关 键 词：

05 利用 混合 光谱 分解 方法 湖泊 水质 进行 评价 研究

资源描述：

05利用混合光谱分解方法对湖泊水质进行评价研究,05,利用,混合,光谱,分解,方法,湖泊,水质,进行,评价,研究

内容简介：

开 题 报 告论文题目：利用混合光谱分解方法对湖泊水质进行评价研究院 系：遥感信息工程学院专 业：地理信息系统姓 名：高阳学 号：200232590179指导老师：付仲良一 研究的目的和意义水是生态和环境的核心要素之一，是地球环境中最重要和最有活力的因素，它在某种程度上对其他环境要素起着制约与调节作用。充足、优质的水资源是21世纪可持续发展战略实施的重要保障。随着社会经济的发展，水在国民经济和社会发展中的地位和作用越来越突出。地球上的水资源虽然总量有限，但是可以循环利用，然而水资源却极易受到污染，并且是污染物的载体，能导致污染物的扩散与蔓延。随着我国经济的稳步发展，水污染问题也变得日益严重。水质监测是水质评价与水污染防治的主要依据。随着水体污染问题的日渐严重，水质监测成为经济社会可持续发展必须解决的重大问题，尤其是内陆水体，因为其水质影响到国民生产和人们的生活用水，准确、快捷的水质监测显得尤为重要。利用遥感的技术和方法来监测水体水质，可以反映水质在空间和时间上的分布情况和变化，发现一些常规方法难以揭示的污染源和污染物迁移特征，而且具有监测范围广、速度快、成本低和便于进行长期动态监测的优势。由于传感器空间分辨率的限制以及地物的复杂多样性，混合像元普遍存在于遥感影像中，它涉及成像机理、特征提取、应用技术等一系列不能回避的问题；同时，混合像元分解也是遥感定量化的重要途径之一。遥感图像像元记录的是探测单元瞬时视场角所对应的地面范围内目标辐射能量的总和。如果探测单元的瞬时视场角所对应地面范围仅包含了同一类性质目标，则该像元记录的是同一性质地面目标辐射能量的总和，这样的像元称为纯像元。如果探测单元瞬时视场角所对应的地面范围包含了多类不同性质的目标，则该像元记录的是多类不同性质的地面目标辐射能量的总和，这样的像元称为混合像元。此外，由于地物散射等因素的影响，在多类地物交界处附近的像元也有可能是混合像元。混合像元的存在，产生了许多同物异谱，同谱异物现象，从而为地物的分类造成许多困难。在遥感水质监测中，由于存在叶绿素a，悬浮物，溶解有机物等物质的影响，测得的水体的光谱与纯净水光谱存在差异，因而可以利用混合像元分解模型对水体的光谱进行分解，计算出每个像元中每一种成分的含量，为后续的评价研究提供依据。混合像元分解技术己经取得许多重要成果，特别是混合像元分解模型方面，但是用于水质污染监测还很少见。在本项研究中，引进混合像元分解技术，用于对湖泊水质进行评价研究。二 国内外的现状和发展趋势 目前，我国内陆水体水质监测分为直接和间接两种方法。直接法就是对要监测的湖泊采集水样，然后在实验室进行水质分析。根据分析数据，采用单一参数评价指数法或多参数的综合评价法进行评价。该方法虽然能对众多的水质指标做出精确的分析和评价，但是费时费力，不经济;而且水样采集和分析的数量很有限，对于整个水体而言，这些测点数据只具有局部和典型的代表意义。间接法常见的是利用遥感的技术和方法来监测水体水质，即水质遥感监测方法。目前常用的内陆水体水质遥感监测是基于经验、统计分析或水质参数光谱特征选择遥感波段数据与地面实测水质参数数据进行统计分析，建立水质参数反演算法实现的。自70年代初期开始，对陆地水体的遥感研究从单纯的水域识别发展到对水质参数进行遥感监测、制图和预测。随着对物质光谱特征研究的深入、算法的改进以及遥感技术本身的不断革新，遥感监测水质从定性发展到定量，且可通过遥感预测的水质参数种类逐渐增加，包括悬浮颗粒物、水体透明度、叶绿素a浓度以及溶解性有机物、水中入射与出射光的垂直衰减系数，和一些综合污染指标如营养状态指数等。高分辨率的遥感图像还可用于监测河流入湖口处的汇流、扩散等影响污染的流体动力学现象，并可用于一些生态模型、水力模型的验证。利用混合像元分解模型对遥感混合像元进行分解，提取出每一组分的含量，可以提高分类的精度。遥感影像中像元很少是由单一均匀的地表覆盖类组成的，一般都是几种地物的混合体。根据地物具有不同的辐射特性，典型像元则易于识别，混合像元无论直接归属到哪一种典型地物，都是错误的，因为它至少不完全属于这种典型地物。如果每一混合像元能够被分解而且它的覆盖类型组分(通常称为端元组分)占像元的百分含量(丰度)能够求得的话，分类将更精确。混合像元问题不仅是遥感技术向定量化深入发展的重要障碍，而且也严重影响计算机处理的效果或计算机技术在遥感领域中的应用。大多数遥感影像分类算法并不考虑这一现象，只是利用像元光谱间的统计特征进行像元分类。光谱混合分解技术考虑了这一现象，不仅能给出组成像元各地表覆盖类的丰度，而且能给出分类的图像。目前混合像元分解的数学模型主要有：线性分解模型、非线性分解模型、模糊模型、灰色相关像元分解法、神经网络模型分解法等。以线性分解模型为例，假设水体中含有叶绿素a、悬浮物、溶解性有机物等污染物质，在线性混合模型中，每一光谱波段中单一像元的反射率表示为它的端元组分特征反射率与它们各自丰度的线性组合。因此，第i波段像元反射率可以表示为：其中，i=1,2,3.m 代表波段数,j=1,2,3n 代表端元组分数,由于只考虑像元内纯水、叶绿素a、悬浮物、溶解性有机物，这里设n=4，是混合像元反射率，表示第i波段第j个端元组分的反射率，是该像元第j个端元组分的丰度，是第i波段的误差。由于一个像元内端元组分的丰度总量为1，且丰度不能为负数且不能大于1，可列出两个方程。以及上面的方程组，可解出各端元组分的丰度。利用混合光谱分解方法对湖泊水质进行遥感监测的研究将主要集中在以下几个方面:1、进行混合像元分解模型的研究。2、研究利用新型遥感数据。3、提高精度。三 主要研究内容、途径及技术路线1. 研究目标： 在被研究水体的自然环境下，得到纯水以及主要污染物端元组分的光谱特征，并对非纯净水体进行混合光谱的分解从而得到水体各主要污染物质的含量，并在此基础上利用神经网络或灰度关联的方法对水体的污染特征进行评价。2. 主要研究内容：(1)获取主要水质参数的光谱特征。可以通过光谱仪进行野外采集或者从遥感影像上获取纯净端元的光谱特征。(2)利用不同的混合像元分解模型对非纯净水体进行混合像元分解，得到各主要污染物和纯净水体的含量(3)对水质进行评价研究，并比较不同的混合像元分解模型的精度和各自的优缺点。3关键技术问题： (1)混合像元分解模型的选择问题：每种分解模型都各有优缺点，需要根据实际情况选择不同的模型。例如线性分解模型优点是构模简单，其物理含义明确，理论上有较好的科学性，对于解决像元内的混合现象有一定的效果。但不足的是，当典型地物选取不精确时，会带来较大误差。为了克服线性模型的缺点，可以选择非线性模型，利用非线性模型计算出的结果均要比用线性模型计算出的结果要好，然而由于残存误差的影响，这些结果仍然不理想，并且计算较复杂。还可以根据实际情况选择其他分解模型。 (2)纯净端元的选取问题：由于需要用混合像元的各个组分的光谱特征通过数学模型对混合像元进行分解，所以存在纯净端元的选取问题。在实际应用中各类地物的典型光谱值很难获得，且计算误差较大，应用困难。这是由于大多数遥感影像的像元均为混合像元，在分辨率较低的影像上直接获取端元的光谱不大可能。如果利用野外或实验室光谱进行像元分解，则无法很好的处理辐射纠正问题，不仅处理的实效性难以保障，而且增加处理难度。4技术路线：(1)结合地面资料及地物光谱曲线，进行端元选取方法的研究，提高端元选取的准确度以及端元的“纯净度”。分别利用纯净像元指数和散点图方法，从影像上直接选取端元，并比较它们的结果。(2)对混合像元线性分解模型进行改进，加快其运算速度，以及提高其分类归属的准确性。(3)对主要水质参数(叶绿素a等)的光谱特性进行研究，确定主要水质参数与光谱特征之间响应关系;选择适当的TM波段以及它们的组合，结合地面实测资料，采用线性回归分析等估算方法来建立模型方程。然后，利用水质参数定量估算的结果来评价混合像元分解的可行性。四 研究的主要阶段、进度及完成时间： 第一阶段（14周）：收集参考文献，进行理论学习 第二阶段（510周）：熟悉VC开发环境，编写程序算法，实现设计的基本要求，完成相应的成果形式 第三阶段（1112周）：论文撰写，总结设计成果，提交毕业设计论文37目 录摘 要第1章 引 言11.1研究背景11.2国内外研究现状21.3本文研究的意义51.4本文研究的内容及关键技术问题7第2章 混合像元分解模型92.1混合像元分解的地物理解92.2混合像元分解模型102.3混合像元分解模型的选择13第3章 实验研究153.1实验流程153.2具体编程实现233.3结果分析27第4章 结论294.1主要成果294.2可能的突破点29参考文献30致 谢31附录32摘 要由于传感器空间分辨率的限制以及地物的复杂多样性，混合像元普遍存在于遥感影像中。它们的存在对结果精度带来了很大的影响。需要首先进行混合像元分解。通常的方法是利用混合像元分解模型来进行。本文利用武汉市的TM影像，通过利用线性混合像元分解模型对武汉境内部分水域进行混合像元分解，达到将混合像元中各典型地物所占比例计算出来的目的，为后续的水质监测或者影像分类提供依据。关键词:遥感 混合像元 混合像元分解 水质AbstractThe pixels in remote sensing imagery are typically mixed pixels due to the limited spatial resolution of sensor and the heterogeneous surfaces of ground covers. Their presence severely degrades the precision of the result.It is important to unmixing pixels at first. The usual approach to achieve this is through modeling of spectral mixtures.Utilizing the remote sensing imagery of Thematic Mapper of WuHan city, combining with the linear mixture model, we take some process to unmixing the mixed pixels in order to determine the proportions of their component endmembers.This process will provide evidence to monitoring of water pollution and the classification of the remote sensing imagery.Key words: remote sensing; mixed pixel; pixel unmixing; water quality第1章 引 言水在人类历史中具有独特的地位和作用，近年来，由于工业和经济的发展，水质污染较为严重，影响到了人类的生存和发展，使水质监测成为国内外的研究重点。水质遥感由于其特有的优势弥补了人工水质监测的不足，逐步成为水质监测的一种重要方法，并发挥了巨大的作用。利用水质遥感进行水质监测中，利用混合像元分解方法分离水体每个像元中典型地物的含量，将会提高水体分类的精度，使水质的动态监测更为精确。1.1研究背景水是自然环境中一个重要的因子，水的质量直接关系到人类以及自然环境的生存与发展。全世界水质普遍下降，已经引起各国政府和科学家的重视。随着人们对地球这个有机整体认识的不断深入，作为世界上最大的淡水资源湖泊水的作用越来越被人们所认识。但是进入 80 年代以来，由于湖泊所承受的人口压力和开发强度的迅速增加，我国许多大型湖泊的水质量都面临着不同程度的污染。内陆湖泊由于有机污染物质的注入，水体易趋于营养化。水质的下降迫使人们采取各种各样的手段对其进行观测和研究。纵观历史，内陆湖泊水质监测大体上经历了早期人工直接监测和利用遥感间接监测两个阶段。早期的人工监测是对预先在监测湖泊布设的有限采样点进行水质采样，然后在实验室中进行分析。利用分析数据，采用单一参数指数法或多参数的综合评价法进行水质的评价。这种方法虽然能够对水质参数做出精确的分析和评价，但是费时、费力、不经济。面对全国众多的湖泊，纯粹地依靠人工监测需要投入巨大的人力和物力，即便如此，也只是对重点治理的湖泊的重点区域进行监测，而其余的大多数湖泊的水质却不得而知。就某一湖泊而言，监测的采样点数目和采样的次数都是有限的，由于这些限制，取样往往不能代替整个水体的条件。因此，对水质完全和连续取样的困难是水质监测和预测的壁垒。遥感能够克服这些限制，通过提供一种理想的水质监测方式超越空间和时间的束缚。遥感技术作为一种区域性水环境调查和监测手段，日益受到重视，北美和欧洲的一些国家早已开展了利用航空遥感数据监测湖泊群内叶绿素分布的研究，为水质监测提供了一种有效的技术手段。水质遥感监测是通过研究水体反射光谱特征与水质参数浓度之间的关系，建立水质参数反演算法进行的，具有监测范围广、速度快、成本低和便于进行长期动态监测的优势，并且还能发现一些常规方法难以揭示的污染源和污染物迁移特征，与常规方法相比，具有不可替代的优越性。遥感在内陆水体研究中的应用从最初的单纯的水域识别逐渐发展到对水质参数进行遥感监测、制图和预测。随着遥感技术的不断发展和对水质参数光谱特征及算法研究的不断深入，遥感监测水质逐渐从定性发展到定量，并且通过遥感可监测的水质参数种类逐渐增多，包括叶绿素a浓度、悬浮物浓度、黄色物质浓度等，反演精度也不断提高。近年来，高光谱遥感技术的发展和应用于水质遥感监测极大地提高了水质参数的遥感估测精度，基于对水质参数光谱特性日渐深入的了解，很多学者开始致力于发展没有时间和空间特殊性的水质遥感监测。比较而言，早期的人工水质监测未能克服本身的缺点，而具有较大的应用局限性。遥感监测水质的方法能从丰富的地面、航空和航天遥感数中获取大面积、长期和迅速的水质信息，成为监测内陆湖泊、水库等水体质量的有效和重要手段。1.2国内外研究现状目前，我国内陆水体水质监测分为直接和间接两种方法。直接法就是对要监测的湖泊采集水样，然后在实验室进行水质分析。根据分析数据，采用单一参数评价指数法或多参数的综合评价法进行评价。该方法虽然能对众多的水质指标做出精确的分析和评价，但是费时费力，不经济;而且水样采集和分析的数量很有限，对于整个水体而言，这些测点数据只具有局部和典型的代表意义。间接法常见的是利用遥感的技术和方法来监测水体水质，即水质遥感监测方法。目前常用的内陆水体水质遥感监测是基于经验、统计分析或水质参数光谱特征选择遥感波段数据与地面实测水质参数数据进行统计分析，建立水质参数反演算法实现的。1.2.1水质遥感监测原理遥感系统用于量测一定波长范围的电磁辐射值。地表特征和水体参数因影响光的反射、吸收和后向散射而通过遥感系统记录的光谱信号反映出来。湖泊、河流中的成分如浮游植物、溶解性有机物、悬浮颗粒物等还有水本身在不同波长区不同强度地吸收入射光并对光进行散射，引起反射率、向上辐照、颜色等表观参数的改变。图1.1 电磁波与水体相互作用如图1.1所示，透射地球大气的太阳辐射到达气-水界面，一部分被反射，另一部分折射进入水体内部。这部分入射光在水面下被多种分子选择吸收和散射。主要的吸收者为四种物质:纯水、溶解性有机物(黄物质)、藻类色素和非生命颗粒物(悬浮物)。除了非生命颗粒物(悬浮物)在其自然浓度条件下对光不发生明显吸收外，其余三种物质分别选择吸收一定波长范围的光，形成各自的特征吸收光谱。水中的分子及分子聚集体对光的散射使光改变方向，其中的后向散射光与水底的反射光一起返回水面，通过水-气界面回到大气中，就是可以遥测的部分。对于一定的水体，水表面和水底的反射可视为常数，当水较深或浑浊时，水底反射到水面为零，这样唯一能反映水体特征是后向散射光，这一部分光既反映了水体内部的吸收特征，也与不同物质的散射相关，所以可以反映水体组分特征。水体因为各组分及其含量的不同造成一定波长范围反射率的显著不同，成为定量估测内陆水体水质参数含量的基础。图1.2不同叶绿素a浓度的内陆水体的反射光谱曲线以水体所含叶绿素a浓度为例，如图1.2显示了含有不同浓度的叶绿素a的内陆水体的反射光谱。可以看出，接近纯净的水体(曲线4)在可见光波段的反射率曲线是接近线状的，且随着波长向红外波段的逐渐增长，反射率呈现逐渐减小的态势，直线化特征明显。随着水体中叶绿素a浓度的变化，在不同波长区水体吸收入射光并对光进行散射的强度也发生变化，从而引起反射率、向上辐照等改变，表现出不同的光谱曲线。1.2.2 水质遥感监测常用方法 遥感传感器记录的辐射值与水中组分的含量有关，通过辐射值估测组分含量一般有三种方法:理论方法、经验方法和半经验方法。1.2.2.1理论方法 其基础是根据水中光场的理论模型来确定吸收系数与后向散射系数之比与表面反射率的关系。这种关系确定后，可由遥感测得的反射率值计算水中实际吸收系数与后向散射系数的比值，与水中组分的特征吸收系数、后向散射系数相联系，就可以得到组分的含量。70年代和80年代初，一些学者曾利用此途径，基于一定的理论假设建立了一系列预测叶绿素浓度的模型。由于理论基础尚不成熟，模型假设的简化使预测值并不能满足精度需要。90年代初几个学者研究了水下表面辐射反射率与水体内在光学参数的联系，Dekker等发现线性后向散射反射率模型最适宜于内陆水体，但其比例系数却是随特定湖泊而变化的。1.2.2.2经验方法 经验方法是伴随着多光谱遥感数据应用于水质遥感监测而发展起来的一种方法。它一般是通过建立遥感测量值与地面监测的水质参数值之间的统计关系来外推水质参数值。 国内外学者利用经验方法开展了很多内陆水体水质遥感监测的研究，并且在特定的水域研究中取得了一定的成功。这种方法的缺陷是，由于水质参数与遥感监测辐射值之间的事实相关性不能保证，结果可能不可信:而且利用经验的方法得到的算法的精度通常不高，且具有时一间和空间特殊性。1.2.2.3半经验方法当需要预测的水质参数的光谱特征已知时，将已知的信息与统计模型结合，例如选择特定的光谱区和合理的波段或波段组合的辐射值作为相关变量。这是目前最常用的方法，国内外很多学者多利用这种方法监测湖泊、水库的水质参数如总悬浮物、叶绿素及与之相关的透明度、浑浊度和富营养化指数等，研究的湖泊遍及欧洲、北美、澳洲。经验方法与半经验方法的关键部分都是对遥感数据进行适当的统计分析来得到水质参数的估测值。常用的统计方法有:线形回归、多元线形回归、对数转换线形回归、聚类分析、多项式回归、贝叶斯分析、灰色系统理论和逐步多元线性回归、主成分分析等等。早期利用回归分析仅仅是用于建立一个或几个遥感数据(反射率、辐射值甚至灰度值)与水质参数值之间的关系式，对关系式没有任何实际意义上的解释。后来发展的如聚类、主成分分析等则是进一步考虑了不同波段遥感数据之间以及遥感数据与实际水质参数值之间的关系，尽量将遥感数据中与水质相关的信息提取出来，因而更可信。对于本身精度短期内不会改变的卫星遥感数据来说，寻求和利用其它更有效的统计手段提取有用水质信息是有效的改进途径。1.2.3水质遥感监测中常用的遥感数据1.2.3.1多光谱遥感数据 内陆水体水质遥感监测中常用的多光谱遥感数据包括美国陆地卫星 (Landsat)的MSS(Multispectral Scanner)和TM(Thematic Mapper)数据、法国的SPOT卫星的HRV数据、印度的IRS-1C卫星数据和气象卫星NOAA的AVHRR数据等。陆地卫星7号所搭载的ETM+(Enhanced Thematic Mapper)和EO-1卫星上的ALI(Advance Land Imager)传感器为内陆水体水质监测提供了新的遥感数据源。 最先用于内陆水体水质监测的是陆地卫星MSS数据，Kritikos、Strump、Lathrop和Kloibe等学者的研究表明内陆水体中的叶绿素a浓度、悬浮物浓度可以通过MSS数据监测。但是由于波段太宽，MSS数据不能用于监测悬浮物含量很高的湖泊、水库中的叶绿素a的浓度。 综合考虑空间、时间、光谱分辨率和数据可获得性，TM数据是目前内陆水质监测中最有用，也是使用最广泛的多光谱遥感数据。国内外学者利用TM数据开展了大量的内陆水体水质的监测研究，并且对叶绿素a,悬浮物、透明度和黄色物质的估测都取得了比较理想的结果。 SPOT卫星的HRV数据、IRS-1C卫星数据和气象卫星NOAA的AVHRR数据也用于内陆水体的遥感监测。由于相对较低的光谱分辨率，多光谱遥感数据不能在理论上针对地物光谱特征解决问题，定量估算算法主要是通过经验的方法构造，只适用于特定的时间和水域。1.2.3.2高光谱遥感数据 高光谱分辨率遥感(Hyperspectral Remote Sensing)是指利用很多很窄的电磁波波段从感兴趣的物体获取有关数据。在内陆水质监测中，高光谱数据在可见和近红外波段的光谱分辨率足以探测到水体组分的吸收和反射特征，因此在很大程度上提高了水质参数监测算法的精度，在内陆水质遥感监测中展现出了巨大的应用潜力。现有的高光谱传感器分为两种:成像光谱仪和非成像光谱仪，主要搭载在不同飞行高度的飞机、卫星上或地面工作平台上。1.3本文研究的意义 充足、优质的水资源是21世纪可持续发展战略实施的重要保障。然而，从全球范围来看，水质普遍下降、水质污染已经成为全球公害。各国政府、科学家都致力于探求新的宏观、快速水质监测技术方法，遥感技术是最受瞩目的方法。随着我国经济的稳步发展，水污染问题也变得日益严重。以武汉地区东湖为例，40年前，东湖处于未受干扰的自然状态。湖水清澈见底，水草摇曳，游鱼可数，水生生态环境良好。随着东湖流域人口剧增，大量未经处理的生产废水、生活污水排入东湖，导致湖水污染加剧，水质下降。同时，来自东湖周边地面径流，降水、降尘、养殖、水上运动等也给东湖带来了污染。据监测，东湖污染物主要来自城市污水中的氮、磷。据有关资料记载，80年代排入东湖的总污水量约20万吨/日，年输入东湖的氮总量为536.3吨，磷总量为87.8吨。日积月累，造成湖水富营养化，东湖水厂被迫关停，周边居民改饮长江水。东湖某些地区死鱼现象时有发生。基于这种情况，本文尝试使用混合像元分解方法对东湖或者武汉境内的某些水体进行评价研究。水质参数的反演可以采用高光谱或者多光谱数据进行。用高光谱数据来进行水质参数的估算，可以取得较好的估算精度，但是由于其成本比较昂贵且比较难于获得。根据已有的资料表明，采用TM估算出来的遥感定量分析模型与实测值达到了较好的拟合程度，对大规模快速监测水质参数提供了一种有效的方法，而且具有宏观、快速的优势。因此，可以利用TM数据来进行遥感分析，发展一种快速、高效、准确、廉价的遥感水质监测技术方法。 但是，无论采用那一种数据，都存在着像元混合光谱影响的误差。受TM的光谱分辨率的限制，定量估算水质参数的精度还有待提高。各种物质的敏感波段不同且波段较窄，在TM光谱分辨率无法提高的情况下，发展除常用的回归分析方法之外更有效的数学方法，或寻求与实测数据更有效的结合方式，使得遥感数据包含的混合信息得以有效分离，分别显示不同水质参数的特征，将是个提高监测水质准确性的有效途径。 目前的遥感影像分类方法，根据像元的构成成分，可以分为两类:即纯像元的分类和混合像元的分类。到目前为止,遥感领域研究较多的还是对纯像元的划分，其中又以监督分类为主。由于传感器空间分辨率的限制以及地物的复杂多样性，混合像元普遍存在于遥感影像中，对地面地物分布比较复杂的区域尤其如此。如果将该像元归为某一类，势必会带来分类误差，导致分类精度下降，不能反映真实的地物覆盖情况。混合像元分解被证明为解决这个问题的有效方法。基于纯像元的分类和基于混合像元的分类各有各的优点和缺点，在实际应用中，要具体问题具体分析。如果一个像元内仅包含一种地物，则这个像元称为典型像元(又称端元或者纯净像元)，该类地物称为典型地物。如果一个像元内包含几种地物，则称这种像元为混合像元。因此，影像中像元的光谱特征并不是单一地物的光谱特征,而是几种地物光谱特征的混合反映。如果每一混合像元能够被分解而且它的地面覆盖类型组分(通常称为端元组分)占像元的百分含量(丰度)能够求得的话，分类将更精确，因混合像元的归属而产生的错分、误分问题也就迎刃而解，这一处理过程称之为混合像元分解。 混合像元问题不仅是遥感技术向定量化深入发展的重要障碍，而且也严重影响遥感技术在各个领域中的应用。大多数遥感影像分类算法并不考虑这一现象，只是利用像元光谱间的统计特征进行像元分类。光谱混合分解技术考虑了这一现象，不仅能给出组成像元各地表覆盖类的丰度，而且能给出分类的图像。 混合像元分解常用于地物的分类识别，但是用于水体还不多见。由于地面物体和水体的光谱响应之间存在着差别，以及水体像元光谱的混合机理目前还不大清楚，混合像元方法用于水体，将是一个新的尝试。钱少猛等人将混合像元分解方法应用于滇池水质监测，是这方面的一个例子。本文就是在参考他的研究成果的基础上利用此方法对武汉境内的水体进行水质评价研究。1.4本文研究的内容及关键技术问题1.4.1研究内容(1)获取主要水质参数的光谱特征。可以通过光谱仪进行野外采集或者从遥感影像上获取纯净端元的光谱特征。(2)利用不同的混合像元分解模型对非纯净水体进行混合像元分解，得到各主要污染物和纯净水体的含量(3)对水质进行评价研究，并比较不同的混合像元分解模型的精度和各自的优缺点。1.4.2关键技术问题(1)混合像元分解模型的选择问题：每种分解模型都各有优缺点，需要根据实际情况选择不同的模型。例如线性分解模型优点是模型构造简单，其物理含义明确，理论上有较好的科学性，对于解决像元内的混合现象有一定的效果。但不足的是，当典型地物选取不精确时，会带来较大误差。为了克服线性模型的缺点，可以选择非线性模型，利用非线性模型计算出的结果均要比用线性模型计算出的结果要好，然而由于残存误差的影响，这些结果仍然不理想，并且计算较复杂。还可以根据实际情况选择其他分解模型。(2)纯净端元的选取问题：由于需要用混合像元的各个组分的光谱特征通过数学模型对混合像元进行分解，所以存在纯净端元的选取问题。在实际应用中各类地物的典型光谱值很难获得，且计算误差较大，应用困难。这是由于大多数遥感影像的像元均为混合像元，在分辨率较低的影像上直接获取端元的光谱不大可能。如果利用野外或实验室光谱进行像元分解，则无法很好的处理辐射纠正问题，不仅处理的实效性难以保障，而且增加处理难度。1.4.3技术路线(1)结合地面资料及地物光谱曲线，进行端元选取方法的研究，提高端元选取的准确度以及端元的“纯净度”。分别利用纯净像元指数和散点图方法，从影像上直接选取端元，并比较它们的结果。(2)对混合像元线性分解模型进行改进，加快其运算速度，以及提高其分类归属的准确性。(3)对主要水质参数(叶绿素a等)的光谱特性进行研究，确定主要水质参数与光谱特征之间响应关系;选择适当的TM波段以及它们的组合，结合地面实测资料，采用线性回归分析等估算方法来建立模型方程。然后，利用水质参数定量估算的结果来评价混合像元分解的可行性。第2章 混合像元分解模型2.1混合像元分解的地物理解 遥感对地物的探测是以像元为单位，利用光子探测器或热探测器检测地物对特定波长(频率)的电磁波的作用结果。像元除了有一定的光谱参量外，还表征了地物的空间分布，即具有一定的面积。如果一个像元内仅包含一种地物，则这个像元称为典型像元(又称端元或者纯净像元)，该类地物称为典型地物。如果一个像元内包含几种地物，则称这种像元为混合像元。 遥感影像中像元很少是由单一均匀的地表覆盖类组成的，一般都是几种地物的混合体。尽管不同的自然地物有其不同的光谱、时间、角度等特征，但是遥感记录的像元只有单一的光谱、时间、角度等特征，即混杂后的特征。因此影像中像元的光谱特征并不是单一地物的光谱特征，而是几种地物光谱特征的混合反映。一般情况下，不同地物具有不同的辐射特性，故混合像元的辐射特性与任何典型像元的辐射特性都不相同，从而使这个像元不属于构成该像元的任何典型地物，而介于这些典型地物之间，它给遥感解译造成困扰。图2.1混合像元模拟图如图2.1所示，混合像元的存在与影像的空间分辨率和不同地物的边界有关。(1)影像的空间分辨率越高，则混合像元数量越多，而混合像元所占的面积越小。如上图分别有5m5m,10m10m,30m30m三种空间分辨率，可以看出在5m5m的网格上混合像元数最多，30m30m的网格上混合像元数最少，而5m5m由于分辨率比较高，混合像元所占的面积比例更小。(2)一般混合像元的出现都是在两种地物交界的地方，例如上图的灌木林、针叶林、阔叶林的边界，几乎都是混合像元。而各种地物内部的像元基本上都是纯像元。根据地物具有不同的辐射特性，典型像元易于识别，混合像元无论直接归属到哪一种典型地物，都是错误的，因为它至少不完全属于这种典型地物。如果每一混合像元能够被分解而且它的覆盖类型组分(通常称为端元组分)占像元的百分含量(丰度)能够求得的话，分类将更精确，因混合像元的归属而产生的错分、误分问题也就迎刃而解，这一处理过程称之为混合像元分解。2.2混合像元分解模型分解像元的途径是通过建立光谱的混合模拟模型。通常,模型是这样建立的:像元的反射率可以表示为端元组分的光谱特征和它们的面积百分比(丰度)的函数;在某些情况下,表示为端元组分的光谱特征和其他的地面参数的函数。Charles Ichoku将像元混合模型归结为以下五种类型:线性(linear)模型、概率(probabilistic)模型、几何光学(geometric-optical)模型、随机几何(stochastic geometric)模型和模糊分析(fuzzy)模型。线性模型假定像元的反射率为它的端元组分的反射率的线性组成。非线性和线性混合是基于同一个概念,即线性混合是非线性混合在多次反射被忽略的情况下的特例。上述所有的模型都把像元的反射率表示为端元组分的光谱特征和它们的面积百分比(丰度)的函数;然而,由于自然地面的随机属性以及影像处理的复杂性,像元的反射率还取决于除端元的光谱特征和丰度以外的因素。因此,每种模型的差别在于:在考虑混合像元的反射率和端元的光谱特征和丰度之间的响应关系的同时,怎样考虑和包含其他地面特性和影像特征的影响。在线性模型中地面差异性被表示为随机残差;而几何光学模型和随机几何模型是基于地面几何形状来考虑地面特性的;在概率模型和模糊模型中,地面差异性是基于概率考虑的,例如通过使用散点图和最大似然法之类的统计方法。就所有的模型而言,混合像元的反射率和端元的光谱特征都是必需的参数。此外,对于几何光学模型和随机几何模型,还需要地物的形状参数、地物的高度分布、地物的空间分布、地面坡度、太阳入射方向以及观测方向等参数。每种模型反演得出的结果主要是每个像元中各个端元组分的丰度。然而,对于几何光学模型和随机几何模型,还可以求出其它的一些地面特性,比如平均高度、阴影大小以及树的密度等。2.2.1线性模型该模型假定混合像元的光谱是由该像元内的各类地物光谱的线性组合，通过线性光谱分解，可以确定每类地物所占比率。如果一个像元内仅包含一种地物，则称这个像元为典型像元，对应地物称为典型地物。设存在典型地区的k种典型地物的灰度值按从小到大顺序排序为d(1),d(2),d(3)d(k),像元面积为s，第个混合像元灰度值为D(i)，以每一种典型地物在该像元中所占面积比例k(,m)为权重，设灰度是线形可加的，可得到如下模型： (2-1) (2-2) (2-3) (2-4) 其中k(,m)表示第m种典型地物在第个混合像元中所占面积的比例,是第个典型地物的误差。在考虑到非负约束以及和为1约束条件下，利用最小二乘法使总误差最小。非负约束即要使分解的结果大于0，和为1约束即为各比例加起来的和要为1。如果第个像元是有所选的典型地物构成的混合像元的话，那么此像元的灰度D(i)应该介于d(1)与d(k)之间。假如D(i)大于所有d(m)或者小于所有d(m),这种像元不会在混合像元中出现，方程无解。 在混合像元中，必然是一部分d(m)大于D(i)，一部分d(m)小于D(i)，此时方程可解。另外一个重要条件是求出的各端元组分的丰度不能为负数或大于1，而且各端元丰度之和应该为1。为便于求解，未知数的数目应小于或等于矩阵行数，也就是说未知端元组分数须小于或等于波段数目。线性模型比较简单，但是在实际应用中存在着一些限制。首先，它认为某一像元的光谱反射率仅为各组成成分光谱反射率的简单相加;而事实证明在大多数情况下，各种地物的光谱反射率是通过非线性形式加以组合的。 其次，该模型中最关键的一步是获取各种地物的参照光谱值，即纯像元下某种地物光谱值。但在实际应用中各类地物的典型光谱值很难获得，且计算误差较大，应用困难。这是由于大多数遥感影像的像元均为混合像元，在分辨率较低的影像上直接获取端元的光谱不大可能。如果利用野外或实验室光谱进行像元分解，则无法很好的处理辐射纠正问题，不仅处理的实效性难以保障，而且增加处理的难度，如实验室光谱与多光谱波段的对应问题。所以在某些情况下用线性模式获得的分类结果并不理想。再次，当区域内地物类型，特别是主要地物类型超过所用遥感数据的波段时，将导致结果误差偏大。2.2.2非线性模型为了克服线性混合模型的不足，许多学者利用非线性光谱模型对野外光谱进行描述。非线性和线性混合是基于同一个概念，即线性混合是非线性混合在多次反射被忽略的情况下的特例。 非线性光谱模型最常用的是把灰度表示为二次多项式与残差之和，表达式可以如下: (2-5) (2-6)是非线形函数，一般可设为二次多项式。表示第种典型地物在混合像元中所占面积比例，b为波段数。2.2.3概率模型概率模型的一个典型是由Marsh等人提出的近似最大似然法。该模型只有在两种地物混合条件下使用。利用线性判别分析和端元光谱产生一个判别值，根据判别值的范围将像元分为不同的类别。如果可以对线性判别分析方法进行适当的改进的话，这个模型可以用在多于两种地物混合的情况下。2.2.4几何光学模型 该模型适用于冠状植被地区，它把地面看成由树及其投射的阴影组成。从而地面可以分成四种状态:光照植被面(C)、阴影植被面(T)、光照背景面(G),阴影背景面(Z)。像元的反射率可以表示为: (2-7)其中，,表示四种状态下的反射率，,表示像元内四种状态所占面积，为该像元的面积。每种状态所占的面积是地面表面形状的函数，而地面表面形状取决于树冠的形状和尺寸、树的高度、树的密度、地面坡度、太阳入射方向以及观测方向。为了简化模型，树冠的形状常被假设为相近的固定几何形状。2.2.5模糊模型 模糊模型建立在模糊集合理论的基础上。和分类概念不同，一个像元不是确定地分到某一类别中，而是同时和多于一个的类相联系。该像元属于哪一类表示为0-1间的一个数值。对于混合像元，采用模糊分类方法(Fuzzy partition)刚性分类方法(hard partition)分类精度高。2.3混合像元分解模型的选择线性模型比较简单，但是它认为某一像元的光谱反射率仅为各组成成分光谱反射率的简单相加;而事实证明在大多数情况下，各种地物的光谱反射率是通过非线性形式加以组合的。而且求解混合像元内各端元组分的丰度首先需要知道在各波段上各纯净端元的光谱特征，而这往往不容易获得。对于线性模型方程的求解，如果获取的端元组分光谱信息不准确，将会导致所得结果中有大量的负值或大于1的值。 所以，如果能够提取出各波段中的纯净端元并准确的获取纯净端元的光谱信息，而且在需要进行混合像元分解的区域中混合像元是由这几种纯净端元混合而成而不会有其他端元的存在，也就是说地物的复杂度不是太大的情况下，用线性分解模型可以取得比较好的效果。理论上线性混合模型基于如下假设:到达遥感传感器的光子与唯一地物(即一个光谱端元组分)发生作用。这种假设一般发生在端元地物面积比较大的情况下的理想状况。反之，地物分布范围较小时，光子通过不只一个端元组分进行传输和散射，从而产生非线性混合。 在这种情况下，如果仅用线性分解模型，将会对精度有很大影响。非线性分解模型改进了线性分解模型。非线性分解模型将某个混合像元的反射率表示为端元组分反射率与其所占比例组成的二次多项式与残差之和，从这里也可以看出非线性和线性混合是基于同一个概念，即线性混合是非线性混合在多次反射被忽略的情况下的特例。几何光学模型适用于冠状植被地区，它把地面看成由树及其投射的阴影组成。其原理与线性分解模型相似，只是线性分解模型中的端元组分在几何光学模型中由光照植被面、阴影植被面、光照背景面,阴影背景面所代替，而且在几何光学模型中，每种状态所占的面积是地面表面形状的函数。概率模型在只有两种地物的情况下进行混合像元分解。通过一定的判别法则判断属于哪一种地物。 模糊模型利用模糊聚类方法确定任一像元属于某种地物的隶属度，从而推算该像元内某类地物所占比例。此方法先要确定像元对各种类别的隶属度，即样本像元中各类别的面积百分比通过以上分析可以看出，选择某种混合像元分解模型，需要考虑到该分解模型的适用条件。因为每个模型只有在合适的条件下才能达到分解的精度。通常，在构建模型的时候，一般只考虑占主导因素的特征参数，而很难个别地考虑其他因素。因此，模型的成立包含了许多假设、近似和概括，而这些假设、近似和概括都会不同方式的影响到模型的精度和像元分解的结果。而且，可以根据具体的情况结合几种不同的混合像元分解模型，这样可能组成一个更强大的模型，更好的提高分解的精度。 在各种分解模型中，线性模型是最简单、常用、具有明确物理意义的。所以利用线性混合模型来分析武汉地区水体污染的情况。虽然线性模型在应用上有不少限制，但是仍然采用这个模型，原因在于: (1)实际上，线性与非线性模型表达了同一个概念，线性混合模型是非线性混合模型的一个特例(简单的非线性模型)，它没有考虑多反射情况。 (2)研究区域的地物类型虽然单一，但水体中包含的物质以及水体表面覆盖的物质相对复杂，因此各种物质混合以后的相互作用及其光谱响应相当复杂;通常情况下，它们的光谱都是以非线性的方式混合的;但是，在混合像元中，每个端元组分的光谱响应与它们的丰度之间应该存在着正相关的关系。因此，为了研究方便起见，我们把水体的混合像元的光谱响应视为简单的线性相加。值得注意的是，通过这样的线性方法分解得到的结果，每个像元中不同端元组分的丰度只具有相对的意义，而并不存在明确的物理含量的意义。第3章 实验研究3.1实验流程数据准备分离水体与陆地选取需要处理的水体区域并得到水体的坐标选取适当的混合像元分解模型得到纯净端元的光谱信息直接从光谱库获得散点图方法获得混合像元分解的计算混合像元分解结果的显示 图3.1 实验流程图3.1.1数据准备本次毕业设计采用武汉市的TM影像，波段为3，4，5波段，首先使用ERDAS软件将img格式的TM影像转变成JPEG格式的影像.然后利用Photoshop软件将JPEG格式影象转为256色bmp位图。由于这三个波段影像已经经过辐射校正与几何校正，可以直接使用。因为需要对武汉市内的水体进行混合像元分解，所以可以选出一块试验区域进行研究。由于武汉市内有众多湖泊，而且长江穿城而过，所以选择了一块矩形区域，这块矩形区域包括了长江和东湖的一部分在内。之所以把这两块水体选择进来，是因为长江的泥沙含量比较高，而东湖的藻类含量较高，对这两块区域进行处理，可以起到比较研究的效果。3.1.2 分离水体与陆地 本文的目的是利用混合像元分解方法对湖泊水质进行评价研究，所以需要首先将TM影像中的水体与陆地进行分离。而且在后续处理中需要计算的端元组分包含纯水，藻类物质和泥沙悬浮物三种，这只有在水体像元中计算才有意义，所以水体以外的陆地不参与后续的计算，可以先把陆地与水体分离开来。 实验采用的是TM3和TM5两个波段来进行水体与陆地的分离。通过参考文献1所述方法，采用TM5和TM3的比值可以达到此目的，通过计算(b510)/b3(其中b3为TM3上某像元的灰度，b5为TM5上对应像元的灰度)，阈值设为6，比值小于6的为水体，大于6的为陆地，将计算为水体的像元设置为白色，将计算为陆地的像元设置为黑色，从而提取出了水体。在利用TM3，5波段进行计算的时候，可以一边计算一边把水体在影像上的坐标记录下来，便于后续的处理。图3.2水体陆地分离前 图3.3水体陆地分离后通过计算并着色以后，发现水体与陆地大部分已分离开来。但水体中会出现少量的错分为陆地的点，陆地中也会出现错分为水体的点，通过观察发现这些点非常分散，而且面积很小，所以采用一个33的模板逐像元计算此模板中水体像素和陆地像素的个数，设定阈值为5，如果一个模板中分为水体的像素大于5，则此模板中心像素划归为水体，如果小于5，则划归为陆地。并记录下分为水体的坐标。阈值的设定主要凭借经验。之所以在这里将其设为5，就是考虑到在一个模板中选取占多数的地物种类，将模板中心的像元划分为这一类。通过选取不同的阈值，可以得到不同的效果。比如如果在陆地中有错分为水体的像元，而且面积比较大，要将这些像元都变为陆地，可以将阈值设大一些，这样效果可能会好一些。可以进行多次上述处理，即在一次处理的基础上再进行多次这样的处理，可以得到更好的效果。 在记录水体坐标的时候，可以设置一个判别条件，通过此判别条件选择需要进行处理的矩形区域的坐标。由于采用的影像是10241024大小，为了将长江和东湖的一部分包括进来，选择的范围是X:512-1024,Y:100-700，这样不仅选出了两块典型水体进行分析，而且大大降低了计算量。 图3.4水体陆地分离后经过提纯的影像 上图为经过水体和陆地分离并用模板进行提纯后的影像，可以看出仍然存在错分区域。可以通过改进程序手动划分需要处理的区域，凭借经验来划分的水体区域可能会好于计算机识别出的水体区域。红框表示要进行处理的区域，只需要记录红框内水体的坐标值，提取出的水体的坐标保存在“ROI坐标.txt”文本文件中。3.1.3混合像元模型的选取由于仅仅对水体进行处理，对于某一波段，在一块特定范围内，水体的反射率变化不是太大，这样每一端元组分在这块区域内反射率基本上是维持在可以允许的范围内波动，而且此实验需要得到纯净水体、藻类和泥沙悬浮物这三种端元组分的丰度，波段数也为三个，所以可以利用线性分解模型进行混合像元的分解。3.1.4端元组分的选取 像元分解模型的选取，无疑对于像元分类的精度有重要的影响。然而，分解模型一旦确定，直接影响分类精度的因素就是混合像元端元组分的选取。各种分解模型实现的关键环节是首先要正确获取主要地物目标的参照光谱值，从中选取可以作为纯净端元的地物目标光谱值。 对于TM影像而言，由于分辨率不是太高，所以理想的纯端元很难获得。端元数量不够或者有额外的端元都将产生误差。对于本次毕业设计需要获得三种典型地物，即：纯水，藻类，悬浮泥沙的参照光谱值，有多种方法可以获取。现在就此次毕业设计中所使用的两种方法进行说明:(1)从地物光谱库中直接获取:这种方法参考已经建立的光谱库获取光谱信息，简单方便，但是由于不同时刻获取的影像由于大气影响或者地形影响而使得各端元光谱信息与光谱库中获取的光谱信息有所差异，可能会产生误差。这种方法可以通过结合影像光谱和参考端元，也就是通过匹配技术来比较像元的光谱和每个光谱库里面的光谱。从而可以进行判断，接受或者拒绝这些端元。(2)散点图方法:在缺乏野外光谱测量数据或者光谱库的情况下，可以利用影像自身来获取端元的光谱信息。这种方法具有易于获得和与遥感影像相同的度量尺度。但是，这种方法首先要在影像中确定出纯净的像元，比如纯净水体，如果没有实测数据，实现起这点来非常困难。利用散点图方法可以从某种程度上提取出典型地物的光谱信息。 散点图是不同波段相同像元位置上的灰度值构成的向量在灰度空间中的分布。可视化的散点图有二维和三维散点图，散点图的坐标轴的度量是通道的灰度值的大小。对于多波段遥感数据，二维散点图的形状是不规则的三角形、三角洲形，或由随机撕裂所形成的不规则的形状。目前散点图的研究和使用远远落后于对直方图的研究和应用，现在只是作为一种可视化的分析工具。 利用TM的3，4，5三个波段，可以作出即3个二维散点图和即1个三维散点图。本文中可以用TM3和TM4，TM3和TM5 ，TM4和TM5作出3个散点图。图3.5 TM3-TM4散点图上图为利用TM3和TM4两个波段作出的散点图。选取这两个波段的原因是由于目前遥感监测的最多的是叶绿素浓度和悬浮物浓度。而TM3对悬浮泥沙的浓度变化比较敏感，而TM4对叶绿素浓度的变化比较敏感。因此采用TM3和TM4的波段组合作为散点图的输入波段。 此散点图的横坐标表示在TM3上的灰度，纵坐标表示在TM4上的灰度。在具体实现时，首先从分离水体和陆地时保存的水体的坐标值文件“ROI坐标.txt”文件中读取出水体的坐标值，然后分别返回到TM3和TM4影像上相应位置读取出灰度值，然后在散点图的坐标系内绘出。 如图所示，左下角的像元的TM3和TM4数值较小，对应与水体中未受污染的水体;右下角的TM3较大，TM4较小，对应与水体中泥沙含量比较大的部分;右上角的TM3介于以上两者之间，TM5较大，对应于水体中藻类物质含量比较多的部分。 由图可知，需要计算丰度的典型地物分别位于散点图的三个顶点位置，而其他位置的点都可以通过对这三个顶点进行内插获得，即所选水体中的每个像元都可以通过三种纯净端元的线性叠加获得。 对于TM3和TM5,T4和TM5也可进行类似处理。通过对三个顶点位置的像元进行分析处理可以获得三种典型地物的光谱信息。这些光谱信息可以利用到后续的线性分解计算中。总之，目前使用的各种端元的选取方法各有其优缺点。使用何种方法，主要还是要根据实际情况。结合目前的情况来看，端元的选取主要还是在遥感影像上面直接进行，主要原因在于从影像自身选出的组成成分易于获得、简化和具有与数据相同的度量尺度。本次实验所使用的光谱信息是直接从光谱库中提取出来的。原因有二:第一，直接使用光谱库中的数据比较方便，而且经过辐射校正后的光谱信息与从光谱库中直接获得的光谱信息差距不会太大；第二，由于所绘制的散点图由于某些原因，效果并不是太好，如果使用散点图方法提取端元的话，可能会带来较大误差。3.1.5混合像元线性分解 本次实验采用了TM3,4,5三个波段的遥感影像，在上一个步骤中已经从光谱库中获取了各波段上典型地物的光谱数据。试验中将这些光谱数据存入文件“LinearData.txt”文件，需要使用时直接调用。 然后逐像元扫描各波段数据，获得每个像点位置的灰度值。 根据线性分解模型的公式: (3-1) (3-2) (3-3) (3-4) 如果波段数目多于端元组分的数目，可以利用最小二乘法计算像元中各端元组分的含量。此实验中波段数目与端元组分数目相同，故可以直接解算线性方程组来计算端元组分含量。本文中使用高斯消去法解算此线性方程。 对于解算出的结果，要考虑到非负约束，即各端元组分含量不能小于0，而且不能大于1。并且要考虑到和为1的约束，各端元组分百分比之和应该为1。考虑到误差的影像，端元组分含量之和不可能为1，而是在1附近波动，故而设置一个域值，使得落在此范围内的计算结果合格。 为了简化计算，还可以在计算之前剔除一些无解的数据。比如D(i)大于或者小于所有的d(m)，这种数据肯定是无解的，可以根据判断条件使得这些数据不参与计算。将计算所得的数据保存进一文件“各端元丰度.txt”，此文件记录参与计算的每一混合像元的坐标值，以及计算所得的在该混合像元中各端元组分所占比例。列举出部分数据如下表:表3-1 经过混合像元分解计算出的部分数据X坐标Y坐标纯水藻类泥沙悬浮物31210.5022070.1096240.45981329440.3179070.2451560.525525150.4866550.07314090.45981363550.2541020.2034740.55834425260.5440690.01233640.45981329060.15420.2695070.60213593990.04542770.4310650.58024511110.387380.2312330.459813445160.005501940.4866410.536448922160.5440690.01233640.45981328170.3597690.1478690.5255188180.2624290.2642490.481708254180.3353450.2069110.459813464180.559620.04881910.459813188200.4292420.1339450.4598133.1.6混合像元分解结果的显示根据上一步骤所算得的各端元组分的丰度可以得到泥沙，藻类的相对丰度图。理论上，各个像元属于这两类端元组分的值应该介于0到1之间，但是由于端元组分的错误选择或大气条件的缘故会造成一些端元组分的比例出现负值或全部数字为多于1的正值。为了突出高浓度区域，把丰度值小于0.2的像元归类为一类。通过密度分割，把污染分为5级:00.2,0.2-0.4,0.4-0.6,0.6-0.8,0.8以上。 如图3.6所示，为经过分割的泥沙相对丰度图。可以看出长江的泥沙含量相对较大，因为长江中含有大量的泥沙，而其他湖泊的泥沙含量相对较小，这与实际情况基本一致。 在某些区域，由于水土流失严重，泥沙含量非常高。 但是在一些地方，也存在着错分，这可能与选取水体坐标时存在误差有关，可能将陆地错分为了水体，而陆地并不是由我们所选取的三种典型端元构成，于是在解算线性方程时发生错误，并错误的归入了某一丰度。图3.6 泥沙含量相对丰度图3.2具体编程实现本次毕业设计的编程实现主要在Visual C+6.0开发环境下实现，具体步骤如下，构造CDib类以处理256色位图加载TM3,5两个波段影像逐像素扫描两个波段，计算(b510)/b3，设域值为6，小于6为水体，大于6为陆地端元光谱信息的获得，直接从光谱库获得或利用散点图方法根据水体坐标逐像素扫描，获得三个波段上灰度，利用线性模型计算各端元组分丰度根据水体各像元中端元组分的含量绘出污染物相对丰度图 图3.7实现过程列出主要函数，相应代码见附录:1)新建一个工程，选择单文档应用程序，且将base class选择为CScrollView以支持滚动条。2)新建一个CDib类来对bmp文件进行处理(1) 位图文件格式:位图文件一般包括四个部分:位图文件头、位图信息头、颜色表、位图数据。分别加以介绍: 位图文件头: 位图文件头主要用于识别位图文件,是一个结构体，结构体各成员说明如下表：结构成员说明bfType说明文件类型，必须为BMbfSize位图文件的大小bfReserved1保留位，设置为0BfReserved2保留位，设置为0bfOffBits偏移量，从位图文件头到位图数据偏移的字节数 位图信息头：位图信息头包含了单个像素所用字节数以及描述颜色的格式，此外还包括位图的宽度、高度、目标设备的位平面数、图像的压缩格式。结构体各成员说明如下表：结构成员说明biSize位图信息头的字节数biWidth位图文件的宽度，单位为像素biHeight位图文件的高度，单位为像素biplanes目标设备的位平面数biBitCount位图的位面数biCompression图像的压缩格式biSizeImage以字节为单位的图像数据的大小biXPelsPermeter水平方向上的每米的像素个数biYpelsPerMeter垂直方向上的每米的像素个数biClrused调色板中实际使用的颜色数biClrImportant现实位图时必须的颜色数颜色表: 颜色表一般是针对16位一下的图像而设置的，对于16位和16位以上的图像，由于其位图像素数据中直接对对应像素的RGB颜色进行描述，因而省却了调色板。而对于16位以下的图像，由于其位图像素数据中记录的只是调色板索引值，因而需要根据这个索引到调色板去取得相应的RGB颜色。颜色表的作用就是创建调色板。位图数据:在位图文件头、位图信息头、位图颜色表之后，便是位图的主体部分-位图数据。根据不同的位图，位图数据所占据的字节数也是不同的，比如，对于8位位图，每个字节代表了一个像素，对于16位位图，每两个字节代表了一个像素，对于24位位图，每三个字节代表了一个像素，对于32位位图，每四个字节代表了一个像素。(2)构造CDib类进行图像处理：新建一个CDib类，其基类为CObject，编写函数以创建、加载、显示、保存一幅256色位图，主要函数如下:void CreateBmpfile(int width,int height); 该函数用于创建一个指定大小的256色位图。参数说明:width为要创建的位图的宽度，height为要创建的位图的高度void LoadBmpfiles(LPTSTR path); 该函数用来加载一幅已有的位图，参数说明:path为要加载的位图的路径void DisplayImagine(CDC* pDC); 该函数用来显示一幅影像。在OnDraw()中调用此函数，使得每次刷新时显示位图。函数说明:pDC为当前的设备上下文对象。void SaveBmpfiles(LPTSTR path); 该函数用来保存一幅位图。将位图写入到指点路径的文件中。Path为要写入的文件的路径。3)进行水体与陆地的分离，需要加载TM3和TM5两幅影像。在利用CDib类加载两幅位图以后，逐像素分别读取两幅影像上每一点的灰度，然后利用计算式(b5*10)/b3算得一个比值，域值设为6，比值小于6的为水体，大于6的为陆地。在分离出水体与陆地后，可能会有许多零散的点，需进行进一步平滑。主要函数如下:void OnSeparatewl(); 该函数为一消息响应函数，调用此函数后，弹出如下对话框，用于加载TM3,5波段影像图3.8加载TM3和TM5两个波段4)端元组分的选取，有两种方法:第一，直接从光谱库中选取，选取后将光谱信息存入文件“LinearData.txt”，后续处理只需读取此文件即可。第二，散点图方法。由于绘制出的散点图效果不佳，所以未在散点图基础上进行后续处理。可以对其进行改进以达到使用散点图进行端元选取的目的。如下图所示，选取要加载影像的路径，然后选取要绘制哪两幅影像的散点图。图3.9加载影像以进行散度分析5)混合像元线性分解，即根据各波段上每个端元的光谱数据，以及每一像元的灰度，解算一线性方程组，以达到对混合像元进行分解的目的。具体函数如下：void LinearSeparate(int m_pBandCount,int m_pFeatureCount,CString m_pDataPath,CString m_pROICoordinate);参数说明:m_pBandCount为波段数目，m_pFeatureCount为端元数目,m_pDataPath为存储端元光谱信息文件的路径，m_pROICoordinate为所选取的待分解的水体坐标 图3.10加载所需数据如上图所示，输入所需的数据，包括要处理的波段数目，地物种类数，端元的光谱数据，所选取的待处理的水体的坐标。点击OK开始线性方程分解的计算，计算所得的结果保存到一个txt文件中，如下图所示:图3.11计算所得的各混合像元中各端元所占比例3.3结果分析总的来说，实验达到了预期目的，但是存在着较大的误差，实验的每一个步骤都有产生误差的可能，现在就其具体说明:(1)在数据准备的过程中，需要得到消去了辐射误差和几何误差的遥感影像。这主要通过软件来处理，处理过程不可能完全消去这些误差，而后续的端元选取又是通过光谱库来选取的，具体情况下的这类误差是各不相同的，所以会对混合像元分解的计算产生较大影响。而且影像几何误差的存在，将会导致在三个波段上寻找相同位置上的点产生困难，对于计算也会有影响。(2)在分离水体与陆地的过程中，有许多点都被错分了，陆地被错分为水体，水体被错分为陆地的现象比较严重，通过调整(b5*10)/b3值的域值可以改善分类效果，但是无法杜绝错分现象的发生。虽然用模板进行了平滑，提纯了一些像元，但是依然有被错分的像点。这些被错分的像点在后续的计算中会对结果产生影响。比如被错分为水体的陆地，在混合像元分解的计算中是会参与计算的，而这类像元显然不能通过我们选取的三类端元进行线性组合得到。为了解决这个问题，可以人工来选取参与计算的区域，通过经验来选取，比通过计算机识别，精度可能会有提高。(3)模型的选取对于计算结果也有影响。每个模型都有其适用范围。在考虑到本次实验的具体情况下，我选择了线性分解模型，首先因为影像经过辐射校正后，具有相同端元组分的像元灰度差异不是太大，而且线性分解模型比较简单，对于简单的模拟一下混合像元分解更为适用。但是可能有别的情况没有考虑到，从而使结果产生了误差。解决这个问题的办法是对分解模型进行改进，可以在考虑多方因素的条件下，将几个混合像元分解模型进行结合，从而构造出功能更为强大，考虑情况更为周全的模型出来。(4)端元组分的选取对实验结果影响很大，如果端元选取不正确，将会导致端元的光谱信息不正确，对于后续计算将产生较大影响。因为线性分解模型假设每个像元的反射率都能够由纯净端元的反射率通过线性叠加表示出来。而端元选取的错误会导致大量的像元无法表示，或者计算出的丰度值与实际值有较大误差。实验中我采用的是直接从光谱库中获得端元组分的数据，但是因为这没有考虑到实际情况下的一些误差，使得从光谱库中获取的端元的光谱信息与实际的端元的光谱信息之间存在误差。为了提高端元选取的精度，可以直接在影像上通过某些方法获取端元光谱信息。在实验中我尝试用散点图的方法进行端元选取，但是误差较大。可能的原因是在选取的水体中不仅仅存在假设的三种端元，这会导致散点图绘制得不是很理想，进而影响端元组分的选取。第4章 结论4.1主要成果在对武汉市一些水体的遥感监测与水质评价研究过程中，利用了线性混合像元分解方法对其进行了混合像元分解，取得了一些成果，但在精度方面还不够理想。主要体现在如下方面：(1)通过对混合像元分解模型的深入了解学习，对比各种模型的优缺点，选择了线性分解方法来进行，但是由于影象波段数目过少而且获取的光谱信息不够精确，带来了结果上的较大误差。 (2)了解了几种常用的端元组分选取方法，使用了散点图方法和直接利用光谱库两种方法来提取端元组分的光谱信息。但是由于水体与陆地分离过程中存在错分现象和其他一些原因，导致散点图方法存在较大误差。从光谱库中提取数据又无法消除当时的大气影响和地形影响，导致仍然存在误差。 (3)利用计算得出的每个像元中各端元组分的丰度，可以得到每种污染物的相对丰度图。利用不同时间的污染物相对丰度图可以实现对污染物的动态监测。 (4)可以对分解模型进行改进以取得更好的效果。可以通过与其他模型的结合或者优化自身来达到此目的。4.2可能的突破点(1)以往的方法都侧重于模型方法(线性、非线性等)的选取，然而忽视了端元的选择很大部分决定着像元分解的精度。因此，端元组分的选择方法是研究的一个重点和突破口。(2)模型方法(线性、非线性等)的选取，对于像元分解的精度同样相当重要。因此，对算法进行改进，从而加快分类速度以及提高分类归属精度，也将是研究的一个重点和突破口。(3)影像空间分辨率与光谱分辨率的提高，能够很大的提高混合像元分解的精度。(4)水体中不同物质混合的光谱响应机理研究。(5)利用实时的地面数据对模型精度进行验证。(6)利用混合像元分解模型可以快速得到各种污染物的丰度值，进而可以动态的监测水质情况。参考文献1钱少猛.遥感像元分解方法及其在滇池水质监测中的应用研究.硕士论文2钱少猛.改进的混合像元分解法用于快速水污染遥感评价研究.地理与地理信息科学.2003.33闻建光.太湖水体叶绿素a遥感监测模型研究.硕士论文4游晓斌，游先详.混合像元及混合像元分析.北京林业大学学报 2003.125延昊，张国平.混合像元分解法提取积雪盖度.2004.46吕长春,王忠武,钱少猛.混合像元分解模型综述.2003.77桂预风，张继贤，林宗坚，宣文玲.基于灰神经网络理论的混合像元分解方法研究8桂预风，张继贤，林宗坚.土地利用遥感动态监测中混合像元的分解方法研究.遥感信息.2000.29李剑萍,郑有飞.气象卫星混合像元分解研究综述.中国农业气象.2000.310齐峰，王学军.内陆水体水质监测与评价中的遥感应用.环境科学进展.1999.711贾永红.数字图像处理.武汉大学出版社.12孙家广.计算机图形学.清华大学出版社.13孙家抦.遥感原理方法与应用.武汉大学出版社14浦瑞良，宫鹏.高光谱遥感及其应用.高等教育出版社,2000.15李素菊，王学军.巢湖水体悬浮物含量与光谱反射率的关系.200216赵冬至，刘玉机.中国污染水体光谱特征.2001致 谢本论文是在付仲良老师和胡鹏博士的悉心指导下完成的。在此次毕业设计期间，付仲良老师和胡鹏博士花费了大量时间给我们以指导，他们知识面广，能时刻把握学科发展的前沿，为我指点研究的方向。本论文的完成，自始自终都倾注着他们大量的心血，论文的选题，提纲的拟定，以至论文的完成，都是在他们的悉心指导下完成。在此，谨致以最诚挚的谢意！ 感谢蔡春苗同学在毕业设计过程中给我的大力帮助，使我获益良多。 感谢在此次毕业设计中所有帮助过我的人！附 录 主要函数及其代码。函数具体的使用见3.2节。CDib类：void CDib:LoadBmpfiles(LPTSTR path) /加载影像CFile file;file.Open(path,CFile:modeRead);int dwLen=file.GetLength();m_pBmp=new BYTEdwLen;file.Read(m_pBmp,dwLen); /将位图读入一块内存区bfh=(BITMAPFILEHEADER*)m_pBmp; /获得位图文件头的指针if(bfh-bfType!=MB)AfxMessageBox(请打开一幅bmp影像);exit(0);/获得位图信息头的指针bih=(BITMAPINFOHEADER*)(BYTE*)m_pBmp+sizeof(BITMAPFILEHEADER);m_pBitCount=bih-biBitCount;m_pClrused=bih-biClrUsed;if(m_pBitCount!=8)AfxMessageBox(请打开一幅256色图像);exit(0);m_pHeight=bih-biHeight;m_pWidth=bih-biWidth;m_Widthbyte=WidthByte(m_pWidth,m_pBitCount);DataLe