好文基于Sentinel-2的潮间红树林提取方法
Posted GeoTalks
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了好文基于Sentinel-2的潮间红树林提取方法相关的知识,希望对你有一定的参考价值。
1 研究区概况及数据源
1.1 研究区概况
研究区位于九龙江口红树林省级自然保护区,该保护区是典型的河口红树林保护区(如图1所示),分布着秋茄、桐花等多个红树林品种,是秋茄分布最集中的地区之一,作为“漳州市城市近郊的河岸带退化湿地生态系统修复示范区”,于2006年其面积扩大到420.2 hm2。
图1 九龙江口湿地Sentinel-2影像
1.2 数据预处理
本文使用来自中国海事服务网的潮汐数据确定具体研究区,使用2018年9月26日和2019年1月24日的Sentinel-2B L1C数据划定研究范围,将2018年9月26日的影像作为红树林提取的数据源。Sentinel-2B波段信息见表1,Sentinel-2的光谱成像仪具有13个波段,幅宽为290 km,较好地兼顾了空间分辨率、光谱分辨率及时间分辨率,其在红光边缘波段、近红外波段均比Landsat 8具有更细致、更全面的波谱分辨率。
波段 | 中心波长 /nm |
波段宽度 /nm |
空间分辨率 /m |
b1海岸波段 | 442.3 | 45 | 60 |
b2蓝波段 | 492.1 | 98 | 10 |
b3绿波段 | 559.0 | 46 | 10 |
b4红边波段 | 665.0 | 39 | 10 |
b5植被红边1波段 | 703.8 | 20 | 20 |
b6植被红边2波段 | 739.1 | 18 | 20 |
b7植被红边3波段 | 779.7 | 28 | 20 |
b8近红外波段 | 833.0 | 133 | 10 |
b8a近红外波段 | 864.0 | 32 | 20 |
b9水汽波段 | 943.2 | 27 | 60 |
b10卷云波段 | 1376.9 | 76 | 60 |
b11短波红外1 | 1610.4 | 141 | 20 |
b12短波红外2 | 2185.7 | 238 | 20 |
此数据经过几何校正,首先采用SNAP中的Sen2cor插件对L1C进一步作大气校正处理,得到Sentinel-2的L2A数据,在SNAP软件中对Sentinel的1—12波段以10 m分辨率进行重采样,并在ENVI中进行波段融合;然后根据求得的高潮位和低潮位水边线范围,对影像进行裁剪,且采用Sentinel-2作为基础数据源提取红树林,对九龙江口部分湿地区域中红树林提取方法进行研究;最后根据高空间分辨率影像高分二号数据选择检验样本点来对分类结果进行验证。
2 研究方法
2.1 潮间带区域确定
红树林分布在平均潮位线与平均大潮高潮位线之间的潮间带区域,为了完全涵盖可能有红树林分布的区域范围,需要根据平均海平面高程,运用潮位校正原理确定向海的水平距离。研究所需的潮位信息是通过中国港口网和查阅文献资料获得的。该区域平均潮差为2.98 m,大潮平均潮差为4.95 m,小潮平均潮差为2.85 m,平均大潮高潮位潮高为5.545 m,平均海平面高程为3.59 m。平均海平面到研究影像对应水边线的范围可表示为
(1)
(2)
式中,θ为潮间带坡度,h2和h1为研究区影像在两个不同时刻对应的潮高,ΔL为研究区影像在这两个时刻潮位间的水平距离,hmean为该区域多年平均海平面高程。
求得的向海部分范围线如图2所示,L1为2018年9月26日Sentinel-2影像上的水边线边界,L2为2019年1月24日Sentinel-2影像上的水边线边界,两者之间的距离79 m即为ΔL所对应的值,求得L1向外延伸458 m为红树林可能分布的最大范围,此范围为研究区向海部分的范围线,以人工地物边界线作为研究区向陆地部分的范围线。
图2 研究区向海方向的范围线
2.2 归一化潮间红树林指数NIMI
本文根据Sentinel-2B数据上的波谱信息特点提取红树林,Sentinel-2B波段信息见表1。
由2018年9月26日九龙江口的Sentinel-2B影像提取的裸露红树林、潮间红树林和海水的光谱信息如下:
由图3可以看出,针对海水、裸露红树林、潮间红树林三者的波谱曲线走势而言,裸露红树林和潮间红树林的反射率曲线走势大概一致,只是两者不同波段反射率值的大小有区别,变化速率有微小差异。要提取的目标为红树林,故无需考虑裸露红树林和潮间红树林的区别,只需考虑这两者和海水之间的差异即可。
图3 不同地物的光谱信息
红树林和海水均在560 nm附近出现反射峰后,两者的峰谷值开始呈现出差异。红树林在665 nm(对应表1中的b4波段)处出现特征谷,在703~865 nm附近(对应表1中的b5、b6、b7、b8波段)出现反射峰,之后出现下降趋势。而海水自从在波段560 nm处达到峰值后,便一直呈下降趋势。
红树林和水体出现以上波谱规律是由于Sentinel-2中包含的中心波长分别为705 nm、740 nm、783 nm 3个红边波段的反射率和叶绿素含量具有较高的相关性,也有研究表明705 nm波段处与叶绿素的相关性相对于740 nm波段处和783 nm波段处更为明显,但是680 nm波谱附近的反射率和叶绿素含量的相关性较易达到饱和,更适用于叶绿素含量很低的植被提取,当叶绿素含量超过一定浓度的时候,就不能成为有效反映叶绿素含量的有效波段,705 nm波长处和750 nm处的反射率和叶绿素含量的相关性不易受叶绿素含量影响而达到饱和,但由于本文试验区的叶绿素含量特点,在第一个红边波段,即705 nm附近,不能很好地区分红树林和其他非红树林地物。
基于以上波谱规律,可选择红树林吸收率较高而水体反射率较高的b4波段和红树林反射率较高而水体吸收率较高的b6、b7、b8波段,达到扩大红树林和水体的差异,将红树林从水体中提取出来的目的。虽然在b5波段处红树林达到反射率的顶峰,但由于水域在b5波段处的反射值也较高,故b5波段不作为将红树林从水体中提取出来的波段。3×ρ4-(ρ6+ρ7+ρ8)能够扩大红树林和水体的差异却不具有稳定性,故除以3×ρ4+(ρ6+ρ7+ρ8)形成归一化形式,这种更具稳定性的表达结构适合多幅遥感影像的红树林提取。
最终得到的潮间红树林指数(normalization intertidal mangrove index,NIMI)的表达式为
式中,ρ4为Sentinel-2中b4的反射率;ρ6为Sentinel-2中b6的反射率;ρ7为Sentinel-2中b7的反射率;ρ8为Sentinel-2中b8的反射率。
2.3 精度评价
用目视判别法结合实地调查数据,选取验证样本对NIMI提取的精度进行评价。评价指标选取应用较广泛的总体精度、Kappa系数、生产者精度和用户精度。
3 结果与分析
图4展示了2018年高分二号对应区域的影像、实地调查所拍摄的照片及本文提出的NIMI提取结果,并将其结果与另外在水体提取效果很好的NDWI指数、在植被提取效果很好的NDVI指数,以及综合了多种判定因素而具有很好提取效果的随机森林法这三种方法进行了对比。通过目视比较可以看出,NDWI和NDVI两种方法可以较好地保留水体信息,但对红树林的信息容易丢失,由NDWI和NDVI对河流的提取结果可知,NDWI比NDVI对水体更加敏感。随机森林法相较于NDWI和NDVI两种方法,可以较好地识别混淆在海水中的红树林,但也会丢失很多水体信息。NIMI相比NDWI和NDVI,对红树林有较好的提取效果,相对于随机森林,又可以保证一定的水体信息。在目视判别的判断方式中,NIMI是这四种方法中能较好地综合保留水体信息和红树林信息的方法。
图4 四种方法的红树林提取结果
为了更加准确细致地从定量的角度分析不同提取方法的精度水平,随机均匀地选择红树林102个、水体113个样本点作为检验样本点进行精度评价。利用混淆矩阵(confusion matrix)评估分类结果和真实值,评价结果见表2。
分类方法 | 总体精度/(%) | Kappa系数 | 红树林制图精度/(%) | 红树林用户精度/(%) |
NDWI | 92.26 | 0.8423 | 92.61 | 89.50 |
NDVI | 92.71 | 0.8518 | 93.97 | 89.38 |
随机森林 | 93.73 | 0.8723 | 94.27 | 91.24 |
NIMI | 95.01 | 0.8979 | 94.27 | 93.98 |
由表2的精度统计可以看出,这四种对于研究区红树林的提取方法都获得了较好的分类结果,四种提取方法的总体精度都高于90%,Kappa系数都大于0.8,总体的提取效果由低到高分别为NDWI、NDVI、随机森林、NIMI,对应的总体精度分别为92.26%、92.71%、93.73%、95.01%,对应的Kappa系数分别为0.8423、0.8518、0.8723、0.8979。NIMI相比前四种方法,提升了红树林的提取精度,提取结果也较好地符合实际的红树林分布,NIMI的提取精度高于NDWI、NDVI,说明根据地物特点,适当增加适合研究区红树林提取的红边信息,可以提高红树林的提取精度。随机森林的提取精度高于NDWI和NDVI,而NIMI的提取精度又高于随机森林,说明纹理信息可以在一定程度上提高红树林的提取精度,但是,相比纹理信息,光谱信息对提取红树林精度的提高具有更大的贡献度。NIMI、NDWI和NDVI都是波段运算,简单程度一致但提取精度要高,虽然NIMI提取方法与随机森林相比精度提高不甚明显,但NIMI提取红树林的方法更简单。
由以上的提取精度分析得到,在NDWI、NDVI、随机森林这三种方法中,红树林的制图精度要高于用户精度,表明这三种方法对红树林漏分的情况较多;在NIMI提取红树林的方法中,红树林的制图精度和用户精度相当,且均较高,表明NIMI对红树林的信息更敏感。
4 结论
以Sentinel-2影像为数据源,首先确定了能够涵盖九龙江口红树林分布的区域范围作为研究区,然后利用NDWI、NDVI、随机森林、NIMI 四种方法提取了研究区的红树林,得到的结论如下:
(1) 将四种提取方法的特点分析如下:随机森林方法能够综合光谱和纹理信息对红树林进行提取,信息考虑全面;但其对水体和红树林的混合部分不能够很好地提取,且分类效果较好的随机森林分类方法可能会伴随着时间的消耗。
NDWI和NDVI相对于红树林,对水体的提取效果更好,但是对红树林的识别不及随机森林方法和NIMI,而随机森林对于位于水下的红树林的提取不是很理想,NIMI不仅简单,还可以同时提取裸露的红树林和被淹没在水下的红树林。高分二号目视验证和实地调查结果及结合精度评价表明,四种方法对红树林的提取效果由高到低依次为NIMI、随机森林、NDVI、NDWI。
加入纹理信息可以在一定程度上提高分类精度,但是相比纹理信息,光谱信息对红树林的提取贡献度更大,光谱信息中红边波段在红树林的提取中发挥着重要作用。
(2) 还需要开展的后续研究:用NIMI提取红树林的指数主要是根据位于九龙江口区域内的一片红树林在2018年9月影像的光谱特征提出的,并运用该区域的高精度影像进行了验证,将来还需在其他区域进一步试验来分析该方法的可靠性。
由于受到本文所用数据源Sentinel-2分辨率为10 m×10 m的限制,可能存在实地红树林面积不及单个像元或红树林面积超过单个像元而被识别为单个像元的误差。
本文的NIMI提取精度相比其他三种方法都有所提高,后续可以考虑研究纹理信息和NIMI指数的结合对红树林提取精度的影响。
参考文献:(略)
欢迎留言、点一下“在看”再走喔 ↓↓↓
以上是关于好文基于Sentinel-2的潮间红树林提取方法的主要内容,如果未能解决你的问题,请参考以下文章