1 广西壮族自治区自然资源遥感院, 广西 南宁 530023
2 北部湾大学资源与环境学院, 北部湾海洋发展研究中心, 广西 钦州 535000北部湾大学, 广西北部湾海洋环境变化与灾害研究重点实验室, 海洋地理信息资源开发利用重点实验室, 广西 钦州 535000
3 北部湾大学资源与环境学院, 北部湾海洋发展研究中心, 广西 钦州 535000
红树林生态系统是地球上生产力最高的生态系统之一, 它也是海岸带“蓝碳”生态系统的重要组成部分。 地上生物量作为红树林蓝碳的重要组成部分, 如何准确快速地获取红树林地上生物量已成为红树林生态系统研究的热门问题。 分析北部湾茅尾海红树林地上生物量(AGB)空间分布格局及其量级, 可为该区域红树林生态环境保护及“南红北柳”生态修复提供科学依据。 资源一号数据作为我国自主研发的民用国产高光谱卫星, 其高光谱数据为红树林地上生物量的研究提供了新的机遇。 机器学习算法因其高性能、 高效率的优势被越来越多的应用于红树林相关研究, 目前已经成为获取红树林参数信息的重要手段。 高光谱数据在红树林地上生物量的反演精度如何? 国产高光谱卫星数据和机器学习算法在红树林地上生物量的估算中能否应用? 这些问题仍需进一步验证。 基于国产资源一号02D高光谱数据, 采用极端梯度提升(XGBoost)、 随机森林回归(RFR)以及K近邻回归(KNNR)三种不同的机器学习算法对茅尾海的红树林地上生物量进行估算, 在此基础上对比了不同的机器学习算法的性能。 结果显示: (1)无瓣海桑红树林地上生物量的平均值最高（90.93 Mg·ha-1）, 桐花树次之（52.63 Mg·ha-1）, 而秋茄最小（20.27 Mg·ha-1）。 (2)采用XGBoost、 RF以及KNN三种机器学习算法进行红树林地上生物量和红树林光谱变量建模后发现, 基于对数倒数1阶变换的XGBoost模型精度最高, 为最佳的机器学习模型。 其模型在测试阶段R2=0.751 5, RMSE=27.494 8 Mg·ha-2。 (3)基于资源一号02D高光谱数据, 采用XGBoost算法反演茅尾海的红树林地上生物量介于4.58~208.35 Mg·ha-2之间, 平均值为88.98 Mg·hm-2, 地上生物量在空间上呈现出中部低, 两边高的空间分布格局。 总之, 该研究论证了国产高光谱卫星数据和XGBoost机器学习算法的组合在红树林生物量的估算方面具有良好的应用前景, 可为茅尾海红树林的生态修复和保护提供科学依据和技术支撑。
高光谱数据 资源一号02D 机器学习 红树林地上生物量 遥感反演 北部湾茅尾海 Domestic hyperspectral data ZY-1-02D Satellite Machine learning Mangrove aboveground biomass Remote sensing inversion Maowei Sea in Beibu Gulf 光谱学与光谱分析
2023, 43(12): 3906
1 中国林业科学研究院资源信息研究所，北京 100091
2 国家林业和草原局林业遥感与信息技术重点实验室，北京 100091
针对无人机影像中红树林单木目标较小且分布密集，对其检测时自动化程度不高、效率低等问题，基于深度学习方法提出了一种红树林单木目标检测模型（YOLOv5-ECA），以实现对无人机影像中红树林单木快速、精确的自动识别和定位。首先利用开源软件LabelImg在选取的无人机影像上依次标注目标树，构建红树林单木数据集；其次选择YOLOv5为基础目标检测模型，依据目标分布密集且尺寸较小的特点对其进行优化和改进；使用有效通道注意力（ECA）机制对CSPDarknet53骨干网络进行改进，避免降维的同时增强特征表达能力，并在SPP模块引入SoftPool改进池化操作，保留更多细节特征信息；最后利用ACON自适应激活函数自适应地决定是否激活神经元。结果表明：使用已构建的数据集对改进前后的网络进行训练，在测试集上对比准确率、召回率、平均精准度的均值（mAP）@0.5等参数，各模型略有差异但均趋于收敛；所提YOLOv5-ECA的平均检测精度较YOLOv5提高了3.2个百分点，较YOLOv4提升了5.19个百分点，同时训练损失也更低，能够快速、精准且自动化地检测红树林单木目标，较好地提升了对红树林单木的识别和定位能力。
红树林单木 无人机影像 深度学习 目标检测 YOLOv5-ECA 激光与光电子学进展
2022, 59(18): 1828003
1 国家海洋局第一海洋研究所, 山东 青岛 266061
2 国家海洋环境监测中心, 辽宁 大连 116023
本文以英罗港为研究区, 利用SPOT5假彩色合成影像, 结合现场踏勘, 提取了研究区内分布较广且面积较大的4种红树林种类(白骨壤、桐花、秋茄和红海榄)的图谱特征, 并建立了相应的遥感解译标志。利用SVM方法开展了研究区内红树林的分类制图, 采用样点验证方法评价提取精度, 结果显示, 对4种红树林的总体分类精度为86.67%, Kappa系数为0.82。
遥感 红树林 图谱特征 remote sensing mangroves image features
1 滨州学院山东省黄河三角洲生态环境重点实验室, 山东 滨州256603
2 国家海洋环境监测中心, 辽宁 大连116023
获取红树林的反射光谱属性, 探测其反射光谱特征波段, 可为红树林各种指标的遥感反演模拟和估算提供技术依据。 以广西山口红树林保护区典型红树林为研究对象, 对美国ASD FieldSpec 2光谱仪实测的反射光谱曲线进行去噪平滑处理, 获得木榄、 红海榄、 秋茄、 白骨壤、 桐花树、 大米草和泥滩的标准反射光谱曲线并分析其反射光谱特征。 结果表明: 典型红树林反射光谱与大米草和泥滩的反射光谱区分明显, 红树林类内反射光谱曲线走向大致相同, 峰谷值出现波段基本一致, 差异主要表现在特征波段反射峰值和谷值。 采用空间距离法、 相关系数法和光谱角度制图法来定量描述红树林类内反射光谱差异性和相关性, 通过样本验证区分方法精度, 相关系数法>光谱角度制图法>空间距离法, 发现红树林类内和大米草的反射光谱相关系数均>0.995, 反射光谱夹角余弦值均>0.95, 相似性强, 差异小。
红树林 反射光谱特征 特征波段 高光谱 Mangrove Spectrum characteristics Characteristic bands Hyper-spectral
南京大学国际地球系统科学研究所, 江苏 南京210093
基于Geoeye-1高空间分辨率影像与冠层实测高光谱数据, 以广西北部湾五种红树群落为研究对象, 分析影像光谱用于冠层种类识别的能力。 首先研究红树林冠层光谱响应特征, 再针对影像采用高光谱分析方法提取端元, 结合实测训练样本进行不同方法的识别对比。 结果表明: 350～1 100 nm谱段内以435, 469, 523, 677, 751和761 nm为中心波段的红树群落冠层光谱表现最佳; 木榄端元应用识别精度高于实测训练样本应用结果; 光谱角制图法能够克服多光谱波段对全色波段分辨率的影响, 并有效获取冠层轮廓。 利用Geoeye-1影像光谱信息可有效识别三种红树植被, 种类最高识别精度达93.03%。 研究证实高空间分辨率影像光谱信息的重要性, 从机理和应用角度为面向对象红树林种类识别提供了依据和参考。
光谱 红树林 种类识别 Spectral feature Geoeye Geoeye-1 Mangrove Species discrimination
