基于植被指數(shù)選擇算法和決策樹(shù)的生態(tài)系統(tǒng)識(shí)別

孫濱峰 趙 紅 陳立才 舒時(shí)富 葉 春 李艷大

(1.江西省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)工程研究所， 南昌 330200； 2.江西省農(nóng)業(yè)信息化工程技術(shù)研究中心， 南昌 330200；3.江西省交通科學(xué)研究院， 南昌 330200)

0 引言

區(qū)域生態(tài)系統(tǒng)的結(jié)構(gòu)及其變化的識(shí)別不僅是全球變化研究關(guān)注的重要內(nèi)容[1]，也是資源可持續(xù)管理[2]和區(qū)域農(nóng)業(yè)規(guī)劃制定的重要依據(jù)[3-4]。開(kāi)展區(qū)域生態(tài)系統(tǒng)類型的遙感監(jiān)測(cè)，建立實(shí)時(shí)、快速的監(jiān)測(cè)方法，獲取區(qū)域生態(tài)系統(tǒng)變化的相關(guān)知識(shí)，對(duì)于開(kāi)展區(qū)域土地資源管理具有重要的戰(zhàn)略意義[5]。

植被指數(shù)是一種數(shù)據(jù)增強(qiáng)的方法，有助于增強(qiáng)遙感影像的解譯能力，廣泛應(yīng)用于土地利用類型識(shí)別[6]、植被覆蓋度評(píng)價(jià)[7]、作物類型識(shí)別[8]和作物長(zhǎng)勢(shì)監(jiān)測(cè)與預(yù)報(bào)[9-10]等方面。植被指數(shù)能夠反映不同生態(tài)系統(tǒng)類型的光譜特征，基于植被指數(shù)的土地利用類型識(shí)別研究一直是國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)[11]。然而，受到大氣、遙感器定標(biāo)、遙感器觀測(cè)條件、太陽(yáng)入射角度、土壤濕度、顏色和亮度等因素的影響和制約[12]，導(dǎo)致植被指數(shù)在不同環(huán)境下的效果不同，至今尚無(wú)研究明確各植被指數(shù)的適用范圍[13]。對(duì)于植被指數(shù)的選擇主要依據(jù)其物理意義或者借鑒相關(guān)研究結(jié)果，少有研究關(guān)注植被指數(shù)對(duì)研究區(qū)域的適應(yīng)性，導(dǎo)致研究結(jié)果常存在爭(zhēng)議[14]。因此，在研究生態(tài)系統(tǒng)類型時(shí)需要結(jié)合環(huán)境特征選擇植被指數(shù)。常見(jiàn)的植被指數(shù)選擇方法根據(jù)是否使用樣本信息分為監(jiān)督和非監(jiān)督的方法[14]?；跇颖镜谋O(jiān)督植被指數(shù)選擇方法能夠反映區(qū)域環(huán)境特征，較之基于統(tǒng)計(jì)特征的非監(jiān)督的選擇方法，如最佳指數(shù)(OIF)等，更易獲取最能區(qū)分研究區(qū)內(nèi)生態(tài)系統(tǒng)類型特征的植被指數(shù)。

馬氏距離是由印度統(tǒng)計(jì)學(xué)家馬哈拉諾比斯提出的，表示數(shù)據(jù)的協(xié)方差距離，是一種能夠有效衡量樣本數(shù)據(jù)間相似度的算法，具有既消除變量間相關(guān)性干擾且不受量綱影響的優(yōu)點(diǎn)[15]。本文結(jié)合許明明等[16]提出的基于類別可分的高光譜圖像波段選擇算法(Endmember separability based band selection，ESBB)，將相關(guān)系數(shù)引入植被指數(shù)選擇算法中，利用馬氏距離選擇最適宜的植被指數(shù)集合，構(gòu)建決策樹(shù)模型，以江西省吉安市永豐縣為研究對(duì)象，對(duì)生態(tài)系統(tǒng)進(jìn)行自動(dòng)識(shí)別。

1 材料與方法

1.1 研究區(qū)概況

永豐縣地處江西省中部，隸屬吉安市，區(qū)域范圍在北緯26°38′～27°32′，東經(jīng)115°17′～115°56′。東西窄，南北長(zhǎng)，呈啞鈴狀，面積約2 710 km2(圖1)。永豐全縣人口約48萬(wàn)，下轄8個(gè)鎮(zhèn)，13個(gè)鄉(xiāng)，縣政府駐恩江鎮(zhèn)。全縣地勢(shì)由東南向西北傾斜，整個(gè)地貌山脊線形成四周高，中間低的趨勢(shì)。屬亞熱帶季風(fēng)氣候，四季分明，雨量充沛，年均溫度18℃，年平均降水量1 627 mm。永豐縣是“林業(yè)百佳縣”，森林覆蓋率超過(guò)70%，自然資源豐富，生態(tài)環(huán)境良好。

圖1 研究區(qū)域Fig.1 Research area

1.2 模型與方法

1.2.1數(shù)據(jù)來(lái)源與預(yù)處理

采用的主要數(shù)據(jù)為L(zhǎng)andsat 8 OLI遙感影像，來(lái)源于地理空間數(shù)據(jù)云(http:∥www.gscloud.cn/)，成像時(shí)間為2016年9月27日，太陽(yáng)高度角54°，方位角143°，空間分辨率為30 m，研究區(qū)范圍內(nèi)無(wú)云，原始圖像共有9個(gè)波段。采用ENVI軟件進(jìn)行輻射定標(biāo)，F(xiàn)LAASH大氣校正模型進(jìn)行大氣校正，C模型進(jìn)行地形校正[17]，得到地表反射率。采用IDL計(jì)算主要的植被指數(shù)。影像投影為UTM(Zone50N)，基準(zhǔn)面為WGS-84；后期對(duì)影像做了不規(guī)則裁剪、波段重組等預(yù)處理。輔助數(shù)據(jù)包括2016年的《永豐統(tǒng)計(jì)年鑒》，用于對(duì)分類結(jié)果進(jìn)行對(duì)照；Planet 3 m分辨率的遙感影像，用于目視解譯、分類后精度評(píng)價(jià)。

1.2.2生態(tài)系統(tǒng)的植被指數(shù)選擇

本文計(jì)算了包括歸一化植被指數(shù)(Normalized difference vegetation index，NDVI)、改進(jìn)歸一化水體指數(shù)(Modified normalized difference water index，MNDWI)、增強(qiáng)植被指數(shù)(Enhanced vegetation index，EVI)、歸一化建筑指數(shù)(Normalized difference build-up index，NDBI)以及基于通用光譜模式分解算法的植被指數(shù)(Vegetation index based on the universal pattern decomposition method，VIUPD)[18]等41種[19]常用植被指數(shù)。部分植被指數(shù)間的相關(guān)性較高，信息冗余量大(圖2)。本研究將相關(guān)系數(shù)和馬氏距離相結(jié)合，構(gòu)建植被指數(shù)集識(shí)別生態(tài)系統(tǒng)的類型。

圖2 植被指數(shù)相關(guān)性分析Fig.2 Correlation analysis among vegetation indices

馬氏距離是一種能夠有效衡量樣本數(shù)據(jù)間相似度的算法[20]。假設(shè)2組樣本數(shù)據(jù)i、j組成的列向量為xi、xj，則兩向量間的馬氏距離定義為

(1)

式中S——向量xi與xj的協(xié)方差矩陣

植被指數(shù)選擇算法的描述如下：

(1)計(jì)算各植被指數(shù)間的Pearson相關(guān)系數(shù)

(2)

式中Pij——植被指數(shù)fi與fj的相關(guān)系數(shù)

COV(xi,xj)——xi與xj的協(xié)方差

D(xi)——xi的方差

D(xj)——xj的方差

(2)初始化C，計(jì)算各生態(tài)系統(tǒng)類型在植被指數(shù)上的馬氏距離均值集合D，將D中最大值對(duì)應(yīng)的植被指數(shù)fi賦給C。

fmax=fi(Di=max(D))

(3)

C=C∪{fmax}

(4)

S=S-fmax

(5)

式中C——被選擇植被指數(shù)集合

S——植被指數(shù)集合

fmax——馬氏距離最大的植被指數(shù)

(3)將滿足|Pij|

Ii=C∪f(wàn)i(fi∈C，|Pij|

(6)

C=C∪{fi} (fi=max(D))

(7)

S=S-fi

(8)

(4)重復(fù)步驟(3)，直到未選擇的植被指數(shù)與C中植被指數(shù)間相關(guān)系數(shù)的絕對(duì)值大于0.34。

C=C∪f(wàn)i(fi∈S,|Pij|

(9)

1.2.3基于決策樹(shù)規(guī)則的生態(tài)系統(tǒng)信息提取方法

采用本文提出的植被指數(shù)選擇方法，利用ENVI和CART算法，構(gòu)建決策樹(shù)分類模型，識(shí)別典型生態(tài)系統(tǒng)類型及其分布。首先采用1.2.2節(jié)中的算法確定生態(tài)系統(tǒng)提取的順序，再根據(jù)CART算法設(shè)置模型閾值，提取生態(tài)系統(tǒng)類型信息。

2 結(jié)果與分析

2.1 決策樹(shù)模型

根據(jù)本文提出的植被指數(shù)選擇算法，首先識(shí)別濕地生態(tài)系統(tǒng)和非濕地生態(tài)系統(tǒng)，然后區(qū)分植被和非植被。生態(tài)系統(tǒng)信息識(shí)別順序和所建立的決策樹(shù)模型詳見(jiàn)圖3。

圖3 基于決策樹(shù)的生態(tài)系統(tǒng)識(shí)別Fig.3 Ecosystem information extraction based on decision tree

(1)濕地生態(tài)系統(tǒng)和非濕地生態(tài)系統(tǒng)信息提取

根據(jù)本文提出的植被指數(shù)選擇算法，采用MNDWI和轉(zhuǎn)換差值植被指數(shù)(Transformed difference vegetation index，TDVI)，通過(guò)設(shè)定閾值提取濕地生態(tài)系統(tǒng)和非濕地信息。優(yōu)先識(shí)別濕地和非濕地生態(tài)系統(tǒng)，可獲得較高的分類精度。由圖4可知，濕地生態(tài)系統(tǒng)的MNDWI明顯高于其他生態(tài)系統(tǒng)類型，而其TDVI顯著低于其他生態(tài)系統(tǒng)類型，植被指數(shù)MNDWI與TDVI相結(jié)合能夠有效提取濕地信息。

(2)植被與非植被信息提取

根據(jù)植被選擇算法，植被與非植被在土壤調(diào)整植被指數(shù)(Soil adjusted vegetation index，SAVI)上的馬氏距離最大。裸地和城鎮(zhèn)等非植被生態(tài)系統(tǒng)的SAVI值都小于0.310，植被與非植被區(qū)分明顯(圖4)。

(3)森林、草地與農(nóng)田信息提取

森林、草地與農(nóng)田在綠度總和指數(shù)(Sum green index，SGI)上的馬氏距離最大，草地的含水率明顯低于農(nóng)田(圖4)。設(shè)置SGI為4.610提取森林生態(tài)系統(tǒng)，將MNDWI的閾值設(shè)置為0.517，可區(qū)分草地和農(nóng)田。

圖4 不同生態(tài)系統(tǒng)植被指數(shù)對(duì)比Fig.4 Comparisons of vegetation indices of different ecosystems

(4)裸地、城鎮(zhèn)與已收割農(nóng)田信息提取

已收割農(nóng)田和城鎮(zhèn)、裸地在植被指數(shù)SAVI上馬氏距離最大，城鎮(zhèn)和裸地在植被指數(shù)氧化鐵比率(Iron oxide ratio，IO)、燃燒面積指數(shù)(Burn area index，BAI)上馬氏距離最大，SAVI大于0.204可以提取農(nóng)田信息，IO大于0.753、BAI小于0.025可以有效地分離裸地和城鎮(zhèn)。

2.2 生態(tài)系統(tǒng)類型識(shí)別及其精度

根據(jù)圖3建立的決策樹(shù)模型識(shí)別生態(tài)系統(tǒng)類型，并對(duì)識(shí)別精度進(jìn)行評(píng)價(jià)(表1)。總體精度為89.11%，Kappa系數(shù)為0.90，較好地區(qū)分了生態(tài)系統(tǒng)類型。其中，森林、濕地和裸地的用戶精度、制圖精度較高，錯(cuò)分誤差、漏分誤差較低；草地、城鎮(zhèn)、農(nóng)田錯(cuò)分、漏分現(xiàn)象相對(duì)較多，這和遙感影像的分辨率、研究區(qū)地形密切相關(guān)，但結(jié)果可滿足制圖需求。

永豐縣生態(tài)系統(tǒng)空間分布格局詳見(jiàn)圖5。森林生態(tài)系統(tǒng)是永豐縣最主要的生態(tài)系統(tǒng)類型，約占全縣面積的76.93%；其次是農(nóng)田生態(tài)系統(tǒng)，面積約占全縣面積的16.27%，主要分布在研究區(qū)域的北部和中部平原地區(qū)；裸地、城鎮(zhèn)、濕地和草地生態(tài)系統(tǒng)分別占全縣面積的3.65%、1.90%、0.81%和0.44%。

表1 決策樹(shù)分類精度Tab.1 Extraction precision of decision tree

圖5 永豐縣生態(tài)系統(tǒng)類型圖Fig.5 Ecosystem types map of Yongfeng County

3 討論

將植被指數(shù)間的相關(guān)系數(shù)與馬氏距離相結(jié)合構(gòu)建植被指數(shù)選擇算法，減少了數(shù)據(jù)冗余，提高了生態(tài)系統(tǒng)識(shí)別的精度。ESBB算法通過(guò)馬氏距離最大化圖像中各類地物的可分性來(lái)確定最優(yōu)的波段組合，較之其他波段選擇算法，該方法具有不需要大量訓(xùn)練樣本等優(yōu)點(diǎn)[16]。但ESBB算法沒(méi)有考慮波段間的相關(guān)性，只以馬氏距離作為波段選擇的唯一標(biāo)準(zhǔn)，易造成分類波段相關(guān)性較高、有效信息不足等問(wèn)題，導(dǎo)致分類精度不高。本研究所采用的41種植被指數(shù)間存在顯著的相關(guān)性(圖2)。以濕地生態(tài)系統(tǒng)提取為例，由ESBB算法得到的植被指數(shù)為MNDWI和MNLI(Modified non-linear index)，本研究提出的植被指數(shù)選擇算法所選植被指數(shù)為MNDWI和TDVI，濕地生態(tài)系統(tǒng)提取研究中常用的植被指數(shù)為MNDWI和NDVI[21-22](表2)，識(shí)別精度詳見(jiàn)表3。結(jié)果顯示，MNDWI和TDVI的分類精度最高，為91.62%，MNDWI和TDVI的分類精度次之，MNDWI和NDVI的分類精度最低，為87.60%。MNDWI和NDVI的相關(guān)系數(shù)最小，但樣本的馬氏距離也最小，樣本分離度最低，其分類精度最低。MNLI是非線性指數(shù)的改進(jìn)指數(shù)，其結(jié)合了土壤調(diào)整植被指數(shù)(SAVI)消除了土壤的影響[23]。樣本在MNDWI和MNLI上的馬氏距離最大，但MNDWI和MNLI相關(guān)性最大，MNDWI和MNLI所表達(dá)的信息具有一定的重疊，信息冗余度最大，導(dǎo)致其分類精度略低。MNDWI和TDVI較之MNDWI和MNLI，相關(guān)系數(shù)小，信息冗余度低。TDVI的飽和度較之于NDVI較低[24]，有利于識(shí)別濕地生態(tài)系統(tǒng)。樣本在TDVI上的馬氏距離大于在NDVI上的馬氏距離，說(shuō)明TDVI較之NDVI更適應(yīng)研究區(qū)環(huán)境。

表2 植被指數(shù)公式Tab.2 Formula of vegetation indexes

注：N為近紅外波段，R為可見(jiàn)光紅波段，L為冠層背景調(diào)整因子，取0.5。

表3 不同植被指數(shù)濕地生態(tài)系統(tǒng)識(shí)別精度Tab.3 Accuracy of ecosystem identifications by different vegetation indexes

植被指數(shù)和決策樹(shù)是土地利用類型識(shí)別的常規(guī)方法[25]，當(dāng)前研究普遍采用的植被指數(shù)包括NDVI[26]、EVI[27]、NDBI[27-28]和MNDWI[29-30]等植被指數(shù)來(lái)識(shí)別土地利用類型。然而植被指數(shù)在不同環(huán)境下反映生態(tài)系統(tǒng)類型光譜特征的效果存在爭(zhēng)議，至今尚無(wú)研究明確各植被指數(shù)的適用范圍，因此在使用植被指數(shù)提取生態(tài)系統(tǒng)類型時(shí)，需要充分考慮區(qū)域的環(huán)境特征。馬氏距離能夠度量?jī)煞N類型在一組數(shù)據(jù)上的可分性，基于馬氏距離的植被指數(shù)選擇方法可獲取區(qū)域最適宜植被指數(shù)，以提高生態(tài)系統(tǒng)的識(shí)別精度。本文將植被指數(shù)間的相關(guān)系數(shù)引入植被指數(shù)選擇算法中，避免了信息冗余而導(dǎo)致分類精度的降低。

4 結(jié)論

(1)將相關(guān)系數(shù)引入植被指數(shù)選擇算法中，構(gòu)建的基于馬氏距離的植被指數(shù)選擇方法具有很好的適用性。

(2)通過(guò)植被指數(shù)選擇方法提出決策樹(shù)信息提取模型，對(duì)生態(tài)系統(tǒng)信息層層提取，識(shí)別生態(tài)系統(tǒng)類型與范圍的方案合理可行。

(3)基于上述的模型和方法，建立生態(tài)系統(tǒng)類型自動(dòng)識(shí)別方案，在永豐縣的結(jié)果表明，相比傳統(tǒng)的方法本方案精度有了顯著提高， 同時(shí)也證明該方法有效可行。