基于遥感影像的杭州湾南岸湿地变化分析

李爱霞

(浙江水利水电学院 测绘与市政工程学院，浙江 杭州 310018)



基于遥感影像的杭州湾南岸湿地变化分析

李爱霞

(浙江水利水电学院 测绘与市政工程学院，浙江 杭州 310018)

以杭州湾南岸湿地为例，应用支持矢量机分类方法对现有遥感影像进行分类，并根据分类结果对杭州湾南岸湿地进行变化检测，最后从宏观和微观两个层面揭示该地区湿地范围内土地覆盖类型的变化情况.结果表明研究区域内进行了大规模的围垦工程，湿地范围增加约319.195 km2；并显示该地区近年来城市建设发展较快，一定比例滩涂被建筑用地所取代.

湿地；变化检测;支持矢量机;多时相遥感影像

0 引 言

湿地是水陆相互作用形成的特殊生态系统，是生物多样性丰富的自然生态资源和人类赖以生存的栖息地之一.湿地在防御洪水、改善气候、调节径流、维持生态平衡等方面的独特作用而占据着其他系统不可替代的地位.近年来，在自然变化和人类活动的双重影响下，湿地遭到了大幅度的污染与破坏，因此，对湿地的变化检测对湿地的保护、恢复重建和可持续利用具有重要的现实意义.

传统的湿地野外调查方法，不仅耗费大量的人力、物力，调查结果不仅依赖于人的主观判断，而一些难以到达的区域也严重影响了湿地调查质量.遥感技术具有观测范围广、信息量大、获取信息快、可比性强等优点，已广泛应用于湿地信息的提取分类[1]、植被信息提取[2]、土地利用分析[3]、景观格局变化检测[4]、水面检测[5]等研究中，是目前湿地研究的热点方向.遥感影像的变化检测是从不同时期的遥感图像中，定量地分析和确定地物变化的特征和过程的技术，其中涉及的知识和因素很多，譬如描述变化信息、变化类型及分布状况等.当前研究的重点都集中在变化信息的提取上[6-8].根据是否预先对影像进行分类处理的角度出发，可以将变化检测分为直接比较法和分类后比较法[9].对于后一种方法，在获得变化信息的同时还可以了解到每个时期影像地物类别的分布格局，这对于某些实际应用是非常有必要的，并且能够有效避免穷尽变化类别选择样本的困难，本文将采用后一种方法进行湿地变化检测.

1 研究区概述与遥感数据源

1.1 研究区域概述

杭州湾位于北太平洋西岸，北纬29°39′～31°15′、东经120°5′～122°54′之间，地处上海市南端、浙江省东北部，西起浙江省海盐县澉浦镇和慈溪市之间的西三丰收闸断面，以钱塘江水域为界，形状好似一个喇叭状，选取的研究区域位于慈溪市北郊的杭州湾南岸湿地如图1所示红色矩形框内.该区域属于东亚太平洋西岸北亚热带滨海潮汐河口湿地，为动植物资源提供保护，研究区域内鱼类资源丰富，是多种降河性洄游鱼类产卵和仔鱼生活的场所；该区域内包括大片的芦苇荡与荒草地，以良好的环境、丰富的食物，是多种冬候鸟和多种旅鸟迁徙的重要驿站.

图1 研究区域示意图

1.2 遥感数据源

选取三期遥感影像，成像时间和轨道分别为1998年8月4日Landsat-5 TM(118-39)、2006年8月26日Landsat-5 TM(118-39)、2013年7月12日Landsat8-OLI(118-39).每景影像大小为765行×1418列.图2显示了三期影像假彩色影像图，其中Landsat5影像由波段7、4、3合成，Landsat8影像由波段7、5、4合成.为了便于比较，以2013年的影像为标准，对其他两期影像进行直方图匹配处理.

图2 研究区域原始遥感影像

2 基于支持矢量机的遥感影像分类

本文基于遥感影像的杭州湾湿地变化分析采用对遥感影像分类后进行变化检测分析方法.因此，分类模型的选择至关重要，直接决定检测的准确性.支持矢量机(Support Vector Machines SVM)是Cortes C和Vapnik V N[6]于1995提出的一种基于统计学习理论的机器学习方法，该方法的特点是能够同时最小化经验误差和最大化几何缘区，因此，又称为最大边缘区分类器.该方法是近年来模式识别和机器学习领域的研究热点[11-12]，在遥感分类研究中的一些实验表明分类结果比传统最大似然分类器、人工神经网络分类器等具有更高的精度[13-16].

2.1 支持矢量机原理

设带有类别标记的训练样本集T={(x1,y1),…,(xl,yl)}∈(x,y)l，其中xi∈x=Rn，yi∈y={-1,1}，i=1,…,l，xi表示输入的度量指标分类特征向量，yi表示输出的学习结果.训练的目的就是寻找结构风险最小的判决函数f(x,α)，满足此条件的函数为具有最大间隔的分类超平面w·x+b=0.超平面的解通过求解二次规划问题获得：

商谈纪要主要内容包含合同相对方关于项目的商谈时间、地点、参加人员、商谈过程和商谈结论等，双方参会人员需签字，我方参会人员原则不少于3人，对于施行预算管理的企业，涉及预算外资金的项目建议财务部门参加，重要项目建议审计部门参加。

(1)

式中，w是最优分类面的法向量，b是偏移量，α是拉格朗日乘子.

为了使函数L关于w,b最小化，分别令L关于w,b的偏导数为0，则式(1)可以转化为求解拉格朗日的对偶问题：

(2)

这是一个不等式约束下的二次函数寻优问题，存在唯一解.解中只有部分αi不为零，这些不为零的αi所对应的样本即被称为“支持向量”，得到最优分类决策函数为：

(3)

2.2 湿地类型划分

依据研究区域的实际情况并结合湿地资源空间格局的特点，划分的典型覆盖地物类型包括海水水体、滩涂、池塘和水田、建筑用地、沼泽地、绿地、农田七个大类.样本选择标准如表1所示.

表1 本文所采用的湿地分类体系

2.3 特征选择

根据上述湿地类型的划分，土地覆盖类型的区分主要集中在水分含量的多少和植被覆盖的多少两个特征上，这些土地覆盖类型之间包含了一些共性特征而增加了分类的难度.因此在进行遥感影像的的分类过程中，本文不仅选择了多光谱图像的光谱特征，还包括了某些经图像变换处理后反应的特征值.

(1)光谱数据的选择.根据Landsat5的7个波段影像特征，选取7、4、3三个波段的影像数据参与分类，其中波段3用于观测道路/裸露土壤/植被种类效果很好；波段4用于估算生物数量，可以从植被中区分出水体、分辨潮湿土壤；波段7可用于辨识植被覆盖和湿润土壤.根据Landsat8多光谱影像数据与Landsat5多光谱影像数据的对应关系，2013年的影像数据选取7、5、4三个波段影像信息.

(2)归一化植被指数NDVI(NormalizedDifferenceVegetationIndex).该指数是一种反映植被覆盖情况的遥感指标，具有植被检测灵敏度高，植被覆盖度的检测范围宽，能消除大部分地形阴影、太阳高度角和大气等影响因素所带来的噪声等优点，计算简单.以Landsat5影像数据为例，NDVI的计算公式为

(4)

其中TM3和TM4分别表示可见光波段TM3和近红外波段TM4.

(3)纹理特征.植被和农田都具有很高的植被覆盖度，但是农田具有明显的纹理特征，因此，选择纹理特征来区分二者的差异.纹理特征是成片分布的细小地物在影像上可以造成有规律的重复，是地物成群分布时的形状、大小、性质等因素的综合表现.因此，纹理特征表现了图像中灰度的空间相关特性.纹理特征的计算有多种方法，其中灰度共生矩阵是一种通过研究灰度的空间相关特性来描述纹理的常用方法.本文采用3×3大小的窗口进行计算，采用角二阶矩、对比度、相关性和熵四个特征来表示影像的纹理特征.

(4)缨帽变换(K-T变换).农田和水田具有相似的纹理特征，但是水田的水分含量明显大于农田的水分含量，因此水田更趋于水体的特征，所以二者在亮度、绿度和湿度上应该存在一定的差异，因此，本文采用K-T变换计算的亮度、绿度和湿度才提高二者的可区分性.

2.4 分类结果

基于上述选择和计算的特征数据，利用SVM分类方法对影像数据进行分类，三期影像分类结果如图3所示.使用验证样本对分类结果构建混淆矩阵，进行精度评价.以1998年影像分类结果精度评价为例，通过表2可以看出，对影像分总体分类精度为92.18%，Kappa系数为0.903 2.其中海水水域和滩涂在使用者精度和生产者精度上都比较高，这是由于海水水域和滩涂的影像特征比较明显而且边界比较清晰，容易区分.而绿地、池塘和水田、沼泽地的的分类精度相对较低，主要原因在部分绿地与沼泽地、池塘和水田存在交叉，详细划分有一定的难度并且Landsat影像数据自身混合像元的问题导致其错分漏分现象比较明显.总体分析可以得出采用该方法提取的湿地信息精度达到了湿地景观格局变化检测的要求.

表2 影像数据分类结果混淆矩阵(1998年为例)

图3 三期影像分类结果图

3 杭州湾南岸湿地变化分析

根据分类结果对杭州湾南岸湿地进行变化分析.通过表3和图4、图5可以看出研究区域内土地覆盖类型的时空变化.

(1)通过表3可以看出，从1998-2013年间，研究区域内海水水域面积缩减明显，缩减面积达319.195km2，而滩涂、沼泽地、池塘和水田、绿地、建筑用地都出现了明显的涨幅，尤其是滩涂、池塘和水田、建筑用地，变化率分别达到了409.191%、244.597%、118.753%.

(2)从图3可以看出在1998-2013年之间，杭州湾南岸湿地范围逐渐增大.在研究区域内，从1998年到2013年间海水水域面积减小了319.195km2，占研究区域内海水面积的51%以上.其中从1998-2006年间面积减小228.023km2，2006-2013年海水水域面积减小91.172km2.从图4可以看出减少的海水水域85%以上变为滩涂，其余通过治理变为池塘或水田、建筑用地等.由此可以推断，从1998-2013年间杭州湾南岸进行了大规模的围垦工程.

(3)滩涂面积在2006年增幅明显，而在2013则稍有回落.从图5可以看出，虽然滩涂面积增加，然而由于地少人多，又加之经济的快速发展，工业用地和城市基础设施建设以及建筑需求都使得开垦滩涂来扩大建筑面积的需求日益迫切，在1998-2006和2006-2013年间分别有16.1%和9.20%的滩涂被建筑用地所取代.

(4)农田和建筑用地的变化规律正好相反.2006年以前，农田面积呈减少趋势而建筑用地面积则明显增加，虽然2006-2013年间农田面积有所增加，但是仍然不能改变逐渐缩小的趋势.沼泽地在2006年以前有所减小，但是在2006年以后范围明显增大.池塘和水田、绿地则一直呈增长趋势.

表3 1998-2013年杭州湾南岸湿地面积变化面积 单位：km2变化率：%

图4 海水水域变化率

图5 滩涂变化率

4 结 语

杭州湾湿地是我国八大咸水湿地之一，杭州湾湿地生态系统的健康不仅关系到环杭州湾城市和产业带的环境质量，湿地资源的合理保护与利用更是直接影响到区域经济的稳定和可持续发展.本文利用1998年、2006年及2013年3期TM影像，采用支持向量机分类方法进行地物分类，根据分类结果对杭州湾南岸湿地土地覆盖类型变化进行宏观和微观两个层面的定量分析，揭示了在过去15年间杭州湾南岸湿地形态和空间格局上的变化规律.通过研究，得出(1)在这15年间，杭州湾南岸进行了大规模的围垦工程，湿地范围增加明显；(2)城市建设发展较快，滩涂面积逐渐被建筑用地、池塘和水田、绿地等类型所取代；(3)农田面积逐渐减小.

[1] 江 健,林文鹏,何 欢,等.上海市湿地信息遥感提取方法研究[J].湿地科学,2013,11(4):470-474.

[2] 柴 颖,阮仁宗,傅巧妮,等.面向对象的高光谱影像湿地植被信息提取[J].地理空间信息,2015,13(4):83-85.

[3] 张丽娜,张树清,刘春悦,等.4个时期三江平原别拉洪河河岸带土地利用分析[J].湿地科学,2014,12(2):268-272.

[4] 谢 静,王宗明,任春颖.基于遥感的湿地景观格局季相分析[J].生态学报,2014,34(24):7149-7157.

[5] 徐怡波,赖锡军，周春国.基于卫星雷达数据的鄱阳湖湿地水面检测与淹露分析[J].中国环境科学,2010,30(l):57-63.

[6] 陈 晋,何春阳,卓 莉.基于变化向量分析的土地利用/覆盖变化动态监测变化类型的确定方法[J].遥感学报,2001,5(5):346-352.

[7] 张锦水,潘耀忠,韩立建,等.光谱与纹理信息复合的土地利用/覆盖变化动态监测研究[J].遥感学报,2007(4):500-510.

[8] 马国锐,眭海刚,李平湘,等.一种遥感影像核变化检测方法[J].武汉大学学报(信息科学版),2007(7):597-600.

[9] 周启呜.多时相遥感影像变化检测综述[J].地理信息世界,2011,9(2):28-33.

[10]CortesC,VapnikVN.Supportvectornetworks[J].Mach.Learning,1995,20(3):273-297.

[11] 郭明玮,赵宇宙,项俊平,等.基于支持向量机的目标检测算法综述[J].控制与决策，2014,29(2):193-200.

[12] 于明鑫,周远松,王向周,等.基于灰度信息和支持向量机的人眼检测方法[J].工程科学学报，2015,37(6):804-811.

[13] 张 策,臧淑英,金 竺,等.基于支持矢量机的扎龙湿地遥感分类研究[J].湿地科学，2011,9(3):263-269.

[14] 谭 琨,杜培军.基于支持向量机的高光谱遥感图像分类[J].红外与毫米波学报,2008,27(2):123-128.

[15] 朱海洲,贾银山.基于是指向量机的遥感图像分类研究[J].科学技术与工程,2010,10(5):3659-3663.

声 明

为适应我国信息化建设需要，扩大作者学术交流渠道和促进科技成果的迅速转化，本刊已加入“万方数据资源系统(ChinaInfo)数字化期刊群”、《中国学术期刊(光盘版)》和“中国期刊网”及中国“北极星”等网站或电子出版物，并成为其全文收录期刊和《中国学术期刊综合评价数据库》统计刊源.凡向本刊所投稿件，全体作者均视为愿意进入上述的数字化期刊群，并愿意将该论文的复制权、发行权、信息网络传播权、翻译权、汇编权等权利在全世界范围内转让给本刊.凡被录用的稿件，将同时通过因特网进行网络出版或提供信息服务，稿件一经刊用，其作者的著作权使用费由本刊一次性所发稿酬(即包括印刷版、光盘版和网络版各种使用方式的报酬)所包含.如有作者不同意上述事项，请在来稿时申明，本刊将作适当处理.

浙江水利水电学院学报编辑部

Balance Analysis on South Hangzhou Bay Wetland Based on Remote Sensing Images

LI Ai-xia

(School of Surveying and Municipal Engineering, Zhejiang University of Water Resources and Electric Power, Hangzhou 310018, China)

Detecting the changes of wetland is quite important for the protection, rebuilding and sustainable utilization of the wetland. Taking the wetland of South Hangzhou Bay for example, three remote sensing images acquired in 1998, 2006 and 2013 are introduced in this paper. First, the images are classified by the algorithm of Support Vector Machines (SVM). Then, the change detection is fulfilled based on the results of the classification. Finally, the variation of the land coverage in this area is analyzed both in macroscopic and microcosmic scale. The results show that, in 15 years, there was a large-scale reclamation in this area and the wetland was increased by 319.195 sq.km. In addition, 16.1% tidelands in 1998-2006 and 9.20% tidelands in 2006-2013 were replaced by the building land, which illustrated that the urban construction is developed rapidly in recent years.

wetland; change detection; Support Vector Machines (SVM); multi-temporal remote sensing images

2015-07-11

浙江省教育厅资助项目(Y201432349)

李爱霞(1977-)，女,河南林州市人，博士，讲师,从事遥感技术应用、遥感图像处理方面的研究.

TV211.1

A

1008-536X(2015)09-0062-06