低空間分辨率遙感數(shù)據(jù)亞像元級(jí)水華面積提取方法

吳傳慶，殷守敬，朱 利，馬萬棟，吳 迪

(環(huán)境保護(hù)部衛(wèi)星環(huán)境應(yīng)用中心，北京 100094)

0 引言

水華遙感監(jiān)測的應(yīng)用研究是伴隨著我國內(nèi)陸水體的富營養(yǎng)化和水華的大量爆發(fā)而逐漸開展起來的。對(duì)于突發(fā)多變的水華，常規(guī)地面監(jiān)測方法的作用有限。遙感技術(shù)具有快速、大尺度和動(dòng)態(tài)監(jiān)測等特點(diǎn)，是監(jiān)測水華的有效手段。目前，我國的環(huán)境保護(hù)部門和氣象部門等均已開始利用MODIS和環(huán)境衛(wèi)星CCD數(shù)據(jù)對(duì)太湖和巢湖等大型湖泊進(jìn)行業(yè)務(wù)化水華監(jiān)測，取得了較好的效果。

已有的水華提取方法較多，大體分為目視識(shí)別方法、植被指數(shù)方法和浮游藻類指數(shù)(floating algae index，F(xiàn)AI)方法等3類。目視識(shí)別方法主要根據(jù)水華的植被光譜特征、選擇合適的波段組合進(jìn)行勾取，該方法的人為影響較大;植被指數(shù)方法是利用藍(lán)藻水華在近紅外波段的光譜陡坡效應(yīng)(這是藍(lán)藻水華與水體的明顯差異)實(shí)現(xiàn)對(duì)藍(lán)藻水華分布信息的表達(dá)，該類方法包括歸一化差值植被指數(shù)(normalized difference vegetation index，NDVI)法、增強(qiáng)型植被指數(shù)(enhanced vegetation index，EVI)法［1］、線性化NDVI指數(shù)法［2］和線性大氣抗阻指數(shù)(linear atmospheric resistance index，LARI)法［3－5］等，其中后 3 種指數(shù)法是對(duì)NDVI法的改進(jìn)，以減小大氣或懸浮物對(duì)水華提取的影響;FAI方法［6］不依賴于因氣溶膠導(dǎo)致的大氣瑞利散射校正，可以用于非晴朗天氣和太陽耀斑區(qū)域的水華識(shí)別，但該指數(shù)的建立必須要有1個(gè)紅波段、1個(gè)近紅外波段和1個(gè)短波紅外波段的數(shù)據(jù)，適用于國外的Landsat5 TM和MODIS數(shù)據(jù)，卻不適用于我國的環(huán)境一號(hào)(HJ－1)A/B星和中巴資源衛(wèi)星系列的CCD數(shù)據(jù)，因?yàn)楹髢烧呔鶡o短波紅外波段設(shè)置。

鑒于業(yè)務(wù)化水華遙感監(jiān)測要求傳感器具有較高的重返頻率，因此本研究以MODIS數(shù)據(jù)為信息源。但MODIS數(shù)據(jù)的空間分布率較低，因此，如何解決亞像元級(jí)別的水華面積提取，直接影響到水華面積監(jiān)測的精度。本文基于混合像元分解原理，通過混合像元分解得到水華組分在混合像元中的豐度(百分比)，以實(shí)現(xiàn)亞像元級(jí)的水華面積提取，從而提高水華提取精度。

1 混合像元的分解原理

混合像元的存在是很多傳統(tǒng)像元級(jí)遙感模型精度不高的主要原因。由像元級(jí)到亞像元級(jí)，進(jìn)入像元內(nèi)部，將混合像元分解為不同的“基本組分單元”或稱“端元”(endmember)，并求得這些基本組分所占的比例，這就是“混合像元分解”。多年來，國內(nèi)外學(xué)者們探索遙感光譜的成像機(jī)理，模擬光譜的混合過程，研究和發(fā)展了多種混合光譜分解方法，提出了不同的光譜混合模型。Ichoku等［7］將光譜混合模型歸結(jié)為5種類型:線性模型、概率模型、幾何光學(xué)模型、隨機(jī)幾何模型和模糊分析模型，其中最受歡迎且使用最多的是線性模型［8］。后來，有些學(xué)者又提出神經(jīng)網(wǎng)絡(luò)法(artificial neural network，ANN)［9］和支持向量機(jī)法(support vector machines，SVM)［10］等。本文采用的光譜混合模型是線性光譜混合模型(linear spectral mixture model，LSMM)。

LSMM是建立在像元內(nèi)相同地物光譜特征相似且線性可加性基礎(chǔ)上的，其優(yōu)點(diǎn)是構(gòu)模簡單、物理含義明確、理論上有較好的科學(xué)性，對(duì)于解決像元內(nèi)的混合現(xiàn)象有一定的效果。LSMM是混合像元分解的常用方法［11－13］，其定義為:在經(jīng)過輻射定標(biāo)和大氣校正的圖像中，像元在某波段的反射率(亮度值)是由構(gòu)成像元的端元反射率(亮度值)以其所占像元面積比例為權(quán)重系數(shù)的線性組合，即

式中:Riλ為第λ波段的第i個(gè)像元的光譜反射率(已知);fki為對(duì)應(yīng)于第i個(gè)像元的第k個(gè)端元(k=1，2，…，n)所占的面積比值(待求);Ckλ為第k個(gè)基本組分在第λ波段的光譜反射率;εiλ為殘余誤差值(即光譜的非模型化部分);n為基本組分的數(shù)目，模式使用時(shí)的可用波段數(shù)要大于n，以便利用最小二乘法求解。

評(píng)價(jià)光譜混合模型的精度用殘差εiλ或均方根(root－mean－square，RMS)誤差表示，即

LSMM從混合像元中分離Riλ并提取出各端元的平均光譜反射率Ckλ，通過求解線性方程來反解該端元在像元中所占的面積比例fki，從而將所有像元分解成這些基本組分的分量。LSMM計(jì)算的結(jié)果表現(xiàn)為各端元的分量值圖像和以RMS誤差表示的殘余誤差圖像。通常以RMS誤差和殘余誤差εiλ盡可能小以及像元分解后的分量f應(yīng)滿足0≤f≤1的標(biāo)準(zhǔn)，來衡量和評(píng)價(jià)端元選擇的好壞。

2 數(shù)據(jù)來源與處理方法

2．1 遙感數(shù)據(jù)

本文使用的遙感數(shù)據(jù)為2010年8月3日獲取的覆蓋太湖的 MODIS數(shù)據(jù)和 HJ－1 CCD數(shù)據(jù)。MODIS數(shù)據(jù)的空間分辨率為250m，采集時(shí)刻為北京時(shí)13:12，數(shù)據(jù)編號(hào)為 AQUA_2010_08_03_05_12_GZ．MOD02QKM．HDF;HJ－1 CCD數(shù)據(jù)的空間分辨率為30 m，采集時(shí)刻為10:34，數(shù)據(jù)編號(hào)為 HJ1ACCD2－448－80－20100803－L20000368814。2景圖像均經(jīng)過輻射定標(biāo)、大氣校正和幾何糾正，保證2幅圖像之間位置誤差不超過30 m。30 m分辨率的HJ－1 CCD數(shù)據(jù)相對(duì)MODIS數(shù)據(jù)而言，能減少大量的混合像元現(xiàn)象，多年的遙感監(jiān)測實(shí)踐證明，其能夠用于更準(zhǔn)確地提取水華面積和細(xì)節(jié)信息。本文以同時(shí)相的HJ－1 CCD水華面積提取結(jié)果作為標(biāo)準(zhǔn)，對(duì)低空間分辨率MODIS數(shù)據(jù)亞像元級(jí)水華面積提取方法效果進(jìn)行檢驗(yàn)。因此，以HJ－1 CCD為基準(zhǔn)對(duì)MODIS數(shù)據(jù)進(jìn)行交叉輻射校正，盡量使2景圖像在反射率上一致(圖1)，以減少2種傳感器輻射差異帶來的水華信息提取誤差。

圖1 太湖遙感圖像(20100803)Fig．1 Remote sensing images of Taihu Lake(20100803)

2．2 純像元選取

正確選取水體和水華純凈像元是成功實(shí)現(xiàn)線性分解方法的關(guān)鍵。太湖湖底地形十分平坦，平均水深1．89 m，水容量不大，利于湖水混合，使全湖水文特性、化學(xué)成份經(jīng)常處于較均一狀態(tài)［14］。在通常情況下，決定太湖水體光譜反射率的物質(zhì)主要有3類:①浮游植物，主要是藻類;②由浮游植物死亡而產(chǎn)生的有機(jī)碎屑，以及陸生或湖體底泥經(jīng)再懸浮而產(chǎn)生的無機(jī)懸浮顆粒，總稱為非色素懸浮物(以下簡稱“懸浮物”);③由黃腐酸和腐殖酸組成的溶解性有機(jī)物，通常被稱為黃色物質(zhì)［15］。太湖正常水體的光譜反射率一般低于3%;而發(fā)生水華時(shí)，水華區(qū)的光譜反射率往往能超過10%(圖2)。

因此，在通常情況下，上述3類物質(zhì)對(duì)水體光譜的影響可以忽略。于是，整個(gè)湖區(qū)的像元可以簡化為3類，即水體純像元、水華純像元、水體與藍(lán)藻水華的混合像元(圖3)。

圖2 藍(lán)藻水華和正常水體反射率光譜曲線Fig．2 Reflectivity spectrum curves of algae bloom and normal water body

圖3 太湖水域的3種像元Fig．3 Three kinds of pixels in Taihu Lake

2類純像元選取的具體方法為:①目視判斷選取出水華區(qū)，并在水華區(qū)中選取NDVI值最高的像元為水華純像元;②在湖區(qū)選取全波段DN值或者反射率值總和最低的像元為水體純像元(具體操作時(shí)可選10個(gè)極小值像元求其平均)。

2．3 像元分解與水華面積計(jì)算

首先，基于幾何糾正和交叉輻射定標(biāo)后的MODIS數(shù)據(jù)提取水體和水華純像元;然后，利用這2種純像元值對(duì)圖像中的太湖水面區(qū)域進(jìn)行線性分解，圖4(a)(b)分別為水華和水體的端元混合模型(LSMM)分量圖，分別表示水華和水體在太湖的分布情況;最后，用每個(gè)像元的水華分量乘以像元的面積，得到水華面積。

圖4 太湖地區(qū)MODIS圖像LSMM分量圖Fig．4 LSMM components of MODIS image in Taihu Lake area

實(shí)際上，水華分量值比較低的像元存在著2種情況:①少量水華和水體的混合像元;②含藻類的水體像元。忽略第一種情況，對(duì)水體提取的精度影響不大;第二種情況則不是水華。因此，操作時(shí)可選取一定的閾值進(jìn)行控制。本文通過水華分量圖像與原始圖像逐像元對(duì)比，選取0．12為閾值(即小于0．12的像元不納入統(tǒng)計(jì))。水華分量值大于0．12的水域(圖5)基本覆蓋了圖1(c)中的水華范圍。

3 結(jié)果與分析

本文利用相同的NDVI閾值法對(duì)同一天獲取的MODIS數(shù)據(jù)和HJ－1 CCD數(shù)據(jù)進(jìn)行了水華面積提取，并與混合像元分解法的提取結(jié)果進(jìn)行比較，其結(jié)果如表1所示。

表1 不同方法水華面積提取結(jié)果比較Tab．1 Comparison among results of algae bloom area extraction with different methods

從表1可以看出:基于混合像元分解的亞像元級(jí)水華提取方法比常規(guī)NDVI閾值法的精度提高了近30%;使用相同的NDVI閾值法，由于MODIS空間分辨率低，部分混合像元中的水華面積沒有計(jì)算在內(nèi)，因此提取的結(jié)果比HJ－1CCD數(shù)據(jù)的偏小。

4 結(jié)論

1)通過對(duì)不同方法水華面積提取結(jié)果的比較證明，本文提出的基于混合像元分解的亞像元級(jí)水華提取方法可以提高基于低空間分辨率遙感數(shù)據(jù)(如MODIS和NOAA等)的水華面積提取精度。

2)實(shí)際應(yīng)用中，本文方法可直接基于遙感圖像的DN值進(jìn)行水華面積提取，無需對(duì)遙感數(shù)據(jù)進(jìn)行輻射校正和大氣校正(文中進(jìn)行的輻射校正和大氣校正僅用于結(jié)果對(duì)比)。

3)本文方法的不足之處是無法得到水華的具體分布情況。

4)進(jìn)行水華面積提取的具體操作時(shí)需要注意水華分量閾值的選取，因?yàn)椴煌撝祵?duì)水華面積提取結(jié)果的影響很大。建議通過對(duì)比水華分量圖像與真彩色圖像，分析不同水域?qū)?yīng)的水華分量值，進(jìn)行閾值的合理選取。

［1］ Huete A R，Justice C．MODIS Vegetation Index(MOD13)Algorithm Theoretical Basis Document Ver3［M］．Tucson:University of Arizona，1999．

［2］ Jiang Z Y，Huete A R，Chen J，et al．Analysis of NDVI and scaled difference vegetation index retrievals of vegetation fraction［J］．Remote Sensing of Environment，2006，101(3):366－378．

［3］ Gitelson A A，Kaufman Y J，Merzlyak M N，et al．Use of a green channel in remote sensing of global vegetation form EOS－MODIS［J］．Remote Sensing of Environment，1996，58(3):289－298．

［4］ Kaufman Y J，Tanre D．Atmospherically resistance vegetation index(ARVI)for EOS－MODIS［J］．IEEE Transactions on Geoscience and Remote Sensing，1992，30(2):261－270．

［5］ 吳 迪．內(nèi)陸水體藻類及富營養(yǎng)化遙感監(jiān)測與評(píng)價(jià)研究［D］．北京:中國科學(xué)院對(duì)地觀測與數(shù)字地球中心，2011:23－34．Wu D．Remote Sensing Monitoring and Evaluation Research of Inland Water Body Algae and Eutrophication［D］．Beijing:Earth Observation and Digital Earth Center，Chinese Academy of Sciences，2011:23－34．

［6］ Hu C M．A novel ocean color index to detect floating algae in the global oceans［J］．Remote Sensing of Environment，2009，113(10):2118－2129．

［7］ Ichoku C，Karnieli A．A review of mixture modeling techniques for sub－pixel land cover estimation［J］．Remote Sensing Reviews，1996，13(3/4):161－186．

［8］ 陶秋香，趙長勝，張連蓬．植被高光譜遙感分類中一種新的非線性混合光譜模型及其解算方法［J］．礦山測量，2004(1):28－31．Tao Q X，Zhao C S，Zhang L P．A new nonlinear mixing spectral model and its solution method in vegetation hyper spectral remote sensing classification［J］．Mine Surveying，2004(1):28－31．

［9］ Foody G M．Hard and soft classification by a neural network with lion cover estimation［J］．International Journal of Remote Sensing，2000，23:3853－3864．

［10］ Brown M，Gunn SR，Lewis H G．Support vector machines for optimal classification and spectral unmixing［J］．Ecological Modeling，1999，120(2/3):167－179．

［11］ 趙英時(shí)．遙感應(yīng)用分析原理與方法［M］．北京:科學(xué)出版社，2003:328－334．Zhao Y S．The Principle and Method of Analysis of Remote Sensing Application［M］．Beijing:Science Press，2003:328－334．

［12］ 吳傳慶，王 橋，楊志峰．基于混合像元分解的水體遙感圖像去云法［J］．遙感學(xué)報(bào)，2006，10(2):177－183．Wu CQ，Wang Q，Yang Z F．Cloud－moving of water RS image based onmixed pixel model［J］．Journal of Remote Sensing，2006，10(2):177－183．

［13］ 饒 萍．EOS－MODIS像元組分分解及其應(yīng)用［D］．長春:吉林大學(xué)，2006:21－34．Rao P．EOS－MODISPixel Component Decomposition and Its Application［D］．Changchun:Jilin University，2006:21－34．

［14］ 黃漪平．太湖水環(huán)境及其污染控制［M］．北京:科學(xué)出版社，2001:1－15．Huang Y P．Taihu Water Environment and Pollution Control［M］．Beijing:Science Press，2001:1－15．

［15］ 吳傳慶．湖泊富營養(yǎng)化高光譜遙感監(jiān)測機(jī)理——光譜實(shí)驗(yàn)研究［D］．北京:北京師范大學(xué)，2008:10－100．Wu C Q．Lacustrine Eutrophic Hyperspectral Remote Sensing Monitoring Spectral Experiment Research［D］．Beijing:Beijing Normal University，2008:10－100．