基于不同遥感分类方法的戈壁特征提取分析

第一章 绪论

1.1 研究背景及现状
1.1.1 研究背景
戈壁是指在干旱或极端干旱区，受长期、强烈的风蚀或物理风化作用，广泛分布于地势开阔地带，地表有高密度砾石覆盖的一类荒漠景观[1]。它是我国西北干旱地区的一种主要地表景观类型。由于戈壁所处地带自然条件恶劣，人烟稀少不便于实地调查研究的开展，所以目前关于戈壁的研究资料非常少，关于戈壁的概况、分布、类型的划分以及改造利用问题的论述等方面几近空白[2]。戈壁在我国西北地区分布范围广阔，戈壁区内土地和太阳能、风能资源及各种矿产资源异常丰富，并有一些水资源和生物资源可供开发利用。此外，区域内具有绵长的国境线，是许多兄弟民族长期以来安居乐业之所。说明该区域除了具有重大经济价值之外，还拥有国防、政治和社会等方面的重要意义[3]。戈壁地区降雨稀少，自然条件恶劣，不仅严重制约着当地及附近地区的工、农、牧业及交通的发展，同时还对我国华北地区的沙漠化及沙尘暴等自然灾害有重要影响，因此，掌握戈壁信息，将有助于我们趋利避害，合理利用资源。戈壁地区自然条件恶劣，有些区域人类很难或不易到达，采用传统的野外实地调查方法来获取戈壁信息存在一定的难度。此外，野外实地调查在时间和金钱上的花费都比较大，且在短时间内一般只能获取小范围内的信息。这种方法显然不能满足人们想快速获取大面积戈壁信息的需求。卫星遥感在调查的宏观性、时效性方面以及对人类难以到达的区域进行监测与调查方面具有地面调查无法比拟的优势[4]。
随着遥感技术的进步，不同传感器的大量涌现和各种空间尺度的遥感数据不断出现，进一步扩大了遥感技术的应用领域和应用精度。遥感技术呈现出感测范围大，信息量丰富，获取信息快、更新周期短及经济便捷等特点。由于戈壁面积广大，用低廉的成本快速获取戈壁信息显得尤为重要。而且，截至目前，已有大量学者利用遥感手段在土壤粒径、土壤颜色、表面纹理、粗糙度等地表特征上开展了大量深入的研究。通过对地表特征的分析，对利用遥感手段来提取戈壁信息有一定的辅助借鉴意义。
1.1.2 地表特征遥感识别应用现状
1.1.2.1 土壤粒径土壤粒径是最重要的土壤物理性质之一。表土层土壤粒度组成能够很好的反映土壤纹理及其他物理性质。表土层颗粒大小的变化，也能反映出土壤其他性质的变化，所以了解表土层土壤粒度对戈壁识别具有十分重要的意义。随着空间信息技术的不断发展，如遥感空间分辨率的提高和地理信息系统分析功能的加强，获取地面土壤粒度信息也变的容易许多。利用空间信息技术获取地表土壤粒度信息的研究也相继开展了不少。早在 1977 年，Leu 就利用光谱仪在可见光和近红外波段研究了海滩沙地的光谱反射率和粒径尺寸关系[5]。1992 年，John 等利用 ASTER 影像的红外波段对土壤粒径大小进行了研究。其研究对象是石英高含量土壤，他们利用 ASTER 波段 10/14 的比率来估计土壤粒径大小。结果表明，利用 ASTER 数据能够很好的估计土壤粒径大小[6]。Okin 等 2004年在加利福利亚东南部的马尼克斯（Manix）盆地的一个废弃的农田上开展了沙质荒漠化地表粒径对遥感光谱反射率影响的研究。通过分析机载可见光红外成像光谱仪（AVIRIS）的显著表面反射率证实了羽状沙丘中粒径有效性与反射率的负相关性，尤其是在短波红外上[7]。2005 年 Xiao 等利用遥感监测土地荒漠化和地表粒径大小的变化，并利用 LandsatTM 影像和 Terra MODIS 影像，开发了一个新的土壤粒径指数（GSI），并在中国内蒙古四子王旗进行应用。光谱测量显示表土层的粒径组成对光谱反射率有重要影响。当粘土和泥沙颗粒增加时反射率下降，反之，当表土层细砂含量增加时反射率增加[8]。2006 年，Xiao 等结合 Landsat TM 影像和 Landsat ETM+影像，将表土层粒度指数应用到荒漠化进程监测中。研究结果显示，表土层粒度指数（GSI）与细砂含量呈正相关。即，GSI 能很好的探测表土层粒径大小的变化[9]。此外，Xiao 等 2011 年利用 MODIS 数据获取表土层粒径大小，并将其与粒径指数（GSI）结合绘制了反应土壤不同退化程度的荒漠化地图[10]。
1.1.2.2 土壤颜色土壤颜色也是重要的地表特征之一，不同颜色的土壤往往对应不同的物理生化性质。在对土壤进行鉴别分类时，颜色是一个关键性的因素。因此，掌握土壤颜色对认识戈壁地表特征提取起着非常重要的作用。土壤颜色和土壤有机质和含铁量等土壤特征有很大的相关性，促使很多研究人员开始研究遥感技术土壤颜色制图。随着多光谱遥感的发展，借助现代空间信息技术能很方便快捷的获取地表土壤颜色信息，进一步为地表的其他特征的判断提供依据。目前，已经有学者专家针对土壤颜色，进行了基于遥感的研究。例如，Nandish 早在1997 年就利用在陆地资源卫星传感器的可见光和近红外波段对土壤颜色建模[11]。2000年，Atzberger 利用 55 个不同的土壤样本对干扰土壤颜色空间获取的一些重要因素进行了实验室光谱系统评估和反射模型的建立。研究的因素包括土壤水分含量，土壤粗糙度，绿色和衰老植被残留量以及测量配置（太阳和传感器几何位置）。其中，进行分析的颜色属性是孟塞尔色相、明度值、彩度，和 CIE 色度坐标。结果表明，特定条件下，干扰因素（如，土壤水分含量、土壤粗糙度、绿色和衰老植被残留量）能引起孟塞尔颜色和 CIE色度坐标很大变化[12]。
1.1.2.3 纹理和粗糙度纹理和粗糙度在现代空间信息的应用中也越来越受到重视。对纹理和粗糙度的利用，将有助于我们攫取更多有用信息。利用空间信息对纹理和粗糙度的分析，能为戈壁信息提取提供有利帮助。早在 1998 年有人就从遥感图像纹理出发分析了沙粒，如 Williams 等通过提出的一种定量表面纹理数学分析法刻画了石英颗粒的形态特征，并将其分类。将石英颗粒的扫描电子图像转为一幅数字灰度级图像，并利用图像增强，图像分割和直方图均衡化的方法得到标准化的图像。通过 3 个不同的石英颗粒样本确定纹理参数，然后分别利用判别分析和神经网络两种方法来对比分析石英颗粒分类精度。结果显示，两种方法的精度都很好，但是，在数据集不完整时，利用神经网络分类具有更明显的优势[13]。

    1.2 研究内容与技术路线 .....................17-20
        1.2.1 研究内容 .....................17-18
        1.2.2 技术路线 .....................18-20
第二章 研究区概况与数据获取 .....................20-25
    2.1 研究区概况 .....................20-22
        2.1.1 地形地貌 .....................21
        2.1.2 气候 .....................21
        2.1.3 水文 .....................21-22
        2.1.4 矿产资源 .....................22
    2.2 数据获取 .....................22-25
        2.2.1 遥感数据 .....................22-23
        2.2.2 辅助数据 .....................23-25
第三章 遥感分类方法简介 .....................25-37
    3.1 遥感概述 .....................25-26
    3.2 遥感分类方法的发展 .....................26-27
    3.3 遥感分类方法的定义及简介 .....................27-37
第四章 数据预处理 .....................37-43
    4.1 去条带 .....................37-38
    4.2 几何校正 .....................38-39
    4.3 辐射校正 .....................39-43
        4.3.1 辐射定标 .....................40-41
        4.3.2 大气校正 .....................41-43
第五章 基于不同遥感分类方法的戈壁特征提取 .....................43-78
    5.1 分类体系划分与样本选取 .....................43-45
    5.2 植被指数计算 .....................45-47
    5.3 水体指数计算 .....................47-51
    5.4 最小距离法 .....................51-54
    5.5 马氏距离 .....................54-57 
    5.6 最大似然 .....................57-60
    5.7 支持向量机 .....................60-66
    5.8 决策树 .....................66-72
    5.9 面向对象的戈壁信息提取 .....................72-78

结论

本文对额济纳旗的 12 景影像进行了几何校正和大气校正，并对行列号分别为 132032和 134031 两景有条带丢失的影像进行了去条带处理。分析发现，经过这些处理，不仅消除了地形与大气辐射的影响，提高了图像质量，而且增大了地物之间的光谱分离性，有利于信息提取。此外，本文还对原始影像进行了植被指数与水体指数的计算，以及 K-T变换和纹理分析，并将这些数据加入到戈壁信息提取的具体应用中。从基于像元和面向对象的角度，分别利用最小距离、马氏距离、最大似然、支持向量机、决策树和面向对象的影像方法对额济纳旗的戈壁信息进行提取，得到的主要结论如下：
1.比较最小距离、马氏距离、最大似然这三种较简单分类方法发现，最大似然的运行速度快，提取戈壁的精度最高，分类效果较好。马氏距离次之，而最小距离法提取戈壁效果较差，不易采用。
2.支持向量机在提取戈壁信息时表现出了一定的优势，从分别选取四种内核函数的计算来看，线性函数和径向基核函数处理速度相对较快，而多项式和 Sigmoid 核函数处理较慢，尤其是 Sigmoid 核函数。从最终效果来看，径向基核函数信息戈壁提取效果较好。
3.在利用决策树提取戈壁信息时，在自定义规则中，影像数据量不大时，规则容易确定，数据量较大时规则不容易确定，也就是说利用小数据量确定的规则不一定具有代表性和推广性。决策树自动阈值分类中，未加其他数据分类效果较好，总体精度达到了93.3569%,Kappa 系数为 0.9052。

参考文献

[1] 冯益明, 周娜, 车腾腾, 等. 基于遥感影像识别的戈壁分类体系研究. 中国沙漠. 2012, 32(4):205-212
[2] 王涛, 陈广庭. 西部地标: 中国的沙漠. 戈壁. 上海: 上海科学技术文献出版社, 2008: 32-60
[3] 彼得罗夫, 胡孟春. 世界荒漠. 北京: 中国环境科学出版社, 2010: 1-58
[4] 徐迪峰, 徐锐. 基于空间抽样的农作物面积遥感测量. 北京测绘. 2009,40 (04): 42-55
[5] Leu DJ. Visible and near--infrared reflectance of beach sands: A study on the spectral reflectance/grainsize relationship. Remote Sensing of Environment. 1977, 6(3): 169-182
[6] W SJ, M DAD. Infrared (8-14μm) remote sensing of soil particle size. REMOTE SENS. 1992, (42):157-165
[7] Okin GS, Painter TH. Effect of grain size on remotely sensed spectral reflectance of sandy desertsurfaces. Remote Sensing of Environment. 2004, 89(3): 272-280
[8] Xiao J, Shen Y, Ryutaro T, et al. Detection of land desertification and topsoil grain size using remotesensing, IEEE. 2005, 3(2): 581-589
[9] Xiao J, Shen Y, Tateishi R, et al. Development of topsoil grain size index for monitoring desertificationin arid land using remote sensing. International Journal of Remote Sensing. 2006, 27(12): 2411-2422
[10] Xiao J, Shen Y, Ryutaro T. Mapping soil degradation by topsoil grain size using MODIS data, IEEE.2010: 1-10