楊斌 李茂嬌 王世舉 高桂勝

（1 西南科技大學 環(huán)境與資源學院，綿陽 621010）

（2 北京師范大學 水科學學院，北京 100675）

0 引言

岷江上游是長江上游生態(tài)屏障的重要組成部分，長期以來地震活動和地質(zhì)災害頻發(fā)，生境系統(tǒng)受到極大的威脅和挑戰(zhàn)，同時該區(qū)域亦是成都平原和長江上游地區(qū)生態(tài)環(huán)境與社會經(jīng)濟發(fā)展的咽喉地區(qū)[1]。在岷江上游地區(qū)中存在典型的干旱河谷地貌特征，其在氣候特征上表現(xiàn)為“即熱又干”，呈現(xiàn)出高蒸發(fā)、低降水、干濕季明顯，晝夜溫差大等特點[2]，長期以來岷江上游低河谷地帶以干旱河谷為典型地貌區(qū)域，加劇了該區(qū)域生態(tài)環(huán)境脆弱變化趨勢，造成岷江上游流域土壤侵蝕、水土流失、森林加劇退縮等生態(tài)環(huán)境問題[3]。

針對上述問題，國內(nèi)外研究人員利用地球資源衛(wèi)星對其進行大尺度的區(qū)域環(huán)境安全評價、生態(tài)環(huán)境脆弱性分析、地質(zhì)災害區(qū)域評估等工作，采用的地球資源衛(wèi)星數(shù)據(jù)涉及到美國陸地資源衛(wèi)星系列（Landsat-5、Landsat-7和Landsat-8），法國SPOT系列衛(wèi)星數(shù)據(jù)，日本的ASTER衛(wèi)星數(shù)據(jù)，中國“資源三號”、中巴地球資源衛(wèi)星系列（CBERS-01、CBERS-02、CBERS-03）等，而利用印度第三代地球資源衛(wèi)星（Resourcesat-1，也稱IRS-P6）在研究此類問題應用中并不多見[4-6]。IRS-P6衛(wèi)星數(shù)據(jù)具有較高分辨率、重訪周期短、覆蓋范圍大等特點，已成為國際遙感應用領域中重要的對地觀測補充數(shù)據(jù)[7]。本文選取岷江上游IRS-P6汶川地震前后數(shù)據(jù)，通過對其進行圖像預處理、最佳波段組合分析、裸地特征提取、結(jié)果對比分析，為全面定量分析地震前后裸地特征變化提供數(shù)據(jù)參考和技術支撐。

1 IRS-P6影像數(shù)據(jù)選取與處理

1.1 IRS-P6遙感數(shù)據(jù)

IRS-P6衛(wèi)星是由印度空間研究局（ISRO）發(fā)射的地球資源衛(wèi)星，共攜帶多光譜傳感器LISS4、LISS3及高級廣角傳感器AWIFS三種類型[8]。其中LISS3具有4個光譜波段，波段號為2、3、4、5，且每個波動地面空間分辨率均為23 m，其優(yōu)良的地表特征廣泛應用到國土監(jiān)測領域。根據(jù)中國科學院對地觀測與數(shù)字地球科學中心網(wǎng)站共享資源和研究需求，共選取了10景品質(zhì)較好的LISS3數(shù)據(jù)作為本次研究的數(shù)據(jù)源（見表1）。

表1 岷江上游IRS-P6數(shù)據(jù)源基本信息Tab.1 The foundational information of IRS-P6 database in the upper of Minjiang River

1.2 數(shù)據(jù)處理

根據(jù)裸地特征提取需求，將數(shù)據(jù)處理流程分為以下4個階段（見圖1）：

圖1 數(shù)據(jù)處理分析流程Fig.1 The flow chart of data processing and analyzing

1）數(shù)據(jù)預處理：包括圖像預處理、色彩調(diào)整、反差擴展、去霾處理、大氣校正等過程，在此階段完成對影像數(shù)據(jù)的拼接、配準、幾何校正、裁剪、色彩調(diào)整、波段反差擴展分析、大氣校正等基本遙感圖像處理過程，這些過程在ENVI軟件平臺下進行。

2） 最佳波段組合分析：通過對預處理后的IRS-P6遙感數(shù)據(jù)進行基本的單元和多元統(tǒng)計分析；用ENVI軟件計算出2個不同時期圖像各波段的最大值、最小值、亮度范圍、平均值、方差、中間值、直方圖以及各波段之間的方差、協(xié)方差矩陣、相關系數(shù)矩陣；再采用美國Chavez 等1984年提出的最佳指數(shù)法（OIF）概念模型分析求解出此范圍內(nèi)最佳組合波段[9]。

3）裸地特征提?。和ㄟ^對岷江上游不同時期遙感數(shù)據(jù)進行目視解譯，分別建立2個不同時期典型的解譯標志，重點分析干旱河谷區(qū)域裸地特征變化趨勢；利用監(jiān)督分類最大似然法模型提取出2個時期的裸地分布數(shù)據(jù)，再采用聚類統(tǒng)計分析方法修訂分類結(jié)果。

4）結(jié)果對比分析：利用岷江上游解譯數(shù)據(jù)，在ENVI軟件平臺下快速提取出2個不同時期干旱河谷區(qū)域范圍內(nèi)裸地數(shù)據(jù)；采用對比統(tǒng)計分析方法計算不同時期變化情況，并對干旱河谷裸地數(shù)據(jù)進行空間格局分析，為干旱河谷治理提供參考方案。

2 遙感數(shù)據(jù)統(tǒng)計與最佳波段組合

2.1 遙感數(shù)據(jù)參數(shù)統(tǒng)計

通過計算遙感圖像各波段的最大值、最小值、亮度范圍、平均值、方差、中間值、直方圖以及各波段之間的方差、協(xié)方差矩陣、相關系數(shù)矩陣等內(nèi)容，為岷江上游內(nèi)最佳波段組合分析提供必要的參考信息與指標。在ENVI軟件中具體實現(xiàn)過程如下：

1）啟動ENVI軟件導入遙感數(shù)據(jù)，在Open菜單中打開圖像，用RGB 3個通道進行圖像顯示，這3個波段賦予了不同顏色數(shù)據(jù)值，在主圖像中便可出現(xiàn)不同的合成效果；

2）在 ENVI軟件主菜單的 Basic Tools 選項下選擇 Statistic- Compute Statistic，選擇好波段后在Compute Statistic Parameters里選擇Basic Stats和Covariance、Output to the Screen和Output to a Text Report File，便可生成一個文本，里面包含各波段的光譜值、特征值和協(xié)方差、相關系數(shù)和特征值信息。

分別對2個不同時期影像數(shù)據(jù)進行統(tǒng)計分析，得出岷江上游不同時期IRS-P6圖像各光譜波段的最小值、最大值、平均值、標準差、特征值及相關系數(shù)矩陣，見表2～表5。

表2 震前圖像各波段光譜的最大值、最小值、平均值、標準差和特征值(2007)Tab.2 The Max、Min、Mean、Std. and eigen value of every bands before the earthquake (2007)

表3 震前圖像各波段相關系數(shù)矩陣(2007)Tab.3 The correlation coefficient matrix of every bands on image before the earthquake (2007)

表4 震后圖像各波段光譜的最大值、最小值、平均值、標準差和特征值(2009)Tab.4 The Max、Min、Mean、Std. and eigen value of every bands after the earthquake (2009)

表5 震后圖像各波段相關系數(shù)矩陣(2009)Tab.5 The correlation coefficient matrix of every bands on image after the earthquake (2009)

通過對震前震后2景IRS-P6 影像數(shù)據(jù)（不包括全色波段）各波段參數(shù)的提取與分析，可以得出：影像中4個波段的標準差大小順序為波段2 gt;波段4 gt;波段5 gt;波段3（震前），波段2 gt;波段 3 gt;波段 4 gt;波段 5（震后），反映出地震作用下波段 3變量的變化作用及各波段在不同時期離散程度的大??；特征值的大小順序為波段 2 gt;波段 3 gt;波段 4 gt;波段 5，呈現(xiàn)出地震前后結(jié)果一致，也反映各波段所包含的信息量的大小。由此可以推導出，波段2的標準差和特征值都最大，地震前波段3的標準差最小，地震后波段5的標準差和特征值都最小。從對各波段相關系數(shù)矩陣分析得出，波段5和其余幾個波段的相關系數(shù)最小，其中波段2與波段3的相關系數(shù)超過0.99，呈現(xiàn)出明顯相關性, 說明兩者在光譜信息上有很強的一致性。

2.2 最佳波段組合分析

遙感影像波段組合選擇有兩點原則：一是所選擇的波段和波段組合的信息量最大；二是所選的波段和波段組合使得某些地物類別之間最容易區(qū)分。在多光譜遙感數(shù)據(jù)最佳波段組合中常選用最佳指數(shù)方法（OIF）進行評估[10]。最佳指數(shù)是指用所選區(qū)域影像數(shù)據(jù) 3個不同波段標準差之和除以其相關系數(shù)之和的數(shù)值來評價影像合成品質(zhì)，它的數(shù)據(jù)值表征所選區(qū)域影像信息量的大小及相關系數(shù)之間的相對獨立性。最佳指數(shù)值越大說明其信息量越豐富，信息冗余度越小，各波段數(shù)據(jù)間獨立性越高，可用如下方程表示：

表6 岷江上游地震前后IRS-P6圖像不同波段組合最佳指數(shù)Tab.6 The different band combination result using OIF method on IRS-P6 image in the upper of Minjiang River before and after the earthquake

圖2 地震前后岷江上游IRS-P6假彩色合成影像圖（5,4,2組合）Fig.2 The false color composite image on IRS-P6 in the upper of Minjiang River before and after the earthquake (5,4,2 band combination)

3 裸地特征提取與分析

3.1 特征增強技術

根據(jù)計算求取出的最佳波段組合 5(R)、4(G)、2(B)，需通過光譜增強與變換技術對其遙感影像進行增強處理，使其結(jié)果更加具有針對性，尤其適用于目標明確，結(jié)構相對單一的分類解譯標志[11]。在構建分類解譯標志前，需要增強圖像中的線狀物體細節(jié)部分或者主干部分等內(nèi)容突出裸地與非裸地間的領域特性[12]。空間卷積圖像特征處理方法適合處理核心區(qū)域解譯圖像信息，即圖像的空間頻率的增強或減弱是通過對每個像元周圍的鄰近像元的處理來實現(xiàn)的[13]。在處理圖像過程中，利用該方法對一幅圖像進行空間卷積需要兩個環(huán)節(jié)：

1） 卷積核的確定：建立一個包含一系列相關系數(shù)或權重因子的移動窗口，該窗口一般默認為正方形，本研究選取卷積核大小為3*3，卷積核類型選取高斯高通濾波。

2）權重值的確定：權重值（Add Back）是原始圖像在結(jié)果輸出圖像中所占的百分比。將原始圖像中的一部分按權重比例疊加到卷積濾波結(jié)果圖像上，有助于保持圖像的空間連續(xù)性。本研究采用的25%的權重值。

通過以上分析和實驗得出，高斯高通濾波在保持圖像高頻信息的同時，消除圖像中的低頻成分，對于增強裸地紋理與裸地領域邊緣等信息具有較好的作用，為建立解譯標志奠定圖像處理基礎。

3.2 裸地領域特征分析

根據(jù)國土資源部2007年8月頒布的土地利用現(xiàn)狀分類標準（GB-T21010-2007），將其裸地定義為表層為土質(zhì)、基本無植被覆蓋的土地，或表層為巖石、石礫，其覆蓋面積≥70%的土地[14]。在研究過程中根據(jù)分類標準、野外調(diào)查與遙感解譯經(jīng)驗將其概念進行了擴展，認為沒有植物生長、土壤含水量低或巖石裸露出來的地面均為裸地（廣義概念）[15]。因此，可以得出裸地在野外和遙感圖像中表現(xiàn)出來的顯著特征為植被覆蓋度低、巖石裸露、分類邊界較明顯。結(jié)合以上分析，將岷江上游的解譯標志分為裸地與非裸地2種地類，并選取地震前后典型類型下裸地特征樣本區(qū)域，進行典型特征歸納分析：

1）在汶川地震強大擾動作用下岷江上游災害體發(fā)育直線上升，在遙感影像中呈現(xiàn)出條帶狀灰白色區(qū)域（圖 3（a））。

2）岷江上游干旱河谷區(qū)在地震后，部分區(qū)域植被退化，影像中也呈現(xiàn)出片狀灰白色區(qū)域（圖3（b））。

3）聚落生態(tài)區(qū)在岷江上游分布比較多，在遙感影像對比可發(fā)現(xiàn)裸地化特征加劇，影像中呈現(xiàn)出擴散性的白色區(qū)域（圖3（c））。

4）岷江上游土地類型多樣性在汶川地震影響下，土地類型有所變化，例如原始的薄弱草皮進一步遭受破壞，在遙感影像中呈現(xiàn)出土黃色區(qū)域范圍擴大（圖3（d））。

圖3 地震前后岷江上游典型類型下裸地特征對比情況Fig.3 The model features contrast of bare land in the upper of Minjiang River before and after the earthquake

3.3 監(jiān)督分類提取方法——最大似然法

監(jiān)督分類是因其需要選取岷江上游訓練樣本數(shù)據(jù)而將主觀與客觀相結(jié)合的一種圖像處理分類方法，而最大似然法是將實地觀測、影像解譯、地圖分析及個人經(jīng)驗相結(jié)合來識別和定位地物覆蓋類型的一種基于圖像統(tǒng)計的監(jiān)督分類法[16]。本次研究利用最大似然法進行裸地地物特征分類可分為5個步驟（圖4）：

圖4 基于最大似然法的裸地地物特征分類方法流程Fig.4 The method flow chart of bare land feature classification based on maximum likelihood method

1）根據(jù)岷江上游IRS-P6影像特點、裸地特征分布對比其情況圈定具有代表性的裸地特征訓練樣本。在選取過程中應考慮其代表性和完整性，并將具有不同光譜特性的同種地物分別采集訓練樣本，裸地特征訓練樣本應能充分的反映個體環(huán)境下所有光譜構成；

2）對不同環(huán)境狀態(tài)下的訓練樣本進行統(tǒng)計值分析，將精度不好的樣本剔除或重新選擇，確定岷江上游準確可靠的優(yōu)質(zhì)特征樣本數(shù)據(jù)（只選取裸地類型）；

3）將篩選之后的優(yōu)質(zhì)樣本參與到最大似然法分類中，確定待分像元與已知地類的歸屬概率，將像元歸并到概率最大的類別中去，求取裸地與裸地分布區(qū)域；

4）對裸地分類結(jié)果進行精度評價，如果結(jié)果不符合要求，則重新進行選擇樣本與分類，直到滿意為止，最終得到汶川地震前后岷江上游裸地分布圖（圖5）；

5）將岷江上游地震前后裸地分類結(jié)果進行數(shù)據(jù)導出，從空間范圍定量統(tǒng)計地震前后裸地分布面積。

3.4 裸地分布面積與特征分析

通過對裸地分類結(jié)果對比分析，得出該區(qū)域內(nèi)河谷兩側(cè)的裸地前后變化比較明顯。在ArcGIS Desktop軟件下利用疊置分析提取出該區(qū)域裸地特征分布空間格局變化情況；并利用ArcGIS Desktop軟件的地統(tǒng)計分析功能統(tǒng)計出岷江上游范圍內(nèi)裸地分布面積數(shù)據(jù)。通過對比分析得出：

1）高程變化，岷江上游裸地分布高程從2006年的2 200 m提升至2009年的2 800m，分布區(qū)域逐漸擴大。

2）面積變化，2006年裸地分布面積為2 196 km2，2009年裸地分布面積擴大到3 680km2，裸地分布面積凈增達1 484 km2。

3）地震前后裸地面積增加較多的區(qū)域主要集中分布在汶川縣至茂縣交界區(qū)域（映秀鎮(zhèn)、臥龍鎮(zhèn)、綿虒鎮(zhèn)至草坡鄉(xiāng)一帶、茂縣的光明鄉(xiāng)至東興鄉(xiāng)一帶）、理縣的雜谷腦河流域一帶、黑水縣的晴朗鄉(xiāng)至木蘇鄉(xiāng)及黑水河流域一帶，松潘縣的變化較小?？傮w而言，岷江上游干旱河谷區(qū)域、汶川和茂縣交界地帶裸地面積增加較快，應加強在該區(qū)域內(nèi)的生態(tài)環(huán)境建設治理。

圖5 地震前后岷江上游裸地分類結(jié)果Fig.5 The classification result of bare land in the upper of Minjiang River before and after the earthquake

4 結(jié)束語

裸地特征信息提取是岷江上游流域生境系統(tǒng)可持續(xù)發(fā)展的關鍵因素，也為定量評估岷江上游生態(tài)環(huán)境脆弱區(qū)與敏感區(qū)提供重要依據(jù)和支撐。通過選取汶川地震前后10景IRS-P6衛(wèi)星LISS3遙感影像數(shù)據(jù)，對其進行遙感圖像預處理、最佳波段組合、裸地特征信息提取、不同時期裸地結(jié)果對比分析等過程，利用裸地廣義概念提取出岷江上游流域2006年裸地分布面積2 196km2，2009年裸地分布面積3 680km2，凈增加1 484 km2；其分布高程從2006年的2 200m提升至2009年的2 800m。從其分布空間范圍來看，裸地增加較多區(qū)域集中汶川與茂縣交界地帶、理縣的雜谷腦河流域一帶、黑水縣的晴朗鄉(xiāng)至木蘇鄉(xiāng)及黑水河流域一帶、理縣的雜谷腦河流域一帶。對其原因分析可歸納為震后災害體發(fā)育劇烈、干旱河谷范圍擴大、資源開發(fā)加劇變化的影響。該方法研究拓展了IRS-P6衛(wèi)星LISS3數(shù)據(jù)的應用領域與范疇，也為岷江上游流域環(huán)境脆弱性區(qū)綜合評價分析提供有力支撐。

致謝：感謝國家留學基金委面上項目資助(201408510071)。

References)

[1]樊宏. 岷江上游近50a土地覆被的變化趨勢[J]. 山地學報, 2002, 20(1): 64-69.FAN Hong. A Study on 50a Land Use and Cover Change of Watershed of Upper Minjiang River[J]. Journal of Mountain Science, 2002, 20(1): 64-69. (in Chinese)

[2]楊兆平, 常禹, 胡遠滿, 等. 岷江上游干旱河谷景觀變化及驅(qū)動力分析[J]. 生態(tài)學雜志, 2007, 26(6): 869-874.YANG Zhaoping, CHANG Yu, HUYuanman, etal. Landscape Change and its Driving Forces of Dry Valley in Upper Reaches of Minjiang River[J]. Chinese Journal of Ecology, 2007, 26(6): 869-874. (in Chinese)

[3]沈茂英. 川西干旱河谷區(qū)生態(tài)環(huán)境建設的社會保障機制研究[J]. 林業(yè)科學, 2003, 24(1): 19-25.SHEN Maoyin. A Research on the Social Guarantee Mechanism for the Ecological Environment Construction in Arid River Valleys of Western Sichuan[J]. Journal of Gansu Agricultural University, 2003, 24(1): 19-25. (in Chinese)

[4]徐涵秋, 唐菲. 新一代 Landsat系列衛(wèi)星: Landsat-8遙感影像新增特征及其生態(tài)環(huán)境意義[J]. 生態(tài)學報, 2013, 33(11):3249-3257.XU Hanqiu, TANG Fei. Analysis of New Characteristics of the First Landsat 8 Image and Their Eco-environmental Significance[J]. Acta Ecologica Sinica, 2013, 33(11): 3249-3257. (in Chinese)

[5]林譚. 基于SPOT影像的面向?qū)ο蠓诸惙椒☉醚芯縖D]. 東北師范大學, 2012.LIN Tan. Application of Object-oriented Classification Based on SPOT Image[D]. Northeast Normal University, 2012.

[6]Hazarika M K, Yasuoka Y. Estimation of Net Primary Productivity by Integrating Remote Sensing Data with an Ecosystem Model[J]. Remote Sensing of Environment, 2005, 94(3): 298-310.

[7]王欽軍, 田慶久. IRS-P6 衛(wèi)星LISS3圖像數(shù)據(jù)質(zhì)量評價[J]. 地理與地理信息科學, 2007, 23(3): 11-14.WANG Qinjun, TIAN Qingjiu. Quality Evaluation of LISS 3 Image from IRS-P6 Satellite[J]. Geography and Geo-Information Science, 2007, 23(3): 11-14. (in Chinese)

[8]周翔, 林輝, 馬豐豐, 等. IRS-P6影像最佳波段組合選擇與制圖精度評價[J]. 中南林業(yè)科技大學學報, 2008, 28(1):117-121.ZHOU Xiang, LIN Hui, MA Fengfeng, etal. The Optimum Band Combination and Mapping Precision of IRS-P6[J]. Journal of Central South University of Forestry amp; Technology, 2008, 28(1): 117-121. (in Chinese)

[9]楊斌, 王金生, 詹金鳳. Landsat-5遙感衛(wèi)星波段組合與比值分析在汶川地震前后的應用[J], 航天返回與遙感, 2014,35(1): 81-90.YANG Bin, WANG Jinsheng, ZHAN Jinfeng. Application of Band Combination and Ratio Analysis about Landsat-5 Satellite Before and After Wenchuan Earthquake[J]. Spacecraft Recovery amp; Remote Sensing, 2014, 35(1): 81-90. (in Chinese)

[10]蘇濤, 馮紹元, 徐英. IRS-P6 LISS-3和 Landsat-5 TM兩種多光譜傳感器影像數(shù)據(jù)的對比分析[J]. 遙感技術與應用, 2012,27(6): 887-895.SU Tao, FENG Shaoyuan, XU Ying. Study on Relationship between lRS-P6 LISS-3 and Landsat-5 TM Remote Sensing image[J]. Remote Sensing Technology and Application, 2012, 27 (6): 887-895. (in Chinese)

[11]Rahman Md R. Flood Inundation Mapping and Damage Assessment Using Multi-temporal RADARSAT and IRS 1C LISS III Image[J]. Asian Journal of Geoin-formatics, 2006, 6(2): 11-21.

[12]丁美青, 肖紅光, 彭文瀾, 等. 基于遙感的汶川震區(qū)水體快速提取[J]. 航天返回與遙感, 2012, 33(2): 88-92.DING Meiqing, XIAO Hongguang, PENG Wenlan, etal. Fast Extraction of Water Bodies Information in Wenchuan Earthquake Region Based on Remote Sensing[J]. Spacecraft Recovery amp; Remote Sensing, 2012, 33(2): 88-92. (in Chinese)

[13]Rahman Md R, Saha S K. Spatial Dynamics of Cropland and Cropping Pattern Change Analysis Using Landsat TM and IRS P6 LISSIII Satellite Images with GIS[J]. Geo-spatial Information Science, 12(2): 123- 134.

[14]樊宏, 張建平. 岷江上游半干旱河谷土地利用/土地覆蓋研究[J]. 中國沙漠, 2002, 22(8): 273-278.FAN Hong, ZHANG Jianping. Study on Land Use/Cover in Arid Valley of Upper Minjiang Watershed[J]. Journal of desert research, 2002, 22(8): 273-278.

[15]楊斌, 詹金鳳, 李茂嬌. 岷江上游流域環(huán)境脆弱性評價[J]. 國土資源遙感, 2014, 26(4): 138-144.YANG Bin, ZHAN Jinfeng, LI Maojiao. Evaluation of Environmental Vulnerability in the Upper Reaches of the Minjiang River[J]. Remote Sensing for Land amp; Resources, 2014, 26(4): 138-144. (in Chinese)

[16]肖輝軍, 蔣恩松, 丁樹文. 基于SVM的IRS-P6衛(wèi)星影像分類方法[J]. 陜西科技大學學報, 2008, 26(6): 154-158.XIAO Huijun, JIANG Ensong, DING Shuwen. Classification of IRS-P6 Satellite Imagine Using SVM Method[J]. Journal of Shanxi University of Science amp; Technology, 2008, 26(6): 154-158. (in Chinese)