|
摘要：植被是湿地生态系统的重要组成部分，湿地植被遥感分类研究能为湿地保护、管理和恢复提供实践指导。文中主要从湿地植被遥感分类的数据源和分类方法2方面综述湿地植被遥感分类研究的现状，分析目前湿地植被遥感分类研究的不足，展望未来我国湿地植被遥感分类的发展趋势。 关键词：湿地植被，遥感分类，数据源，分类方法 作者：张 强 湿地作为自然景观中的交错群落带，是介于陆地和水生生态系统之间的过渡带，沿高程和水文特点呈现梯度分布。湿地植被是湿地生态系统的重要组成部分，在生态环境功能方面发挥着重要作用。但目前由于各种自然和人为活动的影响使得湿地植被的生态功能显著下降。近年来，随着社会经济的迅速发展，人们对于生态环境的关注度明显提高，湿地生态的变化也不断引起科学家和社会各界的高度重视。湿地分布及其广泛，类型复杂多样，目前学术界对于湿地植被分类尚没有形成统一的标准。遥感技术的出现为湿地植被分类研究提供了强大的技术支撑，已被国内外相关学者普遍接受。中国的湿地遥感研究开始较晚，湿地植被分类的研究更是寥寥无几，因此了解国内外湿地植被遥感分类研究进展对于我国湿地植被分类有着重要意义。本文主要从湿地遥感植被分类的数据源和分类方法2方面总结目前国内外湿地植被遥感分类的研究现状，分析存在的问题，并展望未来湿地植被遥感分类的发展趋势。 1 湿地遥感植被分类的数据源 在湿地遥感植被分类研究中，常用的数据源有多光谱影像、高光谱影像，近年来雷达影像也越来越多地应用于湿地植被研究中。多光谱影像易获取，可同时满足低成本、高时效、多尺度及多目的的植被分类。高光谱影像光谱分辨率高，能够提供丰富的地表信息，因而在湿地植被遥感研究中具有其他数据源无可比拟的优势。机载激光雷达数据作为另外一种新型的数据源可以直接获取地物的垂直结构信息，如果利用该数据的垂直信息作为辅助数据源，则会进一步提高植被分类精度和准确性。 1.1 多光谱影像 多光谱影像是最早应用于湿地植被研究的遥感影像，数据类型多样，应用比较广泛的有Landsat TM/ETM+、SPOT、IKONOS、OrbView-3、QuickBird、GeoEge-1等，研究方法相对较为成熟。Harvey等分别利用航空影像、Landsat TM和SPOT影像将澳大利亚北部一处热带淡水沼泽地分为14种植被类型，3种数据的分类精度有较大差异。Laba等利用高分Quickbird影像，识别了美国哈德逊河河口地区由4种植被组成的聚合植物群落，其中包括3种入侵物种。我国学者也充分利用多光谱数据开展湿地分类研究。杜红艳等以ETM+影像为数据源提取了黑龙江扎龙湿地自然保护区的植被类型，将该保护区的湿地划分为湖泊、沼泽、盐沼、水田及水库坑塘5类；针对同样的数据源，同一研究区，衣伟宏等则将该保护区湿地分为湖泊、芦苇沼泽、盐沼、水田和水库坑塘5类。总之，多光谱影像为广域范围的湿地植被分类研究提供了充分的发展条件，且随着传感器技术的迅速发展，数据的分辨率也越来越高，其分类精度也将不断提升。 1.2 高光谱影像 高光谱影像能够获取地表物体上百个连续波谱段信息，提供丰富的光谱信息来增强对地物的区分能力。刘丹等利用AVIRIS 传感器获取的影像数据对美国Salinas山谷的植被进行分类，最终选取了11种植被类型，分类总精度达到89.09%。Barducci等对意大利一处沿海湿地进行研究发现，利用高光谱分辨率传感器不仅可以精确地测定植被指数，还可以利用表面光谱反射率等物理特性直接提取许多生物化学参数。Zomer等利用PROBE-1机载高光谱数据（5 m分辨率，128波段）及湿地光谱库对加州Pacheco Creek湿地进行植被分类，证明了先进传感器在湿地植被分类及制图方面具有无可比拟的优势。相比多光谱数据，高光谱影像数据能够提供易识别的、显著的、丰富的植被群落波谱信息，这在很大程度上提高了湿地植被精细分类的准确度。 1.3 激光雷达影像 激光雷达（LIDAR），即光探测与测距，具有较强的角分辨、抗干扰以及距离分辨能力，能够获取地表物体的高度信息，因此在植被监测领域具有独特优势。Guo利用基于区域尺度的机载激光雷达数据将加拿大一处山麓森林的植被结构划分为8类。有研究发现，将激光雷达数据植被垂直结构信息与普通光学遥感数据相结合能够获得更精确的分类结果。例如，法国学者Rapinel等利用激光雷达数据提取了植被高度、微地形指数和强度参数，结合多光谱数据的光谱信息使得分类精度达到86.5%。我国学者李方方等利用机载高光谱影像和机载LiDAR数据将大丰市沿海滩涂湿地的互花米草、盐蒿、芦苇等湿地植被进行分类研究，结果显示互花米草与芦苇的分类精度均达到90%以上。虽然激光雷达数据在植被检测方面有着巨大的潜力和优势，但由于其难以提供大尺度范围的数据，且应用少、成本高，因此还需与其他遥感影像相结合，以提供更为详细和全面的湿地植被检测信息。 1.4 多元融合数据 利用多源遥感数据及其融合数据进行湿地植被研究的应用也越来越多，这也是遥感技术未来发展的必然趋势。多源遥感数据能够综合不同影像的优势和特点，增强影像的光谱信息和纹理信息。例如，将高分辨的全色影像与低分辨率的多光谱数据融合后的图像兼具高空间分辨率和光谱分辨率特性，从而可提取出更丰富和精确的地物信息。例如，Chen等应用中国环境1A系列卫星（HJ-1A）CCD/HSI数据，将多光谱图像、精细空间分辨率和高光谱图像、粗空间分辨率相结合，生成精细空间光谱分辨率图像，不仅获取了影像的光谱精信息，同时保留了详细的影像空间特征。Shi等提取了高光谱影像的植物功能特征与光谱特征并与激光雷达指标相结合进行植被分类，总体精度达到83.7%，明显优于激光雷达（65.1%）或高光谱（69.3%）数据的分类结果。此外，Amani等利用RapidEye、Sentinel 2A、 ASTER及Landsat 8等4种不同数据类型的光谱指数对加拿大纽芬兰一处湿地进行分类，充分利用了每种数据的纹理特征和比例特征。Jahncke等利用RADARSAT-2、极化SAR (polSAR)、Lidar及QuickBird多源遥感数据将加拿大新斯科舍省一处湿地划分为开放水域/沼泽、混合地带、泥塘沼泽、湿地沼泽、灌木/乔木沼泽等5种类型。 湿地植被遥感分类的数据源多种多样，且不同数据源都有不同的特征，从低分辨率的Landsat卫星影像数据到激光雷达数据、航空影像数据等都已经在湿地植被分类中得到了广泛应用，未来随着遥感技术的不断发展，还将出现更多的数据源应用于湿地植被研究中。 2 湿地植被遥感分类方法 2.1 传统分类法 传统的湿地植被分类方法主要为目视解译与监督分类。在监督分类中，由于分类器的不同，有平行算法、最小距离法和最大似然法等。其中，最大似然法是最常用的监督分类方法。例如，Munyati采用Landsat MSS/TM影像数据，利用最大似然法对1984—1994年湿地景观植被类型进行提取。Christopher利用改进伪不变多边形（PIPs）归一化方法对2010—2011年的Landsat TM影像进行辐射归一化处理，然后对镶嵌后的影像执行监督分类生成湿地植被分类图。相比于监督分类，非监督分类法不需要选择训练样本，只需要有限的初始输入就可按照一定的规则将像元划分到某一集群组中，然后将每个集群组与参考数据做比较，再将其划分到某一类别中。为了提高分类精度，有研究者采用混合分类的方法（监督分类和非监督分类相结合）对影像进行分类。例如，王建强等利用TM影像，结合3S技术，人工解译后采用非监督分类进行处理，最后再执行监督分类，实现了对临川市湿地的遥感分类，相较于单一分类法精度有所提高。此外，Markus对非监督分类进行改进，提出了在非监督分类中嵌入马尔科夫随机场模型进行分类的思想，使用图像切割法进行能量优化。总之，无论是改进的非监督分类还是混合分类都存在一定的缺陷，已越来越不能满足用户的实际需求，因而出现了许多新兴的湿地分类方法。 2.2 新兴分类法 新兴的湿地植被分类方法包括决策树（DT）分类、分层分类法、模糊分类（FC）方法、神经网络（NN）法、遗传算法（GA）、基于对象分类法（OBC）、支持向量机法（ SVM）及随机森林分类法（RF）等。决策树分类的特点是基于分类规则进行分类，应用于湿地植物分类时可以综合多种数据源的参数变量提高解译精度。Crasto利用决策树分类方法对Arctic三角洲水域进行分类，其分类精度超过95%。人工神经网络法能够大规模并行处理数据，并以分布式信息存储，具备良好的自组织、自学习能力，数据处理效率高。Bao等基于LM算法的BP人工神经网络方法对大明湖湿地进行景观分类，得出分类精度优于最大似然法。有学者将人工神经网络算法与其他方法相结合以提高分类精度。例如，Zhang等在对美国大沼泽湿地植物类型进行研究时发现，将人工神经网络算法与基于对象纹理方法相结合，可以极大地提高该湿地植被的分类精度。遗传算法是借鉴生物界的进化规律（适者生存、优胜劣汰的遗传机制）演化而来的随机化搜索方法，其主要特点是直接对结构对象进行操作，自适应地调整搜索方向，不需要确定的规则。综合利用神经网络和遗传算法，对中低分辨率湿地遥感图像进行可视化和定量评价发现，无论是算法的效率还是解译精度都得到了提高。面向对象方法综合考虑了影像的光谱、空间、纹理、色彩等多种属性特征，对于类型复杂多样、分布界限模糊、光谱混淆与混合像元现象严重的沿海滩涂、湖泊和河流等湿地景观具有更好的鉴别能力。Heumann利用混合决策树分类方法与基于对象分类方法，将海岸带的灌木与其他繁密的植物分辨开来，总体精度达到94%。 近年来，由于机器学习算法的快速发展，基于机器学习的支持向量机法在处理高维度遥感数据，特别是高光谱数据的分类效率比传统方式要高。支持向量机法的优点是对训练样本数量要求不高，不足之处是其对于模型参数的分配制约了其分类精度。2013年Maulik等提出一种融合滤波的转换式支持向量机法，该方法在大尺度已标记影像数据中的分类精度要高于标准的归纳支持向量机（ISVM）、渐进转导支持向量机（PTSVM）和低密度分离（LDS）分类器的分类精度。随机森林法作为一种强大的统计分类方法具有精确度高、抗噪能力强、性能稳定等优势。李方方等通过调整面向对象的分割参数与随机森林中树的深度、个数等，构建了最优的面向对象随机森林分类模型，利用该方法对大丰市沿海滩涂湿地进行植被分类的总体精度达到88.3%，相比于SVM分类法和决策树分类法，分类精度有了明显的提升。同样基于随机森林分类法，O'Neila等提出一种新的汇流模型，通过对地形湿度指数（TWI）、曲率指数和水深指数（DTW）进行修改，从而更好地区分湿地和高地，并结合辅助土壤数据进行分类，结果表明，通过改进TWI、曲率和DTW指标与使用原始指标进行分类相比，提高了模型的准确率。Masoud等也用同样的方法对加拿大阿瓦隆半岛东北部的一个次区域进行湿地类型识别。这些研究表明，不同的湿地类型植被结构特征和环境条件都不相同，所适用的分类方法也自然存在差异，往往需要根据实际条件，选取最适合的分类方法或者综合几种分类方法进行分类才能得到最佳的分类效果。 3 研究中存在的不足及研究展望 尽管国内外专家学者在湿地遥感分类研究中相继提出了一些新方法、新理论，但是针对湿地植被分类的相关研究仍然较少，尚存在一些不足： 1）目前湿地遥感研究主要集中在大尺度湿地分类研究，基于群落尺度的湿地植被分类研究甚少。研究多采用高光谱数据、航空影像数据等高空间分辨率影像数据，中低空间分辨率影像应用较少。未来应该探索一些适应中低分辨率影像数据的提取方法。 2）由于湿地植被类型受气候、水文、地质条件等多种自然及人为因素的影响，湿地类型复杂多样，目前难以形成统一的分类标准，这也成为湿地遥感分类技术发展的一大瓶颈。 3）基于群落尺度的植被分类对提取方法提出了更多挑战，需要结合影像的光谱特征和纹理特征等多种特征空间以及多源融合数据综合分析处理，不能再单独停留于简单的光谱纹理特征进行分类，无形中提高了数据的处理量，同时对分类器的选择提出了更高的要求。 结合当前湿地植被遥感研究的现状及不足，认为未来应加强以下几个方面的研究： 1）遥感数据多源化。目前普通的多光谱数据和高光谱数据使用较普遍，如来自Landsat TM/ETM+、MODIS和SPOT等影像的多波段或多时相数据，其优势是数据处理简单、性价比高和易获取。但湿地遥感植被分类对于影像的分辨率要求较高，为了确保分类的准确性，未来应该大力发展应用雷达影像、高光谱影像及航空影像等新一代遥感数据技术。此外，根据不同的研究对象，有针对性地选择不同的数据源，充分利用每一种数据源的优势，取长补短，在不同数据源中提取出不同的、更丰富和更可靠的信息，以实现湿地植被类型准确、科学分类。 2）分类方法智能化。传统的湿地植被分类方法已不能满足用户需求，尤其是群落尺度的植被分类对于分类精度的要求更高，一些新兴的分类方法如决策树法、分层分类法、神经网络分类、遗传算法及随机森林法等，每种算法都存在一定的缺陷，需要与其他算法相结合才能达到更好的分类效果，这无形之中增加了数据处理量以及处理难度，未来应不断开发出一些智能化数据处理模型，可以针对多源数据信息反演的分类方法，综合利用多种遥感数据中的光谱因子和纹理因子，以充分发挥每种数据源的优势，提高影像处理工作效率及分类精确度。 3）研究内容专业化。加强湿地遥感植被研究的国际合作，借鉴国外先进的技术方法，不断增强我国湿地植被遥感研究的理论和实践基础。此外，湿地植被分类受自然地理条件等多种因素的影响，我国幅员辽阔、湿地类型复杂多样，目前国内还没有形成统一的分类标准，未来应结合我国湿地生态现状加强湿地植被相关标准的制定。湿地是受全球气候变化影响表现最为敏感的生态系统之一，不断加强湿地生态系统的响应与适应研究，实现与国际湿地植被分类研究相契合。 4）湿地信息共享化。根据中国湿地植被的生态特征、分布情况，采用定量分类与定量指标，建立具有定量诊断特征的、符合中国湿地植被特点且与国际湿地分类方法和指标选取相衔接的，具有广适性、分机型和技术可操作性的统一湿地植被遥感分类方法，实现不同研究区域、不同研究层次湿地植被调查数据的共享和对比分析，避免数据资源的浪费 。此外，在不同生物群落、生态区域和湿地类型中建立专门与湿地相关的波谱库，这对于湿地植被的分类有着重要意义。 文章来源：转自公众号“林业知识服务” 文章原载于中国林业科学研究院林业科技信息研究所《世界林业研究》2019年第3期 |
