侍　昊，李旭文，牛志春，李繼影，李　楊，李　寧

(1：江蘇省環(huán)境監(jiān)測(cè)中心，南京 210036)(2：蘇州市環(huán)境監(jiān)測(cè)中心站，蘇州 215004)(3：南京師范大學(xué)虛擬地理環(huán)境教育部重點(diǎn)實(shí)驗(yàn)室，南京 210023)(4：南京大學(xué)生命科學(xué)學(xué)院，南京 210046)

?

基于隨機(jī)森林模型的太湖水生植被遙感信息提取*

侍昊1，李旭文1，牛志春1，李繼影2，李楊3，李寧4**

(1：江蘇省環(huán)境監(jiān)測(cè)中心，南京 210036)(2：蘇州市環(huán)境監(jiān)測(cè)中心站，蘇州 215004)(3：南京師范大學(xué)虛擬地理環(huán)境教育部重點(diǎn)實(shí)驗(yàn)室，南京 210023)(4：南京大學(xué)生命科學(xué)學(xué)院，南京 210046)

水生植被作為太湖濕地的重要組分，其數(shù)量和范圍變化影響著湖泊生態(tài)系統(tǒng)的平衡，故利用遙感技術(shù)對(duì)水生植被的空間分布開(kāi)展研究有助于太湖濕地生態(tài)系統(tǒng)的保護(hù). 以Landsat 8多光譜遙感影像為主要數(shù)據(jù)源，利用光譜指數(shù)和圖像變換方法構(gòu)建多個(gè)特征變量，結(jié)合隨機(jī)森林(RF)模型，提取太湖水生植被的空間分布. 結(jié)果表明：(1)通過(guò)對(duì)比分析訓(xùn)練樣本特征值的平均值、標(biāo)準(zhǔn)差和變異系數(shù)，NDVI、NDWIF、SR等指數(shù)更易于區(qū)分開(kāi)敞水域和沉水植被、浮葉植被和挺水植被；(2)當(dāng)設(shè)置1000棵分類樹(shù)和4個(gè)分割節(jié)點(diǎn)的隨機(jī)變量時(shí)，RF分類模型的袋外誤分率小于6%，誤分主要受SR、MNDWI和NDVI等特征變量影響；(3)通過(guò)驗(yàn)證分析，基于RF模型獲得的2014年7月太湖水生植被覆蓋面積約為306.0 km2，分類精度為88.56%(Kappa系數(shù)為0.88)，主要分布在湖體的東部和南部，以沉水和浮葉植被為主，兩者占水生植被覆蓋總面積的84.9%.

水生植被；隨機(jī)森林模型；特征變量；Landsat 8；太湖

水生植被具有凈化水質(zhì)、保護(hù)環(huán)境等生態(tài)功能，是湖泊生態(tài)系統(tǒng)演化和平衡的重要調(diào)控者，對(duì)陸域水體的物理和化學(xué)環(huán)境具有顯著改善作用[1-2]. 但近幾十年來(lái)，隨著我國(guó)部分湖泊藻型富營(yíng)養(yǎng)化嚴(yán)重，造成水質(zhì)急劇惡化，進(jìn)而導(dǎo)致水生高等植物的消失. 同時(shí)由于湖泊漁業(yè)結(jié)構(gòu)的調(diào)整，使得淺水草型湖泊植物群落結(jié)構(gòu)發(fā)生改變，沼生植物比例不斷增加，湖泊沼澤化現(xiàn)象也有所加劇[3-5]. 為此，為了準(zhǔn)確及時(shí)了解和分析水生植被的空間分布和變化趨勢(shì)，保護(hù)和恢復(fù)水生植被資源和生態(tài)環(huán)境，國(guó)內(nèi)外研究人員應(yīng)用遙感技術(shù)開(kāi)展了一系列水生植被的研究工作.

與陸地植被遙感相比，水生植被遙感信息提取易受到多種因素影響，如水體透明度對(duì)沉水植被信息提取的干擾，藍(lán)藻水華對(duì)浮葉植被提取精度的影響[6-8]. 因此，除了利用影像的原始波段外，研究人員還常借助光譜指數(shù)和圖像變換等方法建構(gòu)多個(gè)變量增強(qiáng)水生植被的光譜特征，然后將多組特征變量結(jié)合決策樹(shù)模型進(jìn)行水生植被遙感信息提取[6,9-14]. 目前決策樹(shù)方法在水生植被信息提取中，擁有訓(xùn)練復(fù)雜度較低、預(yù)測(cè)過(guò)程快速、模型易于表達(dá)等優(yōu)點(diǎn). 但隨著類別和特征變量個(gè)數(shù)的增加，造成樹(shù)形過(guò)于復(fù)雜，分類錯(cuò)誤數(shù)量不斷上升，后期需要對(duì)樹(shù)進(jìn)行必要的修剪，避免過(guò)度擬合現(xiàn)象發(fā)生；同時(shí)在修剪的過(guò)程中，也常會(huì)丟失一些看似無(wú)用但實(shí)際卻包含重要信息的變量，限制了決策樹(shù)分類精度的提高[12]. 針對(duì)這些問(wèn)題，有學(xué)者在決策樹(shù)算法的基礎(chǔ)上，提出了隨機(jī)森林(Random Forest，RF)算法，該算法不僅具有數(shù)據(jù)處理量大、運(yùn)行速度較快、抗噪音能力強(qiáng)和抑制過(guò)度擬合等優(yōu)勢(shì)，同時(shí)也不需要顧慮多元共線性問(wèn)題，可以在不做變量選擇的情況下，對(duì)特征變量重要性進(jìn)行估計(jì)，有效地提高了模型的可靠性和可解釋性[15-17]. 盡管與決策樹(shù)方法相比，RF具有眾多優(yōu)勢(shì)，但將該方法應(yīng)用到水生植被遙感信息提取上的研究鮮有報(bào)道.

因此，本文以太湖地區(qū)Landsat 8多光譜遙感影像為主要數(shù)據(jù)源，利用光譜指數(shù)和圖像變換方法構(gòu)建多組特征變量，分析其對(duì)不同類型水生植被的識(shí)別能力；在此基礎(chǔ)上，以多組特征變量為輸入量結(jié)合RF模型提取水生植被的空間分布，并對(duì)模型的分類精度和特征變量的重要性進(jìn)行分析和評(píng)價(jià)，以期為大型湖泊水生植被遙感監(jiān)測(cè)與信息提取提供有效的方法補(bǔ)充.

1　研究區(qū)概況

太湖(30°55′40″～31°32′58″N，119°52′32″～120°36′10″E)是我國(guó)第三大淡水湖泊，位于長(zhǎng)江三角洲南翼坦蕩的太湖平原上. 按平均水位3 m(吳淞基面)計(jì)算，其湖泊面積為2427.8km2，除去湖中51個(gè)島嶼面積(89.7km2)，實(shí)際水域面積為2338 km2，太湖南北長(zhǎng)68.5km，東西平均寬34 km，最寬處56 km，湖泊平均水深1.9m，是一個(gè)典型的淺水湖泊. 隨著太湖流域經(jīng)濟(jì)快速發(fā)展和湖泊資源高強(qiáng)度利用，太湖水生植物從1960s至今出現(xiàn)了明顯的衰退，除東太湖及局部區(qū)域有少量分布外，湖區(qū)內(nèi)水生高等植物幾乎絕跡，“水下森林”現(xiàn)象逐步消失[18]. 近年來(lái)整個(gè)湖區(qū)水生植物的多樣性也出現(xiàn)了明顯的空間差異，東太湖表現(xiàn)出9個(gè)植物類型，而西太湖面積雖為東太湖的16.8倍，但僅有4個(gè)植物類型[3,19].

1.1野外調(diào)查

太湖水生植被野外調(diào)查在2013和2014年的5-9月份展開(kāi)，調(diào)查區(qū)域遍及整個(gè)湖區(qū)，調(diào)查內(nèi)容包括植被類型、經(jīng)緯度信息、植被覆蓋度、群叢組成和優(yōu)勢(shì)種等各類專題信息. 根據(jù)實(shí)際調(diào)查情況和相關(guān)文獻(xiàn)資料[3,7,9,19]，湖區(qū)共有116個(gè)調(diào)查點(diǎn)(其中2013年79個(gè)，2014年37個(gè))，東部和南部沿岸等水生植被較為密集區(qū)域設(shè)置的調(diào)查點(diǎn)相對(duì)較多(圖1). 調(diào)查點(diǎn)要求植被覆蓋面積一般大于60 m×60 m(利用GPS結(jié)合遙感影像進(jìn)行量測(cè))，同時(shí)植被覆蓋度大于50%(隨機(jī)選擇3～5處區(qū)域，在其上方1.2m處拍攝照片，利用CAN_EYE軟件提取覆蓋度參數(shù)).

圖1 太湖水生植被調(diào)查點(diǎn)的空間分布Fig.1　Distribution of field survey points of aquatic vegetation in Lake Taihu

1.2遙感數(shù)據(jù)

遙感數(shù)據(jù)以Landsat 8的多光譜影像為主，OLI陸地成像儀包括9個(gè)波段，不僅擁有ETM+傳感器所有的波段，還有兩個(gè)新增的波段：主要應(yīng)用于海岸帶觀測(cè)的深藍(lán)波段(band 1：0.433～0.453 μm)和可用于云檢測(cè)的卷云波段(band 9：1.360～1.390 μm)[20]. 本文共選取6幅太湖地區(qū)的Landsat 8遙感影像(覆蓋區(qū)域云量小于5%)開(kāi)展水生植被遙感信息提取工作，成像時(shí)間分別為2013年4月14日、2013年7月19日、2013年11月8日、2013年12月10日、2014年3月16日和2014年7月22日，數(shù)據(jù)下載來(lái)自美國(guó)地質(zhì)勘探局(United States Geological Survey，http://glovis.usgs.gov/).

2　研究方法

2.1光譜特征變量選擇

植被一般對(duì)近紅外和紅外波段較為敏感，而藍(lán)、綠和紅波段在提取水體上具有較好的效果，故多數(shù)研究主要基于上述波段構(gòu)建提取水生植被的特征變量，如歸一化植被指數(shù)、歸一化水體指數(shù)、均值指數(shù)和比值指數(shù)等[6-9]. 也有研究表明主成分變換和纓帽變換能夠增強(qiáng)水生植被光譜特征信息[10-11]，其中主成分變換可以分離主要信息和噪音，減小數(shù)據(jù)冗余度及波段之間的相關(guān)性；纓帽變換中前3個(gè)分量可以表征土壤光譜、植被光譜和地物濕度信息，利于植被和水體信息的分離. 因此，本文基于Landsat 8影像，構(gòu)建上述常采用的特征變量(表1)，利用均值(Mean)、標(biāo)準(zhǔn)差(SD)和變異系數(shù)(CV=SD/Mean×100%)對(duì)各變量識(shí)別水生植被能力進(jìn)行對(duì)比分析.

2.2隨機(jī)森林模型構(gòu)建

RF模型是一個(gè)以分類回歸樹(shù)(Classification and Regression Tree，CART)作為元分類器的組合分類器算法，它由多個(gè)決策樹(shù)(h(x,θk)，k=1,2,…,l)組成，其中θk是相互獨(dú)立且同分布的隨機(jī)向量，每個(gè)決策樹(shù)對(duì)于輸入給出獨(dú)立的分類結(jié)果，最終根據(jù)所有決策樹(shù)的分類結(jié)果通過(guò)多數(shù)投票決定最終輸出結(jié)果(圖2)[15-17]. 在運(yùn)算過(guò)程中，RF主要通過(guò)Bootstrap自助抽樣法生成各不相同的訓(xùn)練集來(lái)構(gòu)建各個(gè)元分類器；當(dāng)利用抽樣方法生成子集時(shí)，原始樣本中近37%的袋外數(shù)據(jù)(Out of Bag，OOB)不會(huì)出現(xiàn)在新的子集中，這些數(shù)據(jù)被用于估計(jì)RF的泛化誤差(泛化誤差即分類器對(duì)訓(xùn)練集之外數(shù)據(jù)的誤分率)，以此來(lái)表征模型的穩(wěn)定性和準(zhǔn)確性. RF也可以根據(jù)OOB數(shù)據(jù)進(jìn)行特征變量重要性的估計(jì)，如利用所有樹(shù)計(jì)算出某一特征變量的重要性度量值取平均，獲得這一特征變量的原始重要性度量值，采用同樣的方法，可以得到其它特征變量的原始重要性度量值[21,22]. 因此，本文以NDVI等11個(gè)特征變量為輸入量，結(jié)合RF模型進(jìn)行水生植被信息提取，并對(duì)模型精度和各變量的重要性進(jìn)行評(píng)價(jià).

表1　遙感影像特征變量

圖2 隨機(jī)森林模型結(jié)構(gòu)示意圖Fig.2　The structure scheme of Random Forest Model

2.3影像訓(xùn)練樣本的建立

根據(jù)水生植被在遙感影像上的光譜特征，一般將水生植被劃分為開(kāi)敞水域(無(wú)明顯水生植被聚集區(qū)域)、挺水植被、浮水植被和沉水植被4種類型[2,10]，但實(shí)際調(diào)查點(diǎn)位中常出現(xiàn)不同類型植被間并無(wú)明顯的邊界、多種類型植被共生現(xiàn)象，如浮葉-沉水植被群落(以浮葉植被為主或以沉水植被為主)，同時(shí)一般水生植被野外調(diào)查時(shí)間跨度較長(zhǎng)，植物生長(zhǎng)狀態(tài)及分布區(qū)域也會(huì)受到季節(jié)等各種因素影響而發(fā)生變化，給水生植被信息提取帶來(lái)一定難度[7,9]. 為此，本文首先利用野外調(diào)查數(shù)據(jù)結(jié)合相近時(shí)間的6景Landsat 8影像，以調(diào)查中區(qū)域最大覆蓋面積的植被類型為主，從影像色調(diào)、顏色、大小、形狀等要素上建立水生植被的遙感影像判別標(biāo)志(如影像上某一區(qū)域所對(duì)應(yīng)的相近時(shí)間實(shí)地調(diào)查中的浮葉植被覆蓋面積最大，則該解譯標(biāo)志被判別為浮葉植被)；其次參考相關(guān)研究成果[7,9,19]，并結(jié)合6景影像發(fā)現(xiàn)，太湖水生植被在6月份之前生長(zhǎng)較為緩慢，一般8-9月份植被覆蓋范圍最大，并且保持相對(duì)穩(wěn)定的狀態(tài)，故選擇與該時(shí)間段最為相近的2014年7月22日影像數(shù)據(jù)；最后利用建立的水生植被解譯標(biāo)志，在待分類影像上建立開(kāi)敞水域、挺水植被、浮水植被和沉水植被4類訓(xùn)練樣本，并進(jìn)行水生植被信息提取. 同時(shí)為了保證樣本數(shù)據(jù)的可靠性，根據(jù)實(shí)際調(diào)查中水生植被分布，并利用NDVI值的平均值+三倍標(biāo)準(zhǔn)差方法[23]，對(duì)訓(xùn)練樣本中離異值進(jìn)行剔除，最終獲得每類的訓(xùn)練樣本不小于2000個(gè)像元(樣本中50%像元用于構(gòu)建水生植被分類模型，50%像元用于遙感影像分類后精度評(píng)價(jià)).

遙感數(shù)據(jù)的預(yù)處理工作主要基于ENVI(The Environment for Visualizing Images)平臺(tái)開(kāi)展：首先利用FLAASH(Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes)模塊對(duì)影像進(jìn)行大氣校正；然后利用Landsat系列衛(wèi)星影像數(shù)據(jù)的GLS2005控制點(diǎn)庫(kù)[24]，在每期影像上均勻選取20～25個(gè)參考點(diǎn)進(jìn)行幾何精校正，要求校正后影像的均方根誤差小于1個(gè)像元；最后將太湖矢量圖層(WGS_1984_UTM投影坐標(biāo)系)與影像疊加裁剪出太湖水體區(qū)域.

3　結(jié)果與討論

3.1水生植被光譜特征變量比較

利用光譜指數(shù)和圖像變換方法獲得的11個(gè)光譜特征值的空間分布(圖3)表明，NDVI、NDWIF、SR、PC1、TC(G)和TC(W)等能夠較好地識(shí)別開(kāi)敞水域和水生植被，但對(duì)不同類型的水生植被分離能力差異較大. 通過(guò)比較4種類型訓(xùn)練樣本特征值的統(tǒng)計(jì)量(表2)發(fā)現(xiàn)，在歸一化指數(shù)中，NDVI和NDWIF對(duì)不同類型的分離效果較好，NDVI均值和標(biāo)準(zhǔn)差分別在-0.27～0.69和0.07～0.09之間，NDWIF均值和標(biāo)準(zhǔn)差分別在-0.56～0.39和0.06～0.11之間；而NDWI和MNDWI分離透明度較低的水域和沉水植被的能力較差，兩種類型的標(biāo)準(zhǔn)差變化范圍明顯較大. 在均值和比值指數(shù)中，SR在浮葉植被、挺水植被和沉水植被、開(kāi)敞水域上具有較好的辨識(shí)能力；而AVE234、SRWC能夠較好地分離開(kāi)敞水域和沉水植被，但是很難區(qū)分浮葉植被和挺水植被，浮葉植被和挺水植被的AVE234均值分別為895.42和843.09，SRWC均值分別為1.12和1.14.

從圖像變換方法構(gòu)建的特征變量上看，利用多光譜波段(除了卷云波段和全色波段)進(jìn)行主成分變換獲得第1分量的特征值貢獻(xiàn)率達(dá)到了80%以上，對(duì)特征信息具有較好的解釋能力，訓(xùn)練樣本的PC1均值在-2632.03～-254.28之間，但識(shí)別浮葉植被和挺水植被能力較差，其標(biāo)準(zhǔn)差波動(dòng)較大. 而利用纓帽變換獲得的TC(B)、TC(G)和TC(W)能夠較好地區(qū)分開(kāi)敞水域-沉水植被和浮葉植被-挺水植被，尤其是TC(W)對(duì)這兩大類有較好的區(qū)分效果，但進(jìn)一步細(xì)分能力較弱，如TC(B)很難分離浮葉植被和挺水植被，以及TC(G)和TC(W)很難區(qū)分開(kāi)敞水域和沉水植被.

圖3 基于光譜指數(shù)和影像變換方法的計(jì)算結(jié)果Fig.3　The calculation results based on spectral index and image transformation

表2 水生植被特征變量統(tǒng)計(jì)參數(shù)

與利用Landsat TM/ETM+影像構(gòu)建的特征變量相比[6-11]，基于Landsat 8遙感數(shù)據(jù)建立的光譜指數(shù)具有較好的延續(xù)性，如NDVI、NDWIF、SR對(duì)不同類型的水生植被仍具有較強(qiáng)的敏感性. 但在傳感器新增深藍(lán)波段和卷云波段，并且對(duì)部分波段的波長(zhǎng)范圍進(jìn)行了調(diào)整的情況下[20,25]，主成分變換和纓帽變換方法并沒(méi)有表現(xiàn)出原有的優(yōu)勢(shì)，4種類型樣本特征值的變異系數(shù)波動(dòng)性較大，明顯高于光譜指數(shù)法. 因此，目前所采用主成分變換和纓帽變換等增強(qiáng)算法可能需要Landsat 8影像的特征進(jìn)一步改進(jìn)和優(yōu)化.

3.2水生植被信息提取模型評(píng)價(jià)

圖4 OOB數(shù)據(jù)誤分率變化(1～1000棵)Fig.4　The variation of OOB errors with the trees from 1 to 1000

與先采用線性判別分析等方法[30]篩選重要特征變量，然后結(jié)合決策樹(shù)構(gòu)建分類模型的流程不同，RF可以把變量的重要性擴(kuò)展到所有的變量中，通過(guò)利用OOB誤分率對(duì)特征變量的重要性變化進(jìn)行判別，避免剔除重要的變量[31]. 從特征變量重要性排序(圖5)來(lái)看，SR、MNDWI和NDVI的重要性值超過(guò)了6，對(duì)模型精度具有較高的貢獻(xiàn)率，其中MNDWI對(duì)開(kāi)敞水域和沉水植被的分離效果較差，但在區(qū)分浮葉植被和挺水植被上仍具有一定的優(yōu)勢(shì)；而纓帽變換的TC(G)、TC(B)和主成分變換的PC1對(duì)模型的重要性較低，其中PC1的重要值僅為1.38. 與單一采用圖像變換，以及圖像變換結(jié)合光譜指數(shù)的方法進(jìn)行水生植被信息提取的研究相比[10-12]，在保持全體特征變量的情況下，圖像變換方法并沒(méi)有表現(xiàn)出信息增強(qiáng)的優(yōu)勢(shì)，尤其是主成分變換和纓帽變換(TC(G)、TC(B))對(duì)模型精度的貢獻(xiàn)明顯低于光譜指數(shù)變量. 但需要注意的是，RF重要性估計(jì)有助于對(duì)模型中各特征變量進(jìn)一步了解分析，有效提高模型運(yùn)算的效率和精度，但RF也是一個(gè)黑箱模型，無(wú)法獲得分割節(jié)點(diǎn)隨機(jī)變量的名稱及分割閾值大小.

圖5 RF模型中變量的重要性排序Fig.5　The rank of variable in order of importance in Random Forest Model

3.3水生植被空間分布格局分析

利用RF模型提取2014年7月太湖開(kāi)敞水域、沉水植被、浮葉植被和挺水植被的空間概率分布(概率分布圖上的值越高，表明被判別為該類型的可能性越高). 從概率分布(圖6)看，太湖西部和湖心區(qū)幾乎無(wú)明顯的水生植被集聚現(xiàn)象(圖6a)：環(huán)西山島水域、七都水域和東太湖浮葉植被的分布面積較大(圖6b)；沉水植被主要分布在貢湖灣、胥口灣和西南區(qū)一帶(圖6c)；挺水植被以東太湖及沿岸兩側(cè)的淺水區(qū)域分布居多(圖6d).

綜合各類型概率分布獲得2014年7月太湖水生植被的空間分布，并利用檢驗(yàn)樣本對(duì)分類結(jié)果進(jìn)行精度驗(yàn)證(表3)，結(jié)果表明：水生植被總體分類精度為88.56%(Kappa系數(shù)為0.88)，沉水植被的用戶精度為84%，在沉水植被和水域之間的誤分較為明顯，浮葉植被的制圖精度為85%，在沿岸交錯(cuò)帶的浮葉植被常錯(cuò)判成挺水植被. 從分類結(jié)果統(tǒng)計(jì)(圖6、7)上看，提取的水生植被覆蓋面積約306.0 km2，其中沉水植被、浮葉植被和挺水植被面積分別為132.4、127.5和46.1km2，沉水植被和浮葉植被占水生植被總面積的84.9%；東部和南部湖區(qū)的水生植被分布面積相對(duì)較大，主要分布在貢湖灣、廣福灣、胥口灣、環(huán)西山島水域、七都水域、西南區(qū)、東太湖等區(qū)域；不同類型的水生植被存在一定的共生現(xiàn)象，以浮葉-沉水植被居多. 與近年來(lái)太湖水生植被空間信息提取研究成果相比，本文提取的水生植被面積總體略有下降，從2007年的364.1km2[9]減少到2014年的306.0 km2；與Zhao等[9]2010年9月獲取的面積相近，但由于太湖水生植被生長(zhǎng)不僅受到溫度、光照和生物等因素影響，而且也受到圍網(wǎng)養(yǎng)殖、水體富營(yíng)養(yǎng)化、水利工程和生態(tài)修復(fù)等人類活動(dòng)共同影響[3-5,19]，沉水植被的空間分布上存在一定空間差異，主要表現(xiàn)為環(huán)西山島水域的沉水植被面積略有減少，而太湖南部的沉水植被面積略有擴(kuò)大，并呈現(xiàn)出集聚狀分布趨勢(shì). 這一空間分布特征也驗(yàn)證了野外調(diào)查的結(jié)果，2014年夏季太湖南部水域出現(xiàn)大面積沉水植被，以馬來(lái)眼子菜(Potamogetonmalaianus)為主，物種結(jié)構(gòu)較為單一；隨著優(yōu)勢(shì)種生物量急劇增加，分布范圍逐漸擴(kuò)大，由東向西、由沿岸帶向湖中心蔓延，影響了部分航道的運(yùn)行，但目前對(duì)湖泊生態(tài)系統(tǒng)是否產(chǎn)生影響，還需要結(jié)合多年的調(diào)查資料進(jìn)一步分析和討論.

圖6 2014年7月太湖水生植被的概率分布Fig.6　The probability of aquatic vegetation types in Lake Taihu in July of 2014

表3 基于RF分類精度評(píng)價(jià)*

*總體精度=88.56%，Kappa系數(shù)=0.88.

圖7 2014年7月太湖水生植被的空間分布Fig.7　The distribution of aquatic vegetation types in Lake Taihu in July of 2014

4　結(jié)論

本文以Landsat 8多光譜遙感影像為主要數(shù)據(jù)源，將光譜指數(shù)和圖像變換方法構(gòu)建的多特征變量作為輸入量，利用RF模型提取了太湖水生植被空間分布. 結(jié)果表明該方法較好地提取了2014年7月太湖水生植被空間信息，同時(shí)清晰地判別了多特征變量的重要性. 在計(jì)算過(guò)程中，該方法實(shí)現(xiàn)簡(jiǎn)單，具有數(shù)據(jù)處理量大、運(yùn)行速度較快、抗噪音能力強(qiáng)和抑制過(guò)度擬合等優(yōu)點(diǎn)，有效地提高了分類結(jié)果的可靠性和可解釋性，可為水生植被遙感監(jiān)測(cè)體系提供方法補(bǔ)充. 但從目前研究中也發(fā)現(xiàn)，在利用Landsat 8影像新特征改進(jìn)探測(cè)水生植被信息的特征變量、優(yōu)化RF模型中分類樹(shù)和分割節(jié)點(diǎn)隨機(jī)變量個(gè)數(shù)的設(shè)置以及利用長(zhǎng)時(shí)間序列遙感數(shù)據(jù)對(duì)水生植被的空間分布及變化趨勢(shì)開(kāi)展深入分析等方面還需要進(jìn)一步研究探討.

[1]楊清心. 東太湖水生植被的生態(tài)功能及調(diào)節(jié)機(jī)制. 湖泊科學(xué), 1998, 10(1): 67-72. DOI 10.18307/1998.0111.

[2]李俊生, 吳迪, 吳遠(yuǎn)峰等. 基于實(shí)測(cè)光譜數(shù)據(jù)的太湖水華和水生高等植物識(shí)別. 湖泊科學(xué), 2009, 21(2): 215-222. DOI 10.18307/2009.0209.

[3]谷孝鴻, 張圣照, 白秀玲等. 東太湖水生植物群落結(jié)構(gòu)的演變及其沼澤化. 生態(tài)學(xué)報(bào), 2008, 25(7): 1541-1548.

[4]Cai YJ, Gong ZJ, Qin BQ. Benthic macroinvertebrate community structure in Lake Taihu, China: Effects of trophic status, wind-induced disturbance and habitat complexity.JournalofGreatLakesResearch, 2012, 38: 39-48.

[5]Dong BL, Qin BQ, Gao Getal. Submerged macrophyte communities and the controlling factors in large,shallow Lake Taihu (China): Sediment distribution and water depth.JournalofGreatLakesResearch, 2014,40:646-655.

[6]張壽選, 段洪濤, 谷孝鴻. 基于水體透明度反演的太湖水生植被遙感信息提取. 湖泊科學(xué), 2008, 20(2): 184-190. DOI 10.18307/2008.0208.

[7]Ma RH, Duan HT, Gu XHetal. Detecting aquatic vegetation changes in Taihu Lake, China using multi-temporal satellite imagery.Sensors, 2008, 8: 3988-4005.

[8]Oyama Y, Matsushita B, Fukushima T. Distinguishing surface cyanobacterial blooms and aquatic macrophytes using Landsat/TM and ETM+ shortwave infrared bands.RemoteSensingofEnvironment, 2015, 157: 35-47.

[9]Zhao DH, Jiang H, Yang TWetal. Remote sensing of aquatic vegetation distribution in Taihu Lake using an improved classification tree with modified thresholds.JournalofEnvironmentalManagement, 2012, 95(1): 98-107.

[10]林川， 宮兆寧， 趙文吉. 基于中分辨率TM數(shù)據(jù)的濕地水生植被提取. 生態(tài)學(xué)報(bào), 2010, 30(23): 6460-6469.

[11]賈永紅, 李芳芳. 一種新的濕地信息遙感提取方法研究. 華中師范大學(xué)學(xué)報(bào): 自然科學(xué)版, 2007, 41(4): 641-644.

[12]那曉東, 張樹(shù)清, 李曉峰等. 基于QUEST決策樹(shù)兼容多源數(shù)據(jù)的淡水沼澤濕地信息提取. 生態(tài)學(xué)雜志, 2009, 28(2): 357-365.

[13]韋瑋, 崔麗娟, 李勝男等. 基于偏差平均值的烏梁素海濕地變化監(jiān)測(cè)研究. 林業(yè)科學(xué)研究, 2012, 25(6): 719-725.

[14]徐德蘭, 張東東， 張翠英. 3個(gè)時(shí)期駱馬湖大型水生植物的分布及變化. 濕地科學(xué), 2013, 11(3): 320-325.

[15]Breiman L. Bagging predictors.MachineLearning, 1996, 24(2): 123-140.

[16]Breiman L. Random forests.MachineLearning, 2001, 45(1): 5-32.

[17]李欣海. 隨機(jī)森林模型在分類與回歸分析中的應(yīng)用. 應(yīng)用昆蟲學(xué)報(bào), 2013, 50(4): 1190-1197.

[18]雷澤湘. 太湖大型水生植被及其環(huán)境效應(yīng)研究[學(xué)位論文]. 廣州: 暨南大學(xué), 2006.

[19]劉偉龍, 胡維平, 陳永根等. 西太湖水生植物時(shí)空變化. 生態(tài)學(xué)報(bào), 2007, 27(1): 159-170.

[20]徐涵秋, 唐菲. 新一代Landsat系列衛(wèi)星:Landsat 8遙感影像新增特征及其生態(tài)環(huán)境意義. 生態(tài)學(xué)報(bào), 2013, 33(11): 3249-3257.

[21]雷震. 隨機(jī)森林及其在遙感影像處理中應(yīng)用研究 [學(xué)位論文]. 上海: 上海交通大學(xué), 2012.

[22]張雷， 王琳琳， 張旭東等． 隨機(jī)森林算法基本思想及其在生態(tài)學(xué)中的應(yīng)用——以云南松分布模擬為例． 生態(tài)學(xué)報(bào)，2014， 34(3): 650-659．

[23]Timm BC, McGarigal K. Fine-scale remotely-sensed cover mapping of coastal dune and salt marsh ecosystems at Cape Cod National Seashore using Random Forests.RemoteSensingofEnvironment, 2012, 127: 106-117.

[24]張浩, 葛小青, 馮旭祥. Landsat 8影像像元地理坐標(biāo)計(jì)算. 遙感信息, 2013, 28(5): 52-58.

[25]初慶偉, 張洪群, 吳業(yè)煒等. Landsat-8衛(wèi)星數(shù)據(jù)應(yīng)用探討. 遙感信息, 2013, 28(4): 110-114.

[26]Rodriguez-Galiano VF, Ghimire B, Rogan Jetal. An assessment of the effectiveness of a random forest classifier for land-cover classification.ISPRSJournalofPhotogrammetryandRemoteSensing, 2011, 67: 93-104.

[27]Rodriguez-Galiano VF, Chica-Olmo M, Abarca-Hernandez Fetal. Random Forest classification of Mediterranean land cover using multi-seasonal imagery and multi-seasonal texture.RemoteSensingofEnvironment, 2012, 121: 93-107.

[28]Beijma SV, Comber A, Lamb A. Random forest classification of salt marsh vegetation habitats using quad-polarimetric airborne SAR, elevation and optical RS data.RemoteSensingofEnvironment, 2014, 149: 118-129.

[29]Magdon P, Fischer C, Fuchs Hetal. Translating criteria of international forest definitions into remote sensing image analysis.RemoteSensingofEnvironment, 2014, 149: 252-262.

[30]Pu RL, Landry S. A comparative analysis of high spatial resolution IKONOS and World View-2 imagery for mapping urban tree species.RemoteSensingofEnvironment, 2012, 124: 516-533.

[31]劉海娟, 張婷, 侍昊等. 基于RF模型的高分辨率遙感影像分類評(píng)價(jià). 南京林業(yè)大學(xué)學(xué)報(bào): 自然科學(xué)版, 2015, 39(1): 99-103.

Remote sensing information extraction of aquatic vegetation in Lake Taihu based on Random Forest Model

SHI Hao1, LI Xuwen1, NIU Zhichun1, LI Jiying2, LI Yang3& LI Ning4**

(1:JiangsuEnvironmentalMonitoringCenter,Nanjing210036,P.R.China)(2:SuzhouEnvironmentalMonitoringCenter,Suzhou215004,P.R.China)(3:KeyLaboratoryofVGE,MinistryofEducation,NanjingNormalUniversity,Nanjing210023,P.R.China)(4:SchoolofLifeScience,NanjingUniversity,Nanjing210046,P.R.China)

Aquatic vegetation is a vital component of the ecosystem of Lake Taihu. Assessment of its distribution and abundance by using remote sensing techniques is important for the protection of Lake Taihu as the information serves as an excellent indicator of aquatic environmental quality. In this research, to extract spatial distribution of the different aquatic vegetation types in Lake Taihu, we took Landsat 8 multi-spectral images as the main data source and applied them with Random Forest Model on the basis of multiple characteristic variables, which were constructed by the method of spectral index and image transformation. The results show: (a) By analyzing and comparing statistics mean, standard deviation and variable coefficient obtained from different training samples, we foundNDVI,NDWIFandSRwere better characteristic variables for distinguishing open water and floating-leaf vegetation, submerged vegetation and emergent vegetation than others. (b) Under the condition of 1000 classification trees with 4 random variables in split node, the out-of-bag error of Random Forest Model was below 6%. The error of model was mainly affected bySR,MNDVIandNDVI. (c) According to validation analysis, the overall accuracy classification of image based on Random Forest Model was about 88.56% with a high Kappa index of 0.88. The total area of aquatic vegetation was about 306.0 km2in July of 2014, in which floating-leaf vegetation and emergent vegetation accounted for 84.9% and were mainly distributed in the eastern and southern parts of Lake Taihu.

Aquatic vegetation; Random Forest Model; characteristic variables; Landsat 8; Lake Taihu

J.LakeSci.(湖泊科學(xué))， 2016， 28(3)： 635-644

10.18307/2016.0320

?2016 byJournalofLakeSciences

*高分辨率對(duì)地觀測(cè)系統(tǒng)重大專項(xiàng)(05-Y30B02-9001-13/15-WX2)、國(guó)家水體污染控制與治理科技重大專項(xiàng)(2012ZX07506003)、江蘇省環(huán)境監(jiān)測(cè)科研基金項(xiàng)目(1315、1416)、環(huán)保公益性行業(yè)科研專項(xiàng)(201309008)和江蘇省普通高校研究生科研創(chuàng)新計(jì)劃資助項(xiàng)目(KYLX15_0745)聯(lián)合資助.2015-05-24收稿；2015-09-09收修改稿. 侍昊(1986～)，男，博士；E-mail：shihao_752@163.com.

**通信作者；E-mail: lining196@126.com.