基于GF-1遥感影像湿地变化信息检测算法分析

刘伟乐，林 辉，孙 华

（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）

基于GF-1遥感影像湿地变化信息检测算法分析

刘伟乐，林 辉，孙 华

（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）

湿地遥感变化信息检测并识别一直是遥感动态监测的一个技术难点。以东洞庭湖为研究区，2期GF-1遥感影像为研究对象，在数据预处理的基础上，将研究区分为芦苇、苔草、辣蓼与泥蒿、水体、泥滩地等6种类型。研究引进了NDVI植被指数波段与第一主分量波段（PC1）对传统的图像差值算法进行改进，提取出两期影像的变化信息，并与支持向量机的多时相影像分类后检测算法相比较。结果表明：（1）研究区遥感影像经过大气校正和图像配准等预处理之后，GF-1遥感影像变化检测的最佳波段组合为RGB=432；（2）利用支持向量机分类器对两期遥感影像进行分类时，样本选择的可分离度均在1.9～2.0之间，分类结果的总体精度为85.34%，Kappa系数为0.8，满足分类后比较算法提取变化信息的要求；（3）引进NDVI与第一主分量区分变化信息，并采用直方图积累区间确定变化阈值，信息增加的变化阈值设置为0.3，信息减少的变化阈值设置为0.2，Smooth Kernel Size设置为3，Aggregation Min Size设置为30，优化结果最佳。利用2期GF-1遥感影像提取湿地变化信息，分类后比较算法与改进后图像差值算法，图像差值法快速、直接提取变化信息，检测精度为89.6%，Kappa系数为0.9，且不受分类精度与分类样本一致性的限制，明显优于传统分类比较算法，是一种高效可行的方法。

湿地；动变信息；GF-1卫星；图像差值算法；洞庭湖

湿地是一种处于陆地和水体之间的过渡生态系统，具有蓄洪防旱、保持水源、净化水质、维护生物多样性、调节气候和美化环境等重要生态功能，短时间范围内湿地分布状况的变化、迁徙的空间分析和动态监测评价是全球环境变化检测的重点[1-5]。早期遥感影像变化检测的主要方法是人工目视解译，该方法主要依靠解译人员的目视判读经验，效率低下[6-7]，近年来湿地变化检测方法得到了一定的发展，肖笃宁等[8]提取了1986～1994年间辽东湾滨海湿地景观信息，研究了生境调整与生境更新对区域可持续发展的影响。宁龙梅等[9]基于Landsat-TM影像，对1996年和2001年武汉市湿地景观信息进行了提取，对湿地景观变化信息进行了定量分析。梁守真，李仁东等[10]基于1980～2000年3期 Landsat MSS和TM影像，利用遥感技术对洞庭湖区湿地景观变化进行了研究。目前，湿地生态系统的变化检测研究已经形成了一套完整的体系，但是主要集中在中低分辨率的卫星影像，基于GF-1遥感数据进行湿地信息提取与监测的研究较少，GF-1影像具有高空间分辨率、高时间分辨率、大范围等特点[11-13]，利用高分数据开展湿地变化信息检测研究，既可以扩大高分数据的民用性，又对湿地资源科学利用、合理开发、可持续发展具有重要作用[14]。在湿地变化信息检测的众多方法中可以分成两大类：一是湿地信息分类后检测，二是通过影像特征值的变化进行检测[15-18]。本文以东洞庭湖为研究对象，利用2014年1月和5月的2期GF-1影像为数据源，对影像进行图像配准、几何校正等预处理，采用以下两种方法提取湿地变化信息： （1）影像分类后比较法：将经过配准的两个时相遥感影像分别进行分类，然后比较分类结果得到变化信息；（2）图像差值法：即将两个时相的遥感图像相减或者相除，图像中未发生变化的地类在两个时相的遥感图像上一般具有相等或相近的灰度值，而当洞庭湖地物属性发生变化时，灰度值将有较大差别，因此在差值图像上发生变化区域的灰度值会与背景值有较大差别，从而使变化信息从背景影像中显现出来。对于提取出来的变化信息，利用外业实测的数据进行分析，结合影像各波段的特征进行分类处理，并进行精度评价。

1 研究区概况

研究区位于湖南东洞庭湖自然保护区，介于东经111°49′～ 112°17′，北纬 28°49′～ 29°08′之间，地处洞庭湖西滨（见图1）。保护区总面积35 680 hm2，其中湿地面积26 960 hm2。区内拥有河流、湖泊、沼泽、人工湿地等多种湿地生态类型，永久性淡水湖面积21 710 hm2，占湿地面积的81%。该区属中亚热带季风气候，气候温和，日照充足，雨量充沛，平均气温16.7 ℃，降水量1 200～1 350 mm，无霜期274 d；湿地植被以芦苇为主，约占湿地面积20%。

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

2 数据预处理与外业调查

2.1 数据预处理

为了提高影像的质量、还原真实的地表信息[19]，研究对所采用的GF-1遥感影像进行了辐射校正和图像配准处理。辐射校正过程包括辐射定标与大气校正，主要用以消除依附于辐射亮度中的各种失真，选择ENVI软件特有的FLAASH快速大气校正模块，通过输入地面平均高程、大气模型、气溶胶模型、初始能见度、影像中心位置、获取时间等参数；图像配准则是将不同时间、不同传感器或不同条件下（天气、照度摄像位置和角度等）获取的两幅或多幅图像进行匹配、叠加的过程, 图像配准两期遥感影像的变化信息检测要求同一地区有重叠区。文章以2014年5月1日遥感影像为基准影像，2014年1月19日遥感影像为待配准影像，由于基准影像包含RPC信息，所以自动生成Tie点，进行2期遥感影像配准，研究综合考虑光谱特征与信息量大小，通过标准差、信息熵、最佳指数3个定量评价指标以及目视效果判断，得到GF-1遥感影像最佳波段组合为RGB=432。

2.2 外业调查

本次外业根据植被长势兼顾典型植被（芦苇，苔草，辣蓼，泥蒿）的分布情况，对洞庭湖湿地植被进行调查，采集GPS点157个，并随机设置样地23个，样地大小为30 m×30 m。在每个样地内，设置5个2 m×2 m的小样方，利用GPS采集样地的坐标值，在每个小样方内，利用成像光谱仪和非成像光谱仪测量植被光谱信息，在完成植被光谱值的测定之后，利用叶面积指数仪，在每个小样方内测量5次植被叶面积指数，并用叶绿素仪测量植被叶片的叶绿素含量；在5个小样方内采集生物量样本。

3 结果与分析

3.1 基于多时相影像分类后的变化检测

分类结果比较法是通过两时相影像分类结果，获得变化信息，此方法的精度取决于分类时的精度和分类标准的一致性。根据GF-1遥感影像湿地分类标准，以及洞庭湖植被类型的特征，影像分类的算法为支持向量机法，根据植被的特征采集训练样本，样本为芦苇、苔草、辣蓼、泥蒿、水体、泥滩地6种类型，为了提高分类时的精度，研究计算了各个样本类型之间的可分离性，采用Jeffries-Matusita, Transformed Divergence参数表示，这两个参数值在0～2.0之间，大于1.9说明样本之间可分离性好，属于合格样本；小于1.8，需要重新选择样本；小于1，考虑将两类样本合成一类样本，本文选取的样本分离度均在1.9和2.0之间，两期影像分类结果如图2所示。

图2 两期遥感影像分类结果Fig. 2 Two remote sensing image classification results

分类结果的精度将直接影响两期影像的变化检测，因此需要对分类结果进行评价，确定分类的精度和可靠性。研究采用混淆矩阵法进行精度验证，利用野外实地调查获取的191个样本，匹配原有分类代码，获取分类结果的总体分类精度、Kappa系数、制图精度、用户精度，结果如表1所示。

表1 总体分类精度、Kappa系数、制图精度、用户精度Table 1 Overall classification accuracy, Kappa coefficient,precision mapping, user accuracy

对两个时相分类后的结果影像进行规则类别关联，分类后比较法的结果如图3所示，将提取出的变化信息矢量数据导入ArcGIS软件中，统计两期影像分类结果，并进行精度验证。

3.2 基于改进后图像差值的变化检测

图像差值法是对经过配准的两个时相遥感影像中像元值直接进行差值运算，经过变换处理，提取出变化区域，由于植被变化是湿地资源动态监测的重要内容，传统的图像差值算法就是运用单波段间的简单运算，只能粗略的检测出变化信息，NDVI作为植被指数对地表植被变化反应灵敏，因此研究引用NDVI植被指数波段与第一主分量波段（PC1），设置变化等级阈值，采用直方图积累区间确定变化阈值。以累计区间为对象，对遥感影像进行分割，根据两期影像DN值相似性原则为分割依据，将各DN值统计到相应变化区域，并进行聚类处理，将变化信息增加的变化阈值设置为0.3，信息减少的变化阈值设置为0.2，检测出后一时期影像较前一期影像增加和减少的信息。检测出的变化信息椒盐噪声较严重，含有许多小斑块，利用平滑核（Smooth Kernel Size）和最小聚类数（Aggregation Min Size）对变化结果进行斑块处理，平滑核值越大，平滑尺度越大，经过反复验证，Smooth Kernel Size设置为3，Aggregation Min Size设置为30，结果优化最佳。统计检测结果，研究区遥感影像共计188 725 369个DN值，相较1月份影像，增加的DN值的个数为53 167 610，占总体的28.17%，减少个数为17 352 197，占总体的9.17%，变化信息检测结果图如图4所示。

图3 分类后比较算法变化信息检测结果Fig. 3 Changes in classification of information detection results

图4 图像差值算法变化信息检测结果Fig. 4 The difference between the change in the image information detection algorithm results

东洞庭湖在1月份属于枯水期，植被较少，5月份属于丰水期，植被较多。图像差值算法检测的矢量小班结果，结果如图5所示。

图5 基于图像差值算法变化信息矢量图像Fig.5 Based on the difference between the change in the image information Vectors

3.3 变化信息结果检测及评价

采用系统抽样方法，对研究区进行系统布点，实地验证变化小班信息，建立误差矩阵，对各统计量进行统计以及检验，统计值如表2所示。

研究区总面积623 959.5 hm2，传统的分类后比较算法检测出变化小班1 322个，面积最大为18 576 hm2，实地验证896个小班正确，总体精度为85.34%，其中芦苇变化小班439个，水体与泥滩地变化小班分别为224和256。改进后图像差值算法的变化信息检测明显优于基于多时相影像分类后的变化检测，检测变化小班1 996个，总体精度为89.60%，实地验证1 788个小班正确。两种算法的结果均显示芦苇发生变化最大，水体与泥滩地次之，林地变化面积最小，因为1月东洞庭湖植被枯萎，尤其是芦苇，而5月份芦苇等植被长势茂盛，且又属于丰水期，大部分泥滩地、苔草被水体淹没，泥滩地与苔草面积分别减少了845.25 hm2和 704.15 hm2。

表2 总体精度评价统计Table 2 Statistics of the overall accuracy evaluation

4 结论与讨论

本文通过对GF-1遥感影像湿地变化信息检测算法研究与分析，得到以下结论：

（1）利用支持向量机算法对两期遥感影像进行分类，各样本之间的可分离度均在1.9～2.0之间，满足分离要求，并用实地调查数据验证分类结果，总体精度为85.34%，Kappa系数为0.791 6，保证了分类结果的准确性。通过比较两期影像的分类结果，得到变化信息；

（2）传统的图像差值算法是利用两期影像单波段灰度值进行简单的加减，灰度值不一致则为变化信息，误差大，精度较低，改进后的图像差值算法引进NDVI与第一主分量波段(PC1)，采用直方图积累区间确定变化阈值，并利用平滑核与最小聚类数对变化结果的细小斑块进行处理，大大提高了湿地变化信息检测的精度；

（3）利用两期GF-1遥感影像提取湿地变化信息，比较分类后比较法与改进后图像差值算法，图像差值法快速、直接提取变化信息，检测精度为89.6%，Kappa系数为0.9，明显优于传统分类比较算法，是一种高效且比较切实可行的方法。

[1]许丽丽,万 云,盛 晟,等.淮河流域湿地变化的特征、热点及其影响因素[J].自然资源学报,2013,(8):1383-1394.

[2]祝锦霞,郭庆华,王 珂.湿地高分辨率遥感影像的变化检测[J].中国农业科学,2012,(21):4369-4376.

[3]谢 静,王宗明,任春颖.基于遥感的湿地景观格局季相分析[J].生态学报,2014,(24):7149-7157.

[4]魏立飞,钟燕飞,张良培,等.多波段信息融合的遥感影像变化检测[J].武汉大学学报:信息科学版,2014,(1):8-11,16.

[5]张正健,李爱农,雷光斌,等.基于多尺度分割和决策树算法的山区遥感影像变化检测方法—以四川攀西地区为例[J].生态学报,2014,(24):7222-7232.

[6]胡砚霞,黄进良,杜 耘,等.洞庭湖洲滩速生杨树林变化信息提取方法[J].生态学报,2014, (24):7243-7250.

[7]高媛赟,温小荣,林国忠,等.利用资源一号02C数据提取森林资源变化信息[J].中南林业科技大学学报,2014,34(12):87-90.

[8]朱长明,李均力,张 新,等.近40 a来博斯腾湖水资源遥感动态监测与特征分析[J].自然资源学报,2015,(1):106-114.

[9]吴一全,曹照清,陶飞翔.结合多尺度几何分析和KICA的遥感图像变化检测[J].遥感学报,2015,(1):126-133.

[10]吴 彤.基于ENVI的TM影像变化信息检测方法与实践——大连市部分海岸带变化信息检测[J].经济研究导刊,2014, (33): 294-295.

[11]田 垄.遥感影像湿地变化信息提取算法研究[D].北京:中国地质大学,2010.

[12]罗方权,马克委,吴建良.多时相遥感影像的变化监测方法研究[J].现代测绘,2014,(6):44-46.

[13]田素娟.基于区域远期土地利用规划的黄河口湿地景观变化及保护研究[D].济南:山东农业大学,2010.

[14]满卫东.乌苏里江流域中俄跨境地区湿地动态变化研究[D].延边:延边大学,2014.

[15]邱 琳,林 辉,孙 华,等.基于高光谱数据的东洞庭湖苔草LAI估算研究[J].中南林业科技大学学报,2012,32(7):28-33.

[16]陈 利,林 辉,孙 华.基于WorldView-2影像城市绿地信息提取研究[J].西北林学院学报,2014,(1):155-160.

[17]东启亮,林 辉,孙 华,等.独立分量分析与主成分分析方法的湿地遥感分类精度对比——以西洞庭湖湿地为例[J].湿地科学,2014, (3):332-339.

[18]林 辉,莫登奎,熊育久,等.高分辨率遥感图像均值调整法分割技术研究[J].中南林学院学报,2006,26(4):85-88,95.

[19]薛晓坡,林 辉,孙 华,等.长沙市区景观动态变化分析[J].中南林业科技大学学报,2009,29(1):64-68.

GF-1 analysis of remote sensing image change detection algorithm based on wetland

LIU Wei-le, LIN Hui, SUN Hua
(Research Center of Forest Remote Sensing & Information Engineering, Central South University of Forestry & Technology,Changsha 410004, Hunan, China)

Remote sensing change information detection and recognition has been a technical difficulty of remote sensing dynamic monitoring. This paper takes the east of Dongting Lake as the study area, GF-1 remote sensing image as the research object, on the basis of data pretreatment, divided study area into reed, sedge, Polygonum hydropiperand mud Artemisia, water, mud with 6 types. This study introduce of NDVI vegetation index and the first principal component band (PC1) to improve the traditional image difference algorithm and extract the change information of two images to compare with detection algorithm of support vector machine classification of multitemporal images. The results showed that: (1)Remote sensing images after atmospheric correction and image registration processing, optimum band combination of GF-1 remote sensing image change detection is RGB=432; (2) Using support vector machine classifier to classify the remote sensing image, sample selection degree of isolation were between 1.9-2.0 The overall accuracy of classification results is 85.34% and Kappa coefficient is 0.8 that meet the post classification comparison algorithm to extract change information requirements; Introduction of NDVI and the first principal component to distinguish the change information, using the histogram accumulation interval to confirm change threshold,the result shows that the optimization result is the best when change threshold of increase information is set to 0.3, change threshold of decrease information is set to 0.2 , the Smooth Kernel Size is set to 3 and aggregation Min Size is set to 30. Extraction the change information of wetland from remote sensing images of GF-1, compared with the improved image difference algorithm after classification, the image difference method can quickly, directly extract change information and the result is not affected by classification accuracy and sample consistency . The detection precision is 89.6%.Kappa coefficient is 0.9. Image difference algorithm is superior to the traditional classification algorithm and it is an efficient and feasible method.

wetland; dynamic information; GF-1 satellite; image difference algorithm; Dongting lake

S771.8

A

1673-923X(2015)11-0016-05

10.14067/j.cnki.1673-923x.2015.11.004

2015-07-10

国家重大专项(21-Y30B05-9001-13/15-2)；国家自然科学基金项目(31370639)；湖南省高校产业化培育项目(13CY011)

刘伟乐，硕士研究生

林 辉，教授，博士生导师；E-mail：1053460198@qq.com

刘伟乐，林 辉，孙 华. 基于GF-1遥感影像湿地变化信息检测算法分析[J].中南林业科技大学学报,2015,35(11):16-20.

[本文编校：吴 毅]