趙欣怡,田波,?,?,陳春鵬,周云軒
華東師范大學(xué)河口海岸學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室,上海 200062
鹽沼生態(tài)系統(tǒng)以耐鹽草本植物或灌木為主,廣泛分布于全球中高緯度、沉積物豐富且水動(dòng)力較弱的河口、瀉湖等潮間帶區(qū)域(Scott 等,2014)。鹽沼具有較高生產(chǎn)力,可提供消浪護(hù)岸、凈化水源、動(dòng)植物棲息地、藍(lán)碳碳匯等多種生態(tài)服務(wù)價(jià)值(Costanza 等,1997)。已有研究發(fā)現(xiàn),不同鹽沼植被在波浪衰減、固碳固氮等生態(tài)服務(wù)功能上提供的價(jià)值具有明顯差異(Ysebaert 等,2011;Zhang等,2010)。
由于圍墾造陸、海岸帶工程、灘涂養(yǎng)殖、外來(lái)物種引入、水質(zhì)污染等人類(lèi)活動(dòng)及海平面上升、氣候變化影響,全球鹽沼生態(tài)系統(tǒng)處于退化狀態(tài)(Crosby 等,2016;Gedan 等,2009)。1980年—2010年,圍墾工程、氣候變化等原因?qū)е轮袊?guó)海岸帶59% 鹽沼喪失(Tian 等,2016;Gu 等,2018)。河口入海泥沙淤積、潮灘變化則導(dǎo)致局部區(qū)域新生鹽沼增長(zhǎng),如長(zhǎng)江河口九段沙區(qū)域近年來(lái)植被面積增速超過(guò)500 hm2/a(朱串串,2018)。中國(guó)海岸帶鹽沼不僅面積數(shù)量發(fā)生變化,植被結(jié)構(gòu)也快速發(fā)生變化,典型如互花米草入侵,造成植被種間組成和空間結(jié)構(gòu)快速轉(zhuǎn)變,中國(guó)海岸帶本土鹽沼植被群落受到破壞,對(duì)生態(tài)系統(tǒng)結(jié)構(gòu)和服務(wù)功能造成影響(Liu 等,2018)。因此,準(zhǔn)確快速獲取鹽沼植被空間分布與種間組成信息對(duì)于生物多樣性保護(hù)、濕地生態(tài)系統(tǒng)功能提升與海岸帶生態(tài)環(huán)境管理等具有重要意義。
遙感能夠?qū)崿F(xiàn)大范圍連續(xù)觀測(cè),可快速提取植被信息。然而,Landsat、MODIS 等傳統(tǒng)光學(xué)遙感數(shù)據(jù)光譜分辨率較低,單景光學(xué)影像中“同物異譜,異物同譜”現(xiàn)象顯著,簡(jiǎn)單指數(shù)計(jì)算方法難以實(shí)現(xiàn)種間分類(lèi)(Lin 等,2015;張猛等,2017)。利用植被物候期分類(lèi)依賴(lài)大量高時(shí)間分辨率遙感影像,但海岸帶區(qū)域受云霧影響,全年可用光學(xué)影像數(shù)量往往無(wú)法滿(mǎn)足分類(lèi)需求(Dong 等,2016;李清泉等,2016)。此外,周期性潮汐會(huì)淹沒(méi)植被前緣,并導(dǎo)致下墊面濕度變化,使得植被外緣無(wú)法準(zhǔn)確提取且植被光譜混淆難以識(shí)別(O’Connell 等,2017)。利用LiDAR、高光譜遙感等輔助信息可在小范圍內(nèi)提升分類(lèi)準(zhǔn)確性,但數(shù)據(jù)獲取難度較大且成本較高,不適用于大范圍植被提取(Betbeder 等,2015;Millard和Richardson,2013)。
合成孔徑雷達(dá)SAR(Synthetic Aperture Radar)具有全天時(shí)全天候、穿透云霧特點(diǎn),能獲取長(zhǎng)時(shí)間序列影像數(shù)據(jù),可反映鹽沼植被完整生長(zhǎng)周期內(nèi)變化信息,在濕地植被識(shí)別中具有潛力。已有研究將時(shí)序SAR 數(shù)據(jù)運(yùn)用于濕地植被分類(lèi),包括提升熱帶多云霧區(qū)域濕地木本、草本植被間以及木本植被種間的分類(lèi)精度(Jhonnerie 等,2015;Reiche 等,2015)。鹽沼種間分類(lèi)方面,大量實(shí)驗(yàn)指出草本沼澤濕地適合采用C波段或X波段,森林沼澤濕地適合采用波長(zhǎng)較長(zhǎng)的L 波段(Zhang 等,2016)。多數(shù)研究使用Radarsat-2、TerraSAR-X 等全極化影像,采用極化分解結(jié)合多源數(shù)據(jù)監(jiān)督分類(lèi)方法進(jìn)行,并已證實(shí)此類(lèi)方法有助于提升鹽沼分類(lèi)精度(Mleczko 和Mróz,2018)。但由于全極化SAR 數(shù)據(jù)價(jià)格高、成像范圍小的特點(diǎn),此類(lèi)研究多采用小范圍單景SAR 影像,不適用于大范圍鹽沼制圖,且無(wú)法利用SAR 數(shù)據(jù)時(shí)序性強(qiáng)的優(yōu)勢(shì)。因此,探討使用范圍大,易獲取的雙極化SAR 數(shù)據(jù),結(jié)合時(shí)間序列特征進(jìn)行大范圍鹽沼信息提取的方法與技術(shù),具有重要的實(shí)踐意義。
2014年升空的Sentinel-1 衛(wèi)星獲取C 波段SAR數(shù)據(jù),具有時(shí)空分辨率高,獲取成本低廉優(yōu)點(diǎn),適用于時(shí)序分析研究。此外,得益于谷歌地球引擎GEE(Google Earth Engine)的云計(jì)算功能,大量SAR 數(shù)據(jù)的快速計(jì)算得以實(shí)現(xiàn)。基于此,本文以長(zhǎng)江口為研究區(qū)域,結(jié)合植被實(shí)測(cè)數(shù)據(jù),利用時(shí)序Sentinel-1 雷達(dá)數(shù)據(jù),提出了基于植被物候期多時(shí)相雷達(dá)后向散射特征優(yōu)選的海岸帶鹽沼植被分類(lèi)方法。通過(guò)分離閾值法SEaTH(seperability and the corresponding thresholds)選取最優(yōu)分類(lèi)特征,利用隨機(jī)森林方法提取了2018年長(zhǎng)江口鹽沼植被空間分布,通過(guò)精度計(jì)算驗(yàn)證了時(shí)序SAR 與植被物候特征結(jié)合進(jìn)行海岸帶鹽沼植被識(shí)別提取可行性,對(duì)于提升海岸帶鹽沼植被種間分布識(shí)別精度和時(shí)效性具有重要意義。
長(zhǎng)江口(圖1)為中國(guó)最重要的河口潮灘區(qū)域之一,包括崇明島、長(zhǎng)興島、橫沙島3島與上海最大沙洲九段沙。長(zhǎng)江口鹽沼分布較為集中區(qū)域包括崇明東灘,崇明北部黃瓜沙,崇西西沙濕地、九段沙與南匯東灘。長(zhǎng)江口主要鹽沼植被群系包括蘆葦(Phragmites australis)、互花米草(Spartina alterniflora)、海三棱藨草(Scirpus×mariqueter)、藨草(Scirpus triqueter)。此外,崇明島南岸分布有以池杉(Taxodium ascendens)和旱柳(Salix matsudana)群落為主的潮間森林沼澤。
圖1 研究區(qū)位置Fig.1 Location of study area
研究使用雷達(dá)數(shù)據(jù)來(lái)自歐洲航天局哥白尼計(jì)劃GMES (Global Monitoring for Environment and Security)中Sentinel-1衛(wèi)星上搭載的C波段SAR傳感器。長(zhǎng)江口Sentinel-1 數(shù)據(jù)極化方式為VV(vertical transmit/vertical receive)+VH (vertical transmit/horizontal receive),2018年重訪周期12 d,選用IW(Interferometric Wide Swath)模式下GRD(Ground Range Detected)數(shù)據(jù),分辨率10 m,獲取2018年影像數(shù)據(jù)58 景。Sentinel-1 遙感數(shù)據(jù)獲取及處理在GEE(https://earthengine.google.com[2019-09-23])與ENVI 5.1上進(jìn)行。
驗(yàn)證數(shù)據(jù)部分來(lái)自2017年、2018年6—10月獲取的野外實(shí)測(cè)數(shù)據(jù),調(diào)查采用樣線(xiàn)樣方方法,利用GPS(儀器誤差±10 m 獲得采樣點(diǎn)經(jīng)緯度坐標(biāo),記錄植被類(lèi)型、植被高度、蓋度情況。部分區(qū)域由于地貌情況復(fù)雜無(wú)法進(jìn)入,由無(wú)人機(jī)拍攝影像獲取。
本文所采用Sentinel-1 數(shù)據(jù)預(yù)處理包括應(yīng)用軌道文件、GRD 邊界噪聲消除、熱噪聲消除、輻射校正、地形校正。算法均由GEE 通過(guò)調(diào)用Sentinel-1 工具箱完成。采用5×5 窗口Improved Sigma Lee 濾波器抑制相干斑噪聲。該濾波器可保留異質(zhì)性強(qiáng)的小區(qū)域,同時(shí)保持勻質(zhì)的均一區(qū)域,適用于植被混生或單一生長(zhǎng)的不同情況(Lee 等,2009)。
海岸帶鹽沼草本植被的雷達(dá)信號(hào)散射機(jī)理復(fù)雜,隨著植被下墊面潮汐水位逐漸降低,雷達(dá)信號(hào)依次產(chǎn)生鏡面散射、二次回波散射、體散射和面散射,雷達(dá)影像后向散射系數(shù)大小關(guān)系一般滿(mǎn)足:二次回波散射>體散射/面散射>鏡面散射。細(xì)分至植被類(lèi)型,機(jī)理更為復(fù)雜,雷達(dá)后向散射強(qiáng)度受到不同種類(lèi)植株特性、植被密度、土壤沉積物、潮水淹沒(méi)情況等多方面因素綜合影響。本文不過(guò)多討論機(jī)理問(wèn)題,主要分析時(shí)序雷達(dá)遙感數(shù)據(jù)應(yīng)用于潮灘植被分類(lèi)的優(yōu)勢(shì)和特點(diǎn)。
圖2 技術(shù)路線(xiàn)Fig.2 Technical route
長(zhǎng)江河口潮灘區(qū)域地物主要有6 種類(lèi)型:蘆葦、海三棱藨草/藨草、互花米草、潮間森林沼澤、光灘與水體。根據(jù)野外實(shí)測(cè)數(shù)據(jù)選取地物典型均質(zhì)樣點(diǎn),共獲得樣本像元2408 個(gè)。分別統(tǒng)計(jì)2018年間每個(gè)對(duì)應(yīng)日期中不同地物VV 與VH 極化下所有像元均值,獲得典型地物時(shí)間序列后向散射曲線(xiàn)(圖3)。
圖3 VV、VH極化主要地物全年時(shí)序后向散射強(qiáng)度Fig.3 Annual time series backscattering intensity of main features in VV,VH polarization
分析時(shí)序后向散射曲線(xiàn)可見(jiàn),鹽沼植被后向散射強(qiáng)度與光灘、水體、潮間森林沼澤區(qū)別顯著。潮間森林沼澤VH 極化后向散射強(qiáng)度明顯高于鹽沼植被,約在-14 dB 以上,主要由于交叉極化主要貢獻(xiàn)為植被冠層之間的體散射,對(duì)植被結(jié)構(gòu)敏感(Steele-Dunne 等,2017)。雷達(dá)信號(hào)在水體與光灘表面多發(fā)生鏡面散射,VV 與VH 兩種極化方式下后向散射強(qiáng)度均低于其他地物,VH 極化水體后向散射強(qiáng)度恒定低于-30 dB。
不同鹽沼植被全年時(shí)序后向散射特征與植被生長(zhǎng)物候和植株形態(tài)相關(guān)。海三棱藨草/藨草在1—4月內(nèi)VH極化后向散射強(qiáng)度明顯偏低,主要由于其為潮灘地帶先鋒物種,植株相對(duì)矮小且在冬季枯萎倒伏,往往露出下部光灘或受到潮汐淹沒(méi),發(fā)生鏡面散射。4月中后期海三棱藨草/藨草開(kāi)始生長(zhǎng),后向散射強(qiáng)度出現(xiàn)明顯升高,至5月末后向散射強(qiáng)度逐漸趨于穩(wěn)定。
蘆葦與互花米草為多年生禾本科植被,秋冬季節(jié)葉片枯萎后莖稈仍保持直立,因而整全年后向散射強(qiáng)度變化程度相對(duì)較小。VV 極化3—4月可觀察到蘆葦后向散射強(qiáng)度出現(xiàn)一定增幅,是由于長(zhǎng)江口蘆葦3月中下旬從地下根莖長(zhǎng)出芽,4月進(jìn)入快速生長(zhǎng)期。相同區(qū)域內(nèi)成熟互花米草植株高度略低于蘆葦,在秋冬季節(jié)更易倒伏;互花米草為穗狀花序,小穗易脫落,而蘆葦圓錐花絮膨大寬達(dá)10 cm,且能經(jīng)秋冬而不脫落。由于莖稈、葉片、花序等形態(tài)特征不同,蘆葦7—12月后向散射強(qiáng)度持續(xù)高于互花米草。
對(duì)樣本點(diǎn)內(nèi)各像素點(diǎn)2018年全年平均后向散射強(qiáng)度進(jìn)行直方圖統(tǒng)計(jì)分析可知(圖4),水體與光灘在VV 與VH 極化與其他地物分離性好,VV 極化后向散射強(qiáng)度集中在-16.5 dB 以下,VH 極化集中在-27 dB 以下。潮間森林沼澤在VV 極化與蘆葦在-10—-7 dB 出現(xiàn)部分出現(xiàn)混淆,但VH 極化后向散射強(qiáng)度-15 dB 以上部分與鹽沼植被分離度好。可見(jiàn),將全年VH 極化下后向散射強(qiáng)度平均值作為分類(lèi)特征即能將水體、光灘、潮間森林沼澤與鹽沼植被進(jìn)行較好區(qū)分。
圖4 VV、VH極化主要地物全年平均后向散射直方圖Fig.4 Annual average backscatter histogram of main features in VV,VH polarization
鹽沼植被間,3類(lèi)植被之間在VV與VH極化下均出現(xiàn)不同程度混淆。其中,海三棱藨草/藨草由于受潮汐與下墊面影響較大,在VV 與VH 極化出現(xiàn)不規(guī)則雙峰。蘆葦均質(zhì)程度最高,呈現(xiàn)明顯單峰,且全年后向散射強(qiáng)度保持最高。VV 極化下互花米草與蘆葦分離性較好,但二者均與海三棱藨草/藨草出現(xiàn)部分重疊。VH 極化下海三棱藨草/藨草與蘆葦分離性較好,但二者分別與互花米草混淆明顯。
綜合植被生長(zhǎng)特性與Sentinel-1 重訪周期,以月時(shí)間單位進(jìn)行3種鹽沼植被后向散射強(qiáng)度直方圖統(tǒng)計(jì),根據(jù)植被生長(zhǎng)期、茂盛期、枯萎期主要選取1月、4月、7月和11月等4 個(gè)月份VV 和VH 極化后向散射強(qiáng)度頻率直方圖進(jìn)行分析(圖5)。海三棱藨草/藨草后向散射強(qiáng)度變化隨季相變化最為顯著,蘆葦后向散射強(qiáng)度最大且最為穩(wěn)定。VH 極化下,冬、春兩季海三棱藨草/藨草后向散射強(qiáng)度跨度在-45—-15 dB,尤其春季與蘆葦、互花米草分離性最好,至夏季后向散射強(qiáng)度出現(xiàn)快速增大。互花米草在VV 極化下,秋冬兩季后向散射強(qiáng)度出現(xiàn)明顯下降,與海三棱藨草/藨草、蘆葦分離性提高。因此,春季VH 極化適合提取海三棱藨草/藨草、春季VV 極化適合提取蘆葦、秋冬VV 極化適合提取互花米草。
圖5 鹽沼植被物候生長(zhǎng)期平均后向散射直方圖Fig.5 Average backscatter histogram of salt marshes in January,April,July and October of VV,VH polarization
為精確判斷不同鹽沼植被后向散射強(qiáng)度間分離程度,采用分離閾值法(SEaTH)(Nussbaum等,2006)從類(lèi)間距離對(duì)特征進(jìn)行評(píng)價(jià)。該算法基于Jeffries-Matudita 距離進(jìn)行分類(lèi)特征選取,利用高斯混合分布模型進(jìn)行閾值計(jì)算。本文通過(guò)計(jì)算1—12月每月3 類(lèi)鹽沼植被相互間J-M 距離,進(jìn)行分類(lèi)特征選取。J-M距離計(jì)算方法有以下步驟:
(1)計(jì)算巴氏距離B值:
(2)計(jì)算分離度J值:
式中,m1和m2表示兩個(gè)類(lèi)別某特征均值,σ1和σ2表示兩個(gè)類(lèi)別標(biāo)準(zhǔn)差,B為巴氏距離,J為兩個(gè)類(lèi)別在某特征下分離度,J∈[0,2),J值越大代表分離度越高。
根據(jù)上式計(jì)算VV 與VH 極化下3 種植被兩兩之間直方圖分離度,并計(jì)算每種植被與另兩種植被J-M 值之和,得(表1)?;セ撞?、海三棱藨草/藨草與蘆葦分別在11月VV 極化、4月VH 極化與3月VV極化下分離度最高。
表1 VV、VH極化下鹽沼植被相互J-M距離之和Table 1 The sum of the J-M distances between the salt marsh vegetation in VV,VH polarization
根據(jù)上文分析,將全年VH 極化、4月VH 極化、11月VV 極化、3月VV 極化均值作為鹽沼植被最佳分類(lèi)特征,對(duì)3個(gè)均值特征波段進(jìn)行假彩色合成(圖6),以九段沙與崇西區(qū)域?yàn)槔?,可明顯看出各植被間差異,互花米草呈現(xiàn)草綠色,海三棱藨草/藨草呈紫色,蘆葦呈灰白色,潮間森林沼澤為亮白色。
圖6 時(shí)序雷達(dá)假彩色合成影像(R:全年VH極化后向散射強(qiáng)度平均值,G:4月VH極化后向散射強(qiáng)度平均值,B:11月VV極化后向散射強(qiáng)度平均值)Fig.6 Time-series false color radar image(R:annual average backscattering intensity of VH polarization,G:average backscattering intensity in April of VH polarization,B:average backscattering intensity in April of VH polarization)
基于最優(yōu)特征,采用隨機(jī)森林方法進(jìn)行鹽沼植被監(jiān)督分類(lèi),隨機(jī)森林方法的穩(wěn)健性在多個(gè)研究中已被證實(shí),全球范圍內(nèi)20%訓(xùn)練樣本點(diǎn)出錯(cuò)的條件下,仍能保證精度降低在1%以?xún)?nèi)(Gong 等,2019)。可有效解決鹽沼植被混生現(xiàn)象嚴(yán)重且光譜特征易混淆,GPS誤差和高分辨航片目視采樣易造成的誤判。在研究區(qū)域內(nèi)生成0.5 km×0.5 km網(wǎng)格,每個(gè)網(wǎng)格中隨機(jī)生成1個(gè)樣本點(diǎn),根據(jù)實(shí)地調(diào)查與高分辨航片進(jìn)行賦值,共獲得樣本點(diǎn)1492 個(gè),隨機(jī)選擇70%作為訓(xùn)練樣本輸入隨機(jī)森林模型,30%作為驗(yàn)證樣本,建立決策樹(shù)100棵,實(shí)施分類(lèi)并去噪。所得2018年長(zhǎng)江口鹽沼植被提取結(jié)果如圖7所示。
圖7 2018年長(zhǎng)江口及典型區(qū)域鹽沼植被雷達(dá)分類(lèi)結(jié)果Fig.7 Map of salt marsh in the Yangtze River Estuary and typical area in 2018
運(yùn)用驗(yàn)證樣本建立混淆矩陣(表2),混淆矩陣中將光灘與水體合并為水體類(lèi)別??傮w分類(lèi)精度達(dá)85.8%,Kappa 系數(shù)為0.80。水體與潮間鹽水沼澤分類(lèi)精度最高,達(dá)94%以上。其中,由于潮間森林沼澤在研究區(qū)域內(nèi)分布極少,僅獲得少量樣本。研究區(qū)內(nèi)丁壩碼頭等人工建筑由于后向散射強(qiáng)度較高,往往被誤判為潮間森林沼澤,但混淆矩陣中未能體現(xiàn)。
表2 混淆矩陣Table 2 Confusion matrix
3 類(lèi)鹽沼植被中互花米草分類(lèi)精度最高,海三棱藨草/藨草與蘆葦精度次之。主要原因在于海三棱藨草/藨草植被條帶往往較窄,且受到潮位和下墊面土壤影響,容易出現(xiàn)錯(cuò)分。蘆葦錯(cuò)分主要出現(xiàn)在崇明東灘區(qū)域。根據(jù)調(diào)查得知,崇明東灘在2018年以前受到人類(lèi)放牧活動(dòng)影響,區(qū)域內(nèi)蘆葦植株大量受到牛群踩踏、啃食,植株高度往往在20—30 cm,遠(yuǎn)小于蘆葦自然生長(zhǎng)區(qū)域2—3 m 的株高。2018 長(zhǎng)江口開(kāi)展生態(tài)修復(fù)治理后,崇明東灘蘆葦恢復(fù)生長(zhǎng),但植株相對(duì)其他區(qū)域蘆葦群落仍較為矮小,多被誤判為互花米草。崇明西沙區(qū)域局部蘆葦植被帶直接與光灘、水體相接,邊緣區(qū)域易被錯(cuò)分為互花米草。
隨機(jī)森林算法不僅可以實(shí)現(xiàn)遙感影像的分類(lèi),而且能夠基于統(tǒng)計(jì)學(xué)方法計(jì)算不同特征變量的重要性(Genuer 等,2010)。對(duì)比SEaTH 與隨機(jī)森林方法選擇的最優(yōu)特征,以驗(yàn)證本文特征選擇效果。
將VV、VH 極化全年和各月共26 個(gè)后向散射均值作為特征,5 種地物類(lèi)型樣本點(diǎn)輸入隨機(jī)森林,計(jì)算得各特征值精度貢獻(xiàn)率(圖8(a))。可以看出,隨機(jī)森林選擇出精度貢獻(xiàn)率最大特征為VH 極化4月均值與VH 極化全年均值,與上文選擇的最優(yōu)特征一致。
但本文另兩個(gè)最優(yōu)特征在隨機(jī)森林中精度貢獻(xiàn)率較低。觀察到貢獻(xiàn)率最大特征前5 個(gè)均為VH極化,是由于VH 極化對(duì)于水體信息非常敏感,導(dǎo)致區(qū)分植被種間的特征波段貢獻(xiàn)率降低。再次使用26 個(gè)特征值,僅將4 種植被樣本輸入隨機(jī)森林,計(jì)算各特征值精度貢獻(xiàn)率(圖8(b))可見(jiàn),區(qū)分植被種間時(shí)VV 極化的貢獻(xiàn)率更大,尤以9—12月秋冬季節(jié)貢獻(xiàn)最為顯著。在此條件下,上文選擇的VH 極化4月均值與VV 極化11月均值為隨機(jī)森林前三貢獻(xiàn)率特征,匹配程度很高。
圖8 不同樣本類(lèi)型下隨機(jī)森林各特征值精度貢獻(xiàn)率Fig.8 Relative contributions of the features of random forest with different types of samples
由此可見(jiàn),本文所提出基于植被物候期多時(shí)相雷達(dá)后向散射特征優(yōu)選的海岸帶鹽沼植被分類(lèi)方法,不僅擁有簡(jiǎn)單易解釋的特點(diǎn),能夠獲得較高精度,且與基于機(jī)器學(xué)習(xí)的隨機(jī)森林方法最優(yōu)特征高度吻合,可信度高。
本研究基于大范圍高精度提取海岸帶鹽沼植被空間分布動(dòng)態(tài)的需要,采用Sentinel-1 雷達(dá)數(shù)據(jù)、無(wú)人機(jī)高分辨航片及地面樣點(diǎn)數(shù)據(jù),提出時(shí)序雷達(dá)后向散射強(qiáng)度及物候特征分析相結(jié)合鹽沼分類(lèi)識(shí)別方法,實(shí)現(xiàn)了長(zhǎng)江口鹽沼空間分布信息準(zhǔn)確提取,得到以下結(jié)論:
(1)雷達(dá)數(shù)據(jù)和植被物候特征結(jié)合能較好進(jìn)行鹽沼植被種間分類(lèi),Sentinel-1 數(shù)據(jù)時(shí)間分辨率高、連續(xù)性強(qiáng),且對(duì)鹽沼植被不同物候期結(jié)構(gòu)具有敏感性,能夠較好捕捉植被生長(zhǎng)期,枯萎期特征,在鹽沼植被提取方面具有很大應(yīng)用潛力。
(2)通過(guò)時(shí)序雷達(dá)后向散射特征分析與SEaTH 算法可知,全年VH 極化平均后向散射強(qiáng)度可作為水體、光灘、潮間鹽水沼澤與鹽沼區(qū)分特征,4月VH 極化、11月VV 極化和3月VV 極化下平均后向散射強(qiáng)度分別為長(zhǎng)江口海三棱藨草/藨草、互花米草和蘆葦最優(yōu)提取特征。
(3)使用Sentinel-1 數(shù)據(jù),結(jié)合最優(yōu)分類(lèi)特征與隨機(jī)森林方法,提取2018年長(zhǎng)江口鹽沼植被種間分布精度達(dá)到85.8%,Kappa 系數(shù)為0.80,較好反映了長(zhǎng)江口鹽沼實(shí)際分布情況。
與傳統(tǒng)鹽沼植被遙感分類(lèi)方法相比,本研究利用了雷達(dá)影像數(shù)據(jù)時(shí)間連續(xù)性強(qiáng)的特征,考慮了植被生長(zhǎng)物候特征與雷達(dá)后向散射特征之間關(guān)系,解決了光學(xué)影像受云霧和潮汐干擾局限,實(shí)現(xiàn)了大范圍鹽沼空間分布和面積信息高精度提取。
由于植被在各區(qū)域生長(zhǎng)情況不同會(huì)導(dǎo)致誤判,如崇明東灘區(qū)域蘆葦因受人類(lèi)活動(dòng)影響而被誤判為互花米草。此外,Sentinel-1 影像在長(zhǎng)江口區(qū)域僅有VV 與VH 兩個(gè)極化方式,此次研究?jī)H分析了后向散射強(qiáng)度特征,全極化雷達(dá)數(shù)據(jù)極化特征、多源遙感信息與雷達(dá)影像結(jié)合分析需要進(jìn)一步研究,為鹽沼植被動(dòng)態(tài)監(jiān)測(cè)管理提供技術(shù)手段和數(shù)據(jù)支持。