石漠化演变的遥感监测方法

本发明涉及石漠化监测评估，具体涉及一种石漠化演变的遥感监测方法。
背景技术：
：：喀斯特石漠化在世界范围内均有分布，是由于人类活动的干扰，使得喀斯特地表环境出现土壤功能丧失、基岩裸露、生产力下降的土地退化过程。是一种特殊的土地退化过程，土壤被严重或彻底侵蚀，基岩裸露，土地承载力严重下降，最终，喀斯特土地退化为与沙漠景观相似的格局。中国尤其是西南地区的石漠化问题严重威胁着区域生态平衡和生态经济，表现出分布面积极广、生态环境脆弱、人口经济问题突出等特点。在中国喀斯特地貌发育的物质基础碳酸盐类基岩总面积达200万km2，其中裸露的碳酸盐类基岩面积约130万km2，约占全国总面积的1/7，埋藏的碳酸盐岩面积约70万km2，截止本世纪初，在中国西南部，云南，贵州和广西壮族自治区的土壤侵蚀总面积达到土地总面积的40％。中度到强度土壤侵蚀面积约为6万km2，约占受土壤侵蚀影响总面积的37％，土壤侵蚀正在稳步加剧。例如，在贵州省，上世纪50年代土壤侵蚀为2.5万km2，上世纪60年代为3.5万km2，上世纪70年代为5万km2，到1995年为7.6万km2，超过总面积的40％。因此，如何很好地监测和治理石漠化是目前研究的重要课题。技术实现要素：为了很好地监测石漠化的程度和发展，本发明提供一种石漠化演变的遥感监测方法。本发明所提供的石漠化演变的遥感监测方法，可以比较精确地监测到县级区域的石漠化演变，大大缩小了时间和空间的跨度，为更小区域的石漠化施策提供重要参考。本发明提供的一种石漠化演变的遥感监测方法，包括如下步骤：(1)提取待监测石漠化地区的高分六号(gf-6)卫星遥感影像数据；然后对该数据进行预处理，预处理包括辐射定标、大气校正、正射校正、裁剪无石漠化区域等；(2)数据降维和端元选择；(3)混合像元分解提取端元丰度图像；(4)石漠化分级评价；(5)通过多个时间段的石漠化分级评价结果监测石漠化演变情况。本发明优选地，所述数据降维采用极小化噪声分量的方法进行计算。本发明优选地，所述端元选择是采用连续最大角凸锥(smacc)方法进行端元的提取，并且采用的最大角凸锥(smacc)方法的数学表达式为：表达式中的h表示端元波谱，c表示波段索引，i为像素索引，k，j为1到最大端元n的索引，r表示端元波谱的矩阵，a表示每一个像素中端元j对端元k的丰度矩阵。本发明优选地，提取端元丰度图像是采用完全约束最小能量二乘法(fcls)来进行图像的混合像元的分解，提取端元丰度图像。本发明优选地，石漠化分级评价是选取基于植被端元、基岩端元、土壤端元所得到的石漠化分级图，然后对照分级标准进行分级评价。附图说明图1为混合像元分解流程图图2a为gf-6卫星原始影像图图2b为gf-6卫星预处理后影像图图3为mnf变换后各波段特征值分布曲线图图4为端元波谱曲线图图5为植被端元丰度等级分布图图6为基岩端元丰度等级分布图图7为土壤端元丰度等级分布图图8为fcls模型分解rmse结果图图9为普定县石漠化分布图图10为石漠化样点位置图(2018年)图11为不同石漠化等级的平均误差值图图12a为gf-6在端元提取后的光谱曲线图图12b为landsat-8在端元提取后的光谱曲线图图13为植被、基岩、土壤组分端元的石漠化丰度差异图具体实施方式以下通过具体实施例对本发明进一步说明，以助于更好地理解本发明，但本发明的保护范围并不仅限这些实施例。1.1区域本实施例选定贵州省普定县，普定县自上世纪五十年代以来，每年平均新增石漠化面积就达500hm2左右，由于新增的石漠化主要发生在陡坡耕作区，相当于全县每年人均减少耕地0.0013hm2，人地矛盾日益突出。目前全县石漠化面积已达390.93km2(不含潜在石漠化面积)，占全县土地总面积达35.8％(碳酸盐岩出露面积的47.1％)，其中轻度、中度、强度、极强度石漠化面积分别占总面积的13.44％、14.74％、6.46％、1.18％，中度(裸岩面积50％以上)以上的石漠化面积占全县总面积的22.3％。2.2.2数据源本研究中，gf-6(wfv)作为主要探讨对象，此外，其他辅助数据如：普定县行政矢量边界、普定县dem等，第三次石漠化调查图主要从普定县园林局获取。表2.1主要数据源表2.5gf-6卫星参数研究采用gf-6号卫星数据，wfv传感器，时间为2018年11月28日，16米分辨率，含云亮低于10％，8波段，相比高分1号卫星数据，增加b6(0.68μm-0.73μm)和b7(0.73μm-0.77μm)两个红边波段，数据具体编号：gf-6_wfv_e105.9_n26.9_20181128_l1a1119860108。通过landsat-8卫星oli数据进行对比，日期为2019年12月10日，含云量5％，11波段。3.2方法3.2.2方法路线大部分传感器得到的地物反射或光谱信号都是以像元为单元记录的，由于其空间分辨率和自然界中复杂地物类型的影响，所获得的影像图中通常会有大量的混合像元，而混合像元就是一个像元中包含着多种地物类型，与之对应的纯净像元就是一个像元内仅包含一种地物类型，纯净像元就是单独一个像元内仅仅包含一种地物类型，通过将一个像元内不同的“组分”(或“端元”)进行分解，求得各端元所占比例，这个分解的方式被叫做“混合像元分解”。石漠化区存在大量植被土壤基岩的混合像元，其分解主要包括数据降维、端元提取和丰度计算三个步骤。石漠化地区地貌复杂多变、地物类型零碎混杂、地物像元混合严重等，但经研究总体上可以归结为植被、土壤、基岩三种因子组成，且不同植被、土壤、基岩等级对石漠化具有敏感性差异。对以上三种敏感性因子，提取该地区植被、土壤、基岩三种地物端元，在混合像元分解技术的支持下，对提取出的端元进行丰度反演，研究分析研究区典型地物的关系，结合混合像元分解结果对普定县进行石漠化的等级划分。本发明探索利用gf-6号数据针对研究区域遥感影像图一个像元内存在的多种地物类型的难点，对该区域所得到的gf-6号遥感影像图基于线性混合模型进行像元的分解。提取研究区域的各端元的波谱信息，探讨gf-6卫星增加红边波段的作用。本研究进行混合像元分解的步骤主要包括数据预处理以及解混两部分(图1)，其中解混部分包括数据降维、端元提取、丰度估计三个步骤。3.2.2.1gf--6影像数据预处理在影像分析研究中，数据预处理是排在第一且非常重要的一步。本研究的数据预处理工作包括辐射定标、大气校正、正射校正、裁剪无石漠化区域等的处理如图2a和图2b所示，为处理前后的gf-6卫星影像效果对比，经过预处理后的gf-6影像提高了地物的识别效果。3.2.2.2混合像元分解(1)数据降维数据降维是使数据从高维空间到低维空间通过线性或者非线性映射，让高维空间的数据通过低维空间有利的表达。除此之外，通过数据降，能够有效减少存在于高维空间中一些与数据无关的属性。本研究选用极小化噪声分量(mnf)的方法进行计算。图3为mnf变换后各波段特征值分布曲线图。(2)端元选择本研究选择连续最大角凸锥(smacc)方法进行端元的提取。smacc先在图像中找到最亮的像元，再寻找与最亮像元差异最大的像元，接着再寻找与前两种找到的像元中最不一样的像元。反复此过程，直到找到在前面已经找到过的像素或端元数目已经满足。该方法的数学表达式为：表达式中的h表示端元波谱，c表示波段索引，i为像素索引，k，j为1到最大端元n的索引，r表示端元波谱的矩阵，a表示每一个像素中端元j对端元k的丰度矩阵。如表3.1为使用smacc方法过程中需要设置的参数以及数值：表3.1smacc参数用smacc方法提取各端元时，将会在每种端元中选择最纯净的像元。本研究设置合并相似端元，端元类型数为5，在端元提取完成后，通过波谱分析(spectralanalyst)，选择植被、基岩、土壤波谱库进行比较，运用二进制编码方法(binaryencoding，be)进行打分后，通过比较得分的高低，选择出基岩、土壤、植被三个端元，如图4、表3.2所示。表3.2端元得分(3)像元分解提取端元丰度图像混合像元分解实质上是对混合波谱分析的过程。其中，线性波谱分离即线性混合像元分解，即根据地物所具有的各自的光谱特征，通过解混，获得影像中端元波谱的端元丰度图，实际上是建立了像元反射率、端元光谱特征和端元丰度之间的函数的关系。通常在地球的表面，纯净像元是很少的。因此，卫星影像系统接收到的光谱大多数都是一个像元中每种物质的各自反射率的组合。因此，根据理论来讲，我们可以用数学模型来分析混合像元。本研究使用的分解方法是完全约束最小能量二乘法(fcls)来进行图像的混合像元的分解，这种方法要求所有参与分量必须得使用正值，且端元数量不能超过图像的波段数量，在分解过程中，所有的端元都会参加分解，最终得到基于植被端元、基岩端元、土壤端元的石漠化分级图，最后通过重分类因子叠加得到研究区域总体石漠化等级分布图。3.3研究结果与分析3.3.1fcls模型解混后各端元等级分布图通过fcls图像的混合像元分解，对植被、基岩、土壤端元丰度的提取，参考石漠化因子的等级划分标准，得到研究区石漠化植被、基岩、土壤丰度等级图(图5、图6、图7)，从空间分布上看，增加的两个红波段端元提取的效果优势明显。本研究的石漠化等级评价指标，参照相关的评价研究结果，其中各因子石漠化等级划分如表3.3所示：表3.3石漠化敏感因子等级划分标准综合各端元的石漠化等级结果可知：普定县植被主要分布于东南区域，土壤和基岩主要分布于东北和西南区域。3.3.2fcls解混模型误差分析为了验证分解的有效性，本研究在分析过程中使用到均方根误差(rootmeansquareerror，rmse)进行分解的误差分析。均方根误差(rmse)计算公式如下：其中，rin-rms是像元i的n个波段的均方根误差，n是波段数量，rin-redidual是像元i在n个波段的平均差。研究区域图像的各端元rmse分解结果如图8所示，其统计结果如表3.4所示：表3.4rmse分解结果统计表table3.4statisticaltablesofdecompositionresultsofrmse.研究区域的绝大部分像元的rmse值在0.01-0.02之间，由此可见，模型误差相对较小。3.3.3普定县石漠化等级分布以及精度验证利用解混后各端元图像进行重分类，通过叠加得到普定县石漠化综合分布图(如图9)，利用googleearth实际验证点针对普定县石漠化各等级选取20个验证点，并将选择后的每个等级的样本验证点导出成为kmz坐标文件格式，所采集的样本点如图10所示。表3.5石漠化面积统计表table3.5statisticaltablesofrockydesertificationarea.将各个验证点属性表以txt文本研究件导出后，再将其导入excel。本研究将采用各等级实际验证点与分类后的石漠化等级之间的差值的均值对精度进行验证均值为因子对精度进行验证。分别计算各个验证点的值与其对应的石漠化等级之间的差值，将其取绝对值后，对每个石漠化等级所有验证点的值与其对应的石漠化等级之间的差值的绝对值分别取均值，再将取得的各等级均值作为石漠化等级误差来进行验证，最终结果如图10，具体坐标见附表。本研究采用各等级实际验证点与分类后的石漠化等级之间的差值的均值对精度进行验证均值为因子对精度进行验证。分别计算各个验证点的值与其对应的石漠化等级之间的差值，将其取绝对值后，对每个石漠化等级所有验证点的值与其对应的石漠化等级之间的差值的绝对值分别取均值，再将取得的各等级均值作为石漠化等级误差来进行验证，最终结果如图11：从图11中可以看出，所得各个等级石漠化均值均在0.4左右，数值较小且稳定，因此通过实际验证点验证的精度较好。表3.6kappa系数精度表随后通过envi利用地面真实感兴趣区计算混淆矩阵，得到的kappa系数为0.8087，结合实际验证点验证的数值以及kappa系数说明研究区域各等级石漠化分布图精度较好，可以有效区分各等级石漠化分布。3.4研究结果与分析3.4.1端元提取中的红边波段作用gf-6卫星由于其加入了“红边”波段，在识别植被上会更加有利，因此，通过gf-6与landsat-8在端元提取后的光谱曲线的比较(曲线比较如图12a和图12b)，在0.69μm-0.77μm之间，gf-6植被的光谱曲线较landsat-8的植被光谱曲线有更大的起伏且数值也更大，并且植被的波谱曲线相较于基岩，土壤端元区别更加明显。通过二进制编码方法(binaryencoding，be)进行分析后，可以发现前者的植被端元的得分要高于后者的得分。表3.7gf-6端元得分表3.8landsat-8端元得分如图13所示，通过植被、基岩、土壤组分端元对石漠化的端元得分，可以更直观的看出gf-6在植被数轴上的数值大于landsat-8，在基岩数轴上数值小于landsat-8，在土壤数轴上gf-6数值小于landsat-8，表明两条红边波段使高分六号卫星在识别植被上更加有效。3.4.2混合像元分解石漠化分类精度讨论通过在谷歌地球上选取实际验证点以及利用envi软件计算kappa系数，结果发现通过实际验证点验证以后各等级石漠化的均值在0.4左右波动，数值较小且稳定。利用envi软件通过选取地面真实感兴趣区计算混淆矩阵计算得到的kappa系数为0.8087，说明解混以后的各石漠化等级符合实际的地物情况。3.5结论本研究于混合像元分解的方法，通过gf-6卫星数据进行石漠化信息提取，端元提取的be波谱对比分析，表明gf-6卫星由于其加入了两个“红边”(0.69μm-0.77μm)波段，在植被端元的得分高于landsat-8。通过计算rmse发现经过fcls模型解混后的误差数值集中在0.01-0.02之间，数值较小，说明模型解混后的精度较好，通过石漠化土壤、基岩、植被丰度进行石漠化等级分类，分类结果的kappa系数为0.8087，等级平均误差为0.4。说明通过混合像元分解得到的石漠化等级分布其精度相对较高，可以用于进行石漠化等级划分。附表附表混合像元分解中的石漠化等级验证点上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。当前第1页12当前第1页12