资源三号卫星不同空间分辨率图像斑状植被检测比较研究

刘庆生，张韵婕，刘高焕，黄 翀，柴思跃

(中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室，北京 100101)

资源三号卫星不同空间分辨率图像斑状植被检测比较研究

刘庆生，张韵婕，刘高焕，黄 翀，柴思跃

(中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室，北京 100101)

黄河三角洲滨海区域大量分布着由柽柳、芦苇、翅碱蓬、二色补血草、白茅等组成的斑状植被，多呈棋盘状规则分布，胜利油田地震勘探被认为是产生这一现象的原因之一。深入研究其分布格局并探讨其形成机理，对于区域湿地生态系统植被恢复至关重要。为此，本文首先对斑状植被进行了有效的检测和制图，评价了我国首颗民用高分辨率光学传输型立体测图卫星(资源三号卫星)不同空间分辨率图像检测黄河三角洲斑状植被的能力。结果表明，在利用圆霍夫检测方法下，前视、后视、正视全色图像和正视多光谱图像都能很好地检测斑状植被，空间分辨率高的图像检测精度更高。

资源三号卫星；斑状植被；圆霍夫；黄河三角洲

一、引 言

斑状植被在世界范围干旱半干旱区、海岸滩涂均有分布，斑状植被生境中资源量(如水分、养分、种子等)的大小控制着地表植被斑块的特点，而资源的再分配过程则控制着植被斑块的形成和消亡，进而影响区域上斑状植被格局的演变特点，其实质是植物种群间及种群与其生境之间相互作用的结果[1-3]。Montana等在Chihuahuan荒漠区[4]、Soriano等在阿根廷Patagonian干旱草原[5]等地进行斑状植被结构和动态研究时，将植被斑块分为带状和点状两类，认为两类斑块演化受制于使斑块创建和维持的物质(水分、养分、种子等)再分配过程。Martin等给出了斑状植被动态的概念模型，认为斑块动态一般都包括创建和退化阶段，带状和点状两类斑块的创建都是以木本植物的生长开始，以优势种的死亡开始退化[6]。在黄河三角洲滨海区域大量分布着由柽柳、芦苇、翅碱蓬、二色补血草、白茅等组成的类圆形植被斑块，多呈棋盘状规则分布，除了与其他干旱半干旱区类似的原因外，胜利油田地震勘探被认为是产生这一现象的原因之一[7]。斑状植被检测是斑状植被群落演替研究的基础，野外样带样点采样测量是常用的方法，这种方法精度高，但费时费力，不宜在大面积区域使用。随着多传感器、时间和空间分辨率的不断提高，遥感技术在斑状植被检测中越来越占据重要的地位。Kadmon等的研究表明航空遥感数据能够用来进行斑状植被结构特征的检测[8]，Barbier等发现1～2 m分辨率全色遥感数字图像可满足10 m尺度植被斑块格局的研究[9]。斑状植被格局在不同空间尺度上都表现出高植被覆盖斑块和裸地斑块或稀疏植被覆盖相互镶嵌的特点。近年来，随着面向对象遥感分类和数学形态学的发展，基于感兴趣植物群落与环境几何形态特征的差异进行目标识别与分类越来越受到重视，识别精度和效率大大提高[10]，高分辨率卫星遥感图像用于检测斑状植被取得了较好的效果[11-14]。但是，大面积高分辨率卫星遥感图像数据的获取和处理有时是相当困难的，需要明确各种空间分辨率遥感图像的检测能力，为多样化斑状植被研究和管理需求提供数据和技术支持。本文对我国首颗民用高分辨率光学传输型立体测图卫星(资源三号卫星)不同空间分辨率图像检测黄河三角洲斑状植被的能力进行评价，目的是：①评价资源三号卫星不同空间分辨率图像检测斑状植被的能力；②提供一种好的斑状植被检测方法。

二、研究区与数据准备

1.研究区概况

黄河三角洲地处东经118°7′～119°10′、北纬37°20′～38°10′，位于山东省北部黄河入海口处，是黄河泥沙淤积形成的扇形冲积平原。该区位于暖温带半湿润大陆性季风气候区[15]，总的气候特点是光照充足、热量丰富、四季分明、气温适中、雨热同期、风能资源丰富，年平均降水量为530～630 mm，70%分布在夏季，年平均蒸发量为750～2400 mm。该区自然植被为草地植被，主要为芦苇、柽柳、翅碱蓬、荻、白茅和二色补血草等。受黄河来水、海洋动力和人类海岸工程的影响，植被具有盐生和湿生群落特征[15]，从海向陆以黄河为中心呈带状分布[16]。

2.数据准备

资源三号(ZY-3)是我国首颗民用高分辨率光学传输型立体测图卫星，于2012年1月9日从太原发射升空，主要搭载有前视、后视和正视3台高分辨率全色成像相机，以及1台多光谱相机。多光谱相机空间分辨率为6 m，幅宽为51 km，包含4个波段(0.45～0.52 μm、0.52～0.59 μm、0.63～0.69 μm、0.77～0.89 μm)。3台高分辨率全色成像相机均为一个波段，光谱范围为0.50～0.80 μm，前视相机和后视相机空间分辨率为3.5 m，幅宽为52 km，正视相机空间分辨率为2.1 m，幅宽为51 km[17]。资源三号卫星传感器校正产品定位精度能满足1∶2.5万比例尺地形图的修测[18]，适用于地物分类，在影像土地覆盖分类方面具有很高的应用价值与潜力[19]。

研究区资源三号卫星数据于2012年5月27日获取，以研究区正射校正好的SPOT5真彩色图像为参考图像，利用多项式方法首先对正视相机全色图像进行几何纠正；然后，以正视相机全色图像为参考图像，对前视、后视和多光谱相机图像进行几何纠正；最后，截取具有典型类圆形植被斑块分布的400像元×400像元子图像作为试验图像(如图1所示)，以正视相机全色图像中类圆形植被斑块检测为研究目标。

三、方 法

目视解译、监督和非监督分类是高分辨率卫星遥感图像斑状植被检测的传统方法，目视解译是最为传统和最常用的方法，通过人机交互获得斑状植被分布图，检测精度高，适用于所有图像，但需要大量人力和时间，对于大范围斑状植被检测不太现实。对于斑状植被与周边地物有明显光谱和纹理等特征差异的图像来说，仅使用监督和非监督分类方法就能取得很好的效果，但对于光谱上与周围地物相混淆的斑状植被来说，则效果较差。本文利用常用的非监督分类方法之一的K-means方法进行斑状植被检测评价。近年来，随着面向对象遥感分类和数学形态学的发展，基于感兴趣植物群落与环境几何形态特征的差异进行目标的识别与分类越来越受到重视，McGlynn等利用面向对象分析方法进行了灌丛分布的检测[20]，Vogt等利用数学形态学方法进行了植被空间格局制图[21]，均取得了较好的效果。圆霍夫变换(circular hough transform)是目前应用最为广泛的圆检测方法，该方法的最大特点是可靠性高，在噪声状态下依然能取得理想的结果[22]。利用该方法检测斑状植被取得了较好的效果[23]。

图1 不同空间分辨率试验图像

K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。本文利用ENVI软件中的K-means算法实现。

圆霍夫变换是由Duda等提出的[24]，是由标准霍夫变换改变而来，目的是找到图像中的圆形目标。圆霍夫变换将图像空间的特征点变换成参数空间的累积投票集，然后，对于每个特征点，在累积数组中进行投票，包含最高投票数的数组元素即为圆的信息[25]。本文所用圆霍夫变换程序改编自陶鹏[26]，所有过程均在Matlab软件中实现。

1.斑状植被目视解译

前视、后视相机全色图像空间分辨率等特征基本类似，故只对前视、正视相机全色图像和多光谱假彩色图像进行了目视解译。正视相机全色图像目视解译共识别出88个类圆形斑状植被，前视相机全色图像目视解译共识别出87个类圆形斑状植被，多光谱相机全色图像目视解译共识别出85个类圆形斑状植被，见表1。

表1 不同空间分辨率试验图像目视解译结果

2.K-means斑状植被检测

在ENVI的K-means分类过程中，参数取默认值，即分类数目设为5类，最大迭代次数为1次，变化检测阈值为5%。前视、后视、正视相机全色图像和多光谱假彩色图像K-means非监督分类结果如图2所示。类圆形斑状植被因为其光谱特征的差异被分成了4类，每一类之间相互重叠，如将4类合并为一类，则许多斑状植被将无法检测出。前视与后视相机全色图像K-means分类结果类似，正视相机全色图像与多光谱图像K-means分类结果类似。部分环形结构的斑状植被被分类成多个类别，部分斑状植被由于与周边裸地光谱特征差异较小，其形态识别较差。对于图2(a)中暗背景中的斑状植被而言，后视相机全色图像K-means分类结果最好。

图2 不同空间分辨率试验图像K-means分类结果

3.圆霍夫变换斑状植被检测

圆霍夫变换通过设定和调节斑状植被半径范围、梯度图像阈值、累积投票数组中局域最大值搜索时的滤波半径和多个可能半径的容忍度4个参数来进行斑状植被检测。由原始图像(图1)可知，斑状植被分别处于亮色和暗色背景中，这样会造成识别亮色背景中斑状植被的同时会漏检暗色背景中的斑状植被，反之亦然。为此，首先对原始图像进行拉伸处理，以扩大各自与背景之间的差异。在此基础上，根据斑状植被的大小，设定类圆形斑状植被半径范围，前视与后视相机全色图像设为1～5个像元，正视相机全色图像设为1～11个像元，由于多光谱图像上斑状植被太小，因此将其放大两倍再设定类圆形斑状植被半径范围为1～5个像元；梯度图像阈值根据图像的最大灰度设定，一般取最大灰度的4%～10%较好，以消除图像背景的不均匀，本研究取值为8，小于该值的像元将不参与计算；滤波半径用于在累积投票数组中搜索局域最大值，如果斑状植被与圆形相差较大，则该值需要设得大些，本研究取值为3；多个可能半径的容忍度范围从0.1～1，取值0.1代表最大的容忍度，意味着环形结构的斑状植被将被检测为内、外圆两个目标，本研究取值为1代表最小的容忍度，环形结构的斑状植被将被检测为一个目标。前视、后视、正视相机全色图像和多光谱假彩色图像斑状植被的圆霍夫变换检测结果见表2和图3。

图3 不同空间分辨率试验图像圆霍夫变换检测结果

表2 不同空间分辨率试验图像圆霍夫变换检测结果

四、结论与讨论

1)一般的，类圆形植被斑块由柽柳、芦苇、翅碱蓬、二色补血草、白茅等组成，直径为3～25 m不等。按正视相机全色图像检测结果统计，研究区内共有88个类圆形植被斑块，基本按北东东—南西西和北北西—南南东向规则分布。检测出的类圆形斑状植被面积最小、最大和平均值分别为33 m2、1384 m2、363 m2。

2)资源三号卫星不同空间分辨率图像对研究区域内斑状植被目视解译结果略有不同：与前视相机全色图像和多光谱相机假彩色图像相比，空间分辨率最高的正视相机图像可识别出更多的类圆形植被斑块。随着图像空间分辨率的降低，类圆形植被斑块最小、最大和总面积等有增大的趋势，可能与将混合像元也识别为植被像元有关，这意味着在目视解译制图中需选择合适的空间分辨率图像，需在相同尺度下进行解译。

3)试验所用资源三号卫星数据获取于研究区春季，不是类圆形植被斑块与背景有较大光谱特征差异的时期，退化或死亡植被斑块与背景光谱特征差异更小，而且因含水量的差异背景多种多样。因此K-means非监督分类方法尽管能检测出部分类圆形植被斑块，但无法将其分离出来。总体来说，正视相机全色图像K-means分类效果最好，后视相机全色图像比前视相机全色图像分类效果好，多光谱相机假彩色图像分类效果最差，总体精度较低。

4)正视相机全色图像类圆形植被斑块圆霍夫变换检测精度最高，达84.1%，后视相机全色图像次之，为70.1%，前视相机全色图像再次之，为65.5%，多光谱相机假彩色图像检测精度最低，为57.5%。空间分辨率越高，类圆形植被斑块检测精度越高，这与前人对不同空间分辨率传感器植被识别研究结果是一致的[12，27]。

5)不论K-means非监督分类，还是圆霍夫变换检测，后视相机全色图像与前视相机全色图像相比，类圆形植被斑块识别效果更好，其是因为图像清晰度还是观测角度的差异，值得进一步探究。

6)从正视相机全色图像观察可知，研究区除类圆形植被斑块外，还有带状植被沿河沟呈北西—南东向分布，其与类圆形植被斑块的关系、形成机制有何异同，值得今后深入研究。

7)本研究表明资源三号卫星前视、后视、正视全色图像和正视多光谱图像能很好地检测斑状植被空间位置，但对其面积的准确量测、对其圈层结构的识别还需更高分辨率遥感数据的运用。另外，通过选择合适季相的图像、进行不同空间分辨率数据的融合，资源三号卫星不同空间分辨率图像检测斑状植被的精度还能进一步提高，这需要将来更多的试验来验证。

[1] 陈利顶，傅伯杰，徐建英，等.基于“源-汇”生态过程的景观格局识别方法——景观空间负荷对比指数[J].生态学报，2003，23(11)：2406-2413.

[2] 胡广录，赵文智，王岗.干旱荒漠区斑块状植被空间格局及其防沙效应研究进展[J].生态学报，2011，31(24)：7609-7616.

[3] 孙自永.额济纳盆地植被斑块分布格局及演化的生态地质学机制[D].武汉：中国地质大学，2003.

[4] MONTANA C.The Colonization of Bare Areas in Twophase Mosaics of an Arid Ecosystem[J].Journal of Ecology，1992，80(2)：315-327.

[5] SORIANO A，OSVALDO E S，PERELMAN S B.Patch Structure and Dynamics in a Patagonian Arid Steppe [J].Vegetatio，1994(111)：127-135.

[6] MARTIN R A，OSVALDO E S.Patch Structure，Dynamics and Implications for the Functioning of Arid Ecosystems[J].Tree，1999，14(7)：273-277.

[7] 刘庆生，刘高焕，黄翀，等.地震勘探引起植被棋盘式分布分析[J].油气田环境保护，2012，22(6)：36-38，88.

[8] KADMON R，HARARI-KREMER R.Studying Long-term Vegetation Dynamics Using Digital Processing of Historical Aerial Photographs[J].Remote Sensing of Environment，1999，6(8)：164-176.

[9] BARBIER N，COUTERON P，LEJOLY J，et al.Self-organized Vegetation Patterning as a Fingerprint of Climate and Human Impact on Semi-arid Ecosystems[J]. Journal of Ecology，2006(94)：537-547.

[10] LIU Qingsheng，LIU Gaohuan，HUANG Chong，et al. Using SPOT 5 Fusion-ready Imagery to Detect Chinese Tamarisk(Saltcedar)with Mathematical Morphological Method[J].International Journal of Digital Earth，2012(10)：1080.

[11] CLARK P E，SEYFRIED M S，HARRIS B.Intermountain Plant Community Classification Using Landsat TM and SPOT HRV Data[J].Journal of Range Management，2001(54)：152-160.

[12] CARTER G A，LUCAS K L，BLOSSOM G A，et al.Griffith.Remote Sensing and Mapping of Tamarisk Along the Colorado River，USA：a Comparative Use of Summeracquired Hyperion，Thematic Mapper and QuickBird Data[J].Remote Sensing，2009(1)：318-329.

[13] LIU Qingsheng，LIU Gaohuan，HUANG Chong，et al. Using SPOT 5 High Spatial Resolution Image to Detect Vegetation Patches at Gudong Oil Field[C]∥the 7th International Conference on Natural Computation.[S. l.]：ICNC，2011.

[14] LIU Qingsheng，LIU Gaohuan，HUANG Chong，et al. Using ALOS High Spatial Resolution Image to Detect Vegetation Patches[J].Procedia Environmental Sciences，2011，10(A)：896-901.

[15] 张高生，王仁卿.现代黄河三角洲植物群落数量分类研究[J].北京林业大学学报，2008，30(3)：31-36.

[16] FANG H L，XU J.Land Cover and Vegetation Change in the Yellow River Delta Nature Reserve Analyzed with Landsat Thematic Mapper Data[J].Geocarto International，2000，15(4)：1-7.

[17] 中国资源卫星应用中心，资源三号卫星介绍[EB/ OL].[2012-07-25].http：∥www.cresda.com/n16/ n1130/n175290/175676.html.

[18] 刘斌，孙喜亮，邸凯昌，等.资源三号卫星传感器校正产品定位精度验证与分析[J].国土资源遥感，2012(4)： 36-40.

[19] 卢刚，陆敏燕，陈成，等.资源三号卫星影像分类研究[C]∥第九届长三角科技论坛(测绘分论坛).连云港：[s.n.]，2012.

[20] MCGLYNN I O，OKIN G S.Characterization of Shrub Distribution Using High Spatial Resolution Remote Sensing：Ecosystem Implications for a Former Chihuahuan Desert Grassland[J].Remote Sensing of Environment，2006(101)：554-566.

[21] VOGT P，RIITTERS K H，ESTREGUIL C，et al.Mapping Spatial Patterns with Morphological Image Processing[J].Landscape Ecology，2007，22(2)：171-177.

[22] 蔡晋辉，蒋庆，周泽魁，等.圆检测HOUGH变换的改进算法研究[J].模式识别与人工智能，2004，17(1)：72-76.

[23] LIU Qingsheng，HUANG Dan，CHU Xiaolei.Detect the Different Structures of Vegetation Patches Using Circular Hough Transform at Gudong Oil Field[C]∥the 9th International Conference on Fuzzy Systems and Knowledge Discovery.Chongqing：[s.n.]，2012.

[24] DUDA R O，HART P E.Use of the Hough Transformation to Detect Lines and Curves in Pictures[J].Communications of the ACM，1972(15)：11-15.

[25] MASOUD N，RONAK K，HAMED N，et al.A Method for Detection and Extraction of Circular Shapes from Noisy Images Using Median Filter and CHT[J].Journal of American Science，2011(7)：84-88.

[26] PENG Tao.Detect Circles with Various Radii in Grayscale Image via Hough Transform[EB/OL].[2010-11-17]. http：∥www.mathworks.fr/matlabcentral/fileexchange/ 9168-detect-circles-with-various-radii-in-grayscale-image-via-hough-transform.

[27] LIU Qingsheng，LIU Gaohuan，CHU Xiaolei.Comparison of Different Spatial Resolution Bands of SPOT 5 to Vegetation Community Patch Detection[C]∥the 5th International Congress on Image and Signal Processing. Chongqing：[s.n.]，2012.

Comparison of Different Spatial Resolution Images of ZY-3 Satellite to Patch Vegetation Detection

LIU Qingsheng，ZHANG Yunjie，LIU Gaohuan，HUANG Chong，CHAI Siyue

P237

B

0494-0911(2014)11-0016-05

2013-11-23

国家自然科学基金(41023010；41271407)；国际科技合作专项项目(2012DFG22050)；国家科技支撑计划(2013BAD05B03)

刘庆生(1971—)，男，山西忻州人，博士，副研究员，主要从事遥感与GIS在区域资源环境评价中的应用研究工作。

刘庆生，张韵婕，刘高焕，等.资源三号卫星不同空间分辨率图像斑状植被检测比较研究[J].测绘通报，2014(11)：16-20.

10. 13474/j.cnki.11-2246.2014.0353