EN中文

地理研究 >

2015 , Vol. 34 >Issue 4: 677 - 690

DOI: https://doi.org/10.11821/dlyj201504007

多目标珊瑚岛礁地貌遥感信息提取方法——以西沙永乐环礁为例

  • 周旻曦 , 1 ,
  • 刘永学 , 2, 3, 4 ,
  • 李满春 2, 3, 4 ,
  • 孙超 1 ,
  • 邹伟 1
展开
  • 1. 南京大学地理与海洋科学学院, 南京 210023
  • 2. 南京大学中国南海研究协同创新中心, 南京 210023
  • 3. 南京大学江苏省地理信息技术重点实验室, 南京 210023
  • 4. 江苏省地理信息资源开发与利用协同创新中心, 南京 210023
刘永学（1976- ）,男,江苏扬州人,教授,主要从事资源环境遥感研究。E-mail:

作者简介：周旻曦（1991- ）,男,江苏宜兴人,硕士,主要从事遥感图像处理与模式识别研究。E-mail:

收稿日期: 2014-10-25

  要求修回日期: 2015-01-22

  网络出版日期: 2015-04-10

基金资助

国家高科技研究发展计划（863计划）课题（2012AA12A406-1）

国家自然科学基金项目（41471068, 41171325,41230751,J1103408）

新世纪优秀人才支持计划（NCET-12-0264）

收起

Geomorphologic information extraction for multi-objective coral islands from remotely sensed imagery： A case study for Yongle Atoll, South China Sea

  • ZHOU Minxi , 1 ,
  • LIU Yongxue , 2, 3, 4 ,
  • LI Manchun 2, 3, 4 ,
  • SUN Chao 1 ,
  • ZOU Wei 1
Expand
  • 1. Department of Geographic Information Science, Nanjing University, Nanjing 210023, China
  • 2. Collaborative Innovation Center for the South China Sea Studies, Nanjing University, Nanjing 210023, China
  • 3. Jiangsu Provincial Key Laboratory of Geographic Information Science and Technology, Nanjing 210023, China
  • 4. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China

Received date: 2014-10-25

  Request revised date: 2015-01-22

  Online published: 2015-04-10

Copyright

《地理研究》编辑部
Fold

摘要

南海珊瑚岛礁资源极为丰富,实时、快速、高效、准确地获取大范围珊瑚岛礁地貌遥感信息具有现实意义。研究提出了一种双尺度转化下的模型与数据混合驱动的岛礁地貌信息提取框架,并设计了珊瑚岛礁地貌分类体系及相应技术流程：首先采用自上而下模型驱动的GVF Snake模型进行宏观地理分带的粗分割,然后采用自下而上数据驱动的云影极值抑制下多阈值OTSU分类算法进行微观地貌类型的精细分类,最终利用区域生长算法提取离散分布的暗沙、暗滩等浅水地貌单元。针对西沙永乐环礁利用CBERS-02B数据进行实验,精度验证表明：珊瑚岛礁地貌遥感信息提取方法总体精度优于经典数据驱动的监督分类算法,且具有抗噪能力强、顾及空间拓扑关系、自动灵活等特点。

关键词： 珊瑚岛礁地貌; 遥感; GVF Snake模型; 多阈值OTSU分割; CBERS-02B卫星

本文引用格式

周旻曦 , 刘永学 , 李满春 , 孙超 , 邹伟 . 多目标珊瑚岛礁地貌遥感信息提取方法——以西沙永乐环礁为例[J]. 地理研究, 2015 , 34(4) : 677 -690 . DOI: 10.11821/dlyj201504007

Abstract

In the South China Sea, the vast ocean is dotted by hundreds of islands. It is meaningful to dynamically update precise geo-information of multi-objective coral islands in real time. Considering the poor spatial accessibility of these islands, remote sensing as a modern monitoring technique outstands the traditional time-consuming ground survey with relatively low expenses and high efficiency. This paper proposes a dual-scale transferred framework applying hybrid model-data driven technique for geomorphologic information extraction based on the 'ring-like' spatial structure of coral islands. Taking the sedimentary environment of each geographic zone and benthic detection capacity of CBERS-02B CCD image into account, we established a practical geomorphology classification system mainly based on 'geo-entity' and supplemented by subclass, i.e., 'geomorphologic structures'. To accord with the classification system, we developed a fully automatically geo-information extraction method for multi-objective coral islands: (1) outlines of first-class geomorphologic zones are delineated by applying top-down and model-driven GVF Snake model; (2) for sub-class geomorphologic structure within the first-class geomorphologic zones, down-top data-driven multi-threshold OTSU segmentation algorithm is applied after removing cloud and shadow areas; (3) region-growing algorithm restricted by gradient-neighborhood criterion is applied for external discretely distributed submerged sandy beaches and hidden shoals extraction. <br/> Experiment for Yongle Atoll (Xisha) based on CBERS-02B CCD images shows that the hybrid framework proposed in this paper outperforms the traditional data-driven supervised classification methods, and the overall accuracy is up to 88.89%, better than ML classification (77.49%) and SVM classification (82.16%). In comparison, this proposed method can delineate the regional geomorphologic heterogeneity under the premise of guarantee spatial continuity and completeness of geographic zones. Additionally, this method is robust to stripe noises, keeping geo-entity from being shattered. Furthermore, the top-down geographic zone segmentation provides the foundation for mining the spatial topological relationship between the ring-like zonation, so as to enhance the feature separability. Practically, this method is flexible and fully automatic, but the final classification result is dependent on key parameters setting, which calls relatively high standard for interpreter.

Key words： coral island geomorphology; remote sensing; GVF Snake model; multi-threshold OTSU segmentation; CBERS-02B satellite

1 引言

南海珊瑚岛礁是中国开发、利用、保护与管控海洋的重要支点,战略价值重大[1]。深入调查南海珊瑚岛礁自然资源、地貌类型是地理国情监测的重要组成部分。南海所处海洋动力环境复杂,珊瑚岛礁地貌在强风浪场、造礁生物等诸多因素的影响下表现出较高的动态性[2]。遥感技术作为宏观、高效的对地观测手段,能够克服传统地貌调查因区域可达性限制而无法满足实时动态更新的缺陷。特别对于地貌结构复杂、空间异质性较强的珊瑚岛礁[3],利用卫星遥感开展珊瑚岛礁地貌专题制图意义重大[4]。
珊瑚岛礁遥感信息提取作为岛礁资源调查的重要组成部分备受关注[5]。国内外学者利用遥感技术对珊瑚岛礁专题制图已展开了大量的工作,完成了系列珊瑚岛礁制图研究[5-10]。虽然岛礁生境制图（habitat mapping）是当前应用最为广泛的制图专题[11-13],Mumby等指出生境（habitat）这一术语自身存在语义的模糊,包含地貌、地质、生态等多学科、多因素的含义,目前尚未形成明确的定义及相应完整系统的分类体系[14]。现有研究就珊瑚岛礁地貌专题遥感制图而言相对较少,多数研究采用的分类体系彼此之间分异很大、主观性较强[15-17],岛礁地貌与生境分类体系相互交织,并未独立形成系统性的体系[7,8,10,18,19]。因此,建立满足遥感地貌专题制图需求的珊瑚岛礁地貌分类体系具有现实意义。
目前,珊瑚岛礁遥感制图技术理论研究多集中在多源遥感数据实用性评价及复杂海况下的地学数据校正两个方面：前者从广度上涵盖多平台（机载[20]/星载[16]/实地观测[21]）、多光谱分辨率（多光谱[8]/高光谱[22]）、多空间分辨率（高/中分辨率）[23]、多物理特性（光学/声学）[13]等多维信息;后者从深度上涉及海面波浪与强反射校正[9]、水深效应校正[24]、水气交互影响校正[25]、底栖生物光谱分析[26]、混合像元分解[27]等诸多理论难题。尽管现有研究从数据源到数据分析校正等方面均取得了长足发展,但在珊瑚岛礁遥感信息提取/分类算法方面改进不大,多依赖于数据驱动的监督分类算法[5,13],大量隐藏的地学先验知识未能得到充分利用,使得地物信息提取结果精度受限。
此外,由于珊瑚岛礁地物分异相对复杂,现有研究多利用高分辨率遥感影像针对单个岛礁分别解译[5,8,11,13,16,18,28]。应用传统监督分类算法进行地物解译时很大程度上依赖于人工干预,工作量大、自动化水平低且可拓展性差。高额的数据成本及低效的解译方式均阻碍了珊瑚岛礁遥感专题信息提取与制图研究的推广与应用。因此,当开展大范围海洋地理国情监测时,如何发展具有可操作性与一定泛化能力的、性价比相对较高的多目标岛礁遥感信息自动化提取技术是亟待解决的问题。
基于此,提出双尺度转化下模型与数据混合驱动的遥感地貌信息提取框架,针对具有自主知识产权的国产中等分辨率CBERS-02B CCD影像设计了珊瑚岛礁地貌分类体系及相应的具有可操作性的技术流程,并以西沙永乐群礁为研究区,实现了多目标珊瑚岛礁地貌信息的自动化提取。

2 珊瑚岛礁地貌分类体系及遥感解译标志

珊瑚岛礁地貌是生物地貌与动力地貌两种地貌的叠加与共存[29]。有别于传统海岸动力地貌学主要研究动力、沉积、地貌三大要素之间的作用关系,海岸生物地貌学针对珊瑚岛礁强调了生物过程与“动力—沉积—地貌”之间的双向作用关系[30,31]。20世纪80年代以来,国内学者结合南海实地科考资料,提出了众多珊瑚礁地貌分类体系：王国忠等按照珊瑚礁沉积相带特征将岛礁地貌单元划分为礁内（后）澙湖、灰沙岛或岸堤、礁坪、边缘浅滩、礁面、礁前斜坡[32];曾昭璇将环礁地貌详细划分为礁外坡、礁盘、澙湖、珊瑚岛、礁墩（点礁）、口门等相区结构[33];何起祥等按照礁复合体相划分了“盆地相—礁前塌积相—礁格架相—礁后砾石相—礁后砂相—岛屿相”等类型[34];赵焕庭等在建立礁体波能分带的基础上提出了珊瑚岛礁动力地貌层次分类体系[35];沈建伟等根据沉积分带模式,将生物礁礁盘分为礁坪（礁后）、礁脊（藻脊）和礁前、礁前斜坡等[36]。由于研究视角（如地形地貌[18]、沉积相带[36]、生态环境[16]、工程地质[37]等）存在差异,现有研究所采用的珊瑚礁分类体系纷繁复杂、难以统一,这给资源调查、岛礁制图带来了很大的困难。特别地,利用遥感技术进行岛礁信息提取与制图,研究结果不仅仅受制于分类体系,很大程度上亦存在数据依赖性。
目前,国际珊瑚礁遥感制图研究影响力较大、应用面较广的是美国NOAA海岸带监测与评价中心（CCMA）所发布的分类体系[38]。该套分类体系是针对IKONOS等高分影像应用于浅水珊瑚礁遥感制图的产物,综合考虑了珊瑚岛礁其地理分带（geographic zone）、地貌结构类型（geomorphology structure type）、主要生物覆被（dominant biological cover）和活珊瑚覆盖度（live coral cover degree）等多维属性。从珊瑚礁遥感地学研究角度,这套体系满足了国际上不同视角下的遥感地学分析与应用需求[7,16,18,39-41]。但是,该套与高分影像精细地物细节相匹配的分类体系,并不适用于进行大范围珊瑚岛礁遥感制图时所采用的中分辨率影像。因此,研建面向中分辨率遥感影像适用可行的珊瑚岛礁地貌分类体系具有现实意义。
地学信息甄别与分析是建立具有可操作性岛礁地貌分类体系的前提。通过CBERS-02B CCD影像判别可以发现,南海珊瑚岛礁地貌具有明显的“宏观环状连续、微观异质破碎”分异特征,这给层次性地貌类型划分提供了依据。研究结合珊瑚岛礁各类地貌受涌浪、季风等动力过程与珊瑚造礁等生物过程的综合影响,及影像波谱间对水深探测能力的差异性,建立了南海珊瑚岛礁地貌遥感分类体系[14,36,42,43]。根据各个地理分带所处的水深条件、沉积环境等差异,将珊瑚岛礁自海向澙湖划分为礁前、礁坪、澙湖、潮汐通道、灰沙岛等一级地理分带,进一步以生物物理作用划分相应的二级地貌类型（表1）,与曾昭璇提出的“门”、礁、洲、岛等环礁典型分类模式相契合[33]。
Tab. 1 Geomorphic classification system for coral islands in South China Sea and interpretation marks

表1 南海珊瑚岛礁地貌分类体系及遥感解译标志

制图要素 地貌类型/地物类别 地貌/地物分类定义 遥感影像解译标志（波段组合R3G2B1） 最佳解译波段/组合(CBERS-02B)
一级类 二级类
地貌类型 向海坡 - 从礁坪外缘坡折线向海的水下斜坡 礁缘扩散性边缘 I
礁前 - 由礁脊向海延伸的坡度大于礁格架的区域,多为碎屑礁块 礁坪礁缘呈淡蓝色面状 I、II
礁坪 礁脊 生物碎屑物固结、瘤化形成的堆积带,成为礁前、礁坪的分界线 礁前白色线状突起带 II、IV
槽沟 突起脊由造礁珊瑚生长堆积而成,底部由珊瑚碎石和碳酸盐砂铺垫 发育延伸方向垂直于礁前陡坡,呈韵律条带状 II
珊瑚生长带 内礁坪中部低洼平坦、水动力平静,是抗浪性差的珊瑚群落的优良生长区 呈暗灰色,地貌破碎度向礁坪递增 I
礁坑发育带 内礁坪向澙湖不均匀扩展,发育大量深而大的礁坑,坑底堆积生物砾块 呈灰蓝色,地貌破碎度相对较高 I、II
澙湖 澙湖坡 礁坪内缘至澙湖底的斜坡地带 礁后扩散性边缘 I、III
澙湖盆 澙湖中心地势较为平坦的地貌单元 呈面状分布,表现为深蓝色块状区域 III
澙湖点礁 从澙湖坡或澙湖底上显著突起的礁体 在澙湖内呈点状灰白色 III
潮汐通道 - 澙湖水体与外海水体进行交换的通道 - -
暗沙/暗滩 - 发育在环礁边缘,低潮时
不露出水面,多有珊瑚生长		 影像上有微弱信息,呈浅灰蓝色 II、III
灰沙岛 沙滩 出露海面,表面多覆盖珊瑚砂砾 分布岛外缘,呈亮白色 II、IV
沙丘 灰沙岛上隆起的沙质土丘 分布岛中央,呈棕黄色 III、IV
地物类型 植被 灰沙岛上存在植物覆盖的区域 分布岛中央,呈绿色 II、IV
云影 海面漂浮的云及其阴影 亮白色斑块及对应暗斑 IV

注：① 潮汐通道由于其在影像上表现出与海水相近的光谱特征,并未将其作为制图要素;② 礁脊理论上应与礁前、礁坪为同一等级,但其宽度较窄,从影像划分一级地理分带时归并入礁坪。

珊瑚岛礁不同地貌类型在不同光谱波段上表征存在差异。根据CBERS-02B多光谱波段设置可知,波段1（450~520 nm）为蓝光波段,该波段波长最短、穿透海水能力最强,可以获取水下最丰富的地貌特征信息,适用于提取向海坡、暗沙、暗滩等水下相对较深的地貌单元;波段2（520~590 nm）为绿光波段,该波段透水能力弱于蓝光波段,与波段1组合使用可以优化覆水礁坪信息;波段3（630~690 nm）为红光波段,透水能力虽不及蓝绿波段,但对于浅水地貌单元识别亦有较好的区分度,可提取如内礁坪、澙湖等地貌单元;波段4（770~890 nm）为近红外波段,海水在近红外波段的强吸收作用使得该波段几乎不能探测水下地貌信息,可用于提取出露水面的岛屿、沙洲等,亦可用于云影检测。

3 珊瑚岛礁地貌信息提取技术流程

3.1 双尺度转化下模型与数据混合驱动的遥感地貌信息提取框架

根据地学先验知识分析,针对珊瑚岛礁地貌“宏观连续—微观破碎”的尺度分异特征,建立了双尺度转化下的混合驱动框架对珊瑚岛礁地貌信息进行提取。该技术方案主要分为三个步骤（图1）：① 采用自上而下模型驱动的GVF Snake方法完成岛礁环状地理分带粗分割;② 通过自下而上数据驱动的云影极值抑制多阈值分割方法对于各个地理分带内部的微地貌进行精细分类;③ 通过“梯度—邻域”双约束条件下的区域生长算法提取环礁澙湖内离散分布的暗沙、暗滩等浅水地貌单元。该技术框架能够在顾及宏观尺度下地理实体空间连续性与完整性的基础上,实现微观尺度下局部地貌空间分异特征的准确描述。整体流程充分挖掘了CBERS卫星遥感数据各个波段的特征信息,建立了地学先验知识引导下的双尺度混合驱动框架,并实现了对于多目标岛礁地貌信息提取技术的高自动化。
Fig. 1 General dual-scale transferred framework for coral island geomorphologic information extraction applying hybrid model-data driven technique

图1 双尺度转化下混合驱动的珊瑚岛礁地貌遥感信息提取总体技术框架

3.2 自上而下模型驱动的岛礁环状地理分带划分

自上而下模型驱动的珊瑚岛礁地理分带划分主要利用初始自动化的GVF Snake模型针对具有不同水深探测能力的各个波段进行地理分带轮廓线的全自动提取。
3.2.1 GVF Snake模型 传统Snake模型的基本思想是通过用户设定的初始轮廓线,在能量函数最小的准则下引导曲线演化逼近图像目标真实轮廓线[44]。设图像I中弧长参数化表达的空间轨迹为v(s)=(x(s),y(s)),x(s)和y(s)表示曲线弧长参数坐标,则能量函数表示为：
E = ∫ 0 1 1 2 α v' ( s ) 2 + β v'' ( s ) 2 + E ext ( v ( s ) ) ds （ 1 ）
式中： α ( s ) , β ( s ) 为内部约束力权值; v' ( s ) 、 v'' ( s ) 分别表示轮廓曲线 v ( s ) 关于s的一阶与二阶导数。通过求解相应的Euler方程获取能量函数最小准则下的轮廓曲线。GVF Snake算法提高了外部约束力的方向分辨率,扩大了对初始轮廓线的捕获范围,增强了将初始轮廓线导向真正轮廓线的能力,从而克服Snake算法对轮廓曲线的初值比较敏感、且不能收敛到凹边界的缺陷[45]。记边缘图像为f,记梯度矢量场为：GVF(x,y)=(m(x,y),n(x,y)),是满足下列能量函数最小的解：
ε = ∬ μ （ | ∇ m | 2 + | ∇ n | 2 ） + | ∇ f | 2 | GVF ( x , y ) - ∇ f | 2 dxdy （ 2 ）
式中： μ 为调节参数;m(x,y)和n(x,y)分别为水平和垂直方向的梯度矢量流的大小,求解对应的Euler-Lagrange方程即可获取梯度矢量流动场。
3.2.2 轮廓线自动初始化 现有Snake模型演化结果往往过度依赖于初始轮廓线且自动化程度不高。从本质上说,曲线演化的驱动机制依赖于与能量场对应的外力场,因此有必要约化Snake模型外部能量场E。设 Ω 为带有边界 ∂ Ω 的论域。令 E : P 2 2 → P 2 表示一个未知的能量场函数,而 f : P 2 2 → P 2 2 表示已知的覆盖论域 Ω 的矢量场。以泊松反转梯度场约化外力场f只需在论域内寻求其梯度函数与外力场函数离差最小的能量函数[46],及表达式如下：
E = argmin E ∬ Ω - ∇ E ( x , y ) - f ( x , y ) 2 dxdy （ 3 ）
E为泊松方程, ΔE ( x , y , z ) = - divf ( x , y , z ) 的唯一解,设置dirichlet边界条件, E ∂ Ω = E ext ∂ Ω = - f ∂ Ω ,即可得外部能量场E。构建外部能量函数以后,将论域能量函数看作等值模型,选取能量值较低的等值线作为Snake模型中的初始轮廓线。

3.3 自下而上数据驱动的岛礁地貌精细分类

在完成宏观地理分带划分的基础上,针对不同地貌类型与地理分带之间不同的空间关系采用不同的提取策略：其一,针对每个地理分带（礁前、礁坪、澙湖、灰沙岛等）内部存在的二级类,利用多阈值分类算法进行二级类的区分;其二,针对零散分布于地理分带之外、发育在环礁主体澙湖周围的暗沙/暗滩等,利用区域生长算法进行提取。
3.3.1 云影极值抑制的多阈值OTSU地貌分类 在红外波段上云与干出礁均表现为亮区,区别在于云存在伴生的阴影,而干出礁则不存在。研究区地处低纬度地带、太阳天顶角较小,云影形态满足相似性要求,为保障地貌分类精度提供,研究采用云影匹配算法进行检测[47,48],按照成像时刻光照方向,计算标记亮区与给定方向上暗区的周长重叠比例,即可区分云与干出礁。
完成云影极值去除后,利用多阈值OTSU分割算法对各地理分带内部进行精细地貌分类。其算法核心旨在将图像分为N类的前提下,保证各类之间的类间方差 σ B 最大,而各类类内方差 σ W 最小,以实现对于图像直方图的多阈值分割。其数学表达为：
σ B 2 = ∑ i = 0 n - 1 ∑ j = i + 1 n - 1 ω i ( t ) × ω j ( t ) × ( μ i ( t ) - μ j ( t ) ) 2 → max （ 4 ）
σ W 2 = ∑ i = 0 n - 1 ω i ( t ) × σ i ( t ) 2 → min （ 5 ）
式中：N种类别的分割阈值组合标记为 t = t k | k = 1,2 , ⋯ , N - 1 ;各类的概率 ω k = ∑ i = t k t k + 1 P i ;均值 μ k = ∑ i = k t k + 1 i P i / ω k 。借鉴Xu等[49]研究方法在划分直方图的基础上引入快速二分法求解分割阈值,改进原有算法计算量大、效率低等不足,在保持良好分割结果的基础上提高了效率。
3.3.2 浅水暗沙/暗滩提取 首先,利用波段间透水能力的差异进行备选种子的选取。蓝光波段透水能力较强而红光波段透水较弱,因此通过该两个波段相减能够增强水下地貌单元与背景（海洋）的对比度,将结果进行阈值分割即可提取备选种子点。即：
Band 3 - Band 2 ≥ T 1 （ 6 ）
其次,由于影像条带噪声明显,在进行区域聚类的基础上对备选种子点进行开闭操作、去除小斑等形态学操作。此外,利用孔洞填充等操作消除地貌单元内部因斑点噪声而引起的破碎区域。在修正种子点的基础上完成区域聚类与标记,为下一步区域生长奠定基础。
最后,建立以“梯度—邻域”双约束区域生长法则,完成浅水地貌单元的提取。研究选取透水能力最强的蓝光波段作为种子点生长层。为了提高算法的效率,选取标记种子点的缓冲掩膜区域进行种子点生长。遍历区域内像元,当满足公式（7）时进行生长：
∇ I ≤ T 2 and N 4 = true （ 7 ）
式中： ∇ I 表示图像梯度;N4表示该像元四邻域内存在种子点,从空域邻接关系上约束生长。循环依次遍历缓冲掩膜内所有像元,当没有像元可以生长时结束循环即可。

4 结果分析

4.1 实验结果

选取西沙永乐环礁为实验区。永乐环礁（111°34′~111°47′E, 16°25′~16°36′N）位于西沙永乐群岛中部,是西沙群岛发育最好的一个复合环礁,极具战略意义。整个环礁东北—西南长24 km,南北宽17 km,礁盘面积274 km2（不含金银岛礁盘）[50,51]。由全富、珊瑚、甘泉、羚羊、广金—琛航、晋卿—石屿、银屿等7个礁体组成,其中羚羊礁本身是一个小环礁,筐仔沙洲发育在羚羊礁礁盘上（图2）。永乐环礁由于具有典型的组合嵌套式岛礁地貌结构,双尺度转化下的混合驱动框架技术方法对其具有很契合的适用性。
Fig. 2 CBERS-02B image for Yongle Atoll (imaging time: 2008.06.11; band combination: R3G2B1)

图2 西沙永乐环礁CBERS-02B遥感影像（成像时间：2008年6月11日;波段组合：R3G2B1）

研究影像由2008年6月11日成像的两景CBERS-02B CCD遥感影像拼接而成,景序列号分别为372-81-L20000128846与372-82-L20000128847。经裁剪后影像大小为1383像元×945像元。实验在Matlab 2012a平台下完成,实现多目标岛礁地貌的高自动化提取。
在进行模型驱动的岛礁环状地理分带划分时,由于蓝绿波段在岛礁附近因混合像元易形成扩散性边缘,不易识别,选取水陆分界较为明显的红光波段进行多目标岛礁轮廓线的初始化。在解算泊松反转梯度矢量场（图3a）时,边缘图像采用Canny算子检测,引力系数设为1.3,初始轮廓线选取等值线c=35。通过红光波段构建外力场提取外礁坪分界线（图3b）。以外礁坪分界线作为初始轮廓线,利用蓝光波段构建新的外力场引导曲线向海演化前进,获取向海坡的外围轮廓线。经试验,曲线演化对于参数并不敏感,设置 α = 0.5 、 β = 0.1 。干出礁轮廓则通过红外波段中非云影标记亮区细化得到。参照表1建立的珊瑚岛礁地貌分类体系,可粗略地完成宏观地理分带的划分（图3c）。
Fig. 3 Illustration for coral island geomorphology classification technique

图3 岛礁地貌分类关键技术示意

完成环状地理分带的划分后,通过多阈值OTSU分割算法对各个分带内部的地貌类型进行精细分类。云影区域检测正确率达93.8%,基本满足后续使用需求。根据标记的各珊瑚岛礁的实际情况,在去除云影检测区域后,设置相应每个地理分带内所需划分的地貌类别个数,以寻求合适的分离度。最后,针对澙湖内离散分布的浅水地貌单元,利用红绿波段差值选取种子点,然后通过“梯度—邻域”双约束条件进行区域生长,参数设置为T1=17、T2=6（图3d）。最终珊瑚岛礁地貌分类结果如图4所示。
Fig. 4 Geomorphology classification map for Yongle Atoll

图4 永乐环礁遥感信息提取结果

4.2 实验分析

4.2.1 地貌可分性 从宏观地理分带划分到微观地貌类型分类的岛礁地貌信息提取方法,主要立足于各地貌单元所处水深沉积环境与物质组分的差异性。从地理分带划分来看,岛礁由陆向海可分为灰沙岛带、礁坪带、礁前带（部分含有澙湖带）,地形大致呈现逐级递减的趋势（礁脊处常形成突出带）。随着水深递增也使得传感器各个波段探测水下地物的能力存在差异,自蓝光波段至红外波段,透水成像能力递减（图5a~5c）。波段1和波段2较相似,故省略波段2的成像比较。利用改进的Snake模型对不同波段影像进行目标外围轮廓线的提取,能够粗略地划分以地貌实体为依据的地理分带（图5d）。
Fig. 5 Comparison of imaging capacity of different bands in CBERS-02B data

图5 CBERS-02B影像波段成像能力差异比较

从地貌类型而言,针对研究中12种地貌类型纯像元在不同波段下的DN值进行统计,并以各自所处的地理分带进行排列（图6）。可以发现,每个地理分带内部包含的地貌类型具有一定的同质性,而每个分带之间存在较为明显的界限。例如,灰沙岛带内的沙滩、沙丘地貌类型与其他地貌类型单元相比而言在各个波段DN值普遍较高且变异性较大,最为明显的第四波段（图5c、图6d）能够作为灰沙岛地理分带划分的有效波段。再者,针对地貌类型相对较为复杂的礁坪带,其整体DN值与相邻礁前带和澙湖带相比偏高,以第三波段（红光波段,图6c）最为显著,因而第三波段是划分礁坪带最为有效的波段。而礁坪内部的地貌类型则需要组合波段进行划分,如礁脊在第四波段最易区分,珊瑚生长带在第一波段最易区分,礁坑发育带在第二波段最易区分等等。因此,在宏观地理分带划分的基础上针对地貌类型的光谱特征,利用特征波段进行多阈值OTSU分割即可细分地貌类型。
Fig. 6 DN value distribution of geomorphologic structures

图6 地貌类型像元值分布图

4.2.2 对比实验 选取两种经典的数据驱动监督分类算法,最大似然（maximum likelihood,ML）算法与支持向量机（support vector machine,SVM）算法进行对比实验,其分类结果如图7a和图7b所示。由人工目视解译精度分析表明,方法总体精度达到88.89%,明显优于两种经典数据驱动监督分类算法（ML与SVM分类算法的总体精度分别为77.49%和82.16%）。通过对比解译结果（图4、图7）可以看出,本文方法具有两点优势：① 抗噪声能力强：由于CBERS-02B数据存在明显的条带噪声,纯粹由数据驱动的分类算法抗噪能力相对较弱,会在海域范围及各个地理分带边缘产生破碎现象（图7d~7e、图7j~7k）。本文方法优势在于能够充分顾及各个地理分带环状特征,利用自上而下模型驱动的分割算法保障了地理分带的空间连续性与结构完整性,剔除了地理分带以外区域噪声信息的干扰,同时避免了地貌相带边缘破碎化现象。② 顾及空间拓扑关系：通过模型驱动的地理分带划分能够揭示隐含在各个分带内部层层嵌套的空间拓扑关系,为地貌信息知识挖掘提供线索。例如,羚羊礁内部澙湖包含的澙湖坡、澙湖盆等地貌单元与向海坡、外礁坪等具有相似光谱特征（图7c~7e）,传统基于局部地物统计信息的监督分类算法难以区分,而引入空间拓扑关系的双尺度转化方法能够标识并判别微观地貌单元所处的宏观分带环境,在先验地学分类体系的指导下使解译结果更准确。同样,广金—琛航岛内部小型澙湖亦能通过空间拓扑约束进行识别（图7i~7k）。区域生长算法更是在空间拓扑关系判别基础上针对礁盘外离散分布的暗沙/暗滩所特定设计的提取算法,能够改进传统算法将咸舍屿附近暗沙/暗礁错分为向海坡、外礁坪的情况（图7f~7h）。
Fig. 7 Supervised classification methods for comparison

图7 监督分类算法对比实验

4.2.3 方法操作性 ① 自动灵活性：本文方法实现了全流程的自动化,与需要人工干预的监督分类方法相比更加方便有效。同时,能够根据珊瑚岛礁各地理分带内部实际地貌类型的分布规律,灵活设置多阈值的OTSU分类算法的分类类型,能够达到较好的分离度;② 参数依赖性：从方法流程来看,地理分带划分使用的GVF Snake模型需选择曲线演化参数从而控制曲线自身形态与演化前进方向;地理分带内部地貌类型亚类提取使用的多阈值OTSU分割算法需要设置分割类别数;地理分带外部离散暗沙/暗滩提取的区域生长算法同样涉及多个阈值的选取。三个环节均需要使用参数控制最终地貌分类结果,而参数的选取大多依赖于经验。因此,针对不同的研究区,不同的地貌复杂度则会要求算法采用不同的参数,这往往对解译人员提出较大的挑战。

5 结论与讨论

从地学先验知识出发,利用南海珊瑚岛礁明显的环状地貌特征为引导,在研建适用于中空间分辨率遥感影像珊瑚岛礁地貌分类体系的基础上,提出多目标珊瑚岛礁地貌信息提取方法,并针对复合型永乐环礁,利用中分辨率CBERS-02B CCD数据进行了实验,取得了较好的结果。结论如下：
（1）综合考虑CBERS-02B CCD数据波谱间对水深探测能力的差异性,以及地理分带中各类地貌受涌浪、信风等动力过程与造礁珊瑚等生物过程的综合影响,建立了适用于中等分辨率遥感影像,以“地理实体”为主、“地貌类型”为辅的珊瑚岛礁地貌分类体系,并完善了相应的遥感解译标志,体系涵盖12种地貌类型,共计15类制图要素;
（2）建立了与岛礁宏观地理分带与微观地貌类型大体相耦合的算法：利用自上而下模型驱动的GVF Snake模型自动划分地理分带;结合岛礁地貌类型光谱特征,发展了自下而上数据驱动的云影抑制多阈值OTSU分割算法,实现了地理分带内部地貌类型的精细分类。实验证明,该方法在表征地理分带空间连续性与地貌类型局部异质性方面优于传统经典分类算法;
（3）从技术角度提升了分类算法的自动化水平,具有自动灵活的特点。但是,算法流程中涉及较多的参数调制,需要依赖经验进行设置,这对解译人员提出了较高的要求。因此,技术框架在寻求非参数化分类方法及自适应参数选取等诸多方面存在大量提升空间。
提出的珊瑚岛礁地貌信息提取框架具有一定的泛化能力,在应用于其他类型传感器时存在一定的灵活性。随着更高光谱分辨率与空间分辨率传感器的应用,研究建立的针对于中等分辨率遥感影像的珊瑚岛礁地貌分类体系并不能涵盖高光谱/高分影像所体现的地物细节与纹理特征,针对珊瑚岛礁所处的异质时变环境特征,地貌分类体系有待进一步的细化与调整。CBERS-02B CCD传感器有限的波谱设置一定程度上限制了地物特征空间选择多样性,当拓展到其他中分辨率影像时,可以探索更有效的谱间关系及地物表征指数,构造适合的特征空间提高地物甄别能力。同时,双尺度转化下的混合信息提取框架具有较强的可替换性与拓展性,新型分类分割算法均可纳入其中,以提高技术框架的适用性与鲁棒性。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
汪业成, 刘永学, 李满春, 等. 基于场强模型的南沙岛礁战略地位评价. 地理研究, 2013, 32(12): 2292-2301.

[Wang Yecheng, Liu Yongxue, Li Manchun, et al.The strategic position of Spratly Islands: An evaluation based on the field spread model. Geographical Research, 2013, 32(12): 2292-2301.]

[2]
Webb A P, Kench P S.The dynamic response of reef islands to sea-level rise: Evidence from multi-decadal analysis of island change in the Central Pacific. Global and Planetary Change, 2010, 72(3): 234-246.

[3]
Andréfouët S, Berkelmans R, Odriozola L, et al.Choosing the appropriate spatial resolution for monitoring coral bleaching events using remote sensing. Coral Reefs, 2002, 21(2): 147-154.

[4]
Hatcher B G.Coral reef ecosystems: How much greater is the whole than the sum of the parts? Coral Reefs, 1997, 16(1): S77-S91.

[5]
Mumby P J, Edwards A J.Mapping marine environments with IKONOS imagery: Enhanced spatial resolution can deliver greater thematic accuracy. Remote Sensing of Environment, 2002, 82(2): 248-257.

[6]
Hedley J, Roelfsema C, Koetz B, et al.Capability of the Sentinel 2 mission for tropical coral reef mapping and coral bleaching detection. Remote Sensing of Environment, 2012, 120: 145-155.

[7]
Walker B K, Riegl B, Dodge R E.Mapping coral reef habitats in southeast Florida using a combined technique approach. Journal of Coastal Research, 2008, 24(5): 1138-1150.

[8]
Joyce K E, Phinn S R, Roelfsema C M, et al.Combining Landsat ETM+ and Reef Check classifications for mapping coral reefs: A critical assessment from the southern Great Barrier Reef, Australia. Coral Reefs, 2004, 23(1): 21-25.

[9]
Hochberg E J, Andréfouët S, Tyler M R.Sea surface correction of high spatial resolution IKONOS images to improve bottom mapping in near-shore environments. Geoscience and Remote Sensing, IEEE Transactions on, 2003, 41(7): 1724-1729.

[10]
Phinn S R, Roelfsema C M, Mumby P J.Multi-scale, object-based image analysis for mapping geomorphic and ecological zones on coral reefs. International Journal of Remote Sensing, 2011, 33(12): 3768-3797.

[11]
Palandro D A, Andréfouët S, Hu C, et al.Quantification of two decades of shallow-water coral reef habitat decline in the Florida Keys National Marine Sanctuary using Landsat data (1984-2002). Remote Sensing of Environment, 2008, 112(8): 3388-3399.

[12]
Knudby A, Ledrew E, Brenning A.Predictive mapping of reef fish species richness, diversity and biomass in Zanzibar using IKONOS imagery and machine-learning techniques. Remote Sensing of Environment, 2010, 114(6): 1230-1241.

[13]
Purkis S J.A "Reef-Up" approach to classifying coral habitats from IKONOS imagery. Geoscience and Remote Sensing, IEEE Transactions on, 2005, 43(6): 1375-1390.

[14]
Mumby P J, Harborne A R.Development of a systematic classification scheme of marine habitats to facilitate regional management and mapping of Caribbean coral reefs. Biological Conservation, 1999, 88(2): 155-163.

[15]
Andréfouët S, Guzman H.Coral reef distribution, status and geomorphology-biodiversity relationship in Kuna Yala (San Blas) archipelago, Caribbean Panama. Coral Reefs, 2005, 24(1): 31-42.

[16]
Andréfouët S, Kramer P, Torres-Pulliza D, et al.Multi-site evaluation of IKONOS data for classification of tropical coral reef environments. Remote Sensing of Environment, 2003, 88(1): 128-143.

[17]
Yamano H, Tamura M.Detection limits of coral reef bleaching by satellite remote sensing: simulation and data analysis. Remote Sensing of Environment, 2004, 90(1): 86-103.

[18]
Leon J, Woodroffe C D.Improving the synoptic mapping of coral reef geomorphology using object-based image analysis. International Journal of Geographical Information Science, 2011, 25(6): 949-969.

[19]
Andréfouët S, Muller-Karger F E, Hochberg E J, et al. Change detection in shallow coral reef environments using Landsat 7 ETM+ data. Remote Sensing of Environment, 2001, 78(1-2): 150-162.

[20]
Brock J C, Wright C W, Clayton T D, et al.LIDAR optical rugosity of coral reefs in Biscayne National Park, Florida. Coral Reefs, 2004, 23(1): 48-59.

[21]
Lim A, Hedley J D, Ledrew E, et al.The effects of ecologically determined spatial complexity on the classification accuracy of simulated coral reef images. Remote Sensing of Environment, 2009, 113(5): 965-978.

[22]
Wettle M, Brando V E, Dekker A G.A methodology for retrieval of environmental noise equivalent spectra applied to four Hyperion scenes of the same tropical coral reef. Remote Sensing of Environment, 2004, 93(1): 188-197.

[23]
Capolsini P, Andréfouët S, Rion C, et al.A comparison of Landsat ETM+, SPOT HRV, IKONOS, ASTER, and airborne MASTER data for coral reef habitat mapping in South Pacific islands. Canadian Journal of Remote Sensing, 2003, 29(2): 187-200.

[24]
Botha E J, Brando V E, Anstee J M, et al.Increased spectral resolution enhances coral detection under varying water conditions. Remote Sensing of Environment, 2013, 131: 247-261.

[25]
Hedley J D, Harborne A R, Mumby P J.Technical note: Simple and robust removal of sun glint for mapping shallow-water benthos. International Journal of Remote Sensing, 2005, 26(10): 2107-2112.

[26]
Hochberg E J, Atkinson M J, Andréfouët S.Spectral reflectance of coral reef bottom-types worldwide and implications for coral reef remote sensing. Remote Sensing of Environment, 2003, 85(2): 159-173.

[27]
Hochberg E J, Atkinson M J.Capabilities of remote sensors to classify coral, algae, and sand as pure and mixed spectra. Remote Sensing of Environment, 2003, 85(2): 174-189.

[28]
Lundblad E R, Wright D J, Miller J, et al.A benthic terrain classification scheme for American Samoa. Marine Geodesy, 2006, 29(2): 89-111.

[29]
Spencer T, Viles H.Bioconstruction, bioerosion and disturbance on tropical coasts: Coral reefs and rocky limestone shores. Geomorphology, 2002, 48(1): 23-50.

[30]
Naylor L A, Viles H A, Carter N.Biogeomorphology revisited: Looking towards the future. Geomorphology, 2002, 47(1): 3-14.

[31]
Viles H A, Naylor L A.Biogeomorphology: Editorial. Geomorphology, 2002, 47(1): 1-2.

[32]
王国忠. 南海珊瑚礁区沉积学. 北京: 海洋出版社, 2001.

[Wang Guozhong.Sedimentology of Coral Reef, South China Sea. Beijing: China Ocean Press, 2001.]

[33]
曾昭璇. 中国环礁的类型划分. 海洋通报. 1982, (4): 43-50.

[Zeng Zhaoxuan.Classification of atolls in China. Marine Science Bulletin, 1982, (4): 43-50.]

[34]
张明书, 何起祥, 业治铮, 等. 风驱生物礁相模式: 一种新的工作假说. 海洋地质与第四纪地质, 1987, 7(2): 1-9.

[Zhang Mingshu, He Qixiang, Ye Zhizheng, et al.Wind-driven model of reef facies: A new working hypothesis. Marine Geology & Quaternary Geology, 1987, 7(2): 1-9.]

[35]
赵焕庭, 温孝胜, 孙宗勋, 等. 南沙群岛珊瑚礁自然特征. 海洋学报, 1996, 18(5): 61-70.

[Zhao Huanting, Wen Xiaosheng, Sun Zongxun, et al.Natural characteristics of coral reefs, Nansha Islands of South China Sea. Acta Oceanologica Sinica, 1996, 18(5): 61-70.]

[36]
沈建伟, 杨红强, 王月, 等. 西沙永兴岛珊瑚礁坪的群落动态和浅水碳酸盐沉积特征. 中国科学: 地球科学, 2014, 44(3): 472-487.

[Shen Jianwei, Yang Hongqiang, Wang Yue, et al.Coral community dynamics and shallow-water carbonate deposition of the reef-flat around Yongxing Island, the Xisha Islands. Science China: Earth Sciences, 2014, 44(3): 472-487.]

[37]
孙宗勋, 詹文欢, 朱俊江. 南沙群岛珊瑚礁岩体结构特征及工程地质分带. 热带海洋学报, 2004, 23(3): 11-20.

[Sun Zongxun, Zhan Wenhuan, Zhu Junjiang.Rockness structure and engineering geological zones of coral reefs, Nansha islands of South China Sea. Journal of Tropical Oceanography, 2004, 23(3): 11-20.]

[38]
Zitello A G, Bauer L J, Battista T A, et al.Shallow-Water Benthic Habitats of St. John, U.S. Virgin Islands. NOAA Technical Memorandum NOS NCCOS, 2009: 53.

[39]
Hamylton S M, Spencer T.Geomorphological modelling of tropical marine landscapes: Optical remote sensing, patches and spatial statistics. Continental Shelf Research, 2011, 31(2): S151-S161.

[40]
Maeder J, Narumalani S, Rundquist D C, et al.Classifying and mapping general coral-reef structure using IKONOS data. Photogrammetric Engineering and Remote Sensing, 2002, 68(12): 1297-1306.

[41]
Mumby P J, Skirving W, Strong A E, et al.Remote sensing of coral reefs and their physical environment. Marine Pollution Bulletin, 2004, 48(3): 219-228.

[42]
孙宗勋, 赵焕庭. 南沙群岛珊瑚礁动力地貌特征. 热带海洋, 1996, 15(2): 53-60.

[Sun Zongxun, Zhao Huanting.Features of dynamic geomorphology of coral reefs in Nansha Islands. Tropic Oceanology, 1996, 15(2): 53-60.]

[43]
邹亚荣, 梁超, 朱海天. 基于QuickBird影像上珊瑚礁发育状况监测实验研究. 海洋学报, 2012, 34(2): 57-62.

[Zou Yarong, Liang Chao, Zhu Haitian. Research about monitoring the development status of coral reefs based on QuickBird Data. Acta Oceanologica Sinica, 2012, 34(2): 57-62.]

[44]
Kass M, Witkin A, Terzopoulos D.Snakes: Active contour models. International Journal of Computer Vision, 1988, 1(4): 321-331.

[45]
Xu C, Prince J L.Snakes, shapes, and gradient vector flow. Image Processing, IEEE Transactions on, 1998, 7(3): 359-369.

[46]
Li B, Acton S T.Automatic active model initialization via Poisson inverse gradient. Image Processing, IEEE Transactions on, 2008, 17(8): 1406-1420.

[47]
Choi H, Bindschadler R.Cloud detection in Landsat imagery of ice sheets using shadow matching technique and automatic normalized difference snow index threshold value decision. Remote Sensing of Environment, 2004, 91(2): 237-242.

[48]
Huang C, Thomas N, Goward S N, et al.Automated masking of cloud and cloud shadow for forest change analysis using Landsat images. International Journal of Remote Sensing, 2010, 31(20): 5449-5464.

[49]
Xu X, Xu S, Jin L, et al.Characteristic analysis of Otsu threshold and its applications. Pattern Recognition Letters, 2011, 32(7): 956-961.

[50]
业治铮, 何起祥, 张明书, 等. 西沙群岛岛屿类型划分及其特征的研究. 海洋地质与第四纪地质, 1985, 5(1): 1-13.

[Ye Zhizheng, He Qixiang, Zhang Mingshu, et al.Classification and characteristics of islands in the Xisha Archipelago. Marine Geology & Quaternary Geology, 1985, 5(1): 1-13.]

[51]
赵焕庭. 西沙群岛考察史. 地理研究, 1996, 15(4): 55-65.

[Zhao Huanting.History of expeditions to Xisha Islands. Geographical Research, 1996, 15(4): 55-65.]

Options
文章导航

/

〈 〉