基于Landsat8-OLI影像的近年太湖水生植被分布遥感监测

高 昕，李继影，景 明，陈 瑜

（江苏省苏州环境监测中心，江苏 苏州 215004）

0 引言

太湖位于长江三角洲的南缘，是中国五大淡水湖之一，位居第三，界北纬30°55'40" ～31°32'58"和东经119°52'32"～120°36'10"之间，湖泊面积2 427.8 km2，北临无锡，南濒湖州，西依宜兴，东近苏州，其中太湖（苏州辖区）占全太湖的近70%。水生植被作为湖泊生态系统的主要初级生产者，在维持水生态健康过程中扮演着至关重要的角色[1-3]，但从1960年以来，共有23 种水生植物从太湖消失[4]，随着地区经济的快速发展和湖泊资源的不断利用，大部分水面出现严重的藻型富营养化，许多水生植被消失，水质恶化[5]。太湖水生植被分布的监测与保护迫在眉睫。

遥感监测能够在一定程度上弥补传统的环境监测方法所遇到的时空间隔大、费时费力、难以具备整体、普遍意义和成本高的缺陷和困难[6]，在大型湖泊的水质监测、蓝藻水华监测等方面均有广泛应用。如朱玉霞等[7]根据HJ-1 卫星遥感影像，结合同步地面实测水质数据，采用经验反演模型对丹江口水库的水质进行了定量遥感反演研究；史明等[8]利用TM 影像及人工站点实测数据对北京城区的水体叶绿素a 浓度进行了定量反演；金焰等[9]利用EOS/MODIS 数据开展了太湖蓝藻水华时空分布规律信息的提取方法研究。太湖水生植被分布监测的时间跨度大、空间距离长，仅依靠人工监测明显不足，故遥感技术监测成为水生植被监测的首选手段。

目前，遥感技术监测水生植被主要有非监督分类、监督分类、决策树等方法：非监督分类不需要很多的先验知识，它根据地物的光谱统计特性进行分类，使用非监督分类对水生植被的分类，需要结合其他的辅助数据对提取的结果进行确认，因此，非监督分类方法适用于有资料对分类的结果进行辅助判断时使用[10】；如ACKLESON 等[11]选取Landsat MSS/TM影像，使用非监督方法进行沉水植被的监测，最后用彩色航空影像对分类的结果进行验证。与非监督分类不同，监督分类需根据训练场提供的样本选择特征参数，建立判别函数，对待分像元点进行分类，故监督分类需要事先选择训练样本，即感兴趣区域（ROI），根据区域内现场采集的样点或是基于专家知识选择样点对各种分类器进行训练、分类；如HUNTER 等[12]利用欧氏最小距离法、高斯最大似然法和支持向量机3 种方法，利用实地采集的样点作为ROI 训练各分类方法，进行水生植被的分类，最后得出结论。决策树模型是水生植被分类过程中常用的模型，对水生植被的提取或分类通常是分析水生植被的反射光谱特性，建立相应的光谱指数，再建立相应的决策树模型[13]，该模型需要建立在实测数据之上，若缺少实测样点对应的影像时，应用该模型对水生植被进行分类会降低精度。

为了初步摸清太湖水生植被的分布变化趋势，今利用近年的遥感影像为数据源，使用决策树分类方法对太湖水生植被的分布情况开展遥感调查。

1 数据源的选取和处理方法

1.1 数据源选取

从太湖水生植物监测需求出发，在遥感数据的选取上，应尽可能选择数据易获取、重复观测时间短、时间序列较长、空间分辨率较高的数据源[14]。美国陆地资源卫星Landsat8 重访周期短、覆盖面积广、容易获取、波段信息丰富，搭载OLI 和TIRS 2 个传感器，其中OLI 传感器包含9 个波段，基本上可以满足太湖水生植物遥感监测的调查与识别，文中所选数据皆为Landsat8-OLI 影像数据，其具体参数见表1。本文所选卫星数据均来源于江苏省环境监测中心和美国地质勘探局（United States Geological Survey，USGS）数据库。

表1 Landsat8-OLI 影像参数

在卫星照片的选取过程中综合考虑水生植被生长周期和云层、蓝藻水华影响，遵循以下原则：

（1）尽量选取云层覆盖度小的卫星照片，以免影响数据提取。

（2）卫星照片的拍摄时间应在5 ～10月，此阶段太湖水生植被处于生长期。

（3）尽量避开存在蓝藻大面积覆盖湖面的卫星照片。

经过筛选，卫星照片选用了2015年9月27日、2016年8月28日、2017年5月27日、2019年8月21日4 个时段对近4 a 的水生植被进行遥感监测。使用ENVI 软件打开原始影像文件夹中的_MTL.txt，显示所选卫星照片局部图像见图1。

图1 2015～2017年、2019年太湖水生植被原始影像（东部）

1.2 数据处理方法

Landsat8 陆地卫星在波段的设计上，充分考虑了水、植物、土壤、岩石等不同地物在波段反射率敏感度上的差异，从而有效地扩充了遥感影像数据的应用范围。根据每种类型的水生植被在卫星影像上所呈现像元的光谱值不同（见表2），可运用计算机软件对水生植被进行分类。本文选择ENVI5.3 和Arc GIS10.2 作为数据处理软件。

表2 太湖水生植被类型及影像特点

1.2.1 影像预处理

图像预处理是遥感影像处理过程中重要的环节。对Landsat8-OLI 影像，分为3 个步骤进行预处理。

（1）辐射定标：利用ENVI 软件处理原始影像，建立数字量化值与对应视场中辐射亮度值之间的定量关系，将传感器记录的无量纲的DN 值（DN 值是一个较大的数值，它是遥感影像像元亮度值，记录的地物的灰度值，无单位）转换成具有实际物理意义的大气顶层辐射亮度或反射率。

（2）大气校正：利用ENVI 软件中的FLAASH（Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes）大气校正工具，消除大气和光照等因素对地物反射的影响，获得地物反射率、辐射率、地表温度等真实物理模型参数，包括消除大气中水蒸气、氧气、二氧化碳、甲烷和臭氧等对地物反射的影响；消除大气分子和气溶胶散射的影响。

（3）研究区裁剪：利用Arc GIS 软件中的裁剪工具，使用边界矢量图层，裁剪出太湖（苏州辖区）作为研究区数据文件。

1.2.2 水生植被光谱特征变量处理

植被一般对近红外和红外波段较为敏感，蓝、绿和红波段对水体提取拥有较好的效果，因此大多数的水生植被指数都基于上述的相关波段进行构建。有研究表明主成分变换和缨帽变换能够增强水生植被光谱特征信息[15-16]，其中主成分变换可以分离主要信息和噪音，减小数据冗余度及波段之间的相关性。因此分为4 个步骤作如下处理。

（1）构建归一化植被指数： 归一化植被指数（NDVI）基于红光波段和近红外波段，可以检测植被生长状态。

式中：NIR 为近江外波段的反射值；R 为红光波段的反射值。

对研究区影像进行NDVI 反演，结果见图2。

图2 NDVI 的输出结果

（2）计算归一化差分水体指数：归一化差分水体指数（NDWI）基于绿光波段和近红外波段，用来分离影像中的水体植被和围网养殖信息，效果较好。

式中：G 为绿光波段的反射值。

以研究区影像为对象，在ENVI 软件的Band Math 工具界面中输入计算公式，输出NDWI 结果见图3。

（3）主成分变换： 选择协方差矩阵（Covariance Matrix）计算方法进行主成分变换。

图3 NDWI 的输出结果

（4）将进行大气校正处理后的研究区影像（Landsat8-OLI 影像前7 个波段）以及计算出的NDVI，NDWI 和前3 个主成分波段利用ENVI 软件的Layer Stacking 工具，进行波段合成，获得用来进行分类的影像数据。

1.2.3 样本选取及决策树分类处理

决策树分类处理的首要条件是选取充足、准确的训练样本。以2015年为例，经人工现场调查的训练样本选取点位共计62 个，训练样本的准确性得到保证。点位分布见图4。

图4 太湖（苏州辖区）训练样本选取点位及核查点位布设

运用ENVI 软件，创建浮叶植物、挺水植物、沉水植物、开放水域等4 个分类（蓝藻类别是否创建视情况而定），根据人工现场调查获取到的水生植物面积、种群组成、优势种和生物量等其它辅助信息（每个类型的覆盖面积要求大于60 m×60 m），利用GPS的点位获取遥感数据上不同类型植物的纯像元的光谱值，构建4 种类型的训练样本，每种类型的训练样本不小于2 000 个像元以保证训练充分，对计算机软件训练后即可进行研究区域的水生植被分类。

QUES T(Quick Unbiased and Efficient Statistical Tree)是一种快速、无偏、高效决策树算法，该算法将变量选择和分割点的选择分开进行，既适用于连续型的变量又适用于离散型的变量，同时还克服了其他决策树算法更倾向于选择具有更多潜在分割点的预测变量的缺点，而且这种多元决策树可以通过多个预测变量构成的超平面在特征空间中区分类别成员和非类别成员[17]。利用ENVI Classic 中的RuleGen插件进行基于该算法的决策树文件生成及执行，获取分类影像数据，见图5。

图5 分类影像数据（示例，非结果）

2 监测结果

2.1 水生植被分布

2015年9月27日、2016年8月28日、2017年5月27日、2019年8月21日4 个时段的太湖（苏州辖区）水生植被分布遥感监测结果见图6。

图6 4 个时段的太湖（苏州辖区）水生植被遥感监测结果

依据影像像元计数和Landsat8-OLI 影像的分辨率，统计4 个时段的太湖（苏州辖区）水生植被覆盖面积见表3。

表3 4 个时段的太湖（苏州辖区）水生植被覆盖面积 km2

2.2 水生植被信息核查

遥感监测工作结束后必须进行现场核查作为验证。以2015年为例，核查点位布设31 个，点位分布见图3。现场核查结果中，26 个点位的水生植被生长情况与遥感监测结果基本相同，5 个点位的水生植被生长情况出现误判，遥感监测正确率83.87%，误判情况见表4。

2016，2017，2019年的水生植被遥感信息核查结果显示，遥感监测正确率分别为81.81%，80%，80%。值得注意的是，如果水生植被群落稀疏且较为孤立，覆盖面积很小（远低于卫星影像一个像元代表的面积），在Landsat8-OLI 遥感影像的分类处理中会被忽略，影响遥感监测正确率。综合来看，若当年全湖的水生植被生长情况越好、覆盖范围越广时，可选择的训练样本越丰富，遥感影像上的“孤点”越少，遥感监测正确率越高。

表4 2015年水生植被分布遥感误判情况

3 结论

（1）依据水生植被遥感监测结果，对照太湖各区域位置，得出结论如下：从水生植被整体上来看，太湖（苏州辖区）水生植被主要集中在东太湖、胥湖湾、贡湖湾以及沿岸带，水生植被总覆盖面积从2015年起处于缩减态势直到2019年有所回升。从水生植被类型上来看，2015 ～2017年期间，2015年浮叶植物主要集中在金墅港、上山村、渔洋山和浦庄水源地附近以及东太湖大部分区域，2017年仅余苏州湾“颈部”和东山岛南部有少量留存，总覆盖面积出现大幅缩减，尤其是2016年的浮叶植物覆盖面积相比2015年有大幅的缩减，主要原因在于2 点：①2015年的太湖高水位，太湖多年平均水位是3.14 m[18]，而2015年平均水位为3.43 m，有研究表明当水位波动剧烈时，水生植物生长会受到抑制[19]，水生植物在第2年不再生长；②出于对水草大规模腐烂对苏州饮用水造成危害[20]的担忧，政府组织相关部门对太湖水草进行了大规模的收割，对水生植物生长造成了明显抑制；挺水植物主要集中在胥湖湾、东太湖湖岸附近以及围网养殖区周边，其他水域岸边也有零星散布，总覆盖面积基本稳定；沉水植物2015年主要集中在金墅港、上山村、浦庄和东太湖，2017年分布范围缩减至浦庄水源地附近和东太湖，总覆盖面积有小幅缩减；2019年，浮叶植物和沉水植物的分布范围和覆盖面积较之往年均出现了大的变化，且变化主要出现在东太湖区域，东太湖沉水植物与浮叶植物优势地位的互换，造成整个太湖（苏州辖区）出现了沉水植物总覆盖面积较之往年进一步缩减，浮叶植物总覆盖面积较之往年上升的变化态势，由于挺水植物部分集中于东太湖围网养殖区周边，随着围网养殖区的拆除，挺水植物的覆盖面积也呈现缩减态势。

（2）决策树算法构建的树的结构稳定性较差，随着类别增加也会造成分类错误数量上升，需要对树进行必要的修剪等大量后期处理工作，同时要参考实地调查的数据或结论，对分类结果进行多次修正，辅以人工现场核查，保证水生植被遥感监测具有较高的准确度。

（3）水体中藻类物质会在使用多光谱遥感图像提取水生植被分布时，产生“异物同谱”现象，出现误分类结果[21]。因受云层干扰、数据缺失等的影响，每年水生植被生长期的卫星原始影像来源有限，加之水生植被生长期与太湖蓝藻泛滥期时间重合度大，原始影像上存在大面积蓝藻水华时，必须对蓝藻创建一个单独的额外样本。