“高分五号”高光谱互花米草遥感识别与制图研究

2021-05-21 08:00任广波王安东王建步李晓敏
海洋科学进展 2021年2期
关键词:潮间带波段光谱

任广波,周 莉,梁 建,路 峰,王安东,王建步,李晓敏,马 毅

(1.自然资源部 第一海洋研究所,山东 青岛266061;2.山东黄河三角洲国家级自然保护区管理委员会,山东 东营257091;3.中国科学院 上海技术物理研究所启东光电遥感中心,江苏 南通226200)

气候变暖、人类活动和生物入侵是自然界所面临的三大生态威胁[1]。互花米草是公认的在世界范围内影响最为严重的海岸入侵物种之一[2]。这种原产于美洲的滨海盐生草本植物,仅用了40多年的时间,就完成了对亚洲、欧洲和大洋洲的成功入侵[3]。就入侵的国家来说,对中国海岸的入侵最为严重。中国政府和学者于1979年开始从美洲引进互花米草并在中国福建省的罗源湾试种[4-5],目的是培育一种可以有效固岸护滩的生态系统。试种成功后,互花米草随即被引种到了其他省份[6-9]。到2018年互花草的种植已广泛分布于北起辽宁、南到广西的全部大陆海岸[3]。2003年,互花米草连同其他15种入侵植物被中国政府列为首批入侵物种名录[10]。对互花米草的监测、入侵机理以及生态损害的研究,在中国海岸带生态监测与管理研究领域已经形成了研究热点[4,6,11-15]。

1989年,为稳固和保护淤泥质海岸,从福建省引种了互花米草植株至黄河三角洲,并进行实验性栽种。经过近10 a的不断实验,终于于1999年在五号桩潮间带形成了较大面积的互花米草群落。根据任广波等[16-17]、杨俊芳等[18]和于祥等[19]的监测,在1999—2010年的11 a间,互花米草在黄河三角洲的分布范围和面积增长较为缓慢。而在2011年之后,互花米草开始进入快速蔓延和面积爆发的增长期。到2018年,其分布面积已经超过4 000 hm2(监测区域大于本文遥感图像的覆盖区域),已基本上完全覆盖黄河现行入海口两侧潮间带[17]。

遥感技术已经成为互花米草入侵过程与机理研究的主要技术手段之一,大量的研究结论证实了多光谱遥感技术的优势[20-23]。根据任广波等[17]的监测,在黄河三角洲潮间带的中部区域,入侵的互花米草与本地生态系统之间常常邻接并发生部分区域被互花米草替代的情况。而本地生态系统的芦苇、柽柳等在光谱和纹理等方面均与互花米草有相近之处。因此,造成了在利用多光谱遥感技术的互花米草监测和分类制图中产生了精度难以提高的问题[24]。

高光谱遥感图像数据,以其对光谱细节的区分和表现能力,已经被证实在滨海湿地复杂地物类型的识别和分类中具有较高的精度[25-32]。然而,目前还较少有应用高光谱遥感图像数据的入侵植物互花米草的监测和制图方法研究工作。原因是航空高光谱、无人机高光谱覆盖面积有限而且成本较高,而卫星高光谱数据因数据源有限和条带狭窄而难以对互花米草覆盖的大面积区域进行有效的覆盖。

本研究拟应用“高分五号”卫星上搭载的国际上首个同时具有大刈幅、宽谱段的高光谱遥感载荷获取的覆盖黄河三角洲的遥感图像,分析其对黄河三角洲滨海湿地类型的区分能力,研究基于高光谱遥感的入侵植物互花米草高精度高效监测方法。在此基础上,研究并分析互花米草在黄河三角洲的分布特点。

1 数据和方法

1.1 研究区域

本文研究区域是黄河现行入海口(图1),其位于现代黄河三角洲的东侧,是黄河1976年之后因入海尾闾摆动而形成的一个扇形区域。由于多年入海泥沙的堆积,在入海口区域形成了宽阔的潮间带湿地,大部分潮间带的宽度都在2~8 km。研究区的主要地物类型包括芦苇、盐地碱蓬、柽柳、互花米草、海草床、黄河水体、生态蓄水池、海水和裸潮滩等。植被类型中除互花米草外,其余都是本地物种。

研究区的本地植物物种中,海草床生长于潮间带下部到潮下带之间的区域,其他的本地植物物种由于耐盐性较弱,则分布于潮间带中上部。而对于互花米草,其生境恰是潮间带中部到潮间带下部的淤泥质潮滩,这些条件在现代黄河三角洲都能得到满足。因此,现代黄河三角洲为互花米草的入侵提供了适宜的自然生态环境。

图1 研究区域和现场调查站位Fig.1 Study area and field work stations

1.2 数据

1.2.1 遥感数据

“高分五号”卫星是中国高分辨率对地观测计划中的第5颗卫星,于2018-05-09发射。该卫星搭载了一台先进高光谱成像仪(Advanced Hyperspectral Imager,AHSI)载荷,遥感图像数据的参数如表1所示。

“高分五号”是目前国际上最先进的商业高光谱卫星,其不仅具有高光谱分辨率(达5 nm@VNIR),而且具有较大的幅宽(60 km)。在互花米草的监测中,“高分五号”卫星高光谱数据具有天然的优势,可在有效诊断并识别互花米草的同时,实现对现代黄河三角洲的大范围同步覆盖。“高分五号”高光谱采用了2个不同的接收单元,即可见光近红外波段(Visible Near Infrared,VNIR)和短波红外波段(Short Wave Infrared,SWIR),具体波段范围见表1所示。为保证分属2个不同波段范围的图像可以高精度的拼接,二者在1 000~1 030 nm范围内存在波段的重叠,但光谱分辨率却不一样(表1)。“高分五号”的光谱分辨率在表1中取的是约数,而实际上,其在每一个波段的半高宽度(Full Width at Half Maximum,FWHM)都是不同的,对于VNIR图像,其FWHM为3.67~4.81 nm不等,且随着波长的增加而降低,对于SWIR图像,其FWHM为7.68~8.32 nm不等,且随着波长的增加而增加。

1.2.2 遥感图像数据处理

1)大气校正和几何校正

根据“高分五号”数据的卫星轨道和传感器成像参数,利用ENVI 5.3软件中的FLAASH大气校正模块,分别对VNIR和SWIR图像进行了大气校正,使遥感图像数据由DN(Digital Number)值转换为反射率值。完成大气校正之后,利用现场测量的像控点对遥感图像进行几何校正和图像配准处理,校正配准在ENVI 5.3软件中利用二次多项式校正模型完成,校正和配准均利用了相同的10个均匀分布的像控点,校正和配准误差均小于0.5个像元。

2)波段合成与无效波段去除

由于大气中的水汽吸收和低信噪比等原因,数据发布时去除了一些波段。同时,去除因边缘效应而导致的光谱反射率值的突变发生在边缘处的波段。另外,对VNIR和SWIR两幅图像的波长重复波段进行平均。最终,处理后图像由原始的330个波段减少为295个。去除的波段主要位于SWIR波段。包括中心波长在1 350~1 426 nm,1 805~1 948 nm和2 504~2 513 nm的水汽吸收和噪声过大的波段。

1.2.3 现场调查数据

现场调查的时间2018-09-26—10-01,与遥感图像获取时间相差30 d左右,该段时间内主要的地物类型除海草床外并未发生明显的变化,特别是互花米草群落,其在黄河三角洲区域于每年10月初进入种子成熟的物候期,其后分布范围和长势不再变化,一直到11月底开始出现枯萎。因此,本文认为30 d的遥感图像和现场数据获取差距,不会对互花米草的分布监测带来较大的影响。现场调查站位分布如图1所示。现场调查要素包括:地物类型的描述、地物类型的分布记录、覆盖度、经纬度位置、地物照片和生长参数记录,同时,还包括不同地物类型的现场地物光谱数据,现场光谱测量采用ASD FieldSpec 4 Standard-Res Spectroradiometer,其光谱范围350~2 500 nm,光谱采样间隔:1.4 nm@350~1 000 nm和1.1 nm@1 001~2 500 nm,光线传输使用的是一条1.5 m长的延长光纤,光纤探头视场角25°,在距离测量目标约50 cm处进行光谱获取,其足印直径大小约为20 cm。

图2 为基于现场调查资料、现场专家解译和文献资料在遥感图像中标注的地面真实样本分布。表2为随机选择的训练样本和验证样本的数量分布,在地面真实样本数据集中,针对一个类型,随机选择约占总样本量70%的样本作为训练样本,剩余样本作为独立检验样本。

表2 不同湿地类型的地面真实样本(训练样本和验证样本)Table 2 Ground truth samples of different wetland types(training and validation samples)

图2 地面真实样本分布Fig.2 Distribution of ground truth samples

1.3 分类方法

本文利用全波段高光谱遥感图像和降维后的遥感图像开展互花米草的分类研究。对于全波段遥感数据,选用全波段光谱反射率图像和经连续统去除(Continuum Removal,CR)处理之后的归一化光谱数据;对于降维数据,选择利用最小噪声分离(Minimum Noise Fraction,MNF)变换之后的结果和遴选的光谱指数计算结果。

对于分类方法,选择代表不同分类思想的几种方法,包括支持向量机(Support Vector Machine,SVM)、光谱相关制图(Spectral Correlation Mapper,SCM)、人工神经网络(Artificial Neural Network,ANN)和最大似然分类(Maximum Likelihood Classifier,MLC)。其中,SVM是基于结构风险最小化思想的代表性方法,SCM是高光谱遥感图像分类中常用的基于光谱相似性思想的方法,ANN是描述人脑工作方式的常用方法,而MLC是基于统计概率最大化理论的方法。上述方法中,考虑到本文所研究的问题同时具有小样本和高特征维度的特点,SVM方法应是处理该类问题的首选。同时,作为针对光谱识别应用发展的光谱角指数方法,也是应该在高光谱遥感监测中重点考虑的方法,但该方法对监测目标在遥感图像中的光谱保真度要求较高。由于在高光谱遥感图像的分类中,小样本和高数据维度往往是伴随出现的,因此对于全谱段的反射率数据和连续统去除计算结果数据,ANN和MLC不再适用,而利用SCM和SVM分类方法进行分类。其中,SCM方法是对SAM(Spectral Angle Mapper)方法的改进,后一种由于利用了核函数的概念,2种方法都适用于高特征维度、小样本的分类问题。对于波段降维方法,利用MNF对遥感图像进行降维,同时利用光谱指数法生成低特征维度的图像数据,然后利用SCM,SVM,ANN和MLC方法对降维后的图像数据进行地物目标分类。

1.3.1 SVM方法

在滨海湿地特别是具有广阔潮滩的河口湿地区域,潮间带潮沟密布、滩涂淤泥质软且受潮汐影响,现场调查很难开展,以至于在对覆盖该区域的遥感图像进行分类时,现场获取的训练样本少是一个最基本的问题。特别是对覆盖滨海湿地的高光谱遥感图像进行分类时,分类过程对训练样本数量的要求更高。针对此问题,本文选择使用基于统计学习理论[33]的SVM分类方法。SVM的优势和特点是可以有效解决遥感图像分类中的小样本问题,同时能通过该方法解决因高特征维度带来的线性不可分问题,它是目前遥感图像分类中应用最为广泛的方法之一[34]。

1.3.2 SCM方法

SCM是针对全谱段遥感数据的矢量夹角法,是传统光谱角制图法(Spectral Angel Mapper,SAM)的改进[35],修正了SAM无法排除在参考光谱与图像光谱在完全负相关时的误判问题。SCM的表达式如下:

式中,R为参考光谱,而X为图像光谱。SCM的取值范围为(-1,1),其取值越接近1,表明光谱矢量之间的夹角越小,也就是越相似。

1.3.3 MNF变换

最小噪声分离(Minimum Noise Fraction,MNF)方法是高光谱遥感图像处理中最常用的特征波段选择方法[36-37],其本质上是按照顺序对高光谱数据执行了两次主成分分析(Principal Component Analysis,PCA)变换的结果。第一次PCA变换是对图像的白噪声进行分离,第二次是对噪声分离后的数据进行正交变换,使得变换后的图像中的前几个波段包含原始遥感图像大部分的信息。

1.3.4 窄波段光谱指数

不同类型滨海湿地植物类型之间的区分是本研究中对遥感图像进行分类要解决的主要问题。在11月份的黄河口,滨海湿地主要植物类型在生长区位、冠层结构、叶片含水量、叶绿素含量以及色素相关指标等方面都会有一定的差别。而这些差别又可以通过计算相应的植被指数来体现。对于植被指数以及所涉及的窄波段的选择,本文基于现场调查获取的地物光谱曲线,利用任广波等[38]提出的光谱特征分析方法,选择了包括叶绿素相关指数、色素相关指数、水体相关指数和叶化学相关指数在内的多个植被光谱指数(表3),通过计算这些指标指数作为特征波段,以此来代替高维度的高光谱图像遥感图像,作为降维后的结果,进行对互花米草的信息提取和制图。相比于宽波段的光谱指数,窄波段光谱可更有效地发挥高光谱数据对不同滨海湿地类型在光谱方面的诊断优势,以增加和突出分类特征。

表3 植被窄波段光谱指数Table 3 Vegetation indices

2 结果与分析

2.1 互花米草高光谱遥感分类精度分析

表4 为应用全部波段和特征波段的不同分类方法得到的互花米草和其他主要滨海湿地类型的分类精度统计结果。分析表4发现,在使用现场调查获取的样本进行分类时,由于样本较少,故对于全部波段都参与的分类,ANN和MLC是不适用的,除此之外,不论是全部的波段还是利用特征波段进行分类,SVM都是最佳的选择。而且同时表明了全波段遥感图像包含的更多的信息对提高遥感图像的分类精度是有利的,这也从另一个侧面说明了虽然本文在特征波段的选择中考虑了地物目标所涉及的不同的特点,但仍存在因有用信息的丢失而使分类精度下降的情况。对比朱玉玲等[24]利用Landsat 8 OLI图像(多光谱图像)的分类结果,分类精度(总体分类精度80%左右)有了大幅度的提升,这充分体现了高光谱图像在地物识别和分类方面的优势。对于总体分类精度最高的“全波段反射率数据SVM方法”和“MNF+窄波段植被指数数据SVM方法”,在Precision 5520笔记本电脑上,使用Windows 10的64位操作系统,英特尔Core i7-7700HQ@2.80 GHz四核CPU,16GB内存,其分类过程所用时间分别是72和7 s。相对于较小的分类精度降低幅度,在一些需要快速得到分类结果和计算资源不足的应用场景下,利用降维后的数据开展分类和应用是非常有价值的。

根据现场验证数据,得到表5所示的利用全波段反射率图像进行分类的SVM方法分类结果的误差矩阵。分析原因,互花米草的错误分类主要出现在其与其他植物类型相互邻接的位置,是由与柽柳、芦苇和盐地碱蓬的混分导致的。其中,相比于芦苇和盐地碱蓬,柽柳的物候期要晚一些,与互花米草相近,在遥感图像成像的日期,在色素含量上其与稀疏生长的互花米草相似,故产生了一定程度的错分。而对于芦苇,则由于潮沟的作用,一部分来自黄河的淡水沿潮沟经过互花米草群落流入海中。经过淡水的补充,在潮沟两侧的部分区域产生了有利于芦苇生长而不适于互花米草生长的去盐碱化陆地,这种陆地区域是小斑块的、零散的。而由于所用的高分五号遥感图像数据一个像元覆盖约900 m2的区域,故根据光谱的相似性,将包含部分芦苇的像元全部分类为了芦苇,带来了一定比例的误差。对于盐地碱蓬,出现错误分类的区域在与互花米草的交界处。一般认为,盐地碱蓬生长的下界(即向海一侧的界线)就是互花米草生长范围的上界。然而,这个界线并不是明确的,而是有一条相互混生的过渡区域,这也是一条容易错分的区域。总体上,较低的空间分辨率是造成互花米草与芦苇、柽柳等本地生态系统邻接处误分类的主要因素。

法MLC 85.22 99.02 95.44 71.58 77.82 92.59 97.56 51.41 99.51 82.93 99.76 100.00 98.70 98.78 71.46 100.00 87.57 0.85方数指谱光段波MNF+窄ANN SVM SCM 69.13 81.57 63.80 100.00 100.00 100.00 94.44 93.87 87.75 76.38 76.99 100.00 100.00 95.91 85.60 93.45 91.98 97.35 73.17 73.66 31.71 78.95 62.92 61.32 100.00 100.00 100.00 49.04 50.25 41.58 100.00 99.64 89.21 100.00 100.00 100.00 99.73 100.00 86.76 100.00 100.00 89.91 90.66 72.60 67.55 98.76 99.48 81.18 91.87 91.35 76.09 0.90 0.89 0.72 MLC 82.97 97.15 54.27 60.67 77.04 52.87 87.32 79.91 96.59 53.95 98.58 100.00 89.98 78.99 77.02 98.71 80.41 0.76计统度精类分4表Table4 Statisticsofclassificationaccuracy段波征特法方数指谱光段波窄法方MNF ANN SVM SCM MLC ANN SVM 89.90 83.26 62.21 75.87 79.79 79.33 95.91 100.00 78.24 97.95 79.39 96.58 96.58 54.99 64.39 95.44 94.30 94.16 53.05 54.91 59.32 73.55 77.43 75.54 0.00 56.81 23.54 88.72 99.42 96.50 0.00 44.65 31.11 66.18 92.41 92.36 92.20 82.44 13.17 91.71 75.61 74.63 35.86 44.24 100.00 54.02 78.68 61.20 17.07 99.02 66.34 100.00 100.00 100.00 70.00 76.89 48.23 77.95 66.99 59.59 98.70 100.00 58.13 100.00 98.81 98.81 85.25 99.76 100.00 99.41 100.00 100.00 100.00 99.95 88.78 100.00 97.74 99.73 100.00 100.00 91.23 100.00 99.34 99.95 59.09 74.24 39.14 55.81 68.18 77.65 94.16 99.16 31.99 99.77 99.82 99.68 81.15 84.49 50.83 88.45 90.09 91.23 0.77 0.81 0.41 0.86 0.88 0.89 SCM 57.06 100.00 83.33 100.00 62.26 99.07 31.71 69.15 100.00 85.42 85.29 100.0 29.61 100.00 68.06 78.69 58.05 0.53段波全法方除去统续连法方率射反SVM SCM SVM SCM 82.32 86.25 86.90 81.67a 98.88 98.61 99.36 96.80b 87.18 77.49 96.44 83.90 78.26 55.79 93.38 79.17 82.49 17.51 97.86 52.14 80.92 69.23 82.06 51.54 80.00 27.80 98.54 89.27 39.14 35.40 53.30 53.51 100.00 27.80 91.22 78.54 68.33 29.23 98.42 99.38 100.00 93.95 99.76 99.88 99.76 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 68.18 82.83 80.05 89.39 94.74 57.44 97.99 86.45 89.30 80.42 94.23 88.59 0.87 0.76 0.93 0.86c数系Kappa;c为度精户用;b为度精者产生别类草米花互苇芦柳柽蓬碱地盐苇芦滩潮滩碱盐体水滩潮裸度精体总:a为注

表5 全波段反射率图像SVM分类验证混淆矩阵Table 5 Confusion matrix for SVM classification based on reflectance images of all the available bands

2.2 互花米草分布的空间特征

图3 为利用SVM分类器得到的基于全部波段的反射率图像的分类结果。根据统计分析,监测到互花米草的分布面积为38.63 km2,占分类图像总面积的7.53%,占潮间带总面积的21.23%。

根据分类结果,由于互花米草对潮汐的阻挡作用,互花米草生长区域向陆一侧潮滩得不到潮水的冲刷,在降雨和黄河淡水不能有效补充的情况下,潮间带的盐度升高,导致在现行入海口口门区域,原本生长着茂盛的潮滩芦苇的区域,逐渐被更为耐盐碱的盐地碱蓬和柽柳所取代[17]。

结合Ren等[17]的监测结果,在黄河口区域,互花米草的入侵是以自西向东、自北向南的顺序逐渐完成的。到目前,主要分布于黄河1996年清八汊改道由清水沟东南流路向东北方向之后的广阔潮间带中下部,在该区域的分布面积占研究区互花米草总面积的86%,而且占据了近100%的水边线。虽然黄河北岸孤东油田附近海岸上的互花米草入侵时间要早于现行河口两侧,然而孤东油田附近海岸的互花米草分布范围和面积却始终未能变大。同时,由于121采油平台的存在和海流的控制,导致虽然早在2013年互花米草就已经分布到了黄河现行入海口的南岸,但多年来,始终未能明显地跨越121平台向南部发展(图3)。

根据图3的分类结果,不同类型的植物根据其与河流和海岸相对位置的不同,而呈现明显的分带分区特点。耐盐的互花米草属于先锋物种,位于潮间带的中下部最接近海水的位置,其次是盐地碱蓬生态系统,位于潮间带的中部,对盐度最为敏感的是芦苇生态系统,位于潮间带上部和潮上带,柽柳属于广盐性的植物,在黄河三角洲其位于碱蓬和芦苇之间的潮间带中上部。

根据互花米草的不同长势和所处的底质环境不同,结合不同长势互花米草现场光谱测量数据和植被生长参数等调查数据,以及相关的植被指数分析结果,对互花米草分布区域进行了更精细的分类,得到了3个不同生长状态的互花米草分布结果(图4)。3个生长状态分别为:第一,互花米草长势茂盛的区域,这部分区域互花米草表现为植株高大、叶片宽且长、单位面积植株数量更多,表现在NDVI图像中其值更高(图5a);第二,生长状况与上一种情况相比较差,植株矮小且较为稀疏(图5b);第三,生长状态与第二个状态相似,但所处位置底质含水量更高,表现在NDWI图像中其值很高,一般为靠近向陆一侧的部分,多为新生互花米草群落(图5c)。值得一提的是,前2种情况的互花米草虽所处位置较第3种情况更靠海,但其底质潮间带含水量却较低。

图3 应用全部波段的反射率图像的SVM分类结果Fig.3 Result of SVM classification based on reflectance images of all the available bands

图4 不同长势和底质条件互花米草的分类结果Fig.4 Classification results of Spartina alterniflora characterized by various growth statuses and substrates

图5 三种不同长势互花米草的现场照片Fig.5 Filed photos of Spartina alterniflora with different growth statuses

3种不同长势的互花米草其分布面积比率约为7∶4∶3,即生长茂盛的区域占比最大,生长状况较差且较为稀疏的区域占比最小。这种种群结构显示出了互花米草群落总体上处在一个生长旺盛的状态。对比图3和图4,82.3%的互花米草位于黄河现行入海口两侧,而且这部分区域也是长势较好的和新生互花米草的所在区域。同时,大部分互花米草斑块的宽度都大于800 m,斑块之间被狭窄的潮沟隔开,属于一种非常稳定的群落结构。互花米草生长茂盛的这片潮间带是黄河1996年清八汊改道之后新形成的。1996年以来的20多年是我国经济快速发展的时期,这其中经济发展带来的污染物不断地由河流携带入海,并沉积在河口三角洲。丰富的营养物质是互花米草在该位置繁盛的一个原因。同时,这片区域距离河口较近,更容易得到河流带来的淡水的补充,更利于互花米草种子的萌发,而且,新造陆地的土质松软,有益于新萌发种子的扎根。

3 讨 论

3.1 互花米草的光谱异质性

图6 a是处于不同底质湿度、不同长势互花米草的反射率光谱分析图,其中绿色曲线为上述不同情况互花米草的均值光谱曲线,灰色区域为不同情况互花米草光谱的变化标准差区间。互花米草在近红外波段的变化幅度要显著高于其他区域,是由影响其光谱变化的长势(叶绿素相关)和底质水分含量在此处共同叠加所造成的。在可见光波段以叶绿素的影响为主,而在短波红外波段则以水分含量的影响为主。影响对互花米草的准确提取的因素,不仅包括其本身的反射率光谱异质性,也包括其他植被类型的光谱及其异质性。图6b~6d分别为芦苇、柽柳和盐地碱蓬的训练样本均值光谱曲线及其样本光谱标准差范围。对于芦苇和柽柳,其光谱曲线与互花米草差别较小,而且大部分区域都有因各自的光谱异质性而导致的重叠,这也是造成三者之间错分误差的主要原因(表5)。

同时,对于上述4种主要的研究区湿地植物类型,在遥感图像成像的11月份,柽柳和盐地碱蓬已接近枯萎,故其光谱曲线中已经不能表现出明显的植物光谱的特征,同时其光谱异质性也都较小。

光谱异质性是影响地物目标分类精度的重要因素。在温带的海岸带区域,地面目标特别是植物类型因物候和生长环境的差别而在光谱上差异明显。因此要求通过现场调查采集训练样本和验证样本时,应兼顾并考虑到植物生长状态、所处环境对光谱异质性所带来的影响。

图6 互花米草的反射率光谱Fig.6 Reflectance spectra of S.alterniflora and other coastal wetland plants

3.2 特征波段与光谱指数的选择

降维是高光谱遥感图像处理的重要技术方法之一。其目的是降低对高光谱遥感图像的处理计算难度,并剔除对目标识别和分类没有作用和甚至起到反作用的冗余波段。在促进基于高光谱遥感技术的应用研究中起到了积极的作用。对于通过光谱指数计算得到的特征波段,应充分考虑研究区域的地物目标特性,即应根据目标的光谱特点来选择和计算光谱指数,如对于植被类型的分类,应根据不同植物类型的所处区域环境条件、冠层结构、叶片细胞组织特点和色素含量特点等,有针对性地建立新的植被指数或使用已有的植被指数。同时,特征波段选择时,还应剔除成像质量差和噪声大的波段,在所用的“高分五号”遥感图像中对应的是小于500 nm和大于2 000 nm的光谱波段。

3.3 SCM光谱角参数的选择

基于光谱角度方法具有利用同类型目标在其物理和生物化学原理的角度不变特征的优点,从而去除了因生长环境、光照角度等因素而造成的光谱差异。但光谱异质性特点的存在以及混合像元等问题决定了对于每一类要素,都需要人为地确定一个光谱角度阈值。阈值的选择带有较多的主观性,这有可能导致引入更多的误差。

3.4 互花米草的监测时间

根据石东里等[44]的研究,在黄河三角洲,互花米草的返青时间在每年的4月上旬,6月中旬开始抽穗开花,延续至8—9月,种子成熟在10—11月,11月底至12月初逐渐枯死。而在研究区域中,与互花米草在生长区位和图像光谱、纹理上都具有一定相似性的芦苇和柽柳生态系统,其物候期比互花米草要提早1~2个月。具体到本研究中,在获取“高分五号”遥感图像的11月初,除互花米草外的其他可能造成混分的植被类型均已到了枯萎期,表现在光谱上是红边波段(约680~710 nm)反射率梯度的显著降低和近红外波段反射率值的下降(图6),这些不同都是由植物植株以叶绿素为代表的色素含量和叶片中水分含量降低而导致的。因此,通过对不同植物生长季节的遥感图像的分析,更有利于对互花米草的准确提取和制图。

4 结 论

“高分五号”卫星为滨海湿地监测研究提供了基于卫星平台的大刈幅、宽谱段的高光谱遥感图像数据。其5~10 nm的光谱分辨率提高了对地面目标的监测和识别能力,而且其60 km的幅宽更决定了不仅能够利用这款卫星数据开展局部区域的目标识别和精细化分类,更可以作为大范围资源环境监测与变迁分析的主要数据源。

本研究利用典型的高光谱遥感图像数据处理方法和4种代表不同分类思想的经典遥感图像分类方法,应用高分五号高光谱遥感数据开展了互花米草的分布制图。“高分五号”精细的光谱分辨率和良好的地物光谱差别反映能力显著提升了研究区湿地分类的效果,分类精度达94.23%。不同分类方法的分类结果表明,SVM方法的结构风险最小化思想适用于小样本条件下的高维度数据分类,并能取得最好的分类效果。同时,虽然相比于全波段的分类结果,应用降维后特征波段的分类精度下降了近3%(仍高达91.35%),但使用降维数据的分类可以节省大量的时间和计算资源。对互花米草的制图和分析结果显示,绝大部分的互花米草分布在121采油平台北部的黄河入海口两岸潮间带上,已经占据了近100%的水边线,这部分区域的互花米草未来可能会对本地生态系统带来更严重的生态问题。应用高光谱遥感数据及其植被指数监测到的3种不同生长状态的互花米草中,健康的互花米草占到了总面积的78.57%,且大部分位于黄河河口新淤积的潮间带上,表明了丰富的营养物质、松软的底质是互花米草入侵的重要条件,而且更重要的,表现出互花米草还具备较强的入侵能力。

致谢:中国科学院上海技术物理研究所为本文提供“高分五号”卫星可见短波高光谱遥感图像数据。

猜你喜欢
潮间带波段光谱
基于三维Saab变换的高光谱图像压缩方法
最佳波段组合的典型地物信息提取
高光谱遥感成像技术的发展与展望
春夏夜探海洋潮间带
海洋动物共附生放线菌分离及拮抗菌筛选
基于PLL的Ku波段频率源设计与测试
小型化Ka波段65W脉冲功放模块
海岸带研究中几组易混用术语的辨析厘定
L波段kw级固态功放测试技术
基于GPU的高光谱遥感图像PPI并行优化