利用温湿度指数提高红树林遥感识别精度

张雪红，田庆久

(1.南京信息工程大学遥感学院，南京 210044;2.南京大学国际地球系统科学研究所，南京 210093)

利用温湿度指数提高红树林遥感识别精度

张雪红1，田庆久2

(1.南京信息工程大学遥感学院，南京 210044;2.南京大学国际地球系统科学研究所，南京 210093)

针对使用TM图像反射波段信息难以将红树林与陆地植被、尤其是与水体—植被混合像元有效区分的问题，结合不同潮位的TM图像，基于反射波段信息，引入TM6热红外波段信息，提出了温湿度指数(temperature－moisture index，TMI)。分析结果表明，综合潮位信息、热红外波段信息及温湿度指数能显著提高红树林与其他地物之间的可分性。采用光谱角度制图(spectral angle mapping，SAM)监督分类法对红树林进行分类识别，较之其他研究者所采用的分类特征，热红外波段信息及温湿度指数能使红树林分类精度明显提高(Kappa系数提高了0.14，错分率降低了19.9%)，说明利用潮位信息、热红外波段信息及温湿度指数可以提高红树林的遥感识别精度。

红树林;潮位;TM;热红外;温湿度指数

0 引言

红树林是生长在热带、亚热带沿海潮间带滩涂上特有的木本植物群落，属常绿阔叶林，主要分布于淤泥深厚的海湾或河口盐渍土壤上。红树林具有促淤固滩、防浪护堤、保持生物多样性和净化环境污染等作用［1－2］。红树林的特殊生长环境不利于大面积的野外实地调查，而需借助遥感技术进行快速、大面积地监测和调查。关于红树林的遥感识别与监测，已有研究的关注重点主要包括2个方面:①红树林分布的面积与变化，侧重于从宏观尺度上监测红树林的分布范围及动态变化，故此类研究多采用Landsat MSS［3］，Landsat TM(ETM+)［3－7］，SPOT［5，8－10］和ASTER［11］等中分辨率卫星遥感图像数据;②红树林的种类及其群落分布规律，以及生物量、叶面积指数等生物物理参数，主要在微观尺度上研究红树林生态群落分布及演变规律，故此类研究多采用航空遥感图像(如 CASI图像［6］，HyMap 图像［12］)，IKONOS［13－15］以及 QuickBird［13，16］等高分辨率或高光谱图像数据。

在红树林的识别研究中，主要采用 NDVI［17］，TM3/TM5［6］，(TM5 － TM7)/(TM5+TM7)［4］和TM5/TM4［6］等植被指数或波段比值组合来区分红树林与非红树林。部分研究中结合了DEM和海岸线等辅助地学数据，以提高红树林的识别精度［2］。由于红树林属于湿地环境中的植物，使得红树林与水体—植被混合像元的反射光谱极其相似，因此红树林与陆地植被、尤其是与水体—植被混合像元之间存在严重的“同谱异物”现象。仅仅依靠遥感图像的反射波段信息常常难以完全消除这种“同谱异物”效应，严重制约着红树林的遥感识别精度。

针对红树林与水体—植被混合像元难以区分的问题，本文从它们的“同谱异物”效应出发，基于红树林的滨海环境特点，在利用遥感图像反射波段信息的基础上，引入能反映它们之间差别的热红外波段信息，并提出温湿度指数(temperature－moisture index，TMI)，从而提高了红树林与水体—植被混合像元的可分性，使“同谱异物”转变成“异谱异物”，进而提高红树林的遥感识别精度。

1 研究区概况及数据源

1.1 研究区概况

研究区位于广西防城港市的北仑河口国家级自然保护区，地理坐标范围为 E108°02'～108°16'，N21°28'～21°37'，是一个以红树林生态系统为保护对象的自然保护区。该保护区南濒北部湾，西端与越南交界，自西向东跨越北仑河口、万尾岛和珍珠湾，海岸线全长105 km;有河口海岸、开阔海岸等地貌类型，属南亚热带海洋性季风气候区。

1.2 数据源

本文研究使用的数据包括Landsat5 TM图像数据，成像时的潮位资料、气温资料(表1)，以及红树林样点的野外调查数据。TM图像通过中国科学院计算机网络信息中心的国际科学数据镜像网站(http://datamirror.csdb.cn)下载获得，成像日期分别为2006年9月12日和2006年10月30日，轨道号/行号为125/45。

表1 TM图像数据及成像时的潮位和气温资料Tab.1 Data list of TM images and the data of tide and air temperature at the time of the image acquisition

2007年11月上旬，作者对研究区内的红树林进行了实地野外调查，并使用GPS记录了各样点的地理坐标。由于该地区的光学遥感图像难以获取，导致本文中图像获取与实地野外调查的时间相差1 a。尽管遥感图像获取与实地野外调查不同步，但红树林为常绿阔叶林，其冠层随季节和年际变化很小，因此本文野外调查资料可以满足验证红树林遥感信息提取结果的要求。

2 研究方法

2.1 数据预处理

数据预处理包括对TM图像的辐射校正和几何纠正。原始图像的像元灰度值为0～255的能量相对值，本文对TM图像进行了辐射定标和大气校正，Landsat5的辐射定标系数采用了Chander等［18］的研究结果，大气校正则通过6S程序［19］来完成，辐射校正后获得各像元的地表反射率(由于本文对热红外波段的辐射能量值只考虑其相对大小，因此未对TM6进行辐射校正)。

几何纠正以1∶5万地形图为参考数据，通过选取大型桥梁与河流交叉点、道路交叉口等固定目标作为地面控制点来完成，配准误差小于0.5个像元。将TM图像中的热红外波段数据的空间分辨率重采样为30 m，对所有的图像均进行了UTM投影纠正。

2.2 温湿度指数

鉴于红树林的湿地生长环境，本文基于TM图像提出了能充分反映红树林特点的温湿度指数(TMI)。该指数能有效地综合地物的温度及湿度信息，其定义为

式中SWIR和TIR分别为短波红外波段反射率和热红外波段亮温。对于TM图像数据，SWIR=TM5+TM7，主要反映地物的湿度特征;TIR=TM6，主要反映地物的温度特征。

2.3 分类特征提取与分类算法

分类特征的选择和提取是地物识别和分类的关键。本文采用归一化均值距离［20］来选择和评价分类特征。归一化均值距离通过2个类别的均值距离和标准差来定量评价它们的可分性，距离越大，可分性越好，同时也表明该分类特征较好。其计算公式为

式中:d为归一化均值距离;μ1和μ2分别为某分类特征的2类样本区域的均值;σ1和σ2分别为某分类特征的2类样本区域的标准差。

本文采用光谱角度制图(spectral angle mapping，SAM)监督分类方法提取红树林空间分布信息，将研究区地物分为红树林和非红树林，并基于ENVI软件中IDL编程语言实现了SAM监督分类。

3 结果与分析

3.1 典型地物光谱特征

图1 研究区典型地物反射光谱特征曲线(图(b)为图(a)中450～700 nm谱段的放大图)Fig.1 Reflectance spectral curves of typical objects in the study area

图1为研究区内红树林、森林、农作物(主要为水稻和甘蔗)、城镇、裸土、滩涂和水体等7种典型地物的反射光谱曲线。其中，植被与非植被之间的光谱差异较大，例如处于短波红外波段的TM5和TM7可以明显地将非植被(城镇、裸土、水体等)与植被区分开来;而不同植被类型之间的光谱极其相似，存在较大的光谱重叠区域;但是，红树林与森林、农作物等非红树林之间仍然存在一定的光谱差异。从光谱带重叠的情况来看，红树林光谱在可见光和近红外波段与其他植被类型存在严重的重叠，而在对水分含量高度敏感的短波红外波段则无明显重叠。因此，短波红外波段是区分红树林与陆地植被的有效波段。

进一步考察水体—植被的混合像元的反射光谱特征可以发现，水体—植被混合像元的反射光谱曲线与红树林的极其相似，尤其在短波红外波段几乎重叠(图2)。因此，水体—植被混合像元是造成红树林识别精度难以提高的主要原因，仅仅基于反射波段的信息难以对红树林与水体—植被混合像元进行有效区分。

图2 红树林与水体—植被混合像元反射光谱特征曲线Fig.2 Spectrum curves of mangrove and water－vegetation mixed pixels

3.2 典型地物温度特征

为了考察红树林、森林、农作物、城镇、裸土、海水、内陆水体、沿海养殖水体—植被混合像元、内陆水体—植被混合像元等9种典型地物的温度特征，采用目视判读方法分别对其进行随机取样。由于TM6波段的DN值与像元亮温之间的函数关系为单调递增，而本文只考虑像元亮温的相对大小，因此直接根据TM6波段的DN值进行统计分析(为表达方便，下文均直接借用“亮温”来表述)，统计结果如表2所示。

从表2可以看出，2006年9月12日各地物类型亮温由小到大依次为:海水、红树林、沿海养殖水体—植被混合像元、农作物、内陆水体、内陆水体—植被混合像元、森林、城镇和裸土。可以发现，沿海海域亮温普遍低于内陆区域亮温;且无论在海域还是在内陆，水体均低于同一区域中的植被以及植被—水体的混合像元，这是由于水的比热大、热惯量高、白天升温较慢所致。因此，从海边向内陆气温逐渐升高［21］;处于沿海区域的红树林亮温明显低于森林、内陆水体—植被混合像元的亮温，但与沿海养殖水体—植被混合像元的亮温几乎无差异。

2006年10月30日各地物类型亮温由小到大依次为:海水、红树林、内陆水体、沿海养殖水体—植被混合像元、内陆水体—植被混合像元、森林、农作物、城镇和裸土。与2006年9月12日的各地物类型亮温相比，除红树林和农作物外，其他地物之间亮温相对差异无明显变化。2006年10月30日红树林处于高潮位(表1)，红树林几乎完全浸泡于海水中，因而红树林的亮温与海水几乎无差异。农田区域亮温的大幅提高是因为10月30日已经进入收割季节，大部分耕地变为冬闲地。另外，2006年9月上旬后期至中旬前期，广西境内出现寒露风天气，并出现了较明显的降温过程(表1)，使9月12日各地物的亮温明显低于10月30日。

亮温虽然忽略了各地物类型之间比辐射率的差异，但仍能反映各地物类型之间的温度特征差异。因此，利用温度特征可以充分提高红树林与森林、农作物的可分性;在结合红树林区域潮位资料的基础上，利用温度特征还可以进一步提高红树林与水体和植被混合像元的可分性。

表2 典型地物温度特征统计Tab.2 Statistics of typical object temperature characteristics

3.3 分类特征选择与提取

红树林的识别精度主要取决于与陆地植被的区分度，尤其是与水体—植被混合像元的可分性。提取能有效提高红树林与陆地植被及水体—植被混合像元的可分性的分类特征(或指数)是解决红树林识别精度问题的关键。

本文基于TM图像数据，采用归一化均值距离作为指标来定量评价红树林与其他地物之间的可分性(表3)。在区分红树林与其他植被时，对于单波段数据而言，短波红外波段的可分性最好;而热红外波段TM6则可以较好地将红树林与水体—植被混合像元分开。

表3 红树林与其他地物的区分度Tab.3 Separability between mangrove and other object

红树林的特殊生长环境不仅使红树林的光谱具有典型植被的特征，同时还反映了影响其生长的湿地背景信息，这使红树林与水体、城镇、裸土等非植被地物非常容易区分;但另一方面也同时导致红树林与阴影区陆地植被及植被—水体混合像元的可分性较差。在以往的红树林遥感识别研究中，温度信息往往不受重视，在分析时一般忽略了热红外波段数据［3，7］。本文分析认为，虽然热红外波段数据的空间分辨率较低，但结合高潮位图像的温度特征能够明显地提高红树林与水体—植被混合像元的区分度(详见表3中的 TM6H)。另外，通过对原始的反射波段信息和热红外波段信息的进一步整合优化发现，本文提出的温湿度指数((TM5+TM7)TM6)能明显地提高红树林与森林、农作物、裸土和城镇的可分性，其原因是温湿度指数揭示了滨海湿地背景与陆地背景的差别。对比已有文献中通常选取的分类特征发现，(TM5 － TM7)/(TM5+TM7)［4］和 TM4/TM5(注:文献［6］采用的是TM5/TM4)只能较好地对红树林与城镇、裸土进行区分，NDVI［17］只能较好对红树林与城镇、水体进行区分。

基于上述分析，最终选择2组分类特征进行红树林识别研究:第一组为TM4L(下标L和H分别表示低潮位和高潮位，在本文中分别对应9月12日和10 月 30 日)，TM6L，(TM5L+TM7L)TM6L，TM6H，(TM5H+TM7H)TM6H和TM4L/TM5L;第二组作为参照组，用来与本文识别结果进行比较分析，选取的分类特征为其他文献中常采用的 TM3L，TM4L，TM5L，TM7L，TM3L/TM5L，TM4L/TM5L和 NDVIL。

3.4 红树林遥感识别结果分析

首先采用上述两组分类特征，将地物分成红树林和非红树林2类，并基于目视判读方法从TM图像中提取出441个典型的红树林训练样本，取其均值波谱作为参考波谱;然后采用SAM监督分类方法进行分类，并对计算后所得训练样本的光谱夹角反复进行分析，分别确定2组分类特征的角度阈值(本文用角度表示光谱夹角)，第一组和第二组分类特征的角度阈值分别为12°和14°。

以地面实测数据为基础，采用目视判读方法从TM图像中提取519个红树林样本和3880个非红树林样本(包括水体、陆地植被、水体—植被混合像元、城镇、裸土)，对上述2组分类的红树林识别结果进行验证。红树林识别精度评价结果详见表4，两组分类的红树林识别结果详见图3。

表4 红树林分类结果评价Tab.4 Classification assessment of mangrove

图3 2006年广西壮族自治区防城港市北仑河口国家级自然保护区红树林识别结果Fig.3 Mangrove map of Beilunhekou National Nature Reserve Area，Fangchenggang City，Guangxi Zhuang Autonomous Region in 2006

由于第一组分类(图3(a))中将红树林的生境特点和TM图像特点进行了有机结合，充分考虑了像元湿度和温度特征，选择和提取了TM6和TMI等能将红树林与其他植被类型(陆地植被、水体—植被混合像元)有效区分的分类特征，与未采用热红外波段信息的第二组分类(图3(b))相比，其分类精度有了明显的提高(Kappa系数提高了0.14，错分率降低了19.9%)。通过对比分析发现，两组分类的精度差异主要体现在将植被—水体(包括沿海养殖水体、内陆水体)混合像元错分为红树林(图3(b))方面，第一组分类中采用了可分性较高的TM6和TMI分类特征，因而有效地降低了红树林的错分率。

4 结论

1)在对水分含量高度敏感的短波红外波段，红树林像元的反射光谱特征与陆地植被(如森林、农作物等)存在较大的差异，而红树林与水体—植被混合像元的反射光谱特征极其相似。因此，短波红外波段是区分红树林与陆地植被的有效波段，而仅仅基于反射波段的信息难以满足红树林遥感信息提取的要求。

2)在红树林的遥感识别中，通过充分利用红树林的特殊生境特点，并基于反射波段特征和热红外波段特征提出了温湿度指数(TMI)。研究结果表明，温湿度指数能有效地提高红树林的识别精度;进一步结合不同潮位信息，则能明显提高红树林与水体—植被混合像元的识别精度。

3)虽然引入热红外波段信息可以降低红树林与植被—水体混合像元的错分率，有效提高红树林的识别精度，但是仍有部分红树林被错分，这主要是因为TM图像的空间分辨率偏低(尤其是热红外波段的空间分辨率只有120 m)所致。因此，尝试利用更高空间分辨率的光学图像(如SPOT4，SPOT5图像)和热红外图像(如Landsat7 ETM+)来识别红树林是下一步的研究重点，预计其结果将会大幅度减少水体—植被混合像元数，进一步提高红树林的识别精度。

志谢:中国科学院计算机网络信息中心国际科学数据镜像网站 (http://datamirror.csdb.cn)为本文研究免费提供了TM数据，在此表示衷心感谢。

［1］Blasco F，Saemger P，Janodet E.Mangroves as Indicators of Coastal Change［J］.Catena，1996，27(3/4):167 －178.

［2］Liu K，Li X，Shi X，et al.Monitoring Mangrove Forest Changes Using Remote Sensing and GIS Data with Decision－tree Learning［J］.Wetlands，2008，28(2):336 －346.

［3］Giri C，Pengra B，Zhu Z，et al.Monitoring Mangrove Forest Dynamics of the Sundarbans in Bangladesh and India Using Multi－temporal Satellite Data from 1973 to 2000 ［J］.Estuarine，Coastal and Shelf Science，2007，73(1/2):91 －100.

［4］Chaudhury M U.Digital Analysis of Remote Sensing Data for Monitoring the Ecological Status of the Mangrove Forests of Sunderbans in Bangladesh［C］//Proceedings of the 23rd International Symposium on Remote Sensing of the Environment，1990，1:493 － 497.

［5］Aschbacher J，Ofren R S，Delsol J P，et al.An Integrated Comparative Approach to Mangrove Vegetation Mapping Using Advanced Remote Sensing and GIS Technologies:Preliminary Results［J］.Hydrobiologia，1995，295(1/3):285 －294.

［6］Green E P，Clear C D，Mum P J，et al.Remote Sensing Techniques for Mangrove Mapping［J］.International Journal of Remote Sensing，1998，19(5):935 －956.

［7］Andriamparany R，Francois F.Dynamics of Mangrove Forests in the Mangoky River Delta，Madagascar，Under the Influence of Natural and Human Factors［J］.Forest Ecology and Management，2010，259(6):1161－1169.

［8］Blasco F，Aizpuru M，Gers C.Depletion of the Mangroves of Continental Asia［J］.Wetlands Ecology and Management，2001，9(3):245－256.

［9］Thu P M，Pppulus J.Status and Changes of Mangrove Forest in Mekong Delta:Case Study in Tra Vinh，Vietanam［J］.Estuarine Coastal and Shelf Science，2007，71(1/2):98 －109.

［10］Conchedda G，Laurent D，Philippe M.An Object－based Method for Mapping and Change Analysis in Mangrove Ecosystems［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2008，63(5):578－589.

［11］Vaiphasa C，Andrew S K，Willem F B.A Post－classifier for Mangrove Mapping Using Ecological Data［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2006，61(1):1 －10.

［12］肖海燕，曾 辉，昝启杰，等.基于高光谱数据和专家决策法提取红树林群落类型信息［J］.遥感学报，2007，11(4):531－537.Xiao H Y，Zeng H，Zan Q J，et al.Decision Tree Model in Extraction of Mangrove Community Information Using Hyperspectral Image Data［J］.Journal of Remote Sensing，2007，11(4):531 －537(in Chinese with English Abstract).

［13］Wang L，Sousa W P，Gong P，et al.Comparison of IKONOS and QuickBird Images for Mapping Mangrove Species on the Caribbean Coast of Panama ［J］.Remote Sensing of Environment，2004，91(3/4):432－40.

［14］Kovacsa J M，Wang J F，Flores－ Verdugoc F.Mapping Mangrove Leaf Area Index at the Species Level Using IKONOS and LAI－2000 Sensors for the Agua Brava Lagoon Mexican Pacific［J］.Estuarine，Coastal and Shelf Science，2005，62(1/2):377 －384.

［15］Proisy，Coutero 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.

［16］Saleh A.Assessment of Mangrove Vegetation on Abu Minqar Island of the Red Sea［J］.Journal of Arid Environments，2007，68(2):331－336.

［17］Jensen J R，Ramset E，Davis B A，et al.The Measurement of Mangrove Characteristics in South－west Florida Using SPOT Multispectral Data［J］.Geocartography International，1991，6(2):13 －21.

［18］Chander G，Markham B.Revised Landsat－5 TM Radiometric Calibration Procedures and Postcalibration Dynamic Ranges［J］.IEEE Transactions on Geoscience and Remote Sensing，2003，41(11):2674－2677.

［19］Vetmote E F，Tanre D，Deuze J L，et al.Second Simulation of the Satellite Signal in the Solar Spectrum，6s:An Overview［J］.IEEE Transactions on Geoscience and Remote Sensing，1997，35(3):675－686.

［20］Swain P H，Davis S M.Remote Sensing:The Quantitative Approach［M］.New York:McGrowHill Inc，1978.

［21］朱莱茵，许映军，崔维佳，等.渤海湾西部沿岸地区气温特征的观测研究［J］.气象科学，2009，29(5):694 －699.Zhu L Y，Xu Y J，Cu W J，et al.The Observation Research of Temperature Impacted by the Sea Land Breeze in the Coastal Area of Western Bohai Bay ［J］.Scientia Meteorologica Sinica，2009，29(5):694－699(in Chinese with English Abstract).

Application of the Temperature－Moisture Index to the Improvement of Remote Sensing Identification Accuracy of Mangrove

ZHANG Xue－hong1，TIAN Qing－jiu2
(1.School of Remote Sensing，Nanjing University of Information Science ＆ Technology，Nanjing 210044，China;2.International Institute for Earth System Science，Nanjing University，Nanjing 210093，China)

The identification accuracy of mangrove by using TM reflective bands is always low due to the similarity of spectra between mangrove and land vegetation，especially water－ vegetation mixed pixels.Based on reflective and thermal infrared information in the TM images of different tide levels，the authors proposed temperature －moisture index(TMI).The analytical results show that the thermal infrared band and TMI can obviously improve the separability between mangrove and other objects based on the tide level information.The thermal infrared band and TMI can also significantly increase the classification accuracy of mangrove by using spectral angle mapping(SAM) supervised classification method in comparison with the classification features employed by other researchers.The Kappa coefficient increases by 0.14 ，and the commission error of mangrove class decreases by 19.9%，suggesting that the remote sensing identification accuracy of mangrove can be improved by using the information of tide level，thermal infrared band and TMI.

mangrove;tide level;TM;thermal infrared;temperature－moisture index(TMI)

TP 751.1;TP 753

A

1001－070X(2012)03－0065－06

2011－11－24;

2012－01－02

国家自然科学基金项目(编号:41201461)、国防科技工业民用科研技术研究项目(编号:2006A100602)和江苏高校优势学科建设工程资助项目共同资助。

10.6046/gtzyyg.2012.03.13

张雪红(1980－)，男，博士，讲师，主要从事植被生态遥感方面的研究。E－mail:zxhbnu@126.com。

(责任编辑:刘心季)