基于IRS-P6的岷江上游裸地变化特征研究

杨斌 李茂娇 王世举 高桂胜

（1 西南科技大学 环境与资源学院，绵阳 621010）

（2 北京师范大学 水科学学院，北京 100675）

0 引言

岷江上游是长江上游生态屏障的重要组成部分，长期以来地震活动和地质灾害频发，生境系统受到极大的威胁和挑战，同时该区域亦是成都平原和长江上游地区生态环境与社会经济发展的咽喉地区[1]。在岷江上游地区中存在典型的干旱河谷地貌特征，其在气候特征上表现为“即热又干”，呈现出高蒸发、低降水、干湿季明显，昼夜温差大等特点[2]，长期以来岷江上游低河谷地带以干旱河谷为典型地貌区域，加剧了该区域生态环境脆弱变化趋势，造成岷江上游流域土壤侵蚀、水土流失、森林加剧退缩等生态环境问题[3]。

针对上述问题，国内外研究人员利用地球资源卫星对其进行大尺度的区域环境安全评价、生态环境脆弱性分析、地质灾害区域评估等工作，采用的地球资源卫星数据涉及到美国陆地资源卫星系列（Landsat-5、Landsat-7和Landsat-8），法国SPOT系列卫星数据，日本的ASTER卫星数据，中国“资源三号”、中巴地球资源卫星系列（CBERS-01、CBERS-02、CBERS-03）等，而利用印度第三代地球资源卫星（Resourcesat-1，也称IRS-P6）在研究此类问题应用中并不多见[4-6]。IRS-P6卫星数据具有较高分辨率、重访周期短、覆盖范围大等特点，已成为国际遥感应用领域中重要的对地观测补充数据[7]。本文选取岷江上游IRS-P6汶川地震前后数据，通过对其进行图像预处理、最佳波段组合分析、裸地特征提取、结果对比分析，为全面定量分析地震前后裸地特征变化提供数据参考和技术支撑。

1 IRS-P6影像数据选取与处理

1.1 IRS-P6遥感数据

IRS-P6卫星是由印度空间研究局（ISRO）发射的地球资源卫星，共携带多光谱传感器LISS4、LISS3及高级广角传感器AWIFS三种类型[8]。其中LISS3具有4个光谱波段，波段号为2、3、4、5，且每个波动地面空间分辨率均为23 m，其优良的地表特征广泛应用到国土监测领域。根据中国科学院对地观测与数字地球科学中心网站共享资源和研究需求，共选取了10景品质较好的LISS3数据作为本次研究的数据源（见表1）。

表1 岷江上游IRS-P6数据源基本信息Tab.1 The foundational information of IRS-P6 database in the upper of Minjiang River

1.2 数据处理

根据裸地特征提取需求，将数据处理流程分为以下4个阶段（见图1）：

图1 数据处理分析流程Fig.1 The flow chart of data processing and analyzing

1）数据预处理：包括图像预处理、色彩调整、反差扩展、去霾处理、大气校正等过程，在此阶段完成对影像数据的拼接、配准、几何校正、裁剪、色彩调整、波段反差扩展分析、大气校正等基本遥感图像处理过程，这些过程在ENVI软件平台下进行。

2） 最佳波段组合分析：通过对预处理后的IRS-P6遥感数据进行基本的单元和多元统计分析；用ENVI软件计算出2个不同时期图像各波段的最大值、最小值、亮度范围、平均值、方差、中间值、直方图以及各波段之间的方差、协方差矩阵、相关系数矩阵；再采用美国Chavez 等1984年提出的最佳指数法（OIF）概念模型分析求解出此范围内最佳组合波段[9]。

3）裸地特征提取：通过对岷江上游不同时期遥感数据进行目视解译，分别建立2个不同时期典型的解译标志，重点分析干旱河谷区域裸地特征变化趋势；利用监督分类最大似然法模型提取出2个时期的裸地分布数据，再采用聚类统计分析方法修订分类结果。

4）结果对比分析：利用岷江上游解译数据，在ENVI软件平台下快速提取出2个不同时期干旱河谷区域范围内裸地数据；采用对比统计分析方法计算不同时期变化情况，并对干旱河谷裸地数据进行空间格局分析，为干旱河谷治理提供参考方案。

2 遥感数据统计与最佳波段组合

2.1 遥感数据参数统计

通过计算遥感图像各波段的最大值、最小值、亮度范围、平均值、方差、中间值、直方图以及各波段之间的方差、协方差矩阵、相关系数矩阵等内容，为岷江上游内最佳波段组合分析提供必要的参考信息与指标。在ENVI软件中具体实现过程如下：

1）启动ENVI软件导入遥感数据，在Open菜单中打开图像，用RGB 3个通道进行图像显示，这3个波段赋予了不同颜色数据值，在主图像中便可出现不同的合成效果；

2）在 ENVI软件主菜单的 Basic Tools 选项下选择 Statistic- Compute Statistic，选择好波段后在Compute Statistic Parameters里选择Basic Stats和Covariance、Output to the Screen和Output to a Text Report File，便可生成一个文本，里面包含各波段的光谱值、特征值和协方差、相关系数和特征值信息。

分别对2个不同时期影像数据进行统计分析，得出岷江上游不同时期IRS-P6图像各光谱波段的最小值、最大值、平均值、标准差、特征值及相关系数矩阵，见表2～表5。

表2 震前图像各波段光谱的最大值、最小值、平均值、标准差和特征值(2007)Tab.2 The Max、Min、Mean、Std. and eigen value of every bands before the earthquake (2007)

表3 震前图像各波段相关系数矩阵(2007)Tab.3 The correlation coefficient matrix of every bands on image before the earthquake (2007)

表4 震后图像各波段光谱的最大值、最小值、平均值、标准差和特征值(2009)Tab.4 The Max、Min、Mean、Std. and eigen value of every bands after the earthquake (2009)

表5 震后图像各波段相关系数矩阵(2009)Tab.5 The correlation coefficient matrix of every bands on image after the earthquake (2009)

通过对震前震后2景IRS-P6 影像数据（不包括全色波段）各波段参数的提取与分析，可以得出：影像中4个波段的标准差大小顺序为波段2 gt;波段4 gt;波段5 gt;波段3（震前），波段2 gt;波段 3 gt;波段 4 gt;波段 5（震后），反映出地震作用下波段 3变量的变化作用及各波段在不同时期离散程度的大小；特征值的大小顺序为波段 2 gt;波段 3 gt;波段 4 gt;波段 5，呈现出地震前后结果一致，也反映各波段所包含的信息量的大小。由此可以推导出，波段2的标准差和特征值都最大，地震前波段3的标准差最小，地震后波段5的标准差和特征值都最小。从对各波段相关系数矩阵分析得出，波段5和其余几个波段的相关系数最小，其中波段2与波段3的相关系数超过0.99，呈现出明显相关性, 说明两者在光谱信息上有很强的一致性。

2.2 最佳波段组合分析

遥感影像波段组合选择有两点原则：一是所选择的波段和波段组合的信息量最大；二是所选的波段和波段组合使得某些地物类别之间最容易区分。在多光谱遥感数据最佳波段组合中常选用最佳指数方法（OIF）进行评估[10]。最佳指数是指用所选区域影像数据 3个不同波段标准差之和除以其相关系数之和的数值来评价影像合成品质，它的数据值表征所选区域影像信息量的大小及相关系数之间的相对独立性。最佳指数值越大说明其信息量越丰富，信息冗余度越小，各波段数据间独立性越高，可用如下方程表示：

表6 岷江上游地震前后IRS-P6图像不同波段组合最佳指数Tab.6 The different band combination result using OIF method on IRS-P6 image in the upper of Minjiang River before and after the earthquake

图2 地震前后岷江上游IRS-P6假彩色合成影像图（5,4,2组合）Fig.2 The false color composite image on IRS-P6 in the upper of Minjiang River before and after the earthquake (5,4,2 band combination)

3 裸地特征提取与分析

3.1 特征增强技术

根据计算求取出的最佳波段组合 5(R)、4(G)、2(B)，需通过光谱增强与变换技术对其遥感影像进行增强处理，使其结果更加具有针对性，尤其适用于目标明确，结构相对单一的分类解译标志[11]。在构建分类解译标志前，需要增强图像中的线状物体细节部分或者主干部分等内容突出裸地与非裸地间的领域特性[12]。空间卷积图像特征处理方法适合处理核心区域解译图像信息，即图像的空间频率的增强或减弱是通过对每个像元周围的邻近像元的处理来实现的[13]。在处理图像过程中，利用该方法对一幅图像进行空间卷积需要两个环节：

1） 卷积核的确定：建立一个包含一系列相关系数或权重因子的移动窗口，该窗口一般默认为正方形，本研究选取卷积核大小为3*3，卷积核类型选取高斯高通滤波。

2）权重值的确定：权重值（Add Back）是原始图像在结果输出图像中所占的百分比。将原始图像中的一部分按权重比例叠加到卷积滤波结果图像上，有助于保持图像的空间连续性。本研究采用的25%的权重值。

通过以上分析和实验得出，高斯高通滤波在保持图像高频信息的同时，消除图像中的低频成分，对于增强裸地纹理与裸地领域边缘等信息具有较好的作用，为建立解译标志奠定图像处理基础。

3.2 裸地领域特征分析

根据国土资源部2007年8月颁布的土地利用现状分类标准（GB-T21010-2007），将其裸地定义为表层为土质、基本无植被覆盖的土地，或表层为岩石、石砾，其覆盖面积≥70%的土地[14]。在研究过程中根据分类标准、野外调查与遥感解译经验将其概念进行了扩展，认为没有植物生长、土壤含水量低或岩石裸露出来的地面均为裸地（广义概念）[15]。因此，可以得出裸地在野外和遥感图像中表现出来的显著特征为植被覆盖度低、岩石裸露、分类边界较明显。结合以上分析，将岷江上游的解译标志分为裸地与非裸地2种地类，并选取地震前后典型类型下裸地特征样本区域，进行典型特征归纳分析：

1）在汶川地震强大扰动作用下岷江上游灾害体发育直线上升，在遥感影像中呈现出条带状灰白色区域（图 3（a））。

2）岷江上游干旱河谷区在地震后，部分区域植被退化，影像中也呈现出片状灰白色区域（图3（b））。

3）聚落生态区在岷江上游分布比较多，在遥感影像对比可发现裸地化特征加剧，影像中呈现出扩散性的白色区域（图3（c））。

4）岷江上游土地类型多样性在汶川地震影响下，土地类型有所变化，例如原始的薄弱草皮进一步遭受破坏，在遥感影像中呈现出土黄色区域范围扩大（图3（d））。

图3 地震前后岷江上游典型类型下裸地特征对比情况Fig.3 The model features contrast of bare land in the upper of Minjiang River before and after the earthquake

3.3 监督分类提取方法——最大似然法

监督分类是因其需要选取岷江上游训练样本数据而将主观与客观相结合的一种图像处理分类方法，而最大似然法是将实地观测、影像解译、地图分析及个人经验相结合来识别和定位地物覆盖类型的一种基于图像统计的监督分类法[16]。本次研究利用最大似然法进行裸地地物特征分类可分为5个步骤（图4）：

图4 基于最大似然法的裸地地物特征分类方法流程Fig.4 The method flow chart of bare land feature classification based on maximum likelihood method

1）根据岷江上游IRS-P6影像特点、裸地特征分布对比其情况圈定具有代表性的裸地特征训练样本。在选取过程中应考虑其代表性和完整性，并将具有不同光谱特性的同种地物分别采集训练样本，裸地特征训练样本应能充分的反映个体环境下所有光谱构成；

2）对不同环境状态下的训练样本进行统计值分析，将精度不好的样本剔除或重新选择，确定岷江上游准确可靠的优质特征样本数据（只选取裸地类型）；

3）将筛选之后的优质样本参与到最大似然法分类中，确定待分像元与已知地类的归属概率，将像元归并到概率最大的类别中去，求取裸地与裸地分布区域；

4）对裸地分类结果进行精度评价，如果结果不符合要求，则重新进行选择样本与分类，直到满意为止，最终得到汶川地震前后岷江上游裸地分布图（图5）；

5）将岷江上游地震前后裸地分类结果进行数据导出，从空间范围定量统计地震前后裸地分布面积。

3.4 裸地分布面积与特征分析

通过对裸地分类结果对比分析，得出该区域内河谷两侧的裸地前后变化比较明显。在ArcGIS Desktop软件下利用叠置分析提取出该区域裸地特征分布空间格局变化情况；并利用ArcGIS Desktop软件的地统计分析功能统计出岷江上游范围内裸地分布面积数据。通过对比分析得出：

1）高程变化，岷江上游裸地分布高程从2006年的2 200 m提升至2009年的2 800m，分布区域逐渐扩大。

2）面积变化，2006年裸地分布面积为2 196 km2，2009年裸地分布面积扩大到3 680km2，裸地分布面积净增达1 484 km2。

3）地震前后裸地面积增加较多的区域主要集中分布在汶川县至茂县交界区域（映秀镇、卧龙镇、绵虒镇至草坡乡一带、茂县的光明乡至东兴乡一带）、理县的杂谷脑河流域一带、黑水县的晴朗乡至木苏乡及黑水河流域一带，松潘县的变化较小。总体而言，岷江上游干旱河谷区域、汶川和茂县交界地带裸地面积增加较快，应加强在该区域内的生态环境建设治理。

图5 地震前后岷江上游裸地分类结果Fig.5 The classification result of bare land in the upper of Minjiang River before and after the earthquake

4 结束语

裸地特征信息提取是岷江上游流域生境系统可持续发展的关键因素，也为定量评估岷江上游生态环境脆弱区与敏感区提供重要依据和支撑。通过选取汶川地震前后10景IRS-P6卫星LISS3遥感影像数据，对其进行遥感图像预处理、最佳波段组合、裸地特征信息提取、不同时期裸地结果对比分析等过程，利用裸地广义概念提取出岷江上游流域2006年裸地分布面积2 196km2，2009年裸地分布面积3 680km2，净增加1 484 km2；其分布高程从2006年的2 200m提升至2009年的2 800m。从其分布空间范围来看，裸地增加较多区域集中汶川与茂县交界地带、理县的杂谷脑河流域一带、黑水县的晴朗乡至木苏乡及黑水河流域一带、理县的杂谷脑河流域一带。对其原因分析可归纳为震后灾害体发育剧烈、干旱河谷范围扩大、资源开发加剧变化的影响。该方法研究拓展了IRS-P6卫星LISS3数据的应用领域与范畴，也为岷江上游流域环境脆弱性区综合评价分析提供有力支撑。

致谢：感谢国家留学基金委面上项目资助(201408510071)。

References)

[1]樊宏. 岷江上游近50a土地覆被的变化趋势[J]. 山地学报, 2002, 20(1): 64-69.FAN Hong. A Study on 50a Land Use and Cover Change of Watershed of Upper Minjiang River[J]. Journal of Mountain Science, 2002, 20(1): 64-69. (in Chinese)

[2]杨兆平, 常禹, 胡远满, 等. 岷江上游干旱河谷景观变化及驱动力分析[J]. 生态学杂志, 2007, 26(6): 869-874.YANG Zhaoping, CHANG Yu, HUYuanman, etal. Landscape Change and its Driving Forces of Dry Valley in Upper Reaches of Minjiang River[J]. Chinese Journal of Ecology, 2007, 26(6): 869-874. (in Chinese)

[3]沈茂英. 川西干旱河谷区生态环境建设的社会保障机制研究[J]. 林业科学, 2003, 24(1): 19-25.SHEN Maoyin. A Research on the Social Guarantee Mechanism for the Ecological Environment Construction in Arid River Valleys of Western Sichuan[J]. Journal of Gansu Agricultural University, 2003, 24(1): 19-25. (in Chinese)

[4]徐涵秋, 唐菲. 新一代 Landsat系列卫星: Landsat-8遥感影像新增特征及其生态环境意义[J]. 生态学报, 2013, 33(11):3249-3257.XU Hanqiu, TANG Fei. Analysis of New Characteristics of the First Landsat 8 Image and Their Eco-environmental Significance[J]. Acta Ecologica Sinica, 2013, 33(11): 3249-3257. (in Chinese)

[5]林谭. 基于SPOT影像的面向对象分类方法应用研究[D]. 东北师范大学, 2012.LIN Tan. Application of Object-oriented Classification Based on SPOT Image[D]. Northeast Normal University, 2012.

[6]Hazarika M K, Yasuoka Y. Estimation of Net Primary Productivity by Integrating Remote Sensing Data with an Ecosystem Model[J]. Remote Sensing of Environment, 2005, 94(3): 298-310.

[7]王钦军, 田庆久. IRS-P6 卫星LISS3图像数据质量评价[J]. 地理与地理信息科学, 2007, 23(3): 11-14.WANG Qinjun, TIAN Qingjiu. Quality Evaluation of LISS 3 Image from IRS-P6 Satellite[J]. Geography and Geo-Information Science, 2007, 23(3): 11-14. (in Chinese)

[8]周翔, 林辉, 马丰丰, 等. IRS-P6影像最佳波段组合选择与制图精度评价[J]. 中南林业科技大学学报, 2008, 28(1):117-121.ZHOU Xiang, LIN Hui, MA Fengfeng, etal. The Optimum Band Combination and Mapping Precision of IRS-P6[J]. Journal of Central South University of Forestry amp; Technology, 2008, 28(1): 117-121. (in Chinese)

[9]杨斌, 王金生, 詹金凤. Landsat-5遥感卫星波段组合与比值分析在汶川地震前后的应用[J], 航天返回与遥感, 2014,35(1): 81-90.YANG Bin, WANG Jinsheng, ZHAN Jinfeng. Application of Band Combination and Ratio Analysis about Landsat-5 Satellite Before and After Wenchuan Earthquake[J]. Spacecraft Recovery amp; Remote Sensing, 2014, 35(1): 81-90. (in Chinese)

[10]苏涛, 冯绍元, 徐英. IRS-P6 LISS-3和 Landsat-5 TM两种多光谱传感器影像数据的对比分析[J]. 遥感技术与应用, 2012,27(6): 887-895.SU Tao, FENG Shaoyuan, XU Ying. Study on Relationship between lRS-P6 LISS-3 and Landsat-5 TM Remote Sensing image[J]. Remote Sensing Technology and Application, 2012, 27 (6): 887-895. (in Chinese)

[11]Rahman Md R. Flood Inundation Mapping and Damage Assessment Using Multi-temporal RADARSAT and IRS 1C LISS III Image[J]. Asian Journal of Geoin-formatics, 2006, 6(2): 11-21.

[12]丁美青, 肖红光, 彭文澜, 等. 基于遥感的汶川震区水体快速提取[J]. 航天返回与遥感, 2012, 33(2): 88-92.DING Meiqing, XIAO Hongguang, PENG Wenlan, etal. Fast Extraction of Water Bodies Information in Wenchuan Earthquake Region Based on Remote Sensing[J]. Spacecraft Recovery amp; Remote Sensing, 2012, 33(2): 88-92. (in Chinese)

[13]Rahman Md R, Saha S K. Spatial Dynamics of Cropland and Cropping Pattern Change Analysis Using Landsat TM and IRS P6 LISSIII Satellite Images with GIS[J]. Geo-spatial Information Science, 12(2): 123- 134.

[14]樊宏, 张建平. 岷江上游半干旱河谷土地利用/土地覆盖研究[J]. 中国沙漠, 2002, 22(8): 273-278.FAN Hong, ZHANG Jianping. Study on Land Use/Cover in Arid Valley of Upper Minjiang Watershed[J]. Journal of desert research, 2002, 22(8): 273-278.

[15]杨斌, 詹金凤, 李茂娇. 岷江上游流域环境脆弱性评价[J]. 国土资源遥感, 2014, 26(4): 138-144.YANG Bin, ZHAN Jinfeng, LI Maojiao. Evaluation of Environmental Vulnerability in the Upper Reaches of the Minjiang River[J]. Remote Sensing for Land amp; Resources, 2014, 26(4): 138-144. (in Chinese)

[16]肖辉军, 蒋恩松, 丁树文. 基于SVM的IRS-P6卫星影像分类方法[J]. 陕西科技大学学报, 2008, 26(6): 154-158.XIAO Huijun, JIANG Ensong, DING Shuwen. Classification of IRS-P6 Satellite Imagine Using SVM Method[J]. Journal of Shanxi University of Science amp; Technology, 2008, 26(6): 154-158. (in Chinese)