面向对象的三亚珊瑚礁底质信息提取 - 海洋测绘数据源

- {2 y/ ~/ C9 q# S. |5 ~5 p9 P

; y6 x! X6 F$ E* {( \

; n$ z ^1 a) @& |$ h

本文内容来源于《测绘通报》2022年第9期，审图号：GS京（2022）0710号

面向对象的三亚珊瑚礁底质信息提取吴虹蓉1,2, 朱岚巍1,3, 施冬21. 海南空天信息研究院海南省地球观测重点实验室，海南 三亚 572029;2. 长江大学地球科学学院，湖北 武汉 430000;3. 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基金项目：海南省重点研发计划(ZDYF2020030)；海南省重大科技计划(ZDKJ2019006)；广东省海洋遥感重点实验室开放课题(2017B030301005-LORS1904)关键词：珊瑚礁面向对象分类体系遥感影像精度评估引文格式：吴虹蓉, 朱岚巍, 施冬. 面向对象的三亚珊瑚礁底质信息提取[J]. 测绘通报，2022(9)：63-67. DOI: 10.13474/j.cnki.11-2246.2022.0265.摘要摘要 ：珊瑚礁对于海洋生态环境研究具有重要意义，通过分析珊瑚礁底栖物质的分布及健康状况，可以对珊瑚礁生态环境进行评估。本文提出了一种基于面向对象的图像分类方法，通过试验确定不同地貌的最优分割尺度，其中陆地和深海的最优分割尺度为150，各类底栖物质的最优分割尺度为30。以Sentinel-2A卫星遥感影像为例，提取海南三亚珊瑚礁自然保护区的珊瑚礁底栖物质，并使用混淆矩阵对提取结果进行精度评估。结果表明，底栖物质提取总体分类精度为87.91%，Kappa系数为0.83。面向对象分类方法可有效结合珊瑚礁底栖物质的纹理特征和光谱特征，并充分利用遥感影像不同波段的组合特性，可为三亚珊瑚礁保护管理提供方法支撑。正文

珊瑚礁是海洋中生物多样性和初级生产力最高的生态系统之一，对于维持海洋生态平衡和促进营养循环具有重要意义，因此被誉为“蓝色沙漠中的绿洲”[1-2]。近百年来，由于人类不合理活动引起气候变化，给近岸珊瑚礁带来严重破坏，使珊瑚礁生态系统面临严重威胁[3-4]。

目前，对于珊瑚礁底栖物质信息提取主要有野外实地调查和利用遥感技术获取两种方法。遥感技术具有大范围测量、时间和空间分辨率较高、非接触信息采集及成本低等特点[5]，在珊瑚礁监测评估及制图方面得到广泛的应用。众多国内外学者对珊瑚礁底栖物质提取方法进行了研究[6-7]，发现传统的像元分类方法在进行珊瑚礁底栖信息提取时，容易产生“椒盐现象”和“图斑破碎”的情况[8]，而面向对象方法以区域同质对象为目标，兼顾光谱、纹理等特征，为珊瑚礁信息提取提供了一种有效方法。该方法已应用到不同分辨率遥感影像上，如SPOT[9]、QuickBird[10]、WorldView[11]。由于Sentinel-2A遥感影像可以免费获取，因此其在土地利用分类[12]、灾害监测[13]及珊瑚礁制图[14]等许多应用中都是首选。

本文以海南省三亚珊瑚礁自然保护区为研究区域，基于面向对象的方法，利用Sentinel-2A遥感影像提取底栖物质信息。根据研究区域珊瑚礁地貌环境定义底栖物质分类体系，使用阈值分类和最近邻法对研究区地貌进行分类，采用混淆矩阵评估面向对象分类的准确性，以此分析面向对象在近岸珊瑚礁底栖物质空间分布信息的提取能力。

. g( V9 u Q; o) l6 [0 R

1 研究区域与数据源1.1 研究区域

1 n( S A. M' w! j6 S

三亚珊瑚礁自然保护区位于海南省三亚市南部近岸及海岛四周海域[15]，自西向东由东、西玳瑁岛片区、鹿回头半岛-榆林角片区、亚龙湾片区3部分组成，占地面积为85 km2。该区属热带海洋性季风气候，年平均气温为25.4℃，最低气温高于17℃，全年阳光充足，长夏无冬。本文以该保护区西岛、东岛、鹿回头、小东海、大东海等区域的珊瑚礁为研究对象。

7 o" I0 N+ W. x0 a" A2 ^

1.2 数据源与数据处理1.2.1 数据源

本文以欧空局的Sentinel-2A卫星影像数据为数据源，成像时间为2020年2月12日。Sentinel-2A携带一枚多光谱成像仪，高度为786 km，可覆盖13个光谱波段，幅宽达290 km，以10~60 m的空间分辨率测量地球的反射辐射(见表 1)。为了验证面向对象分类方法在珊瑚礁底质信息的提取效果，选取2020年的GF-2影像数据作为验证数据。

表 1 Sentinel-2A卫星参数 6 w; ^- E* t: g, {/ d6 i

表选项1.2.2 数据处理下载的Sentinel-2A影像为L1C级，需要进行大气校正、图像融合、图像裁剪等预处理。首先使用Sen2Cor插件对影像进行大气校正，得到L2A级影像，将L2A级影像使用SNAP软件进行重采样，重采样像元大小设置为10 m，将重采样的数据导入ENVI软件对B2、B3、B4、B8波段进行融合，并对融合后的影像按照研究区范围进行裁剪。2 珊瑚礁底质分类2.1 分类体系传感器的光谱分辨率和空间分辨率决定了珊瑚礁制图精度。离岸较远的珊瑚礁由于水质良好更容易对珊瑚礁地貌进行精细识别，而近岸由于水质环境的限制只能识别出较大的珊瑚礁地貌类型(礁前、礁脊、礁坪和潟湖)。目前国内外珊瑚礁分类体系尚没有统一的分类标准，大多数评估珊瑚礁底栖物质组成的研究使用科级或更高级别的分类类别。本文参考已有的珊瑚礁地貌分类体系(见表 2)，并结合研究区域珊瑚礁纹理特征和所用遥感影像可解译的程度，将研究区的地貌类型分为陆地、深海、礁盘，其中礁盘区域底栖物质又细分为活珊瑚、白化珊瑚、藻类和沙地等类型。表 2 已有的珊瑚礁地貌分类体系

表选项2.2 分类方法2.2.1 影像分割多尺度分割是自下而上的分割，从单像素对象开始，在全图范围内，相邻影像对象如果符合规定的异质性生长条件，则逐步合并成更大的影像对象；如果最小生长超过了由尺度参数定义的阈值，则分割过程就会停止，并得到一个尺度的分割结果[23]。分割尺度是决定分割效果的关键，通过试验不同分割尺度对地貌类型的区分效果，从而确定最优分割尺度。在珊瑚礁底质类型中，陆地和深海属于大面积地物。为了得到区分大类地物的分割尺度，在分割尺度100~200之间，以50为间隔分3组进行分割效果对比(如图 1所示)。由图 1可发现，当分割尺度为200时，礁盘与深海的界限并没有被很好地区分，存在欠分割的现象；分割尺度为150时，陆地、礁盘、深海的边界都被正确划分；当分割尺度为100时，各类地物被进一步划分，但对于大类地物不需要过细划分，容易造成计算负担。因此，在区分陆地、深海过程中，设置分割尺度为150。 - g/ N1 b) r9 O

7 I. R/ g0 M5 ?) V

图 1 分割尺度为200、150、100的分割效果图选项

而活珊瑚、白化珊瑚、藻类、沙地等面积过小，如果设置分割参数过大，面积较小的底栖物质则无法被正确分割出来。为了获得更好的分割效果，需要对礁盘区域精细划分，分别设置分割尺度为30和50，测试对底栖物质的区分能力(如图 2所示)。当设置分割尺度为30时，发现活珊瑚和白化珊瑚被明显区分。 5 K2 p& x' z) ?6 n0 `- q! ^

图 2 分割尺度为50、30的分割效果图选项

5 V% o' v. a) M- g0 _* K

影响底栖物质分割效果的参数还有形状指数和紧致度。形状指数描述了图像分割边界的锯齿程度，形状指数越大，分割效果越差。紧致度描述了图像对象在分割过程内的整体紧凑度，紧致度越大，分割效果越好。由于珊瑚礁底栖物质空间分布较为紧密，设置形状指数和紧致度分别为0.1和0.7，以获得基于视觉检查最能解译礁盘区域特征的程度。2.2.2 影像分类在分类方法中，主要基于光谱、形状、上下文信息等特征来创建分类的隶属度规则(如图 3所示)。使用归一化植被指数(NDVI)和归一化水体指数(NDWI)进行阈值分类。NDVI由红色和近红外波段计算得到，是区分陆地与水体的一个重要特征。类似的，NDWI由绿色和近红外波段计算得到，用于提取水体。在不同区域的珊瑚礁中，同一地物的阈值可能会略有不同，需要通过迭代获取所需阈值范围。 i8 u7 U' c: _ U4 T; X

图 3 技术路线图选项

遥感影像上各底栖物质的反射、水体盐分及深度不同，导致礁盘区域光谱特征与其他地物存在明显差异，易于与陆地水体区分。在区分底栖物质时，主要基于底栖物质的光谱特征，同时结合上下文语义信息进行目视解译。各类物质之间交叉或重叠比例较多的样本集(如珊瑚礁底栖物质)，使用最邻近分类方法较其他类型分类方法更为适合。最后，手动编辑修改某些可能具有模糊边界的类的轮廓。3 分类结果与精度评价3.1 分类结果按照已构建的底栖物质分类体系，在分割结果的基础上，以对象为单位选取训练样本，采用最邻近分类方法对研究区进行底栖物质信息提取，提取结果如图 4所示。经统计发现(如图 5所示)，三亚珊瑚礁自然保护区的平均活珊瑚覆盖率为52.24%。其中，西岛活珊瑚覆盖面积最大，其次为鹿回头，东岛、大东海和小东海活珊瑚覆盖率较低，底栖物质类别主要为白化珊瑚和藻类。海岸建设、航运活动造成的水质污染是影响沿岸珊瑚发育的主要因素。

图 4 分类结果图选项

图 5 三亚珊瑚礁保护区底栖物质面积分布图选项

, L9 D6 }# L, v) c2 ^

3.2 分类精度评价通过基于样本点的精度评价方法定量评价面向对象分类，在ArcGIS中随机生成样本点，确保样本点覆盖到每类地物，使用GF-2进行目视解译确定样本点的属性值，然后利用eCognition软件生成混淆矩阵，进行分类精度评估(见表 3)。混淆矩阵能够清楚地反映每种类别正确分类及错分、漏分的个数，主要测量指标为总体分类精度(overall accuracy，OA)和Kappa系数。OA和Kappa系数的计算公式为(1)(2)表 32020年Sentinel-2A图像分类精度 + {) ^. u0 X& M

表选项式中，N为样本总数；r为混淆矩阵的总列数；xii为混淆矩阵的第i行、第i列数量，即该类别正确分类的数目；xi+、x+i分别为第i行、第i列的总数量。由表 3可知，面向对象的珊瑚礁底栖物质信息提取结果总体精度为87.91%，Kappa系数为0.83，分类结果较理想。对于单一底栖物质精度，以藻类为代表的深色类别和以沙地为主的浅色类别，生产者精度达到89%以上。存在一部分活珊瑚与白化珊瑚的错分现象，这是由白化珊瑚被藻类覆盖后形成的光谱曲线与活珊瑚相似造成的。针对这一问题，在后续研究将增加更多的地物特征进一步区分，以提高分类精度。4 结语三亚珊瑚礁自然保护区珊瑚礁底栖物质分类制图对于珊瑚礁生态环境管理和健康评估至关重要。本文基于面向对象的方法实现了三亚珊瑚礁自然保护区的底栖物质信息提取，有效避免了基于像元的分类方法造成的“椒盐现象”，分类精度较高，总体精度为87.91%，Kappa系数为0.83。本文方法既可为三亚珊瑚礁保护区监测提供研究数据，也可为其他沿岸珊瑚礁底栖物质信息提取工作提供参考和借鉴。作者简介作者简介：吴虹蓉(1996—)，女，硕士生，研究方向为珊瑚礁遥感监测。E-mail：hrwsxll@163.com通信作者：朱岚巍。E-mail：zhulw@aircas.ac.cn

初审：杨瑞芳

复审：宋启凡

$ G( F) S+ z+ l, s3 H7 |" E

终审：金 君

资讯

5 B2 E' r V E1 O

' Q& e, |6 I+ c6 x9 L0 `8 a$ A* @ : e& p+ l- R5 N& K$ L