EN中文

Journal of Geo-information Science >

2020 , Vol. 22 >Issue 12: 2436 - 2444

DOI: https://doi.org/10.12082/dqxxkx.2020.190744

The Spatial Distribution Pattern of Rock in Rocky Desertification Area based on Unmanned Aerial Vehicle Imagery and Object-oriented Classification Method

  • ZHANG Zhihui , 1 ,
  • LIU Wen , 1, 2, * ,
  • LI Xiaohan 1 ,
  • ZHU Jingxuan 1 ,
  • ZHANG Hongtao 1 ,
  • YANG Dong 3 ,
  • XU Chaohao 3 ,
  • XU Xianli 3
Expand
  • 1. College of Resources and Environment Science, Hunan Normal University, Changsha 410081, China
  • 2. Key Laboratory of Geospatial Big Data Mining and Application, Changsha 410081, China
  • 3. Institute of Subtropical Agriculture, Chinese Academy of Sciences, Changsha 410125, China
* LIU Wen, E-mail:

Received date: 2019-12-02

  Request revised date: 2020-03-02

  Online published: 2021-02-25

Supported by

National Key R&D Program of China(2016YFC0502400)

National Key Research and Development Program(41501478)

Copyright

Copyright reserved © 2020
Fold

Abstract

The change of landscape pattern has an important influence on the material and energy flows of ecological environment. Quantifying the landscape pattern of rocky desertification in a karst area is very important for understanding the development of rocky desertification. Rocky desertification is a dynamic land degradation process, which is a comprehensive reflection of vegetation, bedrock, soil cover, and other surface factors. Particularly, exposed bedrock acts as a key indicator of karst rocky desertification. In this study, spatial distribution of rock patches with varied bare-rock ratio (11%, 20%, 29%, and 48%) is characterized using an Unmanned Aerial Vehicle (UAV) image in a rocky desertification area in Guizhou Province. The classification methods for this small-scale UAV image include unsupervised classification, supervised classification, and object-oriented classification. The existing supervised and unsupervised classification methods based on pixels cannot meet the requirements of accurate extraction of rocky desertification information in karst rocky desertification area with complex geological environment. So an optimal classification method is selected to classify the UAV image of rocky desertification in our study. Our results show that the object-oriented classification method has higher accuracy than the others, which reduces the “salt-and-pepper phenomenon” caused by complicated topography. Based on object-oriented classification, the UAV image is interpreted first, and the distribution characteristics of rock patches with different bare-rock rates (i.e., 11%, 20%, 29% and 48%) are quantified by combining various indices in landscape ecology including landscape patch index, landscape shape index, and landscape fragmentation index. Generally, the average patch area of rock is negatively correlated with bare-rock rate. With the increase of bare-rock rate in different rocky desertification areas, the number of rock patches gradually increase with increasing rock shape index and rock fragmentation index, which indicates the increase of rocky desertification. The exposed bare rocks in this karst area show different distribution patterns and characteristics under different rocky desertification rates. The higher the rate of bare rock is, the higher the degree of rock fragmentation is, with a relatively scattering distribution of rock patches. Analyzing the rock distribution for a rocky desertification area can provide support for the evaluation and management of rocky desertification areas. Since the changes of small-scale, small-patch landscape pattern in rocky desertification areas can affect the ecological processes, our small-scale study also provides better understanding of future processes of rocky desertification and the development of rocky desertification at regional scale.

Key words： rocky desertification; landscape pattern; patch size; distribution pattern; object-oriented classification; UAV; classification; bare rates; karst area

Cite this article

ZHANG Zhihui , LIU Wen , LI Xiaohan , ZHU Jingxuan , ZHANG Hongtao , YANG Dong , XU Chaohao , XU Xianli . The Spatial Distribution Pattern of Rock in Rocky Desertification Area based on Unmanned Aerial Vehicle Imagery and Object-oriented Classification Method[J]. Journal of Geo-information Science, 2020 , 22(12) : 2436 -2444 . DOI: 10.12082/dqxxkx.2020.190744

1 引言

我国是世界上喀斯特地貌面积分布最大的国家,喀斯特地貌大部分分布于我国的西南地区。由于地形起伏大,土壤持水能力较低,导致土地生产力低,植被类型主要以石生旱生为主,植被分布片段化严重,加上人类的不合理地开采和土地利用,进一步导致地表的植被覆盖率下降,水土流失和土壤侵蚀严重,基岩大面积裸露[1],形成严重的石漠化现象,制约喀斯特地区社会经济可持续发展。因此,开展石漠化程度的评估成为重要的研究课题,也是科学治理石漠化的重要前提。基岩裸露率是石漠化分级的主要指标,因此,亟需发展提出科学有效的基岩裸露率空间格局信息提取技术。
景观空间格局是大小不一的景观斑块在空间上的排列方式,它是各种生态过程在不同尺度上的作用结果,也是景观格局在景观异质性上的表现[2]。尺度是研究某一物体或者现象所涉及的范围和发生的频率,在景观格局研究中大部分研究主要是以卫星遥感影像为数据源,大尺度的遥感监测范围广,覆盖的景观类型多,分类结果不精细,因此需要同小尺度的研究结合,同时对精细尺度上的空间异质性格局以及对大尺度的景观现状评价和监测是十分必要的[3]。Tetsuo等[4]基于无人机高光谱成像,测量不同地物光谱反射率,使用支持向量机方法提取植被覆盖信息。王梦娟[5]使用无人机拍摄石漠化地区获取精细的地物细节,使用深度学习和面向对象方法提取石漠化地区裸岩。由此可见,无人机作为一种新型的低空遥感平台,能够在低空快速获取分辨率很高的无人机遥感数据,而且低空的监测能够避免云雾对传统的遥感影像影响,克服了遥感影像时效性不足、天气状况受限的特点,能够及时、快速、灵活获取所需数据。
遥感影像解译是研究景观格局分布的重要前提。现有的主要解译方式分为传统的遥感影像分类和面向对象分类。传统的遥感影像分类如基于像元的非监督分类方法中的ISODATA方法和监督分类方法中的最大似然法,是以相同的像元具有相似的光谱特征,不同的像元具有不同的光谱特征为原理,对不同地物进行分析。大多数的传统分类算法都是基于像元本身的DN值或在其值附近设置一个范围进行分类,而遥感影像中同一地物有时会出现不同的颜色而导致基于像元的传统分类方法结果出现偏差。另外,高分辨率的无人机影像包含丰富的地物类型信息,在监督分类中仅使用光谱信息不能利用空间的纹理信息而且会产生“椒盐噪声”[6]。面向对象的分类方法,是以影像中的对象为最小分类单元,利用影像中不同地物的特征,在较高的层次上对遥感影像进行分类[7]。相对与传统的监督和非监督分类方法相比,这种方法能够将同一类地物出现较多的纯像素区分开来,克服了同一地物不同像素产生的椒盐现象。而且面向对象分类方法是将不同的地物类型根据不同的尺度进行分类,在区分小尺度范围较为精细的地物方面具有更好的优势,能将每个对象很好的区分开来,克服同物异谱现象。面向对象分类方法不仅可以运用地物的光谱信息统计特征,还可以使用地物间的纹理、形状、几何、大小等丰富的空间信息等,进而能产生较高的精度。无人机影像空间分辨率高、地物特征精细的特质、通过对设定的不同阈值进行分割,可以得到最优分类结果。
以往对石漠化遥感评估的研究多以卫星遥感数据为数据源,从石漠化强度等级的角度对普定地区的石漠化景观进行空间格局分析,如张盼盼等[8]对普定小流域使用卫星遥感影像数据源对不同等级石漠化斑块的变化进行分析;李阳兵[9]选用不同的遥感数据对普定县不同等级石漠化的分布,根据地形、地貌相关因素对石漠化的演变过程进行分析。但使用分辨率相对低的遥感影像数据不能精确的提取岩石信息,对于石漠化地区小尺度范围石漠化等级分布情况也缺少真实的精度评价。因此,喀斯特地区的岩石信息提取不但是划分不同石漠化等级地区的重要因素,而且对于石漠化治理具有指导作用。本文缩小研究范围以无人机的航拍影像为数据源,运用专业的无人机数据拼接软件进行处理,使用不同的影像分类方法对比获取精度最高的分类结果。对石漠化地区的影像进行计算统计分析,展现不同裸岩率程度下岩石的景观格局分布及破碎程度,为石漠化的科学防治提供科学支撑。

2 研究区概况、数据来源与处理

2.1 研究区概况

研究区位于贵州省安顺市普定县附近,普定全县喀斯特地貌占有84.6%,是典型的喀斯特分布地区。普定地区的植被类型多样,以常绿阔叶林和落叶阔叶林为主。气候类型为亚热带湿润季风气候,年均气温在15.1 ℃,气候温和,春天较长,夏天较短,多年平均降水量在1378 mm左右,是贵州降水最多的3个地区之一。地形以典型的高原山地为主,海拔介于1022~1808 m之间。岩石主要是以石灰岩及白云岩、泥质岩、碳酸岩为主,地表岩溶分布较广,洼地、漏斗和溶洞地貌分布广泛。由于地表峰丛洼地、峰林、谷地、盆地相间分布,造成地表崎岖不平,因而石漠化问题在普定县分布较广。而且当地不合理开垦耕地导致部分基岩裸露,因此植被减少和裸岩破碎等问题突出,出现不同程度的石漠化现象。本文依据野外实地调查结果选取了不同裸岩率（11%,20%,29%和48%）条件下的石漠化地区,如图1所示。
图1 4个研究区在普定县的地理位置

Fig. 1 Location of four study areas in Puding county

2.2 数据预处理

数据来源于2019年6月所拍摄的无人机遥感影像数据。无人机（UAV）使用的是大疆精灵3系列,影像拍摄于时正值植被发育茂盛,植被覆盖度较高的时期,拍摄高度为200 m,分辨率约在0.1 m,飞行顺序水平从前往后飞行,依次来回飞行并且使得范围保持在两列的重叠度在60%以上,而且飞行速度均匀向前,一次拍摄影像大概有70张。拍摄过程天气晴朗、气候温和,因此影像能够很好地反映地表的真实地貌形态。无人机具有能够记录飞机拍摄时的经纬度、相对海拔和俯仰角等,这些都是可以用来后续的拼接。
将拍摄好的照片在Agisoft PhotoScan软件中进行快速拼接并生成数字高程模型,将不同的连续影像通过纹理生成密集点云拼接成无缝的整幅影像,并在此基础上生成基于纹理的高分辨率实景影像。设置投影坐标为WGS84/UTM zone 49N,经过初始化对齐照片、建立密集点云、生成网格和生成纹理等步骤合成一个研究区的影像。最后导出为可以在GIS软件中使用的栅格数据格式,方便后续的计算与处理。无人机影像含有红、绿、蓝3个波段。由于影像具有较高的分辨率,因而影像包含几百万个像元。图2是无人机拍摄的其中一景影像。
图2 未处理前的研究区无人机影像

Fig. 2 Unprocessed UAV images of study area

2.3 分类方法

2.3.1 传统影像分类
采用传统的非监督分类和监督分类方法对小尺度范围的研究区进行分类,并比较其中分类结果的优劣,选出适合无人机影像分类的方法,以便进行后续的统计分析和结果处理。基于象元的分类方法,如对非监督分类中的ISODATA方法和监督分类中的最大似然法进行分类。ISODATA方法是自组织迭代法,它是使用集群的方法,每个中心是一个类别,将具有相似的类别的像素归于各个聚类中心相似的范围,形成一类,然后根据聚类的准则判断初始分类是否合理,不合理则再次修改,这样反复的进行迭代直至结果达到一定阈值即可[8]。这种方法产生许多椒盐现象,道路由于光谱特征与岩石接近造成道路被错分成岩石,而且无人机影像拍摄时地物阴影较难消除,造成阴影被与分成一类。
最大似然法要确定各类的训练样本,本研究选择4类训练样本,分别是植被、岩石、道路和裸地四类,根据训练样本计算各类的统计特征值从而建立判别函数,最后根据像元的所属各类的概率,将像元归为概率最大的一类[9]。无人机影像中空间分辨率比较高,而且波段较少,而导致同类光谱变化大,阴影程度较大,基于规则的分类会造成地物不能被正确的划分为某类。分类后发现图像中的出现较多的小的斑块,需要进行后续合并进行聚类处理将类似区域聚类并合并,这样会造成不同地物类别合并,导致分类结果的降低。
2.3.2 面向对象分类
面向对象分类是根据不同的地物图像特征将相似的临近像元分割成同质区域,然后根据分类的要求,提取和检测目标地物的各种形状、纹理、大小、光谱、结构等特征还包括拓扑特征,然后在遥感图像进行分类的时一幅影像可以分成多个影像对象,通过选择对应尺度上的特征参数对影像对象进行特征描述,最后通过构建语义结构得到分类的结果[10]。高分辨率无人机遥感的影像中由于光谱分辨率不高,仅仅依靠光谱信息不足以区分地物,甚至会造成相同光谱特性的不同地物错分为同一类,因此使用纹理信息能够精确的区分岩石与岩石阴影造成的差异。通过辅以纹理信息对图像进行分类,纹理反映的是图像内部灰度级变化的特征,对图像灰度的性质及空间关系的描述[11]。利用灰度共生矩阵对无人机影像进行纹理分析,经过对比各种纹理统计特征属性,选择其中最优的属性进行分割,无人机遥感影像中的均值这一属性生成的纹理能极大的突出岩石这一地物信息。
影像分割尺度的选取决定了分割后图像的质量,理想的分割结果是分割的对象内部是同一对象而不是混合的对象类别,并且分割的对象与邻接对象具有高度的可分性和异质性[12]。使用无人机影像纹理特征图像叠加无人机的可见光波段进行分割。一般特征较为复杂的类别使用用小尺度分割提取,而面积较大纹理特征明显的使用大尺度分割。因此合理选择分割尺度、形状权重、光谱权重对于影像分割结果的准确性十分必要。对分割尺度参数设置在50~150,同时形状因子和紧致度因子不变的情况下,设置3个分割阈值进行对比。图3是分割形状因子和紧致度因子均为0.5的条件下分割尺度分别为50、100、150条件下的分割效果。图3结果表明分割尺度为100时,岩石能够清晰地与其他地物分开,表明此时分割的效果最好。
图3 固定形状因子和紧致度因子下不同尺度参数的分割效果

Fig. 3 The segmentation effect of different scale parameter with fixed shape and compact factor

影像分割之后,再基于各个类别的训练样本以及原始的组合特征,找到类别间最大的特征集,然后进行特征集的构建,最后运用分类算法对图像进行分类。本文综合选取隶属度分类和最邻近分类器算法对景观信息进行提取。
隶属度分类：由于不同地物特征不同,先将特征明显的地物提取出来。无人机影像虽然只有红绿蓝3种波段,但是对比卫星遥感影像,图像的光谱、形状、纹理更加清晰,图像的观察范围更精准。根据影像中道路一般是长条状的特征,因此选取形状特征参数长宽比,将隶属度值大于4的范围分成道路。这样先将植被提取出来,避免了道路对其他类别的干扰。选择波段的3个均值、标准差、亮度值对植被进行分类,由于植被的亮度值比较大,所以将亮度值大于100归为植被。结合无人机特有的植被指数-可见光波段差异植被指数（VDVI）（式（1））提取植被信息[13]。由于岩石在蓝光波段的均值比较高,将蓝光波段均值大于130的值分为岩石。
最邻近分类器分类：最邻近分类器需要选用一定的样本,通过样本特征计算得出最小距离、均值距离、方差等判定是否与样本对象一个类别。在本研究中裸土光谱值较植被很难区分,而且光照产生的阴影易于裸土混合。通过不断的选择样本实验,将未分类和错分的对象设为样本,最终达到最优的分类效果。最后根据选择的光谱特征、形状特征和结合植被指数用最邻近分类器对无人机影像进行分类。
VDVI = 2 × ρ green - ρ red - ρ blue 2 × ρ green + ρ red + ρ blue
式中： ρ green 、 ρ red 、 ρ blue 分别为红、绿、蓝3个波段对应的反射率。

2.4 景观格局指数

本研究使用不同的景观格局指数对岩石斑块分布进行描述,如景观个数（NP）、平均斑块面积（MPS）、斑块面积标准差（PSSD）、斑块面积偏态系数（Cs）、斑块面积变异系数（Cv）、斑块面积加权平均形状因子（AWMSI）、斑块黏合度（CONTIG）、平均斑块形状指数（MSI）、平均斑块边界长度（MPE）、平均斑块分维数（MPFD）、面积加权的平均斑块分形指标（AWMPFD）、总体斑块边界密度（TED）、蔓延度指数（CONTAG）、斑块破碎化指数（F）。斑块要素规模包括斑块个数、斑块平均面积和斑块面积标准差。斑块形状指数包括MSI、AWMSI、AWMPFD、Cs、Cv、CONTIG、MSI和MPFD。景观破碎化程度包括TED、F和CONTAG。各指数计算公式、生态学指示意义见文献[14]。

3 结果与分析

3.1 分类结果对比

分类后得到3个不同的分类结果,将3个不同分类方法进行精度检验,为了保证验证的随机性,利用渔网布点在每个研究区布置100个样点,通过精度验证方法对比3种分类的结果表明,面向对象分类结果精度最高,最能代表研究区地类的分布。在无人机影像中,图像的空间分辨率大,地物的特征明显,使用传统的方法的分类方法不能够将影像分的更细致,使用非监督分类导致影像中的聚类集群较多,造成椒盐现象产生,岩石的碎片化比较多,由于道路的光谱大小和岩石近似,因此道路分成岩石的比较多。监督分类中有的裸地斑块被错误的分成岩石,有的植被因为枯萎像元大小和裸地相似而被分成裸地,造成分类的精度降低。分类结果表明（图4）采用面向对象分类方法能够将岩石精确的与裸土植被区分开来。
图4 对比3种方法对研究区d分类影像

Fig. 4 Three methods were compared to classify image of d in the area

通过制图精度（PA）、用户精度（UA）、总体精度（OA）和Kappa（K）系数等评价指标对信息提取的精度进行评价。最后的分类结果如表1。通过对比可以看出ISODATA方法中的裸地分类精度最小,在无人机影像中裸地难以区分,整体分类精度比较低,而最大似然法和面向对象法的精度都比较高,而Kappa系数中最大似然法和面向对象法相近,面向对象法达到0.98,因此结果表明面向对象分类结果更佳。
表1 3种不同分类方法计算精度评价结果对比

Tab. 1 Summary of accuracy evaluation results of three different classification methods

ISODATA方法 最大似然法 面向对象法/%
PA UA OA K PA UA OA K PA UA OA K
植被 64.29 99.22 62.64 0.27 99.06 100 97.93 0.92 97.30 100 98.81 0.98
岩石 88.79 16.79 94.35 80.42 99.33 98.03
裸地 6.51 0.61 93.04 59.51 99.71 99.16
建筑 43.78 62.29 89.79 97.64 99.16 100

注：PA表示制图精度;UA表示用户精度;OA表示总体精度;K表示Kappa系数。

通过在4个石漠化不同地点进行无人机拍摄,通过预处理,拼接、裁剪获取遥感影像,然后使用面向对象分类方法对影像进行分类,提取岩石。最后获得分类图像,通过在ArcGIS软件里进行分析,获得不同的程度轻度、中度、重度的条件下小尺度岩石分布和格局。表2为研究区裸岩率计算结果。图5为面向对象分类后的分类图像。
表2 4个研究区图不同裸岩率统计数值

Tab. 2 Four graph statistics of different bare rock rate in research areas

研究区a 研究区b 研究区c 研究区d
岩石面积/m2 1367.97 648.21 2616.41 4173.14
总面积/m2 12 394.48 3260.91 10 785.20 8724.89
裸岩率/% 11 20 29 48
图5 4个不同裸岩率面向对象分类结果

Fig. 5 Object-oriented classification results of four different bare rock ratios

3.2 景观斑块分布特征

岩石的空间分布对喀斯特地区石漠化情况具有生态影响,是维持生态功能和防止发生生态系统灾难性变化的关键。岩石空间分布的异质性代表着种群及群落斑块状的大小,岩石斑块的组成、性状和格局在一定程度上反映了喀斯特石漠化地区群落的发展趋势[15]。
在岩石景观格局中,斑块数量、大小、形状和空间组合是各种干扰的相互作用结果,还影响着小区域的生态过程[16]。景观格局的分析指数有很多,包括多样性指数、斑块形状类指数和破碎化指数。斑块数量大小是景观斑块的优势程度的重要指标,斑块形状也是描述景观斑块特征的重要因子,对于某一景观要素的一个斑块其特征主要是斑块的大小和形状[17],它对生物的扩散、物质和能量的迁移具有重要的影响。景观破碎化则是描述景观格局的另一个重要参数,是由于自然或人为因素的干扰所导致的景观变化由简单趋向于复杂的过程[18]。通过对四个研究区景观类型的斑块水平景观格局指数（表3）进行分析可知,不同研究区景观类型在斑块类型水平尺度下,均有较大不同。岩石景观斑块随着裸岩率的增加,平均斑块面积逐渐减小,反映在斑块等级上破碎度逐渐增大,石漠化程度高,即裸岩率高的地区斑块个数较多,碎片化严重。斑块平均面积在裸岩率29%时最大,在裸岩率48%时最小。斑块面积标准差反映是斑块之间的差异程度,在裸岩率为29%的时候斑块之间的差异大,随着裸岩率的增加逐渐降低,在裸岩率50%的时候斑块之间的差异较其裸岩率低的又小。
表3 景观类型指数斑块统计值

Tab. 3 statistics results of landscape metrics on landscape elements

类型 裸岩率11% 裸岩率20% 裸岩率29% 裸岩率48%
NP/个 256 324 867 1401
MPS/m2 2.08 2.84 3.02 1.26
PSSD 2.87 4.53 4.54 2.54
AWMSI 4.66 4.57 3.32 4.98
AWMPFD 1.98 1.94 2.00 1.83
Cs 4.10 3.83 3.88 6.95
Cv 1.37 1.60 1.47 2.45
CONTIG 0.17 0.29 0.38 0.28
MSI 3.40 3.30 2.46 3.57
MPE 30.14 39.54 25.03 13.30
MPFD 1.79 1.86 1.60 1.31
TED 5.66 4.99 9.55 10.54
CONTAG 69.54 60.01 51.86 27.55
F 0.000 001 0.000 61 0.000 81 0.000 90
斑块形状指数包括AWMSI、AWMPFD、Cs、Cv、CONTI、MSI和MPFD。① AWMSI反映的是景观复杂性的指标之一,用来分析自然景观的形状,在自然生态系统反映了斑块的边缘效应,表现为斑块的边缘长度增加,研究区的环境变化更为复杂。研究区d值最大,研究区c值最小,由于研究区d位于人类活动复杂区,地形变化较c区高,说明d区岩石稳定性低于c区的岩石稳定性。② AWMPFD是景观格局总体特征的重要指标[19],反映了受人为的干扰程度,受人类活动越大,分形维数指标越低,则人类活动影响的越大。4个研究区的分形维数值相差不大而且AWMPFD的范围在1~2之间,研究区靠近居民地所以受到人为因素影响因而分形维数值较低。③ Cs为景观要素的斑块面积的偏态系数。其中,Cs>0表示右偏（即正偏）,Cs<0表示左偏（即负偏）,Cs=0表示要素分布对称[20]。4个研究区的分布值都大于0,且随着裸岩率增加而升高,说明在裸岩率越高的情况下,岩石斑块值偏离平均值越多斑块个数较大的越多。④ Cv值在裸岩率为48%时最大,说明此地区的斑块较大的个数分布相对于其他研究区多。⑤ CONTIG在裸岩率29%的地区最大,说明研究区内的斑块空间分布相对于其他地区较集中。不同的裸岩率条件下,随着裸岩率的增加,岩石的平均斑块形状指数相差不大,说明岩石之间形状变化差异不大。⑥ MSI代表着斑块形状的复杂程度,研究区d的值最大,表明研究区d的岩石大小和形状分布最不均。⑦ MPFD反映了实际的形状对于标准形状（圆或方）的偏离程度[21]。在 4个研究区中,在喀斯特石漠化影响下,在裸岩率20%的情况下达到1.86,由于研究区b靠近公路,受人为干扰大,因此岩石斑块形状最复杂。
TED、F和CONTAG 3个指数定量描述4个研究区的破碎化程度,景观破碎化主要表现为斑块数量增加而斑块面积缩小,斑块形状趋于不规则,内部生境面积缩小,廊道被截断以及斑块彼此隔离[22]。斑块边界密度在裸岩率最高时为5.54,因为研究区d的岩石小斑块个数多故造成破碎严重。景观蔓延度指数描述景观斑块不同的团聚程度,值越小,景观的破碎化程度较高。研究区a斑块蔓延度指数最小,研究区a岩石斑块分布多在南部,较其他研究区团聚程度高。岩石平均斑块破碎化指数随着斑块数的增加而增大,即斑块数的增加对景观斑块数破碎化程度有影响。在裸岩率最高的d区岩石斑块个数越多,因而破碎程度越大。所以研究区d破碎化程度较为明显,据实地验证研究区d裸土相对较多,地势不平稳,岩石分布不均匀。

4 结论

本文使用无人机快速获取高分辨率的遥感影像,通过ArcGIS空间分析功能和ENVI、eCognition软件图像处理功能,采用不同的分类方法分析贵州省喀斯特地区中的4个石漠化不同程度的研究区的景观类型分布。研究表明：
（1）通过使用非监督分类、监督分类、面向对象分类3种分类方法对岩石斑块进行提取,结果表明面向对象方法精度最高,总体分类精度达到98.81%,Kappa系数达到98%。因此面向对象分类更适合石漠化地区高分辨率无人机影像的地物分类和快速提取。
（2）使用景观指数对不同石漠化程度即裸岩率不同的研究区进行分析,岩石斑块的格局分布为石漠化地区小尺度景观格局变化提供了数据参考。分析结果表明在不同情况下岩石的格局指数计算结果不同,表现在石漠化过程中斑块面积的大小、斑块密度、斑块形状的大小不相同;不同的石漠化条件下,植被覆盖度的增加,岩石的裸露程度降低,岩石分布逐渐变得不规则和分散;由于喀斯特地区裸岩出露表现在不同石漠化条件即裸岩率不同的地区表现不同的分布形态和斑块特征,裸岩率越高,岩石越破碎,表现在遥感影像上岩石斑块分布越分散,因而石漠化地区岩石格局分析能够为石漠化地区评估治理提供服务。
虽然本研究是使用景观格局指数对喀斯特地区岩石进行分析了其空间分布,但岩石的空间分布、群落结构是受群落空间布局和物种多样性、群落的空间分布格局的变化以及多因素叠加的复杂过程。所以单纯的空间分布信息并不能代表实际的分布变化,还需要研究更深的模型模拟其中的因素。石漠化影响着人们的生活和经济发展,因而对于石漠化地区的岩石斑块景观格局进行分析,了解小尺度下的景观的破碎程度,为石漠化地区景观生态的保护提供数据支撑,对于维持整个生态系统的稳定有一定意义。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
王世杰, 李阳兵. 喀斯特石漠化研究存在的问题与发展趋势[J]. 地球科学进展, 2007,22(6):573-582.

[ Wang S J, Li Y B. Problem and development trends about researches on karst rocky desertification[J]. Advances in Earth Science, 2007,22(6):573-582. ]

[2]
Víctor Arroyo-Rodríguez and Tarin Toledo-Aceves. Impact of landscape spatial pattern on liana communities in tropical rainforests at Los Tuxtlas, Mexico[J]. Applied Vegetation Science, 2009,12(3):340-349.

[3]
顾磊, 江晓霞, 陈智华. 生态学空间异质性研究进展[J]. 西南民族大学学报(自然科学版), 2005(s1):6-10.

[ Gu L, Jiang X X, Chen Z H. The advance on research of spatial heterogeneity[J]. Journal of Southwest University for Nationalities (Natural Science Edition), 2005(s1):6-10. ]

[4]
Tetsuro Ishida, Junichi Kurihara, Fra Angelico Viray, et al. A novel approach for vegetation classification using UAV-based hyperspectral imaging[J]. Computers & Electronics in Agriculture, 2018,144:80-85.

[5]
王梦娟. 基于多源遥感数据的岩溶石漠化信息提取研究[D]. 兰州:兰州理工大学, 2019.

[ Wang M J. Research on information extraction of karst rocky desertification based on multi-source remote sensing data[D]. Lanzhou: Lanzhou University of Technology, 2019. ]

[6]
刘凯, 龚辉, 曹晶晶, 等. 基于多类型无人机数据的红树林遥感分类对比[J]. 热带地理, 2019,39(4):492-501.

[ Liu K, Gong H, Cao J J, Zhu Y H. Comparison of mangrove remote sensing classification based on Multi-type UAV Data[J]. Tropical Geography, 2019,39(4):492-501. ]

[7]
黄超, 吴琳娜, 宋具兰, 等. 遥感图像监督分类与面向对象分类法对比研究[J]. 农村经济与科技, 2016(23):66-68.

[ Huang C, Wu L N, Song J L. A comparative study of supervised classification and object-oriented classification of remote sensing images[J]. Rural Economy and Science-Technology, 2016(23):66-68. ]

[8]
Khatami R, Mountrakis G, Stehman S V. A meta-analysis of remote sensing research on supervised pixel-based land-cover image classification processes: General guidelines for practitioners and future research[J]. Remote Sensing of Environment, 2016,177:89-100.

[9]
余晓敏, 湛飞并, 廖明生, 等. 利用改进SEaTH算法的面向对象分类特征选择方法[J]. 武汉大学学报·信息科学版, 2012,37(8):921-924.

[ Yu X M, Shen F B, Lian M S, et al. Object-oriented classification feature selection method based on improved SEATH algorithm[J]. Geomatics and Information Science of Wuhan University, 2012,37(8):921-924. ]

[10]
Yanan Z, Yuehong C, Li F, et al. Supervised and adaptive feature weighting for object-based classification on satellite images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018: 1-11.

[11]
孙小芳, 卢健, 孙小丹. 城市地区高分辨率遥感影像绿地提取研究[J]. 遥感技术与应用, 2006(2):159-162.

[ Sun X F, Lu J, Sun X D. Extraction method of urban green space from high resolution remote sensing image of urban area[J]. Remote Sensing Technology and Application, 2006(2):159-162. ]

[12]
毛学刚, 姚瑶, 陈树新, 等. 基于易康软件的QuickBird遥感影像林分类型识别——以福建省将乐林场为例[J]. 南京林业大学学报(自然科学版), 2019,43(1):127-134.

[ Mao X G, Yao Y, Liu J Q, et al. Forest stand identification based on eCognition software using QuickBird remote sensing image: A case of Jiangle Forest Farm in Fujian Province[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2019,43(1):127-134. ]

[13]
闫丽. 奈曼旗沙质草地岩石—裸沙动态特征研究[D]. 呼和浩特:内蒙古师范大学, 2010.

[ Yan L. The study of vegetation-sand dynamics in semi-arid sandy grasslands in Naiman country[D]. Hohhot: Inner Mongolia Normal University, 2010. ]

[14]
Mandelbrot B B. The fractal geometry of nature. Freeman, San Francisco, 1982.

[15]
Hastings M H, George S. Fractals: A user's guide for the natural sciences[D]. Oxford: Oxford University Press, 1993.

[16]
傅伯杰, 陈利顶. 景观生态学原理及应用[M]. 北京: 科学出版社, 2001: 45-48.

[ Fu B J, Chen L D. Principle and Application of Landscape Ecology[M]. Beijing: Science Press, 2001: 45-48. ]

[17]
方晰, 唐代生, 杨乐, 等. 湖南省林科院试验林场森林植被景观格局及破碎化分析[J]. 中南林业科技大学学报, 2008(4):107-112.

[ Fang X, Tang D S, Yang L, et al. Landscape pattern of the experimental forest farm run by hunanforestry academy and its fragmentation analysis[J]. Journal of Central South University of Forestry & Technology, 2008(4):107-112. ]

[18]
Mandelbrot B B. The fractal geometry of nature[C]. Freeman, San Francisco, 1982.

[19]
李哈滨, 伍业钢. 景观生态学的定量方法[C]. 北京: 中国科技出版社, 1992: 209-233.

[ Li H B, Wu Y G. Quantitative method of landscape ecology[C]. Beijing: China Science and Technology Press, 1992: 209-233. ]

[20]
李斌, 张金屯. 黄土高原草原景观斑块形状的指数和分形分析[J]. 草地学报, 2010,18(2):141-147.

[ Li B, Zhang J T. Patch shape indices and scale fractal analysis of steppe landscape in the Loess Plateau[J]. Acta Agrestia Sinica, 2010,18(2):141-147. ]

[21]
贾宝全, 王国柱, 慈龙骏. 景观格局分布特征的区域差异分析——以鄂尔多斯高原伊金霍洛旗为例[J]. 干旱区研究, 2003,20(3):168-174.

[ Ji B Q, Wang G Z, Ci L J. Analysis on the regional difference of the distribution characteristics of landscape patterns: A case study in Yijinhollo Banner on the Erdos Plateau[J]. Arid Zone Research, 2003,20(3):168-174. ]

[22]
牟晓明, 于应文, 王先之. 青藏高原火绒草斑块群落空间格局分析[J]. 生态学报, 2015,35(16):5306-5315.

[ Mou X M, Yu Y W, Wang X Z. Analysis of community spatial patterns of Leontopodium nanum patches in Qinghai-Tibetan Plateau[J]. Acta Ecologica Sinica, 2015,35(16):5306-5315. ]

Options
Outlines

/

〈 〉