一种石漠化遥感定量监测方法

1.本发明涉及石漠化监测技术领域，具体为一种石漠化遥感定量监测方法。


背景技术：

2.石漠化是指因水土流失而导致地表土壤损失，基岩裸露，土地丧失农业利用价值和生态环境退化的现象。导致石漠化的主要因素是人为活动，多发生在石灰岩地区。我国西南喀斯特地区是石漠化分布最广的区域，其主要地貌特征是地表起伏大、多山地、多碳酸盐岩地区，土壤层浅薄，土地贫瘠。石漠化是制约该地区社会、经济、生态发展的重要因素之一。因此，开展石漠化动态监测及其时空演变规律研究，可以为我国西南地区生态环境和社会经济协同高质量发展提供科学参考。
3.随着遥感技术的发展，多源传感器的时间、空间、光谱、和辐射分辨率日益提高，遥感技术被越来越多地应用于全球范围内的环境动态监测及土地覆盖变化。近年来，许多学者采用单一指法标、影像分类方法和综合指标评价法来识别和区分石漠化的空间分布特征。tong提出了一种基于landsat 5卫星影像近红外波段和短波红外波段的岩石裸露指数，进而定量反演了中国西南喀斯特山区的石漠化信息。该类方法可用于大尺度区域的石漠化快速监测，但由于石漠化过程受自然因素和人为因素综合影响，单一指数法的监测总体精度不高。
4.在综合指标评价法方面，综合利用植被覆盖度和岩石裸露指数计算了石漠化综合指数，并分析了区域石漠化时空演变格局。利用岩石裸露指数、坡度和植被覆盖度获得了石漠化敏感指数，该方法在小尺度或特定研究区内能获得较好的监测精度，但是由于受专家经验知识的过度干扰，模型的普适性较差。杨董琳等人根据研究区域的不同和遥感影像的限制，选取不同的遥感影像信息提取方法，能够显著提高信息提取的效率和精度，如人机交互解译法、比值增强法、监督分类法、非监督分类法、模型构建法、专家经验法和面向对象分类法，然而该类方法多用于界定石漠化分布范围，很难区分研究区内石漠化的不同等级。
5.近年来，特征空间模型利用研究因子间的耦合作用已广泛应用于土地退化、土壤盐渍化和荒漠化的监测，也为石漠化的研究提供了新的思路，在之前的研究中基于landsat8 oi影像，利用特征空间模型对毕节市大方区石漠化监测取得了一定的成果，由于landsat8影像分辨率较低，没有红边波段，缺少植被生理化参数反演的重要信息，导致获取的石漠化动态监测精度不高。


技术实现要素：

6.为了更好的探究大方区石漠化信息，本发明基于sentinel-2多光谱遥感数据，反演出六个典型地表参量及三个红边指数，引入特征空间模型构建不同模式石漠化遥感监测指数模型，验证西南喀斯特山区的最优监测模型，并对大方区石漠化空间分布进行分析。
7.本发明提供了一种石漠化遥感定量监测方法，包括以下步骤：
8.获取石漠化区域的sentinel-2遥感影像，并获取石漠化区域sentinel-2遥感影像
的裸土指数bsi和植被红边指数ndvire1；
9.对植被红边指数ndvire1进行逆向归一化处理，结合裸土指数bsi构建包含有多个特征点的bsi-ndvire1特征空间；
10.根据bsi-ndvire1特征空间中不同程度的石漠化分布分异规律，将bsi-ndvire1特征空间划分为点-线模式；其中，点-线模式中用于判断石漠化程度的l1线为过原点的土壤线的垂线；
11.根据点-线模式的bsi-ndvire1特征空间，构建基于点-线模式的石漠化监测模型；
12.将石漠化待监测区域的sentinel-2遥感影像输入基于点-线模式的石漠化监测模型，对石漠化进行监测；其中bsi-ndvire1特征空间中任意特征点到l1线的距离越远，石漠化越严重。
13.进一步的，所述获取石漠化区域的sentinel-2遥感影像，具体包括以下步骤：
14.获取石漠化区域sentinel-2b遥感影像数据；
15.对遥感影像数据进行大气校正；
16.大气校正之后，在snap软件中利用最近邻插值法将各波段重采样至10m。
17.进一步的，所述石漠化区域的sentinel-2遥感影像的卫星波段分为海岸波段b1、蓝波段b2、绿波段b3、红波段b4、植被红边1波段b5、植被红边2波段b6、植被红边3波段b7、近红外1波段b8、近红外2波段b
8a
、水汽波段b9、卷云波段b
10
、短波红外1波段b
11
和短波红外2波段b
12
。
18.进一步的，所述红边波段描述植被在红光波段对叶绿素强烈吸收形成的吸收谷边缘，与近红外波段光在叶片内部多次散射而形成的强反射峰之间的反射率急剧上升区域，反映作物健康状态、叶绿素含量和叶片结构信息，作为信息源反演植被生理化参数。
19.进一步的，所述裸土指数bsi的计算公式为：
20.bsi＝((b
11
+b4)-(b
8a
+b2))/(((b
11
+b4))+(b
8a
+b2))；
21.所述植被红边指数ndvire1的计算公式为：
[0022][0023]
式中，b2、b3、b4、b5、b6、b7、b
8a
、b
11
、b
12
分别指蓝、绿、红、植被红边1、植被红边2、植被红边3、近红外1、短波红外1和短波红外2波段，ndri为归一化岩石指数，ndri0为全无裸岩组成的ndri值；ndrir为全由裸岩组成的ndri值。
[0024]
进一步的，所述基于点-线模式的石漠化监测模型，基于下式构建：
[0025][0026]
式中，rdi2为石漠化监测指数，x、y分别为p点的横纵坐标，l2垂直于l1，m为l2线的斜率。
[0027]
与现有技术相比，本发明提供的一种石漠化遥感定量监测方法，其有益效果是：
[0028]
本发明基于哨兵数据，引入特征空间模型建立了点-线模式的bsi-ndvire1特征空间监测模型，通过实测数据验证分析，其精度为92.3％，从空间分布特征看大方区石漠化程度呈现东南部以及中部严重的趋势。
附图说明
[0029]
图1为本发明实施例提供的研究区概况图；
[0030]
图2为本发明实施例提供的特征空间原理图；
[0031]
图3为本发明实施例提供的基于点-线模式的bsi-ndvire1特征空间图；
[0032]
图4为bsi-ndvire1特征空间中不同程度石漠化的空间分布分异规律图，(a)无石漠化点集，(b)轻度石漠化点集，(c)中度石漠化点集，(d)重度石漠化区点集，(e)剧烈石漠化点集；
[0033]
图5为本发明实施例提供的bsi-ndvire1特征空间指数模型的构建(点-线模式)图；
[0034]
图6为本发明实施例提供的石漠化监测模型不同等级空间分布图；
[0035]
图7为本发明实施例提供的不同等级石漠化与google earth图像对照图(以bsi-ndvire1特征空间监测指数模型为例)；
[0036]
图8为本发明实施例提供的石漠化监测模型空间分布图；
[0037]
图9为本发明提供的一种石漠化遥感定量监测方法的流程图。
具体实施方式
[0038]
下面结合附图1至图9，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0039]
实施例1：如图9，本发明提供的一种石漠化遥感定量监测方法，具体包括：获取石漠化区域的sentinel-2遥感影像，并获取石漠化区域sentinel-2遥感影像的裸土指数bsi和植被红边指数ndvire1；对植被红边指数ndvire1进行逆向归一化处理，结合裸土指数bsi构建包含有多个特征点的bsi-ndvire1特征空间；根据bsi-ndvire1特征空间中不同程度的石漠化分布分异规律，将bsi-ndvire1特征空间划分为点-线模式；其中，点-线模式中用于判断石漠化程度的l1线为过原点的土壤线的垂线；根据点-线模式的bsi-ndvire1特征空间，构建基于点-线模式的石漠化监测模型；将石漠化待监测区域的sentinel-2遥感影像输入基于点-线模式的石漠化监测模型，对石漠化进行监测；其中bsi-ndvire1特征空间中任意特征点到l1线的距离越远，石漠化越严重。
[0040]
在本实施例中，获取石漠化区域的sentinel-2遥感影像，具体包括以下步骤：获取石漠化区域sentinel-2b遥感影像数据；对遥感影像数据进行大气校正；大气校正之后，在snap软件中利用最近邻插值法将各波段重采样至10m。
[0041]
在本实施例中，石漠化区域的sentinel-2遥感影像的卫星波段分为海岸波段b1、蓝波段b2、绿波段b3、红波段b4、植被红边1波段b5、植被红边2波段b6、植被红边3波段b7、近红外1波段b8、近红外2波段b
8a
、水汽波段b9、卷云波段b
10
、短波红外1波段b
11
和短波红外2波段b
12
。
[0042]
在本实施例中，红边波段描述植被在红光波段对叶绿素强烈吸收形成的吸收谷边缘，与近红外波段光在叶片内部多次散射而形成的强反射峰之间的反射率急剧上升区域，反映作物健康状态、叶绿素含量和叶片结构信息，作为信息源反演植被生理化参数。
[0043]
在本实施例中，裸土指数bsi的计算公式为：
[0044]
bsi＝((b
11
+b4)-(b
8a
+b2))/(((b
11
+b4))+(b
8a
+b2))；
[0045]
植被红边指数ndvire1的计算公式为：
[0046][0047]
式中，b2、b3、b4、b5、b6、b7、b
8a
、b
11
、b
12
分别指蓝、绿、红、植被红边1、植被红边2、植被红边3、近红外1、短波红外1和短波红外2波段，ndri为归一化岩石指数，ndri0为全无裸岩组成的ndri值；ndrir为全由裸岩组成的ndri值。
[0048]
在本实施例中，基于点-线模式的石漠化监测模型，基于下式构建：
[0049][0050]
式中，rdi2为石漠化监测指数，x、y分别为p点的横纵坐标，l2垂直于l1，m为l2线的斜率。
[0051]
实施例2：本实施例以大方区作为研究对象，验证实施例1所提供的的方法。
[0052]
研究区概况
[0053]
大方区位于贵州省西北部、毕节市中东部，面积约为3505.21km2。地处乌蒙山脉东麓(105
°
15'47
″
～106
°
08'04
″
e，26
°
50'02
″
～27
°
36'04
″
n)的黔西高原向黔中山原丘陵过渡的斜坡地带，地势中高、南北低。属亚热带湿润季风气候，气候温和，雨量充沛，年均降水量达到1155mm，但降水主要发生在4～9月，占全年降水总量的78.8％；植物类型主要以亚热带常绿阔叶林和灌木林为主；河流属长江上游的赤水河和乌江水系；土壤类型以黄壤、黄棕壤、石灰土、紫色土、水稻土为主；该地区碳酸盐岩和白云石分布广泛，喀斯特地貌发育充分。
[0054]
数据源及预处理
[0055]
哨兵2(sentinel-2)是由欧洲航天局(european spaceagency，esa)发射的双平台多光谱成像卫星，分为sentinel-2a、sentinel-2b卫星，搭载的多光谱成像仪(msi)，共有13个波段，是唯一一个含有3个红边波段的光学影像，由可见光波段覆盖至短波红外波段，分辨率分别为10m、20m、30m、60m，具有10天的高效重访周期，波段详细信息如表1所示。
[0056]
本发明数据通过esa官方网站获取，下载2017年11月无云层覆盖的大方区所在地3幅sentinel-2b l1c级遥感影像数据(如表2所示)，利用esa发布的专门生产l2a级数据的插件sen2cor进行大气校正，大气校正之后，在snap软件中利用最近邻插值法将各波段重采样至10m。
[0057]
表1 s2a和s2b卫星波段信息对比
[0058][0059]
表2下载sentinel-2影像数据信息
[0060]
s2b_msil1c_20171105t032909_n0206_r018_t48rwq_20171107t191028s2b_msil1c_20171105t032909_n0206_r018_t48rwr_20171107t191028s2b_msil1c_20171105t032909_n0206_r018_t48rxr_20171107t191028
[0061]
特征空间模型原理
[0062]
本发明引入特征空间模型开展了石漠化过程的定量监测，以bsi-ndvire1特征空间为例，归一化差值植被红边指数(ndvire1)可以较好地反映石漠化地区稀疏地表植被的空间分布状况。随着石漠化不断加剧，地表植被覆盖率降低，ndvire1值相应减小，因此，可将ndvire1作为石漠化过程检测的重要指标[16]。裸土指数(bsi)作为地表指数重要参量，其数值会随石漠化的程度的变化而变化，在石漠化严重的地区，植被稀疏、岩石沙石裸露，裸土程度明显增加。因此ndvire1与bsi呈明显负相关关系，对前者进行逆向归一化处理，得到bsi-ndvire1特征空间如图2所示，随着ndvire1和bsi的增大，石漠化程度呈加剧趋势。离ab线越近，石漠化越轻微，相反，距离cd线越远，石漠化的程度就越严重。
[0063]
石漠化参量反演
[0064]
随着石漠化程度加剧，地表反照率的增加，石漠化程度加剧。基岩裸露率、地表干燥程度及地表裸露率在石漠化过程中也发生显著变化，这些指数随着石漠化的程度的加剧而增大。因此选择裸土指数(bsi)作为反映石漠化演变过程及状况。
[0065]
哨兵数据特有的3个红边波段作为红边指数，其信息如表1所示。所有参量计算公式如下：
[0066]
bsi＝((b
11
+b4)-(b
8a
+b2))/(((b
11
+b4))+(b
8a
+b2))；
[0067][0068]
式中，b2、b3、b4、b5、b6、b7、b
8a
、b
11
、b
12
分别指蓝、绿、红、植被红边1、植被红边2、植被红边3、近红外1、短波红外1和短波红外2波段，ndri为归一化岩石指数，ndri0为全无裸岩组成的ndri值；ndrir为全由裸岩组成的ndri值。
[0069]
特征空间的构建
[0070]
消除城市建筑群及水体等土地利用类型的干扰，结合2018年大方区30m分辨率土地利用数据剔除该土地利用类型区域。在充分考虑研究区石漠化生态环境特征及其影响因素的基础上，本发明利用裸土指数(bsi)和红边指数构建了特征空间，并根据各个特征空间中不同程度的石漠化分布分异规律，提出了点-线模式的特征空间监测模型(如图3所示)。
[0071]
不同程度石漠化的空间分布规律
[0072]
图4所示，左图中离线l1越远的点集，右图中石漠化程度越严重，其中剧烈石漠化的点集到线l1的距离最大，其次为重度、中等和轻度石漠化点集，而无石漠化区域的点集距离l1最小。
[0073]
基于点-线模式的石漠化监测模型构建
[0074]
如图5所示，bsi-ndvire1特征空间中点集的总体分布呈椭圆形，通过分析不同程度石漠化对应点集在特征空间中的分布规律，发现点p1和p2到o点的距离虽然不同，但两点及其周围点集的石漠化程度却相同。基于此，本发明利用特征空间中任意点p(x、y)到l1线的距离来表示不同程度的石漠化水平，距离越远，石漠化越严重。与l1线平行的椭圆切面可以较好的区分不同程度的石漠化。l2垂直于l1，l2为“土壤线”，根据点到线的距离公式，可建立基于点-线模式的石漠化监测模型：
[0075][0076]
式中，rdi2为石漠化监测指数，m指l2线的斜率。
[0077]
模型精度验证和对比分析
[0078]
本发明利用arcgis10.2计算生成两类模式下石漠化监测模型的空间分布，并根据自然断裂法将石漠化等级分为5类，分别是无石漠化区、轻度石漠化区、中度石漠化区、重度石漠化区和剧烈石漠化区，图6所示,石漠化监测模型的空间分布，为了验证和分析对比不同的石漠化监测模型的精度，随机选取260个不同类型景观区域的样本点，利用google earth的影像图进行目视解译(图7)，并构建了不同等级石漠化误差矩阵。表3所示的是以bsi-ndvire1特征空间石漠化监测模型的误差矩阵，基于点-线模式的bsi-ndvire1特征空间监测模型的精度最高，为92.3％。本发明表明由红边波段反演的红边指数构建模型精度普遍高于其它地表参量构建的模型，具有更好的适用性。
[0079]
综上分析，基于点-线模式的bsi-ndvire1特征空间监测模型在研究区域石漠化监测中具有最好的适用性，红边指数相较于其他指数具有更好的适用性。
[0080]
表3bsi-ndvire1特征空间监测指数模型不同等级石漠化的误差矩阵
[0081][0082]
石漠化空间分布规律
[0083]
如图8所示，大方区石漠化程度等级分布呈现东南部、中部严重的趋势。其中，中度石漠化地区分布最广，面积约为1023.6km2，其次是轻度和重度石漠化地区，面积分别约为889.0km2和831.6km2，剧烈石漠化地区的面积达到430.0km2，而无石漠化地区面积仅有278.7km2。石漠化严重的地区的主要分布在大方区的东南部以及中部，主要原因是由人为因素造成，长期以来自然植被不断遭到人为破坏，大面积的陡坡开荒，造成地表裸露，加上喀斯特地区土层薄，基岩出露浅，暴雨冲刷力强，大量的水土流失后岩石逐渐凸现裸露，造成了大面积的石漠化现象。而石漠化较轻的地方降水分布均匀，有植被覆盖，土壤资源丰富，没有造到大范围的人为干扰，环境破坏程度较为轻微。

技术特征：
1.一种石漠化遥感定量监测方法，其特征在于，包括以下步骤：获取石漠化区域的sentinel-2遥感影像，并获取石漠化区域sentinel-2遥感影像的裸土指数bsi和植被红边指数ndvire1；对植被红边指数ndvire1进行逆向归一化处理，结合裸土指数bsi构建包含有多个特征点的bsi-ndvire1特征空间；根据bsi-ndvire1特征空间中不同程度的石漠化分布分异规律，将bsi-ndvire1特征空间划分为点-线模式；其中，点-线模式中用于判断石漠化程度的l1线为过原点的土壤线的垂线；根据点-线模式的bsi-ndvire1特征空间，构建基于点-线模式的石漠化监测模型；将石漠化待监测区域的sentinel-2遥感影像输入基于点-线模式的石漠化监测模型，对石漠化进行监测；其中bsi-ndvire1特征空间中任意特征点到l1线的距离越远，石漠化越严重。2.如权利要求1所述的一种石漠化遥感定量监测方法，其特征在于，所述获取石漠化区域的sentinel-2遥感影像，具体包括以下步骤：获取石漠化区域sentinel-2b遥感影像数据；对遥感影像数据进行大气校正；大气校正之后，在snap软件中利用最近邻插值法将各波段重采样至10m。3.如权利要求2所述的一种石漠化遥感定量监测方法，其特征在于，所述石漠化区域的sentinel-2遥感影像的卫星波段分为海岸波段b1、蓝波段b2、绿波段b3、红波段b4、植被红边1波段b5、植被红边2波段b6、植被红边3波段b7、近红外1波段b8、近红外2波段b
8a
、水汽波段b9、卷云波段b
10
、短波红外1波段b
11
和短波红外2波段b
12
。4.如权利要求3所述的一种石漠化遥感定量监测方法，其特征在于，所述红边波段描述植被在红光波段对叶绿素强烈吸收形成的吸收谷边缘，与近红外波段光在叶片内部多次散射而形成的强反射峰之间的反射率急剧上升区域，反映作物健康状态、叶绿素含量和叶片结构信息，作为信息源反演植被生理化参数。5.如权利要求3所述的一种石漠化遥感定量监测方法，其特征在于，所述裸土指数bsi的计算公式为：bsi＝((b
11
+b4)-(b
8a
+b2))/(((b
11
+b4))+(b
8a
+b2))；所述植被红边指数ndvire1的计算公式为：式中，b2、b3、b4、b5、b6、b7、b
8a
、b
11
、b
12
分别指蓝、绿、红、植被红边1、植被红边2、植被红边3、近红外1、短波红外1和短波红外2波段，ndri为归一化岩石指数，ndri0为全无裸岩组成的ndri值；ndri
r
为全由裸岩组成的ndri值。6.如权利要求1所述的一种石漠化遥感定量监测方法，其特征在于，所述l1线的确认，包括以下步骤：通过回归分析获取土壤线l2，计算过原点的土壤线l2的垂线，即为l1线。7.如权利要求6所述的一种石漠化遥感定量监测方法，其特征在于，所述基于点-线模
式的石漠化监测模型，基于下式构建：式中，rdi2为石漠化监测指数，x、y分别为p点的横纵坐标，l2垂直于l1，m为l2线的斜率。

技术总结
本发明公开了一种石漠化遥感定量监测方法，涉及石漠化监测技术领域，本发明包括获取石漠化区域的Sentinel-2遥感影像，并获取石漠化区域Sentinel-2遥感影像的裸土指数BSI和植被红边指数NDVIre1；对植被红边指数NDVIre1进行逆向归一化处理，结合裸土指数BSI构建BSI-NDVIre1特征空间，其中BSI-NDVIre1特征空间中点集的总体分布呈椭圆形；根据点-线模式的BSI-NDVIre1特征空间，构建基于点-线模式的石漠化监测模型，其中BSI-NDVIre1特征空间中任意点到L1线的距离越远，石漠化越严重；将石漠化区域的Sentinel-2遥感影像输入基于点-线模式的石漠化监测模型，对石漠化进行监测；综合来看，本发明可以精准的对石漠化进行监测。本发明可以精准的对石漠化进行监测。本发明可以精准的对石漠化进行监测。


技术研发人员：郭兵 韩保民 范俊甫 陆苗 臧文乾 赵辉辉
受保护的技术使用者：山东理工大学
技术研发日：2023.04.03
技术公布日：2023/8/1