湿地是介于陆地和水生生态系统之间的多功能生态系统，具有独特的水文特征、土壤特征和植被特征，在调节气候、蓄洪防旱、控制土壤侵蚀、降解环境污染、维护生物多样性和维持生态平衡等方面有极其重要的作用^{[1, 2]}。湿地调查与湿地边界提取是地理国情监测内容的一部分，查清湿地资源及其分布，对湿地边界进行精确提取，有助于为湿地资源的保护、管理和合理利用提供统一完整及时准确的基础资料和决策依据。传统方法在获取湿地信息时需要进行大量的实地勘察，时效性不高。随着遥感技术的发展，为实现湿地边界精确提取奠定了基础。

在遥感影像湿地边界精确提取中，国内外科研人员做了大量的研究工作，主要包括基于像元和面向对象两类。韩忻忆等^[2-5]通过利用像元的决策树方法，引入归一化植被指数(normalized difference vegetation index, NDVI)、归一化湿度指数、缨帽变换湿度分量和绿度分量等特征，实现湿地信息提取；汪小钦等^[6]结合利用像元的决策树、知识规则和非监督分类等多种方法，并引入数字高程模型(digital elevation model, DEM)数据，实现了福州海岸带湿地信息的提取；由佳等^[7]采用利用像元的最大似然法、神经网络法和支持向量机法，提取了洞庭湖区域湿地信息。随着遥感影像分辨率的提高，研究人员开展了面向对象的湿地信息提取研究。方朝阳等^[8]以鄱阳湖南矶湿地为例，利用高分1号影像，融合NDVI、归一化水指数和DEM等多元数据，采用利用知识与规则的面向对象分类方法，实现湿地边界提取；孙俊杰等^[9-11]在影像多尺度分割的基础上，通过K-T变换、NDVI和地物纹理特征等特征量构建决策树，实现湿地边界提取；井然等^[12]以北京市新城滨水森林公园生态区为例，采用面向对象的隶属度分类法实现湿地信息提取；王瑷玲等^[13]采用面向对象的最大似然分类法实现了东平湖湿地信息提取。这些研究工作表明，面向对象的方法已广泛应用于湿地信息的提取研究。本文在前人的基础上，展开了利用面向对象监督分类的灌丛沼泽湿地边界提取方法研究。

针对灌丛沼泽湿地边界提取，提出了如图 1所示的技术方案。首先，利用一年多期Landsat 8 TM影像确定灌丛沼泽边界特征最明显的时相；然后对应时相高分二号影像进行全色锐化影像融合；在此基础上，借助面向对象的遥感影像分类软件eCognition 8.7对融合影像进行多尺度分割和特征选取；最终，利用面向对象最近邻监督分类法提取灌丛沼泽湿地边界。

图 1(Fig.1)

图 1 灌丛沼泽湿地边界提取流程图 Fig.1 Flow Chart of Shrub Swamp Boundary Extracting

1) 最佳时相选择。灌丛沼泽是以灌丛植物为优势群体的淡水沼泽，有其特殊的光谱特性，在不同时相的表现形式也不相同。要提取得到灌丛沼泽湿地的精确边界，需要找到灌丛沼泽特征较为明显，且灌丛沼泽与其周边地物差别较为显著的时相，即最佳时相。本文选择了试验区2015~2016年每月1景的Landsat 8 TM影像数据作为最佳时相的数据源，选择了可以增强水体和植被且色彩接近人眼视觉效果的(红、短波红外1和短波红外2波段)组合，并以经过影像人工解译和实地调绘确定的全国湿地调查数据作为辅助数据，在Landsat 8 TM的红、短波红外1和短波红外2波段组合影像上叠合湿地调查数据，目视判读选择最佳时相。

2) 影像多尺度分割。影像分割是指根据影像的某些特征或者特征集合(包括光谱、结构、纹理等)的相似性准则，对图像像素进行分组聚类，把图像平面划分成若干个具有某些一致性的不重叠区域。本文采用影像多尺度分割技术，以光谱特性为主，结构特性为辅，对试验区进行分割，最大程度地增强影像对象的同质性。在此过程中，尺度因子是重要的参数，直接影响到影像对象的大小与信息提取的精度^[14]。本文利用ESP(estimation of scale parameter)^[15]进行最优尺度因子的选择，对影像进行不同尺度因子的分割，并分别计算得到不同分割层下分割对象的局部方差(local variance, LV)和异质性变化率(rate of change, ROC)，绘出ROC-LV的变化曲线，依据曲线峰值处即为潜在最优分割尺度因子的原理找到最优尺度因子，其中，LV(L_LV)和ROC和(R_ROC)的计算公式为^[15]：

式中，n为单个分割层分割结果对象总个数；a_i为对象i的面积；v_i为对象i的方差；L_LVi、S_Scalei分别为分割层i的局部方差和多尺度分割尺度因子。

3) 特征选择是依据某种评价指标，从原始特征集中选择出能满足分类需求的最优特征子集。特征评价法是常用的特征选择方法之一，通过计算单个特征的评价指标，对计算结果进行排序，选取分数最高的几个特征组成特征子集。多尺度影像分割得到的分割对象具有光谱、结构、纹理等多种特征，这些特征中，部分特征相关性较高，存在信息冗余，全部参与分类并不能得到最优的分类结果，因此，需要选择出相关性较低且最能满足分类需求的最优特征子集。本文选择Fisher分数作为特征评价标准，通过选取各地类样本，依据样本计算出各个特征的Fisher分数，从影像分割对象多个特征中选择出分类特征向量组^[16]。Fisher分数越大，表示类间距离越大，类内距离越小，该特征越重要。

4) 面向对象最近邻法湿地信息提取。最近邻监督分类法是eCognition中常用的面向对象的分类方法之一，需要对每个类别都定义样本和特征空间, 且该特征空间可以组合任意的特征，评价对象特征之间的关联性，易于处理多维特征空间的重叠，快速处理类层次关系^[10]。最近邻法可以有效地区分同谱异物的地类，适用于光谱混淆较为严重的地物类别提取。

在本次试验中，试验区灌丛沼泽与其他地类光谱混淆较为严重，部分水体表面长有浮游水生植物，呈现墨绿色，与灌丛沼泽植被密集区光谱特征类似。灌丛沼泽植被稀疏区呈现灰白色，与裸地特征相近。故灌丛沼泽与水体、裸地等地物区分不明显，光谱混淆较为严重。因此，本次试验先分别选取试验区各个地类的样本，特别是对于灌丛沼泽湿地，选取其不同光谱表现特征的样本；然后，通过特征选择得到最优特征子集，利用这些特征训练样本并对试验区执行最近邻法监督分类，得到最终的灌丛沼泽边界提取结果。

天湖湿地根据第二次全国湿地调查结果，本文试验区类型以灌丛沼泽为主。本文采用的Landsat 8 TM影像包含海岸、蓝、绿、红、近红外、短波红外1、短波红外2波段共7个波段，空间分辨率为30 m，影像尺寸大小为304像素×243像素，用于确定天湖灌丛沼泽湿地边界提取最佳时相；高分2号影像包含红、绿、蓝和近红外4个波段，空间分辨率为0.8 m，影像尺寸大小为11 048像素×9 576像素，用于提取灌丛沼泽精确边界。辅助试验数据为试验区第二次全国湿地调查数据。

1) 最佳时相选取。本文在Landsat 8 TM影像(红、短波红外1和短波红外2波段)上叠合湿地调查数据进行最佳时相的选取，对比分析图如图 2所示。经过目视判别，本次试验选择2015-08-02作为最佳时相，在该时相下，灌丛沼泽区域与周围区域区别较为明显，边界与湿地调查数据较为吻合。选取距离2015-08-02最近的2015-07-25的高分二号影像作为灌丛沼泽湿地边界提取数据源，进行后续试验。

图 2(Fig.2)

图 2 灌丛沼泽湿地2015年各月份Landsat 8彩红外影像 Fig.2 Landsat 8 Color-Infrared Images of Shrub Swamp in 2015

2) 影像多尺度分割。设置多尺度影像分割尺度因子范围为150~300，间隔为10，对影像进行不同尺度因子的多尺度影像分割，得到的ROC-LV图像如图 3所示。

图 3(Fig.3)

图 3 ROC-LV变化曲线 Fig.3 Curve of ROC-LV

由图 3可以确定，多尺度分割的最优尺度因子为180、210、240、260、280。利用最优尺度因子，结合试验区灌丛沼泽特征，最终选定的尺度因子是240，形状因子为0.3，紧致度因子为0.7, 对试验区进行多尺度分割，得到的多尺度分割影像如图 4所示。

图 4(Fig.4)

图 4 多尺度分割之后的影像 Fig.4 Result of Multi-scale Image Segmentation

3) 灌丛沼泽分类特征选择。利用多尺度分割得到分割对象，提取得到分割对象的光谱特征、纹理特征、结构特征等特性。对这些特征分别计算Fisher分数，计算结果如表 1所示。

表 1(Tab.1)

表 1 分类特征Fisher分数计算结果 Tab.1 Results of Fisher Scores of Classification Features

表 1 分类特征Fisher分数计算结果 Tab.1 Results of Fisher Scores of Classification Features 特征分类 特征 Fisher分数 特征 Fisher分数 光谱特征 近红外均值 3.142 7 对象内最大差异 0.895 0 亮度 2.208 8 近红外波段标准差 0.065 2 饱和度 2.180 9 色调 0.044 2 红波段均值 2.145 3 绿波段标准差 0.041 1 蓝波段均值 2.009 7 红波段标准差 0.041 1 绿波段均值 1.974 0 蓝波段标准差 0.038 2 密度 1.865 6 - - 结构特征 边界长度 0.110 0 不对称性 0.050 2 面积 0.105 0 长度 0.049 5 边界指数 0.052 9 宽度 0.044 0 密度 0.050 8 长宽比 0.034 9 形状指数 0.050 4 紧致度 0.023 5 纹理特征 近红外波段同质性 0.272 4 绿波段熵 0.148 5 近红外波段对比度 0.260 4 蓝波段对比度 0.146 6 红波段熵 0.200 3 红波段对比度 0.146 0 蓝波段同质性 0.188 4 蓝波段熵 0.133 7 近红外波段熵 0.188 3 近红外波段均值 0.031 6 绿波段同质性 0.181 1 红波段均值 0.019 9 红波段同质性 0.175 1 绿波段均值 0.015 3 绿波段对比度 0.151 4 蓝波段均值 0.011 0

由表 1可以看出，试验区影像分割对象结构特征(基于灰度共生矩阵)和纹理特征的Fisher分数很小，表明纹理特征和结构特征区别不明显，而光谱特征的Fisher分数较大，表明试验区灌丛沼泽光谱上与周围地类差异较大，故主要依据光谱特性完成灌丛沼泽的提取。本文选择Fisher分数较大的近红外波段均值、亮度、饱和度、红波段均值、蓝波段均值、绿波段均值、密度特征组成分类特征向量组。

4) 灌丛沼泽湿地边界提取。灌丛沼泽在试验区内的光谱表现特征并不唯一，因此，本次试验依据光谱表现形式的不同将灌丛沼泽划分为灌丛沼泽1、灌丛沼泽2和灌丛沼泽3共3类，将其他地物分为水体、农田和裸地3类，建立了试验区分类系统。分别选取各地类的均匀样本，利用特征选择得到的分类特征组进行样本训练，执行最近邻法监督分类，提取得到不同表现特征的灌丛沼泽湿地区域。对分类结果进行合并、去除小图斑等分类后操作，得到灌丛沼泽湿地区域图斑，与湿地调查数据进行空间相交后，得到最终的灌丛沼泽湿地边界，如图 5所示。

图 5(Fig.5)

图 5 灌丛沼泽湿地边界提取结果 Fig.5 Boundary Result of Shrub Swamp

5) 提取结果精度评价。以试验区灌丛沼泽湿地调查边界和人工解译边界为参考，对提取结果进行精度评价。其中，人工解译边界经最佳时相高分2号融合影像人工解译并进行实地核查确定，代表真实的灌丛沼泽湿地自然边界。精度评价以图斑为单位，评价指标为两个面矢量边界线的相对位移，即算法提取的湿地边界点到参考湿地边界的距离，定量反映算法提取边界和参考湿地边界的重合程度。具体指标包括最小距离、最大距离、平均距离和中误差，分别代表了算法提取边界和参考边界的最小偏移量、最大偏移量、平均偏移量和偏移距离中误差，精度评价结果如表 2所示。

表 2(Tab.2)

表 2 灌丛沼泽湿地边界提取精度评价 Tab.2 Accuracy Evaluation of Boundary Extraction of Shrub Swamp

表 2 灌丛沼泽湿地边界提取精度评价 Tab.2 Accuracy Evaluation of Boundary Extraction of Shrub Swamp 图斑编号 对比对象 边界的重合程度评价 最小距离/m 最大距离/m 平均距离(< 100 m) 中误差(< 200 m) 1 人工解译 0.00 120.58 5.66 15.15 湿地调查 0.00 607.35 83.42 103.69 2 人工解译 0.00 1 396.04 28.13 181.50 湿地调查 0.00 450.04 73.20 71.01

由表 2可知，灌丛沼泽边界算法提取结果与湿地调查数据和人工解译数据相比，边界重合程度的平均距离和均误差指标均在限差之内，提取效果较好，精度较高，表明基于面向对象最近邻法监督分类的灌丛沼泽湿地边界提取方法可行。

本文提出了一种基于面向对象最近邻法监督分类的高分遥感影像灌丛沼泽湿地边界提取方法。通过全年多期Landsat 8 TM影像确定灌丛沼泽最佳提取时相，在对应时相的高分二号融合影像上，通过影像多尺度分割、特征选择和最近邻法监督分类，提取得到灌丛沼泽区域，确定灌丛沼泽边界。试验表明，面向对象最近邻监督分类的方法可以获得更准确的区域边界。该方法已在宁夏回族自治区湿地自然边界确定项目中得到应用。