農牧交錯帶濕地信息提取技術研究
——以多倫縣大倉鄉為例

吳 見，彭道黎

(北京林業大學省部共建森林培育與保護教育部重點實驗室，北京 100083)

農牧交錯帶濕地信息提取技術研究
——以多倫縣大倉鄉為例

吳 見，彭道黎

(北京林業大學省部共建森林培育與保護教育部重點實驗室，北京 100083)

農牧交錯地帶地類復雜，混合像元現象嚴重，濕地信息的自動提取難度較大。針對該區濕地遙感信息提取的特點和難點，選取多倫縣大倉鄉地區的TM遙感數據，先采用NDVI閾值提取出水體，并利用水體形狀特征(如面積s、周長p、形狀指數k等)對水體類型進行提取;再嘗試應用線性光譜混合模型(LSMM)提取去除水體后的濕地信息，并以SPOT 5衛星影像修正LSMM分解的草甸分量，進一步提取高蓋度、中蓋度和低蓋度草甸信息。經驗證，用上述方法提取濕地信息的總體精度為85.3%，Kappa系數為0.79，與傳統的最大似然法提取結果相比，精度提高19.9%，Kappa系數提高0.22。該方法可為其他光譜特征混雜地區的濕地遙感信息提取提供參考。

濕地;光譜混合分析;遙感;植被覆蓋度

0 引言

濕地是介于陸生和水生生態系統之間的一種特殊的生態系統，在保持生態環境平衡、調節地表徑流、預防洪水等方面具有其他系統無法替代的作用［1］，因此濕地生態系統被稱為“自然之腎”［2］。近年來，由于自然和人為等因素，我國濕地遭受到不同程度的破壞，面積逐漸縮小。遙感技術為地表動態變化研究提供了多光譜、多時相、多平臺和大范圍的實時信息。利用遙感技術進行濕地監測具有信息更新更快、人為干擾小、投資少等優勢，因此，從衛星遙感影像中自動識別與提取濕地信息已成為濕地資源調查、宏觀監測及保護的重要手段之一［3］。

農牧交錯地帶各種土地利用類型分布嚴重交叉［4］，導致遙感影像光譜特征嚴重混雜。目前，針對該區域的濕地遙感信息提取技術主要是目視解譯［5］，不僅效率低，而且受主觀因素影響嚴重。因此，積極探索計算機自動提取技術是混合像元現象嚴重區域濕地研究的發展趨勢。

針對農牧交錯地帶濕地遙感信息提取的特點和難點，本文以內蒙古多倫縣大倉鄉為研究區，首先采用NDVI閾值提取水體，然后利用水體形狀特征(如面積s、周長p、形狀指數k等)對水體類型進行提取，并對提取結果進行目視解譯修正;嘗試將線性光譜混合模型(Linear Spectral Mixture Model，LSMM)應用于去除水體后的濕地信息提取，并以高分辨率衛星影像修正LSMM分解的草甸分量，進一步提取了高蓋度、中蓋度和低蓋度草甸信息。本文旨在探索快速提取農牧交錯地帶濕地遙感信息的新方法，同時為其他光譜特征混雜地區的濕地遙感信息提取提供參考。

1 研究區與數據概況

1.1 研究區概況

多倫縣位于內蒙古錫林郭勒盟南部，屬低山丘陵間河谷盆地地貌，年平均氣溫在0.9～1.5℃之間，無霜期為100 d左右;年平均降水量為400 mm，年平均蒸發量為1 748 mm，屬中溫帶中緯度干旱半干旱高原大陸性氣候。該區地物類型復雜多樣，主要土壤類型為栗鈣土、風沙土，也有灰褐土、黑鈣土和草甸土發育，土壤沙化程度高，部分土壤出現鹽漬化，且各土地利用類型交叉分布嚴重。主要植被類型為中溫帶型草原植被，另外還分布著沙地植被等。地物光譜特征嚴重混雜，是典型的農牧交錯地帶。

大倉鄉位于多倫縣的中部，近年來受人類活動的影響，生態環境遭受破壞較嚴重，沙地不斷擴張，濕地出現了不同程度的退化，部分原來草豐水美、林繁木茂的地段在逐年衰敗，水土流失、水源減少現象頻頻發生。

1.2 數據選擇及預處理

研究選取了覆蓋多倫縣大倉鄉地區的TM和SPOT 5衛星影像數據(表1)。

表1 衛星影像數據及成像參數Tab.1 Satellite image data and some imaging parameters

運用經驗線性法對TM影像進行大氣校正，應用FLAASH軟件對SPOT 5影像進行大氣校正;利用1∶5萬地形圖對SPOT 5影像進行幾何糾正，糾正后影像的均方根誤差為0.3個像元，滿足精度要求;并對糾正好的SPOT 5影像與TM影像進行了幾何配準。

本文以TM(TM 6除外)6個波段和SPOT 5的band2(紅)和band3(近紅外)波段為研究數據。研究中用LSMM模型對TM影像進行分解，以獲得去除水體后的各濕地類型;用SPOT 5影像修正由TM影像分解得到的草甸分量。

2 LSMM模型的改進

LSMM模型能較好地解決混合像元問題，是一種比較成熟的線性光譜混合分解方法［6，7］。全受限的LSMM公式為

式中，ρi，j，k為第 i行、第 j列像元在 k 波段的反射率;Fi，j，m為基本組分 m 在第 i行、第 j列像元中所占的分量值;ρm，k為基本組分m在k波段的反射率值;ei，j，k為 k 波段的第 i行、第 j列像元誤差。

選取了適當的基本組分類型后，如何確定其光譜特征是光譜混合分解精度高低的決定性因素［8］。前人的大量實驗表明，選取光譜特征的方法不同，會導致光譜混合分解的結果差異很大［6，9］。在LSMM應用中存在一個重要的問題，即采用30 m分辨率的TM影像時，受研究區域的限制，在我國干旱地區幾乎找不到30 m×30 m的“純”植被覆蓋像元，其他地物類型的“純”覆蓋像元卻較容易找到。因此，對LSMM進行了如下改進。

將式(1)變換得到

假設 ρp，k為植被基本組分的光譜特征，分母 ρp，k本應該是純凈植被像元的光譜，但由于在研究區內找不到“純”植被基本組分，因此 ρp，k為以植被為主的混合基本組分的光譜特征;Fi，j，p是以 ρp，k為基本組分的植被蓋度。根據像元二分模型的原理，即

式中，fc為植被蓋度;ρ為各像元觀測到的信息;ρv為全植被覆蓋的“純”像元所貢獻的信息;ρs為全裸土覆蓋的“純”像元所貢獻的信息;NDVI為影像中各像元的NDVI值;NDVIsoil為全裸土覆蓋像元的NDVI值;NDVIveg為全植被覆蓋像元的NDVI值。

通過衛星傳感器所觀測到的信息ρp，k可表達為

式中，fc'為混合基本組分ρp，k對應的實際植被蓋度。

將式(6)帶入式(4)得

如果存在全植被覆蓋的基本組分ρv，則

fi，j，p是以 ρv為基本組分的植被蓋度，由式(5)、

式(7)和式(8)可得

3 濕地信息提取

3.1 濕地分類系統

濕地調查的一部分很重要的工作是制定適合于研究區的濕地分類系統［10］。目前國內外的濕地分類體系不統一，本文依據《濕地公約》中的分類系統并結合多倫縣大倉鄉的具體情況，建立了多倫縣大倉鄉濕地分類系統(表2)。

表2 多倫縣大倉鄉濕地分類系統Tab.2 Wetland classification system for Da Cangxiang in Duolun county

3.2 濕地信息提取方法

為分析地物光譜特性，本文采集了衛星影像包含的所有濕地類型的各波段光譜值，并對其均值做統計。經分析可知，只有水體的第4波段光譜值明顯低于第3波段，其他濕地類型的第4、3波段光譜值變化并不劇烈，因此通過計算NDVI值可提取出水體;但河流、湖泊和庫塘不能從光譜上區分。本文利用水體形狀特征(如面積s、周長p、形狀指數k(k=s/p)等)對水體類型進行區分，并采用目視解譯的方法對水體類型區分的錯誤進行修正。對兩種衛星影像分別進行植被指數變換，經統計分析得到兩種影像 NDVI的最大值(NDVIveg)和最小值(NDVIsoil)(表3)。

表3 NDVI最大和最小值Tab.3 Maximum and minimum values of NDVI

采用LSMM對河灘、鹽沼、草甸和水田進行提取。在進行LSMM分析時，本文在TM影像上直接提取了基本組分，并對原始TM影像進行了噪聲白化變換(MNF)以消除波段間的高度相關性，使基本組分的選取更容易進行。另外，通過掩模運算去除了研究區內的水體，使選取的基本組分有更好的代表性。通過現場調查、結合影像分析了解到，在去除水體后經MNF變換的前2個分量的特征空間中，4個頂角分別代表河灘、鹽沼、草甸和水田，這4者正好就是除水體外的研究區內的主要濕地類型。

本文采用最小包含特征空間法［7］確定基本組分光譜，即在去除水體后MNF變換的前2個分量組成的二維特征空間中，選取4個頂角處的約100個像元的平均反射率作為基本組分的光譜特征(圖1)。

圖1 基本組分光譜特征Fig.1 Endmember spectra characters

基本組分及其光譜特征確定以后，采用LSMM對原始TM影像進行分解，得到河灘、鹽沼、草甸和水田的4個分量圖。經統計，均方根誤差平均值為0.012，方差平均值為 0.005，這表明混合像元分解是比較成功的。在分量圖像上，像元亮度越高表明地物類型在該像元所占比例越大。選取大量像元進行統計分析，確定了河灘、鹽沼、草甸和水田的提取閾值(河灘分量值 ＞0.67，草甸分量值 ＞0.24，水田分量值 ＞0.63，鹽沼分量值 ＞0.37)。

實地調查發現，草甸的植被類型多樣且蓋度變化幅度很大，可再細分為高蓋度、中蓋度和低蓋度3種類型。決定濕地提取精度的關鍵是植被蓋度信息的獲取。

采用改進的LSMM提取植被蓋度信息。首先，在由SPOT 5影像轉換的NDVI圖上找出草甸基本組分 ρp，k對應的 NDVIveg=0.72，NDVIsoil= － 0.09;并在SPOT 5影像轉換的植被覆蓋度圖上找出基本組分ρp，k對應的像元平均植被蓋度f'c=0.837;再利用式(9)對TM影像分解的草甸分量進行修正。根據前人研究結果及影像特征，在修正后的草甸分量圖上將草甸劃分成高蓋度(0.6～1.0)、中蓋度(0.3～0.6)和低蓋度(0.1 ～0.3)3 種類型。各類型濕地的提取流程見圖2。

圖2 濕地提取流程Fig.2 Flue chat of wetland extraction

4 精度評價

為驗證濕地信息提取的準確性，本文借助同期野外GPS實測濕地數據，在每種濕地類型中隨機選取了60個樣點進行驗證，利用誤差分析矩陣方法對識別結果進行了精度評價，并與最大似然法提取精度進行了比較(表4)。

表4 濕地信息提取精度Tab.4 Accuracy of wetland extraction

用本文方法提取各濕地類型的精度均達到80%以上，其中水體達90%;總體精度為85.3%，Kappa系數為0.79。水體與河灘之間的誤分較多，這是因為部分淺水區的水體與河灘的界定標準很難確定;加之遙感影像獲取時該區水田作物還沒有長出，水田與鹽沼相對較易誤分;草甸的植被種類復雜，蓋度變化幅度大，部分中、低蓋度草甸被誤分為水田、鹽沼和河灘，高蓋度草甸被誤分的現象相對較少。

采用最大似然法提取的總體精度為65.4%，比本文方法低19.9%;Kappa系數為0.57，較本文方法低0.22。總體來說，用本文方法提取濕地的精度相對較高，可滿足實際需求。

5 結論

(1)農牧交錯地帶地類復雜，混合像元現象嚴重，濕地信息的自動提取難度較大。本文將線性光譜混合分解模型(LSMM)應用于去除水體后的濕地信息提取;并以SPOT 5衛星影像修正LSMM分解的草甸分量，在提供更“純”的植被光譜信息的同時，降低了對土壤背景的敏感度，進一步提取了高蓋度、中蓋度和低蓋度草甸信息。與傳統的最大似然法相比，用本文方法提取濕地的精度有較大提高。

(2)基于LSMM提取的植被分量略高于實際植被覆蓋度，這與前人的研究結果一致。利用高分辨率遙感影像對LSMM分解的植被分量進行修正后，其結果更接近真實值。總體來說，LSMM模型簡單實用，也不要求對研究區有太多的了解，在今后宏觀監測干旱半干旱地區濕地的應用中有一定的實用價值。

［1］ 何春光，崔麗娟，石川忠晴，等.洪泛區濕地水面積遙感監測新方法研究——以向海自然保護區為例［J］.東北師大學報:自然科學版，2006，38(1):108 －113.

［2］ 賈永紅，李芳芳.一種新的濕地信息遙感提取方法研究［J］.華中師范大學學報:自然科學版，2007，41(4):641－644.

［3］ 張樹清，陳 春，萬恩璞.三江平原濕地遙感分類模式研究［J］.遙感技術與應用，1999，14(1):54 －58.

［4］ 劉佳慧，張 韜，王 煒，等.內蒙古濕地的定義探討［J］.內蒙古農業大學學報:自然科學版，2005，26(2):121－124.

［5］ 王建強，吳連喜，張巖巖.基于3S技術濕地遙感信息分類方法的研究［J］.水利科技與經濟，2006，12(10):718 －720.

［6］ 李曉松，李增元，吳 波，等.基于光譜混合分析的毛烏素沙地油蒿群落覆蓋度提取［J］.遙感學報，2007，11(6):923 －930.

［7］ 吳 見，彭道黎.多倫縣土地利用動態遙感監測［J］.國土資源遙感，2010(3):86－91.

［8］ 保家有，李曉松，吳 波.基于沙地植被指數的荒漠化評價方法［J］.東北林業大學學報，2008，36(1):69 －72.

［9］ Collado A D，Chuvieco E，Camarasa A.Satellite Remote Sensing Analysis to Monitor Desertification Processes in the Crop－rangeland Boundary of Argentina［J］.Journal of Arid Environments，2002，52(1):121 －133.

［10］唐小平，黃桂林.中國濕地分類系統的研究［J］.林業科學研究，2003，16(5):531 －539.

Technology of Wetland Information Extraction in Farming－pastoral Areas:A Case Study of Dacangxiang in Duolun County

WU Jian，PENG Dao－li
(The Key Laboratory for Silviculture and Conservation of Ministry of Education，Beijing Forestry University，Beijing 100083，China)

In the farming－pastoral area，the land types are complex and the mixed pixel phenomenon is serious，so the automatic extraction of wetland information is difficult.In view of the characteristics and difficulties of wetland remote sensing information extraction in these regions，the authors selected the TM remote sensing data covering Dacangxiang area in Duolun County to study a new method of wetland automatic extraction.Firstly，the NDVI threshold method was used to extract water body and then water types were extracted using water body shape features such as area(s)，perimeter(p)and shape index(k).Afterwards，the linear spectral mixture model(LSMM)was chosen to extract wetland information after water removal.Finally，the meadow component which was decomposed by LSMM was amended by SPOT－5 satellite image to further extract high coverage，medium coverage and low coverage meadow.The results show that the overall accuracy of the wetland information extraction is 85.3%，and the Kappa coefficient is 0.79.Compared with the results of the traditional maximum likelihood method，the overall accuracy is improved by 19.9%and the Kappa coefficient is improved by 0.22.This method can provide a reference of remote sensing information extraction of wetland for other regions with mixed spectral characteristics.

Wetland;Spectral mixture analysis;Remote sensing;Vegetation coverage

TP 751.1

A

1001－070X(2011)03－0130－05

2010－10－27;

2010－12－06

北京林業大學研究生科技創新專項計劃項目(編號:BLYJ201103)和“十一五”國家科技支撐計劃“國家重點林業工程監測技術研究”項目(編號:2006BAD23B05)共同資助。

吳 見(1985－)，男，博士研究生，主要研究方向為森林監測評價。

彭道黎，教授，博士生導師，主要從事森林環境監測與評價研究。E－mail:dlpeng@bjfu.edu.cn。

(責任編輯:劉心季)