CN112990657B - 一种通过长时序卫星遥感评价湿地退化的方法 - Google Patents

一种通过长时序卫星遥感评价湿地退化的方法 Download PDF

Info

Publication number
CN112990657B
CN112990657B CN202110165443.6A CN202110165443A CN112990657B CN 112990657 B CN112990657 B CN 112990657B CN 202110165443 A CN202110165443 A CN 202110165443A CN 112990657 B CN112990657 B CN 112990657B
Authority
CN
China
Prior art keywords
water body
degradation
wetland
index
period
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN202110165443.6A
Other languages
English (en)
Other versions
CN112990657A (zh
Inventor
柯樱海
朱丽娟
卓昭君
洪剑明
张玉虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Capital Normal University
Original Assignee
Capital Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Capital Normal University filed Critical Capital Normal University
Priority to CN202110165443.6A priority Critical patent/CN112990657B/zh
Publication of CN112990657A publication Critical patent/CN112990657A/zh
Application granted granted Critical
Publication of CN112990657B publication Critical patent/CN112990657B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种通过长时序卫星遥感评价湿地退化的方法，可应用于湿地资源保护领域；包括以下步骤：获取长时间序列卫星遥感地表反射率数据，利用指数阈值法，结合地形坡度数据，提取水体覆盖信息，并进行精度验证。基于该信息，计算逐年或逐期(2‑3年为一期)水体频次，基于水体频次将各像元进行逐年(逐期)分类，划分为永久性水体、季节性水体和非水体。这种方法利用了长时序遥感数据集来监测湿地的时空动态变化过程，且通过湿地退化指数描述湿地退化前后的状态对湿地退化程度的影响，能够更加客观地反映湿地的退化程度，了解湿地的生态状况，为湿地的恢复、保护提供理论依据。

Description

一种通过长时序卫星遥感评价湿地退化的方法
技术领域
本发明涉及湿地资源保护领域，尤其涉及一种通过长时序卫星遥感评价湿地退化的方法。
背景技术
湿地作为全球三大生态系统之一，在蓄水、调节河川径流、补给地下水以及为多种动植物提供栖息环境等方面发挥重要作用。目前湿地退化问题十分严重,不仅退化湿地面积大、类型多,而且受人类活动干扰强度大,并且退化过程和成因复杂。因此，明确湿地退化范围，掌握湿地退化机制，确定湿地退化程度,为退化湿地恢复提供前提保障，是当前湿地退化评估面临的重要问题。
目前湿地退化评价指标多侧重于小尺度湿地的生物、物理、化学指标，集中在水质、土壤和生物等单指标或者多指标的比较，研究范围小，不利于对整个生态系统退化进行系统性的综合评价。遥感技术由于其监测范围广、获取信息快、获取信息受限制条件少、获取信息量大、成本低的优势，已经广泛应用于湿地的提取和动态监测。但是当前遥感技术在研究湿地退化评估方面面临棘手挑战，大多方法利用退化前后两期或者多期土地利用数据建立转移矩阵来确定，土地利用数据间隔时期较长，无法反映湿地退化的演变序列和发展趋势。
因此针对上述问题，本发明提出一种通过湿地退化指数评价湿地退化程度的方法。该方法基于长时序卫星遥感数据集，根据每相邻两年(两期)的湿地水体频率信息提取湿地变化的时空特征，建立湿地退化指数，确定湿地退化程度。通过该方法，能够确定湿地退化范围，确定湿地退化程度从而为湿地资源的管理和保护提供依据，为其管理部门的决策提供一定的参考指导。
发明内容
本发明的目的为了利用长时序的水体数据获取水体的时空变化特征，从而通过湿地退化指数的计算确定湿地退化程度。
为了实现上述目的，本发明采用了如下技术方案：
一种通过长时序卫星遥感评价湿地退化的方法，包括以下步骤：
S1、获取覆盖研究区范围的中分辨率卫星遥感地表反射率数据；将地表反射率数据通过裁剪、镶嵌合成研究区范围的遥感影像；
S2、对地表反射率数据进行去云/云阴影、去冰/雪预处理，去除云/云阴影覆盖、冰、雪的影响；
S3、通过波段合成计算水体指数和植被指数，并通过多种指数阈值法以及逻辑判别法获取水体信息；首先根据绿、近红外、短波红外波段的地表反射率计算自动水体提取指数AWEInsh和AWEIsh、改进的归一化差异水体指数MNDWI、归一化植被指数NDVI、以及增强型植被指数EVI；根据研究区域的不同，利用不同的判别式提取水体：
Figure BDA0002937673640000021
上述式(1)一般适用于平原和城市区域，式(2)适用于山区；式中，
Figure BDA0002937673640000022
Figure BDA0002937673640000023
AWEInsh＝4×(G-SWIR1)-(0.25×NIR+2.75×SWIR2)
AWEIsh＝B+2.5×G-1.5×(NIR+SWIR1)-0.25×SWIR2
Figure BDA0002937673640000031
其中G、B、R、NIR、MIR、SWIR1和SWIR2分别表示绿波段(0.492～0.577μm)、蓝波段(0.44～0.475μm)、红波段(0.625～0.74μm)、近红外(0.7～2.5μm)、中红外(2.5～25μm)、短波红外1(1.56～1.66μm)和短波红外2(2.1～2.3μm)的地表反射率；
S4、利用坡度信息去除山体阴影对水体提取的影响；利用DEM数据生成坡度栅格数据，当上述S3判别为水体的像元所在坡度大于10°时，将该像元修改为非水体；
S5、精度验证，结合高分辨率影像进行精度验证；通过生成混淆矩阵来判断精度的高低，其中，混淆矩阵包括：整体精度、用户精度、产品精度和Kappa系数；
S6、逐年或逐期计算水体频率，2-3年为一期，生成水体频率栅格数据；水体频率反映的是像元在一年内(或一期内)被水体覆盖的频率，通过以下公式计算：
Figure BDA0002937673640000032
WF为水体频率，取值范围是0～1；N表示一年内(或一期内)的有效观测次数，即像元在卫星过境时不为冰、雪、云以及阴影，可以获取有效观测的次数；W表示像元被识别为水体的次数；水体频次越高，表明为水体的次数越多；
S7、对逐年(逐期)WF栅格数据进行重分类；按照WF的大小，逐像元进行阈值划分，分为非水体(WF≤0.25)、季节性水体(WF∈(0.25,0.75))永久性水体(WF≥0.75)；
S8、根据上述WF重分类数据的逐年(逐期)变化，提取水体时空动态变化特征，识别湿地退化范围，确定湿地退化类型；通过比较相邻两年(或两期)三种状态的转换，分别提取由水体转为非水体且持续为非水体，以及由永久性水体转为季节性水体且持续为季节性水体的像元；第一种转换类型的像元属于水体→非水体的退化类型；对于第二种转换类型的像元，进一步比较转换前后的水体频率，若像元满足如下计算条件时，视为退化，退化类型为永久性水体→季节性水体；
Figure BDA0002937673640000041
其中，∑WF1为退化前的水体频率之和，∑WF2为退化后的水体频率之和，T1为退化前时长，T2为退化后时长；
S9、对于上述S8识别的退化像元，确定退化时长，结合退化之前的频率，计算湿地退化指数，表征湿地退化程度；
对水体-非水体以及永久-季节两种退化类型，湿地退化指数的计算方式如下：
Figure BDA0002937673640000042
式中，WLI为湿地退化指数，∑WF1为退化前的水体频次和，∑WF2为退化后的水体频次和，T1为退化前时长，T2为退化后时长；时长的计算是先根据退化类型分别计算出计算转换发生的最后时期，转换发生的最后时期与监测开始时期的间隔即为退化前的时长，转换发生的最后时期与监测结束时期的间隔则为退化后的时长；式中，0.8和0.2分别为两种湿地退化类型的权重；
S10、计算归一化湿地退化指数；为方便进行计算和理解，对湿地退化指数在研究区范围内进行归一化，利用湿地退化指数和研究区WLI最大值的比值构建归一化湿地退化指数，计算公式如下：
Figure BDA0002937673640000051
WLINor为归一化湿地退化指数，WLIMax-指湿地退化指数的最大值。
优选的，所述S2-S10中的计算都可以利用软件：ENVI，Erdas、ArcGIS、Matlab、Python、C++、Google Earth Engine，通过湿地退化指数确定湿地退化程度。
与现有技术相比，本发明提供了一种通过长时序卫星遥感评价湿地退化的方法，具备以下有益效果：
1、本发明所提出的通过长时序卫星遥感评价湿地退化的方法，在数据上不同于以往采用数据时期间隔长且数据少的土地利用数据来识别退化湿地，而是充分利用卫星遥感影像的全部有效观测值生成长时序数据集，用该数据集来监测、识别退化湿地，评估湿地退化程度。长时序数据集能够长期监测湿地的时空动态变化情况，对于掌握湿地变化的规律能够提供更为详细的信息，有利于湿地退化的评价。
2、本发明所提出的方法，创建了一种新的评估湿地退化程度的湿地退化指数，该指数对湿地退化程度的评估不同于前人评估时只考虑退化湿地当前的状态，而是综合湿地长期的动态变化过程，创建相应的参数分别体现湿地退化前后的状态对湿地退化程度的影响，既能体现湿地退化前状态的差异性，又能表征湿地退化后状态的一致性，即湿地退化前的状态越好，退化后时长越长，退化程度越高，也就是能够更加客观地反映湿地的退化程度。
附图说明
以下附图将结合本法明的具体构思、结构以及实施例中的技术结果进行说明，以充分了解本发明的特征、目的和结果。
图1为本发明流程图；
图2为归一化湿地退化指数结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。
实施例：
一种通过长时序卫星遥感评价湿地退化的方法，包括以下步骤：
S1、获取覆盖研究区范围的中分辨率卫星遥感地表反射率数据。将地表反射率数据通过裁剪、镶嵌合成研究区范围的遥感影像。
S2、对地表反射率数据进行去云/云阴影、去冰/雪预处理，去除云/云阴影覆盖、冰、雪的影响。
S3、通过波段合成计算水体指数和植被指数，并通过多种指数阈值法以及逻辑判别法获取水体信息。首先根据绿、近红外、短波红外波段的地表反射率计算自动水体提取指数AWEInsh和AWEIsh、改进的归一化差异水体指数MNDWI、归一化植被指数NDVI、以及增强型植被指数EVI。根据研究区域的不同，利用不同的判别式提取水体：
Figure BDA0002937673640000071
上述式(1)一般适用于平原和城市区域，式(2)适用于山区。式中，
Figure BDA0002937673640000072
Figure BDA0002937673640000073
AWEInsh＝4×(G-SWIR1)-(0.25×NIR+2.75×SWIR2)
AWEIsh＝B+2.5×G-1.5×(NIR+SWIR1)-0.25×SWIR2
Figure BDA0002937673640000074
其中G、B、R、NIR、MIR、SWIR1和SWIR2分别表示绿波段(0.492～0.577μm)、蓝波段(0.44～0.475μm)、红波段(0.625～0.74μm)、近红外(0.7～2.5μm)、中红外(2.5～25μm)、短波红外1(1.56～1.66μm)和短波红外2(2.1～2.3μm)的地表反射率。
S4、利用坡度信息去除山体阴影对水体提取的影响。利用DEM数据生成坡度栅格数据，当上述S3判别为水体的像元所在坡度大于10°时，将该像元修改为非水体。
S5、精度验证，结合高分辨率影像进行精度验证。通过生成混淆矩阵来判断精度的高低，其中，混淆矩阵包括：整体精度、用户精度、产品精度和Kappa系数。
S6、逐年或逐期(2-3年为一期)计算水体频率，生成水体频率栅格数据。水体频率反映的是像元在一年内(或一期内)被水体覆盖的频率，通过以下公式计算：
Figure BDA0002937673640000081
WF为水体频率，取值范围是0～1；N表示一年内(或一期内)的有效观测次数，即像元在卫星过境时不为冰、雪、云以及阴影，可以获取有效观测的次数；W表示像元被识别为水体的次数。水体频次越高，表明为水体的次数越多。
S7、对逐年(逐期)WF栅格数据进行重分类。按照WF的大小，逐像元进行阈值划分，分为非水体(WF≤0.25)、季节性水体(WF∈(0.25,0.75))永久性水体(WF≥0.75)。
S8、根据上述WF重分类数据的逐年(逐期)变化，提取水体时空动态变化特征，识别湿地退化范围，确定湿地退化类型。通过比较相邻两年(或两期)三种状态的转换，分别提取由水体转为非水体且持续为非水体，以及由永久性水体转为季节性水体且持续为季节性水体的像元。第一种转换类型的像元属于水体→非水体的退化类型。对于第二种转换类型的像元，进一步比较转换前后的水体频率，若像元满足如下计算条件时，视为退化，退化类型为永久性水体→季节性水体。
Figure BDA0002937673640000082
其中，∑WF1为退化前的水体频率之和，∑WF2为退化后的水体频率之和，T1为退化前时长，T2为退化后时长。
S9、对于上述S8识别的退化像元，确定退化时长，结合退化之前的频率，计算湿地退化指数，表征湿地退化程度。
对水体-非水体以及永久-季节两种退化类型，湿地退化指数的计算方式如下：
Figure BDA0002937673640000091
式中，WLI为湿地退化指数，∑WF1为退化前的水体频次和，∑WF2为退化后的水体频次和，T1为退化前时长，T2为退化后时长。时长的计算是先根据退化类型分别计算出计算转换发生的最后时期，转换发生的最后时期与监测开始时期的间隔即为退化前的时长，转换发生的最后时期与监测结束时期的间隔则为退化后的时长。式中，0.8和0.2分别为两种湿地退化类型的权重。
S10、计算归一化湿地退化指数。为方便进行计算和理解，对湿地退化指数在研究区范围内进行归一化，利用湿地退化指数和研究区WLI最大值的比值构建归一化湿地退化指数，计算公式如下：
Figure BDA0002937673640000092
WLINor为归一化湿地退化指数，WLIMax-指湿地退化指数的最大值。
所述S2-S10中的计算都可以利用软件：ENVI，Erdas、ArcGIS、Matlab、Python、C++、Google Earth Engine等。
实施例2：
本方案以张家口坝上地区为研究区，利用本发明提出的一种通过长时序卫星遥感评价湿地退化的方法，评估张家口坝上地区的湿地退化程度，主要步骤如下：
(1)基于Google Earth Engine(GEE)平台，获取研究区在1985-2019年的Landsat5、7、8地表反射率数据，其中，共5422景地表反射率数据；并基于GEE平台裁剪、镶嵌地表反射率数据，合成研究区范围的遥感影像。
(2)对地表反射率数据进行去云/云阴影、去冰/雪预处理，去除云/云阴影覆盖、冰、雪的影响。
基于GEE云平台，利用Landsat质量评估波段QA波段，根据波段信息筛选并剔除含有云/云阴影、冰/雪的像元。
(3)通过波段合成计算水体指数和植被指数，并通过多种指数阈值法以及逻辑判别法获取水体信息。
直接利用GEE云平台对预处理之后的地表反射率数据进行计算，根据绿、蓝、红、近红外、中红外、短波红外波段的地表反射率计算自动水体提取指数AWEInsh和AWEIsh、改进的归一化差异水体指数MNDWI、归一化植被指数NDVI、以及增强型植被指数EVI。
基于GEE利用多种指数阈值法以及逻辑判别法提取出每景数据中的水体部分，根据判别式的适用范围，在本研究区采用的水体判别式如下：
Waterpixel＝(AWEInsh–AWEIsh>-0.1)and(MNDWI>NDVI or MNDWI>EVI)
Figure BDA0002937673640000111
Figure BDA0002937673640000112
AWEInsh＝4×(G-SWIR1)-(0.25×NIR+2.75×SWIR2)
AWEIsh＝B+2.5×G-1.5×(NIR+SWIR1)-0.25×SWIR2
Figure BDA0002937673640000113
其中G、B、R、NIR、MIR、SWIR1和SWIR2分别表示蓝波段(0.44～0.475μm)、绿波段(0.492～0.577μm)、红波段(0.625～0.74μm)、近红外(0.7～2.5μm)、中红外(2.5～25μm)、短波红外1(1.56～1.66μm)和短波红外2(2.1～2.35μm)的地表反射率。在Landsat中对应的波段信息如下：
Figure BDA0002937673640000114
Figure BDA0002937673640000121
(4)利用坡度信息去除山体阴影对水体提取的影响。
首先利用ArcGIS的坡度工具，根据SRTM-3高程数据生成坡度栅格数据；然后将坡度栅格数据和水体提取结果数据叠加，当像元识别为水体且所在坡度大于10°时，利用ArcGIS的栅格计算器工具将该像元修改为非水体。
(5)对水体提取结果数据结合谷歌影像进行精度验证。
分别选取2000年、2006年、2010年和2016年谷歌地球高清影像，通过目视解译建立样本点，对同一时期基于Landsat数据的水体提取结果进行验证，生成混淆矩阵。
(6)逐期(2年为一期)计算水体频率，生成水体频率栅格数据。
直接利用GEE云平台，分别统计该像元在两年内的有效观测次数和被识别为水体的次数，逐像元计算水体频率值，计算公式如下：
Figure BDA0002937673640000122
WF为水体频率，取值范围是0～1；N表示一年内(或一期内)的有效观测次数，即像元在卫星过境时不为冰、雪、云以及阴影，可以获取有效观测的次数；W表示像元被识别为水体的次数。最终得到1985-2019年共18期水体频率WF栅格数据。
(7)水体频率WF栅格数据重分类
对逐期的WF栅格数据进行重分类。按照WF的大小，利用ArcGIS重分类工具逐像元进行阈值划分，分为非水体(WF<0.25)、季节性水体(WF∈(0.25,0.75))、永久性水体(WF>0.75)。
(8)分析WF重分类数据的逐期变化，提取水体时空动态变化特征，识别湿地退化范围，确定湿地退化类型。
退化类型的确定主要基于matlab计算实现，利用matlab根据相邻两期三种状态的转换，分别提取由水体转为非水体且持续为非水体，以及由永久性水体转为季节性水体且持续为季节性水体的像元。第一种转换类型的像元属于水体→非水体的退化类型。对于第二种转换类型的像元，进一步比较转换前后的水体频率，若像元满足如下计算条件时，视为退化，退化类型为永久性水体→季节性水体
Figure BDA0002937673640000131
∑WF1为退化前的水体频率之和，∑WF2为退化后的水体频率之和，T1为退化前时长，T2为退化后时长。退化前和退化后的水体频率和利用ArcGIS的栅格计算器即可得到；同时时长的计算也是利用ArcGIS的栅格计算器，根据退化类型先计算出计算转换发生的最后时期，而转换发生的最后时期与监测开始时期的间隔即为退化前的时长T1，转换发生的最后时期与监测结束时期的间隔则为退化后的时长T2。
最终确定湿地退化类型及退化范围。
(9)根据退化像元，确定退化时长；结合退化之前的频率，计算湿地退化指数，表征湿地退化程度。
对水体-非水体以及永久-季节两种退化类型，分别利用ArcGIS的栅格计算器计算湿地退化指数，计算方式如下：
Figure BDA0002937673640000141
式中，WLI为湿地退化指数，∑WF1为退化前的水体频次和，
∑WF2为退化后的水体频次和，T1为退化前时长，T2为退化后时长。退化前和退化后的水体频率和利用ArcGIS的栅格计算器即可得到；时长的计算也是利用ArcGIS的栅格计算器，根据退化类型先计算出计算转换发生的最后时期，而转换发生的最后时期与监测开始时期的间隔即为退化前的时长T1，转换发生的最后时期与监测结束时期的间隔则为退化后的时长T2。
最终得到湿地退化指数，确定湿地退化程度。
(10)计算归一化湿地退化指数。
利用ArcGIS合成两种退化类型的湿地退化指数的计算结果，并对湿地退化指数进行统计，得到研究区内湿地退化指数的最大值，并利用ArcGIS的栅格计算器计算每个像元与最大值的比值，得到归一化湿地退化指数。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (2)

1.一种通过长时序卫星遥感评价湿地退化的方法，其特征在于：包括以下步骤：
S1、获取覆盖研究区范围的中分辨率卫星遥感地表反射率数据；将地表反射率数据通过裁剪、镶嵌合成研究区范围的遥感影像；
S2、对地表反射率数据进行去云/云阴影、去冰/雪预处理，去除云/云阴影覆盖、冰、雪的影响；
S3、通过波段合成计算水体指数和植被指数，并通过多种指数阈值法以及逻辑判别法获取水体信息；首先根据绿、近红外、短波红外波段的地表反射率计算自动水体提取指数AWEInsh和AWEIsh、改进的归一化差异水体指数MNDWI、归一化植被指数NDVI、以及增强型植被指数EVI；根据研究区域的不同，利用不同的判别式提取水体：
Figure FDA0003335401820000011
上述式(1)一般适用于平原和城市区域，式(2)适用于山区；式中，
Figure FDA0003335401820000012
Figure FDA0003335401820000013
AWEInsh＝4×(G-SWIR1)-(0.25×NIR+2.75×SWIR2)
AWEIsh＝B+2.5×G-1.5×(NIR+SWIR1)-0.25×SWIR2
Figure FDA0003335401820000014
其中G、B、R、NIR、MIR、SWIR1和SWIR2分别表示绿波段、蓝波段、红波段、近红外、中红外、短波红外1和短波红外2的地表反射率，波段0.492～0.577μm为绿波段，波段0.44～0.475μm为蓝波段，波段0.625～0.74μm为红波段，波段0.7～2.5μm为近红外，波段2.5～25μm中红外，波段1.56～1.66μm为短波红外1，波段2.1～2.3μm为短波红外2；
S4、利用坡度信息去除山体阴影对水体提取的影响；利用DEM数据生成坡度栅格数据，当上述S3判别为水体的像元所在坡度大于10°时，将该像元修改为非水体；
S5、精度验证，结合高分辨率影像进行精度验证；通过生成混淆矩阵来判断精度的高低，其中，混淆矩阵包括：整体精度、用户精度、产品精度和Kappa系数；
S6、逐年或逐期计算水体频率，2-3年为一期，生成水体频率栅格数据；水体频率反映的是像元在一年内或一期内被水体覆盖的频率，通过以下公式计算：
Figure FDA0003335401820000021
WF为水体频率，取值范围是0～1；N表示一年内或一期内的有效观测次数，即像元在卫星过境时不为冰、雪、云以及阴影，可以获取有效观测的次数；W表示像元被识别为水体的次数；水体频次越高，表明为水体的次数越多；
S7、对逐年或逐期WF栅格数据进行重分类；按照WF的大小，逐像元进行阈值划分，分为非水体、季节性水体、永久性水体，其中WF≤0.25为非水体，WF∈(0.25，0.75)为季节性水体，WF≥0.75为永久性水体；
S8、根据上述WF重分类数据的逐年或逐期变化，提取水体时空动态变化特征，识别湿地退化范围，确定湿地退化类型；通过比较相邻两年或两期三种状态的转换，分别提取由水体转为非水体且持续为非水体，以及由永久性水体转为季节性水体且持续为季节性水体的像元；第一种转换类型的像元属于水体-非水体的退化类型；对于第二种转换类型的像元，进一步比较转换前后的水体频率，若像元满足如下计算条件时，视为退化，退化类型为永久性水体-季节性水体；
Figure FDA0003335401820000031
其中，∑WF1为退化前的水体频率之和，∑WF2为退化后的水体频率之和，T1为退化前时长，T2为退化后时长；
S9、对于上述S8识别的退化像元，确定退化时长，结合退化之前的频率，计算湿地退化指数，表征湿地退化程度；
对水体-非水体以及永久性水体-季节性水体两种退化类型，湿地退化指数的计算方式如下：
Figure FDA0003335401820000032
式中，WLI为湿地退化指数，∑WF1为退化前的水体频次和，∑WF2为退化后的水体频次和，T1为退化前时长，T2为退化后时长；时长的计算是先根据退化类型分别计算出转换发生的最后时期，转换发生的最后时期与监测开始时期的间隔即为退化前的时长，转换发生的最后时期与监测结束时期的间隔则为退化后的时长；式中，0.8和0.2分别为两种湿地退化类型的权重；
S10、计算归一化湿地退化指数；为方便进行计算和理解，对湿地退化指数在研究区范围内进行归一化，利用湿地退化指数和研究区WLI最大值的比值构建归一化湿地退化指数，计算公式如下：
Figure FDA0003335401820000041
WLINor为归一化湿地退化指数，WLIMax-指湿地退化指数的最大值。
2.根据权利要求1所述的一种通过长时序卫星遥感评价湿地退化的方法，其特征在于：所述S2-S10中的计算利用软件：ENVI，Erdas、ArcGIS、Matlab、Python、C++、Google EarthEngine进行计算，通过湿地退化指数确定湿地退化程度。
CN202110165443.6A 2021-02-06 2021-02-06 一种通过长时序卫星遥感评价湿地退化的方法 Expired - Fee Related CN112990657B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110165443.6A CN112990657B (zh) 2021-02-06 2021-02-06 一种通过长时序卫星遥感评价湿地退化的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110165443.6A CN112990657B (zh) 2021-02-06 2021-02-06 一种通过长时序卫星遥感评价湿地退化的方法

Publications (2)

Publication Number Publication Date
CN112990657A CN112990657A (zh) 2021-06-18
CN112990657B true CN112990657B (zh) 2021-12-07

Family

ID=76348545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110165443.6A Expired - Fee Related CN112990657B (zh) 2021-02-06 2021-02-06 一种通过长时序卫星遥感评价湿地退化的方法

Country Status (1)

Country Link
CN (1) CN112990657B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113409336B (zh) * 2021-06-23 2022-03-01 生态环境部卫星环境应用中心 提取河流干涸断流区域及频率的方法、装置、介质和设备
CN114120137B (zh) * 2021-10-19 2023-07-25 桂林理工大学 一种基于时序植被遥感影像的湿地要素时空演变监测方法
CN114359243B (zh) * 2022-01-10 2022-08-26 首都师范大学 一种季节性小微湿地动态监测方法
CN115294460B (zh) * 2022-10-08 2023-01-17 杭州领见数字农业科技有限公司 雷竹林退化程度确定方法、介质和电子设备
CN116577286B (zh) * 2023-07-11 2023-09-19 北京市城市规划设计研究院 城市腾退空间生态修复实施监测的方法、装置和电子设备
CN117456378A (zh) * 2023-12-20 2024-01-26 山东锋士信息技术有限公司 基于卫星遥感的水利数字孪生底座要素实现方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650689A (zh) * 2016-12-30 2017-05-10 厦门理工学院 一种沿海城市时间序列土地利用信息提取方法
CN109886067A (zh) * 2018-12-17 2019-06-14 北京师范大学 湿地受损遥感识别方法及装置
CN110033499A (zh) * 2019-04-21 2019-07-19 南京林业大学 一种基于Landsat OLI遥感影像的区域性水体制图方法
CN111738144A (zh) * 2020-06-19 2020-10-02 中国水利水电科学研究院 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110674467B (zh) * 2019-09-24 2024-01-16 水利部交通运输部国家能源局南京水利科学研究院 基于swat模型的水文过程对气候变化的响应监测方法
CN111598336B (zh) * 2020-05-15 2023-05-26 河北民族师范学院 一种基于土壤有机质空间分布的草原载畜潜力分区方法
CN111861838B (zh) * 2020-08-24 2023-05-09 电子科技大学 一种山区森林退化成因的判别方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650689A (zh) * 2016-12-30 2017-05-10 厦门理工学院 一种沿海城市时间序列土地利用信息提取方法
CN109886067A (zh) * 2018-12-17 2019-06-14 北京师范大学 湿地受损遥感识别方法及装置
CN110033499A (zh) * 2019-04-21 2019-07-19 南京林业大学 一种基于Landsat OLI遥感影像的区域性水体制图方法
CN111738144A (zh) * 2020-06-19 2020-10-02 中国水利水电科学研究院 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于MODIS数据的山西省六大煤_省略_覆盖度时空变化特征及其驱动力分析;张彦彬等;《干旱区地理》;20160131;162-170 *

Also Published As

Publication number Publication date
CN112990657A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN112990657B (zh) 一种通过长时序卫星遥感评价湿地退化的方法
Pekel et al. High-resolution mapping of global surface water and its long-term changes
Dronova et al. Object-based analysis and change detection of major wetland cover types and their classification uncertainty during the low water period at Poyang Lake, China
Melton et al. A map of global peatland extent created using machine learning (Peat-ML)
Bhangale et al. Analysis of surface water resources using Sentinel-2 imagery
CN112949414B (zh) 一种宽视域高分六号卫星影像地表水体智能制图方法
Nguyen et al. Monitoring changes in coastal mangrove extents using multi-temporal satellite data in selected communes, Hai Phong city, Vietnam
CN114359243B (zh) 一种季节性小微湿地动态监测方法
Zhou et al. Retrieving dynamics of the surface water extent in the upper reach of Yellow River
Chai et al. Annual urban expansion extraction and spatio-temporal analysis using Landsat time series data: a case study of Tianjin, China
Shekar et al. Detection of land use/land cover changes in a watershed: A case study of the Murredu watershed in Telangana state, India
Zhang A time-series approach to detect urbanized areas using biophysical indicators and landsat satellite imagery
Devi et al. Assessment of land use and land cover and forest fragmentation in traditional landscape in Manipur, Northeast India
Guo et al. Mozambique flood (2019) caused by tropical cyclone idai monitored from sentinel-1 and sentinel-2 images
Carter et al. Testing a generalizable machine learning workflow for aquatic invasive species on rainbow trout (Oncorhynchus mykiss) in Northwest Montana
Raman et al. Rice area estimation using parameterized classification of sentinel 1A SAR data
CN115984689A (zh) 一种多尺度地表复杂性特征提取及其土地利用分割方法
CN115797501A (zh) 一种结合森林干扰与恢复事件的时间序列林龄制图方法
Biddle Mapping debris-covered glaciers in the Cordillera Blanca, Peru: an object-based image analysis approach.
Vogt et al. Integrating information on river networks, catchments and major forest types: Towards the characterisation and analysis of European landscapes
AI-Mashagbah et al. Estimation of changes in the Dead Sea surface water area through multiple water index algorithms and geospatial techniques
Fickas The Benefits of Time: Characterizing Intra-and Inter-Annual Variability in Oregon Wetland Ecosystems Using the Landsat Spectral-Temporal Domain
Longcore et al. Reconstruction of Historical Topography to Estimate Erosion and Model Historical Vegetation Distribution on San Clemente Island, California
Ifeanyi et al. Evaluation of eco-environmental vulnerability in Efon-Alaye using remote sensing and GIS techniques
Tanh et al. Hawaii Climate: Utilizing Earth Observations to Delineate Wetland Extents, Model Sea Level Rise Inundation Risk, and Assess Impacts on Historic Hawaiian Lands

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20211207