Search
E-mail
RSS

Online submission Editor-in-chief Peer review Staff Login

Journal of Tropical Oceanography >

2020 , Vol. 39 >Issue 4: 116 - 129

DOI: https://doi.org/10.11978/2019100

Marine Survey and Monitoring

Construction and classification of coral reef geomorphic unit system based on high-resolution remote sensing: using 8-band Worldview-2 Image as an example

  • DONG Juan , 1 ,
  • REN Guangbo , 1 ,
  • HU Yabin 1, 2 ,
  • PANG Jinzhao 1, 3 ,
  • MA Yi 1
Expand
  • 1. First Institute of Oceanography, Ministry of Natural Resources, Qingdao 266061, China
  • 2. Information Science and Technology College, Dalian Maritime University, Dalian 116026, China
  • 3. China University of Petroleum, Qingdao 266580, China
REN Guangbo. E-mail:

Received date: 2019-10-12

  Request revised date: 2020-02-02

  Online published: 2020-07-27

Supported by

Foundation item: National Natural Science Foundation of China(51839002)

Copyright

Copyright reserved © 2020. 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

Abstract

Coral reef ecosystem is one of the ecosystems with the highest primary productivity in the world. It plays an important role in maintaining marine biodiversity, preventing waves and consolidating beaches, and it is great resources for mankind. At the same time, the remote sensing geomorphological classification system of coral reefs is the necessary basis for the protection, management and sustainable development of coral reefs. However, there is no corresponding classification system taking coral coverage into account. Based on WorldView-2 high-resolution remote sensing image, we selected the reef of Zhaoshu Dao and Xisha Zhou in the north of Qilianyu Island, Xisha Islands, South China Sea as our study area. In this paper, coral coverage, regional geomorphic composition and hydrodynamic conditions are used to establish a coral reef geomorphic unit classification system suitable for remote sensing monitoring and are related to the survival of coral reefs. The method of object-oriented support vector machine (SVM) and random forest (RF) were used to extract the coral reef geomorphic units, and the accuracy of the extraction results was evaluated. The results showed that both SVM and RF classification methods can extract reef geomorphic units, and the classification accuracy was 87.59% and 79.81%, respectively. Aiming at the problem of misclassification and omission in the process of classification, we modified the classification results according to the causes and distributions of coral reefs. And the accuracy of modified classification was 91.3%, and the kappa coefficient was 0.9041. They showed that the coral reef geomorphic unit classification system constructed in this paper can meet the need of information extraction of coral reefs to some extent.

Key words： coral reef; geomorphology; classification scheme; remote sensing; object oriented

Cite this article

DONG Juan , REN Guangbo , HU Yabin , PANG Jinzhao , MA Yi . Construction and classification of coral reef geomorphic unit system based on high-resolution remote sensing: using 8-band Worldview-2 Image as an example[J]. Journal of Tropical Oceanography, 2020 , 39(4) : 116 -129 . DOI: 10.11978/2019100

珊瑚礁是热带、亚热带潮下浅海区造礁石珊瑚群落及其原地碳酸盐骨骼堆积和生物碎屑充填胶结共同形成的海底隆起(Stoddart, 2008)。珊瑚礁生态系统生物多样性丰富, 是作为全球初级生产力最高的生态系统之一存在的。该生态系统在防浪固滩、资源供给、国防建设等方面也发挥着巨大作用。在我国, 珊瑚礁大多分布在广袤的南海海域, 南海珊瑚礁生态系统是全球珊瑚礁不可或缺的组成部分, 位于“珊瑚金三角”(Coral Triangle)的北部边缘, 面积约2450km2(Spalding et al, 2001)。东沙群岛、西沙群岛、中沙群岛和南沙群岛共同组成了南海珊瑚礁生态系统。南海珊瑚礁生态系统对我国具有极其重要的意义, 是我国管理、保护、利用海洋的重要落脚点。在全球变化和人类活动长期不断的作用下, 南海珊瑚礁总体处于退化之中, 主要表现为活珊瑚覆盖度的大幅度下降和珊瑚共生虫黄藻密度的降低(余克服, 2012), 这将对珊瑚岛礁的生长产生长期显著的生态负面影响, 进而威胁到我国的国土权益, 故亟需开展全面的大尺度的南海珊瑚礁监测, 以促进我国南海珊瑚礁资源的管理、开发利用和保护, 从而保障我国在“一带一路”中的国家主权权益。
遥感技术是脱离以点、断面等传统形式的新型、大范围、高频次珊瑚礁监测手段, 随着GIS技术的飞速发展, 其在珊瑚礁研究中扮演着更加不可或缺的角色, 尤其是光学遥感在珊瑚礁地貌监测和制图等方面具有重要的应用价值(Leon et al, 2011; Roelfsema et al, 2018)。一个完备的珊瑚礁地貌单元分类体系是开展珊瑚礁监测的基础。珊瑚岛礁地貌是生物地貌与动力地貌的叠加与共存(Spencer et al, 2002)。海岸生物地貌学针对珊瑚岛礁强调了生物过程与“动力-沉积-地貌”之间的双向作用关系(Naylor et al, 2002; Viles et al, 2002), 海岸动力地貌学研究海岸地貌和海岸沉积物在波浪、潮汐、海流、风等动力因素作用下的变化。20世纪50年代以来国内外学者构建了结合多种指标的众多珊瑚礁地貌分类体系(Mumby et al, 1999; Leon et al, 2011; Phinn et al, 2012; 龚剑明 等, 2014; 周旻曦 等, 2015; 朱海天 等, 2015; 左秀玲 等, 2018), 珊瑚礁地貌分类体系的构建也经历了从珊瑚礁实地调查到珊瑚礁遥感地貌制图两个发展阶段。多数学者构建分类体系的原则侧重于礁体位置、动力环境、沉积环境或水深等中的部分指标(Hamylton et al, 2016; Kayanne et al, 2016; Shen et al, 2017), 尚未有既适用于高分遥感监测又与珊瑚覆盖度相关的珊瑚礁地貌分类体系, 包括礁体形态、水动力特征、出露程度、沉积环境和生境等特征。
中分辨率遥感图像容易获取, 但由于空间分辨率有限而不适合复杂精细地貌的提取。高空间分辨率遥感影像能反映不同珊瑚礁地貌单元的形状、结构、纹理等特征, 但也给分类带来不确定性, 使基于像元的珊瑚礁分类结果产生严重的“椒盐”现象(周安发 等, 2012; 仇江啸 等, 2016), 破坏了地貌单元的完整性。而面向对象的多尺度分割, 能充分利用地物的形状、大小、颜色、距离及纹理等特征进行分类, 有效减少“椒盐”现象, 从而提高地物提取的精度(陈云浩 等, 2006; 李晓峰 等, 2009)。龚剑明等(2014)和朱海天等(2015)利用面向对象的分类方法开展了珊瑚礁地貌单元的分类探索, 但分类精度还有提高的空间。
本文首先构建了面向造礁珊瑚覆盖度的珊瑚礁遥感地貌单元分类体系, 并以高分辨率影像WorldView-2为数据源, 采用基于面向对象的支持向量机和随机森林分类方法开展珊瑚礁地貌单元提取, 为珊瑚岛礁的监测提供理论和方法参考。

1 研究区域与数据源

1.1 研究区概况

本文选择七连屿西部的赵述岛和西沙洲所在礁盘作为研究区, 该研究区位于北纬16°57′—17°00′、东经112°11′—112°17′范围内(图1), 面积约为38.5km2。我国南海海域四大群岛之一的西沙群岛, 由宣德群岛和永乐群岛组成, 是分布在南海中的珊瑚岛礁。有研究显示, 西沙群岛2007—2016年珊瑚平均覆盖度呈下降趋势, 区域平均覆盖度由53.80%下降到5.44%(李元超等, 2018)。七连屿位于宣德群岛东北部, 包括赵述岛、西沙洲、北岛、中岛、南岛、北沙洲、中沙洲、南沙洲、西新沙洲、东新沙洲等岛屿或沙洲。
图1 研究区位置示意图

图a基于标准地图服务网(http://bzdt.ch.mnr.gov.cn)下载的审图号为GS(2016)2891号的标准地图制作

Fig. 1 The location of the study area

1.2 数据源

1.2.1 遥感数据
本文使用WorldView-2多光谱数据进行珊瑚礁地貌单元的提取。相较于QuickBird、IKONOS等高空间分辨率影像, WorldView-2影像的优势不仅在于拥有较高的空间分辨率, 且光谱信息更为丰富, 能够更加清晰地显示地物光谱之间的差异, 对珊瑚礁地貌单元的识别精度更高。本文以覆盖七连屿区域的8波段WorldView-2多光谱遥感影像作为数据源, 该影像不仅具有4个标准波段(红、绿、蓝、近红外), 还包括4个额外波段(海岸、黄、红边和近红外2)。所用影像成像时间为2010年2月7日, 空间分辨率为1.85m, 波长范围为400~1040nm, 影像具体信息详见表1。
表1 WorldView-2影像信息

Tab. 1 WorldView-2 image information

波段名称 波长/nm 分辨率/m 幅宽/km 重访周期/d
海岸(Coastal) 400~450 1.85 16.4 1.1
蓝(Blue) 450~510 1.85 16.4 1.1
绿(Green) 510~580 1.85 16.4 1.1
黄(Yellow) 585~625 1.85 16.4 1.1
红(Red) 630~690 1.85 16.4 1.1
红边(Red Edge) 705~745 1.85 16.4 1.1
近红外(Near-IR1) 770~895 1.85 16.4 1.1
近红外2(Near-IR2) 860~1040 1.85 16.4 1.1
大气对于地物反射光的削弱是极为严重的, 其中大气对于蓝绿波段光谱数据的污染最为严重, 故而对水体反射光变化更加不敏感, 所以需要大气校正来获得珊瑚礁地貌单元正确的光谱曲线, 从而准确提取珊瑚礁地貌单元信息。根据数据源的卫星轨道和传感器成像参数, 利用图像处理软件中的FLAASH大气校正模块对WorldView-2高分辨率多光谱卫星遥感影像进行大气校正, 将灰度值(Digital Number, DN)转换为遥感反射率。
同时, 本文使用了覆盖研究区的GF-2遥感数据作为珊瑚礁地貌单元分类体系构建和珊瑚礁地貌单元提取结果的验证依据。所用GF-2遥感影像的成像日期为2015年12月4日, 具有4个波段, 空间分辨率为4m, 融合后影像空间分辨率为1m。尽管文章参考了年份较近的遥感影像, 但实际上还是存在现场调查时间与影像成像时间不一致的问题, 因而仍然会导致误差的出现。
1.2.2 现场数据
本研究外业人员于2014年5月赴赵述岛开展珊瑚礁底质现场调查(图2), 外业调查路线如图2a所示。该路线根据外业人员手持GPS设备的步行踏勘数据记录整理得到, 断线是由于记录过程中位置信息出现缺失而导致。调查中利用潜水、水下摄影和实地拍摄等手段获取了赵述岛所在礁盘各地貌类型的底质组成(表2)、有无造礁石珊瑚、珊瑚覆盖度等相关数据, 为珊瑚礁地貌单元分类体系构建和珊瑚礁地貌单元信息提取精度的验证提供了数据支撑。
图2 现场调查的路线(a)、潜水调查(b)和摄影记录(c、d)

Fig. 2 Field investigation: field route (a), diving investigation (b), and photographic records (c, d)

表2 珊瑚礁地貌单元主要底质组成

Tab. 2 Main sediment components of coral reef geomorphic units

珊瑚礁地貌单元 主要底质组成
深礁前斜坡 粉砂质黏土(浅)、细砂(深)
浅礁前斜坡 小礁块、生物碎屑
礁前阶地 死珊瑚、贝壳砾屑、珊瑚藻
礁脊 礁块、礁砾、珊瑚藻
珊瑚丛生区 珊瑚礁岩、生物碎屑
珊瑚沉积区 珊瑚砂
礁塘 珊瑚砂
点礁 基本为活珊瑚
潟湖坡 生物碎屑
沙洲 珊瑚砂、其他生物碎屑
沙坪 珊瑚砂、其他生物碎屑

2 适用于高分遥感影像的珊瑚礁地貌单元分类体系

前人的分类体系(表3)仅考虑了珊瑚礁地貌形成过程中海洋过程和动力因素的影响, 未考虑各地貌单元的珊瑚覆盖度。本文所建立的珊瑚礁地貌单元分类体系在考虑珊瑚礁地貌形成过程中海洋过程和动力因素的同时, 将珊瑚覆盖度也作为构建分类体系的重要指标。故依据本文所构建的珊瑚礁地貌单元分类体系进行珊瑚礁地貌单元提取不仅可以直接了解礁盘各部分的珊瑚覆盖度, 而且依据各地貌单元的水动力等特征可以判断出适宜珊瑚生长恢复的区域, 从而为珊瑚礁的动态监测提供技术支持, 也为珊瑚礁的保护和培育工作指明方向。本文根据WorldView-2遥感影像的分类能力, 结合研究区珊瑚礁地貌特征, 采用了珊瑚覆盖度和反映珊瑚礁地貌形成过程中海洋过程和动力因素影响的指标, 如礁体形态、水动力条件、出露程度、沉积环境和生境等, 建立了综合的详细的珊瑚礁地貌单元分类体系, 具体可划分为深礁前斜坡、浅礁前斜坡、礁前阶地、礁脊、珊瑚丛生区、珊瑚沉积区、沙洲、沙坪、礁塘、点礁、潟湖坡等11个类型, 各类型的影像纹理特征和解译标志详见表4。
表3 已有的珊瑚礁地貌分类体系

Tab. 3 Existing geomorphic classification schemes for coral reef

建立方法 文献来源 遥感数据 分类体系
实地调查 Goreau, 1959 — 礁后: 海岸带、潟湖; 礁脊: 邻近潟湖带、礁坪、破碎带、贫瘠带、礁凸起带; 向海斜坡: 礁前斜坡、深礁前斜坡带; 共9类。
曾昭璇, 1982 — 礁坡区; 礁盘区: 外礁盘、堤滩、次成潟湖、沙岛区(海滩岩、沙堤带、中部洼地); 潟湖区: 点礁; 共8类。
赵焕庭等, 1996 — 向海坡; 外礁坪; 礁凸起; 内礁坪: 珊瑚稀疏带、珊瑚丛林带、礁坑发育带; 潟湖: 潟湖坡、潟湖盆、点礁; 共9类。
Mumby et al, 1999 — 礁后; 礁脊; 潮沟: 低潮沟、高潮沟; 礁前; 急陡坡; 点礁: 浓密点礁、分散点礁; 潟湖层: 浅潟湖层、深潟湖层; 共10类。
遥感影像 Leon et al, 2011 Landsat ETM+ 礁前; 礁脊; 礁坪: 珊瑚带、砂礁坪、海草床、植被沙洲; 潟湖: 砂质礁后、潟湖点礁、深潟湖; 点礁; 共10类。
Phinn et al, 2012 QucikBird-2 礁坡; 礁脊; 外礁坪; 内礁坪; 浅潟湖; 深潟湖; 共6类。
龚剑明等, 2014 WorldView-2 水下礁脊; 外礁坪; 礁凸起带; 附礁生物稀疏带; 附礁生物丛生带; 礁坑发育带; 潟湖: 潟湖坡、潟湖底; 点礁; 潮汐通道; 沙洲; 灰沙岛: 海滩、沙堤、沙席、洼地; 共15类。
周旻曦等, 2015 CBERS-03B CCD 向海坡; 礁前; 礁坪: 礁脊、槽沟、珊瑚生长带、礁坑发育带; 潟湖: 潟湖坡、潟湖盆、潟湖点礁; 潮汐通道; 暗沙/暗滩; 灰沙岛: 海滩、沙丘; 共13类。
朱海天等, 2015 WorldView-2 外礁缘; 外礁坪; 礁突起带; 内礁坪: 生物稀疏带、生物密集带、礁坑发育带; 潟湖: 潟湖坡、潟湖盆、点礁; 沙洲; 共10类。
左秀玲等, 2018 WorldView-2、QucikBird 水下礁脊; 礁前斜坡: 礁前斜坡下坡、礁前斜坡上坡; 礁坪: 外礁坪、礁凸起带、内礁坪(生物稀疏带、潮间带浅滩、生物丛生带、礁坑发育带); 潟湖: 潟湖坡、潟湖底、点礁、潮汐通道; 浅水礁塘; 沙洲; 灰沙岛: 海滩、沙堤、沙席、洼地; 共19类。
Dong et al, 2019 Landsat-8 OLI 植被; 岛屿/沙洲; 礁坪; 水下部分; 共4类。

注: 表中“—”表示未使用遥感数据

表4 本文珊瑚礁地貌单元分类体系

Tab. 4 Geomorphic classification schemes for coral reef

Ⅰ级 Ⅱ级 定义 珊瑚覆盖度 影像纹理特征 解译标志
向海坡 深礁前斜坡 坡度和缓, 呈切割起伏型, 为波浪基面以下坡度小于40°的坡面, 50~1000m水深处多是细砂, 1000m以下为粉砂质黏土(刘宝银 等, 2014); 物质主要来源于珊瑚丛生区与珊瑚沉积区, 粗细混杂, 多为堆积塌积物与生物骨壳(夏东兴 等, 2014), 次为细小的生物碎屑, 水深较浅处底质多为细小的生物碎屑, 深处底质为粉砂质; 这些沉积物在重力的作用下, 以崩塌和滑移等方式运移并堆积 由于较强的水动力, 冲蚀与溶蚀作用抑制了珊瑚的生长, 活珊瑚覆盖度小于50%(刘宝银 等, 2014) 处于礁体的最外围, 影像中最深的蓝黑色部分, 白色条状沟槽几乎很少
浅礁前斜坡 礁缘外向海一侧的水下斜坡, 位于水深30m左右的波浪基面以上, 坡度达50°以上, 多数呈峭壁状, 少数呈缓坡状; 一般为硬底质(刘宝银 等, 2014; 夏东兴 等, 2014), 多由小礁块和生物碎屑等组成, 其上有生长发育良好的珊瑚, 坡面上有切口和崩口, 沟底有蚀余的少量碎屑、重力沉积与生物碎屑 此区域水动力作用不强, 即海浪对珊瑚的生长发育影响较小, 种类繁多、形态各异的活珊瑚几乎达到全覆盖(刘宝银 等, 2014) 处于深礁前斜坡的内侧, 是更浅的蓝黑色, 白色条状沟槽开始增多
礁前
阶地		 位于礁脊和浅礁前斜坡之间, 紧邻海浪破波带; 此处有礁缘槽沟发育, 由礁缘坡折线到沟头宽20~25m(刘宝银 等, 2014), 向海微倾, 低潮几乎全部干出; 底质多由小礁块、死珊瑚以及贝壳砾屑被珊瑚藻和石灰藻等所粘结组成 此处水动力较强(左秀玲 等, 2018), 珊瑚生长较差 处于浅礁前斜坡的内侧, 颜色为较均匀的灰色, 在外侧边缘有白色浪花存在
Ⅰ级 Ⅱ级 定义 珊瑚覆盖度 影像纹理特征 解译标志
礁坪 礁脊 展布在礁坪前缘、环礁外缘礁带内侧, 存在锯齿状沟槽, 低潮时完全干出, 一般高出礁坪1m以上, 抗浪性强; 一般为硬底质堆积, 多由礁块或礁砾组成(夏东兴 等, 2014), 物质来源于珊瑚丛生带, 通常由波浪、风暴潮上掀堆积 因受到强烈的水动力作用, 只有零星珊瑚生长或只有一层珊瑚藻覆盖着的平滑礁脊(刘宝银 等, 2014) 处于礁前阶地的内侧, 颜色为灰色并带有较少的黑灰色, 主要是带锯齿的竖条状纹理
珊瑚丛生区 表面凹凸不平, 并大多处在低潮面下30~50cm(刘宝银 等, 2014); 物质组成主要为珊瑚礁岩, 表层沉积物大小不一, 但珊瑚丛生区上松散生物屑沉积物的粒径由海向内变细, 多被藻类粘结, 外观呈棕黑色; 该处珊瑚不仅向海增长, 并以低潮面为上限向上繁衍, 最终的结果是扩大礁坪; 在波浪、潮流和风暴潮作用下, 珊瑚丛生带为礁体其他相带提供了丰富的碳酸盐沉积物; 珊瑚丛生区上的珊瑚生长上限为低潮面, 高于低潮面的裸露珊瑚, 易被晒死, 因此在珊瑚丛生区最高处可见到死亡的群体珊瑚。 水动力较弱, 是抗浪性差的珊瑚群落的优良生长区, 有众多活珊瑚(程益锋 等, 2018) 处于礁脊的内侧, 影像中颜色最深的部分, 颜色为较均匀的黑灰色
珊瑚沉积区 位于珊瑚丛生带内侧, 以沉积作用为主, 多有礁坑发育, 礁坑堆积有白色的珊瑚砂, 大潮低潮时局部礁面微露, 除部分礁坑外, 珊瑚沉积区地势宽广平坦 稀疏的珊瑚及附礁生物(左秀玲等, 2018) 处于珊瑚丛生区的内侧, 主要为灰色, 有较少的蓝色和黑色相间, 内部有边界模糊的黑色小斑块
礁塘 珊瑚丛生区或珊瑚沉积区上常积水的低洼地, 深几十厘米至数米, 低潮时不出露, 底质为砂质 水动力较弱, 内部零星分布有点礁(龚剑明 等, 2014) 处于礁坪的中心部分, 颜色为亮蓝色, 其中有边界明显的黑色斑块
潟湖 点礁 又称斑礁, 指由潟湖底部或斜坡上显著突出的墩状珊瑚礁, 且彼此孤立、平面上呈点状分布的礁体(夏东兴 等, 2014), 是大珊瑚礁体的组成部分, 跨度一般小于1km。点礁的多寡与珊瑚环礁发育的不同阶段呈正相关, 由于其他因素的制约, 在同一潟湖里, 点礁发育及其分布具有一定的区域性, 有些点礁的迎风面在低潮时出露水面, 点礁分为峰丘型和礁坪型两类(刘宝银 等, 2014) 礁体顶面有很多种类的珊瑚丛生(夏东兴 等, 2014) 深蓝色海水中边界明显的黑蓝色斑块
潟湖坡 位于礁后, 易于维持水道的背风面, 呈扩散性边缘, 深度30~40m左右, 个别超过200m 有点礁分布, 其上有分枝状珊瑚生长, 但珊瑚生长情况较差(夏东兴 等, 2014) 颜色为深蓝色, 其中零星分布黑蓝色斑块
灰沙岛 沙洲 风浪的作用使沙坪规模变大, 砂质物质增加, 可积存少量淡水, 甚至有植被发育, 地形相对沙坪稳定 无珊瑚生长 颜色为十分均匀的黄白色,与其他地物界限明显
沙坪 在新近浮出海面的珊瑚礁上, 具有称为“沙帽”的一层浅沙, 当堆积物堆高超出海面后, 形成沙洲。底质较硬, 由松散的珊瑚砂砾、贝壳碎屑和其他生物碎屑等组成。海拔高度很低, 常受到潮水冲刷, 大风浪可将其淹没, 其上多砾质, 植被很少, 位置游移不定。 无珊瑚生长 颜色为较明亮的蓝白色, 间有少量黑灰色的纹理或斑块

注: 解译标志中的遥感影像为真彩色显示, 即RGB(R: Red; G: Green; B: Blue)模式

3 研究方法

3.1 分割方法

表4中给出了各类地貌单元解译标志, 从表中可以看出各类地貌单元内部影像特征并不均一, 这是由于多数地貌单元都是由几种不同的底质组成, 故其反映在遥感影像上的特征也就不一致。传统的分类策略是将单个像元作为单位而对影像进行分类, 应用范围广泛, 效果也相对较好。随遥感技术迅速提高的还有遥感影像的分辨率, 但基于像素分类方法的弊端也不断显现, 基于像素对图像进行分类的方法对于真实地物的反映依然是不完整的, “椒盐”现象严重。而基于多尺度分割的分类方法能够综合利用邻近像元的光谱、形状、纹理等信息进行分类, 使分类结果与真实地物更为接近, 故而面向对象的方法更适合于珊瑚礁地貌单元提取。此外, 对不同面积的地物来说, 多尺度分割可以获得更全面的地物目标特征(佃袁勇 等, 2016)。例如本文所选研究区中的点礁, 其直径一般小于100m, 在面积上与其他类型地物相差约2个数量级, 需要使用较小的分割尺度对其进行再分割, 即多尺度分割为分割面积相差较大的地物提供了解决办法。利用面向对象的方法进行地貌单元分类的过程包括通过影像分割创建对象和分类两部分, 具体技术路线如图3所示。本文首先利用多尺度分割对研究区遥感数据进行处理, 该方法根据各类影像对象的光谱及形状特征, 从影像中任一像素起, 利用由上至下的区域合并操作, 将研究区图像分割为尺度不尽相同而影像内部特征相近的对象。分割过程中的分割尺度用来确定生成的影像对象所允许的最大异质度, 分割尺度越大, 生成的影像对象尺寸就越大, 反之则越小。因此, 最优分割尺度的选择是面向对象分类方法的关键, 而对象内部同质性与对象之间的异质性是最优分割尺度的两个决定性因素(张华 等, 2018)。
图3 技术路线图

Fig. 3 Technical flow chart

3.2 分类方法

在分类过程中, 本文采用了支持向量机(Support Vector Machine, SVM)和随机森林(Random Forest, RF )两种经典分类方法进行比较。SVM是Vapnik等人在1995年提出的一种基于统计学习理论的机器学习算法(Vapnik, 2000)。由于SVM基于结构风险最小化准则, 因此其推广能力明显优于一些传统的学习方法, 能够在分类问题中表现出很好的泛化能力, 从而获得相对较高的分类精度。其分类原理是以一个超平面作为决策边界, 可以做到正确分类, 并使得分类间隔最大。另外, SVM的求解最终都转化为线性方程组的求解, 可以保证解的唯一性和全局最优性, 能够对非线性、高维数等问题给出良好的解决方案, 因此在遥感图像分类中得到广泛的应用(Foody et al, 2004; Pal et al, 2005)。本文选择如下线性核函数, 惩罚参数为默认值。
$K\left( {{x}_{i}},{{x}_{j}} \right)=\left( {{x}_{i}},{{x}_{j}} \right)$
式中, K(xi, xj)为核函数, xi、xj为样本。
RF是由Breiman(2001)提出的一种机器学习方法。RF是由数据驱动的非参数分类方法, 通过对给定样本进行学习训练, 形成分类规则, 无需先验知识, 对于噪声数据具有很好的鲁棒性, 同时可以估计特征的重要性, 具有较快的学习速度和相对较高的准确度(顾海燕 等, 2016)。它通过逐步引导重采样技术, 从原始训练样本集中有放回地重复随机抽取N个样本, 生成新的训练样本集合; 然后根据自助样本集生成k个分类树, 组成随机森林; 新数据的分类结果按分类树投票多少形成的分数而定(张晓羽 等, 2016)。

4 结果与分析

4.1 珊瑚礁地貌单元分割尺度分析

分割中所需参数对分割效果的影响从大到小依次为分割尺度、形状指数、紧致度。形状指数增大, 分割效果越差; 紧致度增大, 分割效果越好。因此, 本文将分割过程中的形状指数均设置为0.1, 紧致度均设置为0.9(无量纲)。为了得到适合于珊瑚礁地貌单元分割的分割尺度参数, 将尺度参数实验区间设置在500~200(无量纲), 以100为间隔分4组进行了不同分割尺度的分割效果对比, 结果如图4所示。可以发现, 分割尺度为500时, 颜色为黑色的珊瑚丛生区与颜色为灰色的珊瑚沉积区被分割在同一个对象中, 对象内部特征不相统一, 即发生了欠分割的问题; 当选择200作为分割尺度时, 影像对象的边界与真实地物的边缘是吻合的, 分割对象内部特征均一, 即黑色的珊瑚丛生区与灰色的珊瑚沉积区能够被正确地分割到不同的对象中。
图4 珊瑚丛生区和珊瑚沉积区在尺度参数为500(a)和200(b)下的分割效果、

Fig. 4 Separation effect of coral bommies and coral sedimentary areas under different scale parameters. The scale parameters are 500 (a) and 200 (b)

但在200的分割尺度下, 潟湖坡中的点礁也存在一定的欠分割现象。这是由于相比其他类型的地貌单元来说, 点礁的面积过小, 当选择适合大多数面积较大的地貌单元的分割尺度时, 面积很小的点礁就无法被正确地分割出来。为了获得更好的分割结果, 需对存在欠分割的对象进行再分割, 选择的分割尺度分别为100和80, 分割结果如图5所示。从图5中可以看出, 点礁再分割效果良好, 分割边界与点礁的边界较为一致。
图5 尺度参数分别为200(a)、100(b)和80(c)的点礁分割结果

Fig. 5 Separation results of patch reef. The scale parameters are 200 (a), 100 (b), and 80 (c)

4.2 珊瑚礁地貌分类结果与分析

在面向对象分割结果的基础上, 以对象为单位选取训练样本, 使用相同的训练样本分别采用SVM和RF分类方法对研究区进行地貌单元提取, 获得的地貌分类结果如图6所示。为了对比两种分类方法的分类效果, 利用基于样本区域方法对分类结果进行了基于混淆矩阵的分类精度评价, 精度评价的因子包含有总体精度、Kappa系数、生产者精度和用户精度, 精度评价结果见表5。
图6 基于面向对象的支持向量机(SVM)分类结果(a)和随机森林(RF)分类结果(b)

Fig. 6 Object-oriented SVM classification results (a) and RF classification results (b)

表5 基于面向对象的支持向量机(SVM)和随机森林(RF)分类精度

Tab. 5 Object-oriented SVM classification accuracy and RF classification accuracy

SVM分类精度 RF分类精度
PA/% UA/% PA/% UA/%
地貌类型 深礁前斜坡 63.41 84.4 63.41 85.65
浅礁前斜坡 71.05 67.02 43.83 55.63
礁前阶地 82.81 77.86 71.23 75.15
礁脊 100 84.09 98.64 75.7
珊瑚丛生区 100 89.81 100 89.09
珊瑚沉积区 100 100 100 100
点礁 85.97 80.03 88.28 38.05
礁塘 100 93.14 58.35 99.81
潟湖坡 94.14 100 100 100
沙洲 100 100 100 82.47
沙坪 71.54 100 71.54 98.94
植被 100 100 80.69 100
总体精度/% 87.59 79.81
Kappa系数 0.8631 0.7780

注: PA(Producer's Accuracy)为生产者精度, 表示整个研究区内正确分为某类的总像元数与该类实际参考总像元数的比值; UA(User's Accuracy)为用户精度, 表示正确分到某类的总像元数与整个研究区分到该类总像元数的比值

4.2.1 基于样本区域验证
由于研究区域环境复杂, 实地调查困难, 故基于现有的实地调查数据选择样本区域对分类结果进行验证, 保证样本在每个地貌类型中分布均匀(图7)。结果表明, 基于样本区域的验证方法中SVM分类结果的总体精度和Kappa系数分别为87.59%和0.8631(表5), RF分类结果的总体精度和Kappa系数
分别为79.81%和0.7780, 即SVM的总体精度比RF的总体精度高7.78%, 说明SVM的分类效果优于RF的分类效果。两种分类方法的分类精度有差异, 可能是由于SVM方法针对遥感影像分类中的小样本, 而RF分类方法适用于大样本和高维数据的分类。本文中研究区被分割为3062个对象, 全部样本共98个对象, 仅占全部对象的3%, 故SVM方法分类精度较高。
图7 样本区域示意图

Fig. 7 Schematic diagram of sample areas

4.2.2 分类结果分析
从分类结果中可以发现, 珊瑚礁地貌单元的分布具有规律性, 即自海向礁盘中心依次为深礁前斜坡、浅礁前斜坡、礁前阶地、礁脊和珊瑚丛生区、珊瑚沉积区、礁塘、点礁、沙洲、沙坪, 潟湖坡则分布于礁盘背风面边缘。深礁前斜坡面积为4.2km2左右, 活珊瑚覆盖度小于50%, 分布于礁盘最外缘, 其内侧为浅礁前斜坡, 面积约为1km2, 珊瑚几乎达到全覆盖。向礁盘中心依次分布着礁前阶地和礁脊, 面积均较小, 分别约为2.6km2和2km2, 此两种地貌类型的珊瑚覆盖度很低, 甚至为零。珊瑚丛生区和珊瑚沉积区是礁盘中分布最广的地貌类型, 因此是礁盘的主要组成部分, 也是珊瑚的优良生长区, 分布有众多活珊瑚, 两者面积分别约为6.5km2和7km2。礁塘是礁盘中地势最低的部分, 分布在礁盘中心处, 面积约为1km2。点礁主要以点状离散分布于礁塘和潟湖坡中, 总面积约为3.5km2。由于沙洲自沙坪发展而来, 所以沙洲和沙坪一般相邻分布, 两者面积分别约为0.4km2和2km2。沙洲之上发育了植被, 植被面积约0.2km2。潟湖坡为礁盘背风面边缘的扩散性边缘, 面积约为3km2。
通过对各类地貌单元的珊瑚覆盖度进行估算(表6), 研究区的平均珊瑚覆盖度可由如下公式计算得到。
$D=\sum{\frac{{{S}_{i}}}{S}}\times {{d}_{i}}$
式中, D为研究区珊瑚平均覆盖度, ${{S}_{i}}$为各地貌单元面积, ${{d}_{i}}$为各地貌单元珊瑚覆盖度估算值, S为研究区总面积。由式(2)计算得到的研究区珊瑚平均覆盖度约为35.10%~42.58%。
表6 研究区各地貌单元珊瑚覆盖度估算

Tab. 6 Estimated coral coverage of each geomorphic unit in the study area

地貌单元 深礁前斜坡 浅礁前斜坡 礁前
阶地		 礁脊 珊瑚丛生区 珊瑚沉积区 礁塘 点礁 潟湖坡 沙洲 沙坪 植被
覆盖度/% 30~40 80~90 10~20 0 80~90 30~40 0 80~90 0 0 0 0

注: 珊瑚覆盖度估算依据来源于前人研究的相关内容(刘宝银 等, 2014; 左秀玲 等, 2018; 程益锋, 2018; 龚剑明, 2014; 夏东兴 等, 2014); 因潟湖坡和礁塘中的珊瑚均来自点礁, 故仅以点礁这一地貌类型计算珊瑚覆盖度

从分类结果图6a和6b可以看出, 各种地貌类型的空间分布在SVM和RF方法分类结果中较为接近, 两者总体分类趋势一致, 仅有一些细微差异。从目视角度来看, SVM更好地保证了分类结果的地貌完整性, 而RF的地貌分类结果则稍有破碎。两种方法主要的错分情况都出现在礁盘边缘, 即将礁盘边缘的浅礁前斜坡错分为点礁, 导致出现这种错分的原因将在讨论部分进行分析。从目视效果、总体精度和Kappa系数来看, 两种基于面向对象的分类方法均取得了相对较好的分类精度, 总体精度差异不大, 两种分类方法均能较好地将分类体系中各个类型正确识别, 说明本文建立的珊瑚礁地貌单元分类体系能够与现有的遥感影像分类方法相契合, 同时表明这一分类体系可用于珊瑚礁的识别与监测。

4.3 珊瑚礁分类结果影响因素分析

根据本文构建的珊瑚礁地貌单元分类体系可以判断, 图8a中红线框1处为浅礁前斜坡, 红线框2处为点礁。点礁在影像上表现为深蓝色圆斑状, 浅礁前斜坡为连续条带状。但在图8b的分类结果中, 红线框1处被分类为点礁, 因此属于明显错分。图9、图10分别为浅礁前斜坡、礁塘点礁、潟湖坡点礁这3类地貌的影像和影像相应部分的光谱曲线。从图9和图10可以看出, 浅礁前斜坡和礁塘点礁的光谱曲线区别较大, 且浅礁前斜坡和礁塘点礁具有较大的颜色差异。造成这种现象的主要原因是水深的影响, 礁塘点礁分布的水深与浅礁前斜坡所处深度差距大, 故两者的光谱偏差和影像特征差异都较大, 易被识别。
图8 错分区域相应影像(a)及分类结果(b)

Fig. 8 Corresponding images (a) and classification results (b) of misclassified regions

图9 浅礁前斜坡、礁塘点礁和潟湖坡点礁的颜色特征对比

Fig. 9 Comparison of color characteristics of shallow fore reef slope, reef pond patch reef and lagoon slope patch reef

图10 浅礁前斜坡、礁塘点礁和潟湖坡点礁光谱曲线对比

Fig. 10 Comparison of spectral curves of shallow fore reef slope, reef pond patch reef and lagoon slope patch reef

同时从图10还可发现, 浅礁前斜坡与潟湖坡点礁的光谱曲线几乎一致。根据现场调查结果和地貌单元分类体系分析, 这是由于浅礁前斜坡与潟湖坡点礁的活珊瑚覆盖度都较高, 底质沉积物组成近似, 且两者水深都在30m左右, 因此造成了两者在光谱曲线上具有高度一致的特征, 从而也导致了严重错分的出现, 影响了珊瑚礁地貌单元信息提取的精度。
根据错分区域与整个礁盘的相对位置, 结合错分区域的形态、颜色及本文构建的分类体系中的解译标志, 对出现错分问题的区域采用人机交互方法进行修正, 修正结果见图11。对比纠正前的总体精度和Kappa系数, 修正后分类结果的总体精度达到91.3%, Kappa系数为0.9041, 比原始分类结果的精度提高了3.71%, 故改进后的分类结果优于原始分类结果, 说明基于本文所构建的地貌单元分类体系进行分类结果纠正是有效的。
图11 修正后基于面向对象的支持向量机(SVM)分类结果

Fig. 11 Modified object-oriented SVM classification results

5 结论

本文选择七连屿北部赵述岛和西沙洲所在礁盘作为研究区, 以WorldView-2影像为数据源, 以珊瑚覆盖度、区域底质组分和水动力条件等为指标, 构建了珊瑚礁地貌单元分类体系。该体系的地貌类型包括深礁前斜坡、浅礁前斜坡、礁前阶地、礁脊、珊瑚丛生区、珊瑚沉积区、沙洲、沙坪、礁塘、点礁、潟湖坡等, 共11类。为了验证该地貌单元分类体系的全面性和普适性, 利用面向对象的支持向量机(SVM)和随机森林(RF)分类方法对研究区高分辨率遥感影像进行了珊瑚礁地貌单元提取。结果显示, 面向对象的SVM和RF分类方法均能较好地提取出珊瑚礁地貌单元, 提取精度分别为87.59%和79.81%, 说明传统的遥感影像分类方法在珊瑚礁信息提取中能够取得较好的结果, 同时也说明本文所建立的分类体系能够与现有的遥感影像分类方法相契合。针对研究中出现的严重错分现象, 采用本文所构建的地貌分类体系对其进行修正, 修正后SVM分类结果基于样本区域验证的精度达到91.3%, 比原始分类结果精度提高了3.71%, 进一步证明了本文构建的珊瑚礁地貌单元分类体系在珊瑚礁地貌信息提取中的适用性。因此, 本文所构建的珊瑚礁地貌单元分类体系和使用的珊瑚礁地貌信息提取模型在珊瑚礁信息提取方面具有较高的应用价值, 能够为珊瑚礁的管理、保护和珊瑚礁生态系统的恢复重建提供有力的支持。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
陈云浩, 冯通, 史培军, 等, 2006. 基于面向对象和规则的遥感影像分类研究[J]. 武汉大学学报·信息科学版, 31(4):316-320.

CHEN YUNHAO, FENG TONG, SHI PEIJUN, et al, 2006. Classification of remote sensing image based on object oriented and class rules[J]. Geomatics and information science of Wuhan University, 31(4):316-320 (in Chinese with English abstract).

[2]
程益锋, 黄文骞, 吴迪, 等, 2018. 基于高分一号卫星影像的珊瑚岛礁分类方法[J]. 海洋测绘, 38(6):49-53.

CHENG YIFENG, HUANG WENQIAN, WU DI, et al, 2018. Coral reefs classification methods based on GF-1 satellite image[J]. Hydrographic Surveying and Charting, 38(6):49-53 (in Chinese with English abstract).

[3]
佃袁勇, 方圣辉, 姚崇怀, 2016. 多尺度分割的高分辨率遥感影像变化检测[J]. 遥感学报, 20(1):129-137.

DIAN YUANYONG, FANG SHENGHUI, YAO CHONGHUAI, 2016. Change detection for high-resolution images using multilevel segment method[J]. Journal of Remote Sensing, 20(1):129-137 (in Chinese with English abstract).

[4]
龚剑明, 朱国强, 杨娟, 等, 2014. 面向对象的南海珊瑚礁地貌单元提取[J]. 地球信息科学学报, 16(6):997-1004.

DOI

GONG JIANMING, ZHU GUOQIANG, YANG JUAN, et al, 2014. A study on the object-oriented model for geomorphic unit extraction of coral reefs in the South China Sea[J]. Journal of Geo-Information Science, 16(6):997-1004 (in Chinese with English abstract).

[5]
顾海燕, 闫利, 李海涛, 等, 2016. 基于随机森林的地理要素面向对象自动解译方法[J]. 武汉大学学报·信息科学版, 41(2):228-234.

GU HAIYAN, YAN LI, LI HAITAO, et al, 2016. An object-based automatic interpretation method for Geographic features based on random forest machine learning[J]. Geomatics and Information Science of Wuhan University, 41(2):228-234 (in Chinese with English abstract).

[6]
李晓峰, 张树清, 刘强, 等, 2009. 高分辨率遥感影像的快速分割方法[J]. 红外与毫米波学报, 28(2):146-150.

LI XIAOFENG, ZHANG SHUQING, LIU QIANG, et al, 2009. Fast segmentation method of high-resolution remote sensing image[J]. Journal of Infrared and Millimeter Waves, 28(2):146-150 (in Chinese with English abstract).

[7]
李元超, 陈石泉, 郑新庆, 等, 2018. 永兴岛及七连屿造礁石珊瑚近10年变化分析[J]. 海洋学报, 40(8):97-109.

LI YUANCHAO, CHEN SHIQUAN, ZHENG XINGING, et al, 2018. Analysis of the change of hermatypic corals in Yongxing Island and Qilianyu Island in nearly a decade[J]. Acta Oceanologica Sinica, 40(8):97-109 (in Chinese with English abstract).

[8]
刘宝银, 刘琳, 2014. 印度洋马尔代夫环礁发育空间特征——航天遥感融合信息海气关联[M]. 北京: 海洋出版社 (in Chinese).

[9]
仇江啸, 王效科, 2016. 基于高分辨率遥感影像的面向对象城市土地覆被分类比较研究[J]. 遥感技术与应用, 25(5):653-661.

QIU JIANGXIAO, WANG XIAOKE, 2016. A comparative study on object-based land cover classification in high spatial resolution remote sensing imagery of Urban areas[J]. Remote Sensing Technology and Application, 25(5):653-661 (in Chinese with English abstract).

[10]
夏东兴, 边淑华, 丰爱平, 等, 2014. 海岸带地貌学[M]. 北京: 海洋出版社 (in Chinese).

[11]
余克服, 2012. 南海珊瑚礁及其对全新世环境变化的记录与响应[J]. 中国科学:地球科学, 42(08):1160-1172.

YU KEFU, 2012. Coral reefs in the South China Sea: Their response to and records on past environmental changes[J]. Sci China Earth Sci, 42(08):1160-1172 (in Chinese with English abstract).

[12]
曾昭璇, 1982. 中国环礁的类型划分[J]. 海洋通报, (4):46-53 (in Chinese).

[13]
张华, 张改改, 2018. 面向对象的GF-1遥感影像多尺度分割研究[J]. 甘肃农业大学学报, 53(4):116-123.

ZHANG HUA, ZHANG GAIGAI, 2018. Study on multi-scale segmentation of GF-1 remote sensing image with object-oriented method[J]. Journal of Gansu Agricultural University, 53(4):116-123 (in Chinese with English abstract).

[14]
张晓羽, 李凤日, 甄贞, 等, 2016. 基于随机森林模型的陆地卫星-8遥感影像森林植被分类[J]. 东北林业大学学报, 44(6):53-57, 74.

ZHANG XIAOYU, LI FENGRI, ZHEN ZHEN, et al, 2016. Forest vegetation classification of landsat8 remote sensing image based on random forests model[J]. Journal of Northeast Forestry University, 44(6):53-57, 74 (in Chinese with English abstract).

[15]
赵焕庭, 温孝胜, 孙宗勋, 等, 1996. 南沙群岛珊瑚礁自然特征[J]. 海洋学报, 18(5):61-70 (in Chinese).

[16]
周安发, 周家香, 2012. 一种高分辨率遥感影像道路信息提取方法[J]. 遥感技术与应用, 27(1):94-99.

ZHOU ANFA, ZHOU JIAXIANG, 2012. A methodology for road extraction from high resolution remote sensing images[J]. Remote Sensing Technology and Application, 27(1):94-99 (in Chinese with English abstract).

[17]
周旻曦, 刘永学, 李满春, 等, 2015. 多目标珊瑚岛礁地貌遥感信息提取方法——以西沙永乐环礁为例[J]. 地理研究, 34(4):677-690.

DOI

ZHOU MINXI, LIU YONGXUE, LI MANCHUN, et al, 2015. Geomorphologic information extraction for multi-objective coral islands from remotely sensed imagery: A case study for Yongle Atoll, South China Sea[J]. Geographical Research, 34(4):677-690 (in Chinese with English abstract).

[18]
朱海天, 冯倩, 梁超, 等, 2015. 基于随机森林的南沙岛礁分类方法研究, [C]// “一带一路”战略与海洋科技创新——中国海洋学会2015年学术论文集. 北京: 海洋出版社: 99-104(in Chinese).

[19]
左秀玲, 苏奋振, 赵焕庭, 等, 2018. 南海珊瑚礁高分辨率遥感地貌分类体系研究[J]. 地理科学进展, 37(11):1463-1472.

DOI

ZUO XIULING, SU FENZHEN, ZHAO HUANTING, et al, 2018. Development of a geomorphic classification scheme for coral reefs in the South China Sea based on high-resolution satellite images[J]. Progress in Geography, 37(11):1463-1472 (in Chinese with English abstract).

[20]
BREIMAN L, 2001. Random forests[J]. Machine Learning, 45(1):5-32.

DOI

[21]
DONG YANZHU, LIU YONGXUE, HU CHUANMIN, et al, 2019. Coral reef geomorphology of the Spratly Islands: A simple method based on time-series of Landsat-8 multi-band inundation maps[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 157:137-154.

DOI

[22]
FOODY G M, MATHUR A, 2004. A relative evaluation of multiclass image classification by support vector machines[J]. IEEE Transactions on Geoscience and Remote Sensing, 42(6):1335-1343.

DOI

[23]
GOREAU T F, 1959. The ecology of Jamaican coral reefs I. species composition and zonation[J]. Ecology, 40(1):67-90.

DOI

[24]
HAMYLTON S M, CARVALHO R C, DUCE S, et al, 2016. Linking pattern to process in reef sediment dynamics at Lady Musgrave Island, southern great barrier reef[J]. Sedimentology, 63(6):1634-1650.

DOI

[25]
KAYANNE H, AOKI K, SUZUKI T, et al, 2016. Eco-geomorphic processes that maintain a small coral reef island: Ballast Island in the Ryukyu Islands, Japan[J]. Geomorphology, 271:84-93.

DOI

[26]
LEON J, WOODROFFE C D, 2011. Improving the synoptic mapping of coral reef geomorphology using object-based image analysis[J]. International Journal of Geographical Information Science, 25(6):949-969.

DOI

[27]
MUMBY P J, HARBORNE A R, 1999. Development of a systematic classification scheme of marine habitats to facilitate regional management and mapping of Caribbean coral reefs[J]. Biological Conservation, 88(2):155-163.

DOI

[28]
NAYLOR L A, VILES H A, CARTER N E A, 2002. Biogeomorphology revisited: looking towards the future[J]. Geomorphology, 47(1):3-14.

DOI

[29]
PAL M, MATHER P M, 2005. Support vector machines for classification in remote sensing[J]. International Journal of Remote Sensing, 26(5):1007-1011.

DOI

[30]
PHINN S R, ROELFSEMA C M, MUMBY P J, 2012. Multi-scale, object-based image analysis for mapping geomorphic and ecological zones on coral reefs[J]. International Journal of Remote Sensing, 33(12):3768-3797.

DOI

[31]
ROELFSEMA C, KOVACS E, ORTIZ J C, et al, 2018. Coral reef habitat mapping: A combination of object-based image analysis and ecological modelling[J]. Remote Sensing of Environment, 208:27-41.

DOI

[32]
SHEN JIANWEI, JOHNSON M E, FU FEIXUE, et al, 2017. Seasonal wind patterns influence the configuration and geomorphology of insular reef systems: Yongxing Island, Xisha Islands, China[J]. Geological Journal, 53:754-766.

DOI

[33]
SPALDING M D, GREEN E P, RAVILIOUS C, 2001. World atlas of coral reefs[M]. California: University of California Press.

[34]
SPENCER T, VILES H, 2002. Bioconstruction, bioerosion and disturbance on tropical coasts: coral reefs and rocky limestone shores[J]. Geomorphology, 48(1-3):23-50.

DOI

[35]
STODDART D R, 2008. Ecology and morphology of recent coral reefs[J]. Biological Reviews, 44(4):433-498.

DOI

[36]
VAPNIK V N, 2000. Direct methods in statistical learning theory[M]// The Nature of Statistical Learning Theory. New York, NY: Springer.

[37]
VILES H A, NAYLOR L A, 2002. Editorial[J]. Geomorphology, 47(1):1-2.

DOI

Options
Outlines

/

〈 〉