張雅春 那曉東 臧淑英

(黑龍江省普通高等學校地理環(huán)境遙感監(jiān)測重點實驗室(哈爾濱師范大學)，哈爾濱，150025)

濕地作為界于陸地和水體之間的客體，是自然界中最富生物多樣性的生態(tài)景觀和人類社會賴以生存發(fā)展的環(huán)境之一，具有特殊的生態(tài)功能和寶貴的自然資源價值；豐富的植物資源為保護區(qū)內(nèi)珍貴水禽的生存和繁衍創(chuàng)造了條件，具有極其重要的生物多樣性保護價值[1-2]。然而，近年來在自然和人為的因素下，導致部分棲息地退化。因此，及時、動態(tài)地獲取大范圍濕地植被覆蓋信息具有重要意義。目前，遙感反演植被覆蓋度的方法主要有基于像元的硬分類方法和混合像元分解方法，由于受空間分辨率和地物復雜度的影響，影像中存在大量的混合像元[3-4]，因此，亞像元級的混合像元分解方法得到廣泛應用?；旌舷裨纸饽Ｐ涂煞譃榫€性光譜解混模型(LSMM)和非線性光譜解混模型，線性光譜解混模型是當前混合像元分解研究的主流[5-7]，但崔天翔等[8]基于線性光譜解混模型對北京市野鴨湖濕地自然保護區(qū)的植被覆蓋度進行了估算，并通過擴維的方法來提高端元的提取數(shù)量。對于傳統(tǒng)的線性光譜解混方法對所有的像元均采用同一組端元集進行解混，忽略了像元間組分的差異，具有一定的局限性[9]。多端元光譜解混模型實現(xiàn)了對不同的像元選取不同的端元組合，并在植被覆蓋信息的提取上取得了較好的效果[10-11]。廖春華等[9]基于研究區(qū)4 景 HJ- 1/HSI 影像數(shù)據(jù)，用多端元光譜解混模型反演了新疆石河子干旱區(qū)的植被覆蓋度并與線性光譜解混模型的反演結(jié)果進行對比分析，取得了較好的精度。當?shù)匚镱愋蛿?shù)目增大，多端元光譜解混模型的計算量巨大，無法滿足更加復雜的現(xiàn)實場景。為了克服計算量大的問題，我們先基于分層的面向?qū)ο蠓诸惙椒?，將整景研究區(qū)影像劃分為地物類型較少的小場景，再分別進行多端元光譜解混，有效降低了地物復雜度及計算量，并提高了反演精度。

本研究基于TM遙感影像數(shù)據(jù)，采用分層面向?qū)ο蠖喽嗽庾V解混模型對扎龍濕地自然保護區(qū)進行植被覆蓋度反演，并與傳統(tǒng)的多端元光譜解混模型的反演結(jié)果進行對比分析，驗證本方法對濕地植被信息提取的適用性和有效性。

1 研究區(qū)概況

扎龍國家級自然保護區(qū)位于黑龍江省齊齊哈爾市，地理坐標為東經(jīng)123°47′～124°37′，北緯46°52′～47°32′，屬濕地生態(tài)系統(tǒng)類型的自然保護區(qū)(見圖1)。地貌類型主要為平原區(qū)河湖相沖擊地貌類型，土壤類型為黑鈣土、草甸土、堿土、鹽土、沼澤土和沙土。保護區(qū)地處中緯度地帶，屬于中溫帶大陸性季風氣候。年平均氣溫3.5 ℃，年降水量400～600 mm；年均相對濕度62%。保護區(qū)內(nèi)具有高等植物468種，隸屬于67科，草本植物占絕大多數(shù)；鳥類約260種，隸屬17目48科；其中國家重點保護鳥類有35種，最為著名的是鶴類，全世界有15種，中國有9種，本區(qū)有丹頂鶴、白鶴、白頭鶴、白枕鶴和蓑羽鶴，丹頂鶴占世界總數(shù)的17.3%，除豐富的鳥類資源外，還有20種獸類、兩棲類4種、爬行動物3種、水生魚類40種。

圖1 研究區(qū)位置示意圖

2 研究方法

2.1 數(shù)據(jù)源及預處理

本文選取覆蓋研究區(qū)范圍內(nèi)的一景TM7遙感影像，成像日期為2015年9月10日，軌道號為120/27，分辨率為30 m。針對原始影像存在的幾何變形問題，本文以同時期的SPOT5全色影像為參考，在影像上選取一組地面控制點(50個)，控制點選在如道路交叉點的顯著地物上，盡量保持均勻分布，然后采用雙線性內(nèi)插法對影像的各像元進行坐標變換和重采樣，糾正到統(tǒng)一的高斯投影系統(tǒng)下，校正誤差控制在1個像元內(nèi)。為了減少大氣對提取端元光譜的影響，采用ENVI5.1自帶的FLAASH模塊對TM影像進行大氣校正。最后用扎龍國家級自然保護區(qū)矢量邊界對影像進行裁切作為感興趣區(qū)。

2.2 端元光譜提取

端元光譜的提取對線性光譜解混模型解混的成功與否起著至關重要的作用。本文綜合采用，純像元指數(shù)(PPI)、端元平均均方根誤差(EAR)、最小平均光譜角(MASA)、基于計數(shù)的端元選取(COB)等方法來提取端元光譜。由于某類端元可能存在光譜差異，為了避免“同物異譜”的現(xiàn)象發(fā)生，會對此類地物選取多個代表性端元光譜。

城市區(qū)域通常使用植被-不透水-土壤端元模型進行光譜解混[12-14]，非城市地區(qū)通常采用植被-土壤-陰影(干植被)端元模型進行光譜解混[9]。因此，本研究所選取的光譜庫主要包括植被和非植被兩類光譜庫(見表1)。解混時，所用的二端元模型和三端元模型如表2所示。

表1 光譜庫中幾種地物選取的光譜數(shù)量

表2 模型的端元組合

2.3 多端元光譜解混模型

由于不同的影像像元中，端元的個數(shù)和類別有差異，采用同一組端元集進行解混，不符合實際情況，采用多端元光譜解混模型更符合實際情況。多端元光譜解混模型(MESMA)為[15]：

為了給每個像元找到最優(yōu)的端元組合，需要遍歷所有的端元組合模型。多端元光譜解混模型中表示場景中共有M類地物，第i類地物的類內(nèi)變化光譜個數(shù)為 。并從全部的2端元、3端元、…、(M-1)端元模型中為每個像元尋找到最優(yōu)的端元組合，然后進行豐度反演。

2.4 基于分層面向?qū)ο蠖喽嗽庾V解混模型

隨著場景復雜程度的增大，地物種類增多，端元模型的個數(shù)隨之增多，用所有的端元模型迭代解混計算量龐大，不易為每個像元找到最優(yōu)組合。因此，本文提出了基于分層的面向?qū)ο蠖喽嗽庾V解混模型方法(見圖2)：首先基于面向?qū)ο蠓诸惙▽⒀芯繀^(qū)影像分為植被和非植被兩類；其次將非植被部分進行掩膜，利用面向?qū)ο蠓诸惙▽⑵浼毞譃槊魉妗Ⅺ}堿地、道路和居民地；然后將區(qū)分出的來的明水面、鹽堿地、道路、居民地和植被分別進行掩膜，將研究區(qū)影像劃分為地物類型較少的小場景來降低場景復雜度，并分別采用MESMA方法進行亞像元級分類，對植被進行精細提取。最后，根據(jù)MESMA方法反演的每個像元植被豐度值的大小，將植被豐富度劃分為5級，得到濕地植被蓋度圖。

圖2 分層的面向?qū)ο蠖喽嗽庾V解混方法流程

2.5 精度評價

本研究采用同時期的SPOT5影像(SPOT5影像數(shù)據(jù)是法國spot衛(wèi)星獲取的，能夠通過相鄰軌道拍攝立體相對影像，其分辨率為5 m)上獲取的植被覆蓋度數(shù)據(jù)作為驗證數(shù)據(jù)，進行精度驗證。首先，在植被覆蓋度專題圖上隨機采樣(采樣窗口為3×3，個數(shù)為50)。然后，在高分辨率的SPOT5影像上獲取相對應的樣本區(qū)域，采用目視解譯的方法，獲取研究區(qū)植被覆蓋度的驗證數(shù)據(jù)。表3為所選的50個樣本基于傳統(tǒng)的MESMA模型和分層面向?qū)ο蠖喽嗽庾V解混模型的植被覆蓋度以及SPOT5的驗證數(shù)據(jù)。

植被覆蓋度通常采用均方根誤差(RMSE)相關性系數(shù)(R)來進行精度驗證。相關性系數(shù)(R)的絕對值越大，相關程度越大；均方根誤差(RMSE)值越小，樣本總精度越高。

表3 各采樣區(qū)兩種解混模型的估計值與SPOT5的驗證值

注：Ⅰ表示MESMA模型估計值(50個)；Ⅱ表示分層面向?qū)ο驧ESMA模型估計值(50個)；Ⅲ表示SPOT5驗證數(shù)據(jù)(50個)。

3 分類結(jié)果及評價

圖3、圖4分別是基于分層的面向?qū)ο蠖喽嗽庾V解混模型與傳統(tǒng)的多端元光譜解混算法的反演的植被蓋度結(jié)果，通過對圖3中紅色矩形框的放大，可以看出圖中植被與非植被的混分現(xiàn)象明顯得到了改善，分類效果優(yōu)于圖4，更接近于TM影像的真實情況(見圖5)。

圖3 分層的面向?qū)ο蟮腗ESMA反演植被蓋度

圖4 傳統(tǒng)的MESMA反演植被蓋度

圖5 TM影像

由表4可知，分層面向?qū)ο蠖喽嗽庾V解混模型的相關系數(shù)比傳統(tǒng)的多端元光譜解混模型的相關系數(shù)提高了0.038 5；分層面向?qū)ο蠖喽嗽庾V解混模型的均方根誤差(0.092 6)明顯優(yōu)于傳統(tǒng)的多端元光譜解混模型(0.171 2)。因此，分層面向?qū)ο蟮亩喽嗽庾V解混模型更適合濕地植被覆蓋度的估計。

表4 兩種解混模型相關性分析和均方根誤差比較

4 結(jié)論與討論

濕地植被覆蓋度是反映濕地植物生長狀況的一個重要參數(shù)，對濕地植被生物量的估算具有一定的意義[16-17]。本研究采用中等分辨率的TM7遙感影像，基于分層的面向?qū)ο蠖喽嗽庾V解混模型對扎龍自然保護區(qū)的植被覆蓋度進行了提取并取得了較好的結(jié)果。說明基于分層的面向?qū)ο蠖喽嗽庾V解混模型有效地降低了濕地場景的復雜程度，并考慮到像元間所包含端元組分的差異，對不同的像元選取不同的端元組合，有效提高了解混精度?；诜謱拥拿嫦?qū)ο蠖喽嗽庾V解混模型比傳統(tǒng)的MESMA模型對復雜的濕地場景植被覆蓋度的估計精度高。

基于分層面向?qū)ο蠖喽嗽庾V解混模型分類方法的相關性系數(shù)和均方根誤差均高于傳統(tǒng)的多端元光譜解混模型的分類結(jié)果。從局部分類結(jié)果對比中可以看出基于分層面向?qū)ο蠖喽嗽庾V解混模型的分類方法較明顯的改善了植被和非植被的混分現(xiàn)象。因為濕地場景復雜度較高地物種類較多，傳統(tǒng)的MESMA方法，在迭代選取候選端元模型時錯選的幾率就越大。因此，本文先基于面向?qū)ο蠓诸惙椒▽⒂跋駝澐譃閺碗s度較低的小場景，通過減少地物類型來降低端元模型的個數(shù)，再進行MESMA亞像元級分類，便于為每個像元找到最優(yōu)端元組合來降低解混誤差，做到對濕地植被的精細提取。因此，本文提出的方法在提高濕地分類的準確性具有重要作用，為濕地的管理、保護及可持續(xù)利用提供了技術(shù)支持。

[1] WOODWARD R T, WUI Y S. The economic value of wetland services: a meta-analysis[J]. Ecological Economics,2001,37(2):257-270.

[2] YANG Y X. Main characteristics, progress and prospect of international wetland science research[J]. Progress in Geography,2002,21(2):111-120.

[3] POWELL R L, ROBERTS D A, DENNISON P E, et al. Sub-pixel mapping of urban land cover using multiple endmember spectral mixture analysis: Manaus, Brazil[J]. Remote Sensing of Environment,2007,106(2):253-267.

[4] BATESON A, CURTISS B. A method for manual endmember selection and spectral unmixing[J]. Remote Sensing of Environment,1996,55(3):229-243.

[5] 陶秋香,陶華學,張連蓬.線性混合光譜模型在植被高光譜遙感分類中的應用研究[J].勘察科學技術(shù),2004(1):21-24.

[6] JOHNSON P E, SMITH M O, TAYLOR-GEORGE S, et al. A semiempirical method for analysis of the reflectance spectra of binary mineral mixtures[J]. Journal of Geophysical Research Solid Earth,1983,88(B4):3557-3561.

[7] GUTMANG, IGNATOV A. The derivation of the green vegetation fraction from NOAA/AVHRR data for use in numerical weather prediction models[J]. International Journal of Remote Sensing,1998,19(8):1533-1543.

[8] 崔天翔,宮兆寧,趙文吉,等.不同端元模型下濕地植被覆蓋度的提取方法：以北京市野鴨湖濕地自然保護區(qū)為例[J].生態(tài)學報,2013,33(4):1160-1171.

[9] 廖春華,張顯峰,劉羽.基于多端元光譜分解的干旱區(qū)植被覆蓋度遙感反演[J].應用生態(tài)學報,2012, 23(12):3243-3249.

[10] ROBERTS D A, GARDNER M, CHURCH R, et al. Mapping Chaparral in the Santa Monica Mountains Using Multiple Endmember Spectral Mixture Models[J]. Remote Sensing of Environment,1998,65(3):267-279.

[11] SOMERS B, ASNER G P, TITS L, et al. Endmember variability in Spectral Mixture Analysis: A review[J]. Remote Sensing of Environment,2011,115(7):1603-1616.

[12] RIDD M K. Exploring a V-I-S (vegetation-impervious surface-soil) model for urban ecosystem analysis through remote sensing: comparative anatomy for cities[J]. International Journal of Remote Sensing,1995,16(12):2165-2185.

[13] SMALL C, LU J W T. Estimation and vicarious validation of urban vegetation abundance by spectral mixture analysis[J]. Remote Sensing of Environment,2006,100(4):441-456.

[14] SMALLC. Estimation of urban vegetation abundance by spectral mixture analysis[J]. International Journal of Remote Sensing,2001,22(7):299-307.

[15] 趙春暉,崔士玲,劉務.基于分層的多端元光譜解混算法[J].光電子·激光,2014，25(9):1830-1836.

[16] BASUKI T M, SKIDMORE A K, LAAKE P E V, et al. The potential of spectral mixture analysis to improve the estimation accuracy of tropical forest biomass[J]. Geocarto International,2012,27(4):329-345.

[17] 方金,黃曉東,王瑋，等.青藏高原草地生物量遙感動態(tài)監(jiān)測[J].草業(yè)科學,2011,28(7):1345-1351.