劉 暢, 王 巖, 王 朝, 盛 輝, 許明明, 劉善偉

Sentinel-1與Sentinel-2影像聯(lián)合的黃河三角洲濕地信息提取

劉 暢1, 王 巖2, 王 朝2, 盛 輝1, 許明明1, 劉善偉1

(1. 中國(guó)石油大學(xué)(華東)海洋與空間信息學(xué)院, 山東 青島 266580; 2. 青島市勘察測(cè)繪研究院, 山東 青島 266000)

針對(duì)目前濕地信息提取中存在的“同物異譜”、“同譜異物”問(wèn)題, 以黃河三角洲自然保護(hù)區(qū)為實(shí)驗(yàn)區(qū), 采用在信息提取方面具有優(yōu)勢(shì)的典型相關(guān)森林算法, 將Sentinel-1A雷達(dá)影像和Sentinel-2A多光譜影像作為基礎(chǔ)數(shù)據(jù), 考察分別應(yīng)用多光譜影像、合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)和多光譜二者綜合、SAR紋理特征以及植被指數(shù)對(duì)濕地信息提取的效果和適用性。研究結(jié)果表明: (1)基于Sentinel-2A多光譜影像, 在分類方法上, 典型相關(guān)森林(canonical correlation forest, CCF)的總體精度最高, 達(dá)到94.32%, 與支持向量機(jī)和隨機(jī)森林分類算法相比分別提高了6.55%和5.47%; (2)基于Sentinel-2A多光譜影像和Sentinel-1A后向散射系數(shù)的CCF總體精度達(dá)到了94.89%, 與只利用多光譜影像相比, 3種算法的總體精度和Kappa系數(shù)均得到了提升; (3)在SAR和光學(xué)聯(lián)合的基礎(chǔ)上加入SAR紋理特征后總體精度和Kappa系數(shù)均略有下降, 分別為94.72%和0.935 3; (4)在SAR和光學(xué)聯(lián)合的基礎(chǔ)上加入歸一化差分植被指數(shù)(NDVI)、比值植被指數(shù)(RVI)、差值植被指數(shù)(DVI)、歸一化差分紅外指數(shù)(NDII)和差分紅外指數(shù)(DII)5種植被指數(shù)后, 總體精度達(dá)到了最高為95.35%, 7種地物的生產(chǎn)者精度有所提高, 有效提高了對(duì)黃河三角洲濕地信息的提取能力。實(shí)驗(yàn)結(jié)果可為黃河三角洲濕地的合理開(kāi)發(fā)和有效保護(hù)提供科學(xué)支持。

信息提取; SAR; Sentinel-2; 典型相關(guān)森林; 黃河三角洲

河口濕地位于陸地和海洋的交錯(cuò)過(guò)渡地帶, 其生態(tài)系統(tǒng)極為脆弱且極具經(jīng)濟(jì)價(jià)值, 濕地植被是河口濕地中的重要組成部分, 在涵養(yǎng)水源、調(diào)節(jié)氣候、維持生物多樣性的方面具有重要作用[1]。隨著氣候的變化、人口和經(jīng)濟(jì)的增長(zhǎng)、工業(yè)和港口的建設(shè)、水體的污染, 河口濕地面臨著各種各樣的壓力, 嚴(yán)重影響了可持續(xù)發(fā)展的戰(zhàn)略方針, 因此準(zhǔn)確獲取濕地中植物分布情況, 對(duì)于保護(hù)濕地生物多樣性和恢復(fù)生態(tài)系統(tǒng)具有重要的意義。

由于遙感技術(shù)時(shí)效性高、獲取數(shù)據(jù)快, 可大范圍監(jiān)測(cè)地物, 被廣泛運(yùn)用到濕地信息提取的研究中。在濕地信息提取中, 對(duì)于濕地類型的區(qū)分相對(duì)較難, 一些地物間的特點(diǎn)極為相似, 空間位置分布錯(cuò)綜復(fù)雜, 邊界模糊, 反映在遙感影像上的特征差異較小[2], 很容易產(chǎn)生“同物異譜”、“同譜異物”現(xiàn)象。在黃河三角洲研究中, 有學(xué)者利用數(shù)字表面模型、數(shù)字地形模型、坡度等區(qū)分植被[3], 還有學(xué)者利用特征優(yōu)選方式選取不同月份最重要波段[4]、多端元光譜混合分析[5]等方法區(qū)分地物類型,以此提高提取精度。目前, 已有多種遙感數(shù)據(jù)源被應(yīng)用于濕地信息提取中, 楊朝輝等[6]利用Sentinel-2A影像, 提取蘇州澄湖地區(qū)濕地信息, 總體精度達(dá)到80.67%, 對(duì)草地、坑塘和裸地的提取精度相對(duì)較低。Mleczko等[7]以Sentinel-1A和TanDEM-X為數(shù)據(jù)源對(duì)別布扎河濕地進(jìn)行分類, 實(shí)驗(yàn)結(jié)果顯示蘆葦和甘草在微波散機(jī)制方面具有非常相似的特征, 分類結(jié)果只達(dá)到了40%的準(zhǔn)確度。Gosselin等[8]針對(duì)RADARSAT-2影像采用Touzi分解方式對(duì)圣皮埃爾濕地進(jìn)行提取, 提取出的山地森林和蘆葦?shù)屯菡訚删容^高, 茭白低沼澤和香蒲低沼澤精度相對(duì)較低。以上研究?jī)H應(yīng)用了單一的遙感影像, 實(shí)驗(yàn)結(jié)果存在誤分類以及混淆嚴(yán)重的區(qū)域。光學(xué)影像具有豐富的光譜信息; 合成孔徑雷達(dá)全天時(shí)觀測(cè)且不受云層影響, 具有一定的地表穿透能力, 利用主被動(dòng)遙感影像提取濕地信息已成為當(dāng)前遙感技術(shù)應(yīng)用的熱點(diǎn)研究領(lǐng)域之一[9]。其中, 李鵬等[10]、Long等[11]和Franklin等[12]利用合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)與光學(xué)聯(lián)合影像分別對(duì)黃河三角洲濕地、洞庭湖生態(tài)經(jīng)濟(jì)圈和哈德遜灣低地生態(tài)區(qū)進(jìn)行分類, 聯(lián)合分類精度均在90%以上, 均高于兩者單獨(dú)分類的總體精度, 證明了SAR與光學(xué)聯(lián)合影像在復(fù)雜環(huán)境中的優(yōu)勢(shì)。以上研究表明, 將SAR和多光譜影像相結(jié)合是一種行之有效的方法。

近年來(lái)機(jī)器學(xué)習(xí)成為遙感濕地信息提取的研究熱點(diǎn), 常用的方法有最大似然法[13-14]、隨機(jī)森林(random forest, RF)[15-17]、支持向量機(jī)(support vector machine, SVM)[18]和決策樹(shù)[19]等, 但在濕地信息提取中面對(duì)復(fù)雜地物類型很容易出現(xiàn)錯(cuò)分漏分現(xiàn)象[20-21]。Hong Pan[22]構(gòu)建了基于特征序列的三維卷積神經(jīng)網(wǎng)絡(luò)算法開(kāi)展了吉林白城市濕地信息提取, 并與傳統(tǒng)的二維卷積神經(jīng)網(wǎng)絡(luò)、最大似然法和SVM進(jìn)行精度比較, 結(jié)果表明優(yōu)化后的三維卷積神經(jīng)網(wǎng)絡(luò)總體精度最高。Amani等[23]將最大似然、決策樹(shù)、K最鄰近、RF和SVM分類器進(jìn)行組合, 對(duì)加拿大紐芬蘭濕地進(jìn)行信息提取, 結(jié)果表明多分類器系統(tǒng)提取效果優(yōu)于單獨(dú)使用以上5種算法。典型相關(guān)森林(canonical correlation forest, CCF)是一種決策樹(shù)(decision tree, DT)集成技術(shù), 用于識(shí)別超平面, 與其他分類器相比, CCF在邏輯上包含特征之間的相關(guān)性并使用“引導(dǎo)估計(jì)”將所有光譜帶召回, 從而將集合分割到給定的可預(yù)測(cè)空間中。此外, 與SVM和RF相比, 無(wú)需頻繁地改變CCF中的參數(shù)[24]。

本文采用CCF算法, 選用Sentinel-1A和Senti-nel-2A遙感影像, 并結(jié)合SAR紋理特征和植被指數(shù)對(duì)黃河三角洲濕地進(jìn)行信息提取, 并與傳統(tǒng)的SVM和RF算法進(jìn)行對(duì)比, 探究和分析SAR與光學(xué)聯(lián)合影像在對(duì)黃河三角洲典型地物提取研究中的作用, 為黃河三角洲地區(qū)生態(tài)環(huán)境遙感監(jiān)測(cè)、合理開(kāi)發(fā)和保護(hù)提供技術(shù)支撐。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

黃河三角洲自然保護(hù)區(qū)(37°42′N~37°50′N, 119°5′E~ 119°17′E)(圖1)是以保護(hù)黃河口新生濕地生態(tài)系統(tǒng)和珍稀瀕危鳥(niǎo)類為主體的濕地類型自然保護(hù)區(qū), 位于山東省東營(yíng)市黃河入?？谔? 北瀕渤海, 東臨萊州灣, 屬于暖溫帶半濕潤(rùn)大陸性季風(fēng)氣候, 受海陸熱力性質(zhì)差異影響形成溫帶季風(fēng)氣候, 四季分明, 夏季高溫多雨, 冬季寒冷干燥[25], 地勢(shì)較低且平坦。保護(hù)區(qū)內(nèi)植物資源豐富, 共有植物685種。鹽地堿蓬和檉柳在自然保護(hù)區(qū)內(nèi)廣泛分布, 蘆葦集中分布面積達(dá)40萬(wàn)畝。區(qū)內(nèi)自然植被覆蓋率達(dá)55.1%, 是中國(guó)沿海最大的新生濕地自然植被區(qū)。

圖1 研究區(qū)位置

1.2 數(shù)據(jù)與預(yù)處理

1.2.1 遙感數(shù)據(jù)

本研究以2019年9月29日的Sentinel-2A影像和2019年9月26日的Sentinel-1A影像為數(shù)據(jù)源。兩幅影像數(shù)據(jù)均下載于歐洲航天局?jǐn)?shù)據(jù)網(wǎng)站(https:// scihub.copernicus.eu/)。

Sentinel-1衛(wèi)星是歐洲航天局針對(duì)哥白尼計(jì)劃研發(fā)的地球觀測(cè)衛(wèi)星, 由S1A和S1B兩顆衛(wèi)星組成, 載有C波段的合成孔徑雷達(dá)(SAR), 可在全天候條件下提供連續(xù)圖像。本文使用Sentinel-1 IW模式Level-1 GRD的產(chǎn)品, 地距單視分辨率為5 m×20 m, 極化方式為VV、VH, GRD數(shù)據(jù)是由SLC級(jí)數(shù)據(jù)經(jīng)過(guò)多視處理、WGS84橢球投影至地距向的聚焦數(shù)據(jù), 分辨率為10 m×10 m。Sentinel-2衛(wèi)星是高分辨率多光譜成像衛(wèi)星, 攜帶一枚多光譜成像儀(MSI)進(jìn)行陸地監(jiān)測(cè), 分為2A和2B兩顆衛(wèi)星, Sentinel-2A各波段參數(shù)如表1所示。對(duì)于雷達(dá)影像而言, Sentinel-1有雙極化信息(VH、VV)。對(duì)于極化特征而言, 水平極化(H)能夠穿透植物樹(shù)冠層, 特別是對(duì)于土壤狀況十分敏感。垂直極化(V)處理豎直結(jié)構(gòu)的信息, 對(duì)于植物/樹(shù)冠層的穿透十分敏感。VH和VV極化能包含不同的植被與土壤相互作用的信息。VH與VV的比值也被用作雷達(dá)影像的一個(gè)特征, 因?yàn)樗軌蛴行Ь徑怆p向回彈現(xiàn)象(double-bounce effect), 系統(tǒng)誤差和環(huán)境影像, 能進(jìn)一步提供更有效的植被信息[26-27]。

表1 Sentinel-2A光譜波段信息

Sentinel-1數(shù)據(jù)預(yù)處理的目的是將Sentinel-1 C波段SAR原始強(qiáng)度信號(hào)數(shù)據(jù)轉(zhuǎn)換為以分貝(dB)為單位的標(biāo)度后向散射系數(shù), 預(yù)處理步驟如下: 1)軌道校正, 避免由軌道誤差引起的系統(tǒng)誤差; 2)熱噪聲去除, 減弱由傳感器等其他原因引起的周期性噪聲; 3)采用精致Lee濾波(refined Lee)進(jìn)行濾波處理, 抑制相干噪聲; 4)地形校正, 改善圖像畸變, 使其幾何特征更符合真實(shí)地物; 5)輻射校正, 提取VH和VV通道的后向散射系數(shù)(Sigma0_VH和Sigma0_VV), 并導(dǎo)出為ENVI文件格式; 6)對(duì)后向散射系數(shù)圖像進(jìn)行波段計(jì)算, 得到VV/VH極化方式影像數(shù)據(jù), 采用波段合成方式, 將VV、VH、VV/VH影像數(shù)據(jù)構(gòu)成Sentinel-1后像散射系數(shù)數(shù)據(jù)集。

Sentinel-2數(shù)據(jù)已經(jīng)過(guò)幾何校正和輻射校正, 因此只需利用Sen2cor插件對(duì)Sentinel-2A的L1C數(shù)據(jù)進(jìn)行大氣校正, 得到L2A數(shù)據(jù)產(chǎn)品。選取大氣校正后的9個(gè)波段, 分別為2、3、4、5、6、7、8a、11、12用于提取濕地信息, 重采樣為10 m。在此基礎(chǔ)上, 為了較好判別濕地土地覆蓋類型, 對(duì)Sentinel- 2A數(shù)據(jù)進(jìn)行相關(guān)性分析, 以信息量判斷最佳波段組合, 如圖2所示, 采用3、11和8a波段進(jìn)行RGB假彩色合成。最后, 將預(yù)處理后的Sentinel-1A影像和Sentinel-2A影像進(jìn)行地理配準(zhǔn), 配準(zhǔn)誤差小于0.5個(gè)像元。

圖2 RGB(B3、B11、B8a)假彩色合成

1.2.2 樣本與驗(yàn)證數(shù)據(jù)

樣本質(zhì)量直接關(guān)系到濕地信息提取的精度, 應(yīng)選擇典型且具有代表性的純凈像元作為樣本[28]。本文的樣本數(shù)據(jù)主要來(lái)自于黃河三角洲濕地的現(xiàn)場(chǎng)實(shí)地踏勘和依據(jù)Google Earth高分辨率影像進(jìn)行目視解譯。2020年10月, 課題組對(duì)黃河三角洲自然保護(hù)區(qū)進(jìn)行了現(xiàn)場(chǎng)勘察, 將研究區(qū)域內(nèi)的地物類型劃分為9類, 如表2所示, 分別為互花米草、坑塘、蘆葦、潮灘、裸地、河流海域、天然柳林、鹽地堿蓬和檉柳, 對(duì)研究區(qū)內(nèi)不同的植被分布和地物類型進(jìn)行記錄并拍照, 未記錄的地物類型則通過(guò)Google Earth目視解譯。為了避免因樣本數(shù)據(jù)的比例不同而引起的誤差[17], 本文設(shè)定的9類濕地地物樣本數(shù)共3 485個(gè), 以3∶2的比例, 將所有的樣本隨機(jī)分成訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)。

2 研究方法

2.1 特征提取

針對(duì)黃河三角洲地物類型復(fù)雜、外觀差異大、密度不均等特點(diǎn), 選取SAR紋理特征和5種植被指數(shù), 分析9種地物類型的可分性。

紋理的本質(zhì)是空間中不同像素點(diǎn)的相互作用, 不同的地物類型在SAR影像上具有不同的紋理特征?；叶裙采仃囀且环N經(jīng)典且應(yīng)用廣泛的紋理分析方法[29]。本文選取角二階矩、相關(guān)性、對(duì)比度、同質(zhì)性和熵5個(gè)特征量作為紋理特征, 選取窗口大小為3×3, 計(jì)算5個(gè)特征量在0°、45°、90°和135°這4個(gè)方向的灰度共生矩陣, 并對(duì)4個(gè)方向的提取結(jié)果分別取平均。歸一化差分植被指數(shù)(NDVI)應(yīng)用及其廣泛, 能夠減弱與大氣有關(guān)的影響, 增強(qiáng)植被信息[30]; 比值植被指數(shù)(RVI)對(duì)植被覆蓋度高的區(qū)域較敏感, 與生物量的相關(guān)性較好, 能夠反映各種植被蓋度和生長(zhǎng)狀況的差異[31]; 差值植被指數(shù)(DVI), 對(duì)土壤的背景變化敏感, 有利于監(jiān)測(cè)植被的生長(zhǎng)狀況[32]; 歸一化差分紅外指數(shù)(NDII)和差分紅外指數(shù)(DII)對(duì)水分含量敏感, 能夠反映不同地物類型對(duì)水吸收能力的差異[33-34]。表3詳細(xì)描述了5種植被指數(shù)及其計(jì)算公式。

表2 地物解譯標(biāo)志及樣本數(shù)量

2.2 分類模型

典型相關(guān)森林(CCF)是由Rainforth等[35]于2015年提出的一種基于決策樹(shù)的集成算法。如圖3所示, 該算法的主要思想是構(gòu)造典型相關(guān)樹(shù)(canonical correlation tree, CCT)的數(shù)目。通過(guò)應(yīng)用典型相關(guān)分析(Canonical Correlation Analysis, CCA)來(lái)構(gòu)建每個(gè)CCT, 以在特征(即光譜、后向散射系數(shù)、紋理特征和植被指數(shù))和類別標(biāo)簽(即9種地物類別)之間提供最大相關(guān)性的特征投影, 并在該投影空間中使用窮舉搜索法選擇最佳分割[36]。CCF與RF相比, 有以下兩點(diǎn)主要區(qū)別: (1)RF的每棵樹(shù)都是根據(jù)訓(xùn)練數(shù)據(jù)集里隨機(jī)且有放回地抽取一定數(shù)量的樣本進(jìn)行訓(xùn)練的, 而CCF的每棵樹(shù)都是通過(guò)與訓(xùn)練數(shù)據(jù)集樣本總數(shù)相同的訓(xùn)練子集訓(xùn)練的; (2)在RF中, 對(duì)決策樹(shù)中每個(gè)節(jié)點(diǎn)分割時(shí), 選擇一組隨機(jī)特征子集, 分割候選集對(duì)應(yīng)于使用這些特征數(shù)據(jù)的所有唯一軸對(duì)齊分區(qū)。在CCF訓(xùn)練中, 也選取特征的一個(gè)隨機(jī)子集, 但首先使用投影引導(dǎo)的CCA將特征投影到規(guī)范分量空間中, 并將分割候選集對(duì)應(yīng)于該投影空間中唯一的分區(qū), 所選擇的分區(qū)意味著可以在測(cè)試時(shí)直接使用超平面分割[37]。

表3 植被指數(shù)定義

圖3 CCF模型的簡(jiǎn)單結(jié)構(gòu)

CCF的工作流程如下:

(1)對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行次隨機(jī)有放回地采樣(為訓(xùn)練數(shù)據(jù)集樣本總數(shù), 此過(guò)程稱為Bagging), 形成個(gè)訓(xùn)練子集;

(2)對(duì)每個(gè)訓(xùn)練子集數(shù)據(jù)特征和標(biāo)簽進(jìn)行典型相關(guān)分析, 得到典型相關(guān)系數(shù)和投影特征空間, 并將個(gè)訓(xùn)練子集的原始數(shù)據(jù)特征投影到投影空間中;

(3)在投影特征空間中, 使用窮舉搜索從候選集合中選擇最優(yōu)分割來(lái)完成超平面分割, 分割以劃分后數(shù)據(jù)集雜質(zhì)更少為目標(biāo);

(4)對(duì)每棵典型相關(guān)樹(shù)模型進(jìn)行獨(dú)立訓(xùn)練生成單棵典型相關(guān)樹(shù), 對(duì)所有典型相關(guān)樹(shù)進(jìn)行集成得到典型相關(guān)森林;

(5)對(duì)每棵樹(shù)的結(jié)果采用多數(shù)投票的方式獲得分類結(jié)果。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)設(shè)計(jì)

如表4所示, 以Sentinel-2A多光譜影像(記為方案S2)、Sentinel-2A和Sentinel-1A影像二者綜合(記為方案S1+S2)、加入SAR紋理特征(記為方案S1+ S2_M)以及加入5種植被指數(shù)(記為方案S1+S2_V)分別作為CCF的輸入數(shù)據(jù), 進(jìn)行黃河口濕地典型地物類型的分類實(shí)驗(yàn)。為了驗(yàn)證CCF的精度, 分別與SVM和RF分類算法比較。SVM核函數(shù)選擇RBF(徑向基)核函數(shù), 懲罰系數(shù)為100。RF選擇樹(shù)的數(shù)量為100, 特征數(shù)量為4。CCF樹(shù)的棵數(shù)為100。

表4 方案參數(shù)

3.2 分類結(jié)果與精度評(píng)定

8種不同方案的提取結(jié)果如圖4所示。定性評(píng)價(jià)具有一定的主觀性, 故選取了總體精度(overall accuracy, OA, 記為O)、Kappa系數(shù)、用戶精度(user’s accuracy, UA, 記為U) 和生產(chǎn)者精度(producer’s accuracy, PA, 記為P)4項(xiàng)指標(biāo)進(jìn)行定量評(píng)價(jià), 計(jì)算公式如(1)—(4)所示。

式中,表示類別數(shù)目,表示像元總數(shù),m表示被正確分類的像元數(shù),m+表示分類結(jié)果中第類總和,+i表示真實(shí)像元第類總和。

采用驗(yàn)證數(shù)據(jù)對(duì)提取結(jié)果進(jìn)行精度評(píng)價(jià), CCF的分類結(jié)果最接近于黃河三角洲濕地的地物分布。由表5 和土地覆蓋分類圖4(a)、圖4(b)、圖4(c)可以看出: 在Sentinel-2A影像的基礎(chǔ)上, SVM分類算法得到的總體精度為87.77%, Kappa系數(shù)為0.850 2; RF的總體精度為88.85%, Kappa系數(shù)為0.863 9; CCF的總體精度為94.32%, Kappa系數(shù)為0.930 3。從生產(chǎn)者精度看, CCF對(duì)9種地物的分類精度均高于SVM和RF分類精度。與SVM算法相比, CCF算法的坑塘精度提高最為顯著, 提高了15.72%, 蘆葦和裸地的精度分別提升了10.54%和8.83%。與RF算法相比, CCF算法的天然柳林精度提高最為顯著, 提高了8.09%, 坑塘和蘆葦分別提高了7.79%和7.11%。由表6、表7和表8可以看出, SVM和RF對(duì)于天然柳林和蘆葦?shù)奶崛〗Y(jié)果較差, 錯(cuò)分較為嚴(yán)重, 主要錯(cuò)分為蘆葦和互花米草。CCF對(duì)于高度相似的互花米草、天然柳林和蘆葦三種地物的提取精度均有所提升, 漏分錯(cuò)分現(xiàn)象明顯減少, 相較于RF和SVM, CCF算法更適應(yīng)于黃河三角洲濕地信息提取。

圖4 不同分類算法的黃河三角洲濕地土地覆蓋分類

表5 光學(xué)影像的不同分類方法的精度評(píng)價(jià)

表6 SVM_S2方案分類結(jié)果混淆矩陣

表7 RF_S2方案分類結(jié)果混淆矩陣

表8 CCF_S2方案分類結(jié)果混淆矩陣

表9的結(jié)果表明, 光學(xué)和SAR聯(lián)合后有利于黃河三角洲濕地信息的提取, 3種方法中SAR與光學(xué)聯(lián)合的分類精度均高于僅運(yùn)用光學(xué)影像的分類精度。SVM算法相比于僅用光學(xué)影像總體精度和Kappa系數(shù)分別提升了1.70%和0.020 8, RF算法分別提升了2.03%和0.024 6, CCF算法分別提升了0.57%和0.005 0。從表10和生產(chǎn)者精度看, CCF對(duì)光學(xué)和SAR聯(lián)合的分類結(jié)果在互花米草、蘆葦和天然柳林中均高于僅運(yùn)用光學(xué)影像的分類結(jié)果, 其中天然柳林提高最大為5.88%, 互花米草和蘆葦分別提升2.23%和1.19%。從圖4(c)和圖4(f)可以看出, 研究區(qū)內(nèi)天然柳林的生長(zhǎng)較為分散且與蘆葦伴生, 導(dǎo)致單一的光學(xué)影像無(wú)法精確提取天然柳林, 而SAR后向散射系數(shù)的加入極大改善了天然柳林的錯(cuò)分誤分狀況。

表11和圖4(g)的結(jié)果表明, 在SAR和光學(xué)聯(lián)合的基礎(chǔ)上加入SAR紋理特征后, 總體精度和Kappa系數(shù)為94.72%和0.935 3, 均略有下降, 說(shuō)明紋理特征不一定會(huì)提高提取精度, 由于信息的冗余導(dǎo)致精度降低。SAR紋理特征只對(duì)互花米草、潮灘、河流海域和鹽地堿蓬的生產(chǎn)者精度略有提升, 由此說(shuō)明紋理特征適用于紋理信息較為明顯且單一的地物類型。

表9 SAR與光學(xué)聯(lián)合的不同分類方法的精度評(píng)價(jià)

表10 CCF_S1+S2方案分類結(jié)果混淆矩陣

表11 加入特征后的精度評(píng)價(jià)

由表11、表12和圖4(h)可以看出, 加入植被指數(shù)后, 總體精度為95.35%, Kappa系數(shù)為0.942 9。天然柳林、裸地、蘆葦、河流海域、潮灘、互花米草和坑塘的生產(chǎn)者精度分別提高了1.84%、1.47%、0.77%、0.74%、0.33%、0.20%和0.15%。結(jié)果表明, 植被指數(shù)的輸入可以深入挖掘有利于地物區(qū)分的特征信息, 同時(shí)進(jìn)一步提高總體分類精度。因此, 結(jié)合植被指數(shù)的遙感影像, 能利用優(yōu)勢(shì)、彌補(bǔ)缺陷, 提高黃河三角洲濕地信息提取精度。

綜合來(lái)看, 3種算法的光學(xué)和SAR聯(lián)合分類相較于僅應(yīng)用光學(xué)影像分類精度明顯提升, 漏分和錯(cuò)分的情況減少, 從分類結(jié)果和精度表看, CCF算法對(duì)黃河三角洲濕地地物的識(shí)別能力較強(qiáng), 分類精度更高, SVM算法對(duì)濕地地物的識(shí)別能力相對(duì)較差?？偟膩?lái)說(shuō), 通過(guò)3種算法的實(shí)驗(yàn), 驗(yàn)證了SAR與光學(xué)聯(lián)合的分類方法對(duì)黃河三角洲濕地信息提取的優(yōu)勢(shì)。

表12 CCF_S1+S2_V方案分類結(jié)果混淆矩陣

4 結(jié)論與討論

本文以黃河三角洲自然保護(hù)區(qū)為研究, 結(jié)合光學(xué)和SAR影像以及植被指數(shù)利用支持向量機(jī)、隨機(jī)森林、典型相關(guān)森林3種算法開(kāi)展黃河三角洲濕地信息提取, 通過(guò)以上研究, 得到以下結(jié)論:

(1)基于Sentinel-2A多光譜影像, 應(yīng)用3種分類方法得到的黃河三角洲濕地信息提取, 總體分類精度分別為87.77%、88.85%、94.32%, Kappa系數(shù)分別為0.850 2、0.863 9、0.930 3。CCF的分類結(jié)果與黃河三角洲濕地的真實(shí)地物高度吻合, 從生產(chǎn)者精度看, CCF提升了SVM和RF分別在坑塘和天然柳林的精度, 在一定程度上減少了地物像元的混分現(xiàn)象。在黃河三角洲濕地信息提取中, CCF分類模型具有更好的可行性。

(2)利用Sentinel-2A多光譜結(jié)合 VV、VH、VV/VH極化的Sentinel-1A SAR后向散射系數(shù)影像, 與光學(xué)影像相比, 3種分類方法的總體精度和Kappa系數(shù)均得到提升, 總計(jì)精度分別提高了1.70%、2.03%、0.57%, Kappa系數(shù)分別提高了0.020 8、0.024 6、0.007 0。由此說(shuō)明, SAR與光學(xué)聯(lián)合可以有效提高黃河三角洲濕地信息提取精度。

(3)在SAR與光學(xué)聯(lián)合的基礎(chǔ)上加入SAR紋理特征后, CCF的總體精度和Kappa略有下降, 分別降低了0.17%和0.002 0, 說(shuō)明SAR紋理特征不適用于黃河三角洲的濕地信息提取。

(4)在SAR與光學(xué)聯(lián)合的基礎(chǔ)上加入NDVI、RVI、DVI、NDII和DII以上5種植被指數(shù), 最終CCF總體精度提高0.46%, Kappa系數(shù)提高0.005 6, 天然柳林、裸地、蘆葦、河流海域、潮灘、互花米草和坑塘的生產(chǎn)者精度均得到提高。

后續(xù)研究將考慮引入紅邊指數(shù)和多時(shí)相數(shù)據(jù)集, 采取多特征優(yōu)選的濕地信息提取, 實(shí)現(xiàn)黃河三角洲典型地物的高精度智能識(shí)別, 進(jìn)而為黃河三角洲自然保護(hù)區(qū)的管理和保護(hù)提供理論參考和技術(shù)支撐。

[1] 宮寧, 牛振國(guó), 齊偉, 等.中國(guó)濕地變化的驅(qū)動(dòng)力分析[J]. 遙感學(xué)報(bào), 2016, 20(2): 172-183.

GONG Ning, NIU Zhenguo, QI Wei, et al. Driving force analysis of wetland change in China[J]. Journal of Remote Sensing, 2016, 20(2): 172-183.

[2] 馬玥.基于多源遙感信息綜合的濕地土地覆被分類研究[D]. 長(zhǎng)春: 吉林大學(xué), 2018.

MA Yue. Wetland land cover classification based onmulti-source remote sensing information synthesis[D]. Changchun: Jilin University, 2018.

[3] DING Q, LIU J B, YU J P, et al. Combination of LiDAR’s multiple attributes for wetland classification: A case study of Yellow River Delta[J]. Canadian Journal of Remote Sensing, 2020, 46(6): 753-764.

[4] GONG Z N, ZHANG C, ZHANG L, et al. Assessing spatiotemporal characteristics of native and invasive species with multi-temporal remote sensing images in the Yellow River Delta, China[J]. Land Degradation & Development, 2020, 32(3): 1338-1352.

[5] LIU J T, FENG Q L, GONG J H, et al. Land-cover classification of the Yellow River Delta wetland based on multiple end-member spectral mixture analysis and a Random Forest classifier[J]. International Journal of Remote Sensing, 2016, 37(8): 1845-1867.

[6] 楊朝輝, 白俊武, 陳志輝, 等. 利用Sentinel-2A影像的面向?qū)ο筇卣鳚竦貨Q策樹(shù)分類方法[J]. 測(cè)繪科學(xué)技術(shù)學(xué)報(bào), 2019, 36(3): 262-268.

YANG Zhaohui, BAI Junwu, CHEN Zhihui, et al. Wetland decision tree classification using sentinel-2A image based on surface object feature[J]. Journal of Surveying and Mapping Science and Technology, 2019, 36(3): 262-268.

[7] MLECZKO M, MROZ M. Wetland Mapping using SAR Data from the Sentinel-1A and TanDEM-X missions: A comparative study in the Biebrza Floodpla in (Poland)[J]. Remote Sensing, 2018, 10(1): 78-78.

[8] GOSSELIN G, TOUZI R, CAVAYAS F. Polarimetric Radarsat-2 wetland classification using the Touzi decomposition: case of the Lac Saint-Pierre Ramsar wetland[J]. Canadian Journal of Remote Sensing, 2014, 39(6): 491-506.

[9] 解淑毓, 付波霖, 李穎, 等. 基于多維度遙感影像的洪河國(guó)家級(jí)自然保護(hù)區(qū)沼澤濕地分類方法研究[J]. 濕地科學(xué), 2021, 19(1): 1-16.

XIE Shuyu, FU Bolin, LI Ying, et al. Wetland classification based on multi-dimensional remote sensing image in Honghe National Nature Reserve[J]. Wetland Science, 2021, 19(1): 1-16.

[10] 李鵬, 黎達(dá)輝, 李振洪, 等. 黃河三角洲地區(qū)GF-3雷達(dá)數(shù)據(jù)與Sentinel-2多光譜數(shù)據(jù)濕地協(xié)同分類研究[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2019, 44(11): 1641-1649.

LI Peng, LI Dahui, LI Zhenhong, et al. Wetland classification based on GF-3 radar data and Sentinel-2 multispectral data in the Yellow River Delta[J]. Journal of Wuhan University (Information Science), 2019, 44(11): 1641-1649.

[11] LONG X R, LI X Y, LIN H, et al. Mapping the vegetation distribution and dynamics of a wetland using a daptive- stacking and Google Earth Engine based on multi-source remote sensing data[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 102: 102453

[12] FRANKLIN S E, SKERIES E M, STEFANUK M A, et al. Wetland classification using Radarsat-2 SAR quad- polarization and Landsat-8 OLI spectral response data: a case study in the Hudson Bay Lowlands Ecoregion[J]. International Journal of Remote Sensing, 2018, 39(6): 1615-1627.

[13] 劉煥軍, 楊昊軒, 徐夢(mèng)園, 等. 基于裸土期多時(shí)相遙感影像特征及最大似然法的土壤分類[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(14): 132-139, 304.

LIU Huanjun, YANG Haoxuan, XU Mengyuan, et al. Soil classification based on multi-temporal remote sensing imagecharacteristics and maximum likelihood method in bare soil[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(14): 132- 139, 304.

[14] 方炫, 安韶山, 薛志婧, 等. 基于最大似然法與矩法的黃土高原小流域土壤碳氮空間變異分析[J]. 水土保持通報(bào), 2014, 34(4): 141-146.

FANG Xuan, AN Shaoshan, XUE Zhijing, et al. Spatial variation of soil carbon and nitrogen in small watershed of loess Plateau based on maximum likelihood method and moment method[J]. Bulletin of Soil and Water Conservation, 2014, 34(4): 141-146.

[15] 劉毅, 杜培軍, 鄭輝, 等. 基于隨機(jī)森林的國(guó)產(chǎn)小衛(wèi)星遙感影像分類研究[J]. 測(cè)繪科學(xué), 2012, 37(4): 194-196.

LIU Yi, DU Peijun, ZHENG Hui, et al. Classification of domestic small satellite remote sensing Images based on random forest[J]. Science of Surveying and Mapping, 2012, 37(4): 194-196.

[16] 張曉羽, 李鳳日, 甄貞, 等. 基于隨機(jī)森林模型的陸地衛(wèi)星-8遙感影像森林植被分類[J]. 東北林業(yè)大學(xué)學(xué)報(bào), 2016, 44(6): 53-57, 74.

ZHANG Xiaoyu, LI Fengri, ZHEN Zhen, et al. Forest vegetation classification based on Landsat-8 remote sensing image based on random forest model[J]. Journal of Northeast Forestry University, 2016, 44(6): 53- 57, 74.

[17] 張磊, 宮兆寧, 王啟為, 等. Sentinel-2影像多特征優(yōu)選的黃河三角洲濕地信息提取[J]. 遙感學(xué)報(bào), 2019, 23(2): 313-326.

ZHANG Lei, GONG Zhaoning, WANG Qiwei, et al. Extraction of wetland information from Sentinel-2image based on multi-feature optimization[J]. Journal of Remote Sensing, 2019, 23(2): 313-326.

[18] 張靜, 劉忠寶, 宋文愛(ài), 等. 基于多類支持向量機(jī)的恒星光譜分類方法[J]. 光譜學(xué)與光譜分析, 2018, 38(7): 2307-2310.

ZHANG Jing, LIU Zhongbao, SONG Wenai, et al. Spectral classification of stars based on multi-class Support vector Machine[J]. Spectroscopy and Spectral Analysis, 2018, 38(7): 2307-2310.

[19] 陳磊士, 高霞霞, 廖玉芳, 等. 基于CART決策樹(shù)的高分二號(hào)洞庭湖區(qū)濕地分類方法[J]. 測(cè)繪通報(bào), 2021(6): 12-15.

CHEN Leishi, GAO Xiaxia, LIAO Yufang, et al. Wetland classification in Dongting Lake Area based on Gaofen-2 CART decision Tree[J]. Bulletin of Surveying and Mapping, 2021(6): 12-15.

[20] 劉翔, 劉會(huì)玉, 林振山, 等. 基于Landsat OLI影像的鹽城濱海濕地分類方法對(duì)比研究[J]. 濕地科學(xué), 2017, 15(5): 689-696.

LIU Xiang, LIU Huiyu, LIN Zhenshan, et al. Comparison of classification methods of coastal wetlandsin Yancheng based on Landsat OLI image[J]. Wetland Science, 2017, 15(5): 689-696.

[21] 陳富龍, 王超, 張紅. 改進(jìn)最大似然遙感影像分類方法——以SAR影像為例[J]. 國(guó)土資源遙感, 2008(1): 75-78.

CHEN Fulong, WANG Chao, ZHANG Hong. Remote Sensing image classification based on an improved maximum-likelihood method: with SAR images as an example[J]. Remote Sensing for Land and resources, 2008(1): 75-78.

[22] PAN H. A feature sequence-based 3D convolutional method for wetland classification from multispectral images[J]. Remote Sensing Letters, 2020, 11(9): 837-846.

[23] AMANI M, ASLEHI B, MAHDAVI S, et al. A Multiple Classifier System to improve mapping complex land covers: a case study of wetland classification using SAR data in Newfoundland, Canada[J]. International Journal of Remote Sensing, 2018, 39(21): 7370-7373.

[24] SAHIN E K, COLKESEN I, KAVZOGLU T, et al. A comparative assessment of canonical correlation forest, random forest, rotation forest and logistic regression method for landslide susceptibility mapping[J]. Geocarto International, 2020, 35(1/4): 341-363.

[25] 劉莉, 韓美, 劉玉斌, 等. 黃河三角洲自然保護(hù)區(qū)濕地植被生物量空間分布及其影響因素[J]. 生態(tài)學(xué)報(bào), 2017, 37(13): 4346-4355.

LIU Li, HAN Mei, LIU Yubin, et al. Spatial distribution and influencing factors of wetland vegetation biomass in Yellow River Delta Nature Reserve[J]. Acta Ecologica Sinica, 2017, 37(13): 4346-4355.

[26] VELOSO A, MERMOZ S, BOUVET A, et al. Understanding the temporal behavior of crops using Sentinel-1 and Sentinel-2-like data for agricultural applications[J]. Remote Sensing of Environment, 2017, 199: 415-426.

[27] 陶?qǐng)A. 結(jié)合光學(xué)與雷達(dá)遙感數(shù)據(jù)的覆膜農(nóng)田機(jī)器學(xué)習(xí)分類制圖對(duì)比研究[D]. 杭州: 浙江大學(xué), 2021.

TAO Yuan. Comparative study on classification mapping of mulched farmland based on machine learning combined with optical and radar remote sensing data[D]. Hangzhou: Zhejiang University, 2021.

[28] 劉舒, 姜琦剛, 馬玥, 等. 基于多目標(biāo)遺傳隨機(jī)森林特征選擇的面向?qū)ο鬂竦胤诸怺J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2017, 48(1): 119-127.

LIU Shu, JIANG Qigang, MA Yue, et al. Object-oriented wetland classification based on multi-objective Genetic random Forest Feature Selection[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(1): 119-127.

[29] 付仲良, 張文元, 孟慶祥. 灰度和紋理特征組合的SAR影像SVM分類[J]. 應(yīng)用科學(xué)學(xué)報(bào), 2012, 30(5): 498-504.

FU Zhongliang, ZHANG Wenyuan, MENG Qingxiang. SVM classification of SAR image based on gray scale and texture feature combination[J]. Chinese Journal of Applied Science, 2012, 30(5): 498-504.

[30] 劉鶴. 基于深度學(xué)習(xí)的高分辨率遙感影像森林參數(shù)提取研究[D]. 長(zhǎng)春: 吉林大學(xué), 2021.

LIU He. Forest parameter extraction from high-resolution remote sensing images based on deep learning[D]. Chang-chun: Jilin University, 2021.

[31] 劉超. 基于遙感數(shù)據(jù)的1995~2020年加拿大Alberta油砂礦區(qū)周邊植被變化研究[D]. 長(zhǎng)春: 吉林大學(xué), 2021.

LIU Chao. Vegetation change around the Alberta oilsands mining area in Canada from 1995 to 2020 based on remote sensing data[D]. Changchun: Jilin University, 2021.

[32] LI X W, JI G S, YANG J. Estimating cyanophyta biomass standing crops in Meiliang Gulf of Lake Taihu by satellite remote sensing[J]. Remote Sensing for Land and Resources, 1995, 7(2): 3-28.

[33] EMILY H W, STEVEN A S. Detection of forest harvest type using multiple dates of Landsat TM imagery[J]. Remote Sensing of Environment, 2002, 80(3): 385-396.

[34] 朱玉玲, 王建步, 王安東, 等. 融合淺層特征的深度卷積神經(jīng)網(wǎng)絡(luò)互花米草遙感監(jiān)測(cè)方法[J]. 海洋科學(xué), 2019, 43(7): 12-22.

ZHU Yuling, WANG Jianbu, WANG Andong, et al. Remote sensing monitoring method ofbased on deep convolutional neural network[J]. Marine Sciences, 2019, 43(7): 12-22.

[35] RAINFORTH T, WOOD F. 2015. Canonical correlation forests[J/OL]. Computer Science, 2017:1-51[2017-08- 09]. https://arxiv.org/abs/1507.05444.pdf.

[36] NAM T H, MERILYN M H, TIEN D P, et al. A comparative assessment of ensemble based machine larning and maximum likelihood methods for mapping seagrass using Sentinel-2 imagery in Tauranga Harbor, New Zealand[J]. Remote Sensing, 2020, 12(3): 355-371.

[37] ISMAIL C, TASKIN K. Ensemble-based canonical correlation forest (CCF) for land use and land cover classification using Sentinel-2 and Landsat OLI imagery[J]. Remote Sensing Letters, 2017, 8(11): 1082-1091.

Extraction of wetland information from Sentinel-1 and Sentinel-2 images in the Yellow River Delta

LIU Chang1, WANG Yan2, WANG Zhao2, SHENG Hui1, XU Ming-ming1, LIU Shan-wei1

(1. College of Oceanography and Space Information, China University of Petroleum (East China), Qingdao 266580, China; 2. Qingdao Geotechnical Investigation and Surveying Research Institute, Qingdao 266000, China)

In order to solve the problems of “same object with different spectrum” and “foreign object with same spectrum” in wetland information extraction, the Yellow River Delta Nature Reserve was taken as the experimental area, and canonical correlation forest algorithm, which has advantages in information extraction, was adopted. Sentinel-1A radar image and Sentinel-2A multi-spectral image were taken as the basic data. The effects and applicability of multi-spectral image, Synthetic Aperture Radar (SAR) and multispectral synthesis, SAR texture feature and vegetation index for wetland information extraction were investigated. The results show that: (1) Based on Sentinel-2A multispectral images, the overall accuracy of Canonical Correlation Forest (CCF) is the highest, reaching 94.32%, which is 6.55% and 5.47% higher than that of support vector machine and random Forest classification algorithm, respectively; (2) The overall accuracy of CCF based on Sentinel-2A multispectral image and Sentinel-1A backscattering coefficient is 94.89%. Compared with the sentinel-2A multispectral image, the overall accuracy and Kappa coefficient of CCF based on sentinel-1A backscattering coefficient are improved; (3) The overall accuracy and Kappa coefficient decreased slightly after adding SAR texture feature, which were 94.72% and 0.935 3, respectively; (4) After adding Normalized Difference Vegetation Index (NDVI), Ratio Vegetation Index (RVI), Difference Vegetation Index (DVI), Normalized Difference Infrared Index (NDII) and Differential Infrared Index (DII) on the basis of SAR and optical combination, the overall accuracy is up to 95.35%.The producer accuracy of seven kinds of land features was improved, which effectively improved the extraction ability of wetland information in the Yellow River Delta. The experimental results can provide scientific support for the rational development and effective protection of the Yellow River Delta wetland.

information extraction; SAR; Sentinel-2; Canonical Correlation Forest; Yellow River Delta

Apr. 29, 2022

TP79

A

1000-3096(2023)5-0002-13

10.11759/hykx20220429010

2022-04-29;

2022-06-27

中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)項(xiàng)目(22CX01004A-8); 國(guó)家自然科學(xué)基金面上項(xiàng)目(62071492)

[Special Fund for Basic Scientific Research Business Expenses of Central Universities, No. 22CX01004A-8; General Program of National Natural Science Foundation of China; No. 62071492]

劉暢(1996—), 女, 江蘇鹽城人, 碩士研究生, 主要從事河口濕地遙感監(jiān)測(cè)研究, E-mail: 912187552@qq.com; 盛輝(1972—), 山東菏澤人,通信作者, 副教授, 主要從事海洋遙感研究, E-mail: sheng@upc.edu.cn

(本文編輯: 叢培秀)