基于NDVI時間序列數據的濕地演變RSM

李 婷，唐少霞，王 平

(海南師范大學地理與環境科學學院，海南 海口 571158)

1 引言

濕地是極其關鍵的自然資源，是自然界最具生物多樣性的生態景觀，與人類社會發展緊密相關。伴隨人類活動影響與自然條件的不斷改變，濕地正受到嚴重破壞，濕地面積大幅縮減、水質惡化、植被退化等形勢逐步加重。濕地資源對城市區域發展與生態均衡發展具有重要的意義[1]。遙感技術具有范圍廣、多時相的動態監測性能，可以得到客觀數據，地理信息系統強大的空間數據處理能力，能夠快速精準地對濕地變化采取動態分析[2]。因此，采用遙感技術監測濕地演變過程，對濕地的保護具有重要作用。為此，相關研究人員對其進行了大量的研究，并取得了一定成果。

羅志東[3]等人提出基于系統工程學的土壤侵蝕高分遙感監測方法。該方法從工程化知識庫構建、工程化遙感信息提取算法和工程化綜合集成3個主要元素入手，建立土壤侵蝕高分遙感監測與評價工程化模式。采用該技術對土壤侵蝕程度進行分類，分類的精度較高。但該方法研究的對象具有一定局限性，土壤遙感監測環節較為復雜，不適合普遍的應用。張春桂[4]等人提出從高分一號衛星數據特征出發，探究高分一號衛星數據輻射定標、大氣校正和正射校正的預處理方法和高分一號衛星植被覆蓋度遙感反演方法。以福建省廈門市為例，利用高分一號多光譜相機(GF-1-WFV1)16 m影像數據反演覆蓋度，精準劃分覆蓋等級。該方法利用遙感反演技術可高精度劃分遙感監測的等級，但該方法應用在濕地演變監測中存在監測精度較低的問題。

基于上述問題的存在，提出一種新的濕地演變遙感動態監測方法。該方法充分考慮濕地演變形態特征，提出基于歸一化植被指數(Normalized Difference Vegetation Index，NDVI)時間序列數據的濕地演變遙感動態監測方法。通過設計監測指標，運用數據預處理手段明確濕地變化細節，采用優化理論得到分類優選模型，實現濕地演變來源與趨勢信息提取。與傳統方法相比具有一定優勢。

2 NDVI時間序列數據下濕地演變遙感動態監測

2.1 基于NDVI時間序列數據的監測指標設計

為了實現濕地演變遙感動態監測，需要構建濕地演變監測指標。該指標可有效抑制各類外界干擾影響，為濕地演變監測提供準確高效的衡量標準。采用NDVI時間序列數據，代表一年中不同時期NDVI數據，其是依照時間先后次序組合構成的數據集。在此方法中，探究濕地演變過程的有效策略即為觀測NDVI曲線時序改變情況[5]。濕地演變類型關鍵表現在NDVI時間序列曲線形態與數值變化中，若變化超出相應域值，認定濕地演變類型發生改變，故濕地演變監測指標要充分考慮其曲線變化特征。

現階段，濕地演變監測一般采用單一距離指數或相關性指數等指標，對比不同時段遙感影像特征差別，再按照明確的域值分析濕地類型是否發生改變。濕地演變監測的距離指數與相關性指數中歐氏距離為

(1)

絕對距離為

(2)

夾角余弦為

(3)

有關系數為

(4)

其中，xri、xti代表參照圖像與監測圖像像元第i波段的特征值，xr、xt為參照圖像與監測圖像像元全部波段特征均值，n代表波段個數。

期望得到的濕地演變監測指標應當著重凸顯土地形態變化數據，且能夠抑制傳感器標度、大氣條件等外部差別導致的變化[6]。本文擬定的演變監測指標涵蓋兩方面內容，即表征NDVI時間序列曲線值差別特征指標，即值指數；表征NDVI時間序列曲線狀態差別特征指標，即形指數。

在諸多距離指數中，蘭氏距離對奇異值的低敏感性可有效控制噪聲的影響，并且是一個無量綱的標準化數值[7]。值指數運用蘭氏距離標記NDVI時間序列曲線間的數值區別，將其描述為

(5)

其中，NDVIri、NDVIti依次表示參照年份與監測年份NDVI時間序列曲線i波段的NDVI值。

參考年份與監測年份的NDVI時間序列曲線，在不同匹配方位m內的交叉相關系數為

Rm=

(6)

其中，n為移動后兩個曲線的重疊波段數值，m為監測曲線移動方位。

在上述分析基礎上，將均方根差當作指標表征改變強度，即

(7)

其中，Rm、Rm′依次為匹配方位m真實交叉相關系數與參照交叉相關系數，k代表匹配方位。

通過上述構建的兩個指標特征，建立基于NDVI時間序列的濕地演變變化檢測指標，即：

(8)

2.2 基于灰度形態學的遙感數據預處理

形態學源自填充理念，灰度形態學的處理目標為圖像拓撲特性，使用填充直接描述灰度形態計算過程，精確呈現濕地表面圖像目標。

將灰度腐蝕表示為ε，灰度膨脹為δ，若f代表一個灰度圖像，N為一結構元，此時腐蝕過程為

(9)

灰度腐蝕也可運用臨近灰度函數的最小確界進行描述，即

εNf(p)={∧f(p′)|p′∈NG(p)∪f(p)}

(10)

式(9)與式(10)存在相等關系，式中NG(p)代表結構元鄰域。

與灰度腐蝕計算過程相似[8]，將灰度膨脹δN表示為

≡{∧f(p′)|p′∈NG(p)∪f(p)}

(11)

灰度開運算首先進行灰度腐蝕再實施灰度膨脹的迭代計算，即

γNf(p)=δNεNf(p)

(12)

以此類推，灰度閉運算表達式為

φNf(p)=εNδNf(p)

(13)

Top-Hat變換是一種形態變換方法，具備極強高通濾波性，利用其檢測灰值圖像的波峰、波谷與細長圖像結構。Top-Hat算子公式為

Γf(p)=f(p)-γNf(p)=f(p)-δNεNf(p)

(14)

Top-Hat算子中的對偶算子為

Γ′f(p)=φNf(p)-f(p)=εNδNf(p)-f(p)

(15)

Top-Hat算子是一種非拓展運算模式[9]，處理中位于原圖像下方位置。但其對偶算子是一種拓展運算，處理時處在原圖像上方，所以Top-Hat變換一定為非負數。

在Top-Hat變換過程中，結構因子的選擇對處理結果影響較大。針對噪聲較小的圖像，可以采用Top-Hat算子對圖像進行過濾，也可選擇灰度值較低的結構元對圖像實施濾波處理。為完美呈現濕地周邊特征情況，使用2×2結構元完成預處理任務，即

(16)

式中，處在結構元左下方的60代表二維平面的原點位置灰度值增加60，其它數值含義相同。

為獲得更優質的濕地遙感圖像預處理成效，對圖像采取Top-Hat濾波后，不直接實施二值化處理，利用灰度膨脹對圖像重復進行過濾[10]，可以改進目標質量，提升濕地周邊目標提取精度。依照膨脹相關定義，選擇恰當的結構元，結構元表達式為

(17)

3 濕地演變遙感動態監測實現

3.1 濕地演變過程分析

單獨景觀類型動態度定義了某個研究區域固定階段中某個景觀類別的面積改變狀況，其解析式為

(18)

其中，K為研究時間內某個景觀類型動態度，Ua、Ub依次為研究初期與末期的景觀面積，T是研究時間總和。

解析濕地動態變化的源頭與走向，利用濕地動態改變向量數據，得到每個時期的濕地類型轉移矩陣，闡明濕地逐步變化趨勢。為有效呈現濕地演變流程，在轉移矩陣前提下，構建濕地類型遷移幾率模型為

(19)

其中，oij代表濕地類型i變化成類型j的面積，hij為濕地類型i變化成類型j的遷移幾率。變換式(19)計算模式，獲取濕地類型源頭幾率模型為

(20)

3.2 基于優化理論的濕地演變遙感動態監測

在地面物體遙感動態監測中，按照優化理論內多目標決策機制及遙感分層分類理論，創建基于優化理論的濕地演變遙感動態監測方法。在每個層次分類提取過程中，引入分類優選模型，對若干個目標的全局效益層層把控，實現遙感數據監測中最優綜合效果[11-12]。

在研究濕地演變遙感動態監測時，遙感信息提取關鍵指標包括技術、精度、時間、成本。將決策者對其滿意度為權衡目標，最大限度使各目標值最打，數學解析式為

(21)

其中，up(x)為目標滿意度的目標函數，ul(x)≥u0(x)為收斂條件，u0(x)表示滿意度下限，x為某個遙感監測方案。

求多目標規劃問題可靠解時，通常將問題(VP)變換成加權問題P(λ)，按照多屬性效用函數，建立分類優選模型，即

(22)

在多目標決策問題種，多數情況下使用各個目標權系數展現每個目標之間的相對關鍵性，越關鍵的目標，對應權系數越高。在諸多實際問題中，決策的基本問題可總結成權系數的確立問題。

將問題目標數量按照關鍵性進行對比，對比過程由決策者執行，也可使用專家評估法。全部目標均需要兩兩對比，將第i個目標對第j個目標的評估值描述為bij，bij取值為

(23)

式中，λi與λj為目標yi、yj的權系數，通過全部對比后，獲得最終遙感動態監測矩陣，即：

(24)

在上述分析基礎上，完成濕地演變觀測目標，為濕地有效治理提供理論支持。

4 仿真分析

4.1 仿真環境

為證明所提方法有效性，選擇某城市濕地區域進行監測。實驗處理器為Intel賽揚雙核G530@1.80GHz，內存為4GB，操作系統為Windows7系統。濕地遙感監測區域如圖1 所示．

圖1 濕地遙感監測區域

4.2 仿真結果分析

4.2.1 濕地演變遙感動態監測耗時分析

為驗證所提方法的可行性，仿真分析了所提方法、基于系統工程學的高分遙感監測方法以及基于高分一號遙感影像的監測方法進行監測的耗時，實驗結果如圖2 所示。

圖2 濕地演變遙感動態監測耗時對比

分析圖2可以看出，在相同實驗環境下，三種方法的監測耗時存在一定差距。其中，所提方法的監測耗時始終低于其它兩種方法，驗證了所提方法的可行性。

4.2.2 濕地演變遙感動態監測精度分析

為了進一步驗證所提方法的可靠性，對研究區域實施系統布點，監測濕地變化信息的精度，三種方法下監測統計值如表1所示。

表1 濕地演變遙感動態監測精度分析

從表1可知，所提方法濕地演變遙感動態監測精度為90.74%，監測精度顯著優于兩種方法，表明所提方法獲得的數據精度可滿足實際工作需求，實用性較強。其它兩種方法均存在混分現象。其中，混分現象最嚴峻為泥灘地。所提方法采用基于優化理論的遙感圖像分層分類，對多個目標全局效益進行逐層把控，得到遙感數據的最優監測效果，驗證了所提方法的可靠性。

5 結論

為有效探究濕地演變過程，設計基于NDVI時間序列數據的濕地演變遙感動態監測方法。該方法監測精度高，速率快，可廣泛適用于土地環境監測領域。但在建立監測指標時，沒有考慮NDVI值較小狀況，對監測精度存在一定影響，今后會對此缺陷進行深入研究。