王羲程，曹廣超，張 偉，李育蕾，王黎瀟

1.青海師范大學青藏高原資源與環(huán)境教育部重點實驗室，青海西寧 810000

2.巴中市巴州區(qū)第六中學，四川巴中 636000

青藏高原既是高原生物多樣性維持基地， 世界山地生物物種一個重要的起源和分化中心，也是世界級旅游觀光的目標地、世界文化整體性的一個重要組成部分。作為諸多江河源頭的青藏高原是我國重要的濕地分布區(qū)，該區(qū)濕地面積為13.3萬km2，且多為高寒沼澤、高寒沼澤化草甸和高寒湖泊。

地球觀測衛(wèi)星-1（EO-1）是NASA新千年計劃（NMP）的第一顆對地觀測衛(wèi)星，也是為接替Landsat 7 而研制的新型地球觀測衛(wèi)星，目的是對衛(wèi)星本體和新型遙感器技術進行驗證。EO-1上搭載了3 種傳感器，其中ALI是針對Landsat TM和ETM的替代數(shù)據(jù)。它的技術性能和指標與Landsat 7的ETM+保持了連貫性，并在光譜分辨率和數(shù)據(jù)質(zhì)量上有了很大提高。波段共10個波段，覆蓋可見光、近紅外、短波紅外和熱紅外，波長范圍和空間分辨率都與ETM+完全相同。對該數(shù)據(jù)的研究可在一定程度上對以后遙感數(shù)據(jù)的提取提供方法借鑒。

1 研究區(qū)概況

研究區(qū)位于青海湖北部地區(qū)。地理坐標處在東經(jīng)100°3′～100°31′，北緯37°23′～37°4′之間，東西端直線距離約41.87km，南北端直線距離約35.56km。該地區(qū)覆蓋多種土地利用/土地覆被類型，包含林地、草地、旱地、裸地、湖泊、河渠等。部分用地的地塊比較小，空間分布復雜。

2 研究數(shù)據(jù)來源及方法

2.1 數(shù)據(jù)來源

圖1 解譯區(qū)彩色影像合成圖（5、4、3 波段）

圖2 TM纓帽變換圖

本文利用2003年的9月的EO-1衛(wèi)星133-034 軌道覆蓋的ALI遙感影像數(shù)據(jù)。DEM數(shù)據(jù)是NASA的新一代對地觀測衛(wèi)星TERRA的詳盡觀測結果制作完成的地球電子地形數(shù)據(jù)ASTER GDEM。

2.2 研究方法

利用遙感信息提取水體信息的方法一般可分為單波段法和多波段法。單波段法主要選取遙感影像中的近紅外波段并輔于閾值來提取水體[1]。這種方法利用了水體在近紅外波長處的強吸收性以及植被和干土壤在此波長范圍內(nèi)的強反射性特點。但是單波段法很難去除水體中雜有的陰影。多波段法則主要利用多波段的優(yōu)勢綜合提取水體信息，并可分為比值法和譜間分析法。譜間分析法國內(nèi)學者采用較多[2,3]。它通過分析水體與背景地物的波譜曲線特征，找出它們之間的變化規(guī)律,進而用邏輯判別表達式將水體提取出來。這種方法通常比較復雜[4]。

2.2.1 T-C變換

纓帽變換又稱坎斯一托馬斯變換（Kanth-Thomilstrans form）。這種變換是一種線性組合變換，其變換公式為：

其中X變換前多光譜空間的像元矢量；Y為變換后新坐標空間的像元矢量；B為變換矩陣。[6]由于T-C變換矩陣本是對MSS傳感器而設計，本文經(jīng)過試驗發(fā)現(xiàn)針對landsat7的ETM+傳感器的改進T-C變換矩陣對EO-1的ALI數(shù)據(jù)也有較好的變換分析結果，所以本為采用ETM+的TC變換矩陣，矩陣如下：

變換后前三個分量分別定名“亮度”、“綠度”和“濕度”,它們分別反映了土壤巖石、植被及土壤和植被中的水分信息。由于濕地同時具有土壤和水體的信息，T-C變換影像的第三分量在濕地信息提取上就有重要的價值。

2.2.2 決策樹分類方法

決策樹分類是指根據(jù)遙感影像的光譜特征及其他空間數(shù)據(jù)，定義合適的分類規(guī)則算法，建立二叉樹或者多叉樹， 對圖像中的各像元進行逐層識別和歸類, 通過若干次中間判別最終得到分類的結果。其基本思想是逐步從原始影像中分離并掩膜每一種目標作為一個圖層或樹枝, 避免此目標對其他目標提取時造成干擾和影響, 最終將所有圖層復合以實現(xiàn)圖像的自動分類[7-9]。

3 影像數(shù)據(jù)預處理

TM原始數(shù)據(jù)波段數(shù)據(jù)組合以后對其進行T-C變換得出纓帽變換圖如圖2所示。根據(jù)研究區(qū)的是經(jīng)過裁剪的ALI數(shù)據(jù)，范圍較小，本研究區(qū)域僅需要一景ASTER GDEM數(shù)據(jù)，其編號為N37E100M。研究區(qū)裁剪DEM如圖3所示。

遙感影像在提取水體信息的過程中往往容易誤將山體陰影誤提，所以本文將DEM引入了決策樹的決策過程中，在一般情況下，當坡度大于20°時，濕地就難以在該區(qū)域存在。因此本文對DEM進行坡度圖的提取，如圖4所示：

圖3 研究區(qū)DEM影像

圖4 研究區(qū)DEM坡度圖

整個數(shù)據(jù)預處理流程如圖5所示：

圖5 預處理流程圖

4 DTC模型的構建

4.1 DTC構建的依據(jù)

水體的反射主要在集中在藍綠光波段，其他波段吸收都很強，當波長超過0.75μm，水體幾乎成了全吸收體，在近紅外遙感影像上，清澈水體呈黑色。因此，近紅外波段影像是區(qū)分水陸界限較好選擇。

EO-1衛(wèi)星的ALI傳感器第六波段波長為0.775μm～0.805μm，為近紅外波段，而近紅外波段位于植物的高反射區(qū)，反映了大量的植物信息，多用于植物的識別、分類，同時它也位于水體的強吸收區(qū)，可用于勾繪水體邊界。

在遙感影像提取水體相關信息中，由于太陽光照射產(chǎn)生的陰影極易與水體信息混淆，導致水體的錯誤提取。根據(jù)陰影產(chǎn)生的原因，有不同的解決辦法。由太陽光照射云層產(chǎn)生的陰影可以利用云影響增強模型CAEM、SAEM對遙感影像進行云層及其陰影進行去除[5]。而對于由地形原因產(chǎn)生陰影則可以通過DEM的坡度信息對濕地區(qū)域進行進一步區(qū)分，進而去除自動提取時陰影對濕地水體信息產(chǎn)生的干擾。

4.2 濕地信息DTC

基于以上理論的支持，第一步：使用ALI合成影像的近紅外波段來初步確定水體邊界。經(jīng)進過多次試驗，TM第四波段的水體邊界閾值確定為灰度值7000。第四波段灰度值大于等于7000的為非水體部分，小于7000為帶有水體特征的地物。第二步：通過近紅外波段對地物區(qū)分以后，再對ALI合成影像7個波段進行T-C變換，T-C變換矩陣使用ETM+矩陣代替，使用變換后的第三分量（濕度分量）對分類結果再進行二叉樹分類，通過濕度分量可以進一步精確確定濕地水體地物，同時對部分陰影有一定的去除效果。濕度分量的閾值確定為灰度值-700，大于-700的為濕地信息，小于等于-700的為非濕地信息。第三步：本區(qū)域的濕地一沼澤濕地、河流、湖泊為主，針對本區(qū)情況對提取出的濕地通過歸一化植被指數(shù)（NDVI）再進行區(qū)分，NDVI閾值確定為0.5，大于0.5的為有植被覆蓋的沼澤，小于0.5的為河流、湖泊。第四步：經(jīng)過以上三個步驟的處理，水體濕地信息已被全部提取出來，但是還是有相當一部分的干擾陰影存在。前面對DEM影像的預處理，已經(jīng)提取出了研究區(qū)坡度圖，在這一步中需要通過決策樹算法排除陰影干擾部分， DEM坡度值小于20。整個決策樹分類模型如圖6所示。

圖6 濕地提取DTC模型

5 分類結果與精度分析

構建的DTC分類模型對2003年的9月所獲取的ALI影像進行分類，結果如圖7所示：

圖7 ALI影像決策樹分類結果

本文對寬度為一個像元左右的細小線狀河流濕地具有較好的提取效果，典型區(qū)域分類結果與ALI合成影像對比如圖8至圖11所示，利用ENVI軟件對相同區(qū)域連接對比，對分類結果進行邊緣精度檢測，分類圖像邊緣能與地物邊緣精準匹配。為了進一步檢驗研究區(qū)濕地分類精度，在濕地與濕地邊緣非濕地區(qū)域選取50個檢驗點結合以往的野外考察記錄，利用混淆矩陣計算分類精度，總體分類精度為82.5230%。

圖8

圖9

圖10

圖11

6 結論

青藏高原區(qū)地域廣闊，野外條件惡劣，這給地物解譯的野外核查帶來了很大的困難。而本文所提出的方法根據(jù)地物光譜的特征和DEM數(shù)據(jù)來確定地物類別，排除了肉眼在遙感影像解譯中異物同譜產(chǎn)生的錯誤，總體分類精度達到了82.5230%，提高了分類精度與速度。而對于其它不同時相的遙感數(shù)據(jù)，只需對DTC模型參數(shù)做細微調(diào)整就可以實現(xiàn)地物信息快速分類提取。當然本文還存在對陰影區(qū)地物信息未能進行細分提取，下一步作者將對此進行研究。

[1]Rundquist D，Lawson M，Queen L，et al.The Relationship Between the Timing of Summer2Season Rainfall Events and Lake Surface Area[J].Water Resources Bulletin，1987，23(3):493-508.

[2]Du Y Y，Zhou C H.Automatically Extracting Remote Sensing information for Water Bodies[J].Journal of Remote Sensing,1998，2(4):264-269.[杜云艷,周成虎.水體的遙感信息自動提取方法[J].遙感學報，1998，2(4):264-269.]

[3]Yu J K，Huang Y S，F(xiàn)eng X Z，et al.Study on Water Bodies Extraction and Classification from SPOT Image[J].Journal of Remote Sensing，2001，5(3):214-219.[都金康, 黃永勝, 馮學智等.SPOT衛(wèi)星影像的水體提取方法及分類研究[J].遙感學報，2001，5(3):214-219.]

[4]徐涵秋.利用改進的歸一化差異水體指數(shù)(MNDWI)提取水體信息的研究[J].遙感學報，2005，9(5)[589-595].

[5]RI Pyongsop，MA Zhangbao，et al.Cloud and shadow removal from Landsat TM data[J].Journal of Remote Sensing，2001，5(3):534-545.][李炳燮等.Landsat TM 遙感影像中厚云和陰影去除[J].遙感學報，2010，3: 534-545.]

[6]梅安新，彭望琭，秦其明，劉慧平.遙感導論[M].高等教育出版社，2001，7.

[7]Volgamann J E，Sohl T，Howard SM.Regional characterization of land cover using multiple sources of data[J].Photogrammetric Engineering and Remote Sensing,1998，64(1):452571.

[8]Pielke R，Lee T J，Copeland J H，Eastman J L，etc.The use of USGS Provided Data to improve weather and climate simulations[J].Ecological Applications,1997，7(1): 32211.