农牧交错带湿地信息提取技术研究
——以多伦县大仓乡为例
2011-01-05彭道黎
吴 见,彭道黎
(北京林业大学省部共建森林培育与保护教育部重点实验室,北京 100083)
农牧交错带湿地信息提取技术研究
——以多伦县大仓乡为例
吴 见,彭道黎
(北京林业大学省部共建森林培育与保护教育部重点实验室,北京 100083)
农牧交错地带地类复杂,混合像元现象严重,湿地信息的自动提取难度较大。针对该区湿地遥感信息提取的特点和难点,选取多伦县大仓乡地区的TM遥感数据,先采用NDVI阈值提取出水体,并利用水体形状特征(如面积s、周长p、形状指数k等)对水体类型进行提取;再尝试应用线性光谱混合模型(LSMM)提取去除水体后的湿地信息,并以SPOT 5卫星影像修正LSMM分解的草甸分量,进一步提取高盖度、中盖度和低盖度草甸信息。经验证,用上述方法提取湿地信息的总体精度为85.3%,Kappa系数为0.79,与传统的最大似然法提取结果相比,精度提高19.9%,Kappa系数提高0.22。该方法可为其他光谱特征混杂地区的湿地遥感信息提取提供参考。
湿地;光谱混合分析;遥感;植被覆盖度
0 引言
湿地是介于陆生和水生生态系统之间的一种特殊的生态系统,在保持生态环境平衡、调节地表径流、预防洪水等方面具有其他系统无法替代的作用[1],因此湿地生态系统被称为“自然之肾”[2]。近年来,由于自然和人为等因素,我国湿地遭受到不同程度的破坏,面积逐渐缩小。遥感技术为地表动态变化研究提供了多光谱、多时相、多平台和大范围的实时信息。利用遥感技术进行湿地监测具有信息更新更快、人为干扰小、投资少等优势,因此,从卫星遥感影像中自动识别与提取湿地信息已成为湿地资源调查、宏观监测及保护的重要手段之一[3]。
农牧交错地带各种土地利用类型分布严重交叉[4],导致遥感影像光谱特征严重混杂。目前,针对该区域的湿地遥感信息提取技术主要是目视解译[5],不仅效率低,而且受主观因素影响严重。因此,积极探索计算机自动提取技术是混合像元现象严重区域湿地研究的发展趋势。
针对农牧交错地带湿地遥感信息提取的特点和难点,本文以内蒙古多伦县大仓乡为研究区,首先采用NDVI阈值提取水体,然后利用水体形状特征(如面积s、周长p、形状指数k等)对水体类型进行提取,并对提取结果进行目视解译修正;尝试将线性光谱混合模型(Linear Spectral Mixture Model,LSMM)应用于去除水体后的湿地信息提取,并以高分辨率卫星影像修正LSMM分解的草甸分量,进一步提取了高盖度、中盖度和低盖度草甸信息。本文旨在探索快速提取农牧交错地带湿地遥感信息的新方法,同时为其他光谱特征混杂地区的湿地遥感信息提取提供参考。
1 研究区与数据概况
1.1 研究区概况
多伦县位于内蒙古锡林郭勒盟南部,属低山丘陵间河谷盆地地貌,年平均气温在0.9~1.5℃之间,无霜期为100 d左右;年平均降水量为400 mm,年平均蒸发量为1 748 mm,属中温带中纬度干旱半干旱高原大陆性气候。该区地物类型复杂多样,主要土壤类型为栗钙土、风沙土,也有灰褐土、黑钙土和草甸土发育,土壤沙化程度高,部分土壤出现盐渍化,且各土地利用类型交叉分布严重。主要植被类型为中温带型草原植被,另外还分布着沙地植被等。地物光谱特征严重混杂,是典型的农牧交错地带。
大仓乡位于多伦县的中部,近年来受人类活动的影响,生态环境遭受破坏较严重,沙地不断扩张,湿地出现了不同程度的退化,部分原来草丰水美、林繁木茂的地段在逐年衰败,水土流失、水源减少现象频频发生。
1.2 数据选择及预处理
研究选取了覆盖多伦县大仓乡地区的TM和SPOT 5卫星影像数据(表1)。
表1 卫星影像数据及成像参数Tab.1 Satellite image data and some imaging parameters
运用经验线性法对TM影像进行大气校正,应用FLAASH软件对SPOT 5影像进行大气校正;利用1∶5万地形图对SPOT 5影像进行几何纠正,纠正后影像的均方根误差为0.3个像元,满足精度要求;并对纠正好的SPOT 5影像与TM影像进行了几何配准。
本文以TM(TM 6除外)6个波段和SPOT 5的band2(红)和band3(近红外)波段为研究数据。研究中用LSMM模型对TM影像进行分解,以获得去除水体后的各湿地类型;用SPOT 5影像修正由TM影像分解得到的草甸分量。
2 LSMM模型的改进
LSMM模型能较好地解决混合像元问题,是一种比较成熟的线性光谱混合分解方法[6,7]。全受限的LSMM公式为
式中,ρi,j,k为第 i行、第 j列像元在 k 波段的反射率;Fi,j,m为基本组分 m 在第 i行、第 j列像元中所占的分量值;ρm,k为基本组分m在k波段的反射率值;ei,j,k为 k 波段的第 i行、第 j列像元误差。
选取了适当的基本组分类型后,如何确定其光谱特征是光谱混合分解精度高低的决定性因素[8]。前人的大量实验表明,选取光谱特征的方法不同,会导致光谱混合分解的结果差异很大[6,9]。在LSMM应用中存在一个重要的问题,即采用30 m分辨率的TM影像时,受研究区域的限制,在我国干旱地区几乎找不到30 m×30 m的“纯”植被覆盖像元,其他地物类型的“纯”覆盖像元却较容易找到。因此,对LSMM进行了如下改进。
将式(1)变换得到
假设 ρp,k为植被基本组分的光谱特征,分母 ρp,k本应该是纯净植被像元的光谱,但由于在研究区内找不到“纯”植被基本组分,因此 ρp,k为以植被为主的混合基本组分的光谱特征;Fi,j,p是以 ρp,k为基本组分的植被盖度。根据像元二分模型的原理,即
式中,fc为植被盖度;ρ为各像元观测到的信息;ρv为全植被覆盖的“纯”像元所贡献的信息;ρs为全裸土覆盖的“纯”像元所贡献的信息;NDVI为影像中各像元的NDVI值;NDVIsoil为全裸土覆盖像元的NDVI值;NDVIveg为全植被覆盖像元的NDVI值。
通过卫星传感器所观测到的信息ρp,k可表达为
式中,fc'为混合基本组分ρp,k对应的实际植被盖度。
将式(6)带入式(4)得
如果存在全植被覆盖的基本组分ρv,则
fi,j,p是以 ρv为基本组分的植被盖度,由式(5)、
式(7)和式(8)可得
3 湿地信息提取
3.1 湿地分类系统
湿地调查的一部分很重要的工作是制定适合于研究区的湿地分类系统[10]。目前国内外的湿地分类体系不统一,本文依据《湿地公约》中的分类系统并结合多伦县大仓乡的具体情况,建立了多伦县大仓乡湿地分类系统(表2)。
表2 多伦县大仓乡湿地分类系统Tab.2 Wetland classification system for Da Cangxiang in Duolun county
3.2 湿地信息提取方法
为分析地物光谱特性,本文采集了卫星影像包含的所有湿地类型的各波段光谱值,并对其均值做统计。经分析可知,只有水体的第4波段光谱值明显低于第3波段,其他湿地类型的第4、3波段光谱值变化并不剧烈,因此通过计算NDVI值可提取出水体;但河流、湖泊和库塘不能从光谱上区分。本文利用水体形状特征(如面积s、周长p、形状指数k(k=s/p)等)对水体类型进行区分,并采用目视解译的方法对水体类型区分的错误进行修正。对两种卫星影像分别进行植被指数变换,经统计分析得到两种影像 NDVI的最大值(NDVIveg)和最小值(NDVIsoil)(表3)。
表3 NDVI最大和最小值Tab.3 Maximum and minimum values of NDVI
采用LSMM对河滩、盐沼、草甸和水田进行提取。在进行LSMM分析时,本文在TM影像上直接提取了基本组分,并对原始TM影像进行了噪声白化变换(MNF)以消除波段间的高度相关性,使基本组分的选取更容易进行。另外,通过掩模运算去除了研究区内的水体,使选取的基本组分有更好的代表性。通过现场调查、结合影像分析了解到,在去除水体后经MNF变换的前2个分量的特征空间中,4个顶角分别代表河滩、盐沼、草甸和水田,这4者正好就是除水体外的研究区内的主要湿地类型。
本文采用最小包含特征空间法[7]确定基本组分光谱,即在去除水体后MNF变换的前2个分量组成的二维特征空间中,选取4个顶角处的约100个像元的平均反射率作为基本组分的光谱特征(图1)。
图1 基本组分光谱特征Fig.1 Endmember spectra characters
基本组分及其光谱特征确定以后,采用LSMM对原始TM影像进行分解,得到河滩、盐沼、草甸和水田的4个分量图。经统计,均方根误差平均值为0.012,方差平均值为 0.005,这表明混合像元分解是比较成功的。在分量图像上,像元亮度越高表明地物类型在该像元所占比例越大。选取大量像元进行统计分析,确定了河滩、盐沼、草甸和水田的提取阈值(河滩分量值 >0.67,草甸分量值 >0.24,水田分量值 >0.63,盐沼分量值 >0.37)。
实地调查发现,草甸的植被类型多样且盖度变化幅度很大,可再细分为高盖度、中盖度和低盖度3种类型。决定湿地提取精度的关键是植被盖度信息的获取。
采用改进的LSMM提取植被盖度信息。首先,在由SPOT 5影像转换的NDVI图上找出草甸基本组分 ρp,k对应的 NDVIveg=0.72,NDVIsoil= - 0.09;并在SPOT 5影像转换的植被覆盖度图上找出基本组分ρp,k对应的像元平均植被盖度f'c=0.837;再利用式(9)对TM影像分解的草甸分量进行修正。根据前人研究结果及影像特征,在修正后的草甸分量图上将草甸划分成高盖度(0.6~1.0)、中盖度(0.3~0.6)和低盖度(0.1 ~0.3)3 种类型。各类型湿地的提取流程见图2。
图2 湿地提取流程Fig.2 Flue chat of wetland extraction
4 精度评价
为验证湿地信息提取的准确性,本文借助同期野外GPS实测湿地数据,在每种湿地类型中随机选取了60个样点进行验证,利用误差分析矩阵方法对识别结果进行了精度评价,并与最大似然法提取精度进行了比较(表4)。
表4 湿地信息提取精度Tab.4 Accuracy of wetland extraction
用本文方法提取各湿地类型的精度均达到80%以上,其中水体达90%;总体精度为85.3%,Kappa系数为0.79。水体与河滩之间的误分较多,这是因为部分浅水区的水体与河滩的界定标准很难确定;加之遥感影像获取时该区水田作物还没有长出,水田与盐沼相对较易误分;草甸的植被种类复杂,盖度变化幅度大,部分中、低盖度草甸被误分为水田、盐沼和河滩,高盖度草甸被误分的现象相对较少。
采用最大似然法提取的总体精度为65.4%,比本文方法低19.9%;Kappa系数为0.57,较本文方法低0.22。总体来说,用本文方法提取湿地的精度相对较高,可满足实际需求。
5 结论
(1)农牧交错地带地类复杂,混合像元现象严重,湿地信息的自动提取难度较大。本文将线性光谱混合分解模型(LSMM)应用于去除水体后的湿地信息提取;并以SPOT 5卫星影像修正LSMM分解的草甸分量,在提供更“纯”的植被光谱信息的同时,降低了对土壤背景的敏感度,进一步提取了高盖度、中盖度和低盖度草甸信息。与传统的最大似然法相比,用本文方法提取湿地的精度有较大提高。
(2)基于LSMM提取的植被分量略高于实际植被覆盖度,这与前人的研究结果一致。利用高分辨率遥感影像对LSMM分解的植被分量进行修正后,其结果更接近真实值。总体来说,LSMM模型简单实用,也不要求对研究区有太多的了解,在今后宏观监测干旱半干旱地区湿地的应用中有一定的实用价值。
[1] 何春光,崔丽娟,石川忠晴,等.洪泛区湿地水面积遥感监测新方法研究——以向海自然保护区为例[J].东北师大学报:自然科学版,2006,38(1):108 -113.
[2] 贾永红,李芳芳.一种新的湿地信息遥感提取方法研究[J].华中师范大学学报:自然科学版,2007,41(4):641-644.
[3] 张树清,陈 春,万恩璞.三江平原湿地遥感分类模式研究[J].遥感技术与应用,1999,14(1):54 -58.
[4] 刘佳慧,张 韬,王 炜,等.内蒙古湿地的定义探讨[J].内蒙古农业大学学报:自然科学版,2005,26(2):121-124.
[5] 王建强,吴连喜,张岩岩.基于3S技术湿地遥感信息分类方法的研究[J].水利科技与经济,2006,12(10):718 -720.
[6] 李晓松,李增元,吴 波,等.基于光谱混合分析的毛乌素沙地油蒿群落覆盖度提取[J].遥感学报,2007,11(6):923 -930.
[7] 吴 见,彭道黎.多伦县土地利用动态遥感监测[J].国土资源遥感,2010(3):86-91.
[8] 保家有,李晓松,吴 波.基于沙地植被指数的荒漠化评价方法[J].东北林业大学学报,2008,36(1):69 -72.
[9] Collado A D,Chuvieco E,Camarasa A.Satellite Remote Sensing Analysis to Monitor Desertification Processes in the Crop-rangeland Boundary of Argentina[J].Journal of Arid Environments,2002,52(1):121 -133.
[10]唐小平,黄桂林.中国湿地分类系统的研究[J].林业科学研究,2003,16(5):531 -539.
Technology of Wetland Information Extraction in Farming-pastoral Areas:A Case Study of Dacangxiang in Duolun County
WU Jian,PENG Dao-li
(The Key Laboratory for Silviculture and Conservation of Ministry of Education,Beijing Forestry University,Beijing 100083,China)
In the farming-pastoral area,the land types are complex and the mixed pixel phenomenon is serious,so the automatic extraction of wetland information is difficult.In view of the characteristics and difficulties of wetland remote sensing information extraction in these regions,the authors selected the TM remote sensing data covering Dacangxiang area in Duolun County to study a new method of wetland automatic extraction.Firstly,the NDVI threshold method was used to extract water body and then water types were extracted using water body shape features such as area(s),perimeter(p)and shape index(k).Afterwards,the linear spectral mixture model(LSMM)was chosen to extract wetland information after water removal.Finally,the meadow component which was decomposed by LSMM was amended by SPOT-5 satellite image to further extract high coverage,medium coverage and low coverage meadow.The results show that the overall accuracy of the wetland information extraction is 85.3%,and the Kappa coefficient is 0.79.Compared with the results of the traditional maximum likelihood method,the overall accuracy is improved by 19.9%and the Kappa coefficient is improved by 0.22.This method can provide a reference of remote sensing information extraction of wetland for other regions with mixed spectral characteristics.
Wetland;Spectral mixture analysis;Remote sensing;Vegetation coverage
TP 751.1
A
1001-070X(2011)03-0130-05
2010-10-27;
2010-12-06
北京林业大学研究生科技创新专项计划项目(编号:BLYJ201103)和“十一五”国家科技支撑计划“国家重点林业工程监测技术研究”项目(编号:2006BAD23B05)共同资助。
吴 见(1985-),男,博士研究生,主要研究方向为森林监测评价。
彭道黎,教授,博士生导师,主要从事森林环境监测与评价研究。E-mail:dlpeng@bjfu.edu.cn。
(责任编辑:刘心季)