低分辨率遙感影像在湖泊藍藻監測中的應用

王春林　孫金彥　錢海明（安徽省·水利部淮委水利科學研究院　合肥　230088）

科技論壇

低分辨率遙感影像在湖泊藍藻監測中的應用

王春林孫金彥錢海明
（安徽省·水利部淮委水利科學研究院合肥230088）

本文以合肥市巢湖為例，分析了低分辨率遙感影像（Terra/modis、Aqua/modis等）在湖泊水環境監測中應用情況特點。針對低分辨率遙感影像監測結果精度較低的問題，研究了如何利用歸一化植被指數、顏色、形狀、平滑度等特征，結合多尺度分割方法以提高監測結果精度，為實時監控水質、預警藍藻水華爆發提供基礎數據和技術支持。

低分辨率湖泊遙感影像藍藻監測

河湖作為人類賴以生存的重要水資源，不僅是生產、生活用水的主要水源，同時還具有維持生物多樣性、調節氣候、地表徑流等功能。常規藍藻水華監測以人工檢測和自動檢測相結合，數據精度較高，但是無法同步獲取整個水域的信息，并且需要耗費大量人力物力。因此對于突發多變的水華，常規監測方法的效果有限。衛星遙感技術改善了這一不足，具有快速、大尺度和動態監測等特點，能夠獲取研究區域的瞬時同步數據，是監測水華的有效手段。在現有的業務化藍藻監測中，常以250m空間分辨率的MODIS遙感數據為主。但是由于MODIS遙感數據的空間分辨率較低，其像元多為水體和藍藻水華的混合像元，常規方法僅采用歸一化植被指數閾值法進行分割提取，勢必會嚴重影響藍藻水華監測的精度和實際應用效果。針對上述問題，以巢湖為例，本文研究了如何利用歸一化植被指數、顏色、形狀、平滑度等特征，結合多尺度分割方法以提高監測結果精度，為實時監控水質、預警藍藻水華爆發提供基礎數據和技術支持。

1　資料來源

該研究采用的數據是由安徽省河湖監測遙感中心提供的MODIS1B衛星資料，空間分辨率為250m。在輻射定標將圖像DN值轉化為輻亮度及反射率的基礎上，采用數據地理定位文件（MODIS03）對定標后數據進行地理定位，坐標系為常用的UTM坐標系，WGS-84橢球體，巢湖時區為50。

2　多尺度分割原理

多尺度分割是通過對影像中目標設立一個特定的閾值尺度，根據影像中目標地物的光譜、形狀等特征，建立相應的分割準則，基于對象內部異質性最小原則，從單像素的對象開始進行一個自下至上的區域合并技術（見圖1）。多尺度分割方法將光譜信息類似的相鄰像元合并，使得對象間的異質性最大。

圖1　　多尺度分割原理圖

異質性的度量準則的計算公式為：

式中：w為權值；x為光譜異質性；y為形狀異質性；σi為i影像層光譜值的標準差；pi第i影像層的權；u為影像區域整體緊密度；v為影像區域邊界平滑度；E為影像區域實際的邊界長度；N為影像區域的像元總數；L為包含影像區域范圍的矩形邊界總長度。

3　湖泊藍藻監測實驗

藍藻，即藍細菌、藍綠菌是單細胞原核生物。單個藍藻是無法可見的，只有到藍藻聚集、以細胞群形式出現時才可到，這種現象稱之為“水華”。利用低分辨率遙感數據可監測大面積的藍藻水華情況。

常規方法只采用NDVI閾值法進行監測，其監測結果嚴重受閾值大小影響，要求監測人員具備豐富的經驗和理論知識以設置合理的閾值，且常規方法也易受混合像元（由水體和水華混合組成）的影響，嚴重影響藍藻水華監測的精度和實際應用效果。本文對常規方法進行了改進，綜合利用光譜特征、形狀特征，在利用多尺度分割的基礎上，利用NDVI特征進行最鄰近方法分類以獲取最終監測結果。圖2為湖泊藍藻監測實驗流程圖。實驗結果如圖3所示。

圖2　監測流程圖

圖3 對比實驗圖

圖3（a）為處理后的低空間分辨率遙感影像，圖3（c）為常規方法監測結果（人工去除了水岸邊水草、樹木等植被），圖3（d）為改進后的方法的結果。常規方法是采用閾值、基于像元的提取技術，存在不可避免的缺陷，從視覺效果看，分類輸出的影像均存在所謂的“椒鹽現象”，即存在部分分類噪聲，這種噪聲主要是由于分類是像素間缺乏空間聯系造成的。這種噪聲效果不符合自然界地物的客觀特性，難以形成符合人類思維特點的語義輸出。本文方法完全克服了這種噪聲的影響，具有良好的視覺效果，這是因為這種信息提取的方法針對同質多邊形對象，即分割后的同質影像對象。

本文以同時相的環境小衛星（HJ-1 CCD）監測結果（圖3（b））作為標準，對低分辨率遙感影像檢查結果進行檢驗，結果見表1。

從表1可以看出：相同條件下，改進后的方法比常規NDVI閾值法的誤提取面積降低了3.25km2。

表1　　監測結果評價

4　結論

以巢湖為例，研究了利用低分辨率遙感影像進行藍藻水華信息的遙感監測應用。通過對不同方法藍藻水華監測結果的比較證明，本文改進后的方法可以提高基于低空間分辨率遙感影像（如MODIS）的藍藻水華監測結果精度■