基于决策树方法的Landsat8 OLI影像红树林信息自动提取

张雪红

(南京信息工程大学地理与遥感学院,南京　210044)

基于决策树方法的Landsat8OLI影像红树林信息自动提取

张雪红

(南京信息工程大学地理与遥感学院,南京210044)

摘要：基于广西山口国家红树林生态自然保护区的Landsat 8 OLI 影像数据,选用广泛应用于植被液态水含量反演的归一化差值湿度指数(normalized difference moisture index,NDMI)和修正的归一化差值池塘指数(modified normalized difference pond index, MNDPI)作为分类特征，运用决策树方法进行红树林信息的自动提取。研究结果表明: 红树林独特的滨海湿地生境特点,使其光谱同时包含植被和湿地信息； MNDPI和NDMI可分别反映可见光-近红外波段反射率同短波红外波段反射光谱的反差，可成功应用于湿地植被信息的提取，能有效地将红树林同其他地物相区分； 采用Landsat8 OLI遥感数据，并结合NDMI和MNDPI分类特征构建的决策树模型可有效地提取红树林信息，其错分率和漏分率都较低，分别为5.34%和1.69%。

关键词：红树林; NDMI; MNDPI; OLI; 决策树

0引言

红树林是生长在热带、亚热带沿海潮间带滩涂上特有的木本植物群落,属常绿阔叶林,主要分布于淤泥深厚的海湾或河口盐渍土壤上。红树林具有促淤固滩、防浪护堤、保持生物多样性和净化环境污染等作用[1-2]。然而由于红树林生存于海洋与陆地交错的生态脆弱带，长期受到沿海不合理开发活动和气候变化的双重威胁，过去的20a间全世界红树林的分布面积下降了36%[3]。为了加强红树林资源的管理和监督，需要借助于遥感技术快速全面地获得和掌握红树林时空分布信息。

红树林的遥感识别与提取方法主要有监督分类[4-5]、非监督分类[6-7]、专家分类[8-9]、波段比值组合或植被指数法[4-5,7,10-11]、3S综合法[12-13]等。在分类特征方面，通常采用基于原始反射特征以及归一化植被指数(normalizeddifferencevegetationindex,NDVI)[4]，(TM5-TM7)/(TM5+TM7)[10]，TM3/TM5[11]，TM5/TM4[11]和温湿度指数[14]等指数或波段组合来区分红树林与非红树林。部分研究还结合了潮位、高程、海岸线等辅助地学数据，以提高红树林的识别精度[15-17]。所采用的遥感影像数据根据研究目标可分为两大类： 宏观动态监测类主要采用LandsatMSS[18]，LandsatTM(ETM+)[10-12, 18-19]，SPOT[12,20-22]，ASTER[23]和HJ/CCD[24]等数据； 另一类则从微观尺度侧重研究红树林的生态群落分布及演变规律，多采用航空影像(如CASI影像[11]、Hypmap影像[25])、IKONOS[26-28]及QuickBird[26,29]等高空间分辨率或高光谱影像数据。为了延续Landsat近40a的对地观测，2013年2月12日，美国成功发射了Landsat8陆地卫星，其搭载了OLI(operationallandimager)和TIRS(thermalinfraredsensor)2个有效载荷[30]。但是，到目前为止未见利用Landsat8OLI遥感数据来监测红树林的相关文献。

归一化差值湿度指数(normalizeddifferencemoistureindex,NDMI)[31]、归一化差值水体指数(Normalizeddifferencewaterindex,NDWI)[32]能有效反映地物在近红外和短波红外波段反射光谱之间的反差，因此常用来反演植被中的液态水含量[31-35]。同样，能够有效描述可见光与短波红外波段反射光谱之间反差的归一化差值池塘指数(normalizeddifferencepondindex,NDPI)[36]常用来提取水体信息。由于红树林处于独特的滨海湿地环境，使其光谱特征同时含有植被特征和湿地背景信息。为此，拟以广西壮族自治区北海市山口国家红树林生态自然保护区为研究区，基于Landsat8OLI影像数据，尝试结合NDMI和NDPI等光谱指数，运用决策树方法来提取红树林，并以此来评价Landsat8OLI遥感数据对红树林的监测能力和验证NDMI和NDPI等光谱指数在红树林遥感识别中的有效性。

1研究区概况及数据源

1.1研究区概况

研究区位于广西壮族自治区的北海市合浦县东部的沙田半岛。该半岛东西两侧为山口国家红树林生态自然保护区。研究区所处的地理坐标为E109°42′03″～109°45′36″，N21°29′00″～21°33′25″，东西长约6km，南北长约8km。研究区内红树植物主要有木榄(Bruguieragymnorrhiza)、红海榄(Rhizophorastylosa)、桐花树(Aegicerascorniculatum)、白骨壤(Avicenniamarina)、海漆(Exoecariaagallocha)和秋茄(Kandeliacandel)等种类，其中连片的红海榄纯林在我国极为罕见。研究区属于南亚热带季风型海洋性气候带, 年平均气温22.9℃, 年平均降水量1 573.4mm[37]。区内的地物类型主要包括桉树人工林、陆生天然林、红树林、人工设施、光滩、滩涂以及水体等。

1.2数据源

研究所采用的数据包括Landsat8OLI影像、2013年10月22日和12月6日GoogleEarth高空间分辨率影像、地面控制点地理坐标数据、红树林样点的野外调查数据等。Landsat8卫星包含OLI和TIRS这2个遥感器，OLI遥感器性能参数详见表1。Landsat8OLI影像成像时间为2014年1月14日，轨道号为P124/R45，成像时的潮位为185cm(潮高基准面在平均海平面下255cm)。2013年10月对该研究区进行了野外调查，用GPS记录了各样点的地理位置，样点数据总共25个，其中地面控制点9个、红树林7个(注： 红树林样点主要选取了保护区内英罗保护站的红树林)、桉树6个及木薯3个，其空间分布详见图1。

表1　Landsat8 OLI 波段设置及空间分辨率

图1野外调查样点分布

(全景图为OLI标准假彩色图像，局部放大图为2009年

10月16日GeoEye-1标准假彩色图像)

Fig.1Distributionoffieldsurveysites

2处理方法

2.1数据预处理

数据预处理包括对Landsat8OLI影像的辐射校正和几何纠正，通过ENVI4.8软件实现。其中辐射校正包括辐射定标和地表反射率的计算，首先利用影像元数据文件提供的定标系数将原始DN值转换成表观反射率，然后采用改进的暗目标方法计算地表反射率[38-39]。几何纠正保证误差小于0.5个像元。影像图采用UTM投影。

2.2分类特征及决策树方法

短波红外对液态水敏感，1.20μm为液态水的吸收带之一[32]。有学者基于以上波段特征提出了NDMI[31]和NDWI[32]光谱指数，分别定义为

NDMI=(ρNIR-ρMIR)/(ρNIR+ρMIR) ,

(1)

NDWI=(ρ0.86-ρ1.24)/(ρ0.86+ρ1.24) ,

(2)

式中： ρNIR,ρMIR,ρ0.86和ρ1.24分别为近红外、短波红外、0.86μm和1.24μm波段反射率。

Lacaux等[36]提出了NDPI来识别和评价池塘水体，其定义为

NDPI=(ρMIR-ρG)/(ρMIR+ρG) ,

(3)

式中ρG和ρMIR分别为绿波段和短波红外波段反射率。

研究区大面积分布的红海榄纯林的光谱反射率明显低于其他红树林品种，尤其是短波红外波段反射率小于绿光波段。因此本文通过对NDPI做修正，用红光波段反射率来替换NDPI中的绿光波段反射率，修正后的NDPI称之谓MNDPI(ModifiedNDPI)，在决策树建模时用以替换NDPI，即

MNDPI=(ρMIR-ρR)/(ρMIR+ρR) ，

(4)

式中ρR和ρMIR分别为红波段和对应短波红外波段反射率。

3结果与分析

3.1典型地物光谱特征

为了便于比较研究区内典型地物的光谱特征，基于野外典型地物样点的调查数据，结合GoogleEarth高空间分辨率影像，通过目视解译对区内典型地物各选取了50～100个像元样本(表2)。

表2　典型地物光谱特征统计值

图2为研究区内红树林、陆生植被、人工建筑、水体、滩涂、光滩、陆生植被与水体的混合像元、裸土

图2　研究区典型地物反射光谱曲线

等典型地物平均反射光谱曲线，图中的“混合像元”为陆生植被与水体的混合像元。陆生植被与红树林光谱曲线具有典型的植被反射率特征。红树林由于处于滨海湿地环境，其短波红外反射率明显低于陆生植被。陆生植被与水体的混合像元反射率光谱曲线形状同植被极其相似，不同之处在于近红外反射率显著偏小。而滩涂由于生长着海草，且在影像数据成像时处于低潮，因此光谱曲线也反映出部分植被的特征，只是可见光区域反射率高于植被，而红外区域反射率则明显低于植被。同植被相比，人工建筑、光滩、裸土及水体等非植被地物类型的光谱没有可见光波段植被的“两谷一峰一陡坡”特征。

基于典型地物选取的像元样本数据，分别统计了各地物类型的NDMI和MNDPI等光谱特征。综合图2和表2，可以得出：

1)红树林、水体、滩涂、光滩的NDMI明显大于其他地物类型，陆生植被以及陆生植被与水体的混合像元次之，人工建筑和裸土则最小。从而利用NDMI可以将红树林同人工建筑、裸土相区分，也能将绝大大部分红树林同陆生植被与水体的混合像元相区分，而红树林同陆生植被则有一定程度的重叠区域。

2)陆生植被的MNDPI最大，红树林、人工建筑、裸土以及陆生植被与水体的混合像元次之，而水体、滩涂和光滩最小。因此，利用MNDPI可以将红树林同水体、滩涂和光滩，尤其是同陆生植被进行区分。

3.2决策树模型的构建

采用决策树分类方法来提取红树林空间分布信息时，将研究区域分为红树林和非红树林两类,并基于ENVI4.8软件中决策树分类模块进行红树林的识别。决策规则如图3所示。

图3　红树林识别的决策树模型

规则①： 0≤MNDPI≤0.35，此规则将地物分成2类(一类为水体、陆生植被、滩涂、光滩，另一类为红树林、人工建筑、裸土、陆生植被与水体的混合像元)； 规则②： NDMI≥0.42，此规则可将红树林和人工建筑、裸土、陆生植被与水体的混合像元有效区分。满足此规则的为红树林，否则为人工建筑、裸土或陆生植被与水体的混合像元。文中MNDPI和NDMI的阈值是基于样本数据经过反复分析而确定的。

3.3红树林识别结果及精度评价

基于构建的决策树模式，对研究区内红树林进行识别试验，其识别结果见图4，其中红色区域为红树林分布区。底图为进行对比度拉伸后的OLI影像真彩色合成图像。

图4　2014年山口红树林自然保护区红树林分布图

从图像上随机提取2 249个像元作为验证样本用于进行精度评价，其中红树林415个,陆生植被、水体、滩涂、光滩共763个，人工建筑、陆生植被与水体的混合像元、裸土共1 071个。利用ENVI4.8软件构建混淆矩阵，并计算红树林识别精度。结果表明，错分率为5.34%，漏分率为1.69%。其中错分为红树林的主要为山区阴影植被，这是因为植被在阴影区各波段的反射率急剧减小，尤其是短波红外波段减小幅度最大，从而导致MNDPI减小而NDMI增大； 另外还有少量沿海养殖水体同植被混合像元也极易错分为红树林。漏分的红树林主要为红树林斑块边缘且地势略低的稀疏红树林，这些红树林多为先锋树种白骨壤，其树叶颜色呈现为灰绿色，再加上潮汐的周期性浸淹，树叶上常粘有灰色的潮土，导致其近红外段反射率相对稠密红树林偏小，而短波红外段反射率则略微偏大，于是NDMI总体偏小，故容易漏分。

4结论

基于Landsat8OLI影像数据,以广西山口国家红树林生态自然保护区为例，通过选择NDMI和MNDPI等光谱指数，采用决策树方法进行红树林信息的自动提取研究，研究结果如下：

1)红树林生长于特殊的滨海湿地环境，其光谱同时包含植被和湿地信息，而且其短波红外波段反射率明显低于陆地植被。

2)NDMI和MNDPI指数能分别反映可见光-近红外同短波红外波段光谱的反差，应用于红树林湿地植被信息提取可有效地将红树林同其他地物区分。其中NDMI可以将红树林同人工建筑、裸土分离，也可以将绝大部分红树林同陆生植被与水体的混合像元区分，而红树林同陆生植被会有一定程度的重叠区域； 陆生植被同红树林存在明显的“同谱异物”现象，MNDPI不但可将红树林同水体、滩涂和光滩区分，而且还可以有效地将其同陆生植被分离。

3)Landsat8OLI能有效监测红树林的空间分布特征。基于Landsat8OLI影像数据，结合NDMI和MNDPI分类特征，通过选取相应的阈值并构建决策树模型，可以有效地提取红树林信息。

为了进一步提高红树林的识别精度，在后续的研究中，还需着重关注阴影植被、陆生植被与沿海养殖水体的混合像元同红树林误分现象及稀疏红树林的漏分问题，进一步完善红树林信息提取的方法流程。此外，本文中的分类特征阈值是否具有时空拓展性，还有待选用不同时间和不同区域的数据来进一步验证或修正。

志谢： 文中Landsat8OLI影像由中国科学院计算机网络信息中心地理空间数据云 (http: //www.gscloud.cn)提供，衷心感谢各位评审专家所提的宝贵意见。

参考文献(References)：

[1]BlascoF,SaengerP,JanodetE.Mangrovesasindicatorsofcoastalchange[J].Catena,1996,27(3/4):167-178.

[2]LiuK,LiX,ShiX,etal.MonitoringmangroveforestchangesusingremotesensingandGISdatawithdecision-treelearning[J].Wetlands,2008,28(2):336-346.

[3]FAO.TheWorld’sMangroves1980—2005,FAOForestryPaperNo.153[R/OL].FAO:Rome,Italy,2007;Availableonline:ftp://ftp.fao.org/docrep/fao/010/a1427e/a1427e00.pdf(accessedon9October2014).

[4]JensenJR,LinHY,YangXH,etal.Themeasurementofmangrovecharacteristicsinsouth-westFloridausingspotmultispectraldata[J].GeocartoInternational,1991,6(2):13-21.

[5]RasolofoharinoroM,BlascoF,BellanMF,etal.AremotesensingbasedmethodologyformangrovestudiesinMadagascar[J].InternationalJournalofRemoteSensing,1998,19(10):1873-1886.

[6]FerreiraMA,AndradeF,BandeiraSO,etal.Analysisofcoverchange(1995—2005)ofTanzania/Mozambiquetrans-boundarymangrovesusingLandsatimagery[J].AquaticConservation:MarineandFreshwaterEcosystems,2009,19(S1):S38-S45.

[7]LeeTM,YehHC.Applyingremotesensingtechniquestomonitorshiftingwetlandvegetation:AcasestudyofDanshuiRiverestuarymangrovecommunities,Taiwan[J].EcologicalEngineering,2009,35(4):487-496.

[8]黎夏,刘凯,王树功.珠江口红树林湿地演变的遥感分析[J].地理学报,2006,61(1):26-34.

LiX,LiuK,WangSG.MangrovewetlandchangesinthePearlRiverestuaryusingremotesensing[J].ActaGeographicaSinica,2006,61(1):26-34.

[9]张雪红.基于知识与规则的红树林遥感信息提取[J].南京信息工程大学学报,2011,3(4):341-345.

ZhangXH.Remotesensinginformationextractionofmangrovebasedonknowledgeandrules[J].JournalofNanjingUniversityofInformationScience&Technology,2011,3(4):341-345.

[10]ChaudhuryMU.DigitalanalysisofremotesensingdataformonitoringtheecologicalstatusofthemangroveforestsofSunderbansinBangladesh[C]//Proceedingsofthe23rdInternationalSymposiumonRemoteSensingoftheEnvironment.Bangkok,Thailand,1990,1:493-497.

[11]GreenEP,ClarkCD,MumbyPJ,etal.Remotesensingtechniquesformangrovemapping[J].InternationalJournalofRemoteSensing,1998,19(5):935-956.

[12]AschbacherJ,OfrenR,DelsolJP,etal.AnintegratedcomparativeapproachtomangrovevegetationmappingusingadvancedremotesensingandGIStechnologies:Preliminaryresults[J].Hydrobiologia,1995,295(1/3):285-294.

[13]LongBG,SkewesTD.GISandremotesensingimprovesmangrovemapping[C]//FloreatWA.7thAustralasianRemoteSensingConference,Volume1.Melbourne:RemoteSensingandPhotogrammetryAssociationAustraliaLtd.,1994:545-551.

[14]张雪红,田庆久.利用温湿度指数提高红树林遥感识别精度[J].国土资源遥感,2012,24(3):65-70.doi:10.6046/gtzyyg.2012.03.13.

ZhangXH,TianQJ.Applicationofthetemperature-moistureindextotheimprovementofremotesensingidentificationaccuracyofmangrove[J].RemoteSensingforLandandResources,2012,24(3):65-70.doi:10.6046/gtzyyg.2012.03.13.

[15]张雪红,周杰,魏瑗瑗,等.结合潮位信息的红树林遥感识别[J].南京信息工程大学学报,2013,5(6):501-507.

ZhangXH,ZhouJ,WeiYY,etal.Remotesensingidentificationofmangroveforestcombinedtidallevelinformation[J].JournalofNanjingUniversityofInformationScienceandTechnology,2013,5(6):501-507.

[16]刘凯,黎夏,王树功,等.珠江口近20年红树林湿地的遥感动态监测[J].热带地理,2005,25(2):111-116.

LiuK,LiX,WangSG,etal.MonitoringofthechangesofmangrovewetlandaroundtheZhujiangestuaryinthepasttwodecadesbyremotesensing[J].TropicalGeography,2005,25(2):111-116.

[17]LiuK,LiX,ShiX,etal.MonitoringmangroveforestchangesusingremotesensingandGISdatawithdecision-treelearning[J].Wetlands,2008,28(2):336-346.

[18]GiriC,PengraB,ZhuZL,etal.MonitoringmangroveforestdynamicsofthesundarbansinbangladeshandIndiausingmulti-temporalsatellitedatafrom1973to2000[J].Estuarine,CoastalandShelfScience,2007,73(1/2):91-100.

[19]RakotomavoA,FromardF.DynamicsofmangroveforestsintheMangokyRiverDelta,Madagascar,undertheinfluenceofnaturalandhumanfactors[J].ForestEcologyandManagement,2010,259(6):1161-1169.

[20]BlascoF,AizpuruM,GersC.DepletionofthemangrovesofcontinentalAsia[J].WetlandsEcologyandManagement,2001,9(3):255-266.

[21]ThuPM,PopulusJ.StatusandchangesofmangroveforestinMekongdelta:casestudyinTraVinh,Vietnam[J].Estuarine,CoastalandShelfScience,2007,71(1/2):98-109.

[22]ConcheddaG,DurieuxL,MayauxP.Anobject-basedmethodformappingandchangeanalysisinmangroveecosystems[J].ISPRSJournalofPhotogrammetryandRemoteSensing,2008,63(5):578-589.

[23]VaiphasaC,SkidmoreAK,DeBoerWF.Apost-classifierformangrovemappingusingecologicaldata[J].ISPRSJournalofPhotogrammetryandRemoteSensing,2006,61(1):1-10.

[24]李姗姗,田庆久.北部湾红树林的HJ星多光谱遥感提取模式[J].中国科学:信息科学,2011,41(S1):153-165.

LiSS,TianQJ.MangroveextractionmodebasedonHJmultispectralremotesensinginBeibuGulf[J].ScientiaSinica:Informationis,2011,41(S1):153-165.

[25]肖海燕,曾辉,昝启杰,等.基于高光谱数据和专家决策法提取红树林群落类型信息[J].遥感学报,2007,11(4):531-537.

XiaoHY,ZengH,ZanQJ,etal.Decisiontreemodelinextractionofmangrovecommunityinformationusinghyperspectralimagedata[J].JournalofRemoteSensing,2007,11(4):531-537.

[26]WangL,SousaWP,GongP,etal.ComparisonofIKONOSandQuickBirdimagesformappingmangrovespeciesontheCaribbeancoastofPanama[J].RemoteSensingofEnvironment,2004,91(3/4):432-440.

[27]KovacsJM,WangJF,Flores-VerdugoF.MappingmangroveleafareaindexatthespecieslevelusingIKONOSandLAI-2000sensorsfortheAguaBravaLagoon,MexicanPacific[J].Estuarine,CoastalandShelfScience,2005,62(1/2):377-384.

[28]ProisyC,CouteronP,FromardF.PredictingandmappingmangrovebiomassfromcanopygrainanalysisusingFourier-basedtexturalordinationofIKONOSimages[J].RemoteSensingofEnvironment,2007,109(3):379-392.

[29]SalehMA.AssessmentofmangrovevegetationonAbuMinqarislandoftheRedSea[J].JournalofAridEnvironments,2007,68(2):331-336.

[30]徐涵秋,唐菲.新一代Landsat系列卫星:Landsat8遥感影像新增特征及其生态环境意义[J].生态学报,2013,33(11):3249-3257.XuHQ,TangF.AnalysisofnewcharacteristicsofthefirstLandsat8imageandtheireco-environmentalsignificance[J].ActaEcologicaSinica,2013,33(11):3249-3257.

[31]WilsonEH,SaderSA.DetectionofforestharvesttypeusingmultipledatesofLandsatTMimagery[J].RemoteSensingofEnvironment,2002,80(3):385-396.

[32]GaoBC.NDWI-anormalizeddifferencewaterindexforremotesensingofvegetationliquidwaterfromspace[J].RemoteSensingofEnvironment,1996,58(3):257-266.

[33]JacksonTJ,ChenDY,CoshM,etal.VegetationwatercontentmappingusingLandsatdataderivednormalizeddifferencewaterindexforcornandsoybeans[J].RemoteSensingofEnvironment,2004,92(4):475-482.

[34]ChenDY,HuangJF,JacksonTJ.VegetationwatercontentestimationforcornandsoybeansusingspectralindicesderivedfromMODISnear-andshort-waveinfraredbands[J].RemoteSensingofEnvironment,2005,98(2/3):225-236.

[35]HuangJF,ChenDY,CoshMH.Sub-pixelreflectanceunmixinginestimatingvegetationwatercontentanddrybiomassofcornandsoybeanscroplandusingnormalizeddifferencewaterindex(NDWI)fromsatellites[J].InternationalJournalofRemoteSensing,2009,30(8):2075-2104.

[36]LacauxJP,TourreYM,VignollesC,etal.Classificationofpondsfromhigh-spatialresolutionremotesensing:Applicationtoriftvalleyfeverepidemicsinsenegal[J].RemoteSensingofEnvironment,2007,106(1):66-74.

[37]梁士楚.广西英罗湾红树植物群落的研究[J].植物生态学报,1996,20(4):310-321.

LiangSC.StudiesonthemangrovecommunitiesinYingluoBayofGuangxi[J].ActaPhytoecologicaSinica,1996,20(4):310-321.

[38]ChavezJrPS.Animproveddark-objectsubtractiontechniqueforatmosphericscatteringcorrectionofmultispectraldata[J].RemoteSensingofEnvironment,1988,24(3):459-479.

[39]ChavezPS.Image-basedatmosphericcorrections:Revisitedandimproved[J].PhotogrammetricEngineeringandRemoteSensing,1996,62(9):1025-1036.

(责任编辑： 李瑜)

DecisiontreealgorithmofautomaticallyextractingmangroveforestsinformationfromLandsat8OLIimagery

ZHANGXuehong

(School of Geography and Remote Sensing, Nanjing University of Information Science & Technology, Nanjing 210044, China)

Abstract:NDMI (normalized difference moisture index) is widely used to assess and retrieve vegetation liquid water content. In this study, decision tree method was employed to automatically extract mangrove forests information combining the NDMI and MNDPI (modified normalized difference pond index), modified according to the mangrove characteristics, with Landsat8 OLI imagery acquired at Shankou mangrove national ecosystem nature reserve in Guangxi. The research results show that mangrove forests spectra consist of vegetation and wetland characteristics due to the unique near-shore coastal habitat of mangrove forests. MNDPI and NDMI can represent the spectral contrast between shortwave infrared region and visible region, near infrared region respectively. Therefore, the two spectral indices can successfully be employed to extract wetland vegetation and effectively discriminate mangrove forests from other land cover types. The decision tree method effectively extracted mangrove forests information by combining the classification features of MNDPI and NDMI and using Landsat8 OLI remotely sensed data. The commission error and omission error of mangrove forests were 5.34% and 1.69% respectively.

Keywords:mangrove forests; NDMI; MNDPI; OLI; decision tree

doi:10.6046/gtzyyg.2016.02.28

收稿日期：2014-11-12；

修订日期：2015-03-02

基金项目：国家自然科学基金项目“红树林冠层高光谱探测及群落类型识别研究”(编号： 41201461)和江苏政府留学奖学金共同资助。

中图法分类号：TP 751.1; TP 753

文献标志码：A

文章编号：1001-070X(2016)02-0182-06

作者简介：张雪红(1980- ), 男 ,博士，副教授，主要从事植被生态遥感方面的研究。 Email： zxhbnu@126.com。

引用格式： 张雪红.基于决策树方法的Landsat8OLI影像红树林信息自动提取[J].国土资源遥感,2016,28(2):182-187.(ZhangXH.DecisiontreealgorithmofautomaticallyextractingmangroveforestsinformationfromLandsat8OLIimagery[J].RemoteSensingforLandandResources,2016,28(2):182-187.)