基于eCognition影像解译技术的风景环境植被景观遥感量化研究——以云南鸡足山为例

张学玲

当代风景环境调查研究日益强调理性思考、分析逻辑与先进技术的深度协同，量化分析成为景观科学规划与设计的重要前提乃至必要途径，数字技术在风景环境特征调查、分析、评估等研究中所扮演的角色愈发关键[1]。伴随3S技术在大尺度风景园林研究中应用程度的持续深入，传统风景环境数字化分析程度不断提高，空间尺度变

得更大，分析综合性变得更强，其结果也更具科学意义[2]。eCognition作为当代新兴的智能化高分遥感影像分析技术，突破了传统商业遥感软件单纯基于光谱信息进行影像分类的多种局限性，为数字景观发展提供了一种全新的遥感分析途径[3]。使用Web of Science搜索近5年主题包含“eCognition”的论文文献，获得相关论文190余篇，论文年均数量持续增长，其中与本学科相关的论文20余篇；使用中文期刊服务平台(CNKI)搜索主题含“eCognition”的论文文献数量为150余篇，其中与风景园林学领域关系密切的论文仅有几篇，如张强[4]、宋宜昊[5]、王欢欢[6]相继开展的园林植物与现状绿化遥感分析研究。这说明基于eCognition的高分遥感影像解译技术已获得林学、生态学、测量学、地理学、城乡规划学等学科高度关注并得到广泛应用，而在风景园林学重视不足，相关研究处于起步阶段，有待迅速形成科研拓展和专属领域。

风景环境多以植被为景观基质，人工-自然绿化高度复合，并在自然演进、人居发展、空间更迭、规划建造等共同作用下，逐渐形成以典型植被群落为主体，以连续的植被“知觉群”为空间组成机制[7]，具有特定植被景观特征和空间格局的风景综合体。这种综合体环境特色鲜明、人文-自然景观要素高度复合，不仅呈现地质地貌、人文资源、建筑特色等景观特征，更是凸显植被景观之美，呈现出鲜明的植被群落特征。例如明代以来持续修建的北京西山、香山等风景区植被群落丰富，林相、季相特点显著，植被景观成为风景区标志性特色；河北承德外八庙、浙江天台山、云南鸡足山也是植被景观荟萃之地，地带性植被景观环境各具特色。

景观特征是景观要素在自然环境、历史发展、地域文化等条件影响下形成的独特、可识别、连续的景观肌理，是科学模式的有机呈现，具有独特性、复杂性、多尺度性、连续性等特点[8]。植被景观特征研究强调运用理性、逻辑的思维方式，科学而严密地分析其构成要素及生成与发展过程[9]，充分呈现绿化空间构成模式、深层次解码与群落演进机制，从而建立植被景观发展变化与景区风貌之间的对应关系[10]，为当代植被景观营造提供科学而有效的研究途径，促进包括风景环境在内的人居景观环境科学解读与建设发展。

植被景观是否可以量化？植被景观作为综合的整体能否分解为更精确、可度量的特征要素进行数字化分析？面对这样的问题，基于当代数字景观理论和遥感技术手段的eCognition给予了更为系统、简明的解答途径[11]。eCognition是当代新兴的智能化影像分析技术，它采用决策专家系统支持的模糊分类算法，提出了革命性的分类技术——面向对象分析的分类技术，大大提高了空间影像数据的自动识别精度，有效满足了科研和工程应用的需求，也为风景环境植被景观特征研究提供了一种新型量化解析技术[12]。通过eCognition的遥感影像技术分析，我们能够在高空卫星遥感图的基础上，进行大尺度、高精度的植被景观信息采集和特征分析[13]，运用光谱异质性、多尺度分割函数和归一化植被指数作为植被图像分类特征，通过隶属度函数算法，最终有效提取典型植被景观要素信息，提高景观特征分类精度，矢量呈现植被景观特征分布情况。在推动风景环境景观特征研究进步的同时，具有深化景观环境空间调查与分析水平的科研意义。

图1 鸡足山核心景观区遥感影像图

1 研究案例与数据预处理

鸡足山位于大理白族自治州洱海地区，西临苍山、洱海，北靠金沙江，隶属于大理国家级风景名胜区。主体山群东起塔盘山接沟村，南界沙址街河，西到天柱山，北止九重崖北坡，总面积2 822hm2(图1)。鸡足山地处亚热带和温带的过渡地带，立体气候明显，地形地貌复杂，动植物资源丰富，生态环境优良，丰富的地形变化与植被资源建构了生动多样的地表景观环境。鸡足山景区目前分布有大量的风景建筑，包括金顶寺、传灯寺、五华庵、迦叶殿等寺庵数十座，并呈现出与周边植被高度融合的态势；针叶林、阔叶林、竹林、疏林地、茶园、果林等植被呈现规律性分布，植被群落参与园林环境营造，其植被景观分布与特征有待精准识别与量化分析。

本研究选用中国资源3号(ZY-3)卫星遥感影像(采集时间为2018年1月23日)，空间分辨率为5.8m。光谱波段包括蓝色波段(450～520nm)、绿色波段(520～600nm)、红色波段(630～690nm)和近红外波段(760～890nm)4个波段。影像视域无云，大气环境较好，倾斜视角为11°。遥感影像的预处理步骤如下。

1)对原始影像数据进行FLAASH大气校正。大气校正的目的是消除大气折射、散射等现象对地物反射的影响，提高地物提取精度。

2)以鸡足山地区1∶10 000现状地形图为参考，采用WGS84坐标系统，根据ZY-3卫星影像特点，采用二次多项式纠正方法进行正射校正。

3)根据研究需要，截取合适图像范围用于后续遥感影像二次修正与eCognition解析。

2 技术路线

1)研究区域遥感影像的光谱异质性调试与多尺度分层分割，用以获取不同层次上的影像分析基础图像与对应数据。难点在于根据植被景观要素的光谱特点、几何形状、拓扑特征设置每层的分割条件，进而实现鸡足山植被空间特征、形状特征的精准分割。

2)利用分割后的基础图像选取实验样地(以下简称“样地”)进行植被样本标定与统计分析，根据鸡足山景区不同类型植被景观特征的差异性确定分类特征，为植被景观特征分类解析构建基础样本数据库。

3)基于归一化植被指数(NDVI)进行植被景观特征描述，使用隶属度模糊分类方法进行影像深入解析。对照样本数据，设定植被景观特征类间区分度，统一进行对象特征和类间特征的精确定义与对象归类。

4)调试解译参数进行影像识别，实现鸡足山核心景观区及其辐射区域遥感数据解析，对其植被景观特征进行分类解析，获取技术图纸与相关矢量数据。

5)二次抽取样地进行精度分析，通过实地调研获得本次研究的分类精度，进行技术总结并对下一步研究方案进行探讨。技术路线如图2所示。

图2 鸡足山遥感影像解析技术路线

图3 鸡足山核心景区多尺度分割遥感影像

3 研究过程与结果

3.1 影像分割

根据鸡足山实地调研样本情况，在eCognition平台上利用分形网络演化算法进行影像分割。在不同地表植被景观特征分割范围内，分割后大尺度和小尺度影像数据同时存在，并形成一个有4级层次的多尺度遥感影像对象等级网络。要同时考虑遥感影像中不同地表条件下植被群落光谱、形状和空间特征的差异性与同一性，并遵循异质性最小的原则优选算法公式[14]。经反复比较调试，建议在风景环境植被景观提取中执行的异质性度量准则计算公式为：

式中，F表示异质性准则；w1表示形状权重；c1和c2分别表示颜色差异性量度和形状差异性量度，其中c2形状差异性量度又分为平滑度c3和紧致度c4；w2表示平滑度和紧致度的权重值，平滑度是指合并后区域边界的光滑程度，紧致度是为了保证合并后区域更加紧凑，它们各占有一个权值，构成了形状差异性量度。由此可见，多层多尺度的分割算法不但可以针对不同地物进行不同尺度的分割处理，还可以结合地物的空间特征和形状特征进行更加准确的分割控制，并结合分类时上下层级的逻辑拓扑关系，优化分割精度。

3.2 分割参数设定

依据鸡足山地区典型地貌，测试并选定其分割尺度函数。分割函数一般包括尺度选择、层数选择、颜色因子、形状因子、光滑度、紧致度等。本研究中主要根据景观植被光谱特点、几何形状、拓扑特征来对影像进行实用性切割。通过eCognition多尺度分割函数(multiresolution segmentation)设定，形成一个有a、b、c、d 4级层次的多尺度遥感影像对象等级网络[15]。

其中，层a用于林地与非林地分割，分割尺度不宜过大，以免造成地物破碎。考虑到鸡足山现场林地与非林地交错程度较高，宜从大尺度进行林地与非林地区分，并在底层进行交错带分类探讨，分割尺度经调试确定为100。层b用于区分针叶林、阔叶林、疏林地和建设用地，在层a分割的基础上，结合茶园、果林、疏林地等具有人工干预下自然要素的形状特征，分割尺度设为50即可将植被要素分开。层c用于区分疏林地、竹林、茶园和果林，通过比照样本，解析不同植被种类的光谱、形状、紧致度和平滑度特性，有效提取植被景观信息要素。层d用于进一步提高植被景观特征提取精度，同时提高构筑物、林隙、阴影和裸地区分度，分割尺度设为10(图3)。

3.3 对象特征提取

基于分割影像，结合样地踏勘数据进行数据统计分析，根据不同图像类型的特征差异确定分类特征[16]。在鸡足山核心景观区多光谱遥感影像4个光谱波段可视化解析处理的基础上，利用eCognition最邻近分类器，选择样地进行分类试验。实践经验表明，通过不断将未分和错分的对象设为样本，能够有效实现分类结果优化，并持续提高分类精度。

3.3.1 植被特征指数

植被特征指数是对地表植被状况简明、凝练和理性的度量指标，目前已经定义了40多种植被特征指数，广泛应用在全球与区域土地覆盖、植被分类和环境变化等遥感分析中[17]。归一化植被指数(Normalized Difference Vegetation Index，NDVI)用以判定植被群落种类、生长状态、植被覆盖度的整合情况，该指数业已通过中国科学院地理科学与资源所专家组的判读与野外实测数据验证(2012)，空间一致性良好。

在植被景观特征解析中，归一化植被指数增强了在近红外波段范围绿叶的散射与红波段范围叶绿素的吸收差异，是植被群落种类及生长状态的最佳指示因子，图4为鸡足山核心景观区植被特征指数解析图。

植被特征指数计算公式如下：

式中，pnir表示近红外光波段反射率；pred表示红光波段反射率。

3.3.2 光谱异质性指数

在分类时，由于针叶林、阔叶林和竹林光谱信息比较相似，存在一定程度上的误分现象，故在光谱信息的基础上加入纹理信息[18]。灰度共生矩阵(Grey Level Co-occurrence Matrix，GLCM)反映出图像灰度变化的综合信息，以及分析图像的排列规律和局部模式。其中，Homogeneity是GLCM的主要特征之一，表示该区域的同质性，同质性越高，其值越大。根据以上统计分析方法得出所用的分类指标如表1，解析图为图5。

3.4 植被景观特征解析

面向对象的特征分类是植被景观群落层次的模糊逻辑函数分类，eCognition提供了最邻近(Nearest Neighbor)和隶属度函数(Membership Functions)2种常用的分类方法。其中，隶属度函数是一个以同一范围(0～1)来表达任意特征范围的方法，易于对每个特征进行编辑和调整；它提供了特征值和类隶属度之间非常透明的关系隶属度函数，可以利用对象特征和类间相关特征精确定义对象属于某一类的标准[19]。针对鸡足山植被信息提取中不同的情况，本研究采用光谱异质性和NDVI指数作为图像分类特征，对植被景观特征进行隶属度解析(图6)。

3.5 精度评价

精度评价对于包含植被景观在内的景观特征遥感数据精准提取非常重要，因为一幅植被景观提取分类图像的精度直接影响到数据分析的准确性和科学评价的合理性[20]。本项研究中，精度评价是以野外人工调查数据作为参考数据，将参考数据与遥感解析结果建立误差矩阵进行统计计算。

多数情况下，获得全部完整的参考数据难度较大，因此大多数精度评价都采用抽样的方式，并以部分像元或部分类别代替整幅图像来进行图像的精度评价。误差矩阵也称混淆矩阵，是用来进行精度评价的一种标准格式。本研究采用生产者精度(PA)、用户精度(UA)、总体精度(OA)和Kappa系数4个精度评价指标，定量评价分割尺度对分类精度的影响，以此作为精度验证标准。其中，Kappa系数计算公式如下[21]：

本项研究中，样地数据主要包括调查获取的植被品种与群落组成、植被景观特征分布、景观特征结构与形态组等332个试验对象样本，通过人工转译，以样本对象为统计对象，用误差矩阵及总体精度表示精度评定结果。鸡足山核心景观区分类精度及误差矩阵如表2所示，最终获取总体精度为78.92%。

图4 鸡足山核心景观区植被特征指数(NDVI)解析图

图5 鸡足山核心景区灰度共生矩阵(GLCM)解析图

图6 鸡足山核心景观区景观特征解析图

4 结语与展望

本文通过对鸡足山核心景观区遥感影像多尺度分割、分类对比分析，获取最佳分割尺度，结合样地提取植被对象的光谱信息，结合纹理信息、几何信息，以面向对象分类方法对遥感影像进行解译实验，运用光谱异质性、多尺度分割函数和归一化植被指数作为图像分类特征，通过隶属度函数算法，最终有效提取出针叶林、阔叶林、竹林、疏林地、茶园和果林6类植被景观特征要素信息，分类精度达到78.92%，较好地实现了鸡足山核心景观区植被景观特征与分布情况的遥感影像数据解译。

研究结果表明，采用面向对象分析方法的多尺度分割隶属度函数分类方法进行高分遥感影像解译精度较高，能够有效区分风景环境植被群落整体景观特征，适用于包括自然环境、城市环境景观资源在内的植被景观要素的量化提取。本文通过对鸡足山植被景观要素的eCognition遥感影像解析，提出并实践验证了一套适用于风景环境植被景观信息量化提取的高分遥感解析技术；能够在高精高分遥感影像图支持下，进一步实现对古树名木、街头绿地、局部微更新等典型微观地表景观精确识别，为风景环境、城市环境中植被景观分析与研究提供更科学、专业的遥感解析技术。

表1 分层分类指标表

表2 鸡足山核心景观区分类精度及误差矩阵

经过与同类遥感影像解析技术比较可见，eCognition遥感影像解析技术主要特点表现为分割尺度多样、分类方法先进、影像特征与算法丰富，能够有效对接风景园林学景观资源调查需求，目前可实现的分类精度是令人满意的，能够实现典型环境条件下植被景观的特征化数据收集与图形表达，为后续大尺度统计分析、规划设计、养护管理等提供可靠的基础资料与精准的基础图纸。值得关注的是，由于部分植物品种之间存在一定的相似性，分类结果还存在一定的误分现象，若能进一步结合资源3号遥感立体信息，并提取数字高程模型(DEM)数据，则有可能进一步提高分类精度，相关研究有待深入开展。

基于eCognition遥感影像解译技术的植被景观量化解析是伴随着当代景观环境科学发展需求、计算机和遥感技术而产生的新型景观特征与资源调查技术，能够为大尺度风景环境景观特征研究提供一个以客观定量分析、多维直观呈现为特点的量化研究途径，并为当代景观高空间解析、城市绿地系统精确判读、数字景观设计等提供遥感分析技术途径[22]。瞳孔视野迅速提升为卫星视野，具有技术进步意义，同时也可为城乡规划学、建筑科学等相关人居环境科学研究提供可参照、可借鉴、可发展的科研平台与技术对标。

注：文中图片均由作者绘制。

致谢：感谢李树华、何钰昆、延宏、赵鸣等同志对本项研究及论文撰写给予的支持和帮助，感谢北京国测星绘信息技术有限公司提供资源3号遥感影像并给予技术支持。