基于Sentinel–2影像特征优化的于桥水库水生植被提取

张佩莹, 张方方, 李俊生, 谢娅, 张兵, 3

基于Sentinel–2影像特征优化的于桥水库水生植被提取

张佩莹1, 2, 张方方2,*, 李俊生2, 3, 谢娅2,4, 张兵1, 2, 3

1. 上海海洋大学信息学院, 上海 201306 2. 中国科学院空天信息创新研究院数字地球重点实验室, 北京 100094 3. 中国科学院大学, 北京 100049 4. 中国地质大学, 北京, 100083

水生植被分布情况、结构和演变趋势对湿地生态环境变具有重要的指示意义和科学研究价值。基于Sentinel-2遥感数据, 综合应用光谱信息、水体植被指数、最佳指数法(Optimal Index Factory,)计算的纹理特征, 结合随机森林分类法, 构建特征优化后的随机森林水生植被提取模型, 对于桥水库进行水生植被提取。结果显示: 该方法能有效的提取出水生植被, 总体精度为93.22%, Kappa系数为0.91。进一步与最大似然和支持向量机(SVM)方法进行对比分析, 结果表明本算法的总体精度分别提高了19.96%、8.53%, Kappa系数分别提高了0.25、0.11。基于水生植被全年提取结果, 分析了于桥水库的水生植被年内变化, 发现于桥水库水生植被在五月份最繁盛, 随后逐渐消减, 直至十月份基本消亡。实验表明: 特征优化后的随机森林分类法在Sentinel-2影像水生植被提取中具有较好的适用性。

随机森林; 特征优化; 于桥水库; 水生植被; 变化趋势

0 前言

湿地被称为“地球之肾”[1], 是极具生物多样性的典型生态系统。作为湿地的重要构成要素, 水生植被的分布、结构、生物量及其演变是表征湿地环境变化和人类活动的综合反应[2]。近年来, 伴随着人类活动范围和强度的持续增加, 湿地环境遭受到了不同程度的变化, 水生植被大面积缩小。快速调查和掌握水生植被分布情况、结构和演变趋势, 对深刻认识水生植被演变规律及影响具有重要的科学意义, 对指导湿地生态系统保护也具有重要的实用价值。

传统的水生植被监测方法主要以人工调查法为主, 精度虽高, 但成本高、费时费力、监测覆盖范围小。卫星遥感监测具有速度快、周期短、范围广等特点, 已成为水生植被监测的有效手段。水生植被光谱与陆地植被光谱特征相似, 所以遥感水生植被提取方法也与一般性遥感信息提取方法类似, 主要可分为: 决策树、非监督分类法和监督分类法。沉水植被、浮水植被、挺水植被也具有相似的光谱特征, 三者较难区分。专门针对水生植被的精细分类研究较少。张寿选等通过比值指数()和归一化植被指数()建立决策树分类模型, 将太湖的水体、漂叶植被和沉水植被进行分类[3], 该决策树方法下成功地将水生植被进行分类, 但决策树中分类特征的阈值大多是通过与影像同步的大量实测样点训练确定, 对于缺少实测样点的影像, 难以获取准确阈值[4], 可操作性困难。Dogan等[5]利用高空间分辨率的Quickbird影像, 运用迭代自组织数据分析(isodata)的非监督分类方法, 对安纳托利亚中部莫干湖的水生植物进行了提取和制图, 不同沉水植物分类精度为71.69%, 该方法解决了决策树阈值不易确定, 难以获取实测样点的缺点, 却发现即使利用较高的遥感影像, 非监督分类方法提取的水生植被分类精度都不高。王书玉等[6]为提高遥感影像的分类精度, 运用随机森林(RF)监督算法对洪河湿地TM影像进行分析, 总体分类精度为88%, 但TM影像分辨率较低也影响了分类精度。

于桥水库是天津饮用水的唯一来源, 为保护天津市水源地和水生态安全, 构建完整的水生植物群落和保护生物多样性, 动态监测水库水生植被分布及其变化趋势就显得尤为重要。本研究以于桥水库为研究区, 利用较高空间分辨率的Sentinel-2遥感数据, 选取遥感影像的光谱特征、水体植被指数、纹理特征, 构建基于特征优选的随机森林方法提取于桥水库水生植被。根据2020年3月到10月于桥水库水生植被分布状况, 了解水生植被生长变化趋势, 为于桥水库水环境治理提供数据支撑。

1 研究区与数据

1.1 研究区概况

于桥水库位于天津市蓟州区(39°56′—40°23′N, 117°26′—118°12′E), 坐落在州河出山口处, 属蓟运河流域州河段, 控制流域面积2060 km2, 总库容15.59亿m3, 是国家重点中型水库之一。该水库属富营养型[7]水体, 夏季处于营养化初级阶段, 秋季为蓝藻水华频发期, 冬季稍好。

1.2 数据及预处理

“Sentinel”系列卫星是欧洲哥白尼(Copernicus)计划空间部分(GSC)的专用卫星系列, 由欧洲航天局(ESA)研制。Sentinel-2A/B卫星是欧空局哥白尼计划中发射的第2组卫星, 其搭载的多光谱成像仪(MSI)载荷延续并扩展了Landsat系列卫星和SPOT系列卫星的对地观测任务[8]。Sentinel-2卫星携带多光谱成像仪(MSI), 高度为786 km, 可覆盖13个光谱波段, 幅宽达290 km。一颗卫星的重访周期为10天, 两颗卫星互补, 综合重访周期为5天。与TM、ETM+等影像相比, Sentinel-2系列卫星的高空间分辨率更适用于水生植被遥感分类的需求[9]。

本文所用影像为欧洲航空局官网(https://scihub. copernicus.eu/dhus/)下载, 结合于桥水生植被生长变化情况, 选取研究区2020年Sentinel-2 MSI没有坏行、缺带、斑点噪声和耀斑且云量少的8景覆盖于桥水库的影像, 时间从3月到10月记录了水生植被生长消亡全过程。以2020年5月19号的影像做提取效果分析, 结合8景影像水生植被提取结果做变化分析。数据列表如表2所示。数据已经过正射校正和几何精校正, Sentinel-2A/B L2A影像已经进行过大气校正, 采用SNAP软件对影像重采样为10米分辨率, 并对影像进行裁剪, 完成预处理过程。

图1 研究区地理位置图

Figure 1 Geographical map of the study area

表1 Sentinel-2A/B卫星数据主要参数

表2 Sentinel-2数据列表

2 研究方法

参考已有水生植被分类体系[10]并结合于桥水库水生植被信息特征, 建立于桥水库水生植被分类体系, 包含水体、滩地、水生植被包含挺水植物、浮水植物、沉水植物。选取影像光谱特征、水体植被指数、纹理特征相结合的特征优化随机森林方法对研究区进行分类。采用最大似然和支持向量机(SVM)两种方法与特征优化的随机森林方法进行分类精度对比。分类流程图如图2所示。

图2 分类流程图

Figure 2 Classification flow chart

2.1 特征选取

基于水生植被光谱空间差异与物候特征的异同, 结合光谱特征、水体植被指数和纹理特征, 创建随机森林的特征变量。

2.1.1 光谱特征分析

在水体遥感监测研究方面, Sentinel-2影像10米的可见光到近红外波段及20 米的红边和短波红外波段是进行内陆水体遥感研究的有效数据源之一[11]。通常利用中红外波段、绿光波段和近红外波段的光谱特征来区别沉水植被、挺水植被和浮水植被[12]。本文光谱特征选取参考研究[13-14], 蓝、近红、绿和红四个波段在特征重要性选择中占据最高, 并且多光谱遥感分类与影像空间分辨率有着密切的关系, 在适宜空间分辨率影像上进行分类能够获得更高的精度。高空间分辨率能有效地提高遥感识别地物的能力, 这四个波段的分辨率均为10米, 对影像的光谱分析更有优势。滩地的光谱较其他地物差异性大, 提取难度也较小, 故抽取影像中水生植被和水体的一条光谱作为代表反射率光谱, 得到 4 种地物的代表反射率光谱如图3所示。浮水植被和挺水植被在红边波段的反射率明显高于水体和沉水植被, 光谱差异明显, 尤其是第七波段(红边3)。已有研究表明[15], 水体与沉水植被在近红外波段附近对光强烈吸收时, 浮叶类植被光谱出现明显反射峰, 在“红边”波段783 nm处, 光谱差异最显著。沉水植被与水体的差异性需构建指数来进一步区分。结合以上分析, 本文选取蓝、绿、红、近红和红边3波段作为光谱特征选择。

2.1.2 指数特征提取

(1)归一化植被指数()广泛应用于植被研究以及植物物候研究,它是植物生长状态以及植被空间分布密度的最佳指标,与植被分布密度呈线性关系[16], 是反映植被长势、覆盖度及生物量的重要参数[17]。

图3 浮水植被、沉水植被和水体的代表反射率光谱

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

(2)水体反射率在可见光到近红外波段反射率较低, 而植被在近红外波段反射率很高, 用绿光波段和近红外波段反射率反差组归一化水体指数()进行水体提取, 该水体指数可以很好地抑制植被[18], 加入该指数可以更好地区分沉水植被和水体。

(3)Villa[19]等提出的归一化差异水生植被指数()可以提高新生和漂浮水生植被的遥感监测能力, 且可以降低背景噪声对水生植被提取的影响。

(4)沉水植被与水体由于光谱特征相似, 在水生植被提取中容易混淆。放大图3中的沉水植被和水体的反射率光谱如图4所示。图4光谱特征中显示沉水植被和水体在500—700 nm和700—900 nm这２个波段范围有明显差异, 在绿光波段和红光波段处有较强的吸收,形成两个吸收谷,选择Sentinel-2波段的705 nm“红边”波段与560 nm绿光波段进行波段组合, 采用归一化指数的计算方式进行图像变换, 利用沉水植被指数()来增强沉水植被类群与水体的光谱特征差异[10]。

选取常用的水体植被指数及沉水指数加入特征优选, 指数公式如表2所示。

2.1.3 纹理特征提取

纹理是指图像在一定范围内的小的、半周期的或有规律排列的形状模式, 反映图像的灰度分布模式和空间结构信息[22]。纹理特征能反映丰富的地物信息, 在中高分辨率影像分类中已被证实能提高影像分类的精度。灰度共生矩阵纹理是一种高效的纹理特征提取方法, 在遥感图像分类和植被信息提取中发挥着积极的作用。为了减少图像信息冗余, 降低数据的维数, 采用最优指数因子()来建立最优纹理特征波段组合。波段的独立性与各波段之间的相关系数成反比, 相关系数越低, 信息冗余越小, 独立性越高, 图像数据的标准差越大, 波段信息量越大[23]。其计算的数学公式如下:

图4 沉水植被与水体的代表反射率光谱

Figure 4 Representative reflectance spectra of submerged vegetation and water

表3 常用水生植被遥感监测指数

本文使用基于灰度共生矩阵的方法提取影像的纹理特征。首先对原始影像进行主成分分析, 选取第1主成分进行纹理特征提取。设置滑动窗口大小为3*3, 步长为1, 灰度量化级别64, 利用灰度共生矩阵提取了个第1主成分的均值(Mean)、方差(Variance)、协同性(Homogeneity)、对比度(Contrast)、相异性(Dissimilarity)、信息熵(Entropy)、二阶矩(Second Moment)和相关性(Correlation)共8个参数, 共得到8个纹理特征, 对于获得的第1主成分下的8个纹理特征影像存为TIFF格式。在MATLAB (R2018b)软件平台下对该纹理影像计算值, 通过选取的最大值来获得纹理特征的四个组合, 最终获得均值、方差、对比度和相关性这四个纹理特征作为特征变量。

2.2 随机森林分类算法

随机森林由美国科学家Leo Breiman等人于2001年提出[24], 是一种集成学习算法, 具有对多元共线性不敏感, 无需对数据进行归一化处理, 结果对缺失和非平衡的数据有较好的容忍度[25]等优点。它由多棵决策树组成, 用多颗决策树联合预测提高模型的精度, 这些决策树用对训练样本集随机抽样构造出的样本集训练得到。由于训练样本集由随机抽样构造, 由此成为随机森林。随机森林不仅对训练样本进行抽样, 还对特征向量的分量随机抽样, 在训练决策树时, 每次寻找最佳分裂时只使用一部分抽样的特征分量作为候选特征进行分裂。

经上述分析, 将光谱特征、水体植被指数、纹理特征总共13个作为随机森林的特征变量总数(M)。随机森林实现的基本步骤为: ①用Bootstrap抽样方法从样本训练集中抽取个样本, 剩余大约1/3样本称为包外(Out Of Bag,OOB)数据; ②从当前的样本数据集的特征集合中随机选择个特征组成新的特征集合。训练决策树的每个节点时只使用随机抽取的部分特征分量。③基尼系数()是一种不等性度量, 使用基尼系数)作为不纯度量来度量对某类属性测试输出的两组取值的差异性, 理想的划分应该尽量使两组中样本输出变量取值的差异性综合达到最小, 即“纯度”最大。分别计算随机特征集合中所有属性关于该样本数据集的基尼系数, 并根据基尼系数确定最优特征切分点, 然后依据最优特征切分点将个样本分配到子节点所对应的样本子集中; ④分别对两个子结点递归地调用步骤②③, 直至满足算法停止条件。算法停止条件为节点中样本个数或样本集基尼系数小于给定阈值, 或者没有更多特征可以分裂。如果子节点的基尼系数是小于父节点, 那么就会被分裂。当基尼系数为0时, 树的分裂就会终止, 这就意味一类被分了出来; 本文设定随机森林模型参数为100,等于的平方根为4, 阈值是节点中样本个数为1或样本集基尼指数为0。

3 影像分类结果与精度评价

3.1 于桥水库分类结果

运行特征优化后的随机森林模型, 经分类后处理得到研究区水生植被提取结果。

从结果显示在基于特征优化下的随机森林提取方法能够将水生植被分离出来, 并且效果较好。在2020年5月, 于桥水库出现大面积的沉水植被, 空间分布范围主要在东岸及水库中央位置, 并与水体交错分布。部分挺水植被分布于水库的北岸和东岸, 形状较规整。浮水植被仅在水库的北岸和东岸形成小面积斑块。即使在水生植被生物量最高的5月, 浮叶植被的面积也较小, 零星分布在研究区边缘。由于在水深较大、流速较快的水道中植被不易生长, 于桥水库西岸的水生植被群落较少, 生物量较低。

图5 假彩色卫星图和水生植被提取结果图

Figure 5 False color satellite image and aquatic vegetation extraction results

3.2 精度评价与分析

为比较模型的优劣, 对得到的水生植被分类结果进行精度评估。根据分类体系随机选取测试样本, 根据各分类类别占总研究区域的百分比随机生成500个样本点, 由于浮水植被及滩地所占比例较少, 适当增加具有代表性且分布广泛的样本进行训练, 并使得选取的测试样本尽量均匀地分布在研究区。通过人工目视解译和往年实地考察经验剔除错误测试样本保证测试样本的正确性。本文共选取了516个测试样本, 其中包括173个水体样本、171个沉水植被样本、83个挺水植被样本、53个浮水植被样本、36个滩地样本。通过计算分类后类别和真实类别之间的混淆矩阵包括单一类别精度、总体精度、制图精度、用户精度以及Kappa系数, 这一系列指标来评估分类结果, 结果如表3所示。

基于特征优选随机森林分类结果中, 水体、挺水植被和沉水植被的用户精度均在90%左右, 水体、挺水植被和沉水植被的生产者精度也均在90%以上, 浮水植被的用户精度和制图精度均为86.79%。总体上各分类的用户精度和生产者精度都表现良好。沉水植被与水体由于光谱特征相似, 在水生植被提取中容易混淆。尽管图4放大了两者的差别, 但从实际光谱反射值看, 两者差别甚微。从分类结果精度评价(表4)看, 误分仍然较多, 主要是因为沉水植被完全沉入水中, 在水下不易探测, 其光谱受水体影响, 是植物叶片与水体混合的光谱, 与水体光谱相似, 从而使得分类时沉水植被易与水体混淆。水体漏分现象较少, 制图精度高。挺水植被生长区域一般靠近岸边, 和滩地交错, 易受混合像元影响, 从而导致挺水植被与滩地之间出现错分。浮水植被和挺水植被都在水面外, 都具有典型的植被光谱特征导致两者错分。

3.3 结果精度对比分析

为了进一步验证特征优化后随机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机(SVM)的方法对影像进行分类。运用ENVI进行最大似然法分类, 训练样本与特征优化后的随机森林方法相同。支持向量机选择径向基核函数(RBF)用作SVM分类器中的内核函数, 调整惩罚系数值和核函数参数值,实现对湿地水生植被信息提取。

分3种方法得到各水生植被类型的生产者精度和用户精度如表4所示。从表4中可以看出, 与基于最大似然和支持向量机方法分类结果相比, 基于特征优选的随机森林方法分类结果中, 挺水植被、沉水植被、水体的用户精度和制图精度均有所提高。尤其是沉水植被的制图精度相比其余两种分类方法有了显著提高。由于特征变量优选, 使得随机森林提取时充分利用遥感影像信息, 结合了光谱特征、指数特征和纹理特征多方面进行分析。另一方面随机性的引入, 使得随机森林不容易陷入过拟合且具有很好的抗噪声能力, 提高了提取精度。挺水植被与浮叶植被之间混合像元光谱相似, 存在一定的错分现象。基于特征优选的随机森林方法在Sentinel-2影像于桥水库分类中具有较高的分类精度, 总体分类精度达到90%以上; 基于特征优选的随机森林方法能有效地区分沉水植被和浮水植被, 与最大似然的方法相比, 总体分类精度提高了19.96%, Kappa系数提高了0.25。与支持向量机方法相比, 总体分类精度提高了8.53%, Kappa系数提高了0.11。在Sentinel-2影像水生植被分类中具有较好的适用性。

表4 特征优化随机森林混淆矩阵精度评价结果

3.4 变化分析

基于特征优化的随机森林提取2020年3月到10月的于桥水库水生植被(图6), 以此检验提取方法的普适性以及2020年于桥水库水生植被变化情况, 其中9月份在Sentinel-2的重返周期中, 由于天气原因导致无法获取该时间段良好的影像数据, 但不影响总体水生植被年内变化趋势。通过对比图中不同日期的提取结果发现: 沉水植被的生长趋势是4月份开始生长, 在5月份时生长面积达到最大, 7月初基本消亡, 和于桥水库的实际情况相吻合, 符合多年生沉水草本植物菹草的物候生长信息和变化趋势。挺水漂叶植被在3月开始生长, 4月底的时候面积达到最大, 分布最广。于桥水库的水生植被在5月份最为繁盛, 随后逐渐消减, 10月份时水生植被基本消亡。

表5 3种分类方法精度评价

图6 2020年水生植被提取结果图

Figure 6 Aquatic vegetation extraction result map in 2020

4 讨论

于桥水库面积分布最广的水生植被是沉水植被, 其根茎生于泥里, 整个植株沉在水中, 由于受到冠层水深和盖度的影响, 光谱反射率也会发生变化, 从而导致沉水植被的光学特性发生变化[12], 造成提取沉水植被时被错分为水体的现象。浮水与挺水植被的大部分叶片均位于水面之上, 光谱反射率受水体环境影响较小, 具有典型的植被光谱特征, 不易造成与水体错分。于桥水库水生植物的自然分布与水的深度、透明度及水底基质状况密切相关[26]。水库东部水较浅、透明度大且水底多腐殖质淤泥, 使得水生植物群落组成种类丰富。而在水深较大且水流速度快的水库西部, 鲜有水生植被。于桥水库从沿岸浅水向中心深处呈现有规律的扩散分布, 依次为挺水植被、浮水植被及沉水植被。这主要和水生植被的生长环境有关, 结合水生植被水底深度分布[27]和于桥水库实际水深, 沉水植被主要生长在水深 2 米左右到水面之间的范围内, 浮水植被生长环境则较浅且在叶片水面上, 挺水植被生长在水深1 米左右。水库中心深处和西部水深较大, 东部水深较小, 符合水生植被分布情况。本文中提取的于桥水库水生植被分布情况与其他研究结果[10]相一致。因此, 于桥水库水生植被提取分布特征从理论上也得到了证实。

于桥水库2020年水生植被变化有如下趋势: 从４月份开始水生植被(主要是沉水植被)面积快速增长, 至5月中旬生长最为繁盛, 水生植被生物量最高, 随后迅速衰退, 6月后沉水植被大部分消亡, 直至10月, 水生植被基本消失。水生植被从生长到消亡的全过程基本都在于桥水库的东部, 生物量较大的月份也会出现在水库中央。水生植被生物量呈现空间、时间分布差异大的趋势。菹草是于桥水库分布最为广泛的沉水植被, 菹草秋季发芽, 冬春生长, 4—5月开花结果, 夏季6月后逐渐衰退腐烂, 与提取沉水植被的变化趋势基本一致。

水生植被分布及季节性变化对天津市于桥水库湿地生态系统的保护与治理提供了参考。沉水植被和挺水植被主要处于渔业养殖区和护堤附近, 大量人工构建的渔具, 渔网, 水箱, 破坏了水库水面的完整性, 导致沉水植被菹草在渔业养殖区大量爆发, 短时间内水质恶化给水产养殖业带来重大损失[28], 通过合理规划及控制渔业养殖区范围可以有效调节水生植被分布从而改善于桥水库水质。进一步可利用水生植被生长条件和变化分布, 对淹没水位进行模拟分析, 通过比较模拟成像中的水体面积变化, 科学选择淹没水位, 在此基础上, 对水陆格局进行控制, 选择工程合理范围, 在合理工程范围内进行水陆格局的调整。水生植被的变化分布还可了解到不同季节的水位高程。在不同高程下对植物种群进行系统规划, 通过对植物种群的筛选, 合理进行分区规划, 真正达到植物对水体的净化作用, 同时保持植物种群的可持续性。

5 结论

本文结合光谱特征、水体植被指数和纹理特征, 构建于桥水库特征优化的随机森林分类方法, 结果显示有较好的分类效果。进一步与最大似然和支持向量机方法进行精度比较, 本文方法在总体精度分别提高了19.96%、8.53%, Kappa系数分别提高了0.25、0.11, 分类精度都有明显的提高。对于桥水库水生植被分布及变化趋势分析讨论, 在本研究中, 于桥水库水生植被生物量呈现空间、时间分布差异大的趋势。

由于沉水植被生长环境的特殊性, 与水体在分类时易混淆。水生植被中挺水植被与浮叶的光谱信息相似易造成分类的不精确。在接下来的进一步研究中, 可结合更高分辨率影像的优势, 以进一步提高水生植被分类的精度。

[1] 吕铭志, 盛连喜, 张立. 中国典型湿地生态系统碳汇功能比较[J]. 湿地科学, 2013, 11(1): 114–120.

[2] 胡振鹏, 林玉茹. 鄱阳湖水生植被30年演变及其驱动因素分析[J]. 长江流域资源与环境, 2019, 28(8): 1947– 1955.

[3] 张寿选, 段洪涛, 谷孝鸿. 基于水体透明度反演的太湖水生植被遥感信息提取[J]. 湖泊科学, 2008, 20(2): 184– 190.

[4] 谢娅, 李俊生, 李景宜, 等. 湖库水生植被光学遥感监测研究进展和展望[J]. 环境监控与预警, 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] 王书玉, 张羽威, 于振华. 基于随机森林的洪河湿地遥感影像分类研究[J]. 测绘与空间地理信息, 2014, 37(4): 83–5+93.

[7] 卞少伟, 陈晨, 王秋莲, 等. 于桥水库水质富营养化评价及防治对策研究[J]. 中国环境管理干部学院学报, 2016, 26(6): 47–50.

[8] 田颖, 陈卓奇, 惠凤鸣, 等. 欧空局哨兵卫星Sentinel- 2A/B数据特征及应用前景分析[J]. 北京师范大学学报(自然科学版), 2019, 55(1): 57–65.

[9] 魏梦凡. 基于Sentinel-2A卫星遥感影像的开封市冬小麦种植面积提取技术研究[D]. 开封: 河南大学, 2019.

[10] 汪政辉, 辛存林, 孙喆, 等. Sentinel-2数据的小型湖泊水生植被类群自动提取方法——以翠屏湖为例[J]. 遥感信息, 2019, 34(5): 132–141.

[11] 杨闫君, 田庆久, 占玉林, 等. 空间分辨率与纹理特征对多光谱遥感分类的影响[J]. 地球信息科学学报, 2018, 20(1): 99–107.

[12] 邹维娜, 袁琳, 张利权, 等. 盖度与冠层水深对沉水植物水盾草光谱特性的影响[J]. 生态学报, 2012, 32(3): 706– 714.

[13] 袁琳, 张利权. 大型沉水植物苦草的光谱特征识别[J]. 生态学报, 2006(4): 1005–1011.

[14] 何云, 黄翀, 李贺, 等. 基于Sentinel-2A影像特征优选的随机森林土地覆盖分类[J]. 资源科学, 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, 杨晓梅, 隋立春, 等. 西安市1995—2016年植被覆盖度动态变化监测及景观格局分析[J]. 生态科学, 2019, 38(6): 81–91.

[17] 吴强, 王心源, 骆磊. 基于遥感生态指数的黄山世界遗产地生态环境评价[J]. 水土保持通报, 2020, 40(3): 142–146.

[18] 童李霞, 燕琴, 骆成凤, 等. 基于NDWI分割与面向对象的水体信息提取[J]. 地理空间信息, 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] 苗晓虎. 辅助纹理特征的分类方法和精度比较[D]. 太原: 太原理工大学, 2013.

[23] 杜政, 方耀. 结合随机森林的高分一号分类最优组合研究[J]. 地理空间信息, 2017, 15(2): 15–18.

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

[25] 朱青, 国佳欣, 郭熙, 等. 基于随机森林算法的土壤侵蚀影响因子研究——以赣江上游流域为例[J]. 水土保持通报, 2020, 40(2): 59–68.

[26] 赵秀侠, 卢文轩, 李静, 等. 安徽城东湖浮游植物群落结构与水质评价[J]. 生态科学, 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, 王辉. 基于NDVI指数的骆马湖水生植被分级研究[J]. 环境监测管理与技术, 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

张佩莹, 张方方, 李俊生, 等. 基于Sentinel-2影像特征优化的于桥水库水生植被提取[J]. 生态科学, 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

国家重点研发计划项目(2021YFB3901202)；河南省科学院重大科研聚焦项目(210101007); 国家自然科学基金(41701402)

张佩莹(1995—) , 女, 硕士研究生, 主要从事水环境遥感研究, E-mail:1578811512@qq.com

张方方, 男, 副研究员, 主要从事水环境遥感研究, E-mail: zhangff07@radi.ac.cn