基于GF-1影像礦區植被變化檢測研究

趙得軍

（江西理工大學，江西 贛州 341000）

如今，高分辨率影像已經在衛星遙感技術領域掀起一股熱潮，它因具有高光譜信息、豐富的空間信息（紋理、幾何信息）越來越受到大眾的關注和廣泛的應用，傳統的基于像元的信息提取方法對于低分辨率影像有較好的效果，而對于高分辨率影像不如低分辨率影像的結果，不同地物之間產生了疊加，傳統的信息提取方法因光譜差異未能達到預期的效果。因此，面向對象的影像處理技術應運而生［1］。應用多時相提取地物信息在學科中面臨著多種挑戰，變化檢測兩幅不同時刻且有相同地理區域的遙感影像，檢測出發生變化的區域，進而加強了人類對于地球環境與活動的利用，本文基于eCongnition面向對象信息提取的思路，對稀土礦區多時相影像數據開展變化檢測，充分反映礦區生態變化以及土地利用率的現狀。

1 研究方法

遙感影像的變化檢測指對不同時期同一區域覆蓋的多源數據和相關地理數據，結合影像本身的地物特征和傳感器成像原理，利用影像分析與處理和數據模型的建立，檢測出發生變化地物區域的過程［2］。多時相影像的變化檢測是指兩幅或者兩幅以上影像進行變化檢測，反映出地理范圍的變化、地理性質上的變化以及位置上發生的變化，在本文中對不同時期的稀土礦山影像數據變化檢測，反映出礦區內地物的多種變化信息，其中包括植被病蟲害與礦區水污染造成的植被減少的變化，礦區內植被的濫砍濫伐導致的地物異常變化，也有礦區重金屬對土壤造成的地表變化，兩時相影像變化檢測注重于時間上的選擇，礦區的變化檢測直接反映環境的污染現狀和土地利用的變化，為礦區環境治理和管理提供科學依據［3］。

2 實驗與分析

2.1 研究區及影像數據簡介

本文選自江西贛州定南地區為研究區，定南地區位于江西的南端，經度114°58′04″～115°10′56″，緯度24°51′24″～25°02′56″，礦區占地約為200km2。本次研究所用的是兩期高分一號（GF-1）遙感影像數據，采用的是軌道號為122/43的影像數據為數據源，其中，軌道高度為645km，軌道傾角98.0506°，軌道類型為太陽同步回歸軌道，重訪周期為4d，總共有5個波段，4個8m的多光譜波段和1個2m的全色波段，各波段的波段參數如表（1）所示。

表1 高分一號圖像波段信息

2.2 遙感數據的預處理

影像的預處理包括數據的獲取、幾何糾正、正射校正以及高分辨率數據的輻射定標和大氣校正。

高分辨率的輻射校正包括輻射定標和大氣校正［4］，定標將傳感器接收到的遙感數據轉換為實際的物理量。大氣校正是為了消除由大氣散射引起的輻射誤差，是礦區內地表信息提取不可缺少的一步，本文應用遙感ENVI軟件的FLAASH工具對高分一號PMS多光譜圖像進行大氣校正，主要分為三步，數據定標，也就是所謂的輻射定標；波普響應函數制作；FLAASH大氣校正。由于衛星的姿態、軌道和地球運動等外界的因素造成的幾何畸變，除此之外也有影像本身的內部因素，幾何校正實現與標準地圖的匹配從而校正圖像的畸變。利用DEM數據來校正因地形起伏導致的誤差，從而更加真實、豐富地突出礦區的地表信息。為了能夠更加準確、快速地檢測出礦區內的變化，在變化檢測前對兩幅影像進行圖像融合的處理，改善分類的精度、增強特征顯示的能力及修復圖像的幾何精度，本文將2m的全色波段和8m的多光譜波段進行融合提供變化檢測的能力。

2.3 礦區植被的變化檢測

稀土礦區內森林的亂砍濫伐、礦區污水的排放以及重金屬對土壤的污染導致了植被大大減少，植被的生長是能夠反映礦區環境良好的唯一標志，同時也是其他地物信息提取的標志，本文借助面向對象eCognition信息提取軟件，并且結合植被指數NDVI和高分辨率遙感影像豐富的空間信息提取植被的變化信息。面向對象的信息提取以地物“同質均一”和內部對象同質性與外部對象異質性的原理生成不同層次的結果，不同分類層次之間有著相互的關聯，下層基于像素，上層是整幅影像。尺度的分割在信息提取中起著極其重要的作用，eCognition軟件的分割方法采用區域生長的算法，不同的地物有著不同的分割尺度，產生不同的分類結果，以最大可能的分割尺度來區分不同影像區域從而獲取影像對象，在此過程中要設置分割參數，形狀因子的選取盡可能地不要設置太大，否則影響分割的質量，其中顏色因子和緊湊度因子也是分割中不可或缺的一部分。在完成分割的基礎上執行分類，分類方法有規則的監督分類、最鄰近法分類和模糊數學分類，應用易康eCognition特有的層次結構關系對影像中的對象完整地分類，為地物的提取給予了良好的效果［5］。

多時相影像變化檢測的處理過程首先是對兩幅影像分別執行多尺度的分割，多尺度的分割是影像局部優化的過程，采取尺度為80，形狀因子和緊湊度因子分別為0.1和0.8，對兩幅影像設置同樣的參數進行分割，對分割后的結果采用隸屬度函數植被指數的設定，其中將NDVI＞0.3設定為植被，其余的全部設定為非植被，利用相同的算法對兩幅影像進行分類處理，從而植被類別明顯地區分于其他類別，分類的基礎上進行合并處理，植被將得到連通的斑塊，從而易于變化檢測，其中兩幅影像的分類合并結果如圖1所示。

圖1 不同時相影像的分類結果

其中上圖中a是第一期礦區的分類圖，圖b是第二期礦區的分類圖。分類合并的基礎上通過易康eCognition軟件特有的層次結構來同步兩個分割層次，兩層次間設置垂直關系疊加分類結果，疊加的結果顯示出不同影像分割形成的斑塊也存在著差異。

通過兩層次結構的邏輯關系設定兩幅影像的結合參數，并且按照植被增加、植被減少以及植被未變化的條件進行處理，得到不同時相影像植被變化的分類結果。如圖所示2。

圖2 不同時相影像分類結合效果圖

從上圖中可以得知，礦區開采區周邊以及污水排放區出現了植被的較少（藍色），小范圍開采周邊與建筑物附近有植被的增加現象（紅色），其余礦區內大部分的植被都未發生變化（白色）。圖斑在第一期的分類結果中為植被，在第二期的分類結果中為非植被，表明是植被減少（藍色）；圖斑在第一期的分類結果中為非植被，在第二期的分類結果中為植被，表明是植被增加；圖斑在第一期的分類結果中為植被，在第二期的分類結果中為植被，那么說明在這塊區域植被未變化。

3 結論

本文使用多時相的高分辨率影像數據，結合易康eCognition軟件對礦山的植被做出了變化檢測與分析，得到了植被減少、植被增加和植被未變化的結果圖，并且可以將結果以矢量的方式導出做數據的相關研究，植被良好提取的前提對遙感影像進行配準、融合等預處理，圖斑邊界與地物才能完全的匹配，充分地反映了礦山內環境變化和生態恢復的情況，在礦區周邊出現植被的退化現象，估計是礦區開采導致的污染現狀而使植被減少，為了更加確切了解礦區植被的生長狀況，應該進一步地對水土的污染做出相關研究，有利于為礦區無序開采的管理與環境保護提供科學依據。

［1］Uuemma E，Roosaare J，Mander U.Scle drpendence of landscape metrics and their indicatoryvalue for nutrient and organic matter losses from catchments［J］.Ecological Indicators，2005，5（4）：350-369.

［2］殷守敬，吳傳慶，王橋，等.多時相遙感影像變化檢測方法研究進展綜述［J］.光譜學與光譜分析，2013（12）：3339-3342.

［3］李恒凱，吳立新，劉小生.稀土礦區地表環境變化多時相遙感監測研究——以嶺北稀土礦區為例［J］.中國礦業大學學報，2014（6）：1087-1094.

［4］趙英時.遙感應用分析原理與方法［M］.北京：科學出版社，2003.

［5］宋楊，李長輝，林鴻，等.基于eCognition的綠地利用變化檢測應用研究［J］. 城市勘測，2011（5）：81-83，97.