草本湿地是湿地重要类别之一，调查草本湿地对生态环境监测研究有重要意义。第二次湿地调查数据由中低分辨率影像目视解译得到，数据的解译精度低，难以满足草本湿地资源保护与再利用等工作的需求，利用高分遥感影像提取精确湿地边界已成为当务之急。

目前，针对湿地遥感分类已有多种分类方法可供选择，与基于像素级别的光谱信息分析方法不同，面向对象的分类方法可以将影像分割成多个同质对象，不仅能描述对象的光谱特征，而且能结合对象的形状、色调、纹理等特征，解决基于像素级别分类方法中分类结果的椒盐现象^[1]；面向对象的分类方法结合阈值分割、决策树分类、隶属度函数等方法与监督分类等传统方法相比，分类结果精度均有所提高^{[2, 3]}。其中，面向对象的决策树分类方法是建立在先验知识基础上，针对感兴趣地物特征，选择或构建特征参数作为决策树判断规则，将感兴趣地物从影像中提取出来^[4-8]。

目前高分辨率遥感影像开展湿地边界提取的研究较少^[9-11]，本文依据Landsat 8影像选择提取草本湿地的最佳时相高分二号卫星影像，通过抽取湿度分量、归一化差分植被指数(normalized difference vegetation index, NDVI)和色调特征，研究面向对象的决策树分类法提取草本湿地边界的方法。

1 研究区与数据源

研究区位于中国宁夏回族自治区的地级市石嘴山市(38°21′N~39°25′N，105°58′E~106°39′E)，湿地调查数据中草本湿地在石嘴山市分布十余处，有利于选择样区进行草本湿地边界提取。

试验数据包括：①Landsat 8影像，覆盖石嘴山市的Landsat 8影像，主要用于确定高分影像的最佳时相和湿度分量特征提取；②高分二号遥感影像，用于提取草本湿地精确边界；③第二次湿地调查数据，从第二次湿地调查数据中获取草本湿地图斑数据; ④地理国情普查数据。

数据预处理包括对Landsat 8影像进行辐射定标和大气校正。将图像DN值(digital number)转换为地表反射率，消除不同时间影像成像条件差异引起的地表反射率偏差，对最佳时相的高分二号遥感影像进行正射校正、影像融合，配准高分二号融合影像和Landsat 8影像，将高分二号融合影像、Landsat 8影像、地理国情普查数据和第二次湿地调查数据投影转换到统一空间坐标系统。

2 研究方法

面向对象的草本湿地边界提取方法:首先, 根据2015-01~2015-12 Landsat 8影像草本湿地NDVI时相特征选择最佳时相的高分二号影像；然后, 对高分二号影像分割，实现从影像像元到分割对象的转变；分析并选择草本湿地特征，根据草本湿地特征构建分类规则，进行决策树分类；最后, 对输出的矢量边界进行评价。

总体流程图如图 1所示，提取草本湿地的关键技术包括时相选择、影像分割、特征抽取和决策树分类。

2.1 时相选择

草本湿地是由水生和沼生的草本植物组成优势群落的淡水沼泽，草本湿地的植被一般与水域相邻或生长在浅水水域中。根据草本湿地特性，由覆盖研究区的Landsat 8影像提取草本湿地图斑NDVI分析草本湿地的时相特征，如图 2所示。8、9月草本湿地NDVI较高，草本湿地植被生长旺盛。结合Landsat 8影像草本湿地样区进行目视对比分析，8月份农田农作物生长旺盛，与草本湿地难以区分，9月份农作物收割后，草本湿地与农田可分性好，因此选择与2015年9月份Landasat 8影像时相相近的高分二号影像数据提取草本湿地边界。

2.2 影像分割

为了充分利用最佳时相的高分二号影像、地理国情普查数据、第二次湿地调查数据提取草本湿地边界，将它们叠置分割，分割结果满足对象内部像元之间同质性最大、对象之间平均异质性最小，每个图层分割结果保持一致。面向对象的多尺度分割结果受分割尺度、形状因子和紧致度的影响，分割尺度用来控制分割对象结果的细微程度，分割尺度越大分割对象结果越大；形状因子是控制分割对象最小异质性的参数，通过适当降低形状因子的权重能够提升多尺度分割过程中对光谱信息的利用程度；分割对象的形状受紧致度的影响，紧致度过小会导致分割对象形状细碎。研究通过多次试验，高分影像确定的分割尺度参数为200，形状指数设置为0.2，紧致度设置为0.8。

2.3 特征抽取

根据草本湿地湿度高，草本湿地植被生长旺盛等特点，采用湿度分量、NDVI、光谱特征用于草本湿地提取。①湿度分量:草本湿地多处于低洼地区，环境湿润，因此湿度特征突出，有利于提取高湿度区域, 选择覆盖研究区的Landsat 8影像通过缨帽变换提取湿度分量; ②NDVI:选取时相相近的高分二号遥感影像，9月份草本植被生长繁茂，因此采用NDVI特征可剔除裸地、水域。但NDVI难以区分农田与草本湿地; ③色调:目视判读对比发现，高分二号影像波段(3, 2, 1)合成中草本湿地呈现暗绿色、墨绿色，农田呈现褐色、青色、灰白色，利用色调差异可区分农田与草本湿地。因此，选用色调特征区分农田与草本湿地。

2.4 决策树分类

为了提取草本湿地边界，对叠置分割结果，将地理国情普查数据中的道路、构筑物矢量数据转化为栅格数据，掩膜分割结果中道路、构筑物区域；采用基于专家知识的决策树分类方法，设计了相应的分类规则。

流程图中采用的规则包括如下几个方面：①利用湿度分量规则将试验区划分为高、低湿度区域，掩膜上述结果中的低湿度区域，得到包含所有草本湿地的高湿度区域；②依据NDVI规则提取高湿度区域中的植被覆盖区域；③利用色调特征建立规则，从植被覆盖区中提取草本湿地。

草本湿地图斑和第二次湿地调查图斑空间相交，获得初始草本湿地图斑。针对草本湿地图斑存在内部裂隙、图斑边缘不平滑等问题，经图斑优化，最终输出草本湿地矢量结果。

3 试验成果与分析

试验根据第二次湿地调查数据在石嘴山市选择了两个样区，样区1大小为3 529像素×2 941像素，样区2大小为3 475像素×3 727像素，按照上述方法分别提取两个试验区的草本湿地，结果如图 3(a)和图 3(b)所示，包括算法提取边界、人工解译边界、第二次湿地调查的草本湿地边界。

目视对比发现，人工解译边界与算法提取边界重合程度高，而草本湿地调查边界与算法提取边界重合程度较低。样区1草本湿地调查边界覆盖区域存在农田误分为草本湿地的情况；样区2草本湿地调查边界覆盖区域存在裸地误分为草本湿地的情况。样区1中第二次湿地调查图斑遗漏了草本湿地图斑，而算法提取边界与人工解译边界均有覆盖。由此可见，算法提取边界比草本湿地调查边界准确，与人工解译结果相近。算法提取结果与人工解译边界重合程度评价如表 1所示。

样区1及样区2的最小距离均为0，表明样区1和样区2中，算法提取边界与相应人工解译结果的边界存在重合的部分。其中，样区1达到78.76%的边界位移，小于平均距离；样区2达到65.08%的边界位移，小于平均距离。这说明算法提取边界与人工解译边界重合程度高。算法提取边界比人工解译边界效率高，适用于草本湿地边界的提取。

4 结束语

结合地理国情普查数据、第二次湿地调查数据、Landsat 8影像等辅助数据，选择最佳时相的高分二号影像，提出并实现了面向对象的草本湿地边界提取的决策树方法。定性定量的试验结果评价表明，该方法可高效、高精度地提取草本湿地边界，具有一定的参考价值。