農(nóng)牧交錯(cuò)帶濕地信息提取技術(shù)研究
——以多倫縣大倉(cāng)鄉(xiāng)為例

吳 見，彭道黎

(北京林業(yè)大學(xué)省部共建森林培育與保護(hù)教育部重點(diǎn)實(shí)驗(yàn)室，北京 100083)

農(nóng)牧交錯(cuò)帶濕地信息提取技術(shù)研究
——以多倫縣大倉(cāng)鄉(xiāng)為例

吳 見，彭道黎

(北京林業(yè)大學(xué)省部共建森林培育與保護(hù)教育部重點(diǎn)實(shí)驗(yàn)室，北京 100083)

農(nóng)牧交錯(cuò)地帶地類復(fù)雜，混合像元現(xiàn)象嚴(yán)重，濕地信息的自動(dòng)提取難度較大。針對(duì)該區(qū)濕地遙感信息提取的特點(diǎn)和難點(diǎn)，選取多倫縣大倉(cāng)鄉(xiāng)地區(qū)的TM遙感數(shù)據(jù)，先采用NDVI閾值提取出水體，并利用水體形狀特征(如面積s、周長(zhǎng)p、形狀指數(shù)k等)對(duì)水體類型進(jìn)行提取;再嘗試應(yīng)用線性光譜混合模型(LSMM)提取去除水體后的濕地信息，并以SPOT 5衛(wèi)星影像修正LSMM分解的草甸分量，進(jìn)一步提取高蓋度、中蓋度和低蓋度草甸信息。經(jīng)驗(yàn)證，用上述方法提取濕地信息的總體精度為85.3%，Kappa系數(shù)為0.79，與傳統(tǒng)的最大似然法提取結(jié)果相比，精度提高19.9%，Kappa系數(shù)提高0.22。該方法可為其他光譜特征混雜地區(qū)的濕地遙感信息提取提供參考。

濕地;光譜混合分析;遙感;植被覆蓋度

0 引言

濕地是介于陸生和水生生態(tài)系統(tǒng)之間的一種特殊的生態(tài)系統(tǒng)，在保持生態(tài)環(huán)境平衡、調(diào)節(jié)地表徑流、預(yù)防洪水等方面具有其他系統(tǒng)無法替代的作用［1］，因此濕地生態(tài)系統(tǒng)被稱為“自然之腎”［2］。近年來，由于自然和人為等因素，我國(guó)濕地遭受到不同程度的破壞，面積逐漸縮小。遙感技術(shù)為地表動(dòng)態(tài)變化研究提供了多光譜、多時(shí)相、多平臺(tái)和大范圍的實(shí)時(shí)信息。利用遙感技術(shù)進(jìn)行濕地監(jiān)測(cè)具有信息更新更快、人為干擾小、投資少等優(yōu)勢(shì)，因此，從衛(wèi)星遙感影像中自動(dòng)識(shí)別與提取濕地信息已成為濕地資源調(diào)查、宏觀監(jiān)測(cè)及保護(hù)的重要手段之一［3］。

農(nóng)牧交錯(cuò)地帶各種土地利用類型分布嚴(yán)重交叉［4］，導(dǎo)致遙感影像光譜特征嚴(yán)重混雜。目前，針對(duì)該區(qū)域的濕地遙感信息提取技術(shù)主要是目視解譯［5］，不僅效率低，而且受主觀因素影響嚴(yán)重。因此，積極探索計(jì)算機(jī)自動(dòng)提取技術(shù)是混合像元現(xiàn)象嚴(yán)重區(qū)域濕地研究的發(fā)展趨勢(shì)。

針對(duì)農(nóng)牧交錯(cuò)地帶濕地遙感信息提取的特點(diǎn)和難點(diǎn)，本文以內(nèi)蒙古多倫縣大倉(cāng)鄉(xiāng)為研究區(qū)，首先采用NDVI閾值提取水體，然后利用水體形狀特征(如面積s、周長(zhǎng)p、形狀指數(shù)k等)對(duì)水體類型進(jìn)行提取，并對(duì)提取結(jié)果進(jìn)行目視解譯修正;嘗試將線性光譜混合模型(Linear Spectral Mixture Model，LSMM)應(yīng)用于去除水體后的濕地信息提取，并以高分辨率衛(wèi)星影像修正LSMM分解的草甸分量，進(jìn)一步提取了高蓋度、中蓋度和低蓋度草甸信息。本文旨在探索快速提取農(nóng)牧交錯(cuò)地帶濕地遙感信息的新方法，同時(shí)為其他光譜特征混雜地區(qū)的濕地遙感信息提取提供參考。

1 研究區(qū)與數(shù)據(jù)概況

1.1 研究區(qū)概況

多倫縣位于內(nèi)蒙古錫林郭勒盟南部，屬低山丘陵間河谷盆地地貌，年平均氣溫在0.9～1.5℃之間，無霜期為100 d左右;年平均降水量為400 mm，年平均蒸發(fā)量為1 748 mm，屬中溫帶中緯度干旱半干旱高原大陸性氣候。該區(qū)地物類型復(fù)雜多樣，主要土壤類型為栗鈣土、風(fēng)沙土，也有灰褐土、黑鈣土和草甸土發(fā)育，土壤沙化程度高，部分土壤出現(xiàn)鹽漬化，且各土地利用類型交叉分布嚴(yán)重。主要植被類型為中溫帶型草原植被，另外還分布著沙地植被等。地物光譜特征嚴(yán)重混雜，是典型的農(nóng)牧交錯(cuò)地帶。

大倉(cāng)鄉(xiāng)位于多倫縣的中部，近年來受人類活動(dòng)的影響，生態(tài)環(huán)境遭受破壞較嚴(yán)重，沙地不斷擴(kuò)張，濕地出現(xiàn)了不同程度的退化，部分原來草豐水美、林繁木茂的地段在逐年衰敗，水土流失、水源減少現(xiàn)象頻頻發(fā)生。

1.2 數(shù)據(jù)選擇及預(yù)處理

研究選取了覆蓋多倫縣大倉(cāng)鄉(xiāng)地區(qū)的TM和SPOT 5衛(wèi)星影像數(shù)據(jù)(表1)。

表1 衛(wèi)星影像數(shù)據(jù)及成像參數(shù)Tab.1 Satellite image data and some imaging parameters

運(yùn)用經(jīng)驗(yàn)線性法對(duì)TM影像進(jìn)行大氣校正，應(yīng)用FLAASH軟件對(duì)SPOT 5影像進(jìn)行大氣校正;利用1∶5萬地形圖對(duì)SPOT 5影像進(jìn)行幾何糾正，糾正后影像的均方根誤差為0.3個(gè)像元，滿足精度要求;并對(duì)糾正好的SPOT 5影像與TM影像進(jìn)行了幾何配準(zhǔn)。

本文以TM(TM 6除外)6個(gè)波段和SPOT 5的band2(紅)和band3(近紅外)波段為研究數(shù)據(jù)。研究中用LSMM模型對(duì)TM影像進(jìn)行分解，以獲得去除水體后的各濕地類型;用SPOT 5影像修正由TM影像分解得到的草甸分量。

2 LSMM模型的改進(jìn)

LSMM模型能較好地解決混合像元問題，是一種比較成熟的線性光譜混合分解方法［6，7］。全受限的LSMM公式為

式中，ρi，j，k為第 i行、第 j列像元在 k 波段的反射率;Fi，j，m為基本組分 m 在第 i行、第 j列像元中所占的分量值;ρm，k為基本組分m在k波段的反射率值;ei，j，k為 k 波段的第 i行、第 j列像元誤差。

選取了適當(dāng)?shù)幕窘M分類型后，如何確定其光譜特征是光譜混合分解精度高低的決定性因素［8］。前人的大量實(shí)驗(yàn)表明，選取光譜特征的方法不同，會(huì)導(dǎo)致光譜混合分解的結(jié)果差異很大［6，9］。在LSMM應(yīng)用中存在一個(gè)重要的問題，即采用30 m分辨率的TM影像時(shí)，受研究區(qū)域的限制，在我國(guó)干旱地區(qū)幾乎找不到30 m×30 m的“純”植被覆蓋像元，其他地物類型的“純”覆蓋像元卻較容易找到。因此，對(duì)LSMM進(jìn)行了如下改進(jìn)。

將式(1)變換得到

假設(shè) ρp，k為植被基本組分的光譜特征，分母 ρp，k本應(yīng)該是純凈植被像元的光譜，但由于在研究區(qū)內(nèi)找不到“純”植被基本組分，因此 ρp，k為以植被為主的混合基本組分的光譜特征;Fi，j，p是以 ρp，k為基本組分的植被蓋度。根據(jù)像元二分模型的原理，即

式中，fc為植被蓋度;ρ為各像元觀測(cè)到的信息;ρv為全植被覆蓋的“純”像元所貢獻(xiàn)的信息;ρs為全裸土覆蓋的“純”像元所貢獻(xiàn)的信息;NDVI為影像中各像元的NDVI值;NDVIsoil為全裸土覆蓋像元的NDVI值;NDVIveg為全植被覆蓋像元的NDVI值。

通過衛(wèi)星傳感器所觀測(cè)到的信息ρp，k可表達(dá)為

式中，fc'為混合基本組分ρp，k對(duì)應(yīng)的實(shí)際植被蓋度。

將式(6)帶入式(4)得

如果存在全植被覆蓋的基本組分ρv，則

fi，j，p是以 ρv為基本組分的植被蓋度，由式(5)、

式(7)和式(8)可得

3 濕地信息提取

3.1 濕地分類系統(tǒng)

濕地調(diào)查的一部分很重要的工作是制定適合于研究區(qū)的濕地分類系統(tǒng)［10］。目前國(guó)內(nèi)外的濕地分類體系不統(tǒng)一，本文依據(jù)《濕地公約》中的分類系統(tǒng)并結(jié)合多倫縣大倉(cāng)鄉(xiāng)的具體情況，建立了多倫縣大倉(cāng)鄉(xiāng)濕地分類系統(tǒng)(表2)。

表2 多倫縣大倉(cāng)鄉(xiāng)濕地分類系統(tǒng)Tab.2 Wetland classification system for Da Cangxiang in Duolun county

3.2 濕地信息提取方法

為分析地物光譜特性，本文采集了衛(wèi)星影像包含的所有濕地類型的各波段光譜值，并對(duì)其均值做統(tǒng)計(jì)。經(jīng)分析可知，只有水體的第4波段光譜值明顯低于第3波段，其他濕地類型的第4、3波段光譜值變化并不劇烈，因此通過計(jì)算NDVI值可提取出水體;但河流、湖泊和庫(kù)塘不能從光譜上區(qū)分。本文利用水體形狀特征(如面積s、周長(zhǎng)p、形狀指數(shù)k(k=s/p)等)對(duì)水體類型進(jìn)行區(qū)分，并采用目視解譯的方法對(duì)水體類型區(qū)分的錯(cuò)誤進(jìn)行修正。對(duì)兩種衛(wèi)星影像分別進(jìn)行植被指數(shù)變換，經(jīng)統(tǒng)計(jì)分析得到兩種影像 NDVI的最大值(NDVIveg)和最小值(NDVIsoil)(表3)。

表3 NDVI最大和最小值Tab.3 Maximum and minimum values of NDVI

采用LSMM對(duì)河灘、鹽沼、草甸和水田進(jìn)行提取。在進(jìn)行LSMM分析時(shí)，本文在TM影像上直接提取了基本組分，并對(duì)原始TM影像進(jìn)行了噪聲白化變換(MNF)以消除波段間的高度相關(guān)性，使基本組分的選取更容易進(jìn)行。另外，通過掩模運(yùn)算去除了研究區(qū)內(nèi)的水體，使選取的基本組分有更好的代表性。通過現(xiàn)場(chǎng)調(diào)查、結(jié)合影像分析了解到，在去除水體后經(jīng)MNF變換的前2個(gè)分量的特征空間中，4個(gè)頂角分別代表河灘、鹽沼、草甸和水田，這4者正好就是除水體外的研究區(qū)內(nèi)的主要濕地類型。

本文采用最小包含特征空間法［7］確定基本組分光譜，即在去除水體后MNF變換的前2個(gè)分量組成的二維特征空間中，選取4個(gè)頂角處的約100個(gè)像元的平均反射率作為基本組分的光譜特征(圖1)。

圖1 基本組分光譜特征Fig.1 Endmember spectra characters

基本組分及其光譜特征確定以后，采用LSMM對(duì)原始TM影像進(jìn)行分解，得到河灘、鹽沼、草甸和水田的4個(gè)分量圖。經(jīng)統(tǒng)計(jì)，均方根誤差平均值為0.012，方差平均值為 0.005，這表明混合像元分解是比較成功的。在分量圖像上，像元亮度越高表明地物類型在該像元所占比例越大。選取大量像元進(jìn)行統(tǒng)計(jì)分析，確定了河灘、鹽沼、草甸和水田的提取閾值(河灘分量值 ＞0.67，草甸分量值 ＞0.24，水田分量值 ＞0.63，鹽沼分量值 ＞0.37)。

實(shí)地調(diào)查發(fā)現(xiàn)，草甸的植被類型多樣且蓋度變化幅度很大，可再細(xì)分為高蓋度、中蓋度和低蓋度3種類型。決定濕地提取精度的關(guān)鍵是植被蓋度信息的獲取。

采用改進(jìn)的LSMM提取植被蓋度信息。首先，在由SPOT 5影像轉(zhuǎn)換的NDVI圖上找出草甸基本組分 ρp，k對(duì)應(yīng)的 NDVIveg=0.72，NDVIsoil= － 0.09;并在SPOT 5影像轉(zhuǎn)換的植被覆蓋度圖上找出基本組分ρp，k對(duì)應(yīng)的像元平均植被蓋度f'c=0.837;再利用式(9)對(duì)TM影像分解的草甸分量進(jìn)行修正。根據(jù)前人研究結(jié)果及影像特征，在修正后的草甸分量圖上將草甸劃分成高蓋度(0.6～1.0)、中蓋度(0.3～0.6)和低蓋度(0.1 ～0.3)3 種類型。各類型濕地的提取流程見圖2。

圖2 濕地提取流程Fig.2 Flue chat of wetland extraction

4 精度評(píng)價(jià)

為驗(yàn)證濕地信息提取的準(zhǔn)確性，本文借助同期野外GPS實(shí)測(cè)濕地?cái)?shù)據(jù)，在每種濕地類型中隨機(jī)選取了60個(gè)樣點(diǎn)進(jìn)行驗(yàn)證，利用誤差分析矩陣方法對(duì)識(shí)別結(jié)果進(jìn)行了精度評(píng)價(jià)，并與最大似然法提取精度進(jìn)行了比較(表4)。

表4 濕地信息提取精度Tab.4 Accuracy of wetland extraction

用本文方法提取各濕地類型的精度均達(dá)到80%以上，其中水體達(dá)90%;總體精度為85.3%，Kappa系數(shù)為0.79。水體與河灘之間的誤分較多，這是因?yàn)椴糠譁\水區(qū)的水體與河灘的界定標(biāo)準(zhǔn)很難確定;加之遙感影像獲取時(shí)該區(qū)水田作物還沒有長(zhǎng)出，水田與鹽沼相對(duì)較易誤分;草甸的植被種類復(fù)雜，蓋度變化幅度大，部分中、低蓋度草甸被誤分為水田、鹽沼和河灘，高蓋度草甸被誤分的現(xiàn)象相對(duì)較少。

采用最大似然法提取的總體精度為65.4%，比本文方法低19.9%;Kappa系數(shù)為0.57，較本文方法低0.22。總體來說，用本文方法提取濕地的精度相對(duì)較高，可滿足實(shí)際需求。

5 結(jié)論

(1)農(nóng)牧交錯(cuò)地帶地類復(fù)雜，混合像元現(xiàn)象嚴(yán)重，濕地信息的自動(dòng)提取難度較大。本文將線性光譜混合分解模型(LSMM)應(yīng)用于去除水體后的濕地信息提取;并以SPOT 5衛(wèi)星影像修正LSMM分解的草甸分量，在提供更“純”的植被光譜信息的同時(shí)，降低了對(duì)土壤背景的敏感度，進(jìn)一步提取了高蓋度、中蓋度和低蓋度草甸信息。與傳統(tǒng)的最大似然法相比，用本文方法提取濕地的精度有較大提高。

(2)基于LSMM提取的植被分量略高于實(shí)際植被覆蓋度，這與前人的研究結(jié)果一致。利用高分辨率遙感影像對(duì)LSMM分解的植被分量進(jìn)行修正后，其結(jié)果更接近真實(shí)值?？傮w來說，LSMM模型簡(jiǎn)單實(shí)用，也不要求對(duì)研究區(qū)有太多的了解，在今后宏觀監(jiān)測(cè)干旱半干旱地區(qū)濕地的應(yīng)用中有一定的實(shí)用價(jià)值。

［1］ 何春光，崔麗娟，石川忠晴，等.洪泛區(qū)濕地水面積遙感監(jiān)測(cè)新方法研究——以向海自然保護(hù)區(qū)為例［J］.東北師大學(xué)報(bào):自然科學(xué)版，2006，38(1):108 －113.

［2］ 賈永紅，李芳芳.一種新的濕地信息遙感提取方法研究［J］.華中師范大學(xué)學(xué)報(bào):自然科學(xué)版，2007，41(4):641－644.

［3］ 張樹清，陳 春，萬恩璞.三江平原濕地遙感分類模式研究［J］.遙感技術(shù)與應(yīng)用，1999，14(1):54 －58.

［4］ 劉佳慧，張 韜，王 煒，等.內(nèi)蒙古濕地的定義探討［J］.內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版，2005，26(2):121－124.

［5］ 王建強(qiáng)，吳連喜，張巖巖.基于3S技術(shù)濕地遙感信息分類方法的研究［J］.水利科技與經(jīng)濟(jì)，2006，12(10):718 －720.

［6］ 李曉松，李增元，吳 波，等.基于光譜混合分析的毛烏素沙地油蒿群落覆蓋度提?。跩］.遙感學(xué)報(bào)，2007，11(6):923 －930.

［7］ 吳 見，彭道黎.多倫縣土地利用動(dòng)態(tài)遙感監(jiān)測(cè)［J］.國(guó)土資源遙感，2010(3):86－91.

［8］ 保家有，李曉松，吳 波.基于沙地植被指數(shù)的荒漠化評(píng)價(jià)方法［J］.東北林業(yè)大學(xué)學(xué)報(bào)，2008，36(1):69 －72.

［9］ Collado A D，Chuvieco E，Camarasa A.Satellite Remote Sensing Analysis to Monitor Desertification Processes in the Crop－rangeland Boundary of Argentina［J］.Journal of Arid Environments，2002，52(1):121 －133.

［10］唐小平，黃桂林.中國(guó)濕地分類系統(tǒng)的研究［J］.林業(yè)科學(xué)研究，2003，16(5):531 －539.

Technology of Wetland Information Extraction in Farming－pastoral Areas:A Case Study of Dacangxiang in Duolun County

WU Jian，PENG Dao－li
(The Key Laboratory for Silviculture and Conservation of Ministry of Education，Beijing Forestry University，Beijing 100083，China)

In the farming－pastoral area，the land types are complex and the mixed pixel phenomenon is serious，so the automatic extraction of wetland information is difficult.In view of the characteristics and difficulties of wetland remote sensing information extraction in these regions，the authors selected the TM remote sensing data covering Dacangxiang area in Duolun County to study a new method of wetland automatic extraction.Firstly，the NDVI threshold method was used to extract water body and then water types were extracted using water body shape features such as area(s)，perimeter(p)and shape index(k).Afterwards，the linear spectral mixture model(LSMM)was chosen to extract wetland information after water removal.Finally，the meadow component which was decomposed by LSMM was amended by SPOT－5 satellite image to further extract high coverage，medium coverage and low coverage meadow.The results show that the overall accuracy of the wetland information extraction is 85.3%，and the Kappa coefficient is 0.79.Compared with the results of the traditional maximum likelihood method，the overall accuracy is improved by 19.9%and the Kappa coefficient is improved by 0.22.This method can provide a reference of remote sensing information extraction of wetland for other regions with mixed spectral characteristics.

Wetland;Spectral mixture analysis;Remote sensing;Vegetation coverage

TP 751.1

A

1001－070X(2011)03－0130－05

2010－10－27;

2010－12－06

北京林業(yè)大學(xué)研究生科技創(chuàng)新專項(xiàng)計(jì)劃項(xiàng)目(編號(hào):BLYJ201103)和“十一五”國(guó)家科技支撐計(jì)劃“國(guó)家重點(diǎn)林業(yè)工程監(jiān)測(cè)技術(shù)研究”項(xiàng)目(編號(hào):2006BAD23B05)共同資助。

吳 見(1985－)，男，博士研究生，主要研究方向?yàn)樯直O(jiān)測(cè)評(píng)價(jià)。

彭道黎，教授，博士生導(dǎo)師，主要從事森林環(huán)境監(jiān)測(cè)與評(píng)價(jià)研究。E－mail:dlpeng@bjfu.edu.cn。

(責(zé)任編輯:劉心季)