南海珊瑚島礁地貌遙感識別研究

岳子琳, 朱衛(wèi)東, 2, 邱振戈, 2, 欒奎峰, 2, 葉 莉, 錢楚儀

南海珊瑚島礁地貌遙感識別研究

岳子琳1, 朱衛(wèi)東1, 2, 邱振戈1, 2, 欒奎峰1, 2, 葉 莉1, 錢楚儀1

(1. 上海海洋大學(xué) 海洋科學(xué)學(xué)院, 上海 201306; 2. 上海河口海洋測繪工程技術(shù)研究中心, 上海 201306)

南海珊瑚島礁總體處于退化狀態(tài), 衛(wèi)星遙感可以實現(xiàn)珊瑚礁區(qū)底質(zhì)演變的監(jiān)測。本文以西沙群島海域趙述島為研究區(qū)域, 以Landsat-8衛(wèi)星遙感影像為研究數(shù)據(jù), 對淺海地貌變化進(jìn)行遙感分析。將影像進(jìn)行水深校正和波段組合, 使用最大似然法進(jìn)行珊瑚礁地貌分類, 可以清晰的識別灰沙島、礁坪、礁前坡、瀉湖坡、暗灘和海面六種地貌類型, 以WorldView-2衛(wèi)星影像為驗證數(shù)據(jù), 總體分類精度為94.81%, 高于直接使用最大似然法分類的92.30%, 再結(jié)合決策樹分類對分類結(jié)果中灰沙島地貌進(jìn)行改正, 總體分類精度提升到95.07%; 基于2014—2018年的Landsat-8數(shù)據(jù), 通過轉(zhuǎn)移矩陣完成珊瑚礁地貌類型的時空變化分析, 結(jié)果表明趙述島珊瑚礁退化和轉(zhuǎn)移明顯。

珊瑚礁; 最大似然法; 決策樹分類法; 水深校正; 時空變化

珊瑚礁是全球氣候變化的重要顯示器, 是熱帶海洋最突出、最具代表性的生態(tài)系統(tǒng), 具有驚人的生物多樣性和極高的初級生產(chǎn)力, 對于維持著豐富的生物多樣性, 維護(hù)海洋生態(tài)環(huán)境至關(guān)重要。當(dāng)珊瑚面臨巨大的生存壓力, 珊瑚礁就會發(fā)生退化現(xiàn)象, 我們稱之為珊瑚礁白化, 白化后的珊瑚礁可能恢復(fù)也可能死亡, 白化嚴(yán)重的珊瑚將無法恢復(fù), 對珊瑚礁生態(tài)系統(tǒng)造成很大的破壞。我國南海珊瑚目前處于總體退化狀態(tài), 基于衛(wèi)星遙感可以有效地實現(xiàn)珊瑚礁區(qū)的底質(zhì)變化狀態(tài)監(jiān)測, 具有重要的研究價值。

早在上世紀(jì)七十年代, 有學(xué)者就提出了利用遙感手段對珊瑚礁進(jìn)行研究的觀點(diǎn)。21世紀(jì)以來, 珊瑚礁遙感影像分類的相關(guān)探究逐漸受到學(xué)者的重視?；谶b感影像的珊瑚礁信息提取的主要方法有現(xiàn)場光譜數(shù)據(jù)樣本法、決策樹模型法、最大似然法、面向?qū)ο蠓ā⒅С窒蛄繖C(jī)法?，F(xiàn)場光譜數(shù)據(jù)樣本法以先驗知識為基礎(chǔ), 選取樣本光譜進(jìn)行訓(xùn)練, 并分析地物光譜和融合信息, 但該方法對現(xiàn)場調(diào)查要求較高[1-2]。決策樹模型法基于圖像光譜帶的多個光譜決策規(guī)則建立模型, 完成了地貌識別和底質(zhì)監(jiān)督分類, 但決策樹的構(gòu)建過程復(fù)雜且該方法的普適性不強(qiáng), 對于深度較深區(qū)域識別精度不高[3-5], 近幾年, 由于最大似然法的簡便性, 常用于結(jié)合航空攝影、航拍視頻和數(shù)字測深模型進(jìn)行分類, 有效的提升了分類精度, 但最大似然法最大的缺點(diǎn)是需要預(yù)先識別分類特征[6-7]。面向?qū)ο蠓▽τ诘孛矄卧偷踪|(zhì)分類存在很大的優(yōu)勢, 以不同地貌單元的最優(yōu)分割尺度、光譜參數(shù)、形狀參數(shù)來分割影像并合并成不同地貌單元, 分類過程比較繁瑣, 考驗分類者的先驗知識[8-9]。支持向量機(jī)方法分類具有良好的分類性能, 特別在小樣本、非線性及高維特征空間具有較好的泛化能力, 但在樣本選擇上也存在很大的局限性[10-12]。

針對我國西沙群島中趙述島礁盤, 本文利用珊瑚礁決策樹分類模型和最大似然分類模型, 并基于具有中分辨率的Landsat-8和高分辨率的Worldview-2影像, 開展珊瑚礁信息識別和演變研究。

1 研究區(qū)域與數(shù)據(jù)源

1.1 研究區(qū)概況

本文選取的研究區(qū)為趙述島及其所屬礁盤。趙述島位于七連嶼的西北部, 是七連嶼中的一座珊瑚島礁(圖1), 處于112°15′00″—112°18′00″E、16°57′00″—17°00′00″N。

圖1 趙述島位置

趙述島礁體由淺水造礁珊瑚構(gòu)成, 是典型的珊瑚礁地貌體, 具有最完好的珊瑚礁系統(tǒng)[13]。礁盤內(nèi)部水較深, 邊緣礁體水較淺, 水質(zhì)為一類水體, 其礁盤主要包含礁前帶、礁核帶、礁后帶3帶[14]。1) 礁前坡是礁前帶的主要地貌類型之一, 可見大量海灘巖; 2) 礁核帶主要以礁坪地貌為主, 由珊瑚礁巖構(gòu)成, 在該區(qū)域鹿角珊瑚繁茂生長; 3) 礁后帶多由珊瑚砂組成, 主要存在灰沙島和瀉湖坡地貌, 瀉湖坡有分枝狀珊瑚生長。礁盤以外是暗灘, 主要由礫石構(gòu)成。

1.2 數(shù)據(jù)源

研究使用的遙感數(shù)據(jù)有兩種, 一種是Landsat-8多光譜數(shù)據(jù), 數(shù)據(jù)采集時間為2014年6月25日、2015年7月30日、2016年6月14日、2017年8月4日和2018年3月16日, 另一種是WorldView-2多光譜數(shù)據(jù), 采集時間為2017年2月18日, 本文使用的Landsat-8和WorldView-2的多光譜數(shù)據(jù)波段參數(shù)如表1所示。

表1 Landsat-8和WorldView-2的波段參數(shù)

2 數(shù)據(jù)處理方法

2.1 技術(shù)路線

本文利用決策樹分類模型和最大似然分類模型進(jìn)行珊瑚礁信息提取, 其基本思想是: 利用水深校正和最佳波段組合法提高遙感影像的分類精度, 并結(jié)合決策樹分類模型的優(yōu)勢提升最大似然法的影像總體分類精度, 最后分析近5年趙述島的地貌和淺海的底質(zhì)變化。技術(shù)流程如圖2所示。

2.2 遙感影像預(yù)處理

2.2.1 輻射校正

輻射定標(biāo)可以消除由輻射誤差引起的影像畸變, 公式如下:

圖3為輻射校正前后的植被的像元光譜。圖3a表示輻射定標(biāo)前的光譜曲線, 縱坐標(biāo)表示的是值,值本身就是一些無量綱的數(shù)字。圖3b 表示輻射定標(biāo)后的光譜曲線, 縱坐標(biāo)代表輻亮度, 輻亮度值主要集中在 0～10 μW·cm–2·sr–1·nm–1之間, 符合輻射定標(biāo)的標(biāo)準(zhǔn)。

圖2 技術(shù)路線

圖3 Landsat-8輻射校正前后光譜曲線

2.2.2 大氣校正

大氣校正可以獲得物體表面的真實光譜信息,本文采用FLAASH大氣校正法, 應(yīng)用MODTRAN4+輻射傳輸模型進(jìn)行大氣校正。圖4為大氣校正前后Landsat-8遙感圖像中趙述島上植被像元的光譜, 圖4a表示Landsat-8大氣校正前光譜特征曲線, 縱坐標(biāo)表示的是輻亮度。圖4b表示Landsat-8大氣校正后光譜特征曲線, 其縱坐標(biāo)表示的是不同波長的植被的反射率值, 在0～1之間, 與地表真實波譜曲線吻合, 即表現(xiàn)為綠波段的反射、紅波段的吸收和近紅外波段的強(qiáng)反射驗證了大氣校正的正確性。

圖4 Landsat-8大氣校正前后光譜特征曲線

2.3 決策樹分類

本文采用決策樹算法對趙述島淺海底質(zhì)進(jìn)行監(jiān)督分類, 實現(xiàn)對植被、裸地、海水、珊瑚礁和云的識別。利用歸一化差異水體指數(shù)(MNDWI)、歸一化植被指數(shù)(NDVI)、近紅外波段(Band5)、藍(lán)光波段(Band2)、及熱紅外波段(Band10), 構(gòu)建決策樹分類模型(圖5)。選用特征數(shù)據(jù)的主要原因是不同波長之間的穿透能力存在光譜差異。

圖5 決策樹分類的技術(shù)路線圖

如圖6所示, 用a、b、c、d和e, 分別表示2014年、2015年、2016年、2017年和2018年決策樹分類結(jié)果。從圖中可以看出: 1) 2015年和2014年的分類結(jié)果表明4類底質(zhì)變化較小。2) 2016年與2015年相比, 裸地面積變大, 主要是由于人為活動的加劇和圍海造田工程。3) 2017年和2016年相比, 總體面積變化不大。4) 2018年相比于2017年, 珊瑚礁面積減少, 主要原因與氣候變化和海平面上升、人為活動等有關(guān)。

2.4 類型轉(zhuǎn)移矩陣

轉(zhuǎn)移矩陣可以反映某一區(qū)域某時間段始末各類型面積之間相互轉(zhuǎn)化的動態(tài)過程信息[4]。本文使用轉(zhuǎn)移矩陣分析趙述島不同地貌之間的面積轉(zhuǎn)移變化, 其數(shù)學(xué)形式為:

式中,表示面積;代表土地利用的類型數(shù);、分別代表研究期初和研究期末的土地利用類型。

利用類型轉(zhuǎn)移矩陣, 計算可得表2, 由表可知2014年和2018年兩年之間的類型轉(zhuǎn)移面積變化: (1) 2014年海水的面積為1 975.59 hm2, 2018年面積變?yōu)? 065.93 hm2; 2014年裸地面積為20.3 hm2, 2018年面積變?yōu)?1.3 hm2; 2014年珊瑚礁面積為187.07 hm2, 但到2018年面積下降為85.6 hm2。(2) 2014年到2018年, 有35.89 hm2海水轉(zhuǎn)化為珊瑚礁, 7.79 hm2海水轉(zhuǎn)化為裸地, 0.12 hm2裸地轉(zhuǎn)化為海水。(3) 結(jié)合表2和圖7, 可以清晰的看出, 2018年與2014年相比, 趙述島西北部有35.89 hm2海水轉(zhuǎn)化為珊瑚礁, 西南部有134.01 hm2珊瑚礁轉(zhuǎn)化為海水, 珊瑚礁面積急劇下降。

圖6 決策樹分類結(jié)果

2.5 水深校正

海水是影響珊瑚礁信息識別的一個重要因素, 主要原因是由于光譜會隨水深的變化而變化,在水下同樣的物質(zhì)可能具有不同的反射率, 這對水下信息的探索造成了較大的干擾, 因此需要進(jìn)行水深校正。針對淺水中底質(zhì)反射率與水體的衰減系數(shù), Lyzenga[15]提出了校正水深的半經(jīng)驗型方法。

表2 2014—2018年面積轉(zhuǎn)移矩陣

水深校正算法是基于底部反射率和水深指數(shù)函數(shù)的近似線性函數(shù), 利用輻射值的自然對數(shù)函數(shù), 使其相對于深度的衰減效應(yīng)線性化, 從而建立變換輻射:

X= ln(()), (3)

式中,()為影像大氣校正后波段的反射率。X是在波段的變換輻射。圖8為水深校正前后的影像, 圖8a表示水深校正前Landsat-8影像, 圖8b表示水深校正后Landsat-8影像。

圖8 水深校正前后Landsat-8影像

2.6 最佳波段組合

為得到精度更高的圖像解譯結(jié)果, 選擇最大信息量的波段組合較為關(guān)鍵。本次研究使用美國查維茨提出的最佳指數(shù)法(Optimum Index Factor, OIF)[16]確定波段的組合, 該方法計算簡單, 便于操作, 可依據(jù)圖像數(shù)據(jù)的標(biāo)準(zhǔn)差和波段間的方差計算得出, 公式如下:

式中, Si為第i個波段的標(biāo)準(zhǔn)差; Rij為i、j這２個波段的相關(guān)系數(shù)。OIF指數(shù)越大, 則組合波段所包含的信息量就越大, 并且波段間的相關(guān)性越小, 根據(jù)計算可得信息量最大的最佳波段組合為: YAYBYC。YA是3和4波段運(yùn)算后產(chǎn)生的新波段; YB是2和4波段運(yùn)算后產(chǎn)生的新波段; YC是1和2波段運(yùn)算后產(chǎn)生的新波段。如圖9所示, 圖9a表示的是YA波段組合影像, 圖9b表示的是YB波段組合影像, 圖9c表示的是YC波段組合影像, 圖9d表示YA波段、YB波段和YC波段重新組合后的新波段。

2.7 最大似然法分類

針對趙述島和北島的珊瑚礁地貌類型, 建立相應(yīng)的分類體系, 分為灰沙島、瀉湖坡、礁坪、礁前坡和暗灘5類。分類體系表3所示, 可以清晰的區(qū)分不同的物質(zhì)類型。

3 結(jié)果分析與精度評價

3.1 分類結(jié)果與分析

基于2017年的Landsat-8數(shù)據(jù), 分別利用最大似然法和水深校正—波段組合—最大似然法2種方法進(jìn)行監(jiān)督分類, 可得圖10, a、b、c分別表示基于最大似然法的地貌分類結(jié)果、基于水深校正—波段組合—最大似然法的地貌分類結(jié)果和基于水深校正—波段組合—最大似然法—決策樹分類法的地貌分類結(jié)果。由圖可知: b相比于a, 瀉湖坡區(qū)域面積減少, 灰沙島區(qū)域面積也減少, 存在灰沙島的分類精度不高的問題。為了提升b的分類精度, 利用決策樹分類法對灰沙島區(qū)域進(jìn)行糾正, 可得c, 將不同方法的分類結(jié)果進(jìn)行比較(圖11), 可以明顯看出: 基于水深校正—波段組合—最大似然法—決策樹分類法的地貌分類效果更好。

表3 趙述島分類樣本構(gòu)建

圖10 地貌分類

圖11 基于三種分類方法的地貌面積統(tǒng)計

3.2 精度評價

本文使用2017年2月18日拍攝的空間分辨率為2 m的WorldView-2多光譜影像作為驗證數(shù)據(jù), 對分類結(jié)果進(jìn)行精度評價。

利用混淆矩陣對使用最大似然法監(jiān)督分類的影像進(jìn)行精度評價, 檢驗精度見表4, 結(jié)果表明: (1) 基于最大似然法的趙述島分類結(jié)果總體精度達(dá)到92.30%, Kappa系數(shù)達(dá)到0.905。(2) 灰沙島的漏分率最高, 達(dá)到22.35%, 制圖精度最低, 為77.65%; 礁坪的制圖精度最高, 達(dá)到98.98%, 錯分率最高, 達(dá)到15.11%; 瀉湖坡的錯分率和漏分率都很高, 分別為11.07%和20.64%, 制圖精度只有79.36%。(3) 礁前坡、海面、暗灘三種物質(zhì)的分類結(jié)果良好, 漏分率低, 制圖精度高。

將水深校正、波段組合及最大似然法監(jiān)督分類后影像進(jìn)行精度驗證, 檢驗精度見表5, 結(jié)果表明: (1) 影像分類后的總體精度由原來的92.30%提升到94.81%, Kappa系數(shù)也由原來的0.905提升到0.906。(2) 經(jīng)過水深校正和波段組合后的影像的錯分率和漏分率降低, 制圖精度明顯提升, 只有灰沙島和礁前坡的制圖精度降低。

表4 Landsat-8影像的精度驗證(最大似然法)

注: 總體精度92.30%, Kappa系數(shù)=0.905

表5 Landsat-8影像的精度驗證(水深校正—波段組合—最大似然法)

注: 總體精度94.81%, Kappa系數(shù)=0.906

利用決策樹分類法結(jié)合水深校正—波段組合—最大似然法, 提升灰沙島的分類精度, 對于珊瑚礁系統(tǒng)的信息識別可以得到較好的效果(表6)。結(jié)果表明: (1) 灰沙島的漏分率由50%下降到0, 制圖精度由50%提升到100%。(2) 影像分類后的總體分類精度由原來的94.81提升到95.07, Kappa系數(shù)也由原來的0.906提升到0.939。

表6 Landsat-8最大似然法影像的精度驗證(水深校正—波段組合—最大似然法—決策樹分類)

注: 總體精度97.07%, Kappa系數(shù)=0.939

4 珊瑚礁時空變化分析

4.1 趙述島地貌類型時空變化

4.1.1 趙述島地貌類型時間變化

基于2014年到2018年5年的Landsat-8影像, 進(jìn)行監(jiān)督分類, 可以獲得歷年趙述島的珊瑚礁識別圖(圖12), a、b、c、d、e分別表示2014年、2015年、2016年、2017年和2018年珊瑚礁識別結(jié)果, 從圖中可以看出趙述島的5類地貌變化趨勢較小。

對趙述島的地貌類型面積進(jìn)行統(tǒng)計(圖13), 可以清晰的看出: (1) 灰沙島的面積呈現(xiàn)增長趨勢, 這與實際情況不符, 由于人類活動的加劇, 灰沙島附近人工建筑在不斷擴(kuò)張, 導(dǎo)致灰沙島的面積持續(xù)增長。(2) 2014到2018年間, 瀉湖坡的面積圍繞200 hm2面積橫線上下浮動, 但總體趨勢是下降趨勢。(3) 5 a間, 礁坪面積穩(wěn)定在630 hm2, 2018年相比于2014年, 增長了23.6 hm2, 總體呈增長趨勢。(4) 礁前坡的面積變化呈現(xiàn)下降趨勢, 在2017年出現(xiàn)最低點(diǎn), 2014年瀉湖坡的面積大于2018年其面積, 說明瀉湖坡面積在退化。(5) 海面的面積變化主要取決于其他五類物質(zhì)的面積變化, 從圖中還可以看出與暗灘的變化存在互補(bǔ)趨勢。(6)暗灘面積波動變化幅度小, 面積最高點(diǎn)為2014年的402.56 hm2, 最低點(diǎn)為2015年的328.81 hm2, 2016年及其以后, 面積略有增加, 直到2018年, 面積達(dá)到380.56 hm2, 但相比于2014年, 暗灘面積在減少。2015年出現(xiàn)最低點(diǎn), 與海水對礫石的沖積和堆積有關(guān), 同時也與水深和潮汐有關(guān), 當(dāng)淺海水深上升時, 暗灘的識別會更加困難。

4.1.2 趙述島地貌類型空間變化

根據(jù)2014年和2018年的珊瑚礁分類結(jié)果, 計算面積轉(zhuǎn)移矩陣, 如表7所示, 從表中可以看出: (1) 345.17 hm2的暗灘面積未發(fā)生變化, 但44.55 hm2的暗灘轉(zhuǎn)化為礁前坡; 海面有361.7 hm2面積未轉(zhuǎn)移, 16.32 hm2海面轉(zhuǎn)移為礁前坡; 僅有的20.19 hm2的灰沙島到2018年依然是灰沙島; 36.92 hm2礁坪轉(zhuǎn)化為瀉湖坡, 但仍有556.42 hm2礁坪未發(fā)生改變; 礁前坡轉(zhuǎn)化為暗灘和海面的面積分別為32.41 hm2和63.66 hm2, 400.4 hm2礁前坡面積依然是礁前坡; 瀉湖坡有70.68 hm2轉(zhuǎn)移為礁坪, 130.9 hm2未發(fā)生變化。(2) 從總體來看, 暗灘、礁前坡和瀉湖坡面積減少, 海面、灰沙島和礁坪的面積增多; 暗灘、礁前坡和瀉湖坡面積減少, 東北季風(fēng)、熱帶氣旋溫度上升的綜合影響是驅(qū)動因素; 海面面積增多的主要原因與全球氣候變暖導(dǎo)致的海平面上升有關(guān); 礁坪主要由白化后的珊瑚砂石構(gòu)成, 礁坪的面積增加表明珊瑚白化趨勢明顯, 主要與航道和碼頭的人為開發(fā)活動相關(guān); 近年來趙述島增設(shè)人工建筑, 導(dǎo)致了灰沙島面積的增加。

圖12 歷年珊瑚礁識別結(jié)果

圖13 歷年底質(zhì)變化圖

將面積轉(zhuǎn)化矩陣以空間面積變化的形式表現(xiàn), 如圖14所示, 從圖中可以明顯的看出趙述島的面積轉(zhuǎn)移情況, 礁坪和礁前坡和瀉湖坡的面積轉(zhuǎn)移明顯, 但仍然符合聚類分布規(guī)律。將具體的轉(zhuǎn)移面積進(jìn)行統(tǒng)計, 如表8所示, 未發(fā)生面積轉(zhuǎn)移的達(dá)到1 814.42 hm2。

4.2 趙述島珊瑚礁時空演變

結(jié)合決策樹模型對珊瑚礁的底質(zhì)分類和最大似然法對珊瑚礁的地貌分類, 可得基于地貌分類的珊瑚礁變化(圖15), a和b分別表示2014年和2015年基于地貌分類的珊瑚礁分類, 結(jié)果表明: (1) 2014年, 珊瑚礁主要分布在瀉湖坡地貌區(qū), 2018年, 珊瑚礁的分布范圍在擴(kuò)散, 瀉湖坡和礁坪都有珊瑚礁分布。(2)從總體上來講, 珊瑚礁的面積在減少, 直觀表現(xiàn)出這5年間, 我國南海趙述島地區(qū)珊瑚礁退化嚴(yán)重, 為我國珊瑚礁保護(hù)敲響了警鐘。

表7 2014—2018趙述島珊瑚礁類型轉(zhuǎn)移矩陣(精確到小數(shù)點(diǎn)后兩位)

圖14 2014年和2018年地貌變化圖

表8 2014—2018地貌面積變化(精確到小數(shù)點(diǎn)后兩位)

5 結(jié)論

本文利用2014—2018年的Landsat-8影像和2017年的worldview-2影像, 以西沙群島海域趙述島為研究對象, 建立了珊瑚礁決策樹底質(zhì)分類模型, 取得的結(jié)論如下:

(1) 利用最大似然法的監(jiān)督分類方法對影像地貌進(jìn)行監(jiān)督分類, 總體分類精度為92.30%, Kappa系數(shù)為0.905。(2) 使用水深校正算法和波段組合法對影像進(jìn)行處理能夠明顯提高淺海地貌分類的識別精度, 總體精度由原來的92.30%提升到94.81%, 再結(jié)合決策樹分類結(jié)果對灰沙島分類結(jié)果進(jìn)行改正, 總體精度由94.81%提升到95.07%, 對于珊瑚礁系統(tǒng)的信息識別可以得到較好的效果。(3) 通過對2014和2018分類后影像進(jìn)行轉(zhuǎn)移矩陣計算, 得到近5年趙述島礁盤珊瑚礁地貌類型的變化情況, 暗灘、礁前坡和瀉湖坡面積減少, 海面、灰沙島和礁坪的面積增多,該結(jié)果同時表明基于多時相遙感影像的變化檢測方法的可行性。(4) 通過地貌分類基礎(chǔ)上的珊瑚礁演變分析, 表明珊瑚礁的擴(kuò)散和退化現(xiàn)象明顯。

[1] Purkis S J. A “Reef-Up” approach to classi-fying coral habitats from IKONOS imagery[J]. Geoscience & Remote Sensing IEEE Transac-tions on, 2005, 43(6): 1375-1390.

[2] 鄒亞榮, 林明森, 王華, 等. 對東沙島基于融合信息高分辨遙感影像分類研究[J]. 海洋學(xué)報, 2006, 28(1): 56-61.

ZOU Yarong, LIN Mingsen, WANG Hua, et al. Study on high resolution image classification for Dongsha Island based on fuse informa-tion[J]. Acta Oceano-logica Sinica, 2006, 28(1): 56-61.

[3] Bouvet G, Ferraris J, Andréfou?t S. Evalua-tion of large-scale unsupervised classification of New Caledonia reef eco-systems using Landsat 7 ETM+ ima-gery[J]. Oceanologica Acta, 2003, 26(3): 281-290.

[4] 萬佳馨, 任廣波, 馬毅. 基于WorldView-2和GF-2遙感影像的趙述島礁坪底質(zhì)變化研究[J]. 海洋科學(xué), 2019, 43(10): 43-54.

WAN Jiaxin, REN Guangbo, MA Yi. Study on substrate changes of Zhaoshu reef flat based on WorldView-2 and GF-2 remote sensing images[J]. Marine Sciences, 2019, 43(10): 43-54.

[5] 索琳琳, 蔡玉林, 孫旋, 等. 基于Landsat8數(shù)據(jù)的西沙群島珊瑚礁信息提取[J]. 中國科技論文, 2019, 14(3): 347-352.

SUO Linlin, CAI Yulin, SUN Xuan, et al. Mapping coral reefs at Xisha Islands using Landsat8[J]. China Science Paper, 2019, 14(3): 347-352.

[6] Hochberg E J, Andrefouet S, Tyler M R. Sea surface correction of high spatial resolution Ikonos ima-ges to improve bottom mapping in near-shore environments[J]. IEEE Transac-tions on Geoscience & Remote Sensing, 2003, 41(7): 1724-1729.

[7] Bello-Pineda J, Liceaga-Correa M A, Her- nández-Nú?ez H, et al. Using aerial video to train the supervised classi-fication of Landsat Tm imagery for coral reef habitats mapping[J]. Environmental Mo-ni-toring and Assessment, 2005, 105(1/3): 145-164.

[8] 龔劍明, 朱國強(qiáng), 楊娟, 等. 面向?qū)ο蟮哪虾Ｉ汉鹘傅孛矄卧崛J]. 地球信息科學(xué)學(xué)報, 2014, 16(6): 997-1004.

GONG Jianming, ZHU Guoqiang, YANG Juan, et al. 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, 2014, 16(6): 997- 1004.

[9] 索琳琳. 基于多源遙感數(shù)據(jù)的珊瑚礁白化監(jiān)測研究[D]. 青島: 山東科技大學(xué), 2018.

SUO Linlin. Research on coral reef bleaching monitoring based on multi-source remote sensing data[D]. Qingdao: Shandong University of Science and Technology, 2018.

[10] 鄒亞榮, 黃磊, 張治平. 結(jié)合紋理特征的SVM島礁信息提取分析[J]. 遙感技術(shù)與應(yīng)用, 2014, 29(5): 812-817.

ZOU Yarong, HUANG Lei, ZHANG Zhiping. Analysis coupling features with SVM to extract information of island land use[J]. Remote Sensing Technology and Application, 2014, 29(5): 812-817.

[11] 徐慧, 朱金山, 劉振, 等. 基于CBERS-04衛(wèi)星影像的珊瑚礁底質(zhì)分類能力分析[J]. 北京測繪, 2019, 33(11): 1312-1317.

XU Hui, ZHU Jinshan, LIU Zhen, et al. Analysis of classification ability of coral reefs based on CBERS-04 satellite imagery[J]. Beijing Surveying and Mapping, 2019, 33(11): 1312-1317.

[12] PalandroD A, Andréfou?t S, Hu Chuanmin, et al. Quantifica-tion of two decades of shallow-water coral reef habitat decline in the Florida Keys National Marine Sanctuary using Landsat data (1984–2002)[J]. Remote Sensing of Environment, 2008, 112(8): 3388-3399.

[13] 曾昭璇. 中國珊瑚礁地貌研究[M]. 廣州: 廣東人民出版社, 1997: 337-374.

ZENG Zhaoxuan. Study on coral reef geomorphology in China[M]. Guangzhou: Guangdong Peoples Publi-shing House, 1997: 337-374.

[14] 李麗. 基于WorldView-2數(shù)據(jù)的西沙群島遙感水深反演: 以趙述島和南島為例[J]. 國土資源遙感, 2016, 28(4): 170-175.

LI Li. Remote sensing bathymetric inversion for the Xisha Islands based on WorldView-2 data: A case study of Zhaoshu Island and South Island[J]. Remote Sensing for Land & Resources, 2016, 28(4): 170-175.

[15] LYZENGA D R. Remote sensing of bottom reflectance and water attenuation parameters in shallow water using aircraft and Landsat data[J]. International of Remote Sensing, 1981, 2(1): 71-82.

[16] 韓麗君. 土地利用分類中ＴＭ影像最佳波段組合選擇研究[J]. 太原師范學(xué)院學(xué)報, 2010, 9(1): 127-144.

Han Lijun. Optional bands combination of TM image in land use classification[J]. Journal of Taiyuan Normal University, 2010, 9(1): 127-144.

Remote sensing recognition of coral islands and reefs in the South China Sea

YUE Zi-lin1, ZHU Wei-dong1, 2, QIU Zhen-ge1, 2, LUAN Kui-feng1, 2, YE Li1, QIAN Chu-yi1

(1. College of Marine Sciences, Shanghai Ocean University, Shanghai 201306, China; 2. Shanghai Engi-nee-ring Research Center of Estuarine and Oceanographic Mapping, Shanghai 201306, China)

Coral reefs in the South China Sea are generally in a state of degradation, and satellite remote sensing can monitor the evolution of coral reef sediments. This paper considers the Zhaoshu Island in the Paracel Islands area as the research area and takes a Landsat-8 satellite remote sensing image as the research data. The image is used to correct the depth of the water and combine the band. The reef landforms are classified using the maximum likelihood method. Six geomorphological types, namely gray sand island, reef flat, reef front slope, lagoon slope, beach, and sea surface, can be clearly identified. Taking the Worldview-2 satellite image as the verification data, the overall classification accuracy is 94.81%, which is higher than 92.30% of the maximum likelihood method. Combined with the decision tree classification, the overall classification accuracy is improved to 95.07%. The temporal and spatial changes of coral reef geomorphic types were analyzed by the transfer matrix, based on the Landsat-8 data from 2014 to 2018. Results show that the coral reef degradation and transfer are obvious in Zhaoshu Island.

coral reef; maximum likelihood method; decision tree classification; water depth correction; spatiotemporal change

Jul. 27, 2021

TP79

A

1000-3096(2022)04-0067-14

10.11759/hykx20210727004

2021-07-27,

2021-09-29

國家重點(diǎn)研發(fā)計劃海洋光學(xué)遙感探測機(jī)理與模型研究(2016YFC1400904)

[This work was substantially supported by the National Key R&D Program of China, No. 2016YFC1400904]

岳子琳(1997—), 女, 河南林州人, 碩士研究生在讀, 研究方向為海洋遙感, E-mail: m190200567@st.shou.edu.cn; 朱衛(wèi)東(1979—),通信作者, 男, 河南鄭州人, 講師, 碩士生導(dǎo)師, 研究方向為海洋測繪, E-mail: wdzhu@shou.edu.cn

(本文編輯: 趙衛(wèi)紅)