基于Landsat8-OLI影像的近年太湖水生植被分布遙感監(jiān)測(cè)

高 昕，李繼影，景 明，陳 瑜

（江蘇省蘇州環(huán)境監(jiān)測(cè)中心，江蘇 蘇州 215004）

0 引言

太湖位于長(zhǎng)江三角洲的南緣，是中國(guó)五大淡水湖之一，位居第三，界北緯30°55'40" ～31°32'58"和東經(jīng)119°52'32"～120°36'10"之間，湖泊面積2 427.8 km2，北臨無(wú)錫，南瀕湖州，西依宜興，東近蘇州，其中太湖（蘇州轄區(qū)）占全太湖的近70%。水生植被作為湖泊生態(tài)系統(tǒng)的主要初級(jí)生產(chǎn)者，在維持水生態(tài)健康過(guò)程中扮演著至關(guān)重要的角色[1-3]，但從1960年以來(lái)，共有23 種水生植物從太湖消失[4]，隨著地區(qū)經(jīng)濟(jì)的快速發(fā)展和湖泊資源的不斷利用，大部分水面出現(xiàn)嚴(yán)重的藻型富營(yíng)養(yǎng)化，許多水生植被消失，水質(zhì)惡化[5]。太湖水生植被分布的監(jiān)測(cè)與保護(hù)迫在眉睫。

遙感監(jiān)測(cè)能夠在一定程度上彌補(bǔ)傳統(tǒng)的環(huán)境監(jiān)測(cè)方法所遇到的時(shí)空間隔大、費(fèi)時(shí)費(fèi)力、難以具備整體、普遍意義和成本高的缺陷和困難[6]，在大型湖泊的水質(zhì)監(jiān)測(cè)、藍(lán)藻水華監(jiān)測(cè)等方面均有廣泛應(yīng)用。如朱玉霞等[7]根據(jù)HJ-1 衛(wèi)星遙感影像，結(jié)合同步地面實(shí)測(cè)水質(zhì)數(shù)據(jù)，采用經(jīng)驗(yàn)反演模型對(duì)丹江口水庫(kù)的水質(zhì)進(jìn)行了定量遙感反演研究；史明等[8]利用TM 影像及人工站點(diǎn)實(shí)測(cè)數(shù)據(jù)對(duì)北京城區(qū)的水體葉綠素a 濃度進(jìn)行了定量反演；金焰等[9]利用EOS/MODIS 數(shù)據(jù)開(kāi)展了太湖藍(lán)藻水華時(shí)空分布規(guī)律信息的提取方法研究。太湖水生植被分布監(jiān)測(cè)的時(shí)間跨度大、空間距離長(zhǎng)，僅依靠人工監(jiān)測(cè)明顯不足，故遙感技術(shù)監(jiān)測(cè)成為水生植被監(jiān)測(cè)的首選手段。

目前，遙感技術(shù)監(jiān)測(cè)水生植被主要有非監(jiān)督分類、監(jiān)督分類、決策樹(shù)等方法：非監(jiān)督分類不需要很多的先驗(yàn)知識(shí)，它根據(jù)地物的光譜統(tǒng)計(jì)特性進(jìn)行分類，使用非監(jiān)督分類對(duì)水生植被的分類，需要結(jié)合其他的輔助數(shù)據(jù)對(duì)提取的結(jié)果進(jìn)行確認(rèn)，因此，非監(jiān)督分類方法適用于有資料對(duì)分類的結(jié)果進(jìn)行輔助判斷時(shí)使用[10】；如ACKLESON 等[11]選取Landsat MSS/TM影像，使用非監(jiān)督方法進(jìn)行沉水植被的監(jiān)測(cè)，最后用彩色航空影像對(duì)分類的結(jié)果進(jìn)行驗(yàn)證。與非監(jiān)督分類不同，監(jiān)督分類需根據(jù)訓(xùn)練場(chǎng)提供的樣本選擇特征參數(shù)，建立判別函數(shù)，對(duì)待分像元點(diǎn)進(jìn)行分類，故監(jiān)督分類需要事先選擇訓(xùn)練樣本，即感興趣區(qū)域（ROI），根據(jù)區(qū)域內(nèi)現(xiàn)場(chǎng)采集的樣點(diǎn)或是基于專家知識(shí)選擇樣點(diǎn)對(duì)各種分類器進(jìn)行訓(xùn)練、分類；如HUNTER 等[12]利用歐氏最小距離法、高斯最大似然法和支持向量機(jī)3 種方法，利用實(shí)地采集的樣點(diǎn)作為ROI 訓(xùn)練各分類方法，進(jìn)行水生植被的分類，最后得出結(jié)論。決策樹(shù)模型是水生植被分類過(guò)程中常用的模型，對(duì)水生植被的提取或分類通常是分析水生植被的反射光譜特性，建立相應(yīng)的光譜指數(shù)，再建立相應(yīng)的決策樹(shù)模型[13]，該模型需要建立在實(shí)測(cè)數(shù)據(jù)之上，若缺少實(shí)測(cè)樣點(diǎn)對(duì)應(yīng)的影像時(shí)，應(yīng)用該模型對(duì)水生植被進(jìn)行分類會(huì)降低精度。

為了初步摸清太湖水生植被的分布變化趨勢(shì)，今利用近年的遙感影像為數(shù)據(jù)源，使用決策樹(shù)分類方法對(duì)太湖水生植被的分布情況開(kāi)展遙感調(diào)查。

1 數(shù)據(jù)源的選取和處理方法

1.1 數(shù)據(jù)源選取

從太湖水生植物監(jiān)測(cè)需求出發(fā)，在遙感數(shù)據(jù)的選取上，應(yīng)盡可能選擇數(shù)據(jù)易獲取、重復(fù)觀測(cè)時(shí)間短、時(shí)間序列較長(zhǎng)、空間分辨率較高的數(shù)據(jù)源[14]。美國(guó)陸地資源衛(wèi)星Landsat8 重訪周期短、覆蓋面積廣、容易獲取、波段信息豐富，搭載OLI 和TIRS 2 個(gè)傳感器，其中OLI 傳感器包含9 個(gè)波段，基本上可以滿足太湖水生植物遙感監(jiān)測(cè)的調(diào)查與識(shí)別，文中所選數(shù)據(jù)皆為L(zhǎng)andsat8-OLI 影像數(shù)據(jù)，其具體參數(shù)見(jiàn)表1。本文所選衛(wèi)星數(shù)據(jù)均來(lái)源于江蘇省環(huán)境監(jiān)測(cè)中心和美國(guó)地質(zhì)勘探局（United States Geological Survey，USGS）數(shù)據(jù)庫(kù)。

表1 Landsat8-OLI 影像參數(shù)

在衛(wèi)星照片的選取過(guò)程中綜合考慮水生植被生長(zhǎng)周期和云層、藍(lán)藻水華影響，遵循以下原則：

（1）盡量選取云層覆蓋度小的衛(wèi)星照片，以免影響數(shù)據(jù)提取。

（2）衛(wèi)星照片的拍攝時(shí)間應(yīng)在5 ～10月，此階段太湖水生植被處于生長(zhǎng)期。

（3）盡量避開(kāi)存在藍(lán)藻大面積覆蓋湖面的衛(wèi)星照片。

經(jīng)過(guò)篩選，衛(wèi)星照片選用了2015年9月27日、2016年8月28日、2017年5月27日、2019年8月21日4 個(gè)時(shí)段對(duì)近4 a 的水生植被進(jìn)行遙感監(jiān)測(cè)。使用ENVI 軟件打開(kāi)原始影像文件夾中的_MTL.txt，顯示所選衛(wèi)星照片局部圖像見(jiàn)圖1。

圖1 2015～2017年、2019年太湖水生植被原始影像（東部）

1.2 數(shù)據(jù)處理方法

Landsat8 陸地衛(wèi)星在波段的設(shè)計(jì)上，充分考慮了水、植物、土壤、巖石等不同地物在波段反射率敏感度上的差異，從而有效地?cái)U(kuò)充了遙感影像數(shù)據(jù)的應(yīng)用范圍。根據(jù)每種類型的水生植被在衛(wèi)星影像上所呈現(xiàn)像元的光譜值不同（見(jiàn)表2），可運(yùn)用計(jì)算機(jī)軟件對(duì)水生植被進(jìn)行分類。本文選擇ENVI5.3 和Arc GIS10.2 作為數(shù)據(jù)處理軟件。

表2 太湖水生植被類型及影像特點(diǎn)

1.2.1 影像預(yù)處理

圖像預(yù)處理是遙感影像處理過(guò)程中重要的環(huán)節(jié)。對(duì)Landsat8-OLI 影像，分為3 個(gè)步驟進(jìn)行預(yù)處理。

（1）輻射定標(biāo)：利用ENVI 軟件處理原始影像，建立數(shù)字量化值與對(duì)應(yīng)視場(chǎng)中輻射亮度值之間的定量關(guān)系，將傳感器記錄的無(wú)量綱的DN 值（DN 值是一個(gè)較大的數(shù)值，它是遙感影像像元亮度值，記錄的地物的灰度值，無(wú)單位）轉(zhuǎn)換成具有實(shí)際物理意義的大氣頂層輻射亮度或反射率。

（2）大氣校正：利用ENVI 軟件中的FLAASH（Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes）大氣校正工具，消除大氣和光照等因素對(duì)地物反射的影響，獲得地物反射率、輻射率、地表溫度等真實(shí)物理模型參數(shù)，包括消除大氣中水蒸氣、氧氣、二氧化碳、甲烷和臭氧等對(duì)地物反射的影響；消除大氣分子和氣溶膠散射的影響。

（3）研究區(qū)裁剪：利用Arc GIS 軟件中的裁剪工具，使用邊界矢量圖層，裁剪出太湖（蘇州轄區(qū)）作為研究區(qū)數(shù)據(jù)文件。

1.2.2 水生植被光譜特征變量處理

植被一般對(duì)近紅外和紅外波段較為敏感，藍(lán)、綠和紅波段對(duì)水體提取擁有較好的效果，因此大多數(shù)的水生植被指數(shù)都基于上述的相關(guān)波段進(jìn)行構(gòu)建。有研究表明主成分變換和纓帽變換能夠增強(qiáng)水生植被光譜特征信息[15-16]，其中主成分變換可以分離主要信息和噪音，減小數(shù)據(jù)冗余度及波段之間的相關(guān)性。因此分為4 個(gè)步驟作如下處理。

（1）構(gòu)建歸一化植被指數(shù)： 歸一化植被指數(shù)（NDVI）基于紅光波段和近紅外波段，可以檢測(cè)植被生長(zhǎng)狀態(tài)。

式中：NIR 為近江外波段的反射值；R 為紅光波段的反射值。

對(duì)研究區(qū)影像進(jìn)行NDVI 反演，結(jié)果見(jiàn)圖2。

圖2 NDVI 的輸出結(jié)果

（2）計(jì)算歸一化差分水體指數(shù)：歸一化差分水體指數(shù)（NDWI）基于綠光波段和近紅外波段，用來(lái)分離影像中的水體植被和圍網(wǎng)養(yǎng)殖信息，效果較好。

式中：G 為綠光波段的反射值。

以研究區(qū)影像為對(duì)象，在ENVI 軟件的Band Math 工具界面中輸入計(jì)算公式，輸出NDWI 結(jié)果見(jiàn)圖3。

（3）主成分變換： 選擇協(xié)方差矩陣（Covariance Matrix）計(jì)算方法進(jìn)行主成分變換。

圖3 NDWI 的輸出結(jié)果

（4）將進(jìn)行大氣校正處理后的研究區(qū)影像（Landsat8-OLI 影像前7 個(gè)波段）以及計(jì)算出的NDVI，NDWI 和前3 個(gè)主成分波段利用ENVI 軟件的Layer Stacking 工具，進(jìn)行波段合成，獲得用來(lái)進(jìn)行分類的影像數(shù)據(jù)。

1.2.3 樣本選取及決策樹(shù)分類處理

決策樹(shù)分類處理的首要條件是選取充足、準(zhǔn)確的訓(xùn)練樣本。以2015年為例，經(jīng)人工現(xiàn)場(chǎng)調(diào)查的訓(xùn)練樣本選取點(diǎn)位共計(jì)62 個(gè)，訓(xùn)練樣本的準(zhǔn)確性得到保證。點(diǎn)位分布見(jiàn)圖4。

圖4 太湖（蘇州轄區(qū)）訓(xùn)練樣本選取點(diǎn)位及核查點(diǎn)位布設(shè)

運(yùn)用ENVI 軟件，創(chuàng)建浮葉植物、挺水植物、沉水植物、開(kāi)放水域等4 個(gè)分類（藍(lán)藻類別是否創(chuàng)建視情況而定），根據(jù)人工現(xiàn)場(chǎng)調(diào)查獲取到的水生植物面積、種群組成、優(yōu)勢(shì)種和生物量等其它輔助信息（每個(gè)類型的覆蓋面積要求大于60 m×60 m），利用GPS的點(diǎn)位獲取遙感數(shù)據(jù)上不同類型植物的純像元的光譜值，構(gòu)建4 種類型的訓(xùn)練樣本，每種類型的訓(xùn)練樣本不小于2 000 個(gè)像元以保證訓(xùn)練充分，對(duì)計(jì)算機(jī)軟件訓(xùn)練后即可進(jìn)行研究區(qū)域的水生植被分類。

QUES T(Quick Unbiased and Efficient Statistical Tree)是一種快速、無(wú)偏、高效決策樹(shù)算法，該算法將變量選擇和分割點(diǎn)的選擇分開(kāi)進(jìn)行，既適用于連續(xù)型的變量又適用于離散型的變量，同時(shí)還克服了其他決策樹(shù)算法更傾向于選擇具有更多潛在分割點(diǎn)的預(yù)測(cè)變量的缺點(diǎn)，而且這種多元決策樹(shù)可以通過(guò)多個(gè)預(yù)測(cè)變量構(gòu)成的超平面在特征空間中區(qū)分類別成員和非類別成員[17]。利用ENVI Classic 中的RuleGen插件進(jìn)行基于該算法的決策樹(shù)文件生成及執(zhí)行，獲取分類影像數(shù)據(jù)，見(jiàn)圖5。

圖5 分類影像數(shù)據(jù)（示例，非結(jié)果）

2 監(jiān)測(cè)結(jié)果

2.1 水生植被分布

2015年9月27日、2016年8月28日、2017年5月27日、2019年8月21日4 個(gè)時(shí)段的太湖（蘇州轄區(qū)）水生植被分布遙感監(jiān)測(cè)結(jié)果見(jiàn)圖6。

圖6 4 個(gè)時(shí)段的太湖（蘇州轄區(qū)）水生植被遙感監(jiān)測(cè)結(jié)果

依據(jù)影像像元計(jì)數(shù)和Landsat8-OLI 影像的分辨率，統(tǒng)計(jì)4 個(gè)時(shí)段的太湖（蘇州轄區(qū)）水生植被覆蓋面積見(jiàn)表3。

表3 4 個(gè)時(shí)段的太湖（蘇州轄區(qū)）水生植被覆蓋面積 km2

2.2 水生植被信息核查

遙感監(jiān)測(cè)工作結(jié)束后必須進(jìn)行現(xiàn)場(chǎng)核查作為驗(yàn)證。以2015年為例，核查點(diǎn)位布設(shè)31 個(gè)，點(diǎn)位分布見(jiàn)圖3?，F(xiàn)場(chǎng)核查結(jié)果中，26 個(gè)點(diǎn)位的水生植被生長(zhǎng)情況與遙感監(jiān)測(cè)結(jié)果基本相同，5 個(gè)點(diǎn)位的水生植被生長(zhǎng)情況出現(xiàn)誤判，遙感監(jiān)測(cè)正確率83.87%，誤判情況見(jiàn)表4。

2016，2017，2019年的水生植被遙感信息核查結(jié)果顯示，遙感監(jiān)測(cè)正確率分別為81.81%，80%，80%。值得注意的是，如果水生植被群落稀疏且較為孤立，覆蓋面積很?。ㄟh(yuǎn)低于衛(wèi)星影像一個(gè)像元代表的面積），在Landsat8-OLI 遙感影像的分類處理中會(huì)被忽略，影響遙感監(jiān)測(cè)正確率。綜合來(lái)看，若當(dāng)年全湖的水生植被生長(zhǎng)情況越好、覆蓋范圍越廣時(shí)，可選擇的訓(xùn)練樣本越豐富，遙感影像上的“孤點(diǎn)”越少，遙感監(jiān)測(cè)正確率越高。

表4 2015年水生植被分布遙感誤判情況

3 結(jié)論

（1）依據(jù)水生植被遙感監(jiān)測(cè)結(jié)果，對(duì)照太湖各區(qū)域位置，得出結(jié)論如下：從水生植被整體上來(lái)看，太湖（蘇州轄區(qū)）水生植被主要集中在東太湖、胥湖灣、貢湖灣以及沿岸帶，水生植被總覆蓋面積從2015年起處于縮減態(tài)勢(shì)直到2019年有所回升。從水生植被類型上來(lái)看，2015 ～2017年期間，2015年浮葉植物主要集中在金墅港、上山村、漁洋山和浦莊水源地附近以及東太湖大部分區(qū)域，2017年僅余蘇州灣“頸部”和東山島南部有少量留存，總覆蓋面積出現(xiàn)大幅縮減，尤其是2016年的浮葉植物覆蓋面積相比2015年有大幅的縮減，主要原因在于2 點(diǎn)：①2015年的太湖高水位，太湖多年平均水位是3.14 m[18]，而2015年平均水位為3.43 m，有研究表明當(dāng)水位波動(dòng)劇烈時(shí)，水生植物生長(zhǎng)會(huì)受到抑制[19]，水生植物在第2年不再生長(zhǎng)；②出于對(duì)水草大規(guī)模腐爛對(duì)蘇州飲用水造成危害[20]的擔(dān)憂，政府組織相關(guān)部門對(duì)太湖水草進(jìn)行了大規(guī)模的收割，對(duì)水生植物生長(zhǎng)造成了明顯抑制；挺水植物主要集中在胥湖灣、東太湖湖岸附近以及圍網(wǎng)養(yǎng)殖區(qū)周邊，其他水域岸邊也有零星散布，總覆蓋面積基本穩(wěn)定；沉水植物2015年主要集中在金墅港、上山村、浦莊和東太湖，2017年分布范圍縮減至浦莊水源地附近和東太湖，總覆蓋面積有小幅縮減；2019年，浮葉植物和沉水植物的分布范圍和覆蓋面積較之往年均出現(xiàn)了大的變化，且變化主要出現(xiàn)在東太湖區(qū)域，東太湖沉水植物與浮葉植物優(yōu)勢(shì)地位的互換，造成整個(gè)太湖（蘇州轄區(qū)）出現(xiàn)了沉水植物總覆蓋面積較之往年進(jìn)一步縮減，浮葉植物總覆蓋面積較之往年上升的變化態(tài)勢(shì)，由于挺水植物部分集中于東太湖圍網(wǎng)養(yǎng)殖區(qū)周邊，隨著圍網(wǎng)養(yǎng)殖區(qū)的拆除，挺水植物的覆蓋面積也呈現(xiàn)縮減態(tài)勢(shì)。

（2）決策樹(shù)算法構(gòu)建的樹(shù)的結(jié)構(gòu)穩(wěn)定性較差，隨著類別增加也會(huì)造成分類錯(cuò)誤數(shù)量上升，需要對(duì)樹(shù)進(jìn)行必要的修剪等大量后期處理工作，同時(shí)要參考實(shí)地調(diào)查的數(shù)據(jù)或結(jié)論，對(duì)分類結(jié)果進(jìn)行多次修正，輔以人工現(xiàn)場(chǎng)核查，保證水生植被遙感監(jiān)測(cè)具有較高的準(zhǔn)確度。

（3）水體中藻類物質(zhì)會(huì)在使用多光譜遙感圖像提取水生植被分布時(shí)，產(chǎn)生“異物同譜”現(xiàn)象，出現(xiàn)誤分類結(jié)果[21]。因受云層干擾、數(shù)據(jù)缺失等的影響，每年水生植被生長(zhǎng)期的衛(wèi)星原始影像來(lái)源有限，加之水生植被生長(zhǎng)期與太湖藍(lán)藻泛濫期時(shí)間重合度大，原始影像上存在大面積藍(lán)藻水華時(shí)，必須對(duì)藍(lán)藻創(chuàng)建一個(gè)單獨(dú)的額外樣本。