6
特区域的初步圈定
。
然而,基于水文地质
872
地球信息科学学报
2010年
图进行喀斯特区域信息的获取受已有水文地质图
资料的限制。
一方面,获取到的水文地质图比例尺
往往难以正好匹配研究区范围的比例尺精度;另一
h[ck]=
12
##
1
0
ifl[i,j]=ck
其他
N1~N2
(3)
方面,选择的水文地质图资料本身也存在误差将影
响喀斯特信息获取的精度。
2.2地貌特征的识别分析
中国西南喀斯特地区,由于地表自然生态系统
的各组成成分如:
地质、地貌、植被、土壤以及水文
等表现出的独特组合特征。
因此,基于影像的喀斯
特地貌信息提取成为可能。
然而目前基于特征信
N1,N2表示图像的长、宽,I[i,j]表示像素的颜色。
(2)Tamura纹理特征提取算法
Tamura纹理特征提取算法将纹理特征分为六
种属性,粗糙度、对比度、方向度、线像度、规整度和
粗略度。
本研究选择对图像特征提取作用较大的
粗糙度进行应用。
其算法构建过程为:
kk
动窗口中像素的平均值,即
息进行喀斯特地貌类型判别的研究并不多见。
相
关的研究有:
Ak(x,y)=
x+2k-1y+2k-1-1
i-#k-1j-y-#1-1
g(i,j)
2k
(4)
有研究
[20]
以1∀50万贵州省地貌图、ASTER、
式中,k=0,1,...,5;g(i,j)是位于(i,j)处的
TM、CBERS遥感影像为基础,获取地貌类型、地表
切割程度、流域高程特征及坡度等喀斯特流域地貌
类型特征,并在此基础上建立回归模型对喀斯特区
像素强度值。
第二步,对于每个像素,分别计算它在水平和
垂直方向上互不重叠的窗口之间的平均强度差,即
域的组合地貌形态进行判别;另有研究
[21]
利用数字
k-1k-1
地面高程模型进行子流域划分,提取反映喀斯特地
(5)
貌形态的7个地形因子--高程、坡度、地形起伏
k-1
k-1
|
度、地形粗糙度、地表切割深度、高程变异系数和地
形指数,并根据地形因子特征值进行喀斯特地貌类
型判别。
(6)
式中,对于每个像素,能使E值达到最大的k
值用来设置最佳尺寸
喀斯特地貌形态在TM的近红外、红、绿三波段
k
(7)
假彩色合成影像上表现出区别于非喀斯特地区的
典型纹理与颜色特征。
目前基于颜色与纹理特征
第三步,计算整幅图像中Sbest的平均值来得
到,即
的识别算法有很多种,这里选择可能与喀斯特区域
[22-26]
Fcrs
=
1
m
i=
n
#1S
best
(i,j)
(8)
(1)颜色直方图法
颜色特征主要统计地物的全局信息,描述的是
图像对应区域地物的表面特征。
颜色直方图法是
指在一定的颜色空间中对图像的各种颜色出现的
频数进行统计。
其一维统计信息数学定义为:
H(Sk)=nk/n
k=01...,L-1
(1)
其中,Sk为图像的第k级颜色值;nk为图像中具有
颜色值Sk的像素个数;n为图像像素总数。
颜色直方图法二维统计信息的数学定义为:
改进后的粗糙度特征能够表达具有多种不同纹理
特征的图像或区域。
2.3水文地质图与影像特征获取的喀斯特范围对
比分析
笔者选择同时覆盖喀斯特区域和非喀斯特区
域的广西平果县为例,分别对照2005年的遥感影
像TM数据进行目视判读喀斯特区域,并与地质图
勾绘获得的喀斯特区域进行对比,结果吻合较好
(图1)。
结合以上研究认为,可以直接从遥感影像
H=
n
k
k=1
(2)
中获取喀斯特地区的范围信息,从而缩小石漠化范
围区域,增加纯石漠化像元的比例构成,提高石漠
化信息提取精度。
然而,目前这些算法应用于石漠
h[ck]表示第k种颜色像素的频数。
化信息提取的研究还不多见,更为广泛的应用和科
N-1N-1
i=1j=1
第一步,计算图像中大小为2%2个像素的活
x-22+
Ek,h(x,y)=|Ak(x+2,y)-Ak(x-2,y|
Ek,hY(x,y)=|Ak(x,y+2
)-Ak(x,y
Sbest(x,y)=2
判别相关的算法
总结如下:
m%n#1
j=
#h=10∃h[ck]∃1
[c]
6期
胡顺光等:
遥感石漠化信息的提取
图1基于影像特征与水文地质图的喀斯特区域圈定
(a)基于颜色、纹理特征图
(b)基于水文地质图
Fig.1Karstareaenclosingbasedonimagecharacteristicorhydrogeologicmap
(a)colorandtexturecharacteristicbasedmap(b)hydrogeologicbasedmap)
873
学论证还有待于对喀斯特区域的遥感影像特征以
C2
*
Blue
+L)
(12)
及相应算法的深入研究。
*
NIR
**
3石漠化信息的图像分析提取
3.1遥感石漠化信息提取算法
目前较为普遍应用的石漠化信息提取主要采
[3,12,17-18,27-30]
常规比值植被指数法:
NIR
R
Red,Blue),L=1,为土壤调节参数,C1和C2分别为
6.0和7.5。
改进增强型植被指数法:
2%NIR-Red
GEVI=(13)
Red+Blue
是对归一化植被指数与增强型植被指数的改造而得。
另外,还有基于石漠化各等级波段之间的谱值
[31]
NIR
、R分别为近红外、红外波段的反射率。
归一化差异植被指数法:
无石漠化:
TM4-TM5>a
TM5
(14)
NDVI=
NIR
NIR
-
+
R
R
(10)
TM4-TM1>a
潜在石漠化:
TM4>b
(15)
Deering将RVI经非线性归一化处理而得。
增强比值植被指数法:
TM5>c
TM5-TM4>a
Di=(TM5%Gi4)/(TM4%Gi5)
(11)
轻度石漠化:
TM4
(16)
Di为第i个像元的石漠化指数,TM5为第i个像元
的第五波段亮度值,Gi4为整景影像4波段所有像元
TM5TM4亮度值的几何平均值,TM4为第i个像元的第四波
段亮度值,Gi5为整景影像5波段所有像元亮度值的
几何平均值。
中度石漠化:
TM5-TM4>b
cTM7-TM3>a
(17)
增强型植被指数法:
强度石漠化:
TM5>b
(18)
EVI=2.5(
*
NIR
-
*
Rred
)/(
*
NIR
+C
1
*
Red
-
TM4、Rred、Blue分别为经过大气校正的反射值(NIR,
用植被指数法
具体有:
(9)
RVI=
关系建立的石漠化信息提取算法
:
874
地球信息科学学报
2010年
a、b、c、d分别为各级石漠化阈值。
具体取值要结合
调整后影像的经验判读。
m=
S土地利用图斑
kk
(19)
3.2土地利用图斑在遥感石漠化信息识别提取中
的应用
有研究通过分析不同土地利用类型的石漠化
发生率认为,不同等级石漠化与不同土地利用类型
存在着相关性
[32-33]
。
土地利用类型是人对自然环
境发生作用与否的体现形式,不同土地利用方式对
喀斯特石漠化的影响程度不同。
基于此,可以构建
土地利用类型与石漠化等级之间的关系实现石漠
化信息的提取(图2、表2)。
图2是基于1∀10万土
地利用图斑对喀斯特区进行的掩膜处理,即在研究区
TM遥感影像上将土地利用类型中的城乡、工矿、居
民用地以及水域作为无石漠化区域进行掩模去除。
石漠化分级的参考指标是一个综合体系,单独
就某一个或者某几个指标对基于像元单位上的石漠
化等级推断是没有意义的。
石漠化信息的科学评判
方法应该是基于一定面积单元上的面状地物信息评
kk
然区域、行政区域单元等方式。
下面以土地利用图斑
为单元区域进行说明:
依据土地利用矢量数据生成感
兴趣区(ROIs),分别代表不同类型的土地利用类型,
kk
划定栅格单元大小,则选取的栅格个数m为:
图2土地利用图斑下的无石漠化区掩膜处理
Fig.2Thenorockydesertificationareamaskedwith
landusecoveragepolygon
表2土地利用分类体系
Tab.2Classificationsystemoflanduse
1耕地
11水田
111山区水田
112丘陵水田
113平原水田
114坡度&25!
水田
12旱地
121山区旱地
122丘陵旱地
2林地
21有林地
22灌木林地
23疏林地
24其他林地
3草地
31高覆盖度草地
32中覆盖度草地
33低覆盖度草地
4水域
41河渠
42湖泊
43水库、坑塘
44冰川和永久积雪地
45海涂
46滩地
5城乡、工矿、居民用地
51城镇用地
6未利用土地
61沙地
62戈壁
63盐碱地
64沼泽地
65裸土地
66裸岩石砾地
67其他
123平原旱地
124坡度&25!
旱地
m值的大小依据土地利用类型而定。
实际研
究中,在研究区遥感影像上先作一步无石漠化区去
除,然后参照式(19)的方式,将土地利用类型中的
耕地、林地、草地以及未利用土地类型作为石漠化
52农村居民点用地
53工交建设用地
4广西平果县石漠化图像信息制图
4.1石漠化信息的因子分析
遥感信息是地球表面信息的反映,由于地球系
区进行石漠化等级划分预处理
[34]
。
统的复杂性和开放性,地面信息是多维的、无限的,
2%2
判,比如基于2%2个像元的栅格单元或基于一定自
将这些感兴趣区按照2%2(k=0,1,...,n)个像元
6期
胡顺光等:
遥感石漠化信息的提取
875
而通过信息传输,遥感信息是简化的二维信息,因
此遥感信息在进行地学空间分析和反演过程中具
形因子、为人为因子、为植被因子、为土壤因
子、R0为石漠化指标系数。
针对目前石漠化研究
有模糊性和多解性特点
[35]
。
现状
[4,9-14]
本研究在如何将石漠化指标综合量化
模糊数学将经典集合论中的二值逻