红树林是生长在热带亚热带潮间带上珍贵的木本植物群落,对海岸带上生态系统研究具有重要意义^[1]。然而,随着全球气候变暖以及海岸线变迁,红树林生态系统遭到严重破坏,亟需进行红树林研究与保护工作。了解红树林的分布范围,进行红树林种类识别,对于研究分析红树林生态系统变迁和海岸环境变化有重要意义^[2]。由于红树林生长环境的特殊性,给野外实测工作带来很大困难,测绘范围较小。遥感手段以其覆盖面积大、数据更新周期短、不需要大量实地测量等优势成为主要的红树林生态信息获取方式^[3-4]。红树林种类遥感识别技术可以了解红树林的分布范围、分布面积以及不同红树林种类的分布位置及变迁,为红树林保护以及合理栽培提供理论依据,同时对其他植被的遥感识别具有借鉴意义。

红树林种类遥感识别早期研究中采用了中低分辨率的卫星遥感数据,如andsat TM、andsat MSS 和SPOTXS卫星数据等。aba等^[5]结合andsat MSS影像和TM影像,探测了1973年至1985年间红树林面积的变化。刘凯等^[6]利用TM影像数据,采用监督分类、非监督分类和神经网络方法对珠海淇澳岛的红树林进行分类。张雪红^[7]利用TM影像提取了绿度指数和湿度指数,有效地提高红树林同陆地植被的可分性。由于中低分辨率卫星遥感数据空间分辨率低,无法准确表征红树林光谱特性,使得红树林分类准确率较低。随着卫星遥感技术的发展,高空间分辨率的卫星图像被用于红树林分类中,如IKONOS、QuickBird、CASI、SPOT-5多光谱数据等。Held等^[8]以CASI 和AIRSAR 作为数据源,采用最大似然分类法和分层神经网络分类法对组合数据进行分类。乐通潮等^[9]利用决策树分类方法对漳江口红树林SPOT-5遥感影像进行解译,解决了传统的调查分类方法中难以区分滩涂红树林与山上果树的问题。苏岫等^[10]采用SPOT-5遥感影像,建立决策树分类规则进行海南岛东寨港红树林种间分类。李姗姗等^[11]结合Geoeye-1高分辨率影像与冠层实测高光谱数据,对广西北部湾红树群落进行种类识别。除利用光学遥感数据外,雷达数据也被应用于红树林监测。肖伟山等^[12]对多时相的AOS PASAR数据进行处理,应用HH、HV和HV与HH比值进行红树林分类识别。吴宇静^[13]将AOS多光谱图像与SAR图像进行组合,提高了红树林群落分类精度。以上分析发现,在红树林种类识别问题中,主要的难点有两点:(1)红树林的光谱中混合有泥滩、其他植被的信息,单纯利用光谱特征分类结果误差较大;(2)由于实地调研困难,地面观测数据较少,可用于做训练的样本数偏小,增加了分类难度。同时,研究中利用国产高空间分辨率的卫星图像进行红树林分类的研究较少。本文以广西铁山港红树林区为研究对象,以国产资源三号测绘卫星(简称ZY3)为数据源,采用基于联合稀疏表示的分类算法,并结合多种植被指数,进行红树林种类分类识别,有效减小标记代价,达到较好的分类效果,对红树林生态系统研究有重要意义。

1   材料与方法

1.1   研究区概况

广西铁山港红树林区位于我国18,000多km大陆海岸线最西南岸段海域(经度109°29'0″E ~ 109°45'30″E,纬度21°28'0″N ~ 21°44'50″N)。广西海岸带属亚热带季风区,多年平均气温22~23.4℃,沿岸海水表层的年平均温度23.1~23.8℃,盐度18~31。广西北海海岸潮差较大,从低潮带、经中潮带、到高潮带,生长着各种不同类型的红树林种群。主要的红树林种类有桐花树、白骨壤、秋茄、红海榄、木榄等。

1.2   数据获取

本研究采用的卫星数据源为拍摄于2013年5月15日的ZY3卫星影像数据,该数据有包括蓝、绿、红、近红外4个多光谱波段(5.8 m分辨率)和一个全色波段(2.1 m分辨率),具体参数见表 1。

表  1  ZY3卫星影像数据参数信息

Tab.  1  Parameter information of ZY3 satellite image data

下载: 导出CSV 

| 显示表格

本研究于2012年11月中旬对广西铁山港红树林区的红树林种类进行了现场踏勘,野外实地定点标定了桐花树、海漆、白骨壤、红海榄、秋茄、海桑、木榄这7种红树林种类以及陆地灌丛、泥滩、草地等非红树林种类200余个控制点。

1.3   数据预处理

本研究采用了辐射定标、大气校正、几何精校正、图像融合等图像处理手段对图像进行预处理。辐射定标就是将图像的DN值转为辐亮度或反射率,大气校正可以消除或减少大气对图像的干扰^[14]。利用ENVI自带的FAASH模块进行大气校正即可得到反射率图像。几何精校正,采用Image TO Image的模式,校正误差在一个像素以内。影像融合采用Pansharping的融合方式,将4个多光谱波段与2.1 m分辨率的全色波段进行融合,融合后的图像空间分辨率增高,地物界限清晰,提高了图像的目视效果,且光谱信息接近实际。根据广西铁山港红树林区的红树林分布情况,将两颗卫星组合的图像裁剪得到子区图像。结合红树林分布的条带特性,利用ENVI中创建向量,对组合的图像进行掩膜处理。去掉多余的陆地信息,加快分类识别速度。

1.4   红树林植被指数信息提取与分析

本研究中,结合野外实地调查数据与卫星数据,主要分析了桐花树、海漆、白骨壤、红海榄、秋茄、海桑、木榄这7种红树林种类以及陆地灌丛、泥滩、草地这些非红树林种类的几项植被指数^[15],包括比值植被指数(RVI)、归一化植被指数(NDVI)、抗大气植被指数(VARI)、归一化绿度植被指数(NDGI)^[16]。这些指数计算公式如下。

其中:G、B、R、NIR分别表示图像的绿、蓝、红和近红外波段的反射率数据。利用上述公式和实地定点测量的数据,计算并统计各个种类的4项植被指数,结果如下表 2。各个种类的植被指数对比如图 1所示。

表  2  各个红树林种类和非红树林种类的植被指数

Tab.  2  Vegetation indices of mangrove species and non-mangrove species

下载: 导出CSV 

| 显示表格

图  1  各个种类的植被指数对比

(a) RVI,(b)NDVI,(c)VARI,(d) NDGI

Fig.  1  Vegetation indices contrast of mangrove species

下载: 全尺寸图片 幻灯片

分析表 2和图 1可知,各个种类的几项植被指数有明显的差异,即便其中的某个指数相近,但是另外的几个指数存在差异。例如,白骨壤和海桑的RVI、NDVI指数很相近,但是两者之间的VARI、NDGI指数有较大的差异。因此,在利用光谱数据分类时,可以结合这几个植被指数信息。将这几种植被指数进行组合,增大了各个种类的区分度。

1.5   联合稀疏表示分类模型

1.5.1   稀疏表示分类原理

稀疏表示是一种对复杂信号进行压缩表示并能高效重构的方法,近几年在计算机视觉领域引起了广泛的关注,并且在许多图像识别和分类中取得了很好的效果。稀疏表示就是将图像中的未知信号表示为字典中不同原子的线性组合。当把图像投影到这些原子组成的特征子空间时,只有少部分原子处于活跃状态,从而实现对该图像中未知像素的稀疏表示^[17]。在本文中,我们将稀疏表示与多光谱图像相结合,结合多光谱图像的几何空间与光谱特征空间,采用联合稀疏表示算法进行红树林种类分类。下面介绍稀疏表示分类原理。

假设在多光谱图像中,有M种不同的地物,第m类包含N_m个训练样本{d_j^m}_j=1…Nm,d_j^m表示第m类中的第j个训练样本的光谱特征^[12]。如果样本y属于第m类,则y可以由N_m个训练样本近似的线性表示。

其中:D^m是B×N_m的矩阵,表示第m类的子字典,D^m的N_m列即为第m类的N_m个训练样本;x^m是N_m维列向量,它的每一个元素是对应的子字典D^m的每一列原子的权重。

因此,对于一个未知类别的样本y_i,可以由字典{D^m}_m=1,2,…M和稀疏向量{x^m}_m=1,2…M进行线性表示。

其中:D是由{D^m}m=1,2…M构成的B×N的矩阵;。x是由{x^m}_m=1,2…M构成的N维稀疏向量,仅有几个非零元素。如果样本y_i属于第m类,则在稀疏向量x中,x^j=0,∀j≠m,那么样本y_i可以写成K个有效原子的线性组合。

其中:K=‖x‖₀,表示x的0范数(即x的稀疏水平),指数集Λ_K＝{λ₁λ₂…λ_K}代表x中非零行对应的索引数;D_ΛK是一个B×K的矩阵,包含K个原子{d_k}_k∈ΛΚ;χ_ΛK表示包含有x的K个非零行的K维向量。在求解稀疏表示问题中,采用信号重构算法从较少的样本中恢复原始信号,可由下式求解该优化问题。

求得样本y_i的稀疏向量后,其类别标签通过判决比较其在各个类别子字典上表示的残差得到,判决公式如下。

1.5.2   联合稀疏表示分类模型

根据红树林生长分布群聚性,在图像中,像素点与其近邻像素点通常具有相近的光谱曲线,并且属于同一类别。由近邻像素光谱相关性,可以假设近邻像素的光谱可以利用同一个稀疏字典进行分解,该问题可以利用联合稀疏表示模型来解决^[18]。设{y_t}_t=1,…,T是以y₁为中心样本且有T个像素点的近邻像素集。该像素集合可以由下式表示。

在联合稀疏模型中,稀疏系数向量{x_t}_t=1,…,T有相同的支持集Λ,即稀疏系数向量中非零元素的位置相同,这样稀疏系数矩阵X中只有｜Λ｜个非零行。行稀疏系数矩阵X可以由下式的优化问题求得。

其中:‖X‖_row,0表示矩阵X中非零行数;‖·‖_F表示Frobenius范数。行稀疏系数矩阵X可以用联合最小角回归 (joint least angle regression,JARS) 算法求解^[19]。中心像素点y₁的类别标签由下式计算总的最小残差得到。

其中:Ω_m⊂{1,2,…,N}表示属于第m类的训练样本的下标集。

由于相邻的光谱像素通常是由类似的地物构成的,因此这些像素有高度相关的光谱特性。考虑像素间的相关性,分类精度可以显着改善。联合稀疏模型是利用相邻空间像素的空间相关性,假设相邻的像素可以由一个相同的字典原子线性表示,但这些原子中每个元素的线性表示系数不同。这样,联合稀疏模型相当于在光谱特征基础上加入空间信息进行分类,提高了分类准确度。

2   结果与讨论

2.1   光谱通道和植被指数通道结合

前文分析了各种红树林的植被指数,发现不同红树林种类的几项植被指数存在明显的差异,可以利用植被指数进行分类,并可以采取不同的植被指数组合方式。为了分析在利用光谱数据分类时植被指数对分类结果的影响,根据公式(1)~(4)计算各项植被指数,与光谱数据组合起来进行红树林种类识别。对比利用各个单一植被指数、多个植被指数结合起来的分类效果,以此分析植被指数对分类精度的影响。

2.2   红树林与非红树林区分结果与分析

本文采用了联合稀疏表示(JARS)分类器,把红树林和非红树林的分类问题看作是两类分类问题解决。实验中,将现场定点测量的200余个样本点作为训练样本,其中红树林种类对应的标签为1,非红树林种类对应的标签为-1。将利用ENVI处理后的多光谱图像读入到MATAB2014a中,结合现场定点测量数据选取200个样本点确定对应位置的光谱作为训练样本特征,与相应的标签一起输入到JARS分类器中。实验中主要参数有近邻样本数T两个参数,利用10次交叉验证得到最优参数。训练好JARS分类器后,对未知标签的像元点进行分类。完成分类后绘制分类结果图,图 2给出了红树林和非红树林的分类结果,图中红色表示红树林区域。

图  2  红树林和非红树林分类结果

Fig.  2  Mangrove species and non mangrove species classification map

下载: 全尺寸图片 幻灯片

由图 2结果可知,红树林分布在沿海潮间带上,实验结果符合红树林实际生长分布特性。提取图 2的红树林区域,再对该区域进行红树林种间分类。

2.3   红树林种类识别结果与分析

本研究实地测量了7种红树林种类,红树林种间分类问题相当于多类分类问题,采用联合稀疏表示(JARS)分类器进行红树林种间分类。将现场定点测量的200个样本点作为训练样本,其在图像上对应位置的光谱和计算的植被指数作为特征,桐花树、海漆、白骨壤、红海榄、秋茄、海桑、木榄对应的标签分别为1到7。将训练样本的特征和类别标签输入到JARS分类器训练得到模型,然后对未知样本进行预测分类。

为了对分类效果进行评价,本研究中从分类结果图中选取千余个点作为验证点再次到现场进行测量,测量数据和预测结果对比,来分析分类精度。为了研究光谱和各项植被指数对分类结果的影响,本文对比了只利用图像光谱、光谱加某项植被指数、光谱加多项植被指数的分类结果。通过验证点分类的准确度来评价模型的分类效果。表 3给出了各种情况下的分类精度结果。表中 [ZY3]表示利用ZY3图像波段光谱进行分类; [ZY3 RVI] 表示ZY3图像波段组合数据以及RVI指数作为样本特征进行分类,以此类推。

表  3  分类精度对比表

Tab.  3  Comparison of classification accuracy

下载: 导出CSV 

| 显示表格

由表 3实验结果可知,利用加上植被指数的分类准确度要优于只利用光谱进行分类的准确度,这是由于单纯利用光谱信息分类时,分类精度受到混合其他物种的噪声光谱影响,增加植被指数信息可以减小分类误差;当把4项植被指数都叠加进行分类时,其分类准确度最高,总体精度达到95.37%,kappa系数达到0.9347;只叠加一项植被指数进行分类时,利用NDVI指数的结果要比利用其它三种指数的结果好;当叠加两项植被指数进行分类时,利用RVI和NDVI指数的结果要比利用其它组合的结果好;当叠加3项植被指数进行分类时,利用NDVI、VARI和NDGI指数的结果要比利用其它组合的结果好。由上述分析发现,在4种植被指数中,NDVI对于区分各个种类具有更大的贡献。下表 4给出了利用[ZY3 RVI NDVI VARI NDGI]进行红树林种间分类的误差混淆矩阵。

表  4  红树林分类误差矩阵及分类精度

Tab.  4  Error matrix and classification accuracy of Mangrove species

下载: 导出CSV 

| 显示表格

由表 4结果可知,利用[ZY3 RVI NDVI VARI NDGI]进行红树林种间分类的总体分类精度为95.37%,各种红树林种类的用户精度都达到80%以上,kappa系数为0.9347。与国内外红树林种间分类的相关研究相比^[11],分类精度得到了提高。由于本文中利用两星数据组合增加了光谱信息,引入了植被指数信息,并利用机器学习领域高效分类器——联合稀疏表示分类器进行分类,使得分类效果明显提升。实验结果表明,利用多源卫星数据组合和利用植被指数进行分类对提高分类精度有很大帮助。

为了分析联合稀疏表示(JARS)分类器对结果的影响程度,比较了JARS分类器和SVM-RBF分类器^[20]在相同数据下的红树林识别结果,如表 5所示,对两种算法在如下特征下的总体分类精度进行比较。

表  5  JARS分类器和SVM-RBF分类器总体精度对比表

Tab.  5  Comparison of overall accuracy(%) of JARS classifier and SVM-RBFclassifier

下载: 导出CSV 

| 显示表格

分析表 5数据发现,在各种特征数据下,利用JARS分类器的总体精度都比SVM-RBF分类器要高,说明基于联合稀疏表示的算法在红树林种类识别中具体很好的效果。由于实地调研数据有限,实验中可以利用的训练样本较少,但采用JARS分类器仍然达到较高的分类精度,说明基于联合稀疏表示的分类器适用于小训练样本情况分类问题。图 3给出了利用[ZY3 RVI NDVI VARI NDGI]进行红树林种间分类的结果。

图  3  红树林种间分类结果

Fig.  3  Mangrove species classification map

下载: 全尺寸图片 幻灯片

由图 3中红树林种间分类结果可知,在广西铁山港红树林区分布着大面积的桐花树和白骨壤,这与实地调查结果一致。同时,分类结果符合实际,即红树林分布符合潮间带条带分布特性,说明实验结果可靠。

研究发现,影响红树林分类准确的主要原因是红树林混生现象,在某些区域内存在几种红树林混生分布,即存在混合像元问题,这使得在利用多光谱图像分类时区分其边界难度增加。本研究在进行种间分类时,我们只将混合像元点当作是某类单一样本进行处理,这就会影响分类精度。

3   结 论

(1) 本文利用卫星数据和实地采集数据,提取并分析了几种植被指数,与光谱数据结合,采用联合稀疏表示分类器进行红树林种类识别。本研究中,光谱特征结合植被指数进行分类能进一步提高分类效果,植被指数中NDVI对于区分各个种类具有更大的贡献。基于联合稀疏表示的分类算法适合于红树林种类识别,并且适用于小训练样本情况的分类。

(2) 本研究中,由于野外实地调查有限,选取的样本点有限,对分类精度有一定影响,同时红树林混生现象也给分类结果造成一定的影响。在接下来的研究中,将结合半监督学习研究如何进一步减小标记代价,即利用更少量有标签样本进行分类,提升分类准确度。