基于決策樹方法的Landsat8 OLI影像紅樹林信息自動提取

張雪紅

(南京信息工程大學地理與遙感學院,南京　210044)

基于決策樹方法的Landsat8OLI影像紅樹林信息自動提取

張雪紅

(南京信息工程大學地理與遙感學院,南京210044)

摘要：基于廣西山口國家紅樹林生態自然保護區的Landsat 8 OLI 影像數據,選用廣泛應用于植被液態水含量反演的歸一化差值濕度指數(normalized difference moisture index,NDMI)和修正的歸一化差值池塘指數(modified normalized difference pond index, MNDPI)作為分類特征，運用決策樹方法進行紅樹林信息的自動提取。研究結果表明: 紅樹林獨特的濱海濕地生境特點,使其光譜同時包含植被和濕地信息； MNDPI和NDMI可分別反映可見光-近紅外波段反射率同短波紅外波段反射光譜的反差，可成功應用于濕地植被信息的提取，能有效地將紅樹林同其他地物相區分； 采用Landsat8 OLI遙感數據，并結合NDMI和MNDPI分類特征構建的決策樹模型可有效地提取紅樹林信息，其錯分率和漏分率都較低，分別為5.34%和1.69%。

關鍵詞：紅樹林; NDMI; MNDPI; OLI; 決策樹

0引言

紅樹林是生長在熱帶、亞熱帶沿海潮間帶灘涂上特有的木本植物群落,屬常綠闊葉林,主要分布于淤泥深厚的海灣或河口鹽漬土壤上。紅樹林具有促淤固灘、防浪護堤、保持生物多樣性和凈化環境污染等作用[1-2]。然而由于紅樹林生存于海洋與陸地交錯的生態脆弱帶，長期受到沿海不合理開發活動和氣候變化的雙重威脅，過去的20a間全世界紅樹林的分布面積下降了36%[3]。為了加強紅樹林資源的管理和監督，需要借助于遙感技術快速全面地獲得和掌握紅樹林時空分布信息。

紅樹林的遙感識別與提取方法主要有監督分類[4-5]、非監督分類[6-7]、專家分類[8-9]、波段比值組合或植被指數法[4-5,7,10-11]、3S綜合法[12-13]等。在分類特征方面，通常采用基于原始反射特征以及歸一化植被指數(normalizeddifferencevegetationindex,NDVI)[4]，(TM5-TM7)/(TM5+TM7)[10]，TM3/TM5[11]，TM5/TM4[11]和溫濕度指數[14]等指數或波段組合來區分紅樹林與非紅樹林。部分研究還結合了潮位、高程、海岸線等輔助地學數據，以提高紅樹林的識別精度[15-17]。所采用的遙感影像數據根據研究目標可分為兩大類： 宏觀動態監測類主要采用LandsatMSS[18]，LandsatTM(ETM+)[10-12, 18-19]，SPOT[12,20-22]，ASTER[23]和HJ/CCD[24]等數據； 另一類則從微觀尺度側重研究紅樹林的生態群落分布及演變規律，多采用航空影像(如CASI影像[11]、Hypmap影像[25])、IKONOS[26-28]及QuickBird[26,29]等高空間分辨率或高光譜影像數據。為了延續Landsat近40a的對地觀測，2013年2月12日，美國成功發射了Landsat8陸地衛星，其搭載了OLI(operationallandimager)和TIRS(thermalinfraredsensor)2個有效載荷[30]。但是，到目前為止未見利用Landsat8OLI遙感數據來監測紅樹林的相關文獻。

歸一化差值濕度指數(normalizeddifferencemoistureindex,NDMI)[31]、歸一化差值水體指數(Normalizeddifferencewaterindex,NDWI)[32]能有效反映地物在近紅外和短波紅外波段反射光譜之間的反差，因此常用來反演植被中的液態水含量[31-35]。同樣，能夠有效描述可見光與短波紅外波段反射光譜之間反差的歸一化差值池塘指數(normalizeddifferencepondindex,NDPI)[36]常用來提取水體信息。由于紅樹林處于獨特的濱海濕地環境，使其光譜特征同時含有植被特征和濕地背景信息。為此，擬以廣西壯族自治區北海市山口國家紅樹林生態自然保護區為研究區，基于Landsat8OLI影像數據，嘗試結合NDMI和NDPI等光譜指數，運用決策樹方法來提取紅樹林，并以此來評價Landsat8OLI遙感數據對紅樹林的監測能力和驗證NDMI和NDPI等光譜指數在紅樹林遙感識別中的有效性。

1研究區概況及數據源

1.1研究區概況

研究區位于廣西壯族自治區的北海市合浦縣東部的沙田半島。該半島東西兩側為山口國家紅樹林生態自然保護區。研究區所處的地理坐標為E109°42′03″～109°45′36″，N21°29′00″～21°33′25″，東西長約6km，南北長約8km。研究區內紅樹植物主要有木欖(Bruguieragymnorrhiza)、紅海欖(Rhizophorastylosa)、桐花樹(Aegicerascorniculatum)、白骨壤(Avicenniamarina)、海漆(Exoecariaagallocha)和秋茄(Kandeliacandel)等種類，其中連片的紅海欖純林在我國極為罕見。研究區屬于南亞熱帶季風型海洋性氣候帶, 年平均氣溫22.9℃, 年平均降水量1 573.4mm[37]。區內的地物類型主要包括桉樹人工林、陸生天然林、紅樹林、人工設施、光灘、灘涂以及水體等。

1.2數據源

研究所采用的數據包括Landsat8OLI影像、2013年10月22日和12月6日GoogleEarth高空間分辨率影像、地面控制點地理坐標數據、紅樹林樣點的野外調查數據等。Landsat8衛星包含OLI和TIRS這2個遙感器，OLI遙感器性能參數詳見表1。Landsat8OLI影像成像時間為2014年1月14日，軌道號為P124/R45，成像時的潮位為185cm(潮高基準面在平均海平面下255cm)。2013年10月對該研究區進行了野外調查，用GPS記錄了各樣點的地理位置，樣點數據總共25個，其中地面控制點9個、紅樹林7個(注： 紅樹林樣點主要選取了保護區內英羅保護站的紅樹林)、桉樹6個及木薯3個，其空間分布詳見圖1。

表1　Landsat8 OLI 波段設置及空間分辨率

圖1野外調查樣點分布

(全景圖為OLI標準假彩色圖像，局部放大圖為2009年

10月16日GeoEye-1標準假彩色圖像)

Fig.1Distributionoffieldsurveysites

2處理方法

2.1數據預處理

數據預處理包括對Landsat8OLI影像的輻射校正和幾何糾正，通過ENVI4.8軟件實現。其中輻射校正包括輻射定標和地表反射率的計算，首先利用影像元數據文件提供的定標系數將原始DN值轉換成表觀反射率，然后采用改進的暗目標方法計算地表反射率[38-39]。幾何糾正保證誤差小于0.5個像元。影像圖采用UTM投影。

2.2分類特征及決策樹方法

短波紅外對液態水敏感，1.20μm為液態水的吸收帶之一[32]。有學者基于以上波段特征提出了NDMI[31]和NDWI[32]光譜指數，分別定義為

NDMI=(ρNIR-ρMIR)/(ρNIR+ρMIR) ,

(1)

NDWI=(ρ0.86-ρ1.24)/(ρ0.86+ρ1.24) ,

(2)

式中： ρNIR,ρMIR,ρ0.86和ρ1.24分別為近紅外、短波紅外、0.86μm和1.24μm波段反射率。

Lacaux等[36]提出了NDPI來識別和評價池塘水體，其定義為

NDPI=(ρMIR-ρG)/(ρMIR+ρG) ,

(3)

式中ρG和ρMIR分別為綠波段和短波紅外波段反射率。

研究區大面積分布的紅海欖純林的光譜反射率明顯低于其他紅樹林品種，尤其是短波紅外波段反射率小于綠光波段。因此本文通過對NDPI做修正，用紅光波段反射率來替換NDPI中的綠光波段反射率，修正后的NDPI稱之謂MNDPI(ModifiedNDPI)，在決策樹建模時用以替換NDPI，即

MNDPI=(ρMIR-ρR)/(ρMIR+ρR) ，

(4)

式中ρR和ρMIR分別為紅波段和對應短波紅外波段反射率。

3結果與分析

3.1典型地物光譜特征

為了便于比較研究區內典型地物的光譜特征，基于野外典型地物樣點的調查數據，結合GoogleEarth高空間分辨率影像，通過目視解譯對區內典型地物各選取了50～100個像元樣本(表2)。

表2　典型地物光譜特征統計值

圖2為研究區內紅樹林、陸生植被、人工建筑、水體、灘涂、光灘、陸生植被與水體的混合像元、裸土

圖2　研究區典型地物反射光譜曲線

等典型地物平均反射光譜曲線，圖中的“混合像元”為陸生植被與水體的混合像元。陸生植被與紅樹林光譜曲線具有典型的植被反射率特征。紅樹林由于處于濱海濕地環境，其短波紅外反射率明顯低于陸生植被。陸生植被與水體的混合像元反射率光譜曲線形狀同植被極其相似，不同之處在于近紅外反射率顯著偏小。而灘涂由于生長著海草，且在影像數據成像時處于低潮，因此光譜曲線也反映出部分植被的特征，只是可見光區域反射率高于植被，而紅外區域反射率則明顯低于植被。同植被相比，人工建筑、光灘、裸土及水體等非植被地物類型的光譜沒有可見光波段植被的“兩谷一峰一陡坡”特征。

基于典型地物選取的像元樣本數據，分別統計了各地物類型的NDMI和MNDPI等光譜特征。綜合圖2和表2，可以得出：

1)紅樹林、水體、灘涂、光灘的NDMI明顯大于其他地物類型，陸生植被以及陸生植被與水體的混合像元次之，人工建筑和裸土則最小。從而利用NDMI可以將紅樹林同人工建筑、裸土相區分，也能將絕大大部分紅樹林同陸生植被與水體的混合像元相區分，而紅樹林同陸生植被則有一定程度的重疊區域。

2)陸生植被的MNDPI最大，紅樹林、人工建筑、裸土以及陸生植被與水體的混合像元次之，而水體、灘涂和光灘最小。因此，利用MNDPI可以將紅樹林同水體、灘涂和光灘，尤其是同陸生植被進行區分。

3.2決策樹模型的構建

采用決策樹分類方法來提取紅樹林空間分布信息時，將研究區域分為紅樹林和非紅樹林兩類,并基于ENVI4.8軟件中決策樹分類模塊進行紅樹林的識別。決策規則如圖3所示。

圖3　紅樹林識別的決策樹模型

規則①： 0≤MNDPI≤0.35，此規則將地物分成2類(一類為水體、陸生植被、灘涂、光灘，另一類為紅樹林、人工建筑、裸土、陸生植被與水體的混合像元)； 規則②： NDMI≥0.42，此規則可將紅樹林和人工建筑、裸土、陸生植被與水體的混合像元有效區分。滿足此規則的為紅樹林，否則為人工建筑、裸土或陸生植被與水體的混合像元。文中MNDPI和NDMI的閾值是基于樣本數據經過反復分析而確定的。

3.3紅樹林識別結果及精度評價

基于構建的決策樹模式，對研究區內紅樹林進行識別試驗，其識別結果見圖4，其中紅色區域為紅樹林分布區。底圖為進行對比度拉伸后的OLI影像真彩色合成圖像。

圖4　2014年山口紅樹林自然保護區紅樹林分布圖

從圖像上隨機提取2 249個像元作為驗證樣本用于進行精度評價，其中紅樹林415個,陸生植被、水體、灘涂、光灘共763個，人工建筑、陸生植被與水體的混合像元、裸土共1 071個。利用ENVI4.8軟件構建混淆矩陣，并計算紅樹林識別精度。結果表明，錯分率為5.34%，漏分率為1.69%。其中錯分為紅樹林的主要為山區陰影植被，這是因為植被在陰影區各波段的反射率急劇減小，尤其是短波紅外波段減小幅度最大，從而導致MNDPI減小而NDMI增大； 另外還有少量沿海養殖水體同植被混合像元也極易錯分為紅樹林。漏分的紅樹林主要為紅樹林斑塊邊緣且地勢略低的稀疏紅樹林，這些紅樹林多為先鋒樹種白骨壤，其樹葉顏色呈現為灰綠色，再加上潮汐的周期性浸淹，樹葉上常粘有灰色的潮土，導致其近紅外段反射率相對稠密紅樹林偏小，而短波紅外段反射率則略微偏大，于是NDMI總體偏小，故容易漏分。

4結論

基于Landsat8OLI影像數據,以廣西山口國家紅樹林生態自然保護區為例，通過選擇NDMI和MNDPI等光譜指數，采用決策樹方法進行紅樹林信息的自動提取研究，研究結果如下：

1)紅樹林生長于特殊的濱海濕地環境，其光譜同時包含植被和濕地信息，而且其短波紅外波段反射率明顯低于陸地植被。

2)NDMI和MNDPI指數能分別反映可見光-近紅外同短波紅外波段光譜的反差，應用于紅樹林濕地植被信息提取可有效地將紅樹林同其他地物區分。其中NDMI可以將紅樹林同人工建筑、裸土分離，也可以將絕大部分紅樹林同陸生植被與水體的混合像元區分，而紅樹林同陸生植被會有一定程度的重疊區域； 陸生植被同紅樹林存在明顯的“同譜異物”現象，MNDPI不但可將紅樹林同水體、灘涂和光灘區分，而且還可以有效地將其同陸生植被分離。

3)Landsat8OLI能有效監測紅樹林的空間分布特征。基于Landsat8OLI影像數據，結合NDMI和MNDPI分類特征，通過選取相應的閾值并構建決策樹模型，可以有效地提取紅樹林信息。

為了進一步提高紅樹林的識別精度，在后續的研究中，還需著重關注陰影植被、陸生植被與沿海養殖水體的混合像元同紅樹林誤分現象及稀疏紅樹林的漏分問題，進一步完善紅樹林信息提取的方法流程。此外，本文中的分類特征閾值是否具有時空拓展性，還有待選用不同時間和不同區域的數據來進一步驗證或修正。

志謝： 文中Landsat8OLI影像由中國科學院計算機網絡信息中心地理空間數據云 (http: //www.gscloud.cn)提供，衷心感謝各位評審專家所提的寶貴意見。

參考文獻(References)：

[1]BlascoF,SaengerP,JanodetE.Mangrovesasindicatorsofcoastalchange[J].Catena,1996,27(3/4):167-178.

[2]LiuK,LiX,ShiX,etal.MonitoringmangroveforestchangesusingremotesensingandGISdatawithdecision-treelearning[J].Wetlands,2008,28(2):336-346.

[3]FAO.TheWorld’sMangroves1980—2005,FAOForestryPaperNo.153[R/OL].FAO:Rome,Italy,2007;Availableonline:ftp://ftp.fao.org/docrep/fao/010/a1427e/a1427e00.pdf(accessedon9October2014).

[4]JensenJR,LinHY,YangXH,etal.Themeasurementofmangrovecharacteristicsinsouth-westFloridausingspotmultispectraldata[J].GeocartoInternational,1991,6(2):13-21.

[5]RasolofoharinoroM,BlascoF,BellanMF,etal.AremotesensingbasedmethodologyformangrovestudiesinMadagascar[J].InternationalJournalofRemoteSensing,1998,19(10):1873-1886.

[6]FerreiraMA,AndradeF,BandeiraSO,etal.Analysisofcoverchange(1995—2005)ofTanzania/Mozambiquetrans-boundarymangrovesusingLandsatimagery[J].AquaticConservation:MarineandFreshwaterEcosystems,2009,19(S1):S38-S45.

[7]LeeTM,YehHC.Applyingremotesensingtechniquestomonitorshiftingwetlandvegetation:AcasestudyofDanshuiRiverestuarymangrovecommunities,Taiwan[J].EcologicalEngineering,2009,35(4):487-496.

[8]黎夏,劉凱,王樹功.珠江口紅樹林濕地演變的遙感分析[J].地理學報,2006,61(1):26-34.

LiX,LiuK,WangSG.MangrovewetlandchangesinthePearlRiverestuaryusingremotesensing[J].ActaGeographicaSinica,2006,61(1):26-34.

[9]張雪紅.基于知識與規則的紅樹林遙感信息提取[J].南京信息工程大學學報,2011,3(4):341-345.

ZhangXH.Remotesensinginformationextractionofmangrovebasedonknowledgeandrules[J].JournalofNanjingUniversityofInformationScience&Technology,2011,3(4):341-345.

[10]ChaudhuryMU.DigitalanalysisofremotesensingdataformonitoringtheecologicalstatusofthemangroveforestsofSunderbansinBangladesh[C]//Proceedingsofthe23rdInternationalSymposiumonRemoteSensingoftheEnvironment.Bangkok,Thailand,1990,1:493-497.

[11]GreenEP,ClarkCD,MumbyPJ,etal.Remotesensingtechniquesformangrovemapping[J].InternationalJournalofRemoteSensing,1998,19(5):935-956.

[12]AschbacherJ,OfrenR,DelsolJP,etal.AnintegratedcomparativeapproachtomangrovevegetationmappingusingadvancedremotesensingandGIStechnologies:Preliminaryresults[J].Hydrobiologia,1995,295(1/3):285-294.

[13]LongBG,SkewesTD.GISandremotesensingimprovesmangrovemapping[C]//FloreatWA.7thAustralasianRemoteSensingConference,Volume1.Melbourne:RemoteSensingandPhotogrammetryAssociationAustraliaLtd.,1994:545-551.

[14]張雪紅,田慶久.利用溫濕度指數提高紅樹林遙感識別精度[J].國土資源遙感,2012,24(3):65-70.doi:10.6046/gtzyyg.2012.03.13.

ZhangXH,TianQJ.Applicationofthetemperature-moistureindextotheimprovementofremotesensingidentificationaccuracyofmangrove[J].RemoteSensingforLandandResources,2012,24(3):65-70.doi:10.6046/gtzyyg.2012.03.13.

[15]張雪紅,周杰,魏瑗瑗,等.結合潮位信息的紅樹林遙感識別[J].南京信息工程大學學報,2013,5(6):501-507.

ZhangXH,ZhouJ,WeiYY,etal.Remotesensingidentificationofmangroveforestcombinedtidallevelinformation[J].JournalofNanjingUniversityofInformationScienceandTechnology,2013,5(6):501-507.

[16]劉凱,黎夏,王樹功,等.珠江口近20年紅樹林濕地的遙感動態監測[J].熱帶地理,2005,25(2):111-116.

LiuK,LiX,WangSG,etal.MonitoringofthechangesofmangrovewetlandaroundtheZhujiangestuaryinthepasttwodecadesbyremotesensing[J].TropicalGeography,2005,25(2):111-116.

[17]LiuK,LiX,ShiX,etal.MonitoringmangroveforestchangesusingremotesensingandGISdatawithdecision-treelearning[J].Wetlands,2008,28(2):336-346.

[18]GiriC,PengraB,ZhuZL,etal.MonitoringmangroveforestdynamicsofthesundarbansinbangladeshandIndiausingmulti-temporalsatellitedatafrom1973to2000[J].Estuarine,CoastalandShelfScience,2007,73(1/2):91-100.

[19]RakotomavoA,FromardF.DynamicsofmangroveforestsintheMangokyRiverDelta,Madagascar,undertheinfluenceofnaturalandhumanfactors[J].ForestEcologyandManagement,2010,259(6):1161-1169.

[20]BlascoF,AizpuruM,GersC.DepletionofthemangrovesofcontinentalAsia[J].WetlandsEcologyandManagement,2001,9(3):255-266.

[21]ThuPM,PopulusJ.StatusandchangesofmangroveforestinMekongdelta:casestudyinTraVinh,Vietnam[J].Estuarine,CoastalandShelfScience,2007,71(1/2):98-109.

[22]ConcheddaG,DurieuxL,MayauxP.Anobject-basedmethodformappingandchangeanalysisinmangroveecosystems[J].ISPRSJournalofPhotogrammetryandRemoteSensing,2008,63(5):578-589.

[23]VaiphasaC,SkidmoreAK,DeBoerWF.Apost-classifierformangrovemappingusingecologicaldata[J].ISPRSJournalofPhotogrammetryandRemoteSensing,2006,61(1):1-10.

[24]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:信息科學,2011,41(S1):153-165.

LiSS,TianQJ.MangroveextractionmodebasedonHJmultispectralremotesensinginBeibuGulf[J].ScientiaSinica:Informationis,2011,41(S1):153-165.

[25]肖海燕,曾輝,昝啟杰,等.基于高光譜數據和專家決策法提取紅樹林群落類型信息[J].遙感學報,2007,11(4):531-537.

XiaoHY,ZengH,ZanQJ,etal.Decisiontreemodelinextractionofmangrovecommunityinformationusinghyperspectralimagedata[J].JournalofRemoteSensing,2007,11(4):531-537.

[26]WangL,SousaWP,GongP,etal.ComparisonofIKONOSandQuickBirdimagesformappingmangrovespeciesontheCaribbeancoastofPanama[J].RemoteSensingofEnvironment,2004,91(3/4):432-440.

[27]KovacsJM,WangJF,Flores-VerdugoF.MappingmangroveleafareaindexatthespecieslevelusingIKONOSandLAI-2000sensorsfortheAguaBravaLagoon,MexicanPacific[J].Estuarine,CoastalandShelfScience,2005,62(1/2):377-384.

[28]ProisyC,CouteronP,FromardF.PredictingandmappingmangrovebiomassfromcanopygrainanalysisusingFourier-basedtexturalordinationofIKONOSimages[J].RemoteSensingofEnvironment,2007,109(3):379-392.

[29]SalehMA.AssessmentofmangrovevegetationonAbuMinqarislandoftheRedSea[J].JournalofAridEnvironments,2007,68(2):331-336.

[30]徐涵秋,唐菲.新一代Landsat系列衛星:Landsat8遙感影像新增特征及其生態環境意義[J].生態學報,2013,33(11):3249-3257.XuHQ,TangF.AnalysisofnewcharacteristicsofthefirstLandsat8imageandtheireco-environmentalsignificance[J].ActaEcologicaSinica,2013,33(11):3249-3257.

[31]WilsonEH,SaderSA.DetectionofforestharvesttypeusingmultipledatesofLandsatTMimagery[J].RemoteSensingofEnvironment,2002,80(3):385-396.

[32]GaoBC.NDWI-anormalizeddifferencewaterindexforremotesensingofvegetationliquidwaterfromspace[J].RemoteSensingofEnvironment,1996,58(3):257-266.

[33]JacksonTJ,ChenDY,CoshM,etal.VegetationwatercontentmappingusingLandsatdataderivednormalizeddifferencewaterindexforcornandsoybeans[J].RemoteSensingofEnvironment,2004,92(4):475-482.

[34]ChenDY,HuangJF,JacksonTJ.VegetationwatercontentestimationforcornandsoybeansusingspectralindicesderivedfromMODISnear-andshort-waveinfraredbands[J].RemoteSensingofEnvironment,2005,98(2/3):225-236.

[35]HuangJF,ChenDY,CoshMH.Sub-pixelreflectanceunmixinginestimatingvegetationwatercontentanddrybiomassofcornandsoybeanscroplandusingnormalizeddifferencewaterindex(NDWI)fromsatellites[J].InternationalJournalofRemoteSensing,2009,30(8):2075-2104.

[36]LacauxJP,TourreYM,VignollesC,etal.Classificationofpondsfromhigh-spatialresolutionremotesensing:Applicationtoriftvalleyfeverepidemicsinsenegal[J].RemoteSensingofEnvironment,2007,106(1):66-74.

[37]梁士楚.廣西英羅灣紅樹植物群落的研究[J].植物生態學報,1996,20(4):310-321.

LiangSC.StudiesonthemangrovecommunitiesinYingluoBayofGuangxi[J].ActaPhytoecologicaSinica,1996,20(4):310-321.

[38]ChavezJrPS.Animproveddark-objectsubtractiontechniqueforatmosphericscatteringcorrectionofmultispectraldata[J].RemoteSensingofEnvironment,1988,24(3):459-479.

[39]ChavezPS.Image-basedatmosphericcorrections:Revisitedandimproved[J].PhotogrammetricEngineeringandRemoteSensing,1996,62(9):1025-1036.

(責任編輯： 李瑜)

DecisiontreealgorithmofautomaticallyextractingmangroveforestsinformationfromLandsat8OLIimagery

ZHANGXuehong

(School of Geography and Remote Sensing, Nanjing University of Information Science & Technology, Nanjing 210044, China)

Abstract:NDMI (normalized difference moisture index) is widely used to assess and retrieve vegetation liquid water content. In this study, decision tree method was employed to automatically extract mangrove forests information combining the NDMI and MNDPI (modified normalized difference pond index), modified according to the mangrove characteristics, with Landsat8 OLI imagery acquired at Shankou mangrove national ecosystem nature reserve in Guangxi. The research results show that mangrove forests spectra consist of vegetation and wetland characteristics due to the unique near-shore coastal habitat of mangrove forests. MNDPI and NDMI can represent the spectral contrast between shortwave infrared region and visible region, near infrared region respectively. Therefore, the two spectral indices can successfully be employed to extract wetland vegetation and effectively discriminate mangrove forests from other land cover types. The decision tree method effectively extracted mangrove forests information by combining the classification features of MNDPI and NDMI and using Landsat8 OLI remotely sensed data. The commission error and omission error of mangrove forests were 5.34% and 1.69% respectively.

Keywords:mangrove forests; NDMI; MNDPI; OLI; decision tree

doi:10.6046/gtzyyg.2016.02.28

收稿日期：2014-11-12；

修訂日期：2015-03-02

基金項目：國家自然科學基金項目“紅樹林冠層高光譜探測及群落類型識別研究”(編號： 41201461)和江蘇政府留學獎學金共同資助。

中圖法分類號：TP 751.1; TP 753

文獻標志碼：A

文章編號：1001-070X(2016)02-0182-06

作者簡介：張雪紅(1980- ), 男 ,博士，副教授，主要從事植被生態遙感方面的研究。 Email： zxhbnu@126.com。

引用格式： 張雪紅.基于決策樹方法的Landsat8OLI影像紅樹林信息自動提取[J].國土資源遙感,2016,28(2):182-187.(ZhangXH.DecisiontreealgorithmofautomaticallyextractingmangroveforestsinformationfromLandsat8OLIimagery[J].RemoteSensingforLandandResources,2016,28(2):182-187.)