周 偉，楊 峰,2，錢育蓉,3，李建龍

(1.南京大學(xué)生命科學(xué)學(xué)院，江蘇 南京 210093； 2.四川農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，四川 雅安 625014；3.新疆大學(xué)軟件學(xué)院，新疆 烏魯木齊 830000)

全球變化研究中，植被被認(rèn)為是一個反映生態(tài)環(huán)境變化的敏感指示器，已經(jīng)成為陸地生態(tài)系統(tǒng)響應(yīng)全球變化研究的一個熱點(diǎn)，其中植被類型劃分又是植被研究的基礎(chǔ)[1]。自然界的植被類型復(fù)雜多樣，傳統(tǒng)的利用人工進(jìn)行野外實(shí)地調(diào)查的植被分類方法周期長，工作量大，不便于定量分析和可視化；遙感影像能全面真實(shí)地記錄地表植被與環(huán)境的信息，因?yàn)椴煌脖坏墓庾V反射率不同，這使得利用遙感影像對植被類型進(jìn)行劃分成為可能。近年來，隨著遙感科學(xué)技術(shù)的快速發(fā)展和不同傳感器對地觀測系統(tǒng)的大量應(yīng)用，獲取同一地區(qū)的多平臺、多傳感器、高光譜、高分辨率和多時相的多源遙感數(shù)據(jù)越來越容易。根據(jù)研究目的，可以將多源遙感影像進(jìn)行融合，獲取比任何單源遙感影像更豐富、精度更高的圖像信息[2-3]，同時多源遙感數(shù)據(jù)融合可以消除多傳感器之間信息的冗余和矛盾，降低不確定性，減少影像模糊度，增強(qiáng)圖像信息的透明度，獲取對觀測目標(biāo)完整、一致的信息描述，最終實(shí)現(xiàn)圖像解譯精度和動態(tài)監(jiān)測能力以及遙感信息利用率的提高[4-6]。

草地作為我國生態(tài)系統(tǒng)的天然屏障，在減緩氣候變化中起著重要作用，草地植被對環(huán)境變化具有較高的敏感性。近年來，隨著氣候變化，西北天山山區(qū)處于氣候從暖干向暖濕轉(zhuǎn)型的顯著變化區(qū)[7]，加之人類活動的干擾，草地覆蓋和利用狀況發(fā)生了明顯變化。目前不少學(xué)者對天山山區(qū)草地植被進(jìn)行了研究，王新欣等[8]利用MODIS NDVI 對天山北坡中段草地進(jìn)行生物量估測，建立了生物量動態(tài)估測模型；黃敬峰和王秀珍[9]研究了天山北坡中東段天然草地植被光譜特征；師慶東等[10]利用分區(qū)分類方法對新疆北部植被進(jìn)行分類提取。本研究利用多光譜影像TM(波段2、3、4，分辨率30 m)和ETM+全色波段(分辨率15 m)，將它們進(jìn)行融合處理，既可提高光譜分辨率，又可提高空間分辨率，對融合后的圖像采用人機(jī)互動的解譯方法，將天山北坡的植被類型進(jìn)行分類，以期為合理利用和科學(xué)管理草地資源以及牧業(yè)發(fā)展規(guī)劃提供理論依據(jù)。

1 材料與方法

1.1研究區(qū)概況 阜康市位于亞歐大陸腹地，新疆維吾爾自治區(qū)中北部，天山東段北麓，準(zhǔn)噶爾盆地南緣(43°45′～45°30′ N，87°46′～88°44′ E)。研究區(qū)地勢自東南向西北傾斜，海拔450～5 445 m，地勢起伏大。阜康市屬中溫帶大陸性干旱氣候，年均氣溫平原區(qū)為6.7 ℃，山區(qū)為2.54 ℃，年均降水量205 mm，降水的年際變化和季節(jié)變化大，年均無霜期174 d[11]。研究區(qū)地形和氣候條件的多樣性，造就了多樣的土壤和植被類型。阜康境內(nèi)土壤類型主要有草甸土、棕鈣土和灰漠土。不同的地貌區(qū)域內(nèi)形成不同的植被群落類型，植被的垂直分異特征明顯，隨海拔升高可以分為低地鹽化草甸、溫性荒漠、溫性荒漠草原、溫性草原、溫性草甸草原、溫性草甸和高寒草甸[12]。

1.2數(shù)據(jù)來源 本研究選用的遙感影像為阜康市1999年8月23日Landsat 7-ETM+全色波段和2008年9月24日Landsat 5-TM數(shù)據(jù)，來源于中國科學(xué)院遙感衛(wèi)星地面站；1∶5萬地形圖數(shù)據(jù)來自阜康市畜牧局和統(tǒng)計局；1 km分辨率的DEM數(shù)據(jù)來自中國西部環(huán)境與生態(tài)科學(xué)數(shù)據(jù)中心(http://westdc.westgis.ac.cn/)。地面實(shí)地調(diào)查數(shù)據(jù)為2008年8月和2009年10月對研究區(qū)域的草地植被調(diào)查數(shù)據(jù)；在研究區(qū)，根據(jù)地質(zhì)地貌和植被類型設(shè)置樣帶，在每個樣帶選取有代表性的樣地，在每個樣地設(shè)置1個大樣方(10 m×10 m)，在大樣方四角及中心部位各設(shè)置1個小樣方(1 m×1 m)，共5個，進(jìn)行植被群落調(diào)查，并記錄樣地周圍植被利用狀況及樣方的經(jīng)緯度和海拔等信息，為獲取解譯標(biāo)志，完成室內(nèi)解譯工作收集資料。

1.3數(shù)據(jù)處理

1.3.1幾何校正 原始遙感數(shù)據(jù)為中國科學(xué)院遙感衛(wèi)星地面站提供的Level 2數(shù)據(jù)，該數(shù)據(jù)是經(jīng)過輻射校正和系統(tǒng)幾何校正后的產(chǎn)品。利用地面控制點(diǎn)，對Level 2數(shù)據(jù)進(jìn)行幾何精校正，并進(jìn)行坐標(biāo)變換和裁剪處理。最后獲得研究區(qū)兩期標(biāo)準(zhǔn)影像，投影類型為通用橫軸墨卡托投影(UTM)，橢球體為WGS-84，圖像校正的均方根誤差控制在1個像元[13-14]。

1.3.2數(shù)據(jù)的融合 遙感影像數(shù)據(jù)融合[15]是指對不同分辨率遙感影像的融合處理，處理后的遙感影像既有較好的空間分辨率，又有多光譜特征，從而達(dá)到圖像增強(qiáng)的目的。Landsat ETM+全色波段影像具有15 m的空間分辨率，可以很清楚地表現(xiàn)地物紋理特征，而Landsat TM 影像空間分辨率雖然僅有30 m，但是包含比較豐富的光譜信息，將ETM+全色與TM影像融合，可以同時發(fā)揮兩種數(shù)據(jù)源各自的優(yōu)勢。在數(shù)據(jù)融合前對遙感影像進(jìn)行去云處理[16]，以區(qū)分云和冰雪(圖1)。

ETM+全色與TM影像數(shù)據(jù)的融合是在ERDAS 9.1軟件下運(yùn)行Resolution Merge命令完成的。為了增強(qiáng)目視解譯的有效性，采用主成分變換法進(jìn)行融合(圖2)，重采樣方法為3次卷積插值法(Cubic Convolution)。

1.3.3歸一化植被指數(shù) 實(shí)踐證明歸一化植被指數(shù)(Normalized Difference Vegetation Index，NDVI)對于土壤背景的變化較為敏感，本研究選擇NDVI來計算阜康市典型草地植被指數(shù)，公式如下[17]：

圖1 研究區(qū)原始圖像及融合后的遙感影像Fig.1 The raw remote sensing image and fused image in the study area

(1)

式中，RNIR為近紅外波段4反射率；RRed為紅光波段3反射率。

圖2 數(shù)據(jù)融合流程圖Fig.2 Flow chart of remote sensing data fusion

1.3.4分類精度檢驗(yàn) 結(jié)合野外實(shí)地調(diào)查的植被類型資料，在研究區(qū)采用地表真實(shí)感興趣區(qū)(Region of Interest，ROI)采樣方法選取了36個ROI，每種植被類型均隨機(jī)選取樣本點(diǎn)3～8個。在圖像上建立感興趣區(qū)，然后建立誤差矩陣表，計算總體分類精度、用戶精度、制圖精度等基本精度估計量。在此基礎(chǔ)上，進(jìn)行Kappa系數(shù)分析。Kappa分析采用另一種離散的多源技術(shù)，可以克服以上基本精度估算中由于像元類別的小波動導(dǎo)致其百分比變化的缺點(diǎn)，從而可以更客觀地評價分類質(zhì)量[15]。具體公式如下：

(2)

式中，Pc是總體分類精度，它表述的是對每一個隨機(jī)樣本所分結(jié)果與地面對應(yīng)區(qū)域的實(shí)際類型相一致的概率；Pkk是誤差矩陣表中對角線上對應(yīng)值，即實(shí)測數(shù)據(jù)類型和分類數(shù)據(jù)類型一致的像元數(shù)量；P是實(shí)測和分類總的像元數(shù)量。

(3)

式中，Pui是用戶精度(對于第i類型植被)，表示從分類結(jié)果中任取一個隨機(jī)樣本，其所具有的類型與地面實(shí)際類型相同的條件概率；Pii是第i類的實(shí)測數(shù)據(jù)類型和分類數(shù)據(jù)類型一致的像元數(shù)量；Pi+1是分類結(jié)果中第i類像元數(shù)量之和。

(4)

式中，PAj是制圖精度，表示相對于地面獲得的實(shí)際資料中的任意一個隨機(jī)樣本，分類圖上同一地點(diǎn)的分類結(jié)果與其相一致的條件概率；Pjj是第j類的實(shí)測數(shù)據(jù)類型和分類數(shù)據(jù)類型一致的像元數(shù)量；P+j為實(shí)測數(shù)據(jù)中第j類的像元數(shù)之和。

(5)

式中，Khat是Kappa系數(shù)，r是誤差矩陣中總列數(shù)(即總的類別數(shù))；xii是誤差矩陣中第i行第i列上像元數(shù)量；xi+和x+i分別是第i行和第i列的總像元數(shù)量；N是用于精度評價的總像元數(shù)量。

2 結(jié)果與分析

2.1植被類型的劃分 根據(jù)中國植被類型圖[18]，研究區(qū)植被類型主要包括荒漠植被、荒漠草原、溫帶草原、溫帶草甸草原、溫帶草甸、高寒草甸和耕地。這些植被類型是確定解譯對象和類型的重要參考。但是所劃分的類型，有些在圖像解譯過程中難以判別。因此，在確定具體的解譯標(biāo)志時，需要進(jìn)行實(shí)地野外調(diào)查，結(jié)合觀測資料、圖像特征和制圖原則，最后確定出8種解譯標(biāo)志(表1)。

表1 研究區(qū)植被分類系統(tǒng)Table 1 Vegetation classification system of study area

2.2目視解譯標(biāo)志的建立 遙感圖像的解譯標(biāo)志又稱判讀標(biāo)志[15]，指在遙感圖像上能具體反映和判別地物或現(xiàn)象的影像特征。根據(jù)遙感圖像中不同地物的色調(diào)、陰影、大小、形狀、紋理、圖案和位置等信息，結(jié)合影像拍攝時間、季節(jié)、圖像的種類、比例尺、地理區(qū)域和研究對象，可以整理出不同目標(biāo)在圖像上所特有的表現(xiàn)形式。表2是依據(jù)融合圖像及野外樣地調(diào)查確定的8類地物的解譯標(biāo)志。

表2 研究區(qū)域遙感圖像目視解譯標(biāo)志Table 2 Visual interpretation mark of image in study area

2.3專題信息的分類與評價

2.3.1基于專家知識決策樹的分類 根據(jù)目視解譯結(jié)果，對每類地物選取一定數(shù)量的感興趣區(qū)，然后利用最大似然法，先進(jìn)行監(jiān)督分類得到阜康市典型草地的初步分類結(jié)果。為了便于后續(xù)的處理，將沙漠植被和平原荒漠草地合并為荒漠草地，將水體和冰雪合并為冰雪類，將小面積的城鎮(zhèn)用地依據(jù)NDVI數(shù)值大小歸并入農(nóng)田或者荒漠草地，并重新編碼。圖3是基于專家知識的分類器構(gòu)建過程，主要包括相應(yīng)信息的獲取及預(yù)處理，地物特征提取和分析，加入NDVI植被指數(shù)、海拔、紋理特征提取知識，并以此制定分類規(guī)則，構(gòu)造專家分類器。

2.3.2分類結(jié)果 根據(jù)目視解譯結(jié)果，利用植被和海拔等信息對研究區(qū)進(jìn)行分區(qū)。使用的變量包括NDVI(主要用來提取研究區(qū)植被信息)和DEM數(shù)字高程模型(主要用來區(qū)分耕地和山地森林、平原荒漠和山前荒漠)。通過對各類地物特征反復(fù)采樣、測試和對比分析，構(gòu)造研究區(qū)的分類規(guī)則(圖4)。

圖3 基于專家知識的分類器構(gòu)造流程圖Fig.3 The flow chart of classifier based on expert knowledge

圖4 基于專家知識的分類系統(tǒng)決策二叉樹Fig.4 The decision-making binary tree based on expert knowledge

根據(jù)專家知識的分類器流程圖并結(jié)合分類決策樹，對天山北坡阜康市草地植被類型進(jìn)行劃分，分類后對其進(jìn)行預(yù)處理，將沙漠植被和平原荒漠進(jìn)行分離，湖泊或水庫與冰雪類別進(jìn)行分離獲得草地類型圖(圖5)。

2.4分類結(jié)果精度分析 結(jié)合野外實(shí)地調(diào)查資料并參考《中國植被圖集》中新疆植被類型資料[18]，在研究區(qū)采用地表真實(shí)感興趣區(qū)采樣方法選取36個ROI。由于水庫坑塘、冰雪區(qū)、城鎮(zhèn)用地和無植被裸地在研究區(qū)分布面積較小，將其統(tǒng)一歸為“冰雪及其他”，并在該類隨機(jī)選取3個樣本點(diǎn)；在分類精度評價時將平原荒漠和沙漠植被合并為一類，在每個植被類型分別隨機(jī)選取樣本點(diǎn)3～8個。通過在圖像上建立感興趣區(qū)，計算相關(guān)指標(biāo)并進(jìn)行精度評價，得到基于專家知識決策樹分類的精度評價結(jié)果(表3)。

不同草地類型的分類生產(chǎn)精度和用戶精度較高，錯分和漏分誤差較?。环诸惪偩瘸^95%，Kappa系數(shù)為0.939 6(表3)，說明基于專家知識系統(tǒng)的分類結(jié)果在本研究區(qū)具有可行性，分類結(jié)果較好。

3 討論與結(jié)論

數(shù)據(jù)融合能提高圖像分辨率，改善圖像幾何精度，增強(qiáng)圖像特征并能改善分類精度。國內(nèi)外許多學(xué)者在多源遙感數(shù)據(jù)應(yīng)用研究中，進(jìn)行融合的影像多為同一時間獲取的數(shù)據(jù)或者相鄰年份的多源遙感影像[19-21]，本研究中兩期數(shù)據(jù)時間間隔為9年，對植被類型分類精度有一定影響，尤其對土地利用變化明顯的植被類型的劃分影響較大。然而，研究區(qū)處于西北內(nèi)陸經(jīng)濟(jì)發(fā)展相對落后地區(qū)，城鎮(zhèn)建設(shè)用地面積小，土地利用變化幅度較小，并且城鎮(zhèn)擴(kuò)張較慢[22]；同時研究區(qū)Landsat遙感影像受云層影響較為嚴(yán)重，可利用的遙感影像較少，其中Landsat 7-ETM+影像只有1999年可用；本研究利用1999年影像和2008年Landsat 5-TM影像進(jìn)行數(shù)據(jù)融合，對融合影像進(jìn)行植被類型劃分，并且獲得了較高的植被分類精度。

圖5 天山北坡阜康市主要草地植被類型圖Fig.5 Grassland type maps of Fukang in Xinjiang

表3 基于專家知識的分類精度評價Table 3 The accuracy evaluation of classification based on expert knowledge

在遙感數(shù)據(jù)融合基礎(chǔ)上，根據(jù)遙感圖像中不同地物色調(diào)、陰影、大小、形狀、紋理和位置等解譯要素的綜合分析，建立目視解譯標(biāo)志，通過監(jiān)督分類將阜康植被分為8種植被類型。在監(jiān)督分類的基礎(chǔ)上，通過建立專家知識決策樹，進(jìn)一步將新疆阜康典型草地植被分為5類，包括平原荒漠、沙漠植被、低山荒漠、溫性草甸和高寒草甸。精度分析的結(jié)果表明，分類的總精度超過95%，Kappa系數(shù)為0.939 6，分類效果比較好并且符合實(shí)際植被覆蓋狀況，說明該數(shù)據(jù)融合方法在研究區(qū)植被分類中具有一定的可行性，同時基于專家知識系統(tǒng)建立的決策樹分類方法在研究區(qū)分類精度高、效果好。

本研究采用的多年間隔的數(shù)據(jù)融合方法在研究區(qū)具有較好的分類效果，然而對于可用的遙感影像較少、城鎮(zhèn)擴(kuò)張緩慢、土地利用變化較小的其他地區(qū)，是否具有可行性需要進(jìn)一步研究。同時，本研究提出的植被分類方法僅利用了圖像紋理特征、植被指數(shù)和DEM等指標(biāo)，在以后的研究中如能綜合考慮坡度、坡向和植物表面溫度等信息，可能會進(jìn)一步提高分類精度。

[1] 李曉兵，史培軍.基于NOAA/AVHRR數(shù)據(jù)的中國主要植被類型NDVI變化規(guī)律研究[J].植物學(xué)報,1999,41(3):314-324.

[2] 許榕峰，徐涵秋.ETM+全色波段及其多光譜波段圖像的融合應(yīng)用[J].地球信息科學(xué),2004,6(1):99-103.

[3] Liu J G.Evaluation of landsat-7 ETM+panchromatic band for image fusion with multispectral bands[J].Natural Resources Research,2000,9(4):269.

[4] 韓玲，吳漢寧.TM與ETM影像融合用于地質(zhì)構(gòu)造解譯[J].遙感信息,2004(2):35-37.

[5] 賈永紅，李德仁，孫家柄.多源遙感影像數(shù)據(jù)融合[J].遙感技術(shù)與應(yīng)用,2000,15(1):41-44.

[6] Xie Y C,Sha Z Y,Yu M.Remote sensing imagery in vegetation mapping:A review[J].Journal of Plant Ecology-UK,2008,1(1):9-23.

[7] 施雅風(fēng)，沈永平，李棟梁，等.中國西北氣候由暖干向暖濕轉(zhuǎn)型的特征和趨勢探討[J].第四紀(jì)研究,2003,23(2):152-164.

[8] 王新欣，朱進(jìn)忠，范艷敏，等.基于MODIS-NDVI的天山北坡中段草地動態(tài)估產(chǎn)模型研究[J].草業(yè)科學(xué),2009,26(7):24-27.

[9] 黃敬峰，王秀珍.天山北坡中東段天然草地光譜植被指數(shù)特征[J].山地學(xué)報,1999,17(2):119-125.

[10] 師慶東，呂光輝，潘曉玲，等.遙感影像中分區(qū)分類法及在新疆北部植被分類中的應(yīng)用[J].干旱區(qū)地理,2003(3):264-268.

[11] 楊峰，錢育蓉，李建龍,等.天山北坡典型荒漠草地退化特征及其成因[J].自然資源學(xué)報，2011,26(8):1306-1314.

[12] 馮纓，許鵬，安沙舟，等.天山北坡中段草地類型α多樣性研究[J].干旱區(qū)研究，2005，22(2):225-230.

[13] Asner G P,Townsend A R,Bustamante M M C,etal.Pasture degradation in the central Amazon:Linking changes in carbon and nutrient cycling with remote sensing[J].Global Change Biology,2004,10(5):844-862.

[14] Numata I,Roberts D A,Chadwick O A,etal.Characterization of pasture biophysical properties and the impact of grazing intensity using remotely sensed data[J].Remote Sensing of Environment,2007,109(3):314-327.

[15] 趙英時.遙感應(yīng)用分析原理與方法[M].北京:科學(xué)出版社,2003:202-208.

[16] 李志林，朱慶.數(shù)字高程模型[M].武漢:武漢測繪科技大學(xué)出版社,2000

[17] 毛飛，侯英雨，唐世浩，等.基于近20年遙感數(shù)據(jù)的藏北草地分類及其動態(tài)變化[J].應(yīng)用生態(tài)學(xué)報,2007,18(8):1745-1750.

[18] 中國科學(xué)院中國植被圖編輯委員會.1∶1000000中國植被圖集[M].北京:科學(xué)出版社,2001:320-336.

[19] Franklin S E,Bloggett C F.An example of satellite multisensor data fusion[J].Computers & Geosciences,1993,19(4):577-583.

[20] 王祖?zhèn)?，秦其?多源遙感數(shù)據(jù)融合及其在城市研究中的應(yīng)用[J].測繪通報，2002(3):22-24.

[21] 袁金國，王衛(wèi).多源遙感數(shù)據(jù)融合應(yīng)用研究[J].地球信息科學(xué)，2005,7(3):97-103.

[22] 李志文.阜康市土地利用/覆蓋變化過程及其社會經(jīng)濟(jì)驅(qū)動力分析[D].烏魯木齊：新疆農(nóng)業(yè)大學(xué),2005.