-
湿地植被是湿地生态系统中最敏感的组成要素,直接反映湿地生态环境的变化状况,同时制约着湿地动物的数量与分布。随着遥感技术的发展与应用,利用遥感影像可以快速高效地监测大面积湿地植被[1-2],有效避免了传统方法更新速度慢、难以深入调查等问题。然而,由于湿地植被特殊的复杂性和不确定性[3],基于多光谱遥感影像很难精细划分湿地植被群落[4-5]。
高光谱遥感具有通道数多、波段间隔窄、图谱合一等特点,在湿地植被的分类识别和信息提取中具有独特的优势[6-7]。多角度同步观测从多个方向观测固定目标,能够反映地物反射率的各项异性,丰富目标的观测信息,提高地物的识别精度。紧密型高分辨率成像光谱仪(CHRIS)搭载在欧空局PROBA平台上,是唯一可以一次性获得5个角度高光谱数据的星载传感器。目前,国内外研究学者利用CHRIS数据的多角度和高光谱特性进行了许多研究。2005年,Guanter等[8]首次将CHRIS多角度数据与地面实测光谱进行对比分析,指出了高光谱和多角度结合的CHRIS数据在地球观测系统中的优势。2008年,Verrelst等[9]借助CHRIS多角度数据,研究森林和草地的各类植被指数对角度的灵敏性。2009年,Galvão等[10]利用CHRIS多角度数据,对亚马逊热带次生林演替进行识别,结果表明多角度结合可以提高分类精度。2010年,张西雅等[11]分析不同土地覆盖类别的多角度特征,并对多角度组合图像进行分类评价。2011年,韦玮等[12]将CHRIS+36°、0°和-36°三个角度影像的组合变换,对高寒沼泽湿地进行遥感分类。同年又提出将-36°的NDVI与0°影像进行Gram-Schmidt变换融合,并采用波谱角填图方法提取高寒沼泽湿地植被类型[13]。尽管研究者利用多角度数据进行许多研究,然而多角度信息结合的研究仍处于实验阶段,没有足够的理论支持。本研究利用多角度高光谱CHRIS/PROBA数据,分析不同角度下东洞庭湖湿地典型植被群落的光谱特征,研究运算NDVI的最佳角度和波段组合,同时确定多角度信息融合的最佳方法,并对融合影像进行湿地植被类型精细识别。
HTML
-
研究区位于东洞庭湖国家级自然保护区内,地处湖南省东北部的长江中游荆江江段南侧,地理位置为29°12′16″~29°19′35″N,112°57′59″~ 113°06′02″E。该地区位于中亚热带过渡气候区,受东亚季风和江湖水体的影响,具有大陆亚热带季风气候的特点,温和湿润、雨热同期、四季分明,且无结冰期。地势低平,平均海拔60 m左右,地貌以平原为主,间杂丘陵。研究区内广泛分布着水生植物和湿生植物,其中水生植物主要是以芦苇(Phragmites communis Trin.)为优势种群形成湿地植被群落,湿生植被主要包括大面积分布的苔草(Carex)群落和泥蒿(Artemisia selengensis Turcz.)群落。
-
CHRIS/PROBA数据于2001年10月发射成功,主要用于获取陆地地面影像以及记录特定区域的植被和气溶胶特征。它具有5个模式,模式1为陆地与水成像,模式2为水成像,模式3~5为陆地成像,本研究采用模式1数据。该数据依次从+55°、+36°、0°、-36°和-55°五个飞行天顶角获得,其成像顺序、观测天顶角、观测方位角和扫描方向如表 1所示。CHRIS影像共有62个波段(表 2),波谱范围约为400~1 000 nm,刈幅宽度为13 km,空间分辨率为34 m。选用4月26日的CHRIS影像,该时期洞庭湖地区湿地植被生长茂盛,没被水体淹没,便于进行湿地植被提取。飞行时间为北京时间上午08:17,太阳高度角为59°。由于-55°和+55°两幅影像存在较严重的几何畸变,难以与另外3个角度的数据配准,且不能覆盖典型植被区,因此本研究只选择了0°、+36°和-36°影像作为原始数据进行研究。
成像时间顺序
Chronological Imaging Order飞行天顶角
Nominal Flight Zenith Angle观测天顶角
Observation Zenith Angle观测方位角
Observation Azimuth Angle扫描方向
Scan Direction1 +55° 54.74° 16.89° 北-南N-S 2 +36° 33.17° 22.64° 南-北S-N 3 0° 9.02° 139.92° 北-南N-S 4 -36° 37.57° 180.26° 南-北S-N 5 -55° 57.05° 185.7° 北-南N-S Table 1. Imaging sequence and angle characteristics of CHRIS data
波段
Band最小波长
Minimum wavelength/nm最大波长
Maximum wavelength/nm中心波长
Central wavelength/nm波段
Band最小波长
Minimum wavelength/nm最大波长
Maximum wavelength/nm中心波长
Central wavelength/nmA1 406 417 411 A32 720 727 723 A2 439 449 444 A33 727 733 730 A3 449 459 454 A34 733 740 737 A4 459 469 464 A35 740 747 743 A5 469 479 474 A36 747 754 750 A6 479 488 484 A37 754 761 757 A7 488 498 493 A38 761 768 764 A8 498 508 503 A39 768 775 771 A9 508 518 513 A40 775 783 779 A10 518 529 524 A41 783 790 786 A11 529 538 534 A42 790 798 794 A12 538 550 544 A43 798 806 802 A13 550 560 555 A44 806 814 810 A14 560 571 565 A45 814 822 818 A15 571 582 576 A46 830 847 839 A16 582 589 586 A47 847 856 852 A17 589 602 595 A48 856 865 861 A18 602 614 608 A49 865 874 870 A19 614 623 619 A50 874 884 879 A20 623 632 628 A51 884 893 888 A21 632 642 637 A52 893 902 898 A22 642 652 647 A53 902 912 907 A23 652 662 657 A54 912 922 917 A24 662 673 668 A55 922 932 927 A25 673 684 679 A56 932 942 937 A26 684 690 687 A57 942 963 952 A27 690 696 693 A58 963 973 968 A28 696 702 699 A59 973 984 978 A29 702 708 705 A60 984 994 989 A30 708 714 711 A61 994 1 005 1 000 A31 714 720 717 A62 1 005 1 016 1 011 Table 2. Swath width of CHRIS mode 1 data
1.1. 研究区概况
1.2. 遥感数据源
-
由于原始的CHRIS图像存在条带噪声、辐射误差和几何畸变等问题,因此需要对CHRIS影像依次进行一系列预处理操作。首先,对CHRIS数据进行噪声去除,目前普遍采用欧空局提供的HDFclean软件对图像进行缺失像元填充和条带去除,操作简单、效果较理想。其次,为了消除大气和光照等因素对地物反射的影响,得到地表真实的辐亮度,需要对CHRIS图像进行大气校正。使用ENVI软件中的FLAASH大气校正模块,其中输入的参数均可从CHRIS数据头文件中获得。然后,以2013年4月26日的Landsat8陆地成像仪OLI图像(空间分辨率为30 m)为基准影像,结合先进星载热发射和反射辐射仪全球数字高程模型(ASTER GDEM)(空间分辨率为30 m),对CHRIS数据进行正射校正。最后,对3个角度的CHRIS图像相互进行精确配准,将误差保持在1个像元内。
-
归一化植被指数(NDVI)是植被生长状态和空间分布特征的最佳指示因子,且能够反映湿地植被冠层的背景影响,对湿地植被提取具有重要意义。计算公式为:
其中,DN为近红外、红波段的计数值(灰度值);ρ为地表反射率。NDVI经过比值运算,可以部分消除地形、云和大气程辐射的影响;经过归一化处理,降低了传感器标定误差对不同波段的影响。大多数NDVI基于宽波段计算得到,容易受到土壤背景、潮湿地面、冠层结构等因素的影响[14-15],而窄波段NDVI可以有效避免类似问题。
参考CHRIS数据的波谱范围,依据洞庭湖地区芦苇、苔草和泥蒿3种湿地植被冠层反射光谱特征(图 1(a)),将600~700 nm和725~1 000 nm分别作为NDVI中红光波段与近红外波段的波长取值范围。根据实地调查的样点数据,每种植被分别在+36°和-36℃HRIS影像上选取3个样点,计算平均光谱曲线如图 1(b)和(c)所示。
项目
Items红光波谷Red trough/nm 近红外第一波峰first peak in NIR/nm 光谱仪spectrometer 36℃HRIS -36℃HRIS 光谱仪spectrometer 36℃HRIS -36℃HRIS 芦苇Phragmites communis 673.00 667.60 667.60 920.00 936.8 936.8 泥蒿Wormwood 674.00 667.60 667.60 922.00 916.9 897.6 苔草Carex 673.00 667.60 667.60 922.00 936.8 936.8 平均值Average wavelength 673.33 667.60 667.60 921.33 930.17 923.73 标准差Standard deviation 0.58 0.00 0.00 1.15 11.49 22.63 Table 3. Extremes of 3 wetland vegetation reflectance spectrum in the visible and NIR
可以看出3种植被在红光波段的吸收谷全部位于667.6 nm,对应于CHRIS数据的第24波段(表 2);近红外波段第一峰的位置范围在897.6~936.8 nm之间,平均值为926.95 nm,对应于CHRIS的第55波段(表 2)。尽管由于星载CHRIS与地面光谱仪的观测条件不同,且测量植被的生长状况及环境背景会有所差异,CHRIS数据与光谱仪数据的极值统计有所偏差。但植被光谱曲线趋势基本保持一致,且极值统计差异在10 nm内,小于CHRIS的波段宽度,在允许误差范围内。3类湿地植被在近红外第一波峰位置的标准差越大,其离散程度越高,植被的区分度越高。因此CHRIS影像中,NDVI公式为:
为了研究窄波段NDVI对不同观测角度的响应,分别使用+36°影像和-36°影像计算芦苇、苔草和泥蒿的NDVI。+36°NDVI值分别为0.774、0.743、0.699,标准偏差为0.037 5;-36°NDVI值分别为0.786、0.779、0.752,标准偏差为0.017 7。可以看出,+36°NDVI的离散度更大,更容易区分植被类型。这是由于+36°为前向观测,能更好地表达植被前向反射特性。这与Verrels等[9]关于草地+36°NDVI比-36°NDVI更灵敏的研究成果相一致。因此计算NDVI时,+36°影像优于-36°影像。
-
将0℃HRIS影像与+36°NDVI进行像素级融合,选用下面的4种较常用的融合方法,探索CHRIS多角度数据的最佳融合方法。
(1) HSV融合
HSV融合是一种彩色变换的融合方法。其原理是先将由3个波段组合成的RGB图像变换为色度H(Hue)、饱和度S(Saturation)和亮度V(Value)图像,然后用高分辨率的图像代替亮度V图像,同时将色度H和饱和度S图像重采样到高分辨率像元尺寸,最后将图像变换回RGB空间。该方法受波段限制,输入的影像必须为3个波段,本研究选择Band 23、13、3作为RGB波段进行运算。
(2) Brovey变换融合
Brovey变换融合,即色彩标准化变换融合,是对彩色图像和高分辨率数据的数学合成。其原理是将多光谱数据分解为色彩和亮度,归一化(标准化)后的多光谱图像与高分辨率图像进行乘积运算,从而使图像锐化。该算法较为简单,输出的RGB图像的像元与高分辨率数据的像元大小相同。Brovey变换对图像进行相关性加权运算,可以一定程度上消除大气的影响,增强图像的信息特征。
(3) PCA变换融合
主成分分析(PCA),又称K_L变换,是图像编辑、数据压缩、图像增强、变化检测和图像融合的有效方法。它是一种计算多个变量之间相关性的多元统计方法,其思想是将数据的N维特征映射到相互正交的K(K < N)维特征,变换后的第一分量PC1包含信息量最大,而后面的分量信息量依次减少。
主成分变换融合是一种基于主成分变换的融合方法,其方法是先将N个波段的多光谱数据进行主成分变换,之后对高分辨率图像进行灰度拉伸,替换第一主成分PC1,最后主成分逆变换还原到原始空间。该融合方法不受波段限制。
(4) Gram-Schmid融合
GS光谱锐化方法(Gram-Schmidt Spectral Sharpening)是线性代数中Gram-Schmidt正交化算法在遥感领域的应用。GS变换是将图像进行正交化变换,变换后的各个分量相互正交,有效地消除了矩阵的冗余信息。与PCA变换不同的是,GS变换后的各个分量信息量差异不是十分明显,改进了PCA中信息过分集中的问题。Gram-Schmidt融合不受波段限制,具有较好的空间纹理信息,并保持融合前后影像光谱特征的一致性,是一种高保真的遥感影像融合方法。
-
目前融合效果评价方法主要从主观评价和客观评价两个方面进行。
主观评价主要是依据地物的实际状况或对目标对象的了解,从色调、纹理和清晰度等方面进行主观判断,定性地评价融合图像的质量。主观评价简洁直观,是评价融合图像的第一指标,可以直接判断图像的融合效果以及目视解译的难度程度。
客观评价是基于图像像元值统计特征来评价融合图像的方法,主要从信息量大小、图像纹理细节、图像亮度和相关性4个方面进行。本文选用“均值”判断图像亮度;“标准差和平均梯度”评价影像的清晰度和细节信息;“相关系数”评价融合影像与原始影像的相关性;“最佳指数(OIF)”评定融合图像信息量的大小。本文借助于Matlab编程语言,分别对4类融合影像进行公式(3)-(7)的统计运算。
(1) 均值
均值x是图像像素灰度的平均值,对人眼来说为平均亮度。其定义为:
其中,X为图像像素值,M和N分别为图像的行列数。均值可以评价图像的亮度。均值与图像亮度成正比关系,即均值越大,图像越亮。然而均值并不是越大越好,一般来说,均值在亮度值的中值附近效果最佳,亮度最为适中,人眼观测最为清楚。
(2) 标准差
标准差反映图像像元值的离散情况,标准差越大,图像灰度级越离散,从一定程度上说明纹理细节越清晰。计算公式如下:
(3) 平均梯度
平均梯度是指图像中像元灰度值与邻近像元的变化率,即图像微小细节反差和纹理变化的速率。平均梯度越大,灰度变化率越大,图像细节变化越快,细节特征越明显,融合效果越好。其计算公式为:
(4) 相关系数
相关系数是评价融合影像与原始影像相关性的重要指标。相关系数范围在[-1, 1]内,相关系数越大,融合影像与原始影像光谱特征越相似;相关系数越小,融合影像的光谱变化程度越大。计算公式为:
(5) 最佳指数(OIF)
最佳指数(OIF)是由美国查维茨Chavez等于1984年提出,其数学表达式为:
式中,σi为第i个波段的标准差,Rij为i、j两波段的相关系数。OIF是图像标准差与各波段间相关系数的函数,标准差越大,图像包含的信息量越大;而相关系数越小,表示各波段的独立性越强、信息冗余度越小。因此OIF越大,该图像的信息量越大,融合融合效果越佳。
2.1. CHRIS数据预处理
2.2. NDVI计算
2.3. 图像融合
2.4. 图像融合质量的评价
-
将CHRIS 0°影像与+36°NDVI分别进行4种方法的融合,融合后效果如图 2所示。从目视效果看,PCA和GS变换融合能够保持原始图像的光谱信息,植被群落间的区分度得到增强,道路和建筑物等边缘信息清晰明显。
依据图像客观评价的4项参量,借助于Matlab编程语言,分别对4类融合影像进行公式(3)~(7)的运算。由表 4的统计数据可知,PCA融合影像的均值最大,红绿蓝3波段的均值分别为691.73、608.09、251.21,其单位与图像本身的辐亮度相同,为$ \frac{\mu W}{n m \cdot m^{2} \cdot s r}$,因此PCA融合图像的亮度最高。PCA融合图像各波段的标准差和平均梯度均大于其他3类融合图像,说明PCA融合的细节变化特征最优,其中PCA融合图像红光波段band23的标准差和平均梯度最大,分别为498.05和30.38,表明23波段包含最多的细节信息。比较融合影像与原始影像的相关系数,可以看出PCA融合图像、GS融合图像的相关系数均在0.9以上,说明两幅融合图像与原始影像的光谱特征相似程度高,而HSV融合、Brovey融合出现负相关,说明该类融合方法对光谱信息的改变较大。对比4类融合影像的OIF,可以发现PCA融合影像的OIF值为384.04,略高于GS变换融合影像(382.88),说明PCA融合图像的信息量比GS融合图像更为丰富。通过比较分析四类融合影像的指标数值,可以得出结论:PCA融合图像的质量优于GS变化融合图像。
融合方法
Fusion method波段
Band平均值
Average value标准差
Standard deviation平均梯度
Mean gradient相关系数
Correlation coefficientOIF HSV 3 48.52 47.05 7.64 -0.379 0 95.45 13 119.66 106.98 7.13 0.016 6 23 79.77 72.70 12.42 -0.442 3 Brovey 3 54.30 54.70 7.50 -0.475 8 143.20 13 172.70 192.10 19.50 0.834 0 23 97.90 100.00 14.30 -0.311 3 PCA 3 251.21 185.92 22.46 0.999 9 384.04 13 608.09 344.65 18.84 0.992 1 23 691.73 498.05 30.38 0.999 9 Gram-Schmidt 3 244.57 173.20 21.92 0.998 9 382.88 13 590.17 329.12 17.10 0.975 8 23 674.45 461.57 29.53 0.998 5 Table 4. The quantitative evaluation of different fusion methods
-
参考东洞庭湖地区的实际情况、《湿地公约》分类系统以及《全国湿地资源调查与监测技术规程》等,同时考虑CHRIS数据的可解译性,确立洞庭湖地区的遥感分类系统为水体、泥滩、芦苇群落、苔草群落、泥蒿群落、裸地、建筑用地6类。
对于CHRIS高光谱数据,首先使用最小噪声分离变换(MNF)将噪声和数据分离,以降低高光谱影像的维数[16]。然后运用支持向量机(SVM)监督分类方法分别对0°图像和PCA融合图像两幅影像进行分类。SVM在解决小样本、非线性及高维模式识别中具有明显优势,是高光谱遥感信息提取的有效分类方法[12]。分类结果如图 3所示。
从目视效果看,CHRIS 0°图像中建筑用地的错分现象严重;PCA融合图像中苔草群落和泥蒿群落交错分布,更加符合植被群落自然生长的特点。根据野外调查样点,同时结合多期google earth影像,在CHRIS影像上随机选取3 800个验证样点,计算混淆矩阵,得到精度评价表(表 5)。由表得出,PCA融合影像的总体分类精度为81.36%,比0°图像提高7.93%,且Kappa系数提高0.097 6。0°图像中苔草群落的生产者精度(42.89%)和泥蒿群落的用户精度(52.01%)较低,通过PCA融合,苔草群落的漏分误差和泥蒿群落的多分误差得到明显改善。这是由于0°影像的地面特征信息丰富,而+36°为前向观测,包含更多的地物反射信息,多角度信息融合丰富了地物的信息量,提高地物识别精度。
项目Items 0°图像
CHRIS 0° ImagePCA融合图像
PCA fusion imagePA/% UA/% PA/% UA/% 芦苇群落Phragmites communis 84.67 99.99 80.33 99.99 苔草群落Carex community 42.89 82.25 83.58 80.54 泥蒿群落Wormwood community 83.74 52.01 72.55 65.52 水体Water 94.01 86.03 93.73 91.73 泥滩Mud beach 67.59 78.49 81.48 83.81 裸地Bare land 80.43 57.81 88.26 63.84 建筑用地Building lot 82.07 82.97 83.15 95.63 OA 73.43% 81.36% Kappa 0.667 1 0.764 7 注:OA为总体精度;PA为生产者精度;UA为用户精度。
Note: OA is overall accuracy; PA is producers’precision; UA is users’precision.Table 5. Comparison of accuracy of different classification results