基于天宮二號數(shù)據(jù)的西南石漠化地區(qū)植被分類

郎 芹，馬明國*，聞建光，肖 堯

(1.西南大學地理科學學院遙感大數(shù)據(jù)應用重慶市工程研究中心，重慶400715；2.中國科學院遙感與數(shù)字地球研究所遙感科學國家重點實驗室，北京100101)

1 引言

喀斯特石漠化是指在亞熱帶脆弱的喀斯特環(huán)境背景下，受人類不合理社會經(jīng)濟活動的干擾破壞，土壤嚴重侵蝕、基巖大面積出露、土地生產(chǎn)力嚴重下降、地表出現(xiàn)類似荒漠景觀的土地退化過程[1]。我國西南地區(qū)擁有世界上連片分布面積最大的喀斯特地貌，生態(tài)環(huán)境脆弱，植被的恢復是該區(qū)域石漠化治理以及生態(tài)重建的首要任務[2-3]。高效、大面積地實現(xiàn)西南地區(qū)植被精細分類，是進一步開展植被動態(tài)監(jiān)測、進行生態(tài)環(huán)境評估、科學有效采取治理措施的重要前提。

傳統(tǒng)的植被監(jiān)測多采用野外實地調(diào)查的方式[4-6]，這種方法可以實現(xiàn)更為精細的植被類型監(jiān)測，但難以滿足大面積實時監(jiān)測的需求。遙感監(jiān)測的方式則可以彌補這種缺陷，但應用于多云霧天氣且地形復雜的西南地區(qū)有其局限性。所以充分利用并挖掘各種遙感數(shù)據(jù)源在西南地區(qū)植被精細分類研究中的應用價值是非常必要的。目前已有基于 Landsat影像[7]、環(huán)境減災衛(wèi)星數(shù)據(jù)[8]、ALOS遙感影像[9]、高分2號(GF-2)數(shù)據(jù)[10]的西南地區(qū)植被精細分類研究，但尚未發(fā)現(xiàn)基于天宮二號(TG2)可見光近紅外數(shù)據(jù)的西南地區(qū)植被精細分類研究。天宮二號空間實驗室于2016年發(fā)射，其搭載的寬波段成像儀是新一代寬波段、寬視場和圖譜合一的光學遙感器，該成像儀獲取的可見光近紅外數(shù)據(jù)空間分辨率較低，但有如下優(yōu)勢：①有14個波段，可以提供更加豐富的光譜信息；②其幅寬為300 km，有利于開展大面積陸地監(jiān)測。作為一種新的遙感數(shù)據(jù)產(chǎn)品，對其進行數(shù)據(jù)挖掘并探索其在西南地區(qū)植被分類中的可行性方法，有利于緩解西南地區(qū)可用影像不足的問題，且新數(shù)據(jù)源的融入可以提供更豐富的地面信息，有利于改善植被分類精度。

遙感植被分類過程中，輔助信息的利用程度、分類方法的選擇等都起著至關重要的作用。西南地區(qū)不同植被類型間存在的同物異譜和同譜異物現(xiàn)象十分顯著，使得僅利用光譜信息進行植被分類具有一定的局限性。為了提高植被分類精度，國內(nèi)外學者提出了一些結(jié)合輔助信息的方法，常用的輔助信息有植被指數(shù)[11-13]、地形數(shù)據(jù)[14-16]、紋理信息[17-19]等。擁有豐富的輔助信息后還需要選取合適的分類方法來保證分類的效率和精度。以分類基本單元為依據(jù)，遙感分類方法大體可分為基于像元和面向?qū)ο?大類。面向?qū)ο蠓诸惙ㄒ酝|(zhì)的像素群作為分析對象，不但融合了空間特征信息，還減少了像元間的光譜異質(zhì)性[20]。在利用空間分辨率較高的影像進行分類時，相較于基于像元分類，面向?qū)ο蠓诸惖木雀遊21]。以分類過程中識別地物的方式為依據(jù)，遙感分類方法包括最大似然法、支持向量機法、決策樹法、機器學習法等[22-24]。在眾多的分類方法中，決策樹分類法因其可以兼顧分類效率和精度而有一定的優(yōu)勢[25]，該方法的基本原理為：依據(jù)指定的預設規(guī)則將遙感數(shù)據(jù)集逐級向下分，最終得到具有不同屬性的子類別[26-27]。

本文主要基于天宮二號可見光近紅外數(shù)據(jù)，并輔以其它數(shù)據(jù)設計2組分類實驗，分別探索單一時相多源數(shù)據(jù)融合、多時相單一數(shù)據(jù)源分類的方法并評估其分類效果，為天宮二號可見光近紅外數(shù)據(jù)在西南地區(qū)植被分類中的研究提供應用示范。

2 研究區(qū)與數(shù)據(jù)源

2.1 研究區(qū)概況

綜合考慮影像質(zhì)量、不同影像間的時相匹配度，確定了西南地區(qū)2個小面積的實驗區(qū)進行植被分類試點研究(圖1)。

實驗一的研究區(qū)包括云南省昆明市北部和曲靖市西部區(qū)域，屬亞熱帶高原季風氣候。該區(qū)域氣候全年溫和且變化不大，年均氣溫約為15℃，海拔為1105～4165 m。該區(qū)域以森林生態(tài)系統(tǒng)和農(nóng)業(yè)生態(tài)系統(tǒng)為主體。農(nóng)業(yè)生態(tài)系統(tǒng)以旱地為主；森林生態(tài)系統(tǒng)以暖溫性針葉林為主，其次是半濕潤常綠闊葉林，但由于人類活動，分布零散，面積不大[9，28]。

實驗二的研究區(qū)位于四川東部、重慶西北部交界處，屬亞熱帶濕潤季風氣候，四季分明、年均氣溫約為17℃，海拔為153～601 m，全年云霧多且日照少。位于四川盆地低山區(qū)，可耕地面積較大，因而墾殖程度較高，森林植被覆蓋率低，森林類型以常綠闊葉林為主[29]。

2.2 數(shù)據(jù)源

2.2.1 遙感影像數(shù)據(jù)

圖1 研究區(qū)及采樣點Fig.1 Study area and sampling sites

采用的遙感影像數(shù)據(jù)包括天宮二號寬波段成像儀(Wide-band Imaging Spectrometer， WIS)搭載的可見光近紅外數(shù)據(jù)和Landsat 8(L8)陸地成像儀(Operational Land Imager，OLI)數(shù)據(jù)。選擇Landsat8 OLI與天宮二號數(shù)據(jù)進行多源數(shù)據(jù)分類實驗的原因：①Landsat8 OLI數(shù)據(jù)15 m分辨率的全色波段數(shù)據(jù)有利于為100 m天宮二號可見光近紅外數(shù)據(jù)提供足夠豐富的空間細節(jié)信息，且相較于米級全色波段數(shù)據(jù)(如GF-2、ALOS)，二者分辨率更接近，可減小數(shù)據(jù)融合誤差；②Landsat8可免費獲取，應用廣泛。天宮二號可見光近紅外數(shù)據(jù)來源于載人航天空間應用數(shù)據(jù)推廣服務平臺。Landsat 8 OLI遙感影像數(shù)據(jù)來自于地理空間數(shù)據(jù)云網(wǎng)站。綜合考慮多數(shù)據(jù)源分類實驗中不同影像間的時相匹配、多時相分類實驗中時相組合是否能夠較好地反映植被的生長變化過程、影像質(zhì)量因素，共選擇了5景影像參與分類。2種遙感影像特征及本研究所用影像信息如表1、表2所示。

表1 影像特征比較Table 1 The characteristics of two types of images

表2 獲取影像信息Table 2 The information of the images used in this study

2.2.2 其它數(shù)據(jù)

樣本與驗證點數(shù)據(jù)結(jié)合Google Earth高清影像采集得到(點的分布如圖1所示)，樣本點的純凈度極大地影響著分類的精度，故需剔除異常的樣本點(偏離樣本均值過大的點數(shù)據(jù))，剔除后實驗一和實驗二分別剩下170和192個優(yōu)質(zhì)樣本點數(shù)據(jù)，實驗一和實驗二驗證點數(shù)據(jù)分別為104和109。高程數(shù)據(jù)使用空間分辨率30 m的ASTER GDEM V2數(shù)據(jù)(重采樣為15 m用于實驗一)和空間分辨率90 m的SRTMDEMUTM數(shù)據(jù)(重采樣為100 m用于實驗二)，2種高程數(shù)據(jù)均來自于地理空間數(shù)據(jù)云網(wǎng)站。坡度數(shù)據(jù)根據(jù)以上2種高程數(shù)據(jù)計算得到。

3 數(shù)據(jù)處理與分析

3.1 分類方法

設計了2組實驗(表3)：實驗一采用單一時間分辨率數(shù)據(jù)，雖然天宮二號可見光近紅外數(shù)據(jù)光譜信息豐富，但空間分辨率較低，僅憑單一時相數(shù)據(jù)進行西南地區(qū)植被精細分類難度較大。為提高分類精度，將之與同一天獲取的Landsat8全色波段數(shù)據(jù)進行融合，同時獲得天宮二號數(shù)據(jù)豐富的光譜信息和Landsat8的空間細節(jié)信息；實驗二僅基于天宮二號數(shù)據(jù)，但結(jié)合了3月、5月和8月共3期數(shù)據(jù)。2組實驗都采用決策樹分類法，實驗一面向?qū)ο蠓诸?，因為實驗一基于融合?5 m分辨率影像分類，空間分辨率較高，使用面向?qū)ο蠓诸惙椒梢愿玫乩糜跋竦墓庾V、空間和紋理信息，提高分類精度，但這種方法更適用于高空間分辨率影像分類[30]。而實驗二是基于100 m分辨率數(shù)據(jù)分類，空間分辨率不高，加之西南地區(qū)景觀較為破碎，故采用基于像元的分類方法。

表3 實驗方案信息Table 3 The information of experimental programs

3.2 影像處理

3.2.1 影像校正

對Landsat 8 OLI全色波段數(shù)據(jù)進行輻射定標。對天宮二號可見光近紅外二級產(chǎn)品數(shù)據(jù)(無需做輻射定標)做FLAASH大氣校正[31]，校正時Use single scale factor for all bands中的 Single scale factor設置為250(頭文件中的放大倍數(shù))；Aerosol Retrieval設置為none。由于天宮二號可見光近紅外數(shù)據(jù)產(chǎn)品采用非控制點幾何校正，定位精度在8個像元內(nèi)。為減小定位誤差，以經(jīng)過地面控制點幾何校正的Landsat 8 OLI為參考影像進行幾何配準，幾何配準誤差在0.5個像元以內(nèi)。

3.2.2 天宮二號數(shù)據(jù)波譜分析

為了更好地了解天宮二號影像的波譜特征，將天宮二號數(shù)據(jù)和應用廣泛的Landsat8數(shù)據(jù)波譜信息進行比較。天宮二號數(shù)據(jù)的光譜信息豐富，為避免數(shù)據(jù)冗余，對其進行波段相關性分析，并根據(jù)波段間的相關系數(shù)將天宮二號可見光近紅外數(shù)據(jù)的波段分為3類(表4)。

3.2.3 影像融合

實驗一中將獲取時相均為2017年3月22日的天宮二號可見光近紅外數(shù)據(jù)和Landsat8全色波段進行融合。由于Gram-schmidt融合方法不受波段限制，能較好地保持空間紋理信息，尤其能高保真保持光譜特征[32]，故采用該方法進行數(shù)據(jù)融合。

表4 TG-2波段獨立性分組Table 4 The classification of TG-2's bands based on their dependency

3.3 確定分類體系

目前西南石漠化區(qū)的分類研究主要以土地利用類型分類為主，通常劃分為旱地、林地、灌叢、草地和裸地6類。植被的分類系統(tǒng)相對較少，陳亮等[33]對三峽庫區(qū)進行了植被類型的劃分，將其分為草地、灌木、闊葉林、農(nóng)作物、針葉林。雷光斌等[34]對岷江上游地區(qū)的森林進行了類型的劃分，將其分為常綠灌木林、落葉灌木林、常綠闊葉林、落葉闊葉林、常綠針葉林。

實驗區(qū)一四季如春，海拔落差大，以旱地和喬木林為主。喬木中主要包括暖性針葉林(以云南松林為主)、高海拔區(qū)的溫涼性和寒性針葉林，還有零散分布、面積不大的半濕潤常綠闊葉林。實驗區(qū)二四季分明，分布有常綠林和落葉林，位于低海拔區(qū)，幾乎無針葉林。研究參考已有的西南地區(qū)植被分類體系并根據(jù)2個實驗區(qū)的植被特征建立如表5所示分類體系。

3.4 提取分類特征

3.4.1 實驗一分類特征

實驗一用的單一時間分辨率數(shù)據(jù)，無法提供連續(xù)的時序變化信息，但將14個波段的天宮二號可見光近紅外數(shù)據(jù)和15 m空間分辨率的Landsat8全色波段融合后，能提供更為豐富的光譜和空間幾何信息。

表5 分類體系Table 5 The classification system

由于不同植被類型的生長狀況往往有差異，植被指數(shù)能夠反映植被的生長狀況，歸一化差值植被指數(shù)(Normalized Difference Vegetation Index，NDVI)可以消除大部分與儀器定標、太陽角、地形、云陰影和大氣條件有關輻照度的變化，增強了對植被的響應能力，應用十分廣泛[35]，故選取NDVI作為實驗一的一個分類指標，統(tǒng)計發(fā)現(xiàn)喬木和灌木的NDVI顯著高于耕地和草地。統(tǒng)計實驗區(qū)一樣本點的光譜信息均值(圖2)發(fā)現(xiàn)：在7、8波段，喬木的反射率顯著低于其它類別。統(tǒng)計各類別的高程和坡度數(shù)據(jù)發(fā)現(xiàn)，草地和灌木的分布無固定的高程段；耕地分布海拔普遍低于2500 m，坡度小于 20°。

圖2 實驗一樣本波譜曲線Fig.2 Spectra of samples in experiment 1

除以上特征外，本研究還提取了紋理信息。首先對融合后影像做主成分分析，再提取第一分量的紋理信息。因為以7*7窗口提取的植被紋理信息更適用于植被的分類研究[36-37]，故選取7*7窗口提取影像的8個紋理特征統(tǒng)計量。這8個統(tǒng)計量分別為：均值(Mean)、方差(Variance)、協(xié)同性(Homogeneity)、對比度(Contrast)、相異性(Dissimilarity)、熵值(Entropy)、二階矩(Second Moment)、相關性(Correlation)。以各類樣本點紋理特征的灰度值間的標準差為依據(jù)，選擇區(qū)分度最好的對比度作為分類特征。

3.4.2 實驗二分類特征

實驗二基于多時相的天宮二號可見光近紅外數(shù)據(jù)分類，空間分辨率較低，但有豐富的光譜季節(jié)變化特征。在不同的月份，各種植被類型生長速度和長勢不同，針對不同月份植被長勢選取合適的植被指數(shù)有利于植被的識別。NDVI有其優(yōu)勢，但也有對高植被區(qū)不敏感的局限性。比值植被指數(shù)(Ratio Vegetation Index，RVI)在植被覆蓋度較高時，對植被十分敏感；當植被覆蓋度＜50%時，這種敏感性顯著降低[38]。鑒于二者的互補性和廣泛應用性，基于NDVI和RVI探索了各植被類型的季相變化規(guī)律，發(fā)現(xiàn)：

1)除耕地以外，各種植被類型的NDVI在3～5月增幅均高于5～8月的NDVI增長幅度。3～5月NDVI增加最為顯著的是落葉灌木林和落葉闊葉林，均高于0.30；其次是常綠灌木林和常綠闊葉林。5～8月NDVI增加最為顯著的是耕地，為0.192，4種林地次之，增加幅度最小的是草地。統(tǒng)計3～8月NDVI增加幅度，發(fā)現(xiàn)各類植被在生長季的NDVI增加幅度為：落葉闊葉林＞落葉灌木林＞常綠闊葉林＞常綠灌木林＞耕地＞草地。

2)在3月，各類植被NDVI均值都高于0.25且類型間區(qū)分度較好；然而各類植被RVI的區(qū)分度在3個月份中是最差的且都略小于2，通常植被的RVI應大于2，可見在3月植被覆蓋度不高的時候，RVI對植被覆蓋不敏感。在8月，植被生長最為茂盛的時期，RVI對各類植被的響應比NDVI更為敏感，拉大了落葉林和闊葉林的差距。

3)統(tǒng)計各植被類型3月、5月和8月NDVI的累積量發(fā)現(xiàn)：落葉闊葉林＞常綠闊葉林＞落葉灌木林＞常綠灌木林＞耕地＞草地。樣本在各月份的植被指數(shù)均值見表6。

由于實驗區(qū)二耕地開墾度高，故耕地是該區(qū)植被劃分中重要的組成部分，為避免因某期影像獲取時農(nóng)作物暫時收割導致耕地漏提取，研究采用分時相提取、取并集的方式提取耕地。就波譜特征來看(圖3)，3個時期的耕地在3、4、5波段的反射率均明顯高于其它植被類型，具有較為明顯的區(qū)分度，故以3、4、5波段的反射率之和作為分類依據(jù)，擴大耕地與其它類型的差異。再結(jié)合耕地樣本數(shù)據(jù)的植被指數(shù)，各個月份采用以下提取規(guī)則(分類閾值根據(jù)耕地樣本點值的分布情況確定)：在3月，生長了作物的耕地的NDVI比其余植被高，結(jié)合樣本數(shù)據(jù)分布情況，以NDVI_3 m＞0.28 且ρ(3＋4＋5)_3 m＞6200為條件(分類特征縮寫含義見表7)提取3月有作物覆蓋的耕地；在5月，種植了作物的耕地的NDVI普遍低于林地NDVI。在8月，種植了作物的耕地的NDVI普遍高于草地NDVI、低于林地NDVI，以0.38＜NDVI_5 m＜0.6 且ρ(3＋4＋5)_5 m＞6500為條件提取5月種植了作物的耕地；以0.5＜NDVI_8 m＜0.75且ρ(3＋4＋5)_5 m＞6700為條件提取8月種植了作物的耕地?；跐M足以上條件的并集并提取出坡度小于35°的區(qū)域得到圖層“Is-Farmland”且賦值為1。

表6 各類植被樣本植被指數(shù)均值Table 6 Mean value of vegetation indexes of various vegetation samples

3.5 分類結(jié)果及精度

3.5.1 實驗一分類

實驗一采用面向?qū)ο蟮臎Q策樹分類法，首先對影像進行分割。分割方法采用了多尺度分割(Multiresolution segmentation)和光譜差異分割(Spectral difference segmentation)，經(jīng)多次試分割將2種分割方法的分割尺度分別設為200、80；分割的各波段比重設置參考表1中各波段的相關性：獨立性好的權(quán)重為1；獨立性中等的權(quán)重為0.1；獨立性差的權(quán)重為0。分割完成后根據(jù)決策樹進行分類(圖4(a))。最后進行精度評價，結(jié)果見表8。最終的分類結(jié)果圖見圖5(a)。

灌木和喬木之間有一定的混淆性。耕地的主要分類誤差為被誤分至非植被，雖然有紋理、坡度條件的限制保障了一定的精度，但由于實驗一僅基于一期影像提取，影像獲取時無農(nóng)作物覆蓋的耕地的光譜信息與非植被近似，這類耕地比較容易誤分為非植被。

圖3 實驗二樣本波譜曲線Fig.3 Spectra of samples in experiment 2

表7 分類特征及說明Table 7 Classification features and description

圖4 分類決策樹Fig.4 Classification decision tree

表8 實驗一精度評價表Table 8 Accuracy evaluation form of experiment 1

3.5.2 實驗二分類

實驗二直接基于像元分類，其分類決策樹如圖4(b)。完成分類后，通過聚類處理融合較小的斑塊，然后對分類后影像進行精度評價，詳見表9。最終的分類結(jié)果見圖5(b)。

7類中草地的分類精度是最差的，最好的是非植被。非植被與4種林地的可分性很好，與草地可分性較好，分類誤差主要來源于與部分耕地的混淆。本研究利用了多期可見光近紅外影像的植被光譜信息，能較好地區(qū)分植被生長的時相規(guī)律，提取的耕地精度以及常綠林和落葉林的區(qū)分度較高，但常綠灌木林與常綠闊葉林、落葉灌木林與落葉闊葉林有一定的混淆性。

圖5 分類結(jié)果Fig.5 Classification results

4 結(jié)束語

實驗區(qū)一分類總體精度0.70，kappa系數(shù)0.61；實驗區(qū)二分類總體精度0.72，kappa系數(shù)0.66。確定植被分類體系、提取分類特征以及選擇分類方法是保證實驗分類精度的3個關鍵環(huán)節(jié)：

1)確定準確合理的植被分類體系是分類的前提和基礎。實驗一分類體系確定為非植被、耕地、草地、灌木和喬木；實驗二分類體系確定為非植被、耕地、草地、常綠灌木林、落葉灌木林、常綠闊葉林和落葉闊葉林。這是在充分了解研究區(qū)氣候條件、地形特征、主要植被類型和分布特征等情況下，結(jié)合影像分辨率確定的準確可行的植被分類體系。

表9 實驗二精度評價表Table 9 Accuracy evaluation form of experiment 2

2)分類特征的選擇不應局限于影像光譜特征，選擇合適的輔助信息并充分利用是提高分類精度的重要保證。天宮二號數(shù)據(jù)有豐富的光譜信息但空間分辨率不高，用L8全色波段數(shù)據(jù)與之融合可提供更為精確的空間細節(jié)和紋理信息。在有多時相數(shù)據(jù)的情況下，采用植被指數(shù)及其形變指標(累積值、差值)能較好地區(qū)分各類植被，但植被指數(shù)的選擇要結(jié)合作物生長狀況，在植被覆蓋度較低時相選取NDVI，植被覆蓋度高時相選取RVI。坡度、高程是區(qū)分耕地和自然植被的重要信息。

3)分類時是基于像元還是面向?qū)ο笕Q于影像空間分辨率，實驗一的天宮二號數(shù)據(jù)數(shù)據(jù)融合了L8全色波段數(shù)據(jù)后空間分辨率為15 m，采用的面向?qū)ο蠓诸?；實驗二用未融合?00 m天宮二號數(shù)據(jù)數(shù)據(jù)，采用的基于像元分類。然后選擇了決策樹分類法，實現(xiàn)簡單、高效和準確的植被分類。

設計的2組實驗探索了天宮二號可見光近紅外數(shù)據(jù)進行植被分類的方法并驗證了其可行性，但也有一定的局限性，今后需深入研究加以改進。在分類實驗中，灌木林和闊葉林具有一定的混淆性，由于二者的一大顯著差異是植被群落高度。灌木林群落高度通常在3 m以下，闊葉林的群落高度高于灌木林[39]，而研究僅基于光譜信息進行提取，今后可融入天宮二號三維成像儀高度數(shù)據(jù)，結(jié)合實測植被高度數(shù)據(jù)、DEM，估算研究區(qū)植被平均高度，從而進一步提高植被分類精度。