基于HyMap数据的浮水植被信息提取

陶婷， 阮仁宗， 岁秀珍， 王玉强， 林鹏

(1.河海大学地球科学与工程学院，南京 211100； 2.浙江省义乌市勘测设计研究院，义乌 322000；3. 山东省减灾中心，济南 250000)

基于HyMap数据的浮水植被信息提取

陶婷1， 阮仁宗1， 岁秀珍2， 王玉强3， 林鹏1

(1.河海大学地球科学与工程学院，南京 211100； 2.浙江省义乌市勘测设计研究院，义乌 322000；3. 山东省减灾中心，济南 250000)

以美国加利福尼亚州萨克拉门托—圣华金三角洲为研究区，利用2007年6月空间分辨率3 m的HyMap高光谱数据，根据湿地植被的光谱差异，结合地面实况数据，对植被的“三边”参数进行分析，选取合适的植被指数并结合“三边”参数特征，构建决策树模型，提取出研究区的浮水植被，并与最大似然法的分类结果进行比较。结果表明： 利用决策树模型分类的总体精度达到82.68%，与最大似然法相比，总精度提高了6%，很好地识别出了研究区湿地植被中的浮水植被。

HyMap数据； 浮水植被； 植被指数； 决策树

0 引言

湿地具有独特的环境功能[1],但由于湿地植被具有较高的复杂性和不确定性[2]，传统的多光谱遥感数据在湿地植被分类时，精度较低。高光谱数据丰富的波谱信息和较高的波谱分辨率，以及湿地植被独特的波谱特征，为湿地植被的分类研究提供了有利条件。

在美国加州萨克拉门托—圣华金三角洲，专家们利用Hymap数据对湿地植被进行了研究，并取得了较好的效果。例如，Margaret等[3]把混合调制匹配滤波(mixture tuned matched filtering,MTMF)分析的结果和分类与回归树算法(classification and regression tree,CART)结合起来，利用HyMap数据对多年生的辣椒水草进行研究，揭示环境因素(水份、盐度、物种的结构组成、景区的差异性)对水生植被制图的重要影响； Erin等[4]利用高光谱影像，采用决策树等方法对辣椒水草、水葫芦和沉水植被进行分类研究，结果表明水葫芦的制图精度最高。

在对浮水植被的研究方面，国内外的研究相对较少。客涵等[5]对我国山东省南四湖沉水、浮叶植物群落结构与水环境因子的相关性进行了研究，结果表明影响南四湖水生植物生物多样性和生物量的因素主要有水温、透明度和叶绿素； Mark William Matthews等[6]对在内陆和沿海水域探测营养地位、蓝细菌支配、表面浮渣和浮水植被的一种算法进行了研究； Andrea Rauch等[7]针对环境变量对浮水植被覆盖中水藻的影响进行了研究。

本文是以高光谱和高空间分辨率遥感影像Hymap数据作为数据源，获得细分的2种浮水植被分类结果，并与最大似然法的分类结果进行比较。

1 研究区概况与数据预处理

1.1 研究区概况

萨克拉门托—圣华金三角洲位于美国加利福尼亚州西北部萨克拉门托河和圣华金河2条河流的汇合处，是美国西部面积最大、全美国排名第3的河口带。三角洲汊河纵横，地势低洼，全长564 km，流域面积约4.5万km2。本文的研究区为萨克拉门托—圣华金三角洲的谢尔曼岛(sherman)区域。研究区内的湿地植被主要有： 浮水植物(石莲花、水丁香等)，沉水植物(巴西水草、西洋草等)，挺水植物(蒲草等)。其中浮水植被石莲花喜温暖湿润阳光充足的环境，常生于水库、湖泊、池塘和沟渠中，在流速缓慢的河道、沼泽地和稻田中均可生长。植株水上部分一般高30～50 cm。水丁香是一种非本土两栖物种，栖息于水塘、湖泊、沟渠、渠道以及水流速度慢的河流和潮湿的草地里，能适应于不同的水位。

图1 研究区地理位置示意图

1.2 数据源及其预处理

研究区的高光谱遥感数据来源于成像光谱仪HyMap航拍影像，飞行时间为2007年6月19—21日，飞行高度1 500 m，地面分辨率3 m。飞行路线贯穿整个圣华金河三角洲流域，共64条航道。HyMap是由HyVista公司研制的航空成像光谱仪，其总视场角(FOV)为60°，瞬时视场角(IFOV)为215 m/rad，共126个波段，波长范围为0.450～2.50 μm，带宽为0.015～0.020 μm不等[8]。主要谱段参数如表1所示。

表1 HyMap成像光谱仪的主要谱段参数

引入地面实况GPS控制点数据，所有的样本点均由外业工作人员利用GPS手持机获得，精度1 m，记录样本的种类、覆盖度和位置等属性。

使用的HyMap影像已由HyVista公司进行了大气校正[8]和几何纠正。原始光谱影像数据包含着大量地物信息，因为在数据产生过程中，受到诸多因素影响，产生数据冗余，降低了原始影像的质量。通过对影像126个波段特征的综合分析，剔除第一波段(数据错误波段)，选取第2～70个波段进行后续研究分析。然后在假彩色合成(RGB分别对应29，15，8波段)的基础上数字化提取水域边界，裁剪出本文的研究区。

2 浮水植被信息提取

2.1 典型植被波谱曲线的获取与分析

在对不同类型的植被进行分析时，参照GPS野外采样点，选取植被覆盖度大于80%的样本点用于本研究。研究区用作训练样本的不同类别的植被群落实际采样情况如表2所示。

表2 研究区不同类型植被实际采样点统计

本研究主要使用待分类影像手工选取像元的方法，以波长为X轴，反射率均值作为Y轴，建立地物光谱响应曲线，如图2所示。

图2 研究区典型湿地植被的反射率曲线

从图2可以看出，研究区湿地植被的光谱较为明显地被分为2组，反射率低于0.3的植物，例如沉水植被，长期生活在水面以下的习性使得水体的吸收特性对植物的反射光谱有很大程度的影响。但是挺水植被和浮水植被由于露出水面，其受水体吸收作用的影响与沉水植被相比明显减小，如水丁香、石莲花、蒲草等，所以其反射率有明显的上升趋势。而浮水植被的整体反射率较高。可以将浮水植被与其他湿地植被区分开来。

2.2 植被指数的选取

植物叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，这是植被遥感探测的物理基础。通过这2个波段的不同组合可得到不同的植被指数，如表3所示。

表3 植被指数的选取

①Rn为Hymap数据第n波段的反射率值。

选取修正的归一化差值植被指数mNDVI[9]，进行植被提取； 因为浮水植被在红边和红外波段的差异明显，选择可见大气阻力红边指数VARIred-edges[10]，可以将浮水植被信息提取出来。

2.3 湿地植被的“三边”参数分析及决策树构建

2.3.1 湿地植被的一阶导数光谱特征

遥感波谱研究中的“三边”特性研究是指对地物在红光、黄光、蓝光波段区间内的原始波谱及其一阶微分特性的研究。为了求出湿地植被的“三边”参数，需要对湿地植被的一阶导数光谱特征进行分析。光谱微分技术不仅强调曲线的变化还压缩均值影响，主要用于减弱大气散射和吸收对目标光谱特征的影响。一阶微分可用于去除部分线性或接近线性的背景、噪声光谱对目标光谱(必须为非线性的)的影响。研究区5种湿地植被的一阶导数光谱特征如图3所示。可以看出，研究区湿地植被群落一阶导数分别在520 nm和710 nm左右都存在1个正的峰值，也就是说湿地植被的反射光谱在这2处分别达到了反射率增速最快的极点。浮水植被(石莲花、水丁香)的一阶导数值最大，其次是挺水植被(蒲草)。

图3 典型植被的一阶导数曲线

2.3.2 湿地植被的“三边”参数分析

为了进一步对浮水植被进行细分，需要对湿地植被的“三边”参数进行分析。“三边”参数的相关定义及含义[11]见表4，对各植被“三边”参数进行的统计结果见表5。

表4 “三边”参数定义

表5 各植被的“三边”参数统计表

从表5可以看出，在“红边”区间，沉水植被的“红边”位置稳定在694.6 nm，而浮水植被和挺水植被的“红边”位置在709.8 nm。石莲花和水丁香的“红边”面积最大，其次是挺水蒲草，沉水植被最小。浮水植被在此区间的最大一阶微分值也比其他湿地植被要大。在“黄边”区间，植被的“黄边”差异比较明显，挺水蒲草的“黄边”位置最大，而西洋草、石莲花和水丁香的“黄边”位置一样，蒲草的“黄边”面积和“黄边”增幅均最大。在“蓝边”波段区间，几种植被的“蓝边”位置都稳定在511 nm。浮水植被的“蓝边”增幅和蓝边面积最大，与其他湿地植被具有明显的差异。在“绿峰”区间，典型湿地植被的“绿峰”位置都是557.4 nm。但是在“绿峰”位置处的反射率是完全不一样的，水丁香的反射率最高，其次是石莲花，沉水植被的反射率最低。在“红谷”区间，典型湿地植被的“红谷”位置都是679.3 nm。但是在“红谷”位置处的反射率也是完全不一样的，水丁香的反射率最高，其次是挺水蒲草和西洋草。

从以上分析可以看出，在浮水植被在“红边”的面积最大，在“红边”的最大一阶微分值也最大，而且与其他植被差异明显，可以选取可见大气阻力红边指数(VARIred-edges)，将浮水植被从研究区湿地植被中提取出来。在“绿峰”位置处，浮水植被的反射率也是最大，其中水丁香的反射率最高，其次是石莲花。根据“绿峰”位置处的反射率差异，将浮水植被中的水丁香和石莲花提取出来。

2.3.3 决策树构建

决策树分类(decision tree classifier, DTC) 方法是一种非参数的分层监督分类方法，它仅以实例为基础进行归纳与运算，而不依赖经验知识且无需对数据分布进行假设； 其结构简单并可生成易于解译的分类判别准则[12]。

通过分析各种植被的“三边”参数以及选取的植被指数，由湿地植被的光谱曲线可以看出，浮水植被的反射率普遍较高，选取合适的DN值将浮水植被提取出来。这部分浮水植被可能包含其他湿地植被，本研究选取DN值2 500作为阈值，经试验发现在提取过程中阈值超过该值，部分浮水植被会被遗漏。通过上述植被指数的计算公式计算各个植被的VARIred-edges值，选取0.25作为区分浮水植被和其他湿地植被的临界值。最后根据各种植被在绿峰处的反射率加以区分。在湿地植被中浮水植被的反射率值最高，其中又以水丁香的反射率最高，其次是石莲花。由上述“三边”参数计算结果选取780作为区分石莲花和水丁香的阈值。以此建立分类规则，构建提取浮水植被的决策树，如图4所示。

图4 研究区浮水植被提取决策树模型

3 浮水植被提取结果及分析

3.1 浮水植被提取结果

利用建立起的决策树模型对研究区内的湿地植被，包括浮水植物(石莲花、水丁香)，沉水植物(巴西水草、西洋草)和挺水植物(蒲草)进行分类。为了突出浮水植物，现将沉水植物和挺水植物合并成一类为其他湿地植被，最后将研究区划分为4类，分别为水体、石莲花、水丁香和其他湿地植被(图5(a))。为了检验决策树分类方法在本次分类中的效果，利用基于影像光谱特征的最大似然法进行对比试验，分类结果如图5(b)所示。可以看出，浮水植被主要分布在水域中离岸较近，流速较缓的区域。

(a) 基于决策树方法的浮水植被提取结果(b) 基于最大似然法的浮水植被提取结果

3.2 精度评价

得到分类结果后，建立误差矩阵和分类精度指标对2种分类结果进行对比评价。通过计算各种统计指标并进行统计检验，最后得出基于总体和基于各种地物类型的分类精度值[13]。利用Kappa系数评价分类质量，综合三角洲水生植被分布图、野外采样点和其他辅助数据资料，选取641个样本点作为本次试验的检验数据，精度评价结果见表6和表7。

表6 基于决策树的浮水植被提取结果精度评价

表7 基于最大似然法的浮水植被提取结果精度评价

从表6和表7可以看出，最大似然法的分类精度为76.25%，Kappa系数为0.68； 而决策树方法的分类精度为82.68%，Kappa系数为0.76。决策树分类方法总体上优于仅仅依据影像光谱特征的最大似然法分类，有利于浮水植被的提取。本文建立的决策树模型综合了该湿地植被的“三边”参数特征，并选取了合适的植被指数，提高了分类的总体精度。

实验表明，基于决策树的分类方法是可行的，对研究区的2种浮水植被来说，水丁香的分类精度更高，这可能与研究区内水丁香的面积较大有关。对于研究区内不能准确提取出的浮水植被，可能与浮水植被和沉水植被绞缠在一块，影响了分类的精度。为了进一步提高分类和制图的精度，可以采集更多的研究样本，并提高采样点辅助资料的精度。

4 结论

本文利用2007年6月空间分辨率3 m的HyMap航空高光谱数据，分别选取了基于决策树模型和最大似然法2种分类方法，有效地实现了浮水植被信息提取，为湿地植被分类研究提供了有益参考[14-15]。研究结果表明：

1)与最大似然法分类相比，建立的决策树模型更有效地提取出了研究区的浮水植被，提高了分类精度，更值得推广。这是因为虽然Hymap遥感影像数据量庞大，为信息挖掘带来一定困难，但是利用决策树方法可以有效地避免高维数据带来的计算冗余及噪声干扰等问题。

2)通过对研究区植被光谱曲线进行一阶微分处理，进而开展“三边”参数研究，进一步找出了浮水植被与其他湿地植被的差异； 建立的决策树模型综合了植被的光谱特征和植被指数，有效地提取出了浮水植被信息。

3)本研究中提取出了大部分浮水植被，但不排除存在与其他植被混合的可能。一般情况下，石莲花和水丁香的光谱差异很小，混合会很严重。虽然本研究区中石莲花和水丁香在绿波段的反射率存在一定差异，可以对它们进行区分，但仍还存在着错分和漏分现象。在以后的研究中，需要结合其他方法对浮水植被的光谱特征进行细致研究，找到其间更多的可鉴别差异，以便更准确区分它们。

[1] Marion L,Paillisson J M.A mass balance assessment of the contribution of floating-leaved macrophytes in nutrient stocks in an eutrophic macrophyte-dominated Lake[J].Aquatic Botany,2003,75(3):249-260.

[2] Hestir E L,Khanna S,Andrew M E,et al.Identification of invasive vegetation using hyperspectral remote sensing in the California Delta ecosystem[J].Remote Sensing of Environment,2008,112(11):4034-4047.

[3] Andrew M E,Ustin S L.The role of environmental context in mapping invasive plants with hyperspectral image data[J].Remote Sensing of Environment,2008,112(12):4301-4317.

[4] Hestir E L,Khanna S,Andrew M E,et al.Identification of invasive vegetation using hyperspectral remote sensing in the California Delta ecosystem[J].Remote Sensing of Environment,2008,112(11):4034-4047.

[5] 客涵.南四湖沉水、浮叶植物群落结构与水环境因子相关研究[D].济南:山东大学,2014. Ke H.Research on Relationship Among Submerged,Floating Plant Community Structure and Water Environmental Factors[D].Ji’nan:Shandong University,2014.

[6] Matthews M W,Bernard S,Robertson L.An algorithm for detecting trophic status(chlorophyll-a),cyanobacterial-dominance,surface scums and floating vegetation in inland and coastal waters[J].Remote Sensing of Environment,2012,124:637-652.

[7] Rauch A,Fesl C,Schagerl M.Influence of environmental variables on algal associations from a floating vegetation mat(Schwingmoor Lake Lunzer Obersee,Austria)[J].Aquatic Botany,2006,84(2):129-136.

[8] Andrew M E,Ustin S L.Habitat suitability modelling of an invasive plant with advanced remote sensing data[J].Diversity and Distributions,2009,15(4):627-640.

[9] 柴颖,阮仁宗,傅巧妮.高光谱数据湿地植被类型信息提取[J].南京林业大学学报:自然科学版,2015,39(1):181-184. Chai Y,Run R Z,Fu Q N.Extraction of wetland vegetation information using hyperspectral image data[J].Journal of Nanjing Forestry University:Natural Sciences Edition,2015,39(1):181-184.

[10]Gitelson A A,Kaufman Y J,Stark R,et al.Novel algorithms for remote estimation of vegetation fraction[J].Remote Sensing of Environment,2002,80(1):76-87.

[11]Underwood E C,Ustin S L,Ramirez C M.A comparison of spatial and spectral image resolution for mapping invasive plants in coastal California[J].Environmental Management,2007,39(1):63-83.

[12]Sims D A,Gamon J A.Estimation of vegetation water content and photosynthetic tissue area from spectral reflectance:A comparison of indices based on liquid water and chlorophyll absorption features[J].Remote Sensing of Environment,2003,84(4):526-537.

[13]潘琛,杜培军,张海荣.决策树分类法及其在遥感图像处理中的应用[J].测绘科学,2008,33(1):208-211. Pan C,Du P J,Zhang H R.Decision tree classification and its application in processing of remote sensing images[J].Science of Surveying and Mapping,2008,33(1):208-211.

[14]赵萍.基于知识的江南典型区土地利用/覆被分类研究[D].南京:南京大学,2003. Zhao P.Study on Knowledge-Based Jiangnan Typical Area Land Use/Cover Classification[D].Nanjing:Nanjing University,2003.

[15]韦玮.基于多角度高光谱CHRIS数据的湿地信息提取技术研究[D].北京:中国林业科学研究院,2011. Wei W.Study on Wetland Information Extraction Using Multi-Angle Hyperspectral CHRIS Image Data[D].Beijing:Chinese Academy of Forestry,2011.

(责任编辑： 邢宇)

Extraction of floating-leaved vegetation information based on HyMap data

TAO Ting1, RUAN Renzong1, SUI Xiuzhen2, WANG Yuqiang3, LIN Peng1

(1.SchoolofEarthSciencesandEngineering,HohaiUniversity,Nanjing211100,China; 2.YiwuCity,ZhejiangProvinceSurveyandDesignInstitute,Yiwu322000,China; 3.ShandongProvinceDisasterReductionCenter,Ji’nan250000,China)

In this paper, Sacramento, California - San Joaquin River Delta was taken as the study area, and HyMap hyperspectral data with 3 m spatial resolution acquired in June 2007 combined with ground truth data were used for pattern recognition of floating-leaved vegetation in the study area. The study was based on the spectral differences of wetland vegetations, and the “trilateral” parameters of vegetation were analyzed. Then the authors selected suitable vegetation indices combined with “trilateral” parameter features and built a decision tree model to extract the floating-leaved vegetation of the study area in comparison with the maximum likelihood classification results. The results show that the use of decision tree classification model can achieve overall accuracy of 82.68%, and that, compared with the maximum likelihood method, the total accuracy was improved by 6%, which can well identify the floating-leaved vegetation in the wetland vegetation of the study area.

HyMap data; floating-leaved vegetation; vegetation indices; decision tree

10.6046/gtzyyg.2017.02.27

陶婷,阮仁宗,岁秀珍,等.基于HyMap数据的浮水植被信息提取[J].国土资源遥感,2017,29(2):187-192.(Tao T,Ruan R Z,Sui X Z,et al.Extraction of floating-leaved vegetation information based on HyMap data[J].Remote Sensing for Land and Resources,2017,29(2):187-192.)

2015-10-24；

2015-12-01

中国科学院战略性先导科技专项项目“应对气候变化的碳收支认证及相关问题”(编号： XDA05050106)资助。

陶婷(1991-)，女，硕士研究生，主要从事遥感与GIS应用研究。Email: taoting19911116@163.com。

TP 751

A

1001-070X(2017)02-0187-06