基于無人機高光譜特征的紅樹林種群識別研究-以漳江口紅樹林國家級自然保護區為例

周在明，陳本清，徐冉，方維

( 1.自然資源部第三海洋研究所 海洋聲學與遙感實驗室，福建 廈門 361005；2.福建農林大學 林學院，福建 福州 350002；3.福建漳江口紅樹林國家級自然保護區，福建 云霄 363000)

1 引言

紅樹林是生長在熱帶及亞熱帶海岸潮間帶上的生態群落，其生產力高、固碳能力強，對保護海岸帶生物多樣性具有十分重要的價值，是國際濕地生態保護和生物多樣性保護的重要對象，是國際濕地公約中的重要分類系統[1-3]。而紅樹林種群的分類和識別對紅樹林生態系統的保護和恢復及對紅樹林的深入研究至關重要[4-5]。

在遙感數據的應用方面，由于光譜和空間分辨率的影響，中低分辨率多光譜遙感影像可在大尺度上實現紅樹林制圖，但較少應用于紅樹林種群的分類研究[6]。Wang等[7]從紅樹林分布研究、生態參數提取、生態系統過程表征3個方面系統梳理了紅樹林遙感相關研究的進程，并闡明了紅樹林遙感與陸地森林遙感的階段差異和相似性。高空間分辨率遙感影像通過空間紋理特征的分析，可應用于紅樹林種群的分類研究中[8]。Wang等[9]首次應用高空間分辨率IKONOS多光譜和全色影像實現了巴拿Magaleta紅樹林種群的分類研究。在此之后，相關的研究逐漸興起，其數據源多以高空間分辨率影像為主[10-11]。Xia等[12]通過多光譜衛星影像GF-1和Landsat 8 OLI/TIRS比較分析了淹沒紅樹林識別指數—SMRI指數的適用性。

隨著衛星遙感技術的發展，高光譜遙感將表征地物屬性特征的連續光譜信息與表征地物幾何位置特征的空間信息有機結合，使得地物的精確定量分析與細節提取成為可能[13]。在紅樹種群識別分類研究中，高光譜影像逐漸顯示出優越性，Kumar等[14]應用EO-1Hyperion數據在支持向量機SVM方法的基礎上實現了印度Bhitarkanika國家公園紅樹林高精度的種群識別。Jia等[5]綜合EO-1 Hyperion高光譜影像和SPOT-5影像，應用面向對象的分類方法實現了香港米鋪紅樹林的分類研究。隨著新型傳感器的在軌運行，學者們也進行了相關研究，Wan等[15]應用GF-5高光譜數據對香港米鋪的紅樹林進行了分類研究，展示了GF-5高光譜數據的應用效果。在航空高光譜方面，Hati等[16]比較了航空高光譜AVIRIS-NG和衛星高光譜Hyperion與多光譜Landsat 8 OLI及Sentinel-2在紅樹林種群分類研究中的效果，顯示出航空AVIRIS-NG數據在種群分類中的高精度性能。近年來，無人機平臺遙感技術快速發展，在紅樹林遙感監測中也逐漸開展。劉凱等[17]基于面向對象分類的最鄰近分類器與隨機森林分類器對紅樹林樹種進行精細分類和對比分析，并探討了不同類型無人機平臺在紅樹林資源調查應用中的優缺點。Cao等[18]通過無人機高光譜影像結合數字表面模型，利用最鄰近法和支持向量機分類方法對廣東淇澳紅樹林種群進行了分類研究。

基于無人機平臺的高光譜傳感器可以提供豐富的地物信息，且其靈活高效，是區域精細化數據獲取的必要手段，運用高光譜技術對濕地植被光譜特征進行分析研究是近年來的熱點和重點內容，也是紅樹林理化信息獲取的重要依據[19-20]。然而，目前相關的研究并不多見，本研究以無人機高光譜影像為基礎對濱海濕地紅樹林種群進行識別分類，為區域紅樹林濕地保護提供數據支撐，為紅樹林種群研究提供方法參考。

2 研究區與數據

2.1 研究區概況

漳江口紅樹林保護區位于福建省云霄縣漳江入海口（23°53′45″～23°56′00″N，117°24′07″～117°30′00″E）（圖1），總面積為2 360 hm2，是以紅樹植物、濕地水鳥、珍稀水產種質資源為主要對象的濕地類型自然保護區，是我國北回歸線北側種類最多、生長最好的紅樹林天然群落，為國家級自然保護區，并被列入《國際重要濕地名錄》。漳江口紅樹林保護區屬于亞熱帶海洋性季風氣候，氣候溫暖濕潤，年均氣溫為21.2℃，年均降水量為1 714.5 mm。

圖1 漳江口紅樹林研究區位置Fig.1 The location of Zhangjiangkou mangrove in the study area

2.2 數據來源

本研究于2019年10月28日，應用縱橫CW-10垂直起降固定翼無人機，通過穩定云臺搭載德國Cubert S185畫幅式高光譜成像儀，選擇晴朗無風的中午時段進行研究區控制飛行試驗，飛行前進行研究區航線規劃、光譜儀白板校準，飛行過程中對區域特征點位進行了地面控制測量，飛行高度為120 m。

CW-10兼顧固定翼和旋翼機的功能，最大起飛重量為12 kg，任務載荷為1～2 kg，巡航速度為20 m/s，最大續航時間為1.5 h，抗風能力為6級，差分定位精度水平為1 cm，垂直精度為3 cm。 S185成像光譜儀的光譜范圍為450～950 nm，采樣間隔為4 nm，光譜分辨率為8 nm，光譜通道有125個。

對獲取的無人機（Unmanned Aerial Vehicle, UAV）高光譜影像利用Cubert-Pilot軟件進行圖像融合，利用PhotoScan軟件進行影像拼接，基于地面控制點進行幾何校正，最終裁剪生成研究區高光譜影像圖（圖2a）。在高光譜影像獲取的同時應用索尼a7RⅡ普通數碼相機獲取了研究區5 cm空間分辨率的普通光學正射影像（圖2b）。

圖2 研究區無人機高光譜影像圖（a）和普通光學影像（b）Fig.2 Unmanned aerial vehicle hyperspectral image (a) and RGB image (b) in the study area

3 結果與討論

3.1 原始光譜特征

根據野外調查并結合研究區主要植被類型的實際分布情況，本研究選取紅樹植被桐花樹（Aegiceras corniculatum）、白骨壤（Avicennia marina）、秋茄（Kandelia obovata）和濱海鹽沼互花米草（Spartina alterniflora）4種典型植被類型進行分析。根據野外調查植被種群的GPS位置信息和高光譜影像的紋理特征，選取單種植被覆蓋度大于80%的1 304個點位為樣本點，其中，訓練樣本911個，驗證樣本393個（表1）。

表1 研究區典型植被類型樣本情況表Table 1 The information sheet of sample of the typical vegetation species in the study area

根據訓練樣本點位在影像上提取光譜信息，并對同類樣點光譜進行均值和平滑處理，最終得到研究區4種植被類型的光譜反射率曲線（圖3）。由圖3可見，桐花樹、白骨壤和秋茄3種植被類型在可見光和近紅外波段表現出典型綠色植物的主要光譜響應特征。在可見光波段，植物光譜主要受葉綠素含量的影響，470 nm藍光波段和670 nm紅光波段附近葉綠素吸收輻射能形成吸收谷，在550 nm綠光波段附近吸收相對減少，形成綠色反射峰。受葉片內部細胞組織對近紅外波段強反射的影響，670～780 nm之間“紅邊”反射迅速增高。近紅外波段受葉片內部的細胞結構和葉冠結構對光強烈反射的影響，780～950 nm近紅外波段內表現出高反射率特征，且由于植被種群間葉子內部結構的變化，不同植被種群近紅外波段光譜反射率差異較可見光波段明顯。

圖3 研究區典型植被類型光譜反射率曲線Fig.3 Spectral reflectance curves of typical vegetation species in the study area

對互花米草而言，不同于紅樹植被的常綠特性，其光譜特征主要受季節性生長規律的影響，10月漳江口互花米草植株生長進入末期，并出現枯萎和倒伏，葉片葉綠素含量降低，導致可見光波段的光譜反射率顯著提高[21]。而在近紅外波段受葉片細胞結構和葉片含水量的影響，使得光譜反射率相對較低[22-23]。

3.2 光譜變換特征

光譜特征的選擇對濕地植被的識別精度和效率有著直接的影響[24]，為了進一步突出植被的光譜信息，增大植被光譜差異性，需要放大植被的光譜特征。本研究對原始光譜進行一階微分變換FD（公式（1））、二階微分變換SD（公式（2））、包絡線去除CR（公式（3））3 種變換。

式中，r(λi+1)、r(λi-1)、r(λi+2)、r(λi)、r(λi-2)分別是各波段對應位置的光譜反射率； Δ λ為相鄰波長間的增量；h(λi)為 λi波段對應的包絡線外殼值；k是起點波段和終點波段之間的斜率； λstart、 λend為起點和終點波長。

3.2.1 一階微分變換

一階微分反映光譜曲線的響應速度，能夠減弱背景噪聲[25]。本研究對一階微分變換后的光譜反射率曲線，引入“三邊”參數，即藍、黃、紅“三邊”斜率Db、Dy、Dr和“三邊”面積Sb、Sy、Sr進行定量表達[26]（表2）。由表2可見，4種植被的“三邊”參數中，藍邊斜率Db和 黃邊斜率Dy值之間雖然有一定的區分但相差不大，紅邊斜率Dr之間的相差值為0.036～0.582，表現出相對較好的區分度。在“三邊”面積中，白骨壤和秋茄兩者的“三邊”面積Sb、Sy、Sr值相對接近，而其他種群間藍、黃、紅“三邊”面積相差值分別為0.159～0.382、0.091～0.214和 1.400～7.266，因此“三邊”面積能進行3種植被類型的區分，其中紅邊面積Sr的區分度相對較好。

表2 研究區典型植被類型“三邊”參數Table 2 Three sides spectral parameters of the typical vegetation species in the study area

3.2.2 二階微分變換

二階微分光譜可放大不同植被的形態、水分和葉綠素含量信息，并能削弱太陽角、地形因素、云層覆蓋等對圖像亮度的影響[27]。本研究根據二階微分變換曲線分別統計峰、谷波段內4種植被二階微分絕對值的最大值即最大峰度值K（表3）。可見，650～700 nm波段的最大峰度值K1由大到小依次為秋茄、白骨壤、桐花樹、互花米草，700～720 nm波段的最大峰度值K2由大到小依次為桐花樹、秋茄、白骨壤、互花米草，720～750 nm波段的最大峰度值K3由大到小依次為秋茄、桐花樹、白骨壤、互花米草。650～700 nm波段白骨壤和秋茄最大峰度值相差較小，為0.001 3，其他種群間最大峰度值相差值為0.007 9～0.019 8。700～720 nm、720～750 nm波段桐花樹和秋茄最大峰度值相差較小，分別為0.001 7、0.000 8，其他種群間最大峰度值相差分別為0.003 7～0.015 5和0.002 0～0.017 0。因此，綜合應用650～750 nm波段二階微分變換后的最大峰度K值可適當進行植被種群類型的區分。

表3 研究區典型植被類型最大峰度統計Table 3 The maximum kurtosis of the typical vegetation species in the study area

3.2.3 包絡線去除

包絡線去除能有效地增強地物吸收和反射特征，該方法將反射率歸一化，進而將地物吸收特征歸一化到統一的光譜背景中，實現多種地物光譜的特征對比[28]。由圖4可見，4種植被類型的包絡線去除曲線具有一致的光譜吸收特征，在吸收谷中表現出一定的差異性，為了進一步比較其差異性，分別計算450～550 nm和550～750 nm兩個波段范圍的吸收深度H、吸收峰面積A、左吸收峰面積AL和對稱度S（表4）。

圖4 包絡線去除光譜反射率變換曲線Fig.4 Spectral reflectance curves of continuum removal

由表4可以看出，4種植被在450～550 nm波段范圍內的吸收深度H1、左吸收峰面積AL1、吸收峰面積A1明顯小于其在550～750 nm波段內的吸收深度H2、左吸收峰面積AL2、吸收峰面積A2，而兩個波段范圍內的對稱度S基本相似。兩個不同波段范圍內的吸收特征均表現出吸收深度、左吸收峰面積、吸收峰面積3個特征參數在紅樹植被上的值均明顯高于其在互花米草上的參數值。桐花樹、白骨壤和秋茄對應的H1值為0.420 4～0.507 4、AL1值為13.791 8～15.476 2、A1值為24.359 9～30.705 8、H2值為0.849 3～0.916 0、AL2值為76.755 4～86.550 7、A2值為112.484 6～127.111 5；互花米草相應的參數H1值為0.114 7、AL1值為 2.587 4、A1值為 6.328 5、H2值為 0.479 6、AL2值為36.971 9、A2值為56.787 7。總體上，4種植被類型間的吸收深度、吸收峰面積、左吸收峰面積數值上都具有一定的差別，相差分別為H1值0.026 3～0.392 7、AL1值0.415 2～12.888 8、A1值 0.059 2～24.377 3、H2值 0.022 2～0.436 4、AL2值 2.496 1～49.578 8、A2值7.444 5～70.323 8，其中兩個吸收峰面積A1和A2在4種植被種群間的差別相對較大，可較好地用于植被種群間的區分。

表4 研究區典型植被類型包絡線去除光譜吸收參數Table 4 Spectral absorption parameters after continuum removal of typical species in the study area

3.3 決策樹構建

為了有效地篩選出具有較好植被類型識別能力的光譜特征參數，本研究對一階微分變換、二階微分變換和包絡線去除后提取的Db、Dy、Dr、Sb、Sy、Sr、K1、K2、K3、H1、AL1、A1、S1、H2、AL2、A2、S2 共911組17個光譜參數進行基于馬氏距離的逐步判別分析。結果表明，通過兩個典型功能判別函數入選13個光譜參數，經檢驗，4種植被類型樣本的交叉驗證總體識別精度可達到95.5%，篩選出的13個光譜參數分別是Db、Dr、Sb、Sy、Sr、K1、K2、H1、AL1、A1、H2、AL2、A2判別分析結果如圖5所示。

圖5 研究區典型植被類型逐步判別分析結果Fig.5 Stepwise discriminant analysis result of the typical vegetation species in the study area

應用C5.0經典決策樹模型算法構建決策樹，C5.0決策樹算法是由QUINLAN提出的ID3算法不斷改進形成，是以信息熵的下降速度作為選取最佳分支變量和分割閾值的判定依據[29]。去除研究區的水體信息，將通過逐步判別分析方法入選的13個光譜特征參數作為測試變量，桐花樹、白骨壤、秋茄和互花米草4種典型植被類型作為目標變量，最終通過閾值判斷、優化和修剪構建了具有14個節點，深度為8的決策樹模型（圖6）。

圖6 研究區典型植被類型決策樹模型示意圖Fig.6 The sketch map of decision tree classification model of the typical vegetation species in the study area

3.4 結果與評價

由于用于本研究的高光譜數據具有125個波段，數據量較大，因此，本研究選取區域范圍內從上至下4個代表性區塊a、b、c、d進行識別。通過圖像參數計算和圖像波段合并后，利用上述決策樹模型進行植被種群分類識別，其分類識別結果見圖7所示。

由圖7可知，研究區上部a區塊以桐花樹和秋茄混合生長類型為主，中間b和c區塊呈現白骨壤、桐花樹和秋茄三者的共同生長現狀，研究區下部d區塊則以白骨壤分布為主，伴有少量的秋茄分布，而近水域部分則以互花米草的分布為主，c區塊在互花米草分布區的邊緣有成片桐花樹分布。

圖7 研究區植被類型分類識別結果Fig.7 Identification and classification results of the typical vegetation species in the study area

為了分析基于高光譜特征的紅樹種群分類結果的準確性，本研究以同期獲取的研究區5 cm空間分辨率無人機普通光學正射影像為基礎并結合部分現場調查資料進行精度檢驗。在a、b、c、d 4個區塊中隨機選取498個1 m×1 m樣方，對無人機普通光學正射影像上的樣點進行專家目視解譯，建立混淆矩陣（表5），最終計算得到總體分類精度為87.95%，Kappa系數為83.81%，表明本研究結果具有較好的分類識別精度。

表5 研究區典型植被分類結果混淆矩陣Table 5 Confusion matrix of classification results of the typical vegetation species in the study area

4 結論

漳江口紅樹林保護區植被種群呈現自上到下不同類型的分布格局，研究區上部以桐花樹和秋茄混合生長類型為主，中間呈現白骨壤、桐花樹和秋茄三者的共生現狀，研究區下部則以白骨壤分布為主，伴有少量的秋茄分布，而近水域部分以互花米草分布為主。

以同期5 cm空間分辨率影像和地面調查資料為真實值，通過混淆矩陣計算得到研究區總體分類精度為 87.95%，Kappa系數為83.81%，表明本研究的紅樹林種群分類結果具有較好的精度。

在高光譜識別分類過程中，紅樹林與水體交界的區域，受渾濁水體的影響，光譜特征對分類結果會有一定的影響，容易產生誤判。

本研究以高光譜影像獲取時段的數據為基礎進行基于光譜特征的種群識別研究，獲得了不同紅樹植被種群的分類結果，但由于不同物候季節中植被種群的光譜存在一定的差異，因此，在日后的工作中應加強紅樹林不同物候生長季節的光譜特征和光譜區分度研究，以實現更好的紅樹林種群識別。