沈成 王洋 王紅兵 蔣俊祎

（?？诤Ｑ蟮刭|(zhì)調(diào)查中心 海南省?？谑?570100）

紅樹林是大自然最重要的生態(tài)系統(tǒng)之一，在海岸帶生態(tài)保護(hù)上有著不可替代的作用。我國紅樹林主要分布在沿海的河口、瀉湖和海灣等地區(qū)，其面積在過去幾十年經(jīng)歷了“急劇減少-維持穩(wěn)定-緩慢增加”的變化過程[1]。紅樹林是汕頭濕地生態(tài)系統(tǒng)的重要組成部分，而流經(jīng)于此的韓江，則是我國海岸線最長、紅樹林面積最大的廣東省第二大河流，為我國六大三角洲之一。韓江三角洲地區(qū)的生態(tài)保護(hù)對沿海地區(qū)經(jīng)濟(jì)發(fā)展和生態(tài)安全具有重要意義[2]。

歷史上韓江三角洲地區(qū)紅樹林分布廣泛；改革開放初期，由于人為圍墾開發(fā)，僅余一些次生林，面積縮減超過50%[3]；自2000年開始，當(dāng)?shù)卣匾曆睾＜t樹林生態(tài)環(huán)境問題，種植了一定規(guī)模的紅樹林，并引種了無瓣海桑等紅樹林樹種，現(xiàn)階段主要為人工林[4][5]。

近年來，遙感技術(shù)的不斷發(fā)展和機(jī)器分類算法的崛起加快了圖像識別的智能化進(jìn)程，當(dāng)前，已有許多先進(jìn)的機(jī)器集成算法和分類器已經(jīng)運(yùn)用到了遙感圖像分類。通過對遙感數(shù)據(jù)進(jìn)行充分挖掘和分析，不僅優(yōu)化了了傳統(tǒng)圖像分類上數(shù)據(jù)處理信息損失問題，還大大降低了人力消耗和人為主觀因素造成的誤差。近幾十年來，機(jī)器學(xué)習(xí)算法的發(fā)展從較為簡易的監(jiān)督分類、BP神經(jīng)網(wǎng)絡(luò)分類方法逐漸發(fā)展到RF（隨機(jī)森林）、CNN（卷積神經(jīng)網(wǎng)絡(luò)）等高新的機(jī)器分類算法，這極大地提高了遙感影像分類的精度以及速率[6]。

我國也已有眾多學(xué)者將機(jī)器學(xué)習(xí)的圖像分類技術(shù)用于紅樹林的種間識別上，并取得了卓越的成績。馬云梅等[7]利用GF-2數(shù)據(jù)，通過對光譜特征數(shù)據(jù)重構(gòu)，基于支持向量機(jī)分類方法，對廣西海岸帶紅樹林開展種間精細(xì)分類研究；蒙良莉[8]等基于哨兵光學(xué)影像數(shù)據(jù)，利用隨機(jī)森林算法進(jìn)行特征選擇，并構(gòu)建多種特征組合方案，成功的對區(qū)內(nèi)紅樹林進(jìn)行識別和提取；袁勝[9]利用GEE云平臺結(jié)合廣西沿海地區(qū)紅樹林實(shí)地調(diào)查數(shù)據(jù)，基于像元的隨機(jī)森林方法識別、提取研究區(qū)紅樹林，驗(yàn)證了隨機(jī)森林在紅樹林識別上的優(yōu)勢?；诖?，本研究擬采用隨機(jī)森林和支持向量機(jī)的機(jī)器學(xué)方法，開展韓江東溪入?？诩t樹林空間分布信息分類提取研究，并橫向?qū)Ρ绕浞诸惥取?/p>

1 研究區(qū)概況與數(shù)據(jù)預(yù)處理

1.1 研究區(qū)概況

研究區(qū)位于汕頭市澄海區(qū)韓江三角洲出?？?，由北港入海，東北接潮州市饒平縣，西北接潮州市，西南毗鄰汕頭市龍湖區(qū)，東與南澳縣隔海相望，地理坐標(biāo)為東經(jīng)116°50-116°53'，北緯23°26'- 23°30'。沿海潮汐為不正規(guī)半日潮，平均潮差約1m。沿海潮間帶以紅樹林為主，樹種主要為無瓣海桑、秋茄和少量桐花樹。如圖1所示。

圖1：研究區(qū)紅樹林分布圖

1.2 數(shù)據(jù)預(yù)處理

本文的遙感影像來自于美國地質(zhì)調(diào)查局（USGS）網(wǎng)站（https://glovis.usgs.gov/），云量低于5%，整體質(zhì)量較好，獲取日期為2021年2月22日（Landsat 8 OLI影像數(shù)據(jù)）性。在ENVI5.3平臺，對影像數(shù)據(jù)進(jìn)行預(yù)處理，通過輻射定標(biāo)、大氣校正和正射校正，消除大氣吸收、大氣散射和地形起伏造成的誤差，得到可用于研究的數(shù)據(jù)。如圖2所示。

圖2：研究區(qū)區(qū)位圖和Landsat8遙感影像圖

2 研究方法

2.1 隨機(jī)森林分類（RF）

隨機(jī)森林（RF）是由很多決策樹分類模型組成的組合分類模型，他的工作思路是：首先，利用bootstrap抽樣從原始訓(xùn)練集抽取k個樣本，且每個樣本的樣本容量都與原始訓(xùn)練集一樣；其次，對k個樣本分別建立k個決策樹模型，得到k種分類結(jié)果；最后，根據(jù)k種分類結(jié)果對每個記錄進(jìn)行投票表決決定其最終分類。其實(shí)質(zhì)是將樣本不斷放回并進(jìn)行多次取樣形成訓(xùn)練集，通過決策樹的組合對預(yù)測結(jié)果求平均來進(jìn)行預(yù)測，這種算法主要考慮決策樹數(shù)量以及分割結(jié)點(diǎn)的數(shù)量這2個參數(shù)。通常情況下，隨著決策樹數(shù)目的增加，分類的精度為先增加后趨于平穩(wěn)。

2.2 支持向量機(jī)分類（SVM）

支持向量機(jī)是非線性模式分類算法中最先進(jìn)的算法之一，是一種建立在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上的機(jī)器學(xué)習(xí)算法。支持向量機(jī)的基本思想是在特征空間中找到一個超平面，將不同類別的分離距離最大化，離該超平面距離最近的數(shù)據(jù)樣本為支持向量。由此構(gòu)造出分類器，可以將類與類之間的間隔最大化，因而有較好的推廣性和較高的分類準(zhǔn)確率。與其他分類算法相比，支持向量機(jī)對訓(xùn)練樣本的數(shù)量要求不高，如果樣本數(shù)量相對較少，支持向量機(jī)可以獲得更高的分類精度。

2.3 歸一化植被指數(shù)（NDVI）

歸一化植被指數(shù)（NDVI）是紅光波段和近紅外波段的數(shù)學(xué)計算，主要用于監(jiān)測植被生長狀態(tài)、植被覆蓋度，是目前是應(yīng)用最為廣泛的指數(shù)之一。本研究在ENVI5.3上利用Landsat8近紅外和紅外波段進(jìn)行計算，公式如下：

式2.3中，b5為OLI數(shù)據(jù)的近紅外波段反射率值，b4為OLI數(shù)據(jù)的紅外波段反射率值。

3 結(jié)果與分析

3.1 分類結(jié)果

此次研究，通過RF和SVM的分類方法，對韓江東溪入?？诘募t樹林空間分布信息進(jìn)行自動分類提取，分類結(jié)果中不可避免地會產(chǎn)生一些面積很小的圖斑，為提高分類精度，利用Majority/Minority分析進(jìn)行類后處理，從而得到研究區(qū)紅樹林RF和SVM自動分類提取結(jié)果，如圖3。

圖3：研究區(qū)紅樹林自動分類結(jié)果（做：RF 右：SVM）

3.2 精度評價

結(jié)合野外踏勘建立解譯標(biāo)志，利用高分辨率遙感影像進(jìn)行遙感解譯，得到紅樹林高精度分類結(jié)果圖，以此作為檢驗(yàn)樣本，通過利用秋茄和無瓣海桑的分類結(jié)果，構(gòu)建混淆矩陣。總體分類精度（OA）和Kappa（K）系數(shù)作為評價標(biāo)準(zhǔn)，其中，總體分類精度等于被正確分類的像元總和除以總像元數(shù)。具體表達(dá)式如此下：

其中，n表示總的樣本點(diǎn)數(shù)，對角線樣本為nii，ni+為某一類中地表真實(shí)像元總數(shù)，n+i被分類像元總數(shù)，k表示總的分類類別數(shù)目。

由表1可得出，利用RF分類模型對紅樹林空間分布信息的自動提取分類精度為94.5066% ，Kappa系數(shù)為0.6939，利用SVM分類模型對紅樹林空間分布信息的自動提取分類精度為92.9253% ，Kappa系數(shù)為0.6409，由此可得出，針對研究區(qū)利用RF分類模型的紅樹林空間分布的提取效果優(yōu)于SVM方法。結(jié)果顯示，兩種分類方法均對無瓣海桑有較好的提取精度，均優(yōu)于95%。針對秋茄的分類精度較低。

表1：基于RF和SVM的紅樹林分類結(jié)果精度評價

在分類中，錯分誤差和漏分誤差也是兩種比較重要的評價指標(biāo)。

由表2可知，無瓣海桑的分類誤差較低，秋茄由于光譜特征的弱特征性，易被識別為無瓣海桑及其他地物。

表2：基于RF和SVM的紅樹林分類結(jié)果誤差比較

3.3 投入NDVI評價因子分類結(jié)果評價

上述對比結(jié)果表明， 隨機(jī)森林在分類結(jié)果上優(yōu)于支持向量機(jī)。因?yàn)镹DVI對于區(qū)分植被生長狀態(tài)有著良好的優(yōu)勢，為了進(jìn)一步提高隨機(jī)森林的分類結(jié)果準(zhǔn)確性，有效增加無瓣海桑和秋茄的光譜特征分異性，利用Landsat8數(shù)據(jù)計算研究區(qū)的NDVI，并作為分類指標(biāo)因子投入到RF模型中，利用機(jī)器學(xué)習(xí)對紅樹林進(jìn)行進(jìn)一步分類，分類結(jié)果如圖4。

圖4：結(jié)合NDVI的RF自動分類結(jié)果

構(gòu)建投入NDVI評價因子分類的混淆矩陣，評價結(jié)果如表3所示。

表3：投入NDVI進(jìn)行RF分類精度評價結(jié)果

由表3可知，在分類體系中加入NDVI評價因子后，自動提取分類精度為94.6046% ，Kappa系數(shù)為0.7009。相較于直接利用RF模型進(jìn)行分類提取，分類精度提高了0.098%，Kappa系數(shù)提高了0.007。結(jié)果顯示，投入NDVI評價因子參與紅樹林空間分布信息自動提取分類，精度有所提高，雖然增幅較低，但為提高紅樹林分類精度提供了一種可行性。

4 結(jié)論

以汕頭市澄海區(qū)韓江東溪入海口紅樹林分布區(qū)為研究區(qū)，利用Landsat8遙感影像，結(jié)合紅樹林實(shí)地調(diào)查數(shù)據(jù)，分別采用隨機(jī)森林和支持向量機(jī)分類方法進(jìn)行紅樹林空間分布信息自動識別提取，并構(gòu)建混淆矩陣進(jìn)行精度驗(yàn)證及對比。研究結(jié)果表明：

（1）在光譜特征基礎(chǔ)上，利用多光譜遙感影像，基于機(jī)器學(xué)習(xí)方法對紅樹林空間分布進(jìn)行了自動分類和提取的方法是可行的。

（2）隨機(jī)森林算法對紅樹林的提取精度更高，對比支持向量機(jī)算法，隨機(jī)森林算法無論是總體分類精度還是kappa系數(shù)均高于支持向量機(jī)，分類精度為94.5066% ，Kappa系數(shù)為0.6939，分類效果也顯著。

（3）在隨機(jī)森林算法加入NDVI評價因子，可有效提高隨機(jī)森林算法的分類精度。

通過此次研究，筆者認(rèn)為可選用濕度、溫度、紋理特征等更多的評價因子，投入到分類模型中，可進(jìn)一步提高隨機(jī)森林算法的分類精度。