基于Sentinel-2A影像的互花米草信息提取研究

李京，劉亞靜，劉明月

(華北理工大學 礦業工程學院，河北 唐山 063210)

引言

植物入侵是當前生態研究方向熱點之一[1]?；セ撞菰a于大西洋沿岸，于1979年引入我國，1997年作為生態工程種引入九段沙自然保護區并進行定居和擴張[2-4]。面向對象分類方法區別于傳統基于單個像元的分類方法，以若干同質性像元集合作為對象處理單元，并綜合光譜、紋理、空間以及形狀等屬性信息，能夠很好地減小"椒鹽效應"現象，從而提高分類精度[5]。

該研究以Sentinel系列影像為數據源，基于eCognition平臺，通過面向對象-支持向量機分類算法，并構建分類特征空間，以九段沙自然保護區為研究對象進行2019年遙感影像解譯，以探索互花米草的在空間層面的分布狀況，為互花米草的分類以及動態監測提供理論依據。

1數據與方法

1.1 研究區概況

九段沙(31°03′～31°17′N，121°46′～122°15′E)位于上海市長江口外河段，北至長江口北槽深水航道，東至東海，西至長江。九段沙濕地經過自然演變而成，主要分為上沙、中沙、下沙三部分。該地區位于亞熱帶的北部區域，九段沙生物多樣性低，植被群落結構類型較為簡單，高等植物較少。根據2000年相關調查研究表明，九段沙自然保護區主要有海三棱藨草、蘆葦、互花米草等高等植被植物[6]。在1997年有"種引青鳥"工程在中沙人工種植互花米草50 hm2和蘆葦40 hm2，并且在下沙試種50 hm2互花米草[7]。經過自然演變以及種間競爭等因素，不斷演變形成互花米草群落、蘆葦群落以及海三棱藨草群落的分布格局。研究區地理位置如圖1所示。

圖1 研究區概況圖

1.2 數據來源及預處理

該項研究選取2019年Sentinel-2A遙感衛星影像，對長江口九段沙區域進行研究。盡量選取云量少、低潮位、質量較好的遙感影像。該研究選用影像數據見表1所示。

表1 影像列表及其參數

使用ENVI5.3軟件對影像執行大氣校正、幾何校正、輻射校正、圖像融合和裁剪等預處理工作，其中在九段沙研究區域內，互花米草、蘆葦以及海三棱藨草3種植被群落在一年中不同的季相會在影像中呈現一定的光譜相似性，所以在選擇影像的同時，有必要采用其他不同時段影像作為輔助解譯，并采用多時相、多季相影像以此來更好地區分植被類型，提高解譯精度。

1.3 研究方法

1.3.1最優分割尺度估計

尺度分割參數對面向對象分類結果的質量有重要影響。一般對于多尺度分割參數的確定需要不斷實驗不同的分割參數結合目視判斷分割效果。為減少方法的耗時性、主觀性，該研究采用最優分割尺度估計 (estimating the scale parameter 2，ESP2)來確定最佳分割尺度參數。ESP2的工作原理是對圖像數據進行分割后，利用得出分割尺度的變化率依據相關公式來計算結果局部方差的平均值的大小，然后依據所得出的圖像評估目標地物的最優尺度參數，將變化率曲線的峰值作為整個圖像對象最大異質性的表示[8]。ROC計算公式如(1)式所示：

(1)

式中：LVL-1表示尺度為L-1分割結果中所有對象的LV均值；LVL表示尺度為L時的分割結果中所有對象LV均值。

通過計算ROC的值并根據結果用尺度L繪制ROC曲線，曲線中存在峰值表明基于現有的尺度，特定類型的對象特征圖像可以實現最佳分割，即當LV變化率值具有最大峰值時，最佳分割比例就是與此點相對應的分割比例。由于圖像特征的多樣性和豐富性，ESP2計算出的最佳分割尺度參數主要是多個參數值，這主要是由于影像內存在多種優勢地物所引起的。所以，根據所要研究的地物通過實驗得出的峰值所對應的分割尺度可快速確定最佳分割尺度。

1.3.2面向對象分類

面向對象的遙感圖像分類方法不僅可以基于地物的光譜特征，還可以利用其形狀、紋理、大小以及對象層特征之間的關系，實現目標特征提取和更高層次的遙感圖像分類，從而提高了分類精度。這種分類方法可以有效避免基于像素的分類方法結果中產生的"椒鹽現象"，從而使分類結果具有良好的完整性。該研究基于面向對象分類軟件eCognition平臺，開展對九段沙互花米草與其他濕地景觀類型信息提取。主要過程包括：多尺度分割、特征選取以及構建分類器[9，10]。

通常，光譜異質性標準和空間異質性標準一起使用。確定形狀因子和光譜因子要在多尺度分割操作之前。由于這2個因素對異質性的影響最小，因此可以獲得整個圖像中所有對象的最小的平均異質性。

f=wcolorhcolor+(1-wcolor)hshape

(2)

hshape=wcompacthcompact+(1-wcompact)hshape

(3)

其中，異質性值f是通過4個變量因子計算得出：hcolor表示光譜異質性值；hshape表示形狀異質性值，其取值在0-1之間；wcolor表示光譜信息權重；wcompact表示用戶定義的權重。

1.3.3支持向量機

支持向量機(SVM)通過監督學習來對數據進行二元分類，它對解決復雜的、非線性的、高維空間的分類問題具有巨大潛力。支持向量機利用結構化風險最小化原理代替了傳統的經驗性風險最小化原理。從設計開始，它就已經定位為用于處理小樣本的機器學習方法。結構風險最小化的原則可確保在小樣本情況下數據分類的可靠性和準確性。

在實際計算中，核心思想是將選定的樣本點映射到高維特征空間，并通過構建最佳分類超平面來最大程度地降低分類風險的上限，如圖2所示。

圖2 線性可分支持向量機原理

對于樣本是線性可分離的情況，通過找到最佳超平面將2個類別的樣本點分離而沒有錯誤。如果一個平面可以正確地分離出2種類型的特征，即訓練樣本點的錯誤率是0，并且分類間隔最大，則該平面稱為最佳分類平面。遙感數據的大部分分類都屬于非線性問題的分類。與傳統遙感數據分類算法相比，該算法在大多數情況下都可以得到更好的分類結果。并且SVM在高維特征空間中獲得的分類精度較高，訓練速度以及收斂性等方面均可以達到很理想的效果[11]，如圖3所示。

圖3 特征空間映射

2互花米草提取與分析

2.1 基于ESP2確定最優尺度參數

基于eCognition9.0.2軟件實現面向對象的互花米草信息提取，采用多尺度分割方法獲取影像對象層，通過最優分割尺度估計(ESP2)確定多尺度分割參數。以下選取九段沙Sentinel-2A 為例，介紹基于ESP2確定多尺度分割參數的過程。其中主要的參數設置為：最小分割尺度為20、最大分割尺度為40、循環分割次數為100。在多尺度分割結束后，與每個分割尺度對應的局部方差將生成一個TXT文件，并將其保存在圖像所在的目錄中，并依據生成的TXT文件通過相關公式計算相應的ROC值，得到ROC_LV圖，然后調整坐標值的范圍，最后得到最優的分割尺度分析圖，如圖4所示。

圖4 不同分割尺度下的圖層局部方差變化率曲線

由圖4可以看出，在不斷變化的曲線中存在明顯的峰值信息，根據這些峰值信息查看相對應的數值的大小。經過對比和篩選，可以得出峰值的最優分割尺度分別為29、36、53、60、64以及92，利用這些所篩選出的最優分割尺度和已經確定的緊致度0.5和形狀因子0.2對遙感影像數據進行對比實驗，得到的局部分割效果如圖5所示。

圖5 多尺度局部分割效果

通過對潛在最優的尺度進行實驗，發現29、36和53尺度參數分割相對破碎，64和92尺度分割較為粗糙，尺度參數60剛好滿足分類的需求，既不過于破碎又能很好地將不同地物進行分割。

2.2 精度評價

首先采用生態地理采樣方法生成隨機采樣點，在研究區域內隨機生成驗證點。根據分類影像和Google Earth 影像以及統計歷史參考文獻數據確定驗證點的屬性值，分別統計互花米草驗證點中實際屬性為互花米草及非互花米草的數量；非互花米草驗證點中實際屬性為非互花米草及互花米草的數量。統計研究區域驗證點的類別屬性，根據數據生成混淆矩陣。根據混淆矩陣，計算分類結果的總體的分類精度和Kappa 系數。該項研究結合分類影像、Google Earth 影像以及歷史參考文獻數據最終評價覆蓋九段沙自然保護區的2019年影像分類結果的分類結果，最終計算結果如表2所示。

表2 2019年互花米草分類精度評價混淆矩陣

由表2可知，基于面向對象-支持向量機的2019年九段沙植被信息信息提取結果的總體精度和Kappa系數分別達到89%和86%。根據Kappa系數區間內，說明九段沙植被分布的遙感提取結果和九段沙實際空間分布具有高度的一致性。該結果提取精度表明：基于面向對象-支持向量機的九段沙植被信息提取方法能夠初步提取出互花米草的空間分布信息，方法的應用具有一定的可行性。

2.2 九段沙互花米草提取結果分析

表3所示為九段沙植被面積變化情況，圖6所示為2019年互花米草信息提取分類圖。

表3 九段沙植被面積變化/hm2

圖6 2019年互花米草信息提取分類圖

由表3和圖6可知，2019年互花米草面積為5 856.85 hm2，主要分布在中沙以及下沙中上潮間帶，夾在蘆葦與海三棱藨草之間，在上沙有小部分分布；蘆葦所占面積為2 081.39 hm2，在上沙、中沙以及下沙均有分布，其中在上沙分布面積最多，在中沙以及下沙主要生長在高程較高的潮間帶；海三棱藨草所占面積為1 308.19 hm2，在上沙、中沙以及下沙均有分布，主要分布在中下沙高程較低的潮間帶。

3結論

(1)基于面向對象-支持向量機的2019年九段沙植被信息信息提取結果的總體精度和Kappa系數分別達到89%和86%，該方法能夠初步提取出互花米草的空間分布信息，表明方法的應用具有一定的可行性。

(2)2019年互花米草面積為5 856.85 hm2，主要分布在中沙以及下沙中上潮間帶，在上沙有小部分分布。