基于無人機(jī)高光譜特征的紅樹林種群識別研究-以漳江口紅樹林國家級自然保護(hù)區(qū)為例

周在明，陳本清，徐冉，方維

( 1.自然資源部第三海洋研究所 海洋聲學(xué)與遙感實(shí)驗(yàn)室，福建 廈門 361005；2.福建農(nóng)林大學(xué) 林學(xué)院，福建 福州 350002；3.福建漳江口紅樹林國家級自然保護(hù)區(qū)，福建 云霄 363000)

1 引言

紅樹林是生長在熱帶及亞熱帶海岸潮間帶上的生態(tài)群落，其生產(chǎn)力高、固碳能力強(qiáng)，對保護(hù)海岸帶生物多樣性具有十分重要的價(jià)值，是國際濕地生態(tài)保護(hù)和生物多樣性保護(hù)的重要對象，是國際濕地公約中的重要分類系統(tǒng)[1-3]。而紅樹林種群的分類和識別對紅樹林生態(tài)系統(tǒng)的保護(hù)和恢復(fù)及對紅樹林的深入研究至關(guān)重要[4-5]。

在遙感數(shù)據(jù)的應(yīng)用方面，由于光譜和空間分辨率的影響，中低分辨率多光譜遙感影像可在大尺度上實(shí)現(xiàn)紅樹林制圖，但較少應(yīng)用于紅樹林種群的分類研究[6]。Wang等[7]從紅樹林分布研究、生態(tài)參數(shù)提取、生態(tài)系統(tǒng)過程表征3個(gè)方面系統(tǒng)梳理了紅樹林遙感相關(guān)研究的進(jìn)程，并闡明了紅樹林遙感與陸地森林遙感的階段差異和相似性。高空間分辨率遙感影像通過空間紋理特征的分析，可應(yīng)用于紅樹林種群的分類研究中[8]。Wang等[9]首次應(yīng)用高空間分辨率IKONOS多光譜和全色影像實(shí)現(xiàn)了巴拿Magaleta紅樹林種群的分類研究。在此之后，相關(guān)的研究逐漸興起，其數(shù)據(jù)源多以高空間分辨率影像為主[10-11]。Xia等[12]通過多光譜衛(wèi)星影像GF-1和Landsat 8 OLI/TIRS比較分析了淹沒紅樹林識別指數(shù)—SMRI指數(shù)的適用性。

隨著衛(wèi)星遙感技術(shù)的發(fā)展，高光譜遙感將表征地物屬性特征的連續(xù)光譜信息與表征地物幾何位置特征的空間信息有機(jī)結(jié)合，使得地物的精確定量分析與細(xì)節(jié)提取成為可能[13]。在紅樹種群識別分類研究中，高光譜影像逐漸顯示出優(yōu)越性，Kumar等[14]應(yīng)用EO-1Hyperion數(shù)據(jù)在支持向量機(jī)SVM方法的基礎(chǔ)上實(shí)現(xiàn)了印度Bhitarkanika國家公園紅樹林高精度的種群識別。Jia等[5]綜合EO-1 Hyperion高光譜影像和SPOT-5影像，應(yīng)用面向?qū)ο蟮姆诸惙椒▽?shí)現(xiàn)了香港米鋪紅樹林的分類研究。隨著新型傳感器的在軌運(yùn)行，學(xué)者們也進(jìn)行了相關(guān)研究，Wan等[15]應(yīng)用GF-5高光譜數(shù)據(jù)對香港米鋪的紅樹林進(jìn)行了分類研究，展示了GF-5高光譜數(shù)據(jù)的應(yīng)用效果。在航空高光譜方面，Hati等[16]比較了航空高光譜AVIRIS-NG和衛(wèi)星高光譜Hyperion與多光譜Landsat 8 OLI及Sentinel-2在紅樹林種群分類研究中的效果，顯示出航空AVIRIS-NG數(shù)據(jù)在種群分類中的高精度性能。近年來，無人機(jī)平臺遙感技術(shù)快速發(fā)展，在紅樹林遙感監(jiān)測中也逐漸開展。劉凱等[17]基于面向?qū)ο蠓诸惖淖钹徑诸惼髋c隨機(jī)森林分類器對紅樹林樹種進(jìn)行精細(xì)分類和對比分析，并探討了不同類型無人機(jī)平臺在紅樹林資源調(diào)查應(yīng)用中的優(yōu)缺點(diǎn)。Cao等[18]通過無人機(jī)高光譜影像結(jié)合數(shù)字表面模型，利用最鄰近法和支持向量機(jī)分類方法對廣東淇澳紅樹林種群進(jìn)行了分類研究。

基于無人機(jī)平臺的高光譜傳感器可以提供豐富的地物信息，且其靈活高效，是區(qū)域精細(xì)化數(shù)據(jù)獲取的必要手段，運(yùn)用高光譜技術(shù)對濕地植被光譜特征進(jìn)行分析研究是近年來的熱點(diǎn)和重點(diǎn)內(nèi)容，也是紅樹林理化信息獲取的重要依據(jù)[19-20]。然而，目前相關(guān)的研究并不多見，本研究以無人機(jī)高光譜影像為基礎(chǔ)對濱海濕地紅樹林種群進(jìn)行識別分類，為區(qū)域紅樹林濕地保護(hù)提供數(shù)據(jù)支撐，為紅樹林種群研究提供方法參考。

2 研究區(qū)與數(shù)據(jù)

2.1 研究區(qū)概況

漳江口紅樹林保護(hù)區(qū)位于福建省云霄縣漳江入?？冢?3°53′45″～23°56′00″N，117°24′07″～117°30′00″E）（圖1），總面積為2 360 hm2，是以紅樹植物、濕地水鳥、珍稀水產(chǎn)種質(zhì)資源為主要對象的濕地類型自然保護(hù)區(qū)，是我國北回歸線北側(cè)種類最多、生長最好的紅樹林天然群落，為國家級自然保護(hù)區(qū)，并被列入《國際重要濕地名錄》。漳江口紅樹林保護(hù)區(qū)屬于亞熱帶海洋性季風(fēng)氣候，氣候溫暖濕潤，年均氣溫為21.2℃，年均降水量為1 714.5 mm。

圖1 漳江口紅樹林研究區(qū)位置Fig.1 The location of Zhangjiangkou mangrove in the study area

2.2 數(shù)據(jù)來源

本研究于2019年10月28日，應(yīng)用縱橫CW-10垂直起降固定翼無人機(jī)，通過穩(wěn)定云臺搭載德國Cubert S185畫幅式高光譜成像儀，選擇晴朗無風(fēng)的中午時(shí)段進(jìn)行研究區(qū)控制飛行試驗(yàn)，飛行前進(jìn)行研究區(qū)航線規(guī)劃、光譜儀白板校準(zhǔn)，飛行過程中對區(qū)域特征點(diǎn)位進(jìn)行了地面控制測量，飛行高度為120 m。

CW-10兼顧固定翼和旋翼機(jī)的功能，最大起飛重量為12 kg，任務(wù)載荷為1～2 kg，巡航速度為20 m/s，最大續(xù)航時(shí)間為1.5 h，抗風(fēng)能力為6級，差分定位精度水平為1 cm，垂直精度為3 cm。 S185成像光譜儀的光譜范圍為450～950 nm，采樣間隔為4 nm，光譜分辨率為8 nm，光譜通道有125個(gè)。

對獲取的無人機(jī)（Unmanned Aerial Vehicle, UAV）高光譜影像利用Cubert-Pilot軟件進(jìn)行圖像融合，利用PhotoScan軟件進(jìn)行影像拼接，基于地面控制點(diǎn)進(jìn)行幾何校正，最終裁剪生成研究區(qū)高光譜影像圖（圖2a）。在高光譜影像獲取的同時(shí)應(yīng)用索尼a7RⅡ普通數(shù)碼相機(jī)獲取了研究區(qū)5 cm空間分辨率的普通光學(xué)正射影像（圖2b）。

圖2 研究區(qū)無人機(jī)高光譜影像圖（a）和普通光學(xué)影像（b）Fig.2 Unmanned aerial vehicle hyperspectral image (a) and RGB image (b) in the study area

3 結(jié)果與討論

3.1 原始光譜特征

根據(jù)野外調(diào)查并結(jié)合研究區(qū)主要植被類型的實(shí)際分布情況，本研究選取紅樹植被桐花樹（Aegiceras corniculatum）、白骨壤（Avicennia marina）、秋茄（Kandelia obovata）和濱海鹽沼互花米草（Spartina alterniflora）4種典型植被類型進(jìn)行分析。根據(jù)野外調(diào)查植被種群的GPS位置信息和高光譜影像的紋理特征，選取單種植被覆蓋度大于80%的1 304個(gè)點(diǎn)位為樣本點(diǎn)，其中，訓(xùn)練樣本911個(gè)，驗(yàn)證樣本393個(gè)（表1）。

表1 研究區(qū)典型植被類型樣本情況表Table 1 The information sheet of sample of the typical vegetation species in the study area

根據(jù)訓(xùn)練樣本點(diǎn)位在影像上提取光譜信息，并對同類樣點(diǎn)光譜進(jìn)行均值和平滑處理，最終得到研究區(qū)4種植被類型的光譜反射率曲線（圖3）。由圖3可見，桐花樹、白骨壤和秋茄3種植被類型在可見光和近紅外波段表現(xiàn)出典型綠色植物的主要光譜響應(yīng)特征。在可見光波段，植物光譜主要受葉綠素含量的影響，470 nm藍(lán)光波段和670 nm紅光波段附近葉綠素吸收輻射能形成吸收谷，在550 nm綠光波段附近吸收相對減少，形成綠色反射峰。受葉片內(nèi)部細(xì)胞組織對近紅外波段強(qiáng)反射的影響，670～780 nm之間“紅邊”反射迅速增高。近紅外波段受葉片內(nèi)部的細(xì)胞結(jié)構(gòu)和葉冠結(jié)構(gòu)對光強(qiáng)烈反射的影響，780～950 nm近紅外波段內(nèi)表現(xiàn)出高反射率特征，且由于植被種群間葉子內(nèi)部結(jié)構(gòu)的變化，不同植被種群近紅外波段光譜反射率差異較可見光波段明顯。

圖3 研究區(qū)典型植被類型光譜反射率曲線Fig.3 Spectral reflectance curves of typical vegetation species in the study area

對互花米草而言，不同于紅樹植被的常綠特性，其光譜特征主要受季節(jié)性生長規(guī)律的影響，10月漳江口互花米草植株生長進(jìn)入末期，并出現(xiàn)枯萎和倒伏，葉片葉綠素含量降低，導(dǎo)致可見光波段的光譜反射率顯著提高[21]。而在近紅外波段受葉片細(xì)胞結(jié)構(gòu)和葉片含水量的影響，使得光譜反射率相對較低[22-23]。

3.2 光譜變換特征

光譜特征的選擇對濕地植被的識別精度和效率有著直接的影響[24]，為了進(jìn)一步突出植被的光譜信息，增大植被光譜差異性，需要放大植被的光譜特征。本研究對原始光譜進(jìn)行一階微分變換FD（公式（1））、二階微分變換SD（公式（2））、包絡(luò)線去除CR（公式（3））3 種變換。

式中，r(λi+1)、r(λi-1)、r(λi+2)、r(λi)、r(λi-2)分別是各波段對應(yīng)位置的光譜反射率； Δ λ為相鄰波長間的增量；h(λi)為 λi波段對應(yīng)的包絡(luò)線外殼值；k是起點(diǎn)波段和終點(diǎn)波段之間的斜率； λstart、 λend為起點(diǎn)和終點(diǎn)波長。

3.2.1 一階微分變換

一階微分反映光譜曲線的響應(yīng)速度，能夠減弱背景噪聲[25]。本研究對一階微分變換后的光譜反射率曲線，引入“三邊”參數(shù)，即藍(lán)、黃、紅“三邊”斜率Db、Dy、Dr和“三邊”面積Sb、Sy、Sr進(jìn)行定量表達(dá)[26]（表2）。由表2可見，4種植被的“三邊”參數(shù)中，藍(lán)邊斜率Db和 黃邊斜率Dy值之間雖然有一定的區(qū)分但相差不大，紅邊斜率Dr之間的相差值為0.036～0.582，表現(xiàn)出相對較好的區(qū)分度。在“三邊”面積中，白骨壤和秋茄兩者的“三邊”面積Sb、Sy、Sr值相對接近，而其他種群間藍(lán)、黃、紅“三邊”面積相差值分別為0.159～0.382、0.091～0.214和 1.400～7.266，因此“三邊”面積能進(jìn)行3種植被類型的區(qū)分，其中紅邊面積Sr的區(qū)分度相對較好。

表2 研究區(qū)典型植被類型“三邊”參數(shù)Table 2 Three sides spectral parameters of the typical vegetation species in the study area

3.2.2 二階微分變換

二階微分光譜可放大不同植被的形態(tài)、水分和葉綠素含量信息，并能削弱太陽角、地形因素、云層覆蓋等對圖像亮度的影響[27]。本研究根據(jù)二階微分變換曲線分別統(tǒng)計(jì)峰、谷波段內(nèi)4種植被二階微分絕對值的最大值即最大峰度值K（表3）?？梢?，650～700 nm波段的最大峰度值K1由大到小依次為秋茄、白骨壤、桐花樹、互花米草，700～720 nm波段的最大峰度值K2由大到小依次為桐花樹、秋茄、白骨壤、互花米草，720～750 nm波段的最大峰度值K3由大到小依次為秋茄、桐花樹、白骨壤、互花米草。650～700 nm波段白骨壤和秋茄最大峰度值相差較小，為0.001 3，其他種群間最大峰度值相差值為0.007 9～0.019 8。700～720 nm、720～750 nm波段桐花樹和秋茄最大峰度值相差較小，分別為0.001 7、0.000 8，其他種群間最大峰度值相差分別為0.003 7～0.015 5和0.002 0～0.017 0。因此，綜合應(yīng)用650～750 nm波段二階微分變換后的最大峰度K值可適當(dāng)進(jìn)行植被種群類型的區(qū)分。

表3 研究區(qū)典型植被類型最大峰度統(tǒng)計(jì)Table 3 The maximum kurtosis of the typical vegetation species in the study area

3.2.3 包絡(luò)線去除

包絡(luò)線去除能有效地增強(qiáng)地物吸收和反射特征，該方法將反射率歸一化，進(jìn)而將地物吸收特征歸一化到統(tǒng)一的光譜背景中，實(shí)現(xiàn)多種地物光譜的特征對比[28]。由圖4可見，4種植被類型的包絡(luò)線去除曲線具有一致的光譜吸收特征，在吸收谷中表現(xiàn)出一定的差異性，為了進(jìn)一步比較其差異性，分別計(jì)算450～550 nm和550～750 nm兩個(gè)波段范圍的吸收深度H、吸收峰面積A、左吸收峰面積AL和對稱度S（表4）。

圖4 包絡(luò)線去除光譜反射率變換曲線Fig.4 Spectral reflectance curves of continuum removal

由表4可以看出，4種植被在450～550 nm波段范圍內(nèi)的吸收深度H1、左吸收峰面積AL1、吸收峰面積A1明顯小于其在550～750 nm波段內(nèi)的吸收深度H2、左吸收峰面積AL2、吸收峰面積A2，而兩個(gè)波段范圍內(nèi)的對稱度S基本相似。兩個(gè)不同波段范圍內(nèi)的吸收特征均表現(xiàn)出吸收深度、左吸收峰面積、吸收峰面積3個(gè)特征參數(shù)在紅樹植被上的值均明顯高于其在互花米草上的參數(shù)值。桐花樹、白骨壤和秋茄對應(yīng)的H1值為0.420 4～0.507 4、AL1值為13.791 8～15.476 2、A1值為24.359 9～30.705 8、H2值為0.849 3～0.916 0、AL2值為76.755 4～86.550 7、A2值為112.484 6～127.111 5；互花米草相應(yīng)的參數(shù)H1值為0.114 7、AL1值為 2.587 4、A1值為 6.328 5、H2值為 0.479 6、AL2值為36.971 9、A2值為56.787 7?？傮w上，4種植被類型間的吸收深度、吸收峰面積、左吸收峰面積數(shù)值上都具有一定的差別，相差分別為H1值0.026 3～0.392 7、AL1值0.415 2～12.888 8、A1值 0.059 2～24.377 3、H2值 0.022 2～0.436 4、AL2值 2.496 1～49.578 8、A2值7.444 5～70.323 8，其中兩個(gè)吸收峰面積A1和A2在4種植被種群間的差別相對較大，可較好地用于植被種群間的區(qū)分。

表4 研究區(qū)典型植被類型包絡(luò)線去除光譜吸收參數(shù)Table 4 Spectral absorption parameters after continuum removal of typical species in the study area

3.3 決策樹構(gòu)建

為了有效地篩選出具有較好植被類型識別能力的光譜特征參數(shù)，本研究對一階微分變換、二階微分變換和包絡(luò)線去除后提取的Db、Dy、Dr、Sb、Sy、Sr、K1、K2、K3、H1、AL1、A1、S1、H2、AL2、A2、S2 共911組17個(gè)光譜參數(shù)進(jìn)行基于馬氏距離的逐步判別分析。結(jié)果表明，通過兩個(gè)典型功能判別函數(shù)入選13個(gè)光譜參數(shù)，經(jīng)檢驗(yàn)，4種植被類型樣本的交叉驗(yàn)證總體識別精度可達(dá)到95.5%，篩選出的13個(gè)光譜參數(shù)分別是Db、Dr、Sb、Sy、Sr、K1、K2、H1、AL1、A1、H2、AL2、A2判別分析結(jié)果如圖5所示。

圖5 研究區(qū)典型植被類型逐步判別分析結(jié)果Fig.5 Stepwise discriminant analysis result of the typical vegetation species in the study area

應(yīng)用C5.0經(jīng)典決策樹模型算法構(gòu)建決策樹，C5.0決策樹算法是由QUINLAN提出的ID3算法不斷改進(jìn)形成，是以信息熵的下降速度作為選取最佳分支變量和分割閾值的判定依據(jù)[29]。去除研究區(qū)的水體信息，將通過逐步判別分析方法入選的13個(gè)光譜特征參數(shù)作為測試變量，桐花樹、白骨壤、秋茄和互花米草4種典型植被類型作為目標(biāo)變量，最終通過閾值判斷、優(yōu)化和修剪構(gòu)建了具有14個(gè)節(jié)點(diǎn)，深度為8的決策樹模型（圖6）。

圖6 研究區(qū)典型植被類型決策樹模型示意圖Fig.6 The sketch map of decision tree classification model of the typical vegetation species in the study area

3.4 結(jié)果與評價(jià)

由于用于本研究的高光譜數(shù)據(jù)具有125個(gè)波段，數(shù)據(jù)量較大，因此，本研究選取區(qū)域范圍內(nèi)從上至下4個(gè)代表性區(qū)塊a、b、c、d進(jìn)行識別。通過圖像參數(shù)計(jì)算和圖像波段合并后，利用上述決策樹模型進(jìn)行植被種群分類識別，其分類識別結(jié)果見圖7所示。

由圖7可知，研究區(qū)上部a區(qū)塊以桐花樹和秋茄混合生長類型為主，中間b和c區(qū)塊呈現(xiàn)白骨壤、桐花樹和秋茄三者的共同生長現(xiàn)狀，研究區(qū)下部d區(qū)塊則以白骨壤分布為主，伴有少量的秋茄分布，而近水域部分則以互花米草的分布為主，c區(qū)塊在互花米草分布區(qū)的邊緣有成片桐花樹分布。

圖7 研究區(qū)植被類型分類識別結(jié)果Fig.7 Identification and classification results of the typical vegetation species in the study area

為了分析基于高光譜特征的紅樹種群分類結(jié)果的準(zhǔn)確性，本研究以同期獲取的研究區(qū)5 cm空間分辨率無人機(jī)普通光學(xué)正射影像為基礎(chǔ)并結(jié)合部分現(xiàn)場調(diào)查資料進(jìn)行精度檢驗(yàn)。在a、b、c、d 4個(gè)區(qū)塊中隨機(jī)選取498個(gè)1 m×1 m樣方，對無人機(jī)普通光學(xué)正射影像上的樣點(diǎn)進(jìn)行專家目視解譯，建立混淆矩陣（表5），最終計(jì)算得到總體分類精度為87.95%，Kappa系數(shù)為83.81%，表明本研究結(jié)果具有較好的分類識別精度。

表5 研究區(qū)典型植被分類結(jié)果混淆矩陣Table 5 Confusion matrix of classification results of the typical vegetation species in the study area

4 結(jié)論

漳江口紅樹林保護(hù)區(qū)植被種群呈現(xiàn)自上到下不同類型的分布格局，研究區(qū)上部以桐花樹和秋茄混合生長類型為主，中間呈現(xiàn)白骨壤、桐花樹和秋茄三者的共生現(xiàn)狀，研究區(qū)下部則以白骨壤分布為主，伴有少量的秋茄分布，而近水域部分以互花米草分布為主。

以同期5 cm空間分辨率影像和地面調(diào)查資料為真實(shí)值，通過混淆矩陣計(jì)算得到研究區(qū)總體分類精度為 87.95%，Kappa系數(shù)為83.81%，表明本研究的紅樹林種群分類結(jié)果具有較好的精度。

在高光譜識別分類過程中，紅樹林與水體交界的區(qū)域，受渾濁水體的影響，光譜特征對分類結(jié)果會有一定的影響，容易產(chǎn)生誤判。

本研究以高光譜影像獲取時(shí)段的數(shù)據(jù)為基礎(chǔ)進(jìn)行基于光譜特征的種群識別研究，獲得了不同紅樹植被種群的分類結(jié)果，但由于不同物候季節(jié)中植被種群的光譜存在一定的差異，因此，在日后的工作中應(yīng)加強(qiáng)紅樹林不同物候生長季節(jié)的光譜特征和光譜區(qū)分度研究，以實(shí)現(xiàn)更好的紅樹林種群識別。