和曉風(fēng)，林 輝，孫 華，嚴(yán)恩萍，胡 佳

（中南林業(yè)科技大學(xué) 林業(yè)遙感信息工程研究中心，湖南 長沙 410004）

基于GF-1衛(wèi)星東洞庭湖濕地類型信息提取

和曉風(fēng)，林 輝，孫 華，嚴(yán)恩萍，胡 佳

（中南林業(yè)科技大學(xué) 林業(yè)遙感信息工程研究中心，湖南 長沙 410004）

以我國自主發(fā)射的第一顆高分辨率衛(wèi)星(GF-1衛(wèi)星)的影像為數(shù)據(jù)源，在東洞庭湖開展?jié)竦匦畔⑻崛　＝Y(jié)合國家濕地遙感分類系統(tǒng)和高分影像數(shù)據(jù)的可解譯性，建立了東洞庭湖濕地類型遙感分類系統(tǒng)，包括湖泊、河流、泥灘地、林地、蘆葦、苔草、辣蓼+泥蒿7種濕地類型。利用最佳指數(shù)和聯(lián)合熵 2個(gè)指標(biāo)確定最佳波段組合方式為 4(R)3(G)2(B)，并在遙感圖像進(jìn)行預(yù)處理的基礎(chǔ)上，采用面向?qū)ο蟮臎Q策樹進(jìn)行分類，結(jié)果表明：基于面向?qū)ο鬀Q策樹遙感分類方法比最大似然法分類的精度高，總分類精度達(dá)85.41%，Kappa 系數(shù)為 0.822 5，并且各類信息的提取精度均有所提高，其中湖泊、蘆葦、林地的精度較高。

濕地；信息提取；面向?qū)ο?；決策樹；東洞庭湖

遙感圖像分類是遙感技術(shù)的重要步驟，傳統(tǒng)分類方法主要包括非監(jiān)督分類和監(jiān)督分類，這是基于像元的分類方法，主要依據(jù)光譜特征來分類，信息極其有限[1-2]，由于異物同譜和同譜異物現(xiàn)象較為普遍，僅靠光譜特征提取目標(biāo)，所得分類結(jié)果的精度較低[3]。近年來基于像元的遙感影像分類引入了大量先進(jìn)的方法，如支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、分層聚類等，在影像分類精度等方面有了很大的改進(jìn)[4-7]，但本質(zhì)上還是基于灰度的分類，無法擺脫方法上的局限。事實(shí)上地物的分布具有一定的連續(xù)性[8-9]，遙感影像相鄰像元之間存在一定的關(guān)聯(lián)，分類時(shí)必須加以聯(lián)系并一起來考慮。將像元及其周邊像元綜合考慮，成為一個(gè)對象，每個(gè)對象都具有一定的空間信息如大小、形狀、紋理、位置及空間關(guān)系等[10-14]，這樣影像的最小單元不再是單個(gè)的像元而是一個(gè)個(gè)整體和一個(gè)個(gè)對象 。而濕地的類型大多以斑塊或者一個(gè)整體的形式出現(xiàn)，有著很強(qiáng)的紋理信息和連續(xù)性[15]，斑塊之間又存在一定的關(guān)聯(lián)，利用濕地的這些特點(diǎn)，采用面向?qū)ο蟮臎Q策樹分類技術(shù)，對遙感影像，特別是高分辨率的遙感影像分類應(yīng)該是有改善的[16-17]。

本文以東洞庭湖濕地為研究對象，在研究區(qū)濕地類型分類系統(tǒng)構(gòu)建基礎(chǔ)上，利用GF-1影像數(shù)據(jù)，基于ENVI EX 軟件的Feature Extraction平臺，采用面向?qū)ο蠓椒▽ρ芯繀^(qū)濕地進(jìn)行分類，并將結(jié)果與傳統(tǒng)的最大似然法分類結(jié)果進(jìn)行比較分析。

1 研究區(qū)概況與數(shù)據(jù)處理

1.1 研究區(qū)概況

東洞庭湖位于北緯28°39′～ 30°14′， 東 經(jīng)111°43′～ 113°40′，地處湖南省北部、長江中游荊江南岸，屬于中亞熱帶向北亞熱帶過渡地帶，氣候溫暖濕潤，年平均氣溫 16.4 ℃，研究區(qū)內(nèi)的濕地類型主要有：湖泊、河流、泥灘地、林地、蘆葦、苔草、辣蓼、泥蒿等（如圖 1 所示）。

圖1 研究區(qū)地理位置Fig. 1 Location of Study Area

1.2 數(shù)據(jù)源

1.2.1 GF-1影像數(shù)據(jù)

研究選取了2014年05月東洞庭湖的高分一號衛(wèi)星(GF-1，見表1)影像，進(jìn)行濕地類型信息提取。GF-1衛(wèi)星搭載了2 m分辨率全色和8 m分辨率多光譜相機(jī)，是我國自主發(fā)射的第一顆高分辨率衛(wèi)星。

表1 GF-1衛(wèi)星參數(shù)Table 1 Parameters of GF-1 satellite

1.2.2 外業(yè)實(shí)測數(shù)據(jù)

2014年11月上旬對研究區(qū)進(jìn)行野外考察和數(shù)據(jù)采集，結(jié)合研究區(qū)主要濕地類型的地理分布特點(diǎn)，共選取25個(gè)樣區(qū)調(diào)查，建立了濕地植被解譯標(biāo)志表，同時(shí)利用Trimble手持GPS記錄下樣點(diǎn)的地理位置、高程以及分布情況。

1.3 GF-1數(shù)據(jù)預(yù)處理

研究對所采用的GF-1遙感影像進(jìn)行了輻射校正、幾何校正、正射校正和圖像融合處理。輻射校正過程包括輻射定標(biāo)與大氣校正。圖像融合是將低分辨率的多光譜影像與高分辨率的單波段影像重采樣，處理后的影像既有較高的空間分辨率，又具有多光譜特征信息。

1.4 東洞庭湖濕地遙感分類系統(tǒng)

根據(jù)國家濕地遙感分類系統(tǒng)和GF-1衛(wèi)星影像的可解譯性，結(jié)合東洞庭湖實(shí)際情況，建立了東洞庭湖的四級濕地遙感分類系統(tǒng)，結(jié)果如表2所示。

表2 濕地遙感分類系統(tǒng)Table 2 Remote sensing classification system of wetland types

2 研究方法

2.1 GF-1最佳波段組合

將多波段遙感影像信息通過最佳波段組合合成彩色圖像是遙感影像處理的一個(gè)重要步驟。利用信息熵和最佳波段指數(shù)（Optimum Index Factor，OIF）的定量指標(biāo)來確定最佳波段組合，熵是衡量信息豐富程度的重要指標(biāo)之一，熵越大，圖像含的信息越豐富，圖像質(zhì)量越高。圖像數(shù)據(jù)的標(biāo)準(zhǔn)差越大， 包含的信息量也越多，而波段間的相關(guān)系數(shù)越小， 則表明各波段的獨(dú)立性越高，信息的冗余度越小。波段組合之間地物光譜差異變大，地物就越容易區(qū)分，所選波段組合中各波段間的相關(guān)性最小，則信息量就最大。對GF-1預(yù)處理后的影像，進(jìn)行信息量的評價(jià)，結(jié)果見表2和表3。

表2 GF-1各波段信息指標(biāo)評價(jià)Table 2 Each band information index evaluation

表3 波段間最佳波段組合Table 3 Optimum Index Factor between bands

從表中2可以看出，預(yù)處理過后的影像，第4波段標(biāo)準(zhǔn)差遠(yuǎn)大于其余3個(gè)波段的標(biāo)準(zhǔn)差，說明第4波段的信息量優(yōu)于其他，從信息熵的大小中也可以得到相同的結(jié)論，另外從信息量的角度考慮，帶有第4波段的波段組合OIF均大于65，但是234波段組合超過另外兩類組合將近10%，因此234波段組合為最優(yōu)，考慮到目視效果，確定最終的RGB為432。

圖2 預(yù)處理后的GF-1影像(波段432組合)Fig 2 Preprocessed image of GF-1 data(band 432 combinations)

2.2 信息提取

2.2.1 光譜特征

水域多成青色，并且色調(diào)單一，與其它地物的光譜信息相差較大，很適合用歸一化水體指數(shù)(NDWI，IW)來提取，該指數(shù)是基于影像的綠波段與近紅外波段，歸一化水體指數(shù)計(jì)算公式為IW=[bGreen-bNir]/[bGreen+bNir]。不同地物的歸一化植被指數(shù)(NDVI，IV)值差別較大，歸一化植被指數(shù)計(jì)算公式為IV=[bnir-bred]/[bnir+bred]。通過計(jì)算統(tǒng)計(jì)，東洞庭湖水體和泥灘地的SARVI差別明顯，可用SARVI指數(shù)區(qū)分水體和泥灘地。

2.2.2 紋理特征

紋理是由大量或多或少的相似紋理元或模式組成的一種結(jié)構(gòu)，組成紋理的基元及其相互關(guān)系構(gòu)成了紋理的兩個(gè)基本特征，紋理基元與圖像的局部灰度色調(diào)變化規(guī)律有關(guān)，有大小和形狀等特征，而紋理基元之間的相互關(guān)系則構(gòu)成了整個(gè)圖像的空間結(jié)構(gòu)，如均值、標(biāo)準(zhǔn)差、對比度。

2.2.3 形狀特征

除上述兩項(xiàng)重要的特征外，形狀特征也有利于快速有效地分辨不同幾何形態(tài)的地物，提高分類精度，如河流為條帶狀，其長寬比和形狀指數(shù)大于其它地物。分割后的圖像從以像元為基礎(chǔ)轉(zhuǎn)換為以對象為基礎(chǔ)，在對每個(gè)對象進(jìn)行形狀因子的計(jì)算和分析，這些形狀因子包括面積、周長、長度、寬度、長度比、圓形度等。

2.3 影像分割

根據(jù)研究區(qū)域范圍的大小和影像特征，確定合適的分割尺度，分割尺度的選擇對分類結(jié)果的精度具有至關(guān)重要的影響。因?yàn)閷τ诠庾V特征上比較相近的地類，如果分割參數(shù)選擇不當(dāng)，他們就會混合在一起，造成分類精度降低。不同分割尺度的試驗(yàn)結(jié)果差異是明顯的，分割尺度取 30 時(shí)，分割過于細(xì)致、破碎，不利于分類；當(dāng)分割尺度取 70 時(shí)，分割不夠完整，存在一個(gè)對象包含了多種地物的現(xiàn)象；分割尺度取 50 的結(jié)果相對兼顧了研究區(qū)各種植被的局部細(xì)節(jié)以及空間幾何分布特征。本研究選擇分割尺度為50，其它參數(shù)設(shè)置為形狀權(quán)重0.35，緊湊度0.6。

2.4 最大似然法分類

最大似然法假設(shè)每個(gè)波段中各類訓(xùn)練數(shù)據(jù)都呈正態(tài)(高斯)分布，直方圖具有兩個(gè)或n個(gè)波峰的單波段訓(xùn)練數(shù)據(jù)并不理想。在這種情況下，各個(gè)波峰很有可能表示是由各類唯一確定的，應(yīng)該作為分離的訓(xùn)練類單獨(dú)訓(xùn)練和標(biāo)識。然后，應(yīng)該得到滿足正態(tài)分布要求的單峰、高斯型訓(xùn)練類統(tǒng)計(jì)量。最大似然法的判別規(guī)則是基于概率的，它把每個(gè)具有模式測試或特征X的像元劃分到很有可能出現(xiàn)特征向量X的第i類中。換言之，首先計(jì)算某個(gè)像元屬于一個(gè)預(yù)先設(shè)置好的m類數(shù)據(jù)集中每一類的概率，然后將該像元劃分到概率最大的那一類。

2.5 建立面向?qū)ο鬀Q策樹模型

面向?qū)ο鬀Q策樹分類不再以像元為處理單元，而是以圖斑作為分類的處理對象，圖斑包含的信息比單個(gè)像元更加豐富，不僅僅包含光譜信息，還包括多種特征如大小、形狀、紋理、位置等信息。面向?qū)ο蟮姆诸惙椒ㄖ饕譃閮蓚€(gè)步驟，發(fā)現(xiàn)對象及特征提取。發(fā)現(xiàn)對象首先要對圖像進(jìn)行分割，得到同質(zhì)對象，根據(jù)具有相同屬性的對象進(jìn)行同一類別的合并，再根據(jù)圖斑屬性以及具體知識進(jìn)行目標(biāo)地物的提取。根據(jù)研究區(qū)的實(shí)際情況和GF-1的可判性，建立了東洞庭湖濕地決策樹分類模型（見圖3）。

圖3 面向?qū)ο鬀Q策樹分類模型Fig. 3 Object-oriented model of decision tree classification

基于面向?qū)ο筮b感分類方法，根據(jù)研究區(qū)濕地植被特點(diǎn)及GF-1數(shù)據(jù)分辨率，確定草灘地（苔草灘地、蘆葦灘地、泥蒿灘地、辣蓼灘地）、湖泊、河流、泥灘地、林地、其它等幾種濕地類型。運(yùn)用 ENVI EX 模塊作為數(shù)據(jù)處理平臺，首先輸入經(jīng)過預(yù)處理的原始圖像，輸入 DEM 圖像作為輔助分類圖像，經(jīng)過多次反復(fù)試驗(yàn)，分割閾值設(shè)為 50，合并分塊閾值設(shè)為98.2，同時(shí)選擇具有典型性和代表性的訓(xùn)練樣區(qū)，且數(shù)量不宜過多，經(jīng)過分析后,建立了決策樹模型。

3 結(jié)果與分析

3.1 2種分類方法的比較

為了比較面向?qū)ο蠓诸惙椒ǖ男Ч瑢⒆畲笏迫环ㄅc面向?qū)ο鬀Q策樹法進(jìn)行比較分析。最大似然法是傳統(tǒng)的遙感影像分類法中比較具有代表性，應(yīng)用比較普遍的一種方法。

從圖4可以直觀地看出，最大似然法進(jìn)行運(yùn)算的分類結(jié)果更加破碎化，圖像放大之后會看到更多的噪聲，原因在于最大似然法僅運(yùn)用光譜信息進(jìn)行分類，而高分辨率影像光譜信息復(fù)雜多樣，同物異譜或同譜異物現(xiàn)象更加嚴(yán)重，導(dǎo)致該方法在運(yùn)用于高分辨率影像分類時(shí)誤差較大。而面向?qū)ο蠓诸惙椒ㄗ鳛樘卣鲄⑴c分類的不僅僅是光譜信息，還包括分割得到圖斑的幾何形狀、空間位置、相互關(guān)系以及可人為定義的大量專家知識，在處理高分辨率遙感影像方面更加具有適用性，避免了分類結(jié)果的破碎化和椒鹽現(xiàn)象，并且分類結(jié)果中各類別邊界明確清晰。

3.2 精度評價(jià)

對研究區(qū)進(jìn)行系統(tǒng)布點(diǎn)（見圖5），并逐點(diǎn)判讀，得到分類結(jié)果見表4和表5。

圖4 最大似然法分類和面向?qū)ο鬀Q策樹分類結(jié)果Fig. 4 Maximum likelihood and Object-oriented decision tree classification results

圖5 精度評價(jià)分布點(diǎn)Fig. 5 Precision evaluation of distribution points

從表4和表5可以看出，采用面向?qū)ο鬀Q策樹法分類精度達(dá)到85.41%，Kappa 系數(shù)為0.822 5；最大似然法的分類精度為78.75%，Kappa 系數(shù)為0.674 4，說明面向?qū)ο蠓诸惙椒ㄔ谶M(jìn)行高分辨率遙感影像信息提取時(shí)比傳統(tǒng)的最大似然監(jiān)督分類方法具有更高的分類精度。

4 結(jié) 論

本文采用最大似然法和面向?qū)ο蟮臎Q策樹法對東洞庭湖進(jìn)行濕地信息提取，將兩種方法的分類結(jié)果進(jìn)行定性、定量的比較，并對研究區(qū)內(nèi)GF-1遙感影像特征和實(shí)驗(yàn)結(jié)果的進(jìn)行分析，得出如下結(jié)論：

（1）對 GF-1影像進(jìn)行波段分析，利用聯(lián)合熵和最佳指數(shù)確定了研究區(qū)內(nèi)最佳波段組合為4(R)、3(G)、2(B)、波段。

（2）對于濕地信息的提取，在面向?qū)ο蠓诸惙椒ㄖ校?、蘆葦、林地成斑塊化分布，分類結(jié)果明顯優(yōu)于河流、苔草、泥灘地、辣蓼+泥蒿。

（3）利用面向?qū)ο鬀Q策樹分類技術(shù)對圖像進(jìn)行分類，在分類過程中減少了“同譜異物”和“同物異譜”現(xiàn)象的產(chǎn)生，并且分割操作的引入也極大地避免了“椒鹽”現(xiàn)象的出現(xiàn)，提高了遙感影像解譯精度，總的分類精度達(dá)85.41%，Kappa 系數(shù)為0.822 5，比最大似然法精度高出6.66個(gè)百分點(diǎn)，Kappa系數(shù)高出0.148 1，取得了較好的分類效果。

[1]章仲楚.面向?qū)ο蟮暮贾菸飨獫竦剡b感方法研究[D].杭州:浙江大學(xué),2007:29-38.

[2]孫 華,林 輝,莫登奎,等.面向?qū)ο蟮臎Q策樹分類技術(shù)[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2007,27(4):39-43.

[3]陳 利,林 輝,孫 華,等.基于決策樹分類的森林信息提取研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2013,33(1):47-51.

[4]凌成星,鞠洪波,張懷清,等.基于 Worldview-2八波段影像改進(jìn)指數(shù)的濕地類型分類研究[J].林業(yè)科學(xué)研究,2014,27(5):639-643.

[5]莫登奎,林 輝,李際平,等.基于均值漂移的高分辨率影像多尺度分割[J].廣西師范大學(xué)學(xué)報(bào),2006,24(4):247-250.

[6]東啟亮,林 輝,孫 華,等.獨(dú)立分量分析與主成分分析方法的濕地遙感分類精度對比——以西洞庭湖濕地為例[J].濕地科學(xué),2014,12(3):332-338.

[7]朱曉榮,張懷清,周金星.東洞庭湖濕地遙感動態(tài)監(jiān)測研究[J].林業(yè)科學(xué)研究,2008,21(2)41-45.

[8]Benz U C,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 and Remote Sensing,2004,58(1): 239- 258.

[9]Chris Wright,Alis Gallant. Improved wetland remote sensing in Yellowstone National Park using classification trees to combine TM imagery and ancillary environmental data[J]. Remote Sensing of Environment, 2007,107(4):582-605.

[10]Hamed K H.Trend detection in hydrologic data:The Mann-Kendall trend test under the scaling hypothesis[J].Journal of Hydrology,2008,349:350-363.

[11]Li Ting-wei, Liang Dian-nong, Zhu Ju-bo. A review of inversion of the forest height by polarimetric interferometric SAR [J].Remote Sensing Information,2009,3:95-101.

[12]Mazzoni D,Logan A,Diner D.A Data Mining Approach to Associating MISR Smoke Plume Heights with MODIS Fire Measurements [J].Remote Sensing of Environment,2007,3:107.

[13]Su L.Support Vector Machines for Recognition of Semiarid Vegetation Types Using MISR Multiangle Imagery [J].Remote Sensing of Environment, 2007,107(12):299-311.

[14]林 輝,莫登奎.高分辨率遙感圖像分割技術(shù)研究[J].中南林學(xué)院學(xué)報(bào),2006,26(4):45-51.

[15]唐小平,黃桂林.中國濕地分類系統(tǒng)的研究[J].林業(yè)科學(xué)研究,2003,16(5):531-539.

[16]王紅娟,姜加虎,黃 群.基于知識的東洞庭湖濕地遙感分類方法[J].長江流域與環(huán)境,2008,17(3)370-373.

[17]陶 超,譚毅華,蔡華杰.面向?qū)ο蟮母叻直媛蔬b感影像城區(qū)建筑物分級提取方法[J].測繪學(xué)報(bào),2010,39(1):39 -45．

Wetland types information extraction form east Dongting lake based on GF-1 satellite

HE Xiao-feng,LIN Hui,SUN Hua, YAN En-ping, HU Jia
(Research Center of Forest Remote Sensing & Information Engineering, Central South University of Forestry & Technology,Changsha 410004, Hunan, China)

Based on the first high satellites (GF-1 satellite images) launched by China, the study extracted information of the East Dongting Lake wetland. Combined with the interpretation of national wetland remote sensing classification system and high resolution image datas, a RS classification system of wetland types of East Dongting Lake was built , including lakes, rivers, mudflats, woodland,reed, sedge, Polygonum + mud Artemisia seven kinds of wetlands .Two index ,the best index and joint entropy, were used to determine the optimal band combination ,that was 4 (R) 3 (G) 2 (B).Based on the preprocessing of remote sensing image ，the classification was done by using object oriented decision tree, the results showed that: the precision of object oriented decision tree classification method is higher than maximum likelihood ratio classification, the accuracy of total classification reaches to 85.41%, Kappa coefficient is 0.8225.And the extraction accuracy of all kinds of information has improved, among them the accuracy of lake, reed and forest is higher.

wetlands; Information extraction;object oriented;decision tree; east Dongting lake

S771.8

A

1673-923X(2015)11-0010-06

10.14067/j.cnki.1673-923x.2015.11.003

2015-07-10

國家重大專項(xiàng)(21-Y30B05-9001-13/15-2)；國家自然科學(xué)基金項(xiàng)目(31370639)；湖南省高校產(chǎn)業(yè)化培育項(xiàng)目(13CY011)

和曉風(fēng)，碩士研究生 通訊作者：林 輝，教授，博士生導(dǎo)師；E-mail：1053460198@qq.com

和曉風(fēng),林 輝,孫 華,等. 基于GF-1衛(wèi)星東洞庭湖濕地類型信息提取[J].中南林業(yè)科技大學(xué)學(xué)報(bào), 2015, 35(11): 10-15.

[本文編校：吳 毅]