前言：尋找寫作靈感？中文期刊網用心挑選的濕地遙感影像分類途徑，希望能為您的閱讀和創作帶來靈感，歡迎大家閱讀并分享。

1引言   海濱濕地是指發育在海岸帶附近并且受海陸交互作用的濕地，是陸地生態系統和海洋生態系統的交錯過渡地帶，廣泛分布于沿海海陸交界、淡咸水交匯地帶，是一個高度動態和復雜的生態系統［1］。江蘇鹽城海濱濕地屬于典型的淤泥質海岸濕地類型，由于海岸的不斷淤長，海濱濕地植物覆被類型比較豐富多樣，景觀格局處于不斷演變之中［2］。遙感技術是獲取地表覆蓋信息的有效技術手段，目前廣泛用于濕地研究中并取得了顯著的成果［3－5］。采用何種方法對濕地遙感信息進行有效提取，以達到理想精度要求，一直是濕地遙感研究的重要內容。目前，濕地遙感信息提取中難度最大的是對濕地植物覆被類型的有效識別，其方法研究成為濕地遙感信息提取的難點與熱點［3－5］。而針對不同的遙感數據源，學者們采取的方法各異。如于歡等［6］選取ALOS遙感影像為數據源，通過對其波段的光譜及紋理特征進行分析，采用非監督、監督及面向對象分類方法，對三江平原濕地信息進行提取。那曉東等［7］以Landsat衛星影像為數據源，利用回歸樹集中挖掘分類規則對濕地類型進行分類研究。牛明香等［8］利用TM數據，提出了單紅外閾值法和改進的監督分類相結合方法對濕地進行分類。從目前的研究進展來看，濕地遙感分類研究采用的數據源大部分都是TM、SPOT等影像，而利用ALOS數據的研究并不多。   本文針對江蘇海濱濕地的時空分布特征，選擇ALOS影像為數據源，其原因是保護區核心區面積較小，空間分辨率較高的ALOS影像更適合，而不選用波段與之相似的Landsat衛星數據。另外，相比于分辨率相同的SPOT等影像，ALOS影像在圖像紋理特征方面，如反映地物類別空間特征的差異性和紋理信息的豐富程度均比SPOT5等影像強，并且小圖斑的面積精度也優于SPOT等影像［9］；從時間選擇來看，由于11月份海濱濕地的鹽蒿呈現紅色，與其他濕地植被類型的色差比較明顯，是濕地遙感信息提取的較好時機。而選用的ALOS數據在2006年11月9日恰好在海濱濕地過境，故采用分辨率高、性能好、價格低的秋季ALOS影像作為本次研究的數據源最為合適。   為此，針對海濱濕地植物覆被類型遙感信息分類難度大，以及濕地植物覆被類型之間的生態交錯帶信息難以正確識別的問題，綜合考慮光譜信息、空間信息并附加知識規則和GIS規則，對海濱濕地進行遙感分類方法研究，為海濱濕地研究提供重要的科學支撐。   2研究區概況   江蘇鹽城國家級珍禽自然保護區核心區是目前殘留的典型淤泥質海濱濕地代表，具有豐富多樣的濕地類型。該區域位于新洋港和斗龍港出海河之間［10］，地理位置位于33°25′0″～33°42′40″N，120°26′40″～120°44′40″E，面積為203．57km2，基本保持自然景觀狀態。濕地植物覆被類型包括蘆葦群落、大米草群落、鹽蒿群落等［11］。研究區位置如圖1所示。   3數據源   采用的數據為ALOS數據，重訪周期為46d，衛星軌道為太陽同步。AVNIR－2傳感器可以接收4個波段的數據，分別為藍波段（0．42～0．50μm）、綠波段（0．52～0．60μm）、紅波段（0．61～0．69μm）、近紅外波段（0．76～0．89μm）。多光譜分辨率10m，全色波段空間分辨率2．5m。為了更準確地提取信息，還采用了其他相關輔助資料，包括1∶400000江蘇省海岸土地利用圖以及野外調查時38個點GPS數據。   3．1數據預處理   本文采用ENVI下的FLAASH模塊對ALOS影像進行大氣校正。FLAASH是基于MODT－RAN4大氣校正模塊，可以從多光譜遙感影像中復原地物的地表反射率，是多光譜能量影像反射率反演的首選大氣校正模型［12］。影像幾何校正通常選取圖像上有定位識別明顯的標志，如道路交叉點、河流岔口等GPS記錄點為控制點。采用二次多項式變換和最鄰近像元重采樣的方法對原始影像進行幾何糾正，RMS小于0．5個像元。   3．2濕地分類系統的建立   根據研究區濕地類型的特征，綜合考慮遙感影像數據的可解譯性，建立濕地土地利用／覆被分類系統，見表1。   4對ALOS影像的非監督分類   針對本研究區特點，海岸帶地物在遙感影像上的光譜比較復雜。選擇的訓練區不可能包括所有的光譜類型，也就是說有一部分像元會出現漏分的現象。所以本文采用人機交互的非監督分類方法，算法是重復自組織數據分析技術（ISODATA）。   4．1分類的過程及結果   海岸帶地物的波譜相關性較大，也就是“同物異譜”和“異物同譜”的情況比較多。鑒于這種情況，使用非監督分類時，一般設置分類的數目比最終分類數量多3～4倍，再進行合并，防止錯分漏分，以提高分類精度。本次研究初始分類數定為30類，輸出分類圖像后再對30類地物進行合并，找到最佳的合并方案，然后再對其進行重新合并。把原始影像和分類的結果進行對比，并且參考1∶400000江蘇海岸土地利用數據，對30類地物進行同類合并刪減。合并時盡量遵循以下規則，盡可能地把地物歸為：養殖塘、河流、蘆葦、鹽蒿、米草和光灘6類。利用上述規則，在ENVI中對非監督分類的圖像進行重新歸類，結果如圖2所示。   4．2分類精度檢驗   精度檢驗是遙感分類的必備工作，通過精度分析可以清楚地發現哪些類別的分類精度還有待提高，從而改進分類模式，修改分類結果，提高分類精度。根據所選擇的樣本，大致為150個樣本點，其中包括野外調查時38個點GPS數據，每類樣本至少20個，在ENVI4．7軟件的分類后處理中選擇混淆矩陣法通過地表真實感興趣區進行精度檢驗。經檢驗，總體分類精度為78．8786％，Kappa系數為0．7415，具體參數見表2。#p#分頁標題#e#   從非監督分類后的精度驗證可以看出，非監督分類的精度一般。地物類型之間尤其在米草、鹽蒿、蘆葦等草本植被類型間錯分、漏分現象比較突出，其中米草錯分誤差達到33．21％，蘆葦漏分誤差達到26．47％。分析其原因主要有以下3個方面：   （1）由于遙感影像光譜的復雜性，非監督分類這種純粹的依靠光譜特征的分類方法在地物類型比較復雜的地區很難得到較高的精度［7］。   （2）米草、鹽蒿、蘆葦3種植被由于光譜比較類似，所以植被分類精度不理想。   （3）保護區北部人為管理區大壩內和養殖塘東界以西的區域部分，蘆葦因為光譜的相似性被錯分為米草或者鹽蒿。因此要提高分類精度，就要對非監督分類后的結果進行改進。   5非監督分類后初始結果的改進   核心區北部人為管理區大壩內和養殖塘東界以西的區域被錯分為米草和鹽蒿的蘆葦可以根據生態學知識和GIS規則進行修改，同理被錯分為蘆葦和鹽蒿的光灘部分也可以用同樣的方式修改。而對于3種植被的交錯帶的部分只能尋找新的特征向量來加以區分，所以根據分區分層分類法的思想可以把研究區化為3個小區域：交錯帶區、大壩以內養殖塘東界以西以及剩余區域。根據研究區的特殊性把非監督分類結果的修改分為下面兩個部分，其流程如圖3所示。   5．1基于知識規則的植被覆蓋的細分   由于ALOS數據4個波段組成的特征空間有很高的相關性，不足以將核心區的地物很好地劃分，導致初始非監督分類的精度不是十分理想。所以必須尋找新的特征向量和特征空間來減少地物之間的相關性，以區分核心區的地物信息，達到提高分類精度的目的。本文通過ALOS四個波段的PCA變換、紋理分析和NDVI進一步構造特征空間，再利用特征空間上的閾值作為知識規則，進而采用密度分割和決策樹的方法來區分地物。就研究區的實際情況來看，分類精度不高的地區主要有3個，米草和鹽蒿的交錯帶，蘆葦和鹽蒿的交錯帶，以及上下兩個蘆葦、米草和鹽蒿的交錯帶。所以如何較高精度地劃分出3個交錯帶，對提高遙感影像的解譯精度具有非常重要的意義。知識規則閾值的生成有兩個途徑：第一是根據特征空間上值的分布人工尋找閾值；第二采用數據挖掘算法例如CART樹、C4．5樹等自動挖掘閾值［13］。數據挖掘的方法適合于大批量閾值的尋找，就本研究的實際情況，由于只要尋找出兩種植被或3種植被的閾值，數據量不是很大，故采用觀察樣本差異人工尋找閾值的方法。   5．1．13種植被交錯帶的細分   PCA變換又稱主成分變換，是一種除去波段之間的多余信息，將多波段的圖像信息壓縮到比原波段更有效的少數幾個轉換波段的方法。使得在原光譜空間相關性較大的地物，能在新的PCA特征空間中得到有效區分［14］。本次研究利用PCA變換對3種植被的交錯帶進行細分：被區分的植被有米草、蘆葦和鹽蒿。首先對原圖進行PCA變換，進而在PCA變換圖上繪制3種植被的訓練區，盡量選擇比較純凈的像元，然后對這些訓練樣本的主成分變換后的數值進行分析。通過觀察這幾種植被在主成分變換中各個主成分的差異，找出差異最大的主成分波段，觀察PCA中各個主成分的最大值、最小值和平均值，最后發現PC1能夠很好地區分這3種植被，如表3所示。   5．1．2蘆葦和鹽蒿交錯帶的細分通過觀察非監督分類圖上蘆葦和鹽蒿的分布，根據實地考察記錄的GPS點，可以看到很多蘆葦都被錯分為鹽蒿，主要分布在分類圖左下角養殖塘的周圍。對錯分為鹽蒿的蘆葦和正確劃分的蘆葦以及正確劃分的鹽蒿進行采樣，采樣時依舊遵循上面的原則即盡量保證像元純凈，以方便比較。然后在ENVI4．7中繪制光譜圖，如圖4所示。觀察圖4可以發現錯分為鹽蒿的蘆葦和蘆葦的斜率比較相近，而和鹽蒿的斜率有較大的差別，進而計算整個圖像的NDVI，然后利用上面的采樣區對NDVI進行分析，得到以上3種植被的NDVI數值表，見表4。從表4可以看出，在光譜空間上極易錯分為鹽蒿的蘆葦和正確劃分的鹽蒿在NDVI值上相差很大，而和正確劃分的蘆葦的值很接近，所以通過NDVI可以較為準確地劃分蘆葦和鹽蒿。   5．1．3鹽蒿和米草交錯帶的細分   非監督分類后，通過觀察分類圖上米草和鹽蒿的分布，可以發現有較大片的鹽蒿屬于米草，同理也有較大片的米草屬于鹽蒿。所以需要把錯分為鹽蒿的米草從鹽蒿中分離出來，然后將其中的米草信息還原。同理錯分為米草的鹽蒿也是這樣。對米草和鹽蒿在NDVI和PCI特征空間做采樣分析，發現在這兩個特征空間不能找到合適的閾值將其區分。考慮到灰度共生矩陣的紋理可以很大程度上改進遙感影像的分類精度，本文采用ENVI4．7軟件的二階概率矩陣方法生成8個基于灰度共生矩陣的紋理特征，即平均值、方差、同質性、反差、差異性、熵、二階矩和自相關性。生成二階概率矩陣時選用3×3的滑動窗口，移動步長為1。通過比較這8組數據發現鹽蒿和米草在方差和自相關性上差異較大，如表5。自相關上差異很大是因為米草有不少負相關很大的值，比如－8000，因此平均的米草負相關值就會很大，同理鹽蒿也是，從米草和鹽蒿的自相關值集中的頻率來看，兩者絕大部分的值都集中在－1和1之間，所以在自相關這個紋理特征空間上不能將米草和鹽蒿區分開。而從方差上看，方差的第四波段可以較容易地劃出一個閾值來區分米草和鹽蒿。方差運算后結果比較小的表示該地物紋理比較細密，方差運算后結果比較大的表示該地物紋理比較粗糙，從遙感影像上來看鹽蒿的紋理顯得比較平滑、波動性小，而米草的紋理比較粗糙，剛好符合表5統計數據的特征［15］。因此，可以選用方差的第四波段上的閾值來區分米草和鹽蒿。   5．1．4河流和養殖塘錯分的修改   由于核心區的養殖塘形狀較為規則，呈現長方形和正方形，而河流的形狀較為彎曲，且分布在核心區的最北和最南，根據這條知識規則對非監督分類圖中河流和養殖塘的錯分進行修改，還原錯分的養殖塘和河流。總結上述知識規則，得到表6。對于3種植被的交錯帶，采用構建決策樹的方法進行細分（圖5）。而蘆葦和鹽蒿兩種植被的交錯帶則采用密度分割的方法劃分閾值進行細分。#p#分頁標題#e#   5．2基于GIS規則的分類改進   遙感影像特征是基于植物類型與土壤、水體等地物特征及其組分相互消長關系的綜合反映，由于“同物異譜”和“異物同譜”的情況比較嚴重，因此，單純基于光譜特征識別植被類型會不同程度地產生錯分和誤分。根據生態學和地學等方面的專家知識，利用GIS，對基于光譜特征的影像分類進行改進是提高分類精度的一個重要方法［16］。利用研究區1∶5萬的地形圖和江蘇省1∶400000海岸土地利用圖，可以在影像上目視解譯出河道和養殖塘的范圍。將非監督分類后所得的柵格數據轉為矢量圖，并與河道和養殖塘的范圍作GIS疊加分析，對于河道和養殖塘疊加后有偏差的少部分區域，借助于地形圖和土地利用圖予以確認并進行修改。疊加分析后發現部分米草和鹽蒿分布在河道和養殖塘的周圍。根據生態學的基本知識，米草和鹽蒿性喜鹽，在淡水區域不可能長出米草和鹽蒿，應為喜淡水的蘆葦。通過GIS的空間相鄰關系特征設置查詢選項，執行這一特定區域的誤分斑塊的篩選，然后進行類代碼的重新賦值，提高了分類精度。同理，被誤分為蘆葦和鹽蒿的光灘也可以通過這一原理重新賦值修正。由于保護區具有科學實驗的特征，核心區分為人為管理區和自然生長區。以中路港為界上半部分為人為管理區下半部分為自然生長區，在20世紀90年代人為管理區修建堤壩以防止海水的入侵，因此漲潮時海水不會影響堤壩內的植被。所以依照生態學的知識，根據GIS空間疊加分析的功能可以把該區域誤分為米草和鹽蒿的蘆葦進行選定，并進行類別代碼的重新賦值，從而糾正該類的誤分。   5．3對修改后的非監督分類圖進行精度評價   根據上述知識規則對非監督初始分類圖進行修改，結果如圖6所示。所選擇的150個樣本點仍然是非監督分類后的檢驗樣本，每大類至少20個樣本，其中包括野外考察38個點。在ENVI4．7軟件中的分類后處理中選擇混淆矩陣法，通過地表真實感興趣區進行精度檢驗。經檢驗，總體精度為92．6829％，Kappa系數為0．9098，見表7。   6結語   通過精度檢驗表（表7）可以看出，各類地物的用戶精度和生產精度都有了不同程度的提高，普遍達到85％以上，總體精度達到了92．68％。其中養殖塘和河流的分類精度都比較高，用戶精度和生產精度都達到了95％以上。修改后米草和光灘間相互誤分比較明顯，因為越靠近光灘，有部分米草是小塊、零散分布的，面積通常比較小，10m的空間分辨率無法將其表現出來。這些米草像元被自動歸為與之相臨近的光灘里面導致了誤分錯分。蘆葦和光灘也存在誤分，因為有些區域蘆葦長勢不是很好，和一些裸地形成了混合像元，從而在表觀上顯示裸地的光譜特征。米草和蘆葦在上下兩個三界交錯帶有部分的混生分布，并且光學特征非常類似，所以也產生了錯分現象。非監督分類的方法無需選定感興趣區，單純依靠光譜信息聚類，誤分錯分比較多，具體表現在河流和養殖塘之間、蘆葦、米草和鹽蒿這兩組光譜空間非常相似的地物之間。本文以非監督分類后的結果為模板，運用分區分層分類的思想對非監督分類初始結果進行修改，得到了較高的精度。研究表明融合遙感影像紋理信息、主成分變換等非光譜信息，可以提高地物的可分性，避免單純利用光譜信息導致的錯分漏分。同時基于分類規則以GIS為工具，依據生態學知識、地學等方面的知識對分類結果進行改進是提高分類精度的重要手段。