本文内容来源于《测绘工程》2020年第5期
基于遥感数据的生态环境评价
戴晓琴1，王俊2，吴超超3，满丹1，刘辉4，常文蝶1
1. 河南测绘职业学院
2. 河南省遥感测绘院
3. 北京天时宏图科技有限公司
4. 华北水利水电大学测绘与地理信息学院
基金项目：国家自然科学基金资助项目(41901411);河南省高等学校重点科研项目(19A420008)
关键词：卫星数据;深度学习;土地分类;精度评定;生态环境评价
引文格式：戴晓琴,王俊,吴超超,等.基于遥感数据的生态环境评价[J].测绘工程,2020,29(5):39-44.DOI:10.19349/j.cnki.issn1006-7949.2020.05.007.
摘要
摘要：将遥感技术应用在生态环境评价和生态环境保护领域,不但可以及时准确地反映地区的生态状况,也为环境保护管理部门提供了坚实可靠的数据支持,能为生态保护和可持续发展发挥重要作用。研究区域是河南省信阳市罗山县,该县地形多样,可作为生态环境评价的典型地区。获得该地区美国Planet卫星数据,首先对卫星数据进行预处理,消除数据获取过程中存在的误差,进而纠正原始图像中的几何与辐射变形。基于深度学习技术将处理后的数据进行土地利用分类,并对分类结果利用混淆矩阵法进行精度评定。利用满足要求的分类数据,进一步计算出生态环境状况指数,完成罗山县及各乡镇的生态环境评价。
正文
与传统的环境监测方法相比,遥感技术获取影像及相关资料的周期较短,并且不会受到地面环境的影响,可对同一地区进行长时间的动态观测,因此,遥感技术被广泛应用在大气污染监测、国土规划、土地利用分类等各个方面[1,2,3,4][5][6][7][8][9,10,11][12][13]
本文的研究技术方案包含三部分[14]
遥感数据获取过程中不可能完全精准的记录地表信息,受到系统本身、空间等各方面的影响,不可避免的存在一些误差,而这些误差降低了遥感图像的质量,所以,在利用图像进行分析之前,必须对遥感原始图像进行预处理[14]
深度学习是机器学习的一个新的研究方向,主要利用多层非线性结构,从低到高逐层提取数据特征,深度学习模型由输入层、隐藏层和输出层等多层感知器组成[15]
文中采集了大量的实测数据,为使用CNN进行分类建立了坚实的数据基础。本文利用样本数据进行CNN模型训练,由于CNN可以很好地获取遥感影像纹理特征和像素空间特征,因此,通过模型训练,优化模型参数,可以进一步的提高模型分类准确率。对遥感影像进行土地分类的示意图如图1所示,使用卷积神经网络模型中的卷积层对图像中的地物进行特征提取,有效提取其中的深层特征,并寻找地物所拥有特征的规律,将原始影像映射到隐含层的特征空间当中,再通过神经网络将提取到的地物影像分布式特征映射表示到地物影像样本的标记空间。
对深度学习分类结果进行精度评价,常用的精度验证方法有两种:一种是Tensorboard模型精度曲线;另一种是混淆矩阵。
TensorBoard是TensorFlow的可视化工具,它可以通过分类模型在学习的过程中输出的日志文件可视化分类模型的整体性能和状态。神经网络的训练十分复杂,使用TensorBoard可以有效展示模型训练中的计算图,各种指标随着时间的变化趋势以及训练中使用到的图像等信息,通过对比模型的训练集的命中率及验证集的命中率曲线,整体评估模型性能。
图1 深度学习遥感影像土地分类示意图
混淆矩阵特别适用于监督学习,混淆矩阵的作用在于观察模型在各个类别上的表现,可以计算模型对应各个类别的准确率,通过混淆矩阵还可以直接观察到哪些类别不容易区分,比如A类别中有多少被分到了B类别中,这样可以有针对性的设计特征等,使得类别更有区分性。
生态环境各项评价指标的权重见表1。
表1 各项评价指标权重
生态环境状况计算方法如下:
生态环境状况指数(EI)= 0.35×生物丰度指数+0.25×植被覆盖指数+0.15×水网密度指数+0.15×(100-土地胁迫指数)+0.10×(100-污染负荷指数)+环境限制指数。
根据生态环境状况指数,将生态环境分为5级,即优、良、一般、较差和差,如表2所示。
表2 生态环境状况分级
2 研究区概况与数据
罗山县属信阳市,地处河南省南部,大别山北麓,淮河南岸,地势西南高、东北低,地形多样,从南至北分别为山地、丘陵、垄岗和平原,全县总面积2 077 km2。罗山县属针叶阔叶混交林区,植物群落繁多。南部低山区属以常绿叶阔林为主的草、灌丛植被区。中南部丘陵区属以马尾松、杉木林和松栎混交林为主的黄背、白茅、狗牙根植被区。中北部垄岗区林种与中南部丘陵区相同。沿河平原区属以种植业为主的湿生、半湿生植物植被区。多为路、渠、河、村边人工栽植的散生用材林,和少量的荒滩果木林及农林间作,林木覆盖率为14.6%。
本项目采用美国Planet数据进行整个罗山县域的生态监测分析,美国Planet卫星是世界上唯一具有全球高分辨率、高频次、全覆盖能力的商业遥感卫星,具有如下特点:数据覆盖效率高,Planet小卫星星座具有170余颗卫星,可以实现全球每日覆盖;影像自主覆盖,Planet卫星影像无需编程,上百颗卫星每天对全球进行自主拍摄。Planet卫星的有效载荷指标如表3所示。
表3 Planet有效载荷指标
2.2 实测样本及地基数据采集
外业实测采集各类别样本。依据全国土地利用/覆盖分类二级分类系统,考虑到罗山县实际地类分布情况,外业实测采集水田、水塘/水库、林地、居民地、城镇、河渠、其他建设用地、滩地共八类样本,分别采集对应各类别下的大量数据,以满足深度学习训练模型各类样本量的需求。地基数据主
要依靠光谱仪和各个仪器采集的地面生态环境参数。
将下载的2018年10月卫星影像数据进行数据预处理,然后基于深度学习方法进行分类。根据外业实测的八大类别数据,根据需要挑选样本数据送入深度学习模型中,通过反复迭代、训练,得到罗山县土地利用分类的深度学习模型,模型精度如图2所示。
图2 深度学习模型精度
图2为分类模型在训练集(training)和测试集(validation)上的分类命中率曲线对比图,可以看到随着迭代的进行,分类模型的误差从快速减小到趋于稳定,分类精度从开始的70%左右迅速上升至90%以上,最后在95%左右趋于稳定,说明分类模型在学习结束时基本稳定,测试命中率高于训练命中率,说明分类模型在学习了经过扩增的样本后,增加了自身的泛化能力,使模型能够很好的拟合以前从未见过的新数据。
将最终分类结果和实测验证结果做混淆矩阵精度验证,结果如表4所示。
表4 分类结果验证像元数统计表
从表4可知,总体分类精度为98.33%,KAPPA系数为0.987,效果良好。
根据以上分类结果制作出罗山县土地利用分布图,如图3所示,罗山县植被覆盖度高,水资源较为丰富,生态环境较好,植被主要是林地和耕地,其中林地主要分布在南部。
根据《生态环境评价技术规范》(HJ192-2015),结合罗山县2018年生态遥感土地利用分类结果数据和地面生态环境参数,计算得到罗山县2018年生态环境状况指数,如表5所示。根据生态环境状况分级标准,罗山县生态环境状况为良(当55≤EI<75时,生态环境状况级别为良)。
据《生态环境评价技术规范》(HJ192-2015)和罗山县各乡镇2018年生态遥感土地利用/覆盖分类结果数据、水资源统计数据、污染源排放量等数据计算得到2018年罗山县各乡镇生态环境状况指数如表6所示。
图3 2018年10月罗山县土地利用分布图
表5 罗山县县域生态环境状况指数表
表6 罗山县各乡镇生态环境状况指数表
根据求得的生态环境指数得到2018年罗山县各乡镇生态环境状况分布图,如图4所示。
图4 2018年罗山县各乡镇生态环境状况分布图
由表6和图4可以看出,2018年罗山县各乡镇的生态环境均未出现较差及差的情况(较差:20≤EI<50,差:EI<20)。其中,城关镇的生态环境质量为一般,在整个研究区来说是最差的。主要是因为其地表覆盖多为建设用地,其它地表覆盖面积较少,工厂排废较多;竹竿镇、庙仙乡、东卜镇、龙山乡、高店乡、子路镇、定远乡、尤店乡、潘新镇、莽张镇、周党镇、楠杆镇、朱堂乡的生态环境指数均为55～75之间,生态环境质量为良;青山镇、彭新镇、山店乡、铁铺镇、灵山镇生态环境指数均在75以上,生态环境质量为优。
本文基于河南省信阳市罗山县卫星影像数据和野外实测样本数据,利用深度学习方法,进行深度学习模型训练,完成了罗山县土地利用分类,并对深度学习分类结果进行精度评价,精度评价结果显示分类结果较好。结合其它统计数据计算出各乡镇的生态环境指数,结果显示,罗山县整体生态环境较好,均没有出现较差以及差的情况,在基于遥感数据进行农村生态环境评价方面具备较好的借鉴意义。
初审：纪银晓
复审：宋启凡
终审：金 君
往期推荐
资讯
○ 最新2022版 EI 收录期刊全目录！
○ 杨元喜院士：北斗为何是国之重器？
○ 纳贤丨武汉大学测绘遥感信息工程国家重点实验室多源支持感知与认知团队招聘博士后
○ 招聘 | 中国科学院东北地理与农业生态研究所农业遥感学科组招聘启事
会议
○ 第三届中国空间数据智能学术会议SpatialDI 2022 （二号通知）
○ 第七届普适定位、室内导航与基于位置服务（UPINLBS 2022）国际会议（一号通知）
○ 会议延期通知｜教育部高等学校地理科学类专业教学指导委员会2021会议暨全国地理科学类学院院长论坛
○ 国土卫星遥感应用重点实验室第一届学术委员会第三次会议在京顺利召开
《测绘学报》
○《测绘学报》8篇论文入选“领跑者5000——中国精品科技期刊顶尖学术论文（F5000）”
○ 智能驾驶环境感知 | 邓晨：基于深度学习的语义SLAM关键帧图像处理
○ 智能驾驶环境感知 | 孙喜亮：面向高精度城市测绘的激光紧耦合SLAM方法
○ 智能驾驶环境感知 | 傅琛：结合行驶场景语义的轨迹-路网实时匹配方法
《测绘通报》
○ 地市级实景三维城市建设及应用
○ 面向上海城市数字化转型的新型测绘
○ 图像全站仪及图像测量发展与展望
○《测绘通报》2021年第12期目录
《北京测绘》
○《北京测绘》2021年第10期摘要推荐
○《北京测绘》2021年第9期摘要推荐
○《北京测绘》2021年第8期摘要推荐（下）
○《北京测绘》2021年第8期摘要推荐（上）
《测绘科学技术学报》
○ 摘要 |《测绘科学技术学报》2021年第2期摘要推荐
○ 摘要 |《测绘科学技术学报》2021年第4期摘要推荐
○ 摘要 |《测绘科学技术学报》2021年第5期摘要推荐
○ 摘要 |《测绘科学技术学报》2021年第6期摘要推荐
《地球信息科学学报》
○ 《地球信息科学学报》2021年第12期佳文推介
○ 《地球信息科学学报》2021年第11期佳文推介
○ 佳文推介 | 大数据城市通勤交通模型的构建与模拟应用
○ 专刊征稿：社会感知与地理大数据挖掘（征稿中）
《测绘工程》
○ 摘要 |《测绘工程》2021年第5期摘要推荐
○ 摘要 |《测绘工程》2021年第4期摘要推荐
○ 摘要 |《测绘工程》2021年第6期摘要推荐
○ 测绘教学 | 后疫情时代“线上+线下”混合教学模式创新——以测绘类课程视角
《中国空间科学技术》
○《中国空间科学技术》2021年第6期摘要
○《中国空间科学技术》2021年第5期摘要推荐
○ 摘要 |《中国空间科学技术》2021年第3期摘要推荐
○ 火卫二地形地貌探测综述
《卫星应用》
○ 综述 | 北斗系统应用趋势分析
《Journal of Geodesy and Geoinformation Science》
○《测绘学报（英文版）》专刊征稿 | 地图学与地球空间信息教育：理论与实践
○ 2022年第二十九届国际地理信息学大会暨CPGIS成立30周年年会（一号通知）
○ 《测绘学报（英文版）》（JGGS）2021年第4期发布
○ 《测绘学报（英文版）》专刊征稿 | 用于三维地理信息的摄影测量和计算机视觉
《Satellite Navigation》
○ 熊超教授：地磁暴期间夜间低纬电离层和赤道等离子体不规则体| SANA佳文速递
○ 徐元博士：面向有色测量噪声下UWB/INS组合行人导航的分布式卡尔曼滤波| SANA佳文速递
○ 杨飞博士：GNSS天顶对流层精化模型的构建与分析| SANA佳文速递
○ 牛小骥教授：用半解析法分析GNSS/INS在铁路轨道测量中的相对精度| SANA佳文速递
《自然资源遥感》
○ 《自然资源遥感》入驻“智绘科服”融媒体平台！
○ 《自然资源遥感》征稿：“海岸带空间资源及生态健康遥感监测”专栏
○ 摘要 |《自然资源遥感》2021年第3期摘要推荐
《Journal of Geovisualization and Spatial Analysis》
○《Journal of Geovisualization and Spatial Analysis》入驻“智绘科服”融媒体平台！
○ JGSA国际期刊2021年第5卷第2期论文摘要
○ 高被引论文推荐 | Journal of Geovisualization and Spatial Analysis
关注微信
