低分辨率遥感影像在湖泊蓝藻监测中的应用

王春林　孙金彦　钱海明（安徽省·水利部淮委水利科学研究院　合肥　230088）

科技论坛

低分辨率遥感影像在湖泊蓝藻监测中的应用

王春林孙金彦钱海明
（安徽省·水利部淮委水利科学研究院合肥230088）

本文以合肥市巢湖为例，分析了低分辨率遥感影像（Terra/modis、Aqua/modis等）在湖泊水环境监测中应用情况特点。针对低分辨率遥感影像监测结果精度较低的问题，研究了如何利用归一化植被指数、颜色、形状、平滑度等特征，结合多尺度分割方法以提高监测结果精度，为实时监控水质、预警蓝藻水华爆发提供基础数据和技术支持。

低分辨率湖泊遥感影像蓝藻监测

河湖作为人类赖以生存的重要水资源，不仅是生产、生活用水的主要水源，同时还具有维持生物多样性、调节气候、地表径流等功能。常规蓝藻水华监测以人工检测和自动检测相结合，数据精度较高，但是无法同步获取整个水域的信息，并且需要耗费大量人力物力。因此对于突发多变的水华，常规监测方法的效果有限。卫星遥感技术改善了这一不足，具有快速、大尺度和动态监测等特点，能够获取研究区域的瞬时同步数据，是监测水华的有效手段。在现有的业务化蓝藻监测中，常以250m空间分辨率的MODIS遥感数据为主。但是由于MODIS遥感数据的空间分辨率较低，其像元多为水体和蓝藻水华的混合像元，常规方法仅采用归一化植被指数阈值法进行分割提取，势必会严重影响蓝藻水华监测的精度和实际应用效果。针对上述问题，以巢湖为例，本文研究了如何利用归一化植被指数、颜色、形状、平滑度等特征，结合多尺度分割方法以提高监测结果精度，为实时监控水质、预警蓝藻水华爆发提供基础数据和技术支持。

1　资料来源

该研究采用的数据是由安徽省河湖监测遥感中心提供的MODIS1B卫星资料，空间分辨率为250m。在辐射定标将图像DN值转化为辐亮度及反射率的基础上，采用数据地理定位文件（MODIS03）对定标后数据进行地理定位，坐标系为常用的UTM坐标系，WGS-84椭球体，巢湖时区为50。

2　多尺度分割原理

多尺度分割是通过对影像中目标设立一个特定的阈值尺度，根据影像中目标地物的光谱、形状等特征，建立相应的分割准则，基于对象内部异质性最小原则，从单像素的对象开始进行一个自下至上的区域合并技术（见图1）。多尺度分割方法将光谱信息类似的相邻像元合并，使得对象间的异质性最大。

图1　　多尺度分割原理图

异质性的度量准则的计算公式为：

式中：w为权值；x为光谱异质性；y为形状异质性；σi为i影像层光谱值的标准差；pi第i影像层的权；u为影像区域整体紧密度；v为影像区域边界平滑度；E为影像区域实际的边界长度；N为影像区域的像元总数；L为包含影像区域范围的矩形边界总长度。

3　湖泊蓝藻监测实验

蓝藻，即蓝细菌、蓝绿菌是单细胞原核生物。单个蓝藻是无法可见的，只有到蓝藻聚集、以细胞群形式出现时才可到，这种现象称之为“水华”。利用低分辨率遥感数据可监测大面积的蓝藻水华情况。

常规方法只采用NDVI阈值法进行监测，其监测结果严重受阈值大小影响，要求监测人员具备丰富的经验和理论知识以设置合理的阈值，且常规方法也易受混合像元（由水体和水华混合组成）的影响，严重影响蓝藻水华监测的精度和实际应用效果。本文对常规方法进行了改进，综合利用光谱特征、形状特征，在利用多尺度分割的基础上，利用NDVI特征进行最邻近方法分类以获取最终监测结果。图2为湖泊蓝藻监测实验流程图。实验结果如图3所示。

图2　监测流程图

图3 对比实验图

图3（a）为处理后的低空间分辨率遥感影像，图3（c）为常规方法监测结果（人工去除了水岸边水草、树木等植被），图3（d）为改进后的方法的结果。常规方法是采用阈值、基于像元的提取技术，存在不可避免的缺陷，从视觉效果看，分类输出的影像均存在所谓的“椒盐现象”，即存在部分分类噪声，这种噪声主要是由于分类是像素间缺乏空间联系造成的。这种噪声效果不符合自然界地物的客观特性，难以形成符合人类思维特点的语义输出。本文方法完全克服了这种噪声的影响，具有良好的视觉效果，这是因为这种信息提取的方法针对同质多边形对象，即分割后的同质影像对象。

本文以同时相的环境小卫星（HJ-1 CCD）监测结果（图3（b））作为标准，对低分辨率遥感影像检查结果进行检验，结果见表1。

从表1可以看出：相同条件下，改进后的方法比常规NDVI阈值法的误提取面积降低了3.25km2。

表1　　监测结果评价

4　结论

以巢湖为例，研究了利用低分辨率遥感影像进行蓝藻水华信息的遥感监测应用。通过对不同方法蓝藻水华监测结果的比较证明，本文改进后的方法可以提高基于低空间分辨率遥感影像（如MODIS）的蓝藻水华监测结果精度■