检索
E-mail
RSS

作者投稿 主编审稿 专家审稿 远程编辑

热带海洋学报 >

2020 , Vol. 39 >Issue 2: 107 - 117

DOI: https://doi.org/10.11978/2019063

海洋调查与观测

联合星载光学和SAR影像的漳江口红树林与互花米草遥感监测

  • 董迪 ,
  • 曾纪胜 ,
  • 魏征 ,
  • 严金辉
展开
  • 自然资源部南海局南海规划与环境研究院, 广东 广州 510300

作者简介：董迪(1990—), 女, 湖北省黄冈市人, 工程师, 博士, 主要从事海洋遥感, 海洋中尺度涡和内波的研究。E-mail:

*感谢汪超在数据处理方面提供的帮助, 感谢各位审稿专家对本文提出的宝贵意见。

Editor: 殷波

收稿日期: 2019-07-09

  要求修回日期: 2019-10-12

  网络出版日期: 2020-03-10

基金资助

地理国情监测国家测绘地理信息局重点实验室开放基金(2017NGCM08)

广东省自然科学基金-博士启动(2018A030310032)

广东省海洋遥感重点实验室开放基金(2017B030301005-LORS1806)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Integrating spaceborne optical and SAR imagery for monitoring mangroves and Spartina alterniflora in Zhangjiang Estuary

  • DONG Di ,
  • ZENG Jisheng ,
  • WEI Zheng ,
  • YAN Jinhui
Expand
  • South China Sea Institute of Planning and Environmental Research, South China Sea Bureau of Ministry of Natural Resources, Guangzhou 510300, China

Received date: 2019-07-09

  Request revised date: 2019-10-12

  Online published: 2020-03-10

Supported by

Open Fund of Key Laboratory of National Bureau of Surveying, Mapping and Geographic Information of China(2017NGCM08)

Natural Science Foundation of Guangdong Province of China(2018A030310032)

Guangdong Key Lab of Ocean Remote Sensing(South China Sea Institute of Oceanology Chinese Academy of Sciences)(2017B030301005-LORS1806)

Copyright

Copyright reserved © 2019. Office of Acta Agronomica Sinica All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

摘要

文章以福建省漳江口国家级红树林自然保护区为研究区, 提出了一种联合星载光学和合成孔径雷达(SAR)影像的红树林与互花米草分布的自动提取算法, 提取研究区内红树林和互花米草的空间分布。本研究选择2016年、2017年和2018年各一景低潮时的Sentinel-2 A光学影像数据, 获取植被和其他地物的光谱和纹理信息。算法首先基于归一化植被指数、增强型植被指数、地表水分指数以及数字高程模型的相关规则计算红树林和互花米草的潜在分布区; 通过随机森林分类算法区分红树林和互花米草, 2016年、2017年和2018年影像的分类总体精度和Kappa系数分别为98.53%和0.980、96.52%和0.952、98.71%和0.978, 分类效果良好; 使用当年所有Sentinel-1 A/B的SAR影像获得研究区的常年海水分布范围, 使用与海水交界的判据, 实现红树林、互花米草提取范围的优化。研究表明, 研究区2016年、2017年和2018年红树林总面积分别为56.85hm2、59.88hm2和58.61hm2, 互花米草总面积分别为109.23hm2、124.00hm2和142.39hm2, 与前人的研究成果在红树林和互花米草的空间分布和面积量级上有较好的一致性。

关键词： 红树林; 互花米草; 遥感; 分层分类; 随机森林分类; 漳江口

本文引用格式

董迪 , 曾纪胜 , 魏征 , 严金辉 . 联合星载光学和SAR影像的漳江口红树林与互花米草遥感监测[J]. 热带海洋学报, 2020 , 39(2) : 107 -117 . DOI: 10.11978/2019063

Abstract

Mangroves are an important type of coastal wetlands with ecological, environmental, economic, and cultural values. Spartina alterniflora is an invasive alien plant, threatening mangroves in China. The competition between Spartina alterniflora and mangroves is an important ecological issue along the southeast coast of China. Accurate monitoring of Spartina alterniflora and mangroves with remote sensing is of great significance for scientific protection of mangrove ecosystems. We propose a new method to monitor Spartina alterniflora and mangroves, integrating Sentinel-1 SAR and Sentinel-2 optical imagery. The Yunxiao National Nature Reserve of Mangroves, located in Zhangjiang Estuary, Fujian, China, is chosen as the study area. We select one Sentinel-2A image at low tide in 2016, 2017 and 2018 to obtain the spectral and texture information of vegetation and other objects. The new method comprises of three steps: 1) use rules related to NDVI, EVI, LSWI, and DEM to get the potential masks of Spartina alterniflora and mangroves; 2) use random forest classification method to distinguish Spartina alterniflora and mangroves further; and 3) use all Sentinel-1 A/B images in that year to get the estuarine yearlong seawater body, and use the criterion interaction with sea water to refine the detected Spartina alterniflora and mangroves. The random forest classifier is found suitable for mapping wetlands with overall accuracy of 98.53%, 96.52% and 98.71%, and Kappa coefficients of 0.980, 0.952 and 0.978 in 2016, 2017 and 2018, respectively. The total areas of the detected Spartina alterniflora and mangroves in the study region are 109.23 and 56.85 hm 2in 2016, 124.00 and 59.88 hm2 in 2017, and 142.39 and 58.61 hm2 in 2018, respectively, consistent with previous research results in terms of spatial distribution and magnitude of the area.

Key words： mangroves; Spartina alterniflora; remote sensing; hierarchical classification; random forest classification; Zhangjiang Estuary

红树林(Mangrove)是重要的滨海湿地类型, 被誉为“海岸卫士”、“海洋森林”和“生物净化筛”。虽然我国在红树林保护方面成效显著, 但红树林的生存环境正面临外来种入侵的威胁(黄冠闽 等, 2013)。互花米草(Spartina alterniflora)作为我国对红树林威胁最大的外来入侵植物之一, 2003年被国家环保部列入首批16种外来入侵物种名单, 是名单中唯一的海岸盐沼植物。自1979年引入我国以来, 互花米草在全国海岸带被广泛种植, 后经自然扩散, 分布已遍及我国海岸线。互花米草极强的适应能力使其在红树林群落中迅速扩散, 挤占红树林的生长空间, 造成红树林生境土壤退化、生物多样性和行为模式改变、大型底栖生物种类组成和群落结构改变等诸多生态问题(陈权 等, 2015), 危害不容小觑。红树林和互花米草一般生长在沿海潮间带和河口海湾, 受周期性潮水浸淹(王友绍, 2013)。传统的人工调查方法存在费时费力、周期长、时效性差、难以到达等问题(李春干 等, 2003)。遥感技术具有覆盖范围广、实时性强、重复观测、成本低等诸多优势。使用遥感精准快速高效地获取互花米草、红树林的空间分布信息, 监测互花米草的入侵和扩散, 对于科学管理和控制互花米草、保护红树林生态系统意义重大。
红树林遥感监测已积累了很多研究成果, 涉及多传感器、多空间分辨率、多光谱分辨率、多时相卫星遥感数据的联合使用、不同分类算法的测试、无人机等新型遥感平台的使用等方面, 详见Kuenzer等(2011), Giri (2016), 周振超等(2018)和Wang等(2019)。我国互花米草入侵问题在2000年以后日益突显, 互花米草的遥感监测也从那时兴起。虽然中低空间分辨率卫星影像在红树林、互花米草的识别存在混合像元等隐患, 但因数据获取免费方便、有大量历史存档数据等优点, 仍被广泛应用于互花米草的遥感监测中(黄华梅 等, 2007; 刘春悦 等, 2009; 潘卫华 等, 2011; Zuo et al, 2012; Wang et al, 2015; 李屹 等, 2017; Liu et al, 2018; 陈远丽 等, 2019; Mao et al, 2019)。例如, Liu等(2018)使用Landsat影像提取我国大陆海岸带地区2015年互花米草分布范围。Mao等(2019)基于1990年至2015年Landsat影像数据集, 提取和分析我国大陆海岸带地区互花米草时空变化规律和相关影响因素。
目前, 红树林和互花米草遥感监测虽然积累了较多研究成果, 但多依赖光学遥感影像, 联合星载光学和合成孔径雷达(SAR)影像同时监测红树林和互花米草的研究不多。Liu等(2017)联合面向对象影像分割和目视解译方法, 基于2003年至2015年8景高空间分辨率谷歌地球(Google Earth)影像、SPOT-5、高分一号遥感数据, 进行漳江口互花米草入侵遥感监测。李屹等(2017)使用最大似然分类法对福建漳江口1988年至2014年共15期Landsat影像进行湿地类型提取, 基于高空间分辨率谷歌地球影像, 采用目视识别方法识别植被边界, 获取当地红树林和互花米草的分布变化信息。陈远丽等(2019)以2000、2005、2010和2016年Landsat TM/OLI影像为数据源, 使用面向对象随机森林分类法对漳江口红树林保护区进行湿地分类, 类型包括红树林、河流、互花米草、滩涂、陆生植被、人工设施等。虽然这些研究获取了福建漳江口红树林、互花米草的分布信息, 但数据源依赖时效性较差的高空间分辨率谷歌地球影像(仅RGB三个波段, 且影像成像时间间隔不确定)或中等空间分辨率Landsat影像。在提取方法上, 李屹等(2017)依赖研究人员的目视解译经验, 受主观因素影响。Liu等(2017)和陈远丽等(2019)使用eCognition软件和面向对象多尺度分割算法, 需针对研究区情况进行不同分割尺度和参数调整等前期工作, 分类时使用目视解译或计算机自动分类算法直接提取研究区内的所有地物类型, 增加了红树林和互花米草监测的工作量, 且大面积其他地物类型的存在使得“同谱异物”和“异物同谱”现象影响分类结果的问题突出。这些问题均为互花米草和红树林大范围长期业务化遥感监测工作设置了障碍。
欧洲Sentinel-2 A/B卫星的出现丰富了高时间分辨率、中等空间分辨率光学卫星遥感影像数据。Sentinel-2 A/B双星组网后重访周期5d, 覆盖13个谱段, 且拥有10m分辨率的红、绿、蓝和近红外波段, 20m分辨率的红边波段以及短波红外波段, 在空间分辨率和重访周期上均优于Landsat卫星, 其较高的重访周期在一定程度上抑制了光学卫星影像受云和天气影响的缺陷。欧洲Sentinel-1卫星载有C波段SAR, 具有全天候、全天时的影像获取能力。水体的SAR信号特征与其他地物有明显的区别, 使用SAR影像能较好识别水体。本文以福建漳江口国家级红树林自然保护区为研究区, 联合Sentinel-1 SAR和Sentinel-2光学遥感影像, 提出一种红树林和互花米草分布的自动提取方法, 为业务化的互花米草与红树林遥感监测工作提供方法依据。

1 研究区与数据

1.1 研究区

福建漳江口国家级红树林自然保护区位于云霄县漳江口(117°24′07″—117°30′00″E, 23°53′45″—23°56′00″N, 如图1所示), 于2008年被《湿地公约》列入国际湿地重要名录(黄冠闽 等, 2013)。保护区海拔-6~8m, 属南亚热带海洋性季风气候, 气候温暖湿润, 光、热、水条件优越。年平均气温21.2℃。年平均相对湿度79%。年平均降水量1714.5mm, 多集中在4月—9月。保护区内土壤为滨海滩涂淤泥和沙质淤泥, 厚达2m以上。该区是北回归线北侧种类最多生长最好的红树林天然群落。按《中国植被》的划分方法, 保护区内主要有白骨壤林、桐花树林、白骨壤+桐花树林、秋茄林、秋茄+桐花树林、木榄林等。互花米草在保护区内的东、西两侧潮滩上均有分布(李屹 等, 2017)。
图1 研究区地理位置和样本数据的空间分布(a)和研究区2018年10月1日Sentinel-2 A遥感影像图(b)

图a黑框内为研究区域; 图b中Sentinel-2 A影像波段组合为近红外波段、红波段和绿波段

Fig. 1 Location of the study area, spatial distribution of the sample data (a) and the Sentinel-2A image of the study area on October 1st, 2018 (b). The black rectangle in (a) denotes the study area; the band combination of the Sentinel-2 A image is near-infrared band, red band and green band

1.2 数据

1.2.1 遥感数据与预处理
Liu等(2018)指出植被在生长盛期的光谱特征相似, 我国南方地区互花米草最佳遥感观测时间为早春和冬天。为了获取保护区2016年至2018年互花米草和红树林分布信息, 选择2016年1月25日、2017年2月11日以及2018年10月1日Sentinel-2 A Level-1 C级无云低潮时影像作为源数据。Sentinel-
2 A Level-1 C数据是经几何精校正的大气表观反射率产品。选择Sentinel-2 A的红(0.665μm, $\rho_{red}$)、绿(0.560μm, $\rho_{green}$)、蓝(0.492μm, $\rho_{blue}$)、近红外(0.833μm,$\rho_{nir}$)和短波红外(1.614μm,$\rho_{swir}$)波段提取互花米草和红树林的分布。三种常见的植被指数, 即归一化植被指数(Normalized Difference Vegetation Index, NDVI) (Tucker, 1979)、增强型植被指数(Enhance Vegetation Index, EVI) (Huete et al, 1997)和地表水分指数(Land Surface Water Index, LSWI) (Xiao et al, 2002, 2004); 以及两种水体指数, 即归一化水体指数(Normalized Difference Water Index, NDWI)、归一化差异水体指数(modified Normalized Difference Water Index, mNDWI) (Xu, 2006), 用于植被提取, 见公式(1)~公式(5)。
$NDVI=\frac{\rho_{nir}-\rho_{red}}{\rho_{nir}+\rho_{red}}$
$EVI=2.5 \times \frac{\rho_{nir}-\rho_{red}}{\rho_{nir}+6\rho_{red}-7.5 \times \rho_{blue}+1}$
$LSWI=\frac{\rho_{nir}-\rho_{swir}}{\rho_{nir}+\rho_{swir}}$
$NDWI=\frac{\rho_{green}-\rho_{nir}}{\rho_{green}+\rho_{nir}}$
$mNDWI=\frac{\rho_{green}-\rho_{swir}}{\rho_{green}-\rho_{swir}}$
鉴于SAR影像对水体具有较好的辨识性, 收集研究区2016年全年30景、2017年全年29景以及2018年全年28景Sentinel-1 A/B SAR影像数据, 提取研究区内长期被水体覆盖的区域, 主要为河流、人工养殖池等。与光学影像每年只选择1景低潮时影像不同, 本文收集所有覆盖研究区Sentinel-1 SAR 影像, 不受潮位的限制。其中, 产品等级Level-1地距影像(Ground Range Detected), 影像模式干涉宽幅模式(Interferometric Wide Swath), VH交叉极化模式, 空间分辨率10m。使用Sentinel-1 Toolbox对Sentinel-1 SAR影像数据预处理, 包括热噪声去除、辐射定标、几何校正、后向散射系数的单位转换为分贝(dB)。哨兵(Sentinel)系列卫星是欧空局“哥白尼计划”的地球观测卫星系列之一, 其数据可从欧空局数据共享网站(https://scihub.copernicus.eu/dhus/)免费下载。
1.2.2 DEM和矢量数据
空间分辨率30m的航天飞机成像雷达地形测绘任务(Shuttle Radar Topography Mission, SRTM)数字高程模型(Digital Elevation Model, DEM)数据和基于DEM计算的坡度数据用于剔除高程较大或者坡度较陡的红树林、互花米草不可能出现的区域(Chen et al, 2017)。漳江口国家级红树林自然保护区范围矢量(图1中功能区)和图1中黑色矩形框的重叠区为本文研究范围。
1.2.3 样本数据
本文将研究区主要地物划分为红树林、互花米草、水、光滩和其他植被。本研究中, 其他植被是指研究区内除互花米草和红树林外的其他植被类型。样本数据的选择主要基于研究区高空间分辨率遥感影像、无人机拍摄的视频资料、各年的Sentinel-2 A影像以及地物的光谱和纹理特征, 在Arcgis软件上直接勾画不同类型地物的样本矢量。依据地物分布情况, 2016年和2017年的地物样本相同, 2018年地物样本则是在2016年地物样本的基础上进行了调整, 主要是增加了互花米草的样本数。红树林、互花米草、水、光滩和其他植被的样本矢量数见表1。
表1 本研究中不同地物类型的样本信息

Tab. 1 The sample information of different land covers in this study

类别 红树林 互花米草 水 光滩 其他植被
2016年与2017年 40 (10.13) 38 (2.04) 12 (21.25) 22 (5.58) 17 (0.47)
2018年 40 (10.13) 55 (2.70) 12 (21.25) 22 (5.58) 22 (0.66)

注: 括号外是样本矢量数, 括号里是该类型所有样本的面积(单位: hm2)

2 红树林和互花米草遥感提取方法

红树林和互花米草遥感提取方法主要分3步: 1)提取潮侵区、地势平缓且高程较低区(平坦低地区)以及植被分布区, 剔除红树林和互花米草不可能存在的区域, 获得红树林、互花米草潜在分布区; 2) 使用随机森林分类算法区分红树林和互花米草; 3)提取常年海水分布区, 基于常年海水分布区和与海水交界的判据实现红树林和互花米草空间分布信息的优化(图2)。

2.1 红树林、互花米草潜在分布区的提取

鉴于红树林、互花米草一般因潮汐而周期处于水淹的状态, 使用LSWI≥EVI规则提取潮侵区(Zhou et al, 2016; Chen et al, 2017)。使用NDVI>0规则提取研究区内的植被分布区, 包括红树林、互花米草以及其他植被类型。已有研究通过大量统计分析表明, 大多数红树林的高程在平均海平面-5m至10m之间, 且坡度小于10°; 而互花米草也生长在广阔的潮间带上。使用DEM<10m和坡度<10°提取平坦低地区(Chen et al, 2017)。综合考虑潮侵、植被以及高程等因素, 通过图层叠加获取受潮侵影响、分布在平坦低地的植被, 即为红树林、互花米草潜在分布区, 也是下一步分类的研究范围。
图2 技术路线图

Fig. 2 Workflow of this study

2.2 随机森林分类算法

随机森林(Random Forest)分类算法的原理是随机建立多棵决策树, 分类时, 使用多棵决策树对样本进行判断和投票, 样本被分到获得投票数最多的一类(Breiman, 2001)。目前, 随机森林算法已被广泛使用在土地覆盖、森林、湿地分类等诸多领域, 在分类精度等方面有一定优势。本文使用地物的光谱特征和纹理特征进行分类。其中, 光谱特征包括Sentinel-2 A影像的多个光谱波段和光谱指数: 红、绿、蓝、近红外和短波红外4个波段; NDWI、mNDWI、NDVI、EVI以及LSWI指数。纹理特征用半径为5个像素的圆形窗口内NDVI的标准差代表。植被指数和水体指数可使用ENVI软件计算, 随机森林分类可通过R语言实现。
本研究将待生成决策树数目设为100, 分裂节点数设为全部特征平方根。在总样本中随机选择70%的样本数据作为训练样本, 剩余30%的样本数据作为精度评定样本。使用总体精度(Overall Accuracy, OA)、各地物的用户精度(User Accuracy, UA)、生产者精度(Producer Accuracy, PA)等参数进行精度评价。

2.3 红树林、互花米草分布信息的优化

本文假设不与海水相连的植被群落不是红树林或互花米草, 继而对随机森林算法的结果进行进一步优化。为获取研究区海水分布数据, 使用当年覆盖研究区的所有Sentinel-1 A/B SAR影像, 使用Chen等(2017)的规则, 即VH<-19的出现频率大于80%, 获取研究区常年海水分布信息。例如, 研究区内某一区域在28景VH极化的SAR影像中有超过22景VH<-19, 则该区域为算法认为的常年海水分布区。在计算获取的常年海水斑块中, 选择面积最大的斑块, 为河口自然海水矢量(如图3c所示)。使用河口自然海水矢量100m缓冲区, 与植被斑块叠加, 判断每一红树林、互花米草斑块与海水是否交界, 剔除与海水不交界的植被。最后, 为了减轻植被斑块过于破碎等问题, 剔除像素数小于1的红树林斑块和互花米草斑块, 考虑到Landsat-8卫星数据空间分辨率为30m, 本文基于Sentinel-2卫星数据的红树林与互花米草提取结果的精度仍高于常用的Landsat数据。

3 结果与讨论

3.1 红树林与互花米草遥感提取的精度评价

2016年至2018年的随机森林分类精度评价结果如表2和表3所示。其他植被的分类精度一般低于剩余的地物类, 主要是其他植被与红树林、互花米草、光滩和水均有一定程度的混分。所有分类结果的总体精度均大于95%, Kappa系数均大于0.95, 表明我们的分类结果与验证样本的地物类别是一致的。

3.2 漳江口红树林与互花米草分布

图3a~3c分别为研究区2018年10月1日红树林、互花米草潜在分布区, 随机森林分类图, 常年海水分布图, 对应本算法3个步骤产生的结果。图4展示了2016年1月25日、2017年2月11日以及2018年10月1日的卫星影像和红树林、互花米草分布图。红树林主要分布在研究区的西南侧, 互花米草在研究区的南北均有分布, 与陈远丽等(2019)和李屹等(2017)有较好的一致性。统计表明, 研究区2016年、2017年和2018年红树林总面积分别为56.85hm2、59.88hm2和58.61hm2, 互花米草总面积分别为109.23hm2、124.00hm2和142.39hm2。依据李屹等(2017)、Chen等(2017)、Liu等(2017)以及陈远丽等(2019)的研究结果, 研究区内不同年份红树林、互花米草的面积见表4。本文提取的红树林和互花米草面积与这些研究结果量级相当。2016年至2018年, 研究区红树林的面积数值稳定, 互花米草的面积呈快速增长的趋势。图4中卫星影像也证实, 2016年至2018年期间, 互花米草向光滩迅速扩张,而红树林的分布无明显变化。图5和图6分别展示了研究区西南部和北部2016年至2018年红树林、互花米草分布。由图5卫星影像可见, 研究区西南部互花米草向光滩区域扩散, 2016年主要位于光滩的西北部, 2017年已入侵整个光滩区, 2018年互花米草群落的面积进一步扩大。图5b、5d和5f展示了本算法的提取结果, 较好地反映了红树林的分布、重现了互花米草入侵的过程。图6进一步展示了本文算法与Sentinel-2影像的结合在小面积互花米草斑块监测的应用潜力。但值得一提的是, Sentinel-2影像的空间分辨率为10m, 使得算法难以有效识别直径小于10m的斑块。在2017年互花米草的快速传播期, 算法提取的互花米草分布图未能展示一部分面积非常小的早期入侵斑块; 而在2018年, 互花米草入侵斑块充分生长、面积增大, 算法能对其进行较好的识别。图3b展示了2018年研究区红树林和互花米草交界处分类结果, 图5展示了红树林和互花米草交界处的提取结果。本文算法能清晰地识别红树林和互花米草的边缘, 红树林、互花米草之间的空隙则与潮沟、光滩、水体等地物相关。
图3 研究区2018年红树林和互花米草潜在分布区(a)、随机森林分类结果(b)和研究区常年海水分布(c)

Fig. 3 The potential distribution masks of Spartina alterniflora and mangroves (a), the classified map using random forest (b), and the yearlong seawater mask in the study region (c) in 2018

表2 研究区2016年至2018年的分类混淆矩阵和精度评估

Tab. 2 Confusion matrix and accuracy assessment for the study region from 2016 to 2018

年度 类别 红树林 互花米草 光滩 水 其他植被 制图精度/% 用户精度/%
2016年 红树林 418 0 0 0 0 100.00 100.00
互花米草 0 99 3 0 0 97.06 100.00
光滩 0 0 422 2 8 97.69 98.60
水 0 0 0 318 1 99.69 98.76
其他植被 0 0 3 2 17 77.27 65.39
2017年 红树林 418 0 0 0 0 99.76 99.76
互花米草 0 90 1 9 2 94.74 94.74
光滩 0 0 402 19 6 99.26 99.26
水 0 5 0 319 0 91.93 91.93
其他植被 1 0 2 0 19 70.37 70.37
2018年 红树林 486 0 0 0 1 99.80 100.00
互花米草 0 76 5 0 0 93.83 98.70
光滩 0 0 18 0 0 100.00 60.00
水 0 0 0 628 2 99.68 100.00
其他植被 0 1 7 0 18 69.23 85.71
表3 研究区2016年至2018年的分类精度

Tab. 3 Summary of land cover classification accuracies in the study region from 2016 to 2018

2016年 2017年 2018年
总体精度/% 98.53 96.52 98.71
Kappa系数 0.980 0.952 0.978
图4 不同时期研究区的Sentinel-2卫星影像和红树林、互花米草分布图

a、b. 2016年1月25日; c、d. 2017年2月11日; e、f. 2018年10月1日。左侧影像波段组合为蓝波段、绿波段、红波段, 右侧影像波段组合为近红外波段、红波段、绿波段

Fig. 4 The Sentinel-2 satellite image (a) and distribution map of Spartina alterniflora and mangroves (b) on January 25th, 2016. The Sentinel-2 satellite image (c) and distribution map of Spartina alterniflora and mangroves (d) on February 11th, 2017. The Sentinel-2 satellite image (e) and distribution map of Spartina alterniflora and mangroves (f) on October 1st, 2018. The band combination of the Sentinel-2 A images on the left is blue band, green band and red band; and that on the right is near-infrared band, red band and green band

表4 不同研究中漳江口红树林和互花米草面积(单位: 公顷)

Tab. 4 The areas of mangroves and Spartina alterniflora in Zhangjiang Estuary (units: hm2)

类别 2014年 2015年 2016年 2017年 2018年
红树林 59.91 (李屹 等, 2017) 62.19 (Chen et al, 2017) 60 (陈远丽 等, 2019);
56.85 (本算法)		 59.88 (本算法) 58.61 (本算法)
互花米草 — 116.11 (Liu et al, 2017) 117 (陈远丽 等, 2019); 109.23 (本算法) 124.00 (本算法) 142.39 (本算法)
图5 不同时期研究区西南部的Sentinel-2卫星影像和红树林、互花米草分布图

a、b. 2016年1月25日; c、d. 2017年2月11日; e、f. 2018年10月1日。影像波段组合为近红外波段、红波段、绿波段

Fig. 5 The Sentinel-2 satellite image (a) and distribution map of Spartina alterniflora and mangroves (b) on January 25th, 2016. The Sentinel-2 satellite image (c) and distribution map of Spartina alterniflora and mangroves (d) on February 11th, 2017. The Sentinel-2 satellite image (e) and distribution map of Spartina alterniflora and mangroves (f) on October 1st, 2018. All are in the southwest part of the study region. The band combination of the Sentinel-2 A images is near-infrared band, red band and green band

图6 不同时期研究区北部的Sentinel-2卫星影像和红树林、互花米草分布图

a、b. 2016年1月25日; c、d. 2017年2月11日; e、f. 2018年10月1日。影像波段组合为近红外波段、红波段、绿波段

Fig. 6 The Sentinel-2 satellite image (a) and distribution map of Spartina alterniflora and mangroves (b) on January 25th, 2016. The Sentinel-2 satellite image (c) and distribution map of Spartina alterniflora and mangroves (d) on February 11th, 2017. The Sentinel-2 satellite image (e) and distribution map of Spartina alterniflora and mangroves (f) on October 1st, 2018. All are in the north part of the study region. The band combination of the Sentinel-2 A images is near-infrared band, red band and green band

3.3 讨论

阈值是影响红树林和互花米草遥感提取精度的因素之一。本文算法中红树林、互花米草潜在区的提取涉及NDVI>0、DEM<10m和坡度<10°等判据, 研究区常年海水的提取使用VH<-19判据, 参考Chen等(2017)和Zhou等(2016)。虽然这些阈值均沿用现有的研究成果, 但在本研究区取得了较好的红树林、互花米草提取结果, 未来可用于更大范围的互花米草、红树林遥感监测应用。数据后处理时, 算法剔除像素数小于1的红树林斑块和互花米草斑块, 以减轻植被斑块过于破碎、噪声等问题; 但为开展互花米草早期入侵斑块监测, 可不使用阈值进行植被斑块的筛选。
空间分辨率是影响分类精度的重要因素。虽然本文已使用10m空间分辨率的Sentinel-2卫星影像, 但其对早期入侵的小范围分布互花米草斑块的监测能力有限, 后续可探索本算法在更高空间分辨率卫星影像上监测互花米草和红树林分布的应用, 例如国产高分2号卫星数据。
本算法使用大气表观反射率产品进行互花米草和红树林提取, 依赖不同波谱段的比值进行不同地物的区分。虽然有学者直接使用未经大气校正的Sentinel-2 Level-1 C数据进行湿地分类, 例如Mahdianpari等(2019), 后续可在欧空局官方完成所有年份的Sentinel-2 Level-2 A数据产品发布后, 测试辐射定标和大气校正后的大气底层反射率数据在红树林和互花米草遥感监测上的应用, 并比较两种等级数据产品遥感监测效果的差异。
与一般的人工目视解译方法相比, 本算法只需少量的人工解译样本, 大大减少了人工勾画分类样本的工作量。本文将分层分类与随机森林分类方法相结合, 通过分步骤分阶段不断优化红树林和互花米草的提取结果, 以保证提取精度。分层分类方法已广泛应用于湿地遥感分类(薛星宇 等, 2012; 和晓风 等, 2015), 以及红树林(Liu et al, 2008)、互花米草遥感提取(孙飒梅, 2005; Wang et al, 2014; 袁爽 等, 2018), 但一般分层分类多使用多阈值分割进行地物分类(Liu et al, 2008; 薛星宇 等, 2012; Wang et al, 2014; 袁爽 等, 2018), 将分层分类与随机森林分类结合、光学影像和SAR影像结合进行互花米草提取的研究较少。本文算法通过红树林、互花米草潜在区的提取, 剔除了包括城市、道路等在内的非植被地物, 利用研究区范围矢量数据将研究范围限制在较小的区域, 避免了多种地物“同谱异物”和“异物同谱”现象对分类结果的干扰。在随机森林分类中, 算法考虑了红树林、互花米草、水、光滩和其他植被5种类别。虽然红树林、互花米草潜在区的提取步骤中已剔除了大部分水和光滩, 分类中光滩和水类别的加入旨在为了进一步限制与水、光滩相关的分类误差。算法第3步利用SAR影像获取研究区内的常年海水分布区, 使用与海水交界的判据剔除远离常年海水分布区且错分为红树林或互花米草的植被, 例如围海养殖堤坝上人工种植的草类、树木等。该方法结合了SAR卫星影像与光学卫星影像各自的优势, 将Chen等(2017)用SAR影像优化红树林提取精度的方法拓展到互花米草的提取中, 提高了互花米草、红树林的提取精度。
需注意的是, 本文算法第1步中潮侵区提取的前提是红树林和互花米草一般受周期性潮水浸淹; 第3步的前提是假设不与海水相连的植被群落不是红树林或互花米草, 继而对随机森林算法的结果进行优化。但在我国海南省、澳大利亚、孟加拉等地, 有一些红树林已陆地化, 本算法不适用于这些区域红树林的提取。因此, 在全国乃至世界进行大范围红树林、互花米草遥感监测时, 需注意本算法的适用范围, 必要时进行算法调整和人工干预。

4 结论

本文以福建漳江口国家级红树林自然保护区这一典型的“红树林——互花米草生态交错带”(张宜辉 等, 2011)为研究区, 提出了一种联合Sentinel-1 SAR影像和Sentinel-2光学影像的互花米草、红树林的遥感监测新算法。该方法对漳江口2016年1月25日、2017年2月11日以及2018年10月1日的互花米草、红树林分布进行了遥感自动提取研究, 所得到的结果能较好地反映研究区互花米草、红树林的空间分布和变化, 与前人的研究成果在植被面积和空间分布方面有较好的一致性, 也为保护区提供了最新的红树林和互花米草遥感监测成果。本方法为将来使用多源国产卫星数据进行大范围互花米草、红树林的业务化监测提供了方法借鉴, 对于促进遥感技术在生态学领域的应用有积极意义。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
陈权, 马克明 , 2015. 红树林生物入侵研究概况与趋势[J]. 植物生态学报, 39(3):283-299.

CHEN QUAN, MA KEMING, 2015. Research overview and trend on biological invasion in mangrove forests[J]. Chinese Journal of Plant Ecology, 39(3):283-299 (in Chinese with English abstract).

2
陈远丽, 路春燕, 刘金福 , 等, 2019. 漳江口湿地变化的遥感监测[J]. 森林与环境学报, 39(1):61-69.

CHEN YUANLI, LU CHUNYAN, LIU JINFU, et al, 2019. Remote sensing monitoring of Zhangjiang Estuary wetland[J]. Journal of Forest and Environment, 39(1):61-69 (in Chinese with English abstract).

3
和晓风, 林辉, 孙华 , 等, 2015. 基于GF-1卫星东洞庭湖湿地类型信息提取[J]. 中南林业科技大学学报, 35(11):10-15.

HE XIAOFENG, LIN HUI, SUN HUA, et al, 2015. Wetland types information extraction form east Dongting lake based on GF-1 satellite[J]. Journal of Central South University of Forestry & Technology, 35(11):10-15 (in Chinese with English abstract).

4
黄冠闽, 张宜辉, 方柏州 , 等, 2013. 互花米草对红树植物秋茄幼苗更新的影响[J]. 福建林业科技, 40(4):93-95, 113.

HUANG GUANMIN, ZHANG YIHUI, FANG BAIZHOU, et al, 2013. Effects of Spartina alterniflora on mangrove Kandelia candel seedlings regeneration[J]. Journal of Fujian Forestry Science and Technology, 40(4):93-95, 113 (in Chinese with English abstract).

5
黄华梅, 张利权 , 2007. 上海九段沙互花米草种群动态遥感研究[J]. 植物生态学报, 31(1):75-82.

HUANG HUAMEI, ZHANG LIQUAN, 2007. Remote Sensing analysis of range expansion of Spartina alterniflora at Jiuduansha shoals in Shanghai, China[J]. Chinese Journal of Plant Ecology, 31(1):75-82 (in Chinese with English abstract).

6
李春干, 谭必增 , 2003. 基于“3S”的红树林资源调查方法研究[J]. 自然资源学报, 18(2):215-221.

LI CHUNGAN, TAN BIZENG, 2003. Studies on the methods of mangrove inventory based on RS, GPS and GIS[J]. Journal of Natural Resources, 18(2):215-221 (in Chinese with English abstract).

7
李屹, 陈一宁, 李炎 , 2017. 红树林与互花米草盐沼交界区空间格局变化规律的遥感分析[J]. 海洋通报, 36(3):348-360.

LI YI, CHEN YINING, LI YAN, 2017. Remote sensing analysis of the changes in the ecotone of mangrove forests and Spartina alterniflora saltmarshes[J]. Marine Science Bulletin, 36(3):348-360 (in Chinese with English abstract).

8
刘春悦, 张树清, 江红星 , 等, 2009. 江苏盐城滨海湿地外来种互花米草的时空动态及景观格局[J]. 应用生态学报, 20(4):901-908.

LIU CHUNYUE, ZHANG SHUQING, JIANG HONGXING, et al, 2009. Spatiotemporal dynamics and landscape pattern of alien species Spartina alterniflora in Yancheng coastal wetlands of Jiangsu Province, China[J]. Chinese Journal of Applied Ecology, 20(4):901-908 (in Chinese with English abstract).

9
潘卫华, 陈家金, 张春桂 , 等, 2011. 福建沿海水域互花米草蔓延的动态监测分析[J]. 中国农业气象, 32(S1):174-177.

PAN WEIHUA, CHEN JIAJIN, ZHANG CHUNGUI, et al, 2011. Dynamic monitoring analysis of expansion of Spartina alterniflora in Fujian[J]. Chinese Journal of Agrometeorology, 32(S1):174-177 (in Chinese with English abstract).

10
孙飒梅 , 2005. 三都湾互花米草的遥感监测[J]. 台湾海峡 227, 265.

SUN SAMEI, 2005. Monitoring of smooth cordgrass invasion by remote sensing in Sandu Bay, Fujian[J]. Journal of Oceanography in Taiwan Strait, 227, 265 (in Chinese with English abstract).

11
王友绍 , 2013. 红树林生态系统评价与修复技术[M]. 北京: 科学出版社.

WANG YOUSHAO, 2013. Assessment and remediation techniques of mangrove ecosystems[M]. Beijing: Science Press (in Chinese).

12
薛星宇, 刘红玉 , 2012. 基于ALOS影像的盐城海滨湿地遥感信息分类方法研究[J]. 遥感技术与应用, 27(2):248-255.

XUE XINGYU, LIU HONGYU, 2012. Study on the classification approaches of Yancheng coastal wetlands based on ALOS image[J]. Remote Sensing Technology and Application, 27(2):248-255 (in Chinese with English abstract).

13
袁爽, 况润元, 廖启卿 , 2018. 湿地植被遥感提取及动态变化研究——以崇明东滩为例[J]. 江西理工大学学报, 39(1):44-51.

YUAN SHUANG, KUANG RUNYUAN, LIAO QIQING, 2018. Remote sensing extraction and dynamic change of wetland vegetation—A case study of Eastern Chongming Island[J]. Journal of Jiangxi University of Science and Technology, 39(1):44-51 (in Chinese with English abstract).

14
张宜辉, 黄冠闽, 方清 , 等, 2011. 红树林和互花米草相互作用对环境变化的响应[C]//中国第五届红树林学术会议论文摘要集. 温州: 15 (in Chinese).

15
周振超, 李贺, 黄翀 , 等, 2018. 红树林遥感动态监测研究进展[J]. 地球信息科学学报, 20(11):1631-1643.

ZHOU ZHENCHAO, LI HE, HUANG CHONG, et al, 2018. Review on dynamic monitoring of mangrove forestry using remote sensing[J]. Journal of Geo-Information Science, 20(11):1631-1643 (in Chinese with English abstract).

16
BREIMAN L , 2001. Random forests[J]. Machine Learning, 45(1):5-32.

17
CHEN BANGQIAN, XIAO XIANGMING, LI XIANGPING , et al, 2017. A mangrove forest map of China in 2015: Analysis of time series Landsat 7/8 and Sentinel-1A imagery in Google Earth Engine cloud computing platform[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 131:104-120.

18
GIRI C , 2016. Observation and monitoring of mangrove forests using remote sensing: Opportunities and challenges[J]. Remote Sensing, 8(9):783.

19
HUETE A R, LIU H Q, BATCHILY K , et al, 1997. A comparison of vegetation indices over a global set of TM images for EOS-MODIS[J]. Remote Sensing of Environment, 59(3):440-451.

20
KUENZER C, BLUEMEL A, GEBHARDT S , et al, 2011. Remote sensing of mangrove ecosystems: A review[J]. Remote Sensing, 3(5):878-928.

21
LIU KAI, LI XIA, SHI XUN , et al, 2008. Monitoring mangrove forest changes using remote sensing and GIS data with decision-tree learning[J]. Wetlands, 28(2):336-346.

22
LIU MINGYUE, LI HUIYING, LI LIN , et al, 2017. Monitoring the invasion of Spartina alterniflora using multi-source high-resolution imagery in the Zhangjiang Estuary, China[J]. Remote Sensing, 9(6):539.

23
LIU MINGYUE, Mao DEHUA, WANG ZONGMING , et al, 2018. Rapid invasion of Spartina alterniflora in the coastal zone of mainland China: New observations from landsat OLI images[J]. Remote Sensing, 10(12):1933.

24
MAHDIANPARI M, SALEHI B, MOHAMMADIMANESH F , et al, 2019. The first wetland inventory map of newfoundland at a spatial resolution of 10 m using Sentinel-1 and Sentinel-2 data on the Google earth engine cloud computing platform[J]. Remote Sensing, 11(1):43.

25
MAO DEHUA, LIU MINGYUE, WANG ZONGMING , et al, 2019. Rapid invasion of Spartina alterniflora in the coastal zone of mainland China: Spatiotemporal patterns and human prevention[J]. Sensors, 19(10):2308.

26
TUCKER C J , 1979. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment, 8(2):127-150.

27
WANG ANQI, CHEN JIADAI, JING CHANGWEI , et al, 2015. Monitoring the invasion of Spartina alterniflora from 1993 to 2014 with Landsat TM and SPOT 6 satellite data in Yueqing Bay, China[J]. PLoS One, 10(8):e0135538.

28
WANG CONG, LIU HONGYU, ZHANG YING , et al, 2014. Classification of land-cover types in muddy tidal flat wetlands using remote sensing data[J]. Journal of Applied Remote Sensing, 7(1):073457.

29
WANG LE, JIA MINGMING, YIN DAMENG , et al, 2019. A review of remote sensing for mangrove forests: 1956-2018[J]. Remote Sensing of Environment, 231:111223.

30
XIAO XIANGMING, BOLES S, LIU JIYUAN , et al, 2002. Characterization of forest types in Northeastern China, using multi-temporal SPOT-4 VEGETATION sensor data[J]. Remote Sensing of Environment, 82(2-3):335-348.

31
XIAO XIANGMING, HOLLINGER D, ABER J , et al, 2004. Satellite-based modeling of gross primary production in an evergreen needleleaf forest[J]. Remote Sensing of Environment, 89(4):519-534.

32
XU HANQIU , 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery[J]. International Journal of Remote Sensing, 27(14):3025-3033.

33
ZHOU YUTING, XIAO XIANGMING, QIN YUANWEI , et al, 2016. Mapping paddy rice planting area in rice-wetland coexistent areas through analysis of Landsat 8 OLI and MODIS images[J]. International Journal of Applied Earth Observation and Geoinformation, 46:1-12.

34
ZUO PING, ZHAO SHUHE, LIU CHANG’AN , et al, 2012. Distribution of Spartina spp. along China's coast[J]. Ecological Engineering, 40:160-166.

Options
文章导航

/

〈 〉