孫玉超，董 迪，溫玉波，艾 彬

（1.國家海洋局南海規(guī)劃與環(huán)境研究院，廣東 廣州 510300；2.自然資源部海洋環(huán)境探測(cè)技術(shù)與應(yīng)用重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510300；3.國家海洋局南海信息中心，廣東 廣州 510300；4.中山大學(xué)海洋科學(xué)學(xué)院，廣東 珠海 519082）

紅樹林是生長于熱帶、亞熱帶海岸潮間帶，受到海水周期性浸沒的木本植物群落，是海岸重要的濕地生態(tài)系統(tǒng)，在凈化沿海水質(zhì)、維護(hù)生態(tài)平衡和生物多樣性等方面發(fā)揮著重要作用[1]。淇澳島位于珠海市東北，珠江口西岸，面積約24 km2，島上屬亞熱帶季風(fēng)氣候，雨熱充足[2]。該區(qū)域紅樹林屬于“珠海淇澳—擔(dān)桿島省級(jí)自然保護(hù)區(qū)”保護(hù)范圍，保護(hù)區(qū)總面積51 km2，紅樹林面積約7 km2。根據(jù)已有調(diào)查結(jié)果[3]，淇澳島紅樹林群落外貌波狀起伏，結(jié)構(gòu)簡(jiǎn)單，大多為高大喬木狀林，少數(shù)為小喬木或灌木狀林，主要包括無瓣海桑、秋茄、鹵蕨、老鼠簕、海桑、桐花樹、銀葉樹、水黃皮、海芒果和海漆+楊葉肖槿10 個(gè)群落類型。其中，無瓣海桑群落、秋茄群落、鹵蕨群落和老鼠簕群落等為主要群落，占紅樹林總面積的95%以上。無瓣海桑群落呈淺綠色，植株高大，林相相對(duì)整齊；秋茄群落為本地種群落，枝繁茂密長勢(shì)良好，樹冠連續(xù)；鹵蕨群落呈密灌叢狀，呈現(xiàn)出墨綠色；老鼠簕群落為連續(xù)灌木叢，呈現(xiàn)出黃綠色。淇澳島紅樹林生長區(qū)域附近植被以高大喬木為主，且生長位置地勢(shì)較高，與紅樹林群落有明顯的高差起伏。

紅樹林范圍提取和種群分類是紅樹林研究的兩個(gè)基本問題，近年來，主要采用遙感手段開展紅樹林范圍監(jiān)測(cè)和種群分類[3]。目前，國內(nèi)外對(duì)紅樹林范圍提取主要是利用遙感影像的植被指數(shù)、光譜和紋理特征等分類屬性，結(jié)合紅樹林野外調(diào)查和相關(guān)先驗(yàn)知識(shí)，采用監(jiān)督分類或面向?qū)ο蟮姆诸惙椒ㄌ崛〖t樹林空間分布或進(jìn)行動(dòng)態(tài)變化監(jiān)測(cè)研究[4]。賈明明[5]基于Landsat 影像采用面向?qū)ο蠛蜎Q策樹分類方法，提取了1973—2013 年中國紅樹林面積和分布；董迪等[6]提出了一種聯(lián)合Sentinel-1 和Sentinel-2 影像的紅樹林和互花米草的遙感監(jiān)測(cè)方法，并提取了2016—2018 年漳江口紅樹林和互花米草范圍；張威[7]基于Landsat 影像，采用目視解譯、監(jiān)督分類、面向?qū)ο蠓诸惡蜎Q策樹分類等方法，對(duì)廣西北部灣1978—2014 年的紅樹林進(jìn)行了遙感監(jiān)測(cè)。

上述研究主要采用Landsat 和Sentinel-2 等遙感影像對(duì)紅樹林范圍進(jìn)行遙感監(jiān)測(cè)，采用的分類方法包括監(jiān)督分類、面向?qū)ο蠓诸惡蜎Q策樹分類等。不同的遙感數(shù)據(jù)源和紅樹林分類方法雖然可以滿足相應(yīng)的研究要求，但沒有文章綜合對(duì)比不同的遙感影像在紅樹林范圍提取中的適用性，以及如何使用輔助數(shù)據(jù)有效提升紅樹林范圍提取的精度。本文以珠海淇澳島為例，重點(diǎn)探討Landsat-8、Sentinel-2 和高分6 號(hào)等遙感影像在紅樹林范圍提取中的效果，并對(duì)比上述影像分別增加數(shù)字高程模型（Digital Elevation Model，DEM）數(shù)據(jù)、波段指數(shù)和紋理信息后的精度提升，從而有效指導(dǎo)使用何種遙感影像及輔助數(shù)據(jù)可以更好地應(yīng)用于大區(qū)域的紅樹林范圍提取。

1 數(shù)據(jù)獲取及預(yù)處理

1.1 Landsat-8 數(shù)據(jù)獲取及預(yù)處理

Landsat-8 由美國航空航天局（National Aeronautics and Space Administration，NASA）與美國地質(zhì)調(diào)查局（United States Geological Survey，USGS）合作開發(fā)，于2013 年2 月11 日在加利福尼亞范登堡空軍基地發(fā)射成功。Landsat-8 上攜帶了陸地成像儀（Operational Land Imager，OLI） 和熱紅外傳感器（Thermal Infrared Sensor，TIRS）。

Landsat-8 影像可以從USGS 網(wǎng)站上免費(fèi)下載。本文下載的影像為1 景2019 年9 月27 日獲取的L2SP 產(chǎn)品，該數(shù)據(jù)包含陸地成像儀OLI 的8 個(gè)多光譜波段（分辨率為30 m）和1 個(gè)全色波段（分辨率為15 m），并已經(jīng)過地形校正、幾何校正、輻射校正和大氣校正等預(yù)處理，本文選取第1～7 個(gè)光譜波段用于監(jiān)督分類（第8 波段為全色波段，第9 波段為卷云波段）。在ENVI 5.3 軟件中對(duì)上述光譜波段進(jìn)行波段合并后，得到研究區(qū)域分辨率為30 m、包含7 個(gè)光譜波段的Landsat-8 影像反射率數(shù)據(jù)。

1.2 ASTER GDEM 數(shù)據(jù)獲取

ASTER GDEM（Advanced Spaceborne Thermal Emission and Reflection Radiometer Global Digital Elevation Model） 數(shù)據(jù)由NASA 和日本經(jīng)濟(jì)產(chǎn)業(yè)?。∕inistry of Economy Trade and Industry，METI） 聯(lián)合研制并免費(fèi)面向公眾分發(fā)，分別于2009 年6 月28 日、2011 年1 月和2019 年8 月5 日發(fā)布了V1、V2和V3 版本。ASTER GDEM 數(shù)據(jù)同樣可以從USGS網(wǎng)站上下載，本文獲取的ASTER GDEM 數(shù)據(jù)為V3版本，水平分辨率為30 m，垂直分辨率為1 m。ASTER GDEM 數(shù)據(jù)獲取后，可直接在ENVI 5.3 軟件中與Landsat-8 影像數(shù)據(jù)進(jìn)行波段合并。

1.3 Sentinel-2 數(shù)據(jù)獲取及預(yù)處理

Sentinel-2 衛(wèi)星是歐洲哥白尼（Copernicus）計(jì)劃發(fā)射的系列衛(wèi)星之一，Sentinel-2 衛(wèi)星搭載多光譜傳感器，主要應(yīng)用于水資源監(jiān)測(cè)、土地覆被變化監(jiān)測(cè)和災(zāi)害應(yīng)急監(jiān)測(cè)等領(lǐng)域[8]。Sentinel-2 影像也可以從USGS 網(wǎng)站上免費(fèi)下載。本文下載的影像為1景2019 年9 月7 日獲取的L1C 產(chǎn)品，該數(shù)據(jù)共包含13 個(gè)光譜波段，分辨率分別為10 m （Band2、Band3、Band4 和Band8）、20 m（Band5、Band6、Band7、 Band8A、 Band11 和 Band12） 和 60 m（Band1、Band9 和Band10），并已經(jīng)過地形校正和幾何校正等預(yù)處理。

利用歐洲航天局開發(fā)的SNAP 軟件對(duì)上述數(shù)據(jù)進(jìn)行輻射校正和大氣校正。在SNAP 軟件中采用Sen2cor 插件進(jìn)行處理，得到經(jīng)過輻射校正和大氣校正后的L2A 數(shù)據(jù)，該數(shù)據(jù)共包含12 個(gè)波段數(shù)據(jù)（Band10 為卷云圖層，未做處理）。將各波段采用最近鄰法按10 m 分辨率重采樣后，在ENVI 軟件中進(jìn)行波段合并，得到分辨率10 m 包含12 個(gè)光譜波段的Sentinel-2 反射率數(shù)據(jù)。

在ENVI 5.3 軟件中，對(duì)上述影像進(jìn)行波段指數(shù)（Band Index，BI） 計(jì)算，包括歸一化植被指數(shù)[9]（Normalized Difference Vegetation Index，NDVI）、歸一化水體指數(shù)[10]（Normalized Difference Water Index，NDWI）和紅樹林指數(shù)[11]（Mangrove Vegetation Index，MVI），用于后續(xù)監(jiān)督分類。

式中，NIR 表示近紅外波段；RED 表示紅色波段；GREEN 表示綠色波段；SWIR1 表示短波紅外波段（Sentinel-2 影像中的第11 個(gè)波段）。

歸一化植被指數(shù)是反映綠色活植被相對(duì)豐度和活性的輻射量化值，常被用于表征研究區(qū)域的植被生理狀況、綠色生物量及植被生產(chǎn)力等，能較好地反映植被的分布范圍及生長狀況；歸一化水體指數(shù)通過用特定的遙感影像波段進(jìn)行歸一化差值處理，可以凸顯影像中的水體信息，較好地區(qū)分水體與其他地物；紅樹林指數(shù)基于Sentinel-2 影像計(jì)算，可以快速且準(zhǔn)確地進(jìn)行紅樹林范圍提取。

1.4 高分6 號(hào)數(shù)據(jù)獲取及預(yù)處理

高分6 號(hào)是我國于2018 年6 月2 日發(fā)射的首顆精準(zhǔn)農(nóng)業(yè)觀測(cè)的高分衛(wèi)星，具有高分辨率、寬覆蓋、高質(zhì)量和高效成像等特點(diǎn)，能有力支撐農(nóng)業(yè)資源監(jiān)測(cè)、林業(yè)資源調(diào)查、防災(zāi)減災(zāi)救災(zāi)等工作[12]。本文獲取的高分6 號(hào)影像為2019 年9 月30 日獲取的L1A 級(jí)產(chǎn)品，該數(shù)據(jù)包含4 個(gè)分辨率為8 m 的多光譜波段和1 個(gè)分辨率為2 m 的全色波段，該數(shù)據(jù)已經(jīng)過初步幾何校正等預(yù)處理。

在ENVI 5.3 軟件中對(duì)高分6 號(hào)多光譜影像進(jìn)行輻射定標(biāo)后，采用FLAASH 方法進(jìn)行大氣校正，再使用影像自帶的RPC 參數(shù)進(jìn)行正射校正，得到研究區(qū)域分辨率為8 m、包含4 個(gè)光譜波段的高分6號(hào)反射率數(shù)據(jù)。

1.5 多源遙感數(shù)據(jù)統(tǒng)一處理

將上述多源遙感數(shù)據(jù)統(tǒng)一坐標(biāo)系（WGS1984）和投影（UTM 投影6 度分帶49 投影帶）后，利用現(xiàn)場(chǎng)測(cè)量控制點(diǎn)采用多項(xiàng)式擬合進(jìn)行幾何精校正，并使用相同的矢量范圍對(duì)處理后的影像進(jìn)行裁剪（圖1）。

圖1 預(yù)處理后的多源遙感數(shù)據(jù)

2 基于多源影像的紅樹林范圍提取

隨機(jī)森林（Random Forest，RF） 算法由Leo Breiman 提出，是一種由多棵CART 決策樹構(gòu)成的新型機(jī)器學(xué)習(xí)算法[13]。隨機(jī)森林算法具有較強(qiáng)的抗噪能力，分類性能顯著，主要用于解決回歸與分類的問題，并在植被分類中應(yīng)用比較廣泛[14-15]，本文統(tǒng)一采用該分類方法對(duì)已處理的多源遙感數(shù)據(jù)進(jìn)行紅樹林范圍提取。

2.1 監(jiān)督分類樣本數(shù)據(jù)選取

紅樹林范圍提取難點(diǎn)在于與周邊陸生植被的準(zhǔn)確區(qū)分，為方便提取結(jié)果的對(duì)比分析，將研究區(qū)域地物分成紅樹林（Mangroves）、陸生植被（Trees）、水體（Water），以及裸地和建筑（Buildings）四種類型。紅樹林以外，生長在陸域的植被均歸到陸生植被一類；海水、陸域河流、湖泊和水塘等均歸到水體一類；灘涂、裸地、道路、房屋和人工建筑等均歸到裸地和建筑一類。

采用目視解譯與現(xiàn)場(chǎng)調(diào)查相結(jié)合的技術(shù)手段，在高分6 號(hào)融合影像上（分辨率為2 m，4 個(gè)波段）選取用于監(jiān)督分類和精度驗(yàn)證的樣本數(shù)據(jù)。樣本選取采用框選，訓(xùn)練樣本和驗(yàn)證樣本比例約2 ∶1（圖2）。

圖2 基于高分6 號(hào)融合影像進(jìn)行樣本數(shù)據(jù)選取

2.2 基于Landsat-8 影像和ASTER GDEM 數(shù)據(jù)的紅樹林范圍提取

在ENVI 5.3 軟件中使用隨機(jī)森林監(jiān)督分類方法對(duì)預(yù)處理的Landsat-8 影像（分辨率為30 m，7 個(gè)波段）進(jìn)行監(jiān)督分類，分類結(jié)果見圖3。使用隨機(jī)森林分類時(shí)，Number of Trees 參數(shù)設(shè)置為100；Number of Features 參數(shù)選擇Square Root；Impurity Function 參數(shù)選擇Gini Coefficient；Min Node Samples 參數(shù)設(shè)置為1；Min Impurity 參數(shù)設(shè)置為0。

圖3 Landsat-8 影像監(jiān)督分類結(jié)果

將Landsat-8 影像與ASTER GDEM 數(shù)據(jù)進(jìn)行波段合并，得到新的影像數(shù)據(jù)（分辨率為30 m，8 個(gè)波段），采用上述分類方法和參數(shù)設(shè)置對(duì)該數(shù)據(jù)進(jìn)行監(jiān)督分類，分類結(jié)果見圖4。

圖4 Landsat-8 影像和ASTER GDEM 數(shù)據(jù)監(jiān)督分類結(jié)果

2.3 基于Sentinel-2 影像的紅樹林范圍提取

在ENVI 5.3 軟件中使用隨機(jī)森林監(jiān)督分類工具對(duì)預(yù)處理的Sentinel-2 影像（分辨率為10 m，12 個(gè)波段）進(jìn)行監(jiān)督分類，參數(shù)設(shè)置參考2.2 節(jié)，分類結(jié)果見圖5。

圖5 Sentinel-2 影像監(jiān)督分類結(jié)果

將Sentinel-2 影像與NDVI、NDWI 和MVI 波段指數(shù)進(jìn)行波段合并，得到新的影像數(shù)據(jù)（分辨率為10 m，15 個(gè)波段），采用2.2 節(jié)的分類方法和參數(shù)設(shè)置對(duì)該數(shù)據(jù)進(jìn)行監(jiān)督分類，分類結(jié)果見圖6。

圖6 Sentinel-2 影像+波段指數(shù)監(jiān)督分類結(jié)果

2.4 基于高分6 號(hào)影像的紅樹林范圍提取

在ENVI 5.3 軟件中使用隨機(jī)森林監(jiān)督分類工具對(duì)預(yù)處理的高分6 號(hào)影像（分辨率為8 m，4 個(gè)波段）進(jìn)行監(jiān)督分類，參數(shù)設(shè)置參考2.2 節(jié)，分類結(jié)果見圖7。

圖7 高分6 號(hào)影像監(jiān)督分類結(jié)果

高分6 號(hào)影像分辨率高且光譜波段數(shù)少，這些特征都不利于紅樹林等植被信息提取，需要提取紋理信息輔助紅樹林范圍提取[16]。影像紋理信息通常計(jì)算灰度矩陣（Gray Level Co-occurrence Matrix，GLCM）來提取，灰度共生矩陣是像素距離和角度的矩陣函數(shù)，它通過計(jì)算遙感影像中一定距離和一定方向的兩點(diǎn)灰度之間的相關(guān)性，來反映影像在方向、間隔、變化幅度及快慢上的綜合信息。在ENVI 5.3 軟件中，將高分6 號(hào)影像全色波段采用最近鄰法重采樣到8 m 分辨率后，采用“二階概率統(tǒng)計(jì)的濾波（Co-occurrence Measures）”工具計(jì)算灰度共生矩陣，參數(shù)設(shè)置如下：同時(shí)勾選Mean、Variance、Homogeneity、 Contrast、 Dissimilarity、 Entropy、 Second Moment 和Correlation 8 個(gè)參數(shù)；Co-occurence Shift參數(shù)X 和Y 均設(shè)置為1；Grayscale Quantization Levels 參數(shù)設(shè)置為64；Proce-ssing Window（處理窗口）設(shè)置為15×15（經(jīng)對(duì)比，使用該設(shè)置得到的分類精度最高），計(jì)算的紋理數(shù)據(jù)共包含8 個(gè)波段。

將高分6 號(hào)影像與紋理數(shù)據(jù)進(jìn)行波段合并，得到新的影像數(shù)據(jù)（分辨率為8 m，12 個(gè)波段），采用2.2 節(jié)的分類方法和參數(shù)設(shè)置對(duì)該數(shù)據(jù)進(jìn)行監(jiān)督分類，分類結(jié)果見圖8。

圖8 高分6 號(hào)影像+紋理信息監(jiān)督分類結(jié)果

3 紅樹林范圍提取結(jié)果對(duì)比分析

本研究采用混淆矩陣對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)?；煜仃囋u(píng)價(jià)指標(biāo)包括總體精度、Kappa 系數(shù)、生產(chǎn)者精度和用戶精度等，總體精度表示被正確分類的樣本數(shù)占總樣本數(shù)的比例；Kappa 系數(shù)反映分類結(jié)果與參考數(shù)據(jù)的一致性；生產(chǎn)者精度表示被正確分類的樣本數(shù)占參考樣本總數(shù)的比例；用戶精度表示被正確分類的樣本數(shù)占待評(píng)價(jià)樣本總數(shù)的比例。上述多源遙感數(shù)據(jù)采用隨機(jī)森林分類結(jié)果見表1。

表1 多源遙感影像紅樹林提取結(jié)果

3.1 Landsat-8 影像和ASTER GDEM 數(shù)據(jù)紅樹林提取結(jié)果分析

由Landsat-8 影像監(jiān)督分類結(jié)果（表2）可知，由于紅樹林與陸生植被光譜信息差異較小，Landsat-8 影像中陸生植被容易錯(cuò)分成紅樹林，紅樹林生產(chǎn)者精度僅為74.34%。加入ASTER GDEM 數(shù)據(jù)后，紅樹林的生產(chǎn)者精度提升了20.58%，總體精度也提升了3.51%（表3），主要原因是紅樹林生長的潮間帶高程較低，而陸生植被生長區(qū)域高程普遍較高，加入ASTER GDEM 數(shù)據(jù)后能夠較好地區(qū)分紅樹林和陸生植被。

表2 Landsat-8 影像分類精度

表3 Landsat-8 影像+ASTER GDEM 數(shù)據(jù)分類精度

3.2 Sentinel-2 影像紅樹林范圍提取結(jié)果分析

由于Sentinel-2 影像擁有更多的光譜波段，在區(qū)分紅樹林和陸生植被上比Landsat-8 影像更有優(yōu)勢(shì)（表4），紅樹林和陸生植被分類精度均在90%左右。通過計(jì)算Sentinel-2 影像NDVI、NDWI 和MVI 等波段指數(shù)，并加入Sentinel-2 影像后分類，紅樹林的生產(chǎn)者精度提升了4.75%，總體精度提升了1.3%（表5）。

表4 Sentinel-2 影像分類精度

表5 Sentinel-2 影像+波段指數(shù)分類精度

3.3 高分6 號(hào)影像紅樹林提取結(jié)果分析

相比于Landsat-8 和Sentinel-2 影像，高分6 號(hào)影像擁有更少的光譜波段和更高的空間分辨率，紅樹林與陸生植被相互錯(cuò)分情況嚴(yán)重（表6），紅樹林生產(chǎn)者精度為74.58%，用戶精度僅60.61%?？紤]到高分6 號(hào)全色波段擁有更高的空間分辨率和更豐富的紋理信息，而紅樹林與陸生植被在紋理特征上差異明顯，加入紋理信息后，紅樹林生產(chǎn)者精度提升了8.84%，用戶精度提升了13.37%，總體精度提升了12.03%（表7）。

表6 高分6 號(hào)影像分類精度

表7 高分6 號(hào)影像+紋理信息分類精度

4 結(jié) 論

本文主要對(duì)比多源遙感影像數(shù)據(jù)加入DEM 數(shù)據(jù)、波段指數(shù)和紋理數(shù)據(jù)后的紅樹林范圍提取精度，分析不同遙感影像及輔助數(shù)據(jù)對(duì)紅樹林范圍提取精度的影響。根據(jù)實(shí)驗(yàn)結(jié)果及進(jìn)一步分析可知，Landsat-8 影像由于其相對(duì)較低的空間分辨率和較多的光譜波段，用于紅樹林范圍提取精度適中，加入ASTER GDEM 數(shù)據(jù)后精度提升明顯；Sentinel-2 影像擁有更多的光譜波段和適中的空間分辨率，用于紅樹林范圍提取總體精度最高；高分6 號(hào)影像由于光譜波段較少而空間分辨率相對(duì)較高，用于紅樹林范圍提取精度最低，但加入紋理信息后精度提升明顯。綜上所述，Sentinel-2 影像擁有最多的光譜波段和適中的影像分辨率，數(shù)據(jù)獲取免費(fèi)且衛(wèi)星重訪周期短，是紅樹林范圍提取最合適的遙感數(shù)據(jù)源；ASTER GDEM 數(shù)據(jù)能較好地區(qū)分紅樹林和陸生植被，是比較好的輔助數(shù)據(jù)。

隨著遙感技術(shù)的發(fā)展及圖像信息提取算法的提升，以監(jiān)督分類為代表的機(jī)器學(xué)習(xí)算法越來越難滿足不斷提高的精度要求及智能化的圖像處理要求。近年來，深度學(xué)習(xí)分類方法在遙感影像信息提取中應(yīng)用越來越廣泛且精度更高，后續(xù)文章將研究使用Sentinel-2 影像和ASTER GDEM 數(shù)據(jù)，基于深度學(xué)習(xí)方法進(jìn)行紅樹林范圍提取。