面向对象方法的时间序列MODIS数据湿地信息提取——以洞庭湖流域为例
张猛, 曾永年, 朱永森
摘要: 以洞庭湖流域为研究区,对大范围湿地信息遥感提取方法进行了研究。先基于时间序列MODIS EVI及物候特征参数,通过J-M(Jeffries-Matusita distance)距离分析,构建了MODIS(250 m)最佳时序组合分类数据;其次,通过Johnson指数确定了最佳分割尺度,采用面向对象的遥感分类方法(Random tree分类器)提取了洞庭湖流域的湿地信息,并验证该方法的适用性。研究结果表明,基于时序数据与面向对象的Random tree分类的总体精度和Kappa系数分别为78.84%和0.71,较之基于像元的相同算法的总体分类精度和Kappa系数分别提高了5.79%和0.04。同时,基于面向对象方法的湿地整体的用户精度与生产者精度较基于像元方法分别提高了4.56%和6.21%,可有效提高大区域湿地信息提取的精度。
关键词: 时间序列     MODIS     面向对象分类     Random tree     湿地     洞庭湖流域    
DOI: 10.11834/jrs.20176129    
收稿日期: 2016-05-12
中图分类号: TP751    文献标识码: A    
作者简介: 张猛(1987— ),男,博士研究生,研究方向为环境遥感。E-mail: 251zhangmeng@sina.com
基金项目: 国家自然科学基金(编号:41171326,40771198);中南大学中央高校基本科研业务费专项资金(编号:2016zzts087)
Wetland mapping of Donting Lake Basin based on time-series MODIS data and object-oriented method
ZHANG Meng, ZENG Yongnian, ZHU Yongsen
1. School of Geosciences and Info-physic, Central South University, Changsha 410083, China
2. Center for Geomatics and Regional Sustainable Development Research, Central South University, Changsha 410083, China
Abstract: The mapping of large-scale wetlands involves time-series coarse spatial resolution remote sensing data and pixel-based methods, such as the decision tree and threshold techniques. However, few studies use low spatial-resolution images(such as moderate-resolution imaging spectroradiometer (MODIS)) and object-oriented methods to extract information from large-area wetlands. Although spatial resolution has some disadvantages, the coarse spatial resolution image has high time resolution, considerable spectral information, and low cost. Therefore, the high temporal characteristics of coarse image and object-oriented method can be used to extract wetland information over a large area, such as basins and continents. In this study, the object-oriented method and time-series MODIS Enhanced Vegetation Index (EVI) data are utilized to map the wetland of the Dongting Lake Basin. The time-series MODIS EVI images are smoothed using the double logistic function fitting method of TIMESAT software package, which is based on MATLAB. Meanwhile, the phenology indices are calculated from the time-series MODIS EVI data. Subsequently, the best combination of images and optimal segmentation scale are determined with the JBh distance and Johnson index. Wetland mapping is then verified using a random tree classifier based on the segmented images. In addition, validation data are derived from the visual interpretation of Landsat 8 images, Google Earth, and land-use data. To verify the classification effect of the object-oriented classification method on coarse spatial resolution images, the pixel-based method is also utilized to classify the best combination of images and is then compared with the upper method. The phenology of various ground cover types is obviously different, which indicates that they can be used to distinguish different land types, especially vegetation types. Given the image combination of the critical periods (DOY113, DOY145, DOY173, DOY193, DOY241, and DOY289) of vegetation growth and phenology (start of season and length of season), we can determine theJBh(9.143) and JM distances to meet research needs. An optimal segmentation scale parameter (15 pixels of MODIS) is obtained using the Johnson index. Based on object-oriented classification method, the overall accuracy and Kappa coefficient of the random tree classifier are 78.84% and 0.71 respectively. Compared with the object-oriented method, a pixel-based classification method with random tree classifier achieves a lower overall accuracy and Kappa coefficient of 73.05% and 0.67, respectively. In traditional pixel-based analysis, the surrounding pixels contribute a substantial proportion of signals. The object-oriented method analysis utilizes objects instead of pixels, which effectively reduces signals from surrounding pixels by integrating neighborhood information. The object-oriented classification method also reduces the " saltand pepper” effect of mapping heterogeneous landscapes and enhances the accuracy of the analysis. However, large pixels of water still exist, thus causing existing mutual fault points (368 and 228). A total of 237 and 316 pixels of sedge and reed are classified to water and 113 and 128 pixels are classified to mudflat. However, 683 and 502 pixels of paddy are misclassified into dry land and forest. We also obtained higher user accuracy for the whole wetland through the object-oriented classification technique than pixel-based classification method. Both the user and producer accuracies improved to approximately 4.56% and 6.21%, respectively. The user and producer accuracy of wetland categories were approximately 74.75%—88.03% and 78.68%—84.36%, respectively, based on the object-oriented method, which considerably increased compared with pixel-based method except for the user accuracy of the sedge wetland. On the one hand, this finding can be attributed to strong heterogeneity and mixed pixels. On the other hand, the influence of human activity, disturbance, crop prices, and national policy caused an increasingly broken patch of sedge field, thus causing misclassification. The combination of time-series MODIS EVI data and object-oriented method effectively extract wetland information on a watershed scale. It provides a new method and technique for wetland mapping on a large scale, even in a continental range.
Key Words: time series data    MODIS EVI data    object-oriented method    Random tree    wetland    Dongting Lake Basin    
1、 引 言

湿地是人类最重要的生存环境之一,被誉为“地球之肾”(牟晓杰 等,2015吕铭志 等,2013Reschke 等,2014Corcoran 等,2013)。近百年来,由于人为活动以及伴随的全球气候变化,导致全球湿地生态系统直接或间接被破坏和退化。(周葆华 等,2014李向应 等,2011Klemas,2013Lane 等,2014郑姚闽 等,2013)。因此,及时了解和掌握区域湿地生态系统分布现状和变化趋势,对于区域生态环境保护与规划具有重要意义。

以往湿地调查与监测不仅费时、费力、耗费高,而且调查范围小,监测周期长,时效性较差(张树文 等,2013)。遥感技术因其覆盖范围广、信息量大、获取数据快、重复监测周期短,可比性强等优点,近20年来已广泛用于湿地资源调查、识别与监测等研究中(Chopra 等,2001)。在遥感湿地调查中,多种空间分辨率的遥感数据已被采用,其中低空间分辨率影像(≥100 m),如NOAA AVHRR(Advanced Very High Resolution Radiometer)和MDDIS (Terra Moderate Resolution Imaging Spectroradiometer)常用于区域、大陆甚至全球性范围的湿地研究,而湿地信息提取的方法多是基于像元,如决策树或阈值法等(Landmann 等,2010Shi 等,2015)。中等空间分辨率多光谱遥感影像(如Landsat、SPOT、ASTER)常被用于湿地类型提取及变化、湿地植被特征以及湿地入侵植被等研究(Reschke和Hüttich,2014Kayastha 等,2012Poulin 等,2010),国产中等空间分辨率多光谱卫星影像HJ 1A/1B,CBERS等也常用于湿地信息提取及相关研究(杨元征 等,2011Wang 等,2012雷璇 等,2012)。中等分辨率影像多用于小范围的湿地研究,湿地信息提取也多采用基于像元及像元光谱特征的分类方法,如最大似然法、支持向量机(Han 等,2015)及决策树等。高空间分辨率影像(IKONOS、QuickBird,国产ZY、GF卫星等)多被用于地方范围或局部的湿地植被群落区分以及土地和水资源监测(Szantoi 等,2013Ghioca-Robrecht 等,2008),且多采用面向对象分类方法提取湿地信息(Tian 等,2015Laba 等,2010)。

面向对象分类能够顾及地理对象的空间分布特征及相关性,较好地解决传统的基于像元分类法的不足(宫兆宁 等,2014Pengra 等,2007),因此,面向对象的分类方法已在针对局地湿地系统的高分辨遥感分类及其变化研究中得到了较为广泛的应用。也有一些学者也将该技术应用于中等分辨率影像的湿地信息提取,并取得了较好的效果(Dronova 等,2011)。然而,目前利用低空间分辨率影像(如MODIS等)进行大区域湿地信息提取中,尚未有基于面向对象分类方法的相关研究。尽管低空间分辨率影像在空间分辨率上存在一定的劣势,但其时间分辨率高、光谱信息丰富,且获取成本低廉。因此,探讨基于时间序列的低空间分辨率遥感数据,采用面向对象分类方法的大范围湿地信息提取方法与技术,具有重要的实践意义。

本文以洞庭湖流域为研究区,以MODIS13Q1为基础数据源,利用TIMESAT软件包对时序EVI数据进行滤波处理并提取物候特征参数数据。基于时序EVI数据,分析主要地物(主要为植被类型)的可分离性,探讨典型地物类型识别的可行性及最佳时序影像组合,通过最优分割尺度选择,采用面向对象分类技术进行大范围湿地信息提取。

2、 研究方法与数据     (2.1) 研究方法

首先,对时序MODIS EVI数据进行重构并计算出其物候特征参数,基于JM距离对不同的影像组合数据进行可分离性分析,并得到分离效果最佳的组合数据,之后结合Johnson指数选取了最佳的分割尺度参数,最后使用Random tree分类器对分割的影像进行监督分类。同时对最佳组合数据采用基于像元的分类方法,同样使用Random tree分类器进行分类,并与面向对象方法进行分类精度的对比,技术路线如图1

图 1 技术路线 Figure 1 Flowchart
         2.1.1. 时序MODIS EVI重构与物候参数计算

采用基于MATLAB环境下的TIMESAT软件包,运用双Logistic曲线拟合法D-L(Double Logistic function fitting method)实现时序EVI的重构(Jönsson和Eklundh,2004)。双Logistic曲线拟合是由Efron B提出的一种时序分析法,因其能够有效地估计与植被物候特征有关的各种参数(生长季的开始时间点、结束时间点与生长季长度等)而广泛应用于植被物候的遥感监测中(康峻 等,2014)。

时序EVI经Logistic曲线拟合重构后,根据设定生长季物候参数输出研究区植被的物候期特征参数。植被物候参数共有11个(谢登峰 等,2015),之后将选取其中部分关键得物候参数用于地类可分离性分析,具体说明如表1所示。

表 1 物候参数及其含义 Table 1 Phenology index and their implications
         2.1.2. 可分离性分析及最佳数据组合

为确保分类影像数据组合的代表性,减少数据组合的冗余,需要对分类最佳数据组合进行分析,本文采用了Jeffries-Matusita distance(JM)对研究区典型地物类型进行可分离性分析,并确定最佳数据组合。JM距离是基于特征,计算不同类别样本间的距离,是用来衡量类别间分离度的有效工具(张猛和曾永年,2015),其表达式为

$JM = 2(1 - {{\rm{e}}^{ - B}})$ (1)

式中,B表示在某一特征维上的巴氏距离。在样本对象满足正态分布的前提下,不同类别间样本对象的巴氏距离 B(Bhattacharyya distance)为

$B = \frac{1}{8}{\left( {{e_1} - {e_2}} \right)^2}\frac{2}{{{\delta _1}^2 + {\delta _2}^2}} + \frac{1}{2}\ln \left[ {\frac{{{\delta _1}^2 + {\delta _2}^2}}{{2{\delta _1} \cdot {\delta _2}}}} \right]$ (2)

式中,ek表示某类特征的均值;${\delta _k}^2$表示某类特征的方差,其中(k=1,2)。JM值在0—2之间,其大小代表样本间可分离程度。当JM=2时,表明两类地物在所选分类特征下完全分离;当JM值较小时,表明分离性较差且会有较大数量的错分对象(Van Niel 等,2005)。

考虑到多种地类之间的可分离性时,由于选择的样本量不同,这会造成不同地类的权重也不一样。因此,为了确定不同地物间达到最佳分离性效果的数据组合,本文采用Hao等人(2014)基于巴氏约束提出的JBh距离,其计算公式为

${J_{\rm{Bh}}} = \sum\limits_{i = 1}^N {\sum\limits_{j > i}^N {\sqrt {p({w_i}) \times p({w_j})} \times J{M^2}(i,j)} } $ (3)

式中,N为地类数量,$p({w_i})$$p({w_j})$为地类ij的先验概率,具体计算参考。

         2.1.3. 影像分割与最佳分割尺度确定

基于上文确定用于分类的最佳数据组合,本文采用多尺度分割对研究区影像进行试验。在多尺度分割中分割尺度的选择至关重要(Dronova 等,2012吴健生 等,2012),分割不足或过分分割都将导致分类的误差,因此本文采用Johnson和人(2011)提出的一种非监督评价方法来确定最佳的分割尺度。该方法是通过考虑分割对象内部的均质性(intra-segmentation homogeneity)及分割对象间的异质性(inter-segment heterogeneity)来评价分割结果,分别用加权方差(weighted variance)和Moran’s I表示,并最终通过一个总体评价指数J来确定最佳分割。

$V = \frac{{\sum\limits_{i = 1}^n {{a_i}{v_i}} }}{{\sum\limits_{i = 1}^n {{v_i}} }}$ (4)
$M = \frac{{n\sum\limits_{i = 1}^n {\sum\limits_{j = 1}^n {{w_{ij}}({y_i} - \bar y)} } }}{{(\sum\limits_{i = 1}^n {{{({y_i} - \bar y)}^2})} (\sum\limits_{i \ne j} {{w_{ij}}} )}}$ (5)
$J = {V_{{\rm{norm}}}} + {M_{{\rm{norm}}}}$ (6)

式中,n表示分割对象的数量,aivi为对象i的方差和面积;wij代表对象间的空间邻近度,yi是对象i的光谱值,$\bar y$是整幅影像的光谱平均值;VnormMnorm分别为标准化的V值和M值,J则表示Johnson指数。当Johnson指数最小时,此时的分割尺度大小则为最佳分割尺度,同时Johnson指数曲线在最小值附近变化幅度越大,则表明分割效果越好。

         2.1.4. 分类与精度评价

根据上文所确定的最佳影像组合、影像分割结果,利用能快速高效处理多分类问题的Random tree分类器(Peerbhay 等,2016)进行分类。同时为了验证面向对象分类法于低空间分辨率影像进行分类效果的优劣,本文将基于像元,同样使用Random tree分类器对研究区最佳组合影像分类,并将两种分类结果进行对比。结合影像特点及研究区的土地覆被特征,并考虑到研究区的整体性和景观之间的相互影像,将非湿地类型也纳入研究范围,将研究区影像分为湿地和非湿地两大类,湿地类型具体包括水体、泥沙滩地、苔草滩地、芦苇滩地和水田,非湿地类型包括水浇地、旱地、林地和建筑用地,共9个地类。以Landsat 8以及Google earth影像为基础,结合土地利用数据随机选取验证样本,使用混淆矩阵的方法来进行精度验证,评价指标包括总体分类精度、Kappa系数,以及各子类的用户精度和制图精度。

    (2.2) 研究区及数据          2.2.1. 研究区概况

洞庭湖流域包括洞庭湖区以及湘、资、沅、澧泗水,范围覆盖了湖南全境,并包括了湖北、广西、贵州部分地区(图2),流域总面积约26.3万km2,其中湖南省境内流域面积占整个洞庭湖流域面积的82.7%。研究区水系发达,河网稠密,向南呈聚辐式水系格局,并以洞庭湖为中心,形成了中国典型的湖泊、河流湿地。流域内四季分明,雨热同期,年均降水量在420 mm左右。地形海拔从–26 m至2558 m,地貌形态复杂多样,以山地和丘陵为主。在气候条件、地貌和景观上,整个研究区具有异质性特点,很适合采用遥感技术进行研究。

图 2 研究区范围 Figure 2 Study area
         2.2.2. 数据与处理

本文所需遥感影像数据主要为2015年云量小于5%的Landsat 8(OLI)影像,覆盖研究区需18景,空间分辨率为30 m。2015年全年(23期)的MODIS13Q1 Collection 5数据,覆盖研究区需3景,时空分辨率分别为16 d和250 m。Landsat 8(OLI)与MODIS13Q1均下载于美国地质调查局USGS(United States Geological Survey),具体数据类型、行列号与获取日期见表2

表 2 遥感数据类型及获取日期 Table 2 Remote sensing data types and acquisition date

本研究主要的实验数据为MODIS13Q1产品中的EVI(Enhanced Vegetation Index)数据,因NDVI(Normalized Differential Vegetation Index)在植被高覆盖区容易饱和且对大气干扰所做的校正有限,同时也没有考虑树冠背景对NDVI的影响,相比较而言EVI更有优势(龙岳红 等,2015)。MODIS13Q1为视场角限制最大值合成法生成的16 d合成数据,降低了非植被效应(云、雾及气溶胶)的影响,且已完成了地理参考和几何校正,地图投影为Sinusoidal(正弦投影)。首先利用ENVI图像处理软件对MODIS EVI数据进行无效值处理,并对所有数据进行投影转换(UTM)并进行镶嵌,而后采用洞庭湖流域矢量边界进行裁剪。

Landsat 8数据经目视解译后主要用于目视检验基于时序MODIS EVI的分类结果,同时也作为精度评价的验证数据。Landsat 8数据经辐射定标后,采用FLAASH模型进行大气校正。Landsat 8 OLI影像数据已经过基于地形数据几何校正(孙佩军 等,2016),本文不再进行几何校正。

本实验用于评价分类精度的数据还包括湖南省土地利用现状数据及Google Earth高空间分辨率影像等。

3、 结果与分析     (3.1) 时序EVI拟合结果及物候参数分析

基于重构的时序MODIS EVI结果,本文选取了研究区几种难以区分的土地覆被类型(主要为植被类型)样本点EVI值进行分析,包括水田、水浇地、旱地、林地、苔草滩地及芦苇滩地(图3)。除林地与旱地EVI曲线起伏较小外,其他地类EVI曲线变化起伏比较明显。由图可知,不同植被类型生长物候特征曲线各异,因此可利用时序MODIS EVI数据对它们进行识别。

图 3 MODIS EVI重构结果 Figure 3 Fitting result of MODIS EVI

洞庭湖流域绝大部分地区属亚热带季风气候区,除水田外,其他植被一年内只有一个生长季。对于研究区植被类物候参数提取主要包括生长季开始时间SOS(Start Of Season)、生长季结束时间EOS(End Of Season)、生长季长度LOS(Length Of Season)、生长季EVI最大值(max of EVI MOE)以及生长季EVI振幅值(amplitude of EVI AOE),其中水田选取的是早稻物候期特征参数。针对每个物候特征参数,将研究区6种植被型地类各50个像元点的参数值进行散点图绘制,如图4所示。通过物候特征参数对比分析,不同地物类型的部分物候特征差异较为明显,因此物候特征参数也能在一定程度上区分不同的地类。

图 4 6种地物类型物候特征参数 Figure 4 Phenology index of six land cover types
    (3.2) 可分离性分析及最佳数据组合

选取研究区内难以区分的苔草滩地、芦苇滩地、水田、水浇地、旱地及林地等6种典型地类,分析其相互间的可分离性,并选取能有效区分不同地物类型的数据组合。结合6种地物类型生长周期和物候特征,用于进行可分离性分析的数据主要为各地物类型生长关键期的MDOSI EVI影像(见表3)以及5种物候特征参数影像。

表 3 参与可分离性分析的关键期影像 Table 3 Key images for separability analysis

通过计算得到了不同组合数据下地物类型间JBh距离,如表4。组合数据数量在8以下时,JBh距离值上升趋势明显;当组合数据数量到达8以后,JBh距离值保持相对稳定,而且增幅小于0.1。物候参数数据在一定程度上可以提高地物类型间的可分离性,但并不是数量越多效果就越好。出于对数据冗余、分类任务量与速度的考虑,因此,本文选取用来进行分类的最佳数据组合为DOY113、DOY145、DOY173、DOY193、DOY241、DOY289、生长季开始(SOS)以及生长季长度(LOS)。区分6种地物类型的最佳时间窗口主要集中在3月、4月、6月、7月、8月和10月,基本位于研究区植被生长期范围内。

表 4 各种数据组合下的最佳JBh距离 Table 4 Optimal JBh distance of different data combinations

最佳组合数据下,各地物类型间的可分离性(JM距离)如表56种地类之间的可分离性较好,JM距离均大于1.9,满足研究需求。其中,林地与其他地类均有着较高的可分离性(JM距离均在1.96以上),而水田、水浇地、旱地等几种耕地类型的可分离性则相对要低,水田与水浇地之间的JM距离最小。

表 5 6种地类间的JM距离 Table 5 JM distance of six land cover types
    (3.3) 影像分割评价与最佳分割尺度确定

本文采用ECognition9.0对影像进行分割,考虑到MODIS影像分辨率较低,分割尺度范围设定为5—50,其他分割参数(形状因子,颜色因子)保持默认值不变。以2015年全年23期MODIS EVI影像及5个物候期特征参数影像为实验对象,通过2个实验确定最佳分割尺度。

实验1的目的是检验关键期MODIS EVI影像(DOY113、DOY145、DOY173、DOY193、DOY241与DOY289)是否能够得到较好的分割效果。如图5(a),关键期MODIS EVI影像组合的Johnson指数曲线的最小值较全年MODIS EVI影像组合更为明显,且曲线变化幅度也更大,说明关键期影像已能够在一定程度上区分不同的地物类型且能够得到较好的分割效果。

图 5 不同影像组合与分割尺度下的Johnson指数 Figure 5 Johnson index of different image combination and segmentation scale

实验2的目的是检验上文中确定的最佳数据组合的分割效果是否是最好的,考虑到文章篇幅,只展示了部分组合数据在不同分割尺度下的Johnson指数并进行分析。结果表明见图5(b),分割效果最好的数据组合为生长关键期影像+生长季长度(SOS+LOS),最佳分割尺度为15个MODIS影像像元。与上文中最佳组合数据(关键期影像+SOS+LOS)也相符,在一定程度上也表明了上文中最佳组合数据选择的准确性。

    (3.4) 分类及精度评价          3.4.1. 精度目视检验

基于上文选取的最佳数据组合及分割参数,使用Random tree分类器对分割后的影像进行监督分类。同时为检验面向对象分类法对基于时序MODIS EVI进行的效果,本文基于像元,使用同样分类器(Random tree)对同样的影像组合(未分割影像)进行分类(图6)。从图中可明显看出两种分类法得到的结果差异较明显,面向对象分类结果中,旱地、水田以及林地的整体性效果要好于基于像元分类的结果。

图 6 基于像元与面向对象分类结果 Figure 6 Classification based on pixel-based method and object-based method

为了更清晰比较两种方法的分类效果,选取了两个样点区域进行对比分析,同时目视解译了两个样点区2015年Landsat 8卫星影像,样点区Landsat 8影像的获取时间为2015年10月,均为平水期,能在一定程度上反映全年的湿地分布信息状况。就分类效果而言,基于像元分类法其分类结果的“椒盐现象”比较明显(图7(a)),而利用面向对象方法的分类结果整体性较好(图7(b)),有效地克服了周围像元造成的光谱混肴。从分类的准确性来看,由于光谱混肴使得基于像元分类法的分类结果出现了大面积覆被类型错分的情况,而面向对象方法错分情况相对较少。

图 7 目视解译结果与分类结果比较 Figure 7 Comparison of visual interpretation results and classification results

与基于Landsat 8目视解译结果相比(图7(c)),面向对象分类结果中存在一些错分情况,其原因可能在于:

(1)MODIS影像分辨率较低(250 m),一些宽度较小的河流或面积较小的水塘等易于周围地物形成混合像元,从而造成错分。如图7(b)样点区域1与区域2中,有部分水体就被分成了水浇地或者水田,同时也有部分水浇地和水田也被错分成了水体。

(2)由于水体与建筑用地的EVI变化均不明显,使得两者间也出现较多的错分情况。图7(b)样点区域1中,有部分水体被错分成了建筑用地,而样点区域2中则有部分建筑用地被错分为水体。因此,选择合适的影像特征或其他波段来较为准确地区分水体与建设用地是后续研究的一个重点。

(3)不同的地物类型适应不同的分割尺度,而本文最终选择的分割尺度参数为15,对于面积较小的水体与建筑区域,分割尺度显得过大,因此也会造成水体和建筑用地被误分成其他地类,从而造成影像欠分割的情况,这也是后续研究要解决的问题。

         3.4.2. 覆被类型提取精度定量评价

两种分类法的精度评价结果如表6所示,利用基于像元分类法(Random tree)的总体分类精度为73.05%,kappa系数为0.67;利用面向对象分类法的分类精度较基于像元分类法要高,总体分类精度为78.84,Kappa系数为0.71。从用户精度来看,面向对象分类法更有优势。除苔草滩地外,其他覆被类型的用户精度面向对象分类法都要高于基于像元分类法,尤其水田(74.75%与69.56%)和旱地(83.30%与72.58%)。生产者精度方面,相对而言面向对象分类法也要更高。因此总体来看,利用面向对象分类法进行研究区湿地信息提取的效果更佳。与基于像元分类法不同,面向对象分类法选取验证样本时选取的是影像分割后的对象,所以造成了两种分类方法的验证样本不完全相同。但选取验证样本时,在参照验证数据(Landsat 8、Google Earth和土地利用数据)情况下,两种分类法的大多数验证样本的空间地理位置尽量保持一致,且样本像元个数也较为接近,因此对两种方法的精度对比不构成影响。

尽管分类精度较基于像元分类结果有所提高,但基于面向对象分类结果中,仍有部分覆被类型存在大量的错分情况。如水体与建筑用地之间的错分像元个数达到了596,在一定程度上反映了两者时序EVI变化不显著以及影像欠分割造成两种地类间的误分。苔草滩地与芦苇滩地错分为水体的像元个数分别为237个与316个,水田与旱地之间互相错分的个数为683个和218个、水田与林地之间为502个和485个。由于MODIS数据的低分辨率以及地物斑块面积相较于MODIS数据像元过小,因此易与其他地类形成混合像元,从而造成误分。

表 6 两种分类方法的分类精度评价 Table 6 Classification accuracy of two kinds of methods
         3.4.3. 湿地信息提取精度定量评价

基于时序MODIS EVI的面向对象分类结果显示,面向对象的湿地分类用户精度与生产者精度均高于75%,较基于像元分类法分别提高了4.56%和6.21%(如表7)。

表 7 两种分类方法的湿地提取精度评价 Table 7 Accuracy assessment of wetland extraction with two kinds of methods

面向对象的分类结果中,各湿地类型的用户精度在74.75%—88.03%,生产者精度在78.68%—84.36%,湿地类型整体的分类精度较高(表6表7)。各湿地类型中,分类的生产者精度均高于基于像元的分类结果(表6),水体、泥沙滩地、芦苇滩地、水田的用户精度均高于基于像元的分类结果(表6)。其中,水体、泥沙滩地、芦苇滩地、水田的用户精度分别提高了2.41%、1.14%、3.19%和5.19%。苔草滩地由于斑块碎小,易于形成混合像元,导致用户精度略低于基于像元的分类结果,但其用户精度达到了77.21%,仍然能够满足大范围流域尺度湿地分类要求。

4、 结 论     (4.1) 结论

面向对象技术多用于高分辨率遥感影像,以此解决基于像元分类法的不足(光谱混淆与混合像元等),但少有研究利用低分辨率影像并结合面向对象分类法进行流域等大范围的湿地信息提取。因此本文以覆被类型(主要为植被)物候特征及参数为基础,通过对不同组合数据下地物类型间的可分离性(JM距离)进行了分析并得到了最佳的组合数据。利用面向对象技术对最佳组合数据影像进行分割,并借助Johnson指数选择了最佳的分割尺度参数,而后基于分割影像采用随机树(Random tree)分类器对研究区2015年时序MODIS EVI影像进行了分类,实验结果表明:

(1) 不同覆被类型的EVI曲线均不同,尤其是关键期的EVI值,同时就物候特征参数而言,不同地物的物候特征参数也有较大的差异。因此利用不同覆被类型关键期的遥感影像并结合其物候特征参数,能够较为清晰地将它们区分。

(2) 通过地物类型间的可分离性分析,6期关键期影像(DOY113、DOY145、DOY173、DOY193、DOY241和DOY289)加上生长季开始时间(SOS)与生长季长度(LOS)组成的数据集能够较好地分离几种难以区分苔草、芦苇、水田、水浇地、旱地及林地的植被类型地物。

(3) 就分割效果而言,并不是组合影像数量越多分割效果越好,实验结果表明不同覆被类型关键期的影像组合的分割效果较全年23期影像组合要好,部分物候特征参数在一定程度上能够优化分割效果(SOS、LOS),与之前选取的最佳组合数据较为相符。

(4) 利用面向对象技术的总体分类精度较基于像元分类法的总体分类精度要好,总体分类精度和Kappa系数分别提高了5.79%和0.04%。面向对象的湿地整体的分类精度较高,用户精度与生产者精度均高于75%,较基于像元分类法分别提高了4.56%和6.21%。

    (4.2) 讨论

尽管在空间分辨率上有一定的劣势,但MODIS等低空间分辨率影像在时间分辨率、光谱信息及获取成本上有其独特的优势,同时在研究范围上较中高分辨率影像也有一定的优势,能够应用于区域、大陆性甚至全球性等范围。目前基于MODIS数据的湿地信息提取,大多采用基于像元及光谱特征的分类法,本文利用时序MODIS EVI影像并结合面向对象技术对流域范围的湿地信息进行了提取,为大范围的湿地信息提取提供了一套新的方法与技术。

本文进行可分离性分析时主要对象为研究区难以区分的地物类型为植被,后续还会加强对非植被类型(如水体、建筑用地等)的研究,引入合适特征以提高非植被类型的分类精度。同时本研究进行影像分割时,多从光谱特征出发,鉴于此,以后研究的重点在于结合影像光谱特征、纹理特征以及研究区的地形、气候等因素进行分析,以得到更好的分类效果。研究区域选取了南方丘陵地带的洞庭湖流域,该区域异质性强、覆被类型复杂,易形成混合像元,因此采用面向对象技术并结合混合像元分解也是后续研究的重点,同时在研究区域的选择上也会多元化,探讨该方法在不同景观类型的状况下其分类精度的优劣及稳定性。

参考文献
[1] Chopra R, Verma V K and Sharma P K.. Mapping, monitoring and conservation of Harike wetland ecosystem, Punjab, India, through remote sensing[J]. International Journal of Remote Sensing, 2001, 22 (1) : 89 –98. DOI: 10.1080/014311601750038866
[2] Corcoran J M, Knight J F and Gallant A L.. Influence of multi-source and multi-temporal remotely sensed and ancillary data on the accuracy of random forest classification of wetlands in northern Minnesota[J]. Remote Sensing, 2013, 5 (7) : 3212 –3238. DOI: 10.3390/rs5073212
[3] Dronova I, Peng G and Wang L.. Object-based analysis and change detection of major wetland cover types and their classification uncertainty during the low water period at Poyang Lake, China[J]. Remote Sensing of Environment, 2011, 115 (12) : 3220 –3236. DOI: 10.1016/j.rse.2011.07.006
[4] Dronova I, Gong P, Clinton N E, Wang L, Fu W, Qi S H and Liu Y.. Landscape analysis of wetland plant functional types: the effects of image segmentation scale, vegetation classes and classification methods[J]. Remote Sensing of Environment, 2012, 127 : 357 –369. DOI: 10.1016/j.rse.2012.09.018
[5] Ghioca-Robrecht D M, Johnston C A and Tulbure M G.. Assessing the use of multiseason QuickBird imagery for mapping invasive species in a Lake Erie coastal Marsh[J]. Wetlands, 2008, 28 (4) : 1028 –1039. DOI: 10.1672/08-34.1
[6] 宫兆宁, 林川, 赵文吉, 崔天翔. WorldView-2影像的湿地典型挺水植物群落含水量估算研究-以北京野鸭湖湿地为例[J]. 红外与毫米波学报, 2014, 33 (5) : 533 –545. Gong Z N, Lin C, Zhao W J and Cui T X.. Canopy water content estimation for typical emerged plant community using WorldView-2 imagery: a case study in Wild Duck Lake wetland, Beijing[J]. Journal of Infrared and Millimeter, 2014, 33 (5) : 533 –545. DOI: 10.3724/SP.J.1010.2014.00533
[7] Han X X, Chen X L and Feng L.. Four decades of winter wetland changes in Poyang Lake based on Landsat observations between 1973 and 2013[J]. Remote Sensing of Environment, 2015, 156 : 426 –437. DOI: 10.1016/j.rse.2014.10.003
[8] Hao P Y, Wang L, Niu Z, Aablikim A, Huang N, Xu S G and Chen F.. The potential of time series merged from Landsat-5 TM and HJ-1 CCD for crop classification: a case study for Bole and Manas counties in Xinjiang, China[J]. Remote Sensing, 2014, 6 (8) : 7610 –7631. DOI: 10.3390/rs6087610
[9] Johnson B and Xie Z X.. Unsupervised image segmentation evaluation and refinement using a multi-scale approach[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2011, 66 (4) : 473 –483. DOI: 10.1016/j.isprsjprs.2011.02.006
[10] Jönsson P and Eklundh L.. TIMESAT-a program for analyzing time-series of satellite sensor data[J]. Computers and Geosciences, 2004, 30 (8) : 833 –845. DOI: 10.1016/j.cageo.2004.05.006
[11] 康峻, 侯学会, 牛铮, 高帅, 贾坤. 基于拟合物候参数的植被遥感决策树分类[J]. 农业工程学报, 2014, 30 (9) : 148 –156. Kang J, Hou X H, Niu Z, Gao S and Jia K.. Decision tree classification based on fitted phenology parameters from remotely sensed vegetation data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30 (9) : 148 –156. DOI: 10.3969/j.issn.1002-6819.2014.09.019
[12] Kayastha N, Thomas V, Galbraith J and Banskota A.. Monitoring wetland change using inter-annual Landsat time-series data[J]. Wetlands, 2012, 32 (6) : 1149 –1162. DOI: 10.1007/s13157-012-0345-1
[13] Klemas V.. Remote sensing of emergent and submerged wetlands: an overview[J]. International Journal of Remote Sensing, 2013, 34 (18) : 6286 –6320. DOI: 10.1080/01431161.2013.800656
[14] Laba M, Blair B, Downs R, Monger B, Philpot W, Smith S, Sullivan P and Baveye P C.. Use of textural measurements to map invasive wetland plants in the Hudson River National Estuarine Research Reserve with IKONOS satellite imagery[J]. Remote Sensing of Environment, 2010, 114 (4) : 876 –886. DOI: 10.1016/j.rse.2009.12.002
[15] Landmann T, Schramm M, Colditz R R, Dietz A and Dech S.. Wide area wetland mapping in semi-arid Africa using 250-Meter MODIS metrics and topographic variables[J]. Remote Sensing, 2010, 2 (7) : 1751 –1766. DOI: 10.3390/rs2071751
[16] Lane C R, Liu H X, Autrey B C, Anenkhonov O A, Chepinoga V V and Wu Q S.. Improved wetland classification using eight-band high resolution satellite imagery and a hybrid approach[J]. Remote Sensing, 2014, 6 (12) : 12187 –12216. DOI: 10.3390/rs6121287
[17] 雷璇, 杨波, 蒋卫国, 杨一鹏, Kuenzer C, 陈强. 东洞庭湿地植被格局变化及其影响因素[J]. 地理研究, 2012, 31 (3) : 461 –470. Lei X, Yang B, Jiang W G, Yang Y P, Kuenzer C and Chen Q.. Vegetation pattern changes and their influencing factors in the East Dongting Lake wetland[J]. Geographical Research, 2012, 31 (3) : 461 –470. DOI: 10.11821/yj2012030008
[18] 李向应, 秦大河, 效存德, 陈茹. 近期气候变化研究的一些最新进展[J]. 科学通报, 2011, 56 (36) : 3029 –3040. Li X Y, Qin D H, Xiao C D and Chen R.. Progress regarding climate change during recent years[J]. Chinese Science Bulletin, 2011, 56 (36) : 3029 –3040. DOI: 10.1360/972011-913
[19] 龙岳红, 秦建新, 贺新光, 杨准. 洞庭湖流域植被动态变化的小波多分辨率分析[J]. 地理学报, 2015, 70 (9) : 1491 –1502. Long Y H, Qin J X, He X G and Yang Z.. Wavelet multi-resolution analysis of vegetation dynamic change in Dongting Lake Basin[J]. Acta Geographica Sinica, 2015, 70 (9) : 1491 –1502. DOI: 10.11821/dlxb201509011
[20] 吕铭志, 盛连喜, 张立. 中国典型湿地生态系统碳汇功能比较[J]. 湿地科学, 2013, 11 (1) : 114 –120. Lv M Z, Sheng L X and Zhang L.. A review on carbon fluxes for typical wetlands in different climates of China[J]. Wetland Science, 2013, 11 (1) : 114 –120. DOI: 10.3969/j.issn.1672-5948.2013.01.017
[21] 牟晓杰, 刘兴土, 阎百兴, 崔保山. 中国滨海湿地分类系统[J]. 湿地科学, 2015, 13 (1) : 19 –26. Mou X J, Liu X T, Yan B X and Cui B S.. Classification system of coastal wetlands in China[J]. Wetland Sicence, 2015, 13 (1) : 19 –26. DOI: 10.13248/j.cnki.wetlandsci.2015.01.004
[22] Peerbhay K, Mutanga O, Lottering R and Ismail R.. Mapping Solanum mauritianum plant invasions using WorldView-2 imagery and unsupervised random forests [J]. Remote Sensing of Environment, 2016, 182 : 39 –48. DOI: 10.1016/j.rse.2016.04.025
[23] Pengra B W, Johnston C A and Loveland T R.. Mapping an invasive plant, Phragmites australis, in coastal wetlands using the EO-1 Hyperion hyperspectral sensor [J]. Remote Sensing of Environment, 2007, 108 (1) : 74 –81. DOI: 10.1016/j.rse.2006.11.002
[24] Poulin B, Davranche A and Lefebvre G.. Ecological assessment of Phragmites australis wetlands using multi-season SPOT-5 scenes [J]. Remote Sensing of Environment, 2010, 114 (7) : 1602 –1609. DOI: 10.1016/j.rse.2010.02.014
[25] Reschke J and Hüttich C.. Continuous field mapping of Mediterranean wetlands using sub-pixel spectral signatures and multi-temporal Landsat data[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 28 : 220 –229. DOI: 10.1016/j.jag.2013.12.014
[26] Reschke J and Hüttich C.. Continuous field mapping of Mediterranean wetlands using sub-pixel spectral signatures and multi-temporal Landsat data[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 28 : 220 –229. DOI: 10.1016/j.jag.2013.12.014
[27] Shi K, Zhang Y L, Zhu G W, Liu X H, Zhou Y Q, Xu H, Qin B Q, Liu G and Li Y M.. Long-term remote monitoring of total suspended matter concentration in Lake Taihu using 250 m MODIS-Aqua data[J]. Remote Sensing of Environment, 2015, 164 : 43 –56. DOI: 10.1016/j.rse.2015.02.029
[28] 孙佩军, 张锦水, 潘耀忠, 谢登峰, 袁周米琪. 构建时空融合模型进行水稻遥感识别[J]. 遥感学报, 2016, 20 (2) : 328 –343. Sun P J, Zhang J S, Pan Y Z, Xie D F and Yuan Z M Q.. Temporal-spatial-fusion model for area extraction of paddy rice using multi-temporal remote sensing images[J]. Journal of Remote Sensing, 2016, 20 (2) : 328 –343. DOI: 10.11834/jrs.20165008
[29] Szantoi Z, Escobedo F, Abd-Elrahman A, Smith S and Pearlstine L.. Analyzing fine-scale wetland composition using high resolution imagery and texture features[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 23 : 204 –212. DOI: 10.1016/j.jag.2013.01.003
[30] Tian B, Zhou Y X, Thom R M, Diefenderfer H L and Yuan Q.. Detecting wetland changes in Shanghai, China using FORMOSAT and Landsat TM imagery[J]. Journal of Hydrology, 2015, 529 : 1 –10. DOI: 10.1016/j.jhydrol.2015.07.007
[31] Van Niel T G, Mcvicar T R and Datt B.. On the relationship between training sample size and data dimensionality: Monte Carlo analysis of broadband multi-temporal classification[J]. Remote Sensing of Environment, 2005, 98 (4) : 468 –480. DOI: 10.1016/j.rse.2005.08.011
[32] Wang L, Dronova I, Gong P, Yang W B, Li Y R and Liu Q.. A new time series vegetation-water index of phenological-hydrological trait across species and functional types for Poyang Lake wetland ecosystem[J]. Remote Sensing of Environment, 2012, 125 : 49 –63. DOI: 10.1016/j.rse.2012.07.003
[33] 吴健生, 刘建政, 黄秀兰, 彭建, 李慧坚. 基于面向对象分类的土地整理区农田灌排系统自动化识别[J]. 农业工程学报, 2012, 28 (8) : 25 –31. Wu J S, Liu J Z, Huang X L, Peng J and Li H J.. Automatic identification of irrigation and drainage system in land reclamation area based on object-oriented classification[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28 (8) : 25 –31. DOI: 10.3969/j.issn.1002-6819.2012.08.004
[34] 谢登峰, 张锦水, 潘耀忠, 孙佩军, 袁周米琪. Landsat 8和MODIS融合构建高时空分辨率数据识别秋粮作物[J]. 遥感学报, 2015, 19 (5) : 791 –805. Xie D F, Zhang J S, Pan Y Z, Sun P J and Yuan Z M Q.. Fusion of MODIS and Landsat 8 images to generate high spatial-temporal resolution data for mapping autumn crop distribution[J]. Journal of Remote Sensing, 2015, 19 (5) : 791 –805. DOI: 10.1834/jrs.20154213
[35] 杨元征, 常禹, 胡远满, 刘淼, 李月辉. 环境灾害遥感小卫星在辽河三角洲湿地景观制图中的应用[J]. 应用生态学报, 2011, 22 (6) : 1552 –1558. Yang Y Z, Chang Y, Hu Y M, Liu M and Li Y H.. Application of small remote sensing satellite constellations for environmental hazards in wetland landscape mapping: taking Liaohe delta, Liaoning province of northeast China as a case[J]. Chinese Journal of Applied Ecology, 2011, 22 (6) : 1552 –1558.
[36] 张猛, 曾永年. 基于多时相Landsat数据融合的洞庭湖区水稻面积提取[J]. 农业工程学报, 2015, 31 (13) : 178 –185. Zhang M and Zeng Y N.. Mapping paddy fields of Dongting Lake area by fusing Landsat and MODIS data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31 (13) : 178 –185. DOI: 10.11975/j.issn.1002-6819.2015.13.025
[37] 张树文, 颜凤芹, 于灵雪, 卜坤, 杨久春, 常丽萍. 湿地遥感研究进展[J]. 地理科学, 2013, 33 (11) : 1406 –1412. Zhang S W, Yan F Q, Yu L X, Bu K, Yang J C and Chang L P.. Application of remote sensing technology to wetland research[J]. Scientia Geographica Sinica, 2013, 33 (11) : 1406 –1412. DOI: 10.13249/j.cnki.sgs.2013.011.1406
[38] 郑姚闽, 牛振国, 宫鹏, 戴永久, 上官微. 湿地碳计量方法及中国湿地有机碳库初步估计[J]. 科学通报, 2013, 58 (2) : 170 –180. Zheng Y M, Niu Z G, Gong P, Dai Y J and Shangguan W.. Preliminary estimation of the organic carbon pool in China’s wetlands[J]. Chinese Science Bulletin, 2013, 58 (2) : 170 –180. DOI: 10.1007/s11434-012-5529-9
[39] 周葆华, 尹剑, 金宝石, 朱磊. 30年来武昌湖湿地退化过程与原因[J]. 地理学报, 2014, 69 (11) : 1697 –1706. Zhou B H, Yin J, Jin B S and Zhu L.. Degradation of Wuchang Lake wetland and its causes during 1980-2010[J]. Acta Geographica Sinica, 2014, 69 (11) : 1697 –1706. DOI: 10.11821/dlxb201411010