張佩瑩, 張方方, 李俊生, 謝婭, 張兵, 3

基于Sentinel–2影像特征優(yōu)化的于橋水庫水生植被提取

張佩瑩1, 2, 張方方2,*, 李俊生2, 3, 謝婭2,4, 張兵1, 2, 3

1. 上海海洋大學(xué)信息學(xué)院, 上海 201306 2. 中國科學(xué)院空天信息創(chuàng)新研究院數(shù)字地球重點實驗室, 北京 100094 3. 中國科學(xué)院大學(xué), 北京 100049 4. 中國地質(zhì)大學(xué), 北京, 100083

水生植被分布情況、結(jié)構(gòu)和演變趨勢對濕地生態(tài)環(huán)境變具有重要的指示意義和科學(xué)研究價值?；赟entinel-2遙感數(shù)據(jù), 綜合應(yīng)用光譜信息、水體植被指數(shù)、最佳指數(shù)法(Optimal Index Factory,)計算的紋理特征, 結(jié)合隨機森林分類法, 構(gòu)建特征優(yōu)化后的隨機森林水生植被提取模型, 對于橋水庫進行水生植被提取。結(jié)果顯示: 該方法能有效的提取出水生植被, 總體精度為93.22%, Kappa系數(shù)為0.91。進一步與最大似然和支持向量機(SVM)方法進行對比分析, 結(jié)果表明本算法的總體精度分別提高了19.96%、8.53%, Kappa系數(shù)分別提高了0.25、0.11?；谒脖蝗晏崛〗Y(jié)果, 分析了于橋水庫的水生植被年內(nèi)變化, 發(fā)現(xiàn)于橋水庫水生植被在五月份最繁盛, 隨后逐漸消減, 直至十月份基本消亡。實驗表明: 特征優(yōu)化后的隨機森林分類法在Sentinel-2影像水生植被提取中具有較好的適用性。

隨機森林; 特征優(yōu)化; 于橋水庫; 水生植被; 變化趨勢

0 前言

濕地被稱為“地球之腎”[1], 是極具生物多樣性的典型生態(tài)系統(tǒng)。作為濕地的重要構(gòu)成要素, 水生植被的分布、結(jié)構(gòu)、生物量及其演變是表征濕地環(huán)境變化和人類活動的綜合反應(yīng)[2]。近年來, 伴隨著人類活動范圍和強度的持續(xù)增加, 濕地環(huán)境遭受到了不同程度的變化, 水生植被大面積縮小。快速調(diào)查和掌握水生植被分布情況、結(jié)構(gòu)和演變趨勢, 對深刻認(rèn)識水生植被演變規(guī)律及影響具有重要的科學(xué)意義, 對指導(dǎo)濕地生態(tài)系統(tǒng)保護也具有重要的實用價值。

傳統(tǒng)的水生植被監(jiān)測方法主要以人工調(diào)查法為主, 精度雖高, 但成本高、費時費力、監(jiān)測覆蓋范圍小。衛(wèi)星遙感監(jiān)測具有速度快、周期短、范圍廣等特點, 已成為水生植被監(jiān)測的有效手段。水生植被光譜與陸地植被光譜特征相似, 所以遙感水生植被提取方法也與一般性遙感信息提取方法類似, 主要可分為: 決策樹、非監(jiān)督分類法和監(jiān)督分類法。沉水植被、浮水植被、挺水植被也具有相似的光譜特征, 三者較難區(qū)分。專門針對水生植被的精細(xì)分類研究較少。張壽選等通過比值指數(shù)()和歸一化植被指數(shù)()建立決策樹分類模型, 將太湖的水體、漂葉植被和沉水植被進行分類[3], 該決策樹方法下成功地將水生植被進行分類, 但決策樹中分類特征的閾值大多是通過與影像同步的大量實測樣點訓(xùn)練確定, 對于缺少實測樣點的影像, 難以獲取準(zhǔn)確閾值[4], 可操作性困難。Dogan等[5]利用高空間分辨率的Quickbird影像, 運用迭代自組織數(shù)據(jù)分析(isodata)的非監(jiān)督分類方法, 對安納托利亞中部莫干湖的水生植物進行了提取和制圖, 不同沉水植物分類精度為71.69%, 該方法解決了決策樹閾值不易確定, 難以獲取實測樣點的缺點, 卻發(fā)現(xiàn)即使利用較高的遙感影像, 非監(jiān)督分類方法提取的水生植被分類精度都不高。王書玉等[6]為提高遙感影像的分類精度, 運用隨機森林(RF)監(jiān)督算法對洪河濕地TM影像進行分析, 總體分類精度為88%, 但TM影像分辨率較低也影響了分類精度。

于橋水庫是天津飲用水的唯一來源, 為保護天津市水源地和水生態(tài)安全, 構(gòu)建完整的水生植物群落和保護生物多樣性, 動態(tài)監(jiān)測水庫水生植被分布及其變化趨勢就顯得尤為重要。本研究以于橋水庫為研究區(qū), 利用較高空間分辨率的Sentinel-2遙感數(shù)據(jù), 選取遙感影像的光譜特征、水體植被指數(shù)、紋理特征, 構(gòu)建基于特征優(yōu)選的隨機森林方法提取于橋水庫水生植被。根據(jù)2020年3月到10月于橋水庫水生植被分布狀況, 了解水生植被生長變化趨勢, 為于橋水庫水環(huán)境治理提供數(shù)據(jù)支撐。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

于橋水庫位于天津市薊州區(qū)(39°56′—40°23′N, 117°26′—118°12′E), 坐落在州河出山口處, 屬薊運河流域州河段, 控制流域面積2060 km2, 總庫容15.59億m3, 是國家重點中型水庫之一。該水庫屬富營養(yǎng)型[7]水體, 夏季處于營養(yǎng)化初級階段, 秋季為藍(lán)藻水華頻發(fā)期, 冬季稍好。

1.2 數(shù)據(jù)及預(yù)處理

“Sentinel”系列衛(wèi)星是歐洲哥白尼(Copernicus)計劃空間部分(GSC)的專用衛(wèi)星系列, 由歐洲航天局(ESA)研制。Sentinel-2A/B衛(wèi)星是歐空局哥白尼計劃中發(fā)射的第2組衛(wèi)星, 其搭載的多光譜成像儀(MSI)載荷延續(xù)并擴展了Landsat系列衛(wèi)星和SPOT系列衛(wèi)星的對地觀測任務(wù)[8]。Sentinel-2衛(wèi)星攜帶多光譜成像儀(MSI), 高度為786 km, 可覆蓋13個光譜波段, 幅寬達(dá)290 km。一顆衛(wèi)星的重訪周期為10天, 兩顆衛(wèi)星互補, 綜合重訪周期為5天。與TM、ETM+等影像相比, Sentinel-2系列衛(wèi)星的高空間分辨率更適用于水生植被遙感分類的需求[9]。

本文所用影像為歐洲航空局官網(wǎng)(https://scihub. copernicus.eu/dhus/)下載, 結(jié)合于橋水生植被生長變化情況, 選取研究區(qū)2020年Sentinel-2 MSI沒有壞行、缺帶、斑點噪聲和耀斑且云量少的8景覆蓋于橋水庫的影像, 時間從3月到10月記錄了水生植被生長消亡全過程。以2020年5月19號的影像做提取效果分析, 結(jié)合8景影像水生植被提取結(jié)果做變化分析。數(shù)據(jù)列表如表2所示。數(shù)據(jù)已經(jīng)過正射校正和幾何精校正, Sentinel-2A/B L2A影像已經(jīng)進行過大氣校正, 采用SNAP軟件對影像重采樣為10米分辨率, 并對影像進行裁剪, 完成預(yù)處理過程。

圖1 研究區(qū)地理位置圖

Figure 1 Geographical map of the study area

表1 Sentinel-2A/B衛(wèi)星數(shù)據(jù)主要參數(shù)

表2 Sentinel-2數(shù)據(jù)列表

2 研究方法

參考已有水生植被分類體系[10]并結(jié)合于橋水庫水生植被信息特征, 建立于橋水庫水生植被分類體系, 包含水體、灘地、水生植被包含挺水植物、浮水植物、沉水植物。選取影像光譜特征、水體植被指數(shù)、紋理特征相結(jié)合的特征優(yōu)化隨機森林方法對研究區(qū)進行分類。采用最大似然和支持向量機(SVM)兩種方法與特征優(yōu)化的隨機森林方法進行分類精度對比。分類流程圖如圖2所示。

圖2 分類流程圖

Figure 2 Classification flow chart

2.1 特征選取

基于水生植被光譜空間差異與物候特征的異同, 結(jié)合光譜特征、水體植被指數(shù)和紋理特征, 創(chuàng)建隨機森林的特征變量。

2.1.1 光譜特征分析

在水體遙感監(jiān)測研究方面, Sentinel-2影像10米的可見光到近紅外波段及20 米的紅邊和短波紅外波段是進行內(nèi)陸水體遙感研究的有效數(shù)據(jù)源之一[11]。通常利用中紅外波段、綠光波段和近紅外波段的光譜特征來區(qū)別沉水植被、挺水植被和浮水植被[12]。本文光譜特征選取參考研究[13-14], 藍(lán)、近紅、綠和紅四個波段在特征重要性選擇中占據(jù)最高, 并且多光譜遙感分類與影像空間分辨率有著密切的關(guān)系, 在適宜空間分辨率影像上進行分類能夠獲得更高的精度。高空間分辨率能有效地提高遙感識別地物的能力, 這四個波段的分辨率均為10米, 對影像的光譜分析更有優(yōu)勢。灘地的光譜較其他地物差異性大, 提取難度也較小, 故抽取影像中水生植被和水體的一條光譜作為代表反射率光譜, 得到 4 種地物的代表反射率光譜如圖3所示。浮水植被和挺水植被在紅邊波段的反射率明顯高于水體和沉水植被, 光譜差異明顯, 尤其是第七波段(紅邊3)。已有研究表明[15], 水體與沉水植被在近紅外波段附近對光強烈吸收時, 浮葉類植被光譜出現(xiàn)明顯反射峰, 在“紅邊”波段783 nm處, 光譜差異最顯著。沉水植被與水體的差異性需構(gòu)建指數(shù)來進一步區(qū)分。結(jié)合以上分析, 本文選取藍(lán)、綠、紅、近紅和紅邊3波段作為光譜特征選擇。

2.1.2 指數(shù)特征提取

(1)歸一化植被指數(shù)()廣泛應(yīng)用于植被研究以及植物物候研究,它是植物生長狀態(tài)以及植被空間分布密度的最佳指標(biāo),與植被分布密度呈線性關(guān)系[16], 是反映植被長勢、覆蓋度及生物量的重要參數(shù)[17]。

圖3 浮水植被、沉水植被和水體的代表反射率光譜

Figure 3 Representative reflectance spectra of floating vegetation, submerged vegetation and water

(2)水體反射率在可見光到近紅外波段反射率較低, 而植被在近紅外波段反射率很高, 用綠光波段和近紅外波段反射率反差組歸一化水體指數(shù)()進行水體提取, 該水體指數(shù)可以很好地抑制植被[18], 加入該指數(shù)可以更好地區(qū)分沉水植被和水體。

(3)Villa[19]等提出的歸一化差異水生植被指數(shù)()可以提高新生和漂浮水生植被的遙感監(jiān)測能力, 且可以降低背景噪聲對水生植被提取的影響。

(4)沉水植被與水體由于光譜特征相似, 在水生植被提取中容易混淆。放大圖3中的沉水植被和水體的反射率光譜如圖4所示。圖4光譜特征中顯示沉水植被和水體在500—700 nm和700—900 nm這２個波段范圍有明顯差異, 在綠光波段和紅光波段處有較強的吸收,形成兩個吸收谷,選擇Sentinel-2波段的705 nm“紅邊”波段與560 nm綠光波段進行波段組合, 采用歸一化指數(shù)的計算方式進行圖像變換, 利用沉水植被指數(shù)()來增強沉水植被類群與水體的光譜特征差異[10]。

選取常用的水體植被指數(shù)及沉水指數(shù)加入特征優(yōu)選, 指數(shù)公式如表2所示。

2.1.3 紋理特征提取

紋理是指圖像在一定范圍內(nèi)的小的、半周期的或有規(guī)律排列的形狀模式, 反映圖像的灰度分布模式和空間結(jié)構(gòu)信息[22]。紋理特征能反映豐富的地物信息, 在中高分辨率影像分類中已被證實能提高影像分類的精度?；叶裙采仃嚰y理是一種高效的紋理特征提取方法, 在遙感圖像分類和植被信息提取中發(fā)揮著積極的作用。為了減少圖像信息冗余, 降低數(shù)據(jù)的維數(shù), 采用最優(yōu)指數(shù)因子()來建立最優(yōu)紋理特征波段組合。波段的獨立性與各波段之間的相關(guān)系數(shù)成反比, 相關(guān)系數(shù)越低, 信息冗余越小, 獨立性越高, 圖像數(shù)據(jù)的標(biāo)準(zhǔn)差越大, 波段信息量越大[23]。其計算的數(shù)學(xué)公式如下:

圖4 沉水植被與水體的代表反射率光譜

Figure 4 Representative reflectance spectra of submerged vegetation and water

表3 常用水生植被遙感監(jiān)測指數(shù)

本文使用基于灰度共生矩陣的方法提取影像的紋理特征。首先對原始影像進行主成分分析, 選取第1主成分進行紋理特征提取。設(shè)置滑動窗口大小為3*3, 步長為1, 灰度量化級別64, 利用灰度共生矩陣提取了個第1主成分的均值(Mean)、方差(Variance)、協(xié)同性(Homogeneity)、對比度(Contrast)、相異性(Dissimilarity)、信息熵(Entropy)、二階矩(Second Moment)和相關(guān)性(Correlation)共8個參數(shù), 共得到8個紋理特征, 對于獲得的第1主成分下的8個紋理特征影像存為TIFF格式。在MATLAB (R2018b)軟件平臺下對該紋理影像計算值, 通過選取的最大值來獲得紋理特征的四個組合, 最終獲得均值、方差、對比度和相關(guān)性這四個紋理特征作為特征變量。

2.2 隨機森林分類算法

隨機森林由美國科學(xué)家Leo Breiman等人于2001年提出[24], 是一種集成學(xué)習(xí)算法, 具有對多元共線性不敏感, 無需對數(shù)據(jù)進行歸一化處理, 結(jié)果對缺失和非平衡的數(shù)據(jù)有較好的容忍度[25]等優(yōu)點。它由多棵決策樹組成, 用多顆決策樹聯(lián)合預(yù)測提高模型的精度, 這些決策樹用對訓(xùn)練樣本集隨機抽樣構(gòu)造出的樣本集訓(xùn)練得到。由于訓(xùn)練樣本集由隨機抽樣構(gòu)造, 由此成為隨機森林。隨機森林不僅對訓(xùn)練樣本進行抽樣, 還對特征向量的分量隨機抽樣, 在訓(xùn)練決策樹時, 每次尋找最佳分裂時只使用一部分抽樣的特征分量作為候選特征進行分裂。

經(jīng)上述分析, 將光譜特征、水體植被指數(shù)、紋理特征總共13個作為隨機森林的特征變量總數(shù)(M)。隨機森林實現(xiàn)的基本步驟為: ①用Bootstrap抽樣方法從樣本訓(xùn)練集中抽取個樣本, 剩余大約1/3樣本稱為包外(Out Of Bag,OOB)數(shù)據(jù); ②從當(dāng)前的樣本數(shù)據(jù)集的特征集合中隨機選擇個特征組成新的特征集合。訓(xùn)練決策樹的每個節(jié)點時只使用隨機抽取的部分特征分量。③基尼系數(shù)()是一種不等性度量, 使用基尼系數(shù))作為不純度量來度量對某類屬性測試輸出的兩組取值的差異性, 理想的劃分應(yīng)該盡量使兩組中樣本輸出變量取值的差異性綜合達(dá)到最小, 即“純度”最大。分別計算隨機特征集合中所有屬性關(guān)于該樣本數(shù)據(jù)集的基尼系數(shù), 并根據(jù)基尼系數(shù)確定最優(yōu)特征切分點, 然后依據(jù)最優(yōu)特征切分點將個樣本分配到子節(jié)點所對應(yīng)的樣本子集中; ④分別對兩個子結(jié)點遞歸地調(diào)用步驟②③, 直至滿足算法停止條件。算法停止條件為節(jié)點中樣本個數(shù)或樣本集基尼系數(shù)小于給定閾值, 或者沒有更多特征可以分裂。如果子節(jié)點的基尼系數(shù)是小于父節(jié)點, 那么就會被分裂。當(dāng)基尼系數(shù)為0時, 樹的分裂就會終止, 這就意味一類被分了出來; 本文設(shè)定隨機森林模型參數(shù)為100,等于的平方根為4, 閾值是節(jié)點中樣本個數(shù)為1或樣本集基尼指數(shù)為0。

3 影像分類結(jié)果與精度評價

3.1 于橋水庫分類結(jié)果

運行特征優(yōu)化后的隨機森林模型, 經(jīng)分類后處理得到研究區(qū)水生植被提取結(jié)果。

從結(jié)果顯示在基于特征優(yōu)化下的隨機森林提取方法能夠?qū)⑺脖环蛛x出來, 并且效果較好。在2020年5月, 于橋水庫出現(xiàn)大面積的沉水植被, 空間分布范圍主要在東岸及水庫中央位置, 并與水體交錯分布。部分挺水植被分布于水庫的北岸和東岸, 形狀較規(guī)整。浮水植被僅在水庫的北岸和東岸形成小面積斑塊。即使在水生植被生物量最高的5月, 浮葉植被的面積也較小, 零星分布在研究區(qū)邊緣。由于在水深較大、流速較快的水道中植被不易生長, 于橋水庫西岸的水生植被群落較少, 生物量較低。

圖5 假彩色衛(wèi)星圖和水生植被提取結(jié)果圖

Figure 5 False color satellite image and aquatic vegetation extraction results

3.2 精度評價與分析

為比較模型的優(yōu)劣, 對得到的水生植被分類結(jié)果進行精度評估。根據(jù)分類體系隨機選取測試樣本, 根據(jù)各分類類別占總研究區(qū)域的百分比隨機生成500個樣本點, 由于浮水植被及灘地所占比例較少, 適當(dāng)增加具有代表性且分布廣泛的樣本進行訓(xùn)練, 并使得選取的測試樣本盡量均勻地分布在研究區(qū)。通過人工目視解譯和往年實地考察經(jīng)驗剔除錯誤測試樣本保證測試樣本的正確性。本文共選取了516個測試樣本, 其中包括173個水體樣本、171個沉水植被樣本、83個挺水植被樣本、53個浮水植被樣本、36個灘地樣本。通過計算分類后類別和真實類別之間的混淆矩陣包括單一類別精度、總體精度、制圖精度、用戶精度以及Kappa系數(shù), 這一系列指標(biāo)來評估分類結(jié)果, 結(jié)果如表3所示。

基于特征優(yōu)選隨機森林分類結(jié)果中, 水體、挺水植被和沉水植被的用戶精度均在90%左右, 水體、挺水植被和沉水植被的生產(chǎn)者精度也均在90%以上, 浮水植被的用戶精度和制圖精度均為86.79%。總體上各分類的用戶精度和生產(chǎn)者精度都表現(xiàn)良好。沉水植被與水體由于光譜特征相似, 在水生植被提取中容易混淆。盡管圖4放大了兩者的差別, 但從實際光譜反射值看, 兩者差別甚微。從分類結(jié)果精度評價(表4)看, 誤分仍然較多, 主要是因為沉水植被完全沉入水中, 在水下不易探測, 其光譜受水體影響, 是植物葉片與水體混合的光譜, 與水體光譜相似, 從而使得分類時沉水植被易與水體混淆。水體漏分現(xiàn)象較少, 制圖精度高。挺水植被生長區(qū)域一般靠近岸邊, 和灘地交錯, 易受混合像元影響, 從而導(dǎo)致挺水植被與灘地之間出現(xiàn)錯分。浮水植被和挺水植被都在水面外, 都具有典型的植被光譜特征導(dǎo)致兩者錯分。

3.3 結(jié)果精度對比分析

為了進一步驗證特征優(yōu)化后隨機森林的水生植被信息提取的效果及精度, 使用最大似然法和支持向量機(SVM)的方法對影像進行分類。運用ENVI進行最大似然法分類, 訓(xùn)練樣本與特征優(yōu)化后的隨機森林方法相同。支持向量機選擇徑向基核函數(shù)(RBF)用作SVM分類器中的內(nèi)核函數(shù), 調(diào)整懲罰系數(shù)值和核函數(shù)參數(shù)值,實現(xiàn)對濕地水生植被信息提取。

分3種方法得到各水生植被類型的生產(chǎn)者精度和用戶精度如表4所示。從表4中可以看出, 與基于最大似然和支持向量機方法分類結(jié)果相比, 基于特征優(yōu)選的隨機森林方法分類結(jié)果中, 挺水植被、沉水植被、水體的用戶精度和制圖精度均有所提高。尤其是沉水植被的制圖精度相比其余兩種分類方法有了顯著提高。由于特征變量優(yōu)選, 使得隨機森林提取時充分利用遙感影像信息, 結(jié)合了光譜特征、指數(shù)特征和紋理特征多方面進行分析。另一方面隨機性的引入, 使得隨機森林不容易陷入過擬合且具有很好的抗噪聲能力, 提高了提取精度。挺水植被與浮葉植被之間混合像元光譜相似, 存在一定的錯分現(xiàn)象?；谔卣鲀?yōu)選的隨機森林方法在Sentinel-2影像于橋水庫分類中具有較高的分類精度, 總體分類精度達(dá)到90%以上; 基于特征優(yōu)選的隨機森林方法能有效地區(qū)分沉水植被和浮水植被, 與最大似然的方法相比, 總體分類精度提高了19.96%, Kappa系數(shù)提高了0.25。與支持向量機方法相比, 總體分類精度提高了8.53%, Kappa系數(shù)提高了0.11。在Sentinel-2影像水生植被分類中具有較好的適用性。

表4 特征優(yōu)化隨機森林混淆矩陣精度評價結(jié)果

3.4 變化分析

基于特征優(yōu)化的隨機森林提取2020年3月到10月的于橋水庫水生植被(圖6), 以此檢驗提取方法的普適性以及2020年于橋水庫水生植被變化情況, 其中9月份在Sentinel-2的重返周期中, 由于天氣原因?qū)е聼o法獲取該時間段良好的影像數(shù)據(jù), 但不影響總體水生植被年內(nèi)變化趨勢。通過對比圖中不同日期的提取結(jié)果發(fā)現(xiàn): 沉水植被的生長趨勢是4月份開始生長, 在5月份時生長面積達(dá)到最大, 7月初基本消亡, 和于橋水庫的實際情況相吻合, 符合多年生沉水草本植物菹草的物候生長信息和變化趨勢。挺水漂葉植被在3月開始生長, 4月底的時候面積達(dá)到最大, 分布最廣。于橋水庫的水生植被在5月份最為繁盛, 隨后逐漸消減, 10月份時水生植被基本消亡。

表5 3種分類方法精度評價

圖6 2020年水生植被提取結(jié)果圖

Figure 6 Aquatic vegetation extraction result map in 2020

4 討論

于橋水庫面積分布最廣的水生植被是沉水植被, 其根莖生于泥里, 整個植株沉在水中, 由于受到冠層水深和蓋度的影響, 光譜反射率也會發(fā)生變化, 從而導(dǎo)致沉水植被的光學(xué)特性發(fā)生變化[12], 造成提取沉水植被時被錯分為水體的現(xiàn)象。浮水與挺水植被的大部分葉片均位于水面之上, 光譜反射率受水體環(huán)境影響較小, 具有典型的植被光譜特征, 不易造成與水體錯分。于橋水庫水生植物的自然分布與水的深度、透明度及水底基質(zhì)狀況密切相關(guān)[26]。水庫東部水較淺、透明度大且水底多腐殖質(zhì)淤泥, 使得水生植物群落組成種類豐富。而在水深較大且水流速度快的水庫西部, 鮮有水生植被。于橋水庫從沿岸淺水向中心深處呈現(xiàn)有規(guī)律的擴散分布, 依次為挺水植被、浮水植被及沉水植被。這主要和水生植被的生長環(huán)境有關(guān), 結(jié)合水生植被水底深度分布[27]和于橋水庫實際水深, 沉水植被主要生長在水深 2 米左右到水面之間的范圍內(nèi), 浮水植被生長環(huán)境則較淺且在葉片水面上, 挺水植被生長在水深1 米左右。水庫中心深處和西部水深較大, 東部水深較小, 符合水生植被分布情況。本文中提取的于橋水庫水生植被分布情況與其他研究結(jié)果[10]相一致。因此, 于橋水庫水生植被提取分布特征從理論上也得到了證實。

于橋水庫2020年水生植被變化有如下趨勢: 從４月份開始水生植被(主要是沉水植被)面積快速增長, 至5月中旬生長最為繁盛, 水生植被生物量最高, 隨后迅速衰退, 6月后沉水植被大部分消亡, 直至10月, 水生植被基本消失。水生植被從生長到消亡的全過程基本都在于橋水庫的東部, 生物量較大的月份也會出現(xiàn)在水庫中央。水生植被生物量呈現(xiàn)空間、時間分布差異大的趨勢。菹草是于橋水庫分布最為廣泛的沉水植被, 菹草秋季發(fā)芽, 冬春生長, 4—5月開花結(jié)果, 夏季6月后逐漸衰退腐爛, 與提取沉水植被的變化趨勢基本一致。

水生植被分布及季節(jié)性變化對天津市于橋水庫濕地生態(tài)系統(tǒng)的保護與治理提供了參考。沉水植被和挺水植被主要處于漁業(yè)養(yǎng)殖區(qū)和護堤附近, 大量人工構(gòu)建的漁具, 漁網(wǎng), 水箱, 破壞了水庫水面的完整性, 導(dǎo)致沉水植被菹草在漁業(yè)養(yǎng)殖區(qū)大量爆發(fā), 短時間內(nèi)水質(zhì)惡化給水產(chǎn)養(yǎng)殖業(yè)帶來重大損失[28], 通過合理規(guī)劃及控制漁業(yè)養(yǎng)殖區(qū)范圍可以有效調(diào)節(jié)水生植被分布從而改善于橋水庫水質(zhì)。進一步可利用水生植被生長條件和變化分布, 對淹沒水位進行模擬分析, 通過比較模擬成像中的水體面積變化, 科學(xué)選擇淹沒水位, 在此基礎(chǔ)上, 對水陸格局進行控制, 選擇工程合理范圍, 在合理工程范圍內(nèi)進行水陸格局的調(diào)整。水生植被的變化分布還可了解到不同季節(jié)的水位高程。在不同高程下對植物種群進行系統(tǒng)規(guī)劃, 通過對植物種群的篩選, 合理進行分區(qū)規(guī)劃, 真正達(dá)到植物對水體的凈化作用, 同時保持植物種群的可持續(xù)性。

5 結(jié)論

本文結(jié)合光譜特征、水體植被指數(shù)和紋理特征, 構(gòu)建于橋水庫特征優(yōu)化的隨機森林分類方法, 結(jié)果顯示有較好的分類效果。進一步與最大似然和支持向量機方法進行精度比較, 本文方法在總體精度分別提高了19.96%、8.53%, Kappa系數(shù)分別提高了0.25、0.11, 分類精度都有明顯的提高。對于橋水庫水生植被分布及變化趨勢分析討論, 在本研究中, 于橋水庫水生植被生物量呈現(xiàn)空間、時間分布差異大的趨勢。

由于沉水植被生長環(huán)境的特殊性, 與水體在分類時易混淆。水生植被中挺水植被與浮葉的光譜信息相似易造成分類的不精確。在接下來的進一步研究中, 可結(jié)合更高分辨率影像的優(yōu)勢, 以進一步提高水生植被分類的精度。

[1] 呂銘志, 盛連喜, 張立. 中國典型濕地生態(tài)系統(tǒng)碳匯功能比較[J]. 濕地科學(xué), 2013, 11(1): 114–120.

[2] 胡振鵬, 林玉茹. 鄱陽湖水生植被30年演變及其驅(qū)動因素分析[J]. 長江流域資源與環(huán)境, 2019, 28(8): 1947– 1955.

[3] 張壽選, 段洪濤, 谷孝鴻. 基于水體透明度反演的太湖水生植被遙感信息提取[J]. 湖泊科學(xué), 2008, 20(2): 184– 190.

[4] 謝婭, 李俊生, 李景宜, 等. 湖庫水生植被光學(xué)遙感監(jiān)測研究進展和展望[J]. 環(huán)境監(jiān)控與預(yù)警, 2019, 11(5): 52– 58.

[5] DOGAN O K, AKYUREK Z, BEKLIOGLU M. Identification and mapping of submerged plants in a shallow lake using quickbird satellite data[J]. Journal of environmental management, 2009, 90(7): 21–38.

[6] 王書玉, 張羽威, 于振華. 基于隨機森林的洪河濕地遙感影像分類研究[J]. 測繪與空間地理信息, 2014, 37(4): 83–5+93.

[7] 卞少偉, 陳晨, 王秋蓮, 等. 于橋水庫水質(zhì)富營養(yǎng)化評價及防治對策研究[J]. 中國環(huán)境管理干部學(xué)院學(xué)報, 2016, 26(6): 47–50.

[8] 田穎, 陳卓奇, 惠鳳鳴, 等. 歐空局哨兵衛(wèi)星Sentinel- 2A/B數(shù)據(jù)特征及應(yīng)用前景分析[J]. 北京師范大學(xué)學(xué)報(自然科學(xué)版), 2019, 55(1): 57–65.

[9] 魏夢凡. 基于Sentinel-2A衛(wèi)星遙感影像的開封市冬小麥種植面積提取技術(shù)研究[D]. 開封: 河南大學(xué), 2019.

[10] 汪政輝, 辛存林, 孫喆, 等. Sentinel-2數(shù)據(jù)的小型湖泊水生植被類群自動提取方法——以翠屏湖為例[J]. 遙感信息, 2019, 34(5): 132–141.

[11] 楊閆君, 田慶久, 占玉林, 等. 空間分辨率與紋理特征對多光譜遙感分類的影響[J]. 地球信息科學(xué)學(xué)報, 2018, 20(1): 99–107.

[12] 鄒維娜, 袁琳, 張利權(quán), 等. 蓋度與冠層水深對沉水植物水盾草光譜特性的影響[J]. 生態(tài)學(xué)報, 2012, 32(3): 706– 714.

[13] 袁琳, 張利權(quán). 大型沉水植物苦草的光譜特征識別[J]. 生態(tài)學(xué)報, 2006(4): 1005–1011.

[14] 何云, 黃翀, 李賀, 等. 基于Sentinel-2A影像特征優(yōu)選的隨機森林土地覆蓋分類[J]. 資源科學(xué), 2019, 41(5): 992–1001.

[15] LUO J, DUAN H, MA R, et al. Mapping species of submerged aquatic vegetation with multi-seasonal satellite images and considering life history information[J]. International Journal of Applied Earth Observations & Geoinformation, 2017, 57: 154–165.

[16] 王君, 楊曉梅, 隋立春, 等. 西安市1995—2016年植被覆蓋度動態(tài)變化監(jiān)測及景觀格局分析[J]. 生態(tài)科學(xué), 2019, 38(6): 81–91.

[17] 吳強, 王心源, 駱磊. 基于遙感生態(tài)指數(shù)的黃山世界遺產(chǎn)地生態(tài)環(huán)境評價[J]. 水土保持通報, 2020, 40(3): 142–146.

[18] 童李霞, 燕琴, 駱成鳳, 等. 基于NDWI分割與面向?qū)ο蟮乃w信息提取[J]. 地理空間信息, 2017, 15(5): 57– 59.

[19] VILLA P, MOUSIVAND A, BRESCIANI M. Aquatic vegetation indices assessment through radiative transfer modeling and linear mixture simulation. International Journal of Applied Earth Observation & Geoinformation 2014, 30(1): 113–127.

[20] ROUSE J W J, HAAS R H, SCHELL J A, et al. Monitoring vegetation systems in the great plains with erts[J]. Nasa Special Publication, 1974, 351: 309.

[21] MCFEETERS S K . The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features[J]. International Journal of Remote Sensing, 1996, 17(7): 1425–1432.

[22] 苗曉虎. 輔助紋理特征的分類方法和精度比較[D]. 太原: 太原理工大學(xué), 2013.

[23] 杜政, 方耀. 結(jié)合隨機森林的高分一號分類最優(yōu)組合研究[J]. 地理空間信息, 2017, 15(2): 15–18.

[24] BREIMAN L. Random Forests[J]. Machine Learning, 2001, 45(1): 5–32.

[25] 朱青, 國佳欣, 郭熙, 等. 基于隨機森林算法的土壤侵蝕影響因子研究——以贛江上游流域為例[J]. 水土保持通報, 2020, 40(2): 59–68.

[26] 趙秀俠, 盧文軒, 李靜, 等. 安徽城東湖浮游植物群落結(jié)構(gòu)與水質(zhì)評價[J]. 生態(tài)科學(xué), 2020, 39(5): 187–196.

[27] LI Fangfang , XIAO Benlin . Aquatic vegetation mapping based on remote sensing imagery: An application to HonghuLake[C]//International Conference on Remote Sensing, Environment and Transportation Engineering. 2011: 4832–4836.

[28] 曹毅, 王輝. 基于NDVI指數(shù)的駱馬湖水生植被分級研究[J]. 環(huán)境監(jiān)測管理與技術(shù), 2014, 26(2): 30–32.

Aquatic vegetation extraction of Yuqiao Reservoir Based on Sentinel – 2 image feature optimization

ZHANG Peiying1,2, ZHANG Fangfang2,*, LI Junsheng2,3, XIE Ya2,4, ZHANG Bing1,2,3

1. College of Information Technology, Shanghai Ocean University, Shanghai 201306, China 2. Key Laboratory of Digital Earth Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China 3. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China 4. China University of Geosciences, Beijing 100083, China

The distribution, structure and evolution trend of aquatic vegetation have important directive significance and scientific research value for wetland ecological environment change.Based on Sentinel-2 remote sensing data, combined with spectral information, water and vegetation index, and texture features calculated by the Optimal Index Factory () method, using random forest classification method, it constructs a feature-optimized random forest aquatic vegetation extraction model and extracts aquatic vegetation from the Yuqiao Reservoir. The results show that the method can effectively extract aquatic vegetation, the overall accuracy is 93.22%, and kappa coefficient is 0.91. Compared with the maximum likelihood and support vector machine (SVM) methods, the results show that the overall accuracy of the algorithm is improved by 19.96% and 8.53% respectively, and the kappa coefficient is improved by 0.25 and 0.11 respectively. Based on the annual extraction results of aquatic vegetation, the annual variation of aquatic vegetation in Yuqiao reservoir is analyzed. It is found that the aquatic vegetation in Yuqiao reservoir is the most prosperous in May, and then gradually decreases until October. The experimental results show that the random forest classification method after feature optimization has good applicability in the extraction of aquatic vegetation based on Sentinel-2 images.

random forest; feature optimization; Yuqiao Reservoir; aquatic vegetation;changing trend

張佩瑩, 張方方, 李俊生, 等. 基于Sentinel-2影像特征優(yōu)化的于橋水庫水生植被提取[J]. 生態(tài)科學(xué), 2023, 42(1): 40–48.

ZHANG Peiying, ZHANG Fangfang, LI Junsheng, et al. Aquatic vegetation extraction of Yuqiao Reservoir Based on Sentinel – 2 image feature optimization[J]. Ecological Science, 2023, 42(1): 40–48.

10.14108/j.cnki.1008-8873.2023.01.005

X87; TP751

A

1008-8873(2023)01-040-09

2020-11-28;

2021-01-16

國家重點研發(fā)計劃項目(2021YFB3901202)；河南省科學(xué)院重大科研聚焦項目(210101007); 國家自然科學(xué)基金(41701402)

張佩瑩(1995—) , 女, 碩士研究生, 主要從事水環(huán)境遙感研究, E-mail:1578811512@qq.com

張方方, 男, 副研究員, 主要從事水環(huán)境遙感研究, E-mail: zhangff07@radi.ac.cn