基于GIS的景觀動態遠程監控系統①

任曉芳,李桂珍,方霞(新疆工程學院 計算機工程系,烏魯木齊 83005)(新疆農業職業技術學院 信息技術分院,昌吉 8300)

?

基于GIS的景觀動態遠程監控系統①

任曉芳1,李桂珍2,方霞1
1(新疆工程學院 計算機工程系,烏魯木齊 830052)
2(新疆農業職業技術學院 信息技術分院,昌吉 831100)

摘 要:由于人類活動和地表運動使土地覆蓋變化產生很大變化,所以需要對景觀動態準確繪圖來進行環境監測.為此提出一種基于地理信息系統(GIS)的景觀動態遠程監測系統,根據遙感圖像的多時相遙感光譜和表面模型數據,利用多時相決策樹分類器和形態學圖像處理技術,實現對土地利用/覆蓋變化(LUCC)的動態監測.在Landsat 5 TM數據庫中的本地圖像上進行實驗,結果表明,該方法能夠達到90.77%的識別準確度,且具有較低的計算時間,能夠很好的檢測出植被分布(植物/植被恢復)、城區(城市化/拆遷)和地理形態特征(河流地貌變化/邊坡失穩).

關鍵詞:景觀監測; 地理信息系統; 土地利用/覆蓋變化; 多時相決策樹分類器; 形態學圖像處理

土地利用/覆被變化(Land Use/Land Coverage,LUCC)表示自然和人類活動對地球表面造成的影響[1],包括生物地球化學循環、土壤腐蝕、城鎮化,這些將成為未來影響環境的重要因素.所以,提供土地景觀尺度LUCC的精確地圖,來表示自然災害(滑坡、洪水)和社會經濟 (城市和自然資源規劃)的潛在影響變得尤為重要[2].

地理信息系統(Geographic Information System,GIS)是一種融合地圖學和遙感圖的綜合性系統,能使廣大用戶能夠容易地處理復雜多任務環境監控問題,對描述LUCC的時空變化有巨大潛力[3].遙感圖像變化檢測方法可分成預分類和后分類技術[4],預分類技術側重于使用如主成分分析和植被指數等算法,直接針對多時相數據棧,產生“變化”和“非變化”地圖.預分類方法能夠很好的采集土地表面變化的時空軌跡,但是不能提供有關自然變化本身的信息[5].后分類方法使用不同時間獲得的圖像,并進行獨立分類,通過比較獲得的單一圖像分類來產生變化地圖,然而,變化地圖的準確度勢必依賴于每個分類的準確度,存在誤差傳播的問題[6].

本文提出一種基于GIS的土地利用/覆被變化監測方法,基于多時相和數字地表模型數據,利用多時相決策樹分類和形態學圖像處理技術對圖像進行分類和變化檢測.在Landsat 5 TM影像數據庫中的本地圖像上進行實驗,結果表明,與傳統后分類技術相比,本文系統具有較高的性能和識別準確度,且具有較低的計算時間,能夠很好的檢測出植被分布(植物/植被恢復)、城區(城市化/拆遷)和地理形態特征(河流地貌變化/邊坡失穩)的時空動態.

1　提出的方法

本文提出一種基于GIS的景觀動態遠程監測系統,利用多時相/多源遙感數據和數字圖像處理技術,來監測土地利用/覆被變化.土地利用/覆被變化(LUCC)側重于遙感數據的時間變化,通過辨別: 植被破壞(DV)、植被恢復(RV)、城市化(UB)、拆遷(DL)、滑坡(LS)和河床變遷(分別為ORV、NRB、新老河床).并識別其它永久土地利用/覆被類別(LULC): 森林(FS)、灌木(SH)、草地(GS)、裸露土壤(BS)、建筑(BL)和永久水源(PW).本文基于遙感圖像處理的景觀動態監測方法包括3個主要步驟:

(1)數據預處理(DPP): 首先,對遙感圖像數據進行預處理,對圖像進行校正濾除環境干擾,然后分別計算圖像的歸一化植被指數(NDVI)和歸一化數字表面模型(nDSM),以此作為基本特征,并對此進行擴展,派生出多種地貌特征;

(2)多時相決策樹分類(MTTDC_CLASS): 將預處理過程獲得的多項特征作為決策樹分類器的輸入,并設定各種特征的分類閾值,從而對遙感圖像進行LUCC/LULC分類,輸出一個中間LUCC/ LULC地圖;

(3)形態學圖像分析(MTTDC_MORPH): 為了提高分類精度,利用形態學圖像處理技術對決策樹分類器獲得的中間LUCC/ LULC地圖進一步處理,去除孤立像素,并對相鄰近似像素進行聚合,從而獲得最終LUCC/ LULC地圖.

本文檢測方法步驟如圖1所示.

圖1　本文遙感圖像處理流程圖

1.1數據預處理(DPP)

由于地理相關的多光譜圖像受到云、大氣和太陽高度角等干擾,所以,本文先通過快速大氣校正工具(ENVI QUAC)對圖像進行校正[7],然后,對可用多源遙感數據進行重采樣,對應到可用輸入數據的常見空間分辨率.在每個觀察時間段,根據遙感數據生成的歸一化植被指數(NDVI)和歸一化數字表面模型(nDSM)的結果數據集產生派生特征,用于分類.

NDVI能夠在很大覆蓋范圍內相當精確地反映植被綠度、光合作用強度和植被代謝強度,可用于監測植物生長、植被覆蓋等應用,是一種光譜波段線性組合:

上式中,ρNIR,ｔ和ρRED,t分別表示電磁光譜的近紅外區域和紅色區域,t表示采集時間(t= 1,2).上式的輸出值在-1至1范圍內,高NDVI值對應于綠色植被模式(例如,森林、農田),接近于零和負值的NDVI一般表示非植被特征(例如,裸露的土壤、水、城市模式).

歸一化數字表面模型(nDSM)廣泛用于森林結構評估和建筑提取[8],并提供地平面上與物體高度相關的高度信息:

其中數字表面模型(DSM)表示地球表面上的所有對象(如植物和建筑物之類),而數字地形模型(DTM)表示裸露地表.

每個觀察時間段產生七個附加層,這些層以及推導這些層的相應數學公式列于表1.表1中的特征是土地利用/覆蓋性質的重要判別信息,用作多時相決策樹分類器的分類特征.

表1　本文所用的頻譜和地貌特征

1.2多時相決策樹分類(MTTDC_CLASS)

本文基于一組閾值(X1,...,X10),通過合成規則來預測目標變量(LUCC/ LULC),實現一種基于決策樹分類算法[9]的面向像素分類方法.本文以表1列出的特征作為決策樹的輸入特征,采用多時相方法來評估光譜動態和景觀表面特性.多時相方法能夠對監測LUCC/ LULC產生重要作用: (1)根據自然或人類活動所改變目標區域的地表特征,增強對這些活動造成的LUCC的識別; (2)提高自然動態下永久覆蓋的分類準確度,如物候學循環; (3)減少由于遮蔽區域引起的分類錯誤,尤其在城市環境中.

為了幫助用戶選擇決策樹閾值(X1,...,X10),開發了一種專用離線校準.初步分析中需要一組目標分類訓練區域(.shp)和綜合了所有待估計參數(X1,...,X10)的關系閾值表(.dbf).通過對提交參數的簡單調整,運用訓練集上有預定義設置的多時相決策樹分類器,依據Kappa條件系數[10]自動評估校準的可靠性.Kappa系數通過考慮正確分類的像素百分比和遺漏誤差來估計分類精度,Kappa值越高,分類性能(0-1范圍)越好.本文將閾值為(X1,...,X10)的決策樹所產生的分類圖像作為一個中間LUCC/LULC地圖,在下一步中,將對此中間地圖進行形態學圖像處理.多時相決策樹分類器如圖2所示,彩色框表示的LUCC和永久覆蓋,每個節點的真假二進制響應分別由紅色和黑色箭頭表示; 下標1和2為預測器特征的第一和第二采集時間.

圖2　產生中間LUCC/ LULC地圖的多時相決策樹分類器

1.3形態學圖像處理(MTTDC_MORPH)

形態學圖像處理(MIP)[11]可以濾除圖像中零散分布的孤立像素值,以得到更佳的顯示效果,形態學操作定義為:

式中,A和B是二維整數空間Z2中的兩個集合,集合B通常叫做結構元素; AΘB表示用B對A進行腐蝕; ⊕表示膨脹操作.用B對A進行開操作就是用B先對A腐蝕,然后再用B對腐蝕結果進行膨脹.

本文對決策樹獲得的中間LUCC/ LULC地圖進行形態學圖像處理,以減少可能的錯誤分類.首先,根據以像素數表示的尺寸閾值來對圖像進行過濾,去除孤立像素; 然后,將預定義空間窗中的相鄰相似分類區域進行聚合,以增加空間相干性到現有分類.過濾過程中,查看相鄰8個像素,確定某一像素是否與其相同類像素為一類.如果該類中像素數小于給定閾值(最小對象區域),則這些像素將從該類中刪除.聚合過程中,使用形態學算子聚集相鄰相似分類區域到一起,先執行膨脹操作將某時刻的土地覆蓋聚集到一起,然后對分類圖像使用指定大小內核的腐蝕操作.最小對象區域和連接內核嚴格依賴于輸入圖像的空間分辨率和目標分類的幾何性質.

在形態學處理面向對象的土地覆蓋圖后,為了減少持續椒鹽噪聲的影響,在產生的分類地圖上運行具有預定義內核大小的眾數濾波器,最后將獲得的分類作為最終的LUCC/ LULC地圖.

2　軟件實現

本文在基于ArcMap工具[12]的圖形用戶接口(GUI)上注入GIS平臺并運行本文系統,同時鏈接數字圖像處理(ENVI IDL程序)到遙感數據集,提供最終LUCC/ LULC地圖.以in.sav格式預編譯ENVI IDL程序,并使用IDL虛擬機,此實用程序允許分發IDL.sav文件,而不需要IDL運行許可證.該軟件包括兩個主要程序: (1)分區處理模塊和(2)用于地形分析的千公里區域細分可編程接口(KASPITA),軟件架構如圖3所示.

分區處理模塊中,預定義分區大小,將圖像的研究區域分為若干區域.其中,在4個相鄰分區中設置附加重疊,以此減小邊界影響.通過一個專用分區文件(.shp)來執行分區程序,通過分區來加快數據分析.

KASPITA控制著輸入/輸出文件的分區管理,其是由Visual Basic.NET編寫的圖形用戶接口(GUI),其初始化文件(KASPITA-par.xml)用于控制數據訪問系統和遙感圖像處理過程.在安裝KASPITA到GIS工程后,ArcMap庫會自動激活一個專用工具欄,來訪問軟件功能和KASPITA導航.KASPITA導航允許通過使用分區文件來同時選擇一個或多個分區,以獲得多時相數據,并執行數字圖像處理過程(DPP,MTTDC_CLASS 和MTTDC_MORPH).

圖3　軟件架構

3　實驗結果及分析

3.1數據收集

將本文系統應用到安徽省蕪湖至銅陵段約100千米長江流域上,如圖4所示.除了人類活動外,氣候和巖性特征的巨變也會顯著影響地表過程,導致覆蓋模式的顯著變化.土地覆蓋時空變化的大量擴展和復雜性能夠很好的評估LUCC/ LULC檢測方法的性能.

圖4　研究區域地圖,標簽A-H表示采樣區域

實驗中,本文選用2011年的美國陸地衛星系列多光譜遙感影像(Landsat 5 TM)作為數據源.其中,高空間分辨率彩色紅外數字圖像數據有4個光譜波段: 藍色(430-490納米)、綠色(535-585納米)、紅色(610-660納米)和近紅外(NIR)波段(835-885納米).數據源中的高度傳感器提供具有1米的空間分辨率和0.2米的垂直精度的數字地形模型(DTM)和數字表面模型(DSM).光譜和表面模型數據用于生成預測器特征.

本文將圖像進行分區,分區大小為1′1千米,重疊區域為20米,眾數過濾器內核大小為3′3米.通過實地調查和用于監測土地覆蓋分類(LUCC/ LULC)的多時相圖像,來獲得本文系統校準/驗證所需的訓練/測試區域,列于表2.訓練階段產生的決策樹和形態學操作的參數分別列于表3和4.

表2　本文系統各目標類的編碼與對應的訓練和測試像素數

草地 　BS 　14,579 　11,458灌木 　SH 　14,006 　15,325森林 　FS 　204,321 　191,378建筑物 　BL 　185,785 　183,520

表3　本文多時相決策樹分類器所用的閾值

表4　本文中形態圖像處理相關的參數集

3.2檢測結果

本文在整體準確度(OA)方面評估本文系統的繪圖性能,即正確分類的圖像面積百分比,計算如下:

上式中,M為一個混淆矩陣,行列分別為分類的LUCC/LULC和地面真實覆蓋,nLC為目標分類數,N為測試像素總數.

通過實驗表明,本文系統中,由多時相決策樹分類器產生的中間LUCC/LULC分類的圖像具有87.34%的分類精度,而經過形態學圖像操作之后,最終LUCC/LULC結果能夠達到90.77%的整體分類精度.其中,對于森林(M(FS,FS)=99.55%)、建筑物(M(BL,BL)= 100%)、植被恢復((M(RV,RV)=99.27%)、植被破壞(M(DV,DV)=96.98%)、滑坡(M(LS,LS)= 99.97%)、新河床(M(NRB,NRB)=97.41%)、城市化(M(UB,UB)=100%)和拆遷 (M(DL,DL)=100%)表現出了非常高的準確度.針對灌木(M(SH,SH)=72.94%)、裸露地表(M(BS,BS)=79.02%)、永久水源(M(PW,PW)=87.30%)和老河床(M(ORB,ORB)=62.04%)表現出較低的準確度,針對特定土地覆蓋(如M(SH,GS)= 6.92、 M(GS,SH)= 10.95、M(BS,NRB)= 12.13%、M(ORB,NRB)=6.51%、M(ORB,PW)= 30.03))的分類精度較低.

將本文系統和標準分類技術進行對比,在Landsat 5 TM數據集上執行最大似然分類器[13],鑒別六種不同類,包括: 水、裸土、草、灌木、森林和建筑.這種方法沒有考慮滑坡類,獲得的LUCC/ LULC地圖具有85.12%的整體精度,比本文系統低.此外,本文多時相決策樹分類器(MTTDC_CLASS)比基于最大似然分類器的單圖像分類技術具有較低的計算時間(CT).

獲得的由自然和人為引起地表變化相關的LUCC/ LULC地圖如圖5-8所示: 城市規劃(A,B)、農業和森林(C,D)、河流動力(E,F)和邊坡失穩(G,H).

城市規劃.本文系統顯示了采集建筑物和道路的良好性能,即便在具有陰影區域和花園的復雜市區中.圖5顯示了城市化的兩個示例,圖5A中識別出了新建的建筑,圖5B中可以容易地識別出由于拆遷導致的地表變化,其中植被破壞現場的工作區域清晰可見.所以本文系統可以應用于城市規劃和發現違章建筑.

農業和森林.圖6中,本文系統正確的識別出了草地、混合林模式,包括闊葉和針葉植被類型,以及孤立單一樹木,如橄欖.所以,本文系統能夠良好的采集植被破壞和植被恢復情況,可用作耕地管理.

河流動力.圖7顯示了具有沉積和侵蝕過程的河床演變.河流動力的可靠快速監測可以為河岸穩定性、水面和河岸植被之間相互作用提供有用信息.

邊坡失穩.圖8顯示了巖層邊坡發生了大量移動.本文系統能夠顯示存在潛在風險的初步滑坡映射,給出了不穩定區域,并可觸發其它監測,如干涉測量技術或地面調查,重點危險地區.

圖5　城市規劃檢測示例

圖6　農業和森林檢測示例

圖7　河流動力檢測示例

圖8　滑坡的檢測示例

4　結語

本文提出了一種基于GIS的動態監控系統,通過量化多時相和數字表面模型數據的時間變化,來檢測LUCC/LULC,生成自然和人類引起的土地景觀變化的GIS地圖.與傳統用于變化檢測分析的后分類技術相比,本文系統具有較高的性能和識別準確度,且具有較低的計算時間.使用Landsat 5 TM數據庫進行測試,實驗結果表明,提出的方法適用于采集植被分布(植物/植被恢復)、城區(城市化/拆遷)和地理形態特征(河流地貌變化/邊坡失穩)的時空動態,還能夠鑒別永久覆蓋,如草、灌木、森林、裸土、建筑和水.

由于本文監控系統的分類性能依賴于輸入圖像的質量和決策樹閾值的選擇.其中,輸入圖像的質量取決于衛星設備,暫時無法改變.所以在未來工作中,從決策閾值的選擇著手,實現更靈活的訓練程序,使其能夠選擇出最優的閾值,并嘗試減少特征維數,進一步簡化訓練和決策過程.

參考文獻

1周楊,周廷剛,馮沖.基于RS和GIS的LUCC研究—以重慶市萬州區為例.長江科學院院報,2012,29(5):67–71.

2許珊,鄒濱,蒲強,等.土地利用/覆蓋的空氣污染效應分析.地球信息科學學報,2015,17(3):290–299.

3楊靜,莊家堯,張金池.基于RS和GIS的徐州市20年間土地利用變化研究.南京林業大學學報:自然科學版,2013,37(2): 85–91.

4Zhao L,Ren X,Liu J.Land use change in Tianjin from 2000 to 2010 based on GIS.ICCREM 2014@sSmart Construction and Management in the Context of New Technology.ASCE.2014.

5Bose ASC,Giridhar MVSS,Viswanadh GK.GIS-based fully distributed rainfall-runoff model for suggesting alternate land use patterns.World Environmental and Water Resources Congress 2013@sShowcasing the Future.ASCE.2014.

6Yuan L,Gong W,Dang Y,et al.Study on ecological risk of land use in Urbanization watershed based on RS and GIS: A case study of Songhua river watershed in Harbin section.Asian Agricultural Research,2013,28(20): 255–261.

7吳巖真,聞建光,王佐成,等.遙感影像地形與大氣校正系統設計與實現.遙感技術與應用,2015,30(1):135–139.

8Sailo RL,Lallianthanga RK.A remote sensing & GIS approach for land use planning in Champhai district,Mizoram,India.International Journal of Engineering Sciences & Research Technology,2013,1(11): 54–62.

9劉建光,李紅,孫丹峰,等.MODIS土地利用/覆被多時相多光譜決策樹分類.農業工程學報,2010,26(10):312–318.

10田苗,王鵬新,嚴泰來,等.Kappa系數的修正及在干旱預測精度及一致性評價中的應用.農業工程學報,2012,28(24): 1–7.

11王瀛,梁楠,郭雷.一種基于修正擴展形態學算子的高光譜遙感圖像端元提取算法.光子學報,2012,41(6):672–676.

12Feng L,Du P.Dynamic change analysis of urban sprawl based on remote sensing and GIS — A case study of Jiangning,Nanjing,China.2013 Joint Urban Remote Sensing Event (JURSE).IEEE.2013.194 – 197.

13Wang H,Zhao H,Li W.Land-use classification of Zhanghe river basin using the maximum likelihood and decision tree method.2014 11th International Conference on Fuzzy Systems and Knowledge Discovery (FSKD).IEEE.2014.322 – 327.

Dynamic Remote Monitoring System for Landscape Based on GIS

REN Xiao-Fang1,LI Gui-Zhen2,FANG Xia1
1(Xinjiang Institute of Engineering,Department of Computer Engineering,Urumqi 830052,China)(Xinjiang Agricultural Vocational Technical College,Changji 831100,China)

Abstract:Due to human activities and surface movement make a great change of land cover,it is necessary to carry out environmental monitoring of landscape dynamic and accurate mapping.A kind of landscape dynamic monitoring system based on geographic information system (GIS)is proposed.The multi-temporal decision tree classifier and morphological image processing technology are used for the system.It monitors the land use/cover change (LUCC)dynamically according to the spectrum and surface model data of remote sensing image.Experiment is conducted in local image in the Landsat 5 TM database.The results show that,this method can achieve 90.77% recognition accuracy,has lower computation time and can detect vegetation distribution (plant/Vegetation Restoration),city (city/demolition)and physical morphology (fluvial geomorphic change/slope instability).

Key words:environmental monitoring; geographic information system; land use/land coverage; multi-temporal decision tree classifier; morphological image processing

基金項目:①新疆維吾爾自治區自然科學基金(2013211A031)

收稿時間:2015-07-22;收到修改稿時間:2015-09-17