章曉潔，鄧艷芬，張亞超，蔣蕓蕓，邱桔斐

(國家海洋局東海海洋環(huán)境調(diào)查勘察中心，上海 200137)

我國海岸線綿長，海島眾多，隨著社會經(jīng)濟(jì)逐漸增強(qiáng)，海島開發(fā)利用活動日益頻繁，海島原生動植物資源面臨巨大威脅。遙感技術(shù)已被廣泛應(yīng)用于資源調(diào)查[1-2]、生物量估算[3]等領(lǐng)域。遙感影像分類有助于調(diào)查海島資源分布現(xiàn)狀，為海島資源保護(hù)和合理開發(fā)利用提供基礎(chǔ)數(shù)據(jù)。歐洲空間局(European Space Agency，ESA)于2015年6月發(fā)射升空的Sentinel-2A衛(wèi)星和美國國家航空航天局(National Aeronautics and Space Administration，NASA)于2013年2月發(fā)射升空的Landsat 8衛(wèi)星都可免費提供全球較高空間分辨率的多光譜遙感影像，在海島調(diào)查中的應(yīng)用潛力較大。

Sentinel-2A搭載的多光譜成像儀(multi-spectral instrument，MSI)和Landsat8搭載的陸地成像儀(operational land imager，OLI)的波段設(shè)置具有相似性。自2015年以來，已經(jīng)有一些研究將MSI影像和OLI影像進(jìn)行了對比。文獻(xiàn)[4—5]對MSI和OLI兩個傳感器的波段差異導(dǎo)致的輻射度、大氣表觀反射率的差異進(jìn)行了研究。文獻(xiàn)[6]比較了MSI和OLI數(shù)據(jù)在火災(zāi)烈度評估中的應(yīng)用效果。文獻(xiàn)[7]基于MSI、Landsat 7和Landsat 8影像的地面反射率和由反射率估計的生物物理量對它們進(jìn)行了比較。文獻(xiàn)[8]對比了MSI和OLI在森林冠層覆蓋度和葉面積指數(shù)反演的效果。文獻(xiàn)[9]對比了MSI和Landsat 8 OLI的地表反射率、BRDF修正反射率、NDVI指數(shù)等。文獻(xiàn)[10]基于K均值法非監(jiān)督分類對比了MSI和OLI的分類效果。文獻(xiàn)[11]進(jìn)行了資源三號(ZY3)、Sentinel-2A、高分一號(GF1)和Landsat 8影像的城市、鄉(xiāng)鎮(zhèn)和農(nóng)村居民地提取精度的比較。但尚未見將MSI和OLI用于海島土地利用類型分類或植被分類的效果比較的相關(guān)研究成果發(fā)表。因此，本文以普陀山島為例，將這兩種傳感器的影像用于植被分類并進(jìn)行精度檢驗和對比分析。

1 研究區(qū)概況及試驗數(shù)據(jù)

1.1 研究區(qū)概況

普陀山島位于浙江省舟山市，是舟山群島中的一個，島上植被密集。根據(jù)文獻(xiàn)[12]的研究，有關(guān)普陀山植被資源整體認(rèn)識的研究還比較欠缺，普陀山是亞熱帶常綠闊葉林海島型地帶性植被的典型代表，物種組成上主要林型的物種與大陸相似，以殼斗科(Fagaceae)和樟科(Lauraceae)占優(yōu)勢，主要林型間優(yōu)勢種的差異較大，物種多樣性差異也較大。根據(jù)國家海洋局東海分局“海島物種調(diào)查登記和海島生態(tài)區(qū)劃專題研究”中2014年11月至2015年9月對普陀山島的實地樣方、樣線調(diào)查，普陀山的自然-半自然植被根據(jù)外貌可劃分為10大類型，即：常綠闊葉林、常綠闊葉和落葉闊葉混交林、落葉闊葉林、針闊混交林、針葉林、常綠灌叢、落葉灌叢、土生草叢、鹽生草叢和沙生草叢。因此，本文將植被分類目標(biāo)定為闊葉林、針闊混交林、針葉林、灌叢和草叢5種。

1.2 試驗數(shù)據(jù)

Sentinel-2A MSI包含13個光譜波段，覆蓋可見光、近紅外及短波紅外波段，不同波段的空間分辨率不同，其中可見光及842 nm近紅外波段的空間分辨率為10 m，其余波段為20或60 m，產(chǎn)品幅寬為100 km×100 km，重訪周期為10 d，與Sentinel-2B組網(wǎng)后可提高至5 d。Landsat 8 OLI包含9個波段，除1個空間分辨率為15 m的全色波段外，還包括8個空間分辨率為30 m的可見光、近紅外及短波紅外波段，產(chǎn)品寬幅為185 km×185 km，重訪周期為16 d。

為使MSI和OLI的分類結(jié)果具有可比性，在影像下載時盡量選擇獲取日期相同或相近的影像，并考慮夏季是植被生長最旺盛的季節(jié)，且云霧影響較小，因此本研究最終選取了2017年7月25日的MSI影像和2017年7月23日的OLI影像。

同時以國家海洋局東海分局組織開展的“海島物種調(diào)查登記和海島生態(tài)區(qū)劃專題研究”獲得的普陀山植被現(xiàn)狀圖為參考，用于后續(xù)樣本選擇。

2 研究方法

本研究首先對遙感影像進(jìn)行預(yù)處理。由于ESA提供的MSI影像為Level-1C產(chǎn)品，反映的是大氣頂層反射率，因此首先利用ESA提供的SNAP軟件插件Sen2Cor2.5.5進(jìn)行大氣校正，并利用SNAP軟件將MSI影像轉(zhuǎn)變?yōu)槌Ｓ眠b感軟件可處理的格式。對于OLI，則利用FLAASH方法進(jìn)行大氣校正。然后將MSI影像和OLI影像都進(jìn)行像元大小為10 m×10 m的重采樣。

在遙感影像分類中，最大似然法(maximum likelihood)監(jiān)督分類因穩(wěn)定性好、精度高而被廣泛使用，且該方法在新方法研究中常被用來作為參照[13-15]。因此本文利用最大似然法分別對這兩種影像進(jìn)行遙感分類，主要目的為區(qū)分出闊葉林、針葉林、針闊混交林、灌叢和草本植被，同時也對其他地物類型進(jìn)行分類。用于最大似然法分類輸入的訓(xùn)練樣本，根據(jù)參考數(shù)據(jù)進(jìn)行人工選取。訓(xùn)練樣本共包含闊葉林、針闊混交林、針葉林、灌叢、草叢、建筑物、沙灘、島陸水體、海水等9類(詳見表1)。需要注意的是，樣本選取的參考數(shù)據(jù)來源于樣方、樣線法調(diào)查，調(diào)查結(jié)果并不能完全準(zhǔn)確地體現(xiàn)普陀山島植被分布現(xiàn)狀。雖然人工選取樣本時經(jīng)過目視判斷，但仍可能存在一定的誤差。人工選取精度檢驗樣本進(jìn)行結(jié)果的精度檢驗見表1。

表1 分類樣本和檢驗樣本個數(shù)及像元數(shù)匯總

3 分類結(jié)果及討論

MSI和OLI的分類結(jié)果如圖1所示，兩種影像的所有像元都被分到不同類別中，無未分類像元?？梢钥闯鯫LI分類結(jié)果較MSI更零碎。利用精度檢驗樣本對分類結(jié)果進(jìn)行精度檢驗，得到MSI影像總體分類精度為94.9%，Kappa系數(shù)為0.87；OLI影像總體分類精度為93.5%，Kappa系數(shù)為0.83。MSI影像的總體精度略高于OLI影像。

表2和表3是兩種影像分類結(jié)果中各個類別的精度統(tǒng)計。可以看出，不論是MSI影像還是OLI影像，相對非植被的類別來說，5種植被類別的漏分、錯分較嚴(yán)重。MSI的5種植被分類精度均高于OLI，尤其是針葉林和灌叢這兩類。而在沙灘和島陸水體這兩類中，MSI的分類精度略低于OLI。

表2 Sentinel-2A MSI分類精度統(tǒng)計 (%)

綜合生產(chǎn)者精度和用戶精度，MSI和OLI中分類最精確的都是海水，而在5種植被類別中，綜合來看最精確的都是闊葉林。MSI分類誤差和OLI分類誤差整體表現(xiàn)相似。兩者錯分誤差最大的都是針葉林，其中很大一部分像元實際為針闊混交林或灌叢；漏分誤差最大的都是針闊混交林，大部分針闊混交林像元被分到了闊葉林、針葉林或灌叢類別中。由于針闊混交林本身就是針葉林和闊葉林的混合，因此針闊混交林像元被分到了闊葉林或針葉林像元中并不意外。而闊葉林、針闊混交林和針葉林與灌叢之間的混分，可能是由于某些植被并不絕對是喬木或灌木，例如普陀山島上的紅山茶、檵木、柘木、海桐等物種既是灌木又可能是小喬木，因此增加了分類難度。

表3 Landsat 8 OLI分類精度統(tǒng)計 (%)

需要注意的是，OLI的針闊混交林的漏分誤差接近50%，灌叢和針葉林的錯分誤差均達(dá)到了50%以上，而MSI相應(yīng)類別的誤差則小得多。

4 結(jié) 論

本文以普陀山島為例，將Sentinel-2A MSI和Landsat 8 OLI影像的海島植被分類效果進(jìn)行了比較，結(jié)果表明MSI的總體分類精度略高于OLI，MSI的5種植被分類精度均高于OLI，尤其是針葉林和灌叢這兩類，而在沙灘和島陸水體這兩類中，MSI的分類精度略低于OLI。兩種影像分類結(jié)果中精度最高的都是闊葉林，錯分誤差最大的都是針葉林，漏分誤差最大的都是針闊混交林。需注意的是，由于本文分類的訓(xùn)練樣本和精度檢驗的訓(xùn)練樣本都是人工選取，雖然有參考數(shù)據(jù)，但該數(shù)據(jù)來源于樣方樣線調(diào)查，數(shù)據(jù)結(jié)果并不能完全準(zhǔn)確地體現(xiàn)普陀山島植被分布現(xiàn)狀，因此可能在一定程度上影響本研究的結(jié)果精度。在下一步研究中，可以通過實地調(diào)查獲取植被分布位置及物種類型，獲得足夠多的可靠樣本，排除人工選取訓(xùn)練樣本帶來的誤差，以期獲得更可靠的分類結(jié)果。