Sentinel-1與Sentinel-2影像聯(lián)合的黃河三角洲濕地信息提取

劉 暢, 王 巖, 王 朝, 盛 輝, 許明明, 劉善偉

Sentinel-1與Sentinel-2影像聯(lián)合的黃河三角洲濕地信息提取

劉 暢1, 王 巖2, 王 朝2, 盛 輝1, 許明明1, 劉善偉1

(1. 中國石油大學(華東)海洋與空間信息學院, 山東 青島 266580; 2. 青島市勘察測繪研究院, 山東 青島 266000)

針對目前濕地信息提取中存在的“同物異譜”、“同譜異物”問題, 以黃河三角洲自然保護區(qū)為實驗區(qū), 采用在信息提取方面具有優(yōu)勢的典型相關森林算法, 將Sentinel-1A雷達影像和Sentinel-2A多光譜影像作為基礎數(shù)據(jù), 考察分別應用多光譜影像、合成孔徑雷達(Synthetic Aperture Radar, SAR)和多光譜二者綜合、SAR紋理特征以及植被指數(shù)對濕地信息提取的效果和適用性。研究結果表明: (1)基于Sentinel-2A多光譜影像, 在分類方法上, 典型相關森林(canonical correlation forest, CCF)的總體精度最高, 達到94.32%, 與支持向量機和隨機森林分類算法相比分別提高了6.55%和5.47%; (2)基于Sentinel-2A多光譜影像和Sentinel-1A后向散射系數(shù)的CCF總體精度達到了94.89%, 與只利用多光譜影像相比, 3種算法的總體精度和Kappa系數(shù)均得到了提升; (3)在SAR和光學聯(lián)合的基礎上加入SAR紋理特征后總體精度和Kappa系數(shù)均略有下降, 分別為94.72%和0.935 3; (4)在SAR和光學聯(lián)合的基礎上加入歸一化差分植被指數(shù)(NDVI)、比值植被指數(shù)(RVI)、差值植被指數(shù)(DVI)、歸一化差分紅外指數(shù)(NDII)和差分紅外指數(shù)(DII)5種植被指數(shù)后, 總體精度達到了最高為95.35%, 7種地物的生產(chǎn)者精度有所提高, 有效提高了對黃河三角洲濕地信息的提取能力。實驗結果可為黃河三角洲濕地的合理開發(fā)和有效保護提供科學支持。

信息提取; SAR; Sentinel-2; 典型相關森林; 黃河三角洲

河口濕地位于陸地和海洋的交錯過渡地帶, 其生態(tài)系統(tǒng)極為脆弱且極具經(jīng)濟價值, 濕地植被是河口濕地中的重要組成部分, 在涵養(yǎng)水源、調節(jié)氣候、維持生物多樣性的方面具有重要作用[1]。隨著氣候的變化、人口和經(jīng)濟的增長、工業(yè)和港口的建設、水體的污染, 河口濕地面臨著各種各樣的壓力, 嚴重影響了可持續(xù)發(fā)展的戰(zhàn)略方針, 因此準確獲取濕地中植物分布情況, 對于保護濕地生物多樣性和恢復生態(tài)系統(tǒng)具有重要的意義。

由于遙感技術時效性高、獲取數(shù)據(jù)快, 可大范圍監(jiān)測地物, 被廣泛運用到濕地信息提取的研究中。在濕地信息提取中, 對于濕地類型的區(qū)分相對較難, 一些地物間的特點極為相似, 空間位置分布錯綜復雜, 邊界模糊, 反映在遙感影像上的特征差異較小[2], 很容易產(chǎn)生“同物異譜”、“同譜異物”現(xiàn)象。在黃河三角洲研究中, 有學者利用數(shù)字表面模型、數(shù)字地形模型、坡度等區(qū)分植被[3], 還有學者利用特征優(yōu)選方式選取不同月份最重要波段[4]、多端元光譜混合分析[5]等方法區(qū)分地物類型,以此提高提取精度。目前, 已有多種遙感數(shù)據(jù)源被應用于濕地信息提取中, 楊朝輝等[6]利用Sentinel-2A影像, 提取蘇州澄湖地區(qū)濕地信息, 總體精度達到80.67%, 對草地、坑塘和裸地的提取精度相對較低。Mleczko等[7]以Sentinel-1A和TanDEM-X為數(shù)據(jù)源對別布扎河濕地進行分類, 實驗結果顯示蘆葦和甘草在微波散機制方面具有非常相似的特征, 分類結果只達到了40%的準確度。Gosselin等[8]針對RADARSAT-2影像采用Touzi分解方式對圣皮埃爾濕地進行提取, 提取出的山地森林和蘆葦?shù)屯菡訚删容^高, 茭白低沼澤和香蒲低沼澤精度相對較低。以上研究僅應用了單一的遙感影像, 實驗結果存在誤分類以及混淆嚴重的區(qū)域。光學影像具有豐富的光譜信息; 合成孔徑雷達全天時觀測且不受云層影響, 具有一定的地表穿透能力, 利用主被動遙感影像提取濕地信息已成為當前遙感技術應用的熱點研究領域之一[9]。其中, 李鵬等[10]、Long等[11]和Franklin等[12]利用合成孔徑雷達(Synthetic Aperture Radar, SAR)與光學聯(lián)合影像分別對黃河三角洲濕地、洞庭湖生態(tài)經(jīng)濟圈和哈德遜灣低地生態(tài)區(qū)進行分類, 聯(lián)合分類精度均在90%以上, 均高于兩者單獨分類的總體精度, 證明了SAR與光學聯(lián)合影像在復雜環(huán)境中的優(yōu)勢。以上研究表明, 將SAR和多光譜影像相結合是一種行之有效的方法。

近年來機器學習成為遙感濕地信息提取的研究熱點, 常用的方法有最大似然法[13-14]、隨機森林(random forest, RF)[15-17]、支持向量機(support vector machine, SVM)[18]和決策樹[19]等, 但在濕地信息提取中面對復雜地物類型很容易出現(xiàn)錯分漏分現(xiàn)象[20-21]。Hong Pan[22]構建了基于特征序列的三維卷積神經(jīng)網(wǎng)絡算法開展了吉林白城市濕地信息提取, 并與傳統(tǒng)的二維卷積神經(jīng)網(wǎng)絡、最大似然法和SVM進行精度比較, 結果表明優(yōu)化后的三維卷積神經(jīng)網(wǎng)絡總體精度最高。Amani等[23]將最大似然、決策樹、K最鄰近、RF和SVM分類器進行組合, 對加拿大紐芬蘭濕地進行信息提取, 結果表明多分類器系統(tǒng)提取效果優(yōu)于單獨使用以上5種算法。典型相關森林(canonical correlation forest, CCF)是一種決策樹(decision tree, DT)集成技術, 用于識別超平面, 與其他分類器相比, CCF在邏輯上包含特征之間的相關性并使用“引導估計”將所有光譜帶召回, 從而將集合分割到給定的可預測空間中。此外, 與SVM和RF相比, 無需頻繁地改變CCF中的參數(shù)[24]。

本文采用CCF算法, 選用Sentinel-1A和Senti-nel-2A遙感影像, 并結合SAR紋理特征和植被指數(shù)對黃河三角洲濕地進行信息提取, 并與傳統(tǒng)的SVM和RF算法進行對比, 探究和分析SAR與光學聯(lián)合影像在對黃河三角洲典型地物提取研究中的作用, 為黃河三角洲地區(qū)生態(tài)環(huán)境遙感監(jiān)測、合理開發(fā)和保護提供技術支撐。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

黃河三角洲自然保護區(qū)(37°42′N~37°50′N, 119°5′E~ 119°17′E)(圖1)是以保護黃河口新生濕地生態(tài)系統(tǒng)和珍稀瀕危鳥類為主體的濕地類型自然保護區(qū), 位于山東省東營市黃河入?？谔? 北瀕渤海, 東臨萊州灣, 屬于暖溫帶半濕潤大陸性季風氣候, 受海陸熱力性質差異影響形成溫帶季風氣候, 四季分明, 夏季高溫多雨, 冬季寒冷干燥[25], 地勢較低且平坦。保護區(qū)內(nèi)植物資源豐富, 共有植物685種。鹽地堿蓬和檉柳在自然保護區(qū)內(nèi)廣泛分布, 蘆葦集中分布面積達40萬畝。區(qū)內(nèi)自然植被覆蓋率達55.1%, 是中國沿海最大的新生濕地自然植被區(qū)。

圖1 研究區(qū)位置

1.2 數(shù)據(jù)與預處理

1.2.1 遙感數(shù)據(jù)

本研究以2019年9月29日的Sentinel-2A影像和2019年9月26日的Sentinel-1A影像為數(shù)據(jù)源。兩幅影像數(shù)據(jù)均下載于歐洲航天局數(shù)據(jù)網(wǎng)站(https:// scihub.copernicus.eu/)。

Sentinel-1衛(wèi)星是歐洲航天局針對哥白尼計劃研發(fā)的地球觀測衛(wèi)星, 由S1A和S1B兩顆衛(wèi)星組成, 載有C波段的合成孔徑雷達(SAR), 可在全天候條件下提供連續(xù)圖像。本文使用Sentinel-1 IW模式Level-1 GRD的產(chǎn)品, 地距單視分辨率為5 m×20 m, 極化方式為VV、VH, GRD數(shù)據(jù)是由SLC級數(shù)據(jù)經(jīng)過多視處理、WGS84橢球投影至地距向的聚焦數(shù)據(jù), 分辨率為10 m×10 m。Sentinel-2衛(wèi)星是高分辨率多光譜成像衛(wèi)星, 攜帶一枚多光譜成像儀(MSI)進行陸地監(jiān)測, 分為2A和2B兩顆衛(wèi)星, Sentinel-2A各波段參數(shù)如表1所示。對于雷達影像而言, Sentinel-1有雙極化信息(VH、VV)。對于極化特征而言, 水平極化(H)能夠穿透植物樹冠層, 特別是對于土壤狀況十分敏感。垂直極化(V)處理豎直結構的信息, 對于植物/樹冠層的穿透十分敏感。VH和VV極化能包含不同的植被與土壤相互作用的信息。VH與VV的比值也被用作雷達影像的一個特征, 因為它能夠有效緩解雙向回彈現(xiàn)象(double-bounce effect), 系統(tǒng)誤差和環(huán)境影像, 能進一步提供更有效的植被信息[26-27]。

表1 Sentinel-2A光譜波段信息

Sentinel-1數(shù)據(jù)預處理的目的是將Sentinel-1 C波段SAR原始強度信號數(shù)據(jù)轉換為以分貝(dB)為單位的標度后向散射系數(shù), 預處理步驟如下: 1)軌道校正, 避免由軌道誤差引起的系統(tǒng)誤差; 2)熱噪聲去除, 減弱由傳感器等其他原因引起的周期性噪聲; 3)采用精致Lee濾波(refined Lee)進行濾波處理, 抑制相干噪聲; 4)地形校正, 改善圖像畸變, 使其幾何特征更符合真實地物; 5)輻射校正, 提取VH和VV通道的后向散射系數(shù)(Sigma0_VH和Sigma0_VV), 并導出為ENVI文件格式; 6)對后向散射系數(shù)圖像進行波段計算, 得到VV/VH極化方式影像數(shù)據(jù), 采用波段合成方式, 將VV、VH、VV/VH影像數(shù)據(jù)構成Sentinel-1后像散射系數(shù)數(shù)據(jù)集。

Sentinel-2數(shù)據(jù)已經(jīng)過幾何校正和輻射校正, 因此只需利用Sen2cor插件對Sentinel-2A的L1C數(shù)據(jù)進行大氣校正, 得到L2A數(shù)據(jù)產(chǎn)品。選取大氣校正后的9個波段, 分別為2、3、4、5、6、7、8a、11、12用于提取濕地信息, 重采樣為10 m。在此基礎上, 為了較好判別濕地土地覆蓋類型, 對Sentinel- 2A數(shù)據(jù)進行相關性分析, 以信息量判斷最佳波段組合, 如圖2所示, 采用3、11和8a波段進行RGB假彩色合成。最后, 將預處理后的Sentinel-1A影像和Sentinel-2A影像進行地理配準, 配準誤差小于0.5個像元。

圖2 RGB(B3、B11、B8a)假彩色合成

1.2.2 樣本與驗證數(shù)據(jù)

樣本質量直接關系到濕地信息提取的精度, 應選擇典型且具有代表性的純凈像元作為樣本[28]。本文的樣本數(shù)據(jù)主要來自于黃河三角洲濕地的現(xiàn)場實地踏勘和依據(jù)Google Earth高分辨率影像進行目視解譯。2020年10月, 課題組對黃河三角洲自然保護區(qū)進行了現(xiàn)場勘察, 將研究區(qū)域內(nèi)的地物類型劃分為9類, 如表2所示, 分別為互花米草、坑塘、蘆葦、潮灘、裸地、河流海域、天然柳林、鹽地堿蓬和檉柳, 對研究區(qū)內(nèi)不同的植被分布和地物類型進行記錄并拍照, 未記錄的地物類型則通過Google Earth目視解譯。為了避免因樣本數(shù)據(jù)的比例不同而引起的誤差[17], 本文設定的9類濕地地物樣本數(shù)共3 485個, 以3∶2的比例, 將所有的樣本隨機分成訓練數(shù)據(jù)和驗證數(shù)據(jù)。

2 研究方法

2.1 特征提取

針對黃河三角洲地物類型復雜、外觀差異大、密度不均等特點, 選取SAR紋理特征和5種植被指數(shù), 分析9種地物類型的可分性。

紋理的本質是空間中不同像素點的相互作用, 不同的地物類型在SAR影像上具有不同的紋理特征?；叶裙采仃囀且环N經(jīng)典且應用廣泛的紋理分析方法[29]。本文選取角二階矩、相關性、對比度、同質性和熵5個特征量作為紋理特征, 選取窗口大小為3×3, 計算5個特征量在0°、45°、90°和135°這4個方向的灰度共生矩陣, 并對4個方向的提取結果分別取平均。歸一化差分植被指數(shù)(NDVI)應用及其廣泛, 能夠減弱與大氣有關的影響, 增強植被信息[30]; 比值植被指數(shù)(RVI)對植被覆蓋度高的區(qū)域較敏感, 與生物量的相關性較好, 能夠反映各種植被蓋度和生長狀況的差異[31]; 差值植被指數(shù)(DVI), 對土壤的背景變化敏感, 有利于監(jiān)測植被的生長狀況[32]; 歸一化差分紅外指數(shù)(NDII)和差分紅外指數(shù)(DII)對水分含量敏感, 能夠反映不同地物類型對水吸收能力的差異[33-34]。表3詳細描述了5種植被指數(shù)及其計算公式。

表2 地物解譯標志及樣本數(shù)量

2.2 分類模型

典型相關森林(CCF)是由Rainforth等[35]于2015年提出的一種基于決策樹的集成算法。如圖3所示, 該算法的主要思想是構造典型相關樹(canonical correlation tree, CCT)的數(shù)目。通過應用典型相關分析(Canonical Correlation Analysis, CCA)來構建每個CCT, 以在特征(即光譜、后向散射系數(shù)、紋理特征和植被指數(shù))和類別標簽(即9種地物類別)之間提供最大相關性的特征投影, 并在該投影空間中使用窮舉搜索法選擇最佳分割[36]。CCF與RF相比, 有以下兩點主要區(qū)別: (1)RF的每棵樹都是根據(jù)訓練數(shù)據(jù)集里隨機且有放回地抽取一定數(shù)量的樣本進行訓練的, 而CCF的每棵樹都是通過與訓練數(shù)據(jù)集樣本總數(shù)相同的訓練子集訓練的; (2)在RF中, 對決策樹中每個節(jié)點分割時, 選擇一組隨機特征子集, 分割候選集對應于使用這些特征數(shù)據(jù)的所有唯一軸對齊分區(qū)。在CCF訓練中, 也選取特征的一個隨機子集, 但首先使用投影引導的CCA將特征投影到規(guī)范分量空間中, 并將分割候選集對應于該投影空間中唯一的分區(qū), 所選擇的分區(qū)意味著可以在測試時直接使用超平面分割[37]。

表3 植被指數(shù)定義

圖3 CCF模型的簡單結構

CCF的工作流程如下:

(1)對訓練數(shù)據(jù)集進行次隨機有放回地采樣(為訓練數(shù)據(jù)集樣本總數(shù), 此過程稱為Bagging), 形成個訓練子集;

(2)對每個訓練子集數(shù)據(jù)特征和標簽進行典型相關分析, 得到典型相關系數(shù)和投影特征空間, 并將個訓練子集的原始數(shù)據(jù)特征投影到投影空間中;

(3)在投影特征空間中, 使用窮舉搜索從候選集合中選擇最優(yōu)分割來完成超平面分割, 分割以劃分后數(shù)據(jù)集雜質更少為目標;

(4)對每棵典型相關樹模型進行獨立訓練生成單棵典型相關樹, 對所有典型相關樹進行集成得到典型相關森林;

(5)對每棵樹的結果采用多數(shù)投票的方式獲得分類結果。

3 實驗結果與分析

3.1 實驗設計

如表4所示, 以Sentinel-2A多光譜影像(記為方案S2)、Sentinel-2A和Sentinel-1A影像二者綜合(記為方案S1+S2)、加入SAR紋理特征(記為方案S1+ S2_M)以及加入5種植被指數(shù)(記為方案S1+S2_V)分別作為CCF的輸入數(shù)據(jù), 進行黃河口濕地典型地物類型的分類實驗。為了驗證CCF的精度, 分別與SVM和RF分類算法比較。SVM核函數(shù)選擇RBF(徑向基)核函數(shù), 懲罰系數(shù)為100。RF選擇樹的數(shù)量為100, 特征數(shù)量為4。CCF樹的棵數(shù)為100。

表4 方案參數(shù)

3.2 分類結果與精度評定

8種不同方案的提取結果如圖4所示。定性評價具有一定的主觀性, 故選取了總體精度(overall accuracy, OA, 記為O)、Kappa系數(shù)、用戶精度(user’s accuracy, UA, 記為U) 和生產(chǎn)者精度(producer’s accuracy, PA, 記為P)4項指標進行定量評價, 計算公式如(1)—(4)所示。

式中,表示類別數(shù)目,表示像元總數(shù),m表示被正確分類的像元數(shù),m+表示分類結果中第類總和,+i表示真實像元第類總和。

采用驗證數(shù)據(jù)對提取結果進行精度評價, CCF的分類結果最接近于黃河三角洲濕地的地物分布。由表5 和土地覆蓋分類圖4(a)、圖4(b)、圖4(c)可以看出: 在Sentinel-2A影像的基礎上, SVM分類算法得到的總體精度為87.77%, Kappa系數(shù)為0.850 2; RF的總體精度為88.85%, Kappa系數(shù)為0.863 9; CCF的總體精度為94.32%, Kappa系數(shù)為0.930 3。從生產(chǎn)者精度看, CCF對9種地物的分類精度均高于SVM和RF分類精度。與SVM算法相比, CCF算法的坑塘精度提高最為顯著, 提高了15.72%, 蘆葦和裸地的精度分別提升了10.54%和8.83%。與RF算法相比, CCF算法的天然柳林精度提高最為顯著, 提高了8.09%, 坑塘和蘆葦分別提高了7.79%和7.11%。由表6、表7和表8可以看出, SVM和RF對于天然柳林和蘆葦?shù)奶崛〗Y果較差, 錯分較為嚴重, 主要錯分為蘆葦和互花米草。CCF對于高度相似的互花米草、天然柳林和蘆葦三種地物的提取精度均有所提升, 漏分錯分現(xiàn)象明顯減少, 相較于RF和SVM, CCF算法更適應于黃河三角洲濕地信息提取。

圖4 不同分類算法的黃河三角洲濕地土地覆蓋分類

表5 光學影像的不同分類方法的精度評價

表6 SVM_S2方案分類結果混淆矩陣

表7 RF_S2方案分類結果混淆矩陣

表8 CCF_S2方案分類結果混淆矩陣

表9的結果表明, 光學和SAR聯(lián)合后有利于黃河三角洲濕地信息的提取, 3種方法中SAR與光學聯(lián)合的分類精度均高于僅運用光學影像的分類精度。SVM算法相比于僅用光學影像總體精度和Kappa系數(shù)分別提升了1.70%和0.020 8, RF算法分別提升了2.03%和0.024 6, CCF算法分別提升了0.57%和0.005 0。從表10和生產(chǎn)者精度看, CCF對光學和SAR聯(lián)合的分類結果在互花米草、蘆葦和天然柳林中均高于僅運用光學影像的分類結果, 其中天然柳林提高最大為5.88%, 互花米草和蘆葦分別提升2.23%和1.19%。從圖4(c)和圖4(f)可以看出, 研究區(qū)內(nèi)天然柳林的生長較為分散且與蘆葦伴生, 導致單一的光學影像無法精確提取天然柳林, 而SAR后向散射系數(shù)的加入極大改善了天然柳林的錯分誤分狀況。

表11和圖4(g)的結果表明, 在SAR和光學聯(lián)合的基礎上加入SAR紋理特征后, 總體精度和Kappa系數(shù)為94.72%和0.935 3, 均略有下降, 說明紋理特征不一定會提高提取精度, 由于信息的冗余導致精度降低。SAR紋理特征只對互花米草、潮灘、河流海域和鹽地堿蓬的生產(chǎn)者精度略有提升, 由此說明紋理特征適用于紋理信息較為明顯且單一的地物類型。

表9 SAR與光學聯(lián)合的不同分類方法的精度評價

表10 CCF_S1+S2方案分類結果混淆矩陣

表11 加入特征后的精度評價

由表11、表12和圖4(h)可以看出, 加入植被指數(shù)后, 總體精度為95.35%, Kappa系數(shù)為0.942 9。天然柳林、裸地、蘆葦、河流海域、潮灘、互花米草和坑塘的生產(chǎn)者精度分別提高了1.84%、1.47%、0.77%、0.74%、0.33%、0.20%和0.15%。結果表明, 植被指數(shù)的輸入可以深入挖掘有利于地物區(qū)分的特征信息, 同時進一步提高總體分類精度。因此, 結合植被指數(shù)的遙感影像, 能利用優(yōu)勢、彌補缺陷, 提高黃河三角洲濕地信息提取精度。

綜合來看, 3種算法的光學和SAR聯(lián)合分類相較于僅應用光學影像分類精度明顯提升, 漏分和錯分的情況減少, 從分類結果和精度表看, CCF算法對黃河三角洲濕地地物的識別能力較強, 分類精度更高, SVM算法對濕地地物的識別能力相對較差?？偟膩碚f, 通過3種算法的實驗, 驗證了SAR與光學聯(lián)合的分類方法對黃河三角洲濕地信息提取的優(yōu)勢。

表12 CCF_S1+S2_V方案分類結果混淆矩陣

4 結論與討論

本文以黃河三角洲自然保護區(qū)為研究, 結合光學和SAR影像以及植被指數(shù)利用支持向量機、隨機森林、典型相關森林3種算法開展黃河三角洲濕地信息提取, 通過以上研究, 得到以下結論:

(1)基于Sentinel-2A多光譜影像, 應用3種分類方法得到的黃河三角洲濕地信息提取, 總體分類精度分別為87.77%、88.85%、94.32%, Kappa系數(shù)分別為0.850 2、0.863 9、0.930 3。CCF的分類結果與黃河三角洲濕地的真實地物高度吻合, 從生產(chǎn)者精度看, CCF提升了SVM和RF分別在坑塘和天然柳林的精度, 在一定程度上減少了地物像元的混分現(xiàn)象。在黃河三角洲濕地信息提取中, CCF分類模型具有更好的可行性。

(2)利用Sentinel-2A多光譜結合 VV、VH、VV/VH極化的Sentinel-1A SAR后向散射系數(shù)影像, 與光學影像相比, 3種分類方法的總體精度和Kappa系數(shù)均得到提升, 總計精度分別提高了1.70%、2.03%、0.57%, Kappa系數(shù)分別提高了0.020 8、0.024 6、0.007 0。由此說明, SAR與光學聯(lián)合可以有效提高黃河三角洲濕地信息提取精度。

(3)在SAR與光學聯(lián)合的基礎上加入SAR紋理特征后, CCF的總體精度和Kappa略有下降, 分別降低了0.17%和0.002 0, 說明SAR紋理特征不適用于黃河三角洲的濕地信息提取。

(4)在SAR與光學聯(lián)合的基礎上加入NDVI、RVI、DVI、NDII和DII以上5種植被指數(shù), 最終CCF總體精度提高0.46%, Kappa系數(shù)提高0.005 6, 天然柳林、裸地、蘆葦、河流海域、潮灘、互花米草和坑塘的生產(chǎn)者精度均得到提高。

后續(xù)研究將考慮引入紅邊指數(shù)和多時相數(shù)據(jù)集, 采取多特征優(yōu)選的濕地信息提取, 實現(xiàn)黃河三角洲典型地物的高精度智能識別, 進而為黃河三角洲自然保護區(qū)的管理和保護提供理論參考和技術支撐。

[1] 宮寧, 牛振國, 齊偉, 等.中國濕地變化的驅動力分析[J]. 遙感學報, 2016, 20(2): 172-183.

GONG Ning, NIU Zhenguo, QI Wei, et al. Driving force analysis of wetland change in China[J]. Journal of Remote Sensing, 2016, 20(2): 172-183.

[2] 馬玥.基于多源遙感信息綜合的濕地土地覆被分類研究[D]. 長春: 吉林大學, 2018.

MA Yue. Wetland land cover classification based onmulti-source remote sensing information synthesis[D]. Changchun: Jilin University, 2018.

[3] DING Q, LIU J B, YU J P, et al. Combination of LiDAR’s multiple attributes for wetland classification: A case study of Yellow River Delta[J]. Canadian Journal of Remote Sensing, 2020, 46(6): 753-764.

[4] GONG Z N, ZHANG C, ZHANG L, et al. Assessing spatiotemporal characteristics of native and invasive species with multi-temporal remote sensing images in the Yellow River Delta, China[J]. Land Degradation & Development, 2020, 32(3): 1338-1352.

[5] LIU J T, FENG Q L, GONG J H, et al. Land-cover classification of the Yellow River Delta wetland based on multiple end-member spectral mixture analysis and a Random Forest classifier[J]. International Journal of Remote Sensing, 2016, 37(8): 1845-1867.

[6] 楊朝輝, 白俊武, 陳志輝, 等. 利用Sentinel-2A影像的面向對象特征濕地決策樹分類方法[J]. 測繪科學技術學報, 2019, 36(3): 262-268.

YANG Zhaohui, BAI Junwu, CHEN Zhihui, et al. Wetland decision tree classification using sentinel-2A image based on surface object feature[J]. Journal of Surveying and Mapping Science and Technology, 2019, 36(3): 262-268.

[7] MLECZKO M, MROZ M. Wetland Mapping using SAR Data from the Sentinel-1A and TanDEM-X missions: A comparative study in the Biebrza Floodpla in (Poland)[J]. Remote Sensing, 2018, 10(1): 78-78.

[8] GOSSELIN G, TOUZI R, CAVAYAS F. Polarimetric Radarsat-2 wetland classification using the Touzi decomposition: case of the Lac Saint-Pierre Ramsar wetland[J]. Canadian Journal of Remote Sensing, 2014, 39(6): 491-506.

[9] 解淑毓, 付波霖, 李穎, 等. 基于多維度遙感影像的洪河國家級自然保護區(qū)沼澤濕地分類方法研究[J]. 濕地科學, 2021, 19(1): 1-16.

XIE Shuyu, FU Bolin, LI Ying, et al. Wetland classification based on multi-dimensional remote sensing image in Honghe National Nature Reserve[J]. Wetland Science, 2021, 19(1): 1-16.

[10] 李鵬, 黎達輝, 李振洪, 等. 黃河三角洲地區(qū)GF-3雷達數(shù)據(jù)與Sentinel-2多光譜數(shù)據(jù)濕地協(xié)同分類研究[J]. 武漢大學學報(信息科學版), 2019, 44(11): 1641-1649.

LI Peng, LI Dahui, LI Zhenhong, et al. Wetland classification based on GF-3 radar data and Sentinel-2 multispectral data in the Yellow River Delta[J]. Journal of Wuhan University (Information Science), 2019, 44(11): 1641-1649.

[11] LONG X R, LI X Y, LIN H, et al. Mapping the vegetation distribution and dynamics of a wetland using a daptive- stacking and Google Earth Engine based on multi-source remote sensing data[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 102: 102453

[12] FRANKLIN S E, SKERIES E M, STEFANUK M A, et al. Wetland classification using Radarsat-2 SAR quad- polarization and Landsat-8 OLI spectral response data: a case study in the Hudson Bay Lowlands Ecoregion[J]. International Journal of Remote Sensing, 2018, 39(6): 1615-1627.

[13] 劉煥軍, 楊昊軒, 徐夢園, 等. 基于裸土期多時相遙感影像特征及最大似然法的土壤分類[J]. 農(nóng)業(yè)工程學報, 2018, 34(14): 132-139, 304.

LIU Huanjun, YANG Haoxuan, XU Mengyuan, et al. Soil classification based on multi-temporal remote sensing imagecharacteristics and maximum likelihood method in bare soil[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(14): 132- 139, 304.

[14] 方炫, 安韶山, 薛志婧, 等. 基于最大似然法與矩法的黃土高原小流域土壤碳氮空間變異分析[J]. 水土保持通報, 2014, 34(4): 141-146.

FANG Xuan, AN Shaoshan, XUE Zhijing, et al. Spatial variation of soil carbon and nitrogen in small watershed of loess Plateau based on maximum likelihood method and moment method[J]. Bulletin of Soil and Water Conservation, 2014, 34(4): 141-146.

[15] 劉毅, 杜培軍, 鄭輝, 等. 基于隨機森林的國產(chǎn)小衛(wèi)星遙感影像分類研究[J]. 測繪科學, 2012, 37(4): 194-196.

LIU Yi, DU Peijun, ZHENG Hui, et al. Classification of domestic small satellite remote sensing Images based on random forest[J]. Science of Surveying and Mapping, 2012, 37(4): 194-196.

[16] 張曉羽, 李鳳日, 甄貞, 等. 基于隨機森林模型的陸地衛(wèi)星-8遙感影像森林植被分類[J]. 東北林業(yè)大學學報, 2016, 44(6): 53-57, 74.

ZHANG Xiaoyu, LI Fengri, ZHEN Zhen, et al. Forest vegetation classification based on Landsat-8 remote sensing image based on random forest model[J]. Journal of Northeast Forestry University, 2016, 44(6): 53- 57, 74.

[17] 張磊, 宮兆寧, 王啟為, 等. Sentinel-2影像多特征優(yōu)選的黃河三角洲濕地信息提取[J]. 遙感學報, 2019, 23(2): 313-326.

ZHANG Lei, GONG Zhaoning, WANG Qiwei, et al. Extraction of wetland information from Sentinel-2image based on multi-feature optimization[J]. Journal of Remote Sensing, 2019, 23(2): 313-326.

[18] 張靜, 劉忠寶, 宋文愛, 等. 基于多類支持向量機的恒星光譜分類方法[J]. 光譜學與光譜分析, 2018, 38(7): 2307-2310.

ZHANG Jing, LIU Zhongbao, SONG Wenai, et al. Spectral classification of stars based on multi-class Support vector Machine[J]. Spectroscopy and Spectral Analysis, 2018, 38(7): 2307-2310.

[19] 陳磊士, 高霞霞, 廖玉芳, 等. 基于CART決策樹的高分二號洞庭湖區(qū)濕地分類方法[J]. 測繪通報, 2021(6): 12-15.

CHEN Leishi, GAO Xiaxia, LIAO Yufang, et al. Wetland classification in Dongting Lake Area based on Gaofen-2 CART decision Tree[J]. Bulletin of Surveying and Mapping, 2021(6): 12-15.

[20] 劉翔, 劉會玉, 林振山, 等. 基于Landsat OLI影像的鹽城濱海濕地分類方法對比研究[J]. 濕地科學, 2017, 15(5): 689-696.

LIU Xiang, LIU Huiyu, LIN Zhenshan, et al. Comparison of classification methods of coastal wetlandsin Yancheng based on Landsat OLI image[J]. Wetland Science, 2017, 15(5): 689-696.

[21] 陳富龍, 王超, 張紅. 改進最大似然遙感影像分類方法——以SAR影像為例[J]. 國土資源遙感, 2008(1): 75-78.

CHEN Fulong, WANG Chao, ZHANG Hong. Remote Sensing image classification based on an improved maximum-likelihood method: with SAR images as an example[J]. Remote Sensing for Land and resources, 2008(1): 75-78.

[22] PAN H. A feature sequence-based 3D convolutional method for wetland classification from multispectral images[J]. Remote Sensing Letters, 2020, 11(9): 837-846.

[23] AMANI M, ASLEHI B, MAHDAVI S, et al. A Multiple Classifier System to improve mapping complex land covers: a case study of wetland classification using SAR data in Newfoundland, Canada[J]. International Journal of Remote Sensing, 2018, 39(21): 7370-7373.

[24] SAHIN E K, COLKESEN I, KAVZOGLU T, et al. A comparative assessment of canonical correlation forest, random forest, rotation forest and logistic regression method for landslide susceptibility mapping[J]. Geocarto International, 2020, 35(1/4): 341-363.

[25] 劉莉, 韓美, 劉玉斌, 等. 黃河三角洲自然保護區(qū)濕地植被生物量空間分布及其影響因素[J]. 生態(tài)學報, 2017, 37(13): 4346-4355.

LIU Li, HAN Mei, LIU Yubin, et al. Spatial distribution and influencing factors of wetland vegetation biomass in Yellow River Delta Nature Reserve[J]. Acta Ecologica Sinica, 2017, 37(13): 4346-4355.

[26] VELOSO A, MERMOZ S, BOUVET A, et al. Understanding the temporal behavior of crops using Sentinel-1 and Sentinel-2-like data for agricultural applications[J]. Remote Sensing of Environment, 2017, 199: 415-426.

[27] 陶圓. 結合光學與雷達遙感數(shù)據(jù)的覆膜農(nóng)田機器學習分類制圖對比研究[D]. 杭州: 浙江大學, 2021.

TAO Yuan. Comparative study on classification mapping of mulched farmland based on machine learning combined with optical and radar remote sensing data[D]. Hangzhou: Zhejiang University, 2021.

[28] 劉舒, 姜琦剛, 馬玥, 等. 基于多目標遺傳隨機森林特征選擇的面向對象濕地分類[J]. 農(nóng)業(yè)機械學報, 2017, 48(1): 119-127.

LIU Shu, JIANG Qigang, MA Yue, et al. Object-oriented wetland classification based on multi-objective Genetic random Forest Feature Selection[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(1): 119-127.

[29] 付仲良, 張文元, 孟慶祥. 灰度和紋理特征組合的SAR影像SVM分類[J]. 應用科學學報, 2012, 30(5): 498-504.

FU Zhongliang, ZHANG Wenyuan, MENG Qingxiang. SVM classification of SAR image based on gray scale and texture feature combination[J]. Chinese Journal of Applied Science, 2012, 30(5): 498-504.

[30] 劉鶴. 基于深度學習的高分辨率遙感影像森林參數(shù)提取研究[D]. 長春: 吉林大學, 2021.

LIU He. Forest parameter extraction from high-resolution remote sensing images based on deep learning[D]. Chang-chun: Jilin University, 2021.

[31] 劉超. 基于遙感數(shù)據(jù)的1995~2020年加拿大Alberta油砂礦區(qū)周邊植被變化研究[D]. 長春: 吉林大學, 2021.

LIU Chao. Vegetation change around the Alberta oilsands mining area in Canada from 1995 to 2020 based on remote sensing data[D]. Changchun: Jilin University, 2021.

[32] LI X W, JI G S, YANG J. Estimating cyanophyta biomass standing crops in Meiliang Gulf of Lake Taihu by satellite remote sensing[J]. Remote Sensing for Land and Resources, 1995, 7(2): 3-28.

[33] EMILY H W, STEVEN A S. Detection of forest harvest type using multiple dates of Landsat TM imagery[J]. Remote Sensing of Environment, 2002, 80(3): 385-396.

[34] 朱玉玲, 王建步, 王安東, 等. 融合淺層特征的深度卷積神經(jīng)網(wǎng)絡互花米草遙感監(jiān)測方法[J]. 海洋科學, 2019, 43(7): 12-22.

ZHU Yuling, WANG Jianbu, WANG Andong, et al. Remote sensing monitoring method ofbased on deep convolutional neural network[J]. Marine Sciences, 2019, 43(7): 12-22.

[35] RAINFORTH T, WOOD F. 2015. Canonical correlation forests[J/OL]. Computer Science, 2017:1-51[2017-08- 09]. https://arxiv.org/abs/1507.05444.pdf.

[36] NAM T H, MERILYN M H, TIEN D P, et al. A comparative assessment of ensemble based machine larning and maximum likelihood methods for mapping seagrass using Sentinel-2 imagery in Tauranga Harbor, New Zealand[J]. Remote Sensing, 2020, 12(3): 355-371.

[37] ISMAIL C, TASKIN K. Ensemble-based canonical correlation forest (CCF) for land use and land cover classification using Sentinel-2 and Landsat OLI imagery[J]. Remote Sensing Letters, 2017, 8(11): 1082-1091.

Extraction of wetland information from Sentinel-1 and Sentinel-2 images in the Yellow River Delta

LIU Chang1, WANG Yan2, WANG Zhao2, SHENG Hui1, XU Ming-ming1, LIU Shan-wei1

(1. College of Oceanography and Space Information, China University of Petroleum (East China), Qingdao 266580, China; 2. Qingdao Geotechnical Investigation and Surveying Research Institute, Qingdao 266000, China)

In order to solve the problems of “same object with different spectrum” and “foreign object with same spectrum” in wetland information extraction, the Yellow River Delta Nature Reserve was taken as the experimental area, and canonical correlation forest algorithm, which has advantages in information extraction, was adopted. Sentinel-1A radar image and Sentinel-2A multi-spectral image were taken as the basic data. The effects and applicability of multi-spectral image, Synthetic Aperture Radar (SAR) and multispectral synthesis, SAR texture feature and vegetation index for wetland information extraction were investigated. The results show that: (1) Based on Sentinel-2A multispectral images, the overall accuracy of Canonical Correlation Forest (CCF) is the highest, reaching 94.32%, which is 6.55% and 5.47% higher than that of support vector machine and random Forest classification algorithm, respectively; (2) The overall accuracy of CCF based on Sentinel-2A multispectral image and Sentinel-1A backscattering coefficient is 94.89%. Compared with the sentinel-2A multispectral image, the overall accuracy and Kappa coefficient of CCF based on sentinel-1A backscattering coefficient are improved; (3) The overall accuracy and Kappa coefficient decreased slightly after adding SAR texture feature, which were 94.72% and 0.935 3, respectively; (4) After adding Normalized Difference Vegetation Index (NDVI), Ratio Vegetation Index (RVI), Difference Vegetation Index (DVI), Normalized Difference Infrared Index (NDII) and Differential Infrared Index (DII) on the basis of SAR and optical combination, the overall accuracy is up to 95.35%.The producer accuracy of seven kinds of land features was improved, which effectively improved the extraction ability of wetland information in the Yellow River Delta. The experimental results can provide scientific support for the rational development and effective protection of the Yellow River Delta wetland.

information extraction; SAR; Sentinel-2; Canonical Correlation Forest; Yellow River Delta

Apr. 29, 2022

TP79

A

1000-3096(2023)5-0002-13

10.11759/hykx20220429010

2022-04-29;

2022-06-27

中央高?；究蒲袠I(yè)務費專項項目(22CX01004A-8); 國家自然科學基金面上項目(62071492)

[Special Fund for Basic Scientific Research Business Expenses of Central Universities, No. 22CX01004A-8; General Program of National Natural Science Foundation of China; No. 62071492]

劉暢(1996—), 女, 江蘇鹽城人, 碩士研究生, 主要從事河口濕地遙感監(jiān)測研究, E-mail: 912187552@qq.com; 盛輝(1972—), 山東菏澤人,通信作者, 副教授, 主要從事海洋遙感研究, E-mail: sheng@upc.edu.cn

(本文編輯: 叢培秀)