顧及植被季相節(jié)律的濱海濕地類型動態(tài)變化研究

王海龍,劉雪惠,溫小榮,郜昌健,佘光輝,孟 雪,李 赟

(1.南京林業(yè)大學(xué) 南方現(xiàn)代林業(yè)協(xié)同創(chuàng)新中心,南京 210037;2.南京林業(yè)大學(xué) 林學(xué)院,南京 210037)

顧及植被季相節(jié)律的濱海濕地類型動態(tài)變化研究

王海龍,劉雪惠,溫小榮,郜昌健,佘光輝,孟 雪,李 赟

(1.南京林業(yè)大學(xué) 南方現(xiàn)代林業(yè)協(xié)同創(chuàng)新中心,南京 210037;2.南京林業(yè)大學(xué) 林學(xué)院,南京 210037)

基于鹽城國家級珍禽自然保護區(qū)核心區(qū)2014年3個月份的Landsat 8遙感影像及其矢量數(shù)據(jù),采用基于CART算法的決策樹分類方法提取研究區(qū)蘆葦、堿蓬、米草、魚塘、淺灘、海域等濕地信息,并分析2014年植被變化情況。其中采用植被指數(shù)NDVI,RVI,DVI時間序列光譜分析曲線獲得濕地植被類型窗口期,通過各植被指數(shù)、第一主成分分量、纓帽變換、原始波段(紅外、近紅外)、非監(jiān)督分類影像等因子構(gòu)建時序因子集。結(jié)果表明:1)3—12月份為植被分類窗口期,蘆葦、堿蓬、米草區(qū)分度最大；2)CART算法的決策樹分類方法對鹽城濕地植被區(qū)分度較好,3個月份影像分類總體精度分別為99.88%,99.18%和97.61%,Kappa系數(shù)分別為0.99,0.99和0.97；3)2014年間,蘆葦?shù)拿娣e從61.69km2增長到63.08km2,米草從38.01km2增加到44.78km2,堿蓬從26.37km2銳減到19.63km2。

時間序列；植被指數(shù)；物候特征；CART 算法；濱海濕地

0 引言

濕地是既不同于水體、又不同于陸地的特殊過度類型的生態(tài)系統(tǒng),為水生、陸地生態(tài)系統(tǒng)界面相互延伸擴展的重疊空間區(qū)域。濕地是一種重要的自然資源,也是人類賴以生存的最重要的環(huán)境之一,具有穩(wěn)定環(huán)境、保護物種基因及資源利用等功能,被喻為“地球之腎”[1-2],對地區(qū)、區(qū)域乃至全球氣候變化、經(jīng)濟發(fā)展和人類生存環(huán)境有著重要的影響[3]。由于各種自然、人為因素的影響,如過度開墾、環(huán)境污染、泥沙淤積、海岸帶遭到破壞、旅游業(yè)與城市建設(shè)等,濕地面積已大大縮減,功能逐漸減退,我國濕地資源面臨極大危機[4-5]。

濕地面積十分廣闊,通常濕地環(huán)境比較復(fù)雜多樣,傳統(tǒng)的人工濕地調(diào)查耗時耗力,難以進行全國范圍的統(tǒng)計和更新。隨著遙感技術(shù)的興起,特別是隨著美國陸地資源衛(wèi)星的發(fā)射成功,人們對濕地的研究方法出現(xiàn)了巨大轉(zhuǎn)變。遙感技術(shù)探測范圍廣,一景影像可以涵蓋一百多平方公里,而且遙感信息更新速度快,周期短,相比人工調(diào)研節(jié)省了時間和人力。進入21世紀(jì)以來,遙感逐漸成為監(jiān)測濕地變化、提取濕地信息等濕地監(jiān)測的主要技術(shù)方法。國內(nèi)外學(xué)者均對濕地進行了大量研究。Bronge等[6]利用Landsat TM影像研究濕地的提取分類并制作專題圖；James D.Hurd等[7]利用ETM+遙感影像,運用基于對象和像元的分類方法,對美國東北部長島海峽及其周圍區(qū)域的潮汐濕地植被資源進行分類提取研究；Sarch MT等[8]綜合利用1992—1998年多時相雷達以及NOAA,AVHRR遙感資料,在建立波段組合和對水體信息進行有效提取的基礎(chǔ)上,分析預(yù)測了非洲乍得湖的年際和季際水面變化及該流域的洪水變化規(guī)律,討論了乍得湖流域水運動對周邊河流、濕地和沼澤的影響,指出湖面的變遷與整個流域的水文狀況之間的內(nèi)在聯(lián)系；牟鳳云等[9]基于中巴資源衛(wèi)星,利用面向?qū)ο蠓椒▽ι綎|微山湖濕地信息進行分類提??；朱曉榮[10]基于影像紋理信息構(gòu)建決策樹,實現(xiàn)洞庭湖濕地信息提取,并將分類結(jié)果與最大似然監(jiān)督分類所得結(jié)果進行對比,利用知識的決策樹分類方法較傳統(tǒng)分類方法總體精度提高12.05%,總體Kappa系數(shù)提高0.140 7；那曉東等[11]利用MODIS影像,結(jié)合時間序的傅里葉組分相似度分類算法提取了三江平原濕地信息。鹽城地處沿海地區(qū),濕地資源十分豐富,國家成立的鹽城濕地自然保護區(qū)是我國沿海最大的灘涂濕地,本文以鹽城濕地核心區(qū)域作為研究對象,極具代表性。

1 研究區(qū)概況

江蘇鹽城濕地珍禽國家級自然保護區(qū)位于鹽城市區(qū)正東方向40km,地跨響水、濱海、射陽、大豐、東臺五縣(市)。地理坐標(biāo)為北緯32°48′～34°29′,東經(jīng)119°53′～121°18′。此保護區(qū)是我國最大的海岸帶保護區(qū),海岸線長582km[12],總面積為 247 417hm2,其中核心區(qū)面積22 753 hm2,緩沖區(qū)面積56 742hm2,實驗區(qū)面積167 922hm2。保護區(qū)地勢平坦,海拔為0～4m,主要濕地類型包括永久性淺海水域、灘涂、鹽沼和人工濕地等,本文主要針對自然保護區(qū)核心區(qū)土地利用類型進行探討和研究。

2 數(shù)據(jù)來源及預(yù)處理

使用美國陸地資源衛(wèi)星系列Landsat8衛(wèi)星影像,數(shù)據(jù)來源于USGS網(wǎng)站,篩選云量低于10%且數(shù)據(jù)質(zhì)量較高的3景影像,數(shù)據(jù)詳細(xì)信息如表1所示。多光譜影像空間分辨率30m,全色影像空間分辨率15m。截取2014年Google Earth高清影像圖,以提高訓(xùn)練樣本提取精度。為了監(jiān)測研究區(qū)內(nèi)各地物的生長發(fā)育情況,其他數(shù)據(jù)為鹽城濕地珍禽國家級自然保護區(qū)核心區(qū)矢量數(shù)據(jù)。

表1 Landsat影像數(shù)據(jù)詳細(xì)信息表

對Landsat8系列衛(wèi)星數(shù)據(jù)進行輻射定標(biāo)、大氣校正、幾何校正、圖像裁剪、圖像融合、主成分分析和纓帽變換處理。首先借助輻射定標(biāo)參數(shù)對原始影像進行輻射定標(biāo),然后利用ENVI5.1提供的波譜響應(yīng)函數(shù)在FLAASH模塊下對影像進行大氣校正,將輻射亮度值轉(zhuǎn)化為地表真實反射率。圖像融合采用Gram-Schmidt Pan Sharpening融合方法,幾何配準(zhǔn)校正誤差控制在0.1個像元內(nèi),并采用最鄰近法進行重采樣。對于landsat8 OLI傳感器來說,暫時還沒有纓帽變換相關(guān)參數(shù),本文以landsat7 ETM+纓帽變換參數(shù)為依據(jù)對OLI進行纓帽變換,獲得其綠度、亮度、濕度分量。提取主成分分析第一主成分分量、歸一化植被指數(shù)(NDVI)、差值植被指數(shù)(DVI)、比值植被指數(shù)(RVI),將計算得出的主要因子組成時序因子集。最后依據(jù)研究區(qū)矢量邊界裁剪遙感影像獲得研究區(qū)影像數(shù)據(jù)。

3 原理與方法

3.1 分類類別確定

在濱海區(qū)域,由自然的濱海地貌形成的淺海、海岸、河口以及海岸線湖泊濕地統(tǒng)稱為近海與海岸濕地,包括低潮時水深不超過6m的永久性淺海水域。東部沿海區(qū)域的濱海濕地一般可分為6種濕地類型(表2),對于鹽城自然保護區(qū)來說,其濕地類型包括一級分類:淺海水域、淤泥質(zhì)海灘及魚塘；一級分類潮間鹽水沼澤下的米草、蘆葦、堿蓬。結(jié)合鹽城保護區(qū)核心區(qū)實際情況和谷歌影像地圖,通過目視判讀和前人研究成果[13-15]將核心區(qū)內(nèi)濕地分為蘆葦、堿蓬、米草、魚塘、淺灘、海域等6種類型。

表2 濱海濕地分類標(biāo)準(zhǔn)

3.2 時間序列光譜分析

植物因為氣候、季節(jié)、降水等因素的影響而出現(xiàn)的周而復(fù)始的現(xiàn)象稱為“物候現(xiàn)象”[16]?；跁r間序列的植被指數(shù)可以清晰準(zhǔn)確地反映出一年中植物光合作用發(fā)生的變化[17],特別是在植物生長的窗口期,此變化尤為明顯。通過監(jiān)測濕地植被的萌芽期、綠葉期、茂盛期、枯萎期,以此來對濕地植被進行信息提取劃分歸類,為濕地植被的生長變化監(jiān)測提供有力的依據(jù)。以月份作為自變量,各植被指數(shù)作為因變量,對各地物的光譜特征進行分析。

4 結(jié)果

4.1 訓(xùn)練樣本分析

為了合理選取訓(xùn)練樣本,確保訓(xùn)練樣本的公平性,可以兼顧隨機性和典型性原則選取訓(xùn)練樣本。在分類之前要通過目視判讀和野外調(diào)查,對待分類影像的類別屬性有一個先驗知識,然后從待分類影像中對每一種類別選擇具有普遍性和代表性的訓(xùn)練樣本。訓(xùn)練樣本選取要精確,必須要充分覆蓋整個研究區(qū)域。對選擇好的訓(xùn)練樣本要計算分離度,一般來說,確保各類別樣本的分離度在1.8以上才符合樣本的選取要求,樣本選擇完成后要預(yù)留20%的樣本作為分類后的檢驗。本次研究共選擇310個樣本點,其中蘆葦60個、堿蓬60個、米草70個、魚塘40個、淺灘40個、海域40個。

4.2 地物時間序列光譜特征分析

圖1 2014年時間序列NDVI均值變化圖

圖2 2014年時間序列DVI均值變化

注：蘆葦和堿蓬變化線重合。

圖3 2014年時間序列RVI均值變化圖

Fig.3 The mean changes of RVI in 2014 time series

通過圖1—圖3可以看出,2014年時間序列的植被指數(shù)總體上是符合物候規(guī)律的。其生長期大概從3月份開始,到12月份前結(jié)束。其中3—12月為分類的“窗口期”。蘆葦、米草、堿蓬3種植被指數(shù)值均出現(xiàn)了窗口期。以NDVI為例,1—3月之間,蘆葦、堿蓬、米草的NDVI值變化程度不大,三者NDVI值隨時間的變化很緩慢。這是因為在初春時間,這3種植物均處在萌芽發(fā)育階段,此時地表植被覆蓋率很小。到了3月底,米草、蘆葦和堿蓬之間的植被指數(shù)增長開始出現(xiàn)差距,米草的植被指數(shù)值明顯高于蘆葦,而蘆葦?shù)闹脖恢笖?shù)值又明顯高于堿蓬。在這段時間,這3種植物均處在快速生長階段,植被長勢越來越茂盛,地表植被覆蓋度越來越大。魚塘、淺灘、海域,其與植被分離度極其明顯,這三者植被指數(shù)值均較低,NDVI的作用最為明顯,是反映幾種植被最重要的指標(biāo)依據(jù)。DVI對土壤背景的變化非常敏感,因此可以作為區(qū)分植被與非植被的劃分依據(jù),RVI增強了植被在紅光和近紅外之間的反射率差異。

為了更進一步體現(xiàn)時間序列對遙感影像分類的影響,將2014年1，3，12月份的NDVI影像圖進行對比,以此說明各個時段植被指數(shù)的差異及其對決策樹分類的影響。從圖4可以看出,3月份的蘆葦、堿蓬、米草生長交錯復(fù)雜,層次區(qū)分不是很明顯。此時3種植被均處于萌芽階段,各種植被從影像上難以區(qū)分,對分類精度產(chǎn)生很大影響。從1,12月份的NDVI均值變化圖中可以發(fā)現(xiàn)米草的NDVI均值最大,這是因為雖然到了衰敗期,但是米草并沒有完全死亡,而是顏色逐漸轉(zhuǎn)為紫褐色。

圖4 2014年3個月份NDVI結(jié)果圖

4.3 CART決策樹規(guī)則生成與分類

通過對時間序列植被指數(shù)的分析,選取2014年1,3,12月份的遙感影像進行決策樹分類。對融合影像進行非監(jiān)督分類,并將其與不同植被指數(shù)、主成分第一分量、纓帽變換各分量及原始波段的B4(紅光波段)、B5(近紅外波段)波段進行Layer stacking處理,作為決策樹分類的主要依據(jù)。對得到的組合圖層的波段,依次將其命名為B1(原始波段B4)、B2(原始波段B5)、B3(纓帽變換亮度分量)、B4(纓帽變換綠度分量)、B5(纓帽變換濕度分量)、B6(主成分第一分量)、B7(RVI)、B8(DVI)、B9(NDVI)、B10(IsoData)。決策樹分類的過程是根據(jù)訓(xùn)練樣本的選取進行學(xué)習(xí)歸納之后,生成分類的規(guī)則集。根據(jù)核心區(qū)不同地物類型分類規(guī)則,生成決策樹分類流程圖,如圖5所示。

圖5 2014年影像決策樹分類規(guī)則

通過訓(xùn)練樣本生成決策樹規(guī)則之后,我們要執(zhí)行決策樹分類,將其運用到整個核心區(qū)影像,分類結(jié)果如圖6所示。此時需要利用之前保留的檢驗樣本對分類結(jié)果進行精度檢驗,通過構(gòu)建混淆矩陣,計算各地類的總體分類精度和卡帕(Kappa)系數(shù),分類精度數(shù)據(jù)如表4所示。

圖6 基于CART算法的決策樹影像分類圖

表3 核心區(qū)地物面積及其占比影像解譯結(jié)果

利用遙感影像的光譜分辨率劃分植被，容易出現(xiàn)“同譜異物”和“同物異譜”的情況,即使利用植物的窗口期的影像進行分類還是會存在錯分情況。主要原因:1)蘆葦和堿蓬的光譜特征值相似，導(dǎo)致決策樹的分類規(guī)則誤將堿蓬劃分為蘆葦；2)在核心區(qū)植被分布上,蘆葦和堿蓬相互臨近,其中有部分區(qū)域是蘆葦和堿蓬的過渡帶,交互摻雜兩種植被,同時Landsat8的空間分辨率為30m×30m,同一個像元中，既有蘆葦也有堿蓬生長,因此造成了蘆葦和堿蓬光譜特征值的混合,使堿蓬的分類精度大大降低。整個核心區(qū)區(qū)域面積為227.53km2,從表3核心區(qū)地物面積及其占比中可以得知,核心區(qū)占比重最大的類別為蘆葦,其次為米草和堿蓬。

4.4 分類結(jié)果比較

利用同一訓(xùn)練樣本對2014年1,3，12月份的遙感影像進行最大似然、最小距離、馬氏距離監(jiān)督分類。從分類精度表(表4)中可以看出，3種監(jiān)督分類中,最大似然分類方法總體分類精度優(yōu)于最小距離和馬氏距離分類方法。決策樹分類方法總體分類精度相比于最大似然分類方法,分類精度有所提高。

表4 4種分類方法精度評價表

4.5 濕地植被動態(tài)變化分析

為更進一步了解和分析整個核心區(qū)濕地變化情況,采用決策樹分類法對2014年1，3，12月份的Landsat8系列數(shù)據(jù)影像進行分類比較,掌握2014年內(nèi)各植被的生長變化情況。分類精度如表4所示。從濕地類型面積統(tǒng)計表(表3)中可以發(fā)現(xiàn),2014年間,蘆葦?shù)纳L面積顯著提高,從最初的27.11%增長到27.72%,米草的占地面積也擴大到19.68%,在這兩者之間的堿蓬被逐漸蠶食吞并,生長面積越來越小。眾所周知,米草雖然對海岸防護、抵御風(fēng)浪有一定的作用,但其繁衍速度快、密集生長給動植物的生存帶來很大的災(zāi)難,因此有必要遏制米草的生長態(tài)勢,減弱堿蓬逐漸消退的局面。

5 結(jié)論

本研究基于CART算法和時間序列遙感影像進行濱海濕地類型信息提取。對于植被光譜特征相似、覆蓋度較廣且相互交叉過渡的植被,分析其物候特征,基于時間序列遙感數(shù)據(jù),將原本復(fù)雜交錯的植被分布用決策樹規(guī)則加以清晰地描述和提取,得到如下結(jié)論:

1) 對蘆葦、堿蓬、米草、魚塘、淺灘和海域進行時間序列光譜分析,得出其NDVI,RVI,DVI光譜曲線圖,探索出濕地植被分類的窗口期大概在3—12月份,為難以區(qū)分的蘆葦、米草、堿蓬提供更充足的分類依據(jù)。

2) 時間序列遙感影像結(jié)合決策樹分類算法對核心區(qū)濕地進行分類,其總體精度分別為99.88%,99.18%和97.61%,卡帕(Kappa)系數(shù)分別為0.99,0.99和0.97,說明對于核心區(qū)濕地植被類型識別效果較好,信息提取精度優(yōu)于馬氏距離、最小距離和最大似然等監(jiān)督分類方法。

3) 對鹽城濕地珍禽國家級自然保護區(qū)核心區(qū)近一年濕地植被類型變化情況進行分析。在米草、蘆葦?shù)臄U張下,堿蓬的生存空間逐漸縮小,面積由26.37km2銳減到19.63km2,外來物種米草的擴張對本地植被的生存環(huán)境帶來了極大的改變,米草面積由38.01km2增加到44.78km2,米草與蘆葦分別向東西方向擴張,大大縮減了堿蓬的生長空間,因此應(yīng)該加強對堿蓬的保護,防止米草過度擴張,使生態(tài)環(huán)境遭到破壞。

4) Landsat8分辨率為30m×30m,有些地區(qū)植被分布較為混亂,同一個像元內(nèi)可能遍布多種植被,大大降低了分類精度,高分辨率影像可以提高分類精度。

[1]呂憲國,劉紅玉.濕地生態(tài)系統(tǒng)保護與管理[M].北京:化學(xué)工業(yè)出版社,2004:6-11.

[2]楊永興.國際濕地科學(xué)研究的主要特點、進展與展望[J].地理科學(xué)進展,2002,21(2):111-120.

[3]劉紅玉,呂憲國,張世奎.濕地景觀變化過程與累積環(huán)境效應(yīng)研究進展[J].地理科學(xué)進展,2003,22(1):60-70.

[4]王憲禮,李秀珍.濕地的國內(nèi)外研究進展[J].生態(tài)學(xué)雜志,1997,16(1):58-62.

[5]李建平,張柏,張泠,等.濕地遙感監(jiān)測研究現(xiàn)狀與展望[J].地理科學(xué)進展,2007,26(1):33-43.

[6]Bronge L B,Naslund-landenMarkB.Wetland classification for Swedish CORINE Land Cover adopting a semi-automatic interactive approach[J].Canadian Journal of Remote Sensing,2002,28(2):139-155.

[7]James D H,Daniel L C,Maryhs S G,et al.Tidal wetland classification from Landsat imagery using an integrated pixel-based and object-based classification approach[C]//American Society for Photogrammetry and Remote Sensing,2006 Annual Conference,Reno,Nevada,2006.

[8]Sarch M T,BirkettC.Fishing and farming at Lake Chad:Responses to lake-level fluctuations[J].Geographical Journal,2000,166(2):156-172.

[9]牟鳳云,韓葵.面向?qū)ο蟮倪b感濕地植被分類與信息提取—以微山湖為例[J].安徽農(nóng)業(yè)科學(xué),2012(12):7574-7576.

[10]朱曉榮.基于決策樹的洞庭湖濕地信息提取技術(shù)研究[D].北京:中國林業(yè)科學(xué)研院,2012.

[11]那曉東,張樹清,李曉峰.MODIS NDVI 時間序列在三江平原濕地植被信息提取中的應(yīng)用[J].濕地科學(xué),2007,5(3):227-236.

[12]趙萍,傅云飛,鄭劉根,等.基于分類回歸樹分析的遙感影像土地利用/覆被分類研究[J].遙感學(xué)報,2005,9(6):708-716.

[13]肖錦成,歐維新,符海月.基于BP神經(jīng)網(wǎng)絡(luò)與ETM+遙感數(shù)據(jù)的鹽城濱海自然濕地覆被分類[J].生態(tài)學(xué)報,2013,33(23):7496-7504.

[14]丁晶晶,王磊,季永華,等.江蘇省鹽城海岸帶濕地景觀格局變化研究[J].濕地科學(xué),2009,7(3):202-207.

[15]王凱,高媛赟,溫小榮,等.近10年鹽城國家級珍禽自然保護區(qū)核心區(qū)濕地動態(tài)變化分析[J].森林工程,2015,31(1):17-21.

[16]夏傳福,李靜,柳欽火.植被物候遙感監(jiān)測研究進展[J].遙感學(xué)報,2013,12(1):1-16.

[17]李鑫川,徐新剛,王紀(jì)華.基于時間序列環(huán)境衛(wèi)星影像的作物分類識別[J].農(nóng)業(yè)工程學(xué)報,2013,21(2):169-176.

Dynnmic Changes of Coastal Wetland Types with Taking Seasonal Rhythms into Account

WANG Hailong,LIU Xuehui,WEN Xiaorong, GAO Changjian,SHE Guanghui,MENG Xue,LI Yun

(1.SouthModernForestryCooperativeResearchCenter,NanjingForestryUniversity,Nanjing210037,China;2.ForestryCollegeofNanjingForestryUniversity,Nanjing210037,China)

Based on three months of Landsat8 remote sensing images and vector data of the core area of Yancheng national rare birds nature reserve and vector data in 2014,using CART-based decision tree classifier to extract phragmites,suaeda,spartina,fish ponds,mud flat,waters and wetlands information and then changes of vegetation are analyzed.Using vegetation index NDVI,RVI,DVI series spectrum curves to get a wetland vegetation type in the window period,through the vegetation index,the first principal component,tasseled Cap transformation,the original bands(red,near-infrared),unsupervised classification image,sequence subsets are built.Results showed that:1) The window period for vegetation classification is from March to December,phragmites,suaeda,Spartina discrimination of maximal order during this decision tree classification of remote sensing images for the data source can improve the accuracy of classification;2) CART-based decision tree classifier to Yancheng wetland vegetation and distinguish have good overall classification accuracy for 99.88%,99.18% and 97.61% and good Kappa coefficient for 0.99,0.99 and 0.97;3) In 2014,the area of phragmites grew from 61.69km2to 63.08km2and spartina from 38.01km2to 44.78km2while suaeda had fallen from 26.37km2to 19.63km2.

time series,vegetation index,phenological characteristics,CART algorithm,coastal wetland

2016-12-07；

2017-04-19

國家948計劃項目(2013-4-63)；南京林業(yè)大學(xué)科技創(chuàng)新基金項目(CX2011-24)； 江蘇省林業(yè)三新工程(LYSX[2015]19)；江蘇高校優(yōu)勢學(xué)科建設(shè)工程自助項目(PAPD)

王海龍(1992-),男,安徽亳州人,在讀碩士,主要研究方向：3S技術(shù)與森林資源動態(tài)監(jiān)測。Email:1224060531@qq.com

溫小榮,男,副教授,主要研究方向：森林經(jīng)理及3S技術(shù)應(yīng)用。Email:njw9872e@163.com

X37

A

1002-6622(2017)02-0058-07

10.13466/j.cnki.lyzygl.2017.02.011