潘 琛

（上海市測繪院，上海 200063）

工業(yè)化與城市化的快速發(fā)展，使大量廢水流入湖泊，造成水體富營養(yǎng)化[1,2]，容易導(dǎo)致藍(lán)藻水華暴發(fā)，嚴(yán)重破壞水體景觀，產(chǎn)生藻毒素，直接威脅生態(tài)系統(tǒng)安全[3～5]。我國湖泊河流眾多，水環(huán)境污染問題尤為顯著[6,7]。據(jù)統(tǒng)計(jì)，我國66%以上的湖泊和水庫已處于富營養(yǎng)化水平，其中22%屬于重富營養(yǎng)和超富營養(yǎng)。而藻類水華的暴發(fā)則是水體營養(yǎng)化污染的代表之一，為此治理并預(yù)防藍(lán)藻水華刻不容緩。監(jiān)測藍(lán)藻水華的時(shí)空動態(tài)特性及規(guī)律，并找出影響其分布的主要因素，對藍(lán)藻水華的預(yù)警與有效防治，具有十分重要的意義。

從國內(nèi)外富營養(yǎng)化及藍(lán)藻水華的監(jiān)測工作來看，葉綠素在藻類物質(zhì)中所占的比例比較穩(wěn)定，且易于在實(shí)驗(yàn)室定量測量，因此葉綠素濃度常作為反映水體營養(yǎng)化程度的一個(gè)重要參數(shù)。傳統(tǒng)的人工實(shí)時(shí)實(shí)地的調(diào)查方法可精確測定某一位置上的表面葉綠素濃度，但成本高、耗時(shí)長，并很難對大面積湖泊的藻類的時(shí)空動態(tài)分布和變化做出全面的調(diào)查，具有一定的局限性。近年來藍(lán)藻水華的衛(wèi)星遙感研究取得了較大進(jìn)展[8～10]，主要體現(xiàn)在應(yīng)用各種不同的衛(wèi)星遙感數(shù)據(jù)進(jìn)行藍(lán)藻的遙感監(jiān)測方面。藍(lán)藻覆蓋區(qū)的光譜特征與水面有著較為明顯的差異，這種光譜特征被衛(wèi)星的探測器記錄下來，通過對衛(wèi)星遙感數(shù)據(jù)的分析、處理，能夠快速、有效地識別藍(lán)藻及其空間分布和分析藍(lán)藻暴發(fā)的動態(tài)過程[11]。

本文以淀山湖為研究區(qū)，利用2000年和2009年夏季的四期遙感影像，在分析藍(lán)藻和其它典型地物影像光譜曲線及其特征的基礎(chǔ)上，試圖構(gòu)建一種適合于對大面積水域藍(lán)藻控制關(guān)鍵區(qū)域進(jìn)行地物識別的技術(shù)，實(shí)現(xiàn)水華空間分布格局的識別與檢測，以此為淀山湖藍(lán)藻水華的防治和水生生態(tài)系統(tǒng)的保護(hù)提供科學(xué)依據(jù)。

1 研究區(qū)概況

圖1 淀山湖所在地理位置Fig.1 Geographical location of Dianshanhu Lake

淀山湖位于江浙滬交界，地理位置為 120?54'～121?01'E、30?02'～31?04'N，總面積約62km2（圖1），是上海境內(nèi)最大的天然淡水湖泊，也是黃浦江上游的重要水源保護(hù)區(qū)和主要航道。淀山湖水質(zhì)的好壞，直接影響上海市民的飲用水質(zhì)量。但近十幾年來，水體質(zhì)量不斷下降，綜合水質(zhì)標(biāo)準(zhǔn)由過去的以ΙΙ類為主下降到目前的ΙV～V類[12,13]。據(jù)相關(guān)統(tǒng)計(jì)，最近幾年，淀山湖區(qū)域每年均發(fā)生以微囊藻為主的藍(lán)藻水華暴發(fā)，大規(guī)模暴發(fā)達(dá)28次，計(jì)59天。

2 研究方法

2.1 藍(lán)藻水華識別方法

在研究區(qū)域，利用Landsat系列遙感影像，在大氣層頂表觀反射率反演的基礎(chǔ)上，構(gòu)建了歸一化藍(lán)藻指數(shù)，結(jié)合波段組合和Gabor濾波器構(gòu)建多特征空間，并基于變精度粗糙集和灰色關(guān)聯(lián)決策相結(jié)合的方法進(jìn)行特征空間的優(yōu)化。在此基礎(chǔ)上，采用小波核雙重加權(quán)SVM分類模型，得到研究區(qū)藍(lán)藻水華空間分布格局的識別與變化檢測結(jié)果，最后根據(jù)實(shí)地采樣數(shù)據(jù)檢核和分析了遙感影像的識別與檢測結(jié)果。技術(shù)路線如圖2所示：

圖2 藍(lán)藻水華識別技術(shù)路線Fig.2 Technical approach for detection of cyanobacteria bloom

2.2 遙感影像處理

（1）遙感影像預(yù)處理

本文選取2000 年8月1日和9月2日獲取的Landsat7 ETM+影像、2009年7月17日和8月25日獲取的Landsat5 TM影像，空間分辨率30 m，選用6個(gè)波段（1～5和7波段），成像質(zhì)量和成像時(shí)的天氣狀況都比較理想。在進(jìn)行指數(shù)提取與藍(lán)藻覆蓋區(qū)識別之前，對各期影像進(jìn)行大氣層頂表觀反射率反演，就是將數(shù)字圖像中的DN（Digital Number）值轉(zhuǎn)化為大氣層頂表觀反射率，以近似取代需要大氣校正之后得到的地表反射率，用于以下實(shí)驗(yàn)的特征提取和藍(lán)藻檢測，如圖3為研究區(qū)反射率反演后的假彩色影像。

圖3 研究區(qū)反射率假彩色影像（RBG-543）Fig.3 Color images of the research area (RGB-543)

（2）基于影像光譜分析的歸一化藍(lán)藻指數(shù)（NDΙ_CB）構(gòu)建

綜合考慮3～5三個(gè)波段，如果分別將波段4與波段3、波段5與波段4進(jìn)行差值處理，發(fā)現(xiàn)藍(lán)藻水華和渾濁水體的趨勢截然相反，并且當(dāng)藍(lán)藻濃度很低時(shí)，這種趨勢依然顯著。因此，綜合考慮此三個(gè)波段的譜間關(guān)系，構(gòu)建了歸一化藍(lán)藻指數(shù)（normalized difference cyanobacteria bloom index，NDΙ_CB），具體方法與分析見文獻(xiàn)[14]，計(jì)算方法如式（1）～（3）：

式中，B3、B4、B5分別表示波段3、4、5的光譜值（亮度值或是反射率）。

（3）多特征空間優(yōu)化

本實(shí)驗(yàn)的多特征空間由光譜維特征集與紋理維特征集構(gòu)成，提出變精度粗糙集（VPRS）[15]和灰色關(guān)聯(lián)決策（GΙD）[16]相結(jié)合的特征優(yōu)化模型（VPRS_GΙD）對特征空間進(jìn)行優(yōu)化，其詳細(xì)過程參見文獻(xiàn)[17]。

優(yōu)化后的多特征空間共包含10個(gè)特征，分別為：

①影像波段組合：對影像光譜分析，發(fā)現(xiàn)3、4、5波段有利于藍(lán)藻提取，因此選擇這三個(gè)波段的組合。

②歸一化藍(lán)藻指數(shù)（NDΙ_CB）[14]。

③最佳指數(shù)特征組合：建立適于藍(lán)藻或水體提取的歸一化差值植被指數(shù)（NDVΙ）、比值植被指數(shù)（RVΙ）、歸一化差異水體指數(shù)（NDWΙ）、改進(jìn)型歸一化差異水體指數(shù)（MNDWΙ）和新型水體指數(shù)（NWΙ）等5種指數(shù)特征[18]。然后利用灰色關(guān)聯(lián)決策（GΙD）方法選擇最佳特征組合（組合數(shù)為3），每期影像的最佳指數(shù)特征組合見表1。

表1 最佳指數(shù)特征組合Table 1 The best combination of index features

表2 最佳Gabor濾波器紋理特征組合Table 2 The best combination of Gabor textural features

（4）樣本選取

藍(lán)藻在湖泊中有時(shí)漂浮于水面以下，因此很難獲取藍(lán)藻暴發(fā)的清晰影像，這對于選擇樣本提取藍(lán)藻也帶來了很大困難。2009年進(jìn)行了頻繁的淀山湖生態(tài)調(diào)查，結(jié)合7月16日～20日、8月25日～30日的實(shí)際調(diào)查資料，7月17日影像選取70個(gè)藍(lán)藻樣本、489個(gè)湖泊水體樣本，8月25日影像選取60個(gè)藍(lán)藻樣本、261個(gè)湖泊水體樣本。2000年沒有地面調(diào)查數(shù)據(jù)，但是影像中的藍(lán)藻較為清晰，考慮到地物的光譜結(jié)構(gòu)和特征，結(jié)合生態(tài)學(xué)分析數(shù)據(jù)，8月1日影像選取100個(gè)藍(lán)藻樣本、421個(gè)湖泊水體樣本，9月2日影像選取80個(gè)藍(lán)藻樣本、435個(gè)湖泊水體樣本。

3 基于小波核雙重加權(quán)SVM藍(lán)藻識別模型的識別與檢測

3.1 基于小波核的雙重加權(quán)SVM藍(lán)藻識別模型

核函數(shù)的構(gòu)建和選擇在某種程度上決定了SVM決策的復(fù)雜度和準(zhǔn)確性，也可以說，在支持向量機(jī)理論中，模型的選擇就是核函數(shù)的選擇[19,20]。加權(quán)能進(jìn)一步提高SVM算法的泛化能力和分類性能，目前對傳統(tǒng)SVM進(jìn)行加權(quán)的方式主要有三種：（1）對不同類別賦以權(quán)重；（2）對每個(gè)樣本賦以權(quán)值；（3）對每個(gè)特征屬性賦以權(quán)重。本實(shí)驗(yàn)選擇第（1）和第（3）兩種方式對SVM進(jìn)行加權(quán)，提出了一種類別樣本數(shù)差異與特征重要性差異相結(jié)合的雙重加權(quán)方法。

基于類別樣本數(shù)差異加權(quán)的支持向量機(jī)優(yōu)化問題可描述為：

式中λyi為類別權(quán)重，由式（5）給定：

式中，li為類別yi的樣本數(shù)。

對于數(shù)量大的類別，通過賦予小的權(quán)值，使其錯(cuò)分率上界增大；而對于數(shù)量小的類別，通過賦予大的權(quán)值，使其錯(cuò)分率上界下降，從而起到平衡作用。

在特征加權(quán)中，權(quán)重向量ω的求取是關(guān)鍵。特征權(quán)重的計(jì)算通常是根據(jù)某種度量方法來度量特征的重要性，從而量化特征與給定類別之間的相關(guān)性。本文采用基于信息增益（比）率的評價(jià)函數(shù)[21]進(jìn)行特征相關(guān)分析，計(jì)算公式如下：

式中， 表示特征A中包含的信息熵；表示利用A對集合劃分所獲得的信息增益。

在此基礎(chǔ)上，本文提出的基于小波核[22]的雙重加權(quán)SVM模型，將小波核函數(shù)和以上雙重加權(quán)方式相結(jié)合，既利用了小波分析在影像細(xì)節(jié)方面具有的良好表現(xiàn)能力，又平衡了不同樣本類別分類的正確率，并能有效避免被弱相關(guān)或不相關(guān)特征所支配[23,24]。基于小波核的雙重加權(quán)SVM分類模型可描述為：

3.2 藍(lán)藻空間格局的識別與檢測結(jié)果

基于上節(jié)中建立的小波核雙重加權(quán)SVM分類模型得到藍(lán)藻識別結(jié)果，并在此基礎(chǔ)上分別檢測出兩個(gè)年份內(nèi)的藍(lán)藻暴發(fā)、漂移、消減等變化情況，如圖4和圖5所示。

圖4 2000年淀山湖藍(lán)藻識別與檢測結(jié)果Fig.4 Classif i cation and detection results of Dianshanhu Lake cyanobacteria bloom in 2000 year

圖5 2009年淀山湖藍(lán)藻識別與檢測結(jié)果Fig.5 Classif i cation and detection results of Dianshanhu Lake cyanobacteria bloom in 2009 year

選擇藍(lán)藻較為明顯的2000年8月1日影像進(jìn)行誤差矩陣統(tǒng)計(jì)，見表3所示。

從上表可以看出，本文使用的基于小波核雙重加權(quán)SVM分類模型能夠有效地利用多特征空間數(shù)據(jù)，準(zhǔn)確地識別出藍(lán)藻覆蓋區(qū)（包括較低濃度藍(lán)藻覆蓋區(qū)），滿足環(huán)境調(diào)查的要求。

根據(jù)圖5(c)的2009年藍(lán)藻空間格局變化檢測結(jié)果，計(jì)算得到淀山湖未變化藍(lán)藻區(qū)域、增加的藍(lán)藻區(qū)域和減少的藍(lán)藻區(qū)域面積分別為：5.3208km2、7.4142km2和3.7503km2。其中增加的藍(lán)藻區(qū)域面積最大，說明由于溫度、風(fēng)向等氣象因素，2009年8月為淀山湖藍(lán)藻水華暴發(fā)的嚴(yán)重時(shí)間段，形成了大量的藍(lán)藻堆積區(qū)域。

表3 誤差矩陣（2000年8月1日）Table 3 Error matrix (August 1,2000)

4 結(jié)論

基于以上藍(lán)藻識別實(shí)驗(yàn)與分析，得出以下結(jié)論：

（1）本文構(gòu)建的用于分類后變化檢測的分類模型，主要由小波核函數(shù)和雙重加權(quán)方式兩個(gè)重要部分組成。該模型既利用了小波分析在影像細(xì)節(jié)方面具有的良好表現(xiàn)能力，又平衡了不同樣本類別分類的正確率，并能有效避免被弱相關(guān)或不相關(guān)特征所支配，因此在實(shí)際環(huán)境問題的變化監(jiān)測中具有很好的應(yīng)用效果。

（2）通過觀察變化檢測結(jié)果可以發(fā)現(xiàn)，七八月的藍(lán)藻生物量顯著增加區(qū)域主要發(fā)生在湖西北部（近各入湖河道處）。而現(xiàn)場調(diào)查顯示，這段時(shí)間內(nèi)受到季風(fēng)區(qū)主導(dǎo)風(fēng)向影響，加上上游水量增加，導(dǎo)致上游各湖泊中的藍(lán)藻大量下泄進(jìn)入淀山湖。因此檢測數(shù)據(jù)顯著地反映出了這一特點(diǎn)。

筆者認(rèn)為，藍(lán)藻水華的識別多是基于反射率光譜特征進(jìn)行的。而對于混濁水體而言，由于其光譜特征復(fù)雜，不同時(shí)間、地點(diǎn)水體中藻的成分、比例不同，光譜特征也就存在差異，要提高識別和檢測的精度，還需加強(qiáng)對混合藻水體光譜特征的研究。另一方面，要準(zhǔn)確獲取水體的光譜特征，需要傳感器具有較高的光譜分辨率、空間分辨率和時(shí)間分辨率。目前受數(shù)據(jù)源限制，還不能詳盡獲得藍(lán)藻水華暴發(fā)期高頻率的空間格局變化信息，因此深化研究受到一定局限。

References)

[1]張宏仁. 中國的淡水資源問題[J]. 上海地質(zhì),2001,22(3):1-9.

Zhang H R. The problems of freshwater resources in China[J].Shanghai Geology, 2001,22(3):1-9.

[2]中國科學(xué)院院士林學(xué)鈺教授接受本刊專訪. 水土環(huán)境質(zhì)量保護(hù)是國土資源管理的重要內(nèi)容[J]. 上海國土資源,2011,32(1):1-7.

Lin X Y. Soil and water quality protection is the important part of land and resources management[J]. Shanghai Land & Resources,2011,32(1):1-7.

[3]任致遠(yuǎn). 關(guān)于城市生態(tài)文明建設(shè)的拙見[J]. 上海城市規(guī)劃, 2013,(1):68-74.

Ren Z Y. Views on the Construction of Urban Ecological Civilization[J]. Shanghai Urban Planning Review, 2013,(1):68-74.

[4]王祥榮,凌煥然,黃艦,等. 全球氣候變化與河口城市氣候脆弱性生態(tài)區(qū)劃研究—以上海為例[J]. 上海城市規(guī)劃,2012,(6):1-6.

Wang X R, Ling H R, Huang J, et al. Global climate change and strategy of eco-zoning for climate vulnerability of estuary city:A case study of Shanghai[J]. Shanghai Urban Planning Review,2012,(6):1-6.

[5]蘇晶文,姜月華,李云峰,等. 區(qū)域地質(zhì)環(huán)境功能區(qū)劃方法研究[J].上海國土資源,2013,34(1):10-13,18.

Su J W, Jiang Y H, Li Y F, et al. Geological environment function zoning[J]. Shanghai Land & Resources, 2013,34(1):10-13,18.

[6]肖裕生,鐘華平,謝石連. 淺談太湖流域飲用水安全與地下水保護(hù)[J]. 上海地質(zhì),2008,29(1):18-20,43.

Xiao Y S, Zhong H P, Xie S L. Safety of drinking water and groundwater protection in Taihu Lake basin[J]. Shanghai Geology,2008,29(1):18-20,43.

[7]華解明. 城市應(yīng)急供水水源地建設(shè)的意義—由太湖水污染的思考[J]. 上海地質(zhì),2008,29(1):5-7,17.

Hua J M. The significance of city emergency supply water:Thinking of water pollution in Taihu Lake[J]. Shanghai Geology,2008,29(1):5-7,17.

[8]陳基偉,李俊祥. 特大城市地表水遙感信息系統(tǒng)研究[J]. 上海地質(zhì),2004,25(4):7-10.

Chen J W, Li J X. Research on metropolitan surface water GΙS using remote sensing technology[J]. Shanghai Geology,2004,25(4):7-10.

[9]陸佩華,沈清基. 基于RS和GΙS的城市生態(tài)敏感區(qū)研究[J]. 上海城市規(guī)劃,2012,(6):7-13.

Lu P H, Shen Q J. RS and GΙS based approach to the study of ecologically sensitive area[J]. Shanghai Urban Planning Review,2012,(6):7-13.

[10]房浩,何慶成,戚琦. 基于GΙS應(yīng)用DATUW模型評價(jià)地下水環(huán)境脆弱性[J]. 上海國土資源,2012,33(1):62-66,70.

Fang H, He Q C, Qi Q. Assessing the vulnerability of groundwater environments using the DATUW model and GΙS[J]. Shanghai Land & Resources, 2012,33(1):62-66,70.

[11]劉建萍,張玉超,錢新,等. 太湖藍(lán)藻水華的遙感監(jiān)測研究[J]. 環(huán)境污染與防治,2009,(8):79-83.

Liu J P, Zhang Y C, Qian X, et al. Review of cyanobacteria remote sensing in Taihu Lake[J]. Environmental Pollution & Control,2009,(8):79-83.

[12]王張嶠,彭松. 上海市水環(huán)境變化初步研究[J]. 上海地質(zhì),2002,23(4):31-36.

Wang Z Q, Peng S. A primary investigation of water environment of Shanghai in recent 15 years[J]. Shanghai Geology, 2002,23(4):31-36.

[13]王潔華. 上海市廢水排放與處理的現(xiàn)狀及對策研究[J]. 上海地質(zhì),2010,31(1):38-41.

Wang J H. The present situation and countermeasures study for discharge and dispose of waste water in Shanghai[J]. Shanghai Geology, 2010,31(1):38-41.

[14]林怡,潘琛,陳映鷹,等. 基于遙感影像光譜分析的藍(lán)藻水華識別方法[J]. 同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版),2011,39(8):1247-1252.

Lin Y, Pan C, Chen Y Y, et al. Recognition of cyanobacteria bloom based on spectral analysis of remote sensing imagery[J]. Journal of Tongji University (Natural Science),2011,39(8): 1247-1252.

[15]謝鋒. 粗糙集在遙感影像專題信息提取中的應(yīng)用研究[D]. 上海:同濟(jì)大學(xué),2008.

Xie F. Research on thematic information extraction from remote sensing image based on rough sets[D]. Shanghai: Tongji University,2008.

[16]袁林山,杜培軍,王莉,等. 基于灰色絕對關(guān)聯(lián)度邊緣檢測的多源遙感影像加權(quán)HΙS融合[J]. 地理與地理信息科學(xué),2008,24(3):11-15.

Yuan L S, Du P J, Wang L, et al. Weighted HΙS fusion of multi-source remotely-sensed image based on edge detection using grey absolute correlation degree[J]. Geography and Geo-Information Science,2008,24(3):11-15.

[17]潘琛. 面向環(huán)境空間格局的遙感影像變化檢測技術(shù)研究[D]. 上海:同濟(jì)大學(xué),2011.

Pan C. Research of change detection technology using remotely sensed imagery oriented to environmental spatial patterns[D].Shanghai: Tongji University, 2011.

[18]曹宇,陳輝,歐陽華,等. 基于多項(xiàng)植被指數(shù)的景觀生態(tài)類型遙感解譯與分類[J]. 自然資源學(xué)報(bào),2006,21(3):481-488.

Cao Y, Chen H, Ouyang H, et al. Landscape ecological classification using vegetation indices based on remote sensing data: a case study of ejin natural oasis landscape[J]. Journal of Natural Resources,2006,21(3):481-488.

[19]Vapnik V N. Statistical Learning Theory[M]. New York: Springer,1998.

[20]Scholkopf B, Smola A, Bartlett P L. New support vector algorithms[J]. Neural Computation, 2000,12(5):1207-1245.

[21]汪廷華,田盛豐,黃厚寬. 特征加權(quán)支持向量機(jī)[J]. 電子與信息學(xué)報(bào),2009,31(3):514-518.

Wang T H, Tian S F, Huang H K. Feature weighted support vector machine[J]. Journal of Electronics & Information Technology,2009,31(3):514-518.

[22]李元誠,方廷健. 小波支持向量機(jī)[J]. 模式識別與人工智能,2004,17(2):167-172.

Li Y C, Fang T J. Wavelet support vector machines[J]. Pattem Recognition and Aitif i cial Intelligence, 2004,17(2):167-172.

[23]Haralik R. M.. Statistical and structural approaches to texture[J].Proceedings of the ΙEEE, 1975,67(5):786-804.

[24]Scholkopf B, Burges C, Smola A. Advances in Kernel Methods:Support Vector Learning[M]. Cambridge, MA, USA: MΙT Press,1999: 373.