Press "Enter" to skip to content

2020易智瑞开发竞赛ENVI-IDL组作品欣赏——基于多源数据的平潭岛生态遥感评价

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

作品单位: 福建师范大学地理科学学院

 

小组成员: 陈晓琼,林淇昕,郑伊灵,赵月

 

指导教师: 沙晋明,李小梅

 

获奖情况:三 等奖

 

作品点评: 作品基于遥感生态指数研究平潭岛的生态动态变化过程。基于随机森林对 5 年的 Landsat 数据进行分类,验证了加入特征变量前后的精度,根据特征变量的重要性选择了 3 个特征变量参与分类,精度提高了 6.7 个百分点,分析了 5 年间土地利用变化情况;分别计算地表温度、植被覆盖度,分析两个指标的相关性;利用绿度、湿度、热度、干度四个生态指标计算遥感生态指数( RSEI ),分析了四个年份 RSEI 变化情况和典型土地类型内 RSEI 的均值信息;最后对 RSEI 进行了空间自相关分析。作品技术流程清晰,操作文档详细,对结果做了详细的分析,从土地利用变化、植被与地表温度相关性和 RSEI 指数变化多个维度分析了生态环境的变化。

 

一、作品概述

 

本作品基于随机森林优化分类、土地利用类型数据、土地利用变化数据、遥感生态指数、植被覆盖度、地表温度等多种数据,对平潭综合实验区的平潭岛进行生态评价,探究 1996 年到 2017 年平潭综合实验区的生态变化情况。

 

二、作品技术流程

 

如下图所示,本作品技术流程主要分为三大层。第一层,数据层。遥感卫星影像使用前按照流程进行严格的数据预处理,如 Landsat 数据需要经过辐射定标、 FLAASH 大气校正、研究区矢量裁剪;其中, Landsat 数据从 https://www.usgs.gov/ 进行下载, DEM 数据从地理空间数据云( http://www.gscloud.cn/ )进行下载。第二层,数据处理层。承接上一层对数据进一步处理,对土地利用进行随机森林优化分类、单窗算法反演地表温度、利用像元二分法获取研究区植被覆盖度、对影像进行水体掩膜并获取遥感生态指数( RSEI )。第三层,评价层。上一步对数据进行处理后,对得到的各个指标进行分析,探究土地利用状况、地表温度与植被覆盖度相关性以及遥感生态指数等对平潭岛生态环境状况进行评价,探究 1996 年到 2017 年平潭综合实验区的生态变化情况。

 

 

图:项目技术流程图

 

三、主要处理过程

 

3.1 遥感数据预处理

 

遥感数据预处理主要为辐射定标和大气校正。利用扩展工具 ENVI Raster Processing Batch Tools 对 Landsat 数据进行批量辐射定标,对定标的辐射亮度图像进行 FLAASH 大气校正,得到地表反射率图像。

 

3.2 随机森林优化分类

 

为进一步提高分类精度和效率,通过对光谱、纹理、地形等特征的提取,与随机森林算法相结合,对随机森林算法进行优化,实现在随机森林分类运行效率可接受范围内的更高分类精度。共提取 16 个特征变量。其中光谱特征变量包括:归一化植被指数( NDVI )、归一化建筑指数( NDBI )、改进的归一化差异水体指数 (MNDWI) 与缨帽变换的前三个波段(绿度、湿度、亮度)等 6 个参数。纹理特征变量包括:均值、方差、同质性、对比度、非相似性、熵、二阶矩、相关性共 8 个参数,对多光谱影像提取其第 1 主成分,利用灰度共生矩阵 (GLCM) 统计第 1 主成分的纹理特征。地形变量包括:坡度与坡向,利用 ALOS DEM 数据进行地形特征的提取。

 

根据 16 个特征变量的计算方法分别进行了提取,以下为部分提取的变量。

 

 

图: NDBI (左)与灰度共生矩阵纹理特征(右)

 

基于平潭土地利用的现状和现有统计调查资料建立解译标志进行样本选择,类别分为:林地、耕地、水域、建设用地与未利用土地。利用 ENVI 随机森林分类工具进行分类,并进行精度验证,分类总体精度达到了 92.03% , Kappa 系数为 0.8963 。对未使用 16 个变量进行了分类精度对比,较未加入特征变量的分类精度提高了 6.7% , Kappa 系数提高了 0.0867 。

 

由于加入 16 个特征变量大大增加了图像的信息量,使得分类的速度变慢,分类效率变低,因此考虑减少特征变量数目以获得更高的分类效率。选择特征变量中重要性排名前五的特征变量(坡度、均值、坡向、方差和非相似性)进行特征变量的组合,并进行分类与精度验证,精度验证结果显示分类总体精度为 93.12% , Kappa 系数为 0.91 ,较加入全部特征变量的分类精度提高了 1.08% ,且分类速度显着提高。由此可见,选择特征变量中重要性排名前五的特征变量进行组合不仅能够有效地提高分类精度,并且能提高分类的速度。

 

利用上述方法别对平潭 1996 、 2002 、 2011 、 2014 与 2017 年的数据进行分类。五期影像的分类精度与 Kappa 系数如表所示。

 

表:土地利用分类精度

19962002201120142017
Overall Accuracy93.1083%91.1197%92.1678%94.2761%93.1159%
Kappa Coefficient0.90460.88350.89980.92750.9100

 

 

图:土地利用分类图

 

基于时间段土地利用分类图和土地利用转移矩阵分析法计算得到平潭县六个年份前后土地利用变化情况。并通过计算土地利用类型的变化率指数得到土地利用变化幅度、速度以及比率,通过对研究区各年份数据进叠加和分析,最终得到 1996-2002 年、 2002-2011 年、 2011-2014 年、 2014-2017 年的土地利用 / 覆被变化的转化分布。

 

 

图:土地利用类型变化(上)幅度 (下)速率

 

3.3 单窗算法反演地表温度

 

包括辐射亮温定标、计算 NDVI 和植被覆盖度、 地表比辐射率、大气平均作用温度、获取大气透过率、反演地表温度六个蛀牙步骤。基于 IDL 编写了单窗算法反演温度批处理工具。

 

 

图:地表温度反演分区图

 

3.4 植被覆盖度

 

基于像元二分法估算植被覆盖度,使用了上一步获取的土地分类结果统计 NDVI 中的极值,并对对植被覆盖度与地表温度结果进行了相关性分析。

 


: 2002

-2017

年植被覆盖度影像

 

3.5 遥感生态指数( RSEI )

 

基于绿度、湿度、热度、干度四个指标构建遥感生态指数( RSEI )。分别得到四年的 RSEI 结果。

 

 

图:平潭岛遥感生态指数 RSEI 影像

 

对结果进行 RSEI 总体均值、土地类型 RSEI 均值、 RSEI 变化结果分析,并进行了 RSEI 空间自相关分析。

 

 

图:平潭岛聚类与异常值分析图

 

四、作品关键技术与结论

 

本作品以平潭岛为研究区,分析平潭岛从 1996 年 -2017 年土地利用变化特征,揭示其对平潭岛生态环境产生的影响,这将为协调海岛人地关系,合理开发利用海岛土地资源有着现实意义,并将为海岛生态环境建设和管理提供科学参考依据。

 

2. 本作品利用 2002 年、 2011 年、 2014 年、 2017 年四个时段的 Landsat 卫星遥感影像反演植被覆盖度以及温度,探究平潭岛热环境变化特征,建立平潭岛植被覆盖度与地表温度相关关系,可为岛内生态环境保护和可持续发展提供依据。

 

3. 本作品通过提取遥感生态指数( RSEI )对平潭岛多年份生态环境变化进行快速监测分析。通过遥感生态指数直接的看分析出平潭岛大开发前后的生态状况。并在提取 RSEI 的基础上,分析 RSEI 各等级的变化、 RSEI 空间自相关情况、不同地类 RSEI 的变化情况等,从多个维度对 RSEI 展开分析,可为 RSEI 的外延分析提供一定的借鉴。

4.

通过对平潭岛 1996 年 -2017 年的土地利用分类的分析可以得到这 21 年来平潭处于高速发展阶段,建设用地大幅增加,耕地大幅减少。通过对 2002 年到 2017 年地表温度、植被覆盖度的反演,可以得出平潭岛植被覆盖度处于先下降后上升的趋势,并且植被覆盖度与温度之间存在着较强的负相关性。通过提取 2002 年到 2017 年的遥感生态指数并进行分析,可以得到平潭岛在 2011 年到 2014 年间处于大开发阶段, RSEI 值变差明显,生态变差明显。 2014 年到 2017 年间 RSEI 值有所上升,生态恶化有所缓和。

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注