基于NDVI时间序列数据的湿地演变RSM_李婷.pdf

收稿日期:20201104修回日期:20210115第 40 卷第 2 期计算机仿真2023 年 2 月文章编号:10069348(2023)02024004基于 NDVI 时间序列数据的湿地演变 SM李婷，唐少霞，王平(海南师范大学地理与环境科学学院，海南 海口 571158)摘要:针对传统湿地演变遥感动态监测方法中存在的监测效率差，且精度低等问题，提出基于 NDVI 时间序列数据的湿地演变遥感动态监测方法。掌握 NDVI 曲线时序形状和数值的特征改变情况，运用兰氏距离与交叉相关光谱匹配，获取湿地演变值指数与形指数，建立湿地演变监测指标;借助 TopHat 算子剔除影像噪声，提升遥感目标与背景间的对比度;探究湿地动态变化动力机制，分析湿地变化源头及趋势，通过湿地动态改变向量，获得各时期湿地类型转移矩阵;建立分类树并区分节点中各类解释标记，将技术、精度、时间和成本作为指标，通过优化理论与多属性效用函数，构建分类优选模型，完成湿地演变遥感信息提取，获得演变趋势监测结果。仿真结果表明，采用所提方法进行湿地演变遥感动态监测的效率较快，且监测精度较高。关键词:归一化植被指数时间序列;湿地演变;遥感监测;演变值指数中图分类号:TP357文献标识码:Bemote Sensing Dynamic Monitoring of Wetland EvolutionBased on NDVI Time Series DataLI Ting，TANG Shaoxia，WANG Ping(School of Geography and Environmental Science，Hainan Normal University，Haikou Hainan 571158，China)ABSTACT:Indeed，the traditional remote sensing dynamic monitoring method of wetland evolution has poor monito-ring efficiency and low accuracy In order to improve its efficiency and accuracy，a remote sensing dynamic monitoringmethod of wetland evolution based on NDVI time series data is reported in this paper The time series shape and nu-merical characteristic changes of NDVI curve were investigated The matching of LAN s distance and cross correlation spectrum was applied to obtain the wetland evolution value index and shape index for establishing the wet-land evolution monitoring index Image noise was removed by applying the TopHat operator The contrast betweenthe remote sensing target and background was improved The dynamic mechanism of Wetland Dynamic change wassystematically investigated，and the source and trend of wetland change were also analyzed in detail According to thewetland dynamic change vector，the wetlandtype transfer matrix of each period was obtained The classification treewas founded，and various interpretation markers in the node were distinguished Technology，accuracy，time and costwere set as indicators Through the optimization theory and multiattribute utility function，the classification optimiza-tion model was founded to extract the remote sensing information of wetland evolution，obtaining the evolution trendmonitoring results The simulation results show that this method has high monitoring efficiency and accuracyKEYWODS:NDVI time series;Wetland evolution;emote sensing monitoring(SM);Evolution value index1引言湿地是极其关键的自然资源，是自然界最具生物多样性的生态景观，与人类社会发展紧密相关。伴随人类活动影响与自然条件的不断改变，湿地正受到严重破坏，湿地面积大幅缩减、水质恶化、植被退化等形势逐步加重。湿地资源对城市区域发展与生态均衡发展具有重要的意义1。遥感技术具有范围广、多时相的动态监测性能，可以得到客观数据，地理信息系统强大的空间数据处理能力，能够快速精准地对湿地变化采取动态分析2。因此，采用遥感技术监测湿地演变过程，对湿地的保护具有重要作用。为此，相关研究人员对其进行了大量的研究，并取得了一定成果。042罗志东3 等人提出基于系统工程学的土壤侵蚀高分遥感监测方法。该方法从工程化知识库构建、工程化遥感信息提取算法和工程化综合集成 3 个主要元素入手，建立土壤侵蚀高分遥感监测与评价工程化模式。采用该技术对土壤侵蚀程度进行分类，分类的精度较高。但该方法研究的对象具有一定局限性，土壤遥感监测环节较为复杂，不适合普遍的应用。张春桂4 等人提出从高分一号卫星数据特征出发，探究高分一号卫星数据辐射定标、大气校正和正射校正的预处理方法和高分一号卫星植被覆盖度遥感反演方法。以福建省厦门市为例，利用高分一号多光谱相机(GF1WFV1)16m 影像数据反演覆盖度，精准划分覆盖等级。该方法利用遥感反演技术可高精度划分遥感监测的等级，但该方法应用在湿地演变监测中存在监测精度较低的问题。基于上述问题的存在，提出一种新的湿地演变遥感动态监测方法。该方法充分考虑湿地演变形态特征，提出基于归一化植被指数(Normalized Difference Vegetation Index，NDVI)时间序列数据的湿地演变遥感动态监测方法。通过设计监测指标，运用数据预处理手段明确湿地变化细节，采用优化理论得到分类优选模型，实现湿地演变来源与趋势信息提取。与传统方法相比具有一定优势。2NDVI 时间序列数据下湿地演变遥感动态监测2.1基于 NDVI 时间序列数据的监测指标设计为了实现湿地演变遥感动态监测，需要构建湿地演变监测指标。该指标可有效抑制各类外界干扰影响，为湿地演变监测提供准确高效的衡量标准。采用 NDVI 时间序列数据，代表一年中不同时期 NDVI 数据，其是依照时间先后次序组合构成的数据集。在此方法中，探究湿地演变过程的有效策略即为观测 NDVI 曲线时序改变情况5。湿地演变类型关键表现在 NDVI 时间序列曲线形态与数值变化中，若变化超出相应域值，认定湿地演变类型发生改变，故湿地演变监测指标要充分考虑其曲线变化特征。现阶段，湿地演变监测一般采用单一距离指数或相关性指数等指标，对比不同时段遥感影像特征差别，再按照明确的域值分析湿地类型是否发生改变。湿地演变监测的距离指数与相关性指数中欧氏距离为dE=ni=1(xri xti)2(1)绝对距离为dC=ni=1|xri xti|(2)夹角余弦为Srt=ni=1xrixtini=12xri2xti(3)有关系数为rrt=ni=1(xri xr)(xti xt)ni=1(xri xr)2ni=1(xti xt)2(4)其中，xri、xti代表参照图像与监测图像像元第 i 波段的特征值，xr、xt为参照图像与监测图像像元全部波段特征均值，n代表波段个数。期望得到的湿地演变监测指标应当着重凸显土地形态变化数据，且能够抑制传感器标度、大气条件等外部差别导致的变化6。本文拟定的演变监测指标涵盖两方面内容，即表征 NDVI 时间序列曲线值差别特征指标，即值指数;表征NDVI 时间序列曲线状态差别特征指标，即形指数。在诸多距离指数中，兰氏距离对奇异值的低敏感性可有效控制噪声的影响，并且是一个无量纲的标准化数值7。值指数运用兰氏距离标记 NDVI 时间序列曲线间的数值区别，将其描述为dL=1nni=1|NDVIri NDVIti|(NDVIri+NDVIti)(5)其中，NDVIri、NDVIti依次表示参照年份与监测年份 NDVI 时间序列曲线 i 波段的 NDVI 值。参考年份与监测年份的 NDVI 时间序列曲线，在不同匹配方位 m 内的交叉相关系数为m=nNDVIrNDVItNDVIrNDVIt nNDVI2r(NDVIr)2 nNDVI2t(NDVIt)2(6)其中，n 为移动后两个曲线的重叠波段数值，m 为监测曲线移动方位。在上述分析基础上，将均方根差当作指标表征改变强度，即MS=mm(m m)2k(7)其中，m、m依次为匹配方位 m 真实交叉相关系数与参照交叉相关系数，k 代表匹配方位。通过上述构建的两个指标特征，建立基于 NDVI 时间序列的湿地演变变化检测指标，即:D=12(MS+dL)(8)2.2基于灰度形态学的遥感数据预处理形态学源自填充理念，灰度形态学的处理目标为图像拓扑特性，使用填充直接描述灰度形态计算过程，精确呈现湿地表面图像目标。将灰度腐蚀表示为，灰度膨胀为，若 f 代表一个灰度图像，N 为一结构元，此时腐蚀过程为Nf(p)=minqN f(p+q)N(q)(9)灰度腐蚀也可运用临近灰度函数的最小确界进行描142述，即Nf(p)=f(p)|p NG(p)f(p)(10)式(9)与式(10)存在相等关系，式中 NG(p)代表结构元邻域。与灰度腐蚀计算过程相似8，将灰度膨胀 N表示为Nf(p)=maxqN f(p q)+N(q)f(p)|p NG(p)f(p)(11)灰度开运算首先进行灰度腐蚀再实施灰度膨胀的迭代计算，即Nf(p)=NNf(p)(12)以此类推，灰度闭运算表达式为Nf(p)=NNf(p)(13)TopHat 变换是一种形态变换方法，具备极强高通滤波性，利用其检测灰值图像的波峰、波谷与细长图像结构。TopHat 算子公式为f(p)=f(p)Nf(p)=f(p)NNf(p)(14)TopHat 算子中的对偶算子为f(p)=Nf(p)f(p)=NNf(p)f(p)(15)TopHat 算子是一种非拓展运算模式9，处理中位于原图像下方位置。但其对偶算子是一种拓展运算，处理时处在原图像上方，所以 TopHat 变换一定为非负数。在 TopHat 变换过程中，结构因子的选择对处理结果影响较大。针对噪声较小的图像，可以采用 TopHat 算子对图像进行过滤，也可选择灰度值较低的结构元对图像实施滤波处理。为完美呈现湿地周边特征情况，使用 22 结构元完成预处理任务，即B=60606060(16)式中，处在结构元左下方的 60 代表二维平面的原点位置灰度值增加 60，其它数值含义相同。为获得更优质的湿