Sentinel-2數(shù)據(jù)的小型湖泊水生植被類群自動提取方法
——以翠屏湖為例

汪政輝，辛存林，孫喆，羅菊花，馬榮華，3

(1.西北師范大學(xué) 地理與環(huán)境科學(xué)學(xué)院，蘭州 730070；2.中國科學(xué)院南京地理與湖泊研究所，南京 210008；3.淮陰師范學(xué)院 江蘇區(qū)域現(xiàn)代農(nóng)業(yè)與環(huán)境保護(hù)協(xié)同創(chuàng)新中心，江蘇 淮安 223001)

0 引言

水生植被具有吸附凈化、阻滯水流、促進(jìn)沉降、澄清水質(zhì)、抑制藻類等生態(tài)功能，在維持湖泊生態(tài)系統(tǒng)平衡、物質(zhì)循環(huán)和水質(zhì)方面發(fā)揮著重要的作用[1-2]。水生植物繁茂的湖泊，水體具有較高清澈度，較低的營養(yǎng)鹽濃度和藻類生物量[3]。水生植被，尤其是沉水植被的蓋度和豐度直接決定著湖泊的穩(wěn)態(tài)[4]。因此，大范圍、準(zhǔn)確、快速地監(jiān)測湖泊水生植物類群及其時空分布對湖泊管理和生態(tài)修復(fù)具有十分重要的意義。

傳統(tǒng)的水生植物監(jiān)測方法主要以人工調(diào)查法為主，精度雖高，但費(fèi)時費(fèi)力，監(jiān)測覆蓋范圍小，且時空連續(xù)性差。衛(wèi)星遙感技術(shù)具有宏觀、低成本、快速、動態(tài)的優(yōu)勢，同時具有實(shí)時性和歷史追溯性等特點(diǎn)，已成為淺水湖泊水生植物監(jiān)測的有效手段[5-7]。相比陸生植被，水生植被由于其生長在復(fù)雜度較高的水體中，其光譜特性具有復(fù)雜性[8]。相關(guān)研究[9-12]表明，挺水和浮葉植物大部分葉片位于水面之上，光譜信號無需經(jīng)過水體輻射傳輸過程，受水環(huán)境影響較小，具有典型的植被光譜特征；而沉水植被由于完全沉入水中，反射光譜易受水環(huán)境參數(shù)影響，其光譜特征與挺水和浮葉植被有顯著差異。不同水生植被類群的光譜特征及對水環(huán)境的光譜響應(yīng)各有差異，也是水生植被遙感監(jiān)測的理論基礎(chǔ)。近年來，國內(nèi)外學(xué)者基于多種遙感衛(wèi)星數(shù)據(jù)，也在不同的大型淺水湖泊先后開展了一系列水生植物遙感分類和制圖研究[13-15]，并發(fā)展了一些用于區(qū)分水生植被與其他植被及藻華的光譜指數(shù)，如Villa等[16]發(fā)現(xiàn)使用藍(lán)光和近紅外波段構(gòu)建的歸一化水生植被指數(shù)(normalized difference aquatic vegetation index，NDAVI)對水生植被具有很高的敏感度，且可以降低背景噪聲對水生植被提取的影響，并在太湖和加爾達(dá)湖等湖泊取得了較好的應(yīng)用效果；Liu等[17]考慮了藻類與水生植被在物候特征上的差異，基于浮游藻類指數(shù)(floating algal index，F(xiàn)AI)建立了植被出現(xiàn)頻率指數(shù)(vegetation presence frequency，VPF)用于識別太湖水生植被和藻華；Oyama等[18]基于藍(lán)藻水華與水生植被的光譜差異，結(jié)合歸一化水體指數(shù)(normalized difference water index，NDWI)和浮游藻類指數(shù)構(gòu)建決策樹識別日本的3個湖(lakes kasumiguara，inba-numa and tega-muma)的藍(lán)藻水華和水生植被。但以上方法均只能識別浮葉和挺水植被，而將沉水植被歸為水體，因此對水生植被類群的監(jiān)測能力均十分有限。而在水生植被類群遙感監(jiān)測研究方面，Luo等[19]基于HJ-1A/B數(shù)據(jù)，利用有限的波段數(shù)量，采用主成分變換和纓帽變換對原始影像進(jìn)行圖像增強(qiáng)處理，建立浮葉類植被敏感指數(shù)(floating-leaved vegetation sensitive index，F(xiàn)VSI)和沉水植被敏感指數(shù)(submerged vegetation sensitive index，SVSI)，構(gòu)建決策樹對太湖不同水生植被類群進(jìn)行了分類提取。但其分類指數(shù)均是針對HJ-CCD數(shù)據(jù)進(jìn)行圖像變換后構(gòu)建的，故僅適用于HJ和與HJ數(shù)據(jù)有類似波段設(shè)置的衛(wèi)星；Wang等[20]利用歸一化植被指數(shù)(normalized difference vegetation index，NDVI)時序數(shù)據(jù)結(jié)合植物功能類型(plant functional types，PFTs)采用支持向量機(jī)模型，應(yīng)用于2007年4月至2008年5月的北京1號衛(wèi)星數(shù)據(jù)，對鄱陽湖的水生植被類群進(jìn)行了判別，不過這種方法不能應(yīng)用于水生植被的日常監(jiān)測，因為NDVI時序數(shù)據(jù)必須基于整年遙感數(shù)據(jù)統(tǒng)計分析所得。綜上所述，受傳統(tǒng)遙感衛(wèi)星(如Landsat、MODIS、HJ)空間和光譜分辨率的限制，水生植被衛(wèi)星遙感監(jiān)測研究多集中于太湖等大型淺水湖泊，且研究對象多為挺水或浮葉植物，在分類時多將沉水植被歸為水體，對于小型湖泊/水庫以及水生植被類群遙感監(jiān)測的內(nèi)容還鮮有報道。

近年來，隨著遙感技術(shù)的不斷發(fā)展，國內(nèi)外一大批高質(zhì)量衛(wèi)星相繼發(fā)射，如Sentinel-2A/B、GF-1、GF-6等，為小型湖泊的水生植被類群遙感監(jiān)測提供了良好的契機(jī)。故本研究以翠屏湖為研究區(qū)，利用高時間、高空間和高光譜分辨率的Sentinel-2數(shù)據(jù)，研究不同水生植被類群的光譜差異，并構(gòu)建分類光譜指數(shù)，最終提出一種適用于小型湖泊/水庫的水生植被主要類群的自動分類方法。該方法為翠屏湖水生植被的時空監(jiān)測提供了方法支撐，以期為水生植被適時打撈和科學(xué)管理決策提供科學(xué)依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

翠屏湖(圖1)位于天津市薊縣城東4 km、薊運(yùn)河左支流——周河上游出山口處，是天津市唯一的飲用水源地。在水位21.26 m時，水面面積為86.8 km2，最大水深12.16 m，平均水深4.74 m。主要入湖河流由黎河與沙河、淋河2條支流組成，流域面積達(dá)2 060 km2[21-22]。

圖1 研究區(qū)概況圖

根據(jù)水生植物的形態(tài)結(jié)構(gòu)和生長特征，可將其分為三大主要類群：挺水植物、浮葉植物和沉水植物[23]。據(jù)薊縣水產(chǎn)局調(diào)查，翠屏湖分布有挺水、浮葉和沉水三大水生植被群落，共計21種，分屬于14科13屬，其中挺水植物6種，優(yōu)勢種為蘆葦；浮葉植物2種，優(yōu)勢種為荇菜和野菱；沉水植物13種，優(yōu)勢種為菹草[24](圖2)。

圖2 翠屏湖水生植被實(shí)地照片

本研究基于遙感技術(shù)開展，由于到沉水植物完全沉于水下，其表面反射光譜在經(jīng)過大氣-水界面過程中受到水體中浮游植物和懸浮物、葉綠素等光學(xué)活性成分的影響，與葉片在水面之上的挺水和浮葉植物具有顯著的差異，故根據(jù)遙感對水生植物的可分性，將翠屏湖水生植物分為兩大植被類群：葉片在水面之上的浮葉類植被類群(浮葉植被和挺水植被)和葉片在水面之下的沉水植被類群[25]。

1.2 實(shí)測樣點(diǎn)收集

據(jù)調(diào)查，沉水植被為翠屏湖優(yōu)勢類群，其中菹草為絕對優(yōu)勢種。菹草較為耐寒，能夠忍受0 ℃以下的低溫，3—4月份進(jìn)入高速生長期，在4—5月份生物量達(dá)到最大值，隨后很快枯萎死亡，在7月份其生物量達(dá)到最小值，8—10月份進(jìn)入休眠狀態(tài)，11月份進(jìn)入萌發(fā)期，12月至次年2月份進(jìn)入緩慢生長期[26]。故選擇在5月份Sentinel-2過境前后(2017年5月9—11日)開展翠屏湖水生植被野外調(diào)查實(shí)驗。

實(shí)驗共采集有效樣點(diǎn)105個(35個浮葉類植被樣點(diǎn)、36個沉水植被樣點(diǎn)和34個水體樣點(diǎn))，采集信息包括樣點(diǎn)經(jīng)緯度、水生植被類型、覆蓋度、照片等?？紤]到Sentinel-2衛(wèi)星影像的空間分辨率(10 m)，采集樣點(diǎn)時，選擇在30 m×30 m的水生植被區(qū)的中心位置定位并采樣。

1.3 Sentinel-2數(shù)據(jù)獲取及處理

Sentinel-2系列衛(wèi)星屬于歐空局(ESA)“哥白尼計劃”(global monitor for environment and security，GMES)中的光學(xué)遙感衛(wèi)星。目前已有2顆在軌，即Sentinel-2A和Sentinel-2B，分別于2015年6月23日和2017年3月7日發(fā)射升空，組網(wǎng)后時間分辨率提升為5天[27]。該系列衛(wèi)星共13個波段，不僅具有光學(xué)遙感衛(wèi)星常見的可見光、近紅外和短波紅外波段，還包含3個應(yīng)用在高光譜數(shù)據(jù)中的“紅邊”波段，和一個增強(qiáng)的窄近紅外波段[28]，據(jù)相關(guān)研究[29-30]表明“紅邊”波段與近紅外波段對植被的輻射強(qiáng)度響應(yīng)更為明顯。雖然數(shù)據(jù)在不同波段間的空間分辨率略有不同(表1)，但經(jīng)重采樣后可統(tǒng)一提升至10 m，較Landsat系列衛(wèi)星，在光譜分辨率和時空分辨率上都具有明顯優(yōu)勢。

表1 Sentinel-2A/B衛(wèi)星數(shù)據(jù)主要參數(shù)

通過ESA數(shù)據(jù)共享網(wǎng)站(https：//scihub.copernicus.eu/dhus/#/home)獲取了2017年3—8月覆蓋翠屏湖云量較少、質(zhì)量較高的影像，共6景(表2)。由于下載的原始數(shù)據(jù)為已經(jīng)經(jīng)過幾何校正的L1C級的大氣頂層反射率數(shù)據(jù)，所以需要對數(shù)據(jù)進(jìn)行大氣校正。本研究采用ESA提供的Sen2cor模型對L1C級數(shù)據(jù)進(jìn)行大氣校正得到L2A級地表反射率數(shù)據(jù)，再使用最鄰近插值法在SNAP5.0軟件中將L2A級各波段數(shù)據(jù)重采樣至10 m，將數(shù)據(jù)輸出為ENVI標(biāo)準(zhǔn)格式，最后在IDL環(huán)境支持下對重采樣后的L2A級數(shù)據(jù)進(jìn)行波段合成及裁剪[31]。

表2 Sentinel-2A/B 數(shù)據(jù)列表

1.4 研究方法

1)水生植被類群的分類特征構(gòu)建及其評價方法。已有研究[32]表明，相較于水體和沉水植被類群，浮葉類植被具有典型的植被光譜，在705～865 nm范圍“植被特征”最為顯著。故本研究基于浮葉類植被在Sentinel-2數(shù)據(jù)上的光譜特征，在705～865 nm范圍找到最敏感的波段作為分類特征(floating-leaved aquatic vegetation index，F(xiàn)AVI)，開展翠屏湖浮葉類植被類群的提取。

沉水植被由于在水面以下，其光譜具有復(fù)雜性，故如何提取沉水植被是本研究的難點(diǎn)和重點(diǎn)。本研究基于沉水植被和水體實(shí)測樣點(diǎn)在Sentinel-2數(shù)據(jù)上的光譜，分析沉水植被與水體的光譜特征和差異，旨在構(gòu)建一個對沉水植被敏感、且與水體具有較好的識別能力的植被指數(shù)(submerged aquatic vegetation index，SAVI)。同時，選取常用提取水生植被的3個植被指數(shù)，如NDVI、NDAVI和NDWI(表3)，通過灰度圖目視判別和繪制頻數(shù)分布曲線2種方法，比較和評價新建的SAVI指數(shù)對沉水植被的識別能力和效果。

表3 常用水生植被遙感監(jiān)測指數(shù)

2)決策樹分類。水生植被遙感分類方法主要有監(jiān)督分類、非監(jiān)督分類、面向?qū)ο蠛蜎Q策樹分類等。其中，決策樹分類是基于對解釋變量的閾值進(jìn)行二分法分析，它是由一系列二叉樹決策樹構(gòu)成，較適合用于訓(xùn)練樣本較少的分類研究中，為目前最主流的水生植被遙感分類方法[32]。本研究采用決策樹分類作為翠屏湖水生植被類群的分類方法。

考慮到浮葉類植被相比沉水植被具有更顯著的可分性，因此，本研究先利用FAVI和其閾值開展浮葉類植被遙感剝離，然后基于SAVI和其閾值開展沉水植被的提取，最終得到2種植被類群的空間分布結(jié)果。故構(gòu)建的決策樹如圖3所示。

圖3 翠屏湖水生植被類群遙感分類決策樹(n和m為分類閾值)

3)基于Otsu算法的分類閾值自動計算。Otsu又名最大類間方差法，是一種確定圖像二值化分割閾值的算法，適合決策樹分類方法中的閾值計算[34]。故本研究利用Otsu自動計算決策樹(圖2)中的FAVI和SVSI的分類閾值。

Otsu算法根據(jù)圖像的灰度特性，采用最小二乘法的原理自動獲取全局閾值，將圖像分割為目標(biāo)與背景2個部分?；驹砣缦拢河泩D像目標(biāo)和背景的分割閾值記為T，目標(biāo)像素點(diǎn)數(shù)占整幅圖像的比例記為ω0，其平均灰度μ0；背景像素點(diǎn)數(shù)占整幅圖像的比例為ω1，平均灰度為μ1，圖像的總平均灰度記為μ，類間方差記為g，則有

g=ω0ω1(μ0-μ1)^2

(1)

采用遍歷的方法得到類間方差g最大的值記為分割閾值T。

2 結(jié)果與分析

2.1 敏感光譜指數(shù)構(gòu)建

圖4(a)和圖4(b)分別為浮葉類和沉水植被類群及水體隨機(jī)選取的采樣點(diǎn)的光譜曲線和3個種類的平均光譜曲線。由圖可見，浮葉類植被類群相比沉水植被類群和水體，具有較典型的植被光譜特征，特別是當(dāng)水體和沉水植被在近紅外波段附近對光強(qiáng)烈吸收時，浮葉類植被光譜卻出現(xiàn)明顯的反射峰，尤其在“紅邊”波段的783 nm處，三者的光譜差異最為顯著，故以此波段建立浮葉類植被指數(shù)(FAVI)，設(shè)置閾值區(qū)分浮葉類植被類群：

圖4 實(shí)測樣點(diǎn)光譜曲線和分類地物平均光譜曲線及特征

(2)

式中：ρ783為第3個紅邊波段反射率，中心波長為783 nm。

沉水植被由于其完全沉入水中，其冠層反射光譜必須穿過大氣-水界面，其光譜受多種因素和介質(zhì)的影響，因而植被的光譜特征不甚明顯[35]，但由圖4(b)可知，沉水植被和水體在Sentinel-2的500～600 nm和700～900 nm這2個波段范圍仍具有較大差異，如在560 nm處的反射率低于水體，未形成顯著的綠峰，而705 nm處反射率則迅速增加形成紅邊，明顯高于水體光譜。沉水植物在這2個波段范圍的光譜特征分別受葉片各種色素和植物冠層、葉片內(nèi)部細(xì)胞的結(jié)構(gòu)影響[36]。因此，選擇用差異最為突出的 705 nm“紅邊”波段與560 nm綠光波段進(jìn)行波段組合，采用歸一化指數(shù)的計算方式進(jìn)行圖像變換，構(gòu)建沉水植被指數(shù)(SAVI)來增強(qiáng)沉水植被類群與水體的光譜特征差異，其計算公式如下：

(3)

式中：ρred_edge為形成反射峰的第一個紅邊波段的反射率，中心波長為705 nm；ρgreen為綠光波段的反射率，中心波長為560 nm。

2.2 敏感光譜特征評價

從圖5中可以看出，4種植被指數(shù)都能明顯區(qū)分出水生植被區(qū)域與水體，和原始影像相比分類特征都得到了增強(qiáng)。其中NDVI圖像中的水生植被區(qū)域?qū)?yīng)暗色調(diào)，其余植被指數(shù)圖像中的水生植被對應(yīng)亮色調(diào)。根據(jù)目視判讀，NDVI圖像中水生植被區(qū)域雖然與水體的對比最為明顯，但對覆蓋度較低的沉水植被不敏感，如北岸(A區(qū))的部分沉水植被區(qū)，與水體灰度差異較小；NDAVI和NDWI雖然在湖東部(B區(qū))較NDVI相比，對沉水植被更為明顯，但在湖的北岸和湖中心部分區(qū)域?qū)Τ了脖坏淖R別能力仍較差，基本與水體的灰度一致。

圖5 4種植被指數(shù)分類特征灰度圖(2017年5月15日)

選擇水體和沉水植被類群的典型區(qū)域在ENVI5.1支持下繪制感興趣區(qū)ROI(region of interest)。統(tǒng)計2種地物類型ROI在植被指數(shù)分類特征灰度圖上的頻數(shù)分布。從圖6可以看出，前3種指數(shù)較SAVI的頻數(shù)曲線，水體和沉水植被均存在較大的重疊區(qū)域，主要是因為大部分沉水植被信息未能從水體中分離，導(dǎo)致分類時將部分沉水植被被誤分為水體。灰度圖和頻數(shù)曲線的結(jié)果表明SAVI對沉水植被更為敏感，在水體和沉水植被之間具有較好的可分離性。

圖6 4種植被指數(shù)頻數(shù)分布曲線圖(源于2017年5月5日影像)

2.3 分類結(jié)果及精度驗證

圖7為研究區(qū)2017年5月15日FAVI和SAVI的分類特征頻數(shù)直方圖，通過MATLAB(R2014a)環(huán)境計算得出分割閾值分別為0.141 2和0.156 9。

基于FAVI、SAVI的閾值n、m可構(gòu)建決策樹獲取2017年5月15日的翠屏湖水生植被類群分類結(jié)果(圖8)。分類結(jié)果顯示，翠屏湖2017年5月15日水生植被面積約為38.06 km2，占翠屏湖面積57.29%，其中優(yōu)勢類群為沉水植被，面積約為28.06 km2，占翠屏湖面積42.24%。

圖7 2017年5月15日翠屏湖光譜分類特征FAVI直方圖和SAVI直方圖

圖8 2017年5月15日的假彩色衛(wèi)星影像圖和水生植被分類結(jié)果圖

利用實(shí)測樣點(diǎn)對分類結(jié)果進(jìn)行驗證，表4為分類誤差矩陣[37]。結(jié)果顯示，本研究提出的分類方法和閾值對翠屏湖水生植被類群的分類總體精度為88.57%，Kappa系數(shù)82.70%。其中，浮葉類植被類群和沉水植被類群的分類精度分別為85.71%和82.05%。

表4 翠屏湖水生植被類群分類精度

2.4 分類方法普適性檢驗

應(yīng)用上述分類方法，對翠屏湖其他日期的影像進(jìn)行水生植被分類，以檢驗分類方法的普適性。通過對比圖9中不同日期的原始衛(wèi)星影像和分類結(jié)果，在目視效果上均很好匹配。從分類結(jié)果可以看出，翠屏湖沉水植被類群的空間分布范圍主要在湖的北岸以及東岸，總體上呈現(xiàn)出北岸大于南岸、東岸大于西岸的趨勢，湖中心由于水位較高，即使在水生植被生物量最高的5月，也鮮有沉水植被出現(xiàn)。從年內(nèi)面積變化曲線(圖10)可以看出，翠屏湖沉水植被類群的面積變化呈明顯的單峰型，從4月開始面積快速增長，至5月中旬達(dá)到最大，隨后迅速減小，在6月下旬之后幾乎完全消失，其面積變化與菹草的物候特征相吻合，也進(jìn)一步驗證了菹草為翠屏湖沉水植被類群的絕對優(yōu)勢種。

圖9 2017年4—8月翠屏湖假彩色衛(wèi)星影像圖和水生植被分類結(jié)果

圖10 2017年4—8月翠屏湖沉水植被類群面積變化圖

3 討論

目前遙感監(jiān)測大多采用中低等分辨率衛(wèi)星影像(如MODIS、Landsat等)，容易產(chǎn)生由于混合像元帶來的分類誤差，不太適用于小型湖泊，而空間分辨率更高的Sentinel-2數(shù)據(jù)則可彌補(bǔ)此類缺陷；并且隨著Sentinel-2A/B兩顆衛(wèi)星組網(wǎng)的形成，重返周期縮短至5天，使得水生植被的遙感監(jiān)測更為及時。此外，該衛(wèi)星擁有更多的波段設(shè)置，特別是具有3個應(yīng)用于高光譜數(shù)據(jù)中的對植被更為敏感的“紅邊”波段，能獲取水生植物特別是沉水植物更為豐富的光譜信息，放大不同水生植被類群之間的光譜特征差異，將沉水植被信息從水體中分離出來。敏感光譜特征分類評價結(jié)果表明，引入Sentinel-2數(shù)據(jù)的“紅邊”波段的沉水植被指數(shù)，較其他植被指數(shù)在頻數(shù)分布上重疊部分較少，能更好實(shí)現(xiàn)沉水植被類群和水體的分離。因此通過利用Sentinel-2數(shù)據(jù)的“紅邊”波段建立的植被指數(shù)開展沉水植被類群的識別是一個可行的思路。

決策樹是目前最主流、使用最廣泛的水生植被遙感分類方法。但決策樹中分類特征的閾值大多是通過與影像同步的大量實(shí)測樣點(diǎn)訓(xùn)練確定，對于缺少實(shí)測樣點(diǎn)的影像，難以獲取準(zhǔn)確閾值，成為水生植被類群遙感監(jiān)測和歷史重建的瓶頸[38]。雖然也有學(xué)者通過建立擬合函數(shù)的方法提取分類閾值[15]，但這種方法難以避免不同時相影像之間引起的誤差?；贠tsu的自適應(yīng)閾值算法，較為適合二分法的決策樹分類閾值的確定，由于是針對每幅影像各自的特征，可以自動獲取分類特征的閾值，所以較統(tǒng)計學(xué)方法的分類精度更高。

水體環(huán)境是由葉綠素濃度、懸浮物濃度、透明度等各種復(fù)雜因素組成的[39]，挺水與浮葉植物大部分葉片都位于水面之上，光譜信號不需要經(jīng)過水體輻射傳輸過程，受水體環(huán)境影響較小，具有典型的植被光譜特征；沉水植物由于完全沉入水中，光譜反射率受到冠層水深、植被蓋度以及水體環(huán)境等多種因素的影響，會改變沉水植物的光學(xué)特性[40]。本研究僅分析了不同水生植被類群在遙感衛(wèi)星上的光譜差異，并未將沉水植物的生物物理參數(shù)以及水體環(huán)境等因素引入光譜特征分析，因此，在下一步研究中，將基于近地面高光譜數(shù)據(jù)，分析水生植物冠層和水環(huán)境參數(shù)對反射光譜的影響機(jī)理，進(jìn)而分析其對遙感分類的誤差和影響。

4 結(jié)論

基于Sentinel-2影像，分析了小型淺水湖泊——翠屏湖的不同水生植被類群的光譜特征差異，構(gòu)建了對浮葉類植被類群和沉水植被敏感的FAVI和SAVI指數(shù)。并將SAVI與其他幾個常用與沉水植被提取的指數(shù)(NDVI、NDAVI、NDWI、SAVI)進(jìn)行了定性和定量的比較和評價。結(jié)果表明，SAVI對翠屏湖沉水植被的識別最好。

將FAVI和SAVI作為浮葉類和沉水植被的分類特征，結(jié)合Otsu的自動獲取分類閾值算法，構(gòu)建了翠屏湖水生植被類群的分類決策樹，經(jīng)驗證，其總體分類精度為88.57%，KAPPA系數(shù)為83.78%。進(jìn)而，基于2017年的多期Sentinel-2影像對本論文構(gòu)建的分類方法進(jìn)行了普適性檢測和評價，發(fā)現(xiàn)翠屏湖的優(yōu)勢類群沉水植被的面積變化符合菹草的物候變化特征，與翠屏湖的實(shí)際情況吻合。因此，基于該方法可以研究翠屏湖菹草的長時序時空變化分析。

5 結(jié)束語

本文利用Sentinel-2影像，構(gòu)建了FAVI和SAVI指數(shù)，提出了一種翠屏湖不同水生植被類群自動提取方法。研究結(jié)果表明該方法能有效提取翠屏湖水生植被類群的分布信息?；诮孛娓吖庾V數(shù)據(jù)，分析水生植物冠層和水環(huán)境參數(shù)對反射光譜的影響機(jī)理，從而分析其對遙感分類的誤差和影響將是下一步的研究方向。