黄河口湿地典型地物类型高光谱分类方法

王建步，张 杰，马 毅，任广波

（国家海洋局第一海洋研究所，山东青岛 266061）

黄河口湿地典型地物类型高光谱分类方法

王建步，张 杰，马 毅，任广波

（国家海洋局第一海洋研究所，山东青岛 266061）

黄河口湿地地物类型具有复杂多样的特点，本文将线性光谱混合分析模型与归一化植被指数（NDVI）和归一化水体指数（NDWI）相结合，建立了一种新的滨海湿地遥感影像分类方法；开展了基于CHRIS高光谱影像的黄河口湿地芦苇、柽柳、碱蓬、大米草、潮滩和水体6种典型地物分类实验，整体分类精度为77.33%，Kappa系数为0.71，与经典的最大似然分类（MLC）方法相比较，整体分类精度提高1.6%，Kappa系数提高0.02，尤其是芦苇、碱蓬、大米草和潮滩的分类精度明显提高。

黄河口湿地；高光谱遥感影像；线性光谱混合分析；地物分类；NDVI；NDWI

0 引言

滨海湿地在改善气候、控制污染、维护生物多样性和保持区域生态平衡等方面，发挥着重要的作用［1-2］。随着社会经济的发展，滨海湿地的生态价值和经济价值日益明显。快速准确地开展滨海湿地地物类型及其变化监测，是合理开展滨海湿地保护和恢复工作的前提。滨海湿地环境复杂，大部分区域难以进入，这给快速准确的湿地监测带来了困难，而遥感技术是开展快速大范围地物类型监测的重要手段。黄河口湿地地物复杂多样，是多种珍贵鸟类的栖息地，开展该区域地物遥感分类方法研究具有重要意义。

目前，对湿地地物分类的研究主要集中在混合分析模型方面，如ROSSO et al［3］和LI et al［4］分别用多重端元光谱混合分析模型处理AVIRIS高光谱影像数据来监测旧金山湾大米草和加利福尼亚大米草、盐角草和胶草。HE et al［5］基于Landsat TM影像，利用线性光谱混合分析模型开展了河口湿地外来入侵植被的监测。吴见等［6］基于支持向量机提取湿地信息后的结果，利用改进线性光谱混合分解模型提取了湿地不同盖度的草甸信息。崔天翔等［7］以北京市野鸭湖湿地自然保护区为例，基于线性光谱混合模型开展了湿地植被盖度的提取研究。上述研究工作主要集中在湿地植被分类方法方面，需要指出的是在滨海湿地中，水体和植被、水体和潮滩、潮滩和植被以及植被之间在遥感影像中都存在混合像元，仅靠光谱混合分析模型往往不能够准确地进行地物分类。一些学者结合其他方法，提高了地物分类精度，如MICHISHITA et al［8］利用多重端元光谱混合分析模型，基于同一时间的Landsat TM和Terra MODIS双传感器数据，开展了鄱阳湖湿地和美国大盐湖湿地地物信息监测分类，通过优化端元和去除阴影信息，提高了信息提取的精度，然而在优化端元时，需要2种传感器同时间的影像。ZHANG et al［9］在利用线性光谱混合分析模型的基础上，结合了图像分割和专家解译，虽然其分类精度有所提高，但其分类过程是人工参与的半自动分类。

本文针对滨海湿地植被易被混分的问题，在线性光谱混合模型的基础上，引入了植被指数和水体指数（其中植被指数是刻划植被生长状况和覆盖程度的参数，水体指数是用于水陆分离的参数），给出了一种黄河口湿地地物高光谱的组合分类方法，并将实验结果与经典的最大似然法进行了比较。

1 研究区概况

119°03＇～119°13＇E），面积约230 km2（图1）。黄河口湿地是黄河三角洲国家级自然保护区核心区的所在区域，该区域地物类型复杂多样，主要地物包括芦苇、柽柳、碱蓬、大米草、潮滩和水体等，其中芦苇分布于黄河沿岸南、北两侧，主要生长在淡水区，在潮滩也有少许分布；碱蓬和柽柳主要分布于潮滩上，但盖度不均匀；大米草作为一种耐盐植被，是滨海湿地的先锋物种，生长在较浅的海水中，盖度较大，但分布面积较小；水体分布比较广泛，有人工池塘和海水等；潮滩主要位于黄河入海口南、北两侧。

实验区域选择黄河口湿地（37°43＇～37°50＇N，

图1 实验区域CHRIS遥感影像（15-10-5波段假彩色）Eig.1 CHRIS remote image of the test area（15-10-5 band false colour）

2 数据与方法

2.1 数据与处理

实验选择了黄河口湿地2012年6月PROBA/ CHRIS模式2高光谱遥感影像。该影像空间分辨率为17 m，波段数为18，波长范围为411～1 019 nm。采用ELAASH模式，对CHRIS遥感影像进行大气校正，然后应用资源卫星3号影像进行几何配准，获得大气校正和几何校正后的数据。

本文选用了黄河口湿地2012年9月，2013年5月和2013年9月3次现场踏勘的资料，包括450个站位的地物类型记录和4 000余张现场照片（典型地物照片见图2），利用上述信息以及踏勘路线周边的地物记录，给出了CHRIS图像人机交互解译结果（图3），该结果用于评价分类方法分类精度。

2.2 分类方法

基于黄河口湿地地物复杂多样，地物混合现象比较严重的问题，本文首先利用归一化植被指数（NDVI）和归一化水体指数（NDWI）提取植被、水体和潮滩信息；然后在基于NDVI提取的植被范围内，开展以芦苇、柽柳、碱蓬和大米草为端元的线性光谱分解，结合阈值处理，实现各植被类型的分类。在研究区域内，黄河具有比较明显的边界特征，且两岸已经固化，其边界可以作为底图，所以本文未将其放入分类的地物中，将卫星高光谱影像中的黄河水体进行掩膜。

在CHRIS高光谱遥感影像中，NDVI是对植被特征描述的一个基本参数，NDVI算法中近红外波段选取中心波段为786 nm的第16波段，红波段选取中心波段为684 nm的第12波段。NDVI计算方法如下：

式中：NDVI表示归一化植被指数；NIR表示近红外波段；R表示红光波段；BAND16和BAND12分别表示CHRIS高光谱影像的第16波段和第12波段的反射率；R786nm和R684nm分别表示第16波段和第12波段的中心波长，即786 nm和684 nm对应的反射率。

结合现场踏勘建立的遥感解译标志集和NDVI计算结果，选择NDVI＞0.05的为植被覆盖区。获取的黄河口湿地植被覆盖范围如图4所示。

浅海水域、养殖池塘、水库和坑塘的光谱特征基本一致，本文中将这4类地物统称为水体。利用水体在近红外波段具有强吸收的特性，根据高光谱分辨率高的优势，选择第18波段为近红外波段，选择第3波段为绿波段，应用NDWI提取湿地中的水体信息，NDWI计算方法如下：

图2 黄河口湿地典型地物现场照片Eig.2 Eield pictures of the typical surface feature for Huanghe River estuary wetland

图3 黄河口湿地CHRIS影像人机交互解译结果Eig.3 Human-computer interaction interpretation results of CHRIS image for Huanghe River estuary wetland

图4 利用NDVI提取的植被覆盖图Eig.4 Coverage of vegetation extracted by NDVI

式中：NDWI表示归一化水体指数；NIR表示近红外波段反射率；G表示绿光波段反射率；BAND3和BAND18分别表示CHRIS高光谱影像的第3波段和第18波段对应的反射率；R492nm和R1027nm分别表示第3波段和第18波段的中心波长，即492 nm和1 027 nm对应的反射率。

结合现场踏勘建立的遥感解译标志集和NDWI计算结果，选择NDWI＜-0.05时为水体。

选取芦苇、大米草、柽柳和碱蓬4种植被作为端元，结合提取的植被覆盖范围，利用决策树和现场站位的地物信息，训练端元丰度阈值，实现基于线性光谱分析模型的植被分类。

根据端元平均光谱反射率，利用全约束最小二乘法，计算影像中植被覆盖范围内所有像元中各个端元的丰度值。丰度反演原理：

式中：Rb表示混合像元b波段的反射率，N表示端元的数量，Ri，b表示i端元在像素中占的比重，fi表示i端元b波段的反射率，εb表示残差。根据以上原理，获取芦苇、柽柳、碱蓬和大米草各自的端元分量，结合如图5所示的阈值设置（即决策树）进行分类。

图5 基于端元分量的阈值处理流程图Eig.5 Elowchart of thresholding technique based on endmember fraction

最后，将提取的水体信息、潮滩信息以及基于线性光谱分解后获取的各种植被信息进行整合，获取黄河口湿地研究区域的地物分类结果，如图6所示。

3 结果分析

应用本文提出的组合分类方法，给出了黄河口湿地CHRIS影像的分类结果。利用基于现场踏勘建立的黄河口湿地遥感解译标志集，随机选取检验点，结合分类结果，建立分类误差矩阵，并计算Kappa系数。其总体分类精度为77.33%，Kappa系数为0.71。其中芦苇、潮滩和水体的分类精度较高，分别达到90.41%，88.85%和77.76%；碱蓬和大米草分类精度分别为64.40%和61.03%，相对较低，这与植被生长相对比较稀疏，地物混合比较严重有关；在黄河口湿地，柽柳是生长最为稀疏的植被，这也是其分类精度最低的原因，分类精度只有36.45%（表1）。

随机选取53个训练样本，利用最大似然分类方法开展实验区CHRIS高光谱影像分类，表2给出了其分类精度。

图6 黄河口湿地组合模型分类结果Eig.6 Classification results of the hybrid method for Huanghe River estuary wetland

表1 组合分类方法分类精度Tab.1 Classification accuracy of the hybrid method%

表2 最大似然分类方法分类精度Tab.2 Classification accuracy of the MLC method%

将本文提出的组合分类模型与最大似然分类方法相比较，发现总的分类精度由最大似然法的76.17%，提高到组合分类方法中的77.33%，Kappa系数由最大似然法的0.69增大到0.71。虽然总体分类精度相差不大，但是碱蓬、芦苇、潮滩和大米草的分类精度明显提高。

4 小结

黄河口湿地地物分布复杂，地物混合较严重，本文将线性光谱混合模型与NDVI和NDWI相结合，建立了一种滨海湿地遥感影像组合分类模型。利用建立的组合分类模型，开展了基于CHRIS高光谱影像的黄河口湿地芦苇、柽柳、碱蓬、大米草、潮滩和水体6种典型地物分类，整体分类精度为77.33%，Kappa系数为0.71，与经典的最大似然分类方法相比较，整体分类精度提高1.6%，Kappa系数提高0.02，尤其是芦苇、碱蓬、大米草和潮滩的分类精度明显提高。

本文提出的组合分类方法虽然整体分类精度有所提高，但是对分布稀疏不均的柽柳的分类精度还有待提高。

致谢 感谢ESA提供的CHIRS影像数据！

（References）：

［1］WOODWARD R T，WUI Y S.The economic value of wetland services：A meta-analysis［J］.Ecological Economics，2001，37（2）：257-270.

［2］YANG Yong-xing.Main characteristics，progress and prospect of international wetland science research［J］.Process in Geography，2002，21（2）：111-120.杨永兴.国际湿地科学研究的主要特点、进展与展望［J］.地理科学进展，2002，21（2）：111-120.

［3］ROSSO P H，USTIN S L，HASTINGS A.Mapping marshland vegetation of SanErancisco Bay，California，using hyperspectral data［J］.International Journal of Remote Sensing，2005，26（23）：5 169-5 191.

［4］LI L，USTIN S L，LAY M.Application of multiple endmember spectral mixture analysis（MESMA）to AVIRISimagery for coastal salt marsh mapping：A case study in China Camp，CA，USA［J］.International Journal of Remote Sensing，2005，26（23）：5 193-5 207.

［5］HE Mei-mei，ZHAO Bin，OUYANGA Z T，et al.Linear spectral mixture analysis of Landsat TM data for monitoring invasive exotic plants in estuarine wetlands［J］.International Journal of Remote Sensing，2010，31（16）：4 319-4 333.

［6］WU Jian，PENG Dao-li.Wetland information extraction based on improved linear spectral mixture model［J］.Jounal of China Agricultural University，2011，16（3）：140-144.吴见，彭道黎.改进线性光谱混合分解模型湿地信息提取［J］.中国农业大学学报，2011，16（3）：140-144.

［7］CUI Tian-xiang，GONG Zhao-ning，ZHAO Wen-ji，et al.Research on estimating wetland vegetation abundance based on spectral mixture analysis with different endmember model：A case study in Wild Duck Lake，wetland，Beijing［J］.Acta Ecologic Sinica，2013，33（4）：1 160-1 171.崔天翔，宫兆宁，赵文吉，等.不同端元模型下湿地植被覆盖度的提取方法——以北京市野鸭湖湿地自然保护区为例［J］.生态学报，2013，33（4）：1 160-1 171.

［8］MICHISHITA R，GONG Peng，XU Bing.Spectral mixture analysis for bi-sensor wetland mapping using Landsat TM and Terra MODIS data［J］.International Journal of Remote Sensing，2012，33（11）：3 373-3 401.

［9］ZHANG Yin-long，LU Deng-sheng，YANG Bo，et al.Coastal wetland vegetation classification with a Landsat thematic mapper image［J］.International Journal of Remote Sensing，2011，32（2）：545-561.

2015年《海洋学研究》征订启事

《海洋学研究》国内刊号为CN 33-1330/P；国际刊号为ISSN 1001-909X，季刊，大16开，目前为自办发行，每册定价为9.00元，全年定价为40元（含邮寄费）。请读者将书款通过邮局直接寄往如下地址：“浙江省杭州市保俶北路36号《海洋学研究》编辑部”，邮编：310012。

若通过银行汇款，请在收款人一栏中填写本编辑部所在单位的全称：“国家海洋局第二海洋研究所”，账号填写：1202026209008803510，汇入地点填写“杭州”，汇入行名称填写“工行高新支行”，汇款用途填写“订阅《海洋学研究》”。订阅单和收款记账凭证寄回本编辑部。

编辑部地址：杭州市保俶北路36号《海洋学研究》编辑部，邮编：310012

电话：0571-81963193 传真：0571-81963195

联系人：段焱 E-mail：journal@sio.org.cn；haiyangxueyanjiu@163.com

（本刊编辑部）

2015年《海洋学研究》征订单

Classification method of hyperspectral image in typical surface feature of Huanghe River estuary wetland

WANG Jian-bu，ZHANG Jie，MA Yi，REN Guang-bo
（The First Institute of Oceanography，SOA，Qingdao 266061，China）

The typical surface feature of Huanghe River estuary wetland is complex and diverse.In this study，a new classification model for coast wetland remote image was constructed using the linear spectral mixture analysis model，combined with normalized difference vegetation index（NDVI）and normalized difference water index（NDWI）.Based on CHRIS hyperspectral image，a classification test of Huanghe River estuary wetland was carried，which consisted of 6 kinds of typical objects：phragmites，tamarix chinesis，suaeda，spartina，tidal flat and water，The results show that the overall accuracy of the combined model is 77.33%，and Kappa coefficient is 0.71，increasing 1.6%and 0.02 respectively compared with that from the classical MLC method，and especially，a better classification accuracy is obtained obviously for phragmites，suaeda，spartina and tidal flat.

Huanghe River estuary wetland；hyperspectral remote image；linear spectral mixture analysis；classification of typical surface feature；NDVI；NDWI

订户名寄刊地址邮编订阅份数金额（元）联系人全年定价40元联系电话留言

TP753

A

1001-909X（2014）03-0036-06

10.3969/j.issn.1001-909X.2014.03.005

王建步，张杰，马毅，等.黄河口湿地典型地物类型高光谱分类方法［J］.海洋学研究，2014，32（3）：36-41，

10.3969/j.issn.1001-909X.2014.03.005.

WANG Jian-bu，ZHANG Jie，MA Yi，et al.Classification method of hyperspectral image in typical surface feature of Huanghe River estuary wetland［J］.Journal of Marine Sciences，2014，32（3）：36-41，doi：10.3969/j.issn.1001-909X.2014.03.005.

2013-10-28…………

2014-02-17

国家自然科学基金项目资助（41206172）；国家海洋局第一海洋研究所基本科研业务费专项项目资助（2013G08）

王建步（1981-），男，山东滨州市人，研究实习员，主要从事海岛海岸带遥感与应用研究。E-mail：wangjianbu@fio.org.cn