EN中文

Journal of Geo-information Science >

2014 , Vol. 16 >Issue 6: 997 - 1004

DOI: https://doi.org/10.3724/SP.J.1047.2014.00997

Orginal Article

A Study on the Object-oriented Model for Geomorphic Unit Extraction of Coral Reefs in the South China Sea

  • GONG Jianming , 1 ,
  • ZHU Guoqiang , 2, 3, * ,
  • YANG Juan 3 ,
  • ZUO Xiuling 3 ,
  • SHI Wei 3
Expand
  • 1. Bureau of the Academic Divisions, Chinese Academy of Sciences 100190, China
  • 2. Faculty of Geoinfomatics, Lanzhou Jiaotong University, Lanzhou 730070, China
  • 3. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
*Corresponding author: ZHU Guoqiang, E-mail:

Received date: 2014-09-21

  Request revised date: 2014-10-23

  Online published: 2014-11-01

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

Geomorphology of coral reefs is the foundation for understanding the reef-building process and mechanism. It is worthwhile to acquire the geomorphological information of coral reefs in the South China Sea because this information can provide valuable insights for the resources utilization, ecological protection and management as well as sustainable development of coral reefs in China. Based on the development of current remote sensing techniques, an object-oriented geomorphic unit extraction method for coral reefs is proposed in this paper. The satellite images are segmented by the optimal scales, spectral parameters and shape parameters and the segmented objects are combined to different objects to obtain the geomorphic units. Through a large number of experiments, the optimal scales for natural geomorphic units range from 140 to 600. Spectral parameters and shape parameters for sparse reef associations zone, numerous reef associations zone, and reef pits development zone are all 0.9 and 0.1, respectively. Spectral parameters and shape parameters for other natural geomorphic units are 0.8 and 0.2, respectively. On the other hand, optimal scales for man-made geomorphic units range from 25 to 170, while their spectral parameters and shape parameters are all 0.8 and 0.2, respectively. The WorldView-2 high resolution remote sensing image of Boji Reef in Nansha Islands is used as experimental data in this paper and the accuracy of classification results is assessed with the confusion matrix and Kappa coefficient, the overall accuracy of geomorphic unit extraction reaches 85.75% and the Kappa coefficient is 0.8349. The results show that this method can effectively take advantage of the features of spectra, texture and the stacking of different wavebands of satellite images. In addition, this method can grasp the correlation of satellite image and reef geomorphic zonation and make full use of the heterogeneity of reef geomorphology. Therefore, an ideal geomorphic zonation that has a higher accuracy can be obtained to acquire geomorphological information and produce geomorphological digital products of coral reefs in the South China Sea.

Key words： The South China Sea; coral reef; geomorphology; World View-2 remote sensing; object oriented

Cite this article

GONG Jianming , ZHU Guoqiang , YANG Juan , ZUO Xiuling , SHI Wei . A Study on the Object-oriented Model for Geomorphic Unit Extraction of Coral Reefs in the South China Sea[J]. Journal of Geo-information Science, 2014 , 16(6) : 997 -1004 . DOI: 10.3724/SP.J.1047.2014.00997

1 引言

南海珊瑚礁分布广泛,尤其是南沙群岛岛礁众多,受生长环境和地理位置的影响,珊瑚环礁的地貌类型分异明显。对南海珊瑚环礁地貌进行全面、系统的研究,不仅有助于推动珊瑚礁遥感的应用与发展,而且对于南海珊瑚礁资源利用、生态保护与管理具有重要的指导意义。
目前,对于珊瑚环礁地貌信息的获取主要有采用大比例尺地形图分析、野外实地勘察等人工调查和利用遥感手段获取2种方法。利用人工调查方法获取地貌信息虽然精度较高,但费时费力,工作量大。尤其是有些珊瑚岛礁地形复杂,不易进行常规的水深、地形、地貌勘测,使得珊瑚岛礁地貌信息的获取难度较大。南海珊瑚礁远离大陆,部分岛礁被侵占,当前尚不可达。遥感技术和GIS技术的快速发展促进了其在珊瑚礁研究中的广泛应用[1-10]。利用遥感手段获取珊瑚礁地貌主要有人工解译和遥感影像分类2种途径。国内外学者利用Landsat MSS、TM、ETM+等数据对珊瑚环礁地貌信息进行了研究,其珊瑚礁信息提取的总体精度一般在60%~75%范围内,总体精度较低;高空间分辨率的SPOT-HRV数据(10 m分辨率)[10-13],在南沙珊瑚礁地貌信息的提取总体精度达到了82%,Kappa系数达到了0.78左右,在一定程度上能够满足应用的需求。此外,还有学者利用全色波段分辨率达到0.6 m的QuickBird数据[14],对南沙珊瑚礁发育状况进行了监测。
上述研究大多都是利用中低分辨率遥感影像的处理方式,基于像元光谱差异进行珊瑚礁地貌信息的获取。对珊瑚礁地貌单元的划分存在错分、漏分和混杂等现象。珊瑚礁地貌具有独特的分异特性和环境特性,若能将这些特性与高分辨率影像的形状、纹理等特性相融合,可提高珊瑚礁地貌的分类精度、地貌单元获取的整体性和边界细节的表达能力,可获得更高精度、更可靠和更具有实际意义的珊瑚礁地貌数据。为此,本文将以面向对象的方法,构建可吸纳珊瑚礁地貌单元尺度、光谱和形状等特征的珊瑚礁地貌单元提取模型,并采用WorldView-2高分辨率遥感影像提取簸箕礁地貌信息。

2 研究区域与数据源

2.1 研究区域及示例岛礁

南海地处99°9′~121°11′E,2°45′~23°24′N,因位于中国南方而得名。南海诸岛中仅有处于西沙群岛的高尖石为火山碎屑岛,除此之外全是珊瑚岛礁。研究区域主要针对南海四大群礁,即东沙群岛的东沙环礁、西沙群岛的2座环礁、中沙群岛的黄岩岛及南沙群岛的35座环礁(图1)。
Fig. 1 Sketch map of the study region

图1 研究区域的位置示意图

东沙环礁是一个直径22 km的近圆形环礁,东北部礁盘出露,环礁西侧为南北两个水道夹一个灰沙岛,即东沙岛。西沙群岛主要包括宣德群岛和永乐群岛,其中,宣德群岛包含七连屿、永兴岛和石岛,而永乐群岛由永乐环礁、华光礁、玉琢礁等5座环礁和中建岛构成,其中永乐环礁上发育有13个灰沙岛。中沙群岛的黄岩岛,位于15°08′~15°14′ N,117°44′~117°48′ E,是中沙群岛唯一露出水面的岛礁。南沙群岛主要包括双子群礁、中业群礁(中业-铁线环礁和铁峙-梅九环礁)、道明群礁、郑和群礁、九章群礁、尹庆群礁及南海南部一些深海独立的珊瑚礁。
以南沙群岛中部的簸箕礁为例,对珊瑚环礁地貌信息采用本文基于对象的地貌单元提取模型进行了试验。簸箕礁中心在8°06′ N,114°08′ E,位于南沙群岛中部,安渡滩西北,榆亚暗沙浪口礁西20 n mile。簸箕礁为封闭性小环礁,退潮时礁环露出,状如簸箕,礁盘长3 km,宽1.8 km,无口门发育,涨潮时淹没,但东侧有若干礁石露出海面,其卫星影像如图2所示。
Fig. 2 Boji Reef’s satellite remote sensing image

图2 簸箕礁卫星遥感影像示例

2.2 数据源

南海珊瑚环礁地貌信息提取的主要数据源是WorldView-2高分辨率遥感影像,该数据包括多光谱波段和全色波段,其中,8个波段数据在400~1040 nm波长范围,空间分辨率为1.84 m,全色波段数据波长范围为450~500 nm,空间分辨率为0.5 m。WorldView-2高分辨率遥感影像是2级标准产品,即经过辐射校正和几何校正,并将校正后的图像映射到指定的地图投影坐标下的产品数据。因此,在影像分割前,利用ENVI 4.8软件对所用数据进行图像融合、图像镶嵌及图像增强等预处理,在影像融合时,选用Gram-Schmidt(GS)变换方法进行图像融合[15-16]。

3 基于对象的珊瑚礁地貌单元提取模型

3.1 提取模型

珊瑚礁的地貌单元由不同的造礁珊瑚、沉积、搬运和海洋动力等作用下,在一定的时空范围分阶段分地带形成,各地貌单元的构成、色泽、纹理、颗粒等具有独特的地带分异特点。针对这些典型的特征,结合面向对象的技术方法,可构造出专门的珊瑚礁地貌单元提取模型。模型分为3部分,即分割、特征优选和模糊分类。
首先,面向对象的方法以多种尺度将原影像划分为一系列有意义的、区域内部具有一致性的连通区域,针对每一种地貌类型获取这些分割单元的计算特征,包括光谱特征、形状指数、纹理结构、位置关系等。其次,统计每类地貌分割单元的特征值,获得最优指示特征及阈值,形成通过特征判别地貌类型的规则。最后,利用模糊分类的方法,基于各对象的特征属性实现各个分割单元的地貌类别判断,合并相邻同类地貌分割单元,形成地貌单元整体,实现地貌单元的提取。模型计算和判断流程如图3所示。
Fig. 3 Extraction process of coral reef geomorphic units based on objects

图3 基于对象的珊瑚礁地貌单元提取流程

这里的多尺度分割方法是一种自下而上的区域生长方法,有利于综合考虑遥感影像的光谱特征和形状特征。在进行具体分割时,可根据研究区域的地物特点,结合不同波段的数据,设置波段权重、形状因子及紧致度的大小,在不同的分割尺度下反复试验,保留最优分割尺度,以建立多层次分类体系。在分类阶段,选用模糊分类方法,根据南海珊瑚礁地貌相带的不同特征空间的差异建立分类规则集,从而指导分类,实现珊瑚礁地貌单元的提取。
Fig. 4 Multi-scale segmentation results of reef flat (shape=0.2,compact=0.6)

图4 礁坪的多尺度分割(shape=0.2,compact=0.6)

3.2 分类体系

在南海珊瑚礁研究中,本文将研究区地貌类型分为自然地貌和人工地貌,根据影像覆盖信息及一级分类体系,建立的研究区珊瑚环礁地貌分类体系如表1所示。
Tab. 1 Geomorphic zonation of coral reefs in the South China Sea

表1 南海珊瑚环礁地貌分类体系

一级分类体系 二级分类体系 三级分类体系 定义
自然地貌 水下礁脊 环礁外缘不出露礁坪或开放型环礁的口门处
外礁坪 低潮全部干出,发育有槽沟
礁凸起带 内、外礁坪的分界
附礁生物稀疏带 紧靠凸起带内缘,但稍低于凸起带,影像呈浅色调
附礁生物丛生带 内礁坪的中部,紧连附礁生物稀疏带,影像呈深色调
礁坑发育带 内礁坪向潟湖过渡的分界,在近附礁生物丛生带呈斑块状,紧邻潟湖边缘端呈凹凸状
潟湖 潟湖坡 从礁坪内缘至潟湖底的斜坡带
潟湖底 环礁环绕水域的中心部分
点礁 从潟湖底或边坡上显著突出的小礁体
潮汐通道 非封闭环礁潟湖水体与外海水体交换的通道
沙洲 高潮出露的生物碎屑和砂质堆积
灰沙岛 海滩 灰沙岛的边缘地带,属潮间带,以砂为主
沙堤 紧靠海滩,向灰沙岛的内部隆起
沙席 紧靠沙堤的背风坡,呈圈状逐渐包围的砂体
洼地 灰沙岛地势最低处,一般处于岛中部
人工地貌 房屋、军事设施、浮标、码头、港池、楼堡等

4 珊瑚环礁地貌分类结果与分析

采用本文的地貌单元提取模型,针对不同的地貌单元进行影像分割,即对分割尺度、颜色、形状、紧致度,以及光滑度等不同参数的确立进行大量实验,从而获取每个地貌单元的最优分割尺度及参数组合。然后,根据不同地貌单元的最优分割尺度,选取适合指标的阈值范围,建立相对应的珊瑚礁地貌单元提取规则,利用模糊分类的方法对相应影像进行分类。最后,利用其混淆矩阵和Kappa系数对分类结果进行精度评价。

4.1 影像分割参数的确立

由于波浪破碎带在高分辨率遥感影像上特征比较明显,但它并不属于地貌单元的范畴。在进行地貌单元提取时,先将其作为特殊类型进行提取,然后在后期处理时,根据其所在区域并结合影像获取时间进行分析,将其归为外礁坪或礁凸起带。
Tab. 2 The multi-scale segmentation parameters of Boji Reef’s images

表2 簸箕礁的影像分割参数

地貌类别 尺度参数 光谱因子 形状因子 形状因子
紧致度 光滑度
外礁坪 600 0.8 0.2 0.6 0.4
波浪破碎带 600 0.8 0.2 0.6 0.4
附礁生物稀疏带 600 0.9 0.1 0.6 0.4
附礁生物丛生带 600 0.9 0.1 0.6 0.4
礁坑发育带 300 0.9 0.1 0.6 0.4
潟湖坡 500 0.8 0.2 0.6 0.4
潟湖底 140 0.8 0.2 0.6 0.4
点礁 140 0.8 0.2 0.6 0.4
沙洲 500 0.8 0.2 0.6 0.4
防波堤 25 0.8 0.2 0.5 0.5
楼堡 170 0.8 0.2 0.6 0.4
灯塔 50 0.8 0.2 0.5 0.5
港池 150 0.8 0.2 0.6 0.4
针对外礁坪、波浪破碎带、附礁生物稀疏带及丛生带,通过反复试验,选取了300、400、500、600等尺度对影像进行分割,将形状因子设置为0.2,紧致度设置为0.6。从图3可看出,当分割尺度为600时,分割效果相对理想,分割边界较为完整,且不存在过分分割现象。因此,当分割尺度为600时,可提取外礁坪、波浪破碎带、附礁生物稀疏带、附礁生物丛生带等地貌单元。

4.2 基于面向对象的影像分类规则及分类结果

在不同地貌单元的最优分割尺度下,依据不同地貌单元的影像特征,选取亮度(Brightness)、比率(Ratio)、灰度均值(Mean Layer4)、面积(Area)和归一化植被指数(NDVI)的阈值范围来提取相应的地貌信息,建立相对应的珊瑚环礁和灰沙岛地貌单元的提取规则(表3)。
Tab. 3 The classification rule set of Boji Reef

表3 簸箕礁的分类规则集

地貌类别 特征空间 模糊规则
外礁坪 Brightness 65<Brightness<71
Ratio 0.081<Ratio<0.084
波浪破碎带 Mean Layer4 100<Mean Layer4<385
附礁生物稀疏带 Brightness 72<Brightness<75
NDVI NDVI>0.37
附礁生物丛生带 Brightness 62<Brightness<65
NDVI NDVI>0.37
礁坑发育带 Mean Layer4 59<Mean Layer4<60
潟湖坡 Brightness 95<Brightness<100
Mean Layer4 54.45<Mean Layer4<59.5
潟湖底 Brightness 58<Brightness<62
Mean Layer4 59.62<Mean Layer4<63.5
点礁 Brightness 54<Brightness<58
沙洲 Brightness 392<Brightness<629
Area 100<Area<238
防波堤 Area 861<Area<1286
Mean Layer4 200<Mean Layer4<240
楼堡 Area 76<Area<425
Mean Layer4 376<Mean Layer4<418
灯塔 Area 226<Area<343
Mean Layer4 414.13<Mean Layer4<14.76
港池 Mean Layer4 84<Mean Layer4<95
在建立了分类规则的基础上,采用隶属度函数的模糊分类方法进行影像分类,分类结果如图5所示。从图5可看出,少量礁坑发育带被错分到外礁坪、附礁生物稀疏带附近,其主要原因是由于两者的亮度值较相似。大部分附礁生物带被错分为礁坑发育带,主要原因是两者光谱特征相似,且纹理也比较相近。除此之外,部分点礁和港池出现混分现象,沙洲边缘地带与波浪破碎带、防波堤与附礁生物稀疏带也发生混淆。潟湖坡、潟湖底中大量砂粒底质与点礁也发生混淆现象,原因是潟湖的砂粒底质与点礁的光谱、纹理特征都很相似。
在分类完成后,参照簸箕礁高分辨遥感影像的目视解译矢量图进行辅助人工纠正和整理,对分类结果进行适当处理,得到最终的分类结果。外礁坪与内礁坪的分界线为礁凸起带,在影像中纹理、光谱特征不明显,结合先验知识,进行人工解译,分出礁凸起带,同时将波浪破碎带所在区域结合影像获取时间进行分析,归为外礁坪或礁凸起带。
Fig. 5 The classification result based on the object-oriented method

图5 基于面向对象方法的分类结果

Fig. 6 The classification result after post-processing

图6 分类后处理的分类结果

4.3 分类精度评价

在分类影像中随机选取765个样本,确保选择的样本在簸箕礁的地貌影像区域内均匀分布。根据面向对象方法的簸箕礁地貌信息提取结果的混淆矩阵得到各类地貌信息分类提取的精度评价结果,如表4所示。
Tab. 4 Accuracy evaluation of Boji Reef's geomorphological information extraction results

表4 基于面向对象方法的簸箕礁地貌信息提取结果精度评价

信息类型 参考点数 分类总数 正确分类数 错分误差(%) 漏分误差(%) 制图精度(%) 用户精度(%)
外礁坪 190 133 124 6.77 30 65.26 93.23
波浪破碎带 180 176 174 1.14 3.33 96.67 98.86
附礁生物稀疏带 82 81 80 1.23 2.44 97.56 98.77
附礁生物丛生带 99 82 81 1.22 18.18 81.82 98.78
礁坑发育带 55 80 51 36.25 7.27 92.73 63.75
潟湖坡 71 70 70 0 1.41 98.59 100
潟湖底 62 63 62 1.59 0 100 98.41
点礁 2 19 2 89.47 0 100 10.53
沙洲 3 6 2 66.67 33.33 66.67 33.33
防波堤 3 9 3 66.67 0 100 33.33
楼堡 4 4 3 25 25 75 75
灯塔 1 3 1 66.67 0 100 66.67
港池 13 14 3 78.57 76.92 23.08 21.43
总体精度(%) 85.75
Kappa系数 0.8649
由表4可知,面向对象的簸箕礁地貌信息提取结果总体精度为85.75%,Kappa系数为0.8349,分类效果较为满意。其中,波浪破碎带、附礁生物稀疏带、附礁生物丛生带、澙湖坡及澙湖底的制图精度达80%以上,用户精度在98%~100%之间,分类结果较理想。礁坑发育带、点礁和防波堤的制图精度都在90%以上,但用户精度低于65%,主要原因是选取分类样本的数量、选择以上3种地貌结构的特征空间的合理性和点礁与澙湖底的大量砂砾沉积的光谱特征相似等。从整体的错分误差来看,人工地貌中的港池分类精度最低,这是由于港池与澙湖底的亮度值相似造成的。针对以上情况,也可增加选择更多特征进行进一步的区分,以提高精度。
图7是利用本文模型对南海珊瑚礁地貌单元提取的结果图。其中东礁属于尹庆群礁东部的一个环礁,低潮时露出水面,为东西长约13 km,宽约2~4 km的不连续环礁;毕生礁为安波沙洲东北方的一个小环礁,长9 km,宽1.8 km,礁盘外坡急陡,小浅湖发育完整,南侧有口门发育。
Fig. 7 The geomorphological classification maps of East Reef and Bisheng Reef

图7 东礁和毕生礁地貌分类结果图

5 结语

本文根据南海珊瑚礁地貌形成过程及结构特点,利用高分辨率遥感影像成像精细特点,以多尺度影像分割和影像模糊分类2个关键技术为基础,针对细致分类的南海珊瑚礁地貌分类体系,构建了面向对象的珊瑚礁地貌单元提取模型,以簸箕礁为例开展了珊瑚礁地貌单元信息的提取,并结合其混淆矩阵和Kappa系数对分类结果进行了精度评价。
结果表明,虽然本文模型提取的珊瑚礁地貌单元存在一定程度的错分及漏分现象,但相对于以往的方法,特别是针对地貌细分类方面,在流程上简便有效,在实践上可操作性强,在结果精度上可控可靠,取得了较理想的效果,能够满足南海珊瑚礁详细地貌单元信息提取的需求。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Audrfout S, Roux L, Chancerelle Y, et al.A fuzzy possibilistic scheme of study for objects with indeterminate boundaries: Application to French Polynesian reefscapes[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000,38(1):257-270.

[2]
Hackelford A K, Davis C H.A combined fuzzy pixel-based and object-based approach for classification of high-resolution multispectral data over urban areas[M]. IEEE Transactions on Geoscience and Remote Sensing, 2003,41(10):2354-2363.

[3]
Purkis S J, Myint S W, Bernhard M.Riegl. Enhanced detection of the coral Acropora cervicornis from satellite imagery using a textural operator[J]. Remote Sensing of Environment, 2006,101:82-94.

[4]
Robin P, Jean-Yves M, Ravahere T, et al.Support vector machines to map rare and endangered native plants in Pacific islands forests[J]. Ecological Informatics, 2012,9:37-46.

[5]
Stuart R P, Chris M R, Peter J M.Multi-scale, object-based image analysis for mapping geomorphic and ecological zones on coral reefs[J]. International Journal of Remote Sensing, 2012,33(12):3768-3797.

[6]
Chris R, Stuart P, Stacy J, et al.Mapping coral reefs at reef to reef-system scales, 10 s-1000 s km2, using object-based image analysis[J]. International Journal of Remote Sensing, 2013,34(18):6367-6388.

[7]
Caras T, Karnieli A.Ground-level spectroscopy analyses and classification of coral reefs using a hyperspectral camera[J]. Coral Reefs, 2013,32:825-834.

[8]
Sumisha V, Raghavendra S M, Raghavanc B R, et al.Coupled correction and classification of hyperspectral imagery for mapping coral reefs of Agatti and Flat Islands, India[J]. International Journal of Remote Sensing, 2014,35(14):5544-5561.

[9]
刘宝银,郝庆祥.南沙珊瑚岛礁空间结构的遥感信息树模型研究[J].海洋学报,1997,19(5):47-55.

[10]
潘春梅,丁谦,曹文玉. 南沙群岛岛礁地形地貌TM影像特征分析[J]. 国土资源遥感,2002(2):34-37.

[11]
邹亚荣,林明森,王华,等.对东沙岛基于融合信息高分辨遥感影像分类研究[J].海洋学报,2006,28(1):56-71.

[12]
胡蕾秋,刘亚岚,任玉环.SPOT5多光谱图像对南沙珊瑚礁信息提取方法的探讨[J].遥感技术与应用,2010,25(4):493-501.

[13]
姚永慧,周成虎,苏奋振,等.南沙群岛海底地貌制图研究——以1:100万郑和群礁幅为例[J].热带海洋学报,2007,26(6):34-39.

[14]
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[J].海洋学报(中文版),2012,34(2):57-62.

[15]
陈忠. 高分辨率遥感图像分类技术研究[D].北京:中国科学院遥感应用研究所,2006.

[16]
许民. 高分辨率遥感影像融合方法研究及融合效果评价[D].兰州:兰州大学,2010.

Options
Outlines

/

〈 〉