基于Sentinel-2 影像的三亚西玳瑁岛珊瑚礁信息提取研究

肖星星， 王晓红

（华北理工大学矿业工程学院，河北 唐山 062000）

0 引言

珊瑚礁被誉为“蓝色沙漠中的绿洲”，是海洋中最重要的生态系统之一，生活在珊瑚礁区的物种十分丰富，具有巨大的开发潜力、经济价值和生态环境价值[1]。 近年来，随着人类活动和全球温室效应的影响， 对珊瑚礁的生态系统造成严重威胁， 全球大面积的珊瑚礁发生白化或死亡，保护珊瑚礁资源已经成为亟待解决的问题。 遥感技术因其能够大面积、快速、实时监测的特点，已被广泛用于珊瑚礁监测[2]。

随着珊瑚礁生态系统问题的日益严重， 了解珊瑚礁底栖类型的状况是十分有必要的， 因此有很多学者开始利用遥感技术关注珊瑚礁底栖类型的问题。 早期对于珊瑚礁底质信息提取，大多采用人工解译的方法，可以实现对珊瑚礁的简单分类（例如珊瑚礁、 海草、 沙和硬基底等）， 随着国内外研究学者对遥感分类技术的大量研究，提出了最大似然（ML）、支持向量机（SVM）和决策树等监督分类方法来对珊瑚礁信息进行提取， 并取得不错的效果[3]。 随着遥感技术和遥感算法的不断提高，基于像元的分类方法也显现出它的弊端， 由于基于像元的分类算法主要是依靠影像光谱的特性，很容易引起因“同质异谱”和“异质同谱”所造成的椒盐现象。因此，面向对象（OBIA）的分类方法也被引入珊瑚礁底质信息的提取当中， 因其可以充分利用高分辨率数据的光谱、纹理和形状等属性，可以大大减少这种“椒盐”现象，其提取效果要优于基于传统的基于像素的分类方法， 是目前比较好的对于珊瑚礁底栖物质分类方法[4]。

本文基于Sentinel-2 数据，利用面向对象的珊瑚礁信息提取方法对三亚西玳瑁岛的珊瑚礁信息进行提取，以便对三亚珊瑚礁保护区的珊瑚礁进行更好的监测， 并提供更好的数据支撑。

1 研究区域概况与研究数据

1.1 研究区概况

本文选取三亚珊瑚礁保护区中的西玳瑁岛为研究区，其中西玳瑁岛位于三亚珊瑚礁保护区的最西段，地理位置如图1 所示：

图1 西玳瑁岛地理位置图

1.2 GF-2 影像数据预处理

本文研究所使用的数据为Sentinel-2 数据，数据采集时间为2017 年2 月6 日, 遥感图像数据处理主要包括大气校正、图像融合和图像裁剪。 利用Sen2cor 方法对Sentinel-2 影像进行大气校正。 图像融合和裁剪都是在ENVI5.3 里面完成的。

2 基于面向对象的珊瑚礁空间分布提取

面向对象分类方法主要包括两个过程：影像分割和特征对象选取。 通过对影像进行分割，将具有相同或相近特征的邻近像元组成一个对象，并将此对象作为影像分析单元。 并基于光谱、纹理和形状等特征选取特征对象，实现对不同地物特征的分类提取[5]。 本文针对不同的地貌单元进行影像分割实验，从而获取最优分割尺度及参数，选取适合的指标阈值，实现不同地物的分离，利用最近邻分类的方法对相应影像进行分类, 提取珊瑚礁空间分布信息。最后， 利用其混淆矩阵和Kappa 系数对分类结果进行精度评价。 提取流程图如图2 所示：

图2 基于面向对象的珊瑚礁空间分布提取流程

2.1 影像分割

本研究中影像分割釆用软件中的多尺度分割算法（Multiresolution Segmentation）对Sentinel-2 影像的研究区域进行分割处理实验。 多尺度分割方法考虑了实际地表多层次、多格局的特征，通过建立不同的尺度分割等级，逐层进行分割与信息提取。 下面对分割参数进行试验，以确定最优参数。

2.1.1 大型地物分割尺度选取

图3 不同分割尺度对比图

由于本文设置分割尺度范围从30～100 （以10 为单位递增）对影像进行分割实验，以确定最适宜的分割尺度用于分割陆地和水体之间的界限。 由于分割尺度在30 以下的分割效果极为破碎，不适用与地物分割特征，因此分割尺度在30 以下忽略不予尝试。 通过对分割尺度参数在30～100 范围内分割结果进行对比发现， 随着尺度参数的逐渐变化，尺度参数设置的越小，分割得到的对象就越多，如图3 为分割尺度分别为30、50、70、100 的分割效果。

通过对比分割尺度参数在30～100 范围内分割结果进行对比发现，小尺度分割效果是在较大尺度上分割轮廓上的再分割。如图3 所示，当分割尺度为100 时，其对于分离水体和陆地之间的界限可以起到很好的效果，但对于珊瑚礁区域，分割尺度过大，错把两种地物都分到一起了；而当分割尺度为50 和70 时，由于尺度参数在比较接近的分割尺度在分割效果上差异较小，分割轮廓变化不大，但这个尺度参数对于陆地区域边界分得不够明朗，容易造成不同地物间的混淆，对后面的分类造成影响；而当分割尺度参数为30 时，可对于陆地区域形成了“过分割”状态，分割的过于细碎破坏了不同地物的边界完整性，但对于珊瑚礁区域来说确又过大， 未能很好的表征出不同底栖物质信息，因此还需针对小尺度的珊瑚礁区域的分割尺度进行更进一步的研究，以便更好地提取珊瑚礁区域下的不同底栖物信息。

2.1.2 小尺度珊瑚礁区域最优分割尺度选取

针对分割尺度为30 时， 没有很好的把小尺度的珊瑚礁区域中底栖物信息给分离出来，因此在此基础上，设置分割尺度范围从5～25（以5 为单位递增）对影像进行分割实验，如图4 为分割尺度分别为5、15、20、25 的分割效果。

图4 不同分割尺度对比图

通过对比分割尺度参数在5～25 范围内分割结果进行对比发现，在分割尺度为25 和20 时，对于珊瑚礁区域的分割还是过大， 未能较清晰的表征出水下底栖物的信息。而当分割尺度为15 和5 时，对于珊瑚礁区域的分割效果明显要由于分割尺度25 和20， 但当分割尺度为5 时，对于珊瑚礁区域有点“过分割”状态，对于礁盘区域分的过于细碎。 因此通过实验可以大致得出珊瑚礁区域的一个最优分割尺度范围在5～15 之间。

2.2 面向对象影像分类及分类结果

2.2.1 分类层次建立和特征对象选取

根据上面多尺度分割实验的结果构建多层次分类体系，如图5 所示：

图5 类层次结构图

在第一层，通过分割尺度100 分离水体和海岸之间的界限，提取出水体和非水体。 由于近红外波段在水体中反射率低， 在陆表反射率高的特征， 可以利用近红外波段（NIR）来分离出水体和非水体。

在第一层分离出的基础上，提取出非水体。 非水体包括浅滩和陆地两部分，而浅滩区域是处于水面之下，陆地是完全露于水面之上的， 由于处于水下浅滩区域光谱反射率低，而水上的陆地有许多建筑，反射率高，且与水下浅滩区域颜色有很大差异， 而HIS 分量特征是体现颜色差异特点的特征， 在水下的HIS 值与水上陆地颜色呈现明显的不同。 因此可以通过色调H 特征来区分出浅滩和陆地区域。 当H＜0.6，就可提取出浅滩区域。

由于分割尺度为100 时， 对浅滩区域分割对象过大，错误的把不同地物的分成一个对象， 因而基于一个更小的尺度参数10 来对珊瑚礁礁盘区域进行二次分割， 以满足不同地物之间的划分。

2.2.2 影像分类

这里先基于分割尺度100 分离出水体和非水体，再在非水体的基础上，分离陆地和浅滩，然后再基于分割尺度10 对浅滩区域进行二次分割。本次实验采用eCognition 中最邻近分类算法对研究区域进行分类提取， 把浅滩区域分成珊瑚礁、沙砾和海藻类混合物、沙地以及岩石等四种类别进行提取，得到的最邻近分类结果如图6 所示：

图6 西玳瑁岛影像分类结果

3 分类结果精度评价

利用最近邻分类方法Sentinel-2 影像进行分类， 得到西玳瑁岛珊瑚礁信息结果， 采用混淆矩阵对分类结果进行评价， 其总体精度达到93.3%，Kappa 系数达到89.6%，分类精度达到较高的准确度， 这验证本文研究方法的准确性。 从分类结果来看，珊瑚礁区域、沙地、沙砾和海藻类混合物占据面积最广，因此分类精度较高。

4 结论与展望

本文利用Sentinel-2 影像，以三亚珊瑚礁保护区的西玳瑁岛为研究对象， 采用面向对象的分类方法来提取西玳瑁岛的珊瑚礁空间分布信息。 通过影像分割试验，确定了最优的适合小尺度珊瑚礁区域的分割参数，并基于最近邻分类算法对珊瑚礁信息进行提取， 取得较好的分类结果。 结果表明面向对象方法对于珊瑚礁信息提取应用是可行的，为珊瑚礁遥感监测提供一个有力的提取方法。