基于WorldView-2的紅樹林種群分類
——以深圳灣為例

李雨秦，左小清，李洪忠

（1. 昆明理工大學(xué) 國土資源工程學(xué)院；2. 中國科學(xué)院 深圳先進(jìn)技術(shù)研究院）

0 引言

紅樹林以有效地防浪護(hù)堤，凈化海水，預(yù)防赤潮發(fā)生，其具有結(jié)構(gòu)的復(fù)雜性，物種的多樣性，生產(chǎn)力的高效性，具有獨(dú)特的生態(tài)功能和重大的社會(huì)經(jīng)濟(jì)價(jià)值。而紅樹林可持續(xù)保護(hù)需要更好地監(jiān)測紅樹林的演替、分布等動(dòng)態(tài)信息和結(jié)構(gòu)，因此需要迅速和精準(zhǔn)的繪圖，遙感技術(shù)的發(fā)展為滿足這一需求提供了可能。

Verheyden等[1]在對(duì)斯里蘭卡紅樹林地區(qū)航空攝影照片的目視解譯中，識(shí)別出單個(gè)樹木的圖像屬性以及物種組合，研究了航空攝影在高分辨率紅樹林植被動(dòng)態(tài)監(jiān)測中的適用性，結(jié)果表明航空照片適用于繪制以屬為基礎(chǔ)的植被地圖。Wang Le[2]等對(duì)比使用IKONOS和QuickBird影像，采用最大似然法對(duì)巴拿馬的加勒比海岸的三種紅樹林樹種進(jìn)行了分類，結(jié)果顯示二者在紅樹林物種分類領(lǐng)域均獲得了較為期待的結(jié)果，并且分類精度均達(dá)到了制圖要求。唐煥麗等[3]基于 WorldView-2影像數(shù)據(jù)，對(duì)比了基于支持向量機(jī)的單一尺度和多尺度的面向?qū)ο蠓诸惙椒ǎY(jié)果表明與單一尺度分類方法相比，多尺度分類方法的分類精度更高。

樹木種間分類對(duì)于遙感數(shù)據(jù)分辨率要求較高，因此具有更高的空間分辨率和光譜分辨率的影像數(shù)據(jù)可以提供更為精細(xì)的紅樹林樹種種間分類結(jié)果[4-6]。本文以 WorldView-2多光譜遙感影像數(shù)據(jù)為數(shù)據(jù)源，結(jié)合野外實(shí)地采樣樣點(diǎn)，對(duì)比分析了人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林三種常用的分類方法的適用性，為后續(xù)高分辨率遙感影像的紅樹林中間分類提供參考。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)概況

深圳灣是香港和深圳市之間的一個(gè)海灣，準(zhǔn)確位置介乎中國香港新界西北部和中國廣東省深圳市南山區(qū)的東部對(duì)開海域，位于元朗平原以西、蛇口以東。本研究區(qū)為深圳灣紅樹林自然保護(hù)區(qū)，位于深圳灣北東岸深圳河口的紅樹林鳥類自然保護(hù)區(qū)之中，包括福田自然保護(hù)區(qū)和米埔自然保護(hù)區(qū)（具體位置如圖1所示）。

1.2 數(shù)據(jù)源與預(yù)處理

本文所用數(shù)據(jù)為分辨率為2 m的WorldView-2多光譜遙感影像數(shù)據(jù)（詳細(xì)波段參數(shù)見下表）以及野外實(shí)地采樣的樣點(diǎn)數(shù)據(jù)。樣點(diǎn)數(shù)據(jù)的由野外實(shí)地采樣獲取，采樣時(shí)間為2016年下半年，樣地的地理位置由使用手持GPS獲得的樣地中心經(jīng)緯度確定。

圖1 研究區(qū)位置示意圖（左圖取自谷歌地球）Fig.1 Schematic diagram of the location of the study area (the left picture is taken from Google earth)

表1 WorldView-2數(shù)據(jù)參數(shù)Tab.1 Brief introduction about satellite data of WorldView-2 imagery

遙感數(shù)據(jù)的預(yù)處理主要包括輻射定標(biāo)、大氣校正、幾何校正、正射校正等過程。輻射定標(biāo)將遙感影像的數(shù)字量化值（DN）轉(zhuǎn)化為大氣表觀輻射亮度值等物理量。大氣校正消除大氣影響造成的輻射誤差，反演地物真實(shí)的地表反射率，將表觀輻射亮度數(shù)據(jù)轉(zhuǎn)換為地表反射率數(shù)據(jù)。正射校正是幾何校正的最高級(jí)別，一般所說的幾何校正是消除因大氣傳輸、傳感器本身、地球曲率等因素造成的幾何畸變，主要糾正或者賦予影像平面坐標(biāo)。正射校正除了進(jìn)行常規(guī)的幾何校正的功能外，還要根據(jù) DEM 來糾正影像因地形起伏而產(chǎn)生的畸變，會(huì)給圖像加上高程信息。本文所使用的 WorldView-2遙感影像數(shù)據(jù)主要進(jìn)行了輻射校正、幾何校正等預(yù)處理工作，均利用ENVI5.3中預(yù)處理工具進(jìn)行。

2 研究方法

本研究選用了人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林三種分類方法對(duì) WorldView-2遙感影像數(shù)據(jù)進(jìn)行分類處理（均使用ENVI5.3軟件進(jìn)行處理）。

2.1 神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)，簡稱為神經(jīng)網(wǎng)絡(luò)（NNs），它模仿人腦的神經(jīng)網(wǎng)絡(luò)，進(jìn)行分布式并行信息處理。這種網(wǎng)絡(luò)靠著系統(tǒng)的復(fù)雜程度，通過多層的神經(jīng)網(wǎng)絡(luò)，無限逼近真實(shí)的對(duì)應(yīng)函數(shù)，進(jìn)而處理信息、模擬數(shù)據(jù)之間的真實(shí)關(guān)系。滕駿華等[7]通過人工神經(jīng)網(wǎng)絡(luò)分類方法將紅樹林群落信息分類并繪成專題圖。梁益同等[8]應(yīng)用神經(jīng)網(wǎng)絡(luò)對(duì)NOAA衛(wèi)星圖像進(jìn)行分類的基本原理和方法,并進(jìn)行了實(shí)例分析,結(jié)果證明了該方法的有效性。李四海等[9]為了探討中巴資源衛(wèi)星數(shù)據(jù)在紅樹林資源調(diào)查中的應(yīng)用能力，采用神經(jīng)網(wǎng)絡(luò)分類法進(jìn)行分類處理，并獲得精度較高的分類結(jié)果。劉凱等[10]將TM圖像與SAR圖像相融合，應(yīng)用神經(jīng)網(wǎng)絡(luò)分類法進(jìn)行分類，并取得較好結(jié)果。王祥等[11]用神經(jīng)網(wǎng)絡(luò)法對(duì)廣西山口紅樹林保護(hù)區(qū)的Landsat TM衛(wèi)星圖像進(jìn)行分類，并最終獲取紅樹林生態(tài)系統(tǒng)的景觀格局指標(biāo)。

2.2 支持向量機(jī)

支持向量機(jī)，簡稱SVM，由早期工作來自前蘇聯(lián)學(xué)者Vladimir N. Vapnik和Alexander Y. Lerner在1963年發(fā)表的研究[12]。支持向量機(jī)是以監(jiān)督學(xué)習(xí)的方式進(jìn)行二元分類的廣義線性分類器，是對(duì)線性分類器的改進(jìn)，目的是找出最大邊距超平面。其主要思想是通過升維，將線性不可分的情況轉(zhuǎn)變?yōu)榫€性可分，進(jìn)而基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化在特征空間中構(gòu)造超平面。因此，對(duì)于高維模式識(shí)別、樣本數(shù)據(jù)線性不可分等情況，支持向量機(jī)相對(duì)于問題的復(fù)雜度，需要的樣本較少且結(jié)果較優(yōu)[13]。本實(shí)驗(yàn)核函數(shù)選用徑向基函數(shù)，是支持向量機(jī)最常用的一種核函數(shù)。周磊等[14]基于1990-2016年6個(gè)時(shí)期Landsat TM/OLI中等分辨率衛(wèi)星遙感影像數(shù)據(jù)，采用支持向量機(jī)方法的孟加拉國海岸帶紅樹林遙感監(jiān)測,最終給出了 6個(gè)時(shí)期改區(qū)域紅樹林空間分布狀況,分析了紅樹林30年間的演變趨勢(shì)。

2.3 隨機(jī)森林

隨機(jī)森林，簡稱RF，一種將多顆決策樹集成的算法。它由Leo Breiman和Adele Cutler于1995年提出[15]。隨機(jī)森林以決策樹為基本單位，通過決策樹的投票來決定最后的分類結(jié)果。它重視各個(gè)特征在分類問題上的重要性，可以有效減少?zèng)Q策樹過擬合的不足，提升泛化能力，能夠有效地運(yùn)用在大數(shù)據(jù)集上。不需要對(duì)高維特征的輸入樣本進(jìn)行降維，對(duì)部分特征缺失不敏感，且具有極好的準(zhǔn)確率。本研究使用了 ENVI拓展隨機(jī)森林工具（源碼來源于ENMAP-BOX v2.1.1并對(duì)其進(jìn)行封裝，方便其在ENVI下使用）[16]，選用基尼系數(shù)作為節(jié)點(diǎn)特征選取的判定標(biāo)準(zhǔn)，通過計(jì)算平方根確定每個(gè)節(jié)點(diǎn)備選特征的數(shù)量，設(shè)置100棵樹進(jìn)行投票，確定最終結(jié)果。Romie Jhonnerie等[17]曾基于Landsat 5 TM和ALOS PALSAR圖像，采用隨機(jī)森林分類法對(duì)紅樹林植被進(jìn)行分類，結(jié)果顯示，隨機(jī)森林分類器總體精度及Kappa系數(shù)分別為81.1%和0.76，優(yōu)于最大似然分類器分類結(jié)果的精度。

3 結(jié)果分析

下圖為WorldView-2遙感影像數(shù)據(jù)分別使用三種分類方法的分類結(jié)果對(duì)比。對(duì)群落分布結(jié)果進(jìn)行目視解譯，可以發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)與隨機(jī)森林分類法的群落分布狀況基本相同。秋茄和桐花樹分布最為廣泛，幾乎遍布整個(gè)研究區(qū)；海桑集中分布于研究區(qū)西北角以及沿海區(qū)域；老鼠簕與白骨壤分布較為隨機(jī)，并且十分分散。就無瓣海桑而言，神經(jīng)網(wǎng)絡(luò)分類法（圖 2(a)）與隨機(jī)森林分類法（圖 2(b)）的結(jié)果較為一致：集中分布于中部；而與隨機(jī)森林分類法（圖2(c)）呈現(xiàn)的結(jié)果則顯示研究區(qū)內(nèi)存在更多的無瓣海桑與海桑的混生群落，幾乎無無瓣海桑的單一群落。

圖2 三種分類方法的分類結(jié)果Fig.2 Classification results of the three classification methods

結(jié)果顯示（表2），隨機(jī)森林分類法的分類結(jié)果中，總體精度為73.6842%，高出神經(jīng)網(wǎng)絡(luò)分類法5.26個(gè)百分點(diǎn)，高出支持向量機(jī)分類法6.3個(gè)百分點(diǎn)；Kappa系數(shù)為0.6780，高出神經(jīng)網(wǎng)絡(luò)分類法0.064，高出支持向量機(jī)分類法0.083。說明在基于WorldView-2多光譜遙感影像數(shù)據(jù)的紅樹林樹種分類實(shí)驗(yàn)中，隨機(jī)森林分類法較神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)分類法能夠有效地提高分類精度。

表2 三種分類方法的混淆矩陣Tab.2 Confusion matrix of the three classification methods

從上表可以看出，使用神經(jīng)網(wǎng)絡(luò)分類法時(shí)（表2(a)），桐花樹的生產(chǎn)者精度最佳，老鼠簕的用戶精度最佳，但是存在較多的老鼠簕被誤分為桐花樹。使用支持向量機(jī)分類法時(shí)（表2(b)），桐花樹的生產(chǎn)者精度最佳，白骨壤和無瓣海桑的用戶精度最佳。使用隨機(jī)森林分類法時(shí)（表2(c)），桐花樹的生產(chǎn)者精度最佳，秋茄的用戶精度最佳。而三種方法中白骨壤的用戶精度和生產(chǎn)者精度均為最低。由于研究區(qū)內(nèi)存在大量兩種以及兩種以上紅樹林樹種的混生群落，生長邊界不清晰，極大地增大了識(shí)別的難度，而由于采樣條件的限制，不同樹種的樣本數(shù)量有較大差別，這些因素在一定程度上都會(huì)對(duì)分類結(jié)果造成影響。

4 結(jié)論

本研究以深圳灣的深圳福田自然保護(hù)區(qū)和香港米埔自然保護(hù)區(qū)為研究區(qū)域，以該地區(qū)的紅樹林為研究對(duì)象，通過梳理國內(nèi)外關(guān)于樹種分類相關(guān)研究內(nèi)容，借助ENVI5.3、ArcGIS10.2軟件，分別分析了三種分類方法紅樹林種間分類中的適用性。結(jié)果顯示：神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)與隨機(jī)森林分類法的群落分布狀況基本相同，但隨機(jī)森林分類法的總體精度和Kappa系數(shù)明顯高于神經(jīng)網(wǎng)絡(luò)分類法和支持向量機(jī)分類法，即在基于 WorldView-2多光譜遙感影像數(shù)據(jù)的紅樹林樹種分類實(shí)驗(yàn)中，隨機(jī)森林分類法較神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)分類法能夠有效地提高分類精度。

本研究還存在一些不足，需要后續(xù)進(jìn)一步完善：本文選取的分類方法對(duì)于混生群落的分類精度偏低，對(duì)過于分散的零星樹種識(shí)別度較差。樣本數(shù)量不均衡可能會(huì)給分類結(jié)果帶來偏差，后續(xù)有條件可新增實(shí)地采樣樣點(diǎn)以進(jìn)一步完善實(shí)驗(yàn)內(nèi)容。