一、引言

水生態(tài)空間是指河流、湖泊、水庫(kù)、濕地、蓄滯洪澇區(qū)的管理和保護(hù)范圍，承擔(dān)著維持水生態(tài)系統(tǒng)健康穩(wěn)定、保障水安全等多重功能，是為人類提供水生態(tài)系統(tǒng)服務(wù)的重要生態(tài)空間。近年來(lái)，由于多重因素的影響，水生態(tài)空間的結(jié)構(gòu)和功能受到威脅和破壞水生態(tài)空間范圍內(nèi)的地物組成是影響水生態(tài)空間健康狀況的重要因素，因此了解和掌握水生態(tài)空間的重要地物類型分布可以為其健康評(píng)估以及未來(lái)生態(tài)規(guī)劃起到關(guān)鍵性作用。遙感具有快速、實(shí)時(shí)和大范圍的動(dòng)態(tài)監(jiān)測(cè)能力和優(yōu)勢(shì)，發(fā)展基于遙感技術(shù)的水生態(tài)空間范圍內(nèi)地物類型精細(xì)分類方法可以為其綜合性治理與規(guī)劃提供技術(shù)支持。

光學(xué)遙感影像是地物分類的主要數(shù)據(jù)源，可分為多光譜遙感和高光譜遙感分類。多光譜遙感數(shù)據(jù)種類和數(shù)量多，空間分辨率高，廣泛應(yīng)用于地物類型分類研究。但由于多光譜遙感數(shù)據(jù)獲取到的波段數(shù)較少，對(duì)異物同譜的地物識(shí)別精度有限。相比之下，高光譜遙感數(shù)據(jù)能夠獲取到可見光到短波紅外范圍內(nèi)數(shù)百個(gè)窄波段的反射率數(shù)據(jù)，在精細(xì)地物類型分類方面具有巨大的應(yīng)用潛力。但由于高光譜數(shù)據(jù)種類和數(shù)量較少且空間分辨率一般低于多光譜遙感數(shù)據(jù)，其應(yīng)用相對(duì)匱乏。近年來(lái)，隨著中國(guó)多顆高光譜衛(wèi)星的發(fā)射，極大提高了高光譜數(shù)據(jù)的獲取能力。 目前,高光譜數(shù)據(jù)在水生態(tài)、水環(huán)境等方面的應(yīng)用較少，因此亟需評(píng)估高光譜數(shù)據(jù)用于水生態(tài)空間范圍內(nèi)地物精細(xì)分類的可行性并探索適宜的分類方法。

研究基于高光譜數(shù)據(jù)的北京市密云水庫(kù)水生態(tài)空間地物類型精細(xì)分類方法，確定水生態(tài)空間重要地物識(shí)別的最優(yōu)特征子集，實(shí)現(xiàn)水生態(tài)空間地物精細(xì)分類。此外,通過對(duì)高光譜遙感數(shù)據(jù)與多光譜數(shù)據(jù)的分類結(jié)果進(jìn)行比較，分析了高光譜遙感數(shù)據(jù)在水生態(tài)空間地物精細(xì)分類的優(yōu)勢(shì)。

二、研究區(qū)及數(shù)據(jù)源

2.1研究區(qū)與地面特征

選擇北京市密云水庫(kù)水生態(tài)空間范圍作為研究區(qū),如圖1所示。根據(jù)密云水庫(kù)水生態(tài)空間典型地類的分布特點(diǎn),可以將地物精細(xì)分類的類別分為5類:水體、不透水面及裸土、板栗林、農(nóng)田和草地、其他林地。

圖1 研究區(qū)地理位置

表1 訓(xùn)練集和驗(yàn)證集中的樣本數(shù)量

為了獲取研究區(qū)地物類型的實(shí)際分布數(shù)據(jù),于2022年8月1日至4日開展了野外調(diào)查工作,在調(diào)查同期進(jìn)行地物類型的樣本選擇,各類別多光譜影像上獲取的訓(xùn)練集和驗(yàn)證集樣本數(shù)列于表1。由于各類型的包含樣本量不同,所以本研究對(duì)每個(gè)類型單獨(dú)進(jìn)行隨機(jī)劃分,訓(xùn)練集和測(cè)試集的樣本比例約為2:1。

三、研究方法

3.1 J-M距離分析

J-M距離是一種判斷類別可分性的重要指標(biāo)，研究表明相比于其他指標(biāo)(如離散度、J-M距離）更適合用于判斷類別可分性。J-M距離的取值在0～2之間，值越大代表可分性越好，其中0代表完全不可分，2代表完全可分，當(dāng)J-M距離大于1.9時(shí)說明可分性較大.主要采用J-M距離判斷類別之間的可分性，計(jì)算公式如下:

3.2研究方法

3.2.1分類體系及樣本選取

采用隨機(jī)森林分類算法(RF)構(gòu)建水生態(tài)空間地物精細(xì)分類模型(見圖2)。RF算法是由多棵決策樹組成的集成算法，與神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等機(jī)器學(xué)習(xí)算法相比，RF算法魯棒性較強(qiáng)，運(yùn)算效率高，具有處理高維數(shù)據(jù)和不均衡數(shù)據(jù)的優(yōu)勢(shì)。RF算法利用自助采樣策略隨機(jī)且有放回地從原始數(shù)據(jù)集中抽取一定數(shù)量的樣本，對(duì)每個(gè)訓(xùn)練集建立決策樹分類模型。

圖2隨機(jī)森林分類算法

RF算法中，特征選擇的隨機(jī)性也使得每個(gè)特征子空間存在一定差異。因此，特征選擇和樣本集自助采樣過程共同增加了決策樹構(gòu)造的隨機(jī)性。而RF的整體分類結(jié)果是每棵決策樹分類結(jié)果的綜合，泛化誤差低。

根據(jù)已有研究可知，RF算法中有兩個(gè)重要參數(shù)需要設(shè)置，分別為特征子集的個(gè)數(shù)和決策樹的數(shù)量。兩個(gè)參數(shù)的值通過交叉驗(yàn)證確定。其中特征子集個(gè)數(shù)的取值為1～5，步長(zhǎng)為1，決策樹的數(shù)量的取值為100～600，步長(zhǎng)為100。通過對(duì)特征子集的個(gè)數(shù)和決策樹的數(shù)量進(jìn)行組合，分別構(gòu)建模型，對(duì)比模型精度確定最佳的取值。最終確定特征子集的個(gè)數(shù)和決策樹的數(shù)量的值分別為2和300。RF算法不僅可以輸出分類結(jié)果，還能夠輸出分類特征的重要性排序。

四、結(jié)果與分析

4.1典型地物高光譜反射特征

圖3(a)為5種地物類型的高光譜反射特征(樣本平均值)，可以發(fā)現(xiàn)每種地物類型的光譜反射曲線均符合其典型的反射光譜特性。其中林地(板栗林和其他林地)、農(nóng)田和草地在近紅外的混淆程度較高，但在可見光、紅邊波段和短波紅外波段的區(qū)分度較大。圖3(b)給出了5種地物類型的NDVI分布，從圖3(b)可以發(fā)現(xiàn)，不同地物類型NDVI分布區(qū)間有一定的差別。農(nóng)田和草地的NDVI分布值低于林地(板栗林和其他林地)，但板栗林和其他林地的NDVI混淆程度較嚴(yán)重，說明僅利用紅和近紅外譜段無(wú)法實(shí)現(xiàn)板栗林的精細(xì)識(shí)別。

圖3 典型地物光譜曲線 (a) 及其 NDVI 分布箱形圖 (b)

4.2 J-M距離可行性

根據(jù)高光譜數(shù)據(jù)得到的結(jié)果可知，不透水面及裸土和水體與其他類別具有明顯的可分析，J-M距離大于1.9。板栗林、農(nóng)田和草地、林地三者之間J-M距離在1.5～1.8范圍內(nèi)，說明三者之間存在一定的光譜可分性，但也存在一定程度的混淆。

其中，農(nóng)田和草地與板栗林和其他林地之間的J-M距離分別為1.7260和1.7470，而板栗林與其他林地的J-M距離為1.5003，可分性弱于其他地物類型之間的可分性。由多光譜數(shù)據(jù)計(jì)算的JM距離可以發(fā)現(xiàn)，農(nóng)田和草地、不透水面及裸土、其他林地和水體之間的J-M距離要略高于高光譜數(shù)據(jù)，這可能是由于多光譜數(shù)據(jù)具有較高的空間分辨率，以及高光譜數(shù)據(jù)在計(jì)算J-M距離時(shí)采用了所有波段作為輸入，沒有去除冗余波段和低相關(guān)波段等的影響。此外，多光譜數(shù)據(jù)計(jì)算的板栗林和其他林地之間的J-M距離僅為0.8491，說明二者之間可分性較差。

4.3分類模型對(duì)比

表2為利用多光譜數(shù)據(jù)的分類混淆矩陣，其OA和Kappa系數(shù)分別為85.91%和82%。由表2可知，水體、不透水面及裸土、農(nóng)田和草地3類的分類精度較高，且農(nóng)田和草地對(duì)應(yīng)的UA和PA顯著高于高光譜數(shù)據(jù)。這是由于密云水庫(kù)水生態(tài)空間范圍多以林地為主，農(nóng)田和草地的面積小且分布較破碎，增加了樣本選擇的難度。相比之下，多光譜數(shù)據(jù)的空間分辨率較高，混合像元數(shù)量相對(duì)較少。本研究中，訓(xùn)練數(shù)據(jù)中農(nóng)田和草地的樣本個(gè)數(shù)為400，訓(xùn)練數(shù)據(jù)中農(nóng)田和草地的樣本個(gè)數(shù)為1000。

表2 驗(yàn)證集分類混淆矩陣

因此，訓(xùn)練數(shù)據(jù)的數(shù)量和質(zhì)量影響了分類精度，導(dǎo)致高光譜數(shù)據(jù)在農(nóng)田和草地類型上的分類精度顯著低于多光譜數(shù)據(jù)。但多光譜數(shù)據(jù)無(wú)法區(qū)分板栗林和其他林地，使得其他林地的PA僅為61.57%。根據(jù)高光譜數(shù)據(jù)構(gòu)建的最佳分類特征子集可知，大部分波段集中在短波紅外，而多光譜數(shù)據(jù)僅有2個(gè)短波紅外波段，不足以實(shí)現(xiàn)精細(xì)樹種分類。因此，上述結(jié)果綜合表明高光譜數(shù)據(jù)不僅可以實(shí)現(xiàn)5種地物類型的精細(xì)區(qū)分，且能夠?qū)崿F(xiàn)板栗林的可靠識(shí)別。最終，密云水庫(kù)水生態(tài)空間典型地物類型的空間分布如圖4所示。

圖4 密云水庫(kù)水生態(tài)空間典型地物類型分類結(jié)果

五、結(jié)論

分析了高光譜數(shù)據(jù)對(duì)于北京市密云水庫(kù)水生態(tài)空間范圍內(nèi)典型地物類型的精細(xì)識(shí)別能力。研究結(jié)果表明，高光譜數(shù)據(jù)可以較好區(qū)分水體、林地(其他林地、板栗林)、農(nóng)田和草地、不透水面及裸地，OA達(dá)到0.9361。其中高光譜數(shù)據(jù)在短波紅外范圍內(nèi)成功捕捉到了板栗林與其他林地反射特征的區(qū)別，實(shí)現(xiàn)了二者的區(qū)分。但由于空間分辨率較低(30m)且受云覆蓋影響導(dǎo)致板栗林的樣本較少，混合像元數(shù)量多，但仍可以實(shí)現(xiàn)81.25%的生產(chǎn)者精度和73.03%的用戶精度，因此在提高影像質(zhì)量(無(wú)云影像)和增加樣本量的情況下，高光譜數(shù)據(jù)可以實(shí)現(xiàn)更高精度的板栗林識(shí)別。而具有10m空間分辨率的多光譜數(shù)據(jù)無(wú)法實(shí)現(xiàn)板栗林的識(shí)別，也證明了高光譜數(shù)據(jù)在樹種分類方面的有效性和優(yōu)越性。高光譜儀器可在密云水庫(kù)水生態(tài)空間范圍內(nèi)實(shí)現(xiàn)較為準(zhǔn)確的精細(xì)地物類型分類，為相關(guān)部門提供可靠的基礎(chǔ)數(shù)據(jù)，并且可結(jié)合相關(guān)數(shù)據(jù)實(shí)現(xiàn)該地區(qū)的水生態(tài)空間健康評(píng)估(例如根據(jù)板栗林的面積等信息評(píng)估水土保持情況)，為水生態(tài)空間的合理規(guī)劃和綜合治理提供技術(shù)支持。

推薦：

便攜式高光譜成像系統(tǒng)iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫(yī)學(xué)醫(yī)療、精準(zhǔn)農(nóng)業(yè)、礦物地質(zhì)勘探等領(lǐng)域的最新產(chǎn)品，主要優(yōu)勢(shì)具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性價(jià)比特點(diǎn)采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學(xué)設(shè)計(jì)，物鏡接口為標(biāo)準(zhǔn)C-Mount，可根據(jù)用戶需求更換物鏡。

審核編輯 黃宇