基于em+遙感影像的羅布泊大清湖區(qū)鹽殼分類(lèi)研究

基于em+遙感影像的羅布泊大清湖區(qū)鹽殼分類(lèi)研究

1羅布泊鹽殼成因說(shuō)羅伯特的秘密是一個(gè)具有地理趣味的自然現(xiàn)象。從遙感圖像可以反映的黑暗時(shí)期的尖銳變化形成了如何形成的耳輪線。它反映了什么表面特征？樊志等人認(rèn)為，在湖泊的發(fā)展過(guò)程中，不同大小的鹽殼中存在著不同的厚度和顏色。淺棕色環(huán)帶是相對(duì)較厚的破裂鹽殼，而淺棕色環(huán)帶是薄破裂鹽殼。謝連文等認(rèn)為“耳輪線”是湖泊退縮過(guò)程中形成的鹽、泥沙的相間地帶排列和旋回構(gòu)造,同一色調(diào)地帶,顏色取決于含鹽量。趙元杰、夏訓(xùn)誠(chéng)等認(rèn)為衛(wèi)星影像上“耳輪狀”區(qū)域內(nèi)相對(duì)高程較高的地段圖像較為明亮,鹽殼物質(zhì)組成以石英為主,其中氯化物占優(yōu)勢(shì),碎屑礦物主要是石英。并且認(rèn)為羅布泊在最后的干涸過(guò)程中形成了現(xiàn)代鹽殼地貌。基本類(lèi)型包括:平坦?fàn)铥}殼、龜裂狀鹽殼、微丘狀鹽殼,龜裂狀鹽殼又可分出多邊形、復(fù)式多邊形和蜂窩狀鹽殼等。從前人的研究來(lái)看,羅布泊“大耳朵”的形成是受多種因素影響的。那么,羅布泊地區(qū)不同類(lèi)型的鹽殼在空間上是如何分布的?與環(huán)狀分布的“耳輪線”有什么關(guān)系?本研究根據(jù)試驗(yàn)分析數(shù)據(jù)和野外綜合考察資料,建立了羅布泊“大耳朵”地區(qū)鹽殼分類(lèi)體系,并通過(guò)對(duì)LandsatETM+數(shù)據(jù)的濕度指數(shù)和紋理特征分析上,選取了波段最佳組合,結(jié)合基于DGPS實(shí)測(cè)高程數(shù)據(jù)推測(cè)建立的研究區(qū)DEM,建立了決策樹(shù)模型,對(duì)羅布泊“大耳朵”地區(qū)地表鹽殼進(jìn)行了分類(lèi),旨在探索地表不同類(lèi)型鹽殼的空間分布與羅布泊“耳輪”影像特征的相關(guān)性,為該區(qū)的進(jìn)一步研究提供依據(jù)。2研究區(qū)域和數(shù)據(jù)的選擇2.1羅布泊“大模擬”湖盆深深和坡度羅布泊隸屬新疆巴音郭楞蒙古自治州若羌縣,位于塔里木盆地東部邊緣,天山與阿爾金山兩大山系交匯地帶附近,總面積約20000km2。羅布泊“大耳朵”湖盆深約5.2m,西南陡,東北緩,西南平均坡度0.19‰,東北平均坡度0.09‰。湖區(qū)內(nèi)部為典型干鹽湖地貌景觀,廣泛分布著各種鹽殼,本研究選擇羅布泊“大耳朵”干鹽湖區(qū)作為研究區(qū),從湖心到湖濱區(qū)域有多級(jí)環(huán)狀,塑造了豐富的鹽殼類(lèi)型,研究區(qū)范圍約5500km2,地理位置90°00′～91°30′E,39°～40°30′N(xiāo),具體圈定范圍見(jiàn)圖1。2.2研究數(shù)據(jù)2.2.1及7振幅選用LandsatETM+(2002-05-13)的1～5及7波段,空間分辨率為30m;時(shí)相上,均選擇在夏季,影像上羅布泊干鹽湖區(qū)無(wú)大塊云層覆蓋,影像較清晰。2.2.2二烷基苯磺酸鈉的組成及分析方法輔助數(shù)據(jù)為2005～2007年的地面鉆井?dāng)?shù)據(jù)和地表鹽殼取樣數(shù)據(jù),室內(nèi)分析的內(nèi)容主要是八大離子、總鹽、PH、電導(dǎo)率及其他常規(guī)分析。另外,2006年采用美國(guó)天寶公司生產(chǎn)的Trimble5700測(cè)量型雙頻DGPS(水平誤差10mm±1ppm,垂直誤差20mm±2ppm)對(duì)研究區(qū)進(jìn)行高精度高程測(cè)量。3工作流和研究方法3.1工作流本研究的工作流程見(jiàn)圖2。3.2基于決策樹(shù)的遙感影像分類(lèi)決策樹(shù)分類(lèi)法(DecisionTreeClassificationMethod)是以各像元的特征值設(shè)定的基準(zhǔn)位,分層逐次比較的分類(lèi)方法。決策樹(shù)是一個(gè)類(lèi)似流程圖的樹(shù)型結(jié)構(gòu),其中樹(shù)的每個(gè)內(nèi)部節(jié)點(diǎn)代表對(duì)一個(gè)屬性的測(cè)試,其分支代表測(cè)試的每個(gè)結(jié)果,而樹(shù)的每個(gè)葉子節(jié)點(diǎn)代表一個(gè)類(lèi)別,樹(shù)的最高層節(jié)點(diǎn)就是根節(jié)點(diǎn),是整個(gè)決策樹(shù)的開(kāi)始。近幾年,決策樹(shù)算法被廣泛應(yīng)用于遙感影像分類(lèi)中,Pal和Mather(2002)比較了決策樹(shù)分類(lèi)和BP神經(jīng)網(wǎng)絡(luò)在遙感影像分類(lèi)中的表現(xiàn),結(jié)果表明決策樹(shù)分類(lèi)器比BP神經(jīng)網(wǎng)絡(luò)運(yùn)行速度更快,分類(lèi)精度更高。江紅南、丁建麗等通過(guò)決策樹(shù)分類(lèi)方法建立信息提取模型,對(duì)研究區(qū)遙感圖像進(jìn)行了分類(lèi),并達(dá)到較高信息識(shí)別精度。根據(jù)研究區(qū)的地理特征,選取特征量是運(yùn)用決策樹(shù)分類(lèi)法進(jìn)行分類(lèi)的關(guān)鍵所在。4數(shù)據(jù)預(yù)處理4.1分類(lèi)特征的分析和提取4.1.1濕度t分量本研究采用纓帽變換的方法,提取原始影像的濕度分量作為分類(lèi)特征指數(shù)。纓帽變換又稱K-T變換,其變換公式為:Y=BX。這里X為變換前的多光譜空間的像元矢量,Y為變換后的新坐標(biāo)空間的像元矢量,B為變換矩陣。經(jīng)過(guò)K-T變換得到新的6個(gè)分量(主要針對(duì)1至5和第7波段,低分辨率的熱紅外波段不予考慮)中,第三分量為濕度,這個(gè)分量反映了可見(jiàn)光至近紅外波段(波段1至4)與波長(zhǎng)較長(zhǎng)的紅外(波段5,7)波段的差值,對(duì)土壤濕度和植被最為敏感,便于反映出濕度特征。這種方法對(duì)于LandsatTM和ETM+影像也是適用的。4.1.2基于特征的鹽殼類(lèi)型的分類(lèi)一定區(qū)域內(nèi)相鄰像元之間的紋理信息在影像分類(lèi)中扮演著更重要的角色。羅布泊“大耳朵”干鹽湖區(qū)在遙感影像上反映出明顯的紋理特征,因而對(duì)研究區(qū)進(jìn)行紋理特征的分析是非常必要的。Haralick提出的灰度共生矩陣法是當(dāng)前公認(rèn)的一種比較成熟、有效的方法。Marceau通過(guò)大量試驗(yàn)表明,基于灰度共生矩陣的紋理描述方法可以在很大程度上改進(jìn)所給影像分類(lèi)的精度。本研究引入該特征,以期在區(qū)分具有相同光譜特征、不同紋理特征的鹽殼類(lèi)型方面取得較好的效果。由于Landsat-7ETM+遙感影像的2,4波段對(duì)綠色植物特別敏感,7波段處于對(duì)水的強(qiáng)吸收帶,在本研究區(qū)所反映的紋理信息量較少,因此試驗(yàn)選取了1、3、5、6波段。采用灰度共生矩陣紋理分析法,分別提取試驗(yàn)波段的角二階距(SecondMoment,T1),同質(zhì)性(Homogeneity,T2),熵(Entropy)特征參與分類(lèi)。本研究利用ENVI4.5計(jì)算上述紋理指標(biāo),其中移動(dòng)窗口的大小設(shè)定為默認(rèn)的3×3,共生矩陣的計(jì)算方法為對(duì)角線方向,共生成了12個(gè)波段的紋理影像。生成的研究區(qū)紋理影像示例見(jiàn)圖3。4.1.3測(cè)量圖的繪制為了獲取研究區(qū)的高程信息,2006年9月采用美國(guó)天寶公司生成的Trimble5700測(cè)量型雙頻DGPS(水平誤差10mm±1ppm,垂直誤差20mm±2ppm)對(duì)研究區(qū)斷面進(jìn)行了高精度高程測(cè)量。測(cè)量路線的選擇基于經(jīng)過(guò)精校正的2002年5月13日Landsat-7ETM+遙感影像數(shù)據(jù),按照研究區(qū)現(xiàn)有公路布點(diǎn),開(kāi)始測(cè)定前,選取明顯地物,與2006年7月QuikBird影像、Trimble5700DGPS進(jìn)行精細(xì)的經(jīng)緯度匹配分析校正后,最終確定和完成了3條典型斷面的測(cè)量工作,采樣間距為1km,共計(jì)測(cè)點(diǎn)658個(gè),測(cè)量路線及測(cè)點(diǎn)見(jiàn)圖4。根據(jù)實(shí)測(cè)高程點(diǎn)數(shù)據(jù)和遙感影像“耳紋”分布規(guī)律,繪制等高距約為0.5m的等高線,并以此對(duì)整個(gè)“大耳朵”湖區(qū)地面相對(duì)高程分布進(jìn)行了推測(cè),應(yīng)用ArcGIS/ArcScense軟件生成了研究區(qū)DEM圖,繪制結(jié)果見(jiàn)圖4。通過(guò)對(duì)同一“耳輪”線上測(cè)點(diǎn)高程值的比較,高程波動(dòng)值在15cm以內(nèi),因此所繪制的等高線滿足基于ETM+遙感影像分類(lèi)的精度要求。4.2分類(lèi)段的選擇通過(guò)上述變換方法得到的特征圖像再加上原始波段共計(jì)19個(gè)新的波段,為了便于書(shū)寫(xiě),統(tǒng)一編號(hào)(表1)。為了選擇最佳分類(lèi)波段組合,本研究引入圖像信息熵(Entropy)作為主要指標(biāo)。信息熵是衡量圖像信息豐富程度的一個(gè)重要指標(biāo),通過(guò)對(duì)圖像信息熵的比較可以對(duì)比出圖像的細(xì)節(jié)表現(xiàn)能力。熵的大小,反映了圖像信息量的多少;熵值越大,說(shuō)明圖像的信息量越大,對(duì)分類(lèi)越有利。信息熵的計(jì)算公式為:E=?∑i=0L?1pilnpiE=-∑i=0L-1pilnpi(1)其中,pi為各灰度級(jí)出現(xiàn)的概念率。本研究利用Matlab7.0的Entropy()函數(shù)計(jì)算19個(gè)波段的熵值,各波段影像統(tǒng)計(jì)特征見(jiàn)表。針對(duì)各波段影像,依據(jù)其信息熵值的大小進(jìn)行排序,排名最大的是經(jīng)過(guò)K-L變換得到的濕度影像,信息熵值為4.6482,可以說(shuō)明此波段上不同類(lèi)型地物間可分性最大,其灰度值的變動(dòng)系數(shù)卻較小,為0.2463,統(tǒng)計(jì)其直方圖發(fā)現(xiàn),圖像中像元灰度值都非常小(灰度值的變動(dòng)范圍為-92.360596～37.555305),符合信息熵最大的條件(如果影像中所有灰度級(jí)出現(xiàn)的概率趨于相等,則包含的信息量越趨于最大),所以其會(huì)有一個(gè)很高的信息熵值。這也從另外一個(gè)角度說(shuō)明:圖像灰度值的變動(dòng)系數(shù)越大可分性越好的情形并不適合本研究出現(xiàn)的情況(表)。判斷影像的可分性的大小,信息熵這一指標(biāo)要比灰度變動(dòng)系數(shù)表現(xiàn)得更好,但是僅僅依據(jù)信息熵值的排名這一項(xiàng)指標(biāo)進(jìn)行最佳分類(lèi)波段的選取是有失公允的。這是因?yàn)椴](méi)有考慮到圖像之間的相關(guān)性大小,相關(guān)系數(shù)越大則說(shuō)明圖像之間的信息冗余度越大,將冗余度大的圖像組合在一起參與分類(lèi)不利于認(rèn)識(shí)圖像之間的差異,影響影像分類(lèi)精度。例如信息熵排名前兩位的波段是Wetness(第一波段)和原始波段3(第4波段),通過(guò)相關(guān)系數(shù)矩陣可以查處,這個(gè)兩個(gè)波段的相關(guān)系數(shù)為0.867254,呈現(xiàn)高度相關(guān)。若選取Wetness波段參與分類(lèi),再選擇原始波段3就不是最佳選擇了。本研究共生成19個(gè)波段的影像,顯然,在實(shí)際分類(lèi)過(guò)程中全部用到這19個(gè)波段組合是不現(xiàn)實(shí)的。根據(jù)經(jīng)驗(yàn)和綜合權(quán)衡分類(lèi)代價(jià)等因素,確定參與分類(lèi)的波段數(shù)目為3。再根據(jù)信息熵及相關(guān)系數(shù)矩陣,選取信息熵值較大且相關(guān)性較小的波段。通過(guò)對(duì)比,將濕度Wetness(第1波段)、原始波段1(第2波段)、SecondMoment3(第13波段)、Entropy5(第15波段)、Homogeneity7(第17波段)作為候選波段。最佳指數(shù)公式(OptimumIndexFactor,OIF)是美國(guó)的Chavez等人提出的選取分類(lèi)的波段,是通過(guò)灰度標(biāo)準(zhǔn)差進(jìn)行計(jì)算得出的。由表1可以看出,各波段灰度值的變動(dòng)系數(shù)并不能反映該波段信息量的大小和可分性的能力,而信息熵值直接反映了波段的信息量大小。因而,在本研究中,用波段的信息熵來(lái)代替其灰度標(biāo)準(zhǔn)差,其公式變動(dòng)情況見(jiàn)圖5:圖中:Si是第i個(gè)波段圖像灰度值的標(biāo)準(zhǔn)差;Ei是第i個(gè)波段圖像的信息熵;Rij表示第i個(gè)波段和第j個(gè)波段之間的相關(guān)系數(shù)。利用EOIF計(jì)算不同組合的結(jié)果(表2):從表2可以看出,1、13、15(wetness_SecondMoment3_Homogeneity7)組合的EOIF值最大,在下一步分類(lèi)處理時(shí)可以選擇該波段組合。5基于決策樹(shù)方法的分類(lèi)5.1湖岸堤至湖心鹽殼厚度的變化結(jié)合前人對(duì)羅布泊“大耳朵”地區(qū)鹽殼特征及其分類(lèi)所做的研究,根據(jù)野外取樣的試驗(yàn)分析結(jié)果建立該區(qū)鹽殼分類(lèi)體系。試驗(yàn)分析結(jié)果表明,羅布泊“大耳朵”干鹽湖區(qū)含水量約在1%～12%之間,本研究選擇8%作為分界點(diǎn),含水量>8%為濕鹽殼,含水量<8%為干鹽殼。另?yè)?jù)實(shí)地考察發(fā)現(xiàn),自湖岸堤至湖心鹽殼厚度逐漸降低,據(jù)此大致劃分為厚層鹽殼(>0.8m)、中層鹽殼(0.3-0.8m)和薄層鹽殼(<0.3m)。依據(jù)上述特征建立羅布泊“大耳朵”干鹽湖區(qū)鹽殼分類(lèi)體系根據(jù)地表鹽殼形態(tài),分為:丘狀干鹽殼(厚)、不規(guī)則狀干鹽殼(中)、筏塊狀濕鹽殼(中)、龜裂狀干鹽殼(厚)、蜂窩狀干鹽殼(薄)、平坦?fàn)顫覃}殼(厚)、蜂窩狀溫鹽殼(厚)和蜂窩狀濕鹽殼(薄),詳見(jiàn)表3。5.2“聚合物”類(lèi)型的影響訓(xùn)練樣本的選取要具有代表性或典型性,所選出的樣本點(diǎn)必須是該地物類(lèi)型的“藍(lán)本”,受到“異類(lèi)”光譜影響較小。結(jié)合遙感影像數(shù)據(jù)和實(shí)地調(diào)查數(shù)據(jù),選取了訓(xùn)練樣本(共計(jì)),各類(lèi)別訓(xùn)練樣本選取的數(shù)量情況如表4所示。5.3分類(lèi)決策樹(shù)模型通過(guò)對(duì)訓(xùn)練樣本DN值及光譜特征的分析,建立如下分類(lèi)決策樹(shù)模型(圖6)。其中,SecondMoment和Homogeneity的閾值是通過(guò)人機(jī)交互來(lái)選擇的最近經(jīng)驗(yàn)性數(shù)值。6分類(lèi)結(jié)果和分類(lèi)處理6.1分類(lèi)結(jié)果根據(jù)建立的決策樹(shù)模型,分層提取各類(lèi)鹽殼類(lèi)型,最后得到了羅布泊“大耳朵”地區(qū)鹽殼分類(lèi)(圖7)。6.2計(jì)算已檢測(cè)分類(lèi)精度r和一致性指數(shù)本研究采用混淆矩陣、Kappa指數(shù)對(duì)分類(lèi)結(jié)果進(jìn)行了驗(yàn)證和評(píng)價(jià)。使用驗(yàn)證樣本,以混淆矩陣分析方法計(jì)算分類(lèi)精度R和一致性指數(shù)Kappa。結(jié)果總精度達(dá)到86.3%,整體Kappa統(tǒng)計(jì)值為0.8420(表5)。其中,筏塊狀濕鹽殼(中)分類(lèi)精度較低,主要在于蜂窩狀濕鹽殼(厚)與筏塊狀濕鹽殼(中)在同等分辨率(30m)條件下不宜區(qū)分,從而限制了分類(lèi)精度。7分類(lèi)精度分析通過(guò)研究發(fā)現(xiàn),羅布泊“大耳朵”干鹽湖鹽殼的分布大致與“耳輪”影像特征相似,亦呈環(huán)狀分布。而在紅柳泉附近的鹽殼,受地下水影響呈現(xiàn)明顯的區(qū)域特征,不再呈環(huán)狀分布。其中,分布面積最廣的是蜂窩狀濕鹽殼,主要分布在湖心區(qū)域,湖盆周?chē)饕植贾教範(fàn)铥}殼與丘狀鹽殼,西南部由于地勢(shì)相對(duì)較陡,鹽殼類(lèi)型相對(duì)較多。筏塊狀濕鹽殼分類(lèi)精度較低,主要是該鹽殼與蜂窩狀濕鹽殼均分布在同一條帶,且均為濕鹽殼,在影像特征中不易區(qū)分,表現(xiàn)出明顯的相間分布特征。丘狀和龜裂狀干鹽殼分類(lèi)精度均不高,通過(guò)實(shí)地調(diào)查發(fā)現(xiàn),原因是這兩種鹽殼類(lèi)型相間分布,受ETM+空間分辨率(30m)的影響,降低了分類(lèi)精度,導(dǎo)致分類(lèi)精度不高。另外,羅布泊“大耳朵”干鹽湖區(qū)廣布的各類(lèi)鹽殼之間沒(méi)有明顯的界限,例如:丘狀干鹽殼與龜裂狀干鹽殼;蜂窩狀濕鹽