结合植被覆盖度指数的土地覆...——以巴基斯坦信德地区为例_孙娜.pdf

结合植被覆盖度指数的土地覆盖分类方法研究以巴基斯坦信德地区为例*孙娜赵祥穆宝慧赵嘉诚刘乃精（北京师范大学地理科学学部，遥感科学国家重点实验室，北京市陆表遥感数据产品工程技术研究中心，100875，北京）摘要基于 Landsat8OLI 反射率数据，结合定量遥感反演植被覆盖度（fractionalvegetationcover，FVC）提取的植被物候特征数据，对比了神经网络、支持向量机和随机森林 3 种土地覆盖分类方法.结果表明：随机森林分类方法具有较好的结果，反射率结合植被特征数据的分类方法的总体精度为 85.52%，Kappa 系数为 0.8212，比仅用反射率的土地覆盖分类总体精度提高了 3.45 百分点，Kappa 系数提高 0.0429；植被覆盖度提取的植被特征数据能有效改善耕地、草地和裸地的制图精度和用户精度，对林地与水体的用户精度分别提高了 7.79 百分点与 1.81 百分点，灌木与人造地表的制图精度分别提升了 7.69 百分点与 0.59 百分点.整体来看，结合植被覆盖度及其派生植被特征进行土地覆盖信息的提取，在简单易行的同时，为提高分类精度提供了有效支持.关键词土地覆盖；植被覆盖度；随机森林；精度分析中图分类号F301.2；P237DOI：10.12202/j.0476-0301.20212240引言土地覆盖是地球表面各种物质类型与自然属性特征的综合体，例如土地表层覆盖的植被、水体、沙漠和人造地表等1.土地覆盖分类是区分土地覆盖组成单元的过程2.由于人类活动的加强，人与各种自然因子共同影响土地覆盖3，土地覆盖变化同时也是影响全球和区域气候和陆表生态系统等变化的关键因子.因此，研究与准确掌握土地覆盖情况对社会经济发展、监测生态环境和预测自然灾害等具有重要意义4.20 世纪 70 年代起，反射率数据被广泛运用在土地覆盖分类56.目前，由反射率数据为主的土地覆盖类型信息提取技术主要是在像元尺度上进行分类78.但存在像元的空间分辨率较粗和地物的复杂性等问题，因此像元具有混合光谱的特点9.同时，由于地物的光谱曲线存在“同物异谱”和“异物同谱”，利用反射率数据进行土地覆盖分类会存在错分和漏分等现象，包括耕地和人造地表的混淆、林地信息的提取误差等10，这些问题仍然是基于遥感土地覆盖分类中需要解决的难题.近些年，遥感技术发展迅速，定量遥感产品成为全球环境监测和进行土地覆盖分类分析的重要数据集1112.定量遥感产品，如植被指数、植被覆盖度等数据所具有的植被特性与土地覆盖类型具有紧密联系，宫攀等13、张栋等14使用植被指数产品结合机器学习进行了土地覆盖分类和分析.在关中地区，EVI（enhancedvegetationindex）对植被的识别能力较 NDVI高，更有利于土地覆盖分类15.在延河流域，研究者参考当地年植被变化特征，根据土地覆盖类型的 NDVI时序曲线特征进行土地覆盖分类16.定量遥感产品可以突出地物的物理和生物地球化学属性，从而可以在一定程度上辅助区分土地覆盖类型1112，1719.本文研究目的在于探索植被覆盖度在土地覆盖分类中的适用性.本研究在 Landsat8OLI 反射率基础上，根据植被覆盖度（fractionalvegetationcover，FVC）变化提取植被物候特征，并将此作为分类依据.根据已有的土地覆盖数据，如土地覆盖数据（finerresolutionobservationandmonitoringofgloballandcover，FROM-GLC）20、全球 30m 地表覆盖遥感数据产品（Globe-Land30）21和谷歌地球影像数据选取样本，比较神经网络、支持向量机和随机森林共 3 种土地覆盖分类方法，并探讨 FVC 用于土地覆盖分类的优势.*国家重点研发计划资助项目（2016YFB0501404）通信作者：赵祥（1972），男，博士，教授.研究方向：资源环境遥感应用.E-mail：收稿日期：2021-09-102022-12北京师范大学学报（自然科学版）58（6）JournalofBeijingNormalUniversity（NaturalScience）9171材料与方法1.1研究区研究区位于南亚次大陆西北部的巴基斯坦信德省中部，如图 1 所示.信德省面积为 14.09万 km2，地处印度河下游平原，属于亚热带气候，气候干旱；经济以农业为主，主要种植小麦、棉花和甘蔗；西部是山地为主，主要土地覆盖类型为裸地，植被较少；东部是平原，以耕地为主.总体上，研究区位于印度河流域，地形上由西向东为山地河谷平原，经济上包含居住聚集区、乡村种植区和远郊地区，呈现出人类活动由强到弱的变化，非常有利于探究植被覆盖度用于区分林灌草耕地等土地覆盖类型、优化分类算法，从而评估植被覆盖度产品能否应用并提高地表覆盖分类精度.04020km260025402520700068002800260024006740680068202620NLandsat8OLI 标准假彩色图，R、G、B 通道分别为近红外波段 5、红色波段 4 和绿色波段 3.图1研究区范围1.2数据1.2.1土地覆盖分类数据及样本点土地覆盖分类数据包括土地覆盖数据（FROM-GLC）和全球 30m 地表覆盖遥感数据产品（GlobeLand30）.FROM-GLC 数据分辨率为 10m，数据时间为 2017 年.GlobeLand30由国家基础地理信息中心牵头研制，数据时间为2000、2010 和 2020 年.2 个数据集都包含 10 个主要的土地覆盖类型，分别是耕地、森林、草地、灌木地、湿地、水体、苔原、人造地表、裸地、冰川和永久积雪.分类样本点参考 2017 年的 FROM-GLC 数据和2000、2010 与 2020 年的 GlobeLand30 数据进行选择.对于 3 期 GlobeLand30 影像中，土地覆盖类型一致的像元，认为该像元是该类型的固定像元，具体空间分布参见图 2.对于林地等没有一致像元的土地覆盖类型，则参考 FROM-GLC 数据和 2016 年的谷歌地球影像进行选择.最后，样本点参考谷歌影像数据进行筛选和补充，保证样本点的正确性.如表 1 所示，各土地覆盖分类类型的训练样本约占总样本的 70%，验证样本点约占总样本的 30%.1.2.2Landsat8OLI 数据与 NDVI 数据Landsat8OLI影像源于美国地质调查局网站（http:/earthexplore.usgs.gov/），空间分辨率为 30m，表 2 显示了 OLI 数据波段范围与主要用途.选取的影像条带号为 h152 和v42，时间为 2016 年 4 月 13 日，在研究区范围内无云覆盖，品质较好.Landsat8OLI 遥感影像采用最近邻重采样方法将影像分辨率采样至 16m，和植被覆盖度数据分辨率一致，并选用 27 波段参与分类.NDVI 数据由 Landsat8OLI 第 4 红波段和第 5 红外波段计算得到.1.2.3植被覆盖度数据植被覆盖度数据根据高分一号的宽覆盖多光谱相机（GaoFen-1WideFieldView，GF-1WFV）获取的地表反射率数据估算得到，并采用918北京师范大学学报（自然科学版）第 58 卷PROSAIL 植被冠层辐射传输模型和随机森林算法相结合的方法生产数据22.PROSAIL 模型根据植被理化参数，生成 FVC 和 GF-1WFV 在绿光、红光和近红外波段的反射率的模拟数据集.以模拟数据集的反射率数据作为输入，以 FVC 作为输出来训练随机森林回归模型.植被覆盖度数据的分辨率为 16m，时间为 2016 年的逐月数据.1.3方法1.3.1FVC 指数耕地、林地、草地和灌木的 FVC 变化曲线不同，因此构建 FVC 指数来提取 4 种植被类型的 FVC 特征，使得 4 种植被更易区分.其中，耕地FaFb和林地的 FVC 变化曲线较为相似，在 48 月份的FVC 升高，14 月份与 910 月份的 FVC 降低，但林地的 FVC 整体要比耕地较高.草地和灌木的 FVC 全年变化很小，但灌木要比草地 FVC 数值整体较高.研究选用非生长季的 4 月份与生长季的 8 月份的 FVC数据构建 2 种 FVC 指数，构建的指数在 4 种植被类型上具有数据区分度，有助于区分植被与非植被区域，同时提高耕地、林地、草地和灌木 4 种植被类型的区分度.构建的指数也辅助区分耕地、林地、草地和灌木 4 种植被类型.Fa=(FAUG+FAPR)/2,（1）Fb=(FAUGFAPR)/2,（2）表1样本点占比土地覆盖类型训练样本像元验证样本像元总样本像元训练样本占比/%验证样本占比/%耕地748324107269.7830.22林地1757224770.8529.15草地1807425470.8729.13灌木1586522370.8529.15水体24410635069.7130.29人造地表40217257470.0329.97裸地48920264470.7729.23总计2396968336470.2429.76表2Landsat8OLI2-7 波段信息波段波长范围/m主要用途2-蓝波段0.450.52水体穿透，分辨土壤和植被3-绿波段0.530.60分辨植被4-红波段0.630.68观测道路、裸土和植被种类等5-近红外波段0.850.89植被信息提取6-短波红外11.571.65分辨道路，裸土和水7-短波红外22.112.29岩石、矿物和植被覆盖的分辨能力很好图例样本点!耕地!林地!草地!灌木!水体!人造地表!裸地变化像元耕地草地灌木湿地水体人造地表裸地020 km106820680067402620260025402520N底图为 2000、2010、2020 年的 GlobeLand30 数据的土地覆盖类型不变像元.图2样本点空间分布第 6 期孙娜等：结合植被覆盖度指数的土地覆盖分类方法研究以巴基斯坦信德地区为例919FaFbFAUGFAPR式中：和代表 2 种 FVC 指数；和分别代表 8 月份和 4 月份的 FVC.1.3.2神经网络神经网络分类是计算机采用一系列处理单元模拟神经元并实现神经元之间的信号传递，通过算法模拟人脑识别图像分类的过程.神经网络分类方法含有输入层、输出层以及连接输入层和输出层的隐含层，采用反向传播神经网络通过最小化误差函数来完成训练23.1.3.3支持向量机支持向量机是根据统计学习理论基础建立的机器学习方法.支持向量机能最大化区分不同类别样本，根据自动寻找最优间隔超平面的支持向量构建分类器24，25.支持向量机分类可以实现不同类别之间的最大化间隔，从而实现样本的正确分类.1.3.4随机森林随机森林算法是由 Breiman 等26于 2001 年提出的.它通过集成学习的思想将若干决策树集成在一起，利用随机抽样训练多棵决策树，并采用投票方式决定样本的分类结果.随机森林算法可以输入高维度和多特征的数据，不需要进行数据降维和特征选择，可以判断各个特征在分类上的重要性和不同特征间的相互影响.(h1(x),h2(x),hN(x)随机森林算法通过不同样本集来增加各决策树模型间的差异，从而提高整个分类模型的外推预测能力.在N轮训练得到 1 个分类模型序列，并通过投票方式决定最后的分类结果.H(x)=argmaxYNt=1I(ht(x)=Y)，（3）H(x)htYI()式中：表示分类模型；表示单个决策树分类模型；表示输出变量；为示性函数.采用随机森林方法进行土地覆盖分类.与其他算法相比，随机森林具有极好的准确率，并且参数调试少，训练速度较快，易于操作与实现2728.1.3.5分类精度评价共选取总体分类精度、Kappa系数、制图精度和用户精度共 4 个指标来评价土地覆盖分类效果.总体分类精度指被正确分类的像元占像元总数的比例；制图精度指假定地表真实为 A 类，分类器能将 1 幅图像的像元归为 A 的概率；用户精度指假定分类器将像元归到 A 类时，相应的地表真实类别是 A 的概率；Kappa 系数（k）是