北京地处华北平原的西北部，与天津市、河北省相邻，地理坐标为115°25′~117°30′E，39°26′~41°04′N(如图 1)。北京市土地面积约1.64万km²，西部、北部、东北部三面环山，为典型的北温带半湿润大陆性季风气候，四季分明，干旱少雨。年平均气温不一，平原地区为11.5℃，浅山区为10℃，西、北部在8℃左右；年平均降水量630 mm，各地区降水量分布不均，大部分地区雨季在6—9月之间。研究区湿地类型丰富、数量较多且分布较广，适合采用遥感技术及地理信息系统进行研究。

图  1  研究区范围

Figure 1.  Study area

本研究选用3景2015年Landsat8 OLI影像为数据源(地理空间数据云下载)，条带号、行编号分别是123/32、123/33、124/32，对北京市湿地展开研究。考虑到湿地遥感影像解译的最佳季节，选择6—9月丰水期的数据。数据主要经过定标、校正、镶嵌、剪切等预处理工作，并统一转换至Albers投影以及WGS84坐标系。其他相关资料包括Google Earth高清影像、2015年人工解译结果和第二次全国湿地资源调查资料等。

使用面向对象方法对研究区数据进行分割来确定最优分割尺度，选取不同地物特征指数，CART决策树自动建立规则进行分类提取。采用最大似然分类方法、面向对象最邻近方法与面向对象CART决策树方法进行分类精度对比。技术路线如图 2所示。

图  2  技术流程

Figure 2.  Technique flowchart

将研究区湿地生态系统分至2级，主要包括7个湿地类型。其中，考虑到研究区城市化率较高，河流与人工湿地中的输水河/运河难以区分，提取结果中将天然河流与输水河/运河归为一类显示；库塘与水产养殖场分为一类，以库塘类显示。北京市湿地分类体系如表 1所示。

通过设定波段权重、分割尺度、形状因子及紧密度对影像进行分割，得到若干相同特征像元组成的对象，同时辅助光谱差异分割对亮度差异值内的相邻对象进行合并。影像分割完成后，对其进行特征指数计算。主要的特征参数及计算公式如表 2。

使用光谱特征，如MNDWI提取水体，具有易于区分阴影、建筑的优势；采用NDVI，可使植被从水体和土壤中分离出来。形状特征可以有效地分离光谱、纹理相似而几何形态不同的湿地地物，比如库塘和湖泊，一些学者^[19]仅使用面积作为节点分类并不完全分离。湖泊湿地大多近似椭圆且面积较大，形状指数较低；河流呈条带状，长宽比大于其它湿地地物。近红外波段的同质性对纹理不同的地类分离有一定贡献。拓扑关系可通过目标湿地与特殊地物间的边界距离区分两者，例如，沼泽的光谱特征与一些植被相似，一般分布在水体附近，在使用其他特征的基础上，增加与水体的距离特征可以将两者分离。

CART决策树是由Breiman^[20]提出的一种决策树构建算法, 其核心思想是通过若干判断条件在原始数据集中找到一个最优特征将数据集逐步二分和细化，然后递归上述操作，直到满足实现影像对象的自动分类条件为止。与其他决策树相比，CART决策树模型运算简单且速度较快。

在构建CART决策树之前，需要指定的训练样本对其进行训练。本研究区分为库塘类、沼泽、湖泊、河流、洪泛湿地、植被和建筑，以2015年人工解译结果及Google Earth高清影像作为参考，选取了625个具有代表性且分布广泛的样本进行训练。CART决策树选择不同地物的分类特征，自动建立规则，避免其他地物产生的干扰和影响，逐步将待提取目标分离出来。

本研究在eCognition 8.7中尝试不同尺度对影像分割，参照已有文献的研究经验^[21-22]，将分割尺度定在80150之间。通过比较分割结果，当分割尺度为120时更接近地物目标的真实轮廓，即为研究区最优分割尺度，同时根据研究区地形、地物分布特点，形状因子和紧密度分别设为0.25、0.5。辅助光谱差异分割算法将光谱特征相近的碎斑进行合并以保持目标地物的完整性，排除了河流与库塘、湖泊形状相似的干扰性，最大光谱差异设置为80。

分割完成后，计算数据的光谱、形状、纹理特征和拓扑关系，CART决策树根据特征指数自动建立分类规则。本研究经过计算特征变量在训练样本间的可分离度，确定使用特征为MNDWI、NDVI、Shape Index、Area、Rectangular Fit、Length/Width、GLCM Homogeneity、Rel.border to neighbor objects时地类与地类间的可分性最大。最后构建出研究区湿地分类决策树模型，如图 3所示。

图  3  决策树湿地提取模型

Figure 3.  Decision tree model of wetland extraction

运行决策树模型，经分类后处理得到研究区湿地分类结果。为对比验证面向对象CART决策树方法的精度，同时使用最大似然法、面向对象最邻近方法对影像进行分类。运用ENVI进行最大似然法分类，训练样本与面向对象CART决策树相同；两种面向对象方法均在eCognition中进行分类，特征条件相同。分类结果如图 4(a)、4(b)和4(c)所示。

图  4  研究区湿地分类结果

Figure 4.  Classification of wetland types

分类结果图 4中标出的3个区域分别对应图 5中的区域。根据分类结果图 4、5对比发现，最大似然法和面向对象方法对湿地类型的判定上有很大差别。传统的最大似然法在仅依据光谱信息的条件下，椒盐现象严重，碎斑较多，出现更多错分及混淆现象。库塘类、河流、湖泊等湿地类型混淆严重，部分山体阴影错分为库塘类，如图 5(a)区域1所示；图 5(a)区域2和3中，部分植被错分为沼泽湿地或洪泛湿地，细的河流错分为建筑(道路)。

图  5  不同方法分类结果对比

Figure 5.  Comparison of different classification result

与2015年人工解译结果对比，面向对象方法总体分类效果较好。其中，面向对象最邻近方法各类型间出现混淆现象，如图 5(b)中所示，植被错分为沼泽，洪泛湿地与建筑、植被存在较多的错分现象；面向对象CART决策树的各湿地类型分类效果很好，漏分现象很少出现，但部分洪泛湿地错分为建筑、植被。

针对存在一些错分现象，可能原因为：Landsat8影像分辨率为30 m，一些较细的河流、建筑(道路)以及范围较小的植被易与周围地物形成混合像元；分割尺度主要兼顾湿地类型，从而造成错分、漏分。部分洪泛湿地与植被光谱、形状、纹理特征相似，所以出现了错分现象，因此利用多尺度、多时相的影像区分不同地物是后续研究的一个重点。

精度验证一般为野外采集样本点和高分辨率影像检验低分辨率影像两种方法。研究区范围较大且分类影像为2015年，本研究选择高分辨率影像检验低分辨率影像的方法，由Google Earth高清影像获取随机分布的验证点共1 247个，进而生成混淆矩阵来进行精度验证。考虑到区域湿地率较低，分层抽样法可以在各湿地类型中按比随机产生样点，避免随机抽样法造成过于集中于某一地区、某种类型或遗漏某种类型的问题。

3种分类方法的精度评价如表 3所示，评价指标是制图精度、用户精度、分类总精度和Kappa系数。最大似然法总体精度为57.98%，Kappa系数为0.489；面向对象最邻近方法总体精度是85.16%，Kappa系数为0.806；面向对象CART决策树方法总体精度为88.05%，Kappa系数为0.844。面向对象CART决策树方法比仅基于光谱信息分类的最大似然法的精度高近30%，Kappa系数提高了0.355；与面向对象最邻近方法总体精度、Kappa系数相差不大，但针对沼泽、河流等湿地类型，用户精度、制图精度提高了10%~20%。总的来说，面向对象CART决策树方法对研究区的湿地信息提取效果更好。

面向对象CART决策树方法总体精度较高，但洪泛湿地的用户精度较低，存在一定的错分现象。洪泛湿地与植被、建筑相邻且与二者的混合像元光谱特征相似；植被与建筑互相错分像元为26个和28个。由于分割时注重各湿地类型的分割效果，相邻地物间易形成混合像元而造成错分。

因为最大似然法、面向对象方法分别是基于像元和对象分类，所以两种方法的验证样本不尽相同，本研究验证样本的空间位置分布尽可能保持一致。其中，两种面向对象分类方法的验证样本一致，因此，对分类精度对比不构成影响。面向对象CART决策树方法较其他两种方法，分类效果更好，能够满足多类型湿地的分类要求。

本研究采用面向对象CART决策树方法、最大似然法和面向对象最邻近方法对研究区进行湿地信息提取，分析比较3种方法的分类结果，得出如下结论：

(1) 针对湖泊、河流、库塘等湿地地区光谱特征相似的问题，面向对象CART决策树方法能充分利用光谱、形状、纹理特征及拓扑关系，分层逐步的提取目标湿地信息。仅基于光谱特征的最大似然法提取的各湿地类型错分、混淆现象严重，碎斑较多。

(2) 传统的湿地信息提取研究中，河流湿地的分类精度明显低于湖泊湿地、人工湿地、沼泽湿地。人为活动明显的地区，细的河流与建筑(道路)易混淆，且因在水上建造各种桥梁，使得河流难以完整提取。本研究引入光谱差异分割，可有效合并湿地斑块，避免同类型湿地分割过碎，提高了河流、洪泛湿地的分类精度，减少不同类型湿地提取精度的差异。

(3)湿地区域范围难以准确界定，部分湿地类型如沼泽与植被易混淆。沼泽一般紧挨水体，含水量较高；部分植被矩形拟合度较大，两者纹理不尽相同，可添加纹理特征及拓扑关系等建立决策树进行分类，精度有一定提高。

(4) 面向对象CART决策树方法分类精度有明显提高，有较强的实用性，但大区域内不同地物数量较多、同一地物形态特征不一，需反复尝试后确定最优分割尺度；中分辨率影像易形成混合像元，在满足覆盖大区域以及兼顾分割尺度的同时有一定的局限性。

综上, 在大区域湿地信息提取中，由于湿地分布广泛、数量较多、各类型特征差异明显，使用面向对象CART决策树方法是一种可行的分类方法。