劉偉樂，林 輝，孫 華

（中南林業(yè)科技大學(xué) 林業(yè)遙感信息工程研究中心，湖南 長沙 410004）

基于GF-1遙感影像濕地變化信息檢測(cè)算法分析

劉偉樂，林 輝，孫 華

（中南林業(yè)科技大學(xué) 林業(yè)遙感信息工程研究中心，湖南 長沙 410004）

濕地遙感變化信息檢測(cè)并識(shí)別一直是遙感動(dòng)態(tài)監(jiān)測(cè)的一個(gè)技術(shù)難點(diǎn)。以東洞庭湖為研究區(qū)，2期GF-1遙感影像為研究對(duì)象，在數(shù)據(jù)預(yù)處理的基礎(chǔ)上，將研究區(qū)分為蘆葦、苔草、辣蓼與泥蒿、水體、泥灘地等6種類型。研究引進(jìn)了NDVI植被指數(shù)波段與第一主分量波段（PC1）對(duì)傳統(tǒng)的圖像差值算法進(jìn)行改進(jìn)，提取出兩期影像的變化信息，并與支持向量機(jī)的多時(shí)相影像分類后檢測(cè)算法相比較。結(jié)果表明：（1）研究區(qū)遙感影像經(jīng)過大氣校正和圖像配準(zhǔn)等預(yù)處理之后，GF-1遙感影像變化檢測(cè)的最佳波段組合為RGB=432；（2）利用支持向量機(jī)分類器對(duì)兩期遙感影像進(jìn)行分類時(shí)，樣本選擇的可分離度均在1.9～2.0之間，分類結(jié)果的總體精度為85.34%，Kappa系數(shù)為0.8，滿足分類后比較算法提取變化信息的要求；（3）引進(jìn)NDVI與第一主分量區(qū)分變化信息，并采用直方圖積累區(qū)間確定變化閾值，信息增加的變化閾值設(shè)置為0.3，信息減少的變化閾值設(shè)置為0.2，Smooth Kernel Size設(shè)置為3，Aggregation Min Size設(shè)置為30，優(yōu)化結(jié)果最佳。利用2期GF-1遙感影像提取濕地變化信息，分類后比較算法與改進(jìn)后圖像差值算法，圖像差值法快速、直接提取變化信息，檢測(cè)精度為89.6%，Kappa系數(shù)為0.9，且不受分類精度與分類樣本一致性的限制，明顯優(yōu)于傳統(tǒng)分類比較算法，是一種高效可行的方法。

濕地；動(dòng)變信息；GF-1衛(wèi)星；圖像差值算法；洞庭湖

濕地是一種處于陸地和水體之間的過渡生態(tài)系統(tǒng)，具有蓄洪防旱、保持水源、凈化水質(zhì)、維護(hù)生物多樣性、調(diào)節(jié)氣候和美化環(huán)境等重要生態(tài)功能，短時(shí)間范圍內(nèi)濕地分布狀況的變化、遷徙的空間分析和動(dòng)態(tài)監(jiān)測(cè)評(píng)價(jià)是全球環(huán)境變化檢測(cè)的重點(diǎn)[1-5]。早期遙感影像變化檢測(cè)的主要方法是人工目視解譯，該方法主要依靠解譯人員的目視判讀經(jīng)驗(yàn)，效率低下[6-7]，近年來濕地變化檢測(cè)方法得到了一定的發(fā)展，肖篤寧等[8]提取了1986～1994年間遼東灣濱海濕地景觀信息，研究了生境調(diào)整與生境更新對(duì)區(qū)域可持續(xù)發(fā)展的影響。寧龍梅等[9]基于Landsat-TM影像，對(duì)1996年和2001年武漢市濕地景觀信息進(jìn)行了提取，對(duì)濕地景觀變化信息進(jìn)行了定量分析。梁守真，李仁東等[10]基于1980～2000年3期 Landsat MSS和TM影像，利用遙感技術(shù)對(duì)洞庭湖區(qū)濕地景觀變化進(jìn)行了研究。目前，濕地生態(tài)系統(tǒng)的變化檢測(cè)研究已經(jīng)形成了一套完整的體系，但是主要集中在中低分辨率的衛(wèi)星影像，基于GF-1遙感數(shù)據(jù)進(jìn)行濕地信息提取與監(jiān)測(cè)的研究較少，GF-1影像具有高空間分辨率、高時(shí)間分辨率、大范圍等特點(diǎn)[11-13]，利用高分?jǐn)?shù)據(jù)開展?jié)竦刈兓畔z測(cè)研究，既可以擴(kuò)大高分?jǐn)?shù)據(jù)的民用性，又對(duì)濕地資源科學(xué)利用、合理開發(fā)、可持續(xù)發(fā)展具有重要作用[14]。在濕地變化信息檢測(cè)的眾多方法中可以分成兩大類：一是濕地信息分類后檢測(cè)，二是通過影像特征值的變化進(jìn)行檢測(cè)[15-18]。本文以東洞庭湖為研究對(duì)象，利用2014年1月和5月的2期GF-1影像為數(shù)據(jù)源，對(duì)影像進(jìn)行圖像配準(zhǔn)、幾何校正等預(yù)處理，采用以下兩種方法提取濕地變化信息： （1）影像分類后比較法：將經(jīng)過配準(zhǔn)的兩個(gè)時(shí)相遙感影像分別進(jìn)行分類，然后比較分類結(jié)果得到變化信息；（2）圖像差值法：即將兩個(gè)時(shí)相的遙感圖像相減或者相除，圖像中未發(fā)生變化的地類在兩個(gè)時(shí)相的遙感圖像上一般具有相等或相近的灰度值，而當(dāng)洞庭湖地物屬性發(fā)生變化時(shí)，灰度值將有較大差別，因此在差值圖像上發(fā)生變化區(qū)域的灰度值會(huì)與背景值有較大差別，從而使變化信息從背景影像中顯現(xiàn)出來。對(duì)于提取出來的變化信息，利用外業(yè)實(shí)測(cè)的數(shù)據(jù)進(jìn)行分析，結(jié)合影像各波段的特征進(jìn)行分類處理，并進(jìn)行精度評(píng)價(jià)。

1 研究區(qū)概況

研究區(qū)位于湖南東洞庭湖自然保護(hù)區(qū)，介于東經(jīng)111°49′～ 112°17′，北緯 28°49′～ 29°08′之間，地處洞庭湖西濱（見圖1）。保護(hù)區(qū)總面積35 680 hm2，其中濕地面積26 960 hm2。區(qū)內(nèi)擁有河流、湖泊、沼澤、人工濕地等多種濕地生態(tài)類型，永久性淡水湖面積21 710 hm2，占濕地面積的81%。該區(qū)屬中亞熱帶季風(fēng)氣候，氣候溫和，日照充足，雨量充沛，平均氣溫16.7 ℃，降水量1 200～1 350 mm，無霜期274 d；濕地植被以蘆葦為主，約占濕地面積20%。

圖1 研究區(qū)地理位置Fig.1 Geographic location of the study area

2 數(shù)據(jù)預(yù)處理與外業(yè)調(diào)查

2.1 數(shù)據(jù)預(yù)處理

為了提高影像的質(zhì)量、還原真實(shí)的地表信息[19]，研究對(duì)所采用的GF-1遙感影像進(jìn)行了輻射校正和圖像配準(zhǔn)處理。輻射校正過程包括輻射定標(biāo)與大氣校正，主要用以消除依附于輻射亮度中的各種失真，選擇ENVI軟件特有的FLAASH快速大氣校正模塊，通過輸入地面平均高程、大氣模型、氣溶膠模型、初始能見度、影像中心位置、獲取時(shí)間等參數(shù)；圖像配準(zhǔn)則是將不同時(shí)間、不同傳感器或不同條件下（天氣、照度攝像位置和角度等）獲取的兩幅或多幅圖像進(jìn)行匹配、疊加的過程, 圖像配準(zhǔn)兩期遙感影像的變化信息檢測(cè)要求同一地區(qū)有重疊區(qū)。文章以2014年5月1日遙感影像為基準(zhǔn)影像，2014年1月19日遙感影像為待配準(zhǔn)影像，由于基準(zhǔn)影像包含RPC信息，所以自動(dòng)生成Tie點(diǎn)，進(jìn)行2期遙感影像配準(zhǔn)，研究綜合考慮光譜特征與信息量大小，通過標(biāo)準(zhǔn)差、信息熵、最佳指數(shù)3個(gè)定量評(píng)價(jià)指標(biāo)以及目視效果判斷，得到GF-1遙感影像最佳波段組合為RGB=432。

2.2 外業(yè)調(diào)查

本次外業(yè)根據(jù)植被長勢(shì)兼顧典型植被（蘆葦，苔草，辣蓼，泥蒿）的分布情況，對(duì)洞庭湖濕地植被進(jìn)行調(diào)查，采集GPS點(diǎn)157個(gè)，并隨機(jī)設(shè)置樣地23個(gè)，樣地大小為30 m×30 m。在每個(gè)樣地內(nèi)，設(shè)置5個(gè)2 m×2 m的小樣方，利用GPS采集樣地的坐標(biāo)值，在每個(gè)小樣方內(nèi)，利用成像光譜儀和非成像光譜儀測(cè)量植被光譜信息，在完成植被光譜值的測(cè)定之后，利用葉面積指數(shù)儀，在每個(gè)小樣方內(nèi)測(cè)量5次植被葉面積指數(shù)，并用葉綠素儀測(cè)量植被葉片的葉綠素含量；在5個(gè)小樣方內(nèi)采集生物量樣本。

3 結(jié)果與分析

3.1 基于多時(shí)相影像分類后的變化檢測(cè)

分類結(jié)果比較法是通過兩時(shí)相影像分類結(jié)果，獲得變化信息，此方法的精度取決于分類時(shí)的精度和分類標(biāo)準(zhǔn)的一致性。根據(jù)GF-1遙感影像濕地分類標(biāo)準(zhǔn)，以及洞庭湖植被類型的特征，影像分類的算法為支持向量機(jī)法，根據(jù)植被的特征采集訓(xùn)練樣本，樣本為蘆葦、苔草、辣蓼、泥蒿、水體、泥灘地6種類型，為了提高分類時(shí)的精度，研究計(jì)算了各個(gè)樣本類型之間的可分離性，采用Jeffries-Matusita, Transformed Divergence參數(shù)表示，這兩個(gè)參數(shù)值在0～2.0之間，大于1.9說明樣本之間可分離性好，屬于合格樣本；小于1.8，需要重新選擇樣本；小于1，考慮將兩類樣本合成一類樣本，本文選取的樣本分離度均在1.9和2.0之間，兩期影像分類結(jié)果如圖2所示。

圖2 兩期遙感影像分類結(jié)果Fig. 2 Two remote sensing image classification results

分類結(jié)果的精度將直接影響兩期影像的變化檢測(cè)，因此需要對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)，確定分類的精度和可靠性。研究采用混淆矩陣法進(jìn)行精度驗(yàn)證，利用野外實(shí)地調(diào)查獲取的191個(gè)樣本，匹配原有分類代碼，獲取分類結(jié)果的總體分類精度、Kappa系數(shù)、制圖精度、用戶精度，結(jié)果如表1所示。

表1 總體分類精度、Kappa系數(shù)、制圖精度、用戶精度Table 1 Overall classification accuracy, Kappa coefficient,precision mapping, user accuracy

對(duì)兩個(gè)時(shí)相分類后的結(jié)果影像進(jìn)行規(guī)則類別關(guān)聯(lián)，分類后比較法的結(jié)果如圖3所示，將提取出的變化信息矢量數(shù)據(jù)導(dǎo)入ArcGIS軟件中，統(tǒng)計(jì)兩期影像分類結(jié)果，并進(jìn)行精度驗(yàn)證。

3.2 基于改進(jìn)后圖像差值的變化檢測(cè)

圖像差值法是對(duì)經(jīng)過配準(zhǔn)的兩個(gè)時(shí)相遙感影像中像元值直接進(jìn)行差值運(yùn)算，經(jīng)過變換處理，提取出變化區(qū)域，由于植被變化是濕地資源動(dòng)態(tài)監(jiān)測(cè)的重要內(nèi)容，傳統(tǒng)的圖像差值算法就是運(yùn)用單波段間的簡單運(yùn)算，只能粗略的檢測(cè)出變化信息，NDVI作為植被指數(shù)對(duì)地表植被變化反應(yīng)靈敏，因此研究引用NDVI植被指數(shù)波段與第一主分量波段（PC1），設(shè)置變化等級(jí)閾值，采用直方圖積累區(qū)間確定變化閾值。以累計(jì)區(qū)間為對(duì)象，對(duì)遙感影像進(jìn)行分割，根據(jù)兩期影像DN值相似性原則為分割依據(jù)，將各DN值統(tǒng)計(jì)到相應(yīng)變化區(qū)域，并進(jìn)行聚類處理，將變化信息增加的變化閾值設(shè)置為0.3，信息減少的變化閾值設(shè)置為0.2，檢測(cè)出后一時(shí)期影像較前一期影像增加和減少的信息。檢測(cè)出的變化信息椒鹽噪聲較嚴(yán)重，含有許多小斑塊，利用平滑核（Smooth Kernel Size）和最小聚類數(shù)（Aggregation Min Size）對(duì)變化結(jié)果進(jìn)行斑塊處理，平滑核值越大，平滑尺度越大，經(jīng)過反復(fù)驗(yàn)證，Smooth Kernel Size設(shè)置為3，Aggregation Min Size設(shè)置為30，結(jié)果優(yōu)化最佳。統(tǒng)計(jì)檢測(cè)結(jié)果，研究區(qū)遙感影像共計(jì)188 725 369個(gè)DN值，相較1月份影像，增加的DN值的個(gè)數(shù)為53 167 610，占總體的28.17%，減少個(gè)數(shù)為17 352 197，占總體的9.17%，變化信息檢測(cè)結(jié)果圖如圖4所示。

圖3 分類后比較算法變化信息檢測(cè)結(jié)果Fig. 3 Changes in classification of information detection results

圖4 圖像差值算法變化信息檢測(cè)結(jié)果Fig. 4 The difference between the change in the image information detection algorithm results

東洞庭湖在1月份屬于枯水期，植被較少，5月份屬于豐水期，植被較多。圖像差值算法檢測(cè)的矢量小班結(jié)果，結(jié)果如圖5所示。

圖5 基于圖像差值算法變化信息矢量圖像Fig.5 Based on the difference between the change in the image information Vectors

3.3 變化信息結(jié)果檢測(cè)及評(píng)價(jià)

采用系統(tǒng)抽樣方法，對(duì)研究區(qū)進(jìn)行系統(tǒng)布點(diǎn)，實(shí)地驗(yàn)證變化小班信息，建立誤差矩陣，對(duì)各統(tǒng)計(jì)量進(jìn)行統(tǒng)計(jì)以及檢驗(yàn)，統(tǒng)計(jì)值如表2所示。

研究區(qū)總面積623 959.5 hm2，傳統(tǒng)的分類后比較算法檢測(cè)出變化小班1 322個(gè)，面積最大為18 576 hm2，實(shí)地驗(yàn)證896個(gè)小班正確，總體精度為85.34%，其中蘆葦變化小班439個(gè)，水體與泥灘地變化小班分別為224和256。改進(jìn)后圖像差值算法的變化信息檢測(cè)明顯優(yōu)于基于多時(shí)相影像分類后的變化檢測(cè)，檢測(cè)變化小班1 996個(gè)，總體精度為89.60%，實(shí)地驗(yàn)證1 788個(gè)小班正確。兩種算法的結(jié)果均顯示蘆葦發(fā)生變化最大，水體與泥灘地次之，林地變化面積最小，因?yàn)?月東洞庭湖植被枯萎，尤其是蘆葦，而5月份蘆葦?shù)戎脖婚L勢(shì)茂盛，且又屬于豐水期，大部分泥灘地、苔草被水體淹沒，泥灘地與苔草面積分別減少了845.25 hm2和 704.15 hm2。

表2 總體精度評(píng)價(jià)統(tǒng)計(jì)Table 2 Statistics of the overall accuracy evaluation

4 結(jié)論與討論

本文通過對(duì)GF-1遙感影像濕地變化信息檢測(cè)算法研究與分析，得到以下結(jié)論：

（1）利用支持向量機(jī)算法對(duì)兩期遙感影像進(jìn)行分類，各樣本之間的可分離度均在1.9～2.0之間，滿足分離要求，并用實(shí)地調(diào)查數(shù)據(jù)驗(yàn)證分類結(jié)果，總體精度為85.34%，Kappa系數(shù)為0.791 6，保證了分類結(jié)果的準(zhǔn)確性。通過比較兩期影像的分類結(jié)果，得到變化信息；

（2）傳統(tǒng)的圖像差值算法是利用兩期影像單波段灰度值進(jìn)行簡單的加減，灰度值不一致則為變化信息，誤差大，精度較低，改進(jìn)后的圖像差值算法引進(jìn)NDVI與第一主分量波段(PC1)，采用直方圖積累區(qū)間確定變化閾值，并利用平滑核與最小聚類數(shù)對(duì)變化結(jié)果的細(xì)小斑塊進(jìn)行處理，大大提高了濕地變化信息檢測(cè)的精度；

（3）利用兩期GF-1遙感影像提取濕地變化信息，比較分類后比較法與改進(jìn)后圖像差值算法，圖像差值法快速、直接提取變化信息，檢測(cè)精度為89.6%，Kappa系數(shù)為0.9，明顯優(yōu)于傳統(tǒng)分類比較算法，是一種高效且比較切實(shí)可行的方法。

[1]許麗麗,萬 云,盛 晟,等.淮河流域濕地變化的特征、熱點(diǎn)及其影響因素[J].自然資源學(xué)報(bào),2013,(8):1383-1394.

[2]祝錦霞,郭慶華,王 珂.濕地高分辨率遙感影像的變化檢測(cè)[J].中國農(nóng)業(yè)科學(xué),2012,(21):4369-4376.

[3]謝 靜,王宗明,任春穎.基于遙感的濕地景觀格局季相分析[J].生態(tài)學(xué)報(bào),2014,(24):7149-7157.

[4]魏立飛,鐘燕飛,張良培,等.多波段信息融合的遙感影像變化檢測(cè)[J].武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2014,(1):8-11,16.

[5]張正健,李愛農(nóng),雷光斌,等.基于多尺度分割和決策樹算法的山區(qū)遙感影像變化檢測(cè)方法—以四川攀西地區(qū)為例[J].生態(tài)學(xué)報(bào),2014,(24):7222-7232.

[6]胡硯霞,黃進(jìn)良,杜 耘,等.洞庭湖洲灘速生楊樹林變化信息提取方法[J].生態(tài)學(xué)報(bào),2014, (24):7243-7250.

[7]高媛赟,溫小榮,林國忠,等.利用資源一號(hào)02C數(shù)據(jù)提取森林資源變化信息[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2014,34(12):87-90.

[8]朱長明,李均力,張 新,等.近40 a來博斯騰湖水資源遙感動(dòng)態(tài)監(jiān)測(cè)與特征分析[J].自然資源學(xué)報(bào),2015,(1):106-114.

[9]吳一全,曹照清,陶飛翔.結(jié)合多尺度幾何分析和KICA的遙感圖像變化檢測(cè)[J].遙感學(xué)報(bào),2015,(1):126-133.

[10]吳 彤.基于ENVI的TM影像變化信息檢測(cè)方法與實(shí)踐——大連市部分海岸帶變化信息檢測(cè)[J].經(jīng)濟(jì)研究導(dǎo)刊,2014, (33): 294-295.

[11]田 壟.遙感影像濕地變化信息提取算法研究[D].北京:中國地質(zhì)大學(xué),2010.

[12]羅方權(quán),馬克委,吳建良.多時(shí)相遙感影像的變化監(jiān)測(cè)方法研究[J].現(xiàn)代測(cè)繪,2014,(6):44-46.

[13]田素娟.基于區(qū)域遠(yuǎn)期土地利用規(guī)劃的黃河口濕地景觀變化及保護(hù)研究[D].濟(jì)南:山東農(nóng)業(yè)大學(xué),2010.

[14]滿衛(wèi)東.烏蘇里江流域中俄跨境地區(qū)濕地動(dòng)態(tài)變化研究[D].延邊:延邊大學(xué),2014.

[15]邱 琳,林 輝,孫 華,等.基于高光譜數(shù)據(jù)的東洞庭湖苔草LAI估算研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2012,32(7):28-33.

[16]陳 利,林 輝,孫 華.基于WorldView-2影像城市綠地信息提取研究[J].西北林學(xué)院學(xué)報(bào),2014,(1):155-160.

[17]東啟亮,林 輝,孫 華,等.獨(dú)立分量分析與主成分分析方法的濕地遙感分類精度對(duì)比——以西洞庭湖濕地為例[J].濕地科學(xué),2014, (3):332-339.

[18]林 輝,莫登奎,熊育久,等.高分辨率遙感圖像均值調(diào)整法分割技術(shù)研究[J].中南林學(xué)院學(xué)報(bào),2006,26(4):85-88,95.

[19]薛曉坡,林 輝,孫 華,等.長沙市區(qū)景觀動(dòng)態(tài)變化分析[J].中南林業(yè)科技大學(xué)學(xué)報(bào),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

國家重大專項(xiàng)(21-Y30B05-9001-13/15-2)；國家自然科學(xué)基金項(xiàng)目(31370639)；湖南省高校產(chǎn)業(yè)化培育項(xiàng)目(13CY011)

劉偉樂，碩士研究生

林 輝，教授，博士生導(dǎo)師；E-mail：1053460198@qq.com

劉偉樂，林 輝，孫 華. 基于GF-1遙感影像濕地變化信息檢測(cè)算法分析[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2015,35(11):16-20.

[本文編校：吳 毅]