南海珊瑚岛礁地貌遥感识别研究

岳子琳, 朱卫东, 2, 邱振戈, 2, 栾奎峰, 2, 叶 莉, 钱楚仪

南海珊瑚岛礁地貌遥感识别研究

岳子琳1, 朱卫东1, 2, 邱振戈1, 2, 栾奎峰1, 2, 叶 莉1, 钱楚仪1

(1. 上海海洋大学 海洋科学学院, 上海 201306; 2. 上海河口海洋测绘工程技术研究中心, 上海 201306)

南海珊瑚岛礁总体处于退化状态, 卫星遥感可以实现珊瑚礁区底质演变的监测。本文以西沙群岛海域赵述岛为研究区域, 以Landsat-8卫星遥感影像为研究数据, 对浅海地貌变化进行遥感分析。将影像进行水深校正和波段组合, 使用最大似然法进行珊瑚礁地貌分类, 可以清晰的识别灰沙岛、礁坪、礁前坡、泻湖坡、暗滩和海面六种地貌类型, 以WorldView-2卫星影像为验证数据, 总体分类精度为94.81%, 高于直接使用最大似然法分类的92.30%, 再结合决策树分类对分类结果中灰沙岛地貌进行改正, 总体分类精度提升到95.07%; 基于2014—2018年的Landsat-8数据, 通过转移矩阵完成珊瑚礁地貌类型的时空变化分析, 结果表明赵述岛珊瑚礁退化和转移明显。

珊瑚礁; 最大似然法; 决策树分类法; 水深校正; 时空变化

珊瑚礁是全球气候变化的重要显示器, 是热带海洋最突出、最具代表性的生态系统, 具有惊人的生物多样性和极高的初级生产力, 对于维持着丰富的生物多样性, 维护海洋生态环境至关重要。当珊瑚面临巨大的生存压力, 珊瑚礁就会发生退化现象, 我们称之为珊瑚礁白化, 白化后的珊瑚礁可能恢复也可能死亡, 白化严重的珊瑚将无法恢复, 对珊瑚礁生态系统造成很大的破坏。我国南海珊瑚目前处于总体退化状态, 基于卫星遥感可以有效地实现珊瑚礁区的底质变化状态监测, 具有重要的研究价值。

早在上世纪七十年代, 有学者就提出了利用遥感手段对珊瑚礁进行研究的观点。21世纪以来, 珊瑚礁遥感影像分类的相关探究逐渐受到学者的重视。基于遥感影像的珊瑚礁信息提取的主要方法有现场光谱数据样本法、决策树模型法、最大似然法、面向对象法、支持向量机法。现场光谱数据样本法以先验知识为基础, 选取样本光谱进行训练, 并分析地物光谱和融合信息, 但该方法对现场调查要求较高[1-2]。决策树模型法基于图像光谱带的多个光谱决策规则建立模型, 完成了地貌识别和底质监督分类, 但决策树的构建过程复杂且该方法的普适性不强, 对于深度较深区域识别精度不高[3-5], 近几年, 由于最大似然法的简便性, 常用于结合航空摄影、航拍视频和数字测深模型进行分类, 有效的提升了分类精度, 但最大似然法最大的缺点是需要预先识别分类特征[6-7]。面向对象法对于地貌单元和底质分类存在很大的优势, 以不同地貌单元的最优分割尺度、光谱参数、形状参数来分割影像并合并成不同地貌单元, 分类过程比较繁琐, 考验分类者的先验知识[8-9]。支持向量机方法分类具有良好的分类性能, 特别在小样本、非线性及高维特征空间具有较好的泛化能力, 但在样本选择上也存在很大的局限性[10-12]。

针对我国西沙群岛中赵述岛礁盘, 本文利用珊瑚礁决策树分类模型和最大似然分类模型, 并基于具有中分辨率的Landsat-8和高分辨率的Worldview-2影像, 开展珊瑚礁信息识别和演变研究。

1 研究区域与数据源

1.1 研究区概况

本文选取的研究区为赵述岛及其所属礁盘。赵述岛位于七连屿的西北部, 是七连屿中的一座珊瑚岛礁(图1), 处于112°15′00″—112°18′00″E、16°57′00″—17°00′00″N。

图1 赵述岛位置

赵述岛礁体由浅水造礁珊瑚构成, 是典型的珊瑚礁地貌体, 具有最完好的珊瑚礁系统[13]。礁盘内部水较深, 边缘礁体水较浅, 水质为一类水体, 其礁盘主要包含礁前带、礁核带、礁后带3带[14]。1) 礁前坡是礁前带的主要地貌类型之一, 可见大量海滩岩; 2) 礁核带主要以礁坪地貌为主, 由珊瑚礁岩构成, 在该区域鹿角珊瑚繁茂生长; 3) 礁后带多由珊瑚砂组成, 主要存在灰沙岛和泻湖坡地貌, 泻湖坡有分枝状珊瑚生长。礁盘以外是暗滩, 主要由砾石构成。

1.2 数据源

研究使用的遥感数据有两种, 一种是Landsat-8多光谱数据, 数据采集时间为2014年6月25日、2015年7月30日、2016年6月14日、2017年8月4日和2018年3月16日, 另一种是WorldView-2多光谱数据, 采集时间为2017年2月18日, 本文使用的Landsat-8和WorldView-2的多光谱数据波段参数如表1所示。

表1 Landsat-8和WorldView-2的波段参数

2 数据处理方法

2.1 技术路线

本文利用决策树分类模型和最大似然分类模型进行珊瑚礁信息提取, 其基本思想是: 利用水深校正和最佳波段组合法提高遥感影像的分类精度, 并结合决策树分类模型的优势提升最大似然法的影像总体分类精度, 最后分析近5年赵述岛的地貌和浅海的底质变化。技术流程如图2所示。

2.2 遥感影像预处理

2.2.1 辐射校正

辐射定标可以消除由辐射误差引起的影像畸变, 公式如下:

图3为辐射校正前后的植被的像元光谱。图3a表示辐射定标前的光谱曲线, 纵坐标表示的是值,值本身就是一些无量纲的数字。图3b 表示辐射定标后的光谱曲线, 纵坐标代表辐亮度, 辐亮度值主要集中在 0～10 μW·cm–2·sr–1·nm–1之间, 符合辐射定标的标准。

图2 技术路线

图3 Landsat-8辐射校正前后光谱曲线

2.2.2 大气校正

大气校正可以获得物体表面的真实光谱信息,本文采用FLAASH大气校正法, 应用MODTRAN4+辐射传输模型进行大气校正。图4为大气校正前后Landsat-8遥感图像中赵述岛上植被像元的光谱, 图4a表示Landsat-8大气校正前光谱特征曲线, 纵坐标表示的是辐亮度。图4b表示Landsat-8大气校正后光谱特征曲线, 其纵坐标表示的是不同波长的植被的反射率值, 在0～1之间, 与地表真实波谱曲线吻合, 即表现为绿波段的反射、红波段的吸收和近红外波段的强反射验证了大气校正的正确性。

图4 Landsat-8大气校正前后光谱特征曲线

2.3 决策树分类

本文采用决策树算法对赵述岛浅海底质进行监督分类, 实现对植被、裸地、海水、珊瑚礁和云的识别。利用归一化差异水体指数(MNDWI)、归一化植被指数(NDVI)、近红外波段(Band5)、蓝光波段(Band2)、及热红外波段(Band10), 构建决策树分类模型(图5)。选用特征数据的主要原因是不同波长之间的穿透能力存在光谱差异。

图5 决策树分类的技术路线图

如图6所示, 用a、b、c、d和e, 分别表示2014年、2015年、2016年、2017年和2018年决策树分类结果。从图中可以看出: 1) 2015年和2014年的分类结果表明4类底质变化较小。2) 2016年与2015年相比, 裸地面积变大, 主要是由于人为活动的加剧和围海造田工程。3) 2017年和2016年相比, 总体面积变化不大。4) 2018年相比于2017年, 珊瑚礁面积减少, 主要原因与气候变化和海平面上升、人为活动等有关。

2.4 类型转移矩阵

转移矩阵可以反映某一区域某时间段始末各类型面积之间相互转化的动态过程信息[4]。本文使用转移矩阵分析赵述岛不同地貌之间的面积转移变化, 其数学形式为:

式中,表示面积;代表土地利用的类型数;、分别代表研究期初和研究期末的土地利用类型。

利用类型转移矩阵, 计算可得表2, 由表可知2014年和2018年两年之间的类型转移面积变化: (1) 2014年海水的面积为1 975.59 hm2, 2018年面积变为2 065.93 hm2; 2014年裸地面积为20.3 hm2, 2018年面积变为31.3 hm2; 2014年珊瑚礁面积为187.07 hm2, 但到2018年面积下降为85.6 hm2。(2) 2014年到2018年, 有35.89 hm2海水转化为珊瑚礁, 7.79 hm2海水转化为裸地, 0.12 hm2裸地转化为海水。(3) 结合表2和图7, 可以清晰的看出, 2018年与2014年相比, 赵述岛西北部有35.89 hm2海水转化为珊瑚礁, 西南部有134.01 hm2珊瑚礁转化为海水, 珊瑚礁面积急剧下降。

图6 决策树分类结果

2.5 水深校正

海水是影响珊瑚礁信息识别的一个重要因素, 主要原因是由于光谱会随水深的变化而变化,在水下同样的物质可能具有不同的反射率, 这对水下信息的探索造成了较大的干扰, 因此需要进行水深校正。针对浅水中底质反射率与水体的衰减系数, Lyzenga[15]提出了校正水深的半经验型方法。

表2 2014—2018年面积转移矩阵

水深校正算法是基于底部反射率和水深指数函数的近似线性函数, 利用辐射值的自然对数函数, 使其相对于深度的衰减效应线性化, 从而建立变换辐射:

X= ln(()), (3)

式中,()为影像大气校正后波段的反射率。X是在波段的变换辐射。图8为水深校正前后的影像, 图8a表示水深校正前Landsat-8影像, 图8b表示水深校正后Landsat-8影像。

图8 水深校正前后Landsat-8影像

2.6 最佳波段组合

为得到精度更高的图像解译结果, 选择最大信息量的波段组合较为关键。本次研究使用美国查维茨提出的最佳指数法(Optimum Index Factor, OIF)[16]确定波段的组合, 该方法计算简单, 便于操作, 可依据图像数据的标准差和波段间的方差计算得出, 公式如下:

式中, Si为第i个波段的标准差; Rij为i、j这２个波段的相关系数。OIF指数越大, 则组合波段所包含的信息量就越大, 并且波段间的相关性越小, 根据计算可得信息量最大的最佳波段组合为: YAYBYC。YA是3和4波段运算后产生的新波段; YB是2和4波段运算后产生的新波段; YC是1和2波段运算后产生的新波段。如图9所示, 图9a表示的是YA波段组合影像, 图9b表示的是YB波段组合影像, 图9c表示的是YC波段组合影像, 图9d表示YA波段、YB波段和YC波段重新组合后的新波段。

2.7 最大似然法分类

针对赵述岛和北岛的珊瑚礁地貌类型, 建立相应的分类体系, 分为灰沙岛、泻湖坡、礁坪、礁前坡和暗滩5类。分类体系表3所示, 可以清晰的区分不同的物质类型。

3 结果分析与精度评价

3.1 分类结果与分析

基于2017年的Landsat-8数据, 分别利用最大似然法和水深校正—波段组合—最大似然法2种方法进行监督分类, 可得图10, a、b、c分别表示基于最大似然法的地貌分类结果、基于水深校正—波段组合—最大似然法的地貌分类结果和基于水深校正—波段组合—最大似然法—决策树分类法的地貌分类结果。由图可知: b相比于a, 泻湖坡区域面积减少, 灰沙岛区域面积也减少, 存在灰沙岛的分类精度不高的问题。为了提升b的分类精度, 利用决策树分类法对灰沙岛区域进行纠正, 可得c, 将不同方法的分类结果进行比较(图11), 可以明显看出: 基于水深校正—波段组合—最大似然法—决策树分类法的地貌分类效果更好。

表3 赵述岛分类样本构建

图10 地貌分类

图11 基于三种分类方法的地貌面积统计

3.2 精度评价

本文使用2017年2月18日拍摄的空间分辨率为2 m的WorldView-2多光谱影像作为验证数据, 对分类结果进行精度评价。

利用混淆矩阵对使用最大似然法监督分类的影像进行精度评价, 检验精度见表4, 结果表明: (1) 基于最大似然法的赵述岛分类结果总体精度达到92.30%, Kappa系数达到0.905。(2) 灰沙岛的漏分率最高, 达到22.35%, 制图精度最低, 为77.65%; 礁坪的制图精度最高, 达到98.98%, 错分率最高, 达到15.11%; 泻湖坡的错分率和漏分率都很高, 分别为11.07%和20.64%, 制图精度只有79.36%。(3) 礁前坡、海面、暗滩三种物质的分类结果良好, 漏分率低, 制图精度高。

将水深校正、波段组合及最大似然法监督分类后影像进行精度验证, 检验精度见表5, 结果表明: (1) 影像分类后的总体精度由原来的92.30%提升到94.81%, Kappa系数也由原来的0.905提升到0.906。(2) 经过水深校正和波段组合后的影像的错分率和漏分率降低, 制图精度明显提升, 只有灰沙岛和礁前坡的制图精度降低。

表4 Landsat-8影像的精度验证(最大似然法)

注: 总体精度92.30%, Kappa系数=0.905

表5 Landsat-8影像的精度验证(水深校正—波段组合—最大似然法)

注: 总体精度94.81%, Kappa系数=0.906

利用决策树分类法结合水深校正—波段组合—最大似然法, 提升灰沙岛的分类精度, 对于珊瑚礁系统的信息识别可以得到较好的效果(表6)。结果表明: (1) 灰沙岛的漏分率由50%下降到0, 制图精度由50%提升到100%。(2) 影像分类后的总体分类精度由原来的94.81提升到95.07, Kappa系数也由原来的0.906提升到0.939。

表6 Landsat-8最大似然法影像的精度验证(水深校正—波段组合—最大似然法—决策树分类)

注: 总体精度97.07%, Kappa系数=0.939

4 珊瑚礁时空变化分析

4.1 赵述岛地貌类型时空变化

4.1.1 赵述岛地貌类型时间变化

基于2014年到2018年5年的Landsat-8影像, 进行监督分类, 可以获得历年赵述岛的珊瑚礁识别图(图12), a、b、c、d、e分别表示2014年、2015年、2016年、2017年和2018年珊瑚礁识别结果, 从图中可以看出赵述岛的5类地貌变化趋势较小。

对赵述岛的地貌类型面积进行统计(图13), 可以清晰的看出: (1) 灰沙岛的面积呈现增长趋势, 这与实际情况不符, 由于人类活动的加剧, 灰沙岛附近人工建筑在不断扩张, 导致灰沙岛的面积持续增长。(2) 2014到2018年间, 泻湖坡的面积围绕200 hm2面积横线上下浮动, 但总体趋势是下降趋势。(3) 5 a间, 礁坪面积稳定在630 hm2, 2018年相比于2014年, 增长了23.6 hm2, 总体呈增长趋势。(4) 礁前坡的面积变化呈现下降趋势, 在2017年出现最低点, 2014年泻湖坡的面积大于2018年其面积, 说明泻湖坡面积在退化。(5) 海面的面积变化主要取决于其他五类物质的面积变化, 从图中还可以看出与暗滩的变化存在互补趋势。(6)暗滩面积波动变化幅度小, 面积最高点为2014年的402.56 hm2, 最低点为2015年的328.81 hm2, 2016年及其以后, 面积略有增加, 直到2018年, 面积达到380.56 hm2, 但相比于2014年, 暗滩面积在减少。2015年出现最低点, 与海水对砾石的冲积和堆积有关, 同时也与水深和潮汐有关, 当浅海水深上升时, 暗滩的识别会更加困难。

4.1.2 赵述岛地貌类型空间变化

根据2014年和2018年的珊瑚礁分类结果, 计算面积转移矩阵, 如表7所示, 从表中可以看出: (1) 345.17 hm2的暗滩面积未发生变化, 但44.55 hm2的暗滩转化为礁前坡; 海面有361.7 hm2面积未转移, 16.32 hm2海面转移为礁前坡; 仅有的20.19 hm2的灰沙岛到2018年依然是灰沙岛; 36.92 hm2礁坪转化为泻湖坡, 但仍有556.42 hm2礁坪未发生改变; 礁前坡转化为暗滩和海面的面积分别为32.41 hm2和63.66 hm2, 400.4 hm2礁前坡面积依然是礁前坡; 泻湖坡有70.68 hm2转移为礁坪, 130.9 hm2未发生变化。(2) 从总体来看, 暗滩、礁前坡和泻湖坡面积减少, 海面、灰沙岛和礁坪的面积增多; 暗滩、礁前坡和泻湖坡面积减少, 东北季风、热带气旋温度上升的综合影响是驱动因素; 海面面积增多的主要原因与全球气候变暖导致的海平面上升有关; 礁坪主要由白化后的珊瑚砂石构成, 礁坪的面积增加表明珊瑚白化趋势明显, 主要与航道和码头的人为开发活动相关; 近年来赵述岛增设人工建筑, 导致了灰沙岛面积的增加。

图12 历年珊瑚礁识别结果

图13 历年底质变化图

将面积转化矩阵以空间面积变化的形式表现, 如图14所示, 从图中可以明显的看出赵述岛的面积转移情况, 礁坪和礁前坡和泻湖坡的面积转移明显, 但仍然符合聚类分布规律。将具体的转移面积进行统计, 如表8所示, 未发生面积转移的达到1 814.42 hm2。

4.2 赵述岛珊瑚礁时空演变

结合决策树模型对珊瑚礁的底质分类和最大似然法对珊瑚礁的地貌分类, 可得基于地貌分类的珊瑚礁变化(图15), a和b分别表示2014年和2015年基于地貌分类的珊瑚礁分类, 结果表明: (1) 2014年, 珊瑚礁主要分布在泻湖坡地貌区, 2018年, 珊瑚礁的分布范围在扩散, 泻湖坡和礁坪都有珊瑚礁分布。(2)从总体上来讲, 珊瑚礁的面积在减少, 直观表现出这5年间, 我国南海赵述岛地区珊瑚礁退化严重, 为我国珊瑚礁保护敲响了警钟。

表7 2014—2018赵述岛珊瑚礁类型转移矩阵(精确到小数点后两位)

图14 2014年和2018年地貌变化图

表8 2014—2018地貌面积变化(精确到小数点后两位)

5 结论

本文利用2014—2018年的Landsat-8影像和2017年的worldview-2影像, 以西沙群岛海域赵述岛为研究对象, 建立了珊瑚礁决策树底质分类模型, 取得的结论如下:

(1) 利用最大似然法的监督分类方法对影像地貌进行监督分类, 总体分类精度为92.30%, Kappa系数为0.905。(2) 使用水深校正算法和波段组合法对影像进行处理能够明显提高浅海地貌分类的识别精度, 总体精度由原来的92.30%提升到94.81%, 再结合决策树分类结果对灰沙岛分类结果进行改正, 总体精度由94.81%提升到95.07%, 对于珊瑚礁系统的信息识别可以得到较好的效果。(3) 通过对2014和2018分类后影像进行转移矩阵计算, 得到近5年赵述岛礁盘珊瑚礁地貌类型的变化情况, 暗滩、礁前坡和泻湖坡面积减少, 海面、灰沙岛和礁坪的面积增多,该结果同时表明基于多时相遥感影像的变化检测方法的可行性。(4) 通过地貌分类基础上的珊瑚礁演变分析, 表明珊瑚礁的扩散和退化现象明显。

[1] Purkis S J. A “Reef-Up” approach to classi-fying coral habitats from IKONOS imagery[J]. Geoscience & Remote Sensing IEEE Transac-tions on, 2005, 43(6): 1375-1390.

[2] 邹亚荣, 林明森, 王华, 等. 对东沙岛基于融合信息高分辨遥感影像分类研究[J]. 海洋学报, 2006, 28(1): 56-61.

ZOU Yarong, LIN Mingsen, WANG Hua, et al. Study on high resolution image classification for Dongsha Island based on fuse informa-tion[J]. Acta Oceano­logica Sinica, 2006, 28(1): 56-61.

[3] Bouvet G, Ferraris J, Andréfouët S. Evalua­tion of large-scale unsupervised classification of New Caledonia reef eco-systems using Landsat 7 ETM+ ima­gery[J]. Oceanologica Acta, 2003, 26(3): 281-290.

[4] 万佳馨, 任广波, 马毅. 基于WorldView-2和GF-2遥感影像的赵述岛礁坪底质变化研究[J]. 海洋科学, 2019, 43(10): 43-54.

WAN Jiaxin, REN Guangbo, MA Yi. Study on substrate changes of Zhaoshu reef flat based on WorldView-2 and GF-2 remote sensing images[J]. Marine Sciences, 2019, 43(10): 43-54.

[5] 索琳琳, 蔡玉林, 孙旋, 等. 基于Landsat8数据的西沙群岛珊瑚礁信息提取[J]. 中国科技论文, 2019, 14(3): 347-352.

SUO Linlin, CAI Yulin, SUN Xuan, et al. Mapping coral reefs at Xisha Islands using Landsat8[J]. China Science Paper, 2019, 14(3): 347-352.

[6] Hochberg E J, Andrefouet S, Tyler M R. Sea surface correction of high spatial resolution Ikonos ima­ges to improve bottom mapping in near-shore environments[J]. IEEE Transac-tions on Geoscience & Remote Sensing, 2003, 41(7): 1724-1729.

[7] Bello-Pineda J, Liceaga-Correa M A, Her- nÁndez-NÚñez H, et al. Using aerial video to train the supervised classi-fication of Landsat Tm imagery for coral reef habitats mapping[J]. Environmental Mo­ni­toring and Assessment, 2005, 105(1/3): 145-164.

[8] 龚剑明, 朱国强, 杨娟, 等. 面向对象的南海珊瑚礁地貌单元提取[J]. 地球信息科学学报, 2014, 16(6): 997-1004.

GONG Jianming, ZHU Guoqiang, YANG Juan, et al. A Study on the object-oriented model for geomorphic unit extraction of coral reefs in the South China Sea[J]. Journal of Geo-information Science, 2014, 16(6): 997- 1004.

[9] 索琳琳. 基于多源遥感数据的珊瑚礁白化监测研究[D]. 青岛: 山东科技大学, 2018.

SUO Linlin. Research on coral reef bleaching monitoring based on multi-source remote sensing data[D]. Qingdao: Shandong University of Science and Technology, 2018.

[10] 邹亚荣, 黄磊, 张治平. 结合纹理特征的SVM岛礁信息提取分析[J]. 遥感技术与应用, 2014, 29(5): 812-817.

ZOU Yarong, HUANG Lei, ZHANG Zhiping. Analysis coupling features with SVM to extract information of island land use[J]. Remote Sensing Technology and Application, 2014, 29(5): 812-817.

[11] 徐慧, 朱金山, 刘振, 等. 基于CBERS-04卫星影像的珊瑚礁底质分类能力分析[J]. 北京测绘, 2019, 33(11): 1312-1317.

XU Hui, ZHU Jinshan, LIU Zhen, et al. Analysis of classification ability of coral reefs based on CBERS-04 satellite imagery[J]. Beijing Surveying and Mapping, 2019, 33(11): 1312-1317.

[12] PalandroD A, Andréfouët S, Hu Chuanmin, et al. Quantifica-tion of two decades of shallow-water coral reef habitat decline in the Florida Keys National Marine Sanctuary using Landsat data (1984–2002)[J]. Remote Sensing of Environment, 2008, 112(8): 3388-3399.

[13] 曾昭璇. 中国珊瑚礁地貌研究[M]. 广州: 广东人民出版社, 1997: 337-374.

ZENG Zhaoxuan. Study on coral reef geomorphology in China[M]. Guangzhou: Guangdong Peoples Publi­shing House, 1997: 337-374.

[14] 李丽. 基于WorldView-2数据的西沙群岛遥感水深反演: 以赵述岛和南岛为例[J]. 国土资源遥感, 2016, 28(4): 170-175.

LI Li. Remote sensing bathymetric inversion for the Xisha Islands based on WorldView-2 data: A case study of Zhaoshu Island and South Island[J]. Remote Sensing for Land & Resources, 2016, 28(4): 170-175.

[15] LYZENGA D R. Remote sensing of bottom reflectance and water attenuation parameters in shallow water using aircraft and Landsat data[J]. International of Remote Sensing, 1981, 2(1): 71-82.

[16] 韩丽君. 土地利用分类中ＴＭ影像最佳波段组合选择研究[J]. 太原师范学院学报, 2010, 9(1): 127-144.

Han Lijun. Optional bands combination of TM image in land use classification[J]. Journal of Taiyuan Normal University, 2010, 9(1): 127-144.

Remote sensing recognition of coral islands and reefs in the South China Sea

YUE Zi-lin1, ZHU Wei-dong1, 2, QIU Zhen-ge1, 2, LUAN Kui-feng1, 2, YE Li1, QIAN Chu-yi1

(1. College of Marine Sciences, Shanghai Ocean University, Shanghai 201306, China; 2. Shanghai Engi­nee­ring Research Center of Estuarine and Oceanographic Mapping, Shanghai 201306, China)

Coral reefs in the South China Sea are generally in a state of degradation, and satellite remote sensing can monitor the evolution of coral reef sediments. This paper considers the Zhaoshu Island in the Paracel Islands area as the research area and takes a Landsat-8 satellite remote sensing image as the research data. The image is used to correct the depth of the water and combine the band. The reef landforms are classified using the maximum likelihood method. Six geomorphological types, namely gray sand island, reef flat, reef front slope, lagoon slope, beach, and sea surface, can be clearly identified. Taking the Worldview-2 satellite image as the verification data, the overall classification accuracy is 94.81%, which is higher than 92.30% of the maximum likelihood method. Combined with the decision tree classification, the overall classification accuracy is improved to 95.07%. The temporal and spatial changes of coral reef geomorphic types were analyzed by the transfer matrix, based on the Landsat-8 data from 2014 to 2018. Results show that the coral reef degradation and transfer are obvious in Zhaoshu Island.

coral reef; maximum likelihood method; decision tree classification; water depth correction; spatiotemporal change

Jul. 27, 2021

TP79

A

1000-3096(2022)04-0067-14

10.11759/hykx20210727004

2021-07-27,

2021-09-29

国家重点研发计划海洋光学遥感探测机理与模型研究(2016YFC1400904)

[This work was substantially supported by the National Key R&D Program of China, No. 2016YFC1400904]

岳子琳(1997—), 女, 河南林州人, 硕士研究生在读, 研究方向为海洋遥感, E-mail: m190200567@st.shou.edu.cn; 朱卫东(1979—),通信作者, 男, 河南郑州人, 讲师, 硕士生导师, 研究方向为海洋测绘, E-mail: wdzhu@shou.edu.cn

(本文编辑: 赵卫红)