混合像元分解结合SVM的水生植物遥感信息提取_孙衍建.pdf

Mar.,2023Vol.21,No.3地 理 空 间 信 息GEOSPATIAL INFORMATION2023 年 3 月第21卷第 3 期引文格式：孙衍建.混合像元分解结合SVM的水生植物遥感信息提取J.地理空间信息,2023,21(3):72-76.doi:10.3969/j.issn.1672-4623.2023.03.015湖泊作为地球水圈的组成部分，具有调节区域气候、维持流域生态平衡、记录区域环境变化和保护生物多样性等特殊功能1-2。水生植物的分布直接影响湖泊的稳态，因此准确快速地监测湖泊水生植物类群、了解其时空分布特征，对浅水湖泊的管理和治理具有重要意义。内蒙古巴彦淖尔市乌梁素海是黄河流域最大的淡水湖，也是河套灌区农田退水、工业废水和生活污水的唯一承泄渠道，对维护周边地区生态平衡、调节区域气候、流域蓄水防洪具有重要作用3。乌梁素海湖区挺水植物、沉水植物等大型水生植物广泛分布。由于长期受农田退水、工业废水等影响，湖区已被严重污染，水体营养盐、有机物等质量浓度过高，导致乌梁素海成为典型的重度富营养化草型湖泊4-5。近年来，湖区明水区每年都会出现附于水面的黄色团块状浮游藻类黄苔，使湖泊生态环境变得更加复杂且脆弱6。传统的水生植物监测方法以人工船舶调查为主，该方式精度较高，但需投入大量人力物力，监测范围混合像元分解结合SVM的水生植物遥感信息提取（1.山东省鲁南地质工程勘察院（山东省地勘局第二地质大队），山东 济宁 272100）摘要：水生植物是湖泊生态系统的重要组成部分，具有稳定和调节湖泊生态系统、提高水体透明度、维持渔业生产等生态和社会经济功能。基于实测光谱数据，分析了乌梁素海水生植物光谱特征，作为建立标准光谱库的参考。基于Landsat TM/ETM+/OLI数据，提出了一种结合混合像元分解（FCLSU）和SVM的新方法，对19862018年的乌梁素海水生植物进行了遥感分类，分析其时空分布特征。结果表明，新方法可有效提高分类精度，挺水植物、沉水植物和黄苔藻华的分类精度均较高，相关性分别为0.973 1、0.930 9和0.904，RMSE均为0.02 km2。乌梁素海水生植物时空分布结果显示，19862018年挺水植物生长面积呈缓慢增长趋势；沉水植物覆盖面积具有阶段性变化特征，即19862013年呈减少趋势，2013年以后呈快速增长趋势。研究期间黄苔藻华覆盖面积无明显变化趋势，但个别年份会爆发性增长。关键词：水生植物；遥感分类；时空分布；乌梁素海中图分类号：P237文献标志码：B文章编号：1672-4623（2023）03-0072-05Aquatic Plant Remote Sensing Information Extraction Based on Hybrid PixelDecomposition and SVMSUN Yanjian1(1.Lunan Geological and Engineering Survey Institute of Shandong Province(Second Geological Brigade ofShandong Provincial Geological Survey Bureau),Jining 272100,China)Abstract:Aquatic plants are an important part of lake ecosystem,which has ecological and socio-economic functions such as stabilizing and reg-ulating lake ecosystem,improving water transparency and maintaining fishery production.Based on the measured spectral data,we analyzed thespectral characteristics of aguatic plants in Ulansuhai,as a reference for the establishment of standard spectral library.Based on Landsat TM/ETM+/OLI data,we proposed a new method combining FCLSU and SVM,and analyzed the spatio-temporal distribution characteristics of aguat-ic plants from 1986 to 2018 by remote sensing.The results showed that the new method could effectively improve the classification accuracy,theclassification accuracy of emergent plants,submerged plants and yellow moss algal blooms are higher,the correlations were 0.973 1,0.930 9 and0.904,respectively,and the RMSE were 0.02 km2.The spatio-temporal distribution of aguatic plants showed that the growth area of emergentplants increased slowly from 1986 to 2018.The coverage area of submerged plants showed a gradual change,that is,it showed a decreasing trendfrom 1986 to 2013,and a rapid increase trend after 2013.During the study period,there was no obvious change trend in the coverage area of yel-low moss algal blooms,but it increased explosively in some years.Key words:aquatic plant,remote sensing classification,spatio-temporal distribution,Ulansuhai收稿日期：2021-04-24；修回日期：2021-08-04。项目来源：国家自然科学基金资助项目（41801385）。作者简介：孙衍建（1982），工程硕士，高级工程师，主要研究方向为测绘、航测遥感，E-mail：。孙衍建1第21卷第3期孙衍建：混合像元分解结合SVM的水生植物遥感信息提取小、且时空连续性差。卫星遥感技术具有宏观、高效、低成本、可进行长时间序列的动态监测等优势，已成为水生植物监测的重要技术手段。相较于陆生植被，水生植物由于生长在复杂度较高的水体中，其光谱特性具有复杂性。挺水植物位于水面之上，受水环境影响较小，具有典型的植物光谱特征；而沉水植物由于完全沉入水中，反射光谱易受水环境参数影响，其光谱特征与挺水植被有显著差异。不同水生植物类群的光谱特征及其对水环境的光谱响应各有差异，这也是水生植物遥感监测的理论基础。近年来，国内外学者基于多种遥感卫星数据在各大型浅水湖泊先后开展了一系列水生植物遥感分类和制图研究，常见的水生植物监测与识别方法可分为 4 类：目视解译方法7，精度较高但耗时较长，不适用于长时间序列的水生植物分类和动态监测；监督分类和非监督分类8-11，前者在很大程度上依赖于先验知识，而后者受光学复合图像分类精度差的阻碍；光谱指数法结合决策树分类方法12-14，通过数学比率将两个或多个波段组合在一起被证明是有效的，但该方法在不同时相的遥感影像分割阈值将出现较大波动；混合像元分解法15，有效定义独立的终端成员，量化的每个定义端元都有亚像素分数估计。在上述方法中，混合像元分解法的性能较好，能检测较低目标信号，尤其是在环境复杂区域可取得很好的效果。另外，该方法的分数图像比光谱指数更易解释，因为它们具有实际的物理意义。目前对于水生植物的分类监测，尤其是沉水植被和浮游藻类的提取，许多学者已进行了大量研究并提出了多种算法；但大多数算法不适用于乌梁素海水生植物的提取，无法为乌梁素海生态保护和生态修复提供可靠的基础数据。本文基于水生植物的光谱特征，拟构建标准的光谱库，利用混合像元分解结合SVM的方法对乌梁素海水生植物进行长时间序列监测，并分析其时空分布特征规律。1研究数据和方法1.1研究区概况乌梁素海位于内蒙古乌拉特前旗境内，南北长约3540 km，东西宽约510 km，面积约为293 km2，是同纬度最大的自然湿地，也是我国八大淡水湖之一。研究区属干旱半干旱气候，多年平均气温为6.89，年均降水量为188.30 mm。乌梁素海是当地农田退水、山洪、工业废水和生活污水唯一的承泄渠道，具有蓄水防洪、农业灌溉和调节区域气候等多种功能16。由于长期受农田退水、工业废水等影响，湖水被严重污染，湖区内挺水植物、沉水植物等大型水生植物疯长，导致其成为重度富营养化草型湖泊17。其中，挺水植物优势种为芦苇，沉水植物的绝对优势种为龙须眼子菜和穗花狐尾藻，其生长季和衰退期开始得均比芦苇晚，但生长速度特别快。近年来，湖区明水区每年都会出现附于水面的黄色团块状浮游藻类黄苔。1.2数据来源与预处理本文于20172018年对乌梁素海水生植物进行了野外实地调查，共获取410组水生植物观测数据，包括遥感反射率、水生植物景观照片等。采样时间分 别 为 2017-08-14、2018-07-16、2018-08-01、2018-08-17、2018-09-02 和 2018-09-18。本 文 以Landsat5、Landsat7 和 Landsat8 卫星遥感影像为数据源，通过筛选，最终采用无云覆盖或云量少、数据质量较好的影像，具体数据如表1所示。首先对影像进行辐射定标和FLAAH大气校正，以消除大气传输过程的影响；再以2017-08-13的GF-2 PMS高分辨率遥感影像为验证数据，利用二次多项式模型将 GF-2PMS影像与其对应的准同步Landsat8 OLI数据进行几何配准，配准总的均方根误差（RMSE）小于0.5个像元；最后进行影像拼接与镶嵌。1.3光谱特征分析与光谱库建立不同地区由于地形地貌和物候变化的影响，地物的波谱反射率可能有所差异，为了尽量减少地物波谱差异对混合像元分解精度的影响，本文特意收集了乌梁素海内典型地物的光谱数据。ENVI支持波谱库的创建，因此将ASD地物光谱仪采集的光谱数据导入ENVI软件，建立研究区的典型地物光谱库，用于识别选取端元的波谱曲线。乌梁素海内典型的水生植物主要包括挺水植物（芦苇、香蒲）、沉水植物和黄苔（图1）。1.4端元选取本文以地物光谱仪从野外实测光谱获取的端元为“参考端元”，再从待分类影像上选取“图像端元”，然后利用“参考端元”和“图像端元”相结合的方式选取表1本文采用的Landsat影像信息表年份198620082002201420132018月份61161068传感器Landsat5 TMLandsat7 ETMLandsat8 OLI空间分辨率/m303030数量40205对研究区的覆盖度/%10010010073地理空间信息第21卷第3期端元，并根据需要对选取的端元进行调整和修改，最终确定端元。端元反射率值直接取自2017年Landsat8 OLI图像，利用GF-2 PMS图像来定位最均匀的端元目标。1.5混合像元分解结合SVM的分类方法线性光谱混合模型是混合像元分解的常用方法，本文利用完全约束的最小二乘混合像元分解算法提取研究