基于多时相遥感数据的老山景区地类信息提取及景观格局动态分析

孙 敏,周春国,邹长新,张峥男,刘 冬①

(1.生态环境部南京环境科学研究所,江苏 南京 210042;2.南京林业大学林学院,江苏 南京 210037)

伴随着经济社会的快速发展[1],城市化与生态环境之间的矛盾也日益突出,生态问题已成为全球关注的焦点。准确掌握区域生态系统景观格局动态变化是生态文明建设道路上不可缺失的一环。为了更好地掌握全球生态系统动态与土地利用格局变化,遥感技术应用越来越广泛[2]。美国国家航空航天局(NASA)的陆地卫星(Landsat)计划对地球进行了长达40多年的观测,它的高分辨率长时间序列信息为掌握过去几十年的森林资源动态提供了独一无二的资源[3]。目前遥感信息提取的主流技术手段是将目视解译与计算机分类相结合,分类算法众多,如支持向量机(support vector machine, SVM)、人工神经网络法(artificial neural network, ANN)、决策树法(decision tree, DT)、最大似然法(maximum likelihood estimation, MLE)等[4]。分类原理上主要分为基于像元与面向对象,两者主要不同处在于图像分类的基本单元,面向对象法提出了先考虑影像光谱、形状、纹理特征进行图像分割再进行分类的方法[5-6],完美解决了传统的基于像元分类出现的椒盐现象。然而,目前面向对象分类法运用还比较单一,结合统计学等其他算法的进一步优化分类方法研究尚未得到广泛应用。

景观格局研究发展十分迅速,国内外学者在群落梯度排序、群落空间分布格局、不同类型景观格局与结构动态分析等领域开展了综合性分析工作。景观格局指数法[7-9]是目前较为普遍的分析方法,它能够从多方面呈现地区景观空间格局水平与动态变化。目前,该方法多以温带及寒带北方森林为研究对象,以亚热带森林为研究对象进行多时相遥感地类信息提取及景观格局分析的较少。类属亚热带森林的南京市老山景区正在进行生态建设改革,长期以来鲜见专门针对其景观格局变化进行的研究。

笔者提出了一种基于面向对象与统计学相结合的地类信息提取方法,以南京市老山景区为研究对象,借助多期Landsat影像数据提取景区的地类信息并分析景观格局动态变化。研究目标为:(1)将模糊统计法与最邻近分类器相结合提取研究区的地类信息,并与多种分类方法进行精度比较;(2)提取研究区近17 a的地类信息;(3)利用景观格局指数分析研究区近17 a的景观格局分布规律。

1 研究区与数据预处理

1.1 研究区概况

老山景区(32°02′48″～32°09′48″ N,118°24′34″～118°40′59″ E)位于南京市浦口区,与安徽省和县毗邻,景区内山峦叠嶂,有大椅子山、珍珠泉等众多自然景观(图1)。

图1 研究区位置

老山地貌属低山丘陵,地层初露较全,有丰富的非金属矿资源,呈东北—西南走向,山峰绵延,平均海拔200～400 m。老山景区属于亚热带季风气候区,夏热冬寒,四季分明;年平均气温15.3 ℃,1月均温2.2 ℃,无霜期28 d,年平均降水量1 043.8 mm[10]。土壤类型包括黄棕壤、黄褐土、红黏土、暗色土、黄砂土等。老山景区植物资源丰富,拥有植物148科1 053种,国家一级保护植物有秃杉(Taiwaniaflousiana)、苏铁(Cycasrevoluta)等;二级保护植物有钻天杨(Populusnigra)、榉树(Zelkovaserrata)等。

1.2 数据来源及预处理

主要遥感影像数据包括2017、2013、2009、2005和2001年老山地区Landsat影像,轨道号120/38,接收日期为2017年10月9日、2013年8月11日、2009年10月3日、2005年10月24日和2001年10月29日,以及Google Earth影像。5期遥感影像云量均小于15%,研究区内基本无云,质量良好,满足研究要求,数据详细信息见表1。

表1 Landsat数据详细信息

研究将对数据进行辐射定标、大气校正、图像GS融合、图像裁剪等预处理。

2 研究方法

对影像进行多尺度分割试验,设置不同分割参数,利用影像对象同质性的局部变化的变化率值(ROC-LV)与目视评价相结合的手段对分割结果进行评价,选取各层次最优分割尺度。从光谱、形状、纹理特征中选择66个对象特征作为初始特征空间,通过大量实验最终得到11维最优特征空间。利用模糊统计法确定不同类别各特征最优隶属函数。将最邻近分类器与基于模糊规则分类器相结合,构建模糊多分类器模型,将景区分为林地、农业用地、建筑用地、水域和未利用地5大类。为得到最精确的老山地类信息,将上述分类结果与面向对象的C5.0决策树法以及基于像元的最大似然法(MLE)、人工神经网络法(ANN)、支持向量机法(SVM)法所得出的分类结果进行精度比较,并择优进行景观格局分析。

选取最优分类方法对研究区2001—2017年5期影像进行信息提取,分别从密度指标、形状指标、边缘指标、多样性指标和聚散性指标中选取具有代表性的景观格局指数进行景观水平的景观格局分析[11-12],并结合景区历史经营情况与相关政策分析其变化成因及规律。

2.1 分类体系确定

地类的确定不仅需要考虑影像本身所包含的信息,同时也要综合实际地区土地利用类型分布状况与研究目的。参考老山地区土地利用的实际情况、二类调查结果及研究目的,将研究区划分为植被区与非植被区(表2)。

表2 老山景区地类分类体系

2.2 地类信息提取

在确立分类体系后,基于面向对象和基于像元方法对2017年老山景区Landsat影像进行地类信息提取并评价结果选取最优分类方法,再次对2001、2005、2009和2013年影像进行分类以实现多期景区地类信息的分类提取。最后根据地类信息提取结果构建景观格局指数,对老山景区2001、2005、2009、2013和2017年景观格局进行动态分析。

2.2.1基于面向对象分类

(1)多尺度分割

为了得到最优参数组合,选用9个尺度(即40、50、60、70、80、90、100、110和120)分别实验,通过估计尺度参数(ESP)来指示对象分割效果的最佳参数,结合最大面积法、均值方差法以及参考目视解译分析综合评价,最终得到最优分割参数(表3)。

表3 各层异质性因子权重表

(2)分类方法

基于面向对象分类方法选取模糊分类法和C5.0决策树法2种方法。模糊分类法根据类别距离矩阵选取理论最优特征空间,在此基础上通过改变最大维数对影像多次分类,统计分类精度,将最高分类精度所对应的特征空间作为最优特征空间。根据模糊统计法确定各类别不同特征的最优隶属函数,结合最邻近分类器与基于模糊规则分类器构建模糊多分类器模型。选用24种共66个对象特征作为初始特征空间进行统计比较,对各地类特点计算各特征空间类别之间的分离矩阵,统计分析各特征组合的最低分离度来确定最优特征空间。此外在模糊分类中为了更加精确地对地物进行分类,基于研究区地类统计规律构造各特征的真实隶属函数,并通过分析影像对象特征建立对象层次结构,确立各层次的模糊规则。

C5.0法对老山景区进行面向对象分类,其优点在于增加了新数据类型处理功能,并为提高分类精度增加了Boosting算法[13]。研究采用eCognition中C5.0算法对研究区影像进行分类,训练样本特征选择与上述对象特征相同,按照波段均值、标准差、波段比、GLCM特征以及自定义的植被指数进行分类。

2.2.2基于像元分类

基于像元的分类方法包括MLE、SVM和ANN这3种方法。MLE以统计学为基础,基于贝叶斯准则,以使错分率最小[14]。ANN是将处理单元作为神经元,连接大量简单的神经元形成复杂网络,用来模仿人脑的思维方式,对数据进行接收、处理等活动的信息处理系统[15]。SVM在非线性及高维模式识别、解决小样本中表现出特有的优势,并能够广泛运用到函数拟合等机器学习研究中[16]。

2.2.3分类精度评价

利用同一样本对基于像元与面向对象方法进行精度评价。依据实地调查得到的126个样地数据,验证样本选取林地样本200个,农业用地样本100个,建筑用地样地100个,水域样本50个以及未利用地样本50个。采用混淆矩阵统计法进行精度评价,评价指标包括总体精度和Kappa系数。

2.3 景观格局动态分析

选取最优分类方法基础上对研究区2001、2005、2009、2013和2017年影像进行信息提取后,从老山景区景观水平上对景区生态景观空间格局动态进行分析[17]。利用景观生态学软件Fragstats 4.2计算老山景区2001、2005、2009、2013和2017年的各类景观格局指数,包括密度指标(斑块数量NP、斑块密度PD)、形状指标(周长面积分维数PAFRAC)、边缘指标(边缘总长度TE、边缘密度ED)、多样性指标(香农多样性指数SHDI、香农均匀性指数SHEI)、聚散性指标(蔓延度CONTAG)等。

3 结果与分析

3.1 模糊规则与特征空间

图2为各特征组合距离分布图。从图2可以看出,理论最优特征空间维数为55。为获得最优特征空间,在此基础上通过改变最大特征维数设定不同最佳特征空间,统计出最高分类精度为91.8%,所对应的特征空间由图层3平均值、图层7平均值、图层6标准差、图层3比率值、图层4比率值、图层1比率值、灰度共生矩阵角二阶矩、灰度共生矩阵相关性、灰度共生矩阵同质性、长宽比、面积这11个特征组成,所得各类别距离矩阵见表4。

图中突出点对应维数为理论最优空间维数。

通过对影像对象特征分析,建立对象层次结构,层次1主要在大分割尺度上区分植被与非植被地类,通过NDVI与图层3平均值可以较好地区分,层次2在层次1的基础上降低分割尺度进一步细分,非植被区划分为建筑用地、水域与未利用地,植被区划分为农业用地与林地,层次3对层次1与层次2未分类地块进行细分。表5为各层的模糊规则与特征空间。

3.2 地类信息提取

对2017年Landsat影像进行地类信息提取,从混淆矩阵(表6～11)中可以看出,面向对象方法分类精度高于基于像元分类。总体精度从大到小依次为模糊分类法>C5.0决策树法>SVM>ANN>MLE。

表4 各类别距离矩阵

表5 各层次模糊规则与特征空间

表6 模糊分类法混淆矩阵

表7 C5.0决策树分类法混淆矩阵

模糊分类法对建设用地分类效果最好,水域与林地次之,3种地类分类精度都达到90%以上,对未利用地分类精度最差。C5.0决策树分类法对水域分类效果最好,生产精度比模糊分类精度低,但仍高于90%。SVM在基于像元的3种方法中精度最高,ANN次之,MLE最差。从各类土地利用类型上看,SVM对未利用地分类精度最高,但林地分类效果不好,有13.74%的林地被划分为农田。ANN仅次于SVM,对建筑用地、未利用地以及水域划分效果较好。基于以上分类结果,该研究选择分类精度最高的面向对象模糊分类法对研究区2001、2005、2009和2013年影像进行分类(图3)。

表8 最大似然分类法混淆矩阵

表9 人工神经网络分类法混淆矩阵

表10 支持向量机分类法混淆矩阵

表11 各分类方法的精度

3.3 景观格局动态分析

景观格局是不同大小、形状的景观板块在空间上的排列状况,是景观异质性的重要体现[18],景观评价指标值能高度浓缩景观发展的信息[19-21]。在ArcGIS软件中将老山景区2001、2005、2009、2013和2017年土地分类图转换成Fragstats软件能够识别的栅格文件格式。将tif格式图输入到Fragstats软件,计算上述各景观格局指标(表12)。

从表12可以看出,研究期间老山景区NP浮动较大,其变化趋势与PD相同,景观斑块呈现先破碎再聚合趋势。2009年TE达到最大长度,景观边缘复杂性最高,2013与2017年有所降低。ED虽无明显单调增减趋势,但总体趋于减小,斑块形状复杂度降低。CONTAG整体变化不大,2001—2017年由57.008 2%上升至59.409 4%,优势斑块类型连通度增加。SHEI浮动趋势与SHDI相同,呈波浪形浮动,2013—2017年SHDI开始回归,景观分布趋于均匀,最高值均出现在2009年,景区景观多样性最高。

分析相关历史年鉴等资料发现该时段老山景区处于早期开发阶段,并且气温和降水量变化程度高,产生了较大的自然干扰。因此,人为因素和自然因素为主导的原因使得景区破碎化加快,但从表12可以发现2013年前后破碎化程度减缓,是因为自2012年出台《南京市老山景区保护条例》后景区加大封山育林力度,景区森林得到一定恢复。而在2015年国家批复成立南京江北新区的政策下,老山景区在江北城市规划中将逐步被打造成江北的中央公园和城市绿色休闲中心,政府后期出台了《南京老山景区控制性详细规划》方案,对老山景区的开发加强了控制,景观破碎化速率低于以往,但破碎化程度仍然在缓慢增加。因此,2017年斑块数量又有所上升,但从边缘密度无明显增减可知景观破碎化慢慢趋于稳定。

4 讨论

老山景区是南京市重要的森林资源,林木和动植物资源丰富,在优化区域景观生态环境、调节气候变化、保护生物多样性等方面发挥了至关重要的作用。该研究比较了面向对象方法和基于像元分类2大类地类提取方法。从总体分类效果上看,可以直观感受到基于像元的分类方法由于基于单个像素进行处理而出现很多琐碎分散的像元图斑,这样的像元点大部分是不合理的,忽略了生态系统的完整性。而面向对象的分类方法由于在分类中考虑到光谱、纹理、空间关系等属性,能够更好地考虑到斑块的完整性,在其分类结果中完美避免了不合理的像元图斑的存在,因此面向对象分类方法总体较基于像元分类方法分类精度高。

该研究中的模糊分类充分利用了影像中丰富的光谱、纹理、语义等信息,考虑了明确分类对象之间的不确定地区的归属。决策树算法能从大量数据中自动生成简单易懂的分类规则来挖掘分类信息,结合面向对象多特征性,在特征点明显的地物中(如林地等)同样可以提高分类精度。对于最大似然法分类,由于人工选择地类样本点,很好地突出了水域的分类结果。

图3 2001—2017年老山景区土地利用类型分布

表12 2001—2017年老山景区各类景观指数值

由于研究区地处林分结构复杂的亚热带森林,地形、森林类型、面向对象分割参数、分类规则阈值选择等都会对分类结果产生影响,因此今后可以尝试利用不同的数据组合来挖掘规则,构造更多分类器分类法进行对比实验,同时尝试更多尺度转换方法,掌握更多的分割效果评价方法。此外,目前面向对象尺度优化研究多基于先验知识等人为选择,而人工智能领域中深度学习算法因可以自主学习进行特征选择和优化建模等已被广泛用于遥感领域。因此,今后将尝试将深度学习方法应用于面向对象尺度优化方面的研究上。

5 结论

以南京市老山景区为研究对象,选用多时相Landsat影像为遥感数据源,对老山景区2001、2005、2009、2013和2017年地类信息进行提取,并在景观水平上构建景观格局指数,对老山景区2001—2017年的景观格局动态变化进行分析,得到以下结论:

(1)对景区遥感影像进行多尺度分割,采用目视评价并参照估计尺度参数插件计算影像对象同质性的局部变化的变化值,在不同尺度中更加直观地选取各层最优尺度与异质性因子权重。最终确定层次1分割尺度为90,形状因子0.4,紧致度因子0.4;层次2分割尺度为60,形状因子0.1,紧致度因子0.5;层次3分割尺度为40,形状因子0.3,紧致度因子0.8。

(2)将模糊统计法与面向对象的最邻近分类器相结合的分类方法进行地类信息提取,首先在选取最优特征空间过程中根据类别距离矩阵选取理论最优特征空间,通过改变最大维数多次分类,最终获得分类精度最大的11维特征空间为最优特征空间;其次,提出利用模糊统计学拟合各类别各特征的特定隶属函数,获得比常用的标准式方程隶属函数准确度更高的最优隶属函数,结合最邻近分类器进行地类信息提取。

(3)利用面向对象的模糊分类法、C5.0决策树法与基于像元的MLE、ANN、SVM这5种分类方法进行分类,分类精度分别为91.79%、89.20%、84.91%、87.89%和88.09%。林地与水域的提取在5种分类方法中都达到较好的效果,农业用地在模糊分类法中达到最优提取效果,建设用地与未利用林地在SVM法中达到最优提取效果。

(4)为最大程度分析研究区2001—2017年研究期间景观格局动态,选取5大类景观格局指数对研究区近17 a景观格局进行动态分析。随着人为活动的增加,研究期间老山景区NP由477增长至653块,PD由4.293 4增长至5.928 1块·km-2,斑块破碎化程度增加;CONTAG由57.008 2%增长至59.409 4%,优势斑块类型连通度提高;SHDI上下窄幅波动,2009年达到最大值0.725 5。随着景区对景观均衡性的重视度逐渐提高,生态建设不断完善,老山景区逐步向均衡性、稳定性方向发展。