利用卫星遥感数据提取生态干扰信息的方法研究

吴伟，武瑞东*

1.云南大学 国际河流与生态安全研究院，云南 昆明 650091

2.云南省国际河流与跨境生态安全重点实验室，云南 昆明 650091

利用卫星遥感数据提取生态干扰信息的方法研究

吴伟1,2，武瑞东1,2*

1.云南大学 国际河流与生态安全研究院，云南 昆明 650091

2.云南省国际河流与跨境生态安全重点实验室，云南 昆明 650091

利用卫星遥感数据获取具有高时空分辨率的生态干扰信息，是生态保护规划与自然资源管理的重要需求。本文通过系统研究国内外相关进展，总结提出了利用卫星遥感数据提取生态干扰信息的三种方法。详细阐述了基于高分一号、Landsat 和 MODIS (Moderate Resolution Imaging Spectroradiometer)等三种遥感影像的生态干扰信息提取方法，并讨论了不同方法的适用性和局限性。

生态干扰；遥感数据；植被指数；地表温度；MODIS

引言

提取生态干扰位置与强度的空间分布数据对于追踪生物圈对人类活动与气候变化的响应、构建全球碳收支模型、提升自然资源管理模式及生态保护规划等，都具有十分重要的意义[1]。生态干扰定义为一个生态系统的结构与功能及其产生的影响被持续阻断，且持续时间超过自然植被的单季生长周期的事件[2,3]。也有研究将生态干扰定义为致使生态系统植被叶面积指数发生明显变化并持续超过一年时间的任何因素[4]。生态干扰可以分为自然发生的干扰 (如野火、干旱等) 和人类活动引发的干扰 (如为发展农业而开垦土地、采伐森林等)。生态干扰所产生的影响在很大程度上受其发生的时间、强度、位置、持续时长等因素控制[5]。

遥感技术具有覆盖范围广、时间分辨率高、成本较低以及资料收集方便快捷等优势[6]，目前已广泛应用于生态干扰信息的提取。例如，Goetz[7]等利用从AVHRR (Advanced Very High Resolution Radiometer)数据中所得到的 NDVI (Normalized Difference Vegetation Index) 指数对北美森林火灾信息进行提取并研究其灾后恢复状况。Huang[8,9]等基于Landsat遥感数据，使用 VCT (Vegetation Change Tracker) 模型将扰动区、森林以及非森林区域区别开来，提取其扰动信息。付安民[10]等基于 MODIS 数据分析东北亚地区森林的时序变化情况，提取了研究区森林采伐与森林火灾扰动的相关变化信息。Mildrexler[1]等利用 MODIS 陆地产品的增强型植被指数 EVI (Enhanced Vegetation Index) 和地表温度 LST (Land Surface Temperature) 的负相关关系，构建扰动指数，提取森林干扰的发生区域和灾后恢复等信息。

另外，在生态保护规划中，生态干扰信息对于系统评估区域生态保护价值、判识优化保护区网络分布、提升自然资源管理、进而平衡保护与开发用地矛盾等方面，具有重要作用[11]。目前多采用已有基础地理数据和土地利用数据，通过构建空间分析模型，来提取生态干扰信息[11]。但由于基础地理和土地利用数据的更新需要投入大量人力物力，且周期很长，导致所提取的生态干扰信息数据陈旧，时效性很差。这严重影响了生态保护规划结果的可靠性与实用性。因此，如何利用卫星遥感数据快速提取生态干扰数据，是生态保护规划研究与实践的重要需求。本文通过系统研究国内外相关进展，总结提出利用卫星遥感数据提取生态干扰信息的三种方法，并以不同卫星遥感数据源为载体，阐述三种方法对不同生态干扰类型的适用性与局限性。

1 多源卫星遥感数据源

1.1 高分一号数据

高分一号 (GF-1) 卫星是中国高分辨率对地观测系统的第一颗卫星，于 2013年4月26日成功发射，携带的光学相机可以获取 2 米全色、8 米多光谱和 16 米多光谱宽幅影像。单星上同时实现了高分辨率与大幅宽的结合，适应多种空间分辨率、多种光谱分辨率、多源遥感数据的综合需求，能满足各类应用需求[12]。

目前，高分一号数据主要用于土地利用变更调查、生态环境监管调查与评价、矿产资源开发状况调查、土地利用变化动态监测、水环境监测与评估以及空气环境监测与评价等方面[13]。

1.2 Landsat 数据

Landsat 是美国国家航空航天局 (NASA) 的陆地卫星计划。自 1972年以来，已成功发射七颗 Landsat卫星，并进行了 40 多年的连续对地观测。其产品先后分别有 MSS、TM、ETM+ 以及最新的 Landsat 8 OLI / TIRS 影像。

Landsat 系列卫星数据具有长期连续、全球覆盖、适中的时间空间分辨率和科学的数据存档与分发策略等优点。目前是地球科学系统研究中最为有效的遥感数据源之一。因而，Landsat 数据被广泛应用于生态、环境、农业、资源、能源、教育及科研等相关领域[14]。

1.3 MODIS 数据

MODIS (中分辨率成像光谱仪) 是搭载在EOS (Earth Observation System) 系列卫星 Terra / Aqua 上的光学遥感仪器。MODIS 数据共有 36 个波段，空间分辨率包括 1000 米、500 米和 250 米三种。其数据产品根据内容不同分为 0 级、1 级数据产品，在 1B 级数据产品后分为 2-4 级数据产品。

由于 Terra 和 Aqua 卫星每天可以获得两次白天和两次夜间的 MODIS 遥感数据，所以 MODIS 数据的更新频率较高，属于“高时间分辨率”。对实时地球观测、应急处理和日内频率的地球系统研究具有重要意义。基于这一特点，MODIS 数据广泛应用于区域及全球尺度的土地覆盖和土地利用研究、气候的季度和年际变化研究以及地球各个圈层长时间序列的综合观测和研究等方面[15]。

2 生态干扰信息提取方法

2.1 基于 GF-1 影像的土地利用分类及统计分析法

生态干扰的发生往往伴随着土地覆被的变化，如野火、干旱等会造成植被覆盖量的急剧减少。通过遥感分类的方法观测同一地区的土地覆被变化，能够检测到发生变化的像元。通过设定相应阈值对像元进行统计，可提取发生干扰的像元，进而对生态干扰进行相关分析。

2.1.1 SVM 分类

SVM (Support Vector Machine) 意为支持向量机分类法，是一种以统计学理论为基础的样本学习方法。其优势在于解决高维、非线性以及样本较小等问题时具有很高的效率。当前，SVM 方法已广泛应用于土地覆被分类等领域中。

SVM 是一种以最优化理论和最小化结构风险为基础的分类方法，分类前需要选择最优的一个分类超平面[16]。分类过程如下：首先，分类所用训练样本集中一共有k个样本，表示两个类别的问题，数学表达为(a1，b1)，(a2，b2)…(ak，bk)，b{1，-1}，之后选择一个最优超平面来分开两类[17]：

上式中，W为权重向量，d为偏移量，d∈R(R为样本空间) ，z是将样本空间映射到高维甚至无穷维特征空间H中的特征向量，即：

由上述约束条件和目标函数，可化为计算最优化问题[17]，即：

式中，ξ为松弛变量，ξi≥ 0 (i= 1, 2, 3…k)，C为惩罚系数。数据线性不可分现象由于松弛变量和惩罚系数的引入而变得容易被处理。对于上述计算最优化的问题，还可利用拉格朗日函数求解，可得到以下约束条件和目标函数[17]：

上式中，L(x) 为拉格朗日函数，K(ai，aj) 就是核函数，K(ai，aj) =z(ai)(aj)。

最后，求得 SVM 决策函数为：

式中，f(a) 指决策函数，sgn() 为符号函数，y0为分类阈值[18]。

利用 SVM 分类法对不同时期同一地区的 GF-1影像进行分类处理，即可得到提取生态干扰信息所需的土地分类数据。

2.1.2 生态干扰信息提取

土地覆被分类完成之后，采用相对变化率和净变化率两个指标来表征土地利用类型及其数量的变化。其中，土地利用的相对变化率是指研究时段区间内土地利用类型数量相对于研究时段开始时的土地利用类型数量的变化情况；而土地利用的净变化率则是反映研究时段区间内土地类型面积的年均变化速度。以下为计算公式[19]：

式中，N指的是土地利用的相对变化率，Rc则为土地利用的净变化率；Sb、Sa分别为研究时段区间中末期与初期的土地面积；ΔSin是表示其它土地利用类型总共转换为某种土地利用类型的面积，ΔSout则是指研究时段区间内该种土地利用类型总共变化为其它土地利用类型的面积；T是研究的时段。

基于上述公式所得结果，对多期土地利用分类数据进行相关数理统计与分析，可得出各时期的不同土地利用类型的面积以及相对变化率和净变化率。结合统计分析所得结果以及资料记录和实地调查，可以设定相应的阈值，去除自然变化的影响，提取相应的人为和自然干扰信息并做相关分析。

2.1.3 适用的干扰类型与局限性

由于分类及统计分析法使用的遥感数据源为高分一号影像，拥有高分辨率和大幅宽 (2 m 高分辨率实现大于 60 km 成像幅宽，16 m 分辨率实现大于 800 km成像幅宽) 结合的特点，故该影像数据量极大。对于大尺度的研究来说，其获取成本很高，数据处理起来耗时长、难度大，故适用于较小尺度的精确干扰信息的提取，如小范围的森林采伐、矿产资源的开采等。

2.2 基于 Landsat 影像的 DI 干扰指数法

DI 指数法的基本原理是缨帽变换的应用，是指湿度与绿度组合在一起能很好地突出植被的光谱响应特征，而且亮度对于非植被的光谱特征具有很高的敏感性。DI 就是由这三个缨帽分量所构成，干扰区域相对于未受干扰区域的亮度分量较高，而湿度与绿度分量较低[20]。

2.2.1 干扰指数 DI 计算

在计算干扰指数 DI 之前，首先对经过预处理的Landsat 数据做缨帽变换以及归一化处理，表示为[21]：

上式中，Br、Gr和Wr各自表示归一化亮度、归一化绿度和归一化湿度；B、G和W分别为缨帽变换后的亮度、绿度和湿度分量；Bm、Gm和Wm各自代表植被的平均亮度、平均绿度和平均湿度；Bn、Gn和Wn分别表示植被亮度、绿度和湿度的标准差。

于是，干扰指数计算如下[22]：

式子中的 ΔDI是指干扰研究时间段内DI的差值，DIyear1和DIyear2分别代表研究时段开始与结束年份的DI值。

计算归一化植被指数 NDVI[22]：

上述式中，NIR代表近红外波段的反射率，RED则表示红外波段的反射率；ΔNDVI是干扰研究时间段内NDVI的差值；NDVIyear1和NDVIyear2分别代表研究时段开始与结束年份的NDVI值[22]。

2.2.2 生态干扰信息提取

在实际应用中，使用检测时段最终年份的DI值以及 ΔDI与 ΔNDVI的乘积综合判断干扰发生的范围和程度[22]。在发生干扰的区域，Br为相对较高的正值，而Gr和Wr则为相对较低的负值。所以对于干扰区特别是新近发生干扰的区域来说，DI值会比较高；而对于植被密集如森林地区来说，Br为相对较低的负值，而Gr和Wr则为相对较高的正值，故DI值会比较低[22]。对于其它区域 (植被相对稀疏的区域) 来说，DI值会趋近于零，于是引入 ΔDI与 ΔNDVI的乘积值来帮助提取干扰信息。若只是利用 ΔNDVI来判断干扰，其变化值可能较小，不易做出准确的判定，而使用 ΔDI与 ΔNDVI的乘积有效扩大了干扰像元的特征，这就有助于选取合适的阈值来提取区域干扰信息[20-22]。

2.2.3 适用的干扰类型与局限性

DI指数法主要依据缨帽变换的原理，通过变换后亮度、绿度和湿度三个分量对植被与非植被光谱特征的敏感度以及相应植被指数的处理分析来达到提取生态干扰信息的目的，所以这个方法对密集植被覆盖区的干扰更为敏感。当前该方法常用于检测提取植被覆盖密集的区域的干扰信息，例如提取森林火灾或者森林采伐等干扰信息。

但是，DI指数法使用的 Landsat 影像时间分辨率较差，难以反映连续的动态干扰变化。

2.3 基于 MODIS 影像的 MGDI 全球干扰指数法

陆地表面温度与大气-地表之间的能量通量变化以及相互作用存在着密切联系，是研究区域乃至全球尺度陆地生态过程的重要参数[23]。植被指数反映了绿色植被的生长状况，而地表温度主要与地表土壤的湿度状况相关。植被指数与地表温度相互关联，存在着明显的负相关关系[24]。

MGDI (Modis Global Disturbance Index) 由Mildrexler 等人提出，利用 MODIS 陆地产品的 LST和 EVI (Enhanced Vegetation Index) 提取大尺度生态干扰信息。之所以选用 EVI 而不是 NDVI，是因为在高生物量区，NDVI 会趋于饱和，而 EVI 则不会出现这种情况，这对土地覆被变化的检测有很大影响[25]。

2.3.1 构建瞬时 MGDI 指数与非瞬时 MGDI 指数

构建全球生态干扰指数的原理是采用 MODIS 陆地产品中的 LST 与 EVI，将每年合成的最大 LST 与最大 EVI 的比率除以目标年之前多年最大 LST 与最大 EVI 比率的均值[25]。

上式中，MGDIInst是指瞬时的全球生态干扰指数值，LSTmax(℃) 是指一年内所有 8 天合成的 LST 的年最大值，EVImaxpost是最大 LST 出现的时间点后的 EVI最大值，currentyear(y) 是指目标检测年份，multiyearmean(y-1) 是指目标检测年份之前多年LSTmax/EVImaxpost的平均值。

式中，MGDINon_inst是指非瞬时的全球生态干扰指数值，LSTmax(℃) 是指一年内所有 8 天合成的 LST 的年最大值，EVImax是指一年内所有 16 天合成的 EVI的年最大值，currentyear(y) 是指目标检测年份，multi-yearmean(y-1) 是指目标检测年份之前多年LSTmax/EVImax的平均值。

2.3.2 生态干扰信息提取

在植被没有受到干扰的状况下，MGDI 的值在常数1附近轻微波动。当发生干扰事件时，LST 与 EVI的比率会显著增大，导致 MGDI 的取值大幅偏离 1。针对 MGDI 数据，使用像元统计分析方法来确定干扰事件相对于自然变化的阈值，然后通过不同的阈值划分来标定瞬时干扰事件和非瞬时干扰事件，从而提取地表各类生态干扰的相关信息并加以研究分析。

2.3.3 适用的干扰类型与局限性

瞬时干扰指数可以用于检测大范围的野火、干旱以及人工采伐等发生后能够及时反映出地表温度或植被指数变化的生态干扰事件。而对于大规模的海啸、飓风等干扰发生后不能立即反映出地表温度和植被指数变化，干扰影响需要在一段时间 (一般认为是一年)后才能表现出来的生态干扰类型，非瞬时干扰指数极为适用。总之，利用长时间序列的 MODIS 影像来提取 MGDI 数据，极大地提高了检测生态干扰的效率，对于提取各类生态干扰信息以及研究生态干扰的时空变化均有重要意义。

然而，由于 MODIS 影像的空间分辨率较低，可能无法检测到一些发生在亚像元尺度且影响范围较小的干扰事件。

3 结论与展望

本文研究了当前利用高分一号、Landsat 和MODIS 三种卫星遥感影像作为数据源来提取生态干扰信息的方法。综合分析了不同方法的构建原理及其对不同类型生态干扰信息提取的适用性与局限性。在未来的研究与实践应用中，需要重点在以下两个方面取得突破：一是如何融合使用具有不同时间空间分辨率的多源卫星遥感数据 (如 MODIS 数据具有高时间分辨率低空间分辨率，而 Landsat 数据具有低时间分辨率高空间分辨率)，从而通过综合利用各类数据的优点，提高生态干扰信息提取的精度；二是进一步构建明确的、适用于不同生态干扰类型的信息提取方法，不断提高生态干扰信息提取的效率。

[1] Mildrexler D J, Zhao M, Heinsch F A, et al.A new satellite-based methodology for continental-scale disturbance detection[J].Ecological Applications, 2007, 17(1): 235-250.

[2] Potter C, TAN P N, Steinbach M, et al.Major disturbance events in terrestrial ecosystems detected using global satellite data sets[J].Global Change Biology, 2003, 9(7): 1005-1021.

[3] Potter C, Tan P N, Kumar V, et al.Recent history of largescale ecosystem disturbances in North America derived from the AVHRR satellite record[J].Ecosystems, 2005, 8(7): 808-824.

[4] Waring R H, Running S W.Forest ecosystems: analysis at multiple scales[M].Elsevier, 2007.

[5] Dale V H, Brown S, Haeuber R A, et al.Ecological principles and guidelines for managing the use of land[J].Ecological applications, 2000, 10(3): 639-670.

[6] 杨存建, 周成虎.TM 影像的居民地信息提取方法研究[J].遥感学报, 2000, 4(2): 146-150.

[7] Goetz S J, Fiske G J, Bunn A G.Using satellite time-series data sets to analyze fire disturbance and forest recovery across Canada[J].Remote Sensing of Environment, 2006, 101(3): 352-365.

[8] Huang C, Goward S N, Masek J G, et al.An automated approach for reconstructing recent forest disturbance history using dense Landsat time series stacks[J].Remote Sensing of Environment, 2010, 114(1): 183-198.

[9] Huang C, Goward S N, Schleeweis K, et al.Dynamics of national forests assessed using the Landsat record: Case studies in eastern United States[J].Remote sensing of Environment, 2009, 113(7): 1430-1442.

[10] 付安民, 孙国清, 过志峰, 等.基于 MODIS 数据的东北亚森林时序变化分析[J].北京大学学报: 自然科学版, 2010 (5): 835-843.

[11] Wu R, Long Y, Malanson G P, et al.Optimized spatial priorities for biodiversity conservation in China: a systematic conservation planning perspective[J].PloS one, 2014, 9(7): e103783.

[12] 白照广.高分一号卫星的技术特点[J].中国航天, 2013 (8): 5-9.

[13] 杨长坤, 王崇倡, 张鼎凯, 等.基于 SVM 的高分一号卫星影像分类[J].测绘与空间地理信息, 2015, 38(9): 142-144.

[14] 姜高珍, 韩冰, 高应波, 等.Landsat 系列卫星对地观测40年回顾及 LDCM 前瞻[J].遥感学报, 2013, 17(5): 1033-1048.

[15] 黎治华.基于 MODIS 反演重构时间序列数据的长江三角洲地区生态环境演变研究[D].华东师范大学, 2011.

[16] 王双亭, 艾泽天, 都伟冰, 等.基于 SVM 不同核函数的多源遥感影像分类研究[J].河南理工大学学报: 自然科学版, 2011, 30(3): 304-309.

[17] 陈文倩, 丁建丽, 王娇, 等.基于高分一号影像的土地覆被分类方法初探[J].干旱区地理, 2016, 39(1):182-189.

[18] 刘华煜.基于支持向量机的机器学习研究[D].大庆石油学院, 2005.

[19] 马晴, 李丁, 廖杰, 等.疏勒河中下游绿洲土地利用变化及其驱动力分析[J].经济地理, 2014, 34(1): 148-155.

[20] 郁达威.不同遥感资料森林扰动检测分析[D].南京信息工程大学, 2013.

[21] Healey S P, Cohen W B, Yang Z, et al.Comparison of Tasseled Cap-based Landsat data structures for use in forest disturbance detection[J].Remote Sensing of Environment, 2005, 97(3): 301-310.

[22] 曹云, 祝善友, 高玚, 等.复合高低空间分辨率遥感影像的云南省近十年森林扰动提取[J].西北林学院学报, 2015, 30(6): 203-209.

[23] Friedl M A, Davis F W.Sources of variation in radiometric surface temperature over a tallgrass prairie[J].Remote Sensing of Environment, 1994, 48(1): 1-17.

[24] Wan Z, Zhang Y, Zhang Q, et al.Quality assessment and validation of the MODIS global land surface temperature[J].International journal of remote sensing, 2004, 25(1): 261-274.

[25] Mildrexler D J, Zhao M, Running S W.Testing a MODIS global disturbance index across North America[J].Remote Sensing of Environment, 2009, 113(10): 2103-2117.

Methods for Extracting Ecological Disturbances by Using Satellite Imageries

Wu Wei1,2, Wu Ruidong1,2*
1.Institute of International Rivers and Eco-security, Yunnan University, Kunming, Yunnan 650091
2.Yunnan Key Laboratory of International Rivers and Transboundary Eco-security, Yunnan University, Kunming, Yunnan, 650091, China

Extracting the ecological disturbances by using satellite imageries with high spatio-temporal resolutions is an important requirement in conservation planning and natural resources management.By systematically reviewing the relevant studies, this paper presented three methods for extracting the ecological disturbances by using satellite data.We described in detail the extracting methods of ecological disturbances based on three types of satellite imageries, including GF-1, Landsat and MODIS (Moderate Resolution Imaging Spectroradiometer).We also discussed the applicability and limitations of these three methods.

ecological disturbance; remote sensing data; vegetation index; land surface temperature; MODIS

10.11871/j.issn.1674-9480.2017.01.005

国家重点研发计划 (2016YFC0502103)；国家自然科学基金 (31670539)

武瑞东 (rdwu@ynu.edu.cn)

2017年1月30日

吴 伟：云南大学国际河流与生态安全研究院，硕士研究生，研究方向为遥感信息提取。

E-mail:weiw0903@163.com

武瑞东：云南大学国际河流与生态安全研究院，副研究员，研究方向为保护生物地理学、生态系统服务和系统保护规划。

E-mail:rdwu@ynu.edu.cn