EN中文

地球信息科学学报 >

2019 , Vol. 21 >Issue 8: 1284 - 1294

DOI: https://doi.org/10.12082/dqxxkx.2019.180650

遥感科学与应用技术

基于垂直带谱的太白山区山地植被遥感信息提取

  • 张俊瑶 1, 2 ,
  • 姚永慧 , 1, * ,
  • 索南东主 1, 2 ,
  • 郜丽静 3 ,
  • 王晶 1, 2 ,
  • 张兴航 1, 2
展开
  • 1. 中国科学院地理科学与资源研究所 资源与环境信息系统国家重点实验室,北京 100101
  • 2. 中国科学院大学,北京 100049
  • 3. 中国科学院空天信息研究院,北京 100094
* 姚永慧（1975-）,女,湖北安陆人,博士,副研究员,研究方向为地理时空数据分析。E-mail:

张俊瑶（1995-）,女,山东滨州人,硕士生,研究方向为植被遥感分类。E-mail:

收稿日期: 2018-12-12

  要求修回日期: 2019-04-09

  网络出版日期: 2019-08-25

基金资助

国家自然科学基金项目(41871350)

科技基础资源调查项目(2017FY100900)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Mapping of Mountain Vegetation in Taibai Mountain based on Mountain Altitudinal Belts with Remote Sensing

  • ZHANG Junyao 1, 2 ,
  • YAO Yonghui , 1, * ,
  • SUONAN Dongzhu 1, 2 ,
  • GAO Lijing 3 ,
  • WANG Jing 1, 2 ,
  • ZHANG Xinghang 1, 2
Expand
  • 1. Skate Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Science, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China
* YAO Yonghui, E-mail:

Received date: 2018-12-12

  Request revised date: 2019-04-09

  Online published: 2019-08-25

Supported by

National Natural Science Foundation of China(41871350)

Scientific and Technological Basic Resources Survey Project(2017FY100900)

Copyright

Copyright reserved © 2019.
Fold

摘要

遥感数据因其全覆盖的优势被广泛应用于山地植被信息的调查和研究。为了实现山区植被类型的高精度提取,本文以太白山区为实验区,结合山地植被的垂直地带性分布规律,利用太白山植被垂直带谱、高分辨率遥感影像（GF1/GF2/ZY3）和1:1万的数字表面模型（Digital Surface Model, DSM）数据,进行了多层次、多尺度的影像分割,构建了具有植被垂直带谱信息的地形约束因子,并据此进行样本选择和面向对象的分类,分类总精度达92.9%,kappa系数达到0.9160。该方法相比于未辅以垂直带谱信息的分类,总精度提高了10%。研究结果表明,分类过程中加入具有垂直带谱信息的地形约束因子,能显著地提高样本选择的效率和准确率,为后续的植被分类提供了精度的保证。通过人机交互的方式,将垂直带谱知识应用到分类中,可以有效地提高山地植被分类的精度。

关键词： 植被垂直带谱; 面向对象; 多层次分割; 植被信息提取; 地形约束因子; 太白山区; 山地植被

本文引用格式

张俊瑶 , 姚永慧 , 索南东主 , 郜丽静 , 王晶 , 张兴航 . 基于垂直带谱的太白山区山地植被遥感信息提取[J]. 地球信息科学学报, 2019 , 21(8) : 1284 -1294 . DOI: 10.12082/dqxxkx.2019.180650

Abstract

The structural function and ecological characteristics of mountain vegetation can reflect comprehe-nsively the basic characteristics and functional properties of the eco-environment. Mapping of different vegetation types is the basis for the study of vegetation cover dynamics. Therefore, studying vegetation types and their distribution patterns in montane areas is important for understanding the eco-environment and climatic spatial changes. With the development and application of satellite remote sensing technology, remote sensing data have been widely used in the investigation and research of mountain vegetation information extraction. As altitude increases, vegetation presents the characteristic of regular zonal arrangement and combination, which is called the altitudinal belts law of mountain vegetation. Through the altitudinal vegetation belts information, the altitude range of different vegetation groups and the adjacent relationship between the upper and lower layers can be determined. To achieve high-precision extraction of mountain vegetation types, in this paper, we took Taibai Mountain (the main peak of Qinling Mountains) as the experimental area, combined the obvious vertical zonal distribution law of mountain vegetation, and used the data of altitudinal belts of Taibai Mountain vegetation, high-resolution remote sensing imagery (GF1/GF2/ZY3), and 1:10 000 digital surface model (DSM). Followingly, we selected the optimal segmentation scale of different levels by calculating the mean variance, and conducted multi-level and multi-scale image segmentation. Then, we built terrain constraint factors with mountain altitudinal belts information and selected samples. After overlaying terrain constraint factors with altitudinal belts information of vegetation on the high-resolution images, the rough distribution ranges of each vegetation types were clear at a glance, which can make sample selection more efficient and accurate. Lastly, the images were used to extract vegetation information through the object-oriented classification method. The classification result had a total accuracy of 92.9% and a kappa coefficient of 0.9160. To prove the role of terrain constraint factors, some regions in the western part of the north slope were selected for comparing whether terrain constraint factors affected the classification. Compared with the classification without altitudinal vegetation belts information, this method improved the overall accuracy by 10%. The results show that adding terrain constraint factors in the classification process can significantly improve the efficiency and accuracy of sample selection, and provide a guarantee for the accuracy of subsequent vegetation classification. By man-machine interaction, this study applies the knowledge of mountain altitudinal belts to classification, and effectively improves the accuracy of mountain vegetation classification.

Key words： mountain altitudinal belts; object-oriented; multi-scale segmentation; vegetation mapping; terrain constraint factors; Taibai Mountain; mountain vegetation

1 引言

植被是山地生态系统的重要组成部分,同时也是反映区域生态环境的标志之一[1];山地植被的结构功能和生态特征能综合反映生态环境的基本特点和功能特性[2],其中植被类型又是进行植被覆盖状况和动态变化规律研究的基础[3],因此研究山地植被类型及其分布规律对于认识山地生态环境和气候空间变化有着重要的意义。植物群落间通常没有明显的边界,特别是植物群落之间的差异往往不如其他地物明显,且林地内部偶尔有采伐以及更新的变化,增大了植被提取的难度。因此,如何实现山地植被的高精度提取成为了本领域研究的热点和难点。
早期的遥感植被分类主要基于人工目视解译,大范围的解译周期长、成本高、费时费力,且精度依赖于解译者的经验,无法满足信息的时效性需要[4]。随着卫星遥感技术的发展和应用,遥感全覆盖、高时效的优势提高了植被解译工作的精度和效率,然而受地理环境和时相的影响,遥感影像中的地物普遍存在“同谱异物”、“同物异谱”的现象,植被类型间的差异更为细微,计算机难以适应这千变万化的数据情景,从而造成植被自动提取结果的歧义和错分。但人机交互的方式能够充分有效的将先验知识或经验参数应用到模型中,从而获得更加准确的结果[5]。
由于山区地形地貌复杂,信息提取困难,单纯依靠遥感数据的植被精确分类有很大的局限性,利用纹理[6,7]、海拔[8,9]、地形地势[10,11]等数据辅助分类是当前的研究热点之一。随着数字化辅助数据的增多,特别是各种地理信息库的建立,仔细选择和有效利用辅助数据是提高分类精度的重要环节[12,13]。齐文娟等[14]基于高分一号遥感影像和地形要素,完成了山地植被与平原植被的界限提取;何鸿杰等[15]基于光谱特征、纹理特征和地形特征,构建CART决策树,按“分层分类,逐层验证”的思路,实现了对研究区植被信息的提取。Sun等[16]利用美国弗吉尼亚海岸保护区1984-2011年所有可行的Landsat TM/ETM+图像,实现盐沼植被群落的多时段分类图。上述的研究多是结合地形、光谱或纹理等信息进行分类,但将山地植被垂直带的海拔范围和其上下层邻接关系充分利用到分类中的研究还不多见。另外,以GB/T 21010-2007《土地利用现状分类》[17]标准为例,国内外相关研究主要集中在一级[18]、二级[19]植被的分类,对于更精细的类别划分较少,植被精细类别的划分除了要借助高分辨率影像外,对参与分类的植被特征和分类方法也提出了更高的要求。
秦岭是中国南、北气候的分界线,也是长江、黄河两大水系的分水岭,而太白山作为秦岭的主峰,其自然地理条件尤为独特。太白山因其巨大的高山落差,拥有着复杂多样的生境和植物群落类型,植被分布也呈现出具有代表性的山地植被垂直带规律。植被随着海拔升高呈现有规律的带状排列组合特征,称为山地植被垂直带规律[20]。通过植被的垂直带谱信息,可以获得不同植被群系分布的海拔范围和上下层邻接关系。目前,国内在太白山区的相关研究主要集中在植被群落[21,22]、物种组成[23,24]等方面,将植被垂直带谱和遥感手段相结合进行植被信息提取的研究却很少。因此,为了探索山地植被信息的高精度提取方法,本研究以太白山区为实验区,基于多时相的高分辨率遥感影像,结合山地植被的垂直分布规律,构建了具有植被垂直带谱信息的地形约束因子,并采用面向对象的分类方法,提取了太白山区的植被信息。

2 研究区概况、数据源与研究方法

2.1 研究区概况

本文以秦岭山脉的主峰太白山为研究区。秦岭是横贯中国中部的著名山脉,是中国地理生态的南北分界线[25],其主峰太白山海拔3771.2 m,是青藏高原以东第一高峰,地理坐标为33°40′ N-34°10′ N,107°19′ E-107°58′ E。研究区的总面积约为2113.24 km2。太白山以其巨大的高山落差,形成了独有的气候特点,其水热条件随地势升高呈现有规律的变化,由下向上分别有暖温带、温带、寒温带、寒带、高山寒带5个明显气候带[26],植被景观也表现出明显的垂直带谱分布规律。太白山植被的垂直分布规律在南北坡基本一致：落叶阔叶林、寒温性针叶林、高山灌丛、高山草甸,但在各植被类型的垂直分布范围等方面存在显著差异[27],复杂的生态环境使太白山植被的群落变化多样,表现出横断山脉地区的植物特点[28]。

2.2 数据来源

（1）高分辨率遥感影像。本研究中用来进行植被分类的遥感数据包括资源三号卫星影像（空间分辨率2 m）,高分一号卫星影像（空间分辨率2 m和16 m）,高分二号卫星影像（空间分辨率0.8 m）,具体信息见表1。因为研究区影像上植被分布较为集中,且有多块山体阴影,通过结合多分辨率、多源、多时相的遥感影像,对植被分布情况进行比对分析,16 m的GF1遥感影像可以确定不同植被类型的大致分布区域,分辨率更为精细的影像用来对比作为样本选择的参照,以此保证样本的精度。其中本次研究的分割和分类是在2 m的高分一号影像上完成的。由于影像已经进行过辐射校正和波段融合,本文对影像进行几何校正后,根据研究区域矢量边界进行裁剪,得到研究所用影像。
表1 遥感卫星影像的时相及空间分辨率信息

Tab. 1 Phase and spatial resolution of the remote sensing images

遥感影像 传感器 融合后分辨率/m 成像时间 融合后波段数/个
GF2 PMS 0.8 2017-09-07 4
ZY3 NAD 2 2017-01-13 4
GF1 PMS 2 2016-11-30/2017-02-12 4
GF1 WFV 16 2017-01-02/2017-07-09 4
（2）数字表面模型（DSM）数据。本研究所用的1:1万DSM数据（分辨率10 m）由资源三号卫星影像生成,研究中主要用来提取地形约束因子和海拔高度。
（3）植被分布数据。本研究所用的植被分布数据包括太白山植被垂直带谱数据和《1:100万中国植被图》[29]数据。太白山垂直带谱数据是根据李海宁、方正等整理[25,30]得到的,并于2018年6月在太白山的实地调查中,对垂直带谱的界线和分布进行了调查和验证。垂直带谱数据主要用来构建地形约束因子,并据此来选择样本。《1:100万中国植被图》由全国250余位植被学专家参与编制,于2000年出版,该图集是迄今为止最详细和最准确的全国性植被图,可以为植被类型的划分提供定性的参考和对比研究。
（4）验证数据。研究中使用的验证数据包括地面采样点数据和由姚永慧等[31]编制的1:5万太白山目视解译植被图。本文采用2018年6月8-15日研究团队在太白山实地调查所获取的86个样点数据进行样本的验证,样点数据包括地理位置、植被型组、植被型及植被群系/亚群系等属性信息。1:5万的目视解译结果主要用来进行植被信息提取结果的精度验证。

2.3 研究方法

2.3.1 提取地形约束因子
为了将太白山区植被分布的垂直地带性规律应用到分类中,本文在构建地形约束因子时融入了垂直带谱信息。根据植被的垂直带谱信息,获取了植被群系分布的大致海拔范围,南北坡的垂直分布情况大致相同,但在各植被类型的垂直分布范围等方面存在着显著差异,北坡海拔从低到高依次分布着：基带（0~800 m）、栓皮栎林（800~1000 m）、锐齿槲栎林（1000~1900 m）、辽东栎林（1900~2300 m）、红桦/华山松混交林（2300~2700 m）、牛皮桦林（2700~2800 m）、巴山冷杉林（2800~3000 m）、太白红杉林（3000~3400 m）、亚高山灌丛草甸（3400~3767 m）。南坡从低到高依次分布着：基带（0~750 m）、栓皮栎林（750~1300 m）、锐齿槲栎林/华山松林（1300~2000 m）、红桦/华山松混交林（2000~2300 m）、红桦林（2300~2650 m）、巴山冷杉林（2650~3000 m）、太白红杉林（3000~3400 m）、亚高山灌丛草甸（3400~3767 m）。为了获得更精确的山地植被分类结果,本文根据上述南北坡的植被垂直分布规律,构建了具有植被垂直分布信息的地形约束因子,具体方法如下：① 根据太白山1:1万的DSM数据提取主山脊线,确定南、北坡大坡向;② 根据植被垂直带谱的分布高度,提取主要植被群系分布的海拔范围;③ 将海拔高度范围等叠加,生成基于垂直带的地形约束因子。
2.3.2 面向对象的遥感分类
（1）面向对象的遥感分类技术流程
本研究的总体技术路线如图1所示。首先,在太白山区高分辨率遥感影像的基础上,利用太白山植被垂直带谱信息和1:1万DSM数据构建具有垂直带谱信息的地形约束因子;然后,利用eCognition软件辅以DSM数据、纹理特征进行多尺度分割;最后,将提取的地形约束因子作为辅助信息参与遥感影像的面向对象分类和分类后处理,并与无辅助信息的面向对象分类结果进行对比分析。
图1 面向对象的植被分类技术流程

Fig. 1 Object-oriented vegetation classification processes

（2）多尺度分割
影像分割是图像由处理到分析的一个关键步骤,其结果直接关系到特征信息提取的精度。通过多尺度分割,可以建立多尺度的与地物目标相匹配的影像对象的层次结构,实现像元-对象-影像之间的转换,主要包括图像分割方法和最优分割尺度选择2个方面[32,33]。本研究中采用eCognition中的多尺度分割算法,该方法是一种基于区域生长合并的分割方法,可以充分利用对象特征和类间关系等信息,在面向对象分类中被广为应用[34]。
由于所选研究区为山区,地势起伏大,影像中多存在阴影,将包含地表属性信息的DSM数据参与到影像分割中可以提高准确性[35]。图2（a）、（b）分别给出了DSM是否参与分割的结果,在相同尺度下,DSM参与分割后的山体阴影更准确。考虑到DSM参与影像分割后增加了分割对象的数量,且影像中不同植被类型具有明显不同的纹理特征,因此基于灰度共生矩阵提取了常用的8个纹理特征,经比较后将近红外波段的熵（Entropy）参与到分割中。图2（c）、（d）分别给出了熵是否参与分割的结果,在尺度340下,熵参与分割后,影像中具有相同纹理的区域被合并,对象数从6863减少到了6081。研究中共有6个波段参与分割,由于植被在近红外波段具有高反射特性,其权重设置较大,而地形、纹理等信息为辅助要素,其权重设置较小。根据这一原则,将近红外波段权重设置为2,其他图层权重均设置为1。
图2 太白山区DSM/纹理参与分割和未参与分割的结果对比

Fig. 2 Comparison of the segmentation results with or without DSM/texture in Taibai Mountain

另外,影像中的不同地物存在较大异质性,在单一尺度上分割难以完整准确的表达不同地物。在满足某种地物分割效果的情况下,采用同一尺度对影像中的不同地物进行分割,会直接影响到其他地物分割的效果,这在高分辨率影像中体现尤为明显[36]。为了满足不同地物的最佳分割效果,需要寻找各自最适宜的分割尺度,因此本文采取多层次的分割方法：选用均值方差作为最优尺度选择的指标,在尺度[100, 500]范围内,以10为步长经过多次分割,绘制了均值方差与分割尺度的折线图,其中明显的3个峰值分别为250、360、470,即为不同层次下地物的最优分割尺度,具体参数设置如表2所示。
表2 多尺度分割参数设置

Tab. 2 Parameter setting for the multi-scale segmentation

等级 提取信息 分割尺度 形状因子 紧致度因子
Level1 建筑物、道路等非植被 470 0.2 0.6
Level2 栽培植物、针叶林、阔叶林、亚高山草甸及灌丛、针阔混交林 360 0.2 0.6
Level3 巴山冷杉、太白红杉、华山松、栎类林、桦类林、草甸、灌丛 250 0.2 0.6
（3）分类特征选取
特征选取是从影像对象的原始特征中选择出一些最有效的特征以降低数据维度的过程。影像经过多尺度分割后,得到多个包含特征信息的对象,其中的特征信息主要包括光谱特征（均值、亮度、标准差、最大化差异度量等）、纹理特征（同质性、对比度、熵等）、时相变化特征（归一化植被指数NDVI、增强型植被指数EVI、比值植被指数RVI等）和空间分布关系特征等。研究中根据不同待提取类别的相应特点,使用eCognition软件中“Feature Space Optimization”功能对特征空间进行优化后,分别选取了相应的特征参数,包括波段均值（Mean）、波段亮度值（Brightness）、归一化植被指数（NDVI）、最大化差异度量（Max.diff）、地表高程（DSM）、对比度（GLCM Contrast）、同质性（GLCM Homogeneity）,以期提高分类结果的精度。
（4）植被信息提取
多尺度、多层次分割后得到的影像对象之间存在着递进的层次关系。基于层次分类的思想,将用于识别地物目标的特征也按层次关系进行组织,结合模糊分类和最近邻分类,在不同层次采用相应的分类策略。在Level1上,根据该层次下地物的特点选择相应的特征参数,构建隶属度函数;在Level2和Level3上对于未分类对象,利用已知知识对其进行判断,通过最近邻分类法得到分类结果。
在Level1中对植被与非植被进行识别。因为山体阴影和高山积雪（3400~3700 m的海拔范围内）的影响,直接用NDVI分类会将影像中的阴影部分或高山积雪部分误分为非植被区域。由于建筑、道路等非植被分布比较集中,其NDVI值低、亮度值高,且分布在低海拔区域,通过以上3个特征参数 构造的隶属度函数能将非植被区完整的提取出来。以NDVI为例,当某个对象的NDVI×100小于-2时,其对于非植被的隶属度值为1,即肯定为非植被,大于-1时,隶属度为0,位于[-2, -1]区间时,其隶属度按照eCognition软件中的偏小型隶属度函数赋值,另外,由于影像的时相在冬季,NDVI值变化幅度小且相对集中,反复对比后选择了[-2, -1]这个区间。但提取结果中存在部分阴影,因此通过Max.diff构造的隶属度函数将阴影部分过滤,成功提取出非植被。由于本层分类中生成的初始对象将决定后续分类的结果,所以将设置较高的隶属度阈值。具体设置见表3。在Level2中进行不同植被类型的识别。综合已掌握的太白山植被分布数据、各时相的遥感影像、野外调查数据和目视解译的经验,建立了太白山区土地覆盖类型的解译标志如表4所示。通过在影像上叠加地形约束因子,不同植被类型的大致分布范围一目了然,在此基础上根据解译标志进行样本的选择更高效、准确（图3）。本层次中采用最邻近分类方法进行分类,识别出的植被类型包括栽培植物、针叶林、阔叶林、亚高山草甸及灌丛、针阔混交林,具体设置见表3。在Level3中,需要对针叶林和阔叶林内的植被群系进行进一步的识别。根据不同植被群系在不同时相影像中相应的光谱、纹理特征,结合解译标志,通过在影像上叠加地形约束因子进行样本的选择,并融入了纹理特征进行最近邻分类,本层中识别出的植被群系包括巴山冷杉、太白红杉、华山松、栎林、桦类林、灌丛（不再细分植物类型）、草甸（不再细分植物类型）,具体设置见表3。
图3 太白山区基于地形约束因子的样本选择

Fig. 3 Sample selection based on terrain constraint factors in Taibai Mountain

Tab. 3 Classification rules of surface features at different levels
层次 类别 分类方法 特征 隶属度函数 特征值范围
Level1 非植被 模糊分类 Max.diff 5.9, 6.0
DSM 1890, 1900
DSM 1340, 1350
NDVI×100 -2, -1
植被 Not 非植被
Level2 栽培植物、针叶林、阔叶林、亚高山草甸及灌丛、针阔混交林 最近邻分类 Brightness\Mean DSM\Mean NIR\Max.diff - -
Level3 巴山冷杉、太白红杉、华山松、栎林、桦类林、灌丛、草甸 最近邻分类 Brightness\Mean DSM\Mean NIR\ GLCM Contrast\GLCM Homogeneity - -
表4 太白山区不同土地覆盖类别的解译标志

Tab. 4 Interpretation signs of different land cover types in Taibai Mountain

序号 土地覆盖类别 解译特征 影像示例 影像月份
1 非植被 形状规则,片状分布,色调呈灰白色（假彩色）,集中分布在基带附近,边界清晰 1月
2 栽培植物 形状较规则,片状分布,色调呈暗棕色夹杂淡红色（假彩色）,集中分布在基带附近,边界清晰 1月
3 栎类林 形状不规则,带状分布,色调呈绿色（真彩色）,集中分布在低海拔区域,边界模糊 10月
4 桦类林 形状不规则,带状分布,色调成黄绿色（真彩色）,分布在栎类林海拔之上,纹理细腻,边界模糊 10月
5 针阔混交林 形状不规则,带状分布,色调呈灰棕色夹杂红色（假彩色）,分布在桦林和华山松林海拔之间,边界模糊 1月
6 华山松 形状不规则,带状分布,色调呈鲜红色（假彩色）,分布在中海拔区域,纹理细腻,边界模糊 1月
7 巴山冷杉 形状不规则,带状分布,色调呈深红色（假彩色）,分布在华山松海拔之上,绒状纹理,边界模糊 1月
8 太白红杉 形状不规则,带状分布,色调呈深灰色（假彩色）,分布在高海拔区域,纹理粗糙,边界模糊 1月
9 灌丛 形状不规则,块状分布,色调呈米白色夹杂深绿色（真彩色）,集中分布在高海拔区域,边界清晰 7月
10 草甸 形状不规则,块状分布,色调呈草绿色（真彩色）,集中分布在高海拔区域,边界模糊 7月
2.3.3 分类精度验证
在研究区随机生成1000个点,与前期完成的太白山区1:5万目视解译数据对比,进行植被信息提取结果的精度验证,并计算用户精度、生产者精度、总体精度和kappa系数。

3 结果及分析

3.1 分类结果

本研究基于高分辨率遥感影像,结合山地植被的垂直带分布规律,依据多层次的分割结果和各层定义的分类规则,基于eCognition软件平台对研究区进行了分层提取,并利用Class-Related-features功能,实现分类信息的层间传递,生成最终的分类结果,见图4（a）。与目视解译结果进行对比,各植被类型的分布区域和范围大致相同。其中,针阔混交林占比重最大,面积达到了780.48 km2,占全区总面积的36.9%,其次占比重较大的植被类型为栎林（631.61 km2）、巴山冷杉（269.11 km2）、华山松（193.11 km2）和桦木林（165.45 km2）,以上5种类型占全区面积的96.5%,为了进一步说明分类的准确性,将实际分类面积与2009年实地调查的统计面积进行了对比（栎林：593.73 km2、巴山冷杉：272.85 km2、 华山松：168.94 km2、桦木林：164.64 km2）,除栎林和华山松林面积差别大外,其余各类别面积基本一致,这种可能是由于对针阔混交林的界定不同造成。
图4 2017年太白山区植被信息提取结果

Fig. 4 Vegetation information extraction results in Taibai Mountain in 2017

3.2 精度评价

为了验证分类精度,在研究区随机生成了1000个点,与目视解译结果进行对比验证,1000点中有71个点不匹配（在图4（b）中被高亮显示）,这些点多落在栎类林内部和针阔混交林当中,具体的分类精度评价结果见表5,其中总体精度为92.9%,kappa系数为0.9160。分析表明造成误差点多出现在栎林和针阔混交林内部的原因有以下2点：① 栓皮栎林和锐齿槲栎林的影像特征十分相似,且其垂直带为相邻关系,容易出现二者错分的情况;② 由于本文的方法是基于eCognition软件来实现的,对于针阔混交林的界定与人工目视解译的界定有所不同,导致分类时部分针阔混交林被误分类为针叶林或阔叶林中的某种群系,从而引起误差。
表5 植被分类的精度评价

Tab. 5 Vegetation classification accuracy evaluation

类别 太白
红杉		 巴山
冷杉		 华山松 桦类林 栓皮栎 锐齿
槲栎		 针阔
混交		 灌丛 草甸 城镇
道路		 栽培
植物		 总计 用户
精度/%
太白红杉 30 2 0 0 0 0 0 0 0 0 0 32 93.8
巴山冷杉 0 98 0 0 0 0 2 0 0 0 0 100 98.0
华山松 0 2 158 0 0 0 0 0 0 1 0 161 98.1
桦类林 0 2 2 81 0 0 3 0 0 0 0 88 92.0
栓皮栎 0 0 1 0 70 17 3 0 0 0 0 91 76.9
锐齿槲栎 0 0 7 0 13 195 4 0 0 0 0 219 89.0
针阔混交 0 4 3 0 0 1 213 0 0 1 0 222 95.9
灌丛 1 0 1 0 0 0 0 18 0 0 0 20 90.0
草甸 0 0 0 0 0 0 0 0 8 0 0 8 100.0
城镇道路 0 0 0 0 0 0 0 0 0 4 0 4 100.0
栽培植物 0 0 0 0 0 0 1 0 0 0 54 55 98.2
总计 31 108 172 81 83 213 226 18 8 6 54 1000
生产者精度/% 96.8 90.7 91.9 100.0 84.3 91.5 94.2 100.0 100.0 66.7 100.0

注：总体分类精度（Overall accuracy）：92.9%;kappa系数（kappa coefficient）：0.9160。

此外,为了证明地形约束因子的作用,选取了北坡西部的部分区域进行了地形约束因子是否参与分类的结果对比（为了对比错分的情况,都未对结果进行后处理）。未辅以地形约束因子的分类结果：如图5（a）所示,分类结果的图斑较为破碎,错分情况严重,其中华山松、桦类林、栎类林都有明显的错分,与目视解译结果的匹配度为77.5%。辅以地形约束因子的分类结果：如图5（b）所示,分类结果中地物边界清晰,整体性保持得较好,错分情况较少,与目视解译结果的匹配度为87.5%,较前者提升了10%,说明地形约束因子辅助选择的样本更高效准确。同时,与全区的分类精度对比结果表明地形约束因子能有效地帮助分类后处理。
图5 地形约束因子参与与否的结果对比

Fig. 5 Comparison of the results with or without terrain constraint factors

4 结论与讨论

4.1 结论

本研究基于高分辨率遥感影像,以太白山区为研究区,通过查阅相关的植被图数据、垂直带谱数据和实地采样的调查结果,掌握了研究区植被分布的大致情况。在此基础上,通过结合太白山植被的垂直带谱信息,使用面向对象的分类方法进行了植被信息的提取。
（1）根据影像上多山体阴影、不同植被类型纹理特征不同的特点,融入DSM、纹理特征进行影像分割。同时,为了更准确地进行植被类型的表达,采用了多尺度、多层次的分割方法,结果表明DSM的加入有效地细化了分割结果,纹理特征的加入有效合并了影像中纹理一致的区域并防止分割过于细碎,将DSM、纹理特征参与分割后能更完整准确的表达地物。
（2）在分割结果的基础上,采用面向对象的分类方法,进行植被信息的提取工作。本文根据不同层次下地物相应的特点选择合适的特征参数,并基于层次分类的思想,将用于识别地物目标的特征也按照层次关系进行组织,通过eCogniton中的“class-related features”功能来实现分层分类。分类过程中,通过在影像上叠加具有垂直带谱信息的地形约束因子进行样本的选择,在地形约束因子的控制下,各种植被类型的大致分布范围一目了然。特别是当研究区面积范围较大时,若直接在分割后的影像上选取大量样本,不仅费时费力,且在植被分布密集或植被特征相似的区域容易误选,相较于直接进行样本选择的相关研究,本文的方法更准确高效。
（3）通过对比地形约束因子辅助样本选择的分类结果与地形约束样本未辅助样本选择的分类结果,表明将地形约束因子辅助进行样本选择,能有效减少错分,相较于没有辅助地形约束因子的情况,分类结果提升了10%,整个研究区的分类结果达到了92.9%,kappa系数达到0.9160。上述研究表明,基于垂直带谱信息的植被遥感分类方法可有效地提高山地植被分类的精度。

4.2 讨论

本研究尝试将地形约束因子作为专题图层参与影像分割,但分割结果的边界过于依赖于地形约束因子图层的边界,破坏了对象的完整性,后续的研究中将进一步探索地形约束因子能否参与分割和如何参与分割的问题。
由于栎类林中的栓皮栎、锐齿槲栎和桦类林中的牛皮桦、红桦在影像上难以区分,且地面调查数据有限,分类的结果并不理想,在分类精度评价表中可以看到栓皮栎林和锐齿槲栎林的错分情况较多,无法有效地进行识别,如何进一步识别还有待研究。此外,针阔混交林的界定比较模糊,实际上针阔混交林中还分有许多不同的类别,如红桦/华山松混交林、锐齿槲栎/华山松混交林、巴山冷杉/红桦混交林等,如何进行进一步的细分还有待研究。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
梅安新 . 遥感导论[M]. 北京: 高等教育出版社, 2001.

[ Mei A X. An introduction of remote sensing[M]. Beijing: Higher Education Press, 2001. ]

[2]
朱晓勤, 刘康, 李建国 , 等. GIS支持下的秦岭山地植被分布与环境梯度关系研究[J]. 水土保持研究, 2009,16(2):169-175.

[ Zhu X Q, Liu K, Li J G , et al. Analysis on vegetation-environment gradient correlation in Qinling Mountain based on GIS[J]. Research of Soil and Water Conservation, 2009,16(2):169-175. ]

[3]
郭航, 张晓丽 . 基于遥感技术的植被分类研究现状与发展趋势[J]. 世界林业研究, 2007,20(3):14-19.

[ Guo H, Zhang X L . Current status and developing trend in vegetation classification based on RS technology[J]. World Forestry Research, 2007,20(3):14-19. ]

[4]
卢茂芬 . 遥感影像植被分类技术研究[D]. 郑州:解放军信息工程大学, 2012.

[ Lu M F . Research on classification of vegetation from remote sensing imagery[D]. Zhengzhou: PLA Information Engineering University, 2012. ]

[5]
李伟涛 . 高分辨率遥感森林植被分类提取研究[D]. 北京:北京林业大学, 2016.

[ Li W T . Forest vegetation classification using high resolution remote sensing image[D]. Beijing: Beijing Forest University, 2016. ]

[6]
Salas E A L, Boykin K G, Valdez R . Multispectral and texture feature application in image-object analysis of summer vegetation in eastern Tajikistan Pamirs[J]. Remote Sensing, 2016,8(1):78.

[7]
张嵩, 马保东, 陈玉腾 , 等. 融合遥感影像光谱和纹理特征的矿区林地信息变化监测[J]. 地理与地理信息科学, 2017,33(6):48-53.

[ Ma S, Ma B D, Chen Y T , et al. Monitoring on the changes of forestry in mining area based on remote sensing images combing with the spectral and texture features[J]. Geography and Geo-information Science, 2017,33(6):48-53. ]

[8]
张春华, 李修楠, 吴孟泉 , 等. 基于Landsat 8 OLI数据与面向对象分类的昆嵛山地区土地覆盖信息提取[J]. 地理科学, 2018,38(11):1904-1913.

[ Zhang C H, Li X N, Wu M Q , et al. Object-oriented classification of land cover based on Landsat 8 OLI image data in the Kunyu Mountain[J]. Scientia Geographica Sinica, 2018,38(11):1904-1913. ]

[9]
Liu Y N, Gong W S, Hu X Y , et al. Forest type identification with random forest using Sentinel-1A, Sentinel-2A, multi-temporal Landsat-8 and DEM data[J]. Remote Sensing, 2018,10(6):946-971.

[10]
Fu Y Y, Zhao C J, Wang J H , et al. An improved combination of spectral and spatial features for vegetation classification in hyperspectral images[J]. Remote Sensing, 2017,9(3), 261.

[11]
Suchenwirth L FöRster M,Cierjacks A , et al.Knowledge-based classification of remote sensing data for the estimation of below-and above-ground organic carbon stocks in riparian forests[J]. Wetlands Ecology and Management, 2012,20(2):151-163.

DOI

[12]
陈波, 胡玉福, 喻攀 , 等. 基于纹理和地形辅助的山区土地利用信息提取研究[J]. 地理与地理信息科学, 2017,33(1):1-7.

[ Chen B, Hu Y F, Yu P , et al. Research on information extraction of land use in mountainous areas based on texture and terrain[J]. Geography and Geo-Information Science, 2017,33(1):1-7. ]

[13]
赵英时 . 遥感应用分析原理与方法[M]. 北京: 科学出版社, 2013.

[ Zhao Y S. Principles and methods of remote sensing application analysis[M]. Beijing: Science Press, 2013. ]

[14]
齐文娟, 杨晓梅 . 江西省都昌县山地与平原植被界线提取[J]. 地球信息科学学报, 2017,19(4):127-137.

[ Qi W J, Yang X M . Mountain and plain vegetation boundaries extraction in Duchang county province Jiangxi[J]. Journal of Geo-information Science, 2017,19(4):127-137. ]

[15]
何鸿杰, 穆亚超, 魏宝成 , 等. 分层分类和多指标结合的西北农牧交错带植被信息提取[J]. 干旱区地理, 2019,42(2):332-340.

[ He H J, Mu Y C, Wei B C , et al. Vegetation information extraction in farming-pastoral ectones in northwest China using hierarchical classification and multiple indices[J]. Arid Land Geography, 2019,42(2):332-340. ]

[16]
Sun C, Sergio F, Liu Y X . Classification mapping of salt marsh vegetation by flexible monthly NDVI time-series using Landsat imagery[J]. Estuarine, Coastal and Shelf Science, 2018,213:61-80.

[17]
中华人民共和国国家标准. GB/T 21010-2007,土地利用现状分类 [S].北京: 中国标准出版社,2007.

[ National Standards of the People's Republic of China.GB/T 21010-2007,Current Land Use Condition Classification[S]. Beijing: Standards Press of China, 2007.

[18]
陶欢, 李存军, 周静平 , 等. 基于高分1号影像的森林植被信息提取[J]. 自然资源学报, 2018,33(6):1068-1079.

[ Tao H, Li C J, Zhou J P , et al. Extraction of forest vegetation information using GF-1 imagery[J]. Journal of Natural Resources, 2018,33(6):1068-1079. ]

[19]
冀欣阳, 骆磊, 王心源 , 等. 基于“DEM-NDVI-土地覆盖分类”的天山博格达自然遗产地山地垂直带提取与变化分析[J]. 地球信息科学学报, 2018,20(9):1350-1360.

[ Ji X Y, Luo L, Wang X Y , et al. Identification and change analysis of mountain altitudinal zone based on DEM-NDVI-Land cover classification in Tianshan Bogda Natural Heritage site[J]. Journal of Geo-information Science, 2018,20(9):1350-1360. ]

[20]
孙然好, 张百平, 许娟 . 基于多源信息的区域尺度山地植被带数字化提取[J]. 山地学报, 2011,29(5):566-574.

[ Sun R H, Zhang B P, Xu J . Modeling the spatial distribution of altitudinal vegetation belts based on multi-source data[J]. Journal of Mountain Science, 2011,29(5):566-574. ]

[21]
陈煜, 许金石, 张丽霞 , 等. 太白山森林群落和林下草本物种变化的环境解释[J]. 西北植物学报, 2016,36(4):784-795.

[ Chen Y, Xu J S, Zhang L X , et al. Environmental interpretation of variations on forest community and understory herbaceous in Taibai Mountain, Shaanxi, China[J]. Acta Botanica Boreali-Occidentalia Sinica, 2016,36(4):784-795. ]

[22]
吕宁, 吴逊涛, 康冰 , 等. 太白山自然保护区太白红杉天然林群落物种多样性动态监测[J]. 宁夏农林科技, 2017,58(8):19-22.

[ Lv N, Wu X T, Kang B , et al. Monitoring analysis on species diversity of Larix chinensis Beissn natural forest community in Shaanxi Taibai Mountains National Nature Reserve[J]. Ningxia Journal of Agriculture and Forestry Science and Technology, 2017,58(8):19-22. ]

[23]
任学敏, 杨改河, 朱雅 , 等. 环境因子对太白山高山植被物种组成和丰富度的影响[J]. 生态学报, 2014,34(23):6993-7003.

[ Ren X M, Yang G H, Zhu Y , et al. Effect of environmental variables on species composition and richness of alpine vegetation in Taibai Mountain[J]. Acta Ecologica Sinica, 2014,34(23):6993-7003. ]

[24]
张宏, 金学林, 李智军 . 陕西太白山自然保护区卫星遥感影像植被解译[J].陕西林业科技, 2011(2):44-46.

[ Zhang H, Jin X L, Li Z J . Interpretation of vegetation images taken by satellite or though remote in Taibai Nature Reserve of Shaanxi[J]. Shaanxi Forest Science and Technology, 2011(2):44-46. ]

[25]
方正, 高淑贞 . 秦岭太白山南北坡的植被垂直带谱[J].植物生态学报, 1963(z1):164-165.

[ Fang Z, Gao S Z . Vegetation vertical band spectrum of the north and south slopes of Taibai Mountain in Qinling Mountains[J]. Journal of Plant Ecology, 1963(z1):164-165. ]

[26]
陕西师范大学. 西安市地理志[M]. 西安: 陕西人民出版社, 1988.

[ Shaanxi Normal University. Xi'an Geography[M]. Xi’an: Shaanxi People's Publishing House, 1988. ]

[27]
尚升海, 邢海虹 . 秦岭南北坡植被垂直分布的差异比较[J]. 吉林农业, 2016(1):114-115.

[ Shang S H, Xing H H . Comparison of vertical distribution of vegetation in the north and south slopes of Qinling Mountains[J]. Jilin Agriculture, 2016(1):114-115. ]

[28]
傅志军, 郭俊理 . 秦岭太白山植被的群落特征[J].宝鸡师范学院学报:自然科学版, 1992(1):70-75.

[ Fu Z J, Guo J L . The characters of community on the vegetation of the Taibai Mountain in the Qinling[J]. Journal of Baoji Teacher College (Natural Science), 1992(1):70-75. ]

[29]
中国科学院中国植被图编辑委员会. 1:1 000 000中国植被图集[M]. 北京: 科学出版社, 2000.

[ Chinese vegetation map editing committee, Chinese academy of sciences . 1:1 000 000 Vegetation Atlas of China[M]. Beijing: Science Press, 2001. ]

[30]
李海宁 . 太白山北坡植物物种多样性及其垂直分布格局研究[D]. 西安:陕西师范大学, 2007.

[ Li H N . Study on plant species diversity and vertical distribution patterns on the north slope of Taibai Mountain[D]. Xi’an: Shaanxi Normal University, 2007. ]

[31]
姚永慧, 张俊瑶, 索南东主 . 基于垂直带谱的南北过渡带1:5万植被类型图遥感制图研究——以太白山为例[J].地理学报,已接收. DOI: 10.11821/dlxb201909???.

[ Yao Y H, Zhang J Y, Suonan D Z . Mapping of 1:50 000 vegetation types with remote sensing images based on mountain altitudinal belts of Taibai Mountain in the North-South Transitional Zone of China[J]. Journal of Geographical Sciences, has been received. DOI: 10.11821/dlxb201909???.]

[32]
Hötter M, Thoma R . Image segmentation based on object oriented mapping parameter estimation[J]. Signal Processing, 1988,15(3):315-334.

[33]
周成虎, 骆剑承 , 等. 高分辨率卫星遥感影像地学计算[M]. 北京: 科学出版社, 2009.

[ Zhou C H, Luo J C , et al. High-resolution satellite remote sensing image geoscience calculation[M]. Beijing: Science Press, 2009. ]

[34]
陈春雷, 武刚 . 面向对象的遥感影像最优分割尺度评价[J]. 遥感技术与应用, 2011,26(1):96-102.

[ Chen C L, Wu G . Evaluation of optimal segmentation scale with object-oriented method in remote sensing[J]. Remote Sensing Technology and Application, 2011,26(1):96-102.]

[35]
Hofmann P . Detecting buildings and roads from IKONOS data using additional elevation information[J]. GeoBIT/GIS, 2001,6(1):28-33.

[36]
黄慧萍, 吴炳方 . 地物提取的多尺度特征遥感应用分析[J]. 遥感技术与应用, 2003,18(5):8-13.

[ Huang H P, Wu B F . Analysis of the multi-scale characteristics with objects extraction[J]. Remote Sensing Technology and Application, 2003,18(5):8-13. ]

Options
文章导航

/

〈 〉