Mangrove species classification in the Hainan Bamen Bay based on GF optics and fully polarimetric SAR

  • ZHANG Chengfei , 1, 2 ,
  • REN Guangbo 2 ,
  • WU Peiqiang , 2 ,
  • HU Yabin 2 ,
  • MA Yi 2 ,
  • YAN Yu 3 ,
  • ZHANG Jingrui 4
Expand
  • 1. College of Geodesy and Geomatics, Shandong University of Science and Technology, Qingdao 266590, China
  • 2. The First Institute of Oceanography, Ministry of Natural Resources, Qingdao 266061, China
  • 3. National Satellite Marine Application Center, Beijing 100081, China
  • 4. College of Oceanography and Space Informatics, China University of Petroleum, Qingdao 266580, China
WU Peiqiang. email:

Copy editor: YIN Bo

Received date: 2022-05-03

  Revised date: 2022-07-05

  Online published: 2022-07-11

Supported by

National Natural Science Foundation of China(42106179)

Natural Resources Satellite Remote Sensing Operational Service System(121168000000190033)

High Resolution Marine Resources and Environment Remote Sensing Information Processing and Business Application Demonstration System (Phase Ⅱ)(41-Y30F07-9001-20/22)

Abstract

A Reasonable interspecific composition structure of mangrove is the premise of effectively bringing into play the ecological value of mangrove wetland, and clear information of interspecific distribution of mangrove is an effective basis for mangrove ecosystem management and planning. For the mangrove wetland in the Hainan Bamen bay, based on GF-3 fully polarimetric Synthetic Aperture Radar (SAR) and GF-6 multi-spectral remote sensing data, 35 mangrove remote sensing features were extracted, and the importance ranking, feature screening and inter-species classification of mangrove were carried out using eXtreme Gradient Bo3osting (XGBoost) algorithm. The accuracy of XGBoost was compared with the traditional Support Vector Machine (SVM) and Random Forest (RF) machine learning algorithms, and the classification accuracy of three feature combination methods (preferred feature, multispectral feature and full polarization SAR feature) is compared based on the XGBoost algorithm.The purpose is to explore the applicability of XGBoost to mangrove interspecific classification and the ability of optical and fully polarized SAR data for mangrove interspecific classification. The results showed that: 1) The dominant features of mangrove species identification were multi-spectral spectral bands, polarization decomposition parameters, spectral vegetation index, and only the first eight (G, B, Ys, NIR, EVI, RVI, NDVI, Fs) were used to achieve high classification accuracy. 2) XGBoost has the highest overall classification accuracy of 86.16%, and Kappa has 0.836. The classification accuracy of this algorithm is 3% ~ 8% higher than SVM and RF. The accuracy of mangrove interspecific classification using multispectral and fully polarimetric SAR was 10% ~ 12% higher than that used multispectral or fully polarimetric SAR alone. 3) The total area of mangroves in the Bamen bay was 797.58 hm2, and there were 9 dominant true mangrove species, Avicennia marina, Bruguiera sexangular, Rhizophora stylosa, Sonneratia alba, Rhizophoraceae, Bruguiera gymnorrhiza, Lumnitzera racemosa Willd, Rhizophora apiculate, and Excoecaria agallocha Linn. The area of Sonneratia alba and Lumnitzera racemosa Willd were larger, accounting for 45.46% and 21.21% of the total mangrove area, respectively. In this paper, the interspecific classification of mangroves in the Bamen bay, Hainan province was studied based on high-resolution optics and fully-polarimetric SAR, which can provide data support and technical support for the protection and management of mangrove ecosystem.

Cite this article

ZHANG Chengfei , REN Guangbo , WU Peiqiang , HU Yabin , MA Yi , YAN Yu , ZHANG Jingrui . Mangrove species classification in the Hainan Bamen Bay based on GF optics and fully polarimetric SAR[J]. Journal of Tropical Oceanography, 2023 , 42(2) : 153 -168 . DOI: 10.11978/2022096

红树林是指热带和亚热带海岸潮间带的木本植物群落, 是世界上生产力最高的生态系统之一, 拥有巨大的生物多样性(林鹏, 2001; Meera et al, 2021)。红树林生态系统具有极其重要的生态价值和社会经济价值, 具有护堤固滩、净化水质、促淤造陆等功能(何海军 等, 2015)。红树林生态系统还是重要的蓝色碳汇来源, 在减缓全球气候变暖过程中发挥着重要作用(Duarte et al, 2004), 又因不同种类红树的适宜生长环境、单株结构等特点不同, 它们的固碳能力(李森 等, 2020)和单株价值(范航清 等, 2022)也具有明显差异, 合理的红树种间结构是维护生态平衡、有效发挥湿地价值的前提。近年来, 由于人类的过度开发和环境污染, 红树林遭受了严重的损失和退化(Friess et al, 2019), 原有的树种组成结构遭到破坏。对红树林实施精确的种间分类可以为管理部门开展红树育种造林工作提供决策支持, 从而扭转红树林面积减少的趋势, 恢复红树林生态系统的结构和功能(Luo et al, 2010), 目前亟需开展精确的红树林的种间分类工作, 以促进红树林生态系统的保护和治理。
遥感技术具有大尺度、快速、准确等优势, 已广泛地应用于红树林监测工作(Chen et al, 2009; Bryan-Brown et al, 2020)。随着高空间分辨率(空间分辨率< 10m)影像数据的出现及商业化应用程度的提高, 为红树林种间类型识别提供了数据基础(苏岫 等, 2011)。目前, 已有大量学者利用高分辨率光学遥感影像从像素尺度(Li et al, 2019)、对象尺度(郑艺 等, 2019; Zhang et al, 2021)开展了红树林种间分类研究, 发现基于对象的方法分类效果要优于传统的基于像素的方法(Wang et al, 2018; 马云梅 等, 2019)。然而由于部分红树林种类之间的光谱和纹理差别较小和云雾遮挡频繁, 导致光学数据获取困难且分类精度提升困难。
与光学遥感相比, 合成孔径雷达(synthetic aperture radar, SAR)是一种先进的主动式微波对地观测设备, 具有全天候、全天时工作的特点, 对地面植被有一定穿透能力, 能提供用于描述植被空间结构的信息。大量研究发现, 基于极化SAR提取的极化分解参数、雷达植被指数等可以应用于森林参数反演(Cloude et al, 1996; Abdullahi et al, 2016; Manabu et al, 2017)、图像目标识别(Yu et al, 2020)等领域。另外, 光学遥感和SAR可以相互补充, 能够提供用于描述红树林光谱、纹理、空间结构等特征的信息, 联合二者可以提高红树林种间分类精度(Held et al, 2003; Zhang et al, 2018; Zhen et al, 2018)。Xia等(2020)利用哨兵-1 (Sentinel-1)双极化合成孔径雷达(SAR)、哨兵-2 (Sentinel-2)多光谱和高分三号(GF-3)全极化SAR数据进行红树林群落分类, 发现Sentinel-2和GF-3数据集的综合分类效果最好, GF-3全极化数据优于双极化Sentinel-1数据。目前, 结合高分光学与全极化SAR数据的红树林种间分类研究相对匮乏, 二者对于红树林种间分类的能力亟待探索。
海南八门湾红树林湿地具有众多宝贵的红树林种类资源, 在抵挡风浪、保护生物多样性等方面起到了重要作用, 该地现有的研究仅限于实地种群适应能力调查(郑德璋 等, 1995; 农寿千 等, 2011), 以及湾内小范围的红树林种间分类(Jiang et al, 2021), 而对于整个八门湾区域内红树种间分类的研究尚处于空缺状态。本文以海南省八门湾为研究区, 基于高分六号(GF-6)高分辨率影像和GF-3全极化SAR数据, 提取了多光谱影像特征和全极化SAR特征, 利用极端梯度提升树(eXtreme gradient boosting, XGBoost)机器学习分类算法开展了红树林种间分类研究, 本研究的目的是: 1) 利用XGBoost进行特征筛选, 探究有利于红树林种间类型识别的优势特征; 2) 利用XGBoost算法结合优选特征开展海南八门湾红树林种间分类实验和精度评价, 探索XGBoost与高分光学和全极化SAR结合在红树林种间分类中的适用性; 3) 统计研究区不同红树类型的面积及分析其空间分布特点, 为红树林生态系统的保护和治理提供数据支撑。

2 研究区概况和数据源

2.1 研究区概况

研究区位于我国海南岛东北方向的八门湾(图1), 该地具有热带和亚热带气候的特点, 属热带海洋性季风气候, 年均气温23.2℃, 年均降水量2000mm (徐晓然 等, 2018)。海湾深入内陆, 形成了口窄内宽的漏斗状, 七差河和文教河汇流于湾内, 沿岸淤泥丰富, 风浪微弱, 适合红树林繁衍发展。该地是海南清澜红树林省级自然保护区红树林面积最大、最集中、品种最齐全的核心区域, 共有海莲、海桑、角果木、榄李等32个树种, 是全国红树林分布最集中、品种最多的区域之一(杨众养 等, 2017)。
图1 研究区地理位置(a)、研究区GF-6影像(b)、研究区内不同极化方式的GF-3影像(c)

基于标准地图服务网(http://bzdt.ch.mnr.gov.cn)下载的审图号为GS(2019)3266的标准地图制作, 底图无修改。图a中黑色方框为图b和图c各图位置。HH表示水平发射水平接收, HV表示水平发射垂直接收, VH表示垂直发射水平接收, VV表示垂直发射水平接收

Fig. 1 Geographical location of the study area (a), GF-6 image of the study area (b), Gf-3 images of different polarization modes in the study area (c). HH indicates horizontal transmission and horizontal reception, HV reveals horizontal transmission and vertical reception, VH indicates vertical transmission and horizontal reception, and VV indicates vertical transmission and horizontal reception

2.2 数据与处理

2.2.1 遥感数据与处理

GF-6具有高分辨率、宽覆盖、高质量成像、高效能成像等特点, 光谱波段分别为全色、蓝、绿、红、近红外波段, 多光谱波段空间分辨率为8m, 全色波段空间分辨率为2m。本文利用遥感图像处理软件对GF-6影像进行了辐射定标、大气校正, 将像元亮度值(digital number, DN)值转化为大气顶层辐射亮度。并对全色数据进行辐射定标, 采用格拉姆-施密特(Gram-Schmidt, GS)变换方法将全色与多光谱数据进行图像融合, 既保持了融合前后图像光谱曲线的一致性, 又可以提高图像的空间分辨率, 有助于后续影像分割边界更为细致。并根据现场采集的16个现场站点的经纬度信息(图1b), 对影像进行了几何校正, 校正误差控制在1个像元以内。
GF-3卫星是我国首颗分辨率达到1m的C频段多极化合成孔径雷达(SAR)卫星。本次选取两景GF-3全极化条带1数据, 含4种极化方式HH (水平发射水平接收)、HV (水平发射垂直接收)、VH (垂直发射水平接收)、VV (垂直发射垂直接收), 利用极化SAR处理软件对GF-3数据进行辐射定标、复数据转换、多视处理、Lee滤波等预处理, 最后进行地理编码, 编码后的数据空间分辨率为8m。同样根据现场采集的16个现场站点的经纬度信息, 对极化SAR影像进行了几何校正, 校正误差控制在1个像元以内。本研究中使用的数据来源于中国海洋卫星数据服务系统(https://osdds.nsoas.org.cn/), 参数详情见表1
表1 遥感数据参数介绍

Tab. 1 Parameters of remote sensing data

卫星 传感器 成像时间 波段信息 空间分辨率/m 幅宽/km
高分六号 全色/多光谱相机 2021年5月21日 红(0.63 ~ 0.69μm)/绿(0.52 ~ 0.60μm)/蓝(0.45 ~ 0.52μm)/近红外(0.76 ~ 0.90μm) 8 >90
全色(0.45 ~ 0.90μm) 2
高分三号 合成孔径雷达 2021年3月23日 水平发射水平接收/水平发射垂直接收/垂直发射水平接收/垂直发射垂直接收 8 30

2.2.2 现场数据

于2021年7月27—29日对研究区内红树林进行实地踏勘, 获取了16个站位的现场调查数据, 包括红树类型和分布、生长状况、组分、经纬度等信息, 现场调查站位如图1b所示。由于红树林分布于潮间带淤泥滩, 现场调查困难, 为此利用大疆无人机获取了红树林纵深片区的高清照片和视频。经现场调查发现, 研究区内共有杯萼海桑、木榄、榄李、海莲、红海榄、正红树、角果木、海漆和白骨壤等9种优势真红树。其中, 杯萼海桑为该地先锋物种, 分布范围较广; 木榄和海莲同为木榄属, 存在部分混生现象, 多为成熟林; 红海榄和正红树分布密度不高, 二者外观相似, 通过目视较难区分; 角果木林密度较大, 林分较纯, 树高相对统一; 白骨壤、海漆等树种分布面积较少, 多呈零星分布。结合现场调查数据, 建立不同红树种类的光学和全极化SAR影像解译标志(表2), 其中GF-6为近红外、红、绿3波段假彩色合成, GF-3为基于Yamaguchi极化分解的面散射分量(Yamaguchi_surf, Ys)、基于 Freeman分解的面散射分量(Freeman_surf, Fs)、体散射分量(Freeman_vol, Fv) 3分量组合。
表2 红树林类型及遥感影像解译描述

Tab. 2 Mangrove types and interpretation of remote sensing images

红树种类 现场照片 GF-6影像 GF-3影像 红树属性及影像特征
白骨壤(Avicennia marina) 小叶、耐盐、耐淹、常绿灌木或小乔木、常分布于淡水注入较少的海湾区域。影像纹理略粗糙, 色调较均一, GF-6影像为暗红色, GF-3影像为紫色
海莲(Bruguiera sexangula) 木榄属乔木或灌木, 生于滨海盐滩或潮水到达的沼泽地。影像纹理较平滑, 色调较均一, GF-6影像为亮红色, GF-3影像为白色
红海榄(Rhizophora stylosa Griff) 支柱根、常绿乔木或灌木、较耐盐、多分布于河口外侧盐度较高的红树林内滩。影像纹理粗糙, 色调略杂乱, GF-6影像为暗红色, GF-3影像为紫色
杯萼海桑(Sonneratia alba Sm) 海桑属灌木或乔木, 生于滨海泥滩和河流两侧而潮水到达的红树林群落中。影像纹理粗糙, 色调较均一, GF-6影像为暗红色中掺杂白色斑点, GF-3影像为灰绿色
角果木(Ceriops tagal) 灌木或乔木, 耐盐性较强, 生于潮涨时仅淹没树干基部的泥滩和海湾内的沼泽地。影像纹理平滑细腻, 色调均一, GF-6影像为暗红色, GF-3影像浅红色
木榄(Bruguiera gymnorrhiza) 常绿乔木或灌木, 耐淹能力较差、多分布于红树林内滩。影像纹理略粗糙, 色调较均一, GF-6影像为亮红色, GF-3影像为灰绿色
榄李(Lumnitzera racemosa Willd) 使君子科、榄李属常绿灌木或小乔木, 喜生于中潮滩或高潮滩。影像纹理较平滑, 色调均一, GF-6影像为暗红色, GF-3影像为浅紫色
正红树(Rhizophora apiculata Bl) 常绿小乔木或灌木, 分布于海浪平静、淤泥松软的浅海盐滩或海湾内的沼泽地。影像纹理平滑, 色调均一, GF-6影像为深红色, GF-3影像为蓝色
海漆(Excoecaria agallocha Linn) 大戟科海漆属植物, 常绿乔木, 生于海陆交错区的高潮带或超高潮带的盐碱地上。影像纹理略粗糙, 色调较均一, GF-6影像为浅红色, GF-3影像为蓝绿色

3 研究方法

本文利用GF-6的多光谱和GF-3的全极化SAR数据开展红树林种间分类研究, 包括以下步骤: 1) 红树林范围界定与面向对象的样本选择; 2) 从GF-6和GF-3数据中提取红树林的光谱、纹理和全极化SAR特征; 3) 利用XGBoost开展特征重要性排序和优势特征筛选; 4) 利用XGBoost、SVM、RF算法对八门湾红树林进行种间分类和精度评价; 5) 进行八门湾红树林类型空间分布特征分析。图2为总体实验流程。
图2 实验流程

NIR为近红外波段, SVM为支持向量机, XGBoost为极端梯度提升, RF为随机森林

Fig. 2 Experimental workflow. NIR is near infrared band, SVM is support vector machine, XGBoost is eXtreme gradient boosting, RF is random forest

3.1 红树林范围界定与面向对象的样本选择

红树林区域提取的步骤如下: 首先, 结合现场调查数据和八门湾岸线, 通过人机交互方式, 利用地理信息系统软件(ArcGIS)对经过预处理的GF-6影像进行陆地区域掩膜, 去掉没有红树植物生长的陆地部分的干扰。其次, 近红外(NIR)波段可以很好地将水体和非水体进行区分(杜云艳 等, 1998), 将反射率阈值设置为 NIR < 1300, 可去除红树林区域内的水体部分。利用归一化植被指数(normalized difference vegetation index, NDVI)可以有效区分植被和滩涂, 将NDVI阈值设置在0.4 ~ 0.9, 得到完整的红树林分布范围(图3), 然后根据提取的红树林矢量边界提取全极化SAR影像。
图 3 红树林提取结果(a)及样本选择示意图(b ~ e)

图b ~ e中背景为遥感影像, 不同色块为对应的红树林树种

Fig. 3 Schematic diagram of mangrove extraction results (a) and sample selection (b ~ e). In Fig. b ~ e, the background is remote sensing image, and different color blocks are corresponding mangrove tree species

红树林树种之间存在较为严重的“同谱异物”现象, 基于传统的像素分类方法难以做到有效区分, 而面向对象的方法利用分割对象的平均光谱值代替单个像素的光谱值可以克服像元误分的问题, 这种方法充分利用影像的纹理、形状特征, 最小化对象内部差异, 是目前较适合于高空间分辨率遥感影像的分类方法。为了确保样本对象的同质性, 对提取出的红树林区域进行多尺度分割, 将现场样本点所在的图像对象转换成用于分类实验的样本, 经过多次参数调整发现, 将分割参数设定为形状参数0.1, 紧致度0.9, 尺度参数5, 可以保证每一个同质对象是相同树种, 又很好地解决了图像中的“椒盐”噪声问题(图3)。经过对比16个现场调查站点和无人机红树林照片, 本次在遥感影像中共选取2669个分割对象作为样本, 其中白骨壤 86个, 海莲308个, 红海榄165个, 杯萼海桑402个, 角果木332个, 榄李580个, 木榄511个, 正红树173个, 海漆112个, 其中70%用于分类模型训练, 30%用于精度验证。

3.2 多维度特征提取

3.2.1 多光谱影像特征

光谱特征反映了地物反射或发射电磁波能量的大小, 是地物特征性状直观的反映, 现有研究表明(Zulfa et al, 2021), 利用遥感影像的光谱信息可以有效区分红树林物种。纹理特征能够反映红树林影像的差异性、复杂性和相关性等特征, 目前已广泛应用于树种分类的研究, 且得到了显著效果(Dian et al, 2015; Ferreira et al, 2019)。本文利用eCognition9.2软件的特征提取模块, 提取了多光谱4个波段反射率的平均值 3个植被指数, 以及基于灰度共生矩阵的常用的8个纹理特征(表3)。
表3 GF-6多光谱特征

Tab. 3 Multispectral characteristics of GF-6

遥感特征 名称 公式 出处
光谱波段反射率 B1 ~ B4 ρ R / ρ G / ρ B / ρ NIR
植被指数 归一化植被指数(NDVI) ρ NIR ρ R ρ NIR + ρ R Rouse等(1974)
增强型植被指数(enhanced vegetation index, EVI) 2.5 ( ρ NIR ρ R ρ NIR + 6 ρ R 7.5 ρ B + 1 ) Liu等(1995)
比值植被指数(ratio vegetation index, RVI) ρ NIR ρ R Pearson等(1972)
纹理参数 相关性(correlation) i , j = 1 N ( i M E ) ( j M E ) P i , j 2 V ar Haralick等(1973)
同质性(homogeneity) i , j = 1 N P i , j 1 + i j
对比度(contrast) i , j = 1 N ( i j ) 2 P i , j
标准偏差(standard deviation) i 2 p i , j M E 2
二阶矩阵(second moment) i , j = 1 N P i , j 2
相异性(dissimilarity) i , j = 1 N P i , j i j
均值(mean) i , j = 1 N i P i , j
信息熵(entropy) i , j = 1 N P i , j ( ln P i , j )

注: ρ R / ρ G / ρ B / ρ NIR分别为多光谱蓝、绿、红、近红外波段的反射率; Pi,j为第i行第j列处像元的亮度值占窗口中所有像元亮度值的比例; N为计算纹理特征时窗口的大小; ME为均值; Var为方差

3.2.2 全极化SAR特征

SAR 数据能够反映地表起伏和植被垂直结构信息, 能提供用于描述红树空间结构的特征。研究表明, 利用全极化SAR的后向散射系数、极化分解参数、雷达植被指数等特征可以较好地获取森林地区物理参数(Gupta et al, 2017)和提高红树林物种分类精度(Xia et al, 2020)。本文利用极化SAR处理软件提取了GF-3 4种极化方式的后向散射系数、极化分解参数、极化相关系数、以及雷达植被指数等20个特征(表4)。
表4 GF-3全极化SAR特征

Tab. 4 SAR characteristics of GF-3

遥感特征 名称 公式 出处
极化图像波段特征 HH/HV/VH/VV S HH/ S HH/ S HH/ S HH Souyris等(1995)
极化相关特征 共极化相干因子(polcoe) C 11 C 33 C 13 Henderson等(1998)
HH与HV相关系数
(ρHH-HV)
S HH S HV * S HH S HH * S HH S HV * Souyris等(1995)
VV与HV相关系数
(ρVV-HV)
S VV S HV * S VV S VV * S HH S HV * Souyris等(1995)
归一化圆极化基相关系数(NCCC) 1 + 4 Re S HV * S HH S VV 2 2 S HH S VV 2 2 S HV 2 2 1 / 2 1 4 Im S HV * S HH S VV 2 2 S HH S VV 2 2 + S HV 2 2 1 / 2 杨杰等(2012)
极化分解特征 Freeman分解 体散射分量
(Freeman_vol, Fv)
3 S VV 2 Freeman等(1998)
二次散射分量(Freeman_dbl, Fd) β S VV 2 S HH S VV β α
面散射分量
(Freeman_surf, Fs)
α S VV 2 S HH S VV α β
雷达植被指数(RVI_Freeman) F v F s + F d + F v
Yamaguchi分解 体散射分量(Yamaguchi_vol, Yv) 15 4 2 S HV 2 I m S HV ( S HH S VV ) Yamaguchi等(2011)
二次散射分量(Yamaguchi_dbl, Yd) 1 + α 2 β S VV 2 S HH S VV β α
面散射分量(Yamaguchi_surf, Ys) 1 + β 2 α S VV 2 S HH S VV α β
螺旋散射分量(Yamaguchi_cir, Yc) 2 I m S HV ( S HH S VV )
H/A/ α -分解 极化熵H (entropy) i = 1 2 ( λ i λ 1 + λ 2 log 2 λ i λ 1 + λ 2 ) Cloude等(1996)
极化各向异性A (anisotropy) i = 1 2 ( λ i λ 1 + λ 2 cos 1 ( e i ) )
极化散射角 α - (alpha) λ 1 λ 2 λ 1 + λ 2
Van雷达植被指数(RVI_Van) 4 λ 3 λ 1 + λ 2 + λ 3 Zyl等(2016)

注: C为协方差矩阵, T为相干矩阵, S为极化散射矩阵; αβ为Freeman基于相干差矩阵分解的参数; λiei为Cloud基于相干矩阵分解的特征值和特征向量

3.3 XGBoost

极端梯度提升树(XGBoost)是Chen等(2016)提出的一种基于集成学习原理的机器学习算法, 与传统的梯度提升算法相比, XGBoost进行了损失函数二阶泰勒展开、特征并行分裂、加入正则化项等改进, 它能够比其他梯度提升的集成算法更加快速和准确, 并被广大学者认为是在分类和回归上都拥有超高性能的先进评估器。该方法以CART决策树为基分类器, 其核心是不断地添加树, 不断地进行特征分裂来生长一棵树, 每次添加一棵树, 其实是学习一个新函数, 去拟合上次预测的残差。样本输入到每棵树中会落到对应的一个叶子节点, 每个叶子节点会得到一个预测分数, 最后将每棵树对应的分数相加, 得到该样本的预测值。其目标函数为:
O bj = i = 1 n l y i , y ^ i + k = 1 K Ω f k
式中: Obj表示目标函数, i代表数据集中的第i个样本, n为导入第k棵树的数据总量, l ( y i , y ^ i ) 表示传统的损失函数, 用来衡量真实值与预测值之间的误差, K表示建立的所有树。第二项是正则化项, 用于控制模型的复杂度防止模型过拟合, 其中每棵树的复杂度 Ω ( f )定义为:
Ω f = γ T + 1 2 λ ω 2
式中: γλ为人工设置的参数, T是叶子节点数, ω是每个叶子的得分。
另外, 当训练特征维度过高时, 会出现算法过拟合问题, 本研究利用XGBoost算法的特征重要性排序模块对特征进行排序和筛选, 当某一特征对模型持续带来增益时, 该特征会一直分裂, 分裂次数越多, 增益越高, 每个特征最终分裂的次数即为特征的得分值, 作为特征排名的依据。

3.4 精度评价

本文利用混淆矩阵法对红树林物种分类结果进行精度评价, 具体评价指标包含: 总体精度(overall accuracy, OA), 表示预测正确的样本占总样本的比例, 即分类结果与样本所对应的实际类别相一致的概率; 制图精度(producer accuracy, PA), 表示在此次分类中, 该类别的地面真实参考数据被正确分类的概率; 用户精度(user accuracy, UA), 表示在该次分类中, 在分类图上, 落在该类别上的检验点, 被正确分类为该类别的概率; Kappa系数是一个用于一致性检验的指标, 常用来衡量分类的效果。具体公式如下:
UA = x i i x i +
PA = x i i x + i
OA = i = 1 n x i i N
Kappa = N i = 1 n x i i i = 1 n x i + x + i N 2 i = 1 n x i + x + i
式中: xii为第ii列的样本数; xi+为分类结果中第i类的总和; x+i为第i类真实样本数据的总和; n为类别的数量; N为样本总数。

4 结果与分析

4.1 特征选择结果

本文利用XGBoost的特征重要性排序功能对多光谱与全极化SAR提取的35个特征进行了特征重要性排序(图4a)。为了验证特征排名的合理性, 分别选择重要性排名较高和较低的共 12个特征, 将红树林样本的每个特征值范围归一化, 得出不同特征下的物种响应差异(图5)。为了验证排序后的遥感特征在红树林分类中的作用, 引入在红树林分类中应用比较成熟的支持向量机(SVM)(马云梅 等, 2021)和随机森林(RF) (Chan et al, 2008)分类算法, 按特征重要性排序, 每次减少1个重要性排名最低的特征, 分别利用XGBoost、SVM、RF算法进行不同特征个数的红树种间分类实验, 每组实验进行多次算法网格调参, 并选择总体分类精度最高的一组作为最佳参数, 最后得出特征数量与3种分类器总体分类精度(OA)的关系(图4b)。
图4 特征重要性排序(a)和特征数量与总体精度的关系(b)

Fig. 4 Feature importance ranking (a) and relationship between feature quantity and overall accuracy (b)

图5 不同特征波段的红树种类响应差异

Fig. 5 Response difference of mangrove species in different characteristic bands

图4a可以看出, 35个特征中, 多光谱特征和极化SAR特征分别表现出了各自的优势, 优势特征依次为多光谱的光谱波段、极化分解参数、光谱植被指数。排名前十位的特征中, 多光谱特征有6个(G、B、NIR、EVI、RVI、NDVI), 极化SAR特征有4个(YsFsFv、RVI_Van)。从图5可以看出, 绿、蓝、近红外波段反射率的不同种类红树林响应差异较为明显, 例如, 杯萼海桑与白骨壤的归一化绿色波段反射率没有重叠区间, 白骨壤范围为0.2 ~ 0.3, 杯萼海桑为0.3 ~ 0.5。正红树、海莲、白骨壤、榄李等树种的归一化近红外反射率都没有重叠区间, 且浮动区间较窄。同样, 因增强型植被指数(EVI)、比值植被指数(RVI)由近红外、红、蓝三波段的反射率计算得出, 二者的排名也较高。极化面散射成分对地物的表面起伏具有较好的表现能力, 而不同红树种类的冠层起伏具有明显差异, 特别是白骨壤、海莲、杯萼海桑、正红树等树种的Fs特征分布区间互不重叠, 因此基于Yamaguchi分解的面散射分量(Ys)和基于Freeman分解的面散射分量(Fs)的重要性也较高, 分别排在第三位和第七位。而前人研究发现(邹斌 等, 2009; 邵永社 等, 2011), 螺旋散射分量(Yc)仅对城区建筑等具有复杂几何结构的地物响应明显, 因此本次实验中Yc的重要性排名较为靠后。值得注意的是, 排名靠后的特征大部分为纹理参数, 在图5中表现为: 多种红树林的对比度(contrast)和相异性(dissimilarity)的归一化数值存在大量重叠区间, 且范围较广, 这可能是因受图像分辨率限制, 当分割尺度缩小的时候, 每个图像对象不能很好表现出其原有的纹理造成的。
图 4b看出, 3种分类算法的红树种间分类精度是随着优势特征数量增加而提高的, 这表明XGBoost的特征排序结果是相对客观的、合理的。另外, 当优势特征的数量达到8个时, 3种分类器的总体分类精度已经达到 86.61%、83.04%、78.23%, 随着特征数量的增加, 总体精度提升不大, 因此可将G、B、Ys、NIR、EVI、RVI、NDVI、Fs此8个优势特征作为红树林种间分类的优选特征。

4.2 红树林种间分类结果

本文利用3种分类算法和优选特征开展了八门湾红树林种间分类实验。另外, 为了评估高分光学与全极化SAR相结合相对于单一类型数据对红树林种间识别能力的差异, 利用分类效果最好的XGBoost算法开展了针对3种特征组合(优选特征、多光谱特征、全极化SAR特征)的红树种间分类实验, 并对以上实验进行分类结果制图(图6)和定量精度评价(表5)。
图6 红树林种间分类结果

a. XGBoost+优选特征; b. SVM+优选特征; c. XGBoost+多光谱特征; d. RF+优选特征; e. XGBoost+全极化SAR特征; f. 现场样本

Fig. 6 Results of interspecific classification of mangroves. (a) XGBoost + preferred features; (b) SVM + preferred features; (c) XGBoost + multispectral features; (d) RF + preferred features; (e) XGBoost + fully polarimetric SAR features; (f) field samples

表5 分类精度评价

Tab. 5 Classification accuracy evaluation %

支持向量机 随机森林 极端梯度提升树
优选特征 优选特征 优选特征 多光谱特征 全极化SAR特征
PA/% UA/% PA/% UA/% PA/% UA/% PA/% UA/% PA/% UA/%
白骨壤 76.47 65.00 100.00 83.33 94.74 90.00 66.67 50.00 85.71 85.71
海莲 84.93 69.66 86.25 75.82 82.47 89.89 87.38 63.22 79.01 74.42
红海榄 64.86 63.16 83.33 65.79 84.38 71.05 76.67 50.00 71.05 62.79
杯萼海桑 85.71 80.95 86.51 85.83 90.60 84.13 83.78 80.17 64.23 69.91
角果木 82.19 88.24 95.00 98.70 95.59 95.59 88.16 89.33 83.16 90.80
榄李 72.73 74.32 80.55 83.82 85.48 86.89 68.06 77.84 74.25 76.54
木榄 72.67 78.99 72.39 82.27 77.30 78.99 67.84 81.69 69.28 65.84
正红树 90.20 97.87 94.87 90.24 94.00 100.00 91.67 89.80 90.00 91.84
海漆 81.08 85.71 76.66 74.19 88.24 85.71 73.33 64.71 81.82 69.23
总体精度/% 78.23 83.04 86.16 76.22 74.77
Kappa系数 0.7417 0.9800 0.8359 0.7174 0.7033
对所用3种分类算法的参数进行多次调整, 当分类精度趋于稳定时作为最终结果输出, 其中, XGBoost和RF为默认的交叉熵损失函数(softmax), XGBoost 算法的主要参数为: 每棵树的学习率(learning_rate); 树的个数(n_estimators); 树的最大深度(max_depth); 叶子结点需要的最小损失(gamma)。RF的主要参数为树的个数(n_estimators); 树的最大深度(max_depth); 最大特征数(max_features)。SVM选择径向基函数(radial basis function, RBF)作为核函数, 含惩罚系数(penalty)、gamma两项参数, 各组实验算法参数设定如表6
表6 各组实验的算法参数

Tab. 6 Algorithm parameters of each group of experiments

实验组别 算法参数
SVM+优选特征 Kernel Type: 'RBF' Penalty=185; gamma=0.0001
RF+优选特征 n_estimators=120; max_depth=15; max_features=8
XGBoost+优选特征 learning_rate=0.06; n_estimators=252; max_depth=5; gamma=0.2
XGBoost+多光谱特征 learning_rate=0.09; n_estimators=10; max_depth=5; gamma=0.8
XGBoost+全极化SAR特征 learning_rate=0.09; n_estimators=10; max_depth=6; gamma=0.9
通过表5可以看出, XGBoost相对于SVM和RF表现出了明显的优势, 总体分类精度为86.16%, Kappa系数为0.8359, 总体精度比SVM和RF高3% ~ 8%。从图5可看出, XGBoost 较好地将七差河北岸的海莲正确分类, RF次之, 将少数海莲误分为木榄, 而SVM将七差河北岸大部分海莲误分成木榄, 并将部分杯萼海桑误分成红海榄。另外, 因八门湾东北角养殖塘周围的木榄和榄李呈零星分布, 被杯萼海桑包围其中, 没有形成成片的区域, 分割斑块内的特征只属于杯萼海桑这一物种, 3种分类器都存在错分和漏分的现象。
对比XGBoost与不同特征组合的分类精度可以看出, 优选特征比多光谱特征的总体分类精度提高了约10%, 比全极化SAR特征提高了约12%。其中, 优选特征下白骨壤、角果木、榄李的总体分类精度相比多光谱和全极化SAR特征有明显提高, 多光谱特征和全极化SAR特征分别表现出了各自的优势。根据现场调查发现, 白骨壤和杯萼海桑的冠层整体颜色和叶片疏密程度相接近, 因此仅利用多光谱特征对二者的区分能力并不高, 特别是白骨壤的用户精度仅为50%, 而杯萼海桑的树高要比白骨壤明显要高、冠幅明显要大, 全极化SAR特征的加入, 两树种之间的空间结构差异被显现出来, 分类精度得到明显提高。同样从图6a、6d、6e可以看出, 仅利用多光谱特征, 七差河沿岸的部分海莲被错分成木榄, 而优选特征和极化SAR特征则较好地将海莲正确分类。另外, 根据涂志刚等(2015)等对八门湾红树林群落调查的结果, 该地角果木的郁闭度超95%, 密度较高, 在光学影像中的纹理表现较为平滑, 颜色较纯净, 相比其他树种, 其冠层起伏比较平缓, YsFs等极化特征与其他树种差异较明显, 这些可能都是角果木的总体精度较高的原因。而由于红海榄和正红树不仅光谱相似, 空间结构及树高等特征也相近, 3种特征组合下, 坡尾村西侧的部分正红树与杯萼海桑的混生区都不同程度地错分为红海榄。

4.3 八门湾红树林空间分布特征

本文基于分类效果最好的XGBoost与优选特征组合获取的八门湾红树林种间分类结果, 进行了不同类型红树林面积及占比统计(图7)和空间分布特征分析。
图7 各种类红树林面积(a)及占比(b)

Fig. 7 Area (a) and proportion (b) of various mangroves

通过图7可以看出, 八门湾红树林总面积约为797.58hm2, 其中, 优势种为杯萼海桑和木榄, 面积分别为362.57hm2和169.15hm2, 占全部红树林面积的45.46%、21.21%, 杯萼海桑主要分布在平缓海湾滩地、具有有机质的沙质河滩或淤泥滩和含盐量较低的地段, 在整个八门湾都有分布, 并且部分杯萼海桑分布在红树林区域的边缘, 形成了对其他红树的包围。木榄喜生于稍干旱、空气流通、伸向内陆的盐滩, 八门湾的地理位置和气候条件为其生长和扩散提供了较好的优势, 因此木榄在该地区为优势种类, 主要分布在群建村、上坑村等地。作为木榄属的成员, 海莲和木榄的习性相近, 因此在崩坎村附近可见海莲与木榄的相邻分布区和混生区。榄李喜生于中潮滩和高潮滩, 主要分布在七差河北岸, 与海莲相邻。海漆具有速生、抗逆性强等特点, 因此其主要生于海陆交错区的高潮带或超高潮带的盐碱地上。正红树主要分布在海浪平静、淤泥松软的浅海盐滩或海湾内的沼泽地, 在坡尾村西侧分布相对聚集。面积较少的为角果木和白骨壤, 分别为8.83hm2和4.55hm2, 仅占全部红树林面积的1.11%和0.57%, 在八门湾主要为小片条带分布和零星分布。

5 结论与讨论

5.1 结论

本文基于GF-6高分辨率影像和GF-3全极化数据, 提取了包含光谱信息、纹理信息、空间结构信息在内35个红树林遥感特征, 利用XGBoost 算法进行了优势特征筛选, 并利用3种分类算法(XGBoost、SVM、RF)开展了海南八门湾红树林种间分类实验, 得出以下结论:
1) 识别红树林种类的优势特征依次为多光谱的光谱波段、极化分解参数、光谱植被指数, 且仅利用前8个优选特征(G、B、Ys、NIR、EVI、RVI、NDVI、Fs)即可达到较高分类精度。
2) 对于八门湾红树林湿地, 利用XGBoost算法进行红树林种间分类的总体精度为86.16%, Kappa系数为0.8359, 总体分类精度比SVM和RF高3% ~ 8%, 该算法在多维遥感特征红树林种间分类研究中具有较好的应用前景。多光谱与全极化SAR特征结合的红树林种间分类精度要高出单独的多光谱特征和全SAR特征10% ~ 12%, 相比单一数据源, 光学与全极化SAR数据结合具有更好的红树林种间识别能力。
3) 八门湾红树林湿地植被类型复杂, 红树林总面积约为797.58hm2, 共有白骨壤、海莲、红海榄、杯萼海桑、角果木、榄李、木榄、正红树、海漆9种优势真红树, 杯萼海桑和木榄的面积较多, 分别占全部红树林面积的45.46%、21.21%。角果木和白骨壤面积较少, 面积分别为8.83hm2和4.55hm2, 面积占比仅为1.11%、0.57%。

5.2 讨论

八门湾作为我国红树林种类分布最复杂的地区, 红树林树种之间存在不同程度的混生情况, 部分地区红树种类碎片程度较大, 进行红树林种间分类工作具有一定的技术困难。一般来说, 不同树种之间的光谱特征差异是红树林种间分类的主要依据, 利用光学影像的光谱特征可以有效区分红树林树种(Li et al, 2021)。但由于该地区的部分物种(杯萼海桑和白骨壤、海莲和木榄)的光谱特征差异较小, 仅利用光学数据难以做到全局有效区分, 根据前人(Wang et al, 2022)对湾内部分区域的红树林种间分类研究发现, 结合多光谱和无人机激光雷达数据可以提供红树林的光谱和垂直结构信息, 有效解决部分因具有相似光谱特性的红树林树种难以区分的问题。但对于大范围的红树林, 实施无人机激光雷达数据覆盖面临高成本、工作量大等缺陷。本文使用的GF-3全极化SAR数据具有成本低、易获取等优点, 可实现整个八门湾红树林的数据覆盖, 并且可以提供对不同种类红树响应差异较为明显的面散射分量、雷达植被指数等特征, 与光学数据相互补充, 使得红树林种间分类精度得以明显提高。
对于多维遥感数据, 进行红树林遥感特征的筛选是开展种间分类实验的一个重要前提。其目的是剔除对红树林种间分类没有作用甚至起反作用的冗余特征, 从而降低机器学习分类算法对多维遥感图像的处理难度, 提高分类精度和效率。目前常用的数据降维方法有主成分分析(Viennois et al, 2016)、最小噪声分离(任广波 等, 2021)等, 其原理是通过计算原始数据的协方差矩阵对每个维度进行排序, 进而对排名低的维度进行剔除, 在促进遥感技术发展中起到了积极作用。本文利用XGBoost对红树林遥感特征重要性的排序结果在SVM和RF算法中得到了验证, 但该特征排序结果是根据不同特征对决策树的增益排名得出的, 具有一定的算法主观因素。后续研究可考虑根据红树林实测光谱曲线、冠层结构、树高等特性, 进行不同红树种类的可分性遥感特征分析, 从而更加明确利于红树种间分类的优势遥感特征, 以提高红树种间分类精度。
[1]
杜云艳, 周成虎, 1998. 水体的遥感信息自动提取方法[J]. 遥感学报, (4): 264-269.

DU YUNYAN, ZHOU CHENGHU, 1998. Automatically extracting remote sensing information for Water Bodies[J]. Journal of Remote Seneing, (4): 264-269. (in Chinese with English abstract)

[2]
范航清, 张云兰, 邹绿柳, 等, 2022. 中国红树林基准价值及其单株价值分配研究[J]. 生态学报, 42(4): 1262-1275.

FAN HANG QING, ZHANG YUNLAN, ZOU LVLIU, et al, 2022. A study on the baseline value of the Chinese mangrove services and allocation of the value to individual tree[J]. ActaEcologica Sinica, 42(4): 1262-1275. (in Chinese with English abstract)

[3]
何海军, 温家声, 张锦炜, 等, 2015. 海南红树林湿地生态系统服务价值评估[J]. 生态经济, 31(4): 145-149.

HE HAIJUN, WEN JIASHENG, ZHANG JINWEI, et al, 2015. Ecological functions assessment of mangrove wetland in Hainan Province[J]. Ecological Economy, 31(4): 145-149. (in Chinese with English abstract)

[4]
李森, 蔡厚才, 陈万东, 等, 2020. 海岸带生态恢复区不同林龄红树林对CH4和CO2排放通量的影响[J]. 生态环境学报, 29(12): 2414-2422.

DOI

LI SEN, CAI HOUCAI, CHEN WANDONG, et al, 2020. Analysis on CH4 and CO2 fluxes of mangroves with different ages in the coastal ecological restoration zone[J]. Ecology and Environmental Sciences, 29(12): 2414-2422. (in Chinese with English abstract)

[5]
林鹏, 2001. 中国红树林研究进展[J]. 厦门大学学报(自然科学版), (2): 592-603.

LIN PENG, 2001. A review on the mangrove research in China[J]. Journal of Xiamen University (Natural Science), (2): 592-603. (in Chinese with English abstract)

[6]
马云梅, 吴培强, 任广波, 等, 2019. 基于国产高分遥感的人工种植红树林种间分类方法研究——以广西茅尾海红树林为例[J]. 海洋技术学报, 38(4): 1-8.

MA YUNMEI, WU PEIQIANG, REN GUANGBO, et al, 2019. Pixel-based and object-based comparative analysis of classification among mangrove species in Maoweihai[J]. Journal of Ocean Technology, 38(4): 1-8. (in Chinese with English abstract)

[7]
马云梅, 吴培强, 任广波, 2021. 基于高分影像光谱特征的广西海岸带红树林精细分类与制图[J]. 地球信息科学学报, 23(12): 2292-2304.

DOI

MA YUNMEI, WU PEIQIANG, REN GUANGBO, 2021. Fine classification and mapping of mangroves in Guangxi coastal zone based on spectral characteristics of GF images[J]. Journal of Geo-information Science, 23(12): 2292-2304. (in Chinese with English abstract)

[8]
农寿千, 杨小波, 李东海, 等, 2011. 清澜港红树林保护区植物特点研究[J]. 植物科学学报, 1(4): 459-466.

NONG SHOUQIAN, YANG XIAOBO, LI DONGHAI, et al, 2011. Vegetation composition in the mangrove forest nature protection area of Qinglan, China[J]. Plant Science Journal, 1(4): 459-466. (in Chinese with English abstract)

[9]
任广波, 周莉, 梁建, 等, 2021. “高分五号”高光谱互花米草遥感识别与制图研究[J]. 海洋科学进展, 39(2): 312-326.

REN GUANGBO, ZHOU LI, LIANG JIAN, et al, 2021. Monitoring the invasion of spartina alterniflora using hyperspectral remote sensing image of GF-5[J]. Advances In Marine Science, 39(2): 312-326. (in Chinese with English abstract)

[10]
邵永社, 韩阳, 吕倩利, 等, 2011. 4分量模型和散射参数的全极化雷达图像分类[J]. 同济大学学报(自然科学版), 39(9): 1345-1349.

SHAO YONGSHE, HAN YANG, LYU QIANLI, et al, 2011. Full polarimetric SAR classification based on four-component decomposition model and scattering parameters[J]. Journal of Tongji University (Natural Science), 39(9): 1345-1349. (in Chinese with English abstract)

[11]
苏岫, 赵冬至, 黄凤荣, 等, 2011. 基于高空间分辨率的红树林卫星遥感监测技术进展[J]. 热带海洋学报, 30(3): 38-45.

SU XIU, ZHAO DONGZHI, HUANG FENGRONG, et al, 2011. Development of mangrove monitoring technology using high spatial-resolution satellite images[J]. Journal of Tropical Oceanography, 30(3): 38-45. (in Chinese with English abstract)

DOI

[12]
涂志刚, 吴瑞, 张光星, 等, 2015. 海南岛清澜港红树植物群落类型及其特征[J]. 热带农业科学, 35(11): 21-25.

TU ZHIGANG, WU RUI, ZHANG GUANGXING, et al, 2015. Types and characteristics of mangrove plants of Qinglan harbour in Hainan Island[J]. Chinese Journal of Tropical Agriculture, 35(11): 21-25. (in Chinese with English abstract)

[13]
徐晓然, 谢跟踪, 邱彭华, 2018. 1964—2015年海南省八门湾红树林湿地及其周边土地景观动态分析[J]. 生态学报, 38(20): 7458-7468.

XU XIAORAN, XIE GENZONG, QIU PENGHUA, 2018. Dynamic analysis of iandscape changes in bamen port and the surrounding lands of Hainan Province from 1964 to 2015[J]. Acta Ecologica Sinice, 38(20): 7458-7468. (in Chinese with English abstract)

[14]
杨杰, 赵伶俐, 李平湘, 等, 2012. 引入规范化圆极化相关系数的保持极化散射特性的分类算法[J]. 武汉大学学报(信息科学版), 37(8): 911-914.

YANG JIE, ZHAO LINGLI, LI PINGXIANG, et al, 2012. Preserving polarimetric scattering characteristics classification by introducing normalized Circular-pol correlation coefficient[J]. Geomatics and Information Science of Wuhan University, 37(8): 911-914. (in Chinese with English abstract)

[15]
杨众养, 薛杨, 宿少锋, 等, 2017. 文昌市八门湾红树林区植物群落特征调查[J]. 热带农业科学, 37(1): 48-52, 59.

YANG ZHONGYANG, XUE YANG, SU SHAOFENG, et al, 2017. The survey on plant community characteristics of bamenwan mangroves in Wenchang City[J]. Chinese Journal Of Tropical Agriculture, 37(1): 48-52, 59. (in Chinese with English abstract)

[16]
郑德璋, 廖宝文, 郑松发, 等, 1995. 海南岛清澜港红树树种适应生境能力与水平分布[J]. 林业科学研究, 8(1): 67-72.

ZHENG DEZHANG, LIAO BAOWEN, ZHENG SONGFA, et al, 1995. Mangrove Plants’ adaptive ability to habitat and their horizontal distribution in Qinglan Harbour, Hainan Island[J]. Forest Research, (1): 67-72. (in Chinese with English abstract)

[17]
郑艺, 林懿琼, 周建, 等, 2019. 基于资源三号的雷州半岛红树林种间分类研究[J]. 国土资源遥感, 31(3): 201-208.

ZHENG YI, LIN YIQIONG, ZHOU JIAN, et al, 2019. Mangrove inter-species classification based on ZY-3 image in Leizhou Peninsula, Guangdong Province[J]. Remote Sensing for Land and Resources, 31(3): 201-208. (in Chinese with English abstract)

[18]
邹斌, 张腊梅, 孙德明, 等, 2009. PolSAR图像信息提取技术及应用的发展[J]. 遥感技术与应用, 24(3): 263-273.

ZOU BIN, ZHANG LAMEI, SUN DEMING, et al, 2009. Development and application of information extraction using polarimetric SAR Data[J]. Remote Sensing Technology And Application, 24(3): 263-273. (in Chinese with English abstract)

[19]
ABDULLAHI S, KUGLER F, PRETZSCH H, 2016. Prediction of stem volume in complex temperate forest stands using TanDEM-X SAR data[J]. Remote Sensing of Environment, 174: 197-211.

DOI

[20]
BRYAN-BROWN D N, CONNOLLU R M, RICHARDS D R, et al, 2020. Global trends in mangrove forest fragmentation[J]. Scientific reports, 10(1): 7117.

DOI

[21]
CHAN C W, PAELINCKX D, 2008. Evaluation of Random Forest and Adaboost tree-based ensemble classification and spectral band selection for ecotope mapping using airborne hyperspectral imagery[J]. Remote Sensing of Environment, 112(6): 2999-3011.

DOI

[22]
CHEN LUZHEN, WANG WENQING, ZHANG YIHUI, et al, 2009. Recent progresses in mangrove conservation, restoration and research in China[J]. Journal of Plant Ecology, 2(2): 45-54.

DOI

[23]
CHEN TIANQI, GUESTRIN C, 2016. ASSOC COMP MACHINERY. XGBoost: A scalable tree boosting system[C]// 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD). San Francisco, CA: 785-794.

[24]
CLOUDE S R, POTTIER E, 1996. A review of target decomposition theorems in radar polarimetry[J]. IEEE Transactions on Geoscience & Remote Sensing, 34(2): 498-518.

[25]
DIAN YUANYONG, ZENG YUANLI, PANG YONG, 2015. Spectral and Texture Features Combined for Forest Tree species Classification with Airborne Hyperspectral Imagery[J]. Journal of the Indian Society of Remote Sensing, 43(1): 101-107.

DOI

[26]
DUARTE C M, MIDDELBURG J J, CARACO N, 2004. Major role of marine vegetation on the oceanic carbon cycle[J]. Biogeosciences Discussions, 1: 659-679.

[27]
FERREIRA M P, WAGNER F H, ARAGO L, et al, 2019. Tree species classification in tropical forests using visible to shortwave infrared WorldView-3 images and texture analysis[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 149: 119-131.

DOI

[28]
FREEMAN A, DURDEN S L, 1998. A three-component scattering model for polarimetric SAR data[J]. IEEE Transactions on Geoscience & Remote Sensing, 36(3): 963-973.

[29]
FRIESS D A, ROGERS K, LOVELOCK C E, et al, 2019. The state of the World’s mangrove forests: Past, present, and future[J]. Annual Review of Environment and Resources, 44(1): 89-115.

DOI

[30]
GUPTA S, MISHRA P, SINGH D, et al, 2017. An approach to classify tall vegetation and Urban using deoriented PALSAR Image[J]. IEEE Geoence & Remote Sensing Letters, 14(12): 2185-2189.

[31]
HARALICK R M, SHANMUGAM K, DINSTEIN I, 1973. Textural features for image classification[J]. IEEE Transactions on Systems, Man, and Cybernetics, 3(6): 610-621.

[32]
HELD A, TICEHURST C, LYMBURNER L, et al, 2003. High resolution mapping of tropical mangrove ecosystems using hyperspectral and radar remote sensing[J]. International Journal of Remote Sensing, 24(13): 2739-2759.

DOI

[33]
HENDERSON F M, LEWIS A J, 1998. Principles and applications of imaging radar. Manual of remote sensing: Third edition, Volume 2[J]. Ecological Engineering.

[34]
JIANG YUFENG, ZHANG LI, YAN MIN, et al, 2021. High-Resolution mangrove forests classification with machine learning using Worldview and UAV Hyperspectral Data[J]. Remote Sensing, 13(8): 1529.

DOI

[35]
LI HUIYING, JIA MINGMING, ZHANG RONG, et al, 2019. Incorporating the plant phenological trajectory into mangrove species mapping with dense time series Sentinel-2 imagery and the Google Earth Engine Platform[J]. Remote Sensing, 11(21): 2479.

DOI

[36]
LI QIAOSI, WONG F, FUNG T, 2021. Mapping multi-layered mangroves from multispectral, hyperspectral, and LiDAR data[J]. Remote Sensing of Environment, 258(3): 112403.

DOI

[37]
LIU HUIQING, HUETE A, 1995. A feedback based modification of the NDVI to minimize canopy background and atmospheric noise[J]. IEEE Transactions on Geoscience and Remote Sensing, 33(2): 457-465.

DOI

[38]
LUO ZHONGKUI, SUN O, XU HUALIN, 2010. A comparison of species composition and stand structure between planted and natural mangrove forests in Shenzhen Bay, South China[J]. Journal of Plant Ecology, 3(3): 165-174.

DOI

[39]
MANABU W, MASANOBU S, 2017. Polarimetric Calibration for a Ground-Based Radar, and comparison of the polarimetric parameters with Air-Borne SAR obtained from a forest[J]. Remote Sensing, 9(4): 342.

DOI

[40]
MEERA S P, BHATTACHARYYA M, NIZAM A, et al, 2021. A review on microplastic pollution in the mangrove wetlands and microbial strategies for its remediation[J]. Environmental Science and Pollution Research, 29(4): 4865-4879.

DOI

[41]
PEARSON R L, MILLER D L, 1972. Remote mapping of standing crop biomass for estimation of the productivity of the Shortgrass Prairie[J]. Ann Arbor, Michigan, 1357-1381.

[42]
ROUSE J W, HAAS R W, SCHELL J A, et al, 1974. Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation[D]. Greenbelt, MD: NASA/GSFC Type Ⅲ, Final Report.

[43]
SOUYRIS J C, Le TOAN T, HSU C C, et al, 1995. Inversion of Landes Forest biomass using SIR-C/X-SAR data: experiment and theory[C]// 1995 International Geoscience and Remote Sensing Symposium, IGARSS’95. Quantitative Remote Sensing for Science and Applications. IEEE, 2: 1201-1203.

[44]
VIENNOIS G, PROISY C, FERET J B, et al, 2016. Multitemporal analysis of High-Rpatial-Resolution optical satellite imagery for mangrove species mapping in Bali, Indonesia[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 9(8): 3680-3686.

[45]
WANG DEZHI, WAN BO, QIU PENGHUA, et al, 2018. Artificial mangrove species mapping using Pléiades-1: An evaluation of Pixel-Based and Object-Based classifications with selected machine learning algorithms[J]. Remote Sensing, 10(2): 294.

DOI

[46]
WANG DEZHI, WAN BO, QIU PENGHUA, et al, 2022. Mapping mangrove species using combined UAV-LiDAR and Sentinel-2 data: Feature selection and point density effects[J]. Advances in Space Research, 69(3): 1494-1512.

DOI

[47]
XIA JUNSHI, YOKOYA N, PHAM T D, 2020. Probabilistic mangrove species mapping with Multiple-Source Remote-Sensing datasets using label distribution learning in Xuan Thuy National Park, Vietnam[J]. Remote Sensing, 12(22): 3834.

DOI

[48]
YAMAGUCHI Y, SATO A, BOERNER W M, et al, 2011. Four-component scattering power decomposition with rotation of coherency matrix[J]. IEEE Transactions on Geoscience and Remote Sensing, 49(6): 2251-2258.

DOI

[49]
YU HAIFEI, WANG CHANGYING, SUI YI, et al, 2020. Automatic extraction of green tide using Dual polarization Chinese GF-3 SAR Images[J]. Journal of Coastal Research, 102(sp1): 318-325.

[50]
ZHANG HONGSHEN, WANG TING, LIU MINGFENG, et al, 2018. Potential of combining optical and dual polarimetric SAR data for improving mangrove species discrimination using rotation forest[J]. Remote Sensing, 10(3): 467.

DOI

[51]
ZHANG RONG, JIA MINGMING, WANG ZONGMING, et al, 2021. A Comparison of Gaofen-2 and Sentinel-2 imagery for mapping mangrove forests using Object-Oriented analysis and random forest[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14: 4185-4193.

DOI

[52]
ZHEN JIANING, LIAO JINGJUN, SHEN GUOZHUANG, 2018. Mapping mangrove forests of Dongzhaigang nature reserve in China using landsat 8 and Radarsat-2 Polarimetric SAR Data[J]. Sensors, 18(11): 4012.

DOI

[53]
ZULFA A W, NORIZAH K, HAMDAN O, et al, 2021. Spectral signature analysis to determine mangrove species delineation structured by anthropogenic effects[J]. Ecological Indicators, 130: 108148.

DOI

[54]
ZYL J J, 2016. An overview of the analysis of multi-frequency polarimetric SAR data[C]// 6th European Conference on Synthetic Aperture Radar (EUSAR 2006).

Outlines

/