基于NDVI时间序列数据的湿地演变RSM

李 婷，唐少霞，王 平

(海南师范大学地理与环境科学学院，海南 海口 571158)

1 引言

湿地是极其关键的自然资源，是自然界最具生物多样性的生态景观，与人类社会发展紧密相关。伴随人类活动影响与自然条件的不断改变，湿地正受到严重破坏，湿地面积大幅缩减、水质恶化、植被退化等形势逐步加重。湿地资源对城市区域发展与生态均衡发展具有重要的意义[1]。遥感技术具有范围广、多时相的动态监测性能，可以得到客观数据，地理信息系统强大的空间数据处理能力，能够快速精准地对湿地变化采取动态分析[2]。因此，采用遥感技术监测湿地演变过程，对湿地的保护具有重要作用。为此，相关研究人员对其进行了大量的研究，并取得了一定成果。

罗志东[3]等人提出基于系统工程学的土壤侵蚀高分遥感监测方法。该方法从工程化知识库构建、工程化遥感信息提取算法和工程化综合集成3个主要元素入手，建立土壤侵蚀高分遥感监测与评价工程化模式。采用该技术对土壤侵蚀程度进行分类，分类的精度较高。但该方法研究的对象具有一定局限性，土壤遥感监测环节较为复杂，不适合普遍的应用。张春桂[4]等人提出从高分一号卫星数据特征出发，探究高分一号卫星数据辐射定标、大气校正和正射校正的预处理方法和高分一号卫星植被覆盖度遥感反演方法。以福建省厦门市为例，利用高分一号多光谱相机(GF-1-WFV1)16 m影像数据反演覆盖度，精准划分覆盖等级。该方法利用遥感反演技术可高精度划分遥感监测的等级，但该方法应用在湿地演变监测中存在监测精度较低的问题。

基于上述问题的存在，提出一种新的湿地演变遥感动态监测方法。该方法充分考虑湿地演变形态特征，提出基于归一化植被指数(Normalized Difference Vegetation Index，NDVI)时间序列数据的湿地演变遥感动态监测方法。通过设计监测指标，运用数据预处理手段明确湿地变化细节，采用优化理论得到分类优选模型，实现湿地演变来源与趋势信息提取。与传统方法相比具有一定优势。

2 NDVI时间序列数据下湿地演变遥感动态监测

2.1 基于NDVI时间序列数据的监测指标设计

为了实现湿地演变遥感动态监测，需要构建湿地演变监测指标。该指标可有效抑制各类外界干扰影响，为湿地演变监测提供准确高效的衡量标准。采用NDVI时间序列数据，代表一年中不同时期NDVI数据，其是依照时间先后次序组合构成的数据集。在此方法中，探究湿地演变过程的有效策略即为观测NDVI曲线时序改变情况[5]。湿地演变类型关键表现在NDVI时间序列曲线形态与数值变化中，若变化超出相应域值，认定湿地演变类型发生改变，故湿地演变监测指标要充分考虑其曲线变化特征。

现阶段，湿地演变监测一般采用单一距离指数或相关性指数等指标，对比不同时段遥感影像特征差别，再按照明确的域值分析湿地类型是否发生改变。湿地演变监测的距离指数与相关性指数中欧氏距离为

(1)

绝对距离为

(2)

夹角余弦为

(3)

有关系数为

(4)

其中，xri、xti代表参照图像与监测图像像元第i波段的特征值，xr、xt为参照图像与监测图像像元全部波段特征均值，n代表波段个数。

期望得到的湿地演变监测指标应当着重凸显土地形态变化数据，且能够抑制传感器标度、大气条件等外部差别导致的变化[6]。本文拟定的演变监测指标涵盖两方面内容，即表征NDVI时间序列曲线值差别特征指标，即值指数；表征NDVI时间序列曲线状态差别特征指标，即形指数。

在诸多距离指数中，兰氏距离对奇异值的低敏感性可有效控制噪声的影响，并且是一个无量纲的标准化数值[7]。值指数运用兰氏距离标记NDVI时间序列曲线间的数值区别，将其描述为

(5)

其中，NDVIri、NDVIti依次表示参照年份与监测年份NDVI时间序列曲线i波段的NDVI值。

参考年份与监测年份的NDVI时间序列曲线，在不同匹配方位m内的交叉相关系数为

Rm=

(6)

其中，n为移动后两个曲线的重叠波段数值，m为监测曲线移动方位。

在上述分析基础上，将均方根差当作指标表征改变强度，即

(7)

其中，Rm、Rm′依次为匹配方位m真实交叉相关系数与参照交叉相关系数，k代表匹配方位。

通过上述构建的两个指标特征，建立基于NDVI时间序列的湿地演变变化检测指标，即：

(8)

2.2 基于灰度形态学的遥感数据预处理

形态学源自填充理念，灰度形态学的处理目标为图像拓扑特性，使用填充直接描述灰度形态计算过程，精确呈现湿地表面图像目标。

将灰度腐蚀表示为ε，灰度膨胀为δ，若f代表一个灰度图像，N为一结构元，此时腐蚀过程为

(9)

灰度腐蚀也可运用临近灰度函数的最小确界进行描述，即

εNf(p)={∧f(p′)|p′∈NG(p)∪f(p)}

(10)

式(9)与式(10)存在相等关系，式中NG(p)代表结构元邻域。

与灰度腐蚀计算过程相似[8]，将灰度膨胀δN表示为

≡{∧f(p′)|p′∈NG(p)∪f(p)}

(11)

灰度开运算首先进行灰度腐蚀再实施灰度膨胀的迭代计算，即

γNf(p)=δNεNf(p)

(12)

以此类推，灰度闭运算表达式为

φNf(p)=εNδNf(p)

(13)

Top-Hat变换是一种形态变换方法，具备极强高通滤波性，利用其检测灰值图像的波峰、波谷与细长图像结构。Top-Hat算子公式为

Γf(p)=f(p)-γNf(p)=f(p)-δNεNf(p)

(14)

Top-Hat算子中的对偶算子为

Γ′f(p)=φNf(p)-f(p)=εNδNf(p)-f(p)

(15)

Top-Hat算子是一种非拓展运算模式[9]，处理中位于原图像下方位置。但其对偶算子是一种拓展运算，处理时处在原图像上方，所以Top-Hat变换一定为非负数。

在Top-Hat变换过程中，结构因子的选择对处理结果影响较大。针对噪声较小的图像，可以采用Top-Hat算子对图像进行过滤，也可选择灰度值较低的结构元对图像实施滤波处理。为完美呈现湿地周边特征情况，使用2×2结构元完成预处理任务，即

(16)

式中，处在结构元左下方的60代表二维平面的原点位置灰度值增加60，其它数值含义相同。

为获得更优质的湿地遥感图像预处理成效，对图像采取Top-Hat滤波后，不直接实施二值化处理，利用灰度膨胀对图像重复进行过滤[10]，可以改进目标质量，提升湿地周边目标提取精度。依照膨胀相关定义，选择恰当的结构元，结构元表达式为

(17)

3 湿地演变遥感动态监测实现

3.1 湿地演变过程分析

单独景观类型动态度定义了某个研究区域固定阶段中某个景观类别的面积改变状况，其解析式为

(18)

其中，K为研究时间内某个景观类型动态度，Ua、Ub依次为研究初期与末期的景观面积，T是研究时间总和。

解析湿地动态变化的源头与走向，利用湿地动态改变向量数据，得到每个时期的湿地类型转移矩阵，阐明湿地逐步变化趋势。为有效呈现湿地演变流程，在转移矩阵前提下，构建湿地类型迁移几率模型为

(19)

其中，oij代表湿地类型i变化成类型j的面积，hij为湿地类型i变化成类型j的迁移几率。变换式(19)计算模式，获取湿地类型源头几率模型为

(20)

3.2 基于优化理论的湿地演变遥感动态监测

在地面物体遥感动态监测中，按照优化理论内多目标决策机制及遥感分层分类理论，创建基于优化理论的湿地演变遥感动态监测方法。在每个层次分类提取过程中，引入分类优选模型，对若干个目标的全局效益层层把控，实现遥感数据监测中最优综合效果[11-12]。

在研究湿地演变遥感动态监测时，遥感信息提取关键指标包括技术、精度、时间、成本。将决策者对其满意度为权衡目标，最大限度使各目标值最打，数学解析式为

(21)

其中，up(x)为目标满意度的目标函数，ul(x)≥u0(x)为收敛条件，u0(x)表示满意度下限，x为某个遥感监测方案。

求多目标规划问题可靠解时，通常将问题(VP)变换成加权问题P(λ)，按照多属性效用函数，建立分类优选模型，即

(22)

在多目标决策问题种，多数情况下使用各个目标权系数展现每个目标之间的相对关键性，越关键的目标，对应权系数越高。在诸多实际问题中，决策的基本问题可总结成权系数的确立问题。

将问题目标数量按照关键性进行对比，对比过程由决策者执行，也可使用专家评估法。全部目标均需要两两对比，将第i个目标对第j个目标的评估值描述为bij，bij取值为

(23)

式中，λi与λj为目标yi、yj的权系数，通过全部对比后，获得最终遥感动态监测矩阵，即：

(24)

在上述分析基础上，完成湿地演变观测目标，为湿地有效治理提供理论支持。

4 仿真分析

4.1 仿真环境

为证明所提方法有效性，选择某城市湿地区域进行监测。实验处理器为Intel赛扬双核G530@1.80GHz，内存为4GB，操作系统为Windows7系统。湿地遥感监测区域如图1 所示．

图1 湿地遥感监测区域

4.2 仿真结果分析

4.2.1 湿地演变遥感动态监测耗时分析

为验证所提方法的可行性，仿真分析了所提方法、基于系统工程学的高分遥感监测方法以及基于高分一号遥感影像的监测方法进行监测的耗时，实验结果如图2 所示。

图2 湿地演变遥感动态监测耗时对比

分析图2可以看出，在相同实验环境下，三种方法的监测耗时存在一定差距。其中，所提方法的监测耗时始终低于其它两种方法，验证了所提方法的可行性。

4.2.2 湿地演变遥感动态监测精度分析

为了进一步验证所提方法的可靠性，对研究区域实施系统布点，监测湿地变化信息的精度，三种方法下监测统计值如表1所示。

表1 湿地演变遥感动态监测精度分析

从表1可知，所提方法湿地演变遥感动态监测精度为90.74%，监测精度显著优于两种方法，表明所提方法获得的数据精度可满足实际工作需求，实用性较强。其它两种方法均存在混分现象。其中，混分现象最严峻为泥滩地。所提方法采用基于优化理论的遥感图像分层分类，对多个目标全局效益进行逐层把控，得到遥感数据的最优监测效果，验证了所提方法的可靠性。

5 结论

为有效探究湿地演变过程，设计基于NDVI时间序列数据的湿地演变遥感动态监测方法。该方法监测精度高，速率快，可广泛适用于土地环境监测领域。但在建立监测指标时，没有考虑NDVI值较小状况，对监测精度存在一定影响，今后会对此缺陷进行深入研究。