摘 要：

水庫流域覆被變化檢測是流域生態環境變化研究的基礎，及時掌握精確的流域覆被變化資訊對於水庫洪水預報、最佳化排程和生態環境保護等具有重要意義。以河南省出山店水庫流域為研究區域，採用Landsat 8 OLI遙感資料和土地覆蓋分類資料，對目前常用的光譜斜率差異法、主成分分析法、變化向量分析法3種地表覆被變化遙感檢測方法進行對比分析，研究這些方法的適用條件和侷限性，並在此基礎上，提出了一種基於光譜斜率差值(Spectral Slope Difference, SGD)和動態閾值結合的地表覆被變化遙感檢測方法，解決了由於單一閾值造成變化像元漏分率和錯分率高的問題。研究結果表明：試驗結果總體精度達到97.55%,Kappa係數為0.944。說明基於SGD和分類區域閾值結合的方法對地表覆被變化資訊的提取更有效。

關鍵詞：

水庫流域;變化檢測;光譜斜率差值(SGD);動態閾值;

作者簡介：

張成才(1964—),男,教授,博士,主要從事水利資訊科技研究。E-mail:[email protected];

*彭凱(1996—),男,碩士研究生,主要從事遙感變化檢測研究。E-mail:[email protected];

基金：

河南省水利科技攻關專案(GG201902);

河南省農業氣象保障與應用技術重點開放試驗室開放研究基金(AMF201807);

引用：

張成才，彭凱，楊峰，等．基於ＳＧＤ 和分類區域閾值結合的水庫流域覆被變化遙感檢測方法［Ｊ］. 水利水電技術（中英文），２０２１，５２（１１）：１６４⁃１７２.

ZHANG Chengcai, PENG Kai, YANG Feng, etal. Research on the detection method of large reservoir watershed cover change based on the combination of SGD and classification area threshold [J] . Water Resourses and Hydropower Engineering, 2021, 52 (11): 164-172.

0 引 言

水庫流域覆被是衡量水庫流域生態環境狀況的重要指標,是流域水文模型中所需的重要引數，及時準確地獲取流域地表覆被及變化資訊，對於水土保持，洪峰、洪水量和泥沙輸送計算，土壤侵蝕評估，區域生態環境評價和水庫最佳化排程等具有重要現實意義，因此水庫流域的土地覆被變化在流域生態環境與水庫水文預報的研究中具有重要作用。近年來，隨著經濟的快速發展和城市化建設程序的快速推進，水庫流域覆被處於人類高強度開發利用的脅迫與壓力之下,已不同程度地遭受破壞,流域持續發展的需求難以維繫，水庫流域環境質量與生態安全形勢不容樂觀。流域地表覆被變化檢測對制定合理的流域生態保護對策起著指導性的作用。水庫流域覆被變化檢測方法，從時間上分為兩大類，分類前變化檢測與分類後變化檢測;從資訊挖掘的角度，分為畫素級、特徵級與知識級變化檢測；從演算法的角度，分為簡單代數運算(如差值法等)、影象轉換[如主成分分析法(Principal Component Analysis, PCA] 、變化向量分析法(Change Vector Analysis, CVA)等)、影象融合等。張家琦等對遙感影像變化檢測方法中的主成分分析法、比值法、變化向量分析法3種方法進行了對比試驗，發現主成分分析法得到的檢測結果精度最高。但這些試驗都是在光譜空間進行的研究，不能有效地解決“同物異譜” “同譜異物”的問題；武辰等提出採用慢特徵分析法(Slow Feature Analysis, SFA)、迭代慢特徵分析法(Iteratively Reweighed Slow Feature Analysis, IR-SFA),在多時相遙感資料中提取不變特徵，減小未變化畫素的輻射差異，提高變化畫素和未變化畫素之間的可分性，但該方法需要人工選定未變化區域畫素進行迭代，無法自適實現變化檢測；隨著深度學習的發展，耦合卷積神經網路(Symmetric Convolutional Coupling Network, SCCN)、深層信念網路(Deep Belief Network, DBN)、條件對抗生成網路(Conditional Adversarial Network, CAN)等以深度網路為模型的變化檢測方法在對地表覆被進行變化檢測時提高了檢測精度，但較為複雜的網路在訓練時往往耗時過長，對計算裝置的要求也較高。CHEN等提出了一種基於光譜斜率差異(Spectral Gradient Difference, SGD)的變化檢測演算法，將研究空間從光譜空間轉換到光譜斜率空間，利用同季候的遙感影像取得了較好的變化檢測結果，改善了變化向量檢測方法、差值法、相關係數法中對於“同物異譜”的偽變化情況。本文對比分析光譜斜率差異(SGD)、主成分分析(PCA)、變化向量檢測(CVA)三種變化檢測方法，研究這些方法的適用性和存在的問題，在此基礎上，提出了一種根據地物類別變化強度分割槽閾值分割的方法，對不同地物影像分別計算Otsu閾值，計算出地物分割槽的變化區域與未變化區域。為驗證方法的有效性，本文以河南省出山店水庫流域為研究區域，該流域地表覆被型別豐富，且自2014年開工建設以來，流域地表覆被空間格局變化顯著。採用本文提出的方法能夠使得變化區域的漏分、錯分大幅減少，進一步提高了變化檢測的精度，為水庫流域生態環境監測和水庫排程提供了技術支撐。

1 材料與方法

1.1 研究區概況

本文以河南省出山店水庫流域為研究區域，地理座標32°09′N—32°72′N,113°30′E—114°00′E,水庫控制流域屬於河南省南陽市桐柏縣、信陽市平橋區和溮河區、湖北省隨州市隨縣，研究區位置如圖1所示。河南省出山店水庫於2014年11月開工建設，2019年5月下閘蓄水。水庫控制流域面積2 900 km2,總庫容12.51億m3。該地區處於淮河流域上游，屬暖溫帶季風氣候，全年四季分明，雨水豐沛，多年平均降水量1 116 mm, 降水空間分佈為由南向北遞減，並且東部略多於西部，地勢西高東低，海拔高程為80～1 000 m, 是崗川相間、形態多樣的階梯地貌。地表覆被型別豐富，由耕地、林地、草地、灌木叢、水體、建設用地、裸地組成。

圖1 研究區示意

1.2 資料來源與資料預處理

1.2.1 Landsat 8 OLI

遙感資料採用Landsat 8 OLI陸地成像儀(Operational Land Imager)與TIRS熱紅外感測器(Thermal Infrared Sensor)資料。考慮研究區耕地種植的農作物多為一季稻，種植月份為5月中下旬，收穫月份為8月底至9月初，選擇2015年4月的資料，此時雲量少，資料質量高。目標影像選擇2018年同季節資料。研究區跨123、124兩個條帶，共四景資料。資料來源於USGS(https: //earthexplorer.usgs.gov/)。

1.2.2 Globe Land Cover

2015年的30 m全球土地覆蓋資料(FROM-GLC),將研究區分為耕地、森林、草地、灌木叢、水體、建設用地、裸地7類地物型別，其中灌木叢所佔面積很小，約為0.24%,資料來源(http: //data.ess.tsinghua.edu.cn)。透過與2015年遙感影像對比分析發現，存在將大量城鎮、道路、裸地分為草地的錯誤分類情況，裸地也存在被錯分為耕地的情況，結合Google Earth高解析度影像，選取樣本進行驗證發現FROM-GLC產品對出山店水庫控制流域總體分類精度僅為81.20%,需要對其進行預處理。

1.2.3 Landsat 8資料預數理

對四景資料進行輻射定標、大氣校正、鑲嵌、裁剪等處理，研究區地跨兩個條帶，進行鑲嵌、裁剪。變化檢測對於兩個時期的影像配準精度要求高，以其中一個影像作為基準影像，將另一張影像配準到該影像上，配準的誤差在0.5個像元內。預處理後2015年4月、2018年4月的遙感影像結果分別如圖2(a)、圖2(b)所示。

圖2 遙感影像預處理(7/5/2波段)

1.2.4 Globe Land Cover資料處理

考慮Globe Land Cover 30對草地的錯誤分類情況，將解譯選取的各覆被型別結合Globe Land Cover 30的正確地物型別作為訓練樣本，對2015年Landsat 8遙感資料進行監督分類，將研究區地表覆被分為耕地、林地、灌木叢、水體、建設用地、裸地6類。分類結果如圖3所示。

圖3 分類結果

結合Google Earth高解析度影像，對2015年的遙感影像選取訓練樣本，採用分層隨機抽樣的方法選取樣本15 981個，進行精度評價，評價結果如表1所列，總體分類精度96.60%,Kappa係數為0.939。各類地物的分類精度為：最高的是水體，達到100%,灌木叢分類精度最低，僅為57.8%。

1.3 研究方法

1.3.1 SGD變化檢測方法

利用光譜形狀的變化進行兩期影像間的變化檢測。曲線的變化趨勢用過曲線上該點切線的斜率來表示，當斜率大於0時，則反射率為增加的趨勢；當斜率小於0時，則反射率為減小的趨勢。對源影像和目標影像，分別求取相鄰波段間的斜率，將研究空間轉移至斜率空間，有

式中，ΔR(k,k+1)為相鄰波段間的反射率之差；Δλ為相鄰波段k和k+1的波段長度差；R(k+1)和R(k)分別為波段k+1和k處的反射率；λ(k+1)和λ(k)為波段k+1和k處對應的波長。

對於多波段影像，將光譜斜率組合為向量，用於描述光譜曲線的形狀，即

透過對t1時期和t2時期的光譜斜率向量進行運算，得到光譜斜率的差異向量如下

式中，S2,(n-1,n)和S1,(n-1,n)分別為t1時期和t2時期波段n-1和n的斜率值，取其模，得到變化強度如下

變化強度和變化的可能性成正比，即|ΔS||ΔS|值越大，發生變化的可能性就越大；|ΔS||ΔS|值越小，發生變化的可能性就越小。

1.3.2 大津法閾值分割

對變化強度影像，透過設定閾值來確定變化區域和未變化區域。閾值的選擇方法主要有人工選擇法、特徵統計法、自動設定閾值法三種，其中人工選擇法和特徵統計法是根據經驗透過試算，得到較為優選的結果，步驟繁瑣，自動化程度低，本文采用自動設定閾值法。最大類間方差法(maximum between-class variance method)是一種自動確定閾值的方法，由日本學者大津於1979年提出，又叫大津法(Otsu),被認為是影象分割中閾值選取的最佳演算法之一，不受影象亮度和對比度的影響，具體過程如下。

對一幅大小為M×N的影象I,假設存在閾值K將影象所有畫素分為兩類C0(小於K)和C1(大於K),屬於C0的畫素個數佔影象I所有畫素的比例為ω0,畫素個數為N0,平均灰度為μ0。屬於C1的畫素個數佔影象I所有畫素的比例為ω1,畫素個數為N1,平均灰度為μ1,類間方差為v,有

遍歷影象I的灰度級，當式(9)取得最大值時的灰度級K即為所求的Otsu閾值。

2 試驗與分析

2.1 單閾值變化檢測

以SGD為試驗方法，以PCA和CVA作為對照方法，分別計算研究區2015—2018年的覆被變化強度，SGD方法檢測結果如圖4(a)所示，影像越亮的區域表示變化的可能性越大，亮度越暗則變化的可能性越小。使用Otsu方法計算影像的閾值，Otsu閾值分割得到的結果如表2所列。大於閾值的為變化區域，小於閾值的為不變區域，二值圖表示變化/不變區域，如圖4(b)所示，其中紅色1表示變化區域，藍色0表示不變化區域。PCA、CVA的變化強度及結果分別如圖5、圖6所示。

圖4 SGD方法變化強度及變化檢測結果

圖5 PCA方法變化強度及變化檢測結果

圖6 CVA方法變化強度及變化檢測結果

為量化三種方法變化檢測結果的精度，利用2015年影像與2018年影像並結合Google Earth 高畫質影像，選擇相同的變化區域和不變化區域，其中變化區域樣本852個像元，不變化區域樣本1967個像元，利用誤差矩陣計算Kappa係數和總體精度。SGD、PCA、CVA方法的誤差混淆矩陣如表3所列，精度最高的為SGD變化檢測結果，Kappa係數為0.787,總體精度達到了89.75%。CVA演算法的變化檢測結果最差，Kappa係數只有0.690。

2.2 分類區域的閾值計算

單閾值變化檢測三種方法的Kappa係數均未達到0.8,因為對於不同的變化型別，其變化強度的分佈特徵雖然都是單峰曲線，但是峰高不同，資料量值存在差異，變化強度的閾值往往在峰尾，採用Otsu設定單一閾值會造成變化像元出現較高的漏分率和錯分率。因此，本文提出一種基於分類區域的閾值計算方法，主要思想是根據已有的分類資料，對變化強度進行分割槽，得到不同地物的變化強度資料，然後對分割槽變化強度資料分別進行Otsu法設定閾值，得到不同區域的變化區域與未變化區域，利用空間分析計算研究區的變化區域。

SGD方法的各類地物像元個數隨變化強度變化的曲線如圖7(a)所示，變化強度的分佈是單峰曲線；其變化像元漏分與錯分的問題如圖7(b)所示，不同地物型別變化強度均值如圖7(c)所示。可以看出不同地物型別變化強度均值不同，說明分類區域計算閾值的必要性。

圖7 各類地物變化強度與像元個數曲線、SGD不同地物變化強度均值

利用2015年的分類圖，將SGD的變化強度影像進行分類，分為森林、水體、耕地、裸地、建設用地、灌木叢6類的變化強度影像，利用Otsu分別計算閾值，計算結果如表4所列。

2.3 分類區域多閾值變化檢測

利用全球土地覆蓋分類資料將研究區劃分為6類地物，按照2.2確定的6類地物變化強度閾值，利用SGD變化檢測方法分別對6類地物進行變化檢測，得到6類地物的變化/不變化區域。將6類變化/不變區域進行疊加，結果如圖8所示。其中藍色0表示未變化區域，紅色1表示變化區域。

圖8 分割槽疊加後變化/不變區域

利用分類區域閾值計算變化/不變區域二值圖，進行精度驗證。首先對變化/不變區域二值圖，採用與2.1中一致的變化樣本和未變化樣本，利用誤差矩陣計算Kappa係數和總體精度，計算結果如表5所列。變化像元的漏分率和錯分率大幅降低，錯分率和漏分率分別為4.42%和3.64%,總體精度達到了97.55%,Kappa係數為0.944。

3 結 論

本文用2015、2018年的Landsat 8遙感影像和2015年的30 m土地覆蓋分類資料，以河南省出山店水庫流域為研究物件，利用SGD和分類區域閾值結合的方法，研究水庫流域覆被變化。首先，對光譜斜率差異法(SGD)、主成分分析法(PCA)、變化向量分析法(CVA)3種地表覆被變化遙感檢測方法進行對比分析，計算水庫流域覆被不變/變化區域，發現SGD變化檢測方法精度最高。之後，分析變化區域的漏分、錯分產生的原因，針對這些問題，提出SGD與分類區域閾值結合的地表覆被變化遙感檢測方法。具體方法是：對變化強度進行分割槽，得到不同地物的變化強度影像，然後對不同地物影像分別計算Otsu閾值，計算出地物分割槽的變化區域與未變化區域，透過對研究區的空間分析計算出地表覆被的變化區域。試驗證明，該方法能夠使得變化區域的漏分、錯分大幅減少，總體精度97.55%,Kappa係數0.944。

水利部《水利水電技術（中英文）》雜誌是中國水利水電行業的綜合性技術期刊（月刊），為全國中文核心期刊，面向國內外公開發行。本刊以介紹我國水資源的開發、利用、治理、配置、節約和保護，以及水利水電工程的勘測、設計、施工、執行管理和科學研究等方面的技術經驗為主，同時也報道國外的先進技術。期刊主要欄目有:水文水資源、水工建築、工程施工、工程基礎、水力學、機電技術、泥沙研究、水環境與水生態、執行管理、試驗研究、工程地質、金屬結構、水利經濟、水利規劃、防汛抗旱、建設管理、新能源、城市水利、農村水利、水土保持、水庫移民、水利現代化、國際水利等。