多源遥感数据融合方法在湿地分类中的适用性研究

东启亮，林 辉，孙 华，邱 琳，张 雨

（中南林业科技大学 林业遥感信息工程研究中心，湖南 长沙 410004）

多源遥感数据融合方法在湿地分类中的适用性研究

东启亮，林 辉，孙 华，邱 琳，张 雨

（中南林业科技大学 林业遥感信息工程研究中心，湖南 长沙 410004）

以Landsat-5和SPOT5数据为数据源，运用标准差、信息熵、最佳指数以及清晰度等评价指标，采用Brovey变换、Gram-Schmidt变换、主成分（PC）变换3种融合方法，开展湿地分类适用性研究，旨在找到一种适用于湿地的遥感影像融合方法。研究表明：Landsat-5 卫星的543波段组合与SPOT-5影像第3波段的主成分（PC）变换融合最适应于湿地，融合后影像分类总体精度比Landsat-5影像提高了4.43个百分点，比SPOT-5影像提高了3.06个百分点；融合后影像水域、泥沙滩地、草滩地、芦苇滩地以及水田的用户精度与制图精度均高于Landsat-5影像与SPOT-5影像；融合后影像林地与旱地的用户与制图精度虽高于Landsat-5影像，但低于SPOT-5影像，差别并不大。说明Landsat-5卫星的543波段组合与SPOT-5影像第3波段的主成分（PC）变换很好地保留了多光谱信息，并提高了空间分辨率，提高各湿地类型的分类效果。

湿地分类 ；遥感信息；影像融合；洞庭湖

随着遥感技术的发展，特别是进入21世纪以来，出现了大量的高分辨率卫星，如IRS -1C/1D、SPOT -5、IKONOS、Quickbird、Orbview，这些卫星所使用的波段范围各不相同，如可见光、近红外、短波红外、热红外等，导致同一地区具有不同类型的遥感数据日益增多[1]，如何将这些遥感数据融合，获取最佳遥感影像，成为遥感技术的一个难点。

湿地有“地球之肾”美称，是一种处于陆地和水体之间过渡生态系统，有着独特特征和多种生态功能[2]。洞庭湖是我国第二大淡水湖，在长江中下游的湖泊湿地中具有典型性和代表性，采用遥感技术对洞庭湖开展的研究主要集中在湿地分类[3-4]、土地利用[5]、景观变化与演替[6-12]、野生动植物生境分析[13-15]、生态效益评价[16-19]等方面。湿地分类的遥感数据源比较单一，数据融合在湿地领域的应用比较少，开展遥感数据的融合研究，并应用于湿地分类，达到提高湿地分类精度的目的。

本研究以洞庭湖为研究区，以2009年4月Landsat5遥感影像与2009年4月SPOT-5遥感影像为数据源，对Landsat-5影像与SPOT-5影像进行Brovey变换、Gram-Schmidt变换、主成分（PC）变换，通过分析标准差、信息熵、最佳指数以及清晰度等指标，找到适用于湿地的最佳融合方法与波段组合，并对原始Landsat-5影像、SPOT-5影像以及融合后影像进行决策树分类，通过比较精度来验证此融合方法与波段组合是否提高了各典型湿地类型的分类精度。

1 材料与方法

1.1 研究区概况

研究区位于北纬 28°39′20″～ 30°14′18″，东经111°42′44″～ 113°39′45″，地处湖南省东北部、长江中游荆江南段[20]，研究区域如图1所示。

图1 研究区地理位置Fig. 1 Geographic location of the study area

研究区内的湿地类型主要有：水域、泥沙滩地、草滩地、芦苇滩地、水田等。

1.2 数据源

1.2.1 遥感数据

Landsat-5影像拥有波段多、光谱分辨率高的特点, 不仅有人眼直接感受的可见光信息,还包含对植被、水体等异常敏感的近红外波段,信息量丰富，但其空间分辨率只有30 m。SPOT-5影像的空间分辨率较高，达到10 m， 区分城市、居民地、道路等细微地物的效果较好，但对某些地物的区分能力不如 Landsat-5 影像[21]。所采用的遥感影像如表1所示。

表1 研究所采用的数据源Table 1 Data sources of the study

1.2.2 辅助数据

采用的辅助数据主要有：

（1）2009年4月间野外调查数据；

（2）1∶100000 湖南洞庭湖湿地界线图；

（3）研究区 1∶10000地形图；

（4）湖南省交通图、洞庭湖区水系图、湖南省政区图；此外还包括各种涉及地理概况及社会经济等方面的统计资料。

1.3 图像预处理

遥感影像有几何形变和偏移错位，给定量分析及位置配准造成困难[22]。因此，采用UTM 地理坐标，利用地形图 (1∶10000) 对TM影像和SPOT-5影像进行几何校正，保证所有影像位置、面积的准确性和统一性，结果如图2所示。

1.4 数据的融合方法

遥感数据的融合主要采用Brovey变换、Gram-Schmidt变换和主成分（PC）变换3种方法。

1.5 融合效果评价指标

1.5.1 标准差

标准差反映了图像灰度相对于灰度平均值的离散情况。其计算公式为：

式（1）中：M、N为图像长宽像素个数；F(i,j)为i行j列图像灰度值；u为灰度平均值。

1.5.2 信息熵

信息熵是衡量遥感影像信息丰富程度的一个重要指标，信息熵值越大表明影像信息量越丰富，融合效果也越好，信息熵的计算公式为：

图2 TM影像、SPOT-5影像几何校正结果Fig. 2 Geometric correction results of TM image and SPOT-5 image

式（2）中：x为输入的图像变量；Pi为图像像元灰度为i的概率。

1.5.3 最佳指数（OIF）

图像数据的标准差越大，所包含的信息量也越大，而波段间的相关信息越小，表明各波段的独立性越高，信息的冗余度越小。故也可采用美国查维茨Chavez等1984年提出的最佳指数(OIF，I) 概念，即：

式（3）中：i为第i波段的标准差；Rij为i，j波段的相关系数。

1.5.4 清晰度

影像清晰度是指相邻像元间的色调反差，是影像细节边缘变化的敏锐程度，常采用平均梯度作为评价指标。平均梯度越大，影像层次越多，影像越清晰，反之影像越不清晰。其计算公式为：

式（4）中：Δg（X）是影像的平均梯度；是影像中像元在水平方向上的一阶差分值；是像元在垂直方向上的一阶差分值。依据上述评价指标，得到最佳融合方法。

2 结果与分析

2.1 融合效果评价

Landsat-5影像（RGB）与SPOT-5影像（第3波段）的Brovey变换、Gram-Schmidt变换、主成分（PC）变换结果如图3所示。

图3 Brovey变换、Gram-Schmidt变换、主成分（PC）变换结果Fig. 3 Transform results of Brovey, Gram-Schmidt and principal component (PC)

融合效果评价主要分为基于信息量的评价、基于清晰度的评价与基于逼真度的评价，分别衡量融合后影像所包含的信息丰富程度、清晰程度与逼真程度。研究主要采用了基于信息量的评价与基于清晰度的评价。根据各评价指标公式，计算相应的结果，结果如表2～5所示。

表2 融合后影像各波段的标准差Table 2 Standard deviation of sharpening image’ bands

表3 融合后影像各波段的信息熵Table 3 Entropy of sharpening image’ bands

表4 融合后影像各波段组合的最佳指数Table 4 Optimal index of sharpening image’ bands

表5 融合后影像各波段的平均梯度Table 5 Average gradient of sharpening image’ bands

标准差是相对简单的评价指标，同样也有比较大的局限性。从表2中可以看出，主成分（PC）变换融合的4波段和5波段标准差明显高于其它波段与其它融合方法各波段。考虑到5、4波段与3波段做假彩色合成，色彩更优，所以，在标准差上，主成分（PC）变换的3、4、5波段组合最优。但是，标准差有着很大的局限性，必须引入其他评价指标，做综合评价。信息熵表示影像所含信息量的大小，信息熵越大，表示影像所含信息越丰富，影像质量越好。通过表3可以看出：Brovey变换的3波段比Gram-Schmidt变换和主成分（PC）变换要好，但差别不大；4波段和5波段比其它2种融合方法要差。主成分（PC）变换的345波段组合的最佳指数最高，达到47.34，而Brovey变化的RGB（543）组合的最佳指数仅仅为24.52。由表5可知，Gram-Schmidt变换的各波段平均梯度均为0.014；而Brovey的3波段为0.012，其它2波段同样为0.014；主成分（PC）变换除了第4波段平均梯度为0.013外，其余各波段亦为0.014。可以看出：Gram-Schmidt变换的清晰度最佳，但是3种方法差别不大。

综合分析可以得出：主成分（PC）变换的345波段组合为最佳融合方法、最佳波段组合。考虑到影像用于典型湿地类型的分类，波段组合RGB为543的色彩更适用于湿地分类。

2.2 分类结果与精度评价

考虑到洞庭湖典型湿地类型特征以及分类精度，摒弃了非监督分类和原始监督分类，而选择精度较高的决策树分类方法。

决策树分类作为一种基于空间数据挖掘和知识发现(Spatial Data Mining and Knowledge Discovery, SDM&KD)的分类方法[23]，拥有较高的精度，它以地物光谱特征为基础。在分析洞庭湖典型湿地类型光谱特征后，建立了决策树分类模型，进行洞庭湖各湿地类型的信息提取。Landsat-5影像、SPOT-5影像以及主成分（PC）融合后影像的分类结果（分类处理后）如图4所示。

利用2009年间的数次野外调查数据，对得到的分类结果进行精度评价。用户精度、制图精度、总体精度以及Kappa系数如图5、表6所示。

图4 TM影像、SPOT-5影像、PC融合分类结果Fig. 4 Classif i cation results of TM, SPOT-5, PC sharpening images

图5 TM影像、SPOT-5影像、主成分变换融合影像分类用户精度与制图精度Fig.5 Users accuracy and mapping accuracy of classif i cation based on TM, SPOT-5 and PC sharpening images

表6 TM影像、SPOT-5影像、主成分变换融合影像分类总体精度与Kappa系数Table 6 Overall accuracy and Kappa coefficient of classification results based on TM, SPOT-5 and PC sharpening images

总体上， SPOT-5影像分类精度略高于Landsat-5影像；主成分变换融合影像分类精度要优于原始Landsat-5影像以及SPOT-5影像，比Landsat-5分类精度提高了4.43个百分点，比SPOT-5分类精度提高了3.06%。

Landsat-5影像用户精度在草滩地、芦苇滩地以及水田3个典型的湿地类型上高于SPOT-5，草滩地高出4.89个百分点，芦苇滩地高出6.6个百分点，水田高出3.96个百分点；而在水域、泥沙滩地、林地与旱地等土地利用类型上，SPOT-5用户精度要比Landsat-5的高，水域高出1.73%，泥沙滩地高出1.46%，林地高出8.13%，旱地高出5.4%。

Landsat-5影像制图精度同样在草滩地、芦苇滩地以及水田3个典型的湿地类型上高于SPOT-5，草滩地高出6.74个百分点，芦苇滩地高出6.22个百分点，水田高出6.61个百分点；而在水域、泥沙滩地、林地与旱地等土地利用类型上，SPOT-5制图精度也比Landsat-5的高，水域高出0.89%，泥沙滩地高出7.67%，林地高出9.14%，旱地高出6.88%。

通过Landsat-5与SPOT-5用户精度以及制图精度的比较可以发现：多光谱的Landsat-5影像更适用于典型湿地类型的分类，如：草滩地、芦苇滩地和水田等；高分辨率的SPOT-5更适用于林地、旱地以及水域等的分类。

而主成分变换融合后影像在水域、泥沙滩地、草滩地、芦苇滩地以及水田等湿地类型上的用户精度和制图精度均要优于Landsat-5和SPOT-5，而林地和旱地的精度均不如SPOT-5，但差别不大。

3 结 论

（1）通过深入分析标准差、信息熵、最佳指数以及清晰度等评价指标，得出：主成分（PC）变换融合方法（波段组合RGB为543）更适用于湿地，为最佳融合方法与波段组合。

（2）通过比较Landsat-5影像、SPOT-5影像与主成分（PC）融合后影像的分类精度，得出：融合后影像分类总体精度比Landsat-5影像提高了4.43个百分点，比SPOT-5影像提高了3.06个百分点；融合后影像水域、泥沙滩地、草滩地、芦苇滩地以及水田的用户精度与制图精度均高于Landsat-5影像与SPOT-5影像；融合后影像林地与旱地的用户与制图精度虽高于Landsat-5影像，但低于SPOT-5影像，差别并不大。表明：Landsat-5影像543波段组合与SPOT-5影像第3波段的主成分（PC）融合很好地保留了多光谱信息，并增加了空间分辨率，更易区分各湿地类型，进一步验证了主成分（PC）变换融合方法更适用于湿地类型信息的提取。

[1] 王智均,李德仁,李清泉.多进制小波理论在 SPOT和MS影像融合中的应用[J].武汉大学学报：信息科学版,2001, 26(1): 24-28.

[2] 赵魁义.地球之肾——湿地[M].北京:化学工业出版社,2002.

[3] 王红娟,姜加虎,黄 群.基于知识的洞庭湖湿地遥感分类方法[J].长江流域资源与环境,2008,17(3):370-373.

[4] 姜 芸,李锡泉.湖南省湿地标准与分类以及湿地资源[J].中南林业科技大学学报,2007,27(2):92-95.

[5] 李仁东.土地利用变化对洪水调蓄能力的影响——以洞庭湖区为例[J].地理科学进展,2004,23(6):90-97.

[6] 李仁东,庄大方,胡文岩.基于遥感与GIS的土地用途转移分析——以洞庭湖区为例[J].农业工程学报,2004,20(1):302-306.

[7] 徐怡波,赖锡军,周春国.基于ENVISAT ASAR数据的东洞庭湖湿地植被遥感监测研究[J].长江流域资源与环境,2010,19(4): 452-459.

[8] 石军南,徐永新,刘 清.洞庭湖湿地保护区景观格局变化及原因分析[J].中南林业科技大学学报,2010,30(6):18-26.

[9] 郑建蕊,蒋卫国,周廷刚,等.洞庭湖区湿地景观指数选取与格局分析[J].长江流域资源与环境,2010,19(3):305-310.

[10] 黄进良.洞庭湖湿地的面积变化与演替[J].地理研究,1999,18(3):297-305.

[11] 熊建新,吴南飞.东洞庭湖湿地景观空间结构的完整性分析[J].环境科学与管理,2008,33(4):30-33.

[12] 袁正科,李星照,田大伦，等.洞庭湖湿地景观破碎与生物多样性保护[J].中南林学院学报,2006,26(1):109-116.

[13] 赵淑清,方精云,陈安平,等.东洞庭湖保护区1989-1998年水禽栖息地动态研究[J].自然资源学报,2003,18(6):726-733.

[14] 张立芝,王俊红,沈晓明,等. 黑龙江库尔滨河湿地自然保护区湿地及野生动植物资源[J].林业科技，2008,33(3):31-32.

[15] 肖兴翠,李志辉,唐作钧,等.林分密度对湿地松生物量及生产力的影响[J].中南林业科技大学学报,2011,31(3):123-129.

[16] 蒋卫国,潘英姿,侯 鹏,等.洞庭湖区湿地生态系统健康综合评价[J].地理研究,2009,28(6):1665-1672.

[17] 吴炳方,黄进良,沈良标.湿地的防洪功能分析评价——以东洞庭湖为例[J].地理研究,2000,19(2):189-194.

[18] 梁守真,李仁东,朱超洪.洞庭湖区20年生态损益估算[J].华中师范大学学报：自然科学版,2005,39(3):414-418.

[19] 蒋卫国,李 京,李加洪,等. 辽河三角洲湿地生态系统健康评价[J].生态学报,2005,25(3):408-414.

[20] 窦鸿身,姜加虎.洞庭湖[M].合肥：中国科学技术大学出版社,2000.

[21] 阿拉腾图雅.TM、SPOT及其融合影像在土地利用调查中的精度分析[J].干旱区资源与环境,2004,18(9):77-80.

[22] 梅安新.遥感导论[M].北京:高等教育出版社,2001.

[23] 申文明,王文杰,罗海江,等.基于决策树分类技术的遥感影像分类方法研究[J].遥感技术与应用,2007,22(3):333-338.

Study on applicability of multi-source remote sensing data fusion method in wetland classif i cation

DONG Qi-liang, LIN Hui, SUN Hua, QIU Lin, ZHANG Yu
(Research Center of Forestry Remote Sensing & Information Engineering , Central South University of Forestry & Technology ,Changsha 410004 , Hunan , China)

Remote sensing image fusion technology has become a hotspot, but its applicability for wetland information extraction was reported minimally. Based on Landsat-5 and SPOT5 data, by adopting the evaluation indexes of standard deviation, entropy, the optimal index, and sharpness index and using three fusion methods of Brovey, Gram-Schmidt, and principal component (PC) transformation,the methods’ applicability for wetland classif i cation was studied to fi nd a remote sensing image fusion method that be adequate for wetland. The results show that the Landsat-5 543 band combination with the principal components (PC) of SPOT-5 band 3 mostly adapted to wetland transformation fusion, the overall accuracy of the obtained images was 4.43% better than Landsat-5 images, and 3.06 % better than SPOT-5 images; After inosculated, the user accuracy and mapping accuracy of waters, mud beach, marsh, reed beds and paddy fi elds were higher than that of Landsat-5 image and SPOT-5 image; Though the users and mapping accuracy of woodland and the dry land were higher than Landsat-5 image, but no signif i cant differences with the SPOT-5 image. The Landsat-5 image 543 band combination with the principal component (PC) of SPOT-5 image third band can retain magnif i cently multi-spectral information,increase the spatial resolution and more accurately distinguish the types of wetland.

wetland classif i cation; remote sensing information; image fusion; Dongting lake

S771.8

A

1673-923X(2013)01-0052-06

2012-10-10

国家重大专项项目（E0305/1112/02）；“十二五”国家高技术研究发展计划（863计划）课题（2012AA102001）：“数字化森林资源监测关键技术研究”；林业公益性行业科研专项（201104028）：“林分结构与生长模拟技术研究”；湖南省高校科技成果产业化培育项目(11CY019)

东启亮（1987-），男，河北石家庄人，硕士研究生，研究方向：林业遥感和地理信息系统；E-mail：csufcl@126.com

林 辉（1965-），女，湖北黄冈人，教授，博士，博士生导师，主要从事森林经理学、遥感技术与地理信息系统的教学和科研工作

[本文编校：谢荣秀]