基于TWDTW的黄河三角洲湿地植被分类研究

Classification of Wetland Vegetation in the Yellow River Delta Based on TWDTW

摘要: 湿地植被是湿地生态系统中必不可少的一部分，在调节气候、蓄洪防旱等方面发挥了重要作用，对其进行行之有效的监测对于生态保护至关重要。基于时序的遥感影像进行地物分类在植被分类领域具有重要优势，湿地植被生长环境复杂，不同植被之间物候特征并不明确，且滨海湿地地区云雾较多，这些因素限制了时序遥感在湿地植被监测中的应用。基于时间加权的动态时间归整(Time-Weighted Dynamic Time Warping, TWDTW)通过增加时间权重限制实现时序匹配，能够避免植被物候因素的干扰与畸形匹配现象。本文探讨了该算法在黄河三角洲湿地植被分类中的适用性，并将分类结果与传统分类方法进行对比。研究表明，该算法在该区域总体分类精度为97.56%，Kappa系数为0.95。应用TWDTW算法可以有效进行湿地植被分类，能直观地反映湿地植被的空间分布格局，满足湿地生态环境监测、资源调查与管理等方面的需要。

Abstract: Wetland vegetation is an indispensable part of wetland ecosystems, which plays an important role in climate regulation, flood storage, drought prevention, etc. Effective monitoring of wetland vegetation is essential for ecological conservation. However, the application of time-series remote sensing in wetland vegetation monitoring is limited by the complex growth environment of wetland vegetation, the unclear physical characteristics of different vegetation, and the high cloudiness of coastal wetland areas. By increasing the time weight limit to achieve temporal matching, the interference and aberrant matching of vegetation phenology can be avoided by TWDTW (Time- Weighted Dynamic Time Warping). This paper explores the applicability of this algorithm to the classification of wetland vegetation in the Yellow River Delta and compares the classification results with traditional classification methods. The study shows that the overall classification accuracy of the algorithm is 97.56% and the Kappa coefficient is 0.95. The application of the TWDTW algorithm can effectively classify wetland vegetation and reflect the spatial distribution pattern of wetland vegetation. In addition, the result can meet the needs of wetland ecological environment monitoring, resource survey, and management etc.

1. 引言

黄河三角洲湿地是中国最广阔、最年轻的湿地生态系统 [1]，拥有中国沿海最大的海滩植被与众多珍稀鸟类，在保护生物多样性、实现可持续发展等方面起到了重要作用。湿地植被作为湿地生态系统中必不可少的一部分，具有调节气候、蓄洪防旱、净化水质等生态功能。传统的湿地植被分类主要使用目视解译的方法，但作业周期长，人力成本高，且操作人员进入湿地积水区较为困难，难以满足湿地大范围实时监测的要求。由于遥感技术具有大面积同步观测、现势性强、数据丰富等优点，目前学者大多借助遥感与地理信息技术来解决湿地植被分类与信息管理的问题 [2]。植被生长具有物候特性，单一影像很难表达植被特征，随着空间遥感技术的发展，越来越多的遥感平台可以获取多时相、高时空分辨率、高光谱的遥感数据，这些数据记录了地物随时间的变化过程。基于时序的遥感影像在植被分类、农作物监测等方面发挥着日益重要的作用 [3] [4]。

动态时间归整(Dynamic Time Warping, DTW)是一种时间序列相似性度量算法，一些学者将DTW算法应用到遥感领域，进行土地覆盖类型分类、植被信息提取等方面的研究 [5] [6]。如韩晓勇等人基于DTW距离的时序NDVI数据提取了秦巴山区的植被信息 [5]，管续栋等人基于DTW距离的时序相似性方法提取水稻遥感信息 [7] [8]，均证明了DTW算法在时序遥感影像地物分类方面的作用。由于DTW算法容易造成畸形匹配现象，一些学者提出时间加权的动态时间归整(Time-Weighted Dynamic Time Warping, TWDTW)算法，即在DTW算法的基础上增加了时间权重因子。如MARUS等人基于TWDTW算法成功提取了巴西中部农作物的空间分布信息 [9]，邱鹏勋等人基于TWDTW方法开展新疆农作物分类识别研究 [10]，均证明了TWDTW算法在农作物分类中的有效性。目前，学者主要基于影像的多波段光谱信息与地物几何结构和纹理等方式进行湿地植被分类，新兴的湿地植被分类方法有决策树(DT)分类法神经网络(NN)法、遗传算法(GA)等 [11] [12]，取得了显著的进展，但这些方法面临数据处理量大，对分类器的要求高等挑战 [13]。应用TWDTW算法进行地物分类成本低、分类过程简洁，且基于TWDTW方法在湿地植被分类领域的研究未见相关报道。

黄河口湿地处于水陆交汇地带，受入海水沙与海洋动力的综合影响，部分区域周期性地被水体所浸淹，湿地地物类型较复杂多变 [14] [15]。本研究利用高时空分辨率Sentinel-2影像，基于TWDTW算法的湿地植被进行分类，探讨了该算法在湿地植被分类领域的适用性，以提高湿地植被的分类精度，实现对该地区湿地植被空间布局与分布面积的准确估计，最终为湿地生态环境监测、资源调查与管理提供基础数据与科学依据。

2. 研究区概况与数据介绍

黄河三角洲湿地(37˚37'N~37˚54'N, 119˚00'E~119˚20'E)，位于山东省东营市垦利区黄河口镇境内，地处渤海与莱州湾的交汇处，是中国沿海植被覆盖度最大的地区 [16]。研究区假彩色影像如图1所示。研究区气候温和，四季分明，多年平均气温13℃左右，年平均降水量550~600毫米，雨热同期。黄河三角洲湿地历史上经历多次决口与改道，现代黄河三角洲是中国三大河口三角洲之一，因黄河携带的泥沙沉积至入海口，使得黄河三角洲湿地每年增加约30万平方千米陆地。互花米草于2010年前后被引种到黄河三角洲湿地，互花米草在黄河三角洲的无序扩张对生态安全构成一定的威胁 [17]。目前，该区域湿地植被以互花米草(Spartina alterniflora)、芦苇(Phragmites australis)、柽柳(Tamarix)、以及盐地碱蓬(Suaeda salsa)为主。

Figure 1. False colour image of the study area

图1. 研究区假彩色影像

哨兵-2号(Sentinel-2) [15] 卫星双星重访周期为5天，可以有效的对地球表面进行高分辨率多光谱成像，提供多时序的遥感影像。根据研究需要，在研究区选取了2021年1月至12月云量较少、质量较好的12幅Sentinel-2 L1C影像，遥感影像信息见表1。

Table 1. Remote sensing image information

表1. 遥感影像信息

3. 研究方法

3.1. DTW算法

DTW [10] 是一种衡量两个时间序列的相似度的方法，最初主要运用于手势识别、数据挖掘和信息检索等方面，后来被推广应用到遥感领域中。

设时间序列 $A=\left(a_1,a_2,\cdots ,a_p\right)$， $B=\left(b_1,b_2,\cdots ,b_q\right)$，其长度分别为p和q。A为某一待分类像元NDVI序列，B为某一湿地植被的标准NDVI序列。 $a_1,a_2,\cdots ,a_p$ 为某一待分类像元对应时相的NDVI值， $b_1,b_2,\cdots ,b_q$ 为某一湿地植被对应时相的NDVI标准值， $p=q=12$。构造匹配点的距离矩阵 $M_{p\times q}$ _{， $M_{p\times q}$} 的元素 $m_{ij}=d\left(a_i,b_j\right)=\left|a_i-b_j\right|$。累计最短距离路径记为 $L=\left\{l_1,l_2,\cdots ,l_k\right\}$，其中L的第k个元素 $l_k={\left(m_{ij}\right)}_k$。

这条路径需满足下列三个条件：

$\max \left\{i,j\right\}<k\le i+j-1$ (1)

$l_1=m_{11},l_k=m_{ij}$ (2)

$如果l_k=m_{ij},l_{k-1}=m_{i^{\prime }{j}^{\prime }}则0\le i-i^{\prime }\le 1,0\le j-j^{\prime }\le 1$ (3)

$\{\begin{array}{l}L\left(1,1\right)=m_{11}\hfill \\ L\left(i,j\right)=\min \left\{L\left(i-1,j\right),L\left(i,j-1\right),L\left(i,j\right)\right\}+m\left(i,j\right),i=2,3,\cdots ,p,j=2,3,\cdots ,q\hfill \end{array}$ (4)

则：

$\text{DTW}\left(A,B\right)=L\left(i,j\right)$ (5)

根据DTW算法原理，计算并比较待分类像元与各湿地植被标准NDVI序列相似性程度，将待分类的像元与其最相似的标准NDVI序列匹配。DTW时序匹配示意图如图2所示。

Figure 2. Schematic diagram of DTW timing matching

图2. DTW时序匹配示意图

3.2. TWDTW算法

TWDTW [12] 算法在DTW算法的基础上引入了时间权重因子，考虑到在多时相遥感图像中相邻两张遥感图像采样时间间隔不同，计算序列的相似性程度时，通过增加时间权重限制实现时序匹配，能够避免植被物候因素的干扰与序列间严重的畸形匹配现象。设时间序列 $A=\left(a_1,a_2,\cdots ,a_p\right)$， $B=\left(b_1,b_2,\cdots ,b_q\right)$，其长度分别为p和q。A为某一待分类像元NDVI序列，B为某一湿地植被的标准NDVI序列。 $a_1,a_2,\cdots ,a_p$ 为某一待分类像元对应时相的NDVI值， $b_1,b_2,\cdots ,b_q$ 为某一湿地植被对应时相的NDVI标准值， $p=q=12$。构造匹配点的距离矩阵 $M_{p\times q}$， $M_{p\times q}$ 的元素

$m_{ij}=d\left(a_i,b_j\right)+\omega \left(i,j\right)=\left|a_i-b_j\right|+\omega \left(i,j\right)$ (6)

其中

$\omega \left(i,j\right)=\frac{1}{1+{\text{e}}^{-\alpha \left(g\left(t_i,t_j\right)-\beta \right)}}$ (7)

$\omega \left(i,j\right)$ 为逻辑型时间权重因子。时间权重因子分为线性时间权重因子与逻辑型时间权重因子，实验证明 [18]，使用逻辑型时间权重因子总体精度优于线性时间权重因子。这与时间权重因子的函数特性有关，对于数值较小的时间扭曲，逻辑型时间权重因子给予其相对较小的时间惩罚，而对于数值较大的时间扭曲其受到较大的惩罚；相对而言，线性时间权重因子会赋予数值较小的时间扭曲较大的惩罚，这降低了总体精度，不利于分类，故选择逻辑型时间权重因子。 $\alpha$ 为增益因子，其与植被特性有关，值越大则对匹配点间隔差异的惩罚越大，能够有效限制由于物候改变而导致的同一种类型植被生长曲线差异，减少误分类。 $g\left(t_i,t_j\right)$ 为相邻两时相影像时间间隔(以天计)， $\beta$ 一般取时间序列的中间节点。对于逻辑型时间权重因子， $\alpha$ 和 $\beta$ 分别代表陡峭度和中点。 $\alpha =0.25$， $\beta =170$。这意味着赋予小于170天的时间扭曲较小的惩罚，赋予大于170天的时间扭曲较大的惩罚。累计最短距离路径记为 $L=\left\{l_1,l_2,\cdots ,l_k\right\}$，其中L的第k个元素 $l_k={\left(m_{ij}\right)}_k$。

这条路径需满足下列三个条件：

$\max \left\{i,j\right\}<k\le i+j-1$ (8)

$l_1=m_{11},l_k=m_{ij}$ (9)

$如果l_k=m_{ij},l_{k-1}=m_{i^{\prime }{j}^{\prime }}则0\le i-i^{\prime }\le 1,0\le j-j^{\prime }\le 1$ (10)

$\{\begin{array}{l}L\left(1,1\right)=m_{11}\hfill \\ L\left(i,j\right)=\min \left\{L\left(i-1,j\right),L\left(i,j-1\right),L\left(i,j\right)\right\}+m\left(i,j\right),i=2,3,\cdots ,p,j=2,3,\cdots ,q\hfill \end{array}$ (11)

则：

$\text{TWDTW}\left(A,B\right)=L\left(i,j\right)$ (12)

与DTW算法类似，计算并比较待分类像元与各湿地植被标准NDVI序列相似性程度，将待分类的像元与其最相似的标准NDVI序列匹配。

4. 实验验证与分析

4.1. 数据预处理

使用SNAP与ENVI软件对各时相的遥感数据进行辐射定标、大气矫正、几何精校正、拼接和裁切等预处理操作，提取空间分辨率为10 m的R和NIR波段 [19]。归一化植被指数(Normalized differential vegetation index, NDVI)用来反映植被不同时间的物候特征以及周期性变化特征。计算影像12时相的NDVI值，得到12时相NDVI灰度影像。将各时相的NDVI波段按时间顺序融合，得到一幅多波段NDVI时序影像。如图3所示，A₁与A₂为预处理得到的多时相遥感图像的两个像元点NDVI序列。

Figure 3. Schematic diagram of NDVI sequences of multi-temporal remote sensing images

图3. 多时相遥感图像NDVI序列示意图

对研究区域进行实地调查，进行样本点的选择。保证采集的样本点均匀分布在整个研究区内 [20]，采集柽柳、芦苇、互花米草、淤泥田(盐地碱蓬)、水体五类样本。本次研究对象为湿地植被，考虑到分类图美观，故将水体也作为分类对象。盐地碱蓬的植株密度较低，常出现淤泥田中存在少量盐地碱蓬的现象，且受到影像空间分辨率的限制，故将淤泥田与盐地碱蓬并为一类进行研究。将样本分为训练样本与验证样本。将各类湿地植被的训练样本进行平均值运算，得到各类湿地植被的标准NDVI序列，验证点用于后续精度评定。各类湿地植被的标准NDVI序列如图4所示。技术路线图如图5所示。

Figure 4. Standard NDVI series for wetland vegetation

图4. 湿地植被的标准NDVI序列

Figure 5. Technology roadmap

图5. 技术路线图

4.2. 分类结果分析

依托DTW、TWDTW算法进行湿地植被分类，同时利用最小距离分类法、最大似然分类法进行对比，各分类结果如图6所示。

(a) 最小距离分类法 (b) 最大似然分类法 (c) DTW算法 (d) TWDTW算法

Figure 6. Wetland vegetation classification map for each method

图6. 各方法湿地植被分类图

利用实地采集的验证样本对上述四种分类方法进行精度评定，结果见表2。

Table 2. Accuracy of wetland vegetation classification

表2. 湿地植被分类精度

由表2可知，最大似然分类总体分类精度为79.86%，Kappa系数为0.6402；最小距离分类总体分类精度为97.16%，Kappa系数为0.9318；DTW算法总体分类精度为92.35%，Kappa系数为0.8504；TWDTW算法总体分类精度为97.56%，Kappa系数为0.9505。从整体来看，最大似然分类法分类精度并不理想，TWDTW算法的分类结果在研究区域各湿地植被的用户精度、生产者精度均比DTW算法的分类结果要高，TWDTW算法的分类结果与最小距离分类精度相当，前者精度略高。

相比于DTW算法，TWDTW算法考虑到遥感图像的采样时间间隔，捕捉了湿地植被的季节变化特征。判断两个像元是否为同一地物，TWDTW算法不仅考虑二者的NDVI序列的走向，而且考虑时间因素，使得不同湿地植被差异更为明显，较好的克服了湿地植被由于生长特性相近容易出现的“异物同谱”现象，能够更好的区分生长特性相近的植被。例如，柽柳、芦苇与互花米草作为典型的湿地植被，一年当中NDVI序列均由低逐渐升高到某一极大值，再逐渐减小。但他们的NDVI峰值出现的时间并不相同，芦苇五月初开始进入生长旺期，NDVI峰值出现在六月；柽柳的NDVI峰值出现在七月；九月份互花米草生物量达到最大，其峰值出现在九月，而此时芦苇与柽柳的NDVI值已经下降。结果证明，TWDTW算法不受地域因素和不同年份限制，具有较强的灵活性和适用性，能够成功用于黄河三角洲的湿地植被分类，可以有效提高湿地植被分类精度，在湿地植被分类中具有较大的应用潜力。

对于TWDTW算法分类，错分情况主要发生在互花米草上。互花米草在TWDTW算法的用户精度为90.65%，生产者精度为88.01%。主要原因是互花米草不断侵占原有植被生态位，导致湿地植被混合交错，分布边界不明显，以像元为单位进行地物分类，造成了部分连续的地物破碎的现象，即“椒盐”现象。

对于精度较高的TWDTW算法，统计各湿地植被的分布面积。淤泥田(盐地碱蓬)分布最为广泛，且多呈片状集中分布在海岸附近，面积达到268.47 km²；互花米草次之，分布面积为60.57 km²，多呈团状呈片状分布于潮间带中下部；柽柳分布面积为52.16 km²，主要分布于芦苇群落南北两侧；芦苇分布面积最少，为44.40 km²，主要分布于新旧河道两岸。其结果可以为该地区土地管理、资源监测、生态预警等方面提供可靠信息支撑。

5. 结束语

湿地植被生长环境复杂，不同植被之间物候特征并不明确，且滨海湿地地区云雾较多，TWDTW算法捕捉了湿地植被的季节变化特征，能够更好的区分生长特性相近的植被，且分类成本低、分类过程简洁，具有较大优势。本文使用2021年12时相Sentinel-2遥感影像，基于TWDTW算法进行黄河三角洲湿地植被分类研究。经验证，TWDTW算法在黄河三角洲湿地植被分类能够达到较好的效果，分类结果总体精度较高，该算法可作为湿地植被分类一种可靠的分类方法，其结果能够直观地反映湿地植被的空间分布格局，可以满足土地管理、资源监测、生态预警等方面的需要。尤其是为有效监测外来物种互花米草分布蔓延情况提供一种可靠的方法，为互花米草的治理提供技术支撑，从而确保黄河三角洲湿地的生态平衡。此外，分类结果出现的“椒盐”及少数“异物同谱”现象仍不可忽视，后续拟研究利用决策树、面向对象法等方法进一步提升分类精度。

基金项目

高端外国专家引进计划(G2021025006L)。

NOTES

^*通讯作者。