留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

利用叶绿素a浓度反演精细提取红树植物生长区域

韩泽文 李卓 孙琰 刘大召

韩泽文, 李卓, 孙琰, 刘大召. 利用叶绿素a浓度反演精细提取红树植物生长区域[J]. 武汉大学学报 ● 信息科学版, 2022, 47(7): 1103-1112. doi: 10.13203/j.whugis20200095
引用本文: 韩泽文, 李卓, 孙琰, 刘大召. 利用叶绿素a浓度反演精细提取红树植物生长区域[J]. 武汉大学学报 ● 信息科学版, 2022, 47(7): 1103-1112. doi: 10.13203/j.whugis20200095
HAN Zewen, LI Zhuo, SUN Yan, LIU Dazhao. Growth Regions of Mangrove Plants Fine Extraction from Chlorophyll a Concentration Retrieval[J]. Geomatics and Information Science of Wuhan University, 2022, 47(7): 1103-1112. doi: 10.13203/j.whugis20200095
Citation: HAN Zewen, LI Zhuo, SUN Yan, LIU Dazhao. Growth Regions of Mangrove Plants Fine Extraction from Chlorophyll a Concentration Retrieval[J]. Geomatics and Information Science of Wuhan University, 2022, 47(7): 1103-1112. doi: 10.13203/j.whugis20200095

利用叶绿素a浓度反演精细提取红树植物生长区域

doi: 10.13203/j.whugis20200095
基金项目: 

南方海洋科学与工程广东省实验室(湛江)资助 ZJW-2019-08

国家自然科学基金 41906021

广东省科技计划 2016A020222016

广东海洋大学创新强校项目 Q16147

广东海洋大学项目 C17077

详细信息
    作者简介:

    韩泽文,硕士,主要研究方向为多源遥感卫星数据处理与应用。1227818141@qq.com

    通讯作者: 刘大召,博士,副教授。llddz@163.com
  • 中图分类号: P237

Growth Regions of Mangrove Plants Fine Extraction from Chlorophyll a Concentration Retrieval

Funds: 

Southern Marine Science and Engineering Guangdong Laboratory (Zhanjiang) ZJW-2019-08

the National Natural Science Foundation of China 41906021

Science and Technology Project of Guangdong Province 2016A020222016

Guangdong Ocean University Innovative and Strong School Project Q16147

Guangdong Ocean University Project C17077

More Information
    Author Bio:

    HAN Zewen, master, specializes in multi-source remote sensing data processing. E-mail: 1227818141@qq.com

    Corresponding author: LIU Dazhao, PhD, associate professor. E-mail: llddz@163.com
  • 摘要: 大范围的红树植物遥感提取容易受地物遮挡、海水浸淹以及红树植物本身覆盖程度等因素影响,为了解决这一问题,2019-04在中国广东省湛江市通明海湾红树植物生长区域进行了现场调研,并使用高分一号(Gaofen-1, GF-1)卫星遥感影像提取红树植物分布范围。首先,根据地物波谱特征,使用归一化水体指数提取水陆边线,建立红树植物适宜生长区域;然后,使用面向对象方法逐步精确红树植物生长区域,采用光谱归一化差值指数、植被指数的方法二次提取通明海湾红树植物的分布区域;最后,对两次提取结果取并集,最大化精细提取红树植物生长范围。利用经验模型对该海湾进行海水的叶绿素a反演,分析该区域红树植物周围海水叶绿素a的浓度及分布特征,对红树植物与其周围水环境叶绿素a浓度的相关性进行研究。研究结果显示,红树植物生长区域的水体叶绿素a浓度极高,且近岸水体有红树植物的区域,其叶绿素a浓度要高于无红树植物区域。相关性分析表明叶绿素a浓度与红树植物之间有较好的相关性,叶绿素a浓度由高浓度急剧降低为低浓度,证明红树植物周围水体叶绿素a浓度及分布特征有明显变化规律,可以使用该方法精细提取全部红树植物生长范围。
  • 图  1  预处理流程图

    Figure  1.  Pre-processing Process

    图  2  红树植物调查区域与海水采集区域

    Figure  2.  Mangrove Plants Survey Area and SeawaterSampling Area

    图  3  红树植物信息提取流程图

    Figure  3.  Information Extraction Process of Mangrove Plants

    图  4  R、G、B 3通道拆分计算灰度数据

    Figure  4.  R, G, B Three Channels Were Split to Calculate Grayscale Data

    图  5  分割阈值范围

    Figure  5.  Segmentation Threshold Range

    图  6  不同分割尺度的影像分割结果图

    Figure  6.  Image Segmentation Results of Different Segmentation Scales

    图  7  水陆分离二值图与瞬时边线图

    Figure  7.  Seawater Binarization and Instantaneous Edge

    图  8  样本区域

    Figure  8.  Sample Area

    图  9  面向对象法提取红树植物

    Figure  9.  Mangrove Plants Extraction by Object Oriented Method

    图  10  红树植物光谱特征

    Figure  10.  Spectral Characteristics of Mangrove Plants

    图  11  植被指数法提取红树植物

    Figure  11.  Extraction of Mangrove Plants by VegetationIndex Method

    图  12  红树植物提取流程

    Figure  12.  Flowchart for Extraction of Mangrove Plants

    图  13  红树植物生长区域总图

    Figure  13.  Mangrove Plants Growth Area

    图  14  精度验证区域

    Figure  14.  Accuracy Verification Area

    图  15  通明海湾叶绿素a浓度的预测值与实测值

    Figure  15.  Predicted and Measured Values of Chlorophyll a Mass Concentration in Tongming Bay

    图  16  叶绿素a浓度分布图

    Figure  16.  Chlorophyll a Concentration Distribution

    图  17  D区域无人机影像与遥感影像

    Figure  17.  Drone Imagery and Remote Sensing Image ofArea D

    图  18  红树植物分布截取图

    Figure  18.  An Intercept of the Distribution of Mangrove Plants

    图  19  红树植物提取与无人机影像对比图

    Figure  19.  Comparison of Mangrove Plants Extraction with Unmanned Aerial Vehicle Image

    图  20  红树植物水环境叶绿素a浓度反演图

    Figure  20.  Retrieval of Chlorophyll a Mass Concentration in Water Environment of Mangrove Plants

    图  21  叶绿素a浓度与到红树植物距离图

    Figure  21.  Concentration of Chlorophyll a and the Distance to Mangrove Plants

    图  22  红树植物生长区域与其他沿岸区域叶绿素a浓度分布

    Figure  22.  Changes in Chlorophyll a Concentration inMangrove Plants Growth Areas and Other Coastal Areas

    表  1  样本参数

    Table  1.   Sample Parameters

    波段通道 遥感反射率/(μW·cm-2·sr-1·nm-1
    最小值 最大值 均值 标准偏差
    通道1 1 099 1 509 1 314.873 9 60.665 5
    通道2 1 157 1 572 1 387.945 5 64.458 6
    通道3 910 1 265 1 097.542 0 51.541 8
    通道4 3 496 5 009 4 373.759 7 290.828 9
    亮度值 456 514 485
    下载: 导出CSV

    表  2  海水叶绿素a反演模型

    Table  2.   Retrieval Model of Chlorophyll a in Seawater

    反演模型 模型方程 R2
    NDWI y=0.426 3-2.531 2x+4.356 1x2 0.646 2
    B4/B3 y=0.940 5-3.193 1x+2.891 0x2 0.651 2
    B3+B1 y=0.371 0-0.000 6x+0.000 1x2 0.082 7
    (B3+B4)/B4 y=2.393 7-1.648 4x+0.290 8x2 0.631 4
    B3/(B1+B4) y=0.316 2-1.138 0x+1.261 7x2 0.191 4
    下载: 导出CSV
  • [1] 廖宝文, 张乔民. 中国红树林的分布、面积和树种组成[J]. 湿地科学, 2014, 12(4): 435-440 https://www.cnki.com.cn/Article/CJFDTOTAL-KXSD201404005.htm

    Liao Baowen, Zhang Qiaomin. Area, Distribution and Species Composition of Mangroves in China[J]. Wetland Science, 2014, 12(4): 435-440 https://www.cnki.com.cn/Article/CJFDTOTAL-KXSD201404005.htm
    [2] 胡霞. 广西北部湾红树林生态承载力研究[D]. 南宁: 广西大学, 2012

    Hu Xia. Ecological Capacity Assessment of Mangrove Wetlands of Beibu Gulf in Guangxi[D]. Nanning: Guangxi University, 2012
    [3] 林康英, 张倩媚, 简曙光, 等. 湛江市红树林资源及其可持续利用[J]. 生态科学, 2006, 25(3): 222-225 https://www.cnki.com.cn/Article/CJFDTOTAL-STKX200603007.htm

    Lin Kangying, Zhang Qianmei, Jian Shuguang, et al. Mangrove Resource and Sustainable Development at Zhanjiang[J]. Ecologic Science, 2006, 25(3): 222-225 https://www.cnki.com.cn/Article/CJFDTOTAL-STKX200603007.htm
    [4] Liu D Z, Li S S, Fu D Y, et al. Remote Sensing Analysis of Mangrove Distribution and Dynamics in Zhanjiang from 1991 to 2011[J]. Journal of Oceanology and Limnology, 2018, 36(5): 1597-1603 doi:  10.1007/s00343-018-7004-1
    [5] Saibi H, Bersi M, Mia M B, et al. Applications of Remote Sensing in Geoscience[J]. Recent Advances and Applications in Remote Sensing, 2018, DOI:  10.5772/intechopen.75995
    [6] Lucas R, van de Kerchove R, Otero V, et al. Structural Characterisation of Mangrove Forests Achieved Through Combining Multiple Sources of Remote Sensing Data[J]. Remote Sensing of Environment, 2020, 237: 111543 doi:  10.1016/j.rse.2019.111543
    [7] Wang L, Jia M M, Yin D M, et al. A Review of Remote Sensing for Mangrove Forests: 1956-2018[J]. Remote Sensing of Environment, 2019, 231: 111223 doi:  10.1016/j.rse.2019.111223
    [8] Zhu Wenzhong, Jiang Hualong, Zhou Shuwen, et al. Recent Patents on Computer Science[J]. Bentham Science Publishers, 2017, 10(1): 53-61
    [9] 闫静, 张彩云, 骆炎民, 等. 福建九龙江口红树林变化的遥感监测[J]. 厦门大学学报(自然科学版), 2012, 51(3): 426-433 https://www.cnki.com.cn/Article/CJFDTOTAL-XDZK201203024.htm

    Yan Jing, Zhang Caiyun, Luo Yanmin, et al. Assessing the Areal Variation of Mangrove Coverage Forests in the Jiulongjiang Estuary of Fujian China with Remote Sensing Data[J]. Journal of Xiamen University (Natural Science), 2012, 51(3): 426-433 https://www.cnki.com.cn/Article/CJFDTOTAL-XDZK201203024.htm
    [10] Wang H J, Zhang J, Wu J, et al. Research on Mangrove Recognition Based on Hyperspectral Unmixing[C]//IEEE International Conference on Unmanned Systems, Beijing, China, 2017
    [11] Guo Q L, Zhang J P, Li T, et al. Change Detection for High-Resolution Remote Sensing Imagery Based on Multi-scale Segmentation and Fusion[C]//IEEE International Geoscience and Remote Sensing Symposium, Fort Worth, TX, USA, 2017
    [12] Bondur V G, Murynin A B. Methods for Retrieval of Sea Wave Spectra from Aerospace Image Spectra[J]. Izvestiya, Atmospheric and Oceanic Physics, 2016, 52(9): 877-887 doi:  10.1134/S0001433816090085
    [13] Teodoro A C. Optical Satellite Remote Sensing of the Coastal Zone Environmen: An Overview[J]. Environment Applications of Remote Sensing, 2016(1): 165-196
    [14] 李春干. 红树林遥感信息提取与空间演变机理研究[M]. 北京: 科学出版社, 2013

    Li Chungan. Study on Mechanism of Remote Sensing Information Extraction and Spatial Evolution of Mangrove Forest[M]. Beijing: Science Press, 2013
    [15] Deng Z Y, Zhu X S, Cheng D B, et al. Efficient kNN Classification Algorithm for Big Data[J]. Neurocomputing, 2016, 195: 143-148 doi:  10.1016/j.neucom.2015.08.112
    [16] 颜春燕. 遥感提取植被生化组分信息方法与模型研究[D]. 北京: 中国科学院遥感应用研究所, 2003

    Yan Chunyan. Study on Methods and Models for Vegetation Biochemical Information Retrieval by Remote Sensing[D]. Beijing: Institute of Remote Sen-Applicationssing, Chinese Academy of Sciences, 2003
    [17] Krause G, Bock M, Weiers S, et al. Mapping Land-Cover and Mangrove Structures with Remote Sensing Techniques: A Contribution to a Synoptic GIS in Support of Coastal Management in North Brazil[J]. Environmental Management, 2004, 34(3): 429-440 doi:  10.1007/s00267-004-0003-3
    [18] Proisy C, Couteron P, Fromard F. Predicting and Mapping Mangrove Biomass from Canopy Grain Analysis Using Fourier-Based Textural Ordination of IKONOS Images[J]. Remote Sensing of Environment, 2007, 109(3): 379-392 doi:  10.1016/j.rse.2007.01.009
    [19] Shah D G, Bahuguna A, Deshmukh B, et al. Zoning and Monitoring Dominant Mangrove Communities of a Part of the Marine National Park, Gulf of Kachchh[J]. Journal of the Indian Society of Remote Sensing, 2005, 33(1): 155-163 doi:  10.1007/BF02990005
    [20] Kovacs J M, Santiago F F, Bastien J, et al. An Assessment of Mangroves in Guinea, West Africa, Using a Field and Remote Sensing Based Approach[J]. Wetlands, 2010, 30(4): 773-782 doi:  10.1007/s13157-010-0065-3
    [21] Ouyang X G, Guo F. Paradigms of Mangroves in Treatment of Anthropogenic Wastewater Pollution[J]. Science of the Total Environment, 2016, 544: 971-979 doi:  10.1016/j.scitotenv.2015.12.013
  • [1] 沈维青, 张丰, 刘仁义, 杜震洪.  利用SARA结合高分一号数据反演气溶胶光学厚度 . 武汉大学学报 ● 信息科学版, 2020, 45(6): 914-922. doi: 10.13203/j.whugis20190034
    [2] 吴晓萍, 徐涵秋, 蒋乔灵.  GF-1、GF-2与Landsat-8卫星多光谱数据的交互对比 . 武汉大学学报 ● 信息科学版, 2020, 45(1): 150-158. doi: 10.13203/j.whugis20190084
    [3] 王乐洋, 赵雄, 高华.  大地测量地震断层同震滑动分布反演的两步解法 . 武汉大学学报 ● 信息科学版, 2019, 44(9): 1265-1273, 1311. doi: 10.13203/j.whugis20170382
    [4] 李营, 陈云浩, 陈辉, 王晨.  GF-1 WFV影像的翅碱蓬植被指数构建 . 武汉大学学报 ● 信息科学版, 2019, 44(12): 1823-1831. doi: 10.13203/j.whugis20180105
    [5] 付延光, 周兴华, 许军, 刘森波, 杨磊.  利用TOPEX/Poseidon和Jason-1高度计数据提取中国南海潮汐信息 . 武汉大学学报 ● 信息科学版, 2018, 43(6): 901-907. doi: 10.13203/j.whugis20160128
    [6] 郭飞霄, 孙中苗, 翟振和, 肖云.  利用多源重力观测数据反演渤海湾地区构造应力场 . 武汉大学学报 ● 信息科学版, 2017, 42(1): 136-142. doi: 10.13203/j.whugis20140743
    [7] 朱婷婷, 李斐, 张胜凯, 袁乐先.  基于CFAR的RADARSAT-1南极裸岩目标信息提取 . 武汉大学学报 ● 信息科学版, 2016, 41(11): 1512-1517. doi: 10.13203/j.whugis20150266
    [8] 许才军, 邓长勇, 周力璇.  利用方差分量估计的地震同震滑动分布反演 . 武汉大学学报 ● 信息科学版, 2016, 41(1): 37-44. doi: 10.13203/j.whugis20150500
    [9] 靳华安, 李爱农, 边金虎, 雷光斌.  HJ-1B CCD2与SPOT4 HRVIR数据在森林地上生物量反演中的比较分析 . 武汉大学学报 ● 信息科学版, 2016, 41(11): 1483-1490. doi: 10.13203/j.whugis20140594
    [10] 徐剑波, 肖志峰, 钟林忆, 蔡德楠, 钟德福, 朱晓强.  HJ-1B热红外LST反演及利用偏微分对其误差精度分析 . 武汉大学学报 ● 信息科学版, 2016, 41(11): 1505-1511. doi: 10.13203/j.whugis20140475
    [11] 方圣辉, 乐源, 梁琦.  基于连续小波分析的混合植被叶绿素反演 . 武汉大学学报 ● 信息科学版, 2015, 40(3): 296-302.
    [12] 唐菲, 徐涵秋.  不同传感器线性光谱分解反演不透水面的对比——以Landsat ETM+和EO-1 ALI为例 . 武汉大学学报 ● 信息科学版, 2013, 38(9): 1068-1072.
    [13] 朱进, 王先华, 潘邦龙, 叶函函.  水体叶绿素的偏振光谱特性 . 武汉大学学报 ● 信息科学版, 2013, 38(5): 538-542.
    [14] 刁法启, 熊熊, 李军, 郑勇.  利用GPS观测反演Tokachi-Oki地震(日本)及强余震的同震滑移分布 . 武汉大学学报 ● 信息科学版, 2010, 35(3): 270-273.
    [15] 温扬茂, 许才军.  基于敏感度的迭代拟合法反演玛尼Ms7.9级地震滑动分布 . 武汉大学学报 ● 信息科学版, 2009, 34(6): 732-735.
    [16] 万幼川, 黄家洁, 刘良明.  基于MODIS数据的二类水体叶绿素反演算法理论与实现 . 武汉大学学报 ● 信息科学版, 2007, 32(7): 572-575.
    [17] 李征航, 徐晓华, 罗佳, 朱智勤.  利用GPS观测反演三峡地区对流层湿延迟的分布及变化 . 武汉大学学报 ● 信息科学版, 2003, 28(4): 393-396.
    [18] 王振杰, 欧吉坤, 曲国庆.  一元Laplace分布的L1-范估计的无偏性 . 武汉大学学报 ● 信息科学版, 2001, 26(4): 361-363.
    [19] 杨凯, 林开愚.  遥感技术在洪湖水生植物分布状况调查中的应用 . 武汉大学学报 ● 信息科学版, 1983, 8(1): 1-13.
    [20] 段祝庚, 吴凌霄, 江学良.  无人机激光雷达点云密度对森林遥感反演指数提取的影响 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20210719
  • 加载中
图(22) / 表(2)
计量
  • 文章访问数:  106
  • HTML全文浏览量:  52
  • PDF下载量:  20
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-03-16
  • 刊出日期:  2022-07-05

利用叶绿素a浓度反演精细提取红树植物生长区域

doi: 10.13203/j.whugis20200095
    基金项目:

    南方海洋科学与工程广东省实验室(湛江)资助 ZJW-2019-08

    国家自然科学基金 41906021

    广东省科技计划 2016A020222016

    广东海洋大学创新强校项目 Q16147

    广东海洋大学项目 C17077

    作者简介:

    韩泽文,硕士,主要研究方向为多源遥感卫星数据处理与应用。1227818141@qq.com

    通讯作者: 刘大召,博士,副教授。llddz@163.com
  • 中图分类号: P237

摘要: 大范围的红树植物遥感提取容易受地物遮挡、海水浸淹以及红树植物本身覆盖程度等因素影响,为了解决这一问题,2019-04在中国广东省湛江市通明海湾红树植物生长区域进行了现场调研,并使用高分一号(Gaofen-1, GF-1)卫星遥感影像提取红树植物分布范围。首先,根据地物波谱特征,使用归一化水体指数提取水陆边线,建立红树植物适宜生长区域;然后,使用面向对象方法逐步精确红树植物生长区域,采用光谱归一化差值指数、植被指数的方法二次提取通明海湾红树植物的分布区域;最后,对两次提取结果取并集,最大化精细提取红树植物生长范围。利用经验模型对该海湾进行海水的叶绿素a反演,分析该区域红树植物周围海水叶绿素a的浓度及分布特征,对红树植物与其周围水环境叶绿素a浓度的相关性进行研究。研究结果显示,红树植物生长区域的水体叶绿素a浓度极高,且近岸水体有红树植物的区域,其叶绿素a浓度要高于无红树植物区域。相关性分析表明叶绿素a浓度与红树植物之间有较好的相关性,叶绿素a浓度由高浓度急剧降低为低浓度,证明红树植物周围水体叶绿素a浓度及分布特征有明显变化规律,可以使用该方法精细提取全部红树植物生长范围。

English Abstract

韩泽文, 李卓, 孙琰, 刘大召. 利用叶绿素a浓度反演精细提取红树植物生长区域[J]. 武汉大学学报 ● 信息科学版, 2022, 47(7): 1103-1112. doi: 10.13203/j.whugis20200095
引用本文: 韩泽文, 李卓, 孙琰, 刘大召. 利用叶绿素a浓度反演精细提取红树植物生长区域[J]. 武汉大学学报 ● 信息科学版, 2022, 47(7): 1103-1112. doi: 10.13203/j.whugis20200095
HAN Zewen, LI Zhuo, SUN Yan, LIU Dazhao. Growth Regions of Mangrove Plants Fine Extraction from Chlorophyll a Concentration Retrieval[J]. Geomatics and Information Science of Wuhan University, 2022, 47(7): 1103-1112. doi: 10.13203/j.whugis20200095
Citation: HAN Zewen, LI Zhuo, SUN Yan, LIU Dazhao. Growth Regions of Mangrove Plants Fine Extraction from Chlorophyll a Concentration Retrieval[J]. Geomatics and Information Science of Wuhan University, 2022, 47(7): 1103-1112. doi: 10.13203/j.whugis20200095
  • 红树林是一种位于热带、亚热带海岸潮间带上部[1],长期受到潮汐淹浸,以红树植物为主要植被的常绿灌木和小乔木群落。它主要生长在陆地和海洋相接壤的滩涂浅滩,不仅对海岸生态起到了重要的保护作用,也是陆地与海洋连接的独特生态系统[2]。中国广东省湛江市沿岸滩涂辽阔,生长着大批量的红树植物。据统计,1990年湛江市有红树植物面积7 242 hm2,人造待成林25.6 hm2,天然更新红树植物509.4 hm2,另有适宜生长区9 688.6 hm2[3]。对红树植物资源的不合理利用和开发,导致红树植物面积大幅度减少。1991—2011年间,湛江市红树植物面积逐年减少[4],因此,正确把握红树植物资源现状,全面详细地了解红树植物分布面积、组成结构等,可为进一步研究红树植物、增进治理监督提供科学凭据。

    遥感手段具备探测规模广、所需时间短、受地物局限性少、获得的信息数据量多等优点[5],近年来已被普遍地应用于湿地环境调查和变化监测。国内外对红树植物资源和群落生态环境已经做过不少遥感监测方面的研究工作,文献[6]综合了多种遥感数据实现红树林结构特征的提取,文献[7]针对红树植物的遥感发展史,撰写了1956—2018年的红树林遥感研究综述。目前,尽管关于红树植物的研究不少,但对红树植物水域生态系统的研究较少,如红树植物水环境的叶绿素循环等,这些研究不仅对探索红树植物生长区域的生态环境及其特性意义重大,还可为红树植物资源的维护及其开发利用提供重要的参考依据。

    本文根据2017-04的高分一号(Gaofen-1,GF-1)卫星影像,对湛江市通明海湾沿岸红树植物生长区域和其周围水环境叶绿素a进行识别提取,并将野外调查数据与遥感影像结果进行结合,比较红树植物与周围水环境叶绿素a的变化规律,提出了一种利用叶绿素a浓度变化精细提取红树植物生长区域的方法。

    • 通明海湾位处湛江市区东南方向,有国家级红树林自然保护区,海水污染程度较低,滩涂淤泥质土壤肥沃,沿海潮间带分布着大量红树植物,是中国连片面积最大的红树植物基地,本文研究区覆盖整个通明海湾沿岸。

      本文采用GF-1卫星多光谱和全色数据进行解译分析。由于研究区域遥感影像易受天气、云覆盖和轨道影响,使用2017-04-01获取的多光谱和全色数据,对影像进行辐射定标、大气校正、正射校正等处理(见图 1),使用色彩标准化空间变换法对影像进行融合,融合前后波谱一致[8],使其成为一幅具有2 m分辨率的多光谱影像。

      图  1  预处理流程图

      Figure 1.  Pre-processing Process

      2019-04-01,对湛江市通明海湾区域红树植物分布集中区域进行大面积的设站调查,设置红树植物信息采集站位点9个,并设置海水信息采集站位点22个(见图 2)。

      图  2  红树植物调查区域与海水采集区域

      Figure 2.  Mangrove Plants Survey Area and SeawaterSampling Area

    • 1)选用植被指数和面向对象分类[9]相结合进行目标信息的提取。考虑到红树植物生长的特征属性,根据水体和非水体的波谱差异,采用水体指数在影像中获取水陆边界线,利用面向对象分类和植被指数,结合红树植物光谱、形状等属性,在红树植物适宜生长区内提取红树植物分布信息[10]

      2)根据卫星数据特点以及通明海湾水质反演技术要求,对研究区域进行裁剪,除去陆地信息,基于波段比值建立实测叶绿素a浓度和遥感影像间的数学模型,随后将模型应用于通明海湾水体区域,反演出整个通明海湾区域的叶绿素a浓度分布。

      3)将提取出来的红树植物生长分布区域和叶绿素a浓度分布信息相结合,探究红树植物水环境的叶绿素a质量浓度的变化,根据浓度变化判断是否对红树植物生长区域的提取起推进作用,确立二者之间关系。

    • 本文对红树植物生长范围提取使用了面向对象法与植被指数法这两种常用的红树植物提取方法,将二者提取的结果进行混合取并集,合并两种方法提取出来的红树植物生长区域,达到提取红树植物生长区域的最大化(见图 3)。

      图  3  红树植物信息提取流程图

      Figure 3.  Information Extraction Process of Mangrove Plants

    • 面向对象分类方法是聚合相邻像元为对象用来提取目标信息,运用高光谱数据的空间、纹理和光谱信息来区划和归类处理,对高精度的分类结果或者矢量进行输出[11]。相较于依据像元归类具有更好的完整性,能克服传统的黑白噪声现象,同时能有效削弱“同物异谱”和“异物同谱”对精度的影响。首要步骤是影像的分割,得到光谱区域和空间区域属性都相同的“同质均一”的单元。在分割的过程中,对象内的同质属性应该到达最大化,不同属性也应该到达最大化。

      本文对影像进行多次尺度分割,基于影像的灰度特征来计算多个灰度阈值,将影像中的每个像素的灰度值与阈值进行比较,依据比较结果分到合适的类别中。将卫星影像拆分为可按阈值分割的3色灰度数据。使用红(red,R)、绿(green,G)、蓝(blue,B) 3通道分别计算其单通道灰度数据,避免出现混插(见图 4)。

      图  4  R、G、B 3通道拆分计算灰度数据

      Figure 4.  R, G, B Three Channels Were Split to Calculate Grayscale Data

      将所得的3组R、G、B灰度数据结合为一组整体灰度数据,为了量化影像的灰度变化情况,对影像进行了像元对比度分区运算:

      CN=Mmax-MminMg ]]>

      式中,CN为灰度数据对比度分区运算值;N是以像素点axy)为中心点的数值大小;MmaxMmin分别代表该像素点内灰度值的最大值和最小值;Mg表示整幅影像的灰度级别。对于灰度数据,Mg一般情况下取值255,且CN∈[0,1]。

      将整组灰度数据进行统计处理,由RGB颜色空间转换成色调饱和度亮度颜色空间数据,使用边缘检测算法对空间数据集进行边缘提取,结合空间信息迭代合并相同属性的邻近斑块。为了更直观地显示合并后各个区域的分割阈值范围,将分割阈值范围信息转换成全彩色显示,如图 5所示。

      图  5  分割阈值范围

      Figure 5.  Segmentation Threshold Range

      图 5可知,在分割阈值16~63区间内包含的分割区块最丰富,为了满足精准分割需求,地面与连片分布的水体对象分割不能过于破碎,还需将红树植物与地面植被、建筑用地等对象区分开来。在尺度较小的情况下,不容易出现混合地物现象,但是尺度过小会导致对象过于破碎,不利于提取大面积的目标;当尺度较大时,容易出现混合地物现象。本文采用多项分割尺度交互分割实验法确定分割阈值(见图 6),图 6中16、40、63表示分割尺度。根据多项分割尺度交互分割实验得到的结果,分割尺度为40时,水陆边界清晰,水陆边线附近的水体对象能够较好地分割成独立的多边形,不被混入陆地类型中,同时分割结果也没有过于破碎,因此选取最佳阈值40对影像进行分割。

      图  6  不同分割尺度的影像分割结果图

      Figure 6.  Image Segmentation Results of Different Segmentation Scales

    • 水体反射波段主要分布在蓝绿光波段,由可见光到近红外波段反射率逐渐降低,到0.576 μm以后明显衰减,水体基本呈全吸收状态。水陆边线对内陆和海水在绿波段的反射率均小于在近红外波段的反射率[12]。由于海岸线像元是由海水和海水浸湿的淤泥组成的混合像元,反射率会受泥沙特征影响,海岸线根据潮位的不同,泥沙的多少也存在些许差异[13]。然而GF-1的高清晰分辨率让影像不会受到周边植被影响。因此,利用水陆分离指数能够有效分离水陆信息。

      采用归一化差异水体指数(normalized diffe-rence water index,NDWI)进行水陆分离。NDWI的计算公式为:

      NDWI=GREEN-NIRGREEN+NIR ]]>

      式中,GREEN和NIR分别表示绿波段和近红外波段的反射率。在选取水陆分离的阈值时,使用最大类间方差算法计算水陆分离阈值,计算公式为:

      ω0=N0M×N ]]>
      ω1=N1M×N ]]>
      N0+N1=M×N ]]>
      ω0+ω1=1 ]]>
      μ=ω0×μ0+ω1×μ1 ]]>
      g=ω0×(μ0-μ)2+ω1×(μ1-μ)2 ]]>

      将式(6)、式(7)代入式(8),得到等价公式:

      g=ω0×ω1×(μ0-μ1)2 ]]>

      假设整幅影像有M×N个像素点,其中像素点灰度值小于阈值K的记为N0,大于阈值K的记为N1ω0为目标信息像素点数占整幅影像的比例,μ0为其平均灰度值,ω1为背景像素点数占整幅影像的比例,μ1为其平均灰度值,影像的总体平均灰度为μ,类间方差为g。经计算,得到水陆分离的阈值K=0.277 5。以0.277 5为阈值,将所得到的灰度图像转换为二值化图像进行下一步的海水陆地分离,计算公式为:

      P(x,y)=1,NDWI(x,y)0.277 50,NDWI(x,y)<0.277 5 ]]>

      式中,Pxy)是第x行与第y列像元二值化后的数值。利用NDWI计算的灰度图像,经阈值判定后生成二值图像(见图 7(a)),白色区域为陆地(值为1),蓝色区域为海水(值为0),海水陆地分离成功,使用ArcGIS软件生成所需海水瞬时边线(见图 7(b))。

      图  7  水陆分离二值图与瞬时边线图

      Figure 7.  Seawater Binarization and Instantaneous Edge

    • 查阅研究区红树植物生长区域特征分布及野外调查可知,通明海湾地区红树植物分布在水陆边线向外延伸10~500 m范围内。以距离水陆边线250像素(约500 m)为红树植物生长区的边界,由水陆边线向海处生成红树植物生长区边界,并在水陆边线处生成红树植物适宜生长缓冲区[14]。依据水陆边线设置缓冲区,不仅能将红树植物生长区漏提取的情况降到最低,而且也在最大程度上削减了陆地像元的干扰。

    • 多尺度分割技术的地物信息提取以影像目标为最小处理单元,创建与实际地物相一致的影像目标。当可以根据影像对象特征明确将其归为某一种地物信息时,就可以采用阈值分割的方法对目标信息进行提取。红树植物生长环境在图像上通常呈现为分布较为集中、纹理不规则的对象,而且相比较其他植被距离水陆边线更近。本文选用k最近邻法确定分类的类别,相较于传统的监督分类,不是对单个像元进行分类,而是对分割后的对象进行分类,选取多重特征,分类精度高,不用设置繁琐的规则,能够快速地进行分类[15-16]。选用野外调查的一处站点(见图 8)作为样本,选择合适的分类特征参数[17],参考国家标准《土地利用现状分类GB/T 21010—2017》中0303红树林地,采用平均值、亮度、标准差等参数,根据样本数据(见表 1)统计分析计算出红树植物阈值归一化结果。

      图  8  样本区域

      Figure 8.  Sample Area

      表 1  样本参数

      Table 1.  Sample Parameters

      波段通道 遥感反射率/(μW·cm-2·sr-1·nm-1
      最小值 最大值 均值 标准偏差
      通道1 1 099 1 509 1 314.873 9 60.665 5
      通道2 1 157 1 572 1 387.945 5 64.458 6
      通道3 910 1 265 1 097.542 0 51.541 8
      通道4 3 496 5 009 4 373.759 7 290.828 9
      亮度值 456 514 485

      计算可得红树植物归一化差值为0.250 8,大于阈值0.250 8的部分为红树植物,由此确定红树植物生长区间(见图 9)。

      图  9  面向对象法提取红树植物

      Figure 9.  Mangrove Plants Extraction by Object Oriented Method

    • 结合卫星影像的光谱信息、研究区相关文献和无人机野外调查结果,确定了研究区红树植物的光谱解译特征,并对红树植物光谱特征进行分析(见图 10)。结果表明,红树植物的反射特征有着明显的变化,在红波段与近红外波段反射差异极大,在红波段呈吸收状态,在近红外波段呈强反射状态。

      图  10  红树植物光谱特征

      Figure 10.  Spectral Characteristics of Mangrove Plants

      由于卫星影像中存在少许混合像元,采用面向对象多尺度分割方法生成的对象区域边界会存在一定的误差,进而影响研究区域内红树植物的精准提取。考虑到研究区域内红树植物冠幅比较大,所以使用植被指数能够更好地提取出红树植物生长区域[18]

      红树植物作为自然生长的植物,具有独特的纹理特征、结构特征,没有适合纹理、结构等特征的专项影像提取方法进行特征提取[19],只能提取样本每个像元的光谱和植被指数构建特征。使用植被指数对红树植物进行提取,其中包括光谱特征为GF-1卫星影像的4个波段,植被指数选用了常见的归一化植被指数(normalized difference vegetation index,NDVI)、绿度归一化植被指数(green normalized difference vegetation index,GNDVI)和增强植被指数(enhanced vegetation index,EVI)3种,计算公式分别为:

      NDVI=NIR-REDNIR+RED ]]>
      GNDVI=NIR-GREENNIR+GREEN ]]>
      -RED ]]>

      式中,GREEN、RED和NIR分别表示绿波段、红波段和近红外波段的反射率。利用GNDVI提取植被绿度,EVI提取环境植被指数,NDVI提取冠层背景影响。为了增加红树植物的提取精度,将3种植被指数融合,提取结果见图 11

      图  11  植被指数法提取红树植物

      Figure 11.  Extraction of Mangrove Plants by VegetationIndex Method

    • 提取红树植物的精细流程如图 12所示,为了能更加精确地提取出完整的红树植物生长范围,将面向对象法与植被指数法提取出的红树植物生长区域相结合,进一步精确提取红树植物的生长区域信息,得到了如图 13所示的红树植物分布范围图。

      图  12  红树植物提取流程

      Figure 12.  Flowchart for Extraction of Mangrove Plants

      图  13  红树植物生长区域总图

      Figure 13.  Mangrove Plants Growth Area

    • 采用总体精度系数指标来分析提取精度。在野外调查中,参照无人机PHANTOM 4 RTK拍摄的红树植物高清影像,选取了有标志性地物特征的4处(见图 14),并在谷歌地球中选取验证样点用于精度评价。运用eCognition软件对研究区域进行棋盘分割,并导入4个研究区域精度数据和4个提取结果数据进行精度评价。结果显示,这4处红树植物区域提取的精度平均值达到了92.3%,精度最低点出现在B区域,该区域精度只有90.3%。分析精度最低的B区域,发现该区域为低潮带,生长的多是白骨壤,由于该影像拍摄于涨潮阶段,大量白骨壤被潮水覆盖,只有少数较高白骨壤露出,十分稀疏,导致该区域红树植物特征不明显,部分被误分为水体,所以出现了一些误差。

      图  14  精度验证区域

      Figure 14.  Accuracy Verification Area

    • 为了提取完整的红树植物分布,从红树植物生态系统角度出发,根据红树植物生长特性,将生物学与遥感相结合,利用红树植物自身的生长特性(红树植物生长过程中会产生大量含有叶绿素a的沉积物),通过对红树植物周围水环境叶绿素a的质量浓度反演来提取完整的红树植物生长范围。

      本文选用水质遥感监测模型作为传统经验模型[20],建立GF-1号影像的波段组合与叶绿素a质量浓度之间的统计关系,发现二次项方程构建的模型反演效果最佳。通过对叶绿素a敏感波段的一系列排列组合,得到多组反演模型(见表 2)。

      表 2  海水叶绿素a反演模型

      Table 2.  Retrieval Model of Chlorophyll a in Seawater

      反演模型 模型方程 R2
      NDWI y=0.426 3-2.531 2x+4.356 1x2 0.646 2
      B4/B3 y=0.940 5-3.193 1x+2.891 0x2 0.651 2
      B3+B1 y=0.371 0-0.000 6x+0.000 1x2 0.082 7
      (B3+B4)/B4 y=2.393 7-1.648 4x+0.290 8x2 0.631 4
      B3/(B1+B4) y=0.316 2-1.138 0x+1.261 7x2 0.191 4

      选取B4/B3模型建模,构建出y=0.940 5-3.193 1x+2.891 0x2的模型方程,相关系数R2的值为0.651 2。运用B4/B3波段比值模型进行反演(见图 15),反演后的R2为0.655 1,平均相对误差为4.9%,最大相对误差为14.1%,最小相对误差为0.6%,均方根误差为0.28 μg/L,该模型相关系数高,相对误差小,且最大相对误差只有14.1%,表明该模型较稳定,可以用于反演。

      图  15  通明海湾叶绿素a浓度的预测值与实测值

      Figure 15.  Predicted and Measured Values of Chlorophyll a Mass Concentration in Tongming Bay

      对通明海湾的叶绿素a质量浓度进行反演,用绿色由深到浅过渡来表示叶绿素a质量浓度的逐渐变小(见图 16)。

      图  16  叶绿素a浓度分布图

      Figure 16.  Chlorophyll a Concentration Distribution

    • 选取D区域一处无人机影像并截取相同地理位置的卫星影像(见图 17)。由上述两组影像可知,该区域红树植物分布各异,所处土壤、潮区也各有不同,有的红树植物分布茂密,有的红树植物分布稀疏,观察合并提取的红树植物分布图(见图 18)。本文方法对大面积、分布清晰的红树植物的提取十分准确,但是对面积较小、与海水融汇在一起的红树植物以及待成林红树植物的提取却不精准,如图 19所示,红线圈处为没被提取出来的红树植物。

      图  17  D区域无人机影像与遥感影像

      Figure 17.  Drone Imagery and Remote Sensing Image ofArea D

      图  18  红树植物分布截取图

      Figure 18.  An Intercept of the Distribution of Mangrove Plants

      图  19  红树植物提取与无人机影像对比图

      Figure 19.  Comparison of Mangrove Plants Extraction with Unmanned Aerial Vehicle Image

      大面积红树植物被完整地提取出来了,而部分红树植物小群落却无法被提取出来,图 19红线圈区域中,浸入海水的部分红树植物、小群落生长的红树植物与少量自然增殖的红树植物个体无法被提取出来。红树植物自身会吸收营养供给周围的浮游生物,而产生的叶绿素a与沉积物中的异样细菌和栖息藻类等的存在量有关,并且红树植物本身具有较强的自净化能力,但是由于氮、磷通常是红树植物生长的限制因素,不能被完全处理,导致营养物质在红树植物系统内集中[21],使得红树植物水域叶绿素a浓度升高,会出现这种叶绿素a高浓度区反应。因此,可使用遥感手段反演叶绿素a浓度,利用红树植物特有的叶绿素a浓度高值区间来精确提取红树植物生长区域。为了证明这一方法的可行性,截取了该区域水体叶绿素a质量浓度反演图(见图 20)。

      图  20  红树植物水环境叶绿素a浓度反演图

      Figure 20.  Retrieval of Chlorophyll a Mass Concentration in Water Environment of Mangrove Plants

      观察图 20可知,红树植物所在的水环境有着明显的叶绿素a浓度高值区,叶绿素a浓度由近到远迅速降低。对红树植物海水叶绿素a浓度相关性进行分析(见图 21),发现红树植物周围海水叶绿素a质量浓度与距离呈负相关。利用无人机影像进行验证,全部红树植物生长区域均被完整提取,包含浸入海水、小群落生长以及少量自然增殖的红树植物等,无一处遗漏。

      图  21  叶绿素a浓度与到红树植物距离图

      Figure 21.  Concentration of Chlorophyll a and the Distance to Mangrove Plants

      为了避免实验的偶然性与特殊性,对整幅遥感影像的红树植物周围水环境进行叶绿素a质量浓度的排查(见图 22),发现只有存在红树植物的水环境才会出现高浓度骤降为低浓度区,野外调查的1、2、3点均出现了该现象,而没有生长红树植物的村庄、养殖区及码头,均无明显叶绿素a质量浓度骤降变化,实验结果证明,运用叶绿素a质量浓度反演能够有效地提取出完整的红树植物分布。

      图  22  红树植物生长区域与其他沿岸区域叶绿素a浓度分布

      Figure 22.  Changes in Chlorophyll a Concentration inMangrove Plants Growth Areas and Other Coastal Areas

    • 本文以通明海湾为研究区域,结合GF-1卫星影像中红树植物生长分布区域和叶绿素a质量浓度的图谱特征与反演,建立了无需辅助资料的大区域红树植物多光谱遥感提取模式。首先给予水陆分离NDWI阈值新的定义,不再是以往按前人经验的统一阈值,而是精确到对应每一幅影像的确切阈值;然后对红树植物的面向对象提取加以改进,精确了面向对象阈值法提取红树植物的概念,而不是以往提取时模糊使用树木的阈值对红树植物进行提取,并使用面向对象与植被比值相结合的遥感提取方法提取红树植物,弥补了单一提取方法精度不够的不足,减少了大量判定过程;最后衍生出了一种完整提取红树植物生长范围的方法:利用叶绿素a质量浓度精细提取红树植物生长区域,因为红树植物周围水体的叶绿素a浓度极高,且出现规律的浓度分布变化,由高浓度急剧变为低浓度,且变化范围不大。因此,利用上述结论可以使用叶绿素a浓度反演进行辅助,精细提取全部红树植物生长区域,进一步加强对红树植物的保护与管理。

参考文献 (21)

目录

    /

    返回文章
    返回