CN115810155B - 一种潮汐湿地的分类方法 - Google Patents
一种潮汐湿地的分类方法 Download PDFInfo
- Publication number
- CN115810155B CN115810155B CN202310062401.9A CN202310062401A CN115810155B CN 115810155 B CN115810155 B CN 115810155B CN 202310062401 A CN202310062401 A CN 202310062401A CN 115810155 B CN115810155 B CN 115810155B
- Authority
- CN
- China
- Prior art keywords
- tidal
- data
- index
- classification
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/22—Improving land use; Improving water use or availability; Controlling erosion
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种潮汐湿地的分类方法,包括以下步骤:1)、获得高潮滩时期影像、低潮滩时期影像、高潮中值时期影像、低潮中值时期影像、生长期影像、枯萎期影像和长时间序列影像;2)、获得极化VV向后散射系数影像和极化VH向后散射系数影像;3)、获取分类样本和分类特征;4)、采用随机森林算法,获得潮滩提取结果;5)、采用随机森林算法,获得湿地植被分类结果;6)、基于潮滩提取结果和湿地植被分类结果获得潮汐湿地分类结果。其可实现对全球范围内的潮汐湿地分类,且具有较高的分类精度。
Description
技术领域
本发明属于环境技术领域,涉及一种潮汐湿地的分类方法。
背景技术
潮汐湿地由无植被的潮滩、生长有木本植物的红树林生态系统和生长有草本植物的潮汐沼泽生态系统组成,为各种植物、鱼类、贝类和其他野生动物提供了重要的栖息地,还能起到防洪、缓解风暴潮和海浪破碎的作用。然而,由于气候变化,海岸侵蚀,潮滩围垦等不合理利用,导致潮汐湿地面积缩小、组成变化,造成湿地生物多样性降低、调蓄功能减弱。因此,大规模动态监测潮汐湿地面积、组成及其变化趋势对于了解沿海生境变化,广泛保护脆弱的沿海生态系统至关重要。
潮汐湿地环境复杂且有些地方人力难至,遥感技术提供了一种经济高效的方法,可以大范围、长时间、高时效对潮汐湿地连续监测,很好的解决了这个问题。然而,仍然存在如下问题:(1)、潮汐湿地为高度动态的潮间带环境,采用光学遥感采集时受潮位的影响较大,难以捕捉低潮滩涂暴露时刻的影像,且沿海地区云覆盖频繁,进一步降低了光学遥感获取晴空影像的可能性。(2)、潮汐湿地植被、陆地植被的光谱特征相似,阻碍了对于潮汐湿地的识别,前人在研究中常出现将陆地植被错分为潮汐湿地植被的情况。(3)、对于潮汐沼泽和红树林的分类,前人仅计算了光谱指数,并没有考虑绿色植物反射率变化最大的红边波段以及雷达数据对木本植物和草本植物后向反射系数的差异,使得分类精度不够精确。(4)、现有的研究多是针对单个区域,单个湿地类型开发的,潮汐湿地组成分类时采用不同的数据源、分类方法、训练样本和解释器进行映射,每个映射中的误差被累积到最终的多类映射中,阻碍它们集成和进一步的生态应用。
鉴于现有技术的缺陷,迫切需要研究一种新型的潮汐湿地的分类方法。
发明内容
为了克服现有技术中所存在的缺陷,本发明提供一种潮汐湿地的分类方法,其可实现对全球范围内的潮汐湿地分类,且具有较高的分类精度。
为了实现上述目的,本发明提供如下技术方案:
一种潮汐湿地的分类方法,其特征在于,包括以下步骤:
1)、基于光学卫星遥感数据获得光谱指数特征、红边指数特征和光谱波段,并基于所述光谱指数特征获得高潮滩时期影像、低潮滩时期影像、高潮中值时期影像和低潮中值时期影像,基于所述光谱指数特征和光谱波段中的红边波段获得生长期影像和枯萎期影像,基于所述光谱指数特征、光谱波段和红边指数特征获得长时间序列影像;
2)、基于雷达卫星遥感数据获得极化VV向后散射系数影像和极化VH向后散射系数影像;
3)、获取野外实测数据和资料数据,并基于所述野外实测数据和资料数据获得分类样本,基于所述资料数据获得分类特征;
4)、基于所述高潮滩时期影像和低潮滩时期影像,采用随机森林算法,以所述分类样本和分类特征为基础获得潮滩提取结果;
5)、基于所述高潮中值时期影像、低潮中值时期影像、生长期影像、枯萎期影像、长时间序列影像、极化VV向后散射系数影像和极化VH向后散射系数影像,采用随机林森算法,以所述分类样本和分类特征为基础获得湿地植被分类结果;
6)、基于所述潮滩提取结果以及所述湿地植被分类结果获得潮汐湿地分类结果。
优选地,所述光谱指数特征包括归一化植被指数-NDVI、归一化水体指数-NDWI、近红外波段的反射值-NIR、植被衰减指数-PSRI、海岸带沼泽植被指数-CSMVI和湿地森林指数-WFI,所述红边指数特征包括归一化差异红边指数1-NDre1、归一化差异红边指数2-NDre2、窄红边1归一化植被指数-NDVIre1、窄红边2归一化植被指数-NDVIre2和窄红边3归一化植被指数-NDVIre3,并且,基于所述归一化植被指数-NDVI和归一化水体指数-NDWI获得所述高潮滩时期影像、低潮滩时期影像、高潮中值时期影像和低潮中值时期影像,基于所述近红外波段的反射值-NIR、植被衰减指数-PSRI和光谱波段中的红边波段获得所述生长期影像和枯萎期影像,基于所述海岸带沼泽植被指数-CSMVI、湿地森林指数-WFI、归一化差异红边指数1-NDre1、归一化差异红边指数2- NDre2、窄红边1归一化植被指数-NDVIre1、窄红边2归一化植被指数-NDVIre2、窄红边3归一化植被指数-NDVIre3和光谱波段获得所述长时间序列影像。
优选地,对所述光学卫星遥感数据进行处理并将其转换成10m分辨率的光谱波段,并基于所述10m分辨率的光谱波段获得所述光谱指数特征和红边指数特征。
优选地,所述野外实测数据包括样本数据和无人机数据,所述资料数据包括全球红树林数据集、全球潮滩数据集、高分辨率谷歌地球数据、海岸带数据集、海拔高度数据、坡向数据、坡度数据、最低温度数据和纬度数据。
优选地,将所述样本数据、无人机数据、全球红树林数据集、全球潮滩数据集、高分辨率谷歌地球数据和海岸带数据集作为分类样本,将所述海拔高度数据、坡向数据、坡度数据、最低温度数据和纬度数据作为分类特征。
优选地,对所述雷达卫星遥感数据进行处理以获得后向散射系数,基于所述后向散射系数获得雷达波段特征,基于所述雷达波段特征获得VV后向散射系统和VH后向散射系数,并基于所述VV后向散射系统和VH后向散射系数获得所述极化VV后向散射系数影像和VH后向散射系数影像。
优选地,所述步骤4)具体为:
4.1)、基于所述高潮滩时期影像,采用随机森林算法,以所述分类样本和分类特征为基础获得水、陆分类结果;
4.2)、对所述水、陆分类结果进行过滤筛选,以确定最大海水范围;
4.3)、用所述最大海水范围对所述低潮滩时期影像进行裁剪,以确定低潮滩最大海水范围;
4.4)、基于所述低潮滩最大海水范围,采用随机森林算法,以所述分类样本和分类特征为基础获得所述潮滩提取结果。
优选地,所述步骤6)具体为:通过对所述潮滩提取结果以及所述潮汐沼泽和红树林分类结果进行掩膜处理和平滑处理,获得所述潮汐湿地分类结果。
与现有技术相比,本发明的潮汐湿地的分类方法具有如下有益技术效果中的一者或多者:
1、本发明首次利用红边波段和植被衰减指数,构建潮汐湿地植被生长期和枯萎期影像数据,利用植物物候特征区分红树林和潮汐沼泽,可以精确划分出生长期和枯萎期影像,提高红树林和潮汐沼泽分类精度。
2、本发明在对红树林和潮汐沼泽分类时,除了采用光谱特征、归一化差分植被指数、归一化差分水体指数等常规指数分类外,还加入了海岸带盐沼植被指数对潮汐湿地植被进行分类,大大提高了红树林和潮汐沼泽的分类精度。
3、为了弥补光学遥感数据对海岸带大概率出现的云雾天气和植被冠层穿透能力的缺乏,本发明引入了雷达数据,能够提高对潮汐湿地分类的精度。
4、本发明利用随机森林算法对潮滩和湿地植被分类时,加入了最低温度数据、海拔高度、坡度、坡向数据,便于限制潮汐湿地范围,减少陆地植被错分为潮汐湿地可能;同时,加入纬度数据,考虑到红树林和沼泽草本植物分布的纬度范围,限制分类模型的适用范围为60°N至60°S,因红树林分布在25°N至25°S之间,加入纬度数据也可作为红树林和潮汐沼泽分类的参考要素。
5、本发明将潮位信息和植被特征相整合构建的潮汐湿地分类方法,可以同时区分出无植被的潮滩、湿地木本植物群落红树林和湿地草本植物群落潮汐沼泽,因此,具有普适性,适用于任意大尺度、小尺度区域。
6、本发明可实现对全球范围内的潮汐湿地分类,分类后得到的无植被的潮滩、湿地木本植物群落红树林和湿地草本植物群落潮汐沼泽均有较高的分类精度。
附图说明
图1是本发明的潮汐湿地的分类方法的流程图;
图2是基于光学卫星遥感数据获得光谱指数特征和红边指数特征的流程图;
图3是基于雷达卫星遥感数据获得极化VV/VH后向散射系数影像的流程图;
图4是基于野外实测数据和资料数据获得分类样本和分类特征的流程图;
图5是基于高潮滩时期影像和低潮滩时期影像获得潮滩分类结果的流程图;
图6是基于潮滩分类结果和湿地植被分类结果获得潮汐湿地分类结果的流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明,实施例的内容不作为对本发明的保护范围的限制。
针对现有技术中存在的潮汐湿地数据获取困难、湿地植被难以区分、分类方法通用性差的问题,本发明提出了一种新的潮汐湿地分类方法。
图1示出了本发明的潮汐湿地的分类方法的流程图。如图1所示,本发明的潮汐湿地的分类方法包括以下步骤:
一、基于光学卫星遥感数据获得光谱指数特征、红边指数特征和光谱波段,并基于所述光谱指数特征获得高潮滩时期影像、低潮滩时期影像、高潮中值时期影像和低潮中值时期影像,基于所述光谱指数特征和光谱波段中的红边波段获得生长期影像和枯萎期影像,基于所述光谱指数特征、光谱波段和红边指数特征获得长时间序列影像。
在本发明中,所述光学卫星遥感数据可以来自于哨兵2号(Sentinel-2)。并且,优选地,需要对所述光学卫星遥感数据进行处理并将其转换成10m分辨率的光谱波段,并基于所述10m分辨率的光谱波段获得所述光谱指数特征和红边指数特征。
具体地,如图2所示,与现有技术中类似,可以对所述光学卫星遥感数据进行大气、地形、卷云校正预处理,得到Sentinel-2的 L1A级产品(也就是,光学遥感数据一级产品)。然后,对L1A级产品进行去云处理(也就是,根据光学卫星质评波段掩膜变量将云量大于70%的影像删除,掩膜后的结果仍然存在遗漏错误,使用Fmask 算法进一步掩膜残留云和云阴影覆盖的像元)。将去云处理后的所有波段重采样为10m分辨率,再进行超分辨率合成,即可得到本发明所需的哨兵2波段,具体参加下面的表。
在本发明中,优选地,所述光谱指数特征包括归一化植被指数-NDVI、归一化水体指数-NDWI、近红外波段的反射值-NIR、植被衰减指数-PSRI、海岸带沼泽植被指数-CSMVI和湿地森林指数-WFI。所述红边指数特征包括归一化差异红边指数1-NDre1、归一化差异红边指数2-NDre2、窄红边1归一化植被指数-NDVIre1、窄红边2归一化植被指数-NDVIre2和窄红边3归一化植被指数-NDVIre3。并且,基于所述归一化植被指数-NDVI和归一化水体指数-NDWI获得所述高潮滩时期影像、低潮滩时期影像、高潮中值时期影像和低潮中值时期影像。基于所述近红外波段的反射值-NIR、植被衰减指数-PSRI和光谱波段中的红外波段获得所述生长期影像和枯萎期影像。基于所述海岸带沼泽植被指数-CSMVI、湿地森林指数-WFI、归一化差异红边指数1-NDre1、归一化差异红边指数2-NDre2、窄红边1归一化植被指数-NDVIre1、窄红边2归一化植被指数-NDVIre2、窄红边3归一化植被指数-NDVIre3和光谱波段获得所述长时间序列影像。
下面介绍如何获得所述光谱指数特征和红边指数特征。
1、光谱指数特征
选取红、绿、蓝、宽带近红外波段、窄带近红外波段以及两个短波红外波段共7个原始波段(对应Sentinel-2中B2、B3、B4、B8、B8a、B11、B12波段)作为光谱特征。由于湿地木本植物和草本植物都处于地表潮湿或积水地段,引入归一化植被指数(NDVI)、归一化水体指数(NDWI)、湿地森林指数(WFI)、海岸带盐沼植被指数(CSMVI)和植被衰减指数(PSRI)。
(1)、归一化植被指数(Normalized Difference Vegetation Index,NDVI),可用于描述生物量指标的变化,能够将植被从水和土中分离出来。通过近红外波段与红光波段的差和比值计算得到,对于植被提取非常有效。其计算公式如下:
NDVI = (NIR-R)/(NIR+R) (1)
其中,NIR为近红外波段的反射值,R为红光波段的反射值。
(2) 、归一化水体指数(Normalized Difference Water Index,NDWI),是在归一化差值处理中应用遥感影像的特定波段,使遥感影像中的水体信息显示效果增强。NDWI是中红外波段与近红外波段的归一化比值指数。与归一化植被指数相比,它对于植被冠层的水分具有较明显的提取效果;在植被冠层受到水分胁迫无法识别时,NDWI指数对于水分提取具有显著效果,在湿地监测中具有极大的重要性。其计算公式如下:
NDWI = (G-NIR)/(G+NIR) (2)
其中,NIR为近红外波段的反射值,G为绿光波段的反射值。
(3)、植被衰减指数(Plant Senescence Reflectance Index,PSRI),可预示冠层胁迫性,PSRI增加,预示植被衰老的开始和植物果实的成熟。其计算公式如下:
PSRI = (R-G)/NIR (3)
其中,R为红光波段的反射值,G为绿光波段的反射值,NIR为近红外波段的反射值。
(4) 、湿地森林指数(Wetland Forest Index,WFI),对于木本沼泽提取非常有效,其公式如下:
WFI=(NIR−R)/SWIR2 (4)
其中,NIR为近红外波段的反射值,R为红光波段的反射值,SWIR2为短波红外波段的反射值。
(5)、海岸带沼泽植被指数(Coastal Salt Mashes Vegetation Index,CSMVI),海岸带潮汐湿地由于受水文过程影响频繁,以及沼泽植被生境特点,遥感影像像元光谱同时反映了典型植被特征和水体、湿土背景信息,光谱信息难以精确。本发明选择适合用于潮汐湿地分类的植被指数和湿度指数构建削弱下垫面土壤湿度和水体影响的海岸带盐沼植被指数很好的弥补了这一缺陷。
具体操作为:将植被指数与湿度指数做乘法运算,在湿度和水位高的区域,植被受影响大需要降低湿度和水体的影响,而在湿度低的区域,植被光谱受下垫面土壤湿度和水体影响较小。水体在近红外波段有较高的吸收作用,因而依赖于近红外波段计算的植被指数值偏低。抗大气植被指数(ARVI)参与运算的有可见光蓝波段、红波段以及近红外波段,公式如下:
(5)
其中,NIR为近红外波段的反射值,R为红光波段的反射值,B为蓝光波段的反射值,γ为调整参数,一般取1。其中蓝波段对水体吸收作用相对小,可以降低水体对植被指数提取的影响。因而植被指数选择抗大气植被指数。湿度指数选择上文计算得出的NDWI。NDWI取值范围在-1到1之间,数值随湿度增加而增大,将NDWI的取值范围调整到0到1之间,受湿度和水体影响越大的,相乘的系数越大,以修正下垫面土壤湿度和水体带来的影响。基于湿度和水体调节的海岸带沼泽植被指数(CSMVI)公式如下:
(6)
即
(7)
当γ取1时,
(8)
其中,NIR为近红外波段的反射值,R为红光波段的反射值,B为蓝光波段的反射值,G为绿光波段的反射值。
2.植被红边波段特征
红边是绿色植物在670-760nm之间反射率增高最快的点,也是一阶导数光谱在该区间内的拐点。红边波段与植被的各种理化参数都具有关联性,对描述植物色素状态和健康状况具有鲜明指示意义,因此红边波段是使用遥感方法监测植被状态的理想工具。研究发现,在植物生长旺盛期,其叶绿素吸收边(即红边)向长波方向移动,即“红移”。当植物因为缺水而发生叶子枯萎时,红边位置将向短波方向移动,产生“蓝移”现象。潮汐沼泽上的草本植物有明显的生长期、枯萎期,“红移”、“蓝移”现象都很明显。而红树林没有枯萎期,在四季中红边向长边移动幅度不同。因而加入红边指数特征可以更好的区分潮汐沼泽和红树林。
在本发明中,利用Sentinel-2特殊的植被红边波段计算5种红边指数(NDre1、NDre2、NDVIre1、NDVIre2、NDVIre3)。5种红边指数描述和公式如下:
(1)、归一化差异红边指数1(Normalized difference red edge 1,Ndre1),Ndre1是用红边的波峰和波谷代替传统NDVI中的红光和近红外波段,可用于估算植物叶面积指数,其公式如下:
NDre1=(B6-B5)/(B6+B5) (9)
其中,B5为植被红边波段1的反射值,B6为植被红边波段2的反射值。
(2)、归一化差异红边指数2(Normalized difference red edge 2,Ndre2),是用B7和B5替换NDVI中的近红外波段和红光波段,可以用于精准湿地监测,其计算公式如下:
NDre2=(B7−B5)/(B7+B5) (10)
其中B5为植被红边波段1的反射值,B7为植被红边波段3的反射值
(3)、窄红边1归一化植被指数(Normalized difference vegetation indexrededge1,NDVIre1),用Sentinel-2的波段5代替NDVI中的红光波段,8a波段代替近红外波段,公式如下:
NDVIre1=(B8a−B5)/(B8a+B5) (11)
其中,B8a为窄带近红外波段的反射值,B5为植被红边波段1的反射值。
(4)窄红边2归一化植被指数(Normalized difference vegetation indexrededge2,NDVIre2),用Sentinel-2的波段6代替NDVI中的红光波段,8a波段代替近红外波段,其计算公式如下:
NDVIre2=(B8a−B6)/(B8a+B6) (12)
其中,B8a为窄带近红外波段的反射值,B6为植被红边波段2的反射值。
(5)、窄红边3归一化植被指数(Normalized difference vegetation indexrededge3,NDVIre3),用Sentinel-2的波段7代替NDVI中的红光波段,8a波段代替近红外波段,其计算公式如下:
NDVIre3= (B8a−B7)/(B8a+B7) (13)
其中,B8a为窄带近红外波段的反射值,B7为植被红边波段3的反射值。
下面介绍如何具体获得各种影像。
1.生成高潮滩时期影像、低潮滩时期影像、高潮滩中值时期影像和低潮滩中值时期影像。
选择多个验潮站记录的不同类型潮汐在一年内的潮高数据,作为实测潮高,用以证实潮间带环境的光谱指数与实测潮高之间存在稳定的统计关系。具体步骤如下:
①在光学遥感影像上选取位于验潮站附近的像元作为样本点。
②计算样本点的10个光谱指数。
③分别计算实际潮高与每个光谱指数之间的相关性。
经计算可知NDVI和NDWI与实测潮高的相关性最高,潮滩NDVI与潮高呈负相关,潮滩NDWI与潮高呈正相关,因而以遥感影像中潮滩的平均NDVI/NDWI值代表遥感数据的潮高。
(1)、合成低潮滩时期影像
潮滩NDVI与潮高之间呈负相关,过滤高值的NDVI,可自动识别低潮滩时期图像。具体步骤为:用样本点的潮滩空间平均NDVI值标记遥感影像湿地区域,以降序方式对标记后的影像排序,选择排名靠前的影像作为低潮滩时期观测影像。采用最大NDVI合成方法合成选定的低潮滩时期观测影像,得到低潮滩合成影像(Lowest tide composite,LETC),也就是,低潮滩时期影像。
(2)、合成高潮滩时期影像
潮滩NDWI与潮高之间呈正相关,用样本点的潮滩空间平均NDWI值标记遥感影像湿地区域,以降序方式对标记后的影像排序,选择排名靠前的影像作为高潮观测影像。采用最大NDWI合成方法合成选定的高潮观测影像,得到高潮滩合成影像,(Highest tidecomposite,HETC),也就是,高潮滩时期影像。
(3)、合成低潮滩中值时期影像
用样本点的潮滩空间平均NDVI值标记遥感影像湿地区域,以降序方式对标记后的影像排序,选择排名靠前的影像作为低潮观测影像。采用中值光谱指数合成方法合成低潮观测影像,生成低潮滩中值影像。
(4)、合成高潮滩中值时期影像
用样本点的潮滩空间平均NDWI值标记遥感影像湿地区域,以降序方式对标记后的影像排序,选择排名靠前的影像作为高潮观测影像。采用中值光谱指数合成方法合成高潮观测影像,生成高潮滩中值影像。
2.生成植被生长期和枯萎期影像
(1)、合成生长期影像
植被生长期和衰老期主要针对有明显季节变化特征(如落叶)的植被。潮汐沼泽湿地中的草本植物多具有此特征。红边波段对植物反射率变化高度敏感,当植被生长旺盛时,红边波段的反射率值最大。用样本的沼泽空间最大反射率值标记遥感影像湿地区域,以降序方式对标记后的影像排序,选择排名靠前的影像作为生长期影像。选用对异常值不敏感的中值光谱指数合成法合成生长期影像(Cloud-free green composite,CFGC)。
(2)、合成枯萎期影像
通过计算植被衰减指数(PSRI)确定枯萎期影像,PSRI值越高越接近生长期结束。用样本的沼泽空间平均PSRI值标记遥感影像湿地区域,以降序方式对标记后的影像排序。选用对异常值不敏感的中值光谱指数合成法合成枯萎期影像(Cloud-freesenescencecomposite,CFSC)。
3.生成多特征的长时间序列影像
选择长时间序列的海岸带区域的Sentinel-2影像,计算所有影像的CSMVI、WFI以及红边指数,生成多特征指数的长时间序列影像。
二、基于雷达卫星遥感数据获得极化VV向后散射系数影像和极化VH向后散射系数影像。
在本发明中,雷达卫星选择哨兵1号(也就是,Sentinel-1雷达卫星),其共有四种极化方式(VV、VH、HV和HH)。HH、VH、HV极化方式对水面粗糙度不敏感,陆地和水体的后向散射强度差异大,VV极化方式对水面粗糙度(水面上的植被)响应最为强烈,不论哪种极化方式对红树林区域后向散射强度差异都不大,而VH极化和VV极化方式对草本沼泽区域表现出明显差异。因而选用极化VV后向散射系数和极化VH后向散射系数作为红树林和潮汐沼泽分类的特征。
在本发明中,如图3所示,与现有技术类似,可以对雷达卫星遥感数据进行轨道校正、热噪声去除、辐射定标、相干斑滤波等处理以获得后向散射系数。基于所述后向散射系数获得雷达波段特征。并基于所述雷达波段特征获得VV后向散射系统和VH后向散射系数。这些都属于现有技术,为了简化,在此不对其进行详细描述。
然后,基于所述VV后向散射系统和VH后向散射系数获得所述极化VV后向散射系数影像和VH后向散射系数影像。
在本发明中,考虑雷达卫星VV极化方式和VH极化方式对潮汐沼泽上植被监测的优势,选用VV+VH极化组合方式,生成双极化影像。
三、获取野外实测数据和资料数据,并基于所述野外实测数据和资料数据获得分类样本,基于所述资料数据获得分类特征。
在本发明中,如图4所示,优选地,所述野外实测数据包括样本数据和无人机数据。所述资料数据包括全球红树林数据集、全球潮滩数据集、高分辨率谷歌地球数据、海岸带数据集、海拔高度数据、坡向数据、坡度数据、最低温度数据和纬度数据。
对于所述样本数据,可以在多个地区开展实地调查,野外实测采样前在遥感影像中预先设计采样路线,选择木本植物群落、草本植物群落较丰富的地方进行勘察,用GPS手持记录仪对各点进行定位,记录植被类别和覆盖状况
对于所述无人机数据,可以现场采样测量获得多幅亚米级无人机影像数据,该数据由RGB传感器采集得到的,可作为低潮期参考数据。
对于所述资料数据,可以包括作为分类样本的全球红树林数据集,全球潮滩数据集,高分辨率谷歌地球数据,海岸带数据集;以及作为分类特征的海拔高度数据、坡度数据、坡向数据,最低温度数据,纬度数据。
四、基于所述高潮滩时期影像和低潮滩时期影像,采用随机森林算法,以所述分类样本和分类特征为基础获得潮滩提取结果。
在具体应用时,由于潮滩代表在低潮条件下暴露但在涨潮条件下被淹没的泥滩和沙滩,因此,根据这个定义,遥感卫星观测到的在高潮时为海水,在低潮时为泥滩或沙滩的区域定义为潮滩。如图5所示,具体方法如下:
(1)、水陆分类。通过机器学习算法随机森林(RF)将HETC影像中的像元分为“水”或“陆地”两类,分类特征由5个特征数据(海拔高度、坡度、坡向、最低温度、纬度),7个光谱波段(即 哨兵2号的所有光谱波段)和两个光谱指数(即 NDVI 和 NDWI组成)。
(2)、确定最大海水范围。为了排除养殖池塘和湖泊等内陆水体,将“水”像元转换为矢量格式,修改包含潮滩样本的矢量多边形,进一步确定最大海水范围。操作完成后几乎所有内陆水体都被掩盖。
(3)、利用最大海水范围裁剪LETC影像。利用最大海水范围裁剪LETC 影像,限制潮间带的分类范围,以排除光谱相似的陆地土地覆盖类型,如裸土。
(4)、提取潮滩,将“永久水域”、“红树林”、“潮汐沼泽”和“其他(陆地土地覆盖区域)”都分配为“其他”样本,将“其他”样本和“潮滩”样本都放入RF中,提取出潮滩。
五、基于所述高潮中值时期影像、低潮中值时期影像、生长期影像、枯萎期影像、长时间序列影像、极化VV向后散射系数影像和极化VH向后散射系数影像,采用随机森林算法,以所述分类样本和分类特征为基础获得湿地植被分类结果。
将高潮滩、低潮滩时期的影像组合放入RF分类器中,根据扩大的光谱差异,更好区分潮汐湿地植被和内陆植被。然而,由于木本植物和草本植物都受到潮汐波动的影响,仅使用潮位特征无法有效区分这两种潮汐湿地类型。因此,我们在分类方案中引入了物候特征(生长期、枯萎期影像),雷达影像,高潮、低潮中值时期影像,长时间序列影像来进一步区分木本植物和草本植物。
具体地,连接低潮中值时期影像、高潮中值时期影像、生长期影像、枯萎期影像、长时间序列影像和雷达后向散射系数影像放入RF分类器中。将影响分类结果的限制特征(高度、坡度、坡向、温度、纬度)也放入RF分类器中。参考全球红树林数据集、全球潮滩数据集、海岸带数据集、高分辨率谷歌地球数据选定分类类别为红树林、潮汐沼泽和其他,得到红树林和潮汐沼泽分类结果。
六、基于所述潮滩提取结果以及所述湿地植被分类结果获得潮汐湿地分类结果。
由于没有植被的潮滩和有植被的潮汐湿地是分开绘制的,因此需要来整合各个结果,具体地,如图6所示:
(1)、将潮汐湿地植被分类结果叠加到潮滩提取结果上,得到潮汐湿地分类结果图。
(2)、以最大海水范围矢量多边形掩膜潮汐湿地分类结果,将未相交区域设为陆地,从而减少陆地错分为潮汐湿地的像元。
(3)、采用众数滤波算法将分类异常像元转化为附近分类结果最多像元,从而减少结果图分类错误和不确定性,得到最终的分类图。
最后,采用目视评价和混淆矩阵结合进行精度评价,目视验证明显的分类错误目标,混淆矩阵定量评价方法的分类精度。可以将野外实测样本数据,无人机数据,全球红树林数据集,全球潮滩数据集进行整合,设为参考数据。用总体分类精度、Kappa系数、错分误差、漏分误差、生产者精度和用户精度五种指标验证方法的分类精度。
本发明的潮汐湿地分类方法可实现对全球范围内的潮汐湿地分类,分类后得到的无植被的潮滩、湿地木本植物群落红树林和湿地草本植物群落潮汐沼泽均有较高的分类精度。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制。本领域的技术人员,依据本发明的思想,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (8)
1.一种潮汐湿地的分类方法,其特征在于,包括以下步骤:
1)、基于光学卫星遥感数据获得光谱指数特征、红边指数特征和光谱波段,并基于所述光谱指数特征获得高潮滩时期影像、低潮滩时期影像、高潮中值时期影像和低潮中值时期影像,基于所述光谱指数特征和光谱波段中的红边波段获得生长期影像和枯萎期影像,基于所述光谱指数特征、光谱波段和红边指数特征获得长时间序列影像;
2)、基于雷达卫星遥感数据获得极化VV向后散射系数影像和极化VH向后散射系数影像;
3)、获取野外实测数据和资料数据,并基于所述野外实测数据和资料数据获得分类样本,基于所述资料数据获得分类特征;
4)、基于所述高潮滩时期影像和低潮滩时期影像,采用随机森林算法,以所述分类样本和分类特征为基础获得潮滩提取结果;
5)、基于所述高潮中值时期影像、低潮中值时期影像、生长期影像、枯萎期影像、长时间序列影像、极化VV向后散射系数影像和极化VH向后散射系数影像,采用随机林森算法,以所述分类样本和分类特征为基础获得湿地植被分类结果;
6)、基于所述潮滩提取结果以及所述湿地植被分类结果获得潮汐湿地分类结果。
2.根据权利要求1所述的潮汐湿地的分类方法,其特征在于,所述光谱指数特征包括归一化植被指数-NDVI、归一化水体指数-NDWI、近红外波段的反射值-NIR、植被衰减指数-PSRI、海岸带沼泽植被指数-CSMVI和湿地森林指数-WFI,所述红边指数特征包括归一化差异红边指数1-NDre1、归一化差异红边指数2-NDre2、窄红边1归一化植被指数-NDVIre1、窄红边2归一化植被指数-NDVIre2和窄红边3归一化植被指数-NDVIre3,并且,基于所述归一化植被指数-NDVI和归一化水体指数-NDWI获得所述高潮滩时期影像、低潮滩时期影像、高潮中值时期影像和低潮中值时期影像,基于所述近红外波段的反射值-NIR、植被衰减指数-PSRI和光谱波段中的红边特征获得所述生长期影像和枯萎期影像,基于所述海岸带沼泽植被指数-CSMVI、湿地森林指数-WFI、归一化差异红边指数1-NDre1、归一化差异红边指数2-NDre2、窄红边1归一化植被指数-NDVIre1、窄红边2归一化植被指数-NDVIre2、窄红边3归一化植被指数-NDVIre3和光谱波段获得所述长时间序列影像。
3.根据权利要求2所述的潮汐湿地的分类方法,其特征在于,对所述光学卫星遥感数据进行处理并将其转换成10m分辨率的光谱波段,并基于所述10m分辨率的光谱波段获得所述光谱指数特征和红边指数特征。
4.根据权利要求1所述的潮汐湿地的分类方法,其特征在于,所述野外实测数据包括样本数据和无人机数据,所述资料数据包括全球红树林数据集、全球潮滩数据集、高分辨率谷歌地球数据、海岸带数据集、海拔高度数据、坡向数据、坡度数据、最低温度数据和纬度数据。
5.根据权利要求4所述的潮汐湿地的分类方法,其特征在于,将所述样本数据、无人机数据、全球红树林数据集、全球潮滩数据集、高分辨率谷歌地球数据和海岸带数据集作为分类样本,将所述海拔高度数据、坡向数据、坡度数据、最低温度数据和纬度数据作为分类特征。
6.根据权利要求1所述的潮汐湿地的分类方法,其特征在于,对所述雷达卫星遥感数据进行处理以获得后向散射系数,基于所述后向散射系数获得雷达波段特征,基于所述雷达波段特征获得VV后向散射系统和VH后向散射系数,并基于所述VV后向散射系统和VH后向散射系数获得所述极化VV后向散射系数影像和VH后向散射系数影像。
7.根据权利要求1-6中任一项所述的潮汐湿地的分类方法,其特征在于,所述步骤4)具体为:
4.1)、基于所述高潮滩时期影像,采用随机森林算法,以所述分类样本和分类特征为基础获得水、陆分类结果;
4.2)、对所述水、陆分类结果进行过滤筛选,以确定最大海水范围;
4.3)、用所述最大海水范围对所述低潮滩时期影像进行裁剪,以确定低潮滩最大海水范围;
4.4)、基于所述低潮滩最大海水范围,采用随机森林算法,以所述分类样本和分类特征为基础获得所述潮滩提取结果。
8.根据权利要求7所述的潮汐湿地的分类方法,其特征在于,所述步骤6)具体为:通过对所述潮滩提取结果以及潮汐沼泽和红树林分类结果进行掩膜处理和平滑处理,获得所述潮汐湿地分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310062401.9A CN115810155B (zh) | 2023-01-18 | 2023-01-18 | 一种潮汐湿地的分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310062401.9A CN115810155B (zh) | 2023-01-18 | 2023-01-18 | 一种潮汐湿地的分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115810155A CN115810155A (zh) | 2023-03-17 |
CN115810155B true CN115810155B (zh) | 2023-04-18 |
Family
ID=85487805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310062401.9A Active CN115810155B (zh) | 2023-01-18 | 2023-01-18 | 一种潮汐湿地的分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115810155B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512223B (zh) * | 2022-09-28 | 2023-08-11 | 桂林理工大学 | 一种融合多种变化检测算法的红树林动态监测方法 |
CN117197673B (zh) * | 2023-09-20 | 2024-06-07 | 北京师范大学 | 城市湿地精细类型逐级遥感提取方法、系统、设备及介质 |
CN118038191B (zh) * | 2024-04-11 | 2024-06-14 | 山东农业大学 | 融合阴影动态变化的城市下垫面识别方法、系统、装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108195767A (zh) * | 2017-12-25 | 2018-06-22 | 中国水产科学研究院东海水产研究所 | 河口湿地外来种监测方法 |
CN111652193A (zh) * | 2020-07-08 | 2020-09-11 | 中南林业科技大学 | 基于多源影像的湿地分类方法 |
CN113160359A (zh) * | 2021-05-21 | 2021-07-23 | 宁波大学 | 一种基于谐波拟合参数的滨海湿地遥感制图方法 |
CN113408468A (zh) * | 2021-07-01 | 2021-09-17 | 中国科学院东北地理与农业生态研究所 | 基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法 |
CN114359243A (zh) * | 2022-01-10 | 2022-04-15 | 首都师范大学 | 一种季节性小微湿地动态监测方法 |
CN115082809A (zh) * | 2022-06-23 | 2022-09-20 | 宁波大学 | 一种基于遥感影像大数据的潮滩演变监测新方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9147132B2 (en) * | 2013-09-11 | 2015-09-29 | Digitalglobe, Inc. | Classification of land based on analysis of remotely-sensed earth images |
-
2023
- 2023-01-18 CN CN202310062401.9A patent/CN115810155B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108195767A (zh) * | 2017-12-25 | 2018-06-22 | 中国水产科学研究院东海水产研究所 | 河口湿地外来种监测方法 |
CN111652193A (zh) * | 2020-07-08 | 2020-09-11 | 中南林业科技大学 | 基于多源影像的湿地分类方法 |
CN113160359A (zh) * | 2021-05-21 | 2021-07-23 | 宁波大学 | 一种基于谐波拟合参数的滨海湿地遥感制图方法 |
CN113408468A (zh) * | 2021-07-01 | 2021-09-17 | 中国科学院东北地理与农业生态研究所 | 基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法 |
CN114359243A (zh) * | 2022-01-10 | 2022-04-15 | 首都师范大学 | 一种季节性小微湿地动态监测方法 |
CN115082809A (zh) * | 2022-06-23 | 2022-09-20 | 宁波大学 | 一种基于遥感影像大数据的潮滩演变监测新方法 |
Non-Patent Citations (4)
Title |
---|
智超 等.潮汐和植被物候影响下的潮间带湿地遥感提取.遥感学报.2022,第373-385页. * |
杨立君 ; 马明栋 ; 唐立军 ; .基于TM影像的崇明东滩湿地植被分类研究.水土保持研究.2013,第20卷(第01期),第126-130段. * |
罗晓敏.黄渤海卫星遥感叶绿素a数据重构算法研究.中国优秀硕士学位论文全文数据库 基础科学辑.2022,(第09期),全文. * |
胥为 ; 周云轩 ; 沈芳 ; 田波 ; 于鹏 ; .基于Sentinel-1A雷达影像的崇明东滩芦苇盐沼植被识别提取.吉林大学学报(地球科学版).2018,第48卷(第04期),第1192-1120页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115810155A (zh) | 2023-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Baloloy et al. | Development and application of a new mangrove vegetation index (MVI) for rapid and accurate mangrove mapping | |
CN115810155B (zh) | 一种潮汐湿地的分类方法 | |
Ozesmi et al. | Satellite remote sensing of wetlands | |
Sun et al. | Classification mapping and species identification of salt marshes based on a short-time interval NDVI time-series from HJ-1 optical imagery | |
CN109948596B (zh) | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 | |
Purkis et al. | Integrating in situ reef-top reflectance spectra with Landsat TM imagery to aid shallow-tropical benthic habitat mapping | |
CN112800973B (zh) | 一种基于植被物候特征决策的互花米草提取方法 | |
Sun et al. | Influence of a red band-based water classification approach on chlorophyll algorithms for optically complex estuaries | |
CN117218531B (zh) | 一种面向海陆生态交错带红树林植物地上碳储量估算方法 | |
Lee et al. | Potential uses of TerraSAR-X for mapping herbaceous halophytes over salt marsh and tidal flats | |
Yang et al. | Evaluating AISA+ hyperspectral imagery for mapping black mangrove along the South Texas Gulf Coast | |
Jung et al. | A multi-sensor approach for detecting the different land covers of tidal flats in the German Wadden Sea—A case study at Norderney | |
Melack et al. | Remote sensing of lakes and floodplains in the Amazon Basin | |
Dai et al. | An automatic classification algorithm for submerged aquatic vegetation in shallow lakes using Landsat imagery | |
Pinnel et al. | Spectral discrimination of submerged macrophytes in lakes using hyperspectral remote sensing data | |
Nguyen et al. | Establishing distribution maps and structural analysis of seagrass communities based on high-resolution remote sensing images and field surveys: a case study at Nam Yet Island, Truong Sa Archipelago, Vietnam | |
Pang et al. | Identifying spectral features of characteristics of Sphagnum to assess the remote sensing potential of peatlands: a case study in China. | |
Omran | Remote estimation of vegetation parameters using narrowband sensor for precision agriculture in arid environment | |
Davaasuren et al. | Extent and health of mangroves in Lac Bay Bonaire using satellite data | |
Lu et al. | A novel strategy for estimating biomass of submerged aquatic vegetation in lake integrating UAV and Sentinel data | |
Alkhatlan et al. | Mapping submerged aquatic vegetation in shallow water of Arabian gulf using water spectral indices, field observations and landsat-OLI data | |
Paramanik et al. | Photosynthetic Variables Estimation in a Mangrove Forest | |
Casal et al. | A cost-effective method to map mangrove forest extent, composition, and condition in small islands based on Sentinel-2 data: Implications for management | |
Kim-Anh et al. | Soil salinity assessment by using near-infrared channel and Vegetation Soil Salinity Index derived from Landsat 8 OLI data: a case study in the Tra Vinh Province, Mekong Delta, Vietnam | |
Bhushan et al. | Satellite-based Optical Water Type Classification of Inland Waters Bodies of India |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |