基于SMDPSO算法的呼倫湖藻華遙感監測

曹萌萌，青 松，杜雨春子，袁瑞強，順布日

(內蒙古師范大學 地理科學學院，內蒙古 呼和浩特 010022)

1 研究背景

隨著社會發展和人類活動強度的增加，我國乃至全世界的生態環境遭到破壞，其中水體富營養化引發的藻華現象已成為社會最關注的問題之一[1]。藻華不僅破壞湖泊景觀，導致生物量減少，同時也會造成水體自凈能力失衡，嚴重影響湖泊水生態環境。因此，對湖泊藻華進行實時動態監測是預防與治理藻華的關鍵[2-4]。

與傳統方法相比，遙感技術不僅可以有效地繪制藻華的空間分布，也可以實時監測其生長情況，所以國內外學者采用了多種方法對藻華進行提取分析。其中，光譜指數法被廣泛應用于藻華識別研究，例如：NDVI指數[5-6]、FAI指數[7-9]、AFAI指數[10]、EVI指數[11]、NDICB指數[12]等。同時，也有學者進一步結合多個光譜指數建立了分類決策樹，并用來提取復雜水體環境中的藻華[13-15]。此外，除了常見的監督或非監督分類方法[16-18]，還有少部分研究結合了野外實測光譜數據[19]、目視解譯方法、水質參數反演法[20]和專家系統[21]對藻華進行識別。綜合對比以上幾種分類方法，發現它們各自都具有缺陷。結合光譜指數的決策樹分類算法缺乏伸縮性，難以針對大量訓練數據集中確定唯一的有效閾值，對缺失值敏感，容易過擬合，從而加大誤差。監督分類方法的缺點在于人為主觀性強、選擇樣本的成本較高，而且僅限于識別已定義的類別。非監督分類方法的分類精度無法保證，往往需要后期大量的分析處理。專家系統則在知識獲取和量化等方面頗為困難。此外，由于獲取野外實測數據與高分辨率影像的成本高、操作難度大，所以難以對藻華進行高效率的識別。

自1995年粒子群優化算法被提出后[22]，已成功應用于洪水監測[23]、水質參數反演[24]、生物量估算[25]和土地利用變化[26]等多個方面。其中，基于離散粒子群優化的光譜匹配(spectrum matching based on discrete particle swarm optimization, SMDPSO)算法是由Jia等[27]提出的一種用于提取地表水的方法，他們運用該算法較精確地提取了全球8個地區不同類型的水體。與上文中提到的其他方法相比，SMDPSO算法具有精度高、成本低、參數少、先驗知識少和自動化潛力大的優點。但目前基于SMDPSO算法的藻華監測研究鮮有報道，而且在以往的藻華研究中，很少涉及到中國東北部冰封期較長的湖泊。因此，本文擬運用SMDPSO算法對2009-2018年呼倫湖的藻華進行提取，并與光譜指數FAI進行對比驗證。然后，總結藻華的時空分布特征，并對SMDPSO算法的適用性和優缺點進行評價。本研究的成果可以為分析呼倫湖藻華發生發展規律和進一步治理和保護湖泊生態環境提供參考。

2 數據來源與研究方法

2.1 研究區概況

呼倫湖位于內蒙古呼倫貝爾市，是內蒙古第一大湖泊，其地理位置及水系分布見圖1。湖泊冰封期從11月到次年5月，時間跨度長達6-7個月[28]。隨著氣候環境變化和人類活動強度的增大，呼倫湖面積逐漸縮減，水體富營養化加劇。尤其是自20世紀80年代以來，呼倫湖開始頻繁出現藻華爆發的現象，引起了嚴重的生態環境問題[4]。呼倫湖藻華的優勢門為藍藻門，其次是綠藻門[29]。

圖1 呼倫湖地理位置及水系分布

2.2 遙感數據及預處理

基于時間分辨率、空間分辨率、影像波段數量和衛星發射時間等因素的綜合考慮，本文選取2009年至2018年間非冰封期(5月1日-11月1日)的Landsat系列影像對呼倫湖藻華進行遙感識別。為了避免云的干擾，本文共篩選出53景無云且質量較好的影像進行研究。影像預處理主要包括輻射定標和大氣校正。大氣校正通常包括瑞利散射和氣溶膠矯正，但由于呼倫湖水體情況復雜, 受陸地的影響較大, 氣溶膠變化較為強烈, 因此難以對呼倫湖進行精確的氣溶膠矯正。本研究采用Vanhellemont等[30-31]的算法消除瑞利散射對遙感影像的影響。另外，為了消除陸地信息對提取結果的干擾，進一步選用MNDWI(改進歸一化差異水體指數)提取呼倫湖水域。

2.3 SMDPSO算法

運用基于離散粒子群優化的光譜匹配(SMDPSO)算法提取呼倫湖的藻華，需要兩個步驟：(1)對遙感影像進行光譜匹配獲得藻華概率圖；(2)運用DPSO(離散粒子優化)算法識別概率圖中的藻華[27]。

本研究選取呼倫湖中藻華的特征波段作為標準光譜進行匹配。標準光譜曲線和目標光譜曲線兩者之間的相似程度為藻華的概率，兩者差異越小，則像元被識別為藻華的可能性就會越高。計算方式如下：

PB=cos(B,O)·dist(B,O)

(1)

(2)

(3)

式中：PB為像元是藻華的概率；變量B=(b1,b2,…,bc)和O=(o1,o2,…,oc)分別為藻華的標準光譜矢量和任一像素的光譜矢量；c為波段數量。

為擴大不同波段之間的相對差異，將藻華的概率值進行歸一化處理。概率值越大表明該像素為藻華的可能性就越大，而像元是非藻華的概率值可以用公式(4)表示。

PNB=1-PB

(4)

然后將光譜匹配后得到的概率圖分割為行×列(即rows×cols)的多個圖塊，將每個圖塊當做自變量代入自適應函數T中，通過多次迭代，DPSO算法可以求出各圖塊的最大自適應值 maxT，而該值所對應的各像素的位置即為分類結果，最后將各個圖塊的分類結果合并即可。具體公式如下：

(5)

(6)

如果將概率圖分為n個圖塊，則解析過程重復n次，而此處只考慮1個圖塊。本研究設定1個圖塊的大小為D=4×4，其適宜解{x1,x2,…,xd}由公式(7)決定。

(7)

(8)

(9)

(10)

(11)

(12)

DPSO算法運用于單個圖塊的具體步驟如下：

(1)隨機生成I個D維粒子，即1個I行D列的矩陣X。矩陣X中的值為0或1。同時，隨機生成速度矩陣V，V的取值范圍為0～1。

(2)對于X的每一行，圖塊中的像元被分為兩類：藻華和非藻華。根據公式(5)計算X每行的自適應值T，記錄每行的歷史最優解，X中最大自適應值Tmax所在的那行為全局最優解。

(3)運用公式(8)、(9)、(11)更新速度矩陣V，運用公式(8)～(10)和公式(12)更新位置矩陣X。

(4)再次計算X每行的自適應值T，并比較本次與上次迭代時X每行的自適應值T，選取較大T值所在位置更新歷史最優解和全局最優解。

(5)當k=kmax時，進行下一步，否則返回第(3)步。

(6)全局最優解是該圖塊的最終分類結果。之后依次對其他圖塊重復上述步驟。

2.4 光譜指數法

浮游藻類指數FAI(floating algae index)是由Hu[32]提出的一種監測海洋與近海岸帶藻類的方法，該指數對環境條件的適應能力強，可以有效地提取漂浮藻類，已被廣泛應用于藻類的業務化監測中。因此，本研究選取FAI對呼倫湖藻華進行遙感識別，并將結果作為驗證數據來檢驗SMDPSO算法的精度與可靠性。

2.5 精度驗證方法

以FAI的分類結果為標準，運用格網統計法對SMDPSO算法進行精度驗證。具體原理為：在呼倫湖內創建若干個大小為3 km×3 km的正方形格網，以格網為單位分別統計SMDPSO算法和FAI提取的藻華面積，之后構建散點圖，并計算兩者之間的決定系數(R2)和均方根誤差(RMSE)。

3 結果與分析

3.1 標準光譜曲線與概率圖

首先，對標準假彩色合成的遙感影像進行交互式色彩拉伸，基于先驗知識目視選取藻華與水體的樣點各164個。然后，計算樣點在各個波段的光譜反射率的平均值，得到呼倫湖藻華和水體的標準光譜曲線，如圖2所示。

圖2 呼倫湖藻華和水體的標準光譜曲線

由圖2可以看出，藻華的光譜特征與典型植被相似，且在各個波段的反射率均大于水體。雖然藻華和水體在綠光波段都具有1個小的反射峰, 但水體的反射率在綠光波段之后就隨波長增加而逐漸降低，直至短波紅外波段便趨于0，曲線整體呈現出1個上下翻轉的“對勾”形狀。與之不同的是，藻華在紅光波段具有明顯的吸收谷，隨后在紅光波段到近紅外波段之間形成一個“陡坡”，反射率急劇上升,在近紅外波段達到頂峰。

基于上述特征，本研究以藻華標準光譜曲線中的紅光波段、近紅外波段和短波紅外波段進行光譜匹配，并得到藻華概率圖如圖3所示。

圖3 呼倫湖藻華概率圖(2017-08-20)

3.2 分類結果及驗證

以MATLAB R2018軟件為平臺，運用SMDPSO算法提取呼倫湖藻華。其中，輸入對象為Landsat影像圖，輸出結果為二值圖像。之后,采用ArcGIS10.2軟件整理出圖，最終得到2009-2018年呼倫湖藻華分類圖，如圖4所示。由于2012和2016年的大部分影像有云覆蓋，且其余影像也未發現有藻華爆發，因此圖4缺少這兩年的分類圖。

圖4 基于SMDPSO算法的2009-2018年呼倫湖藻華分類圖

本文又選取了2015年7月28日和2017年8月2日的遙感影像，對比SMDPSO算法和FAI的分類結果，并結合格網統計法繪制散點圖(見圖5)，對結果進行定量評價。

由圖5可以看出，SMDPSO算法和FAI的藻華提取結果十分相似，無論是面狀、塊狀，還是絮狀的藻華都能被準確提取。散點圖中絕大多數點也緊密分布于1∶1線附近，整體擬合度較好。不同分類方法之間的決定系數R2在2015年7月28日和2017年8月2日分別為0.98和0.97，均方根誤差RMSE均小于0.22 km2，這表明SMDPSO算法可以準確識別呼倫湖藻華。

圖5 基于SMDPSO算法和FAI的呼倫湖藻華分類結果及散點圖(以2015-07-28和2017-08-02遙感影像為例)

3.3 呼倫湖藻華時空分布特征

通過計算各影像中藻華的面積，得到了2009-2018年呼倫湖的藻華面積統計圖，如圖6所示。

由圖6可知，呼倫湖藻華大多爆發于每年7和8月，其次是6和9月，藻華面積較大的日期集中在7月下旬至8月中旬(2009年8月12日：125 km2；2011年8月9日：115.5 km2；2015年7月28日: 87.6 km2)。

圖6 2009-2018年呼倫湖藻華面積統計

為了探究呼倫湖藻華的空間分布特征，本文以像元為單位統計了2009-2018年藻華出現的次數，結果見圖7。

由圖7可知，藻華主要出現在湖泊南部、西南部和北部的邊緣，而湖區中心卻很少出現藻華，水體情況較好，這可能是周圍土地類型和水流流速所導致的。一方面，湖區東北部為呼倫湖的旅游景點，人類的頻繁活動對湖水產生了巨大影響；另一方面，由于湖區西南部距克魯倫河入湖口較近，而此處長期受到放牧和工廠排放的影響，所以導致河口富營養化加劇，很容易出現藻華。

圖7 2009-2018年呼倫湖藻華次數空間分布

3.4 算法適用性評價

為了進一步驗證SMDPSO算法在其他區域的適用性，以2016年7月2日黃海區域的OLI影像為數據源對滸苔(屬綠藻門，呈綠色)進行識別，并與FAI的分類結果進行比較，見圖8。其中圖8(b)和8(c)分別為SMDPSO和FAI方法的分類結果，其中綠色表示滸苔，藍色表示海水。

圖8 不同方法對黃海滸苔的提取結果及散點圖(2016-07-02)

圖8中的對比結果表明，滸苔的空間分布具有高度一致性，SMDPSO算法能夠很好地捕捉和描繪滸苔條紋的細節與形狀，即使是很小的斑塊也能清晰地識別出來。此外，結合格網統計法繪制的SMDPSO和FAI分類結果的散點圖也表現出非常好的線性關系，擬合線幾乎與1∶1線重合，R2達到0.97，RMSE為0.015 km2，這說明SMDPSO算法可以有效地識別黃海的滸苔。同時，也為算法的進一步發展和應用提供了方向。

與光譜指數法相比，SMDPSO算法既保留了其分類精度高的特點，也在其他方面具有獨特的優勢。首先，SMDPSO算法的參數少、成本低，且無需人工干預。此算法所涉及的參數僅包括標準光譜和圖塊大小，而且一旦確定就無需改變。但是，使用光譜指數法進行遙感分類時，經常需要運用目視解譯方法對每一幅影像的閾值進行調整以保證分類精度，這種方式不僅具有很大的主觀性，而且也會消耗許多時間和人力。所以，SMDPSO算法比光譜指數法更加簡單方便。其次，由于SMDPSO算法是基于目標地物的標準光譜，通過計算像元之間的相似性來識別地物，所以如果標準光譜發生變化，SMDPSO算法同樣可以識別不同種類的藻華或其他類別的地物，這是單一的光譜指數不能實現的。然而，SMDPSO算法也存在一些缺點，即在運行過程中消耗的時間較長，所以之后的研究重點在于如何在保證精度的前提下提升算法的效率。

4 結 論

本文利用基于離散粒子群優化的光譜匹配(SMDPSO)算法對2009-2018年呼倫湖的藻華進行識別，并用浮游藻類指數(FAI)的分類結果進行檢驗。主要結論如下：

(1)SMDPSO算法對呼倫湖藻華的提取效果較好，與FAI高度一致。

(2)呼倫湖藻華的高發期為7-8月，且主要爆發于湖泊邊緣，在湖中心出現的次數較少。

(3)SMDPSO算法的分類精度與FAI相似，但其成本更低、所需參數較少，且無需人工干預，甚至可以通過改變標準光譜來識別其他地物(如識別黃海的滸苔)；

(4)在之后的研究中，還需要進一步驗證SMDPSO算法在多種水生植物并存環境下的適用性，并將其推廣應用于其他具有高分辨率的多光譜遙感影像中。