聞 馨，賈明明，李曉燕，王宗明，3，鐘才榮，馮爾輝

(1.吉林大學(xué)地球科學(xué)學(xué)院，吉林 長(zhǎng)春 130061；2.中國(guó)科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所濕地生態(tài)與環(huán)境重點(diǎn)實(shí)驗(yàn)室，吉林 長(zhǎng)春 130102；3.國(guó)家地球系統(tǒng)科學(xué)數(shù)據(jù)中心，北京 100101；4.海南東寨港國(guó)家級(jí)自然保護(hù)區(qū)管理局，海南 ?？?571129)

紅樹(shù)林(mangrove)是生長(zhǎng)在熱帶及亞熱帶地區(qū)海岸潮間帶灘涂或河流入?？诘哪颈局参锶郝?，它在防浪固堤、促淤造陸、凈化環(huán)境和維持生物多樣性等方面有獨(dú)特的生態(tài)價(jià)值[1]。然而由于氣候變化、人類(lèi)活動(dòng)等原因，全球紅樹(shù)林面積大幅度減少，相比于20世紀(jì)70年代，截至2000年我國(guó)紅樹(shù)林面積減少了一半以上，直至2000年以后才有所恢復(fù)[2-3]。紅樹(shù)林群落特征決定了紅樹(shù)林濕地的功能和價(jià)值，群落類(lèi)型和分布的改變直接反映了外界環(huán)境的變化[4]。因此，及時(shí)、準(zhǔn)確地監(jiān)測(cè)紅樹(shù)林群落面積和分布是研究紅樹(shù)林濕地生態(tài)功能和價(jià)值，紅樹(shù)林濕地對(duì)氣候變化和人類(lèi)活動(dòng)的響應(yīng)等問(wèn)題的基礎(chǔ)，也是紅樹(shù)林濕地保育和管理的重要依據(jù)。

由于紅樹(shù)林分布于潮間帶淺灘，可達(dá)性差，用傳統(tǒng)實(shí)地考察的森林資源調(diào)查方法進(jìn)行紅樹(shù)林植物群落調(diào)查費(fèi)時(shí)費(fèi)力、周期長(zhǎng)、時(shí)效差，且不能獲得紅樹(shù)林群落完整的空間分布信息。自21世紀(jì)以來(lái)，陸續(xù)投入使用米級(jí)乃至亞米級(jí)高空間分辨率遙感數(shù)據(jù)(如WorldView-2、高分衛(wèi)星等)，因其具有反映精細(xì)影像紋理信息的能力，在紅樹(shù)林植物群落分類(lèi)研究中得到廣泛應(yīng)用[5-7]。然而這些數(shù)據(jù)大都來(lái)自國(guó)內(nèi)外的商用衛(wèi)星，價(jià)格較高；且由于光譜分辨率或空間分辨率的限制，制圖精度有時(shí)不能滿足需求。近年來(lái)，無(wú)人機(jī)技術(shù)的蓬勃發(fā)展為紅樹(shù)林群落分類(lèi)提供了新的數(shù)據(jù)源，以其靈活、云下作業(yè)、低成本、厘米級(jí)的高空間分辨率等特點(diǎn)，成為衛(wèi)星遙感的補(bǔ)充，具有廣闊的發(fā)展前景[8-9]。如馮佳莉等使用可見(jiàn)光波段的固定翼無(wú)人機(jī)影像，采用面向?qū)ο蟮淖罱彿诸?lèi)法，區(qū)分了英羅港港灣兩側(cè)的3種紅樹(shù)林優(yōu)勢(shì)種類(lèi)，分類(lèi)精度達(dá)90%以上[10]；劉凱等對(duì)比了固定翼無(wú)人機(jī)、消費(fèi)級(jí)旋翼無(wú)人機(jī)和專業(yè)級(jí)旋翼無(wú)人機(jī)在區(qū)分紅樹(shù)林種類(lèi)中的精度和效率，3種影像隨機(jī)森林法分類(lèi)精度分別為81.1%、84.8%和89.3%，均較高[11]。但這些研究分割尺度的選取大都基于目視判斷，且對(duì)于隨機(jī)森林算法而言，未對(duì)分類(lèi)特征以及隨機(jī)森林的參數(shù)[樹(shù)的棵數(shù)(ntree)和節(jié)點(diǎn)分裂時(shí)抽取的特征個(gè)數(shù)(mtry)]進(jìn)行篩選評(píng)價(jià)。

因此，以海南省典型的紅樹(shù)林區(qū)為研究對(duì)象，使用無(wú)人機(jī)獲取可見(jiàn)光波段影像，引入可見(jiàn)光波段差異植被指數(shù)和最優(yōu)分割尺度評(píng)價(jià)模型，并計(jì)算評(píng)價(jià)隨機(jī)森林分類(lèi)過(guò)程中的最優(yōu)特征和參數(shù)，最后采用面向?qū)ο蟮碾S機(jī)森林分類(lèi)方法識(shí)別紅樹(shù)林群落，以探討無(wú)人機(jī)在紅樹(shù)林群落制圖中的應(yīng)用前景。

1 研究區(qū)概況

研究區(qū)位于海南省澄邁縣富力灣紅樹(shù)林國(guó)家級(jí)濕地保護(hù)公園內(nèi)(圖1)，該園地處海南省北部，北臨瓊州海峽，屬熱帶季風(fēng)氣候，年平均氣溫23.8 ℃，雨熱同季，且處于靜風(fēng)環(huán)境區(qū)，受臺(tái)風(fēng)影響較弱。園內(nèi)有9種真紅樹(shù)植物，包括欖李(Lumnitzeraracemosa)、紅海欖(Rhizophorastylosa)、角果木(Ceriopstagal)、桐花樹(shù)(Aegicerascorniculatum)、秋茄(Kandeliaobovata)、木欖(Bruguieragymnorrhiza)、白骨壤(Avicenniamarina)、鹵蕨(Acrostichumaureum)、海漆(Excoecariaagallocha)，4種半紅樹(shù)植物，包括苦郎樹(shù)(Clerodendruminerme)、黃槿(Hibiscustiliaceus)、闊苞菊(Plucheaindica)和水黃皮(Pongamiapinnata)[1]。航拍區(qū)域?yàn)閳@區(qū)內(nèi)紅樹(shù)林保護(hù)的核心區(qū)，紅樹(shù)林種類(lèi)豐富，由于該區(qū)域?qū)儆诼糜伍_(kāi)發(fā)區(qū)和房地產(chǎn)開(kāi)發(fā)密集區(qū)，所以紅樹(shù)林受到人為干擾較多，區(qū)內(nèi)全部為紅樹(shù)林次生林。研究選取群落豐富、影像效果好、無(wú)變形的區(qū)域作為紅樹(shù)林群落分類(lèi)研究區(qū)，總面積97 057.47 m2。

2 數(shù)據(jù)來(lái)源與研究方法

2.1 數(shù)據(jù)獲取與預(yù)處理

無(wú)人機(jī)影像的獲取過(guò)程包括前期準(zhǔn)備、航拍以及后期的數(shù)據(jù)處理3個(gè)階段。前期準(zhǔn)備是對(duì)研究區(qū)進(jìn)行資料收集以及實(shí)地調(diào)查，規(guī)劃航拍路線；拍攝時(shí)要盡量選擇無(wú)風(fēng)或風(fēng)力較小、晴朗的天氣，起飛點(diǎn)選擇在空曠的地方，以保持全球定位系統(tǒng)(global positioning system，GPS)信號(hào)穩(wěn)定；后期處理包括數(shù)據(jù)的傳輸、影像的拼接和幾何矯正。

研究所用的影像來(lái)自大疆精靈4pro型螺旋翼無(wú)人機(jī)，拍攝時(shí)間是2018年9月14日10：30—11：00。拍攝當(dāng)日天氣晴朗、陽(yáng)光充足，無(wú)人機(jī)飛行高度200 m，航向重疊90%，旁向重疊70%，進(jìn)行了1個(gè)架次航拍，獲得93張有效相片。然后使用photoscan軟件，經(jīng)過(guò)對(duì)齊照片、生成密集點(diǎn)云、生成網(wǎng)格、生成紋理、生成正射影像，得到分辨率為5 cm的RGB影像。

精度驗(yàn)證點(diǎn)一部分使用手持GPS野外實(shí)測(cè)，記錄坐標(biāo)、群落類(lèi)型以及其他信息；另一部分使用無(wú)人機(jī)低空(50 m)飛行影像和當(dāng)?shù)丶t樹(shù)林專家(海南省紅樹(shù)林保護(hù)區(qū)工作人員)目視判讀獲得。共得到驗(yàn)證點(diǎn)165個(gè)，其中桐花樹(shù)、紅海欖、欖李、海漆各30個(gè)，黃槿、欖李+海漆和非紅樹(shù)林各15個(gè)。使用eCognition軟件進(jìn)行人機(jī)交互，對(duì)50 m高度無(wú)人機(jī)影像進(jìn)行專家判讀，在影像中均勻地獲取每類(lèi)紅樹(shù)林群落50個(gè)訓(xùn)練樣本，共計(jì)300個(gè)純對(duì)象作為分類(lèi)訓(xùn)練樣本集，樣本點(diǎn)分布見(jiàn)圖1。

圖1 研究區(qū)及樣本分布Figure 1 Study area and distribution of samples

2.2 研究方法

結(jié)合實(shí)地考察結(jié)果與研究區(qū)的地類(lèi)特點(diǎn)，分類(lèi)過(guò)程為2個(gè)層次。首先，引入可見(jiàn)光波段差異植被指數(shù)(visible-band difference vegetation index， VDVI或IVDV)[9]來(lái)區(qū)分植被與非植被地類(lèi)；然后，使用隨機(jī)森林算法對(duì)紅樹(shù)林群落進(jìn)行分類(lèi)。同時(shí)，研究還通過(guò)引入最優(yōu)分割尺度評(píng)價(jià)模型，計(jì)算隨機(jī)森林分類(lèi)最優(yōu)參數(shù)和特征重要性來(lái)進(jìn)一步提高分類(lèi)精度，技術(shù)路線見(jiàn)圖2。

圖2 技術(shù)路線Figure 2 Work flow

2.2.1 建立解譯標(biāo)志 通過(guò)實(shí)地考察與影像判讀得出，紅樹(shù)林分布區(qū)內(nèi)主要群落有桐花樹(shù)、紅海欖、海漆、欖李、黃槿以及欖李+海漆，還包括小面積的卡開(kāi)蘆(Phragmiteskarka)，紅樹(shù)林分布區(qū)外主要有水體、裸地、建筑和其他植被(研究區(qū)東南部的綠化植被)。圖3展示了不同群落的可見(jiàn)光波段差異植被指數(shù)(VDVI)、最大光譜差異度量(maximum difference scale，Max.diff)以及紅、綠、藍(lán)波段的光譜亮度均值(Mean_R、Mean_G、Mean_B)歸一化后(分別記作VDVInorm、Max.diffnorm、Mean_Rnorm、Mean_Gnorm、Mean_Bnorm)對(duì)比結(jié)果。紅樹(shù)林分布區(qū)內(nèi)群落影像及特征見(jiàn)表1。

圖3 不同群落歸一化光譜特征值Figure 3 Normalization values of spectral features for different communities

表1 群落影像及特征Table 1 Images and features of different communities

2.2.2 面向?qū)ο蠓椒ㄅc最優(yōu)分割尺度評(píng)價(jià) 面向?qū)ο蠓诸?lèi)法是依據(jù)鄰近像元光譜和空間特征的同質(zhì)性，將滿足條件的相鄰像元合并為一個(gè)分類(lèi)單元(對(duì)象)，從而有效避免高分辨率影像基于像元分類(lèi)時(shí)產(chǎn)生的“椒鹽現(xiàn)象”，同時(shí)增大了影像分類(lèi)特征的維度[12-13]。適宜的分割尺度是面向?qū)ο蠓诸?lèi)的基礎(chǔ)，最優(yōu)分割尺度是指對(duì)象具有良好的內(nèi)部同質(zhì)性，而對(duì)象間具有較高的異質(zhì)性[14]。多尺度分割算法是“自下而上”將相鄰像元逐步合并，將整幅影像分割為大小、形狀不同的對(duì)象，直到對(duì)象內(nèi)部的異質(zhì)性大于給定的閾值為止，這個(gè)閾值就是分割的尺度參數(shù)。分割尺度太大會(huì)產(chǎn)生欠分割現(xiàn)象，同一對(duì)象內(nèi)部有光譜值相近的不同地類(lèi)混合；分割尺度過(guò)小會(huì)產(chǎn)生過(guò)分割現(xiàn)象，不僅運(yùn)算速度慢，而且對(duì)于厘米級(jí)分辨率的無(wú)人機(jī)影像，分類(lèi)時(shí)同樣會(huì)產(chǎn)生“椒鹽現(xiàn)象”。

本研究用標(biāo)準(zhǔn)差衡量對(duì)象內(nèi)部同質(zhì)性，用全局莫蘭指數(shù)(Moran′s index，MI或IM)衡量對(duì)象間的異質(zhì)性。全局分割質(zhì)量評(píng)價(jià)值(global segmentation，GS或SG)是對(duì)象內(nèi)部同質(zhì)性和對(duì)象間異質(zhì)性的綜合，GS值越大，影像的分割效果越好?？紤]到紋理特征對(duì)于高空間分辨率影像分類(lèi)的重要性，因此將紋理異質(zhì)性作為一個(gè)因子加入到全局分割質(zhì)量評(píng)價(jià)中，確定最優(yōu)分割尺度的具體步驟如下。

(1)使用eCognition軟件多尺度分割功能，對(duì)研究區(qū)紅樹(shù)林執(zhí)行尺度為10～90，步長(zhǎng)為5的17次分割。

(2)計(jì)算對(duì)象內(nèi)部的光譜同質(zhì)性V，公式如下[14]：

(1)

式中：n為分割對(duì)象總數(shù)；ai表示第i個(gè)對(duì)象的面積；vi表示第i個(gè)對(duì)象光譜亮度平均值的標(biāo)準(zhǔn)差。

(3)計(jì)算某分割尺度下的全局莫蘭指數(shù)IM，以此表示對(duì)象間的異質(zhì)性，公式如下[14]：

(2)

(4)對(duì)V和IM進(jìn)行歸一化，去除量綱，結(jié)果分別記作Vnorm和IMnorm，方法如下[15]：

(3)

式中：X、Xmax和Xmin分別代表某一尺度下V或IM的值、所有分割尺度下V或IM的最大值和最小值。

(5)計(jì)算全局分割質(zhì)量評(píng)價(jià)值SG，得到尺度間隔為5的SG值序列，公式如下[15]：

SG=ρVnorm+(1-ρ)IMnorm

(4)

式中：ρ為同質(zhì)性所占的權(quán)重，本研究ρ為0.3。

(6)對(duì)SG值序列執(zhí)行3次樣條插值，得到尺度間隔為1的SG值序列，這樣在保證選取最優(yōu)分割尺度高效性的同時(shí)，也滿足尺度選擇精度的需求。插值結(jié)果SG值最大時(shí)所對(duì)應(yīng)的分割尺度即為最優(yōu)分割尺度。

2.2.3 可見(jiàn)光波段差異植被指數(shù) 可見(jiàn)光波段差異植被指數(shù)(IVDV)是一種綜合紅、綠、藍(lán)3個(gè)可見(jiàn)光波段的歸一化植被指數(shù)，對(duì)于僅含可見(jiàn)光波段的無(wú)人機(jī)遙感影像中綠色健康植被具有較好的提取效果，其閾值在0附近[9]：

(5)

式中：MR、MG和MB分別代表分割對(duì)象紅、綠、藍(lán)波段像元光譜反射率的平均值。

2.2.4 隨機(jī)森林分類(lèi)方法 隨機(jī)森林屬于機(jī)器學(xué)習(xí)的一個(gè)分支——集成學(xué)習(xí)，是套袋法與決策樹(shù)的結(jié)合[16]。隨機(jī)森林分類(lèi)的基本過(guò)程是：(1)對(duì)于有n個(gè)樣本的原始樣本集，首先使用套袋法從中有放回的隨機(jī)抽取m個(gè)訓(xùn)練樣本集，組成m棵決策樹(shù)；(2)每個(gè)樣本集有p個(gè)特征，在決策樹(shù)的節(jié)點(diǎn)分裂時(shí)，從p個(gè)特征中隨機(jī)選取q個(gè)特征，通過(guò)計(jì)算基尼不純度(Gini impurity，Gini)[17]，從q個(gè)特征中選擇1個(gè)最佳分裂特征以及對(duì)應(yīng)的閾值，直到子節(jié)點(diǎn)選出的特征與其父節(jié)點(diǎn)的重復(fù)，該節(jié)點(diǎn)分裂結(jié)束；(3)使用(2)中的方法訓(xùn)練m棵決策樹(shù)，組成隨機(jī)森林，然后使用該模型進(jìn)行預(yù)測(cè)，使用票選法，即取所有樹(shù)預(yù)測(cè)結(jié)果的眾數(shù)作為最終的預(yù)測(cè)類(lèi)型[16，18]。

隨機(jī)森林中引入兩個(gè)隨機(jī)過(guò)程——隨機(jī)選擇樣本和特征進(jìn)行訓(xùn)練，避免了過(guò)擬合現(xiàn)象的發(fā)生，且具有很好的抗噪能力。隨機(jī)過(guò)程的引入決定隨機(jī)森林有兩個(gè)重要的參數(shù)，即森林中樹(shù)的棵數(shù)(ntree)和節(jié)點(diǎn)分裂時(shí)抽取的特征個(gè)數(shù)(mtry)。隨機(jī)森林中樹(shù)的數(shù)量太少，分類(lèi)精度降低，而數(shù)量太大運(yùn)算速度減慢，因此適宜的樹(shù)的棵數(shù)能在達(dá)到分類(lèi)精度要求的同時(shí)保證運(yùn)行速度[16，18]。隨機(jī)森林算法中，若不進(jìn)行設(shè)置，一般默認(rèn)節(jié)點(diǎn)分裂時(shí)抽取特征個(gè)數(shù)為全部特征數(shù)的平方根或1/3[16]。

由于紅樹(shù)林群落間的光譜特征在可見(jiàn)光波段較為相近，因此本研究加入形狀和紋理兩類(lèi)空間特征來(lái)區(qū)分紅樹(shù)林群落。光譜特征包括紅、綠、藍(lán)波段的均值，標(biāo)準(zhǔn)差，色調(diào)、飽和度和亮度，共計(jì)9個(gè)；形狀特征包括邊界指數(shù)、似圓度等，共計(jì)11個(gè)；紋理特征體現(xiàn)了像素及其周?chē)臻g鄰域的灰度分布規(guī)律，能夠刻畫(huà)出圖像中重復(fù)出現(xiàn)的局部模式與它們的排列規(guī)則，具有方向性[19]。本文使用灰度共生矩陣(gray-level co-occurrence matrix，GLCM)來(lái)描述影像紋理特征，選取8大類(lèi)、5個(gè)移動(dòng)方向(即所有方向、0°、45°、90°、135°，依次按1～5編號(hào))，共計(jì)40個(gè)紋理特征。全部特征類(lèi)別見(jiàn)表2。

表2 分類(lèi)特征Table 2 Classification features

以訓(xùn)練樣本集為基礎(chǔ)，選取包括光譜、紋理以及形狀3大類(lèi)，共計(jì)60個(gè)特征，分別計(jì)算節(jié)點(diǎn)抽取不同數(shù)量的特征、森林中不同決策樹(shù)的棵數(shù)所對(duì)應(yīng)的誤分率，誤分率最小或穩(wěn)定時(shí)對(duì)應(yīng)的特征數(shù)或棵數(shù)即為最適宜隨機(jī)森林參數(shù)。此外，不同特征對(duì)分類(lèi)的貢獻(xiàn)率不同，在選取最優(yōu)分裂特征數(shù)的同時(shí)，需要找到對(duì)應(yīng)的特征。本研究引入節(jié)點(diǎn)基尼不純度平均減小值(mean decrease Gini)[18]作為度量特征重要性的指標(biāo)?；岵患兌缺硎炯系牟淮_定性，基尼不純度越大，集合的不確定性也就越大，若經(jīng)過(guò)某個(gè)特征對(duì)集合進(jìn)行劃分，使得劃分后集合的不確定性減小值，即基尼不純度平均減小值越大，則該特征越重要。假設(shè)樣本T分為K類(lèi)，則樣本T的基尼不純度為：

(6)

式中：|Ck|是樣本T中屬于第k類(lèi)的樣本數(shù)，|T|是樣本總數(shù)。

經(jīng)過(guò)特征A劃分后樣本T的基尼不純度為：

(7)

式中：|Ti|是樣本T中屬性A取值為i的樣本數(shù)。

2.2.5 精度評(píng)價(jià) 精度評(píng)價(jià)使用誤差矩陣(也稱混淆矩陣)，它是地面實(shí)測(cè)的真實(shí)值與模型預(yù)測(cè)值的比較陣列，矩陣的列代表實(shí)測(cè)值，矩陣的行代表預(yù)測(cè)值?；谡`差矩陣計(jì)算分類(lèi)總體精度(overall accuracy，OA或AO)、Kappa系數(shù)(Kappa index，KI或IK)、制圖精度(mapping accuracy，MA或AM)和用戶精度(user′s accuracy，UA或AU)，取值均在0～1之間，值越大，分類(lèi)效果越好。公式如下[2]：

(8)

(9)

(10)

(11)

式中：p代表樣本總和；pii代表誤差矩陣中第i行第i列的樣本總數(shù)，pi+代表誤差矩陣中第i行的總和，即第i類(lèi)地類(lèi)預(yù)測(cè)值的總和；p+i代表誤差矩陣中第i列的總和，即第i類(lèi)地類(lèi)地面實(shí)測(cè)值的總和。

3 結(jié)果與分析

3.1 最優(yōu)分割尺度

如圖4所示，分割尺度在10～90，全局分割質(zhì)量評(píng)價(jià)值(SG)先增大后減小，其高峰存在于35～45；當(dāng)分割尺度大于或等于55時(shí)，存在欠分割現(xiàn)象，即1個(gè)像元內(nèi)包含不同種紅樹(shù)林群落，當(dāng)尺度達(dá)到65及以上時(shí)，這種現(xiàn)象十分顯著；當(dāng)分割尺度小于35時(shí)，存在過(guò)分割現(xiàn)象，分割和分類(lèi)的運(yùn)算量加大、運(yùn)算速度減慢；且對(duì)于無(wú)人機(jī)影像，尺度過(guò)小時(shí)，樹(shù)冠間的空隙被區(qū)分一個(gè)對(duì)象，造成分類(lèi)中的“椒鹽現(xiàn)象”。根據(jù)SG計(jì)算結(jié)果，分割尺度為41時(shí)，全局分割質(zhì)量最高，為0.81(即對(duì)象內(nèi)部同質(zhì)性和對(duì)象間異質(zhì)性的結(jié)合效果最好)，對(duì)紅樹(shù)林群落邊界刻畫(huà)的效果最好。

圖4 不同尺度的分割效果及分割質(zhì)量評(píng)價(jià)結(jié)果Figure 4 Segmentation effects and segmentation quality evaluation with different scales

為進(jìn)一步證明最優(yōu)分割尺度的有效性，本研究基于目視最優(yōu)尺度50時(shí)的最優(yōu)隨機(jī)森林參數(shù)和最適宜特征訓(xùn)練新的隨機(jī)森林模型，并進(jìn)行了分割尺度50的紅樹(shù)林群落分類(lèi)(表3)，分類(lèi)結(jié)果總體精度為82.42%，Kappa系數(shù)0.79，與最優(yōu)分割尺度41的結(jié)果相比分別降低了6.67%和0.08，證明使用最優(yōu)分割尺度評(píng)價(jià)模型能夠提升對(duì)象純度，從而提高分類(lèi)精度。

表3 分割尺度50的紅樹(shù)林群落分類(lèi)結(jié)果誤差矩陣Table 3 Confusion matrix for mangrove species classification based on segmentation scale 50

3.2 紅樹(shù)林與非紅樹(shù)林分類(lèi)

通過(guò)反復(fù)試驗(yàn)和目視判讀，可見(jiàn)光波段差異植被指數(shù)(IVDV)為0.07可以最好地區(qū)分植被和非植被地類(lèi)(IVDV>0.07為植被)。根據(jù)實(shí)地考察驗(yàn)證，可以以非植被地類(lèi)為界限區(qū)分其他植被(研究區(qū)東南部建筑物周?chē)木G化植被)與紅樹(shù)林和卡開(kāi)蘆(圖5)。影像中小面積的卡開(kāi)蘆通過(guò)目視判讀，在紅樹(shù)林群落分類(lèi)前掩膜。

3.3 隨機(jī)森林參數(shù)確定

特征重要性計(jì)算結(jié)果，即基尼不純度的平均減小值顯示(圖6)，貢獻(xiàn)前20的全部為光譜和紋理特征，其中前5位分別是色調(diào)、飽和度和亮度(hue，saturation，intensity，HSI)、 最大光譜差異度量(Max.diff，屬于Mean特征)、移動(dòng)方向90°的對(duì)比度(GLCM_Con4)、移動(dòng)方向0°的相異性(GLCM_Dis2)和移動(dòng)方向0°的對(duì)比度(GLCM_Con2)，表明光譜和紋理特征在使用無(wú)人機(jī)可見(jiàn)光影像區(qū)分紅樹(shù)林群落時(shí)起主要作用。

圖5 非紅樹(shù)林分類(lèi)結(jié)果Figure 5 Classification results of non-mangrove areas

特征數(shù)量與誤分率關(guān)系的計(jì)算結(jié)果顯示(圖7)，隨節(jié)點(diǎn)抽取特征數(shù)量的增加，誤分率先快速減小然后緩慢增加，當(dāng)每個(gè)節(jié)點(diǎn)抽取的特征數(shù)為15個(gè)時(shí)，對(duì)應(yīng)的誤分率最低。隨著隨機(jī)森林中決策樹(shù)棵數(shù)增加，誤分率先急劇減小后趨于穩(wěn)定，當(dāng)棵數(shù)約為600時(shí)，誤分率基本穩(wěn)定。因此，研究中訓(xùn)練隨機(jī)森林模型時(shí)樹(shù)的棵數(shù)設(shè)置為600，所用到的特征總數(shù)為15的3倍即45個(gè)，模型中用到的全部特征如圖6所示。

3.4 紅樹(shù)林群落分類(lèi)結(jié)果與精度驗(yàn)證

基于最優(yōu)分割尺度和使用最優(yōu)參數(shù)、特征訓(xùn)練好的隨機(jī)森林分類(lèi)法，富力灣紅樹(shù)林群落分類(lèi)結(jié)果如圖8所示。結(jié)果顯示，研究區(qū)紅樹(shù)林總面積73 265.59 m2，水體、裸地、建筑、卡開(kāi)蘆等非紅樹(shù)林地類(lèi)總面積23 791.88 m2。其中欖李分布最廣，總面積31 193.41 m2，主要分布在中高潮帶；桐花樹(shù)和紅海欖面積分別為17 767.87和8 358.29 m2，主要分布在水體邊緣的低潮帶；海漆和欖李+海漆總面積分別為7 849.03和6 099.39 m2，主要分布在研究區(qū)中部和南部的中高潮帶；黃槿分布最少，總面積1 997.60 m2，主要分布在研究區(qū)西南部。

誤差矩陣如表4所示，分類(lèi)總體精度為89.09%，Kappa系數(shù)為0.87。分類(lèi)結(jié)果總體精度較高，主要原因可能有以下幾點(diǎn)：使用了最優(yōu)分割尺度，對(duì)無(wú)人機(jī)影像中紅樹(shù)林群落邊界的刻畫(huà)更準(zhǔn)確；通過(guò)模型計(jì)算，獲得最適宜紅樹(shù)林群落分類(lèi)的隨機(jī)森林模型參數(shù)和分類(lèi)特征，最大限度地提高了隨機(jī)森林分類(lèi)結(jié)果的精度；雖然同衛(wèi)星影像相比，可見(jiàn)光無(wú)人機(jī)影像光譜信息少，但是根據(jù)本研究的結(jié)果，紋理特征對(duì)分類(lèi)結(jié)果的貢獻(xiàn)率較大，因此，面向?qū)ο蟮姆诸?lèi)方法增加了無(wú)人機(jī)可見(jiàn)光影像的分類(lèi)特征維度，有效提高了分類(lèi)精度。

圖6 特征重要性評(píng)價(jià)結(jié)果Figure 6 Feature importance evaluation result

圖7 特征個(gè)數(shù)與誤分率關(guān)系Figure 7 Relationship between error rate and feature numbers

圖8 紅樹(shù)林群落分布Figure 8 Map of mangrove species distribution

表4 分類(lèi)結(jié)果誤差矩陣Table 4 Confusion matrix for mangrove species classification

其中水體、建筑等非植被地類(lèi)分類(lèi)精度最高，表明可見(jiàn)光波段差異植被指數(shù)(VDVI)區(qū)分植被與非植被的效果良好。紅樹(shù)林群落中，紅海欖制圖精度最高，達(dá)到96.66%，一方面可能與訓(xùn)練樣本的選取有關(guān)，另一方面，紅海欖的紅、綠、藍(lán)波段光譜值和主要的紋理特征值均最小(表5)，并且與其他類(lèi)型相差較大，容易區(qū)分。欖李+海漆群落制圖精度最低，可能由于混交群落不同對(duì)象中不同樹(shù)種所占比例不同，其對(duì)象特征值會(huì)有較大的波動(dòng)，分類(lèi)過(guò)程的不確定性增大。分類(lèi)結(jié)果與實(shí)際地物較好地吻合，誤差主要來(lái)源于西北部紅海欖和海漆混生地帶和中南部、南部的欖李+海漆、欖李、海漆、桐花樹(shù)群落的混生地帶。

表5 紅樹(shù)林光譜和紋理特征值Table 5 Spectral and textural values of mangroves

4 討論與結(jié)論

本研究基于無(wú)人機(jī)可見(jiàn)光影像，選用面向?qū)ο蟮姆诸?lèi)方法，引入可見(jiàn)光波段差異植被指數(shù)區(qū)分植被與非植被地類(lèi)；使用最優(yōu)分割尺度評(píng)價(jià)模型準(zhǔn)確提取紅樹(shù)林冠層邊界；最后通過(guò)計(jì)算隨機(jī)森林模型最優(yōu)參數(shù)和最適宜特征，訓(xùn)練隨機(jī)森林模型，區(qū)分富力灣紅樹(shù)林國(guó)家級(jí)保護(hù)公園典型區(qū)的6種紅樹(shù)林群落。研究結(jié)果表明：

(1)光譜特征和紋理特征在基于無(wú)人機(jī)可見(jiàn)光影像、使用隨機(jī)森林算法區(qū)分紅樹(shù)林群落中起主要作用，其中貢獻(xiàn)率前5的分別為色調(diào)、飽和度和亮度、最大光譜差異度量、移動(dòng)方向90°的對(duì)比度、移動(dòng)方向0°的相異性和移動(dòng)方向0°的對(duì)比度。

(2)使用最優(yōu)分割尺度評(píng)價(jià)模型能提升對(duì)象純度，進(jìn)而提高分類(lèi)精度。

(3)基于無(wú)人機(jī)可見(jiàn)光影像的隨機(jī)森林法紅樹(shù)林冠層群落分類(lèi)結(jié)果精度達(dá)89.09%，Kappa系數(shù)為0.87，紅海欖和桐花樹(shù)制圖精度均高于90%?？梢?jiàn)，搭載可見(jiàn)光波段光學(xué)相機(jī)的無(wú)人機(jī)獲取的高分辨率影像可以非常好的區(qū)分6種紅樹(shù)林群落，分類(lèi)精度達(dá)到89.09%，完全能夠滿足紅樹(shù)林日常管理和監(jiān)測(cè)的需求，且該類(lèi)型無(wú)人機(jī)價(jià)格低、易攜帶、對(duì)起飛場(chǎng)地和天氣要求較低，數(shù)據(jù)后處理簡(jiǎn)單，因此作業(yè)彈性較大。但是無(wú)人機(jī)影像數(shù)據(jù)量大，影像拼接及處理對(duì)計(jì)算機(jī)性能要求較高，且目前無(wú)人機(jī)續(xù)航時(shí)間較短，因此，無(wú)人機(jī)可見(jiàn)光影像適合小尺度(保護(hù)區(qū)、市縣、斑塊尺度)、高精度的紅樹(shù)林群落制圖，在紅樹(shù)林監(jiān)測(cè)與管理中有廣闊的應(yīng)用前景。

該研究區(qū)域內(nèi)紅樹(shù)林屬于紅樹(shù)林次生林，同種紅樹(shù)林分布較為集中，群落分界線較明顯。對(duì)于林分更復(fù)雜、群落類(lèi)型更豐富、樹(shù)種充分混交的紅樹(shù)林成熟林(如海南東寨港國(guó)家級(jí)紅樹(shù)林保護(hù)區(qū))，其群落光譜和紋理特征變化也更為復(fù)雜，因此，未來(lái)需要進(jìn)一步驗(yàn)證該方法對(duì)更復(fù)雜的紅樹(shù)林群落的識(shí)別精度。另外，為了消除樹(shù)高不一致帶來(lái)的誤差，航拍時(shí)設(shè)置的相片重疊度較大，拼接過(guò)程以生成的數(shù)字高程模型(digital elevation model，DEM)數(shù)據(jù)為基礎(chǔ)將影像矯正為正射影像。雖然如此，投影差仍然可能存在，這也是本研究不足之處，未來(lái)希望進(jìn)一步探究如何最大限度消除紅樹(shù)林樹(shù)高不一致引起的無(wú)人機(jī)影像的投影差。