基于SMDPSO算法的呼伦湖藻华遥感监测

曹萌萌，青 松，杜雨春子，袁瑞强，顺布日

(内蒙古师范大学 地理科学学院，内蒙古 呼和浩特 010022)

1 研究背景

随着社会发展和人类活动强度的增加，我国乃至全世界的生态环境遭到破坏，其中水体富营养化引发的藻华现象已成为社会最关注的问题之一[1]。藻华不仅破坏湖泊景观，导致生物量减少，同时也会造成水体自净能力失衡，严重影响湖泊水生态环境。因此，对湖泊藻华进行实时动态监测是预防与治理藻华的关键[2-4]。

与传统方法相比，遥感技术不仅可以有效地绘制藻华的空间分布，也可以实时监测其生长情况，所以国内外学者采用了多种方法对藻华进行提取分析。其中，光谱指数法被广泛应用于藻华识别研究，例如：NDVI指数[5-6]、FAI指数[7-9]、AFAI指数[10]、EVI指数[11]、NDICB指数[12]等。同时，也有学者进一步结合多个光谱指数建立了分类决策树，并用来提取复杂水体环境中的藻华[13-15]。此外，除了常见的监督或非监督分类方法[16-18]，还有少部分研究结合了野外实测光谱数据[19]、目视解译方法、水质参数反演法[20]和专家系统[21]对藻华进行识别。综合对比以上几种分类方法，发现它们各自都具有缺陷。结合光谱指数的决策树分类算法缺乏伸缩性，难以针对大量训练数据集中确定唯一的有效阈值，对缺失值敏感，容易过拟合，从而加大误差。监督分类方法的缺点在于人为主观性强、选择样本的成本较高，而且仅限于识别已定义的类别。非监督分类方法的分类精度无法保证，往往需要后期大量的分析处理。专家系统则在知识获取和量化等方面颇为困难。此外，由于获取野外实测数据与高分辨率影像的成本高、操作难度大，所以难以对藻华进行高效率的识别。

自1995年粒子群优化算法被提出后[22]，已成功应用于洪水监测[23]、水质参数反演[24]、生物量估算[25]和土地利用变化[26]等多个方面。其中，基于离散粒子群优化的光谱匹配(spectrum matching based on discrete particle swarm optimization, SMDPSO)算法是由Jia等[27]提出的一种用于提取地表水的方法，他们运用该算法较精确地提取了全球8个地区不同类型的水体。与上文中提到的其他方法相比，SMDPSO算法具有精度高、成本低、参数少、先验知识少和自动化潜力大的优点。但目前基于SMDPSO算法的藻华监测研究鲜有报道，而且在以往的藻华研究中，很少涉及到中国东北部冰封期较长的湖泊。因此，本文拟运用SMDPSO算法对2009-2018年呼伦湖的藻华进行提取，并与光谱指数FAI进行对比验证。然后，总结藻华的时空分布特征，并对SMDPSO算法的适用性和优缺点进行评价。本研究的成果可以为分析呼伦湖藻华发生发展规律和进一步治理和保护湖泊生态环境提供参考。

2 数据来源与研究方法

2.1 研究区概况

呼伦湖位于内蒙古呼伦贝尔市，是内蒙古第一大湖泊，其地理位置及水系分布见图1。湖泊冰封期从11月到次年5月，时间跨度长达6-7个月[28]。随着气候环境变化和人类活动强度的增大，呼伦湖面积逐渐缩减，水体富营养化加剧。尤其是自20世纪80年代以来，呼伦湖开始频繁出现藻华爆发的现象，引起了严重的生态环境问题[4]。呼伦湖藻华的优势门为蓝藻门，其次是绿藻门[29]。

图1 呼伦湖地理位置及水系分布

2.2 遥感数据及预处理

基于时间分辨率、空间分辨率、影像波段数量和卫星发射时间等因素的综合考虑，本文选取2009年至2018年间非冰封期(5月1日-11月1日)的Landsat系列影像对呼伦湖藻华进行遥感识别。为了避免云的干扰，本文共筛选出53景无云且质量较好的影像进行研究。影像预处理主要包括辐射定标和大气校正。大气校正通常包括瑞利散射和气溶胶矫正，但由于呼伦湖水体情况复杂, 受陆地的影响较大, 气溶胶变化较为强烈, 因此难以对呼伦湖进行精确的气溶胶矫正。本研究采用Vanhellemont等[30-31]的算法消除瑞利散射对遥感影像的影响。另外，为了消除陆地信息对提取结果的干扰，进一步选用MNDWI(改进归一化差异水体指数)提取呼伦湖水域。

2.3 SMDPSO算法

运用基于离散粒子群优化的光谱匹配(SMDPSO)算法提取呼伦湖的藻华，需要两个步骤：(1)对遥感影像进行光谱匹配获得藻华概率图；(2)运用DPSO(离散粒子优化)算法识别概率图中的藻华[27]。

本研究选取呼伦湖中藻华的特征波段作为标准光谱进行匹配。标准光谱曲线和目标光谱曲线两者之间的相似程度为藻华的概率，两者差异越小，则像元被识别为藻华的可能性就会越高。计算方式如下：

PB=cos(B,O)·dist(B,O)

(1)

(2)

(3)

式中：PB为像元是藻华的概率；变量B=(b1,b2,…,bc)和O=(o1,o2,…,oc)分别为藻华的标准光谱矢量和任一像素的光谱矢量；c为波段数量。

为扩大不同波段之间的相对差异，将藻华的概率值进行归一化处理。概率值越大表明该像素为藻华的可能性就越大，而像元是非藻华的概率值可以用公式(4)表示。

PNB=1-PB

(4)

然后将光谱匹配后得到的概率图分割为行×列(即rows×cols)的多个图块，将每个图块当做自变量代入自适应函数T中，通过多次迭代，DPSO算法可以求出各图块的最大自适应值 maxT，而该值所对应的各像素的位置即为分类结果，最后将各个图块的分类结果合并即可。具体公式如下：

(5)

(6)

如果将概率图分为n个图块，则解析过程重复n次，而此处只考虑1个图块。本研究设定1个图块的大小为D=4×4，其适宜解{x1,x2,…,xd}由公式(7)决定。

(7)

(8)

(9)

(10)

(11)

(12)

DPSO算法运用于单个图块的具体步骤如下：

(1)随机生成I个D维粒子，即1个I行D列的矩阵X。矩阵X中的值为0或1。同时，随机生成速度矩阵V，V的取值范围为0～1。

(2)对于X的每一行，图块中的像元被分为两类：藻华和非藻华。根据公式(5)计算X每行的自适应值T，记录每行的历史最优解，X中最大自适应值Tmax所在的那行为全局最优解。

(3)运用公式(8)、(9)、(11)更新速度矩阵V，运用公式(8)～(10)和公式(12)更新位置矩阵X。

(4)再次计算X每行的自适应值T，并比较本次与上次迭代时X每行的自适应值T，选取较大T值所在位置更新历史最优解和全局最优解。

(5)当k=kmax时，进行下一步，否则返回第(3)步。

(6)全局最优解是该图块的最终分类结果。之后依次对其他图块重复上述步骤。

2.4 光谱指数法

浮游藻类指数FAI(floating algae index)是由Hu[32]提出的一种监测海洋与近海岸带藻类的方法，该指数对环境条件的适应能力强，可以有效地提取漂浮藻类，已被广泛应用于藻类的业务化监测中。因此，本研究选取FAI对呼伦湖藻华进行遥感识别，并将结果作为验证数据来检验SMDPSO算法的精度与可靠性。

2.5 精度验证方法

以FAI的分类结果为标准，运用格网统计法对SMDPSO算法进行精度验证。具体原理为：在呼伦湖内创建若干个大小为3 km×3 km的正方形格网，以格网为单位分别统计SMDPSO算法和FAI提取的藻华面积，之后构建散点图，并计算两者之间的决定系数(R2)和均方根误差(RMSE)。

3 结果与分析

3.1 标准光谱曲线与概率图

首先，对标准假彩色合成的遥感影像进行交互式色彩拉伸，基于先验知识目视选取藻华与水体的样点各164个。然后，计算样点在各个波段的光谱反射率的平均值，得到呼伦湖藻华和水体的标准光谱曲线，如图2所示。

图2 呼伦湖藻华和水体的标准光谱曲线

由图2可以看出，藻华的光谱特征与典型植被相似，且在各个波段的反射率均大于水体。虽然藻华和水体在绿光波段都具有1个小的反射峰, 但水体的反射率在绿光波段之后就随波长增加而逐渐降低，直至短波红外波段便趋于0，曲线整体呈现出1个上下翻转的“对勾”形状。与之不同的是，藻华在红光波段具有明显的吸收谷，随后在红光波段到近红外波段之间形成一个“陡坡”，反射率急剧上升,在近红外波段达到顶峰。

基于上述特征，本研究以藻华标准光谱曲线中的红光波段、近红外波段和短波红外波段进行光谱匹配，并得到藻华概率图如图3所示。

图3 呼伦湖藻华概率图(2017-08-20)

3.2 分类结果及验证

以MATLAB R2018软件为平台，运用SMDPSO算法提取呼伦湖藻华。其中，输入对象为Landsat影像图，输出结果为二值图像。之后,采用ArcGIS10.2软件整理出图，最终得到2009-2018年呼伦湖藻华分类图，如图4所示。由于2012和2016年的大部分影像有云覆盖，且其余影像也未发现有藻华爆发，因此图4缺少这两年的分类图。

图4 基于SMDPSO算法的2009-2018年呼伦湖藻华分类图

本文又选取了2015年7月28日和2017年8月2日的遥感影像，对比SMDPSO算法和FAI的分类结果，并结合格网统计法绘制散点图(见图5)，对结果进行定量评价。

由图5可以看出，SMDPSO算法和FAI的藻华提取结果十分相似，无论是面状、块状，还是絮状的藻华都能被准确提取。散点图中绝大多数点也紧密分布于1∶1线附近，整体拟合度较好。不同分类方法之间的决定系数R2在2015年7月28日和2017年8月2日分别为0.98和0.97，均方根误差RMSE均小于0.22 km2，这表明SMDPSO算法可以准确识别呼伦湖藻华。

图5 基于SMDPSO算法和FAI的呼伦湖藻华分类结果及散点图(以2015-07-28和2017-08-02遥感影像为例)

3.3 呼伦湖藻华时空分布特征

通过计算各影像中藻华的面积，得到了2009-2018年呼伦湖的藻华面积统计图，如图6所示。

由图6可知，呼伦湖藻华大多爆发于每年7和8月，其次是6和9月，藻华面积较大的日期集中在7月下旬至8月中旬(2009年8月12日：125 km2；2011年8月9日：115.5 km2；2015年7月28日: 87.6 km2)。

图6 2009-2018年呼伦湖藻华面积统计

为了探究呼伦湖藻华的空间分布特征，本文以像元为单位统计了2009-2018年藻华出现的次数，结果见图7。

由图7可知，藻华主要出现在湖泊南部、西南部和北部的边缘，而湖区中心却很少出现藻华，水体情况较好，这可能是周围土地类型和水流流速所导致的。一方面，湖区东北部为呼伦湖的旅游景点，人类的频繁活动对湖水产生了巨大影响；另一方面，由于湖区西南部距克鲁伦河入湖口较近，而此处长期受到放牧和工厂排放的影响，所以导致河口富营养化加剧，很容易出现藻华。

图7 2009-2018年呼伦湖藻华次数空间分布

3.4 算法适用性评价

为了进一步验证SMDPSO算法在其他区域的适用性，以2016年7月2日黄海区域的OLI影像为数据源对浒苔(属绿藻门，呈绿色)进行识别，并与FAI的分类结果进行比较，见图8。其中图8(b)和8(c)分别为SMDPSO和FAI方法的分类结果，其中绿色表示浒苔，蓝色表示海水。

图8 不同方法对黄海浒苔的提取结果及散点图(2016-07-02)

图8中的对比结果表明，浒苔的空间分布具有高度一致性，SMDPSO算法能够很好地捕捉和描绘浒苔条纹的细节与形状，即使是很小的斑块也能清晰地识别出来。此外，结合格网统计法绘制的SMDPSO和FAI分类结果的散点图也表现出非常好的线性关系，拟合线几乎与1∶1线重合，R2达到0.97，RMSE为0.015 km2，这说明SMDPSO算法可以有效地识别黄海的浒苔。同时，也为算法的进一步发展和应用提供了方向。

与光谱指数法相比，SMDPSO算法既保留了其分类精度高的特点，也在其他方面具有独特的优势。首先，SMDPSO算法的参数少、成本低，且无需人工干预。此算法所涉及的参数仅包括标准光谱和图块大小，而且一旦确定就无需改变。但是，使用光谱指数法进行遥感分类时，经常需要运用目视解译方法对每一幅影像的阈值进行调整以保证分类精度，这种方式不仅具有很大的主观性，而且也会消耗许多时间和人力。所以，SMDPSO算法比光谱指数法更加简单方便。其次，由于SMDPSO算法是基于目标地物的标准光谱，通过计算像元之间的相似性来识别地物，所以如果标准光谱发生变化，SMDPSO算法同样可以识别不同种类的藻华或其他类别的地物，这是单一的光谱指数不能实现的。然而，SMDPSO算法也存在一些缺点，即在运行过程中消耗的时间较长，所以之后的研究重点在于如何在保证精度的前提下提升算法的效率。

4 结 论

本文利用基于离散粒子群优化的光谱匹配(SMDPSO)算法对2009-2018年呼伦湖的藻华进行识别，并用浮游藻类指数(FAI)的分类结果进行检验。主要结论如下：

(1)SMDPSO算法对呼伦湖藻华的提取效果较好，与FAI高度一致。

(2)呼伦湖藻华的高发期为7-8月，且主要爆发于湖泊边缘，在湖中心出现的次数较少。

(3)SMDPSO算法的分类精度与FAI相似，但其成本更低、所需参数较少，且无需人工干预，甚至可以通过改变标准光谱来识别其他地物(如识别黄海的浒苔)；

(4)在之后的研究中，还需要进一步验证SMDPSO算法在多种水生植物并存环境下的适用性，并将其推广应用于其他具有高分辨率的多光谱遥感影像中。