劉曉農,邢元軍,羅 鵬

(1.國家林業(yè)局中南林業(yè)調查規(guī)劃設計院,長沙 410014；2.中國林業(yè)科學研究院資源信息研究所,北京 100091)

基于時序NDVI數(shù)據(jù)的洞庭湖區(qū)濕地植被類型信息提取

劉曉農1,邢元軍1,羅 鵬2

(1.國家林業(yè)局中南林業(yè)調查規(guī)劃設計院,長沙 410014；2.中國林業(yè)科學研究院資源信息研究所,北京 100091)

洞庭湖濕地是我國及國際重要的湖泊濕地,基于遙感時空融合模型,通過融合高時間分辨率的MODIS數(shù)據(jù)與中等空間分辨率的Landsat數(shù)據(jù),得到時序Landsat NDVI數(shù)據(jù),并利用時序Landsat NDVI數(shù)據(jù)對濕地植被信息進行提取。研究結果表明,該方法能夠有效提取研究區(qū)濕地植被類型,總體分類精度與Kappa系數(shù)分別為91.52%與0.85,較單時相Landsat8 OLI光譜影像總體分類精度與Kappa系數(shù)分別提高了4.16%和0.03。苔草沼澤、蘆葦沼澤、楊樹林沼澤和水稻田幾種濕地植被的分類精度提高較為明顯,用戶精度分別提高了2.35%,0.67%,10.47%和4.75%,生產者精度則分別提高了3.57%,2.31%,10.11%和6.21%。研究結果可為陰雨天氣較多的南方地區(qū)的濕地信息提取提供有效的技術和方法。

時序序列；NDVI；STARFM；洞庭湖區(qū)；濕地植被

0 引言

洞庭湖區(qū)是洞庭湖域濕地分布的主要區(qū)域,尤其是自然濕地,如苔草沼澤、蘆葦沼澤等[1]。同時也是3個國家級(國際)自然濕地保護區(qū)的集中分布區(qū)[2]。近年來由于不合理開發(fā)以及氣候變化等諸多因素的影響,導致洞庭湖湖泊萎縮較快,洞庭湖區(qū)濕地資源面積急劇減少[3-4]。因此,精確、實時的洞庭湖區(qū)濕地類型監(jiān)測,探討其演變趨勢是當前面臨的重要科學議題。

目前針對洞庭湖區(qū)濕地已開展較多基于遙感技術應用的研究,如鄧帆等[5]利用Landsat TM/ETM+和HJ1A/1B衛(wèi)星數(shù)據(jù),分析了1993—2010年洞庭湖濕地的動態(tài)變化。蔣衛(wèi)國等[6]基于1995和2000年的Landsat TM衛(wèi)星圖像,提取了洞庭湖區(qū)的濕地信息并進行了濕地生態(tài)系統(tǒng)健康評價；鄭建蕊等[7]利用2000年的Landsat TM影像,分析了洞庭湖區(qū)濕地景觀結構特征及功能狀態(tài)；楊利等[8]基于Landsat TM數(shù)據(jù),完成了1987—2008年6期洞庭湖區(qū)濕地制圖,并分析了三峽建壩前后濕地景觀格局變化。現(xiàn)有研究表明,目前洞庭湖區(qū)濕地信息提取主要以單時相的Landsat TM/ETM+衛(wèi)星影像為主,但由于洞庭湖濕地類型、濕地的植被類型復雜多樣,單時相的Landsat TM/ETM+遙感數(shù)據(jù)只能了解某一時間點的濕地信息,難以捕捉到濕地的類型變化過程中的關鍵特征,不能滿足濕地信息類型的高精度提取。而利用時間序列的遙感影像能夠掌握濕地季節(jié)變化情況并能找到其關鍵特征,從而提高分類精度。

然而,由于Landsat數(shù)據(jù)較長的重訪周期及云雨天氣的影響,導致獲取足夠的、高質量的時間序列Landsat數(shù)據(jù)十分困難。遙感時空融合模型的發(fā)展,為獲取高空間分辨率與高時間分辨率數(shù)據(jù)提供有效的技術與方法[9-13],并已在植被、土地覆蓋與土地利用中得到較多的應用[14-16]。洞庭湖區(qū)處于季風氣候區(qū),云雨天氣較多,獲取足夠時間序列的Landsat數(shù)據(jù)十分困難。因此,本文利用遙感時空融合模型獲取了時間序列Landsat數(shù)據(jù)并對洞庭湖區(qū)濕地植被信息進行了提取,同時探討了該方法于濕地植被提取的有效性。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

洞庭湖區(qū)位于湖南省東北部,介于111°40′～113°10′E,28°30′～29°31′N之間。研究范圍包括岳陽、常德、益陽3個市21個縣(市、區(qū)),占湖南省總面積的12.2%(圖1)。研究區(qū)大部分海拔低于50m,

圖1 研究區(qū)范圍

多平原、丘陵,屬亞熱帶季風氣候。研究區(qū)濕地植被主要由水稻(雙季稻、一季稻)、蘆葦、楊樹和苔草。

1.2 數(shù)據(jù)與處理

研究所需遙感影像數(shù)據(jù)包括Landsat8 OLI與MODIS 13Q1,均下載于美國地質調查局(http://glovis.usgs.gov/)。覆蓋研究區(qū)Landsat8 OLI與MODIS 13Q1數(shù)據(jù)所需行列號見表1。

表1 遙感數(shù)據(jù)

獲取的Landsat8 OLI數(shù)據(jù)質量較好,云覆蓋率均小于5%。利用ENVI 5.1軟件對數(shù)據(jù)進行輻射定標,并經FLAASH模塊進行大氣校正,之后基于地形數(shù)據(jù)采用二次多項式進行幾何精校正,誤差小于0.5個像元。

本研究主要實驗數(shù)據(jù)為MODIS 13Q1產品中的NDVI(Normalized Difference Vegetation Index)數(shù)據(jù),時間范圍為2015年1月1日—2015年12月19日,共23期,分辨率為250m,投影為Sinusoidal(正弦投影)。將MODIS 13Q1的投影與空間分辨率設置成與Landsat8一致,并與Landsat8進行配準。

其他輔助數(shù)據(jù)為野外調查數(shù)據(jù),2m空間分辨率的GF-1(2015-10-08平水期)和Google Earth高分辨率影像,以及物候觀測數(shù)據(jù)等。

2 研究方法

2.1 Landsat與MODIS數(shù)據(jù)時空融合

本文基于STARFM模型,通過融合Landsat8與MODIS 13Q1數(shù)據(jù)來構建洞庭湖區(qū)濕地植被生長關鍵期的Landsat數(shù)據(jù),模型表達式如下[9-10]:

(1)

式中:(xi,yi)是像元的坐標,t0是影像對的采集時間,t1是待預測時間；w為搜索窗口大小,W為權重函數(shù),由Landsat與MODIS的光譜差異值、時間差異值、空間差異值決定。

2.2 NDVI重構

本文利用TIMESAT軟件對融合得到的時序Landsat NDVI數(shù)據(jù)進行濾波處理TIMESAT軟件包中有3種核心算法,其中S-G濾波法是一種局部擬合的方法,且相對于非對稱高斯函數(shù)，擬合法(AG)和雙Logistic曲線擬合法(DL)2種方法能更精確地描述NDVI時序數(shù)據(jù)的細微變化[17-18]。因此,本文基于MATLAB的TIMESAT軟件包,采用S-G濾波法對融合得到的時序 NDVI(30 m)進行擬合重構處理,其表達式為:

(2)

式中:其中,Y，Y*分別表示原始和平滑后的NDVI值,Ci是S-G多項式擬合的系數(shù),表示從濾波器首部開始第i個NDVI值的權重,N為濾波器長度,大小為2m+1。

2.3 可分離性分析及最佳Landsat NDVI組合選擇

地物類型間的可分離性判定的方法很多,如J-M距離(Jeffries-Matusita Distance)、巴氏距離(Bhattacharyya Distance)、歐氏距離、轉換分離度(Transformed Divergence)等。相對于其他的地表特征可分性判定方法,J-M距離被認為是更優(yōu)的指標,其計算公式如下[19-20]:

J=2(1-e-B)

(3)

其中:B表示2種類別基于某一特征的巴氏距離,m1和m2表示2種類別的某特征均值,σ1和σ2表示兩種類別的某特征標準差。

結合研究區(qū)濕地植被生長物候歷,濕地植被的時序NDVI曲線,選擇了用于J-M距離計算的LandsatNDVI數(shù)據(jù)及日期見表2。

表2 參與可分離性分析的Landsat NDVI數(shù)據(jù)日期及序號

2.4 基于時空特征的遙感分類與精度評價

根據(jù)拉姆薩爾公約對濕地的定義[21],并結合研究區(qū)濕地植被與遙感數(shù)據(jù)的特點,將研究區(qū)濕地劃分為水體、水稻田(一季稻、雙季稻)、泥沙灘地、蘆葦沼澤、楊樹林沼澤和苔草沼澤5類。

結合研究區(qū)平水期GF-1影像、洞庭湖區(qū)1∶10 000土地利用現(xiàn)狀圖(常德市國土資源局、岳陽市國土資源局制作)及2015年野外調查數(shù)據(jù)(包括所有濕地類型,采集GPS點160個),利用支持向量機(SVM)對洞庭湖區(qū)遙感影像進行分類。本文選擇混淆矩陣進行濕地信息提取精度評價,包括總體精度(overall accuracy)、Kappa系數(shù)生產者精度(producer accuracy)以及用戶精度(user accuracy)。

3 結果與分析

3.1 遙感數(shù)據(jù)時空融合結果

融合的洞庭湖區(qū)部分濕地植被生長關鍵期的Landsat NDVI影像如圖2所示,分別為5月25日(DOY145)、7月12日(DOY193)、7年28日(DOY209)、8年29日(DOY241)、9月14日(DOY257)、10月16日(DOY289)。融合的Landsat影像的空間分辨率較高,紋理等空間細節(jié)信息清晰,可以表現(xiàn)出較小地物間的差異,比250m空間分辨率的MODIS更能夠反映濕地類型的空間細節(jié)信息。

圖2 研究區(qū)濕地類型生長關鍵期的Landsat NDVI數(shù)據(jù)

3.2 融合時序Landsat NDVI濾波結果

時序MODIS EVI重構結果如圖3,除楊樹與蘆葦NDVI曲線起伏較小外,其他地類NDVI曲線變化起伏比較明顯。由圖可知,不同植被類型生長物候特征曲線各異,因此可利用時序MODIS EVI數(shù)據(jù)對它們進行識別。

3.3 J-M距離及最佳Landsat NDVI組合

考慮到各植被類濕地的生長季開始約在3月上旬,而生長季結束約在11月上旬,因此,選擇進行J-M距離計算的Landsat NDVI的日期為2015年4月23日—2015年11月1日(第113—305天),共13期?；跒V波后的時序Landsat NDVI數(shù)據(jù),按不同組合計算不同濕地植被間的J-M距離,計算結果如表3。

圖3 時間序列Landsat NDVI

LandsatNDVI數(shù)據(jù)組合序號J-M值蘆葦-雙季稻苔草-一季稻苔草-蘆葦雙季稻-一季稻雙季稻-蘆葦一季稻-蘆葦14681.8731.8131.7851.8261.8311.7821468101.8941.8391.8221.8521.8481.82513468101.9241.8571.8421.8631.8911.8491346810131.9181.9341.9191.9381.9461.92713468910131.9881.9741.9721.9891.9781.969134678910131.9992.0001.9981.9922.0002.0001345678910132.0002.0002.0001.9992.0002.000134567891011132.0002.0002.0001.9992.0002.000

選擇Landsat NDVI序號組合時,考慮到了上文中濕地植被擬合結果的分析及作物的物候歷。通過J-M距離的計算,可以發(fā)現(xiàn)隨著濕地植被生長關鍵期影像增加,各植被類型間的J-距離不斷增加。通過比較,5組以上的Landsat NDVI組合使得各濕地植被間的J-M距離值增加程度都非常小(增幅小于0.1),同時考慮到數(shù)據(jù)冗余與計算速度,因此本文選擇序號為1,3,4,6,7,8,9,10及13的 Landsat NDVI數(shù)據(jù)為洞庭湖區(qū)濕地植被提取最佳數(shù)據(jù)組合。

3.4 濕地信息提取結果與精度評價

洞庭湖區(qū)濕地信息提取結果見圖4,由圖可以得出泥沙灘地、苔草沼澤與蘆葦沼澤絕大部分分布在洞庭湖周邊,楊樹林沼澤則主要分布在河堤沿岸或沿道路分布,水水稻濕地分布相對較均勻,但就分布面積而言,洞庭湖西部明顯要高于東部。

圖4 研究區(qū)濕地信息提取

利用野外實地調查數(shù)據(jù),通過混肴矩陣對濕地信息提取結果進行了定量分析,同時為了檢驗時序Landsat數(shù)據(jù)對洞庭湖區(qū)濕地信息提取精度的影響,基于研究區(qū)平水期的Landsat8 OLI,采用同樣的分類器對洞庭湖區(qū)濕地進行了提取,兩種分類方法的精度評價結果見表4。利用單時相Landsat光譜影像的總體分類精度與Kappa系數(shù)分別為87.36%和0.82,而基于時序Landsat數(shù)據(jù)的總體分類精度與Kappa系數(shù)分別為91.52%與0.85,總體分類精度與Kappa系數(shù)較前者分別提高了4.16%和0.03。幾種濕地類型的用戶精度與生產者精度較基于單時相Landsat8影像均有不同程度的提高,其中苔草沼澤、蘆葦沼澤、楊樹林沼澤和水稻田幾種濕地植被的分類精度提高較為明顯,用戶精度分別提高了2.35%,0.67%,10.47%和4.75%,生產者精度則分別提高了3.57%,2.31%,10.11%和6.21%。

表4 兩種分類方法下的精度評價結果

4 結論

本研究利用時空融合模型,通過融合時序MODIS和Landsat數(shù)據(jù)獲得了時間序列的Landsat NDVI數(shù)據(jù)。利用TIMESAT軟件包中的S-G濾波法對時序Landsat NDVI進行濾波平滑處理,同時參考濕地植被的物候特征及J-M距離計算獲得了洞庭湖區(qū)濕地植被提取最佳的Landsat NDVI組合,并利用SVM進行了濕地植被信息提取,研究結果表明該方法能夠較好地提取洞庭湖區(qū)濕地植被信息,得到了精度較高的濕地植被填圖,總體分類精度與Kappa系數(shù)較基于單時相Landsat8光譜影像均有不同程度提高。

精確的、大范圍的濕地植被信息提取需要時間序列的Landsat數(shù)據(jù),然而受衛(wèi)星重訪周期及天氣的的影響,難以獲取時間序列Landsat數(shù)據(jù)。利用遙感影像對大范圍濕地信息進行提取將會受到較大程度的影響,因此利用遙感數(shù)據(jù)時空融合模型是解決數(shù)據(jù)缺失的一種有效手段。

[1]王紅娟,姜加虎,黃群.東洞庭湖濕地景觀變化研究[J].長江流域資源與環(huán)境,2007,16(6):732-737.

[2]唐玥,謝永宏,李峰,等.基于Landsat的近20余年東洞庭湖濕地草洲變化研究[J].長江流域資源與環(huán)境,2013,22(11):1484-1492.

[3]楊波,廖丹霞,李京,等.東洞庭湖濕地生態(tài)系統(tǒng)健康狀態(tài)與水位關系研究[J].長江流域資源與環(huán)境,2014,23(8):1145-1152.

[4]陳燕芬,牛振國,胡勝杰,等.基于MODIS時間序列數(shù)據(jù)的洞庭湖濕地動態(tài)監(jiān)測[J].水利學報,2016,47(9):1093-1104.

[5]鄧帆,王學雷,厲恩華,等.1993—2010年洞庭湖濕地動態(tài)變化[J].湖泊科學,2012,24(4):571-576.

[6]蔣衛(wèi)國,潘英姿,侯鵬,等.洞庭湖區(qū)濕地生態(tài)系統(tǒng)健康綜合評價[J].地理研究,2009,28(6):1665-1672.

[7]鄭建蕊,蔣衛(wèi)國,周廷剛,等.洞庭湖區(qū)濕地景觀指數(shù)選取與格局分析[J].長江流域資源與環(huán)境,2010,19(3):305-310.

[8]楊利,謝炳庚,秦建新,等.三峽建壩前后洞庭湖區(qū)濕地景觀格局變化[J].自然資源學報,2013,28(12):2068-2080.

[9]Gao F,Masek J,Schwaller M,et al.On the blending of the Landsat and MODIS surface reflectance:predicting daily Landsat surface reflectance[J].IEEE Transactions on Geoscience & Remote Sensing,2006,44(8):2207-2218.

[10]張猛,曾永年.基于多時相Landsat數(shù)據(jù)融合的洞庭湖區(qū)水稻面積提取[J].農業(yè)工程學報,2015,31(13):178-185.

[11]Hilker T,Wulder M A,Coops N C,et al.A new data fusion model for high spatial-and temporal-resolution mapping of forest disturbance based on Landsat and MODIS[J].Remote Sensing of Environment,2009,113(8):1613-1627.

[12]Zhu X L,Jin C,Feng G,et al.An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions.[J].Remote Sensing of Environment,2010,114(11):2610-2623.

[13]Wu M Q.Use of MODIS and Landsat time series data to generate high-resolution temporal synthetic Landsat data using a spatial and temporal reflectance fusion model[J].Journal of Applied Remote Sensing,2012,6(1):063507.

[14]Hilker T,Wulder M A,Coops N C,et al.Generation of dense time series synthetic Landsat data through data blending with MODIS using a spatial and temporal adaptive reflectance fusion model[J].Remote Sensing of Environment,2009,113(9):1988-1999.

[15]鄔明權,王長耀,牛錚.利用多源時序遙感數(shù)據(jù)提取大范圍水稻種植面積[J].農業(yè)工程學報,2010,26(7):240-244.

[16]Jia K,Liang S,Zhang N,et al.Land cover classification of finer resolution remote sensing data integrating temporal features from time series coarser resolution data[J].Journal of Photogrammetry & Remote Sensing,2014,93(7):49-55.

[17]李儒,張霞,劉波，等.遙感時間序列數(shù)據(jù)濾波重建算法發(fā)展綜述[J].遙感學報,2009,13(2):335-341.

[18]J?nsson P,Eklundh L.Seasonality extraction and noise removal by function fitting to time-series of satellite sensor data[J].IEEE Transactions of Geoscience and Remote Sensing,2002,40(8),1824-1832.

[19]Hao Pengyu,Wang Li,NiuZheng,et al.The potential of time series merged from Landsat-5 TM and HJ-1 CCD for crop classification:A case study for Bole and Manas counties in XinJiang,China[J].Remote Sensing,2014,6(8),7610-7631.

[20]臧淑英,張策,張麗娟,等.遺傳算法優(yōu)化的支持向量機濕地遙感分類——以洪河國家級自然保護區(qū)為例[J].地理科學,2012,32(4):434-441.

[21]殷書柏,李冰,沈方.濕地定義研究進展[J].濕地科學,2014,2(4):504-514.

Wetland Plant Extraction Based on the Time Series Landsat NDVI in Dongting Lake Area

LIU Xiaonong1,XING Yuanjun1,LUO Peng2

(1.CentralSouthForestInventoryandPlanningInstituteofStateForestryAdministration,Changsha410014,China;2.ResearchInstituteofForestResourceInformationTechniques,CAF,Beijing100091,China)

As an important ecological system,wetland of lake groups and river system in Dongting Lake area is essential for the ecological environment.Due to the continuous disturbance of human activities and globe climate change,wetland in Dongting Lake area has degraded and it’s urgent to monitor the wetland change timely.In this paper,we used Landsat8 OLI data and MODIS data to get the time series Landsat NDVI data based on spatial and temporal adaptive reflectance fusion model (STARFM).Then,the Savitzky-Golay (S-G) filter was employed to smooth the time series Landsat NDVI data.With the phonological calendar of plant wetland and the computation of Jeffries-Matsushita distance (J-M),and through selecting validation data randomly throughout the study area for many times,we got the best J-M distance and the optimal Landsat NDVI data combination.Support vector machine was used to map wetland distribution of study area.Results showed that this method could map wetland fields effectively,and get a high overall precision of 91.52% with the Kappa coefficient of 0.85,and overall accuracy and Kappa coefficient were improved about 4.16% and 0.03,respectively,compared with using single date Landsat8 OLI spectral data.Especially,the precision of plant wetland,such as sedge,reed,polar and paddy,were improved about 2.35%,0.67%,10.47% and 4.75% for user accuracy and 3.57%,2.31%,10.11% and 6.21% for producer accuracy.The research can provide an important way to solve the problem of missing data on monitoring wetland.

time series,NDVI,STARFM,Dongting Lake area,wetland vegetation

2017-04-12；

2017-05-12

國家高技術發(fā)展計劃(863計劃)(2013AA102605)；國家自然科學基金(31170637)

劉曉農(1963-)，男，湖南郴州人，高工，學士，主要從事遙感與信息技術在林業(yè)中的應用研究。 Email:714234493@QQ.com

S757.2；TP79

A

1002-6622(2017)04-0103-07

10.13466/j.cnki.lyzygl.2017.04.016