由 佳,张怀清,陈永富,高志海,刘 华
(中国林业科学研究院资源信息研究所,北京 100091)
湿地是介于陆地与水体之间的独特生境,两者结合相互作用形成了其独特的生态系统,是地球三大生态系统的重要组成部分,兼具多种生态功能[1-4],同时被誉为“地球之肾”以及自然物种库。湿地植被是湿地生境的重要组成部分,目前,湿地植被的净化污染的能力[5]、湿地植被景观组成[6]、湿地植被变化趋势[7]等方面均受到研究人员的重视。
洞庭湖的主水域是东洞庭湖区,总面积达1 478 km2,是一个天然蓄水型通江湖泊,对长江水量的调节起到较为重要的作用。洞庭湖湿地在利用原有的野外实地勘察获取数据时,因其湖区内部通行条件的限制,采集数据需要花费大量的人工、物力、财力以及时间。因而运用湿地遥感检测技术对洞庭湖植被类型监测,充分分析洞庭湖植被群落以及其生长趋势和区域内部生态环境更迭,有利于其合理地利用湿地资源和湿地生态环境的保护。尤其是在较短的时间维度内对湿地植被资源动态变化、区域湿地植被类型的影像特征、湿地植被类型分类识别能力已成为目前变化检测的侧重点之一。
随着遥感研究技术的飞速发展,利用遥感技术手段对湿地植被类型进行信息提取也有一定程度上的进步。那晓东等[8]运用MODIS影像数据,采用一种基于时间序列的归一化植被指数NDVI区分7种地表植被类型,得到三江平原2005年的湿地植被分布信息。刘瑜等[9]以长江口崇明东滩湿地为研究区域,根据Landsat TM地物反射光谱曲线以及实测数据进行分析,选取9种典型的植被指数进行计算,提出相对适当的研究区域内三波段比值被指数TRVI,并利用该指数进行典型地物信息提取,效果良好。韦玮等[10]以CHRIS为基础影像数据进行植被指数计算及影像融合,提出归一化植被指数与高光谱影像融合后,采用波谱角填图的方法提取湿地植被类型信息,其分类结果使隆宝滩湿地植被类型的提取精度大大提升。乔婷等[11]以SPOT-5卫星影像为数据源,在预处理之后,将NDVI应用到多尺度分割中,结合基于隶属度函数和阈值的面向对象的分类方法对东洞庭湖湿地植被信息进行提取;与此同时,以相同分类方法对未辅以NDVI分割的图像进行植被提取,并与最大似然监督分类法提取的结果进行对比。结果显示,辅以NDVI分割的面向对象信息提取的总分类精度达到了87.69%,Kappa系数达到0.86,提升了湿地植被的提取精度。柴颖等[12]以美国Sacramento-San Joaquin三角洲为研究区域,在光谱特征分析和实测数据的基础上,构造特征指数,建立决策树分类模型对湿地植被进行分类,结果表明,湿地植被在近红外波段(0.75~1.3 μm)上有较为明显的光谱特征差异性,根据这些差异,可以构造合适的特征指数,从而实现湿地植被在物种水平上的识别。
综上,关于湿地植被信息提取的研究已经取得一定进展,但研究内容主要集中在国外卫星遥感影像上,而以国内高分辨率影像为基础的比较研究相对偏少。随着我国遥感技术手段的不断推进,高分辨率的遥感影像能使使用者对地物形状及尺寸获得更高的辨识度,且更新速度快、覆盖范围广,提升了空间信息的可靠性[13]。笔者利用分辨率为50 m的GF-4号卫星遥感影像进行植被类型信息提取,以东洞庭湖为研究区域,对影像进行预处理基础上,在区内选择芦苇、苔草、泥蒿+辣蓼3类典型植被类型,每类选取30个样本区,与数据物候等尽量接近的Landsat 8商业卫星进行对比,采用同样的训练样本,相同的信息提取方法,包括监督分类最大似然法和非监督ISO分类方法进行湿地植被类型信息提取,比较湿地植被分类结果。
1.1研究区概况洞庭湖位于湖南省北部,位于长江中游荆江南岸,地处111°19′~113°34′E、27°39′~29°51′ N,该区域南近益阳等县市,北抵安乡县、南县等县乡,东至汨罗等市,西至澧县等县市。地处亚热带季风气候,年平均气温16.4~17 ℃,年降水量1 100~1 400 mm,年平均过水量达3 126亿m3,总容积220亿m3,其中天然湖泊容积178亿m3,河道容积42亿m3。洞庭湖独特的生境使古老珍稀物种有了得天独厚的生存条件。洞庭湖是长江流域重要的蓄水型湖泊,具有强大的蓄洪能力,同时在保护生物多样性方面发挥着举足轻重的作用。
1.2研究区影像数据该研究利用GF-4号卫星数据进行分析。GF-4号卫星为50 m分辨率光学成像卫星,分为全色波段和多光谱波段,全色和多光谱波段分辨率为50 m,红外谱波段分辨率为400 m(表1),单景覆盖区域为400 km×400 km,影像接收时间为2016年05月11日。
另外还运用了Landsat 8卫星数据进行比较。Landsat 8卫星中OLI传感器有9个波段,拥有30 m多光谱影像和15 m全色影像(表2),成像宽幅为185 km×185 km,影像接收时间为2016年05月11日。
表1 GF-4数据光谱波段和分辨率
表2 Landsat 8数据光谱波段和分辨率
所获数据基本情况见表3。研究区的GF-4和Landsat 8 多光谱图像分别见图1、2。
表3 遥感影像数据情况
图1 111735原始图像多光谱(543组合)Fig.1 Original image multi-spectral of 111735(543 combination)
图2 研究区Landsat 8多光谱图像Fig.2 Multi-spectral of the research area by Landsat 8
对原始遥感影像数据进行预处理,通过融合、配准进行湿地类型信息的提取,在典型的湿地分布区域,通过解译湿地植被类型、湿地植被面积等信息,对基于GF-4影像以及Landsat 8进行判识,并与已有调查资料进行对比,比较判识结果,分析应用能力,评价湿地资源信息提取应用效果。具体流程见图3。
图3 区域湿地植被类型监测能力测试评价流程Fig.3 Flowchart of test and evaluation of regional wetland vegetation type monitoring capability
2.1典型湿地植被类型反射率比较评价在洞庭湖区选择芦苇、苔草、泥蒿+辣蓼3类典型植被类型,每类选取30个样本区,统计其光谱反射的平均值(表4),分析其光谱辐射情况,结果见图4~6。
对比东洞庭湖区3类典型湿地植被类型(芦苇、苔草、泥蒿+辣蓼)的光谱反射平均值以及光谱辐射分析图,可以看出,测试区内的3类典型湿地植被在GF-4影像的可分辨性与Landsat 8差别不大。
表4典型地物光谱反射率统计
Table4Statisticalofspectralreflectanceoftypicalgroundobjects
产品号ProductID相机(传感器)Camera(sensor)波段号Bandnumber样点数量Numberofsamples光谱反射率Spectralreflectance芦苇Bulrush苔草Carexgrass泥蒿+辣蓼Artemisia+Polygonum111735PMIBand13048.0539.8241.40Band2283.22287.14286.48Band3156.581150.06164.25Band4150.96155.21181.23Band5485.48314.97284.70—Landsat8Band1309848.009719.1911343.42Band29426.358849.9210936.21Band37769.407571.069858.25Band424124.8419762.9418267.12
图4 GF-4影像与Landsat 8影像下的苔草光谱辐射对比Fig.4 Spectral radiation contrast of carex grass under GF-4 images and Landsat 8 images
图5 GF-4影像与Landsat 8影像下的芦苇光谱辐射对比Fig.5 Spectral radiation contrast of bulrush under GF-4 images and Landsat 8 images
图6 GF-4影像与Landsat 8影像下的泥蒿+辣蓼光谱辐射对比Fig.6 Spectral radiation contrast of artemisia + polygonum under GF-4 images and Landsat 8 images
2.2湿地植被类型提取能力比较评价将融合后的GF-4和Landsat 8影像裁剪成相同的区域大小,在GF-4影像上的湿地植被区域内进行监督分类,选取样本时,保证原始GF-4和Landsat 8数据链接,使其2个影像的样本保持一致性。所选样本见图7~9。
通过以上的训练样本选取,然后采用最大似然法进行监督分类,分析比较采用该种方法后GF-4影像和Landsat 8数据湿地植被类型的分类结果特征,结果见图10。
图7 GF-4影像与Landsat 8影像下的苔草样本选取Fig.7 Carex grass sample selection under GF-4 images and Landsat 8 images
图8 GF-4影像与Landsat 8影像下的芦苇样本选取Fig.8 Bulrush sample selection under GF-4 images and Landsat 8 images
图9 GF-4影像与Landsat 8影像下的泥蒿+辣蓼样本选取Fig.9 Artemisia + polygonum sample selection under GF-4 images and Landsat 8 images
图10 GF-4影像与Landsat 8最大似然监督分类湿地植被结果Fig.10 Maximum Likelihood Classification of wetland vegetation results under GF-4 images and Landsat 8 images
2.3精度评价研究区精度评价是利用Confusion Matrices评价分类结果,是通过混淆矩阵把分类结果的精度显示在一个混淆矩阵里(用于比较分类结果和地表的真实信息)。研究区运用混淆矩阵对分类结果进行精度分析的结果见表5~6。
表5 GF-4 影像精度评价
表6 Landsat 8影像精度评价
注:生产者精度=正确分类数/某类别总数;用户精度=正确分类数/(正确分类数+错分到某类别总数)
Note: Producer accuracy = number of correct categories / total number of categories; User accuracy = number of correct categories / (correct number of categories + wrongly assigned to a category total)
3.1结论综合上述GF-4影像与Landsat 8数据的湿地植被信息提取结果,得出以下结论:
(1)研究区的GF-4影像和Landsat 8影像的典型湿地植被类型光谱反射率具有相似的变化特征。
(2)在研究区的GF-4影像典型湿地植被类型的细化分类程度较次于Landsat 8影像分类结果。
(3)在研究区的Landsat 8影像分析中出现了在泥滩地中对水体的混淆情况,GF-4影像分析中没有出现水体混淆情况。
(4)GF-4影像的林地出现与耕地部分混淆的现象,在Landsat 8影像也存在该情况。
(5)GF-4影像的典型湿地植被分类斑块特征不明显,次于Landsat 8分类结果的斑块特性。
3.2讨论
(1)东洞庭湖研究区GF-4影像数据质量优良,可以真实反映湿地植被信息,较为适合湿地植被类型提取。
(2)东洞庭湖研究区GF-4影像数据的空间分辨率在湿地重点地区能够很好地识别出湿地植被范围。
(3)通过植被光谱分析,洞庭湖研究区GF-4数据的植被光谱特征明显,若再通过多期不同季相的影像进行光谱特征分析,湿地植被类型区分的效果将会更加明显。
[1] 孙广友.中国湿地科学的进展与展望[J].地球科学进展,2000,15(6):666-672.
[2] 杨永兴.国际湿地科学研究的主要特点、进展与展望[J].地理科学进展,2002,21(2):111-120.
[3] TOYRA J,PIETRONIRO A.Towards operational monitoring of a northen wetland using geometics-based techiniques[J]. Remote sensing of environment,2005,97:174-191.
[4] 王亚欣,鞠洪波,张怀清,等.东洞庭湖国家级自然保护区湿地资源评价[J].地球信息科学学报,2011,13(3):323-331.
[5] 王国生,钟玉书,田敏,等.人工芦苇湿地处理城市污水的研究[J].辽宁农业科学,2006(2):5-8.
[6] 余莉,何隆华,张奇,等.三峡工程蓄水运行对鄱阳湖典型湿地植被的影响[J].地理研究,2011,30(1):134-144.
[7] 王颖,宫辉力,赵文吉,等.北京野鸭湖湿地资源变化特征[J].地理学报,2005,60(4):656-664.
[8] 那晓东,张树清,李晓峰,等.MODIS NDVI时间序列在三江平原湿地植被信息提取中的应用[J].湿地科学,2007,5(3):227- 236.
[9] 刘瑜,韩震,郭永飞.植被指数在长江口潮滩湿地植被信息提取中的应用研究[J].遥感技术与应用,2009,24(6):777-783.
[10] 韦玮,李增元.基于高光谱影像融合的湿地植被类型信息提取技术研究[J].林业科学研究,2011,24(3):300-306.
[11] 乔婷,张怀清,陈永富,等.基于NDVI分割与面向对象的东洞庭湖湿地植被信息提取技术[J].西北林学院学报,2013,28(4):170- 175.
[12] 柴颖,阮仁宗,傅巧妮.高光谱数据湿地植被类型信息提取[J].南京林业大学学报(自然科学版),2015,39(1):181- 184.
[13] 陈述彭.遥感地学分析[M].北京:测绘出版社,1990.
名词解释
扩展即年指标:这是一个表征期刊即时反应速率的指标,主要描述期刊当年发表的论文在当年被引用的情况。具体算法为:
扩展他引率:指该期刊全部被引次数中,被其他刊引用次数所占的比例。具体算法为: