基于多源遙感數據的淇澳島紅樹林范圍提取研究

孫玉超，董 迪，溫玉波，艾 彬

（1.國家海洋局南海規劃與環境研究院，廣東 廣州 510300；2.自然資源部海洋環境探測技術與應用重點實驗室，廣東 廣州 510300；3.國家海洋局南海信息中心，廣東 廣州 510300；4.中山大學海洋科學學院，廣東 珠海 519082）

紅樹林是生長于熱帶、亞熱帶海岸潮間帶，受到海水周期性浸沒的木本植物群落，是海岸重要的濕地生態系統，在凈化沿海水質、維護生態平衡和生物多樣性等方面發揮著重要作用[1]。淇澳島位于珠海市東北，珠江口西岸，面積約24 km2，島上屬亞熱帶季風氣候，雨熱充足[2]。該區域紅樹林屬于“珠海淇澳—擔桿島省級自然保護區”保護范圍，保護區總面積51 km2，紅樹林面積約7 km2。根據已有調查結果[3]，淇澳島紅樹林群落外貌波狀起伏，結構簡單，大多為高大喬木狀林，少數為小喬木或灌木狀林，主要包括無瓣海桑、秋茄、鹵蕨、老鼠簕、海桑、桐花樹、銀葉樹、水黃皮、海芒果和海漆+楊葉肖槿10 個群落類型。其中，無瓣海桑群落、秋茄群落、鹵蕨群落和老鼠簕群落等為主要群落，占紅樹林總面積的95%以上。無瓣海桑群落呈淺綠色，植株高大，林相相對整齊；秋茄群落為本地種群落，枝繁茂密長勢良好，樹冠連續；鹵蕨群落呈密灌叢狀，呈現出墨綠色；老鼠簕群落為連續灌木叢，呈現出黃綠色。淇澳島紅樹林生長區域附近植被以高大喬木為主，且生長位置地勢較高，與紅樹林群落有明顯的高差起伏。

紅樹林范圍提取和種群分類是紅樹林研究的兩個基本問題，近年來，主要采用遙感手段開展紅樹林范圍監測和種群分類[3]。目前，國內外對紅樹林范圍提取主要是利用遙感影像的植被指數、光譜和紋理特征等分類屬性，結合紅樹林野外調查和相關先驗知識，采用監督分類或面向對象的分類方法提取紅樹林空間分布或進行動態變化監測研究[4]。賈明明[5]基于Landsat 影像采用面向對象和決策樹分類方法，提取了1973—2013 年中國紅樹林面積和分布；董迪等[6]提出了一種聯合Sentinel-1 和Sentinel-2 影像的紅樹林和互花米草的遙感監測方法，并提取了2016—2018 年漳江口紅樹林和互花米草范圍；張威[7]基于Landsat 影像，采用目視解譯、監督分類、面向對象分類和決策樹分類等方法，對廣西北部灣1978—2014 年的紅樹林進行了遙感監測。

上述研究主要采用Landsat 和Sentinel-2 等遙感影像對紅樹林范圍進行遙感監測，采用的分類方法包括監督分類、面向對象分類和決策樹分類等。不同的遙感數據源和紅樹林分類方法雖然可以滿足相應的研究要求，但沒有文章綜合對比不同的遙感影像在紅樹林范圍提取中的適用性，以及如何使用輔助數據有效提升紅樹林范圍提取的精度。本文以珠海淇澳島為例，重點探討Landsat-8、Sentinel-2 和高分6 號等遙感影像在紅樹林范圍提取中的效果，并對比上述影像分別增加數字高程模型（Digital Elevation Model，DEM）數據、波段指數和紋理信息后的精度提升，從而有效指導使用何種遙感影像及輔助數據可以更好地應用于大區域的紅樹林范圍提取。

1 數據獲取及預處理

1.1 Landsat-8 數據獲取及預處理

Landsat-8 由美國航空航天局（National Aeronautics and Space Administration，NASA）與美國地質調查局（United States Geological Survey，USGS）合作開發，于2013 年2 月11 日在加利福尼亞范登堡空軍基地發射成功。Landsat-8 上攜帶了陸地成像儀（Operational Land Imager，OLI） 和熱紅外傳感器（Thermal Infrared Sensor，TIRS）。

Landsat-8 影像可以從USGS 網站上免費下載。本文下載的影像為1 景2019 年9 月27 日獲取的L2SP 產品，該數據包含陸地成像儀OLI 的8 個多光譜波段（分辨率為30 m）和1 個全色波段（分辨率為15 m），并已經過地形校正、幾何校正、輻射校正和大氣校正等預處理，本文選取第1～7 個光譜波段用于監督分類（第8 波段為全色波段，第9 波段為卷云波段）。在ENVI 5.3 軟件中對上述光譜波段進行波段合并后，得到研究區域分辨率為30 m、包含7 個光譜波段的Landsat-8 影像反射率數據。

1.2 ASTER GDEM 數據獲取

ASTER GDEM（Advanced Spaceborne Thermal Emission and Reflection Radiometer Global Digital Elevation Model） 數據由NASA 和日本經濟產業省（Ministry of Economy Trade and Industry，METI） 聯合研制并免費面向公眾分發，分別于2009 年6 月28 日、2011 年1 月和2019 年8 月5 日發布了V1、V2和V3 版本。ASTER GDEM 數據同樣可以從USGS網站上下載，本文獲取的ASTER GDEM 數據為V3版本，水平分辨率為30 m，垂直分辨率為1 m。ASTER GDEM 數據獲取后，可直接在ENVI 5.3 軟件中與Landsat-8 影像數據進行波段合并。

1.3 Sentinel-2 數據獲取及預處理

Sentinel-2 衛星是歐洲哥白尼（Copernicus）計劃發射的系列衛星之一，Sentinel-2 衛星搭載多光譜傳感器，主要應用于水資源監測、土地覆被變化監測和災害應急監測等領域[8]。Sentinel-2 影像也可以從USGS 網站上免費下載。本文下載的影像為1景2019 年9 月7 日獲取的L1C 產品，該數據共包含13 個光譜波段，分辨率分別為10 m （Band2、Band3、Band4 和Band8）、20 m（Band5、Band6、Band7、 Band8A、 Band11 和 Band12） 和 60 m（Band1、Band9 和Band10），并已經過地形校正和幾何校正等預處理。

利用歐洲航天局開發的SNAP 軟件對上述數據進行輻射校正和大氣校正。在SNAP 軟件中采用Sen2cor 插件進行處理，得到經過輻射校正和大氣校正后的L2A 數據，該數據共包含12 個波段數據（Band10 為卷云圖層，未做處理）。將各波段采用最近鄰法按10 m 分辨率重采樣后，在ENVI 軟件中進行波段合并，得到分辨率10 m 包含12 個光譜波段的Sentinel-2 反射率數據。

在ENVI 5.3 軟件中，對上述影像進行波段指數（Band Index，BI） 計算，包括歸一化植被指數[9]（Normalized Difference Vegetation Index，NDVI）、歸一化水體指數[10]（Normalized Difference Water Index，NDWI）和紅樹林指數[11]（Mangrove Vegetation Index，MVI），用于后續監督分類。

式中，NIR 表示近紅外波段；RED 表示紅色波段；GREEN 表示綠色波段；SWIR1 表示短波紅外波段（Sentinel-2 影像中的第11 個波段）。

歸一化植被指數是反映綠色活植被相對豐度和活性的輻射量化值，常被用于表征研究區域的植被生理狀況、綠色生物量及植被生產力等，能較好地反映植被的分布范圍及生長狀況；歸一化水體指數通過用特定的遙感影像波段進行歸一化差值處理，可以凸顯影像中的水體信息，較好地區分水體與其他地物；紅樹林指數基于Sentinel-2 影像計算，可以快速且準確地進行紅樹林范圍提取。

1.4 高分6 號數據獲取及預處理

高分6 號是我國于2018 年6 月2 日發射的首顆精準農業觀測的高分衛星，具有高分辨率、寬覆蓋、高質量和高效成像等特點，能有力支撐農業資源監測、林業資源調查、防災減災救災等工作[12]。本文獲取的高分6 號影像為2019 年9 月30 日獲取的L1A 級產品，該數據包含4 個分辨率為8 m 的多光譜波段和1 個分辨率為2 m 的全色波段，該數據已經過初步幾何校正等預處理。

在ENVI 5.3 軟件中對高分6 號多光譜影像進行輻射定標后，采用FLAASH 方法進行大氣校正，再使用影像自帶的RPC 參數進行正射校正，得到研究區域分辨率為8 m、包含4 個光譜波段的高分6號反射率數據。

1.5 多源遙感數據統一處理

將上述多源遙感數據統一坐標系（WGS1984）和投影（UTM 投影6 度分帶49 投影帶）后，利用現場測量控制點采用多項式擬合進行幾何精校正，并使用相同的矢量范圍對處理后的影像進行裁剪（圖1）。

圖1 預處理后的多源遙感數據

2 基于多源影像的紅樹林范圍提取

隨機森林（Random Forest，RF） 算法由Leo Breiman 提出，是一種由多棵CART 決策樹構成的新型機器學習算法[13]。隨機森林算法具有較強的抗噪能力，分類性能顯著，主要用于解決回歸與分類的問題，并在植被分類中應用比較廣泛[14-15]，本文統一采用該分類方法對已處理的多源遙感數據進行紅樹林范圍提取。

2.1 監督分類樣本數據選取

紅樹林范圍提取難點在于與周邊陸生植被的準確區分，為方便提取結果的對比分析，將研究區域地物分成紅樹林（Mangroves）、陸生植被（Trees）、水體（Water），以及裸地和建筑（Buildings）四種類型。紅樹林以外，生長在陸域的植被均歸到陸生植被一類；海水、陸域河流、湖泊和水塘等均歸到水體一類；灘涂、裸地、道路、房屋和人工建筑等均歸到裸地和建筑一類。

采用目視解譯與現場調查相結合的技術手段，在高分6 號融合影像上（分辨率為2 m，4 個波段）選取用于監督分類和精度驗證的樣本數據。樣本選取采用框選，訓練樣本和驗證樣本比例約2 ∶1（圖2）。

圖2 基于高分6 號融合影像進行樣本數據選取

2.2 基于Landsat-8 影像和ASTER GDEM 數據的紅樹林范圍提取

在ENVI 5.3 軟件中使用隨機森林監督分類方法對預處理的Landsat-8 影像（分辨率為30 m，7 個波段）進行監督分類，分類結果見圖3。使用隨機森林分類時，Number of Trees 參數設置為100；Number of Features 參數選擇Square Root；Impurity Function 參數選擇Gini Coefficient；Min Node Samples 參數設置為1；Min Impurity 參數設置為0。

圖3 Landsat-8 影像監督分類結果

將Landsat-8 影像與ASTER GDEM 數據進行波段合并，得到新的影像數據（分辨率為30 m，8 個波段），采用上述分類方法和參數設置對該數據進行監督分類，分類結果見圖4。

圖4 Landsat-8 影像和ASTER GDEM 數據監督分類結果

2.3 基于Sentinel-2 影像的紅樹林范圍提取

在ENVI 5.3 軟件中使用隨機森林監督分類工具對預處理的Sentinel-2 影像（分辨率為10 m，12 個波段）進行監督分類，參數設置參考2.2 節，分類結果見圖5。

圖5 Sentinel-2 影像監督分類結果

將Sentinel-2 影像與NDVI、NDWI 和MVI 波段指數進行波段合并，得到新的影像數據（分辨率為10 m，15 個波段），采用2.2 節的分類方法和參數設置對該數據進行監督分類，分類結果見圖6。

圖6 Sentinel-2 影像+波段指數監督分類結果

2.4 基于高分6 號影像的紅樹林范圍提取

在ENVI 5.3 軟件中使用隨機森林監督分類工具對預處理的高分6 號影像（分辨率為8 m，4 個波段）進行監督分類，參數設置參考2.2 節，分類結果見圖7。

圖7 高分6 號影像監督分類結果

高分6 號影像分辨率高且光譜波段數少，這些特征都不利于紅樹林等植被信息提取，需要提取紋理信息輔助紅樹林范圍提取[16]。影像紋理信息通常計算灰度矩陣（Gray Level Co-occurrence Matrix，GLCM）來提取，灰度共生矩陣是像素距離和角度的矩陣函數，它通過計算遙感影像中一定距離和一定方向的兩點灰度之間的相關性，來反映影像在方向、間隔、變化幅度及快慢上的綜合信息。在ENVI 5.3 軟件中，將高分6 號影像全色波段采用最近鄰法重采樣到8 m 分辨率后，采用“二階概率統計的濾波（Co-occurrence Measures）”工具計算灰度共生矩陣，參數設置如下：同時勾選Mean、Variance、Homogeneity、 Contrast、 Dissimilarity、 Entropy、 Second Moment 和Correlation 8 個參數；Co-occurence Shift參數X 和Y 均設置為1；Grayscale Quantization Levels 參數設置為64；Proce-ssing Window（處理窗口）設置為15×15（經對比，使用該設置得到的分類精度最高），計算的紋理數據共包含8 個波段。

將高分6 號影像與紋理數據進行波段合并，得到新的影像數據（分辨率為8 m，12 個波段），采用2.2 節的分類方法和參數設置對該數據進行監督分類，分類結果見圖8。

圖8 高分6 號影像+紋理信息監督分類結果

3 紅樹林范圍提取結果對比分析

本研究采用混淆矩陣對分類結果進行評價。混淆矩陣評價指標包括總體精度、Kappa 系數、生產者精度和用戶精度等，總體精度表示被正確分類的樣本數占總樣本數的比例；Kappa 系數反映分類結果與參考數據的一致性；生產者精度表示被正確分類的樣本數占參考樣本總數的比例；用戶精度表示被正確分類的樣本數占待評價樣本總數的比例。上述多源遙感數據采用隨機森林分類結果見表1。

表1 多源遙感影像紅樹林提取結果

3.1 Landsat-8 影像和ASTER GDEM 數據紅樹林提取結果分析

由Landsat-8 影像監督分類結果（表2）可知，由于紅樹林與陸生植被光譜信息差異較小，Landsat-8 影像中陸生植被容易錯分成紅樹林，紅樹林生產者精度僅為74.34%。加入ASTER GDEM 數據后，紅樹林的生產者精度提升了20.58%，總體精度也提升了3.51%（表3），主要原因是紅樹林生長的潮間帶高程較低，而陸生植被生長區域高程普遍較高，加入ASTER GDEM 數據后能夠較好地區分紅樹林和陸生植被。

表2 Landsat-8 影像分類精度

表3 Landsat-8 影像+ASTER GDEM 數據分類精度

3.2 Sentinel-2 影像紅樹林范圍提取結果分析

由于Sentinel-2 影像擁有更多的光譜波段，在區分紅樹林和陸生植被上比Landsat-8 影像更有優勢（表4），紅樹林和陸生植被分類精度均在90%左右。通過計算Sentinel-2 影像NDVI、NDWI 和MVI 等波段指數，并加入Sentinel-2 影像后分類，紅樹林的生產者精度提升了4.75%，總體精度提升了1.3%（表5）。

表4 Sentinel-2 影像分類精度

表5 Sentinel-2 影像+波段指數分類精度

3.3 高分6 號影像紅樹林提取結果分析

相比于Landsat-8 和Sentinel-2 影像，高分6 號影像擁有更少的光譜波段和更高的空間分辨率，紅樹林與陸生植被相互錯分情況嚴重（表6），紅樹林生產者精度為74.58%，用戶精度僅60.61%。考慮到高分6 號全色波段擁有更高的空間分辨率和更豐富的紋理信息，而紅樹林與陸生植被在紋理特征上差異明顯，加入紋理信息后，紅樹林生產者精度提升了8.84%，用戶精度提升了13.37%，總體精度提升了12.03%（表7）。

表6 高分6 號影像分類精度

表7 高分6 號影像+紋理信息分類精度

4 結 論

本文主要對比多源遙感影像數據加入DEM 數據、波段指數和紋理數據后的紅樹林范圍提取精度，分析不同遙感影像及輔助數據對紅樹林范圍提取精度的影響。根據實驗結果及進一步分析可知，Landsat-8 影像由于其相對較低的空間分辨率和較多的光譜波段，用于紅樹林范圍提取精度適中，加入ASTER GDEM 數據后精度提升明顯；Sentinel-2 影像擁有更多的光譜波段和適中的空間分辨率，用于紅樹林范圍提取總體精度最高；高分6 號影像由于光譜波段較少而空間分辨率相對較高，用于紅樹林范圍提取精度最低，但加入紋理信息后精度提升明顯。綜上所述，Sentinel-2 影像擁有最多的光譜波段和適中的影像分辨率，數據獲取免費且衛星重訪周期短，是紅樹林范圍提取最合適的遙感數據源；ASTER GDEM 數據能較好地區分紅樹林和陸生植被，是比較好的輔助數據。

隨著遙感技術的發展及圖像信息提取算法的提升，以監督分類為代表的機器學習算法越來越難滿足不斷提高的精度要求及智能化的圖像處理要求。近年來，深度學習分類方法在遙感影像信息提取中應用越來越廣泛且精度更高，后續文章將研究使用Sentinel-2 影像和ASTER GDEM 數據，基于深度學習方法進行紅樹林范圍提取。