張雅春 那曉東 臧淑英

(黑龍江省普通高等學(xué)校地理環(huán)境遙感監(jiān)測(cè)重點(diǎn)實(shí)驗(yàn)室(哈爾濱師范大學(xué))，哈爾濱，150025)

濕地作為界于陸地和水體之間的客體，是自然界中最富生物多樣性的生態(tài)景觀和人類社會(huì)賴以生存發(fā)展的環(huán)境之一，具有特殊的生態(tài)功能和寶貴的自然資源價(jià)值；豐富的植物資源為保護(hù)區(qū)內(nèi)珍貴水禽的生存和繁衍創(chuàng)造了條件，具有極其重要的生物多樣性保護(hù)價(jià)值[1-2]。然而，近年來(lái)在自然和人為的因素下，導(dǎo)致部分棲息地退化。因此，及時(shí)、動(dòng)態(tài)地獲取大范圍濕地植被覆蓋信息具有重要意義。目前，遙感反演植被覆蓋度的方法主要有基于像元的硬分類方法和混合像元分解方法，由于受空間分辨率和地物復(fù)雜度的影響，影像中存在大量的混合像元[3-4]，因此，亞像元級(jí)的混合像元分解方法得到廣泛應(yīng)用?；旌舷裨纸饽Ｐ涂煞譃榫€性光譜解混模型(LSMM)和非線性光譜解混模型，線性光譜解混模型是當(dāng)前混合像元分解研究的主流[5-7]，但崔天翔等[8]基于線性光譜解混模型對(duì)北京市野鴨湖濕地自然保護(hù)區(qū)的植被覆蓋度進(jìn)行了估算，并通過擴(kuò)維的方法來(lái)提高端元的提取數(shù)量。對(duì)于傳統(tǒng)的線性光譜解混方法對(duì)所有的像元均采用同一組端元集進(jìn)行解混，忽略了像元間組分的差異，具有一定的局限性[9]。多端元光譜解混模型實(shí)現(xiàn)了對(duì)不同的像元選取不同的端元組合，并在植被覆蓋信息的提取上取得了較好的效果[10-11]。廖春華等[9]基于研究區(qū)4 景 HJ- 1/HSI 影像數(shù)據(jù)，用多端元光譜解混模型反演了新疆石河子干旱區(qū)的植被覆蓋度并與線性光譜解混模型的反演結(jié)果進(jìn)行對(duì)比分析，取得了較好的精度。當(dāng)?shù)匚镱愋蛿?shù)目增大，多端元光譜解混模型的計(jì)算量巨大，無(wú)法滿足更加復(fù)雜的現(xiàn)實(shí)場(chǎng)景。為了克服計(jì)算量大的問題，我們先基于分層的面向?qū)ο蠓诸惙椒?，將整景研究區(qū)影像劃分為地物類型較少的小場(chǎng)景，再分別進(jìn)行多端元光譜解混，有效降低了地物復(fù)雜度及計(jì)算量，并提高了反演精度。

本研究基于TM遙感影像數(shù)據(jù)，采用分層面向?qū)ο蠖喽嗽庾V解混模型對(duì)扎龍濕地自然保護(hù)區(qū)進(jìn)行植被覆蓋度反演，并與傳統(tǒng)的多端元光譜解混模型的反演結(jié)果進(jìn)行對(duì)比分析，驗(yàn)證本方法對(duì)濕地植被信息提取的適用性和有效性。

1 研究區(qū)概況

扎龍國(guó)家級(jí)自然保護(hù)區(qū)位于黑龍江省齊齊哈爾市，地理坐標(biāo)為東經(jīng)123°47′～124°37′，北緯46°52′～47°32′，屬濕地生態(tài)系統(tǒng)類型的自然保護(hù)區(qū)(見圖1)。地貌類型主要為平原區(qū)河湖相沖擊地貌類型，土壤類型為黑鈣土、草甸土、堿土、鹽土、沼澤土和沙土。保護(hù)區(qū)地處中緯度地帶，屬于中溫帶大陸性季風(fēng)氣候。年平均氣溫3.5 ℃，年降水量400～600 mm；年均相對(duì)濕度62%。保護(hù)區(qū)內(nèi)具有高等植物468種，隸屬于67科，草本植物占絕大多數(shù)；鳥類約260種，隸屬17目48科；其中國(guó)家重點(diǎn)保護(hù)鳥類有35種，最為著名的是鶴類，全世界有15種，中國(guó)有9種，本區(qū)有丹頂鶴、白鶴、白頭鶴、白枕鶴和蓑羽鶴，丹頂鶴占世界總數(shù)的17.3%，除豐富的鳥類資源外，還有20種獸類、兩棲類4種、爬行動(dòng)物3種、水生魚類40種。

圖1 研究區(qū)位置示意圖

2 研究方法

2.1 數(shù)據(jù)源及預(yù)處理

本文選取覆蓋研究區(qū)范圍內(nèi)的一景TM7遙感影像，成像日期為2015年9月10日，軌道號(hào)為120/27，分辨率為30 m。針對(duì)原始影像存在的幾何變形問題，本文以同時(shí)期的SPOT5全色影像為參考，在影像上選取一組地面控制點(diǎn)(50個(gè))，控制點(diǎn)選在如道路交叉點(diǎn)的顯著地物上，盡量保持均勻分布，然后采用雙線性內(nèi)插法對(duì)影像的各像元進(jìn)行坐標(biāo)變換和重采樣，糾正到統(tǒng)一的高斯投影系統(tǒng)下，校正誤差控制在1個(gè)像元內(nèi)。為了減少大氣對(duì)提取端元光譜的影響，采用ENVI5.1自帶的FLAASH模塊對(duì)TM影像進(jìn)行大氣校正。最后用扎龍國(guó)家級(jí)自然保護(hù)區(qū)矢量邊界對(duì)影像進(jìn)行裁切作為感興趣區(qū)。

2.2 端元光譜提取

端元光譜的提取對(duì)線性光譜解混模型解混的成功與否起著至關(guān)重要的作用。本文綜合采用，純像元指數(shù)(PPI)、端元平均均方根誤差(EAR)、最小平均光譜角(MASA)、基于計(jì)數(shù)的端元選取(COB)等方法來(lái)提取端元光譜。由于某類端元可能存在光譜差異，為了避免“同物異譜”的現(xiàn)象發(fā)生，會(huì)對(duì)此類地物選取多個(gè)代表性端元光譜。

城市區(qū)域通常使用植被-不透水-土壤端元模型進(jìn)行光譜解混[12-14]，非城市地區(qū)通常采用植被-土壤-陰影(干植被)端元模型進(jìn)行光譜解混[9]。因此，本研究所選取的光譜庫(kù)主要包括植被和非植被兩類光譜庫(kù)(見表1)。解混時(shí)，所用的二端元模型和三端元模型如表2所示。

表1 光譜庫(kù)中幾種地物選取的光譜數(shù)量

表2 模型的端元組合

2.3 多端元光譜解混模型

由于不同的影像像元中，端元的個(gè)數(shù)和類別有差異，采用同一組端元集進(jìn)行解混，不符合實(shí)際情況，采用多端元光譜解混模型更符合實(shí)際情況。多端元光譜解混模型(MESMA)為[15]：

為了給每個(gè)像元找到最優(yōu)的端元組合，需要遍歷所有的端元組合模型。多端元光譜解混模型中表示場(chǎng)景中共有M類地物，第i類地物的類內(nèi)變化光譜個(gè)數(shù)為 。并從全部的2端元、3端元、…、(M-1)端元模型中為每個(gè)像元尋找到最優(yōu)的端元組合，然后進(jìn)行豐度反演。

2.4 基于分層面向?qū)ο蠖喽嗽庾V解混模型

隨著場(chǎng)景復(fù)雜程度的增大，地物種類增多，端元模型的個(gè)數(shù)隨之增多，用所有的端元模型迭代解混計(jì)算量龐大，不易為每個(gè)像元找到最優(yōu)組合。因此，本文提出了基于分層的面向?qū)ο蠖喽嗽庾V解混模型方法(見圖2)：首先基于面向?qū)ο蠓诸惙▽⒀芯繀^(qū)影像分為植被和非植被兩類；其次將非植被部分進(jìn)行掩膜，利用面向?qū)ο蠓诸惙▽⑵浼?xì)分為明水面、鹽堿地、道路和居民地；然后將區(qū)分出的來(lái)的明水面、鹽堿地、道路、居民地和植被分別進(jìn)行掩膜，將研究區(qū)影像劃分為地物類型較少的小場(chǎng)景來(lái)降低場(chǎng)景復(fù)雜度，并分別采用MESMA方法進(jìn)行亞像元級(jí)分類，對(duì)植被進(jìn)行精細(xì)提取。最后，根據(jù)MESMA方法反演的每個(gè)像元植被豐度值的大小，將植被豐富度劃分為5級(jí)，得到濕地植被蓋度圖。

圖2 分層的面向?qū)ο蠖喽嗽庾V解混方法流程

2.5 精度評(píng)價(jià)

本研究采用同時(shí)期的SPOT5影像(SPOT5影像數(shù)據(jù)是法國(guó)spot衛(wèi)星獲取的，能夠通過相鄰軌道拍攝立體相對(duì)影像，其分辨率為5 m)上獲取的植被覆蓋度數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)，進(jìn)行精度驗(yàn)證。首先，在植被覆蓋度專題圖上隨機(jī)采樣(采樣窗口為3×3，個(gè)數(shù)為50)。然后，在高分辨率的SPOT5影像上獲取相對(duì)應(yīng)的樣本區(qū)域，采用目視解譯的方法，獲取研究區(qū)植被覆蓋度的驗(yàn)證數(shù)據(jù)。表3為所選的50個(gè)樣本基于傳統(tǒng)的MESMA模型和分層面向?qū)ο蠖喽嗽庾V解混模型的植被覆蓋度以及SPOT5的驗(yàn)證數(shù)據(jù)。

植被覆蓋度通常采用均方根誤差(RMSE)相關(guān)性系數(shù)(R)來(lái)進(jìn)行精度驗(yàn)證。相關(guān)性系數(shù)(R)的絕對(duì)值越大，相關(guān)程度越大；均方根誤差(RMSE)值越小，樣本總精度越高。

表3 各采樣區(qū)兩種解混模型的估計(jì)值與SPOT5的驗(yàn)證值

注：Ⅰ表示MESMA模型估計(jì)值(50個(gè))；Ⅱ表示分層面向?qū)ο驧ESMA模型估計(jì)值(50個(gè))；Ⅲ表示SPOT5驗(yàn)證數(shù)據(jù)(50個(gè))。

3 分類結(jié)果及評(píng)價(jià)

圖3、圖4分別是基于分層的面向?qū)ο蠖喽嗽庾V解混模型與傳統(tǒng)的多端元光譜解混算法的反演的植被蓋度結(jié)果，通過對(duì)圖3中紅色矩形框的放大，可以看出圖中植被與非植被的混分現(xiàn)象明顯得到了改善，分類效果優(yōu)于圖4，更接近于TM影像的真實(shí)情況(見圖5)。

圖3 分層的面向?qū)ο蟮腗ESMA反演植被蓋度

圖4 傳統(tǒng)的MESMA反演植被蓋度

圖5 TM影像

由表4可知，分層面向?qū)ο蠖喽嗽庾V解混模型的相關(guān)系數(shù)比傳統(tǒng)的多端元光譜解混模型的相關(guān)系數(shù)提高了0.038 5；分層面向?qū)ο蠖喽嗽庾V解混模型的均方根誤差(0.092 6)明顯優(yōu)于傳統(tǒng)的多端元光譜解混模型(0.171 2)。因此，分層面向?qū)ο蟮亩喽嗽庾V解混模型更適合濕地植被覆蓋度的估計(jì)。

表4 兩種解混模型相關(guān)性分析和均方根誤差比較

4 結(jié)論與討論

濕地植被覆蓋度是反映濕地植物生長(zhǎng)狀況的一個(gè)重要參數(shù)，對(duì)濕地植被生物量的估算具有一定的意義[16-17]。本研究采用中等分辨率的TM7遙感影像，基于分層的面向?qū)ο蠖喽嗽庾V解混模型對(duì)扎龍自然保護(hù)區(qū)的植被覆蓋度進(jìn)行了提取并取得了較好的結(jié)果。說(shuō)明基于分層的面向?qū)ο蠖喽嗽庾V解混模型有效地降低了濕地場(chǎng)景的復(fù)雜程度，并考慮到像元間所包含端元組分的差異，對(duì)不同的像元選取不同的端元組合，有效提高了解混精度?；诜謱拥拿嫦?qū)ο蠖喽嗽庾V解混模型比傳統(tǒng)的MESMA模型對(duì)復(fù)雜的濕地場(chǎng)景植被覆蓋度的估計(jì)精度高。

基于分層面向?qū)ο蠖喽嗽庾V解混模型分類方法的相關(guān)性系數(shù)和均方根誤差均高于傳統(tǒng)的多端元光譜解混模型的分類結(jié)果。從局部分類結(jié)果對(duì)比中可以看出基于分層面向?qū)ο蠖喽嗽庾V解混模型的分類方法較明顯的改善了植被和非植被的混分現(xiàn)象。因?yàn)闈竦貓?chǎng)景復(fù)雜度較高地物種類較多，傳統(tǒng)的MESMA方法，在迭代選取候選端元模型時(shí)錯(cuò)選的幾率就越大。因此，本文先基于面向?qū)ο蠓诸惙椒▽⒂跋駝澐譃閺?fù)雜度較低的小場(chǎng)景，通過減少地物類型來(lái)降低端元模型的個(gè)數(shù)，再進(jìn)行MESMA亞像元級(jí)分類，便于為每個(gè)像元找到最優(yōu)端元組合來(lái)降低解混誤差，做到對(duì)濕地植被的精細(xì)提取。因此，本文提出的方法在提高濕地分類的準(zhǔn)確性具有重要作用，為濕地的管理、保護(hù)及可持續(xù)利用提供了技術(shù)支持。

[1] WOODWARD R T, WUI Y S. The economic value of wetland services: a meta-analysis[J]. Ecological Economics,2001,37(2):257-270.

[2] YANG Y X. Main characteristics, progress and prospect of international wetland science research[J]. Progress in Geography,2002,21(2):111-120.

[3] POWELL R L, ROBERTS D A, DENNISON P E, et al. Sub-pixel mapping of urban land cover using multiple endmember spectral mixture analysis: Manaus, Brazil[J]. Remote Sensing of Environment,2007,106(2):253-267.

[4] BATESON A, CURTISS B. A method for manual endmember selection and spectral unmixing[J]. Remote Sensing of Environment,1996,55(3):229-243.

[5] 陶秋香,陶華學(xué),張連蓬.線性混合光譜模型在植被高光譜遙感分類中的應(yīng)用研究[J].勘察科學(xué)技術(shù),2004(1):21-24.

[6] JOHNSON P E, SMITH M O, TAYLOR-GEORGE S, et al. A semiempirical method for analysis of the reflectance spectra of binary mineral mixtures[J]. Journal of Geophysical Research Solid Earth,1983,88(B4):3557-3561.

[7] GUTMANG, IGNATOV A. The derivation of the green vegetation fraction from NOAA/AVHRR data for use in numerical weather prediction models[J]. International Journal of Remote Sensing,1998,19(8):1533-1543.

[8] 崔天翔,宮兆寧,趙文吉,等.不同端元模型下濕地植被覆蓋度的提取方法：以北京市野鴨湖濕地自然保護(hù)區(qū)為例[J].生態(tài)學(xué)報(bào),2013,33(4):1160-1171.

[9] 廖春華,張顯峰,劉羽.基于多端元光譜分解的干旱區(qū)植被覆蓋度遙感反演[J].應(yīng)用生態(tài)學(xué)報(bào),2012, 23(12):3243-3249.

[10] ROBERTS D A, GARDNER M, CHURCH R, et al. Mapping Chaparral in the Santa Monica Mountains Using Multiple Endmember Spectral Mixture Models[J]. Remote Sensing of Environment,1998,65(3):267-279.

[11] SOMERS B, ASNER G P, TITS L, et al. Endmember variability in Spectral Mixture Analysis: A review[J]. Remote Sensing of Environment,2011,115(7):1603-1616.

[12] RIDD M K. Exploring a V-I-S (vegetation-impervious surface-soil) model for urban ecosystem analysis through remote sensing: comparative anatomy for cities[J]. International Journal of Remote Sensing,1995,16(12):2165-2185.

[13] SMALL C, LU J W T. Estimation and vicarious validation of urban vegetation abundance by spectral mixture analysis[J]. Remote Sensing of Environment,2006,100(4):441-456.

[14] SMALLC. Estimation of urban vegetation abundance by spectral mixture analysis[J]. International Journal of Remote Sensing,2001,22(7):299-307.

[15] 趙春暉,崔士玲,劉務(wù).基于分層的多端元光譜解混算法[J].光電子·激光,2014，25(9):1830-1836.

[16] BASUKI T M, SKIDMORE A K, LAAKE P E V, et al. The potential of spectral mixture analysis to improve the estimation accuracy of tropical forest biomass[J]. Geocarto International,2012,27(4):329-345.

[17] 方金,黃曉東,王瑋，等.青藏高原草地生物量遙感動(dòng)態(tài)監(jiān)測(cè)[J].草業(yè)科學(xué),2011,28(7):1345-1351.