1、基于方差分析的 Landsat8 数据高温目标识别方法研究 季悦 潘军 蒋立军 邢立新 于一凡 王婷 吉林大学地球探测科学与技术学院 摘 要： 基于 Landsat8 遥感数据源采用方差分析的方法进行各波段数据的可分性度量研究, 从而筛选出高温目标识别的最佳波段。通过对不同地表覆盖类型样本光谱进行分析, 提出多种光谱波段的组合方式并对其进行可分性度量分析, 得出研究区高温目标识别的最优光谱指数形式。通过地类样本数据, 检验高温目标的识别精度为 91.3%, 达到了较好的识别效果。研究表明:采用 Landsagt8 遥感数据构建高温目标光谱指数可以实现地表高温目标的有效识别。关键词： 遥感; 高
2、温目标; 方差分析; 可分性度量; 光谱指数; 作者简介：潘军 (1971-) , 男, 副教授, 主要从事遥感与地理信息系统教学和科研工作.E-mail:收稿日期：2017-06-01基金：高等学校博士学科点专项科研基金新教师类资助课题 (20110061120067) 资助Methods of identifying high temperature target from Landsat8 data using variance analysisJI Yue PAN Jun JIANG Li-jun XING Li-xin YU Yi-fan WANG Ting College of G
3、eo-exploration Science and Technology, Jilin University; Abstract： The variance analysis method is used to study the separability of each band of the Landsat8 remote sensing data source and the best band of high temperature target recognition is selected. In the study area, the combination of differ
4、ent spectral bands and the separability analysis are put forward to obtain the optimal spectral exponent form of high temperature target recognition based on the analysis of the spectra of different types of surface coverage. The recognition accuracy of high temperature target is 91. 3% verified by
5、the land sample data. The results show that the spectral index of high temperature target constructed from Landsagt8 remote sensing data can effectively identify high temperature target.Keyword： remote sensing; high temperature target; variance analysis; separability analysis; spectral index; Receiv
6、ed： 2017-06-010 引言高温目标是指温度显著高于常温地物的地物类型, 包括林场火灾、草原大火、火山喷发、油井火炬、放火烧荒和居民地火灾等。高温目标遥感识别是地表异常信息识别的重要研究内容之一, 同时对于灾情监测、环境保护和地质勘探等相关研究具有重要意义。由于高温目标在可见光、短波红外以及热红外波段具有独特的光谱特征, 因此可以通过遥感对高温目标进行识别。高温目标遥感识别方法通常分为:地物分类法、波段组合法1、归一化高温目标指数法2,3、马氏距离法4和因子分析法5等。Dozier 提出了像元尺度问题, 该问题是指高温目标混合像元的存在是高温目标识别的主要问题。Giglio 等对遥感光
7、谱数据应用进行了大量的研究, 得出 1.6m 附近为高温目标识别敏感波段位置, 有利于明火等高温目标的识别6。Alessandro 等采用相邻波段有限差分算法, 并利用机载高光谱数据对林火高温目标进行识别7。戎志国等利用风云 1 号气象卫星等遥感数据进行研究, 得出 3.54.0m 可以进行高温目标有效识别8。潘军等人利用 ETM+数据使用马氏距离判别法对煤层自燃等高温目标进行识别, 表明短波红外数据能够以更高的空间分辨率对高温目标进行有效识别9。国内外学者对高温目标的遥感识别进行了深入的研究, 但是基于 Landsat8 数据的高温目标识别方法探索还不够完善, 暂时没有提出高效且有针对性的高
8、温目标识别方法, 极大地限制了这一优良数据源在高温目标识别研究领域的应用。本文以兴城地区为研究区, 利用 Landsat8 遥感数据, 采用方差分析的方法筛选出高温目标识别的最优波段, 进而构建适宜该数据源的高温目标光谱指数, 对高温目标信息进行分级提取。1 方差分析原理方差分析是通过数理统计的方法获取数据中的有效信息, 即对数据中因子贡献值进行计算和排序, 以筛选出主要因子成分。为计算一个因子的贡献值大小, 通常需要对数据中两种误差进行分析, 分别是系统误差和随机误差。系统误差也称组间离差, 是系统内固有的误差, 主要源于不同的观测条件和设备环境。随机误差也称组内离差, 是在相同的观测和设备
9、条件下, 多次观测所产生的组内随机波动。方差分析的主要内容就是比较组间离差与组内离差的大小。若组间离差显著大于组内离差, 则表现出因子具有较大贡献值, 若将该因子应用于地类分类, 会表现出较好的可分性。对于遥感而言, 同类地物所具有的地物光谱特征差异为组内离差, 不同地类所具有的光谱特征差异为组间离差。若组间离差异明显大于组内离差, 则表现出地类在光谱特征上具有较好的区分度。因此可以利用方差分析的方法进行波段筛选, 提取对高温目标识别的有利波段。具体实现为:采用方差分析方法, 以高温目标和其他常温地物建立样本, 通过样本进行方差分析, 统计高温目标与其他常温地类间的组内离差和组间离差, 筛选出
10、那些组间离差较大和组内离差较小的波段变量。不同地物在这些波段上具有较好的可分性, 而相同波段内, 同类地物在此波段上表现为较好的稳定性, 即同类地物间波谱特征具有较小差异。引入一个波段筛选的量化评价指标可分性度量值 S:式 (1) 中, Q e为地类组内离差平方和, Q A为地类组间离差平方和, 为地类样本总体均值, 为 j 地类样本均值, X ij为 j 地类 i样本值。对于多个波段观测而言:式 (2) 中, X ijk为 j 地类 i 样本在 k 波段上的样本值。鉴于每一类地物都有自己的光谱特征, 利用可分性度量算法对高温与每一类地物的可分性进行定量计算, 从而筛选出高温目标识别的最优波段
11、。2 基于方差分析的波段筛选利用方差分析的原理, 可以计算出高温目标样本在各个波段上与其他地物类型的可分性。采用兴城地区 2013 年 5 月 30 日 Landsat8 OLI 数据, 对原始影像做辐射定标、大气校正、影像转投影和影像裁剪等预处理。结合野外实测样本数据, 采用目视解译的方式圈定高温目标和典型常温地物样本区。研究区内地物样本类别划分为:林地阳坡、林地阴坡、无苗耕地、有苗耕地、水体、居民地、火烧迹地和高温目标。分别计算出高温目标与其他各个地物类别的组内离差、组间离差;高温目标与除高温目标外样本总体在各个波段上的组内离差、组间离差。根据组内离差和组间离差计算出高温目标与其他地物间可
12、分性度量值 (表1) , 并对各个分组的可分性度量值进行排序 (表 2) , 筛选出各类地物与高温目标区分的最优光谱波段。表 1 高温目标与七类地物的可分性度量 Table 1 Difference between high temperature target and seven kinds of features 下载原表 通过对高温目标与其他地物的可分性度量统计排序可知, 进入排序前三位的所有波段中, band7、band5、band4 三个波段出现次数分别为 8、4、3, 进入排序第一的所有波段中, band7、band5、band4 三个波段出现次数分别为 3、3、2。这表明, 在
13、band7、band5、band4 这三个波段对于区分高温目标与其他地物具有较好的可分性。表 2 最优波段筛选 Table 2 Optimal band selection 下载原表 3 光谱指数的构造使用 ASD 便携式光谱仪对典型地物样本进行光谱采集和处理, 得到地物的反射率值。按照 Landsat8 数据波段特征对地物的反射率曲线进行光谱重采样, 得到地物光谱特征曲线 (图 1) 10,11。根据光谱特征曲线可知, 高温目标 (林火) 具有区别于其他常温地物的诊断性波谱特征, 在 5、6、7 波段上反射值迅速提升, 表现为有别于其他地物的强反射峰。在 band5 近红外波段上, 对于植被
14、和耕地农作物等绿色植被覆盖区域而言, 有着明显的波谱反射峰, 而高温目标区域在 band5 处的反射率则远低于绿色植被覆盖区域的光谱反射值, 因此 band5可以用于高温目标与林地和有苗耕地等地类的有效区分。利用比值、差值、和差比值的光谱指数形式, 对 band7、band5 和 band4 3 个最优波段分别构建高温目标光谱指数12。分别计算高温目标与其他 7 类常温地物在每种光谱指数下的可分性度量值 (表 3) , 并筛选出高温目标与其他各类地物间区分的最优指数形式 (表 4) 。分别对每个光谱指数不同地类间可分性度量值进行等权重累加, 并对累加和进行排序, (7-5-4) / (7+5+
15、4) 排序第一。因此, 从整体的角度上 (7-5-4) / (7+5+4) 指数形式能较好地区分高温目标与其他常温地物。图 1 常温地物与高温目标波谱特征曲线 Fig.1 Spectral characteristic curve of normal tempera-ture and high temperature targets 下载原图表 3 高温目标光谱指数可分性度量 Table 3 Spectral index separability measure of high temperature target 下载原表 表 4 最优判别函数筛选 Table 4 Screening of
16、optimal discriminant function 下载原表 4 高温目标的识别与检验4.1 高温目标识别利用高温目标指数:通过增强图像中高温目标信息, 式 (3) 中, b4、b5、b7 为辐射校正后的Landsat8 的 4、5、7 波段。利用高温目标光谱指数对遥感数据进行波段运算, 得到高温目标增强后图像。利用各个类别的训练样本区域对增强图像进行分区统计 (表 5) 。根据统计结果可知在增强图像上高温目标取值均0, 明显高于其他地物。但高温目标的取值范围与居民地和火烧迹地取值存在着一定程度的混淆, 高温目标的均值明显高于二者。对增强后的图像进行统计可知, 图像值域服从正态分布,
17、因此可采用均值加减标准差的形式进行图像密度分割。采用均值+N 倍标准差的形式确定分割阈值并对图像进行密度分割, 实现对高温目标异常信息的分级识别。采用Mean, Mean+Stdev、Mean+Stdev, Mean+2*Stdev、Mean+2Stdev, Max的取值区间将图像中高温目标的异常信息划分为弱、中、强 3 个等级, 分别用绿、黄、红的颜色进行渲染表示13-15。识别研究区 6 处高温目标, 其中存在明火目标 3 处, 过火后非明火高温目标 3 处 (图 2, 高温目标识别结果) 。从遥感影像中可以清晰看出明火目标带有明显的烟雾, 非明火目标烟雾较少, 从图中较难通过视觉解译。表
18、 5 增强图像分地类统计 Table 5 Enhanced image segmentation statistics 下载原表 图 2 高温目标识别结果 Fig.2 High temperature target recognition results 下载原图4.2 高温目标识别的检验利用已知地类训练样本对提取的高温目标区域进行验证, 其中 458 个高温目标像元中 442 个正确识别, 16 个被遗漏, 11 个居民地像元和 15 个火烧迹地像元被错分到高温目标 (表 6) 。识别总体精度为:式 (4) 中, X right为正确识别的像元个数, 为 442 个, X missed为遗漏
19、的像元个数, 为 16 个, X error为错分像元个数, 为 15 个。代入 (4) 式, 计算得高温目标的识别精度为 91.3%。表 6 高温目标混淆矩阵 Table 6 High temperature target confusion matrix 下载原表 5 结论(1) 通过方差分析的方法对研究区 8 种地表覆盖类型样本区域 Landsat8 多光谱数据进行可分性度量, 得出 Landsat8 的第 4、5 和 7 波段 (b4, 、b5 和 b7) 为高温目标识别的最优波段。(2) 在对典型常温地物和高温目标样本区光谱信息进行统计分析的基础上, 利用最优识别波段采用差值和比值的
20、组合形式建立多种高温目标光谱指数, 并对建立的多个光谱指数进行可分性度量分析, 得出 (b7-b5-b4) / (b7+b5+b4) 为高温目标识别的最优指数形式。(3) 应用高温目标光谱指数对研究区高温目标区域进行识别, 精度高达 91.3%, 取得较好的识别效果, 但存在部分高温目标与居民地和火烧迹地混淆现象, 在后续的研究中可以针对高温目标的诊断性光谱特征, 采用高光谱数据建立更加积极有效的高温目标识别指数, 以减少地物的混淆现象。参考文献1孔祥生, 苗放, 刘鸿福, 等.遥感技术在监测和评价土法炼焦污染源中的应用J.成都理工大学学报:自然科学版, 2005, 32 (1) :92-96
21、.KONG Xiang-sheng, MIAO Fang, LIU Hong-fu, et al.Application research of remote sensing technique in monitoring pollution source by digenous coke productionJ.Journal of Chengdu University of Technology:Science&Technology Edition, 2005, 32 (1) :92-96. 2朱亚静, 邢立新, 潘军, 等.短波红外遥感高温地物目标识别方法研究J.遥感信息, 2011 (
22、6) :33-36, 41.ZHU Ya-jing, XING Li-xin, PAN Jun, et al.Method of identifying high temperature target using shortwave infrared remote sensing dataJ.Remote Sensing Information, 2011 (6) :33-36, 41. 3朱亚静.高温地物目标短波红外遥感识别及温度反演:硕士学位论文D.长春:吉林大学, 2012.ZHU Ya-jing.High-temperature target identification and te
23、mperature retrieval using shortwave infrared remote sensing data:masters degree thesisD.Changchun:Jilin University, 2012. 4于一凡, 潘军, 邢立新, 等.基于马氏距离的遥感图像高温目标识别方法研究J.遥感信息, 2013, 28 (5) :90-94.YU Yi-fan, Pan Jun, XING Li-xin, et al.Identification of high temperature targets in remote sensing imagery base
24、d on Mahalanobis distanceJ.Remote Sensing Information, 2013, 28 (5) :90-94. 5Yu Y F, Pan J, Xing L X, et al.Identification of high temperature targets in remote sensing imagery based on factor analysisJ.Journal of Applied Remote Sensing, 2014, 8 (1) :1-8. 6Giglio L, Kendall D.Remote sensing of fires
25、 with the TRMM VIRSJ.International Journal of Remote Sensing, 2000, 21 (1) :203-207. 7Barducci A, Guzzai D, Marcoionni P, et al.Comparison of fire temperature retrieved from SWIR and TIR hyperspectral dataJ.Infrared Physics&Technology, 2004, 46 (1/2) :1-9. 8戎志国, 刘诚, 孙涵, 等.卫星火情探测灵敏度试验与火情遥感新探测通道选择J.地球
26、科学进展, 2007, 22 (8) :866-871.RONG Zhi-guo, LIU Cheng, SUN Han, et al.Satellite fire detection sensitivity test and fire remote sensing new detection channel selectionJ.Advances in Earth Sciences, 2007, 22 (8) :866-871. 9于一凡, 潘军, 邢立新, 等.短波红外波段高温目标识别的可行性分析J.国土资源遥感, 2014, 26 (1) :25-30.YUYi-fan, PAN Jun
27、, XING Li-xin, et al.Feasibility analysis of shortwave infrared band for recognition of high temperature targetJ.Remote Sensing for Land and Resources, 2014, 26 (1) :25-30. 10Byrnes R A.Landsat:a global land imaging programJ.Center for Integrated Data Analytics Wisconsin Science Center, 2012 (3) :10
28、5-120. 11初庆伟, 张洪群, 吴业炜, 等.Landsat-8 卫星数据应用探讨J.遥感信息, 2013, 28 (4) :110-114.CHU Qing-wei, ZHANG Hong-qun, WU Ye-wei, et al.Application research of Landsat-8J.Remote Sensing Information, 2013, 28 (4) :110-114. 12James S M, Lee C K.Landsat 8 operational land imager on-orbit geometric calibration and per
29、formanceJ.Remote Sensing, 2014, 25 (5) :127-152. 13于一凡.短波红外遥感高温目标温度反演模型研究:硕士学位论文D.长春:吉林大学, 2014.YU Yi-fan.The study of high-temperature targets temperature retrieval model in shortwave infrared remote sensing:masters degree thesisD.Changchun:Jilin University, 2014. 14张福坤, 邢立新, 韩婷婷, 等.长白山地区主要断裂带与地表温度
30、场关系研究J.世界地质, 2016, 35 (1) :153-162.ZHANG Fu-kun, XING Li-xin, HAN Ting-ting, et al.Study on the relationship between the main fault zone and the surface temperature field in Changbai Mountain areaJ.Global Geology, 2016, 35 (1) :153-162. 15王凯, 邢立新, 张福坤, 等.长白山地区水热蚀变分布与主要断裂带的空间关系J世界地质, 2017, 36 (2) :624-631.WANG Kai, XING Li-xin, ZHANG Fu-kun, et al.Spatial relationship between hydrothermal alteration and main fault zones in Changbai Mountain areaJ.Global Geology, 2017, 36 (2) :624-631.
