国内环境遥感监测指标验证方法研究进展

2015-01-28杨一鹏殷守敬杨海军朱海涛郭会敏

中国环境监测 2015年4期

李营，杨一鹏，殷守敬，杨海军，朱海涛，赵爽，郭会敏

1.环境保护部卫星环境应用中心，北京 100094

2.中国地质大学(北京)土地科学技术学院，北京 100083

3.中国矿业大学(北京)地球科学与测绘工程学院，北京 100083

近年来，我国环境污染事件频发，造成了环境的破坏与退化，使得环境问题日益严峻。遥感技术具备大范围、大尺度同步监测的优势，能够在宏观上快速、动态地监测环境状况，弥补地面点位监测的不足。我国环境遥感监测主要分为生态环境、水环境、大气环境等3个领域，随着遥感技术及环境监测专用载荷的不断发展，环境遥感监测在基础理论、技术体系、应用实践等方面取得了很大进步，发展了多个环境遥感监测指标。

遥感反演产品是否准确、真实地反映实际情况，必须进行真实性验证。真实性验证是用独立的方法来评价遥感反演产品的真实性和准确性，是评价遥感反演产品质量的重要途径，是沟通遥感数据到遥感信息转换的关键技术环节，为遥感产品的质量分析和控制提供依据，对于提高定量化水平具有重要意义［1］。此外，由于地表景观的空间异质性，使遥感描述地表特征时存在不确定性，因此，环境遥感监测指标的验证就显得尤为重要。目前，国内外都开展了遥感指标验证研究，但尺度转换、时相同步等关键问题仍未有效解决。相比于国外，国内研究水平要逊于国外，在验证方法系统性研究与支撑国产卫星产品验证方面的工作还有待提升，针对环保监测指标的验证也相对较少，缺乏规范化与标准化，且不成体系。本文根据环境遥感的监测领域，从国内生态环境、水环境、大气环境3个方面共5个具有代表性的指标(土地利用/土地覆盖、叶面积指数 LAI、水华、叶绿素a、秸秆焚烧)，综述其验证方法并分析不同验证方法的优劣势，探讨我国环境遥感监测指标的发展方向。

1 生态环境遥感监测指标验证

土地利用/土地覆盖和LAI是宏观监测生态系统格局、生态系统质量及生态系统动态变化的重要数据源，在生态环境遥感监测方面发挥了重要作用。

1.1 土地利用/土地覆盖验证

土地利用/土地覆盖是生态环境遥感监测中重要的指标，也是目前生态遥感应用最为成熟的产品，在自然保护区、重要生态功能区、生物多样性优先区、矿产资源开发区、大型工程建设区、城镇化等区域的生态监测中发挥了重要作用，主要用于环境敏感目标信息提取、生态环境状况及其变化趋势的分析评估。

目前，生产土地利用/土地覆盖产品的主要数据源包括空间分辨率为1 km的 VEGETATION、MODIS和30 m空间分辨率的 Landsat TM、HJ-1 CCD等。验证数据源主要分为实地调查和遥感影像土地利用数据等，实地调查数据通过野外采样获取，记录了调查区域的经纬度、土地覆盖类型等信息，然后与土地覆盖数据进行叠加验证，另一种实地调查数据是通过建立野外地面观测试验站，同步获取土地利用/土地覆盖信息进行验证［2-3］;遥感影像土地利用验证数据源，是通过对同一研究区域的更高空间分辨率数据进行土地利用分类，将其作为真实数据，验证土地利用/土地覆盖分类结果。

比较2种验证数据源可以看出，实地调查数据是最为真实的验证数据源，其误差主要来源于调查人员的经验程度以及验证数据时相的差异，适用于受时间变化影响较小、地物类型面积大且较为均一的土地利用/土地覆盖产品验证，但实地调查获取的是“点尺度”上的数据，需要将其转化到“面尺度”上的像元数据，这一尺度转换势必造成转换误差，而且，混合像元验证难度较大，验证数据获取时容易受自然条件的限制;遥感影像土地覆盖数据可以保障与被验证土地覆盖/土地利用数据时相上的一致，能够节省大量人力成本，工作难度低，适用于验证工作时间有限或地面调查难以获取验证数据的区域，但遥感影像土地利用数据由于分类算法或模型的限制，本身存在精度误差，以其验证其他数据，必定传递并增大验证误差。

在验证过程中，根据验证点的数量可将验证方式分为全面验证与抽样验证，全面验证是对所有土地利用/土地覆盖的像元进行验证，这种验证由于验证点多，因此验证数据源主要采用遥感影像［4］;抽样验证主要依据样本容量公式计算采样点数量，然后进行抽样，抽样方法包括随机抽样［5］、聚点式集群采样和分层采样［6］，抽样完成后进行验证，每种抽样方法各有一定的优缺点，需根据分类系统、应用目的和精度评价进行选择。在精度验证方面，目前普遍采用的是混淆矩阵与Kappa系数方法，混淆矩阵工作量大，而且计算结果很大程度上取决于检验数据的质量及采样点的代表性，而Kappa系数在实际应用中也存在一些局限，在进行一致性评价时，如忽略相关因素影响，可能出现反论［7］，另一方面，在评价精度方面，Kappa系数对于分类总体精度评价描述较好，而混淆矩阵除能得到总体精度外，还能获取生产者精度与用户精度，对个别类描述更详细，因此，2种验证方法均有所长［8］，需根据验证需要适当选择。

1.2 LAI验证

LAI是描述植物冠层功能过程的重要参量，也是生态系统功能模型、作物生长模型、净初级生产力模型、大气模型、水循环模型等的重要陆地特征参量［9-11］，在间接监测植被长势、分析生态系统质量等研究中发挥了重要作用。

LAI主要数据源为 AVHRR、VEGETATION、MODIS等低空间分辨率产品，而中、高分辨率较少。验证低空间分辨率 LAI，主要有实地观测和遥感影像验证2种方法。实地观测验证是根据所需验证的LAI像元尺度大小，在地面上布置相应大小样地，再于样地内布置样方，观测每个样方LAI，求取平均值后验证，为便于长期观测 LAI开展验证工作，美国、法国、加拿大、中国等国家都建立了地面验证项目或验证框架［12］;遥感影像验证是基于多个LAI地面观测数据，将其尺度上推到更高空间分辨率尺度(如 TM、ETM+、ALOS数据)，建立更高空间分辨率影像与地面观测值的LAI反演模型，计算更高空间分辨率尺度的 LAI，之后，通过尺度转换，将更高空间分辨率 LAI(反演的 LAI)转换到被验证 LAI的空间尺度进行验证。

比较2种LAI验证方法可知，地面观测验证真实性强，适用于各种空间分辨率影像LAI验证，但尺度转换的不确定性会增加验证误差，同时随着观测样方数量增加，工作量也随之增大;遥感影像验证，是一种将地面观测与遥感影像相结合的方法，虽然较好地解决了尺度转换问题，但在尺度转换过程中也产生转化误差，此外，不同传感器之间影像波谱范围的差别，地面观测与遥感影像间建立的算法模型，以及模型假设的理想条件，在一定程度上也影响了验证精度。

LAI精度验证通常是对整幅影像所有像元进行验证，但地面观测难以获取全面数据，且存在时相偏差，因此，在精度验证过程中，通常选用遥感影像验证方法，通过对被验证LAI与反演后的LAI或LAI产品进行统计分析，建立线性回归模型，以此评价被验证 LAI的精度［13］或计算相对误差［14］，并根据实地情况，分析造成误差的原因。

2 水环境遥感监测指标验证

水华和叶绿素a是水环境遥感监测的2个重要指标，具备宏观尺度监测我国大型湖泊水体与重要饮用水源地的水质状况及其变化趋势的能力，有效弥补了地面监测的不足。

2.1 水华验证

水华是淡水水体中藻类大量繁殖的一种自然生态现象，是水体富营养化的一种特征，水华的形成不仅破坏水体景观和生态系统平衡，而且蓝藻在生长过程中释放毒素，消耗溶解氧，可以导致水体生物大量死亡、水质恶化，严重影响饮用水安全［15］。以蓝藻水华暴发为表征的水体富营养化问题是当前湖泊面临的主要环境问题之一［16］。因此，在我国大型水体(太湖、巢湖、滇池)及重要饮用水源地开展遥感水华监测，了解发生、发展过程及其空间动态变化趋势，对于防治水华、保障居民用水安全具有重要意义。

目前，国内主要采用大幅宽的 HJ-1 CCD和MODIS数据开展大型水体水华遥感监测工作，由于监测范围尺度很大，致使验证数据获取具有一定的难度，因此，开展的验证工作相对较少。水华验证方法主要分为实地调查和遥感影像验证2种方法。在实地调查验证方面，主要采用水华实地巡测、GPS定位验证等方法，如刘文杰［17］选择水华发生频率较高时段，在水华发生频率较高的区域预先选取30个点，当卫星过境时，采用多艘快艇巡视预先设定的30个点，获取这些区域的水华状况，结合当天卫星影像提取的水华分布图，验证水华浓度较高、较低区域的反演精度，鲁韦坤等［18］采用GPS定位水华出现的区域，选取具有代表性的GPS点作为验证点验证滇池MODIS水华反演精度;在遥感影像验证方面，主要依据RGB真彩色或假彩色合成影像图，定性验证水华反演精度，如郭望成［19］基于遥感影像假彩色合成图，目视对比验证HJ-1卫星反演的太湖水华结果。

通过以上分析可知，实地调查选取有限个验证点进行验证，这些点在空间上分散且不连续，适用于具有代表性的水华区域，但难以完成水华区域的全面验证，而且在尺度转换过程中验证精度也会受到一定影响;遥感影像验证借助其他遥感数据源，能够实现全面、同步的定性验证，但定性验证受主观因素影响较大，仅能定性评价水华的分布范围与浓度差异，难以定量化评估反演精度。

2.2 叶绿素a验证

叶绿素a通常作为衡量水体初级生产力和富营养化作用的一项基本指标［20］，是监测内陆湖泊环境状况的重要指标之一，对于湖泊水质、富营养化评价及赤潮探测研究具有重要意义［21］。

通常情况下，水体叶绿素a浓度监测主要通过将现场采取的水样带回实验室后测量获取，因湖泊水体面积大，这种人工监测方法仅能获取有限、分散的样点，难以描述整个水域的叶绿素a空间分布状况。而遥感技术能够监测整个水域的叶绿素a空间分布浓度，弥补人工监测缺陷。采用遥感技术反演叶绿素a的原理:基于人工叶绿素a采样数据，分析其光谱特征，将光谱特征与遥感影像相关波段(如 Landsat TM，HJ-1 CCD，MODIS等)进行相关性分析，建立叶绿素a遥感反演模型［22-24］，从而定量获取叶绿素a浓度。对于遥感反演结果的验证，主要采用未进行光谱分析的采样点，带入反演模型进行精度评价［25］。鉴于上述分析，叶绿素a验证方法属于地面调查验证范畴，未形成遥感影像验证的方法。地面验证方法只能验证与采样时间同步的影像反演结果，对其他时相反演结果验证并不具有代表性，此外，反演结果仅反映采样点情况，难以评价其他区域反演结果精度，同时，尺度转换也会影响验证精度。

3 大气环境遥感监测指标验证

秸秆焚烧是大气环境遥感监测较为成熟的指标，已实现业务化监测，为地方环境监察执法提供了有效的数据支撑。

秸秆在燃烧过程中会产生大量的 CO2、CO、氮氧化物和多环芳烃等有害气体及可吸入颗粒物，造成大气环境质量显著下降，直接影响当地居民的身体健康，而且大量的CO2会使地球变暖，导致灾害发生［26］。

目前，秸秆焚烧监测采用的主要数据源为HJ-1B［27］及 MODIS［28］，监测原理:基于遥感影像热红外波段探测能力，结合地面土地利用/土地覆盖信息，剔除非农作物火点后，提取秸秆焚烧火点。秸秆焚烧遥感监测为保障空气质量及当地航空运输安全提供了技术支撑。

秸秆焚烧验证的方法主要有GPS点和火点产品验证2种方法。GPS点验证是根据提取的秸秆焚烧点经纬度信息，利用GPS定位寻找疑似秸秆焚烧点验证［29-30］;火点产品验证，主要基于已有的同时相火点产品(如MODIS)，剔除非秸秆焚烧点后，与秸秆焚烧疑似点进行对比验证［26］。对比2种验证方法可以看出，GPS点验证能够真实验证秸秆焚烧点遥感反演结果，评价反演精度，适用于事先计划好的验证工作，但耗费人力物力较大，并且提取的焚烧点经纬度精度直接影响验证效率;火点产品验证方法，能够节约人力资源，简化验证流程，节省工作时间，但火点产品几何纠正精度及自身火点反演精度等因素，会直接影响验证精度，因此，该验证方法只适用于精度要求不高的验证。

4 总结与展望

总结土地利用/土地覆盖、LAI、水华、叶绿素a、秸秆焚烧等环境监测指标的验证分析可知，实地调查和遥感影像(或遥感影像产品)验证是环境遥感监测指标验证的主要方法。在验证方法的应用程度方面，土地利用/土地覆盖、LAI、秸秆焚烧等指标的实地调查和遥感影像(或遥感影像产品)验证方法都比较成熟完善，能够满足验证工作的需要;水华、叶绿素a等指标的地面验证方法应用较为普遍且相对成熟，因缺乏相应的遥感影像产品，遥感影像验证方法(或遥感影像产品)应用较少或仍未采用。

在验证方法的应用效果方面，实地调查的验证精度要高于遥感影像(或遥感影像产品)验证，但必须有效解决尺度转换与时相同步问题，且经济投入较大，适用于小尺度影像验证，而遥感影像(或遥感影像产品)验证基本适用于任何尺度遥感产品验证，也能弥补实地调查验证的不足，但其自身精度限制了验证精度。通过对比，这2种验证方法各有千秋，很难评价哪种方面优势较强，选择哪种验证方法须结合验证的指标与验证工作基础。

鉴于以上分析可知，实地调查验证中尺度转换与遥感影像(或遥感影像产品)验证中影像自身精度，是影响环境监测验证的关键因素，今后的验证研究中应着力解决。对于尺度转换问题，一方面加紧研究不同传感器、不同空间分辨率数据，在不同尺度转换间的函数对应关系，另一方面应大力研制“面尺度”指标观测仪器，从而有效解决尺度转化问题。对于影像产品自身精度问题，需要尽可能地发展“一星多载荷”验证模式(如ASTER验证MODIS产品)，因各载荷获取数据的时间、外部条件一致，如果采用同一反演模型，能够保证最高的反演精度;同时，更为重要的是，不断研究高精度遥感产品反演模型，反复验证修改，使反演结果最大程度地接近真实值，满足指标验证要求。

［1］姜小光，李召良，习晓环，等.遥感真实性检验系统框架初步构想［J］.干旱区地理，2008，31(4):567-571.

［2］李新，马明国，王建，等.黑河流域遥感-地面观测同步试验:科学目标与试验方案［J］.地球科学进展，2008，23(9):897-914.

［3］Strahler A，Muchoney D，Borak J，et al.MODIS land cover product algorithm theoretical basis document(ATBD)version 5.0［R］.Boston:Boston University，1999.

［4］刘向培，王汉杰，何明元，等.三种土地覆盖遥感数据在中国区域的精度分析［J］.农业工程学报，2012，28(24)，252-259.

［5］宁佳，张树文，蔡艳红，等.MODIS和 GLOBCOVER全球土地覆盖数据集对比分析——以黑龙江流域为例［J］.地球信息科学学报.2012，14(2):240-249.

［6］裴欢，魏勇，房世峰，等.基于SPOT高分辨率遥感数据的绿洲荒漠化土地分类方法—以吐鲁番绿洲为例［J］.资源科学，2011，33(6):1 204-1 210.

［7］王军.Kappa系数在一致性评价中的应用研究［D］.四川:四川大学，2006.

［8］刘文军.基于遥感技术的土地利用/土地覆盖提取信息精度研究—以艾比湖湿地保护区为例［J］.新疆环境保护，2011，33(3):37-40.

［9］Cramer W，Kicklighter D W，Bondeau A，et al.Comparing global models of terrestrial Net Primary Productivity(NPP):Overview and key results［J］.Global Change Biology，1999，5(Suppl):1-15.

［10］Reich Peter B，Turner David P，Bolstad Paul.An approach to spatially distributed modeling of Net Primary Production(NPP)at the landscape scale and its application in validation of EOS NPP products ［J］.Remote Sensing of Environment，1999，70(1):69-81.

［11］Liu J，Chen J M，Cihlar J，et al.A process-based boreal ecosystem productivity simulator using remote sensing inputs［J］.Remote Sensing of Environment，1997，62(2):158-175.

［12］曾也鲁，李静，柳钦火.全球LAI地面验证方法及验证数据综述［J］.地球科学进展，2012，27(2):165-174.

［13］魏伟.MODIS LAI产品真实性验证空间尺度转换方法研究［D］.成都:电子科技大学，2012.

［14］孙晨曦，刘良云，关琳琳，等.锡林浩特草原区域MODIS LAI产品真实性检验与误差分析［J］.遥感学报，2014，18(3):527-535.

［15］段洪涛，张寿选，张渊智.太湖蓝藻水华遥感监测方法［J］.湖泊科学，2008，20(2):145-152.

［16］秦伯强.长江中下游浅水湖泊富营养化发生机制与控制途径初探［J］.湖泊科学，2002，14(3):193-202.

［17］刘文杰.内陆湖泊蓝藻水华的遥感监测与评价研究［D］.北京:中国地质大学，2013.

［18］鲁韦坤，谢国清，余凌翔，等.MODIS遥感监测滇池蓝藻水华分布［J］.气象科技，2009，37(5):618-620.

［19］郭望成.基于环境1号卫星的蓝藻水华提取方法研究［D］.南京:南京师范大学，2011.

［20］林珊，张玉超，钱新，等.广州流溪河水库叶绿素a遥感反演研究［J］.环境保护科学，2010，36(3):43-47.

［21］丛丕福，曲丽梅，王臣立，等.基于 MODIS模拟的辽东湾叶绿素a的遥感反演模型［J］.生态环境学报2009，18(6):2057-2060.

［22］赵碧云，贺彬，朱云燕.滇池水体中叶绿素 a含量的遥感定量模型［J］.云南环境科学，2001，20(3):1-3.

［23］闻建光.太湖水体叶绿素a遥感监测模型研究［D］.吉林:吉林大学，2004.