黃河口濕地典型地物類型高光譜分類方法

王建步，張 杰，馬 毅，任廣波

（國(guó)家海洋局第一海洋研究所，山東青島 266061）

黃河口濕地典型地物類型高光譜分類方法

王建步，張 杰，馬 毅，任廣波

（國(guó)家海洋局第一海洋研究所，山東青島 266061）

黃河口濕地地物類型具有復(fù)雜多樣的特點(diǎn)，本文將線性光譜混合分析模型與歸一化植被指數(shù)（NDVI）和歸一化水體指數(shù)（NDWI）相結(jié)合，建立了一種新的濱海濕地遙感影像分類方法；開(kāi)展了基于CHRIS高光譜影像的黃河口濕地蘆葦、檉柳、堿蓬、大米草、潮灘和水體6種典型地物分類實(shí)驗(yàn)，整體分類精度為77.33%，Kappa系數(shù)為0.71，與經(jīng)典的最大似然分類（MLC）方法相比較，整體分類精度提高1.6%，Kappa系數(shù)提高0.02，尤其是蘆葦、堿蓬、大米草和潮灘的分類精度明顯提高。

黃河口濕地；高光譜遙感影像；線性光譜混合分析；地物分類；NDVI；NDWI

0 引言

濱海濕地在改善氣候、控制污染、維護(hù)生物多樣性和保持區(qū)域生態(tài)平衡等方面，發(fā)揮著重要的作用［1-2］。隨著社會(huì)經(jīng)濟(jì)的發(fā)展，濱海濕地的生態(tài)價(jià)值和經(jīng)濟(jì)價(jià)值日益明顯?？焖贉?zhǔn)確地開(kāi)展濱海濕地地物類型及其變化監(jiān)測(cè)，是合理開(kāi)展濱海濕地保護(hù)和恢復(fù)工作的前提。濱海濕地環(huán)境復(fù)雜，大部分區(qū)域難以進(jìn)入，這給快速準(zhǔn)確的濕地監(jiān)測(cè)帶來(lái)了困難，而遙感技術(shù)是開(kāi)展快速大范圍地物類型監(jiān)測(cè)的重要手段。黃河口濕地地物復(fù)雜多樣，是多種珍貴鳥(niǎo)類的棲息地，開(kāi)展該區(qū)域地物遙感分類方法研究具有重要意義。

目前，對(duì)濕地地物分類的研究主要集中在混合分析模型方面，如ROSSO et al［3］和LI et al［4］分別用多重端元光譜混合分析模型處理AVIRIS高光譜影像數(shù)據(jù)來(lái)監(jiān)測(cè)舊金山灣大米草和加利福尼亞大米草、鹽角草和膠草。HE et al［5］基于Landsat TM影像，利用線性光譜混合分析模型開(kāi)展了河口濕地外來(lái)入侵植被的監(jiān)測(cè)。吳見(jiàn)等［6］基于支持向量機(jī)提取濕地信息后的結(jié)果，利用改進(jìn)線性光譜混合分解模型提取了濕地不同蓋度的草甸信息。崔天翔等［7］以北京市野鴨湖濕地自然保護(hù)區(qū)為例，基于線性光譜混合模型開(kāi)展了濕地植被蓋度的提取研究。上述研究工作主要集中在濕地植被分類方法方面，需要指出的是在濱海濕地中，水體和植被、水體和潮灘、潮灘和植被以及植被之間在遙感影像中都存在混合像元，僅靠光譜混合分析模型往往不能夠準(zhǔn)確地進(jìn)行地物分類。一些學(xué)者結(jié)合其他方法，提高了地物分類精度，如MICHISHITA et al［8］利用多重端元光譜混合分析模型，基于同一時(shí)間的Landsat TM和Terra MODIS雙傳感器數(shù)據(jù)，開(kāi)展了鄱陽(yáng)湖濕地和美國(guó)大鹽湖濕地地物信息監(jiān)測(cè)分類，通過(guò)優(yōu)化端元和去除陰影信息，提高了信息提取的精度，然而在優(yōu)化端元時(shí)，需要2種傳感器同時(shí)間的影像。ZHANG et al［9］在利用線性光譜混合分析模型的基礎(chǔ)上，結(jié)合了圖像分割和專家解譯，雖然其分類精度有所提高，但其分類過(guò)程是人工參與的半自動(dòng)分類。

本文針對(duì)濱海濕地植被易被混分的問(wèn)題，在線性光譜混合模型的基礎(chǔ)上，引入了植被指數(shù)和水體指數(shù)（其中植被指數(shù)是刻劃植被生長(zhǎng)狀況和覆蓋程度的參數(shù)，水體指數(shù)是用于水陸分離的參數(shù)），給出了一種黃河口濕地地物高光譜的組合分類方法，并將實(shí)驗(yàn)結(jié)果與經(jīng)典的最大似然法進(jìn)行了比較。

1 研究區(qū)概況

119°03＇～119°13＇E），面積約230 km2（圖1）。黃河口濕地是黃河三角洲國(guó)家級(jí)自然保護(hù)區(qū)核心區(qū)的所在區(qū)域，該區(qū)域地物類型復(fù)雜多樣，主要地物包括蘆葦、檉柳、堿蓬、大米草、潮灘和水體等，其中蘆葦分布于黃河沿岸南、北兩側(cè)，主要生長(zhǎng)在淡水區(qū)，在潮灘也有少許分布；堿蓬和檉柳主要分布于潮灘上，但蓋度不均勻；大米草作為一種耐鹽植被，是濱海濕地的先鋒物種，生長(zhǎng)在較淺的海水中，蓋度較大，但分布面積較??；水體分布比較廣泛，有人工池塘和海水等；潮灘主要位于黃河入?？谀稀⒈眱蓚?cè)。

實(shí)驗(yàn)區(qū)域選擇黃河口濕地（37°43＇～37°50＇N，

圖1 實(shí)驗(yàn)區(qū)域CHRIS遙感影像（15-10-5波段假彩色）Eig.1 CHRIS remote image of the test area（15-10-5 band false colour）

2 數(shù)據(jù)與方法

2.1 數(shù)據(jù)與處理

實(shí)驗(yàn)選擇了黃河口濕地2012年6月PROBA/ CHRIS模式2高光譜遙感影像。該影像空間分辨率為17 m，波段數(shù)為18，波長(zhǎng)范圍為411～1 019 nm。采用ELAASH模式，對(duì)CHRIS遙感影像進(jìn)行大氣校正，然后應(yīng)用資源衛(wèi)星3號(hào)影像進(jìn)行幾何配準(zhǔn)，獲得大氣校正和幾何校正后的數(shù)據(jù)。

本文選用了黃河口濕地2012年9月，2013年5月和2013年9月3次現(xiàn)場(chǎng)踏勘的資料，包括450個(gè)站位的地物類型記錄和4 000余張現(xiàn)場(chǎng)照片（典型地物照片見(jiàn)圖2），利用上述信息以及踏勘路線周邊的地物記錄，給出了CHRIS圖像人機(jī)交互解譯結(jié)果（圖3），該結(jié)果用于評(píng)價(jià)分類方法分類精度。

2.2 分類方法

基于黃河口濕地地物復(fù)雜多樣，地物混合現(xiàn)象比較嚴(yán)重的問(wèn)題，本文首先利用歸一化植被指數(shù)（NDVI）和歸一化水體指數(shù)（NDWI）提取植被、水體和潮灘信息；然后在基于NDVI提取的植被范圍內(nèi)，開(kāi)展以蘆葦、檉柳、堿蓬和大米草為端元的線性光譜分解，結(jié)合閾值處理，實(shí)現(xiàn)各植被類型的分類。在研究區(qū)域內(nèi)，黃河具有比較明顯的邊界特征，且兩岸已經(jīng)固化，其邊界可以作為底圖，所以本文未將其放入分類的地物中，將衛(wèi)星高光譜影像中的黃河水體進(jìn)行掩膜。

在CHRIS高光譜遙感影像中，NDVI是對(duì)植被特征描述的一個(gè)基本參數(shù)，NDVI算法中近紅外波段選取中心波段為786 nm的第16波段，紅波段選取中心波段為684 nm的第12波段。NDVI計(jì)算方法如下：

式中：NDVI表示歸一化植被指數(shù)；NIR表示近紅外波段；R表示紅光波段；BAND16和BAND12分別表示CHRIS高光譜影像的第16波段和第12波段的反射率；R786nm和R684nm分別表示第16波段和第12波段的中心波長(zhǎng)，即786 nm和684 nm對(duì)應(yīng)的反射率。

結(jié)合現(xiàn)場(chǎng)踏勘建立的遙感解譯標(biāo)志集和NDVI計(jì)算結(jié)果，選擇NDVI＞0.05的為植被覆蓋區(qū)。獲取的黃河口濕地植被覆蓋范圍如圖4所示。

淺海水域、養(yǎng)殖池塘、水庫(kù)和坑塘的光譜特征基本一致，本文中將這4類地物統(tǒng)稱為水體。利用水體在近紅外波段具有強(qiáng)吸收的特性，根據(jù)高光譜分辨率高的優(yōu)勢(shì)，選擇第18波段為近紅外波段，選擇第3波段為綠波段，應(yīng)用NDWI提取濕地中的水體信息，NDWI計(jì)算方法如下：

圖2 黃河口濕地典型地物現(xiàn)場(chǎng)照片Eig.2 Eield pictures of the typical surface feature for Huanghe River estuary wetland

圖3 黃河口濕地CHRIS影像人機(jī)交互解譯結(jié)果Eig.3 Human-computer interaction interpretation results of CHRIS image for Huanghe River estuary wetland

圖4 利用NDVI提取的植被覆蓋圖Eig.4 Coverage of vegetation extracted by NDVI

式中：NDWI表示歸一化水體指數(shù)；NIR表示近紅外波段反射率；G表示綠光波段反射率；BAND3和BAND18分別表示CHRIS高光譜影像的第3波段和第18波段對(duì)應(yīng)的反射率；R492nm和R1027nm分別表示第3波段和第18波段的中心波長(zhǎng)，即492 nm和1 027 nm對(duì)應(yīng)的反射率。

結(jié)合現(xiàn)場(chǎng)踏勘建立的遙感解譯標(biāo)志集和NDWI計(jì)算結(jié)果，選擇NDWI＜-0.05時(shí)為水體。

選取蘆葦、大米草、檉柳和堿蓬4種植被作為端元，結(jié)合提取的植被覆蓋范圍，利用決策樹(shù)和現(xiàn)場(chǎng)站位的地物信息，訓(xùn)練端元豐度閾值，實(shí)現(xiàn)基于線性光譜分析模型的植被分類。

根據(jù)端元平均光譜反射率，利用全約束最小二乘法，計(jì)算影像中植被覆蓋范圍內(nèi)所有像元中各個(gè)端元的豐度值。豐度反演原理：

式中：Rb表示混合像元b波段的反射率，N表示端元的數(shù)量，Ri，b表示i端元在像素中占的比重，fi表示i端元b波段的反射率，εb表示殘差。根據(jù)以上原理，獲取蘆葦、檉柳、堿蓬和大米草各自的端元分量，結(jié)合如圖5所示的閾值設(shè)置（即決策樹(shù)）進(jìn)行分類。

圖5 基于端元分量的閾值處理流程圖Eig.5 Elowchart of thresholding technique based on endmember fraction

最后，將提取的水體信息、潮灘信息以及基于線性光譜分解后獲取的各種植被信息進(jìn)行整合，獲取黃河口濕地研究區(qū)域的地物分類結(jié)果，如圖6所示。

3 結(jié)果分析

應(yīng)用本文提出的組合分類方法，給出了黃河口濕地CHRIS影像的分類結(jié)果。利用基于現(xiàn)場(chǎng)踏勘建立的黃河口濕地遙感解譯標(biāo)志集，隨機(jī)選取檢驗(yàn)點(diǎn)，結(jié)合分類結(jié)果，建立分類誤差矩陣，并計(jì)算Kappa系數(shù)。其總體分類精度為77.33%，Kappa系數(shù)為0.71。其中蘆葦、潮灘和水體的分類精度較高，分別達(dá)到90.41%，88.85%和77.76%；堿蓬和大米草分類精度分別為64.40%和61.03%，相對(duì)較低，這與植被生長(zhǎng)相對(duì)比較稀疏，地物混合比較嚴(yán)重有關(guān)；在黃河口濕地，檉柳是生長(zhǎng)最為稀疏的植被，這也是其分類精度最低的原因，分類精度只有36.45%（表1）。

隨機(jī)選取53個(gè)訓(xùn)練樣本，利用最大似然分類方法開(kāi)展實(shí)驗(yàn)區(qū)CHRIS高光譜影像分類，表2給出了其分類精度。

圖6 黃河口濕地組合模型分類結(jié)果Eig.6 Classification results of the hybrid method for Huanghe River estuary wetland

表1 組合分類方法分類精度Tab.1 Classification accuracy of the hybrid method%

表2 最大似然分類方法分類精度Tab.2 Classification accuracy of the MLC method%

將本文提出的組合分類模型與最大似然分類方法相比較，發(fā)現(xiàn)總的分類精度由最大似然法的76.17%，提高到組合分類方法中的77.33%，Kappa系數(shù)由最大似然法的0.69增大到0.71。雖然總體分類精度相差不大，但是堿蓬、蘆葦、潮灘和大米草的分類精度明顯提高。

4 小結(jié)

黃河口濕地地物分布復(fù)雜，地物混合較嚴(yán)重，本文將線性光譜混合模型與NDVI和NDWI相結(jié)合，建立了一種濱海濕地遙感影像組合分類模型。利用建立的組合分類模型，開(kāi)展了基于CHRIS高光譜影像的黃河口濕地蘆葦、檉柳、堿蓬、大米草、潮灘和水體6種典型地物分類，整體分類精度為77.33%，Kappa系數(shù)為0.71，與經(jīng)典的最大似然分類方法相比較，整體分類精度提高1.6%，Kappa系數(shù)提高0.02，尤其是蘆葦、堿蓬、大米草和潮灘的分類精度明顯提高。

本文提出的組合分類方法雖然整體分類精度有所提高，但是對(duì)分布稀疏不均的檉柳的分類精度還有待提高。

致謝 感謝ESA提供的CHIRS影像數(shù)據(jù)！

（References）：

［1］WOODWARD R T，WUI Y S.The economic value of wetland services：A meta-analysis［J］.Ecological Economics，2001，37（2）：257-270.

［2］YANG Yong-xing.Main characteristics，progress and prospect of international wetland science research［J］.Process in Geography，2002，21（2）：111-120.楊永興.國(guó)際濕地科學(xué)研究的主要特點(diǎn)、進(jìn)展與展望［J］.地理科學(xué)進(jìn)展，2002，21（2）：111-120.

［3］ROSSO P H，USTIN S L，HASTINGS A.Mapping marshland vegetation of SanErancisco Bay，California，using hyperspectral data［J］.International Journal of Remote Sensing，2005，26（23）：5 169-5 191.

［4］LI L，USTIN S L，LAY M.Application of multiple endmember spectral mixture analysis（MESMA）to AVIRISimagery for coastal salt marsh mapping：A case study in China Camp，CA，USA［J］.International Journal of Remote Sensing，2005，26（23）：5 193-5 207.

［5］HE Mei-mei，ZHAO Bin，OUYANGA Z T，et al.Linear spectral mixture analysis of Landsat TM data for monitoring invasive exotic plants in estuarine wetlands［J］.International Journal of Remote Sensing，2010，31（16）：4 319-4 333.

［6］WU Jian，PENG Dao-li.Wetland information extraction based on improved linear spectral mixture model［J］.Jounal of China Agricultural University，2011，16（3）：140-144.吳見(jiàn)，彭道黎.改進(jìn)線性光譜混合分解模型濕地信息提取［J］.中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2011，16（3）：140-144.

［7］CUI Tian-xiang，GONG Zhao-ning，ZHAO Wen-ji，et al.Research on estimating wetland vegetation abundance based on spectral mixture analysis with different endmember model：A case study in Wild Duck Lake，wetland，Beijing［J］.Acta Ecologic Sinica，2013，33（4）：1 160-1 171.崔天翔，宮兆寧，趙文吉，等.不同端元模型下濕地植被覆蓋度的提取方法——以北京市野鴨湖濕地自然保護(hù)區(qū)為例［J］.生態(tài)學(xué)報(bào)，2013，33（4）：1 160-1 171.

［8］MICHISHITA R，GONG Peng，XU Bing.Spectral mixture analysis for bi-sensor wetland mapping using Landsat TM and Terra MODIS data［J］.International Journal of Remote Sensing，2012，33（11）：3 373-3 401.

［9］ZHANG Yin-long，LU Deng-sheng，YANG Bo，et al.Coastal wetland vegetation classification with a Landsat thematic mapper image［J］.International Journal of Remote Sensing，2011，32（2）：545-561.

2015年《海洋學(xué)研究》征訂啟事

《海洋學(xué)研究》國(guó)內(nèi)刊號(hào)為CN 33-1330/P；國(guó)際刊號(hào)為ISSN 1001-909X，季刊，大16開(kāi)，目前為自辦發(fā)行，每?jī)?cè)定價(jià)為9.00元，全年定價(jià)為40元（含郵寄費(fèi)）。請(qǐng)讀者將書(shū)款通過(guò)郵局直接寄往如下地址：“浙江省杭州市保俶北路36號(hào)《海洋學(xué)研究》編輯部”，郵編：310012。

若通過(guò)銀行匯款，請(qǐng)?jiān)谑湛钊艘粰谥刑顚?xiě)本編輯部所在單位的全稱：“國(guó)家海洋局第二海洋研究所”，賬號(hào)填寫(xiě)：1202026209008803510，匯入地點(diǎn)填寫(xiě)“杭州”，匯入行名稱填寫(xiě)“工行高新支行”，匯款用途填寫(xiě)“訂閱《海洋學(xué)研究》”。訂閱單和收款記賬憑證寄回本編輯部。

編輯部地址：杭州市保俶北路36號(hào)《海洋學(xué)研究》編輯部，郵編：310012

電話：0571-81963193 傳真：0571-81963195

聯(lián)系人：段焱 E-mail：journal@sio.org.cn；haiyangxueyanjiu@163.com

（本刊編輯部）

2015年《海洋學(xué)研究》征訂單

Classification method of hyperspectral image in typical surface feature of Huanghe River estuary wetland

WANG Jian-bu，ZHANG Jie，MA Yi，REN Guang-bo
（The First Institute of Oceanography，SOA，Qingdao 266061，China）

The typical surface feature of Huanghe River estuary wetland is complex and diverse.In this study，a new classification model for coast wetland remote image was constructed using the linear spectral mixture analysis model，combined with normalized difference vegetation index（NDVI）and normalized difference water index（NDWI）.Based on CHRIS hyperspectral image，a classification test of Huanghe River estuary wetland was carried，which consisted of 6 kinds of typical objects：phragmites，tamarix chinesis，suaeda，spartina，tidal flat and water，The results show that the overall accuracy of the combined model is 77.33%，and Kappa coefficient is 0.71，increasing 1.6%and 0.02 respectively compared with that from the classical MLC method，and especially，a better classification accuracy is obtained obviously for phragmites，suaeda，spartina and tidal flat.

Huanghe River estuary wetland；hyperspectral remote image；linear spectral mixture analysis；classification of typical surface feature；NDVI；NDWI

訂戶名寄刊地址郵編訂閱份數(shù)金額（元）聯(lián)系人全年定價(jià)40元聯(lián)系電話留言

TP753

A

1001-909X（2014）03-0036-06

10.3969/j.issn.1001-909X.2014.03.005

王建步，張杰，馬毅，等.黃河口濕地典型地物類型高光譜分類方法［J］.海洋學(xué)研究，2014，32（3）：36-41，

10.3969/j.issn.1001-909X.2014.03.005.

WANG Jian-bu，ZHANG Jie，MA Yi，et al.Classification method of hyperspectral image in typical surface feature of Huanghe River estuary wetland［J］.Journal of Marine Sciences，2014，32（3）：36-41，doi：10.3969/j.issn.1001-909X.2014.03.005.

2013-10-28…………

2014-02-17

國(guó)家自然科學(xué)基金項(xiàng)目資助（41206172）；國(guó)家海洋局第一海洋研究所基本科研業(yè)務(wù)費(fèi)專項(xiàng)項(xiàng)目資助（2013G08）

王建步（1981-），男，山東濱州市人，研究實(shí)習(xí)員，主要從事海島海岸帶遙感與應(yīng)用研究。E-mail：wangjianbu@fio.org.cn