CN114372707A - 一种基于遥感数据的高寒湿地退化程度监测方法 - Google Patents
一种基于遥感数据的高寒湿地退化程度监测方法 Download PDFInfo
- Publication number
- CN114372707A CN114372707A CN202210024674.XA CN202210024674A CN114372707A CN 114372707 A CN114372707 A CN 114372707A CN 202210024674 A CN202210024674 A CN 202210024674A CN 114372707 A CN114372707 A CN 114372707A
- Authority
- CN
- China
- Prior art keywords
- index
- wetland
- remote sensing
- entropy
- knowledge
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 56
- 230000015556 catabolic process Effects 0.000 title claims abstract description 55
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 230000008859 change Effects 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000005469 granulation Methods 0.000 claims description 28
- 230000003179 granulation Effects 0.000 claims description 28
- 238000011160 research Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 14
- 239000002689 soil Substances 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000010998 test method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 4
- 238000001151 non-parametric statistical test Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 239000002028 Biomass Substances 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 238000011002 quantification Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000007850 degeneration Effects 0.000 abstract 1
- 238000007689 inspection Methods 0.000 abstract 1
- 238000012847 principal component analysis method Methods 0.000 description 6
- 241000282414 Homo sapiens Species 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 2
- 241000968928 Carex brizoides Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Evolutionary Biology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
Abstract
本发明提供一种基于遥感数据的高寒湿地退化程度监测方法，属于评估技术领域，可应用于湿地资源保护领域；该技术和方法完全基于GEE云平台所输出的遥感数据，包括归一化植被指数(NDVI)，归一化水体指数(NDWI)，归一化干旱指数(NDSI)和地表温度(LST)，以及基于知识粗糙熵法构造的高寒湿地退化指数模型(AWDI)，快速精确的监测区域湿地时空变化过程，从而更加客观反映湿地退化程度。本发明所提出的指标模型所有的输入数据都可以通过遥感反演的方法获取，并且通过了精度检验，因此所得到的评价结果可以落实到空间上，能更精细地监测湿地退化在空间上的特征。
Description
技术领域
本发明涉及遥感技术应用和湿地资源保护领域，尤其涉及一种基于遥感数据监测高寒湿地退化程度的方法。
背景技术
作为全球三大生态系统之一，湿地在蓄水，调节河川径流，补给地下水以及为多种动植物提供栖息地等方面发挥重要的作用。近年来，由于受到人类社会及全球气候变化的共同影响，使青藏高原高寒草地生态系统的结构和功能发生了不可逆转的变化，其中湿地退化问题十分严重。湿地对人类和环境都有重要的贡献，是最重要的生态系统之一。湿地退化问题主要表现为退化面积扩大，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。因此，对湿地进行测绘和监测十分重要。在这方面，遥感可以提供实时数据和大规模监测，在不同空间尺度上获得成本效益高的存档图像，因此它被广泛应用于生态环境领域，成为评价区域生态环境的一种有效方法。
目前对高寒湿地退化评价的研究多侧重于小尺度湿地的生物、物理、化学指标等方面，采用宏观性指标对湿地进行功能和服务价值评价，或是利用单个指标阈值评价湿地退化程度，这使得研究范围小，不利于对整个生态系统退化进行系统性的综合评价。遥感监测是根据不同地物类型的反射光谱特征进行信息提取的一种手段。随着遥感技术的飞速发展，其已经成为地表土地覆盖信息提取的重要数据源。同时，由于遥感具有监测范围广、获取信息快、获取信息量大等优点，其已经广泛应用于湿地信息的提取和动态监测。然而，遥感技术目前在湿地退化评估研究中面临着棘手的挑战。大部分研究者提取湿地信息是利用湿地退化前后多个时期的土地利用数据并建立转移矩阵的方法来确定的，存在土地利用数据间隔时间长，不能反映湿地退化的演化序列和趋势这一问题。
目前很多学者会使用RSEI指数(遥感生态指数)来评价不同地区的生态环境。RESI可以快速并简单地评估一个地区的长期生态质量,比较和分析不同年份的评价结果,确定该地区的生态质量的状况,并分析生态质量的变化，传统构建RSEI指标模型的过程中多采用主成分分析法来确定权重。主成分分析方法的优点在于能够对多维数据进行降维，但其对数据的解释多少带有模糊性，且只能应用于数据的线性降维。在现有的研究中，很多研究在降维以后有三个指标并没有表现出降维数的明显效果，同时对大规模像素数据的计算非常耗时，使得主成分分析有时难以解释清的赋值方法。
发明内容
为解决上述技术问题，本发明提出了一种基于遥感数据构建高寒湿地退化程度综合指标的方法。该方法基于长时间序列遥感数据，根据逐年湿地光谱信息提取湿地变化的时空特征，计算并构建湿地退化指数模型，分析确定湿地退化程度。在构建指标模型的过程中，以知识粒化熵的方法构建高寒湿地退化指数AWDI(Alpine Wetland DegradationIndex)以代表RSEI指标，改进现有基于权重数值的指标评价方法。为了达到上述目的，本发明采取的技术方案是：
一种基于长时序遥感数据的高寒湿地退化程度监测方法，包括以下步骤：
S1利用GEE平台提取Landsat TM、OLI数据，获取每年的NDVI，NDWI，NDSI和LST影像数据；
S2在影像提取过程中对遥感数据进行必要的预处理，主要包括辐射校正、大气校正、几何校正、图像裁剪等步骤，通过加权将NDVI，NDWI，NDSI和LST分别压缩成一张影像图；
S3利用实测数据建立统计分析模型，开展精度验证；
S4通过标准化将所有指标统一在(0,1)范围内；
S5统一研究区各指标的总像元数，并分别计算AWDI各指标在各年度的知识粒度熵和指标权重；
S6验证数据准确性：根据各指标的权重及标准值，构建研究区高寒湿地退化指数(AWDI)模型。
S7根据所构建的指标模型，分析湿地变化趋势，得到逐年湿地变化结果；
根据本发明所选用的方案，所述S1中，利用GEE平台所提取的影像数据NDVI，NDWI，NDSI，LST分别代表湿度，绿度，干度和热度四个指标。其中NDVI指数与植物生物量，叶面积指数和植被覆盖度密切相关；NDWI指数反映植被，水，土壤的湿度，与生态环境的变化密切相关；NDSI指数可用来表示干燥度，因为该指数可同时增强与地表干燥有关的土壤特征和建设用地特征；LST是指地面的温度，是区域和全球尺度地表物理过程中的一个关键因子。
根据本发明所选用的方案，所述S1各指标数学表达式分别为：
其中pnir、pred、pblu是LandsatTM、OLI中近红外(NIR)(0.77-0.90μm)、红色(0.63-0.69μm)、蓝色(0.45-0.52μm)波段的表面反射率值。这个NDVI值在的范围在(-1，1)区间，正值表示植被面积，负值表示非植被面积。
式中pgreen和pnir是OLI绿色和近红外波段的光谱反射率值。NDWI值在与NDVI相同的范围内。
其中pswir和pnir是Landsat TM,OLI中短红外波段(1.52-1.70μm)和近红外波段的表面反射率值。
L＝gain×DN+bias
其中L是OLI波段10和TM波段6的传感器处光谱辐射，增益和偏置分别是波段特定的乘性重缩放因子和波段特定的加性重缩放因子。T为传感器处亮度温度,DN为OLI波段10和TM波段6的量化校准标准乘积像素值，ε为表面发射率，K1和K2为波段10和TM波段6的波段特定热转换常数。
根据本发明所选的方案，所述S3中为了消除不同指标之间的维度影响，需要对所有指标进行标准化，将原始指标值的取值范围统一为[0,1]，不进行量纲化。标准化公式如下:
其中第一个公式代表的是正向指标标准值，第二个公式代表的是负向指标标准值；定义NDVI，NDWI为正向指标，NDSI,LST为负向指标。公式中xij是原始数据，指的是第j年的第i指标；Max(xi)和Min(xi)是指所有年份中的最大值和最小值。
根据本发明所选的方案，所述S4中，湿地退化指数AWDI以熵权重法来确定权重。熵权法是一种主客观结合赋权法，其基本前提是根据指标变异性的大小确定客观权重。可由以下公式计算:
其中Er为各指标的信息熵，n为各指标中不同值的个数，pij为各指标中各值出现的概率。
但是在实际环境评价计算中，生态指标均为连续值，且pij中的数值趋于无穷，因此步骤5中关于Er的实际计算不容易操作，我们需要对熵权法改进。为此，引入知识粒化和知识粒化熵的概念，改进了熵权法。我们将不同的评价指标细分为不同的层次，对RSEI进行评价。这种分区分异的度量可以定义为知识颗粒化，可以用以下公式来度量:
其中Gk表示知识粒化，n表示区域内每个指标的区间值个数，|U|表示区域内样本总数，|Xi|表示每个区间内样本数。知识粒度越小，区域内指标划分越细，分辨率越高；反之，知识造粒越大，指标在区域内的划分越粗糙，分辨率越低。以下公式定义了基于知识粒化的知识粒度熵:
其中Er(R)为知识粒度熵，其表达式为：k＝1/log2|U|。一般知识的知识粒度熵越小，其对象划分越细，则其分辨率越高，对指标体系的贡献就越大。根据知识粒化熵和熵权法的原理，对各指标的权重定义公式如下：
其中，W(Ci)为各指标的权重，m为生态环境质量评价指标个数。
根据本发明所选的方案，所述S5中,利用通过知识粗糙熵法得到的四个指标权重来计算综合遥感监测指数，即高寒湿地退化指数AWDI，计算公式如下：
AWDI＝W1Z1+W2Z2+W3Z3+W4Z4
其中，W1，W2，W3，W4分别为NDVI，NDWI，NDSI和LST指标的权重，Z1，Z2，Z3，Z4分别为NDVI，NDWI，NDSI和LST指标的标准值。
根据本发明所选的方案，所述S6中，湿地变化趋势分析采用Theil-Sen估算法和Mann-Kendall趋势检验法。步骤6湿地变化趋势分析采用Theil-Sen估算法和Mann-Kendall趋势检验法。Theil-Sen斜率估算和Mann-Kendall显著性检验是两种非参数检验方法，它们不要求时间序列必须满足正态分布和序列自相关的大部分假设，并且对时间序列中的异常值不敏感，可以有效处理小的离群点和缺失值噪声。Theil-Sen斜率估算法通过计算序列中两两数据对之间的斜率，将所有数据对斜率的中值看作时间序列的总变化趋势以此来减少数据异常值的影响。这是一种稳健的非参数统计趋势计算方法，计算公式如下：
Si和Sk分别为第I年和第k年对应的遥感综合指标值。中位数是一个中位数函数，正值表示上升趋势，负值表示下降趋势。
Mann-Kendall趋势检验是一种非参数统计检验，它不要求样本服从某种分布并且不会受到一些异常值的干扰。它更适用于类型变量和序变量，适用于水文、气象数据等非正态分布数据。其正态分布M-K统计值定义如下:
式中，n为数据个数，Z为正，表示增加趋势的显著性，值越大，说明增加趋势越显著。var(S)＝n(n-1)(2n+5)/18，其值为负值，则表示递减趋势显著性，值越小，递增趋势越显著。当Z的绝对值大于等于1.96时，表示通过了信度检验。
本发明的计算可通过ArcGIS、ENVI、Python、R语言、Google Earth Engine来完成，通过高寒湿地退化指数(AWDI)变化趋势来分析监测湿地退化程度。
本发明同现有技术相比具有以下优点：
本发明所提出的卫星遥感监测湿地退化的方法，从数据上来说，充分利用了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、识别逐年湿地情况，评估湿地退化程度。长时序数据集可以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。
同时，本发明所提出的方法还综合了NDVI，NDWI，NDSI，LSI四种数据。该技术先通过遥感指数反演得到上述四个指标，再通过知识粗糙熵的方法得到综合遥感监测指数，即高寒湿地退化指数模型，相比传统RSEI指标模型构建过程，本发明所选的指标不仅获取完全基于遥感影像，计算过程没有人为干预，而且以知识粗糙熵方法来替换传统的主成分分析法，从而得到权重。
本研究采用熵权法确定指标权重，并以知识粗糙熵法改进熵权法。熵权法是一种客观赋权法，可避免人为因素带来的偏差，能够更好的解释所得到的结果，因此它相较于主成分分析法等主观法其精确性更高；该方法所确定出的权重可以进行修正，这些优点决定了其适应性较高的特点。因此相比主成分分析法，知识粗糙熵法能精确反映指标的变化程度及研究区生态环境的整体状况，使监测湿地退化的工作更为简便。
附图说明
图1为本发明框架图
图2为1990年到2020年高寒湿地退化指数变化分析图
具体实施方式
下面结合附图与具体的实施方式对本发明作进一步详细描述：
实施例1
参见图1，本发明一个实施例是基于遥感数据的高寒湿地退化程度监测方法，包括以下步骤：
S1利用GEE平台提取landsat数据，获取每年的NDVI,NDWI，NDSI和LST影像数据，四个数据分别代表湿度，绿度，干度和热度四个指标。NDVI是表征植被生长和植被覆盖度的最佳指标之一，是遥感传感器接收到的光谱信息计算出的地表植被状况的定量值，与植物生物量，叶面积指数和植被覆盖度密切相关，计算公式如下：
其中pnir、pred、pblu是LandsatTM、OLI中近红外(NIR)(0.77-0.90μm)、红色(0.63-0.69μm)、蓝色(0.45-0.52μm)波段的表面反射率值。这个NDVI值在的范围在(-1，1)区间，正值表示植被面积，负值表示非植被面积。
NDWI指数反映植被，水，土壤的湿度，与生态环境的变化密切相关，计算公式如下：
式中pgreen和pnir是OLI绿色和近红外波段的光谱反射率值。NDWI值在与NDVI相同的范围内。
NDSI指数可用来表示干燥度，因为它可以增强导致陆地表面干燥的土壤特征，计算公式如下：
其中pswir和pnir是Landsat TM,OLI中短红外波段(1.52-1.70μm)和近红外波段的表面反射率值。
LST是指地面的温度，是区域和全球尺度地表物理过程中的一个关键因子，计算公式如下：
L＝gain×DN+bias
其中L是OLI波段10和TM波段6的传感器处光谱辐射，增益和偏置分别是波段特定的乘性重缩放因子和波段特定的加性重缩放因子。T为传感器处亮度温度,DN为OLI波段10和TM波段6的量化校准标准乘积像素值，ε为表面发射率，K1和K2为波段10和TM波段6的波段特定热转换常数。
S2在提取影像过程中对遥感数据进行必要的预处理，主要包括辐射校正、大气校正、几何校正、图像裁剪等步骤，通过加权将NDVI，NDWI，NDSI和LST分别压缩成一张影像图；
S3利用实测数据建立统计分析模型，开展精度验证；
S4精度验证通过，通过标准化将所有指标统一在(0,1)范围内。为了消除不同指标之间的维度影响，需要对所有指标进行标准化，将原始指标值的取值范围统一为[0,1]，不进行量纲化。标准化公式如下:
其中Zij1代表的是正向指标标准值，Zij2代表的是负向指标标准值；定义NDVI，NDWI为正向指标，NDSI,LST为负向指标。公式中xij是原始数据，指的是第j年的第i指标；Max(xi)和Min(xi)是指所有年份中的最大值和最小值。
S5统一研究区各指标的总像元数，并分别计算RSEI各指标在各年度的知识粒度熵和指标权重。通常，湿地退化指数AWDI是以熵权重法来确定权重。熵权法是一种主客观结合赋权法，其基本前提是根据指标变异性的大小确定客观权重。可由以下公式计算:
其中Er为各指标的信息熵，n为各指标中不同值的个数，pij为各指标中各值出现的概率。
但是在实际环境评价计算中，生态指标均为连续值，且pij中的数值趋于无穷，因此步骤5中关于Er的实际计算不容易操作，我们需要对熵权法改进。为此，引入知识粒化和知识粒化熵的概念，改进了熵权法。我们将不同的评价指标细分为不同的层次，对AWDI进行评价。这种分区分异的度量可以定义为知识颗粒化，可以用以下公式来度量:
其中Gk表示知识粒化，n表示区域内每个指标的区间值个数，|U|表示区域内样本总数，|Xi|表示每个区间内样本数。知识粒度越小，区域内指标划分越细，分辨率越高；反之，知识造粒越大，指标在区域内的划分越粗糙，分辨率越低。以下公式定义了基于知识粒化的知识粒度熵:
其中Er(R)为知识粒度熵，其表达式为：k＝1/log2|U|。一般知识的知识粒度熵越小，其对象划分越细，则其分辨率越高，对指标体系的贡献就越大。根据知识粒化熵和熵权法的原理，对各指标的权重定义公式如下：
其中，W(Ci)为各指标的权重，m为生态环境质量评价指标个数。
S6验证数据准确性：根据各指标的权重，得到研究区各年AWDI。该步骤通过利用由知识粗糙熵方法得到的四个指标权重来计算综合遥感监测指数，即高寒湿地退化指数AWDI，计算公式如下：
AWDI＝W1Z1+W2Z2+W3Z3+W4Z4
其中，W1，W2，W3，W4分别为NDVI，NDWI，NDSI和LST指标的权重，Z1，Z2，Z3，Z4分别为NDVI，NDWI，NDSI和LST指标的标准值。
S7根据所构建的指标模型，分析湿地变化趋势，得到逐年湿地变化结果。本发明在湿地变化趋势分析中采用Theil-Sen估算法和Mann-Kendall趋势检验法。步骤6湿地变化趋势分析采用Theil-Sen估算法和Mann-Kendall趋势检验法。Theil-Sen斜率估算和Mann-Kendall显著性检验是两种非参数检验方法，它们不要求时间序列必须满足正态分布和序列自相关的大部分假设，并且对时间序列中的异常值不敏感，可以有效处理小的离群点和缺失值噪声。Theil-Sen斜率估算法通过计算序列中两两数据对之间的斜率，将所有数据对斜率的中值看作时间序列的总变化趋势以此来减少数据异常值的影响。这是一种稳健的非参数统计趋势计算方法，计算公式如下：
Si和Sk分别为第I年和第k年对应的遥感综合指标值。中位数是一个中位数函数，正值表示上升趋势，负值表示下降趋势。
Mann-Kendall趋势检验是一种非参数统计检验，它不要求样本服从某种分布并且不会受到一些异常值的干扰。它更适用于类型变量和序变量，适用于水文、气象数据等非正态分布数据。其正态分布M-K统计值定义如下:
式中，n为数据个数，Z为正，表示增加趋势的显著性，值越大，说明增加趋势越显著。var(S)＝n(n-1)(2n+5)/18，其值为负值，则表示递减趋势显著性，值越小，递增趋势越显著。当Z的绝对值大于等于1.96时，表示通过了信度检验。
实施例2
本文实施例基于实施例1提供的方法，以甘肃省甘南藏族自治州玛曲县为研究区，利用本发明提出的基于遥感数据的高寒湿地退化程度监测方法，评估监测1990年到2020年玛曲地区高寒湿地的退化程度，主要步骤如下：
(1)基于Google Earth Engine(GEE)平台，获取研究区在1990到2020年的LandsatTM、ETM、OLI(遥感数据)数据，空间分辨率为30×30m。随后，基于GEE平台对数据进行预处理，裁剪，镶嵌等操作，合成研究区的遥感影像，从而提取植被指数，水体指数，土壤指数和热度指数。在本研究区计算公式如下：
其中pnir、pred、pblu是LandsatTM、OLI中近红外(NIR)(0.77-0.90μm)、红色(0.63-0.69μm)、蓝色(0.45-0.52μm)波段的表面反射率值。这个NDVI值在的范围在(-1，1)区间，正值表示植被面积，负值表示非植被面积。
NDWI指数反映植被，水和土壤的湿度，与生态环境的变化密切相关，计算公式如下：
式中pgreen和pnir是OLI绿色和近红外波段的光谱反射率值。NDWI值在与NDVI相同的范围内。
NDSI指数可用来表示干燥度，因为它可以增强导致陆地表面干燥的土壤特征，计算公式如下：
其中pswir和pnir是LandsatTM,OLI中短红外波段(1.52-1.70μm)和近红外波段的表面反射率值。
LST是指地面的温度，是区域和全球尺度地表物理过程中的一个关键因子，计算公式如下：
L＝gain×DN+bias
其中L是OLI波段10和TM波段6的传感器处光谱辐射，增益和偏置分别是波段特定的乘性重缩放因子和波段特定的加性重缩放因子。T为传感器处亮度温度,DN为OLI波段10和TM波段6的量化校准标准乘积像素值，ε为表面发射率，K1和K2为波段10和TM波段6的波段特定热转换常数。
(2)利用实测数据进行验证需要建立统计分析模型。可将实测样点分为两组，一组用来建立模型，另外一组用来对模型进行验证。通过对建模样点的NDVI,NDWI,NDSI，LST和波段反射率分别进行相关分析和回归分析，建立不同的统计模型。根据需要划分地域，从每个地域随机选取一个样点作为验证样本，用来计算函数模型的相关性。随后利用剩余样点对各模型进行验证，计算均方根误差。最后利用ENVI软件Band Math功能，反演出整个图像的四个值，从而验证精度。
(3)通过标准化将所有指标统一在(0,1)范围内。本研究通过构建综合遥感监测指标，可以快速开展湿地生态状态监测与评价，包括植被、水、土壤和地表温度四个重要指标。这4个指标的信息可以作为独立的生态指标用于监测湿地状况。为了消除不同指标之间的维度影响，对所有指标进行标准化，将原始指标值的取值范围统一为[0,1]，不进行量纲化。标准化公式如下:
其中Zij1代表的是正向指标标准值，Zij2代表的是负向指标标准值；定义NDVI，NDWI为正向指标，NDSI，LST为负向指标。公式中xij是原始数据，指的是第j年的第i指标；Max(xi)和Min(xi)是指所有年份中的最大值和最小值。
(4)统一研究区各指标的总像元数，并分别计算AWDI各指标在各年度的知识粒度熵和指标权重。本文在基于熵权法的基础之上，引入知识粒化和知识粒化熵的概念，以评价湿地整体状况。将不同的评价指标细分为不同的层次和区域,对AWDI进行评价。这种分区分化的度量可以定义为知识颗粒化，可以通过以下公式进行度量：
其中Gk表示知识粒化，n表示区域内每个指标的区间值个数，|U|表示区域内样本总数，|Xi|表示每个区间内样本数。知识粒度越小，区域内指标划分越细，分辨率越高；反之，知识造粒越大，指标在区域内的划分越粗糙，分辨率越低。以下公式定义了基于知识粒化的知识粒度熵：
其中Er(R)为知识粒度熵，其表达式为：k＝1/log2|U|。一般知识的知识粒度熵越小，其对象划分越细，则其分辨率越高，对指标体系的贡献就越大。根据知识粒化熵和熵权法的原理，对各指标的权重定义公式如下：
其中，W(Ci)为各指标的权重，m为生态环境质量评价指标个数。
基于以上公式，计算得到1990到2020逐年各指标权重。
(5)根据各指标的权重及标准值，构建研究区高寒湿地退化指数(AWDI)模型。该步骤通过利用由知识粗糙熵方法得到的四个指标权重来计算综合遥感监测指数，即高寒湿地退化指数AWDI，计算公式如下：
AWDI＝W1Z1+W2Z2+W3Z3+W4Z4
其中，W1，W2，W3，W4分别为NDVI，NDWI，NDSI和LST指标的权重，Z1，Z2，Z3，Z4分别为NDVI，NDWI，NDSI和LST指标的标准值。
(6)根据所构建的指标模型，分析湿地变化趋势，得到逐年湿地变化结果。本发明在湿地变化趋势分析中采用Theil-Sen估算法和Mann-Kendall趋势检验法。
Theil-Sen斜率估算法通过计算序列中两两数据对之间的斜率，将所有数据对斜率的中值作为时间序列的总体变化趋势从而减少数据异常值的影响，是一种稳健的非参数统计趋势计算方法，计算公式如下：
Si和Sk分别为第i年和第k年对应的遥感综合指标值。中位数是一个中位数函数，正值表示上升趋势，负值表示下降趋势。
Mann-Kendall趋势检验是一种非参数统计检验，它不要求样本服从某种分布并且不会受到一些异常值的干扰，并且该方法能够更加有效地测定各种变化趋势的起始位置，并且具有检测范围较宽、定量化程度较高等优点。它更适用于类型变量和序变量，适用于水文、气象数据等非正态分布数据。检验统计量S可以由下面的公式计算得到：
当n<10时，直接使用统计量S进行双边趋势检验。在给定显著性水平α的情况下，如果|S|≧Sα/2，则拒绝原假设，认为原时间序列存在显著趋势；若结果相反，则接受原假设，认为时间序列中的趋势不显著。当n≥10时，统计量S近似服从标准正态分布，这时可将S标准化后得到检验统计量Z。Z值可以通过以下公式计算得到：
n为数据个数，Z为正，则表示增加趋势的显著性，值越大，说明增加趋势越显著。var(S)＝n(n-1)(2n+5)/18，其值为负值，则表示递减趋势显著性，值越小，递增趋势越显著。当Z的绝对值大于等于1.96时，表示通过了信度检验。
以上计算是通过R语言来进行模拟的，结果如图2所示。
综上所述，本发明所借助的上述技术方案，能够兼顾遥感影像对象指标的空间关联性，充分利用卫星遥感影像的长时序数据集，长期监测湿地的时空动态变化，从而满足大面积、长时序地表要素动态监测的要求，有利于准确掌握湿地变化规律。此外本发明最主要创新在于知识粗糙熵的应用。引入知识粒化和知识粒化熵的概念，以评价湿地整体状况，从而构建高寒湿地退化指数模型。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，任何熟悉本技术领域的人员在本发明揭露的技术和原则之内，所作的任何修改、等同替换或改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于遥感数据的高寒湿地退化程度评价方法，其特征在于，包括以下步骤：
步骤1：利用GEE平台提取LandsatTM、OLI数据，获取每年的NDVI，NDWI，NDSI和LST影像数据；
步骤2：在提取影像过程中，对遥感数据进行必要的预处理，主要包括辐射校正、大气校正、几何校正、图像裁剪等步骤，通过加权将NDVI，NDWI，NDSI和LST分别压缩成一张影像图；
步骤3：利用实测数据建立统计分析模型，开展精度验证；
步骤4：精度验证通过，通过标准化将所有指标统一在(0,1)范围内；
步骤5：统一研究区各指标的总像元数，并分别计算AWDI各指标在各年度知识粒度熵和指标权重；
步骤6：根据各指标的权重，构建研究区高寒湿地退化指数模型AWDI；
步骤7：根据所构建的指标模型，分析湿地变化趋势，得到逐年湿地变化结果；
2.根据权利要求1所述的一种基于长时序遥感数据的高寒湿地退化程度监测方法，其特征在于，所提取的数据NDVI，NDWI，NDSI，LST分别代表湿度，绿度，干度和热度四个指标。
3.根据权利要求2所述的一种基于长时序遥感数据的高寒湿地退化程度监测方法，其特征在于，NDVI指数与植物生物量，叶面积指数和植被覆盖度密切相关；NDWI指数反映植被，水和土壤的湿度，与生态环境的变化密切相关；NDSI指数可用来表示干燥度，因为该指数可同时增强与地表干燥有关的土壤特征和建设用地特征；LST是指地面的温度，是区域和全球尺度地表物理过程中的一个关键因子。
4.根据权利要求1所述的一种基于长时序遥感数据的高寒湿地退化程度监测方法，其特征在于，所述步骤1的各指标数学表达式分别为
(1)
其中pnir、pred、pblu是LandsatTM、OLI中近红外(NIR)(0.77-0.90μm)、红色(0.63-0.69μm)、蓝色(0.45-0.52μm)波段的表面反射率值。这个NDVI值在的范围在(-1，1)区间，正值表示植被面积，负值表示非植被面积。
(2)
式中pgreen和pnir是OLI绿色和近红外波段的光谱反射率值。NDWI值在与NDVI相同的范围内。
(3)
其中pswir和pnir是Landsat TM,OLI中短红外波段(1.52-1.70μm)和近红外波段的表面反射率值。
(4)L＝gain×DN+bias
其中L是OLI波段10和TM波段6的传感器处光谱辐射，增益和偏置分别是波段特定的乘性重缩放因子和波段特定的加性重缩放因子。T为传感器处亮度温度,DN为OLI波段10和TM波段6的量化校准标准乘积像素值，ε为表面发射率，K1和K2为波段10和TM波段6的波段特定热转换常数。
5.根据权利要求1所述的一种基于长时序遥感数据的高寒湿地退化程度监测方法，其特征在于，步骤4中为了消除不同指标之间的维度影响，需要对所有指标进行标准化，将原始指标值的取值范围统一为[0,1]，不进行量纲化。标准化公式如下:
其中第一个公式代表的是正向指标标准值，第二个公式代表的是负向指标标准值；定义NDVI，NDWI为正向指标，NDSI，LST为负向指标。公式中xij是原始数据，指的是第j年的第i指标；Max(xi)和Min(xi)是指所有年份中的最大值和最小值。
6.根据权利要求1所述的一种基于长时序遥感数据的高寒湿地退化程度监测方法，其特征在于，步骤5中，湿地退化指数AWDI以熵权重法来确定权重。熵权法是一种主客观结合赋权法，其基本前提是根据指标变异性的大小确定客观权重。可由以下公式计算:
其中Er为各指标的信息熵，n为各指标中不同值的个数，pij为各指标中各值出现的概率。
7.根据权利要求1所述的一种基于长时序遥感数据的高寒湿地退化程度监测方法，其特征在于，由于在实际环境评价计算中，生态指标均为连续值，且pij中的数值趋于无穷，因此步骤4中关于Er的实际计算不容易操作，我们需要对熵权法改进。为此，引入知识粒化和知识粒化熵的概念，改进了熵权法。我们将不同的评价指标细分为不同的层次，对AWDI进行评价。这种分区分异的度量可以定义为知识颗粒化，可以用以下公式来度量:
其中Gk表示知识粒化，n表示区域内每个指标的区间值个数，|U|表示区域内样本总数，|Xi|表示每个区间内样本数。知识粒度越小，区域内指标划分越细，分辨率越高；反之，知识造粒越大，指标在区域内的划分越粗糙，分辨率越低。以下公式定义了基于知识粒化的知识粒度熵:
其中Er(R)为知识粒度熵，其表达式为：k＝1/log2|U|。一般知识的知识粒度熵越小，其对象划分越细，则其分辨率越高，对指标体系的贡献就越大。根据知识粒化熵和熵权法的原理，对各指标的权重定义公式如下：
其中，W(Ci)为各指标的权重，m为生态环境质量评价指标个数。
8.根据权利要求1所述的一种基于长时序遥感数据的高寒湿地退化程度监测方法，其特征在于，步骤5用通过知识粗糙熵的方法得到的四个指标权重来计算综合遥感监测指数，即高寒湿地退化指数AWDI，计算公式如下：
AWDI＝W1Z1+W2Z2+W3Z3+W4Z4
其中，W1，W2，W3，W4分别为NDVI，NDWI，NDSI和LST指标的权重，Z1，Z2，Z3，Z4分别为NDVI，NDWI，NDSI和LST指标的标准值。
9.根据权利要求1所述的一种基于长时序遥感数据的高寒湿地退化程度监测方法，其特征在于，步骤6湿地变化趋势分析采用Theil-Sen估算法和Mann-Kendall趋势检验法。Theil-Sen斜率估算和Mann-Kendall显著性检验是两种非参数检验方法，它们不要求时间序列必须满足正态分布和序列自相关的大部分假设，并且对时间序列中的异常值不敏感，可以有效处理小的离群点和缺失值噪声。Theil-Sen斜率估算法通过计算序列中两两数据对之间的斜率，将所有数据对斜率的中值看作时间序列的总变化趋势以此来减少数据异常值的影响。这是一种稳健的非参数统计趋势计算方法，计算公式如下：
Si和Sk分别为第I年和第k年对应的遥感综合指标值。中位数是一个中位数函数，正值表示上升趋势，负值表示下降趋势。
Mann-Kendall趋势检验是一种非参数统计检验，它不要求样本服从某种分布并且不会受到一些异常值的干扰，该方法能够更加有效地测定各种变化趋势的起始位置，并且具有检测范围较宽、定量化程度较高等优点。它更适用于类型变量和序变量，适用于水文、气象数据等非正态分布数据。其正态分布M-K统计值定义如下:
式中，n为数据个数，Z为正，表示增加趋势的显著性，值越大，说明增加趋势越显著。var(S)＝n(n-1)(2n+5)/18，其值为负值，则表示递减趋势显著性，值越小，递增趋势越显著。当Z的绝对值大于等于1.96时，表示通过了信度检验。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210024674.XA CN114372707A (zh) | 2022-01-07 | 2022-01-07 | 一种基于遥感数据的高寒湿地退化程度监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210024674.XA CN114372707A (zh) | 2022-01-07 | 2022-01-07 | 一种基于遥感数据的高寒湿地退化程度监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114372707A true CN114372707A (zh) | 2022-04-19 |
Family
ID=81144996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210024674.XA Withdrawn CN114372707A (zh) | 2022-01-07 | 2022-01-07 | 一种基于遥感数据的高寒湿地退化程度监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114372707A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114898810A (zh) * | 2022-05-20 | 2022-08-12 | 厦门大学 | 一种检测微生物生长情况的方法 |
| CN115294460A (zh) * | 2022-10-08 | 2022-11-04 | 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 |
| CN116090674A (zh) * | 2023-04-07 | 2023-05-09 | 中国科学院空天信息创新研究院 | 草地退化早期预警方法、装置及系统 |
| CN117036978A (zh) * | 2023-08-17 | 2023-11-10 | 吉林师范大学 | 一种基于遥感的湿地退化提取方法及系统 |
-
2022
- 2022-01-07 CN CN202210024674.XA patent/CN114372707A/zh not_active Withdrawn
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114898810A (zh) * | 2022-05-20 | 2022-08-12 | 厦门大学 | 一种检测微生物生长情况的方法 |
| CN115294460A (zh) * | 2022-10-08 | 2022-11-04 | 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 |
| 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 |
| CN116090674A (zh) * | 2023-04-07 | 2023-05-09 | 中国科学院空天信息创新研究院 | 草地退化早期预警方法、装置及系统 |
| CN117036978A (zh) * | 2023-08-17 | 2023-11-10 | 吉林师范大学 | 一种基于遥感的湿地退化提取方法及系统 |
| CN117036978B (zh) * | 2023-08-17 | 2024-04-09 | 吉林师范大学 | 一种基于遥感的湿地退化提取方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114372707A (zh) | 一种基于遥感数据的高寒湿地退化程度监测方法 | |
| Mihai et al. | Biomass prediction model in maize based on satellite images | |
| An et al. | Hyperspectral field estimation and remote-sensing inversion of salt content in coastal saline soils of the Yellow River Delta | |
| Ali et al. | Machine learning methods’ performance in radiative transfer model inversion to retrieve plant traits from Sentinel-2 data of a mixed mountain forest | |
| Chen et al. | A comparison of two adaptive multivariate analysis methods (PLSR and ANN) for winter wheat yield forecasting using Landsat-8 OLI images | |
| Cao et al. | Hyperspectral inversion of nitrogen content in maize leaves based on different dimensionality reduction algorithms | |
| Shu et al. | Improving the estimation accuracy of SPAD values for maize leaves by removing UAV hyperspectral image backgrounds | |
| Xie et al. | Estimating winter wheat leaf area index from ground and hyperspectral observations using vegetation indices | |
| Dube et al. | Estimating forest standing biomass in savanna woodlands as an indicator of forest productivity using the new generation WorldView-2 sensor | |
| CN112348812A (zh) | 林分年龄信息测量方法及装置 | |
| Wu et al. | Remote sensing inversion for simulation of soil salinization based on hyperspectral data and ground analysis in Yinchuan, China | |
| CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
| Zhang et al. | Combining spectral and texture features of UAV hyperspectral images for leaf nitrogen content monitoring in winter wheat | |
| GB2620469A (en) | Spatial prediction and evaluation method of soil organic matter content based on partition algorithm | |
| Abdikan et al. | A comparative analysis of SLR, MLR, ANN, XGBoost and CNN for crop height estimation of sunflower using Sentinel-1 and Sentinel-2 | |
| Adjorlolo et al. | Integrating remote sensing and geostatistics to estimate woody vegetation in an African savanna | |
| Shao et al. | Estimation of transpiration coefficient and aboveground biomass in maize using time-series UAV multispectral imagery | |
| Ghomlaghi et al. | Comparing and contrasting the performance of high-resolution precipitation products via error decomposition and triple collocation: an application to different climate classes of the central Iran | |
| Zhao et al. | Should phenological information be applied to predict agronomic traits across growth stages of winter wheat? | |
| CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
| Rawat et al. | Parameterization of the modified water cloud model (MWCM) using normalized difference vegetation index (NDVI) for winter wheat crop: a case study from Punjab, India | |
| CN114112941A (zh) | 基于支持向量回归的航空高光谱水体富营养化评价方法 | |
| Onoyama et al. | Nitrogen prediction model of rice plant at panicle initiation stage using ground-based hyperspectral imaging: growing degree-days integrated model | |
| Wang et al. | Estimation of leaf chlorophyll content and density in Populus euphratica based on hyperspectral characteristic variables | |
| Aguirre-Salado et al. | Construction of aboveground biomass models with remote sensing technology in the intertropical zone in Mexico |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220419 |
|
| WW01 | Invention patent application withdrawn after publication |