一種基于ALI數(shù)據(jù)的高原濕地提取方法

王羲程，曹廣超，張 偉，李育蕾，王黎瀟

1.青海師范大學(xué)青藏高原資源與環(huán)境教育部重點(diǎn)實(shí)驗(yàn)室，青海西寧 810000

2.巴中市巴州區(qū)第六中學(xué)，四川巴中 636000

青藏高原既是高原生物多樣性維持基地， 世界山地生物物種一個(gè)重要的起源和分化中心，也是世界級旅游觀光的目標(biāo)地、世界文化整體性的一個(gè)重要組成部分。作為諸多江河源頭的青藏高原是我國重要的濕地分布區(qū)，該區(qū)濕地面積為13.3萬km2，且多為高寒沼澤、高寒沼澤化草甸和高寒湖泊。

地球觀測衛(wèi)星-1（EO-1）是NASA新千年計(jì)劃（NMP）的第一顆對地觀測衛(wèi)星，也是為接替Landsat 7 而研制的新型地球觀測衛(wèi)星，目的是對衛(wèi)星本體和新型遙感器技術(shù)進(jìn)行驗(yàn)證。EO-1上搭載了3 種傳感器，其中ALI是針對Landsat TM和ETM的替代數(shù)據(jù)。它的技術(shù)性能和指標(biāo)與Landsat 7的ETM+保持了連貫性，并在光譜分辨率和數(shù)據(jù)質(zhì)量上有了很大提高。波段共10個(gè)波段，覆蓋可見光、近紅外、短波紅外和熱紅外，波長范圍和空間分辨率都與ETM+完全相同。對該數(shù)據(jù)的研究可在一定程度上對以后遙感數(shù)據(jù)的提取提供方法借鑒。

1 研究區(qū)概況

研究區(qū)位于青海湖北部地區(qū)。地理坐標(biāo)處在東經(jīng)100°3′～100°31′，北緯37°23′～37°4′之間，東西端直線距離約41.87km，南北端直線距離約35.56km。該地區(qū)覆蓋多種土地利用/土地覆被類型，包含林地、草地、旱地、裸地、湖泊、河渠等。部分用地的地塊比較小，空間分布復(fù)雜。

2 研究數(shù)據(jù)來源及方法

2.1 數(shù)據(jù)來源

圖1 解譯區(qū)彩色影像合成圖（5、4、3 波段）

圖2 TM纓帽變換圖

本文利用2003年的9月的EO-1衛(wèi)星133-034 軌道覆蓋的ALI遙感影像數(shù)據(jù)。DEM數(shù)據(jù)是NASA的新一代對地觀測衛(wèi)星TERRA的詳盡觀測結(jié)果制作完成的地球電子地形數(shù)據(jù)ASTER GDEM。

2.2 研究方法

利用遙感信息提取水體信息的方法一般可分為單波段法和多波段法。單波段法主要選取遙感影像中的近紅外波段并輔于閾值來提取水體[1]。這種方法利用了水體在近紅外波長處的強(qiáng)吸收性以及植被和干土壤在此波長范圍內(nèi)的強(qiáng)反射性特點(diǎn)。但是單波段法很難去除水體中雜有的陰影。多波段法則主要利用多波段的優(yōu)勢綜合提取水體信息，并可分為比值法和譜間分析法。譜間分析法國內(nèi)學(xué)者采用較多[2,3]。它通過分析水體與背景地物的波譜曲線特征，找出它們之間的變化規(guī)律,進(jìn)而用邏輯判別表達(dá)式將水體提取出來。這種方法通常比較復(fù)雜[4]。

2.2.1 T-C變換

纓帽變換又稱坎斯一托馬斯變換（Kanth-Thomilstrans form）。這種變換是一種線性組合變換，其變換公式為：

其中X變換前多光譜空間的像元矢量；Y為變換后新坐標(biāo)空間的像元矢量；B為變換矩陣。[6]由于T-C變換矩陣本是對MSS傳感器而設(shè)計(jì)，本文經(jīng)過試驗(yàn)發(fā)現(xiàn)針對landsat7的ETM+傳感器的改進(jìn)T-C變換矩陣對EO-1的ALI數(shù)據(jù)也有較好的變換分析結(jié)果，所以本為采用ETM+的TC變換矩陣，矩陣如下：

變換后前三個(gè)分量分別定名“亮度”、“綠度”和“濕度”,它們分別反映了土壤巖石、植被及土壤和植被中的水分信息。由于濕地同時(shí)具有土壤和水體的信息，T-C變換影像的第三分量在濕地信息提取上就有重要的價(jià)值。

2.2.2 決策樹分類方法

決策樹分類是指根據(jù)遙感影像的光譜特征及其他空間數(shù)據(jù)，定義合適的分類規(guī)則算法，建立二叉樹或者多叉樹， 對圖像中的各像元進(jìn)行逐層識(shí)別和歸類, 通過若干次中間判別最終得到分類的結(jié)果。其基本思想是逐步從原始影像中分離并掩膜每一種目標(biāo)作為一個(gè)圖層或樹枝, 避免此目標(biāo)對其他目標(biāo)提取時(shí)造成干擾和影響, 最終將所有圖層復(fù)合以實(shí)現(xiàn)圖像的自動(dòng)分類[7-9]。

3 影像數(shù)據(jù)預(yù)處理

TM原始數(shù)據(jù)波段數(shù)據(jù)組合以后對其進(jìn)行T-C變換得出纓帽變換圖如圖2所示。根據(jù)研究區(qū)的是經(jīng)過裁剪的ALI數(shù)據(jù)，范圍較小，本研究區(qū)域僅需要一景ASTER GDEM數(shù)據(jù)，其編號為N37E100M。研究區(qū)裁剪DEM如圖3所示。

遙感影像在提取水體信息的過程中往往容易誤將山體陰影誤提，所以本文將DEM引入了決策樹的決策過程中，在一般情況下，當(dāng)坡度大于20°時(shí)，濕地就難以在該區(qū)域存在。因此本文對DEM進(jìn)行坡度圖的提取，如圖4所示：

圖3 研究區(qū)DEM影像

圖4 研究區(qū)DEM坡度圖

整個(gè)數(shù)據(jù)預(yù)處理流程如圖5所示：

圖5 預(yù)處理流程圖

4 DTC模型的構(gòu)建

4.1 DTC構(gòu)建的依據(jù)

水體的反射主要在集中在藍(lán)綠光波段，其他波段吸收都很強(qiáng)，當(dāng)波長超過0.75μm，水體幾乎成了全吸收體，在近紅外遙感影像上，清澈水體呈黑色。因此，近紅外波段影像是區(qū)分水陸界限較好選擇。

EO-1衛(wèi)星的ALI傳感器第六波段波長為0.775μm～0.805μm，為近紅外波段，而近紅外波段位于植物的高反射區(qū)，反映了大量的植物信息，多用于植物的識(shí)別、分類，同時(shí)它也位于水體的強(qiáng)吸收區(qū)，可用于勾繪水體邊界。

在遙感影像提取水體相關(guān)信息中，由于太陽光照射產(chǎn)生的陰影極易與水體信息混淆，導(dǎo)致水體的錯(cuò)誤提取。根據(jù)陰影產(chǎn)生的原因，有不同的解決辦法。由太陽光照射云層產(chǎn)生的陰影可以利用云影響增強(qiáng)模型CAEM、SAEM對遙感影像進(jìn)行云層及其陰影進(jìn)行去除[5]。而對于由地形原因產(chǎn)生陰影則可以通過DEM的坡度信息對濕地區(qū)域進(jìn)行進(jìn)一步區(qū)分，進(jìn)而去除自動(dòng)提取時(shí)陰影對濕地水體信息產(chǎn)生的干擾。

4.2 濕地信息DTC

基于以上理論的支持，第一步：使用ALI合成影像的近紅外波段來初步確定水體邊界。經(jīng)進(jìn)過多次試驗(yàn)，TM第四波段的水體邊界閾值確定為灰度值7000。第四波段灰度值大于等于7000的為非水體部分，小于7000為帶有水體特征的地物。第二步：通過近紅外波段對地物區(qū)分以后，再對ALI合成影像7個(gè)波段進(jìn)行T-C變換，T-C變換矩陣使用ETM+矩陣代替，使用變換后的第三分量（濕度分量）對分類結(jié)果再進(jìn)行二叉樹分類，通過濕度分量可以進(jìn)一步精確確定濕地水體地物，同時(shí)對部分陰影有一定的去除效果。濕度分量的閾值確定為灰度值-700，大于-700的為濕地信息，小于等于-700的為非濕地信息。第三步：本區(qū)域的濕地一沼澤濕地、河流、湖泊為主，針對本區(qū)情況對提取出的濕地通過歸一化植被指數(shù)（NDVI）再進(jìn)行區(qū)分，NDVI閾值確定為0.5，大于0.5的為有植被覆蓋的沼澤，小于0.5的為河流、湖泊。第四步：經(jīng)過以上三個(gè)步驟的處理，水體濕地信息已被全部提取出來，但是還是有相當(dāng)一部分的干擾陰影存在。前面對DEM影像的預(yù)處理，已經(jīng)提取出了研究區(qū)坡度圖，在這一步中需要通過決策樹算法排除陰影干擾部分， DEM坡度值小于20。整個(gè)決策樹分類模型如圖6所示。

圖6 濕地提取DTC模型

5 分類結(jié)果與精度分析

構(gòu)建的DTC分類模型對2003年的9月所獲取的ALI影像進(jìn)行分類，結(jié)果如圖7所示：

圖7 ALI影像決策樹分類結(jié)果

本文對寬度為一個(gè)像元左右的細(xì)小線狀河流濕地具有較好的提取效果，典型區(qū)域分類結(jié)果與ALI合成影像對比如圖8至圖11所示，利用ENVI軟件對相同區(qū)域連接對比，對分類結(jié)果進(jìn)行邊緣精度檢測，分類圖像邊緣能與地物邊緣精準(zhǔn)匹配。為了進(jìn)一步檢驗(yàn)研究區(qū)濕地分類精度，在濕地與濕地邊緣非濕地區(qū)域選取50個(gè)檢驗(yàn)點(diǎn)結(jié)合以往的野外考察記錄，利用混淆矩陣計(jì)算分類精度，總體分類精度為82.5230%。

圖8

圖9

圖10

圖11

6 結(jié)論

青藏高原區(qū)地域廣闊，野外條件惡劣，這給地物解譯的野外核查帶來了很大的困難。而本文所提出的方法根據(jù)地物光譜的特征和DEM數(shù)據(jù)來確定地物類別，排除了肉眼在遙感影像解譯中異物同譜產(chǎn)生的錯(cuò)誤，總體分類精度達(dá)到了82.5230%，提高了分類精度與速度。而對于其它不同時(shí)相的遙感數(shù)據(jù)，只需對DTC模型參數(shù)做細(xì)微調(diào)整就可以實(shí)現(xiàn)地物信息快速分類提取。當(dāng)然本文還存在對陰影區(qū)地物信息未能進(jìn)行細(xì)分提取，下一步作者將對此進(jìn)行研究。

[1]Rundquist D，Lawson M，Queen L，et al.The Relationship Between the Timing of Summer2Season Rainfall Events and Lake Surface Area[J].Water Resources Bulletin，1987，23(3):493-508.

[2]Du Y Y，Zhou C H.Automatically Extracting Remote Sensing information for Water Bodies[J].Journal of Remote Sensing,1998，2(4):264-269.[杜云艷,周成虎.水體的遙感信息自動(dòng)提取方法[J].遙感學(xué)報(bào)，1998，2(4):264-269.]

[3]Yu J K，Huang Y S，F(xiàn)eng X Z，et al.Study on Water Bodies Extraction and Classification from SPOT Image[J].Journal of Remote Sensing，2001，5(3):214-219.[都金康, 黃永勝, 馮學(xué)智等.SPOT衛(wèi)星影像的水體提取方法及分類研究[J].遙感學(xué)報(bào)，2001，5(3):214-219.]

[4]徐涵秋.利用改進(jìn)的歸一化差異水體指數(shù)(MNDWI)提取水體信息的研究[J].遙感學(xué)報(bào)，2005，9(5)[589-595].

[5]RI Pyongsop，MA Zhangbao，et al.Cloud and shadow removal from Landsat TM data[J].Journal of Remote Sensing，2001，5(3):534-545.][李炳燮等.Landsat TM 遙感影像中厚云和陰影去除[J].遙感學(xué)報(bào)，2010，3: 534-545.]

[6]梅安新，彭望琭，秦其明，劉慧平.遙感導(dǎo)論[M].高等教育出版社，2001，7.

[7]Volgamann J E，Sohl T，Howard SM.Regional characterization of land cover using multiple sources of data[J].Photogrammetric Engineering and Remote Sensing,1998，64(1):452571.

[8]Pielke R，Lee T J，Copeland J H，Eastman J L，etc.The use of USGS Provided Data to improve weather and climate simulations[J].Ecological Applications,1997，7(1): 32211.