基于地形限制特征的涇河流域遙感植被分類

1、基于地形限制特征的涇河流域遙感植被分類洪軍1，葛建平1，蔡體久2,1(1，北京師范大學生命科學院，北京，100875；2， 東北林業(yè)大學林學院，哈爾濱，150040)摘要：由于在計算方法和空間分辨率等方面存在局限性，基于粗分辨率遙感數據的傳統(tǒng)非監(jiān)督分類結果在不同地物過渡帶內往往誤差較大。本文提出了基于地形限制特征的分類方法，在非監(jiān)督分類的基礎上，運用地形限制條件進行二次判別分類，結果表明，分類精度要明顯提高，其中，農田和居民點分類精度的提高最為明顯。這一方法使得完全同質的單元可以進行屬性的變更，改善了像元空間分辨率差造成的誤差；而地形限制特征的引入在減少遙感分類不確定性，使模糊區(qū)域的分類有了較

2、為明確的區(qū)分特征，提高了分類的精度。關鍵詞：像元細分 地形限制特征 遙感植被分類 涇河流域 1引言隨著遙感技術的發(fā)展，人類可以更好地揭示、描繪和刻劃地球表面覆被特征，從而有助于更加深入了地球表層發(fā)生的各種現象和過程。雖然近年來新的遙感影像分類方法不斷出現，如模糊集（Fuzzy Set）1、神經網絡分類器（Neural Net Classifer）2，3、空間逐步尋優(yōu)模型（Stepwise Optimization Marking Model）4、分層聚類（Hierarchial Clustering）5等等，在影像分類精度等方面有了不少的改進，但由于這些方法上多集中多利用高分辨率的遙感影像進行

3、的小范圍案例研究上，對于采用多時相遙感數據為信息源的區(qū)域和全球尺度的研究很難加以應用。多時相數據往往具有高時間分辨率、低空間分辨率的特點，對于地面景觀較為破碎的區(qū)域，其像元特征是地表多特征的空間集合，在分類結果中往往是各種類型的混合體，給分類帶來了一定的難度。大量的研究表明，輔助數據（如高程數據、降水量、溫度、土壤數據等）參與分類，可以提高分類的精度6-8。目前，在景觀和群落尺度的植被格局分析中，地形因素的作用已經引起關注9-12。日本植被生態(tài)學家以不同的方式進行地形單元分類和賦值，對亞熱帶森林群落、物種及干擾的分布格局和地形的相關關系做了大量的研究工作，從理論上分析了地形對生態(tài)系統(tǒng)格局和過程

4、產生影響的各個方面13，14。Ostendorf等（1998）根據阿拉斯加北部山地植被格局受地表徑流深的控制，利用GIS從數字高程模型（DEM）中說生成坡度分布圖和涇流分布圖，建立了一個基于地形的植被格局模型15。Brigitt（2002）證明地形是促使植被格局形成的一個重要因子16。本文以涇河流域為例，在傳統(tǒng)非監(jiān)督分類的基礎上，將非監(jiān)督分類的結果細化，利用設定地形限制條件對細分后的像元進行二次分類，從而達到提高分類精度的目的。2試驗數據與研究方法21研究區(qū)域選擇試驗區(qū)位于地處陜甘寧交界處的涇河流域。涇河流域位于黃土高原中部，106°20¢108° 48¢

5、;E，34° 24¢37°20¢N，處于六盤山和子午嶺之間，流域絕大部分屬于隴東黃土高原，是渭河流域的最大支流，黃河的二級支流。流域總面積約45421km2，是黃河中游四大支流無定河、渭河、涇河和北洛河中來沙量最多的一條支流17-18。22試驗數據選擇與預處理本研究選用由全球土地利用數據庫GLCF（Global Land Cover Facility）提供的歐亞大陸32天組合MODIS（Medium O）1，2波段數據。原始數據采用Interrupted Goode Homolosine投影方式，所有數據均被投影轉換為Albers投影，空間分辨率為500

6、m。研究主要通過比值法將1、2通道數據合成歸一化差異植被指數（Normalized Difference Vegetation Index，NDVI），將2002年1月至2003年1月的11副圖像合成多時相NDVI數據集合，多時相數據將作為分類的基礎數據。其中一幅圖像原始數據存在較大的質量問題，不參與分類。在分類系統(tǒng)上，本研究在IGBP和UMD分類系統(tǒng)的基礎上，針對涇河流域，構建了一個新的地表覆被分類系統(tǒng)，定義及描述見表1。表1 本研究采用的土地覆被分類系統(tǒng)編碼及描述Tab.1 Code and Description of Land Cover Classification System i

7、n Research Project類型編碼描述Forest1Lands dominated by tress with a percent canopy cover > 60% and height exceeding 5mClosed bushlands or shrublands2Lands dominated by bushes or shrubs. Bush and shrub percent canopy cover is > 40%. Bushes do not exceed 5m in height, tree canopy is < 10%. The rem

8、aining cover is either barren or herbaceous. Note that perennial woody crops will be classified as the appropriate shrubs land cover type.Opened shrublands3Lands dominated by shrub. Shrub canopy cover is > 10% and < 40%. Shrubs do not exceed 2m in height. The remaining cover is either barren o

9、r herbaceous.cropland4Lands with > 80% of the landscape covered in crop-producing fields.High density grassland5Lands with continuous herb and < 10% tree or shrub canopy cover. Herb cover is >60 %Medium density grassland6Lands with herb and < 10% tree or shrub canopy cover. Herb cover is

10、 >30 % and < 60%Low density grassland7Lands with herb and < 10% tree or shrub canopy cover. Herb cover is < 30%. There is no desert on land surface.Semi-desert grassland8Lands with herb and < 10% tree or shrub canopy cover. Herb cover is < 10%, and there is desert area on land surf

11、ace at local site.Urban and Built-up9Lands covered by building or other man-made structure23研究方法首先對多時相數據進行非監(jiān)督分類，將研究區(qū)域的地表覆被進行初步分類，然后利用野外調查資料、1：25萬地理空間數據、ETM數據（99年至2002年，計9景），建立地形限制特征，根據這些特征或者特征組合，將初步分類結果按照1：25萬數據細分為同質的單元，繼而根據設定的地形限制特征或者特征組合識別地表覆被類型，從而完成分類，最后對分類精度進行評價。具體過程見圖1所示：圖1 基于地形限制特征的遙感分類過程Fig.1

12、 Process of Vegetation Remotely Sensed Classification Based on Topographical Characteristics231遙感數據分類及細分遙感影像初步分類主要采用非監(jiān)督分類（Unsupervised Classification）。非監(jiān)督分類只是根據遙感數據本身多時相性所包含的植被季相特征的差異，將多維空間特特征相似的點聚焦成一個“點群”，每個“點群”形成一個相對獨立的類型。這些類型只是對像元進行了區(qū)分，并不確定各類的屬性，分類后必須進行后處理，以確定類型及其屬性；由于只是利用圖像的統(tǒng)計特征作為分類的基礎，非監(jiān)督分類的一個最

13、大缺點就是分類后同物異譜、同譜異物現象明顯，分類精度往往較低，難以滿足研究的需要。同時，由于數據空間分辨率的限制，非監(jiān)督分類的結果往往是各種類型的混合體，特別是在植被類型較為復雜的區(qū)域和過渡帶更為明顯，在一定程度上降低了分類的精度。在本研究的初步分類中，將研究區(qū)域的地表覆被類型區(qū)分為25種類型，這些類型間存在著重合（即2種或多種類型同屬于一種地物）與交叉（即1種類型屬于兩種地物）；前者可以通過后分類處理的標定工作實現，對于后者，本研究采用將像元細分后通過設定地理限制條件的方法來實現。具體做法是將非監(jiān)督的分類結果按照1：25萬空間數據要求進行細分，將分辨率為500m的非監(jiān)督分類結果細分為100m

14、空間分辨率的同屬性單元，然后利用地形特征限制條件對細分的單元進行二次分類，以達到提高分類精度的目的。像元細分及二次分類過程見圖2所示：圖2 像元細分及子像元二次分類Fig.2 Subdivision and Second-classification of Image cell232地形限制特征的構建在本研究分類的整個過程中，非監(jiān)督分類將研究區(qū)域內時相特征表現相似的像元劃定為一種類型，其整體結果在一定梯度上反映了地表植被覆被情況，例如在本研究非監(jiān)督分類結果的第25類可以初步判斷為森林，第1類可以初步判斷為半荒漠草原或者城鎮(zhèn)類型，整個分類結果呈半荒漠草原、城鎮(zhèn)草地農田灌叢森林梯度排列，類型的混淆

15、往往發(fā)生在兩種地物發(fā)生突變的過渡區(qū)域。細分的結果將非監(jiān)督分類的結果劃定為一些同屬性的子類，為了準確識別每一個子類，找出每一個類的獨特的特征組合，本文利用1：25萬地理空間數據，通過GIS手段獲取涇河流域坡度、坡向、海拔、河網分布特征等信息。25°臨界坡度（根據國家天然林保護工程，>25°的坡耕地必須還林或者還草。根據兩次考察，該區(qū)域>25°的坡耕地基本已經實現還草。）、陰陽坡植被差異（陽坡中低蓋度草地出現的概率要明顯高于高蓋度草地的概率，陰坡相反）、植被分布海拔梯度特征、河網周圍植被分布特征（河網周圍一定范圍是農田出現的高頻率地帶）等信息將會作為構建地

16、形限制條件的信息源；利用1999年至2002年覆蓋全流域的ETM+數據，通過人機交互式解譯，獲取農田、草地、森林、城鎮(zhèn)等易目視解譯的地物的大致分布范圍，這種人機交互式解譯可以獲取較為準確的農田、森林、城鎮(zhèn)的分布范圍，可作為判斷這些類型分布的限制特征；2003年、2004年先后兩次前往涇河流域進行實地考察，沿途設置調查樣點和樣帶，記錄地表覆被基本狀況，形成第一手的輔助分類的限制條件，這些資料將有助于判斷混淆類型的歸屬問題。例如：在農田與草地混淆的地帶，坡度<10°的區(qū)域基本可以判定為農田，而坡度>25°的地方基本可以判定為草地；落入農業(yè)區(qū)的森林類型基本可以判斷為灌

17、叢類型；陽坡草本為中低密度草地的概率明顯高于高蓋度草地出現的概率，輔以區(qū)域海拔梯度特征，能較好區(qū)分3種不同蓋度的草地；落入ETM+解譯城鎮(zhèn)范圍的非監(jiān)督分類第1類基本可以判定為城鎮(zhèn)等等。3結果與討論31兩種不同分類方法精度檢驗為了驗證不同分類結果的精度，本研究在野外調查數據中隨機抽取352個樣點，兩種不同分類方法的精度見表2。傳統(tǒng)非監(jiān)督分類將預分的25類通過類組合合并為本文定義的9種基本地表覆被類型。表2 兩種不同方法下的分類精度報告Tab.2 Classification accuracy report based on two different classification method非

18、監(jiān)督分類基于地理限制特征的分類類名參考像元正確分類像元精度%正確分類像元精度%1544277.78%4685.19%2423071.43%3583.33%3402870.00%3485.00%4684464.71%5885.29%5362569.44%3083.33%6322578.13%2887.50%7403177.50%3485.00%8282175.00%2382.14%912758.33%1083.33%合計352253296整體分類精度：71.88%整體分類精度：84.09%32結果比較與分析由表2可以看出，基于地形限制特征的分類精度較傳統(tǒng)的非監(jiān)督分類有了較大的改善。傳統(tǒng)的非監(jiān)督分

19、類是建立像元光譜特征的統(tǒng)計分析基礎之上，限于方法本身的局限性和空間分辨率的限制，在不同地物過渡帶內往往誤差較大，見圖3。我們通過將非監(jiān)督分類結果細分，同屬性區(qū)域首先被建立，然后將地形限制條件運用于這些同屬性子像元上，進行二次判別分類，各種地物類型的分類精度都有了較大的改善。這種基于地形限制特征的子像元二次分類的精度要明顯要高于傳統(tǒng)的基于像元層次的非監(jiān)督分類。其中，農田和居民點分類精度的提高最為明顯。在分類中，地形限制特征的選擇過程也是各種領域知識、專家經驗和規(guī)則融入分類的過程，從而使基于地形限制特征的分類更加具有智能性。像元細分使得完全同質的單元可以進行屬性的變更，改變了基于像元分類的局限性；

20、而地形限制特征的引入在減少遙感分類不確定性的同時，也提高了分類的精度。整個流域的分類結果見圖4。圖3 兩種分類結果對比（局部）Fig.3 Comparison of two classification result (local area showed)圖4 不同分類方法下涇河流域土地覆被圖圖4 land cover maps of Jinhe watershed derived from two different classification method4結論與討論本文在傳統(tǒng)非監(jiān)督分類的基礎上，提出將非監(jiān)督分類結果細化，基于地形限制特征的植被遙感分類方法。該方法在分類精度上較傳統(tǒng)非監(jiān)督

21、分類有了較大的改善，地形限制特征的引入只是一個初步的嘗試，在今后的工作中我們將會嘗試多特征用于粗分辨率數據的分類。在本文研究中亦發(fā)現，像元的細分在一定程度上加大了研究區(qū)域地表覆被遙感分類結果的破碎化程度。如何確定適合空間尺度，在保持分類精度的同時降低分類結果的破碎化程度亦是今后分類中必須面對的一個問題。感謝GLCF提供MODIS數據，國家基礎信息中心提供涇河流域1：25地理空間數據，感謝2003年和2004年前往涇河進行野外考察的全體同仁，同時感謝不知名的評委在百忙之中對本文的關注。參考文獻1. Maselli F, Rudolf A, Conse C. Fuzzy classificatio

22、n of Spatially Degraded Thematic Mapper Data for the Estimation of sub-Pixel ComponentsJ. International Journal of Remote Sensing, 1996, 17: 537-5512. Foody G. Image Classification with Neural Network: From Completely-crisp to Fully Fuzzy SituationsM. Advances in Remote Sensing and GIS Analysis. Chi

23、chester: Wiley&Son, 1999: 17-373. Skidmore A, Tumer B, Brinkbof W et al. Performance of Neural Network: Mapping Forest Using GIS and Remotely Sensed DataJ. ISPRS Journal of Photogrammetric Engineering & Remote Sensing, 1997,63:501-5144. Zhou C H, Luo J C, and Yang C J et al. Geographical Und

24、erstanding and Analyses of Remote Sensed ImageryM. Beijing Science Press, 2001. 周成虎，駱劍承，楊存建等， 遙感地學理解與分析M. 北京：科學出版社，2001：5. Luo J C, Leng Y, and Zhou C H. Scale Space based Hierarchical Clustering Method and its Application to Remotely Sensed Data ClassificationJ. Acta. Geodaetica at Catographica Sin

25、ica, 1999,28(4):319-324.駱劍承，梁怡，周成虎. 基于尺度空間的分層聚類方法及其在遙感影像分類中的作用J. 測繪學報，1999，28（4）：319-3246. 陳玉敏. 基于神經網絡的遙感影像分類研究. 測繪信息與工程,2002,27(3):6-87. 陳云浩，李曉兵，史培軍. 19831992年中國陸地NDVI變化的氣候因子驅動分析. 植物生態(tài)學報,20021,25(6):716-7208. 陳云浩，李曉兵，史培軍. 基于遙感的植被覆蓋變化景觀分析以北京海淀區(qū)為例. 生態(tài)學報,2002,22(10):1581-15869. Kikuchi T., A DCA Analy

26、sis of Floristic Variation of Plant Communities in Relation to MIcroland from Variation in hillshade area. Ecological Review, 1990,22:25-3110. Pinder J. E., Kroh G. C., White J. D. et al., The Relationships Between Vegetation Types and Topography in Lassen Vocalnic National Park. Plant Ecolgy, 1997,

27、44:165-17611. 沈澤昊，張新時，金義興. 地形對亞熱帶山地景觀尺度植被格局影響的梯度分析. 植物生態(tài)學報，24（4）：430-43512. Kikuchi T., Miura O., Vegeation Patterns in Relation to Micro-scale Landforms in Hilly Land Regions. Vegeation,1993,106:147-15413. Hara M., Harding R. J., Relationship Between Micro-landform and Vegetation Structure in an Ev

28、ergreen Broad-leaved Forest on Okinawa Island, S-W, Japan. Natural History Research, 1996,4(1):27-3514. Swansond F. J., Kratz T. K., Caine N., Landform Effects on Ecosystem Patterns and Process. Bioscience,1988,38:92-9815. Ostendorf B., Reynold J. F., A Model of Arctic Tundra Vegetation Derived From

29、 Topographic Gradients. Landscape Ecology, 1998,13:187-20216. Brigitte D., Landscape Pattern in Topographically Complex Landscapes: Issues and Techniques for Analysis. Landscape Ecology, 2002,17:729-74317. Ran D C, Wu Y H. Discussion on Controlling Guideline and Eco-environmental Construction of Soi

30、l and Water Conservation in Jinhe River BasinJ. Research of Soil and Water Conservation, 2003,2(10):58-59. 冉大川,吳永紅. 涇河流域水土保持生態(tài)環(huán)境建設與治理方略芻議. 水土保持研究,2003,2(10):58-5918. Wang X Y, Gao J En, An M X, Analysis of Flow and Sediment Characteristics of Jinghe RiverJ. Northwest Water Resources & Water Engi

31、neering, 2001,3(12):21-24. 王小艷，高建恩，安夢雄. 涇河水沙基本特性分析. 西北水資源與水利工程, 2001,3(12):21-24Land cover Classification of Remotely Sensed Imagery using Topographical Features Based Approach: A Case Study on Jinhe WatershedHong jun1, Ge jian-ping1, Cai ti-jiu2,1(1, Life Sciences College, Beijing Normal University

32、, Beijing, 100875, China)(2, Forestry College, North-East Forest University, Harbin, 150040, China)Abstract: In region, continent and global scale, multi-temporal imagery, such as NOAA-AVHRR series image, SPOT-VEGETAYTION image and MODIS series image, often be used to research the land cover pattern by the non-supervised classification method. With the limitation of classification method and spatial resolution, traditional non-supervised classification often result in large errors in the transition zone in which th