湿地遥感（精选4篇）
湿地遥感 篇1
摘要：在ENVI环境下, 应用遥感技术对铁岭莲花湖湿地1993年9月和2008年10月两个不同时期的TM数据, 通过穗帽变换, 进行遥感数据分析, 生成亮度、绿度和湿度3个变量。充分利用对莲花湖湿地的湿度影像进行非监督分类, 辨别并分析湿地影像在两个时期所发生的变化, 从而反映遥感在湿地变化监测中的应用。
关键词：遥感,穗帽变换,湿地
目前, 在自然地理监测研究中常用的数据有Landsat TM、SPOT、ASTER等卫星影像遥感。SPOT与ASTER影像虽然精度高, 但前者价格昂贵, 后者覆盖面小, 且历史数据缺乏, 影像数据难以形成完整的时间序列, 在大多数地区不能用来进行对比分析, Landsat TM不但发射时间长, 历史数据完整, 而且覆盖面广, 地面分辨率高, 价格相对便宜, 是土地利用覆盖变化研究中最常用的遥感影像之一。使用Landsat-5 TM数据, 其重复周期为16d, 每景影像覆盖面积为185km×185km, 探测波段有7个。
这种数据的优点是具有较高的空间分辨率, 在地物分类、城镇规划、自然灾害监测、病虫害监测、环境监测等很多问题上具有重要应用价值, 7个波段的光谱信息不但丰富, 并且适用于宏观判读和分析。要使用这种数据通常需要先对其进行变换等增强处理。穗帽变换是遥感数据变换的一种, 该变换是指在多维光谱空间中, 通过线性变换、光谱空间旋转使植被与土壤的光谱特征得以有效分离。目前, 遥感技术的应用研究比较广泛, 但在湿地缩减方面的研究比较少。本文提出了一种基于遥感数据的提取, 应用穗帽变换的湿度波段对铁岭莲花湖湿地面积变化情况的应用研究, 通过该研究可以有效区分湿地与其他类别地物。
1 研究区域概况和数据
莲花湖湿地属于沼泽湿地类型, 原来三面环水, 紧邻辽河、柴河、凡河, 是3条河流的汇合地。铁岭莲花湖湿地位于铁岭市凡河新区, 中心地理坐标为E123°43′, N42°16′。所属三级流域为柳河口以上。湿地面积888.31hm2。由于历史上盲目的农田开垦, 以及未处理的城市污水大量排入, 导致莲花湖湿地面积大幅削减, 这引起了铁岭市相关部门的重视。莲花湖湿地于2006年12月成立辽宁莲花湖国家湿地公园, 为辽宁唯一国家级湿地公园。
通过人工湿地的建设, 铁岭在全省率先实现了中心城市污水对辽河的零排放。而且, 随着对莲花湖湿地公园规划进行扩充和丰富, 铁岭还将新城区的水系和部分绿化工程纳入其中, 如今整个新城区已是一座建在湿地上的城市, 这在全国的城市中绝无仅有。
本文采用从Global Land Cover Facility下载的1993年9月和2008年10月成像的两景Landsat-5 TM数据, 轨道号为119/31。该影像共有7个波段, 分别为TM1 (450~520nm) 、TM2 (520~600nm) 、TM3 (630~690nm) 、TM4 (760~900nm) 、TM5 (1550~1750nm) 、TM6 (1040~1250nm) 和TM7 (2080~2350nm) 。TM6波段的分辨率为120m, 其他波段分辨率都为30m。首先将各个单波段数据融合为多波段数据。为了定位研究区域, 根据坐标划分出岭莲花湖地区, 并对该原始数据进行剪裁等预处理工作。
2 遥感数据分析
对原始图像多波段影像进行处理, 需要获取新的特征波段参与分类。获取新特征波段的方法包括主成分变换、植被指数变换、穗帽变换等。
本次数据分析使用穗帽变换获取新的特征波段, 即亮度、绿度和湿度波段, 进行研究区地物分类。穗帽变换不仅去除了原始影像各波段之间的冗余信息, 而且使之后的结果变成了有重要物理意义的参数。一般前3个特征就包含了影像的绝大多数信息:变换后的第1分量表征土壤亮度, 反映了土壤光谱信息;第2分量表征绿度, 反映了植被光谱信息;第3分量表征地物的水分含量, 反映了地物的湿度信息。一般情况下, 我们主要根据的就是湿度信息。在ENVI环境下, 可以进行多种影像变换操作。典型的有HSV、PC、MNF和TC等。这里我们利用ENVI进行TM影像穗帽 (TC) 变换。增强遥感数据后, 将已经过预处理的1993年和2008年铁岭莲花湖地区遥感影像的多波段数据 (band 1-5, band 7) 分别打开。然后选择变换方法为穗帽变换。
2.1 遥感获取湿地信息的优势分析
首先, 将从网站Global Land Cover Facility下载的Landsat-5 TM数据的各个波段进行融合等预处理操作, 然后将得到研究区1993年和2008年两个不同时期的多波段数据。结果显示这两幅影像并没有表现出明显的地物变化情况, 所以我们很难找到与湿地面积变化有关的一系列信息。
因此, 需要变换方式来增强影像, 使研究区的湿地特征突出显示。经过穗帽变换, 分别加载1993年和2008年基于湿度波段的灰度影像, 观察Cursor Location/Value中的数据值, 可以发现图片中央的水库数据值为较大正数, 研究区以北的辽河流域数据值也为正数, 而影像中一些其他地区的湿度数据值为负值。由此, 可以说明穗帽变换后的第3波段为正值时表示该地区水分含量较大, 属于湿地类型, 而为负值的地区表示水分含量较小的其他类型地物。
将铁岭莲花湖地区穗帽变换之前的1993年和2008年TM多波段融合数据与经过穗帽变换之后的湿度波段影像进行比较, 我们发现穗帽变换之后的影像能够清楚地反映与湿地有关的信息, 水分含量被突出显示, 湿地与其他类别地物的区别较大, 这将十分有利于我们以后依据湿度波段进行分类处理。
1993年和2008年的两幅影像分别计算统计值, 见表1。
统计结果显示, 该统计基于3个特征波段:Band1亮度波段、Band2绿度波段、Band3湿度波段, 分别统计了这3个波段数据的最小值、最大值和平均值。我们比较关注的是湿度波段, 观察第3个波段对应的统计值, 发现在该研究区点数相同的情况下, 2008年的湿度平均值明显高于1993年。这说明2008年此区域范围内的湿地面积有所增加。
2.2 对湿度波段分类进行分析
将穗帽变换后的影像以湿度波段为依据进行非监督分类。通过观察, 可发现水库、河流均被分为第4类, 并用黄色表示, 同时依图中的Cursor Location/Value数据, 当该数据值为正值时, 表示的是水分含量较大的区域。从而我们得出:非监督分类得到的4个类别中, 用第4类表示湿地, 而其他3类表示水分含量较小的地物。这种分类结果能够清楚地表示湿地范围发生的变化, 通过对影像的目视解译判读, 就可以对水分含量的变化区域有一个整体上的认识。利用画图等工具, 用不同的颜色表示不同类别, 使研究结果更加清晰、易读。从影像的非监督分类结果中可以看到黄色类别的面积有明显增大, 所以, 我们认为2008年研究区域湿地面积有所增加。对经过非监督分类的1993年和2008年数据分别计算统计值, 见表2。
结果表明:湿地类别 (第4类) 在研究区内所占百分比有明显提高, 而且主要由第3类地物转化变成的。根据TM数据和Google Earth上对该地区的判读, 可以发现, 第3类表示的地物最可能是农田, 这说明政府对区域内农田的开垦加以治理, 并将其改为湿地, 从而大大改善了该区地的生态环境。
3 结语
利用湿地含水量较大这一特点, 我们通过穗帽变换, 对1993年和2008年的遥感数据进行分析, 利用变换后的湿度波段影像分析该区域水分含量的变化情况, 对铁岭莲花湖湿地进行非监督分类, 并比较1993年与2008年该地区遥感影像发生的变化。结果表明遥感数据经过变换后, 可以快速、准确地提取湿地信息, 尤其在判读湿地与其他类型地物的影像时非常有效, 从而比较出湿地面积的变化情况。根据湿度波段对遥感影像进行分类, 可以清楚地反映湿地面积的变化, 该结果与预期的结果比较一致。
本次实验利用TM多波段数据, 经穗帽变换后, 直接使用第3波段 (湿度波段) 进行非监督分类, 研究铁岭莲花湖地区湿地面积变化情况, 用简单易行的方法讨论了该地区湿地面积的变化情况。
湿地遥感 篇2
九段沙是长江口重要的.新生湿地.作为主要地物类型之一的植被群落,是反映潮滩湿地生态环境变化重要而又敏感的指标因子.本文通过1987～六景Landsat卫星遥感数据对九段沙植被群落进行了分类提取,并利用ArcGIS软件分析了长江口九段沙植被群落来的时空动态变化.结果显示1987～间,九段沙湿地植被以先锋植被海三棱蔗草为主,植被面积随潮滩不断淤涨而增长;19人工促淤种植了芦苇和互花米草,至20,芦苇、互花米草和海三棱蔗草三种植被群落所占植被总面积百分比分别为31.47%、39.35%和29.17%,其中外来物种互花米草优势明显,当地植被海三棱蔗草所占面积比例显著下降.
作 者：刘瑜 韩震 柴勋 LIU Yu HAN Zhen CHAI Xun 作者单位：刘瑜,柴勋,LIU Yu,CHAI Xun(上海海洋大学海洋科学学院,上海,06)
韩震,HAN Zhen(上海海洋大学海洋科学学院,上海,201306;大洋渔业资源可持续开发省部共建教育部重点实验室,上海,201306;上海海洋大学海洋防灾减灾中心,上海,201306)
湿地遥感 篇3
湿地是陆地系统和水体系统相互作用形成的自然综合体, 被称为天然的“物种基因库”、“地球之肾”, 在保护生态环境和物种多样性等方面发挥着重要作用, 具有重要的经济和社会效益。 然而, 随着人类对湿地开发强度日益提升, 湿地面积大幅萎缩、生物多样性逐渐下降, 湿地的生态功能也逐渐减弱。 因此, 如何科学合理地利用和保护湿地, 实现经济社会的可持续发展, 成为目前国内外学者研究的热点[1]。 传统野外实地的湿地调查和测绘方法费时费力, 而遥感技术的快速发展为监测研究湿地提供了新的途径。
早期的人工目视解译和基于像元的监督分类方法效率低, 精度差, 而近年来出现的面向对象的影像分析方法可以充分利用影像的光谱、 形状、纹理等细节信息处理遥感图像数据, 其高效、准确的特点得到了国内外学者的青睐。 安如等利用面向对象方法构建了黄河源玛多县地区的遥感湿地提取方法[2]。 牟凤云等以山东省微山湖湿地为实验区, 探索了面向对象技术在提高湿地植被分类精度的有效方法[3]。 赵志龙等利用面向对象方法对羌塘高原内的典型沼泽1976-2010 年的面积变化状况开展了遥感提取分析[4]。
宁夏回族自治区中卫市地处西北半干旱气候区, 是我国重要的湿地分布区。 但是该区域湿地的研究工作尚少, 且多以遥感影像人工目视解译结合现场调查为主, 效率低、 受主观经验影响严重, 因此, 研究一种有效的适用于该地区的湿地遥感监测技术显得十分重要。
本文以宁夏回族自治区中卫市及其周边为研究区, 研究适合于该地区不同类型湿地信息提取的分类决策树模型, 利用面向对象方法进行湿地信息提取, 为深入探讨研究西北干旱半干旱气候区的湿地遥感监测等问题提供有效的技术手段。
2 研究区概况
研究区位于宁夏回族自治区中卫市与腾格里沙漠边缘及其毗邻区域, 属中温带半干旱气候区。地理范围:105° 1′ 37.77″ ~105° 10′ 30.59″ E, 37° 29′55.68″~37°35′53.95″N, 面积约144.05km2。 中卫地处黄河前套之首, 研究区内存在马场湖和龙宫湖两个较大的湖泊, 水稻种植与鱼类养殖业较为发达。 研究区范围内的湿地对防治沙漠东移、维持绿洲生态平衡发挥着巨大的作用。
3 数据源及其预处理
论文使用的数据源是Landsat8OLI影像 (成像时间2015 年9 月5 号, 影像分幅:130/034) 。 Landsat8 的OLI陆地成像仪在ETM+ 传感器的基础上, 增加了可用于海岸带观测的蓝色波段和具有水汽强吸收特征的短波红外波段, 并对近红外波段进行了调整, 以便消除大气在0.825μm处水汽吸收特征的影响 (见表1) 。
首先利用FLAASH模型对Landsat8OLI影像进行大气辐射纠正, 获取了更加准确的地表反射率信息。然后, 使用Gram-Schmidt融合方法, 将Landsat8OLI影像中的全色波段数据和大气辐射纠正后的多光谱波段数据进行图像融合, 使遥感数据既有较高的空间分辨率, 又具有丰富的多光谱特征。
4 研究区湿地分类决策树模型的构建
4.1 分类体系的建立
根据研究区的遥感数据特点和野外实地调查结果, 参照全国湿地资源调查技术规程, 建立如表2所示的研究区湿地分类体系。 选取可靠性高的训练样本是建立研究区湿地分类决策树模型的关键, 直接影响到规则设立的质量[5]。 通过对研究区Landsat8OLI影像的目视解译, 参考Google earth高分辨率影像和野外实地考察数据, 选择113 个影像对象作为训练样本 (每种湿地类型的训练样本不得小于该湿地类型样本对象总数的2/3) , 建立研究区的湿地分类决策树模型。
4.2 影像分割
面向对象的影像分析方法首先通过影像分割形成由同质像元组成的影像对象, 然后利用影像对象的光谱、纹理、形状和上下文等特征进行影像分类[6]。多尺度分割算法包含尺度因子 (scale) 、 形状因子 (shape) 、 紧凑度因子 (compactness) 三个参数, 决定了影像分割后生成的影像对象的大小、 数目和形状等。 本文的多尺度分割采用Liu等[7]提出的不一致性评价法, 对分割参数组合进行优选。土地覆盖类型具有层次性, 因此, 论文以分层提取的方法进行研究区的湿地分类, 根据各层提取地物类型的不同, 建立不同尺度大小的参考数据集并分别从分割数据集中挑选出匹配对象, 以其综合评价参数ED2 最小的参数组合作为最终的多尺度分割参数 (见表3) 。
4.3 特征分析
4.3.1 光谱特征
Landsat 8 OLI影像中新增加的Band1 蓝色波段对水体的穿透性强, 可用于区分土壤和植被。Band5 近红外波段处于水体的强吸收区, 对绿色植被差异敏感, 可增强陆地-水域与土壤-农作物之间的反差。 SWIR2 中红外波段2 也处于水的强吸收区, 对植被水分含量十分敏感。通过训练样本的统计分析, 在Level1 层上, 可有效利用遥感影像的光谱信息, 将湿地 (含有部分水浇地) 和非湿地信息区分出来。
研究区的农作物以水田和水浇地 (小麦、玉米) 为主, 影像获取时间的水田处于抽穗期和乳熟期之间, 光谱特征易于水浇地混淆。 因而, 在Level2 层上, 仅仅依靠单波段的光谱反射率难以区分出各湿地类型, 所以, 本文除了选取Landsat 8 OLI影像的7 个波段反射率均值之外、 还选择了各个波段的标准差和归一化指数对研究区的湖泊、坑塘、芦苇地和水田及其除湿地外的其他地物类型进行统计分析, 结果发现:差异环境植被指数 (DVI) 对土壤背景的变化反应敏感, 可以将错分为水田的部分水浇地从湿地中剔除。
4.3.2 纹理特征
本研究加入了Landsat 8 OLI影像的7 个多光谱波段数据通过计算得到的纹理均值 (Mean) , 方差 (Std Dev) , 同质性 (Homogeneity) , 相异性 (Dissimilarity) , 对比度 (Contrast) , 相关性 (Correlation) 和角度二阶矩 (Second Moment) 6 个特征变量作为统计变量, 计算窗口选用33。 影像分析发现, 应用影像近红外波段的同质性易于将湖泊、 库塘与芦苇地、水稻田区分开来。 近红外波段的方差再求其标准差后的影像对绿色植被的类别差异更为敏感, 可以进一步将芦苇地和水稻田区分开来。
4.3.3 形状特征
地物的几何特征有助于突破光谱信息无法解决的“同物异谱”和“异物同谱”现象, 提高了遥感图像处理分析结果的精度。 研究区中湖泊和部分库塘的面积存在较大差异, 可利用面积特征将湖泊和库塘进行区分, 余下较大面积的库塘其形状近似矩形, 因此, 可以采用矩形拟合度将其与湖泊区分开来。 芦苇地主要分布于湖泊周边, 可以利用其椭圆形拟合度小的特点, 将其与水田区分出来。
4.4 模型构建
基于对典型地物的光谱特征、纹理特征和形状特征分析, 构建出研究区遥感影像湿地信息提取的决策树分类模型, 如图1 和图2 所示。
5 结果及精度评价
在e CognitionDeveloper9.0、Arc GIS10.2 等遥感图像处理和GIS软件的支持下, 以构建的分类决策树模型为基础, 利用分层提取的面向对象法进行了研究区遥感湿地提取分类, 得到了湿地分类结果图, 然后随机选择100 个对象作为评价样本, 针对模型分类结果采用混淆矩阵对结果进行精度评价 (见表4) 。 同时, 为了更加客观地评价基于决策树模型的面向对象法的分类结果, 在ENVI5.1 软件的支持下对研究区的遥感影像进行了基于像元的最大似然法分类, 分类结果如图3 所示, 精度评价见表5。
从分类结果图看, 基于决策树模型的面向对象法的分类结果与基于像元的最大似然法的分类结果相比, “椒盐现象”得到缓解, 图斑规整, 边界明确, 尤其是水田湿地和沼泽湿地的区分效果更好。 从精度评价结果看, 基于决策树模型的面向对象法的结果中湿地总体精度是84%, Kappa系数是0.78, 基于像元的最大似然法的结果中湿地的总体精度是65.55%, Kappa系数为0.61。 可见, 基于决策树模型的面向对象法在湿地信息提取中的精度更高, 总体精度提高了18.45%, Kappa系数提高了0.17。
6 结论与讨论
本文针对研究区的Landsat 8 OLI遥感影像, 利用基于决策树模型的面向对象法分析得到的湿地分类结果较基于像元的最大似然法的分类结果精度高, 有效的减弱了分类结果图的“椒盐”现象。
本文基于决策树模型的面向对象法在宁夏回族自治区中卫市与腾格里沙漠边缘及其毗邻区域的湿地信息提取工作中具有良好的适用性, 有效地结合了遥感地学领域的专家知识, 充分发挥了遥感影像中的光谱、纹理、几何等多种特征的优越性, 准确高效的提取了地物信息, 提高了遥感影像的分类精度, 对于今后西北干旱半干旱气候区的湿地遥感监测工作具有重要的借鉴意义。
参考文献
[1]邓凡双.基于面向对象技术的辽东湾双台子河口湿地信息提取研究[D].东北师范大学, 2012.
[2]安如, 陈志霞, 陆玲, 等.面向对象的黄河源典型区湿地信息提取[J].河海大学学报:自然科学版, 2011, 39 (4) :355-360.
[3]牟凤云, 韩葵.面向对象的遥感湿地植被分类与信息提取—以微山湖为例[J].安徽农业科学, 2012, 40 (12) :7574-7576.
[4]赵志龙.羌塘高原湿地信息提取与典型湿地变化分析[D].青海师范大学, 2014.
[5]黄颖, 周云轩, 吴稳, 等.基于决策树模型的上海城市湿地遥感提取与分类[J].吉林大学学报 (地球科学版) , 2009 (6) :1156-62.
[6]陈云浩, 冯通, 史培军, 等.基于面向对象和规则的遥感影像分类研究[J].武汉大学学报 (信息科学版) , 2006 (4) :316-320.
湿地遥感 篇4
1 湿地的分类
湿地分为人工湿地和天然湿地两大类详细分类如表1所示。本论文研究的湿地范围仅为天津海岸线以上的湿地, 并不包括海岸线以下至低潮时水深不超过6 m的水域。
2 湿地地物光谱特征与识别研究
湿地的光谱特征主要是由水本身物质的组成决定的, 但是又受到了各种水状态的影响。水体的反射主要在蓝绿光波段, 其他波段吸收都很强, 特别到了近红外波段吸收就更强。地表较纯洁的自然水体对0.4～2.5μm波段的电磁波吸收明显高于绝大多数其它地物。
3 监测的数据源
S P O T卫星是法国空间研究中心 (CNES) 研制的一种地球观测卫星系统。“SPOT”系法文Systeme Probatoire d’Observation dela Tarre的缩写, 意即地球观测系统。
每一影像覆盖面积60×60km2。当进行侧向 (可达27°) 扫描时, 每一影像覆盖面积为80×80 km。
S P O T卫星的普段参数: (1) 绿谱段 (500～590 nm) :该谱段位于植被叶绿素光谱反射曲线最大值的波长附近, 同时位于水体最小衰减值的长波一边, 这样就能探测水的混浊度和10～20 m的水深。 (2) 红谱段 (610～680 nm) :它可用来提供作物识别、裸露土壤和岩石表面的情况。 (3) 近红外谱段 (790～890 nm) :能够很好的穿透大气层。在该谱段, 植被表现的特别明亮, 水体表现的非常黑。红和近红外谱段的综合应用对植被和生物的研究是相当有利的。
此次监测实验用的是2011年的SPOT卫星数据, 包含红、绿、和近红外3个波段。
4 湿地信息提取
4.1 监督分类法
采用监督分类的方法, 利用航天遥感数据通过内业判读, 依照湿地分类在影像上提取2011年的湿地信息。监督分类 (supervised classification) 又称训练场地法是以建立统计识别函数为理论基础, 依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本, 通过选择特征参数, 求出特征参数作为决策规则, 建立判别函数以对各待分类影像进行的图像分类, 是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求, 则此准则成立;反之, 需重新建立分类的决策规则, 直至满足分类精度要求为止。常用算法有:判别分析、最大似然分析、特征分析、序贯分析和图形识别等。
这里采用最大似然法:假定每个波段中的每类的统计都呈现正态分布, 并将计算出给定象元都被归到概率最大的哪一类里。
4.2 湿地信息提取实验
为了便于有效地分析和研究, 通常选择能够反映地物信息的最佳的波段, 它们反映了图像中基本的重要的信息, 称之为图像的特征。图像特征是图像分析的重要依据。特征提取是对分类精度和可靠性影响最大的因素之一。本论文实验根据湿地的光谱特征用的是4、3、2假彩色波段, 将根据影像反映的光谱特性基于监督分类来提取信息。
图1是根据遥感影像分类的获得的湿地分类图像在这里分水体、植被、树木、居民地4类, 输出结果图像。蓝色为湿地、红色为居民地、绿色为植被树木。
摘要：本文探讨基于遥感计算机监督分类技术提取湿地信息, 对2012年天津市湿地的进行调查, 监测河湖为代表的湿地等专题因子遥感解译标志的建立, 为本区域生态环境的保护和经济的发展提供数据和决策依据。
关键词：遥感,计算机解译,影像分类,湿地调查
参考文献
[1]李建平, 张柏, 张泠, 等.湿地遥感监测研究现状与展望[J].地球科学进展, 2007, 26.
[2]张晓龙, 李培英, 李萍, 等.中国滨海湿地研究现状与展望[J].海洋科学进展, 2005 (1) .
[3]牛明香, 赵庚星.南四湖区湿地信息遥感提取技术研究[J].国土与自然资源研究, 2004 (1) .
[4]赵萍, 傅云飞, 郑刘根, 等.B.Satyanarayana;基于分类回归树分析的遥感影像土地利用/覆被分类研究[J].遥感学报, 2005 (6) .
[5]周昕薇, 宫辉力, 赵文吉, 等.北京地区湿地资源动态监测与分析[J].地理学报, 2006 (6) .
[6]张东水, 兰樟仁, 邱荣祖“.3S”技术在福建省湿地研究中应用进展[J].福建林业科技, 2006 (2) .
[7]杨柳.基于ETM+影像的扎龙湿地遥感分类研究[D].东北师范大学, 2003.
[8]李慧.基于多源遥感数据的湿地信息提取及景观格局研究[D].福建师范大学, 2005.