水體葉綠素遙感反演中的多尺度分析

摘要水體遙感影像提取污染物信息普遍存在著尺度效應問題，選擇合適的空間分辨率影像能夠準確地表征水域污染的空間分布狀況。充分利用水體空間尺度信息，研究水色遙感的尺度問題，有利于提升湖泊水體遙感反演模型的應用能力。以巢湖水域HJ-lA衛(wèi)星HSI高光譜和CCD多光譜遙感數(shù)據(jù)為例，以Matlab為平臺，采用基于離散小波多尺度變換分析方法，生成多光譜尺度和空間尺度影像，然后利用水體污染物的定量遙感反演方法，獲取湖面水體葉綠素多尺度空間分布濃度，并利用水面同步實測數(shù)據(jù)對反演結果進行驗證。通過結果比較，確定100 m分辨率的HSI高光譜數(shù)據(jù)為較優(yōu)分析空間尺度。

關鍵詞水體污染物；遙感圖像；多尺度；小波變換

中圖分類號S126；TP791文獻標識碼A文章編號0517-6611（2014）12-03681-03

基金項目國家自然科學基金項目（4101232）；安徽高校省級自然科學基金項目（KJ2013B053）。

作者簡介潘邦龍（1976- ），男，安徽合肥人，講師，博士，從事水環(huán)境遙感研究。

隨著遙感技術的發(fā)展，利用衛(wèi)星遙感數(shù)據(jù)對湖泊水質(zhì)展開大規(guī)模監(jiān)測，特別是現(xiàn)代遙感的高空間和高光譜分辨率影像在湖泊水質(zhì)遙感監(jiān)測中具有監(jiān)測范圍廣、數(shù)據(jù)更新快、運行成本低的優(yōu)勢。然而，空間分辨率對于水體遙感信息提取精度的影響存在著兩重性：高空間分辨率減少了地類邊緣的混合像元，但地物內(nèi)部的光譜變異復雜；反之，高光譜分辨率能夠較好地表達地物特征，但像元內(nèi)混合地物復雜多變[1]。因此，選擇最優(yōu)空間尺度對于準確分析水體污染物的空間分布具有重要的意義。

目前，國內(nèi)外許多學者都對水體污染物含量進行相關研究。在國內(nèi)，唐軍武等提出通過多波段的光譜反射比值，可以導出水體固有光學參數(shù)吸收系數(shù)a和后向散射系數(shù)b，線性方程組再由上述固有光學參數(shù)與葉綠素a濃度的關系建立，然后解出葉綠素a濃度的值[2]；國外從20世紀70年代開始就針對多光譜傳感系統(tǒng)（MSS）的4個波段進行湖泊水質(zhì)遙感研究。目前，人們已經(jīng)應用衛(wèi)星遙感數(shù)據(jù)研究水體組分如透明度、Chla、溶解性有機物、懸浮物、溫度等的分布和變化。但是遙感影像在反映空間格局與過程中對尺度具有依賴性，即對于不同空間尺度、光譜尺度的遙感影像數(shù)據(jù)，經(jīng)建模反演等技術手段最終得到研究區(qū)污染程度或范圍時，會產(chǎn)生部分差異。研究表明，遙感影像的提取精度取決于混合像元的數(shù)量和類別邊緣光譜變異的復雜程度兩個主要因素。當影像的空間分辨率提高時，處于不同類別邊緣的混合像元數(shù)目將會變少，分類精度隨之提高；但由于空間分辨率的提高，也導致相同地物內(nèi)部光譜變異增大，分類精度會降低[3]。

小波多尺度分析為空間地物多尺度分割和最優(yōu)空間尺度的選擇提供了很好的解決方法。小波分析具有同時用多尺度對空間格局進行分析的能力，也能將格局、尺度與具體空間位置明確地表示出來，其不要求數(shù)據(jù)在研究的空間范圍內(nèi)具有平穩(wěn)性，而自然界存在的現(xiàn)象都是非平穩(wěn)的，因此小波變換具有處理一般數(shù)據(jù)的功能[2]。為此，筆者以Matlab為平臺，采用基于離散小波多尺度變換分析的Mallat分解算法，生成多空間尺度和多光譜尺度影像，然后利用水體污染物的定量反演方法，獲取湖面水體葉綠素多尺度空間分布濃度，為最優(yōu)空間尺度影像的選取提供依據(jù)。

1分析方法

1.1小波多尺度分析方法小波變換是法國工程師于1974年提出的介于函數(shù)時間域和頻率域間的一種表示方法，該方法在空間域和頻率域具有良好的局部化性質(zhì)，可以在任意尺度函數(shù)中分析提取出多尺度空間圖像基本局部細節(jié)特征。該研究采用Mallat算法為小波多尺度分解運算方法[4]。

1.2水體污染物的定量反演方法半經(jīng)驗方法是將已知的水質(zhì)變量光譜特征與統(tǒng)計分析模型（或其他數(shù)學模型）相結合，選擇最佳的波段或波段組合作為相關變量估算水質(zhì)變量值的方法。這種方法是目前最常用的定量分析方法之一，不但簡單實用而且具有一定的物理意義，國內(nèi)外很多學者都利用過這種方法監(jiān)測湖泊、水庫的水質(zhì)變量如葉綠素、懸浮物、富營養(yǎng)化指數(shù)等，得到較高的反演精度。常用的方法有線性回歸、對數(shù)轉換線性回歸、多項式回歸、逐步多元線性回歸、貝葉斯分析、主成分分析等。該研究擬采用半經(jīng)驗法中的線性回歸方法對小波多尺度影像進行建模與反演，以獲取影像最佳空間分析尺度[6]。

2實例分析

2.1影像數(shù)據(jù)和水面實測數(shù)據(jù)研究數(shù)據(jù)采用的是HJ1A衛(wèi)星HSI高光譜和CCD多光譜影像，成像時間為2009年6月13日，該天天氣晴朗，能見度高，湖面氣象狀況良好。由于獲取的數(shù)據(jù)為二級影像產(chǎn)品，需要做幾何精校正和大氣校正。幾何校正在ArcGIS軟件支持下以1∶10 000地形圖為參考，利用多項式幾何模型校正和最鄰近重采樣方法，實現(xiàn)校正精度RMSE小于1個像素。大氣校正采用6S軟件實現(xiàn)參與計算的部分波段數(shù)據(jù)的大氣校正，并計算出水體遙感反射率。

水面測量試驗在巢湖水域同步展開，共選取了24個樣點。水面光譜測量使用ASD便攜式野外光譜儀FieldSpec（波長范圍為350～2 500 nm），采用“水面以上法”測量水面光譜。水面采集的水樣置于10%HCl和去離子水洗凈的塑料桶中，并用GPS記錄樣點緯度坐標。取樣后的水質(zhì)參數(shù)濃度由室內(nèi)試驗分析獲得樣點葉綠素a濃度數(shù)據(jù)。由于在數(shù)據(jù)處理時發(fā)現(xiàn)11號點位數(shù)據(jù)異常，去除后剩余的23個點用于建模和檢驗。具體采樣點平面分布如圖1所示。

2.2小波分析算法實現(xiàn)將0-Pi定義為空間V0，經(jīng)過一級分解之后V0被分成0-Pi/2的低頻子空間V1和Pi/2-Pi的高頻子空間W1，然后一直分下去，得到 VJ+WJ+…+W2+W1。因為VJ和WJ是正交的空間，且各W子空間也是相互正交的，所以分解得到相互不包含的多個頻域區(qū)間，稱為多分辨率分析，即多尺度分析[5-6]。對一幅圖像進行小波分解，得到低頻和對應的高頻部分，該研究中利用bior 3.7小波基對原始圖像進行小波變換，采用wavedec2函數(shù)實現(xiàn)對圖像的二層分解，對高頻系數(shù)的提取則采用detcoef2函數(shù)，而對低頻信號系數(shù)提取則采用函數(shù)appcoef2；wrcoef2函數(shù)實現(xiàn)利用bior3.7小波基對低頻分量的水平方向、垂直方向、斜線方向以及高頻分量的重構；wcodemat 函數(shù)實現(xiàn)對數(shù)據(jù)矩陣進行偽彩色編碼；waverec2函數(shù)實現(xiàn)對二維信號的多層小波重構，即小波變換的逆變換，最終利用imwrite函數(shù)將圖像寫入文件，并保存。結果如圖2所示。

2.3污染物濃度反演該研究選用葉綠素為水體污染物的典型代表指標參數(shù)進行研究。通過前人對巢湖水體光譜特性已有的研究發(fā)現(xiàn)，水體光譜反射率與葉綠素a的最大相關性位于680和705 nm附近，相應的衛(wèi)星影像波段為葉綠素反演相關度最高的波段[7-8]。鑒于此，筆者利用HJ1A衛(wèi)星 CCD數(shù)據(jù)的B3、B4波段和HSI的B79、B72波段反射率，結合采樣點實測葉綠素濃度，利用最小二乘法進行線性擬合，得到模型如下：

3結論

對于不同尺度遙感影像，由于其自身特點，會對水體污染物參數(shù)反演結果產(chǎn)生不同影響。該研究以HJ1A衛(wèi)星HSI影像和CCD影像為研究對象，采用常規(guī)半經(jīng)驗線性模型建立各自反射率與葉綠素濃度間的關系，分別對原始影像的相關波段和經(jīng)小波變換過后的影像圖進行反演比較，在采用相同的反演模型下，經(jīng)小波變換后的反演結果與實地測量值有一定的差異，表明遙感影像的空間尺度和光譜尺度對反演結果的敏感性。通過對于兩種不同傳感器的影像數(shù)據(jù)分析，HJ1A的HSI 100 m空間尺度的高光譜影像反演效果優(yōu)于其他分辨率的影像。