基于TM影像的广西沿海红树林遥感识别研究

摘要 由于红树林所处的地理环境，利用传统方法对其进行实地调查是很困难的。遥感技术的发展为红树林湿地研究提供了新的方法和强有力的技术支持。该文以landsat TM影像为基础对广西沿海地区红树林进行识别，分别应用最大似然法和决策树法，发现基于缨帽变换的决策树方法精度更高，能准确的提取出红树林信息。

关键词 红树林；缨帽变换；监督分类；TM影像

中图分类号 TP75 文献标识码 A 文章编号 1007-5739（2013）22-0232-04

Research on Remote Sensing Recognition of Mangrove Forest in the Coastal Area of Guangxi Based on TM Image

WANG Si-yang

（Anqiu Meteorological Bureau of Shandong Province，Anqiu Shandong 261011）

Abstract Because of the geographical conditions under which mangrove lived，it was difficult to undertake field investigations by traditional methods.The development of remote sensing technology provided a new method and powerful technical support to the research mangrove wetland.Based on landsat TM image，mangrove forest in the coastal area of Guangxi were identified by applying NDVI and tasseled cap transformation method.The results showed that the decision tree method based on tasseled cap transformation had higher accuracy.The information of mangroves could be accuratelyextracted.

Key words mangrove；tasseled cap transformation；supervised classification；TM image

红树林是以红树植物为主体的常绿乔木或灌木组成的潮滩湿地木本植物群落，是自然分布于热带和亚热带海岸潮间带的木本植物群落，通常生长在港湾河口地区的淤泥质滩涂上，是海上滩涂特有的森林类型[1-3]，主要分布在南、北回归线之间，局部地区受暖流气候的影响可延伸到北纬32°和南纬44°[4]，和珊瑚礁、上升流以及滨海湿地合称为世界上生产力最高的四大生态系统[5]。红树林有着特殊的形态结构和生理机能，起到防风、防浪、促淤造陆、稳定海岸、保护海堤等作用，素有“海上森林”和“海岸卫士”的美称，有着重要的生态和经济价值[6]。由于红树林生长在潮间带，淤泥妨碍了研究人员进行实地调查，所以传统的森林调查方法难以准确定位和描绘。野外实测工作非常困难，测绘精度较低。而遥感技术具有覆盖面积大、数据更新周期短、空间分辨率高等特点，已经成为国内外红树林监测的主要技术之一[7-8]。

1 数据获取及预处理

1.1 遥感数据的获取

该文的研究内容是局部小尺度范围内的研究，数据是由国际科学数据服务平台网站所获取（http：///admin/dataLandsatMain.jsp）。所采用的数据是2006年9月12日Landsat 5 TM数据，条代号为124，行编号为25。

TM（主题成像仪）是Landsat 4和Landsat 5 携带的传感器，Landsat 5卫星扫描周期为16 d。Landsat TM传感器一共有7个波段，其中波段1～5和第7波段的分辨率为30 m，第6波段的分辨率为120 m。该卫星南北扫描范围大约170 km，东西扫描范围大约183 km。

1.2 TM图像的预处理

影像是经过几何精校正后的图像，需对图像进行辐射定标与大气校正。

1.2.1 辐射定标。辐射定标是将传感器记录的电压或数字值转换成绝对辐射亮度的过程，即将记录的原始DN值转换为大气外层表面反射率。辐射定标指的是内部误差的校正。内部误差一般是系统的、可预测的，通过卫星发射之前的辐射定标和运行中的星上辐射定标、替代（场地）辐射定标来确定。图像为TM5图像，对Landsat TM遥感数据进行辐射定标可根据辐射定标公式计算：

L=gain×DN+bias，式中，L为辐射亮度值，单位W（cm2·μm·sr）；gain为增益；bias为偏移；二者可以从头文件中读取。

进行波段运算后，将生成的波段进行融合之后处理所产生的图像即为辐射定标后的图像。

1.2.2 大气校正。采用暗像元法对图像进行大气校正，暗像元法的基本原理是在假设待校正的遥感图像上存在暗像元且大气性质均一，并忽略大气多次散射辐照作用和邻近像元漫反射作用的前提下，反射率接近于0的暗像元由于大气的影响，使得这些像元的反射率相对增加不为0，在此认为增加的部分是由于大气影响产生的。用其他像元的像元值减去这些暗像元的像元值，就能减少大气散射等作用对整幅影像的影响，以达到大气校正的目的。整个过程的关键是寻找暗像元以及暗像元增加的像元值。ENVI软件提供选择波段最小值、ROI的平均值、自定义值3种方法确定黑暗像元的像素值。应用自定义值方法确定暗像元的像素值。自定义值设定为每波段累计百分比为3%的最大值。选取像元数在整体像元中所占比例小于3%的像元的反射率值来进行大气校正。

2 研究区地物光谱特征

对小尺度地区水平上的红树林湿地进行遥感识别与分类，要求精度较高，是指红树林类外分类以及红树林分布边界的准确定位，在红树林的周围会有陆生植物、水田、人工用地、水体等会对红树林的识别产生影响。在该次研究中通过对比得知，人工用地、水田以及陆生植物的反射率都与红树林的反射率相近。要达到提取识别红树林的效果就要排除水田、人工用地以及陆生植物的干扰。

2.1 红树林光谱特征

由于生长环境周期性浸水，红树林有着与乔木、草木植被不同的光谱特征，所以红树林对蓝色和红色具有较强的吸收，在460～502 nm具有一个“波谷区”，其反射率大约为2%～3%；对绿光特别是红外区具有较高的反射率，在526～580 nm存在一个绿光的反射峰，反射率为8%～9%；在700～745 nm存在一个红光到红外波段过渡波段的“红边”特征，表现为反射率急剧增加，反射率由5%增加到40%～50%；在700～930 nm存在一个反射峰，反射率为40%～58%；还有一个在785～830 nm的反射峰，反射率为45%～55%。由于其光谱特征具备绿色植被的一般光谱特征，可以采用遥感探测植被的许多技术方法和理论成果[9]。

2.2 典型地物光谱特征

该研究的目的是对北仑河口海洋自然保护区内的红树林信息进行提取，达到识别红树林的目的。通过对研究区域的分析发现，在研究区域内主要存在5种地物，即人工用地、陆生植物、水体、红树林和水田。需通过各地物反射率之间的差异，找出区别来实现对红树林信息的准确提取。各地物的广谱曲线图如图1、2所示。可以看出，人工用地、水体与水田之间的反射率相差较大，陆生植物与红树林的反射光谱曲线非常相似。

人工用地：随波长的增加，反射率呈现上升趋势。由于缺少植被的覆盖，在波长较短的蓝光、绿光，红光波段具有较低的反射率，由于人工的建筑材料如玻璃、水泥等的影响，从第3波段开始反射率呈现明显的上升趋势，并在第5波段达到峰值随后又有下降趋势。水田：覆盖度非常低，背景为水体，可理解为水体与植物的混合像元，表现为植被与水体的混合光谱特征，与红树林的光谱特征有相似之处，但表现为水体的光谱特征更为明显，在波长较短的波段具有较高的反射率，在第3波段也具有较高的反射率，表现出了与陆生植物、红树林之间的差异[10]。水体：太阳光到达水面，一部分被水面反射回空中，它的反射强度与水面性质有关（如水面粗糙度等）。其余的光则透射到水中，其中大部分被水体吸收；部分被水体中的悬浮粒子所散射，产生水中散射光，其散射强度与水体浑浊度有关，返回水面的那部分散射光称为后向散射光；另外部分透射到达水底，形成水底反射光。这样，水中后向散射光及浅水条件下的水底反射光，组成水中光。水体对太阳光吸收、反射和透射是随波长而变化的，总的趋势是吸收大于反射和透射。其中，可见光波段水吸收率较低，即在蓝、绿光波段透射能力相对较高。因此，水浅时，蓝、绿光波段可透射过水体，水对近红外波段吸收较强，在1.4 μm和1.9 μm附近，其吸收率接近100%，能吸收绝大部分的红外辐射。

陆生植物：在可见光波段内，各种色素是支配植物光谱响应的主要因素，其中叶绿素所起的作用最为重要。在中心波长分别为蓝色和红色的2个谱带内，叶绿素吸收大部分的摄入能量，在这2个叶绿素吸收带间，由于吸收作用较小，在绿色附近形成一个反射峰，因此许多植物看起来是绿色的。除此之外，叶红素和叶黄素在蓝色附近有一个吸收带，但是由于叶绿素的吸收带也在这个区域内，所以这2种黄素光谱响应模式中起主导作用[11]。在光谱的近红外波段，植被的光谱特性主要受植物叶子内部构造的控制。在近红外波段的光谱特征是反射率高（45%～50%）、透过率高（45%～50%）、吸收率低（

3 红树林遥感识别方法对比研究

通过对研究区域的5种地物的光谱特征进行对比分析发现：陆生植物、红树林与水田之间的光谱特征有较大的相似性，其中陆生植物与红树林的光谱特征非常相似，因此要达到识别红树林的目的，即需要将陆生植物、水田与红树林区分开来。现采用2种方法进行对比分析，即监督分类和决策树分类[12]。

3.1 监督分类

监督分类又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止[13]。常用算法有：判别分析、最大似然分析、特征分析、序贯分析和图形识别等。具体过程如下：①根据已掌握的典型地区的地面情况，在图像上选择训练区；②根据选出的各类训练区的图像数据，计算和确定先验概率；③分类，将训练区以外的图像像元逐个逐类代入公式，对于每个像元，分几类就计算几次，最后比较大小，选择最大值得出类别；④产生分类图，给每一类别规定一个值，如果分10类，就定每一类分别为1，2……10，分类后的像元值使用类别值代替，最后得到的分类图像就是专题图像[14-15]。由于最大灰阶值等于类别数，在监视器上显示时需要给各类加上不同的彩色；⑤如果分类中错误较多，需要重新选择训练区再作以上各步，直到结果满意为止。人工用地、陆生植物、水田、水体和红树林5种地物的监督分类结果如图3所示。

3.2 决策树分类

3.2.1 基于缨帽变换的识别方法。缨帽变换建立起了光谱综合信息与自然景物间的联系，消除波段之间的相关性。研究认为TM数据有3个有意义的方向，第1个为亮度轴（主要反映土壤信息），第2个为绿色物质轴，第3个为湿度轴[16]。图像经表1进行缨帽变换之后所得绿度信息图像如图4所示。

3.2.2 决策树分类。单个决策树是一个典型的多级分类器，可以运用到单独一幅影像上，或者多幅迭置影像上。它由一系列的二叉决策树构成，这些决策树将用来确定每一个像素的所属正确类型。决策树能够基于数据集中任何可用的属性特征进行搭建。例如，有1幅高程影像和2幅不同时间采集的多光谱影像，那么这些影像中的任意一幅都能够对同一个决策树贡献决策。决策树中没有单个的决策能够将影像完全分割为不同的来别。事实上，每一个决策只是把数据分割为2个可能的类别或者2个类别的集合。

利用ENVI软件，可以基本确定研究影像中各类地物绿度的阈值。先利用缨帽变换的湿度信息将水田、水体、红树林、陆生植物、人工用地这5种地物分为两大类，第一大类：湿度小于-0.01时为红树林、水体、水田；第二大类：湿度大于-0.01时为陆生植物、人工用地。在第一大类中利用绿度信息分类：绿度大于0.045时为红树林；绿度小于0.045时为水体、水田。在第二大类中利用亮度信息分类：亮度大于0.205时为人工用地；亮度小于0.205时为陆生植物。运用决策树算法的结果如图5所示。

3.3 精度评价

混淆矩阵是由n行n列组成的矩阵，用来表示分类结果的精度。这里，n代表类别数。有时，该矩阵称为误差矩阵。监督分类和决策树分类的混淆矩阵分别如表2、3所示。通过比较分类后精度可知：决策树分类法提取红树林好于监督分类，其中监督分类总体精度为79.286 2%，红树林制图精度为84.54%。决策树分类总体精度为85.027 2%，红树林制图精度为90.72%。决策树分类方法有较高的分类精度。但由于在河流的周围为植被、土壤、水体的混合光谱，与水田非常相似，容易错误分类。

4 结论

由于红树林光谱特征大体上与其他植被十分相似，而其生存环境周期性浸水，又有与草木植被不同的光谱特征。因此，监督或非监督分类的方法不是很理想。而缨帽变换中的绿度信息能较好反应不同种类树种之间的差别，为红树林的识别与区分提供了良好方法。通过比较最后的分类精度，发现用缨帽变换法的分类精度较高，分类效果较好。

5 参考文献

[1] 林鹏.红树林湿地自然保护区[M].厦门：厦门大学出版社，2001.

[2] 汤育智.福建漳江口红树林景区的保护与开发[J].海洋环保，2003（5）：75-78.

[3] 潘辉，乐通潮，万泉，等.红树林自然保护区周边社区经济调查分析J.防护林科技，2008（3）：1-3.

[4] 郑德璋.海南岛清澜港红树林发展动态研究[M].广州：广东科技出版社，1995.

[5] 范航清.红树林——海岸环保卫士[D].南宁：广西科技出版社，2000.

[6] 张乔民，隋淑珍.中国红树林湿地资源及其保护[J].自然资源学报，2001，16（1）：28-36.

[7] 腾骏华，刘宇，顾德宇.红树林智能遥感分类方法研究[J].台湾海峡，2000，16（3）：331-338.

[8] 李春干.红树林遥感成图研究综述[J].中南林业调查规划，2002，21（4）：52-58.

[9] LONG B G，SKEWES T D.A technique for mapping mangroves with Landsat TM satellite data and geographic information system[J].Oceanographic Literature Review，1997，44（3）：281.

[10] LONG B G，SKEWES T D.A Technique for Mapping Mangroves with Landsat TM Satellite Data and Geographic InformationSystem[J].Estuarine，Coastal and Shelf Science，1996，43（3）：373-381.

[11] 王建斌，肖红生，张利民.GPS在沿海围垦动态监测中的应用[J].华南农业大学学报，2000，21（2）：1-4.

[12] 梁仕楚.广西的红树林资源及其可持续利用[J].海洋通报，1999，18（6）：77-83.

[13] 吴学军.城市TM遥感图像分类方法研究[D].桂林：广西师范大学，2007.

[14] 钱巧静，谢瑞.面向对象的土地覆盖信息提取方法研究[J].遥感技术与应用，2005，20（3）：338-342.

[15] 韦玉春，汤国安，杨昕.遥感数字图像处理教程[M].北京：科学出版社，2007.

[16] 费鲜芸.高分辨率遥感影像在城市绿地信息提取中的应用研究[D].泰安：山东农业大学，2006.