邢 丽 玮,牛 振 国 ,张 海 英
(1.首都师范大学/城市环境过程与数字模拟国家重点实验室培育基地,北京 100048;2.中国科学院遥感与数字地球研究所/遥感科学国家重点实验室,北京 100101)
准确的湿地识别在湿地保护中具有重要意义[1],卫星遥感作为对地观测的综合技术,已被广泛应用于湿地提取和动态监测中。但由于湿地处于水陆交汇处,生境复杂,在遥感影像上的光谱特征与其他地类往往存在较大的“同物异谱”和“同谱异物”现象,所以湿地的分类提取精度并不高。马飞等[2]基于MODIS NDVI影像,获取了珠穆朗玛峰国家自然保护区沼泽湿地的分布图,精度分析显示造成误差的主要原因为沼泽湿地与草地的时间序列谱线存在混淆现象。臧淑英等[3]利用三种分类方法对洪河国家级自然保护区进行湿地遥感分类,但三种方法均很难将草地和沼泽区分。Otukei等[4]利用多种分类方法对非洲东部国家乌干达的基巴莱区土地覆盖类型进行了分类和变化监测,精度评价结果发现草地、开放型草地和草本沼泽之间有明显混淆现象。张宝雷等[5]基于多源数据对若尔盖湿地进行了土地利用分类,精度检验结果发现,中覆盖度草地与沼泽湿地较易混淆。由于草地光谱特征同沼泽具有相似性,纹理特征不明显,地形辅助信息对其没有太大的影响,可见草地制约着草本沼泽遥感分类的精度。
草本沼泽与草地本质区别在于生长坏境不同,草地植被生长在旱地,而草本沼泽湿地植被生长在浅水、暂时或间歇水体所覆盖的低地,二者的根本区别在于“湿”与“非湿”。所以充分利用遥感影像波段信息,选择和提取合适的指标用于表示湿地特征“湿”是区分草本沼泽和草地的关键所在。根据波段组合特征及湿地生态系统组分(水、土壤和植被)在这些波段上的响应,将目前常用湿度指数归纳为三类。
第一类是基于可见光和近红外或短波红外波段计算得到的,该类指数主要侧重于地表水体信息的提取。Mcfeeters[6]根据归一化植被指数NDVI的构建思想,利用TM影像的绿波段(TM2)和近红外(TM4)构建了归一化差异水体指数NDWI(Normalized Difference Water Index)。徐涵秋[7]利用Landstat卫星TM影像的短波红外波段TM5替换NDWI计算中近红外波段TM4,提出了一种改进后的归一化差异水体指数MNDWI(Modified NDWI),减少了城市环境中人工建筑物和土壤对水体提取结果的影响。曹荣龙等[8]将TM影像的红光波段TM3替代了MNDWI中的绿波段TM2,构造了修订型归一化水体指数RNDWI(Revised Normalized Difference Water Index)以提取北京市密云水库水面。闫霈等[9]用近红外波段与短波红外波段的和代替ND-WI中的近红外波段,提出了增强型水体指数EWI(Enhanced Water Index)。丁凤[10]总结了以往研究,利用TM1、TM4、TM5、TM7 4个波段构建了新型水体指数NWI(New Water Index)。
第二类是基于近红外、短波红外波段,主要是用于植被含水量的遥感反演。Sims等[11]研究发现950~970 nm、1 150~1 260 nm、1 520~1 540 nm波段和冠层水分相关性很好,是冠层含水量估算的较优选择。Rock等[12]发现1 600 nm和820 nm发射率的比值与植被等效水深EWT(Equivalent Water Thickness)高度相关,从而提出指数 MSI(Moisture Stress Index)。Gao[13]利用860 nm 和1 240 nm 处的反射率比值指数经非线性归一化处理得归一化差值水分指数NDWI,该指数的设计对含水量比较敏感,对散射效应的敏感性差一些。Ceccato等[14]基于SPOT VEGETATION研究提出参数GVMI(Global Vegetation Moisture Index)使得水含量的反演从局部发展到整体。Zarco-Tejada等[15]基于 MODIS数据,建立了近红外与短波红外的比值湿度指数SRWI(Simple Ratio Water Index),对作物的含水量进行周期性测定。Chen等[16]也基于 MODIS数据短波红外,建立了 NDWIB6,B2、NDWIB7,B2,以反演玉米的含水量。
第三类基于所有波段的缨帽变换得到第三分量:湿度指数(TC-Wetness)。这类指数中的系数依赖于遥感传感器,不同遥感传感器转换系数不同。Zhang等[17]将缨帽变换扩展到MODIS数据。
达赉湖国家级自然保护区(图1)位于内蒙古自治区东北部,地理位置为北纬47°45′50″~49°20′20″,东经116°50′10″~118°10′10″,总面积达74万hm。保护区内土地覆盖类型以永久性或季节性湖河、草本沼泽和草地为主,于2001年1月11日被列为国际重要湿地。保护区气候属于海洋性与大陆性气候的交错带,为中温带半干旱大陆气候,年均温介于-1.3℃~0.4℃之间,年降水量247~319 mm,6-9月降水量占全年总量的80%~86%,年均蒸发量为1 636 mm。栗钙土是保护区的地带性土壤,夹杂分布着风沙土、草甸土和沼泽土。
研究采用的卫星遥感数据是搭载于EOS/Terra卫星上的中等分辨率成像光谱仪MODIS获取的反射率数据MOD09Q1和MOD09A1产品。MOD09Q1为250 m分辨率的8 d合成反射率数据MODIS的1波段(630~670 nm)和2波段(841~876 nm)。MOD09A1为500 m分辨率的8 d合成反射率数据MODIS的3-7波段(波段3:459~479 nm,波段4:545~600 nm,波段5:1 230~1 250 nm,波段6:1 628~1 652 nm,波段7:2 105~2 155 nm)。为保证数据分辨率一致,采用最近邻点插值法,将MOD09A1插值成250 m空间分辨率。数据日期为2013年9月6日,该数据由美国国家宇航局(NASA)的EOS数据中心提供。由于MODIS数据为HDF格式,投影方式为SIN投影,为后期应用对数据进行了投影变化、格式转换和裁剪等预处理。
1.3.1 分类系统与训练样本选择 基于研究区土地覆盖类型实际分布情况,并结合250 m分辨率MODIS遥感数据对不同土地覆盖类型的可分性,将分类体系划分为两级:一级类包括湿地和非湿地;二级类中,湿地包括沼泽和水体,非湿地包括裸地和草地。沼泽指地势平坦低洼,排水不畅,长期潮湿,季节性积水或常积水,表层生长湿生植被的土地;水体包括湖泊、河流;裸地指地表为裸土或植被覆盖度在5%以下的裸土地;草地指以生长旱生草本植被为主,覆盖度在5%以上的土地。对于大尺度的土地覆盖分类而言,通过实地考察选择训练样本非常困难。因此本研究在MODIS数据同时期的2013年9月8日的Landsat TM8影像上选择样本,选择原则是每个样本从至少9*9窗口大小的纯像元类型区域中心选取,再转化为与MODIS对应的样本。各地类的训练样点数依次为沼泽湿地:166,水体:64,裸地:77,草地:161。
1.3.2波谱曲线分析 通过研究区不同土地覆盖类型的训练样本点,提取各地类的MODIS光谱特征与所选湿度指数的特征箱线图(图2、图3)。从图2可以看出,水体的光谱曲线与其他3种地类差异明显,从可见光到短波红外波段逐渐减弱,反射率在绿波段最高,在近红外及短波红外波段吸收最强,几乎无反射。草地与沼泽光谱曲线在可见光和近红外波段相似,主要差异在短波红外波段,主要是受到植物含水量的影响,沼泽植被由于特殊的生境,还受到背景水的影响,所以在短波红外的反射率较草地要低。裸地随着波长的增加而增加,在波段7受土壤含水量的影响反射率有所下降,保护区内裸地主要以风沙土为主,土壤含水量低,因此整体的反射率高于其他地类。
图2 不同地表覆盖类型的MODIS光谱特征Fig.2 The characteristic curve of canopy spectral of different land cover types
通过箱体图统计了不同地类在各个湿度指数上湿度特征,统计指标包括最大值、最小值、中位数、下四分位数和上四分位数。由图3可以看出,对水体而言,常用的水体指数(NDWIB4,B2)表现最好,不仅类内方差较小,且与其他地类具有很好的区分性,但在植物含水量湿度指数(NDWIB5,B2,NDWIB6,B2)上表现为较大的类内方差,与其他地类不易区分。沼泽和草地在多数指数上表现出相似性,但草地的类内方差要小于沼泽,这与沼泽为过渡生态系统、水分梯度在空间上变化较大有关。裸地在NDWIB4,B2指数上与其他地类差异最大,区分度最好。
图3 不同湿度指数的箱体图Fig.3 The Box-Whisker plots of the different wetness indexes
1.3.3 图像分类 为探讨不同湿度指数对湿地的提取能力,采用支持向量机(Support Vector Machine,SVM)分类方法,单独以 NDWI、MNDWI、RNDWI、EWI和缨帽变换的湿度分量作为影像分类特征指数,以径向基函数作为SVM中核函数建立分类模型,每一种湿度指数所采用的具体参数均为惩罚参数C=100,RBF核函数参数γ=1,将影像划分为草地、裸地、水体和沼泽湿地4类(图4)。
图4 不同湿度指数的分类结果Fig.4 The classification results of the different wetness indexes
在2013年9月8日的Landsat TM8影像上随机产生研究区4地类的检验样本。为了探讨不同湿度指数区分一级类(湿地和非湿地)的能力,以沼泽和水体检验样本点的总和作为湿地提取精度检验的样本,以草地和裸地的检验样本点总和作湿地类型的检验样本。分别统计了湿地与非湿地的制图精度和用户精度作为判断区分二者能力的标准,用户精度表示从分类结果中任取一个随机样本,其所具有的类型与地面实际类型相同的概率。制图精度表示相对于地面获得的实际资料中的任意一个随机样本,分类图上同一地点的分类结果与其相一致的概率。不同湿度指数的统计结果如图5所示。图像分类结果的评价既要看制图精度也要看用户精度,制图精度和用户精度两者均高且相近,才能说明该类的提取结果好。通过图5对比发现,区分一级类(湿地与非湿地)较好的几个湿度指数为TC-Wetness、NDWIB5,B2和 NDWIB6,B2等,湿地与非湿地区分能力最好的指数为缨帽变换的湿度分量,制图精度达97%以上,用户精度达96%以上,其次为基于近红外波段、短 波 红 外 的 湿 度 指 数 (NDWIB5,B2和 NDWIB6,B2),最差的为基于可见光和短波红外的第一类湿度指数。TC-Wetness综合考虑了7个波段特征,信息量最丰富,因此区分湿地与非湿地表现最优。
对于第二类湿地指数(NDWIB5,B2和 NDWIB6,B2)而言,沼泽湿地植被由于冠层含水量高再加上背景水的影响,在近红外、短波红外波段,随着波长的增大表现出和水体相同的下降趋势,因此二者在NDWIB5,B2和 NDWIB6,B2为正值,而草地和裸地则表现为相反的趋势,为负值,所以湿地与非湿地在NDWIB5,B2和 NDWIB6,B2上较易区分,且波段6(1 628~1 652 nm)较波段5(1 230~1 250 nm)对于植物含水量更敏感,因此加大了沼泽与草地的差异,所以在区分湿地与非湿地上 NDWIB6,B2较 NDWIB5,B2表现更好。
第一类湿地指数(NDWIB4,B2、MNDWI、RNDWI和EWI)区分湿地与非湿地的能力最差,主要原因为该类指数的构建原理是水体在可见光波段的反射率明显大于近红外波段和短波红外波段,而非水体地类不具有这一特征,并且水体在近红外和短波红外波段的反射率明显低于非水体地类,所以除水体外,沼泽、草地和裸地在该类指数上差异不大,均有不同程度的混淆,尤其是沼泽和草地混淆较明显。
利用4地类检验样点,采用总体精度和Kappa系数定量描述不同湿度指数区分二级类的总体能力(图6):总体精度表示所分类的结果与地面所对应区域的实际类型相一致的概率;Kappa系数是一种测定分类结果和地面真实结果之间吻合度的指标,值越高说明分类结果越好。通过对比总体精度和Kappa系数,各湿度指数区分4种地类的总体能力由优到劣为:NDWIB4,B2>TC-Wetness>MNDWI>NDWIB5,B2>NDWIB6,B2>RNDWI>EWI,NDWIB4,B2、TC-Wetness的总体精度达87%以上,Kappa系数达0.78,EWI总体精度只有58%,Kappa系数为0.42。
通过对比各个指数提取水体的用户精度和制图精度发现,提取水体最好的指数为第一类湿度指数,其次为第三类湿度指数,两类指数的用户精度和制图精度(表1)均达到95%以上,最差的为第二类湿度指数,主要原因为水体被误分为沼泽。提取水体各指数优劣顺序为NDWIB4,B2>EWI>MNDWI>RNDWI>TC-Wetness>NDWIB5,B2>NDWIB6,B2。
图7 各个湿度指数的转移矩阵Fig.7 The transfer matrix for different wetness indexes
分析对比各个指数的转移矩阵图(图7),发现沼泽的提取精度不高。除TC-Wetness外,沼泽与草地在各个湿度指数上都有大面积的混分,综合了7个波段的缨帽变换的湿度分量TC-Wetness区分沼泽与草地效果最好,沼泽的制图精度达87.44%,用户精度达76.59%,其他指数提取沼泽的精度都较低,第 一 类 湿 度 指 数 (EWI、RNDWI、NDWIB4,B2和MNDWI)均出现了将部分草地错分为沼泽,第二类湿度指数(NDWIB5,B2、NDWIB6,B2)除将草地错分为沼泽外,还将水体错分为沼泽,主要是因为水体和沼泽从近红外到短波红外变化趋势一致,二者在第二类湿度指数上的特征值存在交叉。
对于非湿地类型的裸地和草地,无论是用户精度还是制图精度均最好的指数为NDWIB4,B2,说明二者在NDWIB4,B2上差异最大,最易区分。
在区分一级类(湿地和非湿地)方面,基于缨帽变换的湿度分量TC-Wetness表现最好,其次为基于近红外和短红外的第二类湿度指数(NDWIB5,B2、NDWIB6,B2),最差的为可见光、近红外或短波红外波段的第一类湿度指数。在区分二级类方面,提取水体最好的指数为第一类湿度指数,以NDWIB4,B2为最优;能有效消除草地对沼泽的干扰,提取沼泽最优的指数为缨帽变换的湿度指数(TC-Wetness);NDWIB4,B2指数在提取裸地和草地时效果较好。对于4种地类的分类结果总体表现最优的为NDWIB4,B2,总体精度为88.7%,Kappa系数为0.80。虽然利用该湿度指数提取水体精度很高,但沼泽的提取精度较低,说明只利用湿度指数作为分类特征因子细分地类较难。需结合多个特征因子,如加入植被指数、地形特征因子等辅助数据,还可加入多时相影像用于提高分类结果精度。
研究区为达赉湖国家级自然保护区,湖河、草本沼泽和草地均具有代表性,而且样点分布均匀、典型,所得结论适用于类似区域的湿地提取,但不同区域的湿地特征不同,因此最优湿度指数存在差异性。
评价现有遥感湿度指数提取湿地的能力,可为大尺度湿地遥感监测和制图提供理论和技术基础。与其他生态系统相比,湿地具有较强的动态性,在后续研究中将针对湿地的动态性特征开展进一步研究。另外现有遥感湿度指数都只适用于特定类型(水体)或特定区域条件下(如 MNDWI)的湿地监测,研究和发展满足对湿地生态系统特征统一监测需要的指标,也是未来湿地遥感监测的重要内容。
[1] 杨永兴.国际湿地科学研究进展和中国湿地科学研究优先领域与展望[J].地球科学进展,2002,17(4):508-514.
[2] 马飞,阚瑷珂,李景吉,等.珠穆朗玛峰国家自然保护区沼泽湿地提取及其退化风险评价[J].地球信息科学学报,2011,13(5):594-610.
[3] 臧淑英,张策,张丽娟,等.遗传算法优化的支持向量机湿地遥感分类[J].地理科学,2012,32(4):434-441.
[4] OTUKEI J R,BLASCHKE T.Land cover change assessment using decision trees,support vector machines and maximum likelihood classification algorithms[J].International Journal of Applied Earth Observation and Geoinformation,2010,12:S27-S31.
[5] 张宝雷,张淑敏,周万村.基于多源数据的若尔盖湿地土地利用遥感自动调查[J].土壤,2008,40(2):283-287.
[6] MCFEETERS S K.The use of the Normalized Difference Water Index(NDWI)in the delineation of open water features[J].International Journal of Remote Sensing,1996,17(7):1425-1432.
[7] 徐涵秋.利用改进的归一化差异水体指数 (MNDWI)提取水体信息的研究[J].遥感学报,2005,9(5):589-595.
[8] 曹荣龙,李存军,刘良云,等.基于水体指数的密云水库面积提取及变化监测[J].测绘科学,2008,33(2):158-160.
[9] 闫霈,张友静,张元.利用增强型水体指数(EWI)和GIS去噪音技术提取半干旱地区水系信息的研究[J].遥感信息,2008(6):62-67.
[10] 丁凤.基于新型水体指数 (NWI)进行水体信息提取的实验研究[J].测绘科学,2009,34(4):155-157.
[11] SIMS D A,GAMON J A.Estimation of vegetation water content and photosynthetic tissue area from spectral reflectance:A comparison of indices based on liquid water and chlorophyll absorption features[J].Remote Sensing of Environment,2003(84):526-537.
[12] ROCK B N,VOGELMANN J E,WILLIAMS D L,et al.Remote detection of forest damage[J].Bio-Science,1986(36):439-445.
[13] GAO B C.NDWI——a normalized difference water index for remote sensing of vegetation liquid water from space[J].Remote Sensing of Environment,1996,58(3):257-266.
[14] CECCATO P,GOBRON N,FLASSE S,et al.Designing a spectral index to estimate vegetation water content from remote sensing data:Part 1:Theoretical approach[J].Remote Sensing of Environment,2002,82(2):188-197.
[15] ZARCO-TEJADA P J,RUEDA C A,USTIN S L.Water content estimation in vegetation with MODIS reflectance data and model inversion methods[J].Remote Sensing of Environment,2003,85(1):109-124.
[16] CHEN D,HUANG J,JACKSON T J.Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near-and short-wave infrared bands[J].Remote Sensing of Environment,2005,98(2):225-236.
[17] ZHANG X,SCHAAF C B,FRIEDL M A,et al.MODIS tasseled cap transformation and its utility[A].Geoscience and Remote Sensing Symposium[C].2002.1063-1065.
[18] ISLAM M A,THENKABAIL P S,KULAWARDHANA R W,et al.Semi-automated methods for mapping wetlands using Landsat ETM+and SRTM data[J].International Journal of Remote Sensing,2008,29(24):7077-7106.
[19] WESTRA T,DE WULF R R.Monitoring Sahelian floodplains using Fourier analysis of MODIS time-series data and artificial neural networks[J].International Journal of Remote Sensing,2007,28(7):1595-1610.
[20] 王羲程.基于TM影像的青藏高原湿地提取方法研究[D].西宁:青海师范大学,2012.
[21] 邹文涛,张怀清,鞠洪波,等.基于决策树的高寒湿地类型遥感分类方法研究[J].林业科学研究,2011,24(4):464-469.