高常軍，甄佳寧，沈 震，王俊杰，徐 逸，鄔國(guó)鋒

(1.廣東省林業(yè)科學(xué)研究院，廣東省森林培育與保護(hù)利用重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510520；2.中國(guó)科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所，中國(guó)科學(xué)院濕地生態(tài)與環(huán)境重點(diǎn)實(shí)驗(yàn)室，吉林 長(zhǎng)春 130102；3.深圳大學(xué)建筑與城市規(guī)劃學(xué)院,廣東 深圳 518060；4.自然資源部大灣區(qū)地理環(huán)境監(jiān)測(cè)重點(diǎn)實(shí)驗(yàn)室，廣東 深圳 518060；5.深圳大學(xué)生命與海洋科學(xué)學(xué)院,廣東 深圳 518060；6.Faculty of Geo-Information Science and Earth Observation，University of Twente，Enschede 7514 AE，Netherlands)

紅樹(shù)林是生長(zhǎng)在熱帶、亞熱帶海岸潮間帶的木本植物群落[1]。受臺(tái)風(fēng)、海嘯和人類(lèi)活動(dòng)破壞的影響，全球有67%的紅樹(shù)林曾經(jīng)遭受不可逆的破壞，紅樹(shù)林的受威脅程度高于熱帶雨林和其他內(nèi)陸森林[2]。近年來(lái)，雖然中國(guó)的紅樹(shù)林在不斷恢復(fù)[3-4]，但是目前的紅樹(shù)林面積也僅約為歷史上紅樹(shù)林最大面積的1/10[5]。因此，中國(guó)的紅樹(shù)林恢復(fù)空間巨大。

對(duì)紅樹(shù)林中紅樹(shù)物種種群信息的識(shí)別和提取是紅樹(shù)林遙感研究的基礎(chǔ)工作，其信息提取精度能直接影響紅樹(shù)林理化參數(shù)和生態(tài)系統(tǒng)過(guò)程等指標(biāo)定量反演的準(zhǔn)確性[6-7]。與陸地植物相比，由于紅樹(shù)生長(zhǎng)在灘涂上，下墊面吸熱量大，其反射率明顯偏低；而紅樹(shù)林中各種紅樹(shù)物種種群之間的光譜差異很細(xì)微。因此，紅樹(shù)物種種群識(shí)別比紅樹(shù)林范圍識(shí)別對(duì)遙感數(shù)據(jù)空間分辨率和分類(lèi)算法的要求更高。

研究表明，中低分辨率的遙感數(shù)據(jù)可以用于紅樹(shù)林范圍識(shí)別，但是無(wú)法對(duì)小斑塊紅樹(shù)林中的紅樹(shù)物種種群進(jìn)行準(zhǔn)確區(qū)分[8]；而高分辨率的遙感數(shù)據(jù)能夠提供豐富的光譜特征和空間特征(紋理特征)信息，其在識(shí)別紅樹(shù)林中各種紅樹(shù)物種種群分布的研究中具有較大優(yōu)勢(shì)[9]。利用中等分辨率的Landsat-8、SPOT-5、Sentinel-2 衛(wèi)星影像數(shù)據(jù)和高分辨率的WorldView-2衛(wèi)星影像數(shù)據(jù)，對(duì)墨西哥沿岸紅樹(shù)林中的紅樹(shù)物種進(jìn)行遙感分類(lèi)，結(jié)果顯示，利用Landsat-8 影像數(shù)據(jù)得到分類(lèi)結(jié)果的總體分類(lèi)精度(64%)最低，利用SPOT-5 和Sentinel-2 影像數(shù)據(jù)得到的分類(lèi)結(jié)果的總體分類(lèi)精度(75%和78%)相近，利用WorldView-2 影像數(shù)據(jù)得到的分類(lèi)結(jié)果的總體分類(lèi)精度(93%)最高[10]。利用高分辨率的GF-2和RapidEye-4影像數(shù)據(jù)，對(duì)紅樹(shù)林中紅樹(shù)物種種群的總體分類(lèi)精度最高可達(dá)92.01%[11]。

一般采用非監(jiān)督分類(lèi)方法或者監(jiān)督分類(lèi)方法[12]，對(duì)紅樹(shù)林中的紅樹(shù)物種種群分布進(jìn)行遙感分類(lèi)。非監(jiān)督分類(lèi)方法與監(jiān)督分類(lèi)方法的區(qū)別在于是否需要訓(xùn)練數(shù)據(jù)或者先驗(yàn)知識(shí)。近年來(lái)，機(jī)器學(xué)習(xí)算法在遙感分類(lèi)中得到廣泛應(yīng)用。傳統(tǒng)機(jī)器學(xué)習(xí)算法(例如，支持向量機(jī)和決策樹(shù)算法等)是利用訓(xùn)練數(shù)據(jù)集尋找與實(shí)際分類(lèi)函數(shù)最接近的分類(lèi)器。但是，在多數(shù)情況下，單一分類(lèi)器的分類(lèi)結(jié)果難以滿足研究對(duì)分類(lèi)精度和效率的要求。集成學(xué)習(xí)算法(例如，隨機(jī)森林和梯度提升決策樹(shù)算法等)組合多個(gè)基分類(lèi)器的分類(lèi)結(jié)果，能彌補(bǔ)單一分類(lèi)器分類(lèi)結(jié)果的不足[13]，故其在紅樹(shù)林制圖和物種種群識(shí)別中被廣泛應(yīng)用[14-17]。目前，一些新提出的集成學(xué)習(xí)算法，例如，極端梯度提升(extreme gradient boosting，XGBoost)算法和輕量級(jí)梯度提升機(jī)(light gradient boosting machine，LightGBM)算法，在紅樹(shù)林物種種群識(shí)別中的應(yīng)用較少。

集成學(xué)習(xí)算法能否有效提高模型分類(lèi)能力與基分類(lèi)器和模型算法密切相關(guān)。本研究利用WorldView-2衛(wèi)星影像數(shù)據(jù)，構(gòu)建光譜和紋理特征數(shù)據(jù)集，采用決策樹(shù)(decision tree，DT)算法、隨機(jī)森 林(random forest，RF) 算 法、自 適 應(yīng) 提 升(adaptive boosting，AdaBoost)算法、梯度提升決策樹(shù)(gradient boosting decision，GBDT)算法、極端梯度提升算法和輕量級(jí)梯度提升機(jī)算法，對(duì)廣東湛江紅樹(shù)林國(guó)家級(jí)自然保護(hù)區(qū)核心區(qū)的高橋紅樹(shù)林區(qū)中的紅樹(shù)物種種群分布區(qū)進(jìn)行遙感分類(lèi)，旨在探討各種集成學(xué)習(xí)方法在紅樹(shù)物種種群遙感分類(lèi)上的適用性，以期為區(qū)域尺度紅樹(shù)林中紅樹(shù)物種種群的遙感分類(lèi)提供方法上的借鑒。

1 數(shù)據(jù)和方法

1.1 研究區(qū)

本研究以廣東湛江紅樹(shù)林國(guó)家級(jí)自然保護(hù)區(qū)核心區(qū)的高橋紅樹(shù)林區(qū)(21°31′N(xiāo) 至21°35′N(xiāo)，109°45′E 至109°48′E)為研究區(qū)(圖1)。研究區(qū)的總面積約為510 hm2[17]。該區(qū)域氣候?qū)儆谀蟻啛釒ШＱ笮约撅L(fēng)氣候，4 月至9月為多雨季節(jié)，8月的降水量最大，10 月至翌年3 月的降水量較小。研究區(qū)所在水域的年平均水溫為25～27 ℃，受不規(guī)則日潮影響，平均潮差為2.53 m，最大潮差為6.25 m[18]。

圖1 研究區(qū)和野外調(diào)查點(diǎn)分布圖Fig.1 Map of study area and field survey points

在研究區(qū)紅樹(shù)林中的主要紅樹(shù)物種包括桐花樹(shù)(Aegiceras corniculatum)、白骨壤(Avicennia marina)、木欖(Bruguiera gymnorrhiza)、紅海欖(Rhizophora stylosa)、秋茄(Kandelia obvolata)和無(wú)瓣海桑(Sonneratia apetala)等，各種紅樹(shù)物種種群呈帶狀分布，木欖種群的面積達(dá)300 hm2。在研究區(qū)的海岸帶上，分布著黃槿(Hibiscus tiliaceus)和海檬果(Cerbera manghas)等半紅樹(shù)物種。

1.2 數(shù) 據(jù)

本研究利用了2020 年10 月7 日(晴天)的WorldView-2衛(wèi)星遙感影像。多光譜波段影像的空間分辨率為2 m，全色波段影像的分辨率為0.5 m。

首先，利用ENVI 5.3 軟件的Gram-Schmidt Pan Sharpening工具，融合多光譜波段和全色波段影像；然后，對(duì)融合影像進(jìn)行輻射定標(biāo)、大氣校正和正射校正預(yù)處理。

1.3 方 法

1.3.1 野外調(diào)查方法

分別于2018 年5 月22 日至26 日、2018 年12月4 日至10 日、2019 年7 月22 日至24 日、2019 年12 月28 日、2020 年1 月2 日、2020 年8 月6 日至10日、2020 年12 月5 日至11 日，開(kāi)展了野外實(shí)地調(diào)查工作。

利用手持GPS，在白骨壤種群、木欖種群、紅海欖種群、桐花樹(shù)種群、無(wú)瓣海桑種群和秋茄種群分布區(qū)各確定了68 個(gè)、192 個(gè)、65 個(gè)、229 個(gè)、29 個(gè)和16 個(gè)(共599 個(gè))野外調(diào)查點(diǎn)。在每個(gè)野外調(diào)查點(diǎn)，記錄紅樹(shù)物種的名稱、地理位置和株高等信息。

根據(jù)野外調(diào)查結(jié)果，將研究區(qū)的地物劃分為白骨壤種群區(qū)、木欖種群區(qū)、紅海欖種群區(qū)、桐花樹(shù)種群區(qū)、無(wú)瓣海桑種群區(qū)、秋茄種群區(qū)、水域和灘涂共8種類(lèi)型。

訓(xùn)練樣本數(shù)量和空間分布的選擇是影響分類(lèi)模型精度的重要因素[19-20]。結(jié)合野外調(diào)查數(shù)據(jù)和無(wú)人機(jī)影像，在WorldView-2影像中，共獲取8 665個(gè)樣本點(diǎn)。其中，白骨壤種群區(qū)、木欖種群區(qū)、紅海欖種群區(qū)、桐花樹(shù)種群區(qū)、無(wú)瓣海桑種群區(qū)、秋茄種群區(qū)、水域和灘涂的樣本點(diǎn)數(shù)量分別為1 213個(gè)、1 261 個(gè)、1 240 個(gè)、1 221 個(gè)、1 198 個(gè)、150 個(gè)、1 175個(gè)和1 207個(gè)。在樣本數(shù)據(jù)集中，67%的樣本數(shù)據(jù)被用于訓(xùn)練模型，33%的樣本數(shù)據(jù)被用來(lái)驗(yàn)證模型。

1.3.2 分類(lèi)特征提取方法

提取WorldView-2 影像的光譜特征和紋理特征，用于對(duì)紅樹(shù)物種的精細(xì)遙感分類(lèi)。影像的光譜特征包括8個(gè)原始波段和12種植被指數(shù)[歸一化植被指數(shù)(NDVI)、綠色歸一化植被指數(shù)(GNDVI)、歸一化水指數(shù)(NDWI)、歸一化植被指數(shù)與歸一化水指數(shù)之差(CMRI)、葉綠素指數(shù)-綠光(CIg)、增強(qiáng)型植被指數(shù)2(EVI2)、改進(jìn)的簡(jiǎn)單比植被指數(shù)(MSR)、修正型三角植被指數(shù)(MTVI2)、優(yōu)化土壤調(diào)節(jié)植被指數(shù)(OSAVI)、修正型葉綠素吸收反射率指數(shù)(MCARI)、改進(jìn)型葉綠素吸收植被指數(shù)(MCARI2)和歸一化紅邊植被指數(shù)(NDVIRE)]的光譜特征。影像的紋理特征包括8種簡(jiǎn)單紋理特征、10 種高級(jí)紋理和10 種高階紋理特征。在提取影像的紋理特征時(shí)，分別計(jì)算3×3至29×29窗口的紋理特征。依據(jù)計(jì)算結(jié)果，確定本研究的遙感分類(lèi)最佳窗口為19×19。

利用python 語(yǔ)言，計(jì)算出12 種植被指數(shù)值。利用Orfeo ToolBox 開(kāi)源遙感軟件的Haralick Texture Extraction工具，提取影像的紋理特征。

為了得到紅樹(shù)物種種群識(shí)別的優(yōu)勢(shì)分類(lèi)特征，在訓(xùn)練分類(lèi)器之前，構(gòu)建了3組特征組合，其分別為WorldView-2 影像的8 個(gè)原始光譜波段(特征組合1)、WorldView-2 影像的8 個(gè)原始光譜波段+12種植被指數(shù)(特征組合2)、WorldView-2影像的8個(gè)原始光譜波段+12 種植被指數(shù)+28 種紋理特征(特征組合3)。

1.3.3 集成分類(lèi)器構(gòu)建

集成分類(lèi)器由多個(gè)基分類(lèi)器組成。裝袋(bagging)算法和提升(boosting)算法是集成算法中最具代表性的兩種算法。裝袋算法的代表性算法為隨機(jī)森林算法。提升算法中的代表性算法為自適應(yīng)提升、梯度提升決策樹(shù)、極端梯度提升和輕量級(jí)梯度提升算法等。利用python語(yǔ)言的sklearn機(jī)器學(xué)習(xí)工具包、極端梯度提升和輕量級(jí)梯度提升機(jī)第三方庫(kù)，實(shí)現(xiàn)集成算法。在模型訓(xùn)練過(guò)程中，采用十折網(wǎng)格搜索交叉驗(yàn)證方法，進(jìn)行模型參數(shù)調(diào)優(yōu)。

1.3.4 分類(lèi)結(jié)果精度的評(píng)價(jià)指標(biāo)

除了混淆矩陣、總體精度、生產(chǎn)者精度、用戶精度這些常用的遙感分類(lèi)精度評(píng)價(jià)指標(biāo)外，本研究采用總體不一致性[21-22]來(lái)替代傳統(tǒng)的Kappa 系數(shù)。總體不一致性是總體精度的補(bǔ)集，其可以分解為分配不一致性和數(shù)量不一致性。分配不一致性和數(shù)量不一致性的數(shù)值越小，表明分類(lèi)模型的性能越好。當(dāng)分配不一致性和數(shù)量不一致性的數(shù)值大于10%時(shí)，其所衡量的不一致是顯著的[23-24]。

2 結(jié)果與討論

2.1 分類(lèi)結(jié)果

采用6 種分類(lèi)器，利用3 種特征組合的數(shù)據(jù)，對(duì)紅樹(shù)林中的紅樹(shù)物種進(jìn)行遙感分類(lèi)，結(jié)果顯示，研究區(qū)的總面積為537.12 hm2，水域的面積為15.22 hm2，灘涂的面積為17.32 hm2，紅樹(shù)林總面積為504.58 hm2。

圖2 顯示，在高橋紅樹(shù)林區(qū)中，桐花樹(shù)種群和白骨壤種群的分布最廣，桐花樹(shù)種群主要分布在研究區(qū)北部西側(cè)的中、低潮帶處、北部東側(cè)沿岸靠近岸堤處和中部河流沿岸的低、中潮帶處；白骨壤是研究區(qū)的先鋒物種，其種群的聚集程度比較高，主要成片分布在研究區(qū)的中部和東南部，在不同的潮間帶都有分布；木欖種群和紅海欖種群的分布區(qū)域距離較近，主要分布在研究區(qū)西北部的中間地帶、中部和東南部靠近岸堤處；無(wú)瓣海桑種群主要分布在東北部和東南部岸堤處；秋茄種群分布區(qū)域最小，而且其常與桐花樹(shù)種群和木欖種群混生。

2.2 分類(lèi)精度

圖3 顯示，采用6 種算法和3 種特征組合的分類(lèi)結(jié)果的總體分類(lèi)精度變化在81.22%～93.15%之間。其中，基于特征組合3的輕量級(jí)梯度提升機(jī)算法分類(lèi)結(jié)果的總體分類(lèi)精度最高，為93.15%，其分配不一致性值為5.07%，數(shù)量不一致性值為1.78%；基于特征組合3的極端梯度提升算法的總體分類(lèi)精度為92.79%，其分配不一致性值為5.97%，數(shù)量不一致性值為1.22%；基于特征組合3的隨機(jī)森林算法的總體分類(lèi)精度為90.87%，其分配不一致性值為7.48%，數(shù)量不一致性值為1.64%；基于特征組合3 的梯度提升決策樹(shù)算法、自適應(yīng)提升算法、CART決策樹(shù)算法分類(lèi)結(jié)果的總體分類(lèi)精度分別為89.46%、88.04%和87.24%；整體分類(lèi)精度最差的是基于特征組合2 的CART 決策樹(shù)算法，其總體分類(lèi)精度為81.22%，其分配不一致性值為16.22%(大于10%)，數(shù)量不一致性值為2.55%。輕量級(jí)梯度提升機(jī)算法、極端梯度提升算法、隨機(jī)森林算法、梯度提升決策樹(shù)算法、自適應(yīng)提升算法、CART決策樹(shù)算法分類(lèi)結(jié)果的總體分類(lèi)精度依次減小。

圖3 基于3種特征組合的6種分類(lèi)器對(duì)紅樹(shù)物種種群區(qū)的分類(lèi)精度Fig.3 The classification accuracy of 6 classifiers based on 3 feature combinations for mangrove species population areas

由表1可知，基于特征組合3的輕量級(jí)梯度提升機(jī)算法對(duì)白骨壤種群區(qū)、紅海欖種群區(qū)、木欖種群區(qū)、秋茄種群區(qū)、桐花樹(shù)種群區(qū)和無(wú)瓣海桑種群區(qū)分類(lèi)結(jié)果的生產(chǎn)者精度分別為0.90、0.95、0.95、0.28、0.89 和0.97。基于特征組合2 的CART 決策樹(shù)算法對(duì)白骨壤種群區(qū)、紅海欖種群區(qū)、木欖種群區(qū)、秋茄種群區(qū)、桐花樹(shù)種群區(qū)和無(wú)瓣海桑種群區(qū)分類(lèi)結(jié)果的生產(chǎn)者精度分別為0.67、0.88、0.89、0.24、0.70 和0.70。由此可見(jiàn)，除了秋茄種群區(qū)以外，基于特征組合3的6種分類(lèi)器都能準(zhǔn)確識(shí)別研究區(qū)中的其他5種紅樹(shù)物種種群區(qū)，而且CART決策樹(shù)算法的總體分類(lèi)精度低于其他5種集成算法。

表1 基于3種特征組合的6種分類(lèi)器對(duì)紅樹(shù)物種種群區(qū)分類(lèi)結(jié)果的生產(chǎn)者精度Table 1 The producer accuracy classification results of 6 classifiers based on 3 feature combinations for mangrove species population areas

在18種分類(lèi)結(jié)果中，輕量級(jí)梯度提升機(jī)算法、極端梯度提升算法和隨機(jī)森林算法的分類(lèi)結(jié)果精度較高，符合紅樹(shù)物種生長(zhǎng)的空間分布規(guī)律；CART決策樹(shù)、自適應(yīng)提升算法和梯度提升決策樹(shù)算法的分類(lèi)結(jié)果存在比較嚴(yán)重的“椒鹽”現(xiàn)象，各紅樹(shù)物種種群的分布零散，而且在各特征組合上的分類(lèi)性能不穩(wěn)定。例如，基于特征組合2的自適應(yīng)提升算法的分類(lèi)結(jié)果對(duì)木欖種群區(qū)和紅海欖種群區(qū)、桐花樹(shù)種群區(qū)和白骨壤種群區(qū)的區(qū)分性較差，這可能是因?yàn)樽赃m應(yīng)提升算法對(duì)異常樣本和特征的選擇比較敏感，而且自適應(yīng)提升算法選擇指數(shù)損失函數(shù)，對(duì)于過(guò)度聚焦且難以被準(zhǔn)確分類(lèi)的樣本，當(dāng)這些樣本是噪聲或者奇異值點(diǎn)時(shí)，會(huì)使分類(lèi)器分類(lèi)結(jié)果的分類(lèi)精度下降。

在原始波段特征的基礎(chǔ)上，加入12 種植被指數(shù)后，6 種分類(lèi)器分類(lèi)結(jié)果的總體精度變化不大，甚至部分分類(lèi)結(jié)果的精度略下降，但是，當(dāng)加入紋理特征后，各分類(lèi)器分類(lèi)結(jié)果的總體分類(lèi)精度都明顯提高。其中，CART 決策樹(shù)算法、輕量級(jí)梯度提升機(jī)算法、極端梯度提升算法、隨機(jī)森林算法、自適應(yīng)提升算法和梯度提升決策樹(shù)算法分類(lèi)結(jié)果的總體分類(lèi)精度分別提高了6.01%、5.03%、4.93%、4.75%、4.51%和3.15%。由此表明，紋理特征是提高紅樹(shù)物種種群識(shí)別精度的關(guān)鍵因素。

2.3 分類(lèi)特征重要性

在基于WorldView-2 衛(wèi)星各光譜波段影像的5種集成算法的分類(lèi)結(jié)果中，光譜波段4至光譜波段7 的重要性值絕大多數(shù)都位居前4 位(表2)，說(shuō)明能區(qū)分紅樹(shù)物種種群區(qū)的WorldView-2 影像的光譜波段主要為黃波段、紅波段、紅邊波段和近紅外1波段。

表2 WorldView-2衛(wèi)星影像各光譜波段特征對(duì)5種分類(lèi)器分類(lèi)結(jié)果的重要性值Table 2 The importance value of each spectral band feature of WorldView-2 satellite image to the classification results of 5 classifiers

對(duì)于基于特征組合2的分類(lèi)結(jié)果，在重要性值位居前十位的優(yōu)勢(shì)特征中，5種集成算法選擇的特征都包括光譜波段3至光譜波段6(表3)，3種集成算法(隨機(jī)森林算法、自適應(yīng)提升算法和極端梯度提升算法)選擇的特征都包括歸一化植被指數(shù)與歸一化水指數(shù)之差(CMRI)、修正型葉綠素吸收反射率指數(shù)(MCARI)、歸一化植被指數(shù)(NDVI)和歸一化紅邊植被指數(shù)(NDVIRE)。

表3 特征組合2中的各種特征對(duì)5種分類(lèi)器分類(lèi)結(jié)果的重要性值Table 3 The importance values of various features in feature combination 2 to the classification results of 5 classifiers

對(duì)于特征組合3的分類(lèi)結(jié)果，在重要性值位居前十位的優(yōu)勢(shì)特征中，4種集成算法選擇的特征都包括光譜波段4 和光譜波段6(圖4)。隨機(jī)森林算法選擇的前20 個(gè)特征的重要性值、輕量級(jí)梯度提升機(jī)算法選擇的前20個(gè)特征的重要性值的差異不大，其紋理特征數(shù)量分別為3個(gè)、9個(gè)；在自適應(yīng)提升算法、梯度提升決策樹(shù)算法和極端梯度提升算法選擇的重要性值居于前十位的特征中，其紋理特征的數(shù)量分別為5個(gè)、3個(gè)和3個(gè)，植被指數(shù)的數(shù)量分別為2 個(gè)、2 個(gè)和3 個(gè)。這說(shuō)明除了利用原始光譜波段影像以外，利用影像的紋理特征比利用植被指數(shù)更能提高紅樹(shù)物種種群識(shí)別的精度。

圖4 特征組合3中的各種特征對(duì)5種分類(lèi)器分類(lèi)結(jié)果的重要性值排序圖Fig.4 Ordination plot of the importance values of various features in feature combination 3 to the classification results of 5 classifiers

3 討 論

數(shù)據(jù)源和分類(lèi)算法是影響紅樹(shù)物種種群區(qū)分類(lèi)精度的關(guān)鍵影響因素[7]。WorldView-2影像是紅樹(shù)物種種群識(shí)別的理想數(shù)據(jù)源[25]。與一般高空間分辨率的遙感數(shù)據(jù)源相比，WorldView-2影像數(shù)據(jù)增加了紅邊波段和近紅外波段，能夠獲取更精細(xì)的紅樹(shù)物種種群差異信息，并且空間分辨率為0.5 m的影像數(shù)據(jù)能夠衍生豐富的紋理特征，可以刻畫(huà)出影像中重復(fù)出現(xiàn)的局部模式及其排列規(guī)則[26]。由于不同紅樹(shù)物種種群之間的光譜響應(yīng)極其相似，需要將光譜波段影像信息和影像的紋理特征等信息相結(jié)合，以獲得更準(zhǔn)確的分類(lèi)結(jié)果[27]。本研究中的6種分類(lèi)器的分類(lèi)結(jié)果都表明，紋理特征信息的加入明顯提高了對(duì)紅樹(shù)物種種群的識(shí)別精度。與只利用原始光譜波段影像數(shù)據(jù)的分類(lèi)結(jié)果的總體分類(lèi)精度相比，基于特征組合3的分類(lèi)結(jié)果的總體分類(lèi)精度平均提高了4%；就單種紅樹(shù)物種而言，白骨壤、秋茄、桐花樹(shù)和無(wú)瓣海桑種群區(qū)的識(shí)別精度明顯提高，這與一些相關(guān)研究[15,17,22]的結(jié)果一致。

集成學(xué)習(xí)算法已經(jīng)被應(yīng)用于紅樹(shù)物種分類(lèi)研究[6,17,28-29]中。本研究結(jié)果表明，與決策樹(shù)分類(lèi)器的分類(lèi)結(jié)果相比，5種集成學(xué)習(xí)算法分類(lèi)結(jié)果的分類(lèi)精度更高。其中，輕量級(jí)梯度提升機(jī)算法分類(lèi)結(jié)果的總體分類(lèi)精度和單種紅樹(shù)物種種群分類(lèi)精度都最優(yōu)。此外，不僅常用的隨機(jī)森林算法可以識(shí)別紅樹(shù)物種種群區(qū)，極端梯度提升算法在識(shí)別紅樹(shù)物種種群區(qū)方面也有巨大潛力，這與文獻(xiàn)[22]的研究結(jié)果類(lèi)似。在本研究中，秋茄種群區(qū)的面積所占比例(約為0.8%)最小，在6種分類(lèi)算法的分類(lèi)結(jié)果中，秋茄種群區(qū)的分類(lèi)精度最低。這可能是因?yàn)榍锴殉Ｅc桐花樹(shù)和木欖混生且種群分布零散，導(dǎo)致沒(méi)有獲得足夠有效的訓(xùn)練樣本，影像的單個(gè)像元包含多種紅樹(shù)物種的混合信息，從而影響了分類(lèi)器建立模型。

4 結(jié) 論

具有8個(gè)光譜波段的高空間分辨率WorldView-2影像是紅樹(shù)物種種群遙感分類(lèi)的理想數(shù)據(jù)源。綜合利用WorldView-2影像的光譜反射特征和紋理特征，可以有效地提高紅樹(shù)物種種群的識(shí)別精度。

在5種集成學(xué)習(xí)算法中，輕量級(jí)梯度提升機(jī)算法對(duì)紅樹(shù)林物種種群精細(xì)分類(lèi)的優(yōu)勢(shì)最大，其分類(lèi)結(jié)果的總體分類(lèi)精度和單種紅樹(shù)物種種群的生產(chǎn)者精度都很高?；赪orldView-2 影像的8 個(gè)原始光譜波段+12種植被指數(shù)+28種紋理特征，輕量級(jí)梯度提升機(jī)算法分類(lèi)結(jié)果的總體分類(lèi)精度為93.15%，其分配不一致性值為5.07%，數(shù)量不一致性值為1.78%。

極端梯度提升算法和隨機(jī)森林算法也在紅樹(shù)物種種群遙感分類(lèi)中表現(xiàn)出良好的適用性和應(yīng)用潛力。