結合潮位與DEM的紅樹林遙感識別研究

摘要 以廣西北部灣為研究區，針對潮位周期性變化導致稀疏低矮紅樹林難以被準確提取的問題，基于多潮位Landsat8 OLI圖像和數字高程模型（DEM）數據，通過構建紅樹林識別決策樹模型，并以支持向量機（SVM）為對照，評價結合潮位和DEM信息的決策樹法提取紅樹林信息的可行性．研究結果表明：1）不同高度、不同密度以及不同潮位紅樹林之間光譜差異均較大，稀疏低矮紅樹林也與陰坡林地、水體-陸生植被混合像元光譜存在嚴重“異物同譜”效應;2）無論是基于低潮位、高潮位圖像，還是多潮位圖像，相比未區分高度和密度，在SVM中將細分為高密紅樹林和稀矮紅樹林，其總體精度（分為紅樹林和非紅樹林兩類）可分別提高4.65、4.41和7.22個百分點;3）基于多潮位圖像及DEM的決策樹模型識別的總體精度和Kappa系數分別為98.80%和0.973，比SVM中最佳值分別高出1.62個百分點和0.035．因此，通過同時考慮紅樹林高度、密度、潮位和DEM等特征，可明顯提高紅樹林遙感識別的精度．

關鍵詞 紅樹林;Landsat 8 OLI;潮位;數字高程模型（DEM）;決策樹

中圖分類號 TP79;S796

文獻標志碼 A

收稿日期 2022-03-06

資助項目 國家自然科學基金（41871239）;

中國氣象局雄安大氣邊界層重點開放實驗室（培育）開放課題（2023LABL-B16）；

2020年度江蘇高校“青藍工程”優秀青年骨干教師;河北省省級科技計劃（21567624H）

作者簡介

張雪紅（通信作者），男，博士，教授，主要從事海島海岸帶遙感、植被生態遙感等研究．zxhbnu@126.com

1 南京信息工程大學 遙感與測繪工程學院，南京，210044

2 河北省氣象與生態環境重點實驗室，石家莊，050021

0 引言

紅樹林是分布在熱帶和亞熱帶海岸潮間帶的木本植物群落．它作為海岸帶重要的濕地生態系統之一，具有促淤固灘、防浪固堤、凈化環境、保持生物多樣性等作用^［1-2］．然而，在自然因素和人為干擾的雙因素作用下，紅樹林遭受了嚴重破壞^［3-4］．隨著人們對生態環境變化的關注，紅樹林資源成為世界濕地保護和生物多樣性保護的重要對象^［5-6］．

紅樹林資源調查和動態監測是紅樹林科學保護與管理的基礎．因多生長在淤泥質潮間帶的特殊生長環境，鑒于遙感技術具有快速、周期性、宏觀性等優點，所以紅樹林資源調查廣泛采用遙感監測方法^［6-9］．在紅樹林遙感監測中，中分辨率圖像因易于訪問或訂購，具有可獲取時間序列長、視場范圍大等優點，被廣泛應用于大尺度紅樹林遙感動態監測中^［6］．紅樹林遙感監測的技術難點在于能否準確提取沿岸（堤）分布狹窄的紅樹林帶、稀疏低矮的紅樹林幼林，以及被海水淹沒的紅樹林．

對于沿岸（堤）分布狹窄的紅樹林帶的提取，采用高分辨率遙感圖像以減少紅樹林與光灘、水體的混合像元面積;而對于分布于紅樹林斑塊邊緣和外灘的稀疏低矮紅樹林，當潮位較高時容易被海水浸淹，此部分紅樹林像元光譜呈現為典型的水體或水體-陸生植被混合像元特征，可靠的辦法是獲取灘涂裸露的低潮位遙感圖像^［7］．因此，紅樹林信息遙感提取精度的影響因素中，除了圖像分辨率外，圖像獲取時的潮位也是另一重要影響因素，不同研究人員采用Landsat系列數據對全國紅樹林進行監測的結果也存在顯著差異^{［6，8，10］}，其可能原因除了數據源、分類方法等方面的差異外，數據獲取時的潮位差異也是主要原因之一^［6］．周期性變化的潮位一方面會影響紅樹林遙感識別結果的準確性，另一方面倘若對紅樹林獨特的潮間帶生長環境特點充分利用，則有助于提高紅樹林遙感識別的精度^［11-14］．潮位信息雖然可以有效地提升紅樹林信息提取精度，但在不同潮位圖像獲取期間，沿海養殖區域、農作物等地物也通常發生顯著變化，從而影響紅樹林提取效果．此外，低海拔也是紅樹林濱海環境所具有的獨特特征，但目前鮮有利用高程信息進行紅樹林遙感識別的研究．

本文擬以廣西北部灣為研究區，結合紅樹林濱海濕地及其潮位周期性變化特點，基于高、低潮位的Landsat 8 OLI圖像和DEM圖像及地形特征，并以支持向量機（Support Vector Machine，SVM）監督分類法為參照，評價結合潮位和DEM信息的決策樹法提取紅樹林信息的可行性．

1 數據與方法

1.1 研究區

本文研究區位于廣西北部灣的中部和西部（圖1），大陸海岸線東西走向，東起北海市硬盤鎮，西至東興市與越南交界的北侖河口，岸線曲折，具有眾多天然海灣，主要有廉州灣、欽州灣、防城港灣和珍珠港灣，沿海潮間帶、鹽漬海灘分布著我國面積最大的紅樹林^［15］．本文所選研究區覆蓋了防城港市、欽州市全部海岸以及北海市西側海岸，地理坐標在21°23′5″～22°1′31″N，107°58′54″～109°26′27″E之間．該研究區紅樹植物主要有木欖（Bruguiera gymnorrhiza）、紅海欖（Rhizophora stylosa）、桐花樹（Aegiceras corniculatum）、白骨壤（Avicennia marina）、海漆（Exoecariaagallocha）、秋茄（Kandelia candel）、海桑（Sonneratia caseolaris）和老鼠簕（Acanthusilicifolius）等種類^［16-17］．

1.2 數據

研究所采用的遙感圖像數據包括2016年10月9日和2016年12月28日兩景Landsat 8 OLI圖像（下載于地理空間數據云，網址：http：//www.gscloud.cn/），衛星過境時間均為地方時的11時11分，軌道號為P125/R45．除了遙感圖像外，還利用了衛星圖像成像時刻（上午11時）珍珠港、防城港、龍門、北海4個潮位站點的潮位信息（表1）和DEM數據，4個潮位站點它們分別位于圖1中的港灣2、3、6、11.2016年10月9日潮位較高，同2016年12月28日相比，各站點潮位分別高出203、219、197和239 cm．DEM數據為30 m分辨率的SRTM（Shuttle Radar Topography Mission）DEM（下載網址：https：//urs.earthdata.nasa.gov/）．

1.3 實地調查

2016年10月對研究區進行了野外調查，利用GPS手持機和Google Earth圖像，進行野外地面控制點、驗證點收集和紅樹林種類及生長狀況調查，共獲得GPS采樣點61個（其中地面控制點8個，地物驗證點53個）．結合野外調查結果和收集前人的相關研究結果，研究區的地物考慮紅樹林、陸生林地（為生長在陸地上的森林，根據其光譜差異，主要包括稠密林地、稀疏林地、高山北側陰影中的陰坡林地等）、人工建筑、農作物、裸土、光灘（指低潮位時裸露的灘涂）、水體（包括養殖水域、濱海海域、河流、坑塘、水庫等）、水體-陸生植被混合像元（指陸生植被與河流、水庫、養殖水體的混合像元）等8類，其中，紅樹林、陸生林地、人工建筑、農作物、裸土、水體的GPS采樣點分別為20、8、5、5、5和10個．基于地物驗證點，并結合Google Earth高分辨率圖像，從Landsat 8 OLI圖像中選取以上8類地物樣本共6 091個像元，其中，紅樹林936個（包括高密紅樹林593個、稀矮紅樹林343個）、陸生林地2 245個（包括有林地1 500個、稀疏林地325個、陰坡林地420個）、人工建筑440個、農作物250個、裸土318個、光灘415個、水體1 250個、水體-陸生植被混合像元237個．進一步以60%的各類地物樣本為訓練樣本數據集，剩余的40%為驗證樣本數據集．

1.4 方法

1.4.1 數據預處理

在ENVI 5.3軟件支持下，對Landsat 8 OLI圖像進行輻射校正、幾何糾正、研究區裁切等預處理．輻射校正包括輻射定標和地表反射率的計算，首先利用圖像元數據文件提供的定標系數將原始亮度值轉換成表觀輻亮度，然后采用FLAASH大氣校正模型進行大氣校正，獲得地物的反射率數據．幾何糾正基于所獲取的地面控制點進行，并保證誤差小于0.5個像元．

1.4.2 分類方法

本文擬基于高低多潮位Landsat8 OLI圖像數據構建決策樹模型來提取紅樹林信息，并以SVM監督分類法為參照進行對比分析，以評價決策樹法提取紅樹林的有效性．SVM是一種建立在統計學習理論基礎上的機器學習方法，它是基于結構風險最小化、優化和核函數的線性分類器，在遙感圖像識別分類問題中有著較多的應用．

為了考察潮位對紅樹林遙感識別的影響程度，進一步將位于紅樹林斑塊中冠層高度和密度較高的稱之為“高密紅樹林”，將位于斑塊邊緣或外灘稀疏低矮的紅樹林為“稀矮紅樹林”．因此，本文最終設計了7種研究方案，其中，SVM為6種（表2方案1～6），即高潮位、低潮位和多潮位三種圖像數據源，根據紅樹林稀密、高矮差異各衍生出兩種不同的分類體系．方案1和2采用高潮位影像，且方案2對紅樹林進行了細分;方案3和4采用低潮位影像，且方案4對紅樹林進行了細分;方案5和6采用多潮位影像，且方案6對紅樹林進行了細分;方案7則在多潮位影像數據的基礎上，加入DEM數據，并采用決策樹分類方法進行紅樹林的識別．設計方案1～6的目的是基于高潮位、低潮位以及多潮位影像數據和SVM分類方法，評估潮位信息以及紅樹林高度、密度對紅樹林識別精度的影響程度，并以此作為參照，評價協同多潮位影像和DEM數據的決策樹分類方法來識別紅樹林的可行性．此外，由于高潮位圖像獲取時間為2016年10月9日，研究區內還分布有大面積的農作物，而低潮位圖像獲取時（2016年12月28日）農作物已收割，因此高潮位圖像分類時還額外考慮農作物類型．方案7的決策樹分類中，由于水體-陸生植被混合像元同稀矮紅樹林存在嚴重的“異物同譜”效應，還進一步考慮了水體-陸生植被混合像元．

最后，基于驗證樣本數據集，對本文提取的紅樹林提取結果進行精度評價，并通過比較典型局部區域分類結果進一步分析和對比不同分類方法和方案的差異．本文將分類結果最終合并為紅樹林以及非紅樹林兩類，驗證分類精度則采用混淆矩陣，由混淆矩陣可構建總體精度、制圖精度、用戶精度、Kappa系數等4個精度評價指標．

2 結果與分析

2.1 典型地物光譜特征

圖2a為研究區內典型地物平均反射光譜曲線，其中，紅樹林、陸生林地、農作物呈現為典型的植被反射率特征，但紅樹林因分布于濱海濕地，其短波紅外反射率明顯低于陸生林地和農作物．為了探討紅樹林遙感識別中的“異物同譜”效應，進一步繪制了高密紅樹林、稀矮紅樹林、陰坡林地、稀疏林地和水體-陸生植被混合像元反射率曲線（圖2b）．以上5類地物反射率曲線均呈現典型的植物反射特征，在短波紅外波段，除了稀疏林反射率均值高于0.1之外，其他4種地物均低于0.1;陰坡林地受陰影的影響，導致從可見光至短波段紅外波段反射率均低于其他地物;無論紅樹林密度和高度如何變化，除了近紅外波段反射率發生顯著變化外，其他波段差異較小．此外，水體-陸生植被混合像元反射率與稀矮紅樹林在近紅外至短波紅外波段顯著重疊，陰坡林地在紅外波段，尤其是短波紅外波段與稀矮紅樹林重疊嚴重．因此，水體-陸生植被混合像元、陰坡林地是影響紅樹林遙感識別精度的重要因素之一．

由于紅樹林為典型的海上森林植被，因此表3結合訓練樣本，對研究區內地物的紅外波段反射率、NDVI（歸一化植被指數）、DEM及其光譜隨潮位的變化規律進一步統計分析．從統計結果中可以發現，稀矮紅樹林與水體-陸生植被混合像元光譜存在嚴重“異物同譜”效應，比如兩者低潮時近紅外波段反射率（NIR_L）均值和標準差分別為0.196±0.019和0.179±0.040，低潮時NDVI（NDVI_L）分別為0.402±0.054、0.454±0.130，但高低潮位NDVI之差的絕對值（NDVI_HL）則存在一定的差異，分別為0.436±0.254、0.073±0.060，這是因為稀矮紅樹林受潮位影響劇烈，而水體-陸生植被混合像元則不受潮位影響.此外，陰坡林地短波紅外波段反射率值與稀矮紅樹林極其相似．就DEM而言，紅樹林因生長于潮間帶，其所處平均海拔高度為1～2 m，且高密紅樹林略高于稀矮紅樹林，而水體-陸生植被混合像元海拔高度內部差異較大，位于沿海坑塘、養殖水體與植被的混合像元海拔較低，和紅樹林差異較小，但內陸河流、水庫等與植被的混合像元海拔則相對較高．

2.2 決策樹模型的構建

通過2.1節典型地物光譜特征分析，發現制約紅樹林遙感識別精度的因素主要包括潮位、紅樹林密度及高度差異，以及陰坡坡林地、水體-陸生植被混合像元同紅樹林的“異物同譜”效應．因此，決策樹模型則充分考慮以上因素，結合潮位變化信息和DEM數據，充分利用紅樹林獨特的濱海濕地生境特點，從而實現高精度識別紅樹林．

基于高低潮位Landsat 8 OLI圖像和DEM數據，構建包含4個知識規則的紅樹林識別決策樹模型，如圖3所示.

1）知識規則①：NDVI_L≤0.25（L表示為低潮位、H為高潮位、HL為多潮位）．此規則采用低潮位時的NDVI將地物分成兩類，一類為水體、光灘、裸土、人工建筑等非植被類別，另一類為包含紅樹林、陸生植被、農作物、水體-陸生植被混合像元等的植被類別．

2）知識規則②：SWIR_L≤0.10，SWIR_H≤0.10，NIR_L≤0.16，DEM≤4．此規則利用高低潮位時的短波紅外波段、低潮位時近紅外波段反射率以及DEM等特征組合進行構建，將植被類別進一步細分為紅樹林類別和陸生植被、農作物類別兩類，而水體-陸生植被混合像元因其構成類型多樣，如其所處的海拔高度、混合像元中植被所占比例等，導致此規則只能將部分水體-陸生植被混合像元與紅樹林進行區分．

3）知識規則③：NDVI_L≤0.50．此規則再次利用低潮位時的NDVI將紅樹林分成高密紅樹林與稀矮紅樹林，同時絕大部分水體-陸生植被混合像元的NDVI也偏小，故其與稀矮紅樹林分成同一類別．

4）知識規則④：NDVI_HL≥0.15．此規則利用高低潮位兩個成像時間的NDVI差異，充分利用稀矮紅樹林受潮位影響劇烈的特點，實現兩者的有效區分．

2.3 紅樹林識別結果評價

采用SVM以及2.2節決策樹模型，基于表2中7種研究方案分別提取了研究區內紅樹林空間分布信息．受篇幅限制，在圖4中僅繪制方案7的紅樹林識別結果（每種分類結果最終合并為紅樹林和非紅樹林兩類），即基于多潮位圖像的SVM分類結果和基于多潮位圖像的決策樹分類結果．從分類結果圖中可以看出，紅樹林集中分布于海岸帶區域．

為了定量評價各方案中紅樹林識別精度，結合驗證樣本獲得各混淆矩陣，獲得各自總體精度、Kappa系數、紅樹林制圖精度和用戶精度等精度指標（表4）．從紅樹林識別精度評價結果發現：在SVM中，無論是基于低潮位（方案1和2）、高潮位圖像（方案3和4），還是多潮位圖像（方案5和6），將紅樹林按高度、密度差異細分為高密紅樹林和稀矮紅樹林（方案1、3、5未區分紅樹林高度及密度，方案2、4、6則進行了區分），其總體精度可分別提高4.65、4.41和7.22個百分點，Kappa系數分別提高0.122、0.107和0.182，這主要歸功于紅樹林制圖精度的顯著提高．

不同潮位對紅樹林識別精度影響較大，以區分了高密紅樹林和稀矮紅樹林的方案2、4、6為例，基于多潮位（方案6）的紅樹林總體精度、Kappa系數、紅樹林制圖精度、紅樹林用戶精度分別為97.18%、0.938、95.23%、96.73%，比高潮位（方案2）分別高出6.36個百分點、0.149、14.54個百分點、6.57個百分點，比低潮位（方案4）也分別高出3.45個百分點、0.067、0.35個百分點、9.92個百分點．以上精度評價結果表明高潮位因大量稀矮紅樹林被海水浸淹而漏分，從而導致其分類結果較差，而綜合高、低潮位數據的多潮位數據分類結果則最佳．基于多潮位圖像及DEM的決策樹模型識別的總體精度、Kappa系數、紅樹林制圖精度和用戶精度分別為98.80%和0.973、97.86%、98.53%，比所有SVM中最佳結果分別高出1.62個百分點、0.035、2.63個百分點、1.80個百分點．因此，通過同時考慮紅樹林高度密度、潮位和DEM等特征構建的紅樹林識別的決策樹模型，可明顯提高紅樹林遙感識別的精度．

2.4 討論

2.4.1 潮汐及DEM對紅樹林空間分布信息提取的影響

為了探討潮汐及DEM對紅樹林空間分布信息提取的影響，進一步從研究區內選取了部分典型局部區域進行比對．表5選取4個局部區域，每個局部區域均展示其低潮位、高潮位OLI標準假彩色圖像、相近時相的Google Earth真彩色圖像以及3種SVM結果（方案2、4、6）和決策樹分類結果．

樣區1位于港灣區塊10（廉州灣區域），該區域西南側（表5樣區1中藍色矩形區域）分布有大量位于外灘的紅樹林斑塊邊緣的稀疏低矮紅樹林或紅樹林幼苗，在低潮位時這些紅樹林露出水面，但在高潮位時則被海水淹沒，呈現為水體光譜特征．基于高潮位圖像的SVM分類結果中，這些紅樹林被漏分;低潮位圖像的SVM分類結果雖然可以識別出大部分這些紅樹林，但仍有部分因長期海水浸淹導致被大量泥沙黏附的低矮紅樹林被漏分;基于多潮位圖像的SVM分類法和決策樹分類法，可通過充分利用潮汐變化引起的低矮紅樹林光譜變化信息實現來對其進行有效識別，但前者仍有極少部分被漏分．此外，該樣區的東北角的黃色橢圓區域內，出現大片

因纏繞魚藤而死亡的紅樹林光灘斑塊^［18］，本文中除方案4將此區域誤分為紅樹林外，其他方法均能準確識別．

樣區2位于港灣區塊2（珍珠港區域），該區域生長著大面積紅樹林，在斑塊內部分布有大面積低矮紅樹林（如表5樣區2中藍色矩形區域），導致高潮位圖像無法識別出此類紅樹林，而基于低潮位或多潮位圖像則可以準確提取．樣區3位于港灣區塊6（七十二涇區域），SVM的3種分類結果均存在部分陰坡林地被誤分為紅樹林的現象，尤其是冬季（2016月12月28日）獲取的低潮位圖像中因太陽高度角較小，大面積的陰坡林地使得誤分為紅樹林現象更為嚴重，而基于高潮位圖像（2016年10月9日）誤分率較低，決策樹分類結果因利用了DEM信息從而未出現此類誤分情況．樣區4位于洪潮江水庫，此區塊水庫與陸生植被的混合像元在3種SVM分類結果中大量被誤分為紅樹林，其中多潮位誤分率略低，其原因可能是2個成像時刻空間重采樣差異，使得部分混合像元在其中一個成像時刻更為純凈．決策樹分類結果同樣因考慮了DEM信息而未出現誤分為紅樹林現象．

紅樹林分布在陸海界面附近，因此會定期被海水淹沒．紅樹林樹冠下的海水存在與否（甚至部分紅樹林被海水完全淹沒）明顯地改變了紅樹林在影像上光譜特征．因此，基于單一時相遙感影像提取的紅樹林精度在很大程度上受制于潮汐的波動^［19-21］．為此，研究人員嘗試充分利用紅樹林獨特潮間帶濱海濕地環境，比如考慮潮位信息，通過多潮位影像提取紅樹林在不同潮位下獨特的光譜特征^{［11-12，22］}，或者通過單一潮位影像構建水下紅樹林光譜指數，從而提高紅樹林遙感識別精度^［21］．本文基于多潮位中分辨遙感影像，并輔助DEM數據，研究結果表明此類方法可顯著減小紅樹林與陰坡林地、水體-陸生植被混合像元之間的錯分誤差，從而提高紅樹林遙感識別精度．

2.4.2 紅樹林高度與密度對紅樹林空間分布信息提取的影響

每一地區的紅樹林群落均在不斷進行演替，在演替的不同階段，分布于潮間帶上的紅樹林群落物種組成及其結構也發生相應的變化．比如早期的先鋒群落通常為適應性強的白骨壤、桐花樹和秋茄等單優群落，隨著群落不斷演替，潮間帶的內灘、中灘和外灘的優勢群落則逐漸發生演替，如進入演替后期，中、外灘通常分布著白骨壤單優勢林，內灘則多分布秋茄、桐花樹、木欖、海漆、老鼠簕等^［23］．處于不同演替階段的紅樹林群落類型，其高度和密度也通常存在顯著差異．在潮水的干擾下，處于中、外灘以及低蓋度的紅樹林在影像中的植被光譜特征被弱化（圖2b），如表5中的樣區1和樣區2，在高潮位影像中，潮間帶的中、外灘中部分低矮紅樹林，以及紅樹林斑塊邊緣部分紅樹林極易被海水完全淹沒．另外，低矮紅樹林因長期海水浸淹導致被大量泥沙黏附，從而導致其光譜特征與典型高密紅樹林存在顯著差異．鑒于此，本文充分考慮了紅樹林冠層高度和密度對遙感識別精度的影響，如表4中所示，無論是低潮位、高潮位，還是多潮位影像數據集，區分了紅樹林冠層高度和密度，其識別精度尤其是制圖精度得到顯著提高，其中低潮位（方案1和2）、高潮位（方案3和4）、多潮位（方案5和6）制圖精度分別提高13.47、14.15、23.45個百分點．本文研究表明，在紅樹林遙感提取中，紅樹林冠層高度和密度差異考慮與否，顯著影響其識別精度，但在以往的研究中未有涉及．

2.4.3 決策樹模型的普適性

本文的決策樹模型是結合紅樹林濱海環境特點基礎上構建的，因此其決策流程具有一定的普適性和可重復性．但是，決策規則中的分類特征閾值是基于特定研究區進行確定的，不同區域的紅樹林品種、群落類型存在顯著差異，從而也導致紅樹林冠層的高度和密度不同，進而影響分類特征閾值.此外，本文研究區位于南海北部灣區域，屬于不規則全日潮潮汐類型，不同海域的潮位特征（如潮汐類型和最大潮位差）也存在明顯差異，它是影響文中決策樹模型中NDVI_HL分類特征閾值的關鍵因素之一．因此，針對本文構建的決策樹模型提取其他區域的紅樹林，建議結合紅樹林區域的潮汐和紅樹林群落等特征適當調整分類特征閾值．

3 結論

針對紅樹林遙感信息提取中，稀疏低矮紅樹林幼林以及被海水淹沒的紅樹林等難以被識別的問題，本文以廣西北部灣為研究區，嘗試充分利用紅樹林獨特的潮間帶生長環境特點，基于高、低潮位的Landsat8 OLI圖像和DEM數據識別紅樹林，得出如下結論：

1）紅樹林光譜特征隨著其冠層高度、密度以及潮位變化差異較大．不同高度、密度紅樹林之間的光譜以及不同潮位時紅樹林光譜差異均較大，稀疏低矮紅樹林也與陰坡林地、水體-陸生植被混合像元光譜存在嚴重“異物同譜”效應，以上因素是導致紅樹林遙感識別中產生漏分及錯分的主要原因．

2）在紅樹林遙感識別中，將紅樹林按高度、密度差異細分為高密紅樹林和稀矮紅樹林可顯著提高其識別精度．無論是基于低潮位、高潮位圖像，還是多潮位圖像，在SVM中，將紅樹林按高度、密度差異細分為高密紅樹林和稀矮紅樹林，其總體精度（分為紅樹林和非紅樹林兩類）可分別提高4.65、4.41和7.22個百分點．

3）基于多潮位圖像及DEM的決策樹紅樹林提取模型可顯著提高紅樹林識別精度．和SVM相比，基于本文構建的紅樹林決策樹識別方法總體精度為98.80%，比SVM中最佳總體精度高出1.62個百分點．其Kappa系數、紅樹林制圖精度和用戶精度分別為0.973、97.86%、98.53%，均明顯優于其他紅樹林識別方法．

參考文獻

References

［1］ 林鵬.中國紅樹林生態系統［M］.北京：科學出版社，1997

［2］ Liu K，Li X，Shi X，et al.Monitoring mangrove forest changes using remote sensing and GIS data with decision-tree learning［J］.Wetlands，2008，28（2）：336-346

［3］ Valiela I，Bowen J L，York J K.Mangrove forests：one of the world’s threatened major tropical environments［J］.BioScience，2001，51（10）：807

［4］ 甄佳寧，廖靜娟，沈國狀.1987以來海南省清瀾港紅樹林變化的遙感監測與分析［J］.濕地科學，2019，17（1）：44-51

ZHEN Jianing，LIAO Jingjuan，SHEN Guozhuang.Remote sensing monitoring and analysis on the dynamics of mangrove forests in Qinglan habor of Hainan province since 1987［J］.Wetland Science，2019，17（1）：44-51

［5］ 黃星，辛琨，李秀珍，等.基于斑塊的東寨港紅樹林濕地景觀格局變化及其驅動力［J］.應用生態學報，2015，26（5）：1510-1518

HUANG Xing，XIN Kun，LI Xiuzhen，et al.Landscape pattern change of Dongzhai harbour mangrove，South China analyzed with a patch-based method and its driving forces［J］.Chinese Journal of Applied Ecology，2015，26（5）：1510-1518

［6］ 周振超，李賀，黃翀，等.紅樹林遙感動態監測研究進展［J］.地球信息科學學報，2018，20（11）：1631-1643

ZHOU Zhenchao，LI He，HUANG Chong，et al.Review on dynamic monitoring of mangrove forestry using remote sensing［J］.Journal of Geo-Information Science，2018，20（11）：1631-1643

［7］ 周梅，李春干，代華兵.紅樹林空間分布遙感監測精度的影響因素及應對措施［J］.南京林業大學學報（自然科學版），2018，42（1）：163-168

ZHOU Mei，LI Chungan，DAI Huabing.Influence factors and measures of remote sensing monitoring precision of mangrove space distribution［J］.Journal of Nanjing Forestry University （Natural Sciences Edition），2018，42（1）：163-168

［8］ 吳培強，張杰，馬毅，等.近20 a來我國紅樹林資源變化遙感監測與分析［J］.海洋科學進展，2013，31（3）：406-414

WU Peiqiang，ZHANG Jie，MA Yi，et al.Remote sensing monitoring and analysis of the changes of mangrove resources in China in the past 20 years［J］.Advances in Marine Science，2013，31（3）：406-414

［9］ Wang L，Jia M M，Yin D M，et al.A review of remote sensing for mangrove forests：1956-2018［J］.Remote Sensing of Environment，2019，231：111223

［10］ 賈明明.1973—2013年中國紅樹林動態變化遙感分析［D］.哈爾濱：中國科學院研究生院（東北地理與農業生態研究所），2014

JIA Mingming.Remote sensing analysis of China’s mangrove forests dynamics during 1973 to 2013［D］.Harbin：Northeast Institute of Geography and Agroecology，Chinese Academy of Sciences，2014

［11］ Xia Q，Qin C Z，Li H，et al.Mapping mangrove forests based on multi-tidal high-resolution satellite imagery［J］.Remote Sensing，2018，10（9）：1343

［12］ Zhang X H，Treitz P，Chen D M，et al.Mapping mangrove forests using multi-tidal remotely-sensed data and a decision-tree based procedure［J］.International Journal of Applied Earth Observation and Geoinformation，2017，62：201-214

［13］ 張雪紅，周杰，魏瑗瑗，等.結合潮位信息的紅樹林遙感識別［J］.南京信息工程大學學報（自然科學版），2013，5（6）：501-507

ZHANG Xuehong，ZHOU Jie，WEI Yuanyuan，et al.Remote sensing identification of mangrove forest combined tidal level information［J］.Nanjing University of Information Science ＆ Technology （Natural Sciences Edition），2013，5（6）：501-507

［14］ Xia Q，Qin C Z，Li H，et al.Evaluation of submerged mangrove recognition index using multi-tidal remote sensing data［J］.Ecological Indicators，2020，113：10619

［15］ 李姍姍，田慶久.北部灣紅樹林的HJ星多光譜遙感提取模式［J］.中國科學：信息科學，2011，41（增刊1）：153-165

LI Shanshan，TIAN Qingjiu.Mangrove extraction mode based on HJ multispectral remote sensing in Beibu Gulf［J］.Scientia Sinica （Informationis），2011，41（sup1）：153-165

［16］ 李春干，代華兵.紅樹林空間分布信息遙感提取方法［J］.濕地科學，2014，12（5）：580-589

LI Chungan，DAI Huabing.Extraction of mangroves spatial distribution using remotely sensed data［J］.Wetland Science，2014，12（5）：580-589

［17］ 李春干.廣西紅樹林資源的分布特點和林分結構特征［J］.南京林業大學學報（自然科學版），2003，27（5）：15-19

LI Chungan.Distribution and forest structure of mangrove in Guangxi［J］.Journal of Nanjing Forestry University （Natural Sciences Edition），2003，27（5）：15-19

［18］ 李麗鳳，劉文愛.廣西廉州灣紅樹林濕地景觀格局動態及其成因［J］.森林與環境學報，2018，38（2）：171-177

LI Lifeng，LIU Wenai.Dynamic changes of mangrove wetland landscape pattern in Lianzhou Gulf of Guangxi and its causes［J］.Journal of Forest and Environment，2018，38（2）：171-177

［19］ Li M S，Mao L J，Shen W J.et al.Change and fragmentation trends of Zhanjiang mangrove forests in southern China using multi-temporal Landsat imagery （1977-2010）［J］.Estuarine，Coastal and Shelf Science，2013，130：111-120

［20］ Rogers K，Lymburner L，Salum R，et al.Mapping of mangrove extent and zonation using high and low tide composites of Landsat data［J］.Hydrobiologia，2017，803：49-68

［21］ Jia H M，Wang Z，Wang C，et al.A new vegetation index to detect periodically submerged mangrove forest using single-tide Sentinel-2 imagery［J］.Remote Sensing，2019，11（17）：2043

［22］ Zhang X H，Tian Q J.A mangrove recognition index for remote sensing of mangrove forest from space［J］.Current Science，2013，105（8）：1149-1155

［23］ 盧群，曾小康，石俊慧，等.深圳灣福田紅樹林群落演替［J］.生態學報，2014，34（16）：4662-4671

LU Qun，ZENG Xiaokang，SHI Junhui，et al.Study on succession of a mangrove forest in Futian，Shenzhen Bay［J］.Acta Ecologica Sinica，2014，34（16）：4662-4671

Identification of mangrove forest via remote sensing

combined with tidal level and DEM

ZHANG Xuehong¹ GE Zhouhui¹ ZHEN Xiaoju² JIANG Nan¹ DONG Tianci¹

1 School of Remote Sensing ＆ Geomatics Engineering，Nanjing University of Information Science ＆ Technology，Nanjing 210044，China

2 Hebei Provincial Key Lab for Meteorology and Eco-environment，Shijiazhuang 050021，China

Abstract To address the accurate extraction of sparse and low mangroves perplexed by the periodic change of tide level，we take the Beibu Gulf of Guangxi as the research area to construct a decision tree model for mangrove identification using Landsat8 OLI images at low and high tidal levels and DEM （Digital Elevation Model） data，which is then evaluated by comparing with SVM （Support Vector Machine）.The research results show that difference exists in the spectra of mangroves with different heights and canopy densities or under different tide levels，while the sparse and low mangroves share the same spectrum with shady slope forest and water-terrestrial vegetation mixed pixel.The SVM approach classifies the mangroves as high-dense type and low-sparse type，and improves the overall accuracy by 4.65，4.41 and 7.22 percentage points for low-tide，high-tide and multi-tide images，respectively.The proposed approach reaches 98.80% of overall accuracy and 0.973 of Kappa coefficient，which are 1.62 percentage points and 0.035 higher than the best values of SVM approach.It can be concluded that considering the mangrove height，density，tide level and DEM can significantly improve the identification accuracy of mangroves from remote sensing images.

Key words mangrove forest;Landsat 8 OLI;tidal level;digital elevation model （DEM）;decision tree