曹萌萌，青 松，杜雨春子，袁瑞強，順布日

(內(nèi)蒙古師范大學(xué) 地理科學(xué)學(xué)院，內(nèi)蒙古 呼和浩特 010022)

1 研究背景

隨著社會發(fā)展和人類活動強度的增加，我國乃至全世界的生態(tài)環(huán)境遭到破壞，其中水體富營養(yǎng)化引發(fā)的藻華現(xiàn)象已成為社會最關(guān)注的問題之一[1]。藻華不僅破壞湖泊景觀，導(dǎo)致生物量減少，同時也會造成水體自凈能力失衡，嚴(yán)重影響湖泊水生態(tài)環(huán)境。因此，對湖泊藻華進行實時動態(tài)監(jiān)測是預(yù)防與治理藻華的關(guān)鍵[2-4]。

與傳統(tǒng)方法相比，遙感技術(shù)不僅可以有效地繪制藻華的空間分布，也可以實時監(jiān)測其生長情況，所以國內(nèi)外學(xué)者采用了多種方法對藻華進行提取分析。其中，光譜指數(shù)法被廣泛應(yīng)用于藻華識別研究，例如：NDVI指數(shù)[5-6]、FAI指數(shù)[7-9]、AFAI指數(shù)[10]、EVI指數(shù)[11]、NDICB指數(shù)[12]等。同時，也有學(xué)者進一步結(jié)合多個光譜指數(shù)建立了分類決策樹，并用來提取復(fù)雜水體環(huán)境中的藻華[13-15]。此外，除了常見的監(jiān)督或非監(jiān)督分類方法[16-18]，還有少部分研究結(jié)合了野外實測光譜數(shù)據(jù)[19]、目視解譯方法、水質(zhì)參數(shù)反演法[20]和專家系統(tǒng)[21]對藻華進行識別。綜合對比以上幾種分類方法，發(fā)現(xiàn)它們各自都具有缺陷。結(jié)合光譜指數(shù)的決策樹分類算法缺乏伸縮性，難以針對大量訓(xùn)練數(shù)據(jù)集中確定唯一的有效閾值，對缺失值敏感，容易過擬合，從而加大誤差。監(jiān)督分類方法的缺點在于人為主觀性強、選擇樣本的成本較高，而且僅限于識別已定義的類別。非監(jiān)督分類方法的分類精度無法保證，往往需要后期大量的分析處理。專家系統(tǒng)則在知識獲取和量化等方面頗為困難。此外，由于獲取野外實測數(shù)據(jù)與高分辨率影像的成本高、操作難度大，所以難以對藻華進行高效率的識別。

自1995年粒子群優(yōu)化算法被提出后[22]，已成功應(yīng)用于洪水監(jiān)測[23]、水質(zhì)參數(shù)反演[24]、生物量估算[25]和土地利用變化[26]等多個方面。其中，基于離散粒子群優(yōu)化的光譜匹配(spectrum matching based on discrete particle swarm optimization, SMDPSO)算法是由Jia等[27]提出的一種用于提取地表水的方法，他們運用該算法較精確地提取了全球8個地區(qū)不同類型的水體。與上文中提到的其他方法相比，SMDPSO算法具有精度高、成本低、參數(shù)少、先驗知識少和自動化潛力大的優(yōu)點。但目前基于SMDPSO算法的藻華監(jiān)測研究鮮有報道，而且在以往的藻華研究中，很少涉及到中國東北部冰封期較長的湖泊。因此，本文擬運用SMDPSO算法對2009-2018年呼倫湖的藻華進行提取，并與光譜指數(shù)FAI進行對比驗證。然后，總結(jié)藻華的時空分布特征，并對SMDPSO算法的適用性和優(yōu)缺點進行評價。本研究的成果可以為分析呼倫湖藻華發(fā)生發(fā)展規(guī)律和進一步治理和保護湖泊生態(tài)環(huán)境提供參考。

2 數(shù)據(jù)來源與研究方法

2.1 研究區(qū)概況

呼倫湖位于內(nèi)蒙古呼倫貝爾市，是內(nèi)蒙古第一大湖泊，其地理位置及水系分布見圖1。湖泊冰封期從11月到次年5月，時間跨度長達6-7個月[28]。隨著氣候環(huán)境變化和人類活動強度的增大，呼倫湖面積逐漸縮減，水體富營養(yǎng)化加劇。尤其是自20世紀(jì)80年代以來，呼倫湖開始頻繁出現(xiàn)藻華爆發(fā)的現(xiàn)象，引起了嚴(yán)重的生態(tài)環(huán)境問題[4]。呼倫湖藻華的優(yōu)勢門為藍藻門，其次是綠藻門[29]。

圖1 呼倫湖地理位置及水系分布

2.2 遙感數(shù)據(jù)及預(yù)處理

基于時間分辨率、空間分辨率、影像波段數(shù)量和衛(wèi)星發(fā)射時間等因素的綜合考慮，本文選取2009年至2018年間非冰封期(5月1日-11月1日)的Landsat系列影像對呼倫湖藻華進行遙感識別。為了避免云的干擾，本文共篩選出53景無云且質(zhì)量較好的影像進行研究。影像預(yù)處理主要包括輻射定標(biāo)和大氣校正。大氣校正通常包括瑞利散射和氣溶膠矯正，但由于呼倫湖水體情況復(fù)雜, 受陸地的影響較大, 氣溶膠變化較為強烈, 因此難以對呼倫湖進行精確的氣溶膠矯正。本研究采用Vanhellemont等[30-31]的算法消除瑞利散射對遙感影像的影響。另外，為了消除陸地信息對提取結(jié)果的干擾，進一步選用MNDWI(改進歸一化差異水體指數(shù))提取呼倫湖水域。

2.3 SMDPSO算法

運用基于離散粒子群優(yōu)化的光譜匹配(SMDPSO)算法提取呼倫湖的藻華，需要兩個步驟：(1)對遙感影像進行光譜匹配獲得藻華概率圖；(2)運用DPSO(離散粒子優(yōu)化)算法識別概率圖中的藻華[27]。

本研究選取呼倫湖中藻華的特征波段作為標(biāo)準(zhǔn)光譜進行匹配。標(biāo)準(zhǔn)光譜曲線和目標(biāo)光譜曲線兩者之間的相似程度為藻華的概率，兩者差異越小，則像元被識別為藻華的可能性就會越高。計算方式如下：

PB=cos(B,O)·dist(B,O)

(1)

(2)

(3)

式中：PB為像元是藻華的概率；變量B=(b1,b2,…,bc)和O=(o1,o2,…,oc)分別為藻華的標(biāo)準(zhǔn)光譜矢量和任一像素的光譜矢量；c為波段數(shù)量。

為擴大不同波段之間的相對差異，將藻華的概率值進行歸一化處理。概率值越大表明該像素為藻華的可能性就越大，而像元是非藻華的概率值可以用公式(4)表示。

PNB=1-PB

(4)

然后將光譜匹配后得到的概率圖分割為行×列(即rows×cols)的多個圖塊，將每個圖塊當(dāng)做自變量代入自適應(yīng)函數(shù)T中，通過多次迭代，DPSO算法可以求出各圖塊的最大自適應(yīng)值 maxT，而該值所對應(yīng)的各像素的位置即為分類結(jié)果，最后將各個圖塊的分類結(jié)果合并即可。具體公式如下：

(5)

(6)

如果將概率圖分為n個圖塊，則解析過程重復(fù)n次，而此處只考慮1個圖塊。本研究設(shè)定1個圖塊的大小為D=4×4，其適宜解{x1,x2,…,xd}由公式(7)決定。

(7)

(8)

(9)

(10)

(11)

(12)

DPSO算法運用于單個圖塊的具體步驟如下：

(1)隨機生成I個D維粒子，即1個I行D列的矩陣X。矩陣X中的值為0或1。同時，隨機生成速度矩陣V，V的取值范圍為0～1。

(2)對于X的每一行，圖塊中的像元被分為兩類：藻華和非藻華。根據(jù)公式(5)計算X每行的自適應(yīng)值T，記錄每行的歷史最優(yōu)解，X中最大自適應(yīng)值Tmax所在的那行為全局最優(yōu)解。

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

(4)再次計算X每行的自適應(yīng)值T，并比較本次與上次迭代時X每行的自適應(yīng)值T，選取較大T值所在位置更新歷史最優(yōu)解和全局最優(yōu)解。

(5)當(dāng)k=kmax時，進行下一步，否則返回第(3)步。

(6)全局最優(yōu)解是該圖塊的最終分類結(jié)果。之后依次對其他圖塊重復(fù)上述步驟。

2.4 光譜指數(shù)法

浮游藻類指數(shù)FAI(floating algae index)是由Hu[32]提出的一種監(jiān)測海洋與近海岸帶藻類的方法，該指數(shù)對環(huán)境條件的適應(yīng)能力強，可以有效地提取漂浮藻類，已被廣泛應(yīng)用于藻類的業(yè)務(wù)化監(jiān)測中。因此，本研究選取FAI對呼倫湖藻華進行遙感識別，并將結(jié)果作為驗證數(shù)據(jù)來檢驗SMDPSO算法的精度與可靠性。

2.5 精度驗證方法

以FAI的分類結(jié)果為標(biāo)準(zhǔn)，運用格網(wǎng)統(tǒng)計法對SMDPSO算法進行精度驗證。具體原理為：在呼倫湖內(nèi)創(chuàng)建若干個大小為3 km×3 km的正方形格網(wǎng)，以格網(wǎng)為單位分別統(tǒng)計SMDPSO算法和FAI提取的藻華面積，之后構(gòu)建散點圖，并計算兩者之間的決定系數(shù)(R2)和均方根誤差(RMSE)。

3 結(jié)果與分析

3.1 標(biāo)準(zhǔn)光譜曲線與概率圖

首先，對標(biāo)準(zhǔn)假彩色合成的遙感影像進行交互式色彩拉伸，基于先驗知識目視選取藻華與水體的樣點各164個。然后，計算樣點在各個波段的光譜反射率的平均值，得到呼倫湖藻華和水體的標(biāo)準(zhǔn)光譜曲線，如圖2所示。

圖2 呼倫湖藻華和水體的標(biāo)準(zhǔn)光譜曲線

由圖2可以看出，藻華的光譜特征與典型植被相似，且在各個波段的反射率均大于水體。雖然藻華和水體在綠光波段都具有1個小的反射峰, 但水體的反射率在綠光波段之后就隨波長增加而逐漸降低，直至短波紅外波段便趨于0，曲線整體呈現(xiàn)出1個上下翻轉(zhuǎn)的“對勾”形狀。與之不同的是，藻華在紅光波段具有明顯的吸收谷，隨后在紅光波段到近紅外波段之間形成一個“陡坡”，反射率急劇上升,在近紅外波段達到頂峰。

基于上述特征，本研究以藻華標(biāo)準(zhǔn)光譜曲線中的紅光波段、近紅外波段和短波紅外波段進行光譜匹配，并得到藻華概率圖如圖3所示。

圖3 呼倫湖藻華概率圖(2017-08-20)

3.2 分類結(jié)果及驗證

以MATLAB R2018軟件為平臺，運用SMDPSO算法提取呼倫湖藻華。其中，輸入對象為Landsat影像圖，輸出結(jié)果為二值圖像。之后,采用ArcGIS10.2軟件整理出圖，最終得到2009-2018年呼倫湖藻華分類圖，如圖4所示。由于2012和2016年的大部分影像有云覆蓋，且其余影像也未發(fā)現(xiàn)有藻華爆發(fā)，因此圖4缺少這兩年的分類圖。

圖4 基于SMDPSO算法的2009-2018年呼倫湖藻華分類圖

本文又選取了2015年7月28日和2017年8月2日的遙感影像，對比SMDPSO算法和FAI的分類結(jié)果，并結(jié)合格網(wǎng)統(tǒng)計法繪制散點圖(見圖5)，對結(jié)果進行定量評價。

由圖5可以看出，SMDPSO算法和FAI的藻華提取結(jié)果十分相似，無論是面狀、塊狀，還是絮狀的藻華都能被準(zhǔn)確提取。散點圖中絕大多數(shù)點也緊密分布于1∶1線附近，整體擬合度較好。不同分類方法之間的決定系數(shù)R2在2015年7月28日和2017年8月2日分別為0.98和0.97，均方根誤差RMSE均小于0.22 km2，這表明SMDPSO算法可以準(zhǔn)確識別呼倫湖藻華。

圖5 基于SMDPSO算法和FAI的呼倫湖藻華分類結(jié)果及散點圖(以2015-07-28和2017-08-02遙感影像為例)

3.3 呼倫湖藻華時空分布特征

通過計算各影像中藻華的面積，得到了2009-2018年呼倫湖的藻華面積統(tǒng)計圖，如圖6所示。

由圖6可知，呼倫湖藻華大多爆發(fā)于每年7和8月，其次是6和9月，藻華面積較大的日期集中在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)。

圖6 2009-2018年呼倫湖藻華面積統(tǒng)計

為了探究呼倫湖藻華的空間分布特征，本文以像元為單位統(tǒng)計了2009-2018年藻華出現(xiàn)的次數(shù)，結(jié)果見圖7。

由圖7可知，藻華主要出現(xiàn)在湖泊南部、西南部和北部的邊緣，而湖區(qū)中心卻很少出現(xiàn)藻華，水體情況較好，這可能是周圍土地類型和水流流速所導(dǎo)致的。一方面，湖區(qū)東北部為呼倫湖的旅游景點，人類的頻繁活動對湖水產(chǎn)生了巨大影響；另一方面，由于湖區(qū)西南部距克魯倫河入湖口較近，而此處長期受到放牧和工廠排放的影響，所以導(dǎo)致河口富營養(yǎng)化加劇，很容易出現(xiàn)藻華。

圖7 2009-2018年呼倫湖藻華次數(shù)空間分布

3.4 算法適用性評價

為了進一步驗證SMDPSO算法在其他區(qū)域的適用性，以2016年7月2日黃海區(qū)域的OLI影像為數(shù)據(jù)源對滸苔(屬綠藻門，呈綠色)進行識別，并與FAI的分類結(jié)果進行比較，見圖8。其中圖8(b)和8(c)分別為SMDPSO和FAI方法的分類結(jié)果，其中綠色表示滸苔，藍色表示海水。

圖8 不同方法對黃海滸苔的提取結(jié)果及散點圖(2016-07-02)

圖8中的對比結(jié)果表明，滸苔的空間分布具有高度一致性，SMDPSO算法能夠很好地捕捉和描繪滸苔條紋的細(xì)節(jié)與形狀，即使是很小的斑塊也能清晰地識別出來。此外，結(jié)合格網(wǎng)統(tǒng)計法繪制的SMDPSO和FAI分類結(jié)果的散點圖也表現(xiàn)出非常好的線性關(guān)系，擬合線幾乎與1∶1線重合，R2達到0.97，RMSE為0.015 km2，這說明SMDPSO算法可以有效地識別黃海的滸苔。同時，也為算法的進一步發(fā)展和應(yīng)用提供了方向。

與光譜指數(shù)法相比，SMDPSO算法既保留了其分類精度高的特點，也在其他方面具有獨特的優(yōu)勢。首先，SMDPSO算法的參數(shù)少、成本低，且無需人工干預(yù)。此算法所涉及的參數(shù)僅包括標(biāo)準(zhǔn)光譜和圖塊大小，而且一旦確定就無需改變。但是，使用光譜指數(shù)法進行遙感分類時，經(jīng)常需要運用目視解譯方法對每一幅影像的閾值進行調(diào)整以保證分類精度，這種方式不僅具有很大的主觀性，而且也會消耗許多時間和人力。所以，SMDPSO算法比光譜指數(shù)法更加簡單方便。其次，由于SMDPSO算法是基于目標(biāo)地物的標(biāo)準(zhǔn)光譜，通過計算像元之間的相似性來識別地物，所以如果標(biāo)準(zhǔn)光譜發(fā)生變化，SMDPSO算法同樣可以識別不同種類的藻華或其他類別的地物，這是單一的光譜指數(shù)不能實現(xiàn)的。然而，SMDPSO算法也存在一些缺點，即在運行過程中消耗的時間較長，所以之后的研究重點在于如何在保證精度的前提下提升算法的效率。

4 結(jié) 論

本文利用基于離散粒子群優(yōu)化的光譜匹配(SMDPSO)算法對2009-2018年呼倫湖的藻華進行識別，并用浮游藻類指數(shù)(FAI)的分類結(jié)果進行檢驗。主要結(jié)論如下：

(1)SMDPSO算法對呼倫湖藻華的提取效果較好，與FAI高度一致。

(2)呼倫湖藻華的高發(fā)期為7-8月，且主要爆發(fā)于湖泊邊緣，在湖中心出現(xiàn)的次數(shù)較少。

(3)SMDPSO算法的分類精度與FAI相似，但其成本更低、所需參數(shù)較少，且無需人工干預(yù)，甚至可以通過改變標(biāo)準(zhǔn)光譜來識別其他地物(如識別黃海的滸苔)；

(4)在之后的研究中，還需要進一步驗證SMDPSO算法在多種水生植物并存環(huán)境下的適用性，并將其推廣應(yīng)用于其他具有高分辨率的多光譜遙感影像中。