遥感技术与应用, 2021, 36(4): 728-741 doi: 10.11873/j.issn.1004-0323.2021.4.0728

湿地遥感专栏

遥感监测东北地区典型湖泊湿地变化的方法研究

李晓东,1,2, 闫守刚,3, 宋开山2

1.山东省黄河三角洲生态环境重点实验室,滨州学院,山东 滨州 256603

2.中国科学院湿地生态与环境重点实验室,中国科学院东北地理与农业生态应用研究所,吉林 长春 130102

3.枣庄学院旅游与资源环境学院,山东 枣庄 277160

Remote Sensing of Lake Wetlands Change in Northeast of China Using the Modified Detection Method

Li Xiaodong,1,2, Yan Shougang,3, Song Kaishan2

1.Shandong Key Laboratory of Eco-Environmental Science for Yellow River Delta,Binzhou University,Binzhou 256603,China

2.Key Laboratory of Wetland Ecology and Environment,Northeast Institute of Geography and Agroecology,Chinese Academy of Sciences,Changchun 130102,China

3.College of Tourism,Resources and Environment,Zaozhuang UniversityShandong Jinan 250014,China

通讯作者: 闫守刚(1972-),男,山东临沂人,博士,副教授,主要从事生态环境应用研究。E⁃mail:yanshougang@126.com

收稿日期: 2020-05-13   修回日期: 2021-06-09   网络出版日期: 2021-09-26

基金资助: 博士科研启动基金项目.  801002020107
吉林省教育厅“十三五”科学技术研究项目“向海自然保护区沙丘榆林的土壤种子库的时空格局研究”.  JJKH20170005KJ
国家重点研发计划项目“全球多时空尺度遥感动态监测与模拟预测”.  2016YFB0501502

Received: 2020-05-13   Revised: 2021-06-09   Online: 2021-09-26

作者简介 About authors

李晓东(1977-),男,山东东营人,博士,主要从事遥感应用研究E⁃mail:xiaodonglee@126.com , E-mail:xiaodonglee@126.com

摘要

湖泊湿地生态脆弱,易受环境因子的影响。近十年来,东北地区湖泊湿地的时空格局发生了显著变化。如何简单、有效地提取湿地变化范围进而确定其变化类型是湿地变化检测中最需要解决的问题。基于2006~2016年30 m空间分辨率的Landsat-TM/OLI影像数据,水体、植被和土壤等生态因子的动态变化率被用于提取东北地区湖泊湿地变化范围;多维特征数据集的湿地分类方案确定湿地的变化类型。另外,湿地变化检测类型分为转出类型(湿地减少),转入类型(湿地增加)和湿地间转换类型(湿地相对稳定)。最终基于动态变化率计算方法,松嫩平原湿地、兴凯湖湿地和呼伦湖湖泊湿地变化结果的正检率均高于90%。同时,利用年内多时相数据和综合多维生态指数共同表征地表的状态变化,实验区的湖泊湿地分类结果的整体分类精度和 Kappa 系数分别达到 84.31%和0.788。湖泊湿地变化检测方法具有很好的检测精度,可以代表研究区湖泊湿地类型的实际变化,是湿地资源调查与遥感监测技术研究的有益补充,为进一步深化与拓宽地表生态质量评价及其动态变化检测的方法研究提供理论基础。

关键词: 湿地变化检测 ; 松嫩平原湖泊湿地 ; 兴凯湖湿地 ; 呼伦湖湿地 ; 中国东北

Abstract

Lake Wetlands have larger ecological function such as climate regulation and biodiversity, and economic effects-flood storage and shipping. In recent decades, the spatiotemporal variation ofLake Wetlands in Northeast China is different from the global change feature. Based on the landsat-5/8 image data with 30m spatial resolution from 2006 to 2016, thedetection method based on the Dynamic Ratio algorithm is used for extracting the change ecological information, and determining the change area of Lake Wetlands; the classification scheme based on the multidimensional-indexes is constructed to extract the change types of Lake Wetlands. In addition, the change types of Lake Wetlands are divided into the transfer-off (this is, the decrease of wetlands), the transfer-in (the increase of wetlands), and the conversion of wetlands (the relatively unchanged wetlands). The finalresults showed that: from 2006 to 2016, based on the dynamic change results of the DRM method, the correct detection ratio of wetland change in Songnen Plain, Xingkai Lake and Hulun Lake are 90.48, 90.2 and 93.81%, respectively. Meanwhile, the overall accuracy and Kappa coefficient of the land-cover classification results in the experimental area reached 84.31% and 0.788 respectively. The Lake Wetlands in Northeast China have the change trend characterized by the improvement feature, which can represent the actual fluctuation of wetland types in the study area. This method also has higher detection accuracy under complex surface types, which is a beneficial supplement to the resource’s investigation of Lake Wetlands and remote sensing monitoring on the wetland change.

Keywords: The change detection of wetland ; Songnen Plain Lake Wetlands ; Xingkai Lake Wetlands ; Hulun Lake Wetlands ; Northeast China

PDF (10654KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

李晓东, 闫守刚, 宋开山. 遥感监测东北地区典型湖泊湿地变化的方法研究. 遥感技术与应用[J], 2021, 36(4): 728-741 doi:10.11873/j.issn.1004-0323.2021.4.0728

Li Xiaodong, Yan Shougang, Song Kaishan. Remote Sensing of Lake Wetlands Change in Northeast of China Using the Modified Detection Method. Remote Sensing Technology and Application[J], 2021, 36(4): 728-741 doi:10.11873/j.issn.1004-0323.2021.4.0728

1 引 言

湿地仅占全球陆表面积的6%,是功能特殊、结构单一的生态系统1。中国湿地类型多样,分布面积占世界湿地的10%;西高东低的阶梯地形造就了面积广大的季风区及其众多的陆表湖泊水体2。湖泊湿地是指湖泊水体及其周围地表发生沼泽化过程而形成的湿地,湖泊湿地包括湖泊水体本身和湖滨带湿地。湖泊湿地具有调节气候、生物多样性等生态作用和调蓄洪水、航运等经济价值3。2000~2010年,东北地区的湿地损失率是1990~2000年的2.8倍,湖泊湿地变化尤其显著4-6。因此,东北地区湖泊湿地的时空变化检测对湿地生态状况的实时跟踪和健康水平评估有一定的实际意义。

基于遥感技术的湿地变化检测是通过对多时相卫星图像进行比较分析来区分同一地理位置的时空变化信息7-8。遥感影像变化检测的研究目的就是提取感兴趣的变化信息,并去除不相干的噪声9。不同的变化检测方法和理论模型有着不同的应用领域10-11。直接差分(Direct Radiometric Comparison, DRC)和分类后比较方法(Post-Classification Comparison, PCC)一直是地表类型变化检测研究的两个主要方向。基于两期遥感影像数据,DRC方法通过差异计算提取变化指标,获得变化检测结果;并通过最佳阈值获得变化区域,最终将变化检测图进一步划分为不同的变化水平12。PCC是一种分类后比较分析方法,通过从遥感影像中获取两个分类结果来获得变化的信息,包括变化的区域和类型11。一般而言,现有变化检测方法复杂且耗时,并且其准确性容易受到所选样本质量的影响13

结合动态变化检测方法的实际应用,已经具有一定的研究基础。赵秋菊14将主成分变换应用于前后期影像数据,第一主成分差值结果用于城市不透水层的提取,该方法可以自动确定阈值来提取变化区域。分类后比较分析方法通过从遥感影像中获取两个分类结果来获得变化的信息,包括变化的区域和类型15。Wang等16利用东北地区人工解译的湿地分布数据集结合1980~2015年东北地区年均气温、降水量数据集,分析内陆湿地景观格局变化特征及气候因子的相应关系。一般而言,基于分类处理结果的分类后比较方法复杂且耗时,并且其准确性容易受到所选样本质量的影响17。面向对象变化检测方法将图像划分为形状均匀和光谱特性相近的几个对象,并结合光谱信息和空间信息提高变化检测精度18。祝锦霞19选择面向对象变化检测方法,利用多变量来优化影像数据形成待检测对象,以此来提高加利福尼亚州湿地生态系统变化检测的精度。然而,在面向对象的分割过程中,许多表示湿地变化信息的细节被省略了20-21。此外,主成分分析22和缨帽变换23等也是不可忽视的变化检测方法。基于图像变换的检测方法减少了图像波段之间的冗余信息,同时增强了变化信息24。总上,已有检测方法多是基于单时相或单一波段数据完成某区域不同时期的地表类型变化检测。本研究关注的是如何利用年内多时相数据和综合多维生态指数共同表征地表的状态变化,从而达到提高地表变化信息的提取精度。

实验主要利用动态变化率变化检测方法计算提取湖泊湿地的动态变化信息,确定湖泊湿地的变化范围。同时构建了基于多时相的多维特征遥感数据集来提取东北地区的湖泊湿地类型,最终明确湖泊湿地变化范围内的地表转换类型。

2 实验区和数据

2.1 实验区概况

松嫩平原是中国北方湖泊湿地的主要分布区。湖泊湿地以大龙虎泡、库里泡、青肯泡等湖泊为中心,地理范围为121°5'~126°30' E,44°4'~48°40' N(图1)。气候属于温带季风性大陆性气候,干旱少雨。研究区西部为中国北方农牧草交错过渡带,也是全球典型的土地退化、荒漠化和盐碱化的土地“三化”地区25

图1

图1   研究区位置图

Fig.1   The location map of the study area


呼伦湖是东北地区第一大湖,位于呼伦贝尔草原西部新巴尔虎右旗、新巴尔虎左旗和满洲里市之间。地理位置范围在48°33'~49°19' N和116°58'~117°48' E。气候属于中温带大陆性气候,雨热同期。呼伦湖地区多年平均气温-0.5~0.5 ℃26,年降水主要集中在6~9月,降水量264 mm27。乌尔逊河、克鲁伦河是呼伦湖的主要地表径流。呼伦湖位于东北地区最西部,草地是其主要的陆表植被类型,自然因素是该区域陆表湿地变化的主导因素。

兴凯湖湖泊湿地位于中国黑龙江省东南部和俄罗斯远东滨海地区。地理位置范围在45°01'~45°34' N,131°58'~133°07' E之间,主要由大、小兴凯湖组成。兴凯湖属于中温带季风气候区,多年平均气温3 ℃,年降水量654 mm,雨热同期。该区域的主要补给源来自入湖河流、大气降水和周围的湖滨湿地28-29。兴凯湖地区是东北重要的农作区,陆表植被以旱田作物和水稻为主,人为活动是植被季节变化的主导因子。

为了验证变化检测方案的普适性,实验选择的3个研究区带有显著的区域性差异;同时,选择的研究区大致位于同一纬度带上,并分别归属于湿润区(兴凯湖湖泊湿地)、半湿润区(松嫩平原湖泊湿地)和半干旱区(呼伦湖湖泊湿地)。边界的划分依据:①国界、省界、市县级行政边界区划;②河流等主要自然界线;③公路、铁路等主要交通界线。

2.2 遥感数据

数据来自于美国地质调查局(USGS)地球资源观测与科学中心(EROS)提供的Landsat TM和 OLI图像(http:∥earthexplorer.usgs.gov/)。从2005~2017年获取的总共18景Landsat图像(9景Landsat-5 TM和9景Landsat-8 OLI)用于覆盖实验区湖泊湿地。收集生长季节(每年4月至10月)的月度图像数据集,以提取研究区域内湖泊湿地的变化信息(表1)。同时,不同年份的数据应尽量确保在同一季节的同一个月。为避免单一时相影像对年际分类结果的影响,利用5 a内的清晰无云TM和OLI影像(<10%的云量)组建基准年,2006年和2016年被确定为实验区湖泊湿地分类的基准年。然后,基于月值时序数据集合(时间跨度主要集中于生长季),监督分类提取研究区的主要土地覆被类型,作为年际土地覆被分类结果。

表1   Landsat 影像的采集日期

Table 1  Acquisition dates of Landsat images

实验区传感器/轨道号数据收集日期
松嫩平原TM/11902820060817、20060902、20061004
湖泊湿地OLI/11902820160714、20160828、20160919
呼伦湖TM/12502620050621、20050723、20050808
湿地OLI/12502620170530、20170724、20160825
兴凯湖TM/11402820050614、20051001、20060830
湿地OLI/11402820170609、20170918、20171015

新窗口打开| 下载CSV


卫星图像数据预处理还涉及辐射校准,大气校正,几何精校正和相对辐射校正。辐射校正将原始影像的像素值(Digital Number,DN)转换为传感器处反射率(Top of Atmosphere Reflectance, TOA),以减少不同年份的影像的反射差异;不同时相影像之间的几何精校正采用二次多项式和最邻近像元法,控制点多选择道路交叉口、河流交汇处和人工建筑物等,最终,几何校正结果的均方根误差小于0.5个像元。

根据拉姆萨尔湿地公约和中国湿地类型国家标准(GB/T24708-2009)(CSFA,2010)作为东北地区湿地分类的主要参考标准,已有的遥感解释分类结果——全球表面覆盖率遥感数据产品(GlobeLand30)和 Google Earth 高分辨率图像作为野外采样点上地表类型和采样点数据集的参考依据。最终,研究区的主要湿地类别分为人工湿地(水田)和天然湿地(恒定水体,沼泽和河漫滩地),其中湖泊湿地类型主要为恒定水体和湖滨沼泽湿地。

3 方法与验证

3.1 湖泊湿地的变化检测方案

湖泊湿地变化检测方法的实现过程如图2所示,首先,计算生态指数(MNDWI、NDVI和NDBI)的动态变化率;其次,综合图像变换与像素点值运算,生态指数动态变化率的第一主成分用于定量衡量湿地变化537;最后确定湿地变化范围。

图2

图2   方法实现流程

Fig.2   The technique flow chart


本研究与其他方法的主要区别在于:①从生态因子角度定量衡量湿地的变化程度,标准化后的第一主成分用于确定东北地区湿地的变化阈值;②研究区湿地分类精度是变化检测的质量保证。基于MNDWI、NDVI和NDBI等主要生态指标,构建的多维特征数据集适用于东北地区的地表覆被类型的遥感分类提取。无论多高的空间分辨率,卫星图像数据基本上都是混合像素。无论多么复杂地表覆盖类型,对应于图像像素的主要类型都可以利用实验区植被、土壤和水体的季节性变化特征去解释537

3.1.1 地表生态特征指数

为了提高地面物体的变化检测精度,修正的归一化水体指数(MNDWI)结合归一化植被指数(NDVI)来提取研究区域内湿地的变化范围,并进一步确定其变化类型。

(1)计算NDVI。NDVI由公式(1)计算30

NDVI=(NIR-Red)/(NIR+Red)

其中:Red代表红光波段,而NIR为近红外波段。

(2)计算NDBI。归一化土地利用指数(NDBI)也被称为建筑用地指数,被用于提取不透水层的表面分布31。NDBI的负值代表土壤中含有的水信息强弱。

NDBI=(SWIR1-NIR)/(SWIR1+NIR)

(3)计算MNDWI。使用等式(3)计算修正的归一化水体指数(MNDWI)32

MNDWI=(Green-SWIR1)/(Green+SWIR1)

其中:Green表示绿光波段,SWIR1表示Landsat卫星传感器的短波红外光谱波段。

3.1.2 遥感影像的相对辐射校正

相对辐射校正又称辐射归一化,不同于数据预处理过程中的图像辐射校正,处理的目的是减小两期卫星影像数据中辐射波动的影响33。相对辐射校正主要应用于时序影像数据集合的构建,消除因大气和光照条件的不同而引起的两期影像数据的辐射差异34

3.1.3 湿地动态比率

动态变化率实际上是两个样本中样本增加或减少的定量度量35-37,依据遥感数据的实际识别能力和湿地的生态状况。

Dynamic ratio=(x2-x1)/Mean(x1,x2

其中:x1x2表示两个多光谱图像的景观生态状况。两幅图像的生态指数平均值(Mean(x1x2))来表示同一位置的恒定状态,并使用两期数据集的差分来表示生态环境的变化范围。最后将湿地动态比率法描述为算法(4)。

3.1.4 湿地变化范围的确定

通常情况下,陆地覆被类型的未变化区域具有接近于零的像素值,但变化区域的像素值通常大于(或小于)其他区域。当差分结果大于(或小于)给定阈值T(-T)时,该情况发生区域被确定为变化区域29。常规计算方法只关注差分结果,由此引出的问题是差值较大的点未必发生了变化,差值较小的点未必没有变化。因此,DRM算法将差值与两期均值做比值进行定量衡量,显著性分析其变化级别,最终确定实际变化范围。

动态比率算法(DRM)反映的是前后期湿地生态指数差异与其生态均值的对比结果。基于水体、植被和土壤等生态指数的动态变化率,经过主成分分析获得的第一主成分用于定量衡量观测时段内的湿地变化程度,因此,只有将其标准化,才能进行不同时空尺度下湿地变化的统一比较38-40。经标准化后的第一主成分的值域范围为:[-1,1],进一步将其分隔成5级:[-1,-0.6)、[-0.6,-0.2)、[-0.2,0.2]、(0.2,0.6]、(0.6,1],分别代表显著负变化方向、偏负方向、稳定、偏正方向、显著正变化方向。

3.2 湿地类型的遥感提取方案

最终实验区湿地类型的遥感分类方案为:NDVI生长季累积和值+NDVI均值+NDVI标准差+NDBI累积和值+NDBI均值+NDBI标准差+MNDWI累积和值+MNDWI均值+MNDWI标准差+DEM+SVM分类算法。本研究使用的分类算法是支持向量机(SVM),因为SVM算法可以在实验区选取的小样本基础上获得更好的分类精度41。遥感软件ERDAS-9和ENVI 5.3共同完成动态比率、数据差分和光谱角检测等变化检测方法的计算,和eCognition-9的面向对象+ SVM分类算法用来实现研究区湿地类型的遥感提取。

3.3 分类训练和准确性评估

为了确保实验区内湖泊湿地类型的代表性,松嫩平原湿地、兴凯湖湿地和呼伦湖湿地总计收集857个样本点,其中108个样点来自2016年9月的松嫩平原野外采样,其他样点为高清卫星影像的人工判读结果。最终,所选样本随机分为两个部分:70%的样本用于分类,30%的样本用于准确性评估。定量评估变化检测结果的主要方法包括总体精度(Overall accuracy, OA)、 Kappa系数(KC)、误检率(Fdr)和漏检率(Mdr)。其中,误检率是将未改变的样本作为变化样本的比例。漏检率是变化样本被检测为未变化样点的比例,反映了变化检测结果中丢失变化样本的可能性42

3.4 对比方法的选择

对比分析方法的选择完全遵从实际应用的特点,遥感软件ENVI中的地表覆盖类型变化检测方法包括基于图像的直接差分(DIFF)、分类后比较(PCC)、双色多视图方法、光谱角检测方法(SPAD)、PCA变换和MNF变换方法。按照计算结果精度的先后顺序,ENVI软件平台中ENVI_SPAD和ENVI_DIFF算法模型提取的变化结果用于本次变化检测精度的比较分析。

4 结果与分析

4.1 湖泊湿地的变化区域

4.1.1 变化阈值的确定

直接图像差分与波谱角分析的计算结果中,湖泊湿地的变化阈值是参考显著性级别统计方法和其他研究者的现有结论19,划分为3个变化级别:① [x-1.5S, x+1.5S]的值域范围为稳定未变化;② (x+1.5S,+∞),代表陆表类型的正变化方向;③ (-∞, x-1.5S),代表湿地等陆表类型的负方向变化趋势。波谱角分析方法的计算结果为正值,所以湿地显著变化的阈值范围只有 (x+1.5S,+∞)。

4.1.2 湖泊湿地的变化检测信息

通过计算MNDWI,NDVI和NDBI等生态指数的动态变化率,构建2006年和2016年湖泊湿地生态状况的多维数据集,提取第一主成分。DRM算法的计算结果>0.6,代表湿地的正变化方向(图3中标注为1的区域);<-0.6为湿地变化的负方向(图3中标注为-1的区域)。

图3

图3   基于DRM,ENVI_DIFF和ENVI_SPAD算法的湖泊湿地变化检测结果

Fig.3   Change results from different methods of wetlands change detection by using DRM, ENVI_DIFF, and ENVI_SPAD


湿地动态比率(DRM)结合ENVI软件平台上的波谱角检测(SPAD)和直接差分方法(DIFF)获得松嫩平原湖泊湿地、兴凯湖湿地和呼伦湖湿地的变化信息。如图3,计算结果(a2、b2、c2),(a3、b3、c3)分别为ENVI软件平台中ENVI_SPAD和ENVI_DIFF算法模型提取湿地变化结果。文中将DRM计算结果对应“显著正变化方向”的区域表述为“改善区域”,“显著负变化方向”区域表述为“减退区域”。

表2   实验区湿地变化检测的阈值范围

Table 2  The threshold range of wetland change detection in the study area

ENVI_DIFFENVI_SPAD
实验区平均值标准差阈值平均值标准差阈值范围N
松嫩平原湿地-0.0340.115(-∞,-0.206),(0.138,+∞)0.1230.081(0.244,+∞)1.5
兴凯湖湿地0.2220.041(-∞,-0.283),(-0.161,+∞)0.1400.077(0.255,+∞)1.5
呼伦湖湿地0.0120.065(-∞,-0.087),(0.110,+∞)0.1000.112(0.266,+∞)1.5

新窗口打开| 下载CSV


松嫩平原内部的红色部分为湖泊湿地的减少区域,减少的原因来自两个方面:湖泊岸线的自然退缩,月亮泡湖泊湿地是主要变化类型;湖泊被开垦为水田,嫩江与大庆之间的湖泊湿地是其主要分布类型。兴凯湖湿地中的蓝色区域为新开垦的水田;红色区域为水位发生下降的水库与弃耕干涸的水田。呼伦湖湿地主要表现为南部岸线的扩展,红色区域为大规模减少的呼伦湖北岸、海拉尔河下游的湖滨沼泽湿地和干涸的水域。

4.1.3 基于采样点的精度分析

不同方法计算得到湖泊湿地变化检测的结果表明(表3图3),已经发生变化的湖泊湿地类型未被检出的结果为漏检,SPAD方法中呼伦湖湿地变化检测的漏检率最高(17.53%)。光谱角检测是比较两期数据相似程度的光谱对比方法。利用对应像素点的光谱特征,计算光谱角并估计其发生改变的可能性。呼伦湖主要为干旱半干旱区湖泊湿地类型,地表植被覆盖较低,植被生长变化引起的NDVI值变化会造成低覆盖度区域出现较大差值结果;未发生变化的湿地类型被检成变化结果为误检,SPAD方法中兴凯湖湿地变化的误检率较高(7.84%)。兴凯湖湿地类型复杂,沼泽—水田,沼泽—旱田是研究区主要的易混淆地类;DRM方法检测精度最高(93.81%)。

表3   不同方法的精度分析

Table 3  Precision analysis of different methods

研究区类型DRMENVI_DIFFENVI_SPAD
样点百分比/%样点百分比/%样点百分比/%
正检率9590.488883.818278.10
松嫩平原漏检率76.671110.481817.14
湖泊湿地误检率32.8665.7154.76
总计105105105
正检率9290.29088.248785.3
兴凯湖漏检率76.8654.976.86
湿地误检率32.9476.8687.84
总计102102102
正检率9193.818587.637880.41
呼伦湖漏检率22.0688.251717.53
湿地误检率44.1244.1222.06
总计979797

新窗口打开| 下载CSV


4.1.4 变化检测结果对比分析

湖泊周边沼泽湿地的季节性变化会在一定程度上混淆湖泊等恒定水体与沼泽、旱田和裸露土地等类型的遥感识别水平,进而降低湿地变化检测的精度。图4为湿地变化检测结果对比分析图,其中图4-(a1、b1、c1)为2006年图像数据;4-(a2、b2、c2)为2016年图像数据;4-(a3、b3、c3)为DRM算法结果;4-(a4、b4、c4)为ENVI_DIFF算法结果;4-(a5、b5、c5)为ENVI_SPAD算法结果。最终结果表明沼泽湿地引起湖泊湿地变化检测方法的漏检与误检现象。

图4

图4   湿地变化检测结果对比分析

Fig.4   Comparison analysis of the wetland change detection results


蓝色框标注的计算结果属于非湿地信息,即错误监测信息;红色框表示的是未检测出的湖泊湿地变化信息。通常,与ENVI_DIFF和ENVI_SPAD 方法相比,DRM在一定程度上提高了湖泊湿地变化信息的判别精度。

总体而言,基于空间特征指数的DRM湿地变化检测的方法更具优势。与其他研究结果相比较,基于动态比率的湖泊湿地变化检测算法的计算结果相对合理。

4.2 湖泊湿地分类结果和精度评估

基于NDVI、MNDWI和NDBI数据集的标准差用于拟合地表生态状况的变化信息,并构建多维特征数据集。最终,中国东北地区主要湖泊湿地类型的分类精度如图5(a、b、c)所示,分为松嫩平原湖泊湿地、兴凯湖湖泊湿地和呼伦湖湖泊湿地(2006和2016年分类结果)。

图5

图5   湖泊湿地分类结果

Fig.5   The classification results of lake wetlands


为了进一步分析湖泊湿地与其他类型湿地类型间的转换关系,分类结果还包括了人工湿地(水田)、滩涂等湿地类型。

使用 ENVI5.1中的混淆矩阵评估分类结果的准确性,最终结果表明(表4图5):所有实验区的湖泊湿地分类结果的整体分类精度和 Kappa 系数分别达到84.31%和0.788,分类结果可以代表研究区植被覆盖类型的实际分布。恒定水体和沼泽是实验区(包括松嫩平原湖泊湿地、兴凯湖湿地和呼伦湖湿地)的共同湖泊湿地类型。

表4   实验区湖泊湿地类型分类的准确性评估

Table 4  The accuracy and efficiency assessment

实验区松嫩平原湖泊湿地兴凯湖湿地呼伦湖湿地
OA/%Kappa系数OA/%Kappa系数OA/%Kappa系数
2006年82.040.79386.30.82082.50.735
2016年87.730.85780.60.72586.70.799

新窗口打开| 下载CSV


其中,松嫩平原湖泊湿地和兴凯湖湿地所在区域是中国北方主要农业区。湖泊成为当地农业用水主要来源,所以水田多围绕分布在湖泊周围。呼伦湖湿地地处干旱半干旱地区,恒定水体的季节性规律造成大规模沼泽湿地的存在。

4.3 基于DRM方法的湖泊湿地变化检测结果

从DRM获得的湖泊湿地变化检测结果可以看出(图6),东北地区3个实验区的湖泊湿地存在不同程度的改善特点。首先,月亮泡、喇嘛寺泡等平原湖泊周边的沼泽化是松嫩平原湖泊湿地增加的主要形式。其次,兴凯湖湿地正向变化较为显著。水田开垦等人为因素除外,兴凯湖湖滨湿地面积的扩大是湖泊湿地的主要增加类型。最后,呼伦湖湿地面积的变化特点为增加趋势。呼伦湖是一个典型的半干旱区湖泊湿地,湖区周边经济开发水平较低,所以乌尔逊河、克鲁伦河成为影响湖泊恒定水体的主要因素。

图6

图6   2005~2016年湖泊湿地变化检测结果

Fig.6   The change detection results


5 讨 论

5.1 多时相影像与单一时相影像的变化检测

单一时相影像的湿地变化检测方案中,Landsat影像数据的B3、B4、B5波段组合被用于湿地类型提取的一种优化组合方案5。为统一比较分析的标准,原始波段被替换为年内MNDWI、NDVI和NDBI等指数的单月月值;多时相影像的湿地变化检测方案中, MNDWI、NDVI和NDBI等生态因子指标采用极大值处理获取年内各个月份的水体、植被和土壤等生态因子的多时相信息。

图7(d)中蓝色部分为多时相影响下变化检测出的沼泽湿地,2016年8月份后低洼处积水;图7(g)中的蓝色部分为单一时相影像下变化检测的误分。两个组合方案的对比分析结果表明(图7(a)、图7(e)为2006年图像数据;图7(b)、图7(f)为2016年图像数据;图7(c)、图7(g)为单一时相计算结果;图7(d)、图7(h)为多时相计算结果):多时相影像的湿地变化检测方案表现最佳,单一时相影像的湿地变化检测方案存在大量漏检与误检。说明多个生态指标的组合更适合于东北地区湖泊湿地变化信息的识别。

图7

图7   不同组合的比较分析

Fig.7   Comparison analysis of the wetland change detection results


5.2 不同组合方案的地表覆盖类型可分性

高精度分类结果是确定湿地真实变化类型的保证。基于多时相卫星数据,地表植被的生长信息被提取用于构建多维特征数据集可以提高遥感分类精度43-44。基于Land sat卫星2016年的OLI传感器的图像数据,本研究设计了10套分类方案进行对比分析,引入主要生态因子和生长季节(东北地区4~10月)来自B2、B3、B4、B5的光谱信息,用于已确定样点类型的可分性研究。

采样点分为训练样本(70%)和验证样本(30%)。根据验证的样本计算出地表湖泊湿地类型的分类精度。不同分类方案下,东北地区湖泊湿地类型的遥感提取精度结果表明(表5图8):分类方案3、5和7中,植被指数的加入不能提高湖泊湿地变化信息的精度;方案2、4和6中,水体指数,土壤指数的加入可以提高变化信息精度;方案7和9中,标准差等季节变化信息的加入可以大幅度提高精度;特征数量达到10以上后,湖泊湿地信息精度趋于稳定。

表5   湖泊湿地类型可分性的验证

Table 5  Verification of the separability of lake wetland types

类型分类方案波段数
方案-1B2-B5+DEM+SLP6
方案-2B2-B5+MNDWI’s AVG/SD +DEM+SLP8
方案-3B2-B5+NDVI’s AVG/SD +DEM+SLP8
方案-4B2-B5+NDBI’s AVG/SD +DEM+SLP8
方案-5B2-B5+MNDWI/NDVI/NDBI’s AVG +DEM+SLP9
方案-6B2-B5+MNDWI/NDBI’s AVG/SD +DEM+SLP10
方案-7B2-B5+MNDWI/NDVI’s AVG/SD +DEM+SLP10
方案-8NDVI/NDBI/MNDWI’s ACC/AVG/SD +DEM+SLP11
方案-9B2-B5+NDVI/NDBI/MNDWI’s AVG/SD +DEM+SLP12
方案-10B2-B5+NDVI/NDBI/MNDWI’s ACC/AVG/SD +DEM+SLP15

注:设计方案的主要引入参数为原始光谱数据2~5波段,生态特征指数包括NDVI、MNDWI和NDBI的生长季累积值(ACC)、均值(AVG)与标准差(SD),地形因子(DEM)和坡度Slope(SLP)

新窗口打开| 下载CSV


图8

图8   不同方案的总体精度和Kappa系数

Fig.8   Overall accuracy and Kappa coefficient of different methods


引入生态因子的年内生长季累积数值的分类方案8提高了研究区湿地的分类精度并简化了计算方法,比较真实地反映了湿地范围内的地表覆盖类型,是特征变量的最佳组合和变化类型精度的保证。

5.3 分类精度与湖泊湿地类型的相关分析

分类统计实验区的误检像素与漏检像素数量。依据2006年和2016年实验区湖泊湿地类型,统计分析实验区误检与漏检像素和湖泊湿地类型的相关关系。最终,松嫩平原湿地、兴凯湖湿地和呼伦湖湿地等3个实验区共统计2.31E+07个像素点。

在DRM、DIFF和SPAD等变化检测方法的计算结果中,漏检像素点在总统计像素点数中的占比分别为13.135%、14.726%和14.783%。DRM、DIFF和SPAD等变化检测方法的误检像素点分别占统计像素点数的1.507%、2.116%和3.080%。

误检的像素点集中分布在沼泽等湿地类型中;裸露土地与旱田等非湖泊湿地类型也表现出较高的误检率。漏检的像素点主要集中在裸露土地、滩涂湿地。DRM变化检测方法在滩涂类型中表现出较高误检率(0.751%)与漏检率(4.862%),其他类型的误检像素点都要低于直接差分与波谱角分析方法(参见图9(a)误检像素点、图9(b)漏检像素点)。

图9

图9   误检、漏检像素点与湿地类型分布图

Fig.9   The distribution map between pixels and lake wetland types


6 结 论

选取东北地区典型湖泊湿地为研究区,以Landsat-5(TM)/8(OLI)为数据源,动态变化率被用于提取湖泊湿地变化范围,多维特征数据集被用于湿地分类。结果表明:结合多维特征数据集分类方法,DRM变化检测算法能够简单有效地确定湖泊湿地变化范围,真实反映湿地的类型变化情况。2006~2016年,东北地区松嫩平原湖泊湿地、兴凯湖湿地和呼伦湖泊湿地总体表现为正向的变化趋势,但是湖泊湿地的改善具有明显的区域性。

利用年内多时相数据和综合多维生态指数共同表征地表的状态变化,实验区的湖泊湿地分类结果的整体分类精度和 Kappa 系数分别达到 84.31%和0.788。湖泊湿地变化检测方法具有很好的检测精度,可以代表研究区湖泊湿地类型的实际变化。

湿地变化检测方法结合了比值运算和差值运算的运算优势,增加了湿地变化检测算法的稳定性和通用性。最终,变化检测的计算结果具有较高的准确性。变化检测方法只有消除阈值才能更为广泛地推广到大尺度的陆表生态变化检测。

本次构建的变化检测方案主要应用于东北地区湖泊湿地,区域范围与检测类型有着明显的区域性和针对性。最终,能否在非湿地类型的地表实现很好的应用效果,还需要进一步验证。湖泊湿地的生态功能和时空分布的变化检测有助于中国北方湿地的生态恢复、保护和管理;湿地变化检测算法是湿地资源调查与遥感监测技术研究的有益补充。

参考文献

Finlayson C MDavidson N CSpiers A Get al.

Global wetland inventory–current status and future priorities

[J]. Marine and Freshwater Research, 1999508): 717-727.

[本文引用: 1]

Zhang GYao TChen Wet al.

Regional differences of lake evolution across China during 1960s~2015 and its natural and anthropogenic causes

[J]. Remote Sensing of Environment, 2019221386-404.

[本文引用: 1]

Kuiper J JJanse J HTeurlincx Set al.

The impact of river regulation on the biodiversity intactness of floodplain wetlands

[J]. Wetlands Ecology and Management,2014226):647-658.

[本文引用: 1]

Mao D HWang Z MWu Jet al.

China's wetlands loss to urban expansion

[J]. Land degradation & development, 2018298): 2644-2657.

[本文引用: 1]

Lin YYu JCai Jet al.

Spatio-temporal analysis of wetland changes using a kernel extreme learning machine approach

[J].Remote Sensing,2018107): 1129-1143.

[本文引用: 3]

Xu WFan XMa Jet al.

Hidden loss of wetlands in China

[J]. Current Biology, 20192918): 3065-3071.

[本文引用: 1]

Song SJin KZuo Bet al.

A novel change detection method combined with registration for SAR images

[J].Remote Sensing Letters,2019107):669-678.

[本文引用: 1]

Asokan AAnitha J.

Change detection techniques for remote sensing applications: a survey

[J]. Earth Science Informatics, 2019122): 143-160.

[本文引用: 1]

Mu HaigangFeng WenqinLi Wenzhuoet al.

Review of change detection methods for multrtemporal remote sensing imagery

[J]. Geomatics and Information Science of Wuhan University, 20184312):1885-1898.

[本文引用: 1]

眭海刚冯文卿李文卓.

多时相遥感影像变化检测方法综述

[J]. 武汉大学学报(信息科学版), 20184312):1885-1898.

[本文引用: 1]

Xing HChen JWu Het al.

A service relation model for web-based land cover change detection

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 201713220-32.

[本文引用: 1]

Naidu M S RKumar P RChiranjeevi K.

Shannon and fuzzy entropy based evolutionary image thresholding for image segmentation

[J]. Alexandria Engineering Journal, 2018573): 1643-1655.

[本文引用: 2]

Hussain MChen DCheng Aet al.

Change detection from remotely sensed images: from pixel-based to object-based approaches

[J].ISPRS Journal of Photogrammetry and Remote Sensing, 20138091-106.

[本文引用: 1]

Fang HWei YDai Q.

A novel remote sensing index for extracting impervious surface distribution from Landsat 8 OLI imagery

[J]. Applied Sciences, 2019913): 2631-2645.

[本文引用: 1]

Zhao Qiuju.

Remote sensing image change detection algorithm based on improved principal component analysis

[J]. Geomatics & Spatial Information Technology,2019426):111-113.

[本文引用: 1]

赵秋菊.

改进主成分分析的遥感影像变化检测算法

[J]. 测绘与空间地理信息, 2019426):111-113.

[本文引用: 1]

Xing HChen JWu Het al.

A service relation model for web-based land cover change detection

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 201713220-32.

[本文引用: 1]

Wang Y GShen X JLiu X G.

Change characteristics of landscape pattern and climate in marsh areas of Northeast China during 1980~2015

[J]. Earth and Environment, 2020483):348-358.

[本文引用: 1]

Chouhan S. SKaul ASingh U P.

Soft computing approaches for image segmentation: a survey

[J]. Multimedia Tools and Applications, 20187721): 28483-28537.

[本文引用: 1]

Bhandari A. KKumar ASingh G K.

Modified artificial bee colony based computationally efficient multilevel thresholding for satellite image segmentation using Kapur’s, Otsu and Tsallis functions

[J]. Expert Systems with Applications, 2015423): 1573-1601.

[本文引用: 1]

Zhu Jinxia.

The key technology of change detection using high resolution remotely sensed imagery

[D]. HangzhouZhejiang University.2011.

[本文引用: 2]

祝锦霞.

高分辨率遥感影像变化检测的关键技术研究

[D]. 杭州浙江大学.2011.

[本文引用: 2]

Gamanya RDe Maeyer PDe Dapper M.

Object-oriented change detection for the city of Harare, Zimbabwe

[J]. Expert Systems with Applications,2009361): 571-588.

[本文引用: 1]

Doxani GKarantzalos KTsakiri-Strati M.

Monitoring urban changes based on scale-space filtering and object-oriented classification

[J]. International Journal of Applied Earth Observation and Geoinformation,20121538-48.

[本文引用: 1]

Sadeghi VAhmadi F FEbadi H.

Design and implementation of an expert system for updating thematic maps using satellite imagery (case study: changes of Lake Urmia)

[J]. Arabian Journal of Geosciences, 201694): 1-17.

[本文引用: 1]

Massarelli C.

Fast detection of significantly transformed areas due to illegal waste burial with a procedure applicable to Landsat images

[J]. International Journal of Remote Sensing,2018393):754-769.

[本文引用: 1]

Li ZShi WMyint S Wet al.

Semi-automated landslide inventory mapping from bitemporal aerial photographs using change detection and level set method

[J]. Remote Sensing of Environment,2016175215-230.

[本文引用: 1]

Zhang YZang SSun Let al.

Characterizing the changing environment of cropland in the Songnen Plain, Northeast China, from 1990 to 2015

[J]. Journal of Geographical Sciences, 2019295): 658-674.

[本文引用: 1]

Zhang FengjuXue BinYao Shuchun.

Spatiotemporal pattern of inorganic carbon sequestration in Lake Hulun since 1850

[J]. Lake Sciences,2019316):1770-1782.

[本文引用: 1]

张风菊薛滨姚书春.

中全新世以来呼伦湖沉积物碳埋藏及其影响因素分析

[J]. 湖泊科学,2019316):1770-1782.

[本文引用: 1]

Zhao ShuJi WeiqiangGao Penget al.

Study on dynamic change of Hulun Lake water area and the relationship with the climatic factors during 1986~2016

[J]. Chinese Journal of Agricultural Resources and Regional Planning,2018394):53-58.

[本文引用: 1]

赵澍冀玮强高鹏.

1986~2016年呼伦湖水域面积动态变化及与气候因素关系研究

[J]. 中国农业资源与区划, 2018394):53-58.

[本文引用: 1]

Li SijiaSong KaishanChen Zhiwenet al.

Absorption characteristics of particulates and CDOM in spring in the Lake Xingkai

[J]. Journal of Lake Sciences,2015275):187-198.

[本文引用: 1]

李思佳宋开山陈智文.

兴凯湖春季水体悬浮颗粒物和CDOM吸收特性

[J]. 湖泊科学,2015275):187-198.

[本文引用: 1]

Liu XZhang YDong Get al.

Landscape pattern changes in the Xingkai Kake area, northeast china

[J]. International Journal of Environmental Research and Public Health, 20191620): 3820-3831.

[本文引用: 2]

Rouse J WHaas R HSchell J Aet al.

Monitoring vegetation systems in the great plains with ERTS

[M]. Third ERTS-1 Symposium NASA, NASA SP-351, Washington DC1974309-317.

[本文引用: 1]

Zha YongNi ShaoxiangYang Shan.

An effective approach to automatically extract urban land-use from TM imagery

[J]. Journal of Remote Sensing,200371):37-41.

[本文引用: 1]

查勇倪绍祥杨山.

一种利用TM图像自动提取城镇用地信息的有效方法

[J]. 遥感学报,200371):37-40.

[本文引用: 1]

Xu H Q.

Modification of Normalised Difference Water Index (NDWI) to enhance open water features in remotely sensed imagery

[J]. International Journal Remote Sensing,2006273025-3033.

[本文引用: 1]

Duan YiniZhang LifuYan Leiet al.

Relative radiometric correction methods for remote sensing images and their applicability analysis

[J]. Journal of Remote Sensing, 2014183): 597-617.

[本文引用: 1]

段依妮张立福晏磊.

遥感影像相对辐射校正方法及适用性研究

[J]. 遥感学报, 2014183):597-617.

[本文引用: 1]

Xiao PZhang XWang Det al.

Change detection of built-up land: A framework of combining pixel-based detection and object-based recognition

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016119402-414.

[本文引用: 1]

Xu Jianhua. Mathematical methods in contemporary geography[M]. BeijingHigher Education Press (Second Edition)2002.

[本文引用: 1]

徐建华. 现代地理学中的数学方法 [M]. 北京高等教育出版社2002.

[本文引用: 1]

Huang CGoward S NSchleeweis Ket al.

Dynamics of national forests assessed using the Landsat record: case studies in eastern United States

[J]. Remote Sensing of Environment,20091137): 1430-1442.

Huang CGoward S NMasek J Get al.

An automated approach for reconstructing recent forest disturbance history using dense Landsat time series stacks

[J]. Remote Sensing of Environment, 20101141): 183-198.

[本文引用: 3]

Xu HDing FWen X.

Urban expansion and heat island dynamics in the Quanzhou Region, China

[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 200922):74-79.

[本文引用: 1]

Carlson T NArthur S T.

The impact of land use - land cover changes due to urbanization on surface microclimate and hydrology: a satellite perspective

[J]. Global & Planetary Change, 2000251):49-65.

Xu Hanqiu.

A remote sensing urban ecological index and its application

[J]. Acta Ecologica Sinica, 20133324): 7853-7862.

[本文引用: 1]

徐涵秋.

城市遥感生态指数的创建及其应用

[J]. 生态学报, 20133324): 7853-7862.

[本文引用: 1]

VapnikVladimir. The nature of statistical learning theory [M]. New YorkSpringer Science & Business Media2013.

[本文引用: 1]

Zhuang HFan HDeng Ket al.

A spatial-temporal adaptive neighborhood-based ratio approach for change detection in SAR images

[J]. Remote Sensing, 2018101-19.

[本文引用: 1]

Tian YWang ZMao Det al.

Remote observation in habitat suitability changes for waterbirds in the West Songnen Plain, China

[J]. Sustainability, 2019116): 1552. DOI:10.3390/su11061552.

[本文引用: 1]

Li XiaohuiWang HongLi Xiaobinget al.

Study on crops remote-sensing classification based on multi-temporal Landsat 8 OLI images

[J]. Remote Sensing Technology and Application, 2019392):389-397.

[本文引用: 1]

李晓慧王宏李晓兵.

基于多时相Landsat 8 OLI影像的农作物遥感分类研究

[J]. 遥感技术与应用,2019392):389-397.

[本文引用: 1]

/