摘要 以廣西北部灣為研究區(qū)，針對潮位周期性變化導(dǎo)致稀疏低矮紅樹林難以被準(zhǔn)確提取的問題，基于多潮位Landsat8 OLI圖像和數(shù)字高程模型（DEM）數(shù)據(jù)，通過構(gòu)建紅樹林識別決策樹模型，并以支持向量機(jī)（SVM）為對照，評價(jià)結(jié)合潮位和DEM信息的決策樹法提取紅樹林信息的可行性．研究結(jié)果表明：1）不同高度、不同密度以及不同潮位紅樹林之間光譜差異均較大，稀疏低矮紅樹林也與陰坡林地、水體-陸生植被混合像元光譜存在嚴(yán)重“異物同譜”效應(yīng);2）無論是基于低潮位、高潮位圖像，還是多潮位圖像，相比未區(qū)分高度和密度，在SVM中將細(xì)分為高密紅樹林和稀矮紅樹林，其總體精度（分為紅樹林和非紅樹林兩類）可分別提高4.65、4.41和7.22個百分點(diǎn);3）基于多潮位圖像及DEM的決策樹模型識別的總體精度和Kappa系數(shù)分別為98.80%和0.973，比SVM中最佳值分別高出1.62個百分點(diǎn)和0.035．因此，通過同時(shí)考慮紅樹林高度、密度、潮位和DEM等特征，可明顯提高紅樹林遙感識別的精度．

關(guān)鍵詞 紅樹林;Landsat 8 OLI;潮位;數(shù)字高程模型（DEM）;決策樹

中圖分類號 TP79;S796

文獻(xiàn)標(biāo)志碼 A

收稿日期 2022-03-06

資助項(xiàng)目 國家自然科學(xué)基金（41871239）;

中國氣象局雄安大氣邊界層重點(diǎn)開放實(shí)驗(yàn)室（培育）開放課題（2023LABL-B16）；

2020年度江蘇高?！扒嗨{(lán)工程”優(yōu)秀青年骨干教師;河北省省級科技計(jì)劃（21567624H）

作者簡介

張雪紅（通信作者），男，博士，教授，主要從事海島海岸帶遙感、植被生態(tài)遙感等研究．zxhbnu@126.com

1 南京信息工程大學(xué) 遙感與測繪工程學(xué)院，南京，210044

2 河北省氣象與生態(tài)環(huán)境重點(diǎn)實(shí)驗(yàn)室，石家莊，050021

0 引言

紅樹林是分布在熱帶和亞熱帶海岸潮間帶的木本植物群落．它作為海岸帶重要的濕地生態(tài)系統(tǒng)之一，具有促淤固灘、防浪固堤、凈化環(huán)境、保持生物多樣性等作用^［1-2］．然而，在自然因素和人為干擾的雙因素作用下，紅樹林遭受了嚴(yán)重破壞^［3-4］．隨著人們對生態(tài)環(huán)境變化的關(guān)注，紅樹林資源成為世界濕地保護(hù)和生物多樣性保護(hù)的重要對象^［5-6］．

紅樹林資源調(diào)查和動態(tài)監(jiān)測是紅樹林科學(xué)保護(hù)與管理的基礎(chǔ)．因多生長在淤泥質(zhì)潮間帶的特殊生長環(huán)境，鑒于遙感技術(shù)具有快速、周期性、宏觀性等優(yōu)點(diǎn)，所以紅樹林資源調(diào)查廣泛采用遙感監(jiān)測方法^［6-9］．在紅樹林遙感監(jiān)測中，中分辨率圖像因易于訪問或訂購，具有可獲取時(shí)間序列長、視場范圍大等優(yōu)點(diǎn)，被廣泛應(yīng)用于大尺度紅樹林遙感動態(tài)監(jiān)測中^［6］．紅樹林遙感監(jiān)測的技術(shù)難點(diǎn)在于能否準(zhǔn)確提取沿岸（堤）分布狹窄的紅樹林帶、稀疏低矮的紅樹林幼林，以及被海水淹沒的紅樹林．

對于沿岸（堤）分布狹窄的紅樹林帶的提取，采用高分辨率遙感圖像以減少紅樹林與光灘、水體的混合像元面積;而對于分布于紅樹林斑塊邊緣和外灘的稀疏低矮紅樹林，當(dāng)潮位較高時(shí)容易被海水浸淹，此部分紅樹林像元光譜呈現(xiàn)為典型的水體或水體-陸生植被混合像元特征，可靠的辦法是獲取灘涂裸露的低潮位遙感圖像^［7］．因此，紅樹林信息遙感提取精度的影響因素中，除了圖像分辨率外，圖像獲取時(shí)的潮位也是另一重要影響因素，不同研究人員采用Landsat系列數(shù)據(jù)對全國紅樹林進(jìn)行監(jiān)測的結(jié)果也存在顯著差異^{［6，8，10］}，其可能原因除了數(shù)據(jù)源、分類方法等方面的差異外，數(shù)據(jù)獲取時(shí)的潮位差異也是主要原因之一^［6］．周期性變化的潮位一方面會影響紅樹林遙感識別結(jié)果的準(zhǔn)確性，另一方面倘若對紅樹林獨(dú)特的潮間帶生長環(huán)境特點(diǎn)充分利用，則有助于提高紅樹林遙感識別的精度^［11-14］．潮位信息雖然可以有效地提升紅樹林信息提取精度，但在不同潮位圖像獲取期間，沿海養(yǎng)殖區(qū)域、農(nóng)作物等地物也通常發(fā)生顯著變化，從而影響紅樹林提取效果．此外，低海拔也是紅樹林濱海環(huán)境所具有的獨(dú)特特征，但目前鮮有利用高程信息進(jìn)行紅樹林遙感識別的研究．

本文擬以廣西北部灣為研究區(qū)，結(jié)合紅樹林濱海濕地及其潮位周期性變化特點(diǎn)，基于高、低潮位的Landsat 8 OLI圖像和DEM圖像及地形特征，并以支持向量機(jī)（Support Vector Machine，SVM）監(jiān)督分類法為參照，評價(jià)結(jié)合潮位和DEM信息的決策樹法提取紅樹林信息的可行性．

1 數(shù)據(jù)與方法

1.1 研究區(qū)

本文研究區(qū)位于廣西北部灣的中部和西部（圖1），大陸海岸線東西走向，東起北海市硬盤鎮(zhèn)，西至東興市與越南交界的北侖河口，岸線曲折，具有眾多天然海灣，主要有廉州灣、欽州灣、防城港灣和珍珠港灣，沿海潮間帶、鹽漬海灘分布著我國面積最大的紅樹林^［15］．本文所選研究區(qū)覆蓋了防城港市、欽州市全部海岸以及北海市西側(cè)海岸，地理坐標(biāo)在21°23′5″～22°1′31″N，107°58′54″～109°26′27″E之間．該研究區(qū)紅樹植物主要有木欖（Bruguiera gymnorrhiza）、紅海欖（Rhizophora stylosa）、桐花樹（Aegiceras corniculatum）、白骨壤（Avicennia marina）、海漆（Exoecariaagallocha）、秋茄（Kandelia candel）、海桑（Sonneratia caseolaris）和老鼠簕（Acanthusilicifolius）等種類^［16-17］．

1.2 數(shù)據(jù)

研究所采用的遙感圖像數(shù)據(jù)包括2016年10月9日和2016年12月28日兩景Landsat 8 OLI圖像（下載于地理空間數(shù)據(jù)云，網(wǎng)址：http：//www.gscloud.cn/），衛(wèi)星過境時(shí)間均為地方時(shí)的11時(shí)11分，軌道號為P125/R45．除了遙感圖像外，還利用了衛(wèi)星圖像成像時(shí)刻（上午11時(shí)）珍珠港、防城港、龍門、北海4個潮位站點(diǎn)的潮位信息（表1）和DEM數(shù)據(jù)，4個潮位站點(diǎn)它們分別位于圖1中的港灣2、3、6、11.2016年10月9日潮位較高，同2016年12月28日相比，各站點(diǎn)潮位分別高出203、219、197和239 cm．DEM數(shù)據(jù)為30 m分辨率的SRTM（Shuttle Radar Topography Mission）DEM（下載網(wǎng)址：https：//urs.earthdata.nasa.gov/）．

1.3 實(shí)地調(diào)查

2016年10月對研究區(qū)進(jìn)行了野外調(diào)查，利用GPS手持機(jī)和Google Earth圖像，進(jìn)行野外地面控制點(diǎn)、驗(yàn)證點(diǎn)收集和紅樹林種類及生長狀況調(diào)查，共獲得GPS采樣點(diǎn)61個（其中地面控制點(diǎn)8個，地物驗(yàn)證點(diǎn)53個）．結(jié)合野外調(diào)查結(jié)果和收集前人的相關(guān)研究結(jié)果，研究區(qū)的地物考慮紅樹林、陸生林地（為生長在陸地上的森林，根據(jù)其光譜差異，主要包括稠密林地、稀疏林地、高山北側(cè)陰影中的陰坡林地等）、人工建筑、農(nóng)作物、裸土、光灘（指低潮位時(shí)裸露的灘涂）、水體（包括養(yǎng)殖水域、濱海海域、河流、坑塘、水庫等）、水體-陸生植被混合像元（指陸生植被與河流、水庫、養(yǎng)殖水體的混合像元）等8類，其中，紅樹林、陸生林地、人工建筑、農(nóng)作物、裸土、水體的GPS采樣點(diǎn)分別為20、8、5、5、5和10個．基于地物驗(yàn)證點(diǎn)，并結(jié)合Google Earth高分辨率圖像，從Landsat 8 OLI圖像中選取以上8類地物樣本共6 091個像元，其中，紅樹林936個（包括高密紅樹林593個、稀矮紅樹林343個）、陸生林地2 245個（包括有林地1 500個、稀疏林地325個、陰坡林地420個）、人工建筑440個、農(nóng)作物250個、裸土318個、光灘415個、水體1 250個、水體-陸生植被混合像元237個．進(jìn)一步以60%的各類地物樣本為訓(xùn)練樣本數(shù)據(jù)集，剩余的40%為驗(yàn)證樣本數(shù)據(jù)集．

1.4 方法

1.4.1 數(shù)據(jù)預(yù)處理

在ENVI 5.3軟件支持下，對Landsat 8 OLI圖像進(jìn)行輻射校正、幾何糾正、研究區(qū)裁切等預(yù)處理．輻射校正包括輻射定標(biāo)和地表反射率的計(jì)算，首先利用圖像元數(shù)據(jù)文件提供的定標(biāo)系數(shù)將原始亮度值轉(zhuǎn)換成表觀輻亮度，然后采用FLAASH大氣校正模型進(jìn)行大氣校正，獲得地物的反射率數(shù)據(jù)．幾何糾正基于所獲取的地面控制點(diǎn)進(jìn)行，并保證誤差小于0.5個像元．

1.4.2 分類方法

本文擬基于高低多潮位Landsat8 OLI圖像數(shù)據(jù)構(gòu)建決策樹模型來提取紅樹林信息，并以SVM監(jiān)督分類法為參照進(jìn)行對比分析，以評價(jià)決策樹法提取紅樹林的有效性．SVM是一種建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的機(jī)器學(xué)習(xí)方法，它是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化、優(yōu)化和核函數(shù)的線性分類器，在遙感圖像識別分類問題中有著較多的應(yīng)用．

為了考察潮位對紅樹林遙感識別的影響程度，進(jìn)一步將位于紅樹林斑塊中冠層高度和密度較高的稱之為“高密紅樹林”，將位于斑塊邊緣或外灘稀疏低矮的紅樹林為“稀矮紅樹林”．因此，本文最終設(shè)計(jì)了7種研究方案，其中，SVM為6種（表2方案1～6），即高潮位、低潮位和多潮位三種圖像數(shù)據(jù)源，根據(jù)紅樹林稀密、高矮差異各衍生出兩種不同的分類體系．方案1和2采用高潮位影像，且方案2對紅樹林進(jìn)行了細(xì)分;方案3和4采用低潮位影像，且方案4對紅樹林進(jìn)行了細(xì)分;方案5和6采用多潮位影像，且方案6對紅樹林進(jìn)行了細(xì)分;方案7則在多潮位影像數(shù)據(jù)的基礎(chǔ)上，加入DEM數(shù)據(jù)，并采用決策樹分類方法進(jìn)行紅樹林的識別．設(shè)計(jì)方案1～6的目的是基于高潮位、低潮位以及多潮位影像數(shù)據(jù)和SVM分類方法，評估潮位信息以及紅樹林高度、密度對紅樹林識別精度的影響程度，并以此作為參照，評價(jià)協(xié)同多潮位影像和DEM數(shù)據(jù)的決策樹分類方法來識別紅樹林的可行性．此外，由于高潮位圖像獲取時(shí)間為2016年10月9日，研究區(qū)內(nèi)還分布有大面積的農(nóng)作物，而低潮位圖像獲取時(shí)（2016年12月28日）農(nóng)作物已收割，因此高潮位圖像分類時(shí)還額外考慮農(nóng)作物類型．方案7的決策樹分類中，由于水體-陸生植被混合像元同稀矮紅樹林存在嚴(yán)重的“異物同譜”效應(yīng)，還進(jìn)一步考慮了水體-陸生植被混合像元．

最后，基于驗(yàn)證樣本數(shù)據(jù)集，對本文提取的紅樹林提取結(jié)果進(jìn)行精度評價(jià)，并通過比較典型局部區(qū)域分類結(jié)果進(jìn)一步分析和對比不同分類方法和方案的差異．本文將分類結(jié)果最終合并為紅樹林以及非紅樹林兩類，驗(yàn)證分類精度則采用混淆矩陣，由混淆矩陣可構(gòu)建總體精度、制圖精度、用戶精度、Kappa系數(shù)等4個精度評價(jià)指標(biāo)．

2 結(jié)果與分析

2.1 典型地物光譜特征

圖2a為研究區(qū)內(nèi)典型地物平均反射光譜曲線，其中，紅樹林、陸生林地、農(nóng)作物呈現(xiàn)為典型的植被反射率特征，但紅樹林因分布于濱海濕地，其短波紅外反射率明顯低于陸生林地和農(nóng)作物．為了探討紅樹林遙感識別中的“異物同譜”效應(yīng)，進(jìn)一步繪制了高密紅樹林、稀矮紅樹林、陰坡林地、稀疏林地和水體-陸生植被混合像元反射率曲線（圖2b）．以上5類地物反射率曲線均呈現(xiàn)典型的植物反射特征，在短波紅外波段，除了稀疏林反射率均值高于0.1之外，其他4種地物均低于0.1;陰坡林地受陰影的影響，導(dǎo)致從可見光至短波段紅外波段反射率均低于其他地物;無論紅樹林密度和高度如何變化，除了近紅外波段反射率發(fā)生顯著變化外，其他波段差異較?。送猓w-陸生植被混合像元反射率與稀矮紅樹林在近紅外至短波紅外波段顯著重疊，陰坡林地在紅外波段，尤其是短波紅外波段與稀矮紅樹林重疊嚴(yán)重．因此，水體-陸生植被混合像元、陰坡林地是影響紅樹林遙感識別精度的重要因素之一．

由于紅樹林為典型的海上森林植被，因此表3結(jié)合訓(xùn)練樣本，對研究區(qū)內(nèi)地物的紅外波段反射率、NDVI（歸一化植被指數(shù)）、DEM及其光譜隨潮位的變化規(guī)律進(jìn)一步統(tǒng)計(jì)分析．從統(tǒng)計(jì)結(jié)果中可以發(fā)現(xiàn)，稀矮紅樹林與水體-陸生植被混合像元光譜存在嚴(yán)重“異物同譜”效應(yīng)，比如兩者低潮時(shí)近紅外波段反射率（NIR_L）均值和標(biāo)準(zhǔn)差分別為0.196±0.019和0.179±0.040，低潮時(shí)NDVI（NDVI_L）分別為0.402±0.054、0.454±0.130，但高低潮位NDVI之差的絕對值（NDVI_HL）則存在一定的差異，分別為0.436±0.254、0.073±0.060，這是因?yàn)橄“t樹林受潮位影響劇烈，而水體-陸生植被混合像元則不受潮位影響.此外，陰坡林地短波紅外波段反射率值與稀矮紅樹林極其相似．就DEM而言，紅樹林因生長于潮間帶，其所處平均海拔高度為1～2 m，且高密紅樹林略高于稀矮紅樹林，而水體-陸生植被混合像元海拔高度內(nèi)部差異較大，位于沿?？犹?、養(yǎng)殖水體與植被的混合像元海拔較低，和紅樹林差異較小，但內(nèi)陸河流、水庫等與植被的混合像元海拔則相對較高．

2.2 決策樹模型的構(gòu)建

通過2.1節(jié)典型地物光譜特征分析，發(fā)現(xiàn)制約紅樹林遙感識別精度的因素主要包括潮位、紅樹林密度及高度差異，以及陰坡坡林地、水體-陸生植被混合像元同紅樹林的“異物同譜”效應(yīng)．因此，決策樹模型則充分考慮以上因素，結(jié)合潮位變化信息和DEM數(shù)據(jù)，充分利用紅樹林獨(dú)特的濱海濕地生境特點(diǎn)，從而實(shí)現(xiàn)高精度識別紅樹林．

基于高低潮位Landsat 8 OLI圖像和DEM數(shù)據(jù)，構(gòu)建包含4個知識規(guī)則的紅樹林識別決策樹模型，如圖3所示.

1）知識規(guī)則①：NDVI_L≤0.25（L表示為低潮位、H為高潮位、HL為多潮位）．此規(guī)則采用低潮位時(shí)的NDVI將地物分成兩類，一類為水體、光灘、裸土、人工建筑等非植被類別，另一類為包含紅樹林、陸生植被、農(nóng)作物、水體-陸生植被混合像元等的植被類別．

2）知識規(guī)則②：SWIR_L≤0.10，SWIR_H≤0.10，NIR_L≤0.16，DEM≤4．此規(guī)則利用高低潮位時(shí)的短波紅外波段、低潮位時(shí)近紅外波段反射率以及DEM等特征組合進(jìn)行構(gòu)建，將植被類別進(jìn)一步細(xì)分為紅樹林類別和陸生植被、農(nóng)作物類別兩類，而水體-陸生植被混合像元因其構(gòu)成類型多樣，如其所處的海拔高度、混合像元中植被所占比例等，導(dǎo)致此規(guī)則只能將部分水體-陸生植被混合像元與紅樹林進(jìn)行區(qū)分．

3）知識規(guī)則③：NDVI_L≤0.50．此規(guī)則再次利用低潮位時(shí)的NDVI將紅樹林分成高密紅樹林與稀矮紅樹林，同時(shí)絕大部分水體-陸生植被混合像元的NDVI也偏小，故其與稀矮紅樹林分成同一類別．

4）知識規(guī)則④：NDVI_HL≥0.15．此規(guī)則利用高低潮位兩個成像時(shí)間的NDVI差異，充分利用稀矮紅樹林受潮位影響劇烈的特點(diǎn)，實(shí)現(xiàn)兩者的有效區(qū)分．

2.3 紅樹林識別結(jié)果評價(jià)

采用SVM以及2.2節(jié)決策樹模型，基于表2中7種研究方案分別提取了研究區(qū)內(nèi)紅樹林空間分布信息．受篇幅限制，在圖4中僅繪制方案7的紅樹林識別結(jié)果（每種分類結(jié)果最終合并為紅樹林和非紅樹林兩類），即基于多潮位圖像的SVM分類結(jié)果和基于多潮位圖像的決策樹分類結(jié)果．從分類結(jié)果圖中可以看出，紅樹林集中分布于海岸帶區(qū)域．

為了定量評價(jià)各方案中紅樹林識別精度，結(jié)合驗(yàn)證樣本獲得各混淆矩陣，獲得各自總體精度、Kappa系數(shù)、紅樹林制圖精度和用戶精度等精度指標(biāo)（表4）．從紅樹林識別精度評價(jià)結(jié)果發(fā)現(xiàn)：在SVM中，無論是基于低潮位（方案1和2）、高潮位圖像（方案3和4），還是多潮位圖像（方案5和6），將紅樹林按高度、密度差異細(xì)分為高密紅樹林和稀矮紅樹林（方案1、3、5未區(qū)分紅樹林高度及密度，方案2、4、6則進(jìn)行了區(qū)分），其總體精度可分別提高4.65、4.41和7.22個百分點(diǎn)，Kappa系數(shù)分別提高0.122、0.107和0.182，這主要?dú)w功于紅樹林制圖精度的顯著提高．

不同潮位對紅樹林識別精度影響較大，以區(qū)分了高密紅樹林和稀矮紅樹林的方案2、4、6為例，基于多潮位（方案6）的紅樹林總體精度、Kappa系數(shù)、紅樹林制圖精度、紅樹林用戶精度分別為97.18%、0.938、95.23%、96.73%，比高潮位（方案2）分別高出6.36個百分點(diǎn)、0.149、14.54個百分點(diǎn)、6.57個百分點(diǎn)，比低潮位（方案4）也分別高出3.45個百分點(diǎn)、0.067、0.35個百分點(diǎn)、9.92個百分點(diǎn)．以上精度評價(jià)結(jié)果表明高潮位因大量稀矮紅樹林被海水浸淹而漏分，從而導(dǎo)致其分類結(jié)果較差，而綜合高、低潮位數(shù)據(jù)的多潮位數(shù)據(jù)分類結(jié)果則最佳．基于多潮位圖像及DEM的決策樹模型識別的總體精度、Kappa系數(shù)、紅樹林制圖精度和用戶精度分別為98.80%和0.973、97.86%、98.53%，比所有SVM中最佳結(jié)果分別高出1.62個百分點(diǎn)、0.035、2.63個百分點(diǎn)、1.80個百分點(diǎn)．因此，通過同時(shí)考慮紅樹林高度密度、潮位和DEM等特征構(gòu)建的紅樹林識別的決策樹模型，可明顯提高紅樹林遙感識別的精度．

2.4 討論

2.4.1 潮汐及DEM對紅樹林空間分布信息提取的影響

為了探討潮汐及DEM對紅樹林空間分布信息提取的影響，進(jìn)一步從研究區(qū)內(nèi)選取了部分典型局部區(qū)域進(jìn)行比對．表5選取4個局部區(qū)域，每個局部區(qū)域均展示其低潮位、高潮位OLI標(biāo)準(zhǔn)假彩色圖像、相近時(shí)相的Google Earth真彩色圖像以及3種SVM結(jié)果（方案2、4、6）和決策樹分類結(jié)果．

樣區(qū)1位于港灣區(qū)塊10（廉州灣區(qū)域），該區(qū)域西南側(cè)（表5樣區(qū)1中藍(lán)色矩形區(qū)域）分布有大量位于外灘的紅樹林斑塊邊緣的稀疏低矮紅樹林或紅樹林幼苗，在低潮位時(shí)這些紅樹林露出水面，但在高潮位時(shí)則被海水淹沒，呈現(xiàn)為水體光譜特征．基于高潮位圖像的SVM分類結(jié)果中，這些紅樹林被漏分;低潮位圖像的SVM分類結(jié)果雖然可以識別出大部分這些紅樹林，但仍有部分因長期海水浸淹導(dǎo)致被大量泥沙黏附的低矮紅樹林被漏分;基于多潮位圖像的SVM分類法和決策樹分類法，可通過充分利用潮汐變化引起的低矮紅樹林光譜變化信息實(shí)現(xiàn)來對其進(jìn)行有效識別，但前者仍有極少部分被漏分．此外，該樣區(qū)的東北角的黃色橢圓區(qū)域內(nèi)，出現(xiàn)大片

因纏繞魚藤而死亡的紅樹林光灘斑塊^［18］，本文中除方案4將此區(qū)域誤分為紅樹林外，其他方法均能準(zhǔn)確識別．

樣區(qū)2位于港灣區(qū)塊2（珍珠港區(qū)域），該區(qū)域生長著大面積紅樹林，在斑塊內(nèi)部分布有大面積低矮紅樹林（如表5樣區(qū)2中藍(lán)色矩形區(qū)域），導(dǎo)致高潮位圖像無法識別出此類紅樹林，而基于低潮位或多潮位圖像則可以準(zhǔn)確提?。畼訁^(qū)3位于港灣區(qū)塊6（七十二涇區(qū)域），SVM的3種分類結(jié)果均存在部分陰坡林地被誤分為紅樹林的現(xiàn)象，尤其是冬季（2016月12月28日）獲取的低潮位圖像中因太陽高度角較小，大面積的陰坡林地使得誤分為紅樹林現(xiàn)象更為嚴(yán)重，而基于高潮位圖像（2016年10月9日）誤分率較低，決策樹分類結(jié)果因利用了DEM信息從而未出現(xiàn)此類誤分情況．樣區(qū)4位于洪潮江水庫，此區(qū)塊水庫與陸生植被的混合像元在3種SVM分類結(jié)果中大量被誤分為紅樹林，其中多潮位誤分率略低，其原因可能是2個成像時(shí)刻空間重采樣差異，使得部分混合像元在其中一個成像時(shí)刻更為純凈．決策樹分類結(jié)果同樣因考慮了DEM信息而未出現(xiàn)誤分為紅樹林現(xiàn)象．

紅樹林分布在陸海界面附近，因此會定期被海水淹沒．紅樹林樹冠下的海水存在與否（甚至部分紅樹林被海水完全淹沒）明顯地改變了紅樹林在影像上光譜特征．因此，基于單一時(shí)相遙感影像提取的紅樹林精度在很大程度上受制于潮汐的波動^［19-21］．為此，研究人員嘗試充分利用紅樹林獨(dú)特潮間帶濱海濕地環(huán)境，比如考慮潮位信息，通過多潮位影像提取紅樹林在不同潮位下獨(dú)特的光譜特征^{［11-12，22］}，或者通過單一潮位影像構(gòu)建水下紅樹林光譜指數(shù)，從而提高紅樹林遙感識別精度^［21］．本文基于多潮位中分辨遙感影像，并輔助DEM數(shù)據(jù)，研究結(jié)果表明此類方法可顯著減小紅樹林與陰坡林地、水體-陸生植被混合像元之間的錯分誤差，從而提高紅樹林遙感識別精度．

2.4.2 紅樹林高度與密度對紅樹林空間分布信息提取的影響

每一地區(qū)的紅樹林群落均在不斷進(jìn)行演替，在演替的不同階段，分布于潮間帶上的紅樹林群落物種組成及其結(jié)構(gòu)也發(fā)生相應(yīng)的變化．比如早期的先鋒群落通常為適應(yīng)性強(qiáng)的白骨壤、桐花樹和秋茄等單優(yōu)群落，隨著群落不斷演替，潮間帶的內(nèi)灘、中灘和外灘的優(yōu)勢群落則逐漸發(fā)生演替，如進(jìn)入演替后期，中、外灘通常分布著白骨壤單優(yōu)勢林，內(nèi)灘則多分布秋茄、桐花樹、木欖、海漆、老鼠簕等^［23］．處于不同演替階段的紅樹林群落類型，其高度和密度也通常存在顯著差異．在潮水的干擾下，處于中、外灘以及低蓋度的紅樹林在影像中的植被光譜特征被弱化（圖2b），如表5中的樣區(qū)1和樣區(qū)2，在高潮位影像中，潮間帶的中、外灘中部分低矮紅樹林，以及紅樹林斑塊邊緣部分紅樹林極易被海水完全淹沒．另外，低矮紅樹林因長期海水浸淹導(dǎo)致被大量泥沙黏附，從而導(dǎo)致其光譜特征與典型高密紅樹林存在顯著差異．鑒于此，本文充分考慮了紅樹林冠層高度和密度對遙感識別精度的影響，如表4中所示，無論是低潮位、高潮位，還是多潮位影像數(shù)據(jù)集，區(qū)分了紅樹林冠層高度和密度，其識別精度尤其是制圖精度得到顯著提高，其中低潮位（方案1和2）、高潮位（方案3和4）、多潮位（方案5和6）制圖精度分別提高13.47、14.15、23.45個百分點(diǎn)．本文研究表明，在紅樹林遙感提取中，紅樹林冠層高度和密度差異考慮與否，顯著影響其識別精度，但在以往的研究中未有涉及．

2.4.3 決策樹模型的普適性

本文的決策樹模型是結(jié)合紅樹林濱海環(huán)境特點(diǎn)基礎(chǔ)上構(gòu)建的，因此其決策流程具有一定的普適性和可重復(fù)性．但是，決策規(guī)則中的分類特征閾值是基于特定研究區(qū)進(jìn)行確定的，不同區(qū)域的紅樹林品種、群落類型存在顯著差異，從而也導(dǎo)致紅樹林冠層的高度和密度不同，進(jìn)而影響分類特征閾值.此外，本文研究區(qū)位于南海北部灣區(qū)域，屬于不規(guī)則全日潮潮汐類型，不同海域的潮位特征（如潮汐類型和最大潮位差）也存在明顯差異，它是影響文中決策樹模型中NDVI_HL分類特征閾值的關(guān)鍵因素之一．因此，針對本文構(gòu)建的決策樹模型提取其他區(qū)域的紅樹林，建議結(jié)合紅樹林區(qū)域的潮汐和紅樹林群落等特征適當(dāng)調(diào)整分類特征閾值．

3 結(jié)論

針對紅樹林遙感信息提取中，稀疏低矮紅樹林幼林以及被海水淹沒的紅樹林等難以被識別的問題，本文以廣西北部灣為研究區(qū)，嘗試充分利用紅樹林獨(dú)特的潮間帶生長環(huán)境特點(diǎn)，基于高、低潮位的Landsat8 OLI圖像和DEM數(shù)據(jù)識別紅樹林，得出如下結(jié)論：

1）紅樹林光譜特征隨著其冠層高度、密度以及潮位變化差異較大．不同高度、密度紅樹林之間的光譜以及不同潮位時(shí)紅樹林光譜差異均較大，稀疏低矮紅樹林也與陰坡林地、水體-陸生植被混合像元光譜存在嚴(yán)重“異物同譜”效應(yīng)，以上因素是導(dǎo)致紅樹林遙感識別中產(chǎn)生漏分及錯分的主要原因．

2）在紅樹林遙感識別中，將紅樹林按高度、密度差異細(xì)分為高密紅樹林和稀矮紅樹林可顯著提高其識別精度．無論是基于低潮位、高潮位圖像，還是多潮位圖像，在SVM中，將紅樹林按高度、密度差異細(xì)分為高密紅樹林和稀矮紅樹林，其總體精度（分為紅樹林和非紅樹林兩類）可分別提高4.65、4.41和7.22個百分點(diǎn)．

3）基于多潮位圖像及DEM的決策樹紅樹林提取模型可顯著提高紅樹林識別精度．和SVM相比，基于本文構(gòu)建的紅樹林決策樹識別方法總體精度為98.80%，比SVM中最佳總體精度高出1.62個百分點(diǎn)．其Kappa系數(shù)、紅樹林制圖精度和用戶精度分別為0.973、97.86%、98.53%，均明顯優(yōu)于其他紅樹林識別方法．

參考文獻(xiàn)

References

［1］ 林鵬.中國紅樹林生態(tài)系統(tǒng)［M］.北京：科學(xué)出版社，1997

［2］ Liu K，Li X，Shi X，et al.Monitoring mangrove forest changes using remote sensing and GIS data with decision-tree learning［J］.Wetlands，2008，28（2）：336-346

［3］ Valiela I，Bowen J L，York J K.Mangrove forests：one of the world’s threatened major tropical environments［J］.BioScience，2001，51（10）：807

［4］ 甄佳寧，廖靜娟，沈國狀.1987以來海南省清瀾港紅樹林變化的遙感監(jiān)測與分析［J］.濕地科學(xué)，2019，17（1）：44-51

ZHEN Jianing，LIAO Jingjuan，SHEN Guozhuang.Remote sensing monitoring and analysis on the dynamics of mangrove forests in Qinglan habor of Hainan province since 1987［J］.Wetland Science，2019，17（1）：44-51

［5］ 黃星，辛琨，李秀珍，等.基于斑塊的東寨港紅樹林濕地景觀格局變化及其驅(qū)動力［J］.應(yīng)用生態(tài)學(xué)報(bào)，2015，26（5）：1510-1518

HUANG Xing，XIN Kun，LI Xiuzhen，et al.Landscape pattern change of Dongzhai harbour mangrove，South China analyzed with a patch-based method and its driving forces［J］.Chinese Journal of Applied Ecology，2015，26（5）：1510-1518

［6］ 周振超，李賀，黃翀，等.紅樹林遙感動態(tài)監(jiān)測研究進(jìn)展［J］.地球信息科學(xué)學(xué)報(bào)，2018，20（11）：1631-1643

ZHOU Zhenchao，LI He，HUANG Chong，et al.Review on dynamic monitoring of mangrove forestry using remote sensing［J］.Journal of Geo-Information Science，2018，20（11）：1631-1643

［7］ 周梅，李春干，代華兵.紅樹林空間分布遙感監(jiān)測精度的影響因素及應(yīng)對措施［J］.南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，42（1）：163-168

ZHOU Mei，LI Chungan，DAI Huabing.Influence factors and measures of remote sensing monitoring precision of mangrove space distribution［J］.Journal of Nanjing Forestry University （Natural Sciences Edition），2018，42（1）：163-168

［8］ 吳培強(qiáng)，張杰，馬毅，等.近20 a來我國紅樹林資源變化遙感監(jiān)測與分析［J］.海洋科學(xué)進(jìn)展，2013，31（3）：406-414

WU Peiqiang，ZHANG Jie，MA Yi，et al.Remote sensing monitoring and analysis of the changes of mangrove resources in China in the past 20 years［J］.Advances in Marine Science，2013，31（3）：406-414

［9］ Wang L，Jia M M，Yin D M，et al.A review of remote sensing for mangrove forests：1956-2018［J］.Remote Sensing of Environment，2019，231：111223

［10］ 賈明明.1973—2013年中國紅樹林動態(tài)變化遙感分析［D］.哈爾濱：中國科學(xué)院研究生院（東北地理與農(nóng)業(yè)生態(tài)研究所），2014

JIA Mingming.Remote sensing analysis of China’s mangrove forests dynamics during 1973 to 2013［D］.Harbin：Northeast Institute of Geography and Agroecology，Chinese Academy of Sciences，2014

［11］ Xia Q，Qin C Z，Li H，et al.Mapping mangrove forests based on multi-tidal high-resolution satellite imagery［J］.Remote Sensing，2018，10（9）：1343

［12］ Zhang X H，Treitz P，Chen D M，et al.Mapping mangrove forests using multi-tidal remotely-sensed data and a decision-tree based procedure［J］.International Journal of Applied Earth Observation and Geoinformation，2017，62：201-214

［13］ 張雪紅，周杰，魏瑗瑗，等.結(jié)合潮位信息的紅樹林遙感識別［J］.南京信息工程大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，5（6）：501-507

ZHANG Xuehong，ZHOU Jie，WEI Yuanyuan，et al.Remote sensing identification of mangrove forest combined tidal level information［J］.Nanjing University of Information Science ＆ Technology （Natural Sciences Edition），2013，5（6）：501-507

［14］ Xia Q，Qin C Z，Li H，et al.Evaluation of submerged mangrove recognition index using multi-tidal remote sensing data［J］.Ecological Indicators，2020，113：10619

［15］ 李姍姍，田慶久.北部灣紅樹林的HJ星多光譜遙感提取模式［J］.中國科學(xué)：信息科學(xué)，2011，41（增刊1）：153-165

LI Shanshan，TIAN Qingjiu.Mangrove extraction mode based on HJ multispectral remote sensing in Beibu Gulf［J］.Scientia Sinica （Informationis），2011，41（sup1）：153-165

［16］ 李春干，代華兵.紅樹林空間分布信息遙感提取方法［J］.濕地科學(xué)，2014，12（5）：580-589

LI Chungan，DAI Huabing.Extraction of mangroves spatial distribution using remotely sensed data［J］.Wetland Science，2014，12（5）：580-589

［17］ 李春干.廣西紅樹林資源的分布特點(diǎn)和林分結(jié)構(gòu)特征［J］.南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2003，27（5）：15-19

LI Chungan.Distribution and forest structure of mangrove in Guangxi［J］.Journal of Nanjing Forestry University （Natural Sciences Edition），2003，27（5）：15-19

［18］ 李麗鳳，劉文愛.廣西廉州灣紅樹林濕地景觀格局動態(tài)及其成因［J］.森林與環(huán)境學(xué)報(bào)，2018，38（2）：171-177

LI Lifeng，LIU Wenai.Dynamic changes of mangrove wetland landscape pattern in Lianzhou Gulf of Guangxi and its causes［J］.Journal of Forest and Environment，2018，38（2）：171-177

［19］ Li M S，Mao L J，Shen W J.et al.Change and fragmentation trends of Zhanjiang mangrove forests in southern China using multi-temporal Landsat imagery （1977-2010）［J］.Estuarine，Coastal and Shelf Science，2013，130：111-120

［20］ Rogers K，Lymburner L，Salum R，et al.Mapping of mangrove extent and zonation using high and low tide composites of Landsat data［J］.Hydrobiologia，2017，803：49-68

［21］ Jia H M，Wang Z，Wang C，et al.A new vegetation index to detect periodically submerged mangrove forest using single-tide Sentinel-2 imagery［J］.Remote Sensing，2019，11（17）：2043

［22］ Zhang X H，Tian Q J.A mangrove recognition index for remote sensing of mangrove forest from space［J］.Current Science，2013，105（8）：1149-1155

［23］ 盧群，曾小康，石俊慧，等.深圳灣福田紅樹林群落演替［J］.生態(tài)學(xué)報(bào)，2014，34（16）：4662-4671

LU Qun，ZENG Xiaokang，SHI Junhui，et al.Study on succession of a mangrove forest in Futian，Shenzhen Bay［J］.Acta Ecologica Sinica，2014，34（16）：4662-4671

Identification of mangrove forest via remote sensing

combined with tidal level and DEM

ZHANG Xuehong¹ GE Zhouhui¹ ZHEN Xiaoju² JIANG Nan¹ DONG Tianci¹

1 School of Remote Sensing ＆ Geomatics Engineering，Nanjing University of Information Science ＆ Technology，Nanjing 210044，China

2 Hebei Provincial Key Lab for Meteorology and Eco-environment，Shijiazhuang 050021，China

Abstract To address the accurate extraction of sparse and low mangroves perplexed by the periodic change of tide level，we take the Beibu Gulf of Guangxi as the research area to construct a decision tree model for mangrove identification using Landsat8 OLI images at low and high tidal levels and DEM （Digital Elevation Model） data，which is then evaluated by comparing with SVM （Support Vector Machine）.The research results show that difference exists in the spectra of mangroves with different heights and canopy densities or under different tide levels，while the sparse and low mangroves share the same spectrum with shady slope forest and water-terrestrial vegetation mixed pixel.The SVM approach classifies the mangroves as high-dense type and low-sparse type，and improves the overall accuracy by 4.65，4.41 and 7.22 percentage points for low-tide，high-tide and multi-tide images，respectively.The proposed approach reaches 98.80% of overall accuracy and 0.973 of Kappa coefficient，which are 1.62 percentage points and 0.035 higher than the best values of SVM approach.It can be concluded that considering the mangrove height，density，tide level and DEM can significantly improve the identification accuracy of mangroves from remote sensing images.

Key words mangrove forest;Landsat 8 OLI;tidal level;digital elevation model （DEM）;decision tree