基于时序NDVI数据的洞庭湖区湿地植被类型信息提取

刘晓农,邢元军,罗 鹏

(1.国家林业局中南林业调查规划设计院,长沙 410014；2.中国林业科学研究院资源信息研究所,北京 100091)

基于时序NDVI数据的洞庭湖区湿地植被类型信息提取

刘晓农1,邢元军1,罗 鹏2

(1.国家林业局中南林业调查规划设计院,长沙 410014；2.中国林业科学研究院资源信息研究所,北京 100091)

洞庭湖湿地是我国及国际重要的湖泊湿地,基于遥感时空融合模型,通过融合高时间分辨率的MODIS数据与中等空间分辨率的Landsat数据,得到时序Landsat NDVI数据,并利用时序Landsat NDVI数据对湿地植被信息进行提取。研究结果表明,该方法能够有效提取研究区湿地植被类型,总体分类精度与Kappa系数分别为91.52%与0.85,较单时相Landsat8 OLI光谱影像总体分类精度与Kappa系数分别提高了4.16%和0.03。苔草沼泽、芦苇沼泽、杨树林沼泽和水稻田几种湿地植被的分类精度提高较为明显,用户精度分别提高了2.35%,0.67%,10.47%和4.75%,生产者精度则分别提高了3.57%,2.31%,10.11%和6.21%。研究结果可为阴雨天气较多的南方地区的湿地信息提取提供有效的技术和方法。

时序序列；NDVI；STARFM；洞庭湖区；湿地植被

0 引言

洞庭湖区是洞庭湖域湿地分布的主要区域,尤其是自然湿地,如苔草沼泽、芦苇沼泽等[1]。同时也是3个国家级(国际)自然湿地保护区的集中分布区[2]。近年来由于不合理开发以及气候变化等诸多因素的影响,导致洞庭湖湖泊萎缩较快,洞庭湖区湿地资源面积急剧减少[3-4]。因此,精确、实时的洞庭湖区湿地类型监测,探讨其演变趋势是当前面临的重要科学议题。

目前针对洞庭湖区湿地已开展较多基于遥感技术应用的研究,如邓帆等[5]利用Landsat TM/ETM+和HJ1A/1B卫星数据,分析了1993—2010年洞庭湖湿地的动态变化。蒋卫国等[6]基于1995和2000年的Landsat TM卫星图像,提取了洞庭湖区的湿地信息并进行了湿地生态系统健康评价；郑建蕊等[7]利用2000年的Landsat TM影像,分析了洞庭湖区湿地景观结构特征及功能状态；杨利等[8]基于Landsat TM数据,完成了1987—2008年6期洞庭湖区湿地制图,并分析了三峡建坝前后湿地景观格局变化。现有研究表明,目前洞庭湖区湿地信息提取主要以单时相的Landsat TM/ETM+卫星影像为主,但由于洞庭湖湿地类型、湿地的植被类型复杂多样,单时相的Landsat TM/ETM+遥感数据只能了解某一时间点的湿地信息,难以捕捉到湿地的类型变化过程中的关键特征,不能满足湿地信息类型的高精度提取。而利用时间序列的遥感影像能够掌握湿地季节变化情况并能找到其关键特征,从而提高分类精度。

然而,由于Landsat数据较长的重访周期及云雨天气的影响,导致获取足够的、高质量的时间序列Landsat数据十分困难。遥感时空融合模型的发展,为获取高空间分辨率与高时间分辨率数据提供有效的技术与方法[9-13],并已在植被、土地覆盖与土地利用中得到较多的应用[14-16]。洞庭湖区处于季风气候区,云雨天气较多,获取足够时间序列的Landsat数据十分困难。因此,本文利用遥感时空融合模型获取了时间序列Landsat数据并对洞庭湖区湿地植被信息进行了提取,同时探讨了该方法于湿地植被提取的有效性。

1 研究区与数据

1.1 研究区概况

洞庭湖区位于湖南省东北部,介于111°40′～113°10′E,28°30′～29°31′N之间。研究范围包括岳阳、常德、益阳3个市21个县(市、区),占湖南省总面积的12.2%(图1)。研究区大部分海拔低于50m,

图1 研究区范围

多平原、丘陵,属亚热带季风气候。研究区湿地植被主要由水稻(双季稻、一季稻)、芦苇、杨树和苔草。

1.2 数据与处理

研究所需遥感影像数据包括Landsat8 OLI与MODIS 13Q1,均下载于美国地质调查局(http://glovis.usgs.gov/)。覆盖研究区Landsat8 OLI与MODIS 13Q1数据所需行列号见表1。

表1 遥感数据

获取的Landsat8 OLI数据质量较好,云覆盖率均小于5%。利用ENVI 5.1软件对数据进行辐射定标,并经FLAASH模块进行大气校正,之后基于地形数据采用二次多项式进行几何精校正,误差小于0.5个像元。

本研究主要实验数据为MODIS 13Q1产品中的NDVI(Normalized Difference Vegetation Index)数据,时间范围为2015年1月1日—2015年12月19日,共23期,分辨率为250m,投影为Sinusoidal(正弦投影)。将MODIS 13Q1的投影与空间分辨率设置成与Landsat8一致,并与Landsat8进行配准。

其他辅助数据为野外调查数据,2m空间分辨率的GF-1(2015-10-08平水期)和Google Earth高分辨率影像,以及物候观测数据等。

2 研究方法

2.1 Landsat与MODIS数据时空融合

本文基于STARFM模型,通过融合Landsat8与MODIS 13Q1数据来构建洞庭湖区湿地植被生长关键期的Landsat数据,模型表达式如下[9-10]:

(1)

式中:(xi,yi)是像元的坐标,t0是影像对的采集时间,t1是待预测时间；w为搜索窗口大小,W为权重函数,由Landsat与MODIS的光谱差异值、时间差异值、空间差异值决定。

2.2 NDVI重构

本文利用TIMESAT软件对融合得到的时序Landsat NDVI数据进行滤波处理TIMESAT软件包中有3种核心算法,其中S-G滤波法是一种局部拟合的方法,且相对于非对称高斯函数，拟合法(AG)和双Logistic曲线拟合法(DL)2种方法能更精确地描述NDVI时序数据的细微变化[17-18]。因此,本文基于MATLAB的TIMESAT软件包,采用S-G滤波法对融合得到的时序 NDVI(30 m)进行拟合重构处理,其表达式为:

(2)

式中:其中,Y，Y*分别表示原始和平滑后的NDVI值,Ci是S-G多项式拟合的系数,表示从滤波器首部开始第i个NDVI值的权重,N为滤波器长度,大小为2m+1。

2.3 可分离性分析及最佳Landsat NDVI组合选择

地物类型间的可分离性判定的方法很多,如J-M距离(Jeffries-Matusita Distance)、巴氏距离(Bhattacharyya Distance)、欧氏距离、转换分离度(Transformed Divergence)等。相对于其他的地表特征可分性判定方法,J-M距离被认为是更优的指标,其计算公式如下[19-20]:

J=2(1-e-B)

(3)

其中:B表示2种类别基于某一特征的巴氏距离,m1和m2表示2种类别的某特征均值,σ1和σ2表示两种类别的某特征标准差。

结合研究区湿地植被生长物候历,湿地植被的时序NDVI曲线,选择了用于J-M距离计算的LandsatNDVI数据及日期见表2。

表2 参与可分离性分析的Landsat NDVI数据日期及序号

2.4 基于时空特征的遥感分类与精度评价

根据拉姆萨尔公约对湿地的定义[21],并结合研究区湿地植被与遥感数据的特点,将研究区湿地划分为水体、水稻田(一季稻、双季稻)、泥沙滩地、芦苇沼泽、杨树林沼泽和苔草沼泽5类。

结合研究区平水期GF-1影像、洞庭湖区1∶10 000土地利用现状图(常德市国土资源局、岳阳市国土资源局制作)及2015年野外调查数据(包括所有湿地类型,采集GPS点160个),利用支持向量机(SVM)对洞庭湖区遥感影像进行分类。本文选择混淆矩阵进行湿地信息提取精度评价,包括总体精度(overall accuracy)、Kappa系数生产者精度(producer accuracy)以及用户精度(user accuracy)。

3 结果与分析

3.1 遥感数据时空融合结果

融合的洞庭湖区部分湿地植被生长关键期的Landsat NDVI影像如图2所示,分别为5月25日(DOY145)、7月12日(DOY193)、7年28日(DOY209)、8年29日(DOY241)、9月14日(DOY257)、10月16日(DOY289)。融合的Landsat影像的空间分辨率较高,纹理等空间细节信息清晰,可以表现出较小地物间的差异,比250m空间分辨率的MODIS更能够反映湿地类型的空间细节信息。

图2 研究区湿地类型生长关键期的Landsat NDVI数据

3.2 融合时序Landsat NDVI滤波结果

时序MODIS EVI重构结果如图3,除杨树与芦苇NDVI曲线起伏较小外,其他地类NDVI曲线变化起伏比较明显。由图可知,不同植被类型生长物候特征曲线各异,因此可利用时序MODIS EVI数据对它们进行识别。

3.3 J-M距离及最佳Landsat NDVI组合

考虑到各植被类湿地的生长季开始约在3月上旬,而生长季结束约在11月上旬,因此,选择进行J-M距离计算的Landsat NDVI的日期为2015年4月23日—2015年11月1日(第113—305天),共13期。基于滤波后的时序Landsat NDVI数据,按不同组合计算不同湿地植被间的J-M距离,计算结果如表3。

图3 时间序列Landsat NDVI

LandsatNDVI数据组合序号J-M值芦苇-双季稻苔草-一季稻苔草-芦苇双季稻-一季稻双季稻-芦苇一季稻-芦苇14681.8731.8131.7851.8261.8311.7821468101.8941.8391.8221.8521.8481.82513468101.9241.8571.8421.8631.8911.8491346810131.9181.9341.9191.9381.9461.92713468910131.9881.9741.9721.9891.9781.969134678910131.9992.0001.9981.9922.0002.0001345678910132.0002.0002.0001.9992.0002.000134567891011132.0002.0002.0001.9992.0002.000

选择Landsat NDVI序号组合时,考虑到了上文中湿地植被拟合结果的分析及作物的物候历。通过J-M距离的计算,可以发现随着湿地植被生长关键期影像增加,各植被类型间的J-距离不断增加。通过比较,5组以上的Landsat NDVI组合使得各湿地植被间的J-M距离值增加程度都非常小(增幅小于0.1),同时考虑到数据冗余与计算速度,因此本文选择序号为1,3,4,6,7,8,9,10及13的 Landsat NDVI数据为洞庭湖区湿地植被提取最佳数据组合。

3.4 湿地信息提取结果与精度评价

洞庭湖区湿地信息提取结果见图4,由图可以得出泥沙滩地、苔草沼泽与芦苇沼泽绝大部分分布在洞庭湖周边,杨树林沼泽则主要分布在河堤沿岸或沿道路分布,水水稻湿地分布相对较均匀,但就分布面积而言,洞庭湖西部明显要高于东部。

图4 研究区湿地信息提取

利用野外实地调查数据,通过混肴矩阵对湿地信息提取结果进行了定量分析,同时为了检验时序Landsat数据对洞庭湖区湿地信息提取精度的影响,基于研究区平水期的Landsat8 OLI,采用同样的分类器对洞庭湖区湿地进行了提取,两种分类方法的精度评价结果见表4。利用单时相Landsat光谱影像的总体分类精度与Kappa系数分别为87.36%和0.82,而基于时序Landsat数据的总体分类精度与Kappa系数分别为91.52%与0.85,总体分类精度与Kappa系数较前者分别提高了4.16%和0.03。几种湿地类型的用户精度与生产者精度较基于单时相Landsat8影像均有不同程度的提高,其中苔草沼泽、芦苇沼泽、杨树林沼泽和水稻田几种湿地植被的分类精度提高较为明显,用户精度分别提高了2.35%,0.67%,10.47%和4.75%,生产者精度则分别提高了3.57%,2.31%,10.11%和6.21%。

表4 两种分类方法下的精度评价结果

4 结论

本研究利用时空融合模型,通过融合时序MODIS和Landsat数据获得了时间序列的Landsat NDVI数据。利用TIMESAT软件包中的S-G滤波法对时序Landsat NDVI进行滤波平滑处理,同时参考湿地植被的物候特征及J-M距离计算获得了洞庭湖区湿地植被提取最佳的Landsat NDVI组合,并利用SVM进行了湿地植被信息提取,研究结果表明该方法能够较好地提取洞庭湖区湿地植被信息,得到了精度较高的湿地植被填图,总体分类精度与Kappa系数较基于单时相Landsat8光谱影像均有不同程度提高。

精确的、大范围的湿地植被信息提取需要时间序列的Landsat数据,然而受卫星重访周期及天气的的影响,难以获取时间序列Landsat数据。利用遥感影像对大范围湿地信息进行提取将会受到较大程度的影响,因此利用遥感数据时空融合模型是解决数据缺失的一种有效手段。

[1]王红娟,姜加虎,黄群.东洞庭湖湿地景观变化研究[J].长江流域资源与环境,2007,16(6):732-737.

[2]唐玥,谢永宏,李峰,等.基于Landsat的近20余年东洞庭湖湿地草洲变化研究[J].长江流域资源与环境,2013,22(11):1484-1492.

[3]杨波,廖丹霞,李京,等.东洞庭湖湿地生态系统健康状态与水位关系研究[J].长江流域资源与环境,2014,23(8):1145-1152.

[4]陈燕芬,牛振国,胡胜杰,等.基于MODIS时间序列数据的洞庭湖湿地动态监测[J].水利学报,2016,47(9):1093-1104.

[5]邓帆,王学雷,厉恩华,等.1993—2010年洞庭湖湿地动态变化[J].湖泊科学,2012,24(4):571-576.

[6]蒋卫国,潘英姿,侯鹏,等.洞庭湖区湿地生态系统健康综合评价[J].地理研究,2009,28(6):1665-1672.

[7]郑建蕊,蒋卫国,周廷刚,等.洞庭湖区湿地景观指数选取与格局分析[J].长江流域资源与环境,2010,19(3):305-310.

[8]杨利,谢炳庚,秦建新,等.三峡建坝前后洞庭湖区湿地景观格局变化[J].自然资源学报,2013,28(12):2068-2080.

[9]Gao F,Masek J,Schwaller M,et al.On the blending of the Landsat and MODIS surface reflectance:predicting daily Landsat surface reflectance[J].IEEE Transactions on Geoscience & Remote Sensing,2006,44(8):2207-2218.

[10]张猛,曾永年.基于多时相Landsat数据融合的洞庭湖区水稻面积提取[J].农业工程学报,2015,31(13):178-185.

[11]Hilker T,Wulder M A,Coops N C,et al.A new data fusion model for high spatial-and temporal-resolution mapping of forest disturbance based on Landsat and MODIS[J].Remote Sensing of Environment,2009,113(8):1613-1627.

[12]Zhu X L,Jin C,Feng G,et al.An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions.[J].Remote Sensing of Environment,2010,114(11):2610-2623.

[13]Wu M Q.Use of MODIS and Landsat time series data to generate high-resolution temporal synthetic Landsat data using a spatial and temporal reflectance fusion model[J].Journal of Applied Remote Sensing,2012,6(1):063507.

[14]Hilker T,Wulder M A,Coops N C,et al.Generation of dense time series synthetic Landsat data through data blending with MODIS using a spatial and temporal adaptive reflectance fusion model[J].Remote Sensing of Environment,2009,113(9):1988-1999.

[15]邬明权,王长耀,牛铮.利用多源时序遥感数据提取大范围水稻种植面积[J].农业工程学报,2010,26(7):240-244.

[16]Jia K,Liang S,Zhang N,et al.Land cover classification of finer resolution remote sensing data integrating temporal features from time series coarser resolution data[J].Journal of Photogrammetry & Remote Sensing,2014,93(7):49-55.

[17]李儒,张霞,刘波，等.遥感时间序列数据滤波重建算法发展综述[J].遥感学报,2009,13(2):335-341.

[18]Jönsson P,Eklundh L.Seasonality extraction and noise removal by function fitting to time-series of satellite sensor data[J].IEEE Transactions of Geoscience and Remote Sensing,2002,40(8),1824-1832.

[19]Hao Pengyu,Wang Li,NiuZheng,et al.The potential of time series merged from Landsat-5 TM and HJ-1 CCD for crop classification:A case study for Bole and Manas counties in XinJiang,China[J].Remote Sensing,2014,6(8),7610-7631.

[20]臧淑英,张策,张丽娟,等.遗传算法优化的支持向量机湿地遥感分类——以洪河国家级自然保护区为例[J].地理科学,2012,32(4):434-441.

[21]殷书柏,李冰,沈方.湿地定义研究进展[J].湿地科学,2014,2(4):504-514.

Wetland Plant Extraction Based on the Time Series Landsat NDVI in Dongting Lake Area

LIU Xiaonong1,XING Yuanjun1,LUO Peng2

(1.CentralSouthForestInventoryandPlanningInstituteofStateForestryAdministration,Changsha410014,China;2.ResearchInstituteofForestResourceInformationTechniques,CAF,Beijing100091,China)

As an important ecological system,wetland of lake groups and river system in Dongting Lake area is essential for the ecological environment.Due to the continuous disturbance of human activities and globe climate change,wetland in Dongting Lake area has degraded and it’s urgent to monitor the wetland change timely.In this paper,we used Landsat8 OLI data and MODIS data to get the time series Landsat NDVI data based on spatial and temporal adaptive reflectance fusion model (STARFM).Then,the Savitzky-Golay (S-G) filter was employed to smooth the time series Landsat NDVI data.With the phonological calendar of plant wetland and the computation of Jeffries-Matsushita distance (J-M),and through selecting validation data randomly throughout the study area for many times,we got the best J-M distance and the optimal Landsat NDVI data combination.Support vector machine was used to map wetland distribution of study area.Results showed that this method could map wetland fields effectively,and get a high overall precision of 91.52% with the Kappa coefficient of 0.85,and overall accuracy and Kappa coefficient were improved about 4.16% and 0.03,respectively,compared with using single date Landsat8 OLI spectral data.Especially,the precision of plant wetland,such as sedge,reed,polar and paddy,were improved about 2.35%,0.67%,10.47% and 4.75% for user accuracy and 3.57%,2.31%,10.11% and 6.21% for producer accuracy.The research can provide an important way to solve the problem of missing data on monitoring wetland.

time series,NDVI,STARFM,Dongting Lake area,wetland vegetation

2017-04-12；

2017-05-12

国家高技术发展计划(863计划)(2013AA102605)；国家自然科学基金(31170637)

刘晓农(1963-)，男，湖南郴州人，高工，学士，主要从事遥感与信息技术在林业中的应用研究。 Email:714234493@QQ.com

S757.2；TP79

A

1002-6622(2017)04-0103-07

10.13466/j.cnki.lyzygl.2017.04.016