鄱陽(yáng)湖流域植被覆蓋與水域面積遙感監(jiān)測(cè)方法研究

彭彥霖，吳風(fēng)華

(華北理工大學(xué) 礦業(yè)工程學(xué)院，河北 唐山 063210)

引言

衡量地表植被最重要的指標(biāo)之一是植被覆蓋度，它被用作土壤侵蝕監(jiān)測(cè)和分布式水文模型的重要輸入?yún)?shù)[1]。陳晉等認(rèn)為利用遙感數(shù)據(jù)估計(jì)植被覆蓋的主要方法有2種：經(jīng)驗(yàn)建模方法和植被指數(shù)轉(zhuǎn)換方法。經(jīng)驗(yàn)?zāi)Ｐ头ɑ诖罅康臏y(cè)量數(shù)據(jù)，在小范圍內(nèi)具有一定的精度，但在推廣應(yīng)用上存在諸多局限性[2]。2004年李苗苗等人在對(duì)像元二分模型2個(gè)重要參數(shù)推導(dǎo)的基礎(chǔ)上改進(jìn)了已有模型的參數(shù)估算方法，建立了用 NDVI歸一化植被指數(shù)定量估算植被覆蓋度的模型[3]。劉海等使用歸一化植被指數(shù)NDVI對(duì)鄱陽(yáng)湖植被生長(zhǎng)覆蓋信息進(jìn)行提取，利用像元二分法計(jì)算植被覆蓋度[4]。

國(guó)際上，Rahmat Zarkami等利用決策樹模型對(duì)伊朗多個(gè)高鹽濕地進(jìn)行了豐度預(yù)測(cè)；Choudhury與 Gillies等通過植被指數(shù)法估算美國(guó)西北部針葉林的植被覆蓋度得出99%置信度下相關(guān)性為0.55；Leprieur等利用NDVI和像元二分模型推算了Sahelian地區(qū)SPOT衛(wèi)星影像的植被覆蓋度；Hansen等基于MODIS影像，利用決策樹法和線性回歸模型的相互結(jié)合推算了森林喬木層覆蓋度，得出基于分類決策樹估算的覆蓋度效果更好、精度更高。

1關(guān)鍵技術(shù)描述

1.1 水體指數(shù)法

水體指數(shù)法通過分析水體的光譜特征，與其他地物特征進(jìn)行分析對(duì)比，發(fā)現(xiàn)并找出水體與這些地面特征之間的差異和變化特征，然后生成針對(duì)提取水體的水體指數(shù)模型。學(xué)者M(jìn)cfeeters創(chuàng)建了歸一化差異水體指數(shù)(NDWI)，通過將綠光波段和近紅外波段做比值運(yùn)算可以在很大程度上減少植被信息，進(jìn)而達(dá)到突出水體信息的目的。其表達(dá)式為：

(1)

在Mcfeeters歸一化差異水體指數(shù)的基礎(chǔ)上，重新組合并修改了該指數(shù)的幾個(gè)波段[5]，并對(duì)不同類型的水體數(shù)據(jù)進(jìn)行處理，大都取得良好的結(jié)果，其公式為：

(2)

Gudina.Feyisa構(gòu)建了自動(dòng)水提取指數(shù)AWEI，將TM數(shù)據(jù)的各波段重新分配權(quán)重，然后進(jìn)行運(yùn)算，其精度比MNDWI與最大似然分類方法更高[6]公式為：

AWEI=4(b2-b5)-(0.25b4+2.75b7)

(3)

式中，b2、b4、b5、b7分別表示綠色、近紅外、短波紅外1、短波紅外2波段，表示影像波段反射值，此算法可以抑制植被、建筑物信息，減少噪音，使得水體和非水體的反射率值差異明顯，可以有效地提取水體。

1.2 歸一化植被指數(shù)NDVI

歸一化植被指數(shù)(NDVI)是一種重要的植被指數(shù)，其取值范圍是[-1,1] ，可以代表植被的覆蓋情況，數(shù)值越大，植被情況越好，一般綠色植被的NDVI區(qū)間為[-0.2,0.8]。

(4)

1.3 植被覆蓋度計(jì)算

現(xiàn)階段最為常用的通過遙感手段研究植被覆蓋的方法就是通過植被指數(shù)來(lái)估算植被覆蓋度。其中，多種植被指數(shù)中歸一化植被指數(shù)NDVI最為實(shí)用且效果最好。李苗苗等在像元二分模型的基礎(chǔ)上研究的模型如下：

(5)

式中，NDVISoil為完全是裸土或無(wú)植被覆蓋區(qū)域的NDVI值，NDVIVeg則代表完全被植被所覆蓋像元的NDVI值，即純植被像元的NDVI值。

1.4 決策樹法提取植被覆蓋

分類決策樹模型是一種對(duì)實(shí)例進(jìn)行分類的樹形結(jié)構(gòu)，決策樹由節(jié)點(diǎn)和有向邊組成。節(jié)點(diǎn)有2種類型：內(nèi)部節(jié)點(diǎn)和葉節(jié)點(diǎn)。內(nèi)部節(jié)點(diǎn)表示一個(gè)特征或?qū)傩?，葉節(jié)點(diǎn)表示一個(gè)類。用決策樹分類，從根節(jié)點(diǎn)開始，對(duì)實(shí)例的某一特征進(jìn)行測(cè)試，根據(jù)測(cè)試結(jié)果，將實(shí)例分配到其子節(jié)點(diǎn)；每一個(gè)子節(jié)點(diǎn)對(duì)應(yīng)著該特征的一個(gè)值。按此方式遞歸地對(duì)實(shí)例進(jìn)行測(cè)試并分配，直到達(dá)到葉節(jié)點(diǎn)。最后將實(shí)例分到葉節(jié)點(diǎn)的類中。生成與訓(xùn)練數(shù)據(jù)集矛盾較小的決策樹，同時(shí)具有很好的泛化能力[7]。在規(guī)則的獲取和決策樹的建立中，根據(jù)經(jīng)驗(yàn)和專家知識(shí)可以第一步得到適用于湖區(qū)濕地的決策樹分類規(guī)則，隨后設(shè)置節(jié)點(diǎn)的名稱、表達(dá)式以及子集。如果所選影像數(shù)據(jù)具有波長(zhǎng)信息，ENVI就能夠完成自動(dòng)匹配計(jì)算NDVI所需要用到的近紅外和紅光波段。如果沒有就需要進(jìn)行手動(dòng)指定波段。

2研究案例

1.1 研究區(qū)概況

地處江西省北部的鄱陽(yáng)湖是我國(guó)面積最大的淡水湖泊，位于北緯28°22'～29°45'，東115°47'～116°45'，信江、修水、贛江、撫河和饒河等水系在鄱陽(yáng)湖整合匯聚后進(jìn)入長(zhǎng)江創(chuàng)造了以鄱陽(yáng)湖為中心的完整生態(tài)、水文系統(tǒng)。如圖1所示為鄱陽(yáng)話矢量邊界圖。

圖1 鄱陽(yáng)湖矢量邊界圖

2.2 數(shù)據(jù)來(lái)源

采用來(lái)自Landsat8、Lansat7以及高分一號(hào)衛(wèi)星的5期影像。選取鄱陽(yáng)湖2020年8月21日豐水期、2019年1月23日枯水期的兩景影像；GF-1 WFV 相機(jī)可以獲取 16 m多光譜彩色圖像(藍(lán)、綠、紅、近紅外4個(gè)波段)。研究采用高分一號(hào)衛(wèi)星2020年06月16日影像。數(shù)據(jù)來(lái)源于地理空間數(shù)據(jù)云，如表1所示。

表1 影像數(shù)據(jù)信息

2.3 數(shù)據(jù)處理

所有通過遙感系統(tǒng)得到的原始影像都經(jīng)過了投影變換，這個(gè)過程一定會(huì)產(chǎn)生不同程度的幾何形變。因此，需要進(jìn)行數(shù)據(jù)預(yù)處理，對(duì)影像數(shù)據(jù)進(jìn)行預(yù)處理的內(nèi)容主要有：Landsat7影像的條帶修復(fù)工作、輻射定標(biāo)、大氣校正、投影轉(zhuǎn)換。處理流程如圖2所示。

圖2 數(shù)據(jù)處理流程

3鄱陽(yáng)湖水域面積提取

3.1 水體指數(shù)法

水體指數(shù)法通過分析水體的光譜特征，與其他地物特征進(jìn)行分析對(duì)比，發(fā)現(xiàn)并找出水體與這些地面特征之間的差異和變化特征，然后生成針對(duì)提取水體的水體指數(shù)模型。水體指數(shù)處理結(jié)果如圖3、圖4所示，其中各圖比例尺均與圖3(a)一致。

圖3 不同模型處理結(jié)果

圖4 不同模型處理結(jié)果

3.2 NDVI提取水體

在提取水體信息、水域面積等多種方法中，歸一化植被指數(shù)是較為常見的一種方法。鄱陽(yáng)湖區(qū)經(jīng)過NDVI計(jì)算后，新建感興趣區(qū)選取合適的閾值來(lái)進(jìn)行水陸分離。首先將閾值設(shè)置為0，提取-1～0范圍內(nèi)的像元，NDVI<0時(shí)提取的像元就是水體。據(jù)此可以提取出大部分的湖區(qū)、河流等面積較大的水體。但對(duì)于湖區(qū)邊界水陸交接處、泥沙含量較多的水體、面積較小的坑洼和細(xì)小河道的提取效果不盡如人意。當(dāng)閾值為0.150時(shí)，可以最為準(zhǔn)確地將水體和非水體區(qū)別開，提取水體的效果最佳。提取結(jié)果如圖5所示。

圖5 GF-6NDVI提取水體

3.3 水域面積計(jì)算

由新建的感興趣區(qū)裁剪得到水體指數(shù)計(jì)算后的影像，進(jìn)一步得到水體像元。計(jì)算出水體像元的數(shù)量，進(jìn)而根據(jù)每個(gè)像元的面積計(jì)算得到水域覆蓋的總體面積。通過歸一化差異水體指數(shù)模型 NDWI 計(jì)算得到表2所示面積。

表2 NDWI模型計(jì)算面積結(jié)果

在確定水體閾值時(shí)，經(jīng)過反復(fù)測(cè)試，并通過對(duì)比原始影像，最終 L8-1、L8-8、L7-7 三期圖像數(shù)據(jù)的水體閾值確定為0.05，其效果均比較準(zhǔn)確合理。L7-2確定閾值為-0.1 時(shí)丟失水體信息較少，效果較好。通過歸一化差異水體指數(shù)的改進(jìn)模型 MNDWI 計(jì)算得出的面積如表3所示。

表3 MNDWI模型計(jì)算面積結(jié)果

MNDWI 模型中，數(shù)據(jù) L7-2 水體閾值的確定也和其他數(shù)據(jù)稍有不同。其他三期數(shù)據(jù)取值為 0.15，L7-2 閾值取為 0.05。通過自動(dòng)水提取指數(shù) AWEI 計(jì)算得出的面積如表4所示。

表4 AWEI模型計(jì)算面積結(jié)果

通過 AWEI 模型計(jì)算后，數(shù)值均比較大。除L8-8的三期影像水體像元的值均為數(shù)值較大的正數(shù)，其他像元均為負(fù)數(shù)，數(shù)值上的區(qū)別非常明顯。當(dāng)圖像閾值取值數(shù)據(jù)相同時(shí)，圖像 L8-8水體信息明顯丟失較多。最后，經(jīng)過對(duì)比調(diào)整確定為-650時(shí)效果最好，能夠較為全面地涵蓋水體像元。

3.4 水體提取結(jié)果分析

根據(jù)圖5不同模型的效果圖對(duì)比可知，NDWI模型漏提水體最多，其中較小的坑洼、較為細(xì)窄的河道被忽略較多，提取到的水體信息最少，其余2個(gè)水體指數(shù)模型效果較好。MNDWI和AWEI模型精度很高，水陸分離效果明顯，漏提信息較少，且二者都在很大程度上抑制了其他地物的影響。如圖6所示為不同模型提取結(jié)果細(xì)節(jié)對(duì)比，圖7為五期圖像數(shù)據(jù)、水域覆蓋專題圖通過前面的數(shù)據(jù)處理以及對(duì)比分析可以知道，該項(xiàng)試驗(yàn)中 L8-1、L8-8、L7-2、L7-7四期影像數(shù)據(jù)使用自動(dòng)提取水體指數(shù) AWEI模型處理的結(jié)果最為準(zhǔn)確；GF-6數(shù)據(jù)通過歸一化植被指數(shù) NDVI進(jìn)行水域面積提取，在經(jīng)過 ArcMap中重分類等操作后進(jìn)行專題制圖。根據(jù)以上分析可知，通過自動(dòng)水提取指數(shù) AWEI 對(duì)水體面積信息提取效果最好，故以 AWEI 模型處理結(jié)果為準(zhǔn)進(jìn)行分析，其分析結(jié)果如表5所示。

圖6 不同模型提取結(jié)果細(xì)節(jié)對(duì)比

圖7 鄱陽(yáng)湖不同時(shí)期水域覆蓋專題圖

表5 水體面積提取結(jié)果

4鄱陽(yáng)湖植被覆蓋信息提取

4.1 利用歸一化植被指數(shù)提取植被覆蓋度

歸一化植被指數(shù)(NDVI)可有效削弱大氣反射等不利影響，增強(qiáng)遙感影像中的植被影響力,精確反應(yīng)植被信息是當(dāng)前最常用的指標(biāo)之一，利用其調(diào)查植被生長(zhǎng)狀態(tài)、植被覆蓋度等植被相關(guān)信息時(shí)都能取得不錯(cuò)效果。因此，利用歸一化植被指數(shù)公式進(jìn)行計(jì)算，NDVI取值范圍在-1～+1之間，其計(jì)算結(jié)果如圖8所示。

圖8 NDVI計(jì)算結(jié)果

然后計(jì)算植被覆蓋度，根據(jù)植被覆蓋度計(jì)算模型可知NDVISoil為完全裸土或無(wú)植被覆蓋區(qū)域的NDVI值，NDVIveg則代表完全被植被所覆蓋的像元的NDVI值。根據(jù)數(shù)學(xué)統(tǒng)計(jì)原理，選取一般符合正態(tài)分布規(guī)律下的置信區(qū)間的顯著性水平α取0.05，所以置信區(qū)間取為5%～95%。所以選取計(jì)算完NDVI值，置信區(qū)間為95%左右的最大值NDVImax為NDVIveg，取置信區(qū)間為5%左右的最小值NDVImin為NDVIsoil。利用ENVI中的Band Math工具計(jì)算，得出圖像數(shù)據(jù)NDVI置信區(qū)間取值范圍如表6所示，其中L7-7圖像由于鄱陽(yáng)湖正處在洪水期間，水位大幅上漲水域覆蓋極廣，影像比較特殊，所以置信區(qū)間取值比較極端。

表6 NDVI 置信區(qū)間取值范圍

圖9所示為L(zhǎng)8-1的植被覆蓋度示例。其屬性值在[0，1]之間，調(diào)整其注記顏色。圖9為一月份枯水期影像所以水體較少大部分是裸地和有植被覆蓋的土地，其中顏色越深代表其植被覆蓋度越高，相反顯色淺接近白色就是水體。豐水期影像，其湖區(qū)水域幾乎覆蓋全部邊界，僅僅有靠近邊界部分，水陸交界處有極少植被覆蓋。

圖9 L8-1植被覆蓋度

4.2 決策樹法提取植被覆蓋

決策樹法的重點(diǎn)在于分類規(guī)則的制定或獲取，進(jìn)行決策樹分類大致過程包含：根據(jù)知識(shí)經(jīng)驗(yàn)定義規(guī)則，編寫表達(dá)式，分類和分類后處理。在進(jìn)行分類規(guī)則公式化時(shí)，表達(dá)式中的數(shù)學(xué)符號(hào)、特定函數(shù)和語(yǔ)法規(guī)則必須符合ENVIIDL的規(guī)范。第一步進(jìn)行規(guī)則的獲取和決策樹的建立，第二步提取植被覆蓋度，根據(jù)經(jīng)驗(yàn)和專家知識(shí)構(gòu)建的決策樹，分類結(jié)果的地物數(shù)僅包含5類：裸地、水體和根據(jù)NDVI值大小分出3類植被。分類結(jié)果如圖10所示。

圖10 決策樹提取植被覆蓋

4.3 2種提取植被覆蓋方法對(duì)比分析

圖11所示為歸一化植被指數(shù)計(jì)算植被覆蓋度FVC，圖12所示為決策樹分類提取植被覆蓋度?？傮w來(lái)說(shuō)，基于歸一化植被指數(shù)計(jì)算的植被覆蓋度，輸出成果比較方便，可以根據(jù)需求調(diào)整分類等級(jí)梯度和不同的注記顏色，成圖更加美觀。另外，由于基于知識(shí)、專家經(jīng)驗(yàn)的決策樹植被覆蓋提取受到分類規(guī)則獲取、分類層次較少等因素的限制，實(shí)際應(yīng)用中基于歸一化植被指數(shù)計(jì)算的植被覆蓋度效果更好。

圖11 決策樹提取植被覆蓋 圖12 植被指數(shù)計(jì)算植被覆蓋

5結(jié)論

(1)將水體信息提取的3種方法：歸一化差異水體指數(shù)模型及其改進(jìn)的模型、自動(dòng)水體提取指數(shù)法模型進(jìn)行比對(duì)，通過細(xì)節(jié)的精度驗(yàn)證，得出自動(dòng)水提取指數(shù)法模型對(duì)水體信息的提取精度最高，結(jié)果最為準(zhǔn)確。

(2)在植被覆蓋信息提取中對(duì)比了根據(jù)植被指數(shù)估算植被覆蓋度，并依據(jù)專家經(jīng)驗(yàn)、知識(shí)的決策樹分別對(duì)植被覆蓋信息進(jìn)行提取。通過比較兩者的提取效果，得出在實(shí)際應(yīng)用中根據(jù)植被指數(shù)估算植被覆蓋度更加方便實(shí)用。