紅樹林是生長在熱帶和亞熱帶地區(qū)，陸地和海洋交界的海岸潮間帶灘涂上生長的由木本植物組成的喬木和灌木林群落。紅樹林作為一種獨特的實地植被類型，為鳥類、魚類以及海洋生物提供了豐富的食物和良好的棲息環(huán)境，在抵御海洋自然災害，維護海灣、河口生態(tài)環(huán)境，保護沿海實地多樣性方面具有不可替代的重要作用。

傳統(tǒng)的實地調(diào)查方法獲取紅樹林物種信費時費力，且調(diào)查工作往往難以深入根系繁茂的紅樹林內(nèi)部。相比而言，遙感技術更加經(jīng)濟高效，能夠?qū)崿F(xiàn)多時相且空間連續(xù)監(jiān)測植被物種的構(gòu)成。目前，已有大量研究利用遙感技術對紅樹林物種進行識別或分類，中等空間分辨率的多光譜遙感衛(wèi)星影像。

1 研究方法

1.1數(shù)據(jù)獲取

用無人機搭載納米高光譜成像儀獲取的南沙濕地公園高空間分辨率、高光譜分辨率影像，用作濕地公園局部區(qū)域的紅樹林亞種分類的源數(shù)據(jù)。

在南沙濕地公園內(nèi)，開展實地調(diào)查，詳細記錄紅樹林基本分布情況，作為紅樹林分類結(jié)果的對照。使用手持地物光譜儀獲取的南沙濕地公園實地采樣點位數(shù)據(jù)和光譜數(shù)據(jù)作為采樣點光譜數(shù)據(jù)庫。根據(jù)實際調(diào)查情況，選擇一處紅樹林物種相對較多，環(huán)境影響較為復雜的典型區(qū)域，對該區(qū)域開展基于無人機高光譜影像的紅樹林樹種分類工作。

航高200ｍ，地面分辨率0.1ｍ，光譜分辨率2.23ｎｍ，覆蓋光譜范圍400～1000ｎｍ，包含有269個波段。實驗中使用的數(shù)據(jù)格式為像素按行存儲（bandinterleavedbyline，BIL）。截取其大小為2000×2000像素的影像作為試驗區(qū)（圖１）。南沙濕地公園共二期工程，選取一期進行航飛，面積大約2ｋｍ２。影像主體部分位于一期中心，地物種類主要是蘆葦、木欖、秋茄、水黃皮、鐵冬青和水面。

1.2 波譜庫的建立和編輯

在實地調(diào)查中，在光照充足的情況下，采用手持光譜儀采集樹種的光譜曲線信息，考慮到其他植物、水體、土壤等周圍環(huán)境對光譜曲線的影響，同時采集周圍環(huán)境的光譜信息，為端元光譜提供參考。

根據(jù)實地調(diào)查數(shù)據(jù)對該區(qū)域每一個樹種采集樣本，并將采集到的樹種樣本對應到無人機影像中的對應區(qū)域，作為各樹種的參考樣本，并以參考樣本的光譜作為參考在全幅影像上均勻地選取一定數(shù)量的端元，得到各樹種的候選端元集合，如圖2所示。

1.3 數(shù)據(jù)預處理

由于水域不是本文關注重點，采用掩膜法手工去除塊圖中的水域部分。

由于無人機拍攝時環(huán)境條件存在差異、拍攝時機身的擺動造成不同條帶光譜存在差異、條帶拼接時存在偏移等問題，對高光譜影像進行預處理，包括亮度轉(zhuǎn)換，反射率校正，幾何校正，再使用遙感圖像處理系統(tǒng)的專業(yè)鑲嵌模塊對校正結(jié)果進行拼接，根據(jù)先驗知識和影像各波段質(zhì)量情況，去除部分波段后得到試驗區(qū)的完整塊圖。塊圖包含的波段信息如表１所示。

1.4 樹種分類技術方法

本實驗用到了以下技術方法：

支持向量機是一種基于統(tǒng)計學習理論的機器學習算法。它通過解算最優(yōu)化問題，在高維特征空間中尋找最優(yōu)分類超平面，從而解決復雜數(shù)據(jù)的分類及回歸問題。支持向量機屬于一般化線性分類器，這種分類器的特點是他們能夠同時最小化經(jīng)驗誤差與最大化幾何邊緣區(qū)，因此支持向量機也被稱為最大邊緣區(qū)分類器。

光譜解混。受高光譜成像儀空間分辨率限制，以及紅樹林區(qū)域樹種混雜原因，一個像元內(nèi)往往包含多個樹種，高光譜遙感圖像存在大量混合像元，對高光譜圖像的混合像元分解得到端元及豐度的過程，一般稱為像元的光譜解混。其中，端元代表圖像中存在的純物質(zhì)，豐度代表某個像素中的每個端元所點的百分比。

多端元線性混合光譜分解?；旌舷裨歉吖庾V圖像目標分類準確率降低的主要原因之一，因此不能直接進行基于像元的監(jiān)督分類。本文使用多端元線性混合光譜分解的方法，即光譜解混時對塊圖的每個像素進行像素級分類，從而得到反映每個像素內(nèi)具有的樹種及其對應的比例的豐度圖。該豐度圖得到了單個像素內(nèi)所具有的樹種及其對應的比例，在亞像元級別反映各樹種的分布，更符合真實的樹種分布。在此基礎上，考慮每個像素的最大豐度樹種和相鄰像素的情況，處理形成最終合理的分類結(jié)果。

混淆矩陣算法。混淆矩陣算法是現(xiàn)在國際上比較通用的遙感影像分類精度評價方法，在圖像精度評價中，通過將每個實測像元的類別與分類成果圖像中的同一位置的像元類別相比較計算得到。

2實驗與結(jié)果

對于支持向量機分類部分，本文將端元光譜庫的樣本直接采用為監(jiān)督分類的樣本，具體包括蘆葦、木欖、秋茄、水黃皮、鐵冬青。再根據(jù)傳統(tǒng)的支持向量機分類模型對預處理后的塊圖執(zhí)行監(jiān)督分類，使用傳統(tǒng)的分類方法直接對每個像元賦予了樹種類別，得到支持向量機分類結(jié)果。分類結(jié)果如圖3所示。

由于傳統(tǒng)的分類方法直接對每個像元賦予特定的類別，但在紅樹林區(qū)域是不合理的。在前面的數(shù)據(jù)基礎上，通過多端元線性混合光譜分解得到各樹種類別的豐度圖，再進一步處理形成分類結(jié)果，如圖4所示。

在進行精度評價前，本文根據(jù)實地調(diào)查情況，制作了樹種總體分布概況示意圖（圖５），作為分類結(jié)果的對照。由于試驗區(qū)紅樹林空間分布復雜，局部區(qū)域不存在只有單一植被的情況，且混雜程度不一，分布圖僅描繪了不同區(qū)域的優(yōu)勢樹種，不排除存在其他植被的可能性。因此，不能直接使用分布圖進行精度評定。

考慮到分布圖的局限性，實驗在充分參考樹種分布概況的前提下，根據(jù)紋理、色彩、大小、陰影等特征、直接在影像上采集樣本，作為像元類別實測數(shù)據(jù)，再分別統(tǒng)計支持向量機分類結(jié)果和解混分類結(jié)果，形成混淆矩陣，如表３、表４所示。

根據(jù)支持向量機分類結(jié)果和解混分類結(jié)的混淆矩陣，計算兩種分類方法的總體分類精度，結(jié)果如表５所示。

3實驗分析

將分類結(jié)果與實地調(diào)查數(shù)據(jù)對比，除去個別區(qū)域植被繁雜、周圍環(huán)境干擾使產(chǎn)生的混合像元難以解混，以及“同物異譜”或“同譜異物”的現(xiàn)象存在，造成部分樹種分類與實際有出入之外，兩種分類結(jié)果總體上與實地調(diào)查中紅樹林樹種分布的情況基本一致。其中，支持向量機分類總體精度達到80.88％，光譜解混后分類精度進一步達到83.93％?？梢钥吹?，在基于無人機高光譜影像的樹種識別中，解混和支持向量機方法都能較好地識別出紅樹林的樹種，總體精度都達到了80％以上。相比于支持向量機分類方法，在近水形成的紅樹林混交區(qū)域，解混方法在紅樹林混交區(qū)域總體上表現(xiàn)更好，能夠在一定程度上提高紅樹林的分類精度。

在本實驗中，存在不少未能識別成功的區(qū)域，經(jīng)分析影像質(zhì)量發(fā)現(xiàn)，這些區(qū)域除了少數(shù)是其他植被之外，大部分為陰影、水體附近等影像特征信息較少的區(qū)域。光譜解混方法明顯提升了木欖、蘆葦、鐵冬青的分類精度，但在水黃皮、秋茄分類中不占優(yōu)勢，究其原因：①秋茄和水黃皮之間的波形及反射率值十分相近，在分類時容易錯分；②秋茄本身植株矮小，光譜特征受其他植株影響較大，干擾光譜解混的豐度計算，影響最終分類。

4結(jié)束語

本次實驗進行了大量的紅樹林高光譜數(shù)據(jù)獲取和處理工作，積累了一些寶貴的經(jīng)驗。

1.紅樹林生長區(qū)域樹種空間混雜，混合像元眾多，為保證分類準確性，樹種的光譜信息宜優(yōu)先實地采樣獲取。

2.對紅樹林樹種分類時不能直接根據(jù)像元劃分樹種，必須對像元進行光譜解混，才能得到更接近于真實的分類結(jié)果。

3.高質(zhì)量的影像數(shù)據(jù)是實現(xiàn)準確分類不可忽視的重要前提條件。

4.高光譜影像具有超高的光譜分辨率，能夠反映出不同樹種間的光譜差異，為不同樹種分類提供可能，但仍有部分樹種間的光譜差異十分細微，它們的波形及反射率值都很相近，像元解混存在困難，容易造成錯分，需要進一步研究更有效的分類方法。

總的來說，像元解混是一項行之有效的技術方法，能夠明顯提高目標分類精度，基于高光譜影像進行樹種監(jiān)督分類的技術手段較為成熟，有著非常廣闊的應用前景。

萊森光學（深圳）有限公司是一家提供光機電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應用系統(tǒng)的研發(fā)、生產(chǎn)和銷售。

審核編輯 黃昊宇