定地物提取的规则集，实现较高层次的目标地物提取，提高分类精度[3,5,28-29]。因此，本文选择该区域内的黄河口垦利区为研究区，利用2013年Landsat 8及MODIS NDVI 16d合成数据，综合考虑植被物候、光谱和空间特征，采用面向对象分类方法进行植被信息的提取，以期提高植被类型的分类精度和精细程度，为濒海脆弱区植被类型的遥感调查工作提供方法支持。

1 研究区与数据获取

1.1 研究区概况

研究区位于山东省东北部黄河入海口处的垦利区。37°24′－38°10′N，118°15′－119°19′E，地处温带季风气候区，大陆性季风影响明显，冬季干冷，夏季湿热，四季分明，是中国暖温带最完整的、最广阔、最年轻的湿地生态系统，具有国家级自然生态保护区。研究区内地广人稀，土地后备资源丰富，区内无地带性植被类型，植被的分布主要受土壤水盐含量、潜水水位与矿化度、地貌类型以及人类活动影响。植被呈大斑块分布，天然植被以滨海盐生植被为主，主要分布有芦苇、碱蓬、芦苇-柽柳-碱蓬群落及刺槐林等。人工作物主要以耐盐作物棉花、水稻、小麦及莲藕为主。

1.2 数据的获取和处理

从美国NASA共享网站下载2013年23期MOD13陆地2级标准数据，空间分辨率250 m的归一化植被指数（NDVI）16d合成数据。从美国地质勘探局（USGS）下载2013年5月30日及10月5日垦利区Landsat 8数据。对MODIS NDVI16d合成数据进行投影转换。Landsat 8数据进行辐射定标、大气校正和几何精校正后，将全色波段与多光谱波段进行Gram-schmidt(GS)融合，得到15 m分辨率影像，最后将融合后的影像按照研究区矢量边界进行裁剪。将2013年垦利区实地调查数据、土地利用现状图及Google earth相结合构建的验证点样区文件，用于分类精度评价。上述处理主要采用eCognition和Arcgis软件完成。

2 研究方法

2.1 构建植被遥感分类体系

结合研究区的植被类型和遥感影像的可解译性建立研究区植被分类体系：首先根据人工种植与否将植被分为人工植被和自然植被两类，其中，自然植被按群落类型分为芦苇、碱蓬、芦苇-柽柳群落和刺槐林。当地的人工植被主要有各种农作物、人工柳林、人工草坪等，根据种植制度将农作物分为小麦、水稻、棉花及藕池。当地的人工草坪集中在垦利区城内，不是本文的研究对象。研究区内分布着相当规模的盐荒地，其上长有耐盐的杂草，植被覆盖率低，由于无法确定优势种，也不纳入植被分类体系。

2.2 植被的物候特征及参数提取

人工植被与自然植被生长周期不同，其物候特征存在显著差异。人工植被中棉田、水稻及藕池生长季开始时间在4月下旬或者5月上旬，玉米9月下旬收获后播种小麦，而自然植被中芦苇、碱蓬及柳树在3月或者4月上旬开始萌芽，比人工植被早。芦苇-柽柳-碱蓬群落和刺槐生长季开始时间为4月上旬。所以根据植被物候参数能够将人工植被与自然植被区分。柳林整个生长季从3月中旬到11月中下旬，在自然植被中最长，碱蓬在10月成熟后叶变色，生长过程中生物量的累积面积较其他自然植被低。所以采用植被物候有助于植被类别的提取。

植物物候是区域循环相对明确的时序模式，这种模式反映了植被生长的过程。使用Logistic时间函数方法拟合出遥感影像上每一个像元生长及衰落期的NDVI曲线，然后根据曲率最大值法确定植被物候参数特征。根据研究区植被物候历的特征分析，主要提取以下几个关键植被物候参数：生长季开始时间（start of season, SOS）、生长季结束时间（end of season, EOS）、生长季长度（Length of season, LOS）、生长过程中NDVI的累积面积（Large integral）及生长过程中峰值与基线值之间的积分结果（Small integral）。将提取的植被物候参数数据（250 m分辨率）重采样到与Landsat 8影像相同分辨率（15 m）并与其合并。

2.3 最优尺度分割

影像多尺度分割是提高面向对象分类方法精度的重要前提，其基本思想是综合考虑影像的光谱特征和形状特征等因素，达到分割对象异质性最小的目标。因研究区位于黄河入海口的干湿交错地带，从沿海到内陆，同类植被单元的面积呈现出递减趋势，靠近沿海的自然植被类型斑块较内陆地区的人工植被大，且更加集中，针对植被类型的该空间分布和内部结构特征，采用300、250、200、150和100多个分割尺度对研究区进行递进分割，得到各类植被提取的目标对象。形状因子和紧致度分别为0.1和0.5，各波段权重为1，最后得到Level1-Level5 五个由大到小的分割层次。

前期研究发现，研究区的自然植被和人工植被光谱混淆严重[25,27]，因此，为了避免植被之间的光谱混淆，本文选取10月份的影像，在尺度分割得到的不同层次的目标对象的基础上，将物候信息、光谱和形状等作为分类特征，采用层次提取策略自上而下地提取植被类型：Level1用于得到植被区对象，把非植被掩膜掉，Level2将植被区分为自然植被与人工植被，Level3在自然植被中提取芦苇、碱蓬、芦苇-柽柳-碱蓬群落、柳林及刺槐林。Level4用于人工植被中提取棉田、麦田、稻田及藕池，Level5不作为分类层，为所有类别汇总层。

2.4 植被提取方法

2.4.1 植被分区

垦利区10月份的植被茂密且长势旺盛，植被和非植被较易区分，因此采用10月份影像进行植被分区。首先，通过NDVI阈值（NDVI<0.32）去掉盐荒地和非植被区，从而得到研究中的植被类型分布范围。在这一条件下，由于长有水生植物的水体也被划入植被区，因此，采用近红外波段均值进一步去除水体的影响（RNIR<200）。然后根据物候特征的差异，采用植被生长季开始时间及生长季长度（SOS>144，LOS<156）将植被分为自然植被与人工植被2个区，其中，人工植被柳林处于黄河入海口自然保护区内，本文将其放到自然植被区进行提取。

2.4.2 植被提取规则构建

首先，通过各植被类型训练样本的差异程度确定用于分类的特征参数，然后，根据训练样本平均值，同时参考标准假彩色合成影像，划定不同植被类型的特征参数阈值。以人工植被为例，其空间和光谱特征的平均值如表1所示。

由表1知，相比较而言，在空间特征方面，人工植被的形状指数差异相对明显，因此，采用形状指数纳入分类规则的构建体系。在光谱特征方面，由于该月份的玉米已经收获，麦苗还未长出，因此麦田在近红外波段反射率最小，而红光波段的反射率最大，与其他3类差异明显，将近红外反射率作为提取麦田的依据；由于生长环境和生长状态的差异，稻田和棉田在近红外和绿光的反射率差异加大。综合这些特征，采用形状指数、近红外、红光和绿光波段反射率构建人工植被分类规则如图1所示。

表1 人工植被空间及光谱特征值

注： 红光、绿光、蓝光和近红外波段的值为大气校正后植被在各光谱波段反射率扩大一万倍后的值。

Note: The values in the red, green，blue and near-infrared bands are ten thousand times that of the reflectance of the corresponding spectral band after atmospheric correction.

注： SOS为生长季开始时间；LOS为生长季长度；LI为生长过程中NDVI的累积面积；SI为生长过程中峰值与基线值之间的积分结果；RF为矩形适合度；Shape-i为形状指数；NDVI为归一化植被指数；Bri为像元亮度值；RNIR为近红外反射率；RR为红光反射率；RG为绿光反射率。

采用上述方法构建各自然植被类型的提取规则：刺槐林是能在当地盐渍化土壤环境中存活的为数不多的乔木之一，与其他灌草丛自然植被区别最明显的光谱特征是其对近红外的反射率高，另外，它生长周期较长，形状较规则，因此采用形状参数和近红外反射率构建其提取规则。芦苇是当地建群种，集中分布在入海口处，比其他自然植被长得旺盛而密集，对近红外反射率高，叶面积指数大，生物量多，因此，NDVI较高。故采用NDVI和近红外反射率建立其提取规则。碱蓬也是当地建群种，耐盐碱，生长于盐分含量高的土壤上，因此其分布比较稀疏，10月份叶色变红，亮度与其他绿叶植被相比较暗，因此采用物候参数Large integral、Small integral和光谱特征亮度值构建提取规则。柳树与芦苇-柽柳-碱蓬群落的光谱特征近似，但其物候特征有所差异，在研究区，柳树生长季开始时间为3月上旬，芦苇-柽柳-碱蓬群落为4月上旬，因此采用物候参数生长季开始时间区分二者。根据上述植被类型互相区别的特征，构建研究区自然植被类型的分类规则如图1所示。

3 研究结果与精度分析

将Level1、Level2、Level3及Level4分类结果汇总到Level5后并导出，利用Arcgis进行后期处理，得到植被分类结果如图2c。

传统物候分类方法是基于各植被类型的物候特征采用决策树方法进行分类，分类结果如图2a所示。传统面向对象分类方法所采用的多尺度分割参数与前文相同，参考5月份影像及现场调查选取各类型的训练样本，选择光谱与纹理作为训练样本的分类属性，建立分类模型或分类函数，采用K邻近法分类。传统面向对象分类方法的分类结果如图2b所示。

本文验证样本主要来源于研究区野外实地调查点、该区域土地利用现状图和Google Earth提供的Quickbird高空间分辨率卫星影像图，共选取了个400个检验样本点，均匀分布于影像并且每类不少于30个。基于所选取的验证样本点，采用混淆矩阵进行分类精度评价，结果如表2所示。

图2 分类方法的对比图

表2 分类精度评价表

表2的分类结果显示，传统物候分类的总体分类精度低，总精度为42.62%，Kappa系数只有0.19，从各个植被类型的分类精度看，碱蓬、柳林、芦苇柽柳碱蓬群落、棉田和稻田的植被类型用户精度较高，但制图精度较低，说明这些类型被漏分的情况少，而错分的情况多，其他植被类型分类精度很低。分析其原因，MODIS空间分辨率低，存在大量混合像元，而当地植被类型具有的交错分布特点，加重了光谱混淆现象，因此空间上呈分散分布或斑块狭小的类型被误分到呈集中连片分布的大斑块中，其中，刺槐林被误分到了邻近的芦苇柽柳碱蓬群落中，芦苇被误分到邻近的碱蓬和芦苇柽柳碱蓬群落中。这表明传统物候分类方法不能做到研究区植被的精细分类，但其用户精度较高的几个植被类型划定了相应植被可能的空间分布界线以及自然植被和人工植被的分界线，为高空间分辨率图像的精细分类提供了辅助信息。传统面向对象法也不理想，在用户精度方面，自然植被中除刺槐林外，其他各类别光谱混淆严重。在制图精度方面，只有刺槐林及柳林的制图精度相对较高，其他各类别的制图精度普遍偏低。混淆矩阵表明，造成分类精度低的原因主要是各类植被与棉田的混淆，这是由于棉田对盐渍化的耐受范围较广，加之人为活动的影响和经济利益驱动，在研究区内广泛种植，棉田地块大小不一、形状各异，受盐渍化程度胁迫的不同，棉花长势差异大，导致其光谱和形状特征与其他植被类型相差不大，因此只利用影像光谱和空间特征的传统面向对象方法无法准确区分开研究区的植被类别。

物候参数-面向对象方法的分类精度有了很大的提高，分类总体精度提高到80.75%，Kappa系数提高到0.79。在制图精度方面，除少量刺槐林错分到芦苇-柽柳-碱蓬群落、柳林及芦苇中外，碱蓬、柳林、芦苇-柽柳-碱蓬群落、芦苇制图精度分别由67.50%、72.50%、52.50%和45.00%提高到75.00%、80.00%、90.00%和72.50%。人工植被中除棉田用户精度略有下降外，麦田、稻田及藕池分别提高了15.9%、11.29%及19.46%。棉田、麦田、稻田及藕池制图精度分别由42.00%、52.50%、55.00%、53.33%提高到82.00%、72.50%、82.50%和73.33%。分析其原因，结合植被物候参数的面向对象分类方法通过结合物候参数进行植被分区，棉田被划分为人工植被区，避免了棉田对自然植被分类的干扰，因此碱蓬、柳林、芦苇-柽柳-碱蓬群落及芦苇等自然植被的精度得到大幅提高。该方法分类误差的原因主要是MODIS影像空间分辨率较低，物候参数是基于MODIS影像提取的，因此一定比例的零散小地块的棉田被漏分到了自然植被，还有一些生态位相似的空间毗邻的植被群落被归为一类，带来了分类的误差。根据该分类方法取得的分类结果，统计各植被类型的面积、占比和主要空间分布特征如表3所示。

表3 植被类型面积比例统计表

对表3的数据进行汇总，植被覆盖面积98 356.71 hm2，占垦利区总面积的46.11%。自然植被面积为52 137.36 hm2，占植被总面积的53%，表明当地自然生态环境良好。自然植被中，碱蓬、芦苇和芦苇-柽柳-碱蓬群落的占比最高，为当地的优势植被群落，其中，高耐盐的碱蓬占到自然植被的一半，其次为中等耐盐的芦苇-柽柳-碱蓬群落，两者占总自然植被的77.97%，说明当地的盐渍化状况仍然较高，刺槐林和柳林在当地的占比相对较低，这与当地的浅埋深和矿化度高的地下水有关，深根系的乔木很难存活，因此当地高大的乔木稀少，生长状况较差。人工植被面积为46 219.37 hm2，占垦利区总面积的21.67%。总体上看，人工植被的分布呈现出因地制宜的土地利用特点：耐盐程度高的棉田占比最高，在研究区广泛种植，从沿海到向陆一侧都有分布，是垦利区主要的农作物和重要的经济作物。其次为麦田，麦田受土壤盐渍化和淡水资源的制约，主要分布在黄河以南，靠近淡水水源及向陆一侧的低盐渍化地区，而稻田和藕池对淡水资源需求较大，其分布受淡水资源的制约，而随着黄河来水的减少，它们的种植面积非常有限，只在靠近黄河的淡水丰沛的区域和大型水库附近有种植。总之，研究区的植被类型分类结果体现为盐生植被数量上占优势的特点，空间分布上体现出由淡水资源和土壤盐渍化程度对植被类型分布起控制作用的特征，这与当地的实际情况是相符的。

4 讨 论

在3种分类方法中，基于光谱和时相特征的传统物候参数分类方法精度最低，不能用于区分研究区植被类型。传统基于光谱和空间特征的面向对象分类方法分类精度也较低，植被之间混分和漏分错误较多，也不能有效区分研究区的植被类型。这与目前的研究结论一致，如Wang等[12]利用MODIS NDVI时间序列提取北美草原植被物候参数进行C3和C4两种草的提取，结果表明物候特征只能从一定程度上克服两者的光谱混淆，张霞等[17]通过对华北平原的土地覆盖的遥感分类研究发现，用低空间分辨率MODIS监测土地利用破碎度很高的区域的土地覆盖变化除了光谱和物候参数外还需要更多的辅助数据。黄昕等[30-32]研究表明，将空间特征融入光谱分类方法，虽在精度上有一定的提高，但是只是部分消除了同物异谱和同谱异物造成的分类错误，对于高精度城市、海岸带等混杂型地物的分类来说，仍难以达到实用的要求。但是，当我们通过面向对象分类技术将光谱特征、物候参数和空间特征结合起来用于植被分类，发现该方法能更有效地解决植被类型间的光谱混淆问题，达到理想的分类精度。同时，植被类型面积比例统计结果也表明，植被类型分类结果与研究区的实际情况相符，进一步表明了该分类方法的科学性，这些结果表明，在类似研究区这种植被类型多样、光谱混淆严重的情况下，应综合采用植被物候、影像光谱及空间特征等多维度的特征信息进行植被类型的区分。

由于LANDSAT8数据分辨率的客观局限，这种方法对小斑块的植被识别精度相对有限。当植被分布斑块面积不足225 m2，即小于LANDSAT8融合后的最小像元面积时，会与周边地物形成混合像元，而混合像元会产生分类结果的不确定性，造成一定比例的零散小地块的棉田被漏分到了自然植被，还有一些生态位相似的空间毗邻的植被群落被归为一类，带来了分类的误差。这也与目前的研究结论一致，如Tatsumi等[11,15,17]在土地利用类型遥感提取和作物的提取研究中也注意并分析了这一现象。这一点也是该方法在实际应用中需要注意的地方。

本文方法还可以用做植被变化监测。由于当植被类型发生变化，植被的物候、光谱和空间特征将会发生较为明显的变化，不同时相和波段的LANDSAT8影像进行交叉融合时，同一植被类型在两者上的信息表现不一致，那么融合后影像中就会表现出与植被类型不变的地方明显的光谱差别[33]，更容易被捕捉到，同时结合空间和物候参数进行阈值分割，可以监测到植被类型的变化，对小面积的变化类型也有一定的分析识别能力。并且中国已积累了大量的土地利用和植被调查数据[34-35]，这种监测有更多地面信息支持以及研究应用的连续性。关于该方法在植被类型动态变化的自动识别是下一步需要深入研究的内容。

5 结 论

以近代黄河三角洲典型生态脆弱区为研究区，以高时间分辨率的MODIS数据和较高空间分辨率的LANDSAT8影像为遥感数据源，综合利用遥感影像的物候、光谱和空间特征，采用面向对象技术构建典型植被类型的分类规则，对研究区的植被类型进行遥感提取研究，得出研究结论如下：

1）相比较而言，物候参数-面向对象分类方法的精度最高，优于传统物候参数分类和面向对象分类方法。经验证，该方法的分类总精度为80.75%，Kappa系数为0.79，达到了较高的分类精度和精细程度。各植被类型的空间分布与实地情况相符，针对研究区各植被类型的提取规则，系统完整，可操作性强，可用于濒海脆弱区植被信息遥感调查工作。

2）采用面向对象技术对研究区植被类型进行精细区分时，最优分割尺度取决于植被类型的斑块大小。对研究区的自然植被进行分割时，要用大的分割尺度，而对人工植被分割时，用的尺度相对较小。

3）不同植被类型的面积提取精度主要取决于其斑块面积及其集中分布程度。分类结果的面积精度表明，图斑面积大而连片的刺槐、柳林和芦苇-柽柳-碱蓬群落等植被类型的面积提取精度较高；而麦田、芦苇和棉田等类型，由于分布零散，面积规模小而破碎，面积提取精度相对较小。

4）植被类型面积比例结果表明，在自然植被中，以强耐盐的盐生植被为主，而耐盐低同时又是黄河三角洲珍稀和濒危鸟类动物的重要栖息地的芦苇占的比例略低。在人工植被中，也是耐盐碱的棉田为主，说明该区土壤盐渍化状况仍然比较严重，因此该区应该继续加强生态保护和盐碱地治理，维持国家自然保护区功能和提高土壤的农业生产力。

[1] Garcia M, Ustin S L. Detection of interannual vegetation responses to climatic variability using AVIRIS data in a coastal savanna in California[J]. IEEE Transactions on Geoscience & Remote Sensing, 2001, 39(7): 1480－1490.

[2] Lka D, Maier B, Seijmonsbergen A C. Improved Landsat-based forest mapping in steep mountainous terrain using object-based classification[J]. Forest Ecology & Management, 2003, 183(1): 31－46.

[3] Lemay V, Maedel J, Coops N C. Estimating stand structural details using nearest neighbor analyses to link ground data, forest cover maps, and Landsat imagery[J]. Remote Sensing of Environment, 2008, 112(5): 2578－2591.

[4] Frohn R C, Reif M, Lane C, et al. Satellite remote sensing of isolated wetlands using object-oriented classification of Landsat-7 data[J]. Wetlands, 2009, 29(3): 931－941.

[5] Vogels M F A, Jong S M D, Sterk G, et al. Agricultural cropland mapping using black-and-white aerial photography, object-based image analysis and random forests[J]. International Journal of Applied Earth Observation & Geoinformation, 2017, 54: 114－123.

[6] Roelfsema C M, Lyons M, Kovacs E M, et al. Multi-temporal mapping of seagrass cover, species and biomass: A semi-automated object based image analysis approach[J]. Remote Sensing of Environment, 2014, 150(7): 172－187.

[7] Badhwar G B. Automatic corn-soybean classification using Landsat MSS data. II. Early season crop proportion estimation[J]. Remote Sensing of Environment, 1984, 14(1/2/3): 31－37.

[8] Ozdogan M. The spatial distribution of crop types from MODIS data: temporal unmixing using Independent Component Analysis[J]. Remote Sensing of Environment, 2010, 114(6): 1190－1204.

[9] Vyas S P, Oza M P, Dadhwal V K. Multi-crop separability study of rabi crops using multi-temporal satellite data[J]. Journal of the Indian Society of Remote Sensing, 2005, 33(1): 75－79.

[10] Hall F G, Badhwar G D. Signature-extendable technology: Global space-based crop recognition[J]. IEEE Transactions on Geoscience & Remote Sensing, 1987, 25(1): 93－103.

[11] Tatsumi K, Yamashiki Y, Torres M A C, et al. Crop classification of upland fields using Random forest of time-series Landsat 7 ETM+ data[J]. Computers & Electronics in Agriculture, 2015, 115: 171－179.

[12] Wang C, Hunt E R, Zhang L, et al. Phenology-assisted classification of C-3 and C-4 grasses in the US Great Plains and their climate dependency with MODIS time series[J]. Remote Sensing of Environment, 2013, 138(6): 90－101.

[13] 王玮，冯琦胜，郭铌，等. 基于长时间序列NDVI资料的我国西北干旱区植被覆盖动态监测[J]. 草业科学，2015，32(12)：1969－1979.

Wang Wei, Feng Qisheng, Guo Ni, et al. Dynamic monitoring of vegetation coverage based on long time-series NDVI data sets in northwest arid region of China[J]. Pratacultural Science, 2015，32(12)：1969－1979.(in Chinese with English abstract)

[14] Usman M, Liedl R, Shahid M A, et al. Land use/land cover classification and its change detection using multi-temporal MODIS NDVI data[J]. Journal of Geographical Sciences, 2015, 25(12): 1479－1506.

[15] Wardlow B D, Egbert S L, Kastens J H. Analysis of time-series MODIS 250m vegetation index data for crop classification in the U.S. Central Great Plains[J]. Remote Sensing of Environment, 2007, 108(3): 290－310.

[16] Son N T, Chen C F, Chen C R, et al. A phenology-based classification of time-series MODIS data for rice crop monitoring in mekong delta, vietnam[J]. Remote Sensing, 2013, 6(1): 135－156.

[17] 张霞，孙睿，张兵，等. 基于MODIS植被指数时间谱的华北平原土地覆盖分类[J]. 农业工程学报，2006，22(12)：128－132.

Zhang Xia, Sun Rui, Zhang Bing, et al. Land cover classification of North China Plain using MODIS_EVI temporal profile[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(12): 128－132. (in Chinese with English abstract)

[18] 康峻，牛铮，高帅，等. 基于拟合物候参数的植被遥感决策树分类[J]. 农业工程学报，2014，30(9)：148－156.

Kang Jun, Niu Zheng, Gao Shuai, et al. Decision tree classification based on fitted phenology parameters from remotely sensed vegetation data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(9): 148－156. (in Chinese with English abstract)

[19] Liu M W, Ozdogan M, Zhu X. Crop type classification by simultaneous use of satellite images of different resolutions[J]. IEEE Transactions on Geoscience & Remote Sensing, 2014, 52(6): 3637－3649.

[20] 贾明明，任春颖，刘殿伟，等. 基于环境星与MODIS时序数据的面向对象森林植被分类[J]. 生态学报，2014，34(24)：7167－7174.

Jia Mingming, Ren Chunying, Liu Dianwei, et al. Object-oriented forest classification based on combination of HJ-1 CCD and MODIS-NDVI data[J]. Acta Ecologica Sinica, 2014, 34(24):7167－7174. (in Chinese with English abstract)

[21] 陈颖姝，张晓春，王修贵，等. 基于Landsat8 OLI与MODIS数据的洪涝季节作物种植结构提取[J]. 农业工程学报，2014，30(21)：165－173.

Chen Yingshu, Zhang Xiaochun, Wang Xiugui, et al. Extraction of crop planting structure in seasons prone to waterlogging using Landsat8 OLI and MODIS data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(21): 165－173. (in Chinese with English abstract)

[22] Jiang C, Pan S, Chen S. Recent morphological changes of the Yellow River (Huanghe) submerged delta: Causes and environmental implications[J]. Geomorphology, 2017, 293.

[23] Liu G, Li J, Zhang X, et al. GIS-mapping spatial distribution of soil salinity for Eco-restoring the Yellow River Delta in combination with Electromagnetic Induction[J]. Ecological Engineering, 2016, 94: 306－314.

[24] Zhang H, Chen X, Luo Y. An overview of ecohydrology of the Yellow River delta wetland[J]. Ecohydrology & Hydrobiology, 2016, 16(1): 39－44.

[25] 常春艳，赵庚星，王凌，等. 滨海光谱混淆区面向对象的土地利用遥感分类[J]. 农业工程学报，2012，28(5)：226－231.

Chang Chunyan, Zhao Gengxing, Wang Ling, et al. Land use classification based on RS object-oriented method in coastal spectral confusion region[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(5): 226－231. (in Chinese with English abstract)

[26] 秦元伟，赵庚星，姜曙千，等. 基于中高分辨率卫星遥感数据的县域冬小麦估产[J]. 农业工程学报，2009，25(7)：118－123.

Qin Yuanwei, Zhao Gengxing, Jiang Shuqian, et al. Winter wheat yield estimation based on high and moderate resolution remote sensing data at county level[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(7): 118－123. (in Chinese with English abstract)

[27] 赵庚星，李玉环，徐春达. 遥感和GIS支持的土地利用动态监测研究：以黄河三角洲垦利县为例[J]. 应用生态学报，2000，11(4)：573－576.

Zhao Gengxing, Li Yuhuan, Xu Chunda. Land use dynamic monitoring supported by remote sensing and GIS-A case study in Kenli County of Yellow River delta[J]. Chinese Journal of Applied Ecology, 2000, 11(4): 573－576. (in Chinese with English abstract)

[28] Pham L T H, Brabyn L. Monitoring mangrove biomass change in Vietnam using SPOT images and an object-based approach combined with machine learning algorithms[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2017, 128: 86－97.

[29] 苏伟，李京，陈云浩，等. 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[J]. 遥感学报，2007，11(4)：521－530.

Su Wei, Li Jing, Chen Yunhao, et al. Object-oriented urban land-cover classification of multi-scale image segmentation method: A case study in Kuala Lumpur City Center, Malaysia[J]. Journal of Remote Sensing, 2007, 11(4): 521－530. (in Chinese with English abstract)

[30] 黄昕，张良培，李平湘. 融合形状和光谱的高空间分辨率遥感影像分类[J]. 遥感学报，2007，11(2)：193－200.

Huang Xin, Zhang Liangpei, Li Pingxiang. Classification of high spatial resolution remotely sensed imagery based on the fusion of spectral and shape features[J]. Journal of Remote Sensing, 2007, 11(2): 193－200. (in Chinese with English abstract)

[31] Qiao C, Shen Z F, Wu N, et al. Remote sensing image classification method supported by spatial adjacency[J]. Journal of Remote Sensing, 2011, 15(1): 88－99.

[32] Segl K, Roessner S, Heiden U, et al. Fusion of spectral and shape features for identification of urban surface cover types using reflective and thermal hyperspectral data[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2003, 58(1/2): 99－112.

[33] Alqurashi A F, Kumar L. Investigating the use of remote sensing and GIS techniques to detect land use and land cover change: A review[J]. Advances in Remote Sensing, 2013, 2(2): 193－204.

[34] 樊志全. 全国土地利用变更调查报告[M]. 北京：中国大地出版社，2006.

[35] 李世东. 中国林业信息化标准规范[M]. 北京：中国林业出版社，2014.

Extraction of vegetation information in coastal ecological vulnerable areas from remote sensing data based on phenology parameters and object-oriented method

Zhang Guihua1,2, Wang Ruiyan1※, Zhao Gengxing1, Yuan Xiujie1, Peng Yang1, Wang Xiangfeng3

(1.271018; 2.100080,; 3.,257000,)

Obtaining good vegetation classifications based on remote sensing data is important for ecosystem forecasting and improvement of global climate modeling. However, the classification result using the traditional methods is not accurate in the modern Yellow River Delta due to interspersed distribution of the vegetation types. The work reported here concerns the use of multi-sensor and multi-temporal remote sensing data in order to alleviate this problem by the object-oriented method assisted with the phenology parameters. Landsat 8 OLI and MODIS data were chosen because of the advantages such as being free of charge and stable to offer dataset. Meanwhile, these 2 types of data can bring a proper combination because they show the characteristics of vegetation respectively in space and time. Taking the typical ecologically vulnerable area of the Yellow River Delta as the study area, this study used the 250-meter 16-day MODIS vegetation indices products (MOD13Q1) to build time series curves of NDVI (normalized difference vegetation index) for different vegetation types, which were later smoothed by logistic time function method to fit NDVI data. Then, the different bands of Landsat 8 data were fused using the Gram-Schmidt (GS) method to obtain the 15-meter resolution image. A set of phenology indicators, including start of season, end of season, season length, peak NDVI, accumulative area of NDVI during growth period, and integral result between peak value and baseline value were extracted by the maximum curvature method. The extracted phenology images of the vegetation (250 m resolution) were resampled to 15 m resolution and merged with Landsat 8 image. Further, we employed a multi-resolution segmentation method according to the patch size of different vegetation types. Then, the classifier rules utilizing the phenological features and spectral characteristics of typical vegetation types were developed to map the vegetation in the study area, and we applied a partitioning strategy to carry out object-oriented classification. Finally, the classification results were compared with that from traditional methods. It indicated that the overall accuracy is 80.75% and Kappa coefficient is 0.79, higher than traditional phenology and object-oriented classification methods. In addition, we found that the low accuracy of the traditional object-oriented classification method is mainly caused by the cotton fields that had wide ecological fitness, which leads to the confusion of the cotton fields with other vegetation types. And the disadvantage for the confusion of the cotton fields and the natural vegetation is avoided by the phenology-assisted method, which is beneficial to distinguish the vegetation types. Therefore, the combination of vegetation phenological parameters and object-oriented method can solve the problem of spectral confusion effectively, and is suited for extraction of the vegetation types in small-scale areas like the coastal vulnerable areas. Moreover, statistical results on vegetation area indicated that the classification results accurately reflected the real situation of local vegetation distribution. In the study area, the vegetation coverage rate is high, and the proportion of natural vegetation and artificial vegetation is near to 1. In the natural vegetation type, the,andcommunity are the main vegetation types, accounting for 77.99%. The cotton is the dominant vegetation in the plant vegetation types, accounting for 71.16%, and less for non-salt vegetation types. Therefore, this method of the study provides support for vegetation survey in coastal vulnerable areas.

remote sensing; vegetation; extract; coastal ecological vulnerable area; phenology parameters; object oriented approach

2017-09-07

2018-02-04

十三五国家重点研发计划（2017YFD0200702）；国家自然科学基金（41271235）；山东农业大学创新团队项目“双一流”奖补资金资助（SYL2017XTTD02）；山东农业大学青年教师成长计划经费和青年创新基金共同资助（41401239）；山东省重点研发计划（2017CXGC0306）

张贵花，工程师，现从事植被资源信息遥感。Email：zhang.guihua112729@163.com

王瑞燕，博士，副教授，现从事资源信息遥感。Email：wry@sdau.edu.cn

10.11975/j.issn.1002-6819.2018.04.025

P237

A

1002-6819(2018)-04-0209-08

张贵花，王瑞燕，赵庚星，袁秀杰，彭 杨，王向峰. 基于物候参数和面向对象法的濒海生态脆弱区植被遥感提取[J]. 农业工程学报，2018，34(4)：209－216.doi：10.11975/j.issn.1002-6819.2018.04.025 http://www.tcsae.org

Zhang Guihua, Wang Ruiyan, Zhao Gengxing, Yuan Xiujie, Peng Yang, Wang Xiangfeng. Extraction of vegetation information in coastal ecological vulnerable areas from remote sensing data based on phenology parameters and object-oriented method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(4): 209－216. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.04.025 http://www.tcsae.org