（自然地理学专业论文）基于3s技术的高黎贡山羚牛生境评价研究.pdf

独创性声明 y 9 7 互2 0 3 1 7 5 4 2 。( 3 ) 亮度差由大到小的排列顺序是：3 2 5 1 4 7 。( 4 ) 第3 波段图像信息量最丰富， 如果对单波段进行处理，选择t m 3 波段效果最佳。第7 波段、第5 波段信息量依次有所减少。 ( 3 ) 影像波段相关性系数分析 从表2 - 5 可以看出，实验区的地物在各个波段上的总体反射值偏低，图像的灰度反差较低。因 此要进行波段的相关性分析，这是进行假彩色合成的前提和基础。相关性较小的波段进行合成，信 息冗余小，可以消除波段的相互干扰，提高图像的质量。由于e r d a si m a g i n e 8 7 系统中没有相应 的模块能直接计算出波段的相关系数，因此应用m o d e l e r 模块进行开发，计算得出的实验样区各 波段的相关系数矩阵( 表2 6 ) 。 表2 - 6t m 影像波段间相关性系数矩阵表 t a b2 - 6 t h ec o r r e l a t i o nm a t r 仅o f t mb a n d ss p e c t r u mc h a r a c t e rs t a t i s t i c s t m l t m 2 t m 3 t m 4 t m 5 t m 7 l 0 9 9 0 31 0 9 7 6 40 9 8 9 7 l 0 7 4 4 20 7 8 9 60 7 8 5 61 0 6 3 0 30 6 9 1 00 7 4 7 90 8 1 9 71 0 7 0 8 20 7 5 6 80 8 1 4 20 7 4 8 60 9 6 6 81 从表中可以得出：( 1 ) 3 个可见光波段( 即第1 ，2 ，3 波段) 之间的相关性都很高，尤其是1 与2 波段、1 与3 波段2 与3 波段之间。表明3 个可见光通道取得的信息彼此重叠很多，有相当大的一 致性，或称“冗余性”。( 2 ) 2 个中红外波段( 即第5 ，7 波段) 之间的相关性也很高。可见，第5 ，7 波段的信息也有极大相似性。( 3 ) 第5 ，1 波段相当特殊，其它各波段之间的相关系数都不高。( 4 ) 综合t m 图像的单波段光谱信息量和各波段间光谱信息相关性分析结果，可以认为第3 波段提供的 光谱信息量最丰富当无疑问：7 波段的信息量就单波段来说，常居第二，可是与第5 波段的信息重 叠过多，在许多情况下，几乎可被5 波段取代，因此，总的来说其重要性不及第4 波段，甚至不及 第1 或第3 波段。 ( 4 ) t m 影像单波段信息熵表 从e r d a s 中l a y e ri n f o 中获取图像的像元灰度值，再根据信息熵公式计算得各波段的信息熵值 ( 表2 - 7 ) 。 表2 7t m 影像各波段的信息熵值表 t a b2 - 7t h ei n f o r m a t i o ne n t r o p ys t a t i s t i c so ft mi m a g eb a n d s 从表中可以看出：( 1 ) 波段3 的熵值最大，波段7 熵值最小，按熵值大小排在前3 位的依次是 3 、2 和5 波段，排在后3 位的依次是1 、4 和7 波段。总体上说，反映信息量大小的参数熵， 在中红外波段范围较大，在近红外波段次之，在可见光波段较小。( 2 ) 各波段的熵值大小与标准差 大小基本上是相一致的，仅是标准差的变化幅度更大一些。( 3 ) 如果仅依据该表得出的信息熵值选 择波段，得到的结果显然与在表3 - 6 的结果不符合，原因就在于各波段问的信息冗余。 ( 5 ) t i v l 影像各波段联合熵和最佳指数 根据表2 - 5 和表2 - 6 所获取的基本量，再根据联合熵和最佳指数的计算公式，计算得各波段组合 后的联合熵和最佳指数( 表2 - 8 ) 。 表2 - 8 各波段联合熵和最佳指数表 t a b2 - 8 t h eb a n d sc o m b i n e de n t r o p ya n do i fs t a t i s t i c s 基手弧技木构高黎最山羚牛生境评槽 究 注：b b 为波段组合，s c 为相关系数和，s s 为标准茬和，o i f 为o i f 指数，b o w 为o i f 指数排列号，c c 为联合 熵，b c 为联合熵排列号。 从表2 - 8 可以看出：( 1 ) 波段2 3 5 组合的联合熵值最大，波段2 4 7 组合的联合熵值最小。按联合 熵值大小排在前5 位的依次是2 3 5 、1 3 5 、1 2 3 、2 3 4 、3 4 5 。排在后5 位的依次是1 2 5 、2 3 7 、2 4 5 、1 3 4 、 3 5 7 。( 2 ) 总体上说，单波段熵值较大的波段与其他波段组合后联合熵值也相应较大，如3 、5 波段： 反之，单波段熵值较小的波段与其他波段组合后联合熵值也相应较小，如7 波段。( 3 ) 而o i f 指数 最大波段组合为1 4 7 ，o i f 指数最小的为1 2 3 波段组合。( 4 ) 按其0 i f 指数的大小排列在前1 0 位的 波段组合为：1 4 7 、1 4 5 、1 3 5 、1 5 7 、3 4 7 、3 4 5 、1 2 5 、2 4 7 、2 4 5 、1 3 7 。( 5 ) o i f 指数与各波段组合 后的标准差之和无明显的规律可循，但与波段间的相关性系数之和的大小排列基本致，而联合熵 的大小与标准差和相关性系数没有明显的内在联系。( 6 ) 显然，这两种方法计算出来的最佳波段的 结果不同。根据最佳波段选择的原则，o i f 指数法更接近该原则，故选用o i f 指数所得到的结果作 为最终的结果。对于本次研究来说，研究对象主要为植被，根据表2 的结果，第l 波段，第2 波段 和第3 波段组合后的的相关性系数高，因而在选取波段时第1 、第2 波段不予考虑。同时考虑到t m 影像中的第7 波段( 短波红外波段) 主要应用于探测高温辐射源，如森林火灾，火山活动等，以及区分 人造地。通常不应用于植被遥感分类。对实验数据经过反复比较，并和研究区各地类光谱特征( 图 2 - 8 ) 相结合分析，最终可以得到3 4 5 波段为最佳波段组合，并将4 波段赋予红色、5 波段赋予绿色、 3 波段赋予蓝色，合成的彩色图像作为分类图像。与传统的4 3 2 波段合成图像相比，4 5 3 合成的图像 包含的地物信息丰富，森林各植被类型在色调上区分较大，易于判读和解译。是较为理想的波段组 合。对于1 9 7 4 年的m s s 数据，采用上述方法得出其最佳波段组合为1 ，2 ，4 波段，其r ，g ，b 组 合为4 ，2 ，1 较接近t m 的4 ，5 ，3 组合。 图2 - 8 研究区各地物光谱特征 f i g2 - 8l a n d c o v e rs p e c t r u mi ns t u d ya r e a 基于嚣技术的高黎囊山羚牛生境译价研竞 表2 - 9t m 影像各个波段的主要用途“2 5 t a b 2 - 9u s a g eo f t h eb a n d so f t mi m a g e 波段用途 对水体具有投射能力，能够反射浅水水下特征，可区分土壤和植被、编制森林类型 l 图、区分人造地物类型。 探测健康植被绿色反射率、可区分植被类型和评估作物长势，区分地物类型，对水 2 体有一定透射能力。 3 可测量植物绿色吸收率，并依次进行植物分类，可区分人造地物类型。 测定生物量和作物长势，区分植被类型，绘制水体边界，探测水中生物的含量和土 4 壤湿度。 5 用于探测植物的含水量及土壤湿度，区别云与雪。 6 探测地球表面不同物质的自身热辐射，可用于热分布制图，岩石识别和探矿等。 7 探测高温辐射源，如森林火灾、火山活动等，以及区分人造地物。 2 3 4 图像增强 图像增强是给目视解译提供定性的信息，其目的是突出图像中有用的信息，扩大不同影像特征 之间的差别，从而提高对图像的解译和分析能力，以便于人或机器的处理。典型的图像增强方法有 灰度交换、空间滤波、图像运算、多光谱变换、彩色合成等。在进行图像增强之前，必须了解遥感 数据的信息特点。为此，从e r d a si m a g i n e 中l a y e ri n f o 中对各波段遥感数据进行基本的统计分 析，得到多波段数据的一般统计特征( 1 9 8 9 年的遥感图像的特征统计见表2 1 0 ，其余年份略) 。在 增强处理过程中，曾经试验空间滤波、色彩增强、反差增强等方法，经过比较认为采用反差增强中 标准差拉伸处理后，进行分线段亮度和对比度调整的方法取得的效果最好，各地物类型明显。 表2 1 0 研究区1 9 8 9 年期多波段的光谱一般统计特征表 t a b 2 1 0t h eb a n d ss t a t i s t i c so fi m a g eo fs t u d ya r e a ( 1 9 8 9 ) 2 3 5 图像分类 遥感图像空间分辨率不断提高，可从遥感图像中获得愈来愈多的有用信息。如何高效准确地获 取所需信息和数据? 图像分类图像信息提取就显得尤为重要。在目前的遥感分类应用中，用得 较多的是传统的模式识别分类方法，诸如最小距离法、平行六面体法、最大似然法、等混合距离法 o s o m i x ) 、循环集群法( i s o d a t a ) 等监督与非监督分类法。其分类结果由于遥感影像本身的空间分 辨率以及“同物异谱”、“异物同谱”现象的存在，往往出现较多的错分、漏分现象，导致分类精度 不高。近年来，随着遥感技术和计算机技术的不断发展，专家系统、神经网络、模糊技术和数学形 态学等一些原来实现困难的新方法也在遥感图像分类中发挥作用，如针对同物异谱和异物同谱现象， 利用地理信息系统或其它辅助数据支持参与图像分类，并采用分层分类引入了专家系统及推理模式 等技术；对于存在着大量阴影的山区遥感图像，多采用类别细分来处理阴影区的地物识别问题；分 维技术的引入则更注意利用遥感图像的空间纹理特征；针对地物特征和模糊性提出了模糊监督分类 法；虽然这些新的方法比传统的方法在分类精度上明显提高了，可也存在一定的不足，尤其是对于 山区山高坡陡、阴影区面积大、地形破碎等特点，在图像上表现为大量的混合像元和阴影，采用前 述的类别细分的方法，其结果也不尽如人意【l “。因此，很有必要探讨新方法来提高山区遥感图像分 类精度。本文尝试应用分区分类法，结合g i s 多因子辅助分类及目视纠正，来有效地改善山区遥感 图像的识别分类。 2 3 5 1 分类系统的建立 参照高黎贡山北段( 包含独龙江流域) 的植被区划图以及独龙江流域土地利用现状的文献资料 建立了研究区土地利用遥感分类系统，共计划分：阔叶林、针叶林、灌丛、草地草甸、农业用地、 人工用地( 公路与居民地) 、早地、难利用地、冰川积雪、河流、等1 0 类( 表2 - 1 1 ) 。 表2 1 1 研究区地物分类系统 t a b 2 - 1 1l a n dc o v e rc l a s s i f i c a t i o ns y s t e mi ns t u d ya r e a 一级类型二级类型三级类型 季风常绿阔叶林 常绿阔叶林中山湿性常绿阔叶林 湿性常绿阔叶林 常绿针叶林 针叶林 暖性针叶林 温凉性针叶林 森林 寒温性针叶林 阔叶林落叶阔叶林 铁杉常绿阔叶林 针阔混交林 铁杉落叶阔叶林 竹林 暖性竹林 寒温性竹林 亚高山草甸亚高山草甸 草地草甸 亚高山沼泽化草甸亚高山沼泽化草甸 杜鹃灌丛杜鹃灌丛 灌丛 箭竹灌丛箭竹灌丛 河流河流 水域 湖泊湖泊 冰川积雪冰川积雪 2 3 5 2 分区分类方法 根据影像上植被区和非植被区地物的差异特征将整体影像化为两个区域植被区和非植被 区，由于是根据不同地物影像的特点来分解图像，使得每一区域的种类数目相对于整体减少，种类 的特点得以突出，分类的条件放宽，分类更具有针对性，再加以地貌等g i s 信息，从而提高分类精 度。具体的分类过程如图2 - 9 所示。 图2 - 9 分类流程1 ”i f i g2 - 9c l a s s i f i c a t i o nf l o w c h a r t ( 1 ) 第一层次分类 植被覆盖为研究区山地景观生态的本底景观要素。植被覆盖类别的信息提取，在第一层次 上分为两步：( 1 ) n d v i 特征变换。n d v i ( n o r m a l i z e d d i f f e r e n c e v e g e t a t i o n i n d e x ) 是一种最具 有灵活多变特性、易于实施、且效果显著的特征变换处理技术，其实质是把特征空间中的集群 分布影射为低一维的集群分布。由于该变换具有对特征空间中不同集群实现不同程度的非线形 的压缩或拉伸，因此可达到对特征的增强目的，同时，还具有减弱遥感图像中地形起伏、大气 朦翳及太阳入射角等对影像灰度值的影响。对于t m 多波段数字影像：n d v i = ( t m 4 t m 3 ) ( t m 4 + t m 3 ) 。在具体研究中，通过n d v i 变换处理，将原始4 、3 波段灰度值数字映射为对应 像元灰度值范围为1 到1 的利于植被分离的n d v l 变换特征波段，并得到研究区n d v i 图( 图 2 1 0 ) 。 2 1 2 图2 1 0 n d v i 图 f i g2 - 1 0n d v if i g u r e 图2 1 1 植被区图 f i g2 - 1 1v e g e t a t i o nr e g i o n 图2 1 2 非植被区图 f i g2 - 1 2n d n v e g e t a t i o nr e g i o n ( 2 ) n d v i 闽值确定 在a r c g i s9 下，对n d v i 图设定阈值并进行重新分类，把每次分类的结果和各地类g p s 点图、 土地利用现状图、研究区t m 4 5 3 彩色合成影像叠加显示后，随机抽样测定林地覆盖n d v i 变换特征 值，最后找到区分植被区和非植被区的n d v i 阈值。本次研究中，经过2 0 多次实验对比分析，认为 阈值0 1 4 能很好的区分植被与非植被。 ( 3 ) 植被区与非植被区的划分 获取划分植被区和非植被区的n d v i 阈值后，利用e r d a si m a g i n e8 7 中的m o d e l e r 模块 构造算法： e i t h e r1i f( h t ) v i o 1 4 ) o f0o t h e r w i s e 可得到非植被区的n d v i 图。同样的方法 可获得植被区的n d v l 图。将它们与原图像进行掩膜处理得到植被区和非植被区图( 图2 - 1 1 和图 2 1 2 ) 。 ( 4 ) 第二层次分类 通过第一层次分类得到植被区和非植被区的图像，在此基础上，依据建立的研究区分类系统进 行第二层次分类。其分类步骤包括：( 1 ) 训练样本的选取。训练样本的选取是个反复的过程，要能 生成较好的代表所要提取类型的模板，要进行多次的选择，并且要选择典型和有一定数量的样本。 样本选择结束后要进行模板评价。在分出植被区和非植被区后，本次研究主要使用独龙江流域9 3 年 土地覆盖分类结果图高黎贡山北端植被区划图、研究区1 ：2 5 万的道路图，居民点图，由研究区1 ： 5 万的d e m 派生的高程图、坡度和坡向图，以及专家知识等信息来辅助训练样本的选取。并得到研 究区遥感信息分类提取参考表。对其分类模板进行评价，其精度均在8 5 以上，能代表各地类参与 分类。( 2 ) 监督分类。图像分类的关键之一是选择适当的分类规则( 或叫分类器) ，这些规则可以把图 像数据划分为尽可能符合实际情况的不同类别。目前，普遍应用的分类器是监督分类中的贝叶斯法 堑箜垫墅堕塑型鲎塑塑翌型 ( 即最大似然法分类器一m l c ) ，本次研究也使用这种分类器。根据分区分类法，利用植被区和非植 被区的训练样本形成的统计文件，用最大似然法完成植被区和非植被区的分类，然后对其精度进行 评估，若精度达到要求，就将植被区和非植被区的分类结果叠加合成，即为统一的机助分类结果图。 表2 1 2 研究区遥感图像分类综合参考 代 类型海拔分布范围描述影像特征 码 0 l 河流山谷地区山谷问呈线状 麟 0 2 湖泊高低还拔都有面状 0 3居民地一般低于2 5 0 0 米 多分布在河谷中，附近有耕地 黼 一般低于3 0 0 0 米，大多分布 多在河谷两侧的山坡上，四周的植被类 0 4旱地 型主要为云南松，草坡地，高山松，离居 蘩熏 在1 4 5 0 2 0 0 0 米。 鬟貔。鬟 民点不远。 0 5乔松林1 6 0 0 - 2 1 0 0 米山体中上部的阴坡山脊。 黼孥笔簇i 瓣 0 6落叶阔叶林1 8 0 0 - 2 2 0 0 米 常绿阔叶林遭破坏后形成的次生林 铡 2 7 0 0 3 1 0 0 米，南部可达3 2 0 0保护区内较多分布，多呈小快状分布， 豢囊i | | 纛囊囊 0 7云南铁杉林 米 多分布在山坡上部或近沟谷地段i 蘩i i | i | i 中山湿性常1 8 0 0 2 8 0 0 米 南北部都有分布，其上部为山顶苔藓矮 林，下部为半湿性长绿阔叶林和旱冬瓜 0 8绿阔叶林2 0 2 0 2 3 5 0 米霹黼 林 云、冷杉、 翮 0 93 1 0 0 3 5 0 0 米 呈块状零星分布于一些山峰的阴坡 落叶松林 主要分布在北部东西坡，局部有早冬瓜 湿性常绿阔1 7 5 0 2 3 5 0 米林，而在北部西坡因人为破坏，多为旱 1 0 叶林冬瓜、云南松所更替 3 0 0 0 4 0 0 0 米，主要是寒温性灌木，主 3 0 0 0 一4 0 0 0 米，或2 4 0 0 3 0 0 0 要树种为杜鹃花秋，高山圆柏， 1 1 杜鹃灌丛2 4 0 0 - 3 0 0 0 米，主要是两温性灌木林， 潮 米 多为常绿阔叶林和两温性针叶破坏后 产生。 箭竹灌丛在保护区内东西坡都有，在西坡局部地 鞘 1 22 2 0 0 3 8 0 0 米 区可分布至3 8 0 0 米。 亚高山沼泽 山体上部近山顶缓坡地带或山脊附近， 1 33 1 0 0 - 3 5 0 0 米 是原有的冷杉林、云南铁杉林等寒温性 黼 化草甸 针叶林破坏后形成的次生类型。 暖温性稀树 黪骥鬃i 1 4 1 1 0 0 米，最到可达1 3 0 0 米主要分布在怒江、独龙江谷地 蓑 ：；鬈鬻g 灌木草丛 季风常绿阔1 1 0 0 - 1 9 0 0 米 主要分布在东南部东、西坡。上部为中 山湿性长绿阔叶林，下部通常为河谷稀 戮1 5 叶林 树灌木草丛 其上部为杜鹃灌丛，下部为湿性常绿阔 鬟l 懑 1 6针阔混交林 2 4 0 0 2 9 0 0 米 叶林。 在保护区分布的草甸是本区寒温性针 戮鬻 1 7高山草甸 3 5 0 0 - 4 0 米 叶林破坏后形成的次生植被。 1 8 冰川积雪 高海拔地区 高山山脊或山顶。 阀 1 9 裸岩高海拔地区冰川积雪附近。 j 分布的地方地势平坦，多分布在河谷 黼 2 0水田一般低于2 5 0 0 米 中。附近有居民点。 2 2云南松林1 1 0 0 1 8 0 0 米 主要分布在北段江边，南部零星分布。 l 豢 ( 5 ) 分类后的处理 无论是监督分类还是非监督分类，都是按照图像的光谱特征进行聚类分析的，因此带有定的 盲目性，所以有必要对分类结果进行处理，使其达到更加理想的效果。( 1 ) 小图斑去除。在分类过 程中产生一些面积很小的图斑，为满足综合制图的需要，在a r c i n f o9 工作站版下用e l i m i n a t e 进行 处理，闽值为1 6 0 0 0 0 m 2 。( 2 ) 目视纠正。无论采用那一种识别分类方法，都不可能达到百分之百的 分类精度，错分、漏分现象在所难免。因而在自动分类后，必须利用专题图件辅助进行人工目视解 译。通过目视解译可以修正大部分错分像元、判断未分像元的归属，从而完善分类结果，提高分类 精度。本次研究利用所采集的地物g p s 点、等高线为辅助资料，并加以专家知识进行目视解译，其 模版如图2 _ 1 3 。 经过分类后的处理，得到研究区4 个时段的分类结果图( 图2 - 1 4 ) 。 图2 1 3 目视解译模版 f i g2 - 1 3v i s u a lc o r r e c t i o ns a m p l e 1 9 9 9 年2 0 0 4 年 图2 1 4 研究区4 年的分类结果图 f i g 2 - 1 4c l s s i f i c a t i o nm a p o ff o u ry e a r si ns t u d ya r e a 2 3 5 3 分类结果评价 为了验证该方法的有效性，必须对试验结果进行评价。试验结果评价通过采用构建误差矩阵实 施相应的精度分析比较。本次研究主要对两个层次的分类结果构建混淆误差矩阵进行其精度评价。 ( 1 ) 第一层次分类精度评价。对植被区和非植被区的分类结果，构建混淆矩阵并计算相应的精度统 计参数如表2 - 1 3 。 基于强技术的高黎黄山羚牛生接译贽研究 表2 - 13 基于n d v i 的植被区和非植被区的分类误差距阵 t a b2 - 1 3e r r o rm a t r i xo f t h ev e g e t a t i o na n dn o n v e g e t a t i o nc l a s s i f i c a t i o nb a s e do nn d v i 注：x i + 为第i 类分类类别抽样数累计值，x + i 为第i 类参考类别抽样数累计值，u a 为用户精 度，p a 为过程精度，o a 为整体精度。 从表2 1 3 里可以看出，在基于n d v i 进行山区遥感图像的分类中，分类结果较好。其中，整体 精度达9 1 5 0 ，过程精度植被区为9 2 ，非植被区为9 1 ，用户精度植被区为9 1 0 9 ，非植被区 为9 1 9 2 。 分析获得该分类效果的原因，一是由于采用了具有比值特性的n d v i 特征变换处理，较好地减 弱山区地形阴影对分类效果的作用影响：二是分类类别仅考虑植被区和非植被区两种类别，基于 n d v i 变换后，具有明显植被特征的林地与山区其它类别具有较好的分离性：第三个原因是与独龙 江流域研究区本身山区自然状况与土地覆盖状况所决定，独龙江流域地区，地形、地貌复杂，气候 潮湿温和，人为破坏较少，林地覆盖面积大，而且相对集中成片，因此基于上述的分类方法方案可 获得较好的分类过程精度。 第二层次分类精度评价。对于第二层次分类精度的评价采用了两种方法进行精度评估：其一是 分类结果与原始影像叠在一起，目视检验分类精度( 图2 - 1 5 ) ：并且截取部分区域与直接对图像进行 监督分类的结果图进行了比较( 图2 1 5 ) 。其二是利用统计的方法( k a p p a 系数) 进行了精度评价， 其精度与直接对图像进行最大似然的分类精度进行了比较。( 表2 1 4 和表2 - 1 5 ) 。 图2 1 5 部分分类结果图与原始影像图叠加 f i g2 - 1 5t h eo v e r l a yo fp a r ti m a g ed a s s i f i e da n do r i g i n a li m a g e 森林水体其他农业用地人工用地灌丛草地草甸 图2 1 6 分区分类法与传统方法的结果比较 f i g2 - 1 6c o m p a r i s o nb e t w e e nt h er e s u l tr e s u l t sd e r i v e df r o ms o b - r e g i o na n dm l ca l g o r i t h m s k a p p a 系数是评价分类精度的多元统计方法，它代表被评价分类比完全随机分类产生错误减少 的比例，对k a p p a 的估计称为k h a t 统计。结合野外采集的各地类的共1 3 8 个g p s 点对于植被区和 非植被区各地类( 一级类型) 分类精度进行检验，得到分类精度误差统计表( 表2 - 1 4 ) 。 表2 1 4 分区分类方法获得的误差矩阵 t a b2 - 1 4e r r o rm a t r i xo fs u b r e g i o nc l a s s i f i e r 类别森林 草地草甸 灌丛水体人工用地农业用地其他 合计 森林 4 712o0 005 0 草地草甸 21 5320l 0 2 3 灌丛 7 21 3 o110 2 4 水体0011 3 0101 5 人工用地20106 009 农业用地 211o1811 4 其他010o 01l3 合计6 02 02 11 58 1 221 3 8 精度( ) 7 8 3 37 5 0 06 1 9 08 6 6 77 5 0 06 6 6 75 0 0 0 表2 15 传统方法( m l c ) 分类获得的误差矩阵 t a b2 1 5 e r r o rm a t r i xo fm l cc l a s s i f i e r 类别森林草地草甸灌丛水体人工用地农业用地其他 合计 森林3 9140 l104 6 l 草地草甸 41 2321102 3 灌丛 9 21 1 0l 1 0 2 4 水体 2111 10101 6 人工用地 2 11 05101 0 农业用地 2 2l 20 6 1 1 4 其它 2 10o 0 115 合计 6 02 02 l1 581 221 3 8 梢度( ) 6 5 0 06 0 0 05 3 3 87 3 3 36 2 5 05 0 0 05 0 0 0 将表2 1 4 和表2 - 1 5 中间数据部分看作矩阵a 精度，计算公式： p 2 e a i j n k = ( n 8 u x f f j t i ) ) ，( 悍? _ t j t i ) ) 以计算分类的总精度和k a p p a 系数： 总体分类 ( 2 - 8 ) ( 2 9 ) 其中a 日表示a 的对角元素，n 为各类样本总数，1 1 i 、分别表示a 的第i 行和与第j 列之和。 计算得到两种方法的总精度分别为7 4 6 3 ，6 1 5 9 ，k a p p a 系数为0 6 6 9 4 ，0 5 0 7 5 。 据表2 1 4 ，植被区的分类精度在6 1 9 纷_ 7 8 3 3 ，森林的精度分类最高，草地草甸次之，而灌 丛最低。这主要由于灌丛的光谱特征与森林和草地草甸有着一定程度的类似，加之高原山区地块零 碎，这三种地类之间存在混分现象；灌丛又很难大而纯的训练样本，并且灌丛的先验概率较森林和 草地草甸小，故分类精度较低。而非植被区的分类精度在5 0 一8 6 6 7 。以水体的精度最高，其它 类型精度最低。其它类型的精度主要是由于采集的g p s 点数目限制，对其分类精度评价存在一定的 误差。而水体由于光谱特征明显，易获取大而纯的样本。故分类精度高。而从表2 - 1 5 里可以看出， 直接对图像进行监督分类精度比分区分类的精度低，各地物类型混分较严重。 2 3 6 小结 在应用t m 遥感图像进行土地覆盖分类的计算机分类技术中，一般常用直接基于原始波段4 ，5 ， 3 波段参与，利用最大似然法( m l c ，m a x i m u m1 1 i k e l i h o o dc l a s s i f i c a t i o n ) 的监督或非监督分类获得分 类结果。然而，在高山峡谷地区，山高坡陡、地块零碎，在遥感图像上表现为大量的阴影和混合像 元，直接搬用上述方法将导致难于接受的分类精度。因此，本文通过利用分区分类法( 基于n d v l 特征变换处理方法获取阈值将图像划分为植被区和非植被区) 并辅以屏幕人工判别分类及专题图件 辅助判别进行山区林地覆盖遥感分类试验研究，初步的研究结果表明，该方法具有较好的实用性， 其操作处理简单可行，分类结果可满足一定研究要求，该方法也可以有效地解决山区遥感图像的分 类问题。 2 4 研究区羚牛生境评价主要信息处理 2 4 1d t m 的处理和应用 数字地形模型( d i # t a l t e r r a i n m o d e l ，简称d a m ) 是代表地形特征空间分布的一个数组。它可用 坐标值( x y z ) 的阵列来表示，或者用多项式和富氏级数定义的地形表面的方程组来表示，它是地形的 种数字和数学的描述i “1 。数字地形模型有着多方面的应用，本文将数字地形模型应用到濒危动物 羚牛的生境评价研究中。 d e m 是利用地形方程式建立的表示地理海拔高度的数字地形模型。陈述彭【l 刎等将数字高程模 型与数字地形模型作了区分，认为d t m 含d e m ，可包括地面的其它各种特征，如水系、坡度等特 征参数。而d e m 是地形特征的各种数字模型中的一种，但应用较多。文中将由地形方程值建立的 3 9 基于强技木的蠢黎贡血羚牛生境浔债研究 表示高程的模型称d e m ，而将由d e m 推导出来的坡度地形特征参数模型以及羚牛喜好的植被因子 分布模型，与d e m 本身一起称d t m 。 2 4 1 1 数字高程模型的建立 数字高程模型的数据采集按采集的方式分，有选点采集、随机采集、沿等高线采集和沿断面采 集等；按数据的来源分，有从现有的地形图或航空像片上采集、进行地面测量或由机载测高仪上直 接获得：按采集的方法分，则有人工、半自动和自动采集1 1 2 ”。本研究是利用研究区2 5 m 的d e m 直 接提取等高线、坡度、坡向等地形因子。图2 1 7 是高黎贡山自然保护区北段海拔高度分级图。 图2 1 7 高黎贡山自然保护区北段海拔分级 f i g2 - 1 7e l e v a t i o ng r a d i e n tm a p i nn o r t hg a o l i g o n gm o u n t a i nn a t u r er e s e r v e 图2 1 8 高黎贡山北段羚牛的坡度分级图 f i g2 - 1 8s l o p eg r a d i e n tf o rt a k i ni nn o r t hg a o l i g o n gm o u n t a i nn a t u r er e s e r v e 图2 1 9 高黎贡山北段羚牛适宜生境植被类型图 f i g2 - 1 9s u i t a b l ev e g e t a t i o nf o rt a k i ni nn o r t hg a o l i g o n gn a t u r er e s e r v e 2 412 坡度生境因子的提取 坡度是表示地表面在该点的倾斜程度的一个量。坡度和坡向是进行地形特征分析和可视化的基 本因子。坡度和坡向可以在森林资源调查、土壤侵蚀、野生动物栖息地适宜性分析、选址分析等领 域得到广泛应用【l ”i 。坡度计算的方法有多种：四块法、空间矢量分析法、拟合平面法、拟合曲面法、 直接解法等。李志林，朱庆认为拟合曲面方法是求解坡度的最佳方法1 1 ”i 。拟合曲面法一般采用二次 曲面。二个方向性的3 3 滤波器被用来过滤数字高程模型，得到的分别是x 和y 方向上的高程差， 然后通过梯度公式计算出所有点的坡度值( 单位为度) 。本研究的坡度参数模型的提取方法就是用拟合 曲面方法。并在a r c v i e w 中利用精度为2 5 m 的d e m 进行提取。在a r c v i c w 中坡度确定了中心栅格 与四周相邻栅格高程值的最大变化率，坡向表示每个栅格与它相邻的栅格之间沿坡而向下最陡的方 向1 1 ”i 。图2 1 8 是高黎贡山北段的坡度分为六级后显示的坡度模型。 2 4 1 3 植被生境因子的提取 为了建立高黎贡山羚牛的潜在生境模型，除了以上的d e m 和坡度模型外，植被类型也是重要 因子。从遥感图像上提取羚牛喜好的植被类型( 常绿阔叶林、箭竹林、高山草甸、寒温性针叶林、 高山亚高山灌丛) 的分布模型( 图2 - 1 9 ) 和数字高程模型及坡度参数模型共同构成了本研究所定义 4 0 的数字地形模型。 3 研究区羚牛生境景观格局动态分析 生境景观分类与制图不仅能综合地表现生境景观各要素之间的相互关系，而且通过各类生境景 观单元的区域组合，反映其生境景观的空间分布特征。以1 9 7 4 年的m s s 、1 9 8 9 年的t m 、1 9 9 9 年 和2 0 0 4 年的e t m + 的卫星数据为主要数据源，分别对4 个时段的研究区羚牛生境进行景观制图，研 究该地区景观格局与动态，以期为准确评估人类活动影响下对羚牛的生境变化趋势提供科学依据。 3 1 羚牛生境景观制图 利用遥感数据的生境景观分类结果，可得到研究区4 个时段的景观分布图( 图2 1 4 ) 3 2 景观格局与动态分析 3 2 1 景观格局分析方法 景观格局一般指空间格局，表示景观要素斑块和其他结构成分的类型、数量以及空间分布与配 置模式。景观格局是由自然或人为干扰形成的一系列大小、形状各异、排列不同的景观要素共同作 用的结果，是各种复杂的物理、生物和社会因子相互作用的结果i l “。景观格局的描述通常有三种方 式：( 1 ) 通过文字描述：( 2 ) 通过图、表描述；( 3 ) 通过景观格局指数描述。景观格局指数能高度 浓缩景观空间格局信息，反映其结构组成和空间配置某些方面特征的简单定量指标i l “。论文主要采 用景观格局指数来描述景观的格局特征。 3 2 2 景观格局指数与计算 景观空间格局分析与模拟的软件很多，如s p a t i a ls c a l i n g ，f r a g s t a t s ，a p a c k ，a i 等。根据不同 的研究目的以及具体的数据类型，所选用的软件也不尽相同，本文有关景观格局指数计算采用 f r a g s l n r s3 0 。 不同的景观格局指数有着不同的生态学涵义，对格局指标要进行适当的筛选，根据不同的研究 目的和内容选择适当的景观格局指数。本文在分析研究区景观格局时主要采用描述景观要素斑块特 征的指数和反映景观异质性的指数，具体的指数如下： ( 1 ) 斑块数、斑块周长和斑块面积斑块数是标志景观破碎化程度的一个重要指标，无论在景观要 素层次上，还是在类型水平上，常用来指示景观或生境的破碎化。每个斑块的周长和面积，是计算 其它指数的基础，可以反映景观的结构。 ( 2 ) 景观比例( p k ) p k = a k a t l 0 0 式中，p k 为第k 类景观的景观比例指数，a k 为第k 类景观的斑块总面积 面积。该指数表示第k 类景观面积占景观总面积的比例。 ( 3 ) 景观的破碎度( c ) ( 3 - 1 ) a 为景观系统的总 景观破碎度是指景观被分割的破碎程度，它在一定程度上反映了人为活动对景观的干扰强度 这与自然资源保护密切相关，景观的破碎化和斑块面积的不断缩小，适于生物生存的环境在减少 它将直接影响到物种的繁殖、扩散、迁移和保护”。表达式为： c k = n k a k 式中，a 【为景观类型k 破碎度，n k 为景观类型k 的斑块数，a k 为景观k 的总面积。景观 总的破碎度表达式为： c = i n ，i a 其中 i n 为景观类型斑块的总个数，t a 为景观的总面积。 ( 4 ) 分离度指数 表示某一景观中不同斑块个体空间分布的离敞程度。其计算公式： n i = d i s i 式中，n i 为景观类型i 的分离度指数，d i 是景观类型的i 的距离指数，d i = 1 ，2 + ( 1 1 a ) ( 3 2 ) 类型i 的斑块数，a 为研究区域的总面积。s i 是景观类型的i 的面积指数，s i 2a i a ，a i 为景观 类型i 的面积。分离度越大，表示斑块越离散，斑块之间距离越大”。 ( 5 ) 景观斑块密度 景观斑块密度不但是一个景观结构指标，也在一定程度上反映景观的功能。在景观级别上，景 观斑块密度反映了景观整体斑块分化程度，其值越高，表明一定面积上异质景观要素斑块数量越多， 斑块越小，景观的异质性也越商。对于野生动物栖息地的森林来说，斑块密度越大，表明该类景观 要素破碎化程度相对较高。其计算公式： p d i ：l ( 3 5 ) a i _ 】 p d = n ，a ( 3 - 6 ) p d 等于单位面积上景观要素的斑块数，这一指标表明了景观要素的破碎化程度，对物种保护、物质 和能量分布具有重要影响，是描述景观格局的一个重要指标。 ( 6 ) 景观边缘密度 景观边缘密度是斑块形状及斑块密度的函数，其大小反映景观中一直斑块之间物质、能量、物 种及其他信息交换的能力及相互影响的强度，可直接表征景观整体的复杂程度。其值越高，在一定 程度上表明该类景观要素同其外界环境进行物质和能量的交换潜力越强，其稳定性则相对比较差。 p j j e d i = 上l ( 3 7 ) a 日 i = l e d ：一p ( 3 8 ) a 在景观要素层次上，e d 等于某景观要素斑块的总周长与该类景观要素斑块面积之比，在景观层 次上，e d 等于景观的总周长与景观面积之比。这是一个基于斑块边界长度和斑块面积的指标，表明 景观要素单位面积上拥有的边界长度。在一定程度上，表明景观要素或景观的破碎化程度。 式中：i _ 1 ，m ：景观要素类型 j = l m ：景观要素斑块数目：a ：景观总体面积( h a ) ：a i j ： 某景观要素的某个斑块面积( h a ) ；p i j ：斑块i j 的总周长( k m ) ；n ：景观总斑块数；p ：景观要素的 ” d 琴 糖 斑块周长。 3 3 结果分析 3 3 1 景观要素组成结构分析 景观要素组成结构可用景观要索类型的斑块数量、面积及其在景观中的分布情况来反映。某景 观要素在整体景观中所占的面积大、斑块数量多及其在景观中的分布范围广，则该景观要紊在景观 中起着较大的作用，对景观整体的结构、功能和变化特征有较强的控制能力。因此，本文采用面积、 斑块数、景观比例进行景观要素结构分析。在g 1 s 支持下，以研究区遥感数据的分类结果作为数据 源，利用f r a g s t a t s3 0 进行统计分析，得到各景观指数( 表3 - 1 ，3 - 2 ，3 - 3 ，3 4 ) 。 表3 11 9 7 4 年研究区景观统计表 代 斑 面积 周长 景观 平均斑 斑块 景观 块 比例块面积 景观破分离度 密度 边缘 码( h a )( k m )碎度指数密度 数 ( )( h a ) ( 个h a ) ( k i n h a ) 132 7 2 8 25 5 2 4 1 8 30 8 4 89 0 9 40 0 0 1 10 1 80 0 0 1 12 0 2 4 8 2l1 4 3 71 9 3 4 1 9 0 0 0 4 1 4 3 70 0 6 9 6 2 7 40 0 6 9 61 3 4 6 0 393 6 5 6 52 3 8 0 60 1 1 44 0 6 30 0 2 4 62 3 3 0 0 2 4 66 5 1 1 43 84 6 7 4 1 72 3 2 6 0 7 21 4 5 31 2 30 0 0 8 10 3 70 0 0 8 14 9 7 6 62 71 1 4 4 5 1 93 8 4 1 4 7 13 5 5 74 2 3 90 0 0 2 40 1 30 0 0 2 4 3 3 5 6 71 49 5 7 0 2 12 4 9 8 8 3 12 9 7 46 8 3 5 90 0 0 1 50 1 10 0 0 1 5 2 6 1 1 8 4 9 1 4 3 2 2 7 72 6 0 0 6 9 74 4 5 1 12 9 2 3 0 10 0 0 0 30 0 10 0 0 0 31 8 1 6 91 31 3 6 8 8 7 83 4 1 5 2 9 94 2 5 41 0 5 2 9 80 0 0 0 90 0 70 0 0 0 9 2 4 9 5 1 01 23 3 1 1 0 91 1 6 6 0 8 21 0 2 92 7 5 9 20 0 0 3 60 30 0 0 3 6 3 5 2 2 1 1 1 3 93 0 4 6 9 1 31 4 5 7 1 5 4 9 4 6 92 1 9 20 0 0 4 60 1 l0 0 0 4 64 7 8 2 1 28 62 4 5 4 5 2 31 0 4 3 7 1 07 6 2 82 8 5 4 10 0 0 3 50 1 l0 0 0 3 5 4 2 5 2 1 3 6 3 9 6 9 6 _ 3 l4 9 8 3 0 1 52 9 9 81 5 3 1 50 0 0 6 50 2 30 0 0 6 5 5 1 3 9 1 42 42 0 2 8 5 41 1 4 6 8 5 9 0 6 38 4 5 20 0 1 1 80 6 80 0 1 1 85 6 5 4 1 51 48 9 1 9 16 8 4 7 5 9 30 2 7 76 3 7 10 0 1 5 71 1 90 0 1 5 7 7 6 7 7 1 71 5 53 9 3 7 8 7 21 7 5 0 4 9 71 2 2 3 82 5 4 0 6 o 0 0 3 9o 0 90 0 0 3 94 4 4 5 1 89 11 8 0 4 2 0 18 5 5 3 2 5 25 6 0 71 9 8 2 60 0 0 5 0 1 50 0 0 5 04 7 4 1 1 91 02 8 2 6 62 7 5 8