黃河三角洲濕地高光譜遙感研究進(jìn)展

李忠偉, 郭防銘, 任廣波, 馬 毅, 辛紫麒, 黃文昊, 隋 昊, 孟 喬

黃河三角洲濕地高光譜遙感研究進(jìn)展

李忠偉1, 郭防銘1, 任廣波2, 馬 毅2, 辛紫麒1, 黃文昊1, 隋 昊1, 孟 喬1

(1. 中國石油大學(xué)(華東), 山東 青島 266580; 2. 自然資源部第一海洋研究所, 山東 青島 266061)

黃河三角洲濕地是我國暖溫帶最廣闊、最完整、最年輕的濱海濕地, 是黃河流域生態(tài)保護(hù)和高質(zhì)量發(fā)展的重要組成部分, 具有重要的生態(tài)保護(hù)和科學(xué)研究價值。物種多樣、生境復(fù)雜、變化劇烈是黃河三角洲濕地的重要特點(diǎn), 高光譜遙感是黃河三角洲濕地生態(tài)監(jiān)測的重要技術(shù)手段。本文首先闡述了高光譜遙感在河口濕地開展植被、土壤和水質(zhì)等基本要素監(jiān)測方面的優(yōu)勢, 之后重點(diǎn)綜述了其在黃河三角洲濱海濕地開展植被遙感監(jiān)測、土壤參數(shù)反演和水質(zhì)參數(shù)反演的研究進(jìn)展, 最后基于黃河三角洲濕地生態(tài)監(jiān)測現(xiàn)狀, 提出了高光譜遙感的未來需求和發(fā)展展望。

黃河三角洲濕地; 高光譜遙感; 植被遙感監(jiān)測; 土壤參數(shù)反演; 水質(zhì)參數(shù)反演

黃河三角洲濕地是《濕地公約》中的國際重要濕地之一, 是世界上少有的河口濕地生態(tài)系統(tǒng), 同時也是我國暖溫帶最廣闊、最完整、最年輕的濱海濕地, 多樣性、復(fù)雜性和脆弱性是黃河三角洲生態(tài)系統(tǒng)的重要特征。黃河三角洲濕地生境類型多樣, 在保障海洋生物“三場一通道”(即產(chǎn)卵場、孵化場、索餌場和洄游通道)、維持候鳥遷徙驛站功能等方面具有重要的生態(tài)價值。長期以來, 受黃河入海水沙量減少、人類活動和全球氣候變化等多重因素影響, 黃河三角洲正面臨天然濕地面積萎縮、濕地景觀破碎、生物多樣性降低等整體性生態(tài)退化的問題和風(fēng)險, 生態(tài)健康狀況不容樂觀, 生態(tài)承載能力不斷下降, 生物多樣性面臨嚴(yán)峻挑戰(zhàn), 這對黃河三角洲濕地高精度監(jiān)測和保護(hù)提出了更高、更迫切的要求。遙感憑借其觀測范圍廣、信息量大、獲取信息快、更新周期短等優(yōu)勢, 成為濱海濕地動態(tài)監(jiān)測和信息提取的重要方式。

作為光學(xué)遙感的發(fā)展趨勢, 高光譜遙感能夠以較高的光譜分辨率覆蓋紫外、可見光、近紅外和中紅外波段, 光譜分辨率達(dá)到納米級別。相比于其他遙感手段, 高光譜以其“光譜連續(xù)、圖譜合一”的優(yōu)勢能夠大大提高對于濱海濕地監(jiān)測的能力。本文主要從植被遙感監(jiān)測、土壤參數(shù)反演和水質(zhì)參數(shù)反演三個方面, 綜述高光譜遙感在黃河三角洲濕地監(jiān)測中的發(fā)展現(xiàn)狀, 分析當(dāng)前黃河三角洲濕地高光譜遙感監(jiān)測技術(shù)應(yīng)用需求并對其未來技術(shù)發(fā)展做相關(guān)展望。

1 高光譜遙感及其在河口濕地監(jiān)測的應(yīng)用

高光譜遙感技術(shù)是一種遙感信息獲取技術(shù), 能利用數(shù)十甚至數(shù)百個窄帶寬電磁波波段獲得地物的理化信息, 其發(fā)展是近數(shù)十年中對地觀測方面取得重大技術(shù)提升之一, 按其傳感器可分為非成像光譜儀和成像光譜儀兩種[1-2]。非成像光譜儀例如地物光譜儀可以直接獲取待測地物的光譜數(shù)據(jù), 但每次只能探測目標(biāo)物體上一個點(diǎn)的光譜信號, 成本較低但獲取信息有限; 而成像光譜儀將空間成像技術(shù)和地物光譜技術(shù)結(jié)合在一起, 為每一個像元提供數(shù)十至數(shù)百個窄波段的光譜信息, 產(chǎn)生一條覆蓋可見光、近紅外、短波紅外等波段, 光譜分辨率小于10 nm的連續(xù)光譜曲線。

目前成像光譜數(shù)據(jù)的獲取途徑主要分為機(jī)載和星載兩種, 國內(nèi)外已經(jīng)研發(fā)出了各種機(jī)載和星載成像光譜儀, 機(jī)載成像光譜儀通常搭載在有人機(jī)或無人機(jī)上, 能夠根據(jù)監(jiān)測地物的形態(tài)和分布設(shè)計靈活的航線, 可快速獲取較大面積的地物信息, 空間分辨率相對較高; 星載成像光譜儀搭載在航天衛(wèi)星上, 由于衛(wèi)星位置的優(yōu)越性且擁有可持續(xù)的能源供給, 因此可實(shí)現(xiàn)長期動態(tài)監(jiān)測、覆蓋面積廣。表1、表2分別展示了國內(nèi)外幾種典型的機(jī)載光譜儀和星載光譜儀。

表1 國內(nèi)外機(jī)載光譜儀器

表2 國內(nèi)外星載光譜儀器

當(dāng)前高光譜遙感技術(shù)正向著超高空間分辨率、超高光譜分辨率的方向發(fā)展, 隨著高光譜遙感技術(shù)的不斷成熟, 高光譜數(shù)據(jù)源的逐漸增加, 高光譜遙感也為濕地保護(hù)、生態(tài)監(jiān)測等領(lǐng)域提供了各種支持[3-4]。

河口濕地處于海陸交互地帶, 屬于濱海濕地類型之一, 是水體和陸地相互作用下形成的獨(dú)特生態(tài)系統(tǒng), 具有豐富的生物多樣性和極高的生產(chǎn)力[4]。國內(nèi)眾多學(xué)者利用高光譜遙感在河口濕地監(jiān)測中做了多方面應(yīng)用, 其中在長江三角洲河口濕地的應(yīng)用最為廣泛。王佳鵬等[5]進(jìn)行了長江口崇明東灘濕地葉綠素含量和原始光譜反射率的相關(guān)性分析, 構(gòu)建了葉綠素含量估算模型, 為關(guān)鍵生態(tài)功能定量化的研究提供重要基礎(chǔ)數(shù)據(jù); Gu等[6]利用長江口兩幅GF-5高光譜影像, 對長江口葉綠素的濃度和懸浮泥沙濃度進(jìn)行估算, 證明水質(zhì)參數(shù)及空間分布與自然規(guī)律相符, 以此證明了GF-5衛(wèi)星在水色遙感中的有效性。此外, 在國外河口濕地也有不少高光譜遙感的應(yīng)用, 如柴穎等[7]利用高光譜和高空間分辨率遙感影像HyMap數(shù)據(jù), 建立決策樹模型對美國沙加緬度圣華昆三角洲進(jìn)行植被分類。Dofliotti等[8]在普拉塔河河口使用輻射測量和生物光場測量評估了現(xiàn)有基于多光譜和高光譜的葉綠素的算法, 證明使用高光譜效果好于多光譜。

綜上, 高光譜遙感在河口濕地的植被精細(xì)分類[9]、植被理化參數(shù)反演[10]、土壤監(jiān)測[11]和水質(zhì)監(jiān)測[12]等領(lǐng)域發(fā)揮了重要作用, 并在河口濕地監(jiān)測領(lǐng)域中具有以下優(yōu)勢:

(1)高光譜遙感可以獲取濕地植被、土壤和水體較為真實(shí)的連續(xù)光譜, 為濕地地物識別及邊界確定提供科學(xué)依據(jù)[13]。

(2)高光譜遙感數(shù)據(jù)可反演植被生物量、葉面積指數(shù)、土壤含鹽量和水體葉綠素含量等理化參數(shù), 為濕地生態(tài)系統(tǒng)評估提供基礎(chǔ)[14-15]。

(3)在精細(xì)分類基礎(chǔ)上, 不同時相高光譜遙感數(shù)據(jù)可以提供濕地植被、土壤的演變趨勢, 為研究濕地生態(tài)系統(tǒng)的時空變化及趨勢預(yù)測提供保障[16]。

2 高光譜遙感在黃河三角洲濱海濕地的研究

物種多樣、生境復(fù)雜、變化劇烈是黃河三角洲濕地的重要特點(diǎn), 高光譜遙感憑借其對地物之間光譜微小差別的診斷優(yōu)勢, 眾多學(xué)者利用其在黃河三角洲植被遙感監(jiān)測、土壤參數(shù)反演和水質(zhì)參數(shù)反演等領(lǐng)域均開展了大量研究和應(yīng)用工作, 表3總結(jié)了國內(nèi)外高光譜衛(wèi)星數(shù)據(jù)在黃河口濕地的應(yīng)用狀況。

表3 高光譜衛(wèi)星數(shù)據(jù)在黃河三角洲濕地應(yīng)用狀況

2.1 植被遙感監(jiān)測

2.1.1 植被精細(xì)分類

河口濕地?zé)o論就其生態(tài)功能還是保護(hù)價值來論, 植被多樣性都是應(yīng)該關(guān)注的核心。在黃河三角洲, 濱海濕地植被具有類型多樣、生境復(fù)雜、分布廣闊、生態(tài)脆弱等特點(diǎn), 不同植被類型之間在濕度和鹽度條件驅(qū)動作用下常交雜混生, 且極易發(fā)生變化。高光譜遙感在窄波段內(nèi)連續(xù)成像, 能夠識別細(xì)微的光譜響應(yīng)變化, 這為開展植被精細(xì)分類研究提供了基礎(chǔ), 國內(nèi)外利用高光譜遙感進(jìn)行河口濕地植被分類已有較多嘗試[48-49]。目前, 利用高光譜遙感開展黃河三角洲濕地植被分類的方法大多分為光譜分析法、機(jī)器學(xué)習(xí)法和深度學(xué)習(xí)法三大類。

光譜分析法利用高光譜數(shù)據(jù)光譜分辨率高的特點(diǎn), 從地物光譜形成機(jī)理出發(fā), 選取地物敏感波段, 建立地物識別分析模型。吳培強(qiáng)等[29]利用CHRIS數(shù)據(jù), 針對每種地物類型, 以其單倍標(biāo)準(zhǔn)差為界, 選出可分度33以上的3、10、12、13、15、18波段為特征波段展開研究, 應(yīng)用支持向量機(jī)(SVM)、人工神經(jīng)網(wǎng)絡(luò)(ANN)、SAM三種監(jiān)督分類方法分別得到了82.16%、82.52%、65.54%的總體分類精度, 較全波段得到了2.89%、5.1%、7.59%的分類總體精度提升。此外, 線性光譜混合分析模型結(jié)合歸一化植被指數(shù)、歸一化水體指數(shù)等參數(shù), 可以有效提升蘆葦、堿蓬、潮灘三種地物的分類精度[30], 與經(jīng)典的最大似然分類方法相比分別提升了2.27%、12.86%、15.12%。光譜分析法便于理解, 易于實(shí)現(xiàn), 但需要一定的專家經(jīng)驗(yàn)進(jìn)行波段選擇, 同時由于物候、生境條件等差別, 會導(dǎo)致同一種地物和不同地物之間, 在不同的季節(jié)、不同的鹽度濕度環(huán)境下, 表現(xiàn)出“同物異譜”和“同譜異物”現(xiàn)象, 因此, 這種方法在使用時應(yīng)給予特別注意。

機(jī)器學(xué)習(xí)法引入了對高光譜數(shù)據(jù)進(jìn)行特征提取的過程, 其中監(jiān)督分類方法是機(jī)器學(xué)習(xí)法的主流。在黃河三角洲植被精細(xì)分類中應(yīng)用的典型有監(jiān)督分類方法有最大似然法(ML)、馬氏距離法(MAD)和支持向量機(jī)法(SVM)等[31]。針對多種監(jiān)督分類算法的結(jié)果, 采用決策融合策略是提高分類精度的一種有效途徑[32]。此外, 非監(jiān)督方法在植被精細(xì)分類中也有應(yīng)用, 例如, 初佳蘭等[33]融合非監(jiān)督方法ISODATA和監(jiān)督分類方法, 結(jié)合眾數(shù)賦值法進(jìn)行分類, 結(jié)果表明隨著非監(jiān)督分類類別數(shù)量增加, 分類總體精度呈現(xiàn)由低到高再到低的變化過程, 且當(dāng)非監(jiān)督分類數(shù)大于10時, 其與最大似然法分類結(jié)果融合的總體精度均高于最大似然法和支持向量機(jī)法兩種監(jiān)督分類法。

深度學(xué)習(xí)方法是基于特征提取的智能化植被分類方法, 主要分為特征提取和分類判別兩個環(huán)節(jié), 并通過信息傳遞和損失優(yōu)化來更新模型參數(shù), 具有強(qiáng)非線性逼近能力, 相比于光譜分析法和機(jī)器學(xué)習(xí)法更具魯棒性, 是目前黃河三角洲植被精細(xì)分類研究的主流。深度學(xué)習(xí)的植被分類研究中, 通常采用組合光譜特征和中心像素鄰域特征的方法, 實(shí)現(xiàn)高光譜的空-譜特征聯(lián)合, 以克服“同物異譜”和“同譜異物”問題[23]。針對植被類型混生這類復(fù)雜任務(wù), Hu等[35]采用模糊隸屬度規(guī)則的多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)決策融合分類方法對水、潮灘、蘆葦和其他植被類型進(jìn)行分類, 實(shí)驗(yàn)結(jié)果表明該方法能更好的平衡所有類型的分類結(jié)果, 且優(yōu)于傳統(tǒng)的CNN模型, 總體精度提高了6%。目前, 注意力機(jī)制、圖卷積等[24]眾多的深度學(xué)習(xí)模型都在植被分類中得到了應(yīng)用, 如, Xie等[50]采用多層全局空-譜注意力網(wǎng)絡(luò)開展植被分類, 通過設(shè)計全局空-譜注意力模塊提取更具分辨力的特征, 降低了數(shù)據(jù)冗余度, 提高了特征表達(dá)能力。這些研究表明, 黃河三角洲濱海濕地植被精細(xì)分類面臨的問題復(fù)雜多樣, 應(yīng)具體問題具體分析, 發(fā)展有針對性的智能化分類算法, 是植被分類研究的發(fā)展趨勢。

2.1.2 植被參數(shù)定量反演

植被參數(shù)是濕地生態(tài)系統(tǒng)最重要參量之一, 對生態(tài)系統(tǒng)的結(jié)構(gòu)、過程和功能有著重要影響。植被的相關(guān)參數(shù)能夠依據(jù)遙感數(shù)據(jù)的植被光譜特征, 通過建立相關(guān)模型定量反演計算得到。高光譜遙感不僅能夠提供精細(xì)的光譜信息, 且能夠長期、動態(tài)、連續(xù)地估算植被參數(shù), 在區(qū)域尺度植被參數(shù)估算中具有不可替代的優(yōu)勢[51]。由于黃河三角洲具有生境類型多樣、空間分異明顯、新生濕地不斷增長等特點(diǎn), 形成了特定的植被時空分布規(guī)律, 利用高光譜遙感技術(shù)對黃河三角洲的植被參數(shù)進(jìn)行反演一直是研究的熱點(diǎn)問題。

1) 植被覆蓋度

植被覆蓋度指植被投影面積占土地總面積的比例, 通常用百分?jǐn)?shù)表示。植被覆蓋度是衡量地表植被狀況的一個重要指標(biāo), 是描述生態(tài)系統(tǒng)的重要基礎(chǔ)參量, 對反映區(qū)域生態(tài)系統(tǒng)環(huán)境變化有重要意義[52]。

目前基于像元分解的方法廣泛應(yīng)用于黃河三角洲濕地植被覆蓋度反演, 其中以像元二分法[53]最為典型。像元二分法假設(shè)一個像元的地表分為植被覆蓋部分和無植被覆蓋部分, 而遙感影像的光譜信息是這兩者的加權(quán)合成, 植被覆蓋度便是其中植被部分的權(quán)重, 具體如式(1)表示:

其中VFC和NDVI分別表示當(dāng)前像元的植被覆蓋度和歸一化植被指數(shù), NDVIsoil為完全是裸土的歸一化植被指數(shù), NDVIveg則代表完全被植被所覆蓋的像元的歸一化植被指數(shù)。路廣等[54]基于遙感影像數(shù)據(jù)和野外調(diào)查數(shù)據(jù)使用像元二分模型對黃河三角洲1986—2015年植被覆蓋度進(jìn)行計算, 并對植被覆蓋度的時空變化以及與環(huán)境因子的關(guān)系進(jìn)行了分析。另外, 混合像元分解的方法也不斷應(yīng)用于植被覆蓋度反演, 旨在從光譜數(shù)據(jù)中提取各種地物成分及其所占比例。相比于像元二分法, 混合像元分解能夠?qū)δ撤N特定植被蓋度進(jìn)行反演。任廣波等[25]以HJ-1A高光譜影像為數(shù)據(jù)源, 分別基于現(xiàn)場測量的和從影像中提取的數(shù)據(jù), 使用順序最大角凸錐法(SAMCC)提取端元光譜, 利用5種不同的線性解混方法, 建立了堿蓬和檉柳蓋度相應(yīng)的反演模型。但因HJ-1A影像空間分辨率較低, SAMCC方法很難提取到純凈的端元, 端元光譜反射率值相比于現(xiàn)場端元光譜較大, 現(xiàn)場光譜反演的決定系數(shù)最大可達(dá)0.96, 而SAMCC方法提取端元光譜的決定系數(shù)最大為0.84, 且超過0.6的數(shù)量遠(yuǎn)少于現(xiàn)場光譜, 導(dǎo)致反演效果并不理想。總體來看, 像元分解法能夠應(yīng)用于大尺度區(qū)域的植被覆蓋度反演, 而反演精度取決于像元解混的效果。

2) 生物量

生物量是指某一時刻單位面積內(nèi)實(shí)存生活的有機(jī)物質(zhì)總量, 通常用kg/m2或t/hm2表示, 能夠反應(yīng)生態(tài)系統(tǒng)的生產(chǎn)力和養(yǎng)分循環(huán)[55]。在黃河三角洲地區(qū)開展的生物量反演模型可分為參數(shù)模型和非參數(shù)模型兩類。

在參數(shù)模型方面, 學(xué)者多采用統(tǒng)計回歸的方法, 將通過遙感影像得到的植被指數(shù)等信息參數(shù)與生物量建立關(guān)系, 進(jìn)而擬合估計模型。丁蕾等[56]運(yùn)用多種單變量回歸方法, 構(gòu)建了黃河口蘆葦生物量估算模型。相比于單變量回歸模型, 多變量回歸模型融合多種植被指數(shù), 能進(jìn)一步提高生物量的估測能力。任廣波等[26]對比了9種光譜指數(shù)對黃河三角洲蘆葦和堿蓬生物量的估測能力, 發(fā)現(xiàn)多變量線性回歸模型取得了更高的相關(guān)系數(shù), 對于堿蓬來說, 單以NDVI、SPI、OSAVI為變量取得決定系數(shù)分別為0.60、0.59和0.47, 而同時以NDVI、SPI、OSAVI為變量取得的相關(guān)系數(shù)達(dá)到了0.66。近期, Chen等[57]通過構(gòu)建多變量線性回歸模型對黃河三角洲地上生物量進(jìn)行了估算, 同時為解決因現(xiàn)場生物量監(jiān)測樣本數(shù)量有限而難以進(jìn)行準(zhǔn)確的生物量反演問題, 設(shè)計了帶有約束因子的生成對抗網(wǎng)絡(luò)模型來豐富生物量樣本, 提高了估計精度。統(tǒng)計回歸的方法直觀、易于計算, 根據(jù)樣點(diǎn)數(shù)據(jù)的統(tǒng)計關(guān)系便可得到高光譜影像指數(shù)與生物量的關(guān)系模型, 然而上述提出的參數(shù)模型多為線性回歸模型, 無法有效描述植被生物量與高光譜數(shù)據(jù)間復(fù)雜的非線性關(guān)系。

非參數(shù)模型使用機(jī)器學(xué)習(xí)類的方法如人工神經(jīng)網(wǎng)絡(luò)、決策樹等, 針對多個遙感信息參數(shù)建立生物量估算模型。傅新等[27]使用經(jīng)典的人工神經(jīng)網(wǎng)絡(luò)模型(BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)和GRNN網(wǎng)絡(luò)等)構(gòu)建了黃河三角洲鹽地堿蓬生物量遙感估算模型, 并將其與參數(shù)回歸模型(多元線性逐步回歸模型)進(jìn)行對比, 得出BP神經(jīng)網(wǎng)絡(luò)模型的平均相對誤差為12.73%, 均低于多變量逐步線性回歸模型(20.84%)和廣義回歸網(wǎng)絡(luò)(35.15%), 滿足了較高精度的生物量濕重估算需求, 為黃河三角洲生態(tài)系統(tǒng)功能提供技術(shù)支持與基礎(chǔ)。因此, 非參數(shù)模型能很好地解決非線性和高維度等問題, 在一定程度上提高了反演精度。

3) 凈初級生產(chǎn)力

凈初級生產(chǎn)力(Net Primary Production, NPP)是指單位時間單位面積上綠色植物進(jìn)行光合作用所固定的碳除去自身呼吸消耗后所剩余的部分[58], 能夠反映植被生產(chǎn)能力, 是衡量植被健康程度的重要指標(biāo)。目前黃河三角洲地區(qū)的凈初級生產(chǎn)力反演大多數(shù)采用基于光能利用率[59]的物理模型, 其核心思想是分別估算出植被吸收的光能及光能轉(zhuǎn)化率, 即可估算出植被光合作用吸收CO2的量, 其中以CASA模型(Carnegie Ames Stanford Approach)[60]最為典型, 具體如式(2)表示:

其中PAR(,)表示像元在月份接受的太陽光合有效輻射, FPAR(,)表示像元在月份對光和有效輻射的吸收率,(,)表示像元在月份的實(shí)際光能利用率。池源等[61]和路廣等[62]分別以近30年和20年為時間跨度, 采用CASA模型, 以植被吸收光合有效輻射與實(shí)際光利用率的乘積來估算凈初級生產(chǎn)力, 分析了黃河三角洲的NPP時空變化特征及其主要影響因素。該模型充分考慮了環(huán)境條件和植被本身特征, 且相對簡單、易于計算, 可實(shí)現(xiàn)區(qū)域尺度上NPP的估測。

4) 碳儲量

碳儲量是指生態(tài)系統(tǒng)中碳的存留量, 濱海濕地植被碳儲量與土壤碳儲量一起共同構(gòu)成了“藍(lán)碳”生態(tài)系統(tǒng)碳儲量的主體。由于碳儲量與生態(tài)系統(tǒng)中生物現(xiàn)存量關(guān)系密切, 因此黃河三角洲濕地植被碳儲量估測普遍采用基于生物量的計算方法, 即直接或間接測定植被生物量, 再將植被生物量乘以相應(yīng)碳系數(shù)即可得到碳儲量。王紹強(qiáng)等[63]基于1992年和1996年遙感影像分類結(jié)果, 根據(jù)不同植被轉(zhuǎn)換率將植物生物量轉(zhuǎn)換為植被碳量, 發(fā)現(xiàn)4年間黃河三角洲河口地區(qū)植被碳儲量增加了7.43×105t。王建步等[64]采用6種不同植被指數(shù), 建立了黃河口濕地植被地上部分碳儲量估算模型, 證明基于NDVI的指數(shù)型單位面積碳儲量估算模型為最優(yōu)模型, 其決定系數(shù)(2)最大, 值為0.76, 均方根誤差(RMSE)最小, 值為19.1 g/m2。此外, 上述研究結(jié)果可合理優(yōu)化植被類型的空間分布, 為提高黃河口濕地植被的碳儲量提供了有效措施。

2.1.3 入侵物種互花米草監(jiān)測

互花米草是一種起源于美洲大西洋沿岸的多年生草本植物[65], 因其具有抗風(fēng)固沙、促淤造陸的優(yōu)良特性, 自1990年前后引種于黃河三角洲[66]。然而,互花米草作為外來物種, 缺少天敵、繁殖能力強(qiáng), 侵占了大量生態(tài)位, 已經(jīng)嚴(yán)重威脅了黃河三角洲本地物種的生存[67], 對互花米草的監(jiān)測治理刻不容緩。

高光譜遙感已經(jīng)成為區(qū)分本地物種和互花米草的主要技術(shù)手段之一, 大量研究結(jié)論驗(yàn)證了其在互花米草監(jiān)測識別的優(yōu)勢[68-70]。對互花米草的監(jiān)測主要分為兩方面, 一方面是對被入侵區(qū)域中本地種與互花米草的區(qū)分, 另一方面是對互花米草的入侵預(yù)測。

在互花米草與本地種區(qū)分方面, 往往和植被精細(xì)分類同時進(jìn)行, 分類方法的選擇對互花米草的識別精度有著直接影響, 分類方法多為SVM、最大似然分類(MLC)方法等淺層學(xué)習(xí)手段[71], 也有卷積神經(jīng)網(wǎng)絡(luò)(CNN)和超分辨率等深度學(xué)習(xí)方法, 分類方法的發(fā)展為互花米草監(jiān)測工作提供了有力支撐。任廣波等[20]利用高分五號高光譜衛(wèi)星遙感數(shù)據(jù), 通過對比SVM、光譜相關(guān)制圖(SCM)、人工神經(jīng)網(wǎng)絡(luò)(ANN)和MLC方法在高光譜遙感分類中的結(jié)果, 發(fā)現(xiàn)SVM分類方法得到了最佳分類效果, 總體分類精度達(dá)94.23%, 對互花米草識別度最高, 并根據(jù)分類結(jié)果結(jié)合現(xiàn)場調(diào)查等數(shù)據(jù), 發(fā)現(xiàn)了互花米草生長狀態(tài)好壞與其淤泥底質(zhì)的形成前后相關(guān)。Gao[21]等基于高分五號和Sentinel-2數(shù)據(jù), 提出了深度特征交互網(wǎng)絡(luò)(DFINet), 從多源特征對中提取自相關(guān)性和互相關(guān)性, 結(jié)果表明DFINet對互花米草的識別更準(zhǔn)確。

在對互花米草的入侵預(yù)測方面, 為了快速監(jiān)測互花米草時空特征及動態(tài)變化, 相關(guān)學(xué)者在分類結(jié)果的基礎(chǔ)上學(xué)習(xí)黃河三角洲互花米草的擴(kuò)張機(jī)制, 開展對黃河三角洲互花米草的生長規(guī)模, 棲息地結(jié)構(gòu)變化和擴(kuò)張模式的研究[72-75], 為科學(xué)合理的管理決策提供依據(jù)。張思青等[76]基于元胞自動機(jī)構(gòu)建互花米草種群擴(kuò)散模型, 結(jié)果顯示該模型可較好重現(xiàn)互花米草在黃河三角洲的入侵?jǐn)U散過程, 可初步預(yù)測互花米草擴(kuò)張趨勢。Gong等[77]從景觀生態(tài)學(xué)角度深入探討了互花米草生境結(jié)構(gòu)的時空變化, 進(jìn)一步分析了互花米草的擴(kuò)展方向和擴(kuò)展模式, 表明北岸主要向海洋擴(kuò)張, 南岸主要向陸地擴(kuò)張, 擴(kuò)張模式以邊緣擴(kuò)張為主。

2.2 土壤參數(shù)反演

2.2.1 含鹽量

土壤含鹽量是影響農(nóng)業(yè)生產(chǎn)和環(huán)境質(zhì)量的重要土壤性質(zhì)之一, 是評測土壤鹽漬化的一個重要指標(biāo), 而我國土地鹽漬化問題突出[78], 其中黃河三角洲是我國濱海鹽堿地分布的主要區(qū)域。鹽漬化在影響土壤質(zhì)量的同時, 還嚴(yán)重威脅了生物圈和生態(tài)環(huán)境[79-81]。

使用高光譜數(shù)據(jù)進(jìn)行土壤含鹽量的反演主要有以下幾種方法, 一種是在分析鹽堿土光譜曲線變化規(guī)律的基礎(chǔ)上, 對光譜反射率與土壤鹽分含量進(jìn)行相關(guān)分析, 篩選敏感波長, 運(yùn)用一元曲線回歸分析、多元逐步線性回歸分析等方法, 建立土壤鹽分含量估測模型, 反演土壤含鹽量[82-86]。例如安德玉等[87]將野外和室內(nèi)數(shù)據(jù)結(jié)合研究, 通過對敏感波段進(jìn)行多元逐步線性回歸、主成分回歸建模等, 估測土壤鹽度, 同時發(fā)現(xiàn)了野外與室內(nèi)土壤樣品的相關(guān)研究結(jié)果不盡一致, 表明了影響土壤鹽分的因素眾多, 且野外進(jìn)行高光譜數(shù)據(jù)采集的影響因素更為復(fù)雜。另一種方法是采用波段組合的方法建立光譜參量, 通過相關(guān)分析篩選出敏感光譜參量后采取曲線擬合方法建模, 以此實(shí)現(xiàn)鹽度反演。已有學(xué)者使用海岸帶高光譜影像(HICO)結(jié)合現(xiàn)場實(shí)測高光譜數(shù)據(jù)建模, 模型決定系數(shù)(2)大于0.86, 相對分析誤差(RPD)大于3, 均方根誤差(RMSE)較小, 表明了對表層土壤全鹽含量反演的可行性[37]。

因遙感影像的反射率與土壤含鹽量并不是簡單的線性關(guān)系[88], BP神經(jīng)網(wǎng)絡(luò)[89]、支持向量機(jī)和隨機(jī)森林等機(jī)器學(xué)習(xí)算法由于較強(qiáng)的適應(yīng)性也被用來反演土壤含鹽量[90]。厲彥玲等[28]融合高光譜和多光譜遙感影像, 使用SVM、RF等方法建模反演鹽度。王娜娜等[91]采用BP神經(jīng)網(wǎng)絡(luò)利用室內(nèi)風(fēng)干的土壤樣品進(jìn)行鹽度反演, 建模樣本的預(yù)測值和實(shí)測值, 相關(guān)系數(shù)分別達(dá)到0.956 0和0.884 0, 斜率分別為0.919 3和1.072 8, 表明模型預(yù)測能力較強(qiáng), 驗(yàn)證了機(jī)器學(xué)習(xí)算法的普適性。

2.2.2 有機(jī)質(zhì)含量

土壤有機(jī)質(zhì)(soil organic matter, SOM)泛指土壤中以各種形式存在的含碳有機(jī)化合物, 對土壤的理化性質(zhì)改善和植物的生長發(fā)育具有重要作用[92]。高光譜遙感技術(shù)在土壤有機(jī)質(zhì)含量監(jiān)測中的應(yīng)用, 彌補(bǔ)了傳統(tǒng)化學(xué)監(jiān)測方法的局限性, 相關(guān)研究主要在真實(shí)環(huán)境成像遙感和室內(nèi)環(huán)境高光譜遙感兩個方向開展。室內(nèi)高光譜遙感研究的一般思想為: 對采自黃河三角洲的風(fēng)干土壤利用室內(nèi)光譜測量設(shè)備獲得不同粒徑土壤樣本的光譜反射率, 通過篩選敏感波段, 并結(jié)合偏最小二乘回歸、主成分回歸、多元線性回歸、二次多項(xiàng)式逐步回歸、SVM以及人工神經(jīng)網(wǎng)絡(luò)等方法建立土壤有機(jī)質(zhì)[93]的高光譜遙感估測模型。

2.2.3 含水量

土壤含水量是表示一定深度土層干濕程度的環(huán)境變量, 是植被生長、資源與環(huán)境定量檢測的關(guān)鍵變量, 也是研究植物水分脅迫、監(jiān)測旱情的最基本因子。機(jī)載、星載高光譜遙感已經(jīng)成為監(jiān)測土壤含水量的重要手段[94]。目前黃河三角洲地區(qū)土壤含水量的研究主要包括兩種方式: 其一, 采用MODIS衛(wèi)星遙感數(shù)據(jù)資料, 利用溫度植被指數(shù)模型(Temperature Vegetation Difference Index, TVDI)[95]、表觀熱慣量模型(Apparent Thermal Inertia, ATI)和條件溫度植被指數(shù)模型(Vege-tation Temperature Condition Index, VTCI)[96]等進(jìn)行土壤含水量反演; 其二, 組合運(yùn)用野外高光譜數(shù)據(jù)與現(xiàn)場采樣數(shù)據(jù), 分析土壤光譜特征, 篩選敏感波段, 而后運(yùn)用統(tǒng)計分析[97]、多元線性回歸[98]和BP神經(jīng)網(wǎng)絡(luò)等方法建立高光譜土壤含水量估測模型。

2.3 水質(zhì)參數(shù)反演

懸浮泥沙含量高是黃河水體和近海海洋水體水質(zhì)的重要特征, 黃河三角洲的水質(zhì)參數(shù)反演也集中在對懸浮泥沙的研究。研究黃河入?？诟浇Ｓ虮韺討疑车姆植己蛿U(kuò)散, 反演懸浮物濃度, 對研究黃河三角洲的發(fā)育和演變, 分析海岸線變化和趨勢等, 都具有十分重要的意義[99]。

利用高光譜遙感影像對泥沙懸浮物進(jìn)行反演, 得到泥沙分布特征、季節(jié)特征等主要有以下2種方法: 一種是對數(shù)據(jù)進(jìn)行統(tǒng)計分析后建模分析, 另一種則是使用深度學(xué)習(xí)算法建模分析。對于統(tǒng)計分析模型, 需要建模的兩個數(shù)據(jù)集之間應(yīng)具有良好的線性關(guān)系, Qiu[39]基于Auqa和Terra衛(wèi)星遙感影像, 建立模型估算了年內(nèi)懸浮顆粒物(Suspended Particulate Matter, SPM)濃度。劉曉等[43]以MODIS產(chǎn)品MOD09GQ陸地反射率數(shù)據(jù)為數(shù)據(jù)源, 進(jìn)行黃河三角洲懸浮泥沙濃度反演, 得到了懸浮泥沙濃度的分布趨勢為由岸向海逐漸降低, 在黃河入?？谀媳眱蓚?cè)濃度梯度差異較大。阿如汗等[100]采用地面實(shí)測數(shù)據(jù)和MODIS數(shù)據(jù)來驗(yàn)證大氣校正結(jié)果, 反演并分析黃河口懸浮物濃度空間分布特征, 得到了黃河口懸浮物濃度季節(jié)變化特征為冬季較高夏季較低。對于深度學(xué)習(xí)算法, 申明等[44]基于EOS系列衛(wèi)星遙感影像, 將深度學(xué)習(xí)中的自組織映射網(wǎng)絡(luò)(SOM)應(yīng)用于渾濁水體空間分布模式聚類, 利用統(tǒng)計參數(shù)分析和2007年各月懸浮泥沙濃度反演結(jié)果比較, 結(jié)果表明SOM提取的模式間具有差異, 一定程度上能替代經(jīng)驗(yàn)?zāi)Ｐ头从硡^(qū)域渾濁特征。

除懸浮泥沙外, 眾多學(xué)者還利用高光譜遙感對黃河三角洲水域中營養(yǎng)鹽、有機(jī)碳和葉綠素等水質(zhì)參數(shù)進(jìn)行定量反演。Chen等[45]使用葉綠素的吸收特性來反演葉綠素濃度, 吳靈靈[101]研究了太陽耀光對不同葉綠素濃度反演模型的影響; 牟冰等[40]對有機(jī)碳濃度進(jìn)行了時空分布特征分析; 青松[46]分析了鹽度時空分布格局、年際變化和對黃河徑流的響應(yīng)。

3 結(jié)語及展望

3.1 黃河三角洲濕地高光譜遙感監(jiān)測技術(shù)應(yīng)用的迫切需求

目前, 高光譜遙感已經(jīng)廣泛應(yīng)用于黃河三角洲濱海濕地信息提取中, 憑借高光譜分辨率、高時間采樣頻率和大范圍同步成像等優(yōu)勢, 在植被監(jiān)測、土壤參數(shù)反演以及水質(zhì)參數(shù)反演等研究中發(fā)揮了重要作用。然而, 黃河三角洲濕地研究仍對高光譜遙感有著更多更深入的需求。

1) 迫切需求空-天-地協(xié)同的多源遙感監(jiān)測數(shù)據(jù)獲取技術(shù)

在監(jiān)測平臺方面, 目前大多數(shù)對于黃河三角洲濕地的研究基于衛(wèi)星影像數(shù)據(jù), 衛(wèi)星數(shù)據(jù)的特點(diǎn)是大尺度覆蓋, 時間分辨率也較高, 但空間精細(xì)尺度卻是短板[102]; 另外一部分研究基于無人機(jī)或者地面光譜儀采集的數(shù)據(jù), 這兩者得到的是不同空間尺度的離散的精細(xì)監(jiān)測結(jié)果, 但是時間分辨率較低, 無法掌握黃河三角洲濕地在某一個具體時間點(diǎn)上的狀況和變化規(guī)律。單一的監(jiān)測平臺無法同時滿足濕地信息大范圍提取和精細(xì)分類要求。在傳感器方面, 盡管高光譜遙感能獲得極高分辨率的光譜信息, 然而仍有一些缺陷: 首先, 相對于多光譜影像, 高光譜影像空間分辨率較低, 一個像元中通?；祀s有多種地物, 很大程度上影響分類或反演的精度[103]; 其次, 高光譜遙感屬于被動遙感, 與激光雷達(dá)、合成孔徑雷達(dá)等主動遙感相比, 容易受天氣影響, 且缺少地形數(shù)據(jù)、紋理數(shù)據(jù)等信息[104]。因此, 針對不同的監(jiān)測目標(biāo)和場景, 發(fā)展空-天-地協(xié)同的多源遙感監(jiān)測數(shù)據(jù)獲取技術(shù), 是黃河三角洲濕地監(jiān)測需求之一。

2) 迫切需求多種信息提取算法的融合使用

目前在黃河三角洲濱海濕地信息提取方法相對單一。在濕地植被分類方面, 現(xiàn)有的分類算法多集中于傳統(tǒng)的機(jī)器學(xué)習(xí)或深度學(xué)習(xí)方法, 然而傳統(tǒng)的機(jī)器學(xué)習(xí)方法需要復(fù)雜的特征工程, 而深度學(xué)習(xí)方法則需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練等[105]; 在生態(tài)環(huán)境參數(shù)反演方面, 當(dāng)前方法集中體現(xiàn)在利用遙感數(shù)據(jù)和野外實(shí)測數(shù)據(jù)進(jìn)行回歸擬合構(gòu)建各種模型上, 而這種方法模型參數(shù)需不斷重新擬合來進(jìn)行調(diào)整, 且只適用于較小區(qū)域[106]。各種分類或反演算法都有著自己的優(yōu)勢和缺點(diǎn), 沒有任何一種算法能夠準(zhǔn)確無誤地完成信息提取過程。因此, 開展數(shù)據(jù)挖掘以及智能化物理模型等新方法新模型的研究, 發(fā)展面向多源數(shù)據(jù)的智能分類算法、參數(shù)反演物理模型, 將多種信息提取算法融合使用, 發(fā)揮技術(shù)間的優(yōu)勢互補(bǔ)作用是需求之一。

3) 迫切需求面向?qū)嶋H應(yīng)用場景的算法模型

目前, 黃河三角洲正面對天然濕地面積萎縮、生境破碎、外來物種大規(guī)模入侵、土壤鹽漬化、水質(zhì)污染等整體性生態(tài)退化問題和風(fēng)險[107], 濕地生態(tài)服務(wù)功能下降, 生態(tài)承載能力不斷降低, 生物多樣性減少, 迫切需要高光譜遙感為黃河三角洲的科學(xué)問題解決和專題產(chǎn)品研制提供支持。然而現(xiàn)有的大多數(shù)研究依然停留在理論和方法研究層面, 目前還不能滿足實(shí)際場景的需要。因此, 應(yīng)針對黃河三角洲所面臨的各種生態(tài)環(huán)境問題, 從應(yīng)用需求出發(fā), 綜合考慮實(shí)際場景的具體問題, 建立面向?qū)嶋H應(yīng)用場景的模型與算法, 為黃河三角洲濕地保護(hù)提供支撐是需求之一。

3.2 黃河三角洲濕地高光譜遙感監(jiān)測技術(shù)發(fā)展展望

盡管高光譜在黃河三角洲濕地已經(jīng)有了一定的應(yīng)用, 但結(jié)合當(dāng)前黃河三角洲濕地對高光譜遙感的迫切需求, 認(rèn)為未來應(yīng)加強(qiáng)以下幾個方面的研究:

1) 針對黃河三角洲濱海濕地植被生長特點(diǎn)的高光譜監(jiān)測技術(shù)研究

目前黃河三角洲植被的高光譜監(jiān)測技術(shù), 大多為通用性技術(shù), 少有針對黃河三角洲濱海濕地植被生長特點(diǎn)的監(jiān)測技術(shù)。黃河三角洲濱海濕地植被復(fù)雜多樣、分布廣闊, 且在鹽度、溫度等環(huán)境因素影響下, 不同植被交雜混生; 此外, 黃河三角洲植被破碎化嚴(yán)重, 小斑塊分布植被隨處可見, 典型植被有極稀疏生長的鹽地堿蓬, 其重要特點(diǎn)是覆蓋度不足10%, 且不僅表現(xiàn)葉綠素光譜特征, 還會表現(xiàn)甜菜紅素等光譜特征。因此, 應(yīng)基于黃河三角洲濱海濕地植被生長特點(diǎn), 開展有針對性的高光譜監(jiān)測技術(shù)研究, 包括混生植被監(jiān)測研究、小斑塊植被精細(xì)化監(jiān)測和極稀疏生長鹽地堿蓬監(jiān)測等。

2) 黃河三角洲植被、土壤和水質(zhì)的高精度反演研究

物種多樣、生境復(fù)雜、變化劇烈是黃河三角洲濕地的重要特點(diǎn), 同時勝利油田地處黃河三角洲, 其開發(fā)過程更增加了黃河三角洲濕地的生態(tài)壓力。了解黃河三角洲濕地生態(tài)變化, 是黃河三角洲生態(tài)保護(hù)的重要基礎(chǔ), 黃河三角洲植被、土壤和水體的生態(tài)評估是監(jiān)測黃河三角洲濕地變化的重要手段。因此, 應(yīng)開展黃河三角洲的植被、土壤和水質(zhì)的高精度反演研究, 包括不同物候、不同鹽度等環(huán)境條件下的植被生長狀態(tài)評估; 高懸浮物濃度條件下的黃河河流水體和近岸水體的葉綠素、黃色物質(zhì)等水質(zhì)參數(shù)反演研究; 濕地生態(tài)修復(fù)效果高光譜遙感監(jiān)測與評估; 油田生產(chǎn)影響的監(jiān)測與評估等。

3) 黃河三角洲濱海濕地藍(lán)碳監(jiān)測與評估研究

潮間帶鹽沼生態(tài)系統(tǒng)是重要的碳匯資源, 以鹽沼濕地、海草床為代表的黃河三角洲海岸帶藍(lán)碳生態(tài)系統(tǒng)的碳埋藏能力是同類型內(nèi)陸濕地的數(shù)倍至十?dāng)?shù)倍, 是保障我國雙碳指標(biāo)實(shí)現(xiàn)的重要生態(tài)資源。對黃河三角洲陸地、潮間帶和海域生態(tài)系統(tǒng)碳儲量本底的準(zhǔn)確監(jiān)測和評估, 是開展有目的的生態(tài)修復(fù)和碳增匯工程的依據(jù)和基礎(chǔ)。因此, 需要在現(xiàn)有高光譜遙感反演碳儲量研究的基礎(chǔ)上, 繼續(xù)開展鹽沼濕地碳儲量、固碳能力監(jiān)測評估, 土壤碳儲量監(jiān)測評估, 濱海濕地藍(lán)碳的碳循環(huán)監(jiān)測與評估等關(guān)鍵技術(shù)研究, 推動黃河三角洲的高質(zhì)量發(fā)展。

[1] 童慶禧, 張兵, 鄭蘭芬. 高光譜遙感: 原理、技術(shù)與應(yīng)用[M]. 北京: 高等教育出版社. 2006: 1-37.

TONG Qingxi, ZHANG Bing, ZHENG Lanfen. Hypers-pectral remote sensing: The principle, technology and application[M]. Beijing: Higher Education Press. 2006: 1-37.

[2] 杜培軍, 夏俊士, 薛朝輝, 等. 高光譜遙感影像分類研究進(jìn)展[J]. 遙感學(xué)報, 2016, 20(2): 236-256.

DU Peijun, XIA Junshi, XUE Chaohui, et al. Review of hyperspectral remote sensing image classification[J]. Journal of Remote Sensing, 2016, 20(2): 236-256.

[3] 張凝, 楊貴軍, 趙春江, 等. 作物病蟲害高光譜遙感進(jìn)展與展望[J]. 遙感學(xué)報, 2021, 25(1): 403-422.

ZHANG Ning, Yang Guijun, ZHAO Chunjiang, et al. Progress and prospects of hyperspectral remote sensing technology for crop diseases and pests[J]. National Remote Sensing Bulletin, 2021, 25(1): 403-422.

[4] 何理深, 張超. 濕地植被高光譜遙感技術(shù)應(yīng)用研究[J]. 西南林業(yè)大學(xué)學(xué)報(自然科學(xué)), 2018, 38(6): 208-214.

HE Lishen, ZHANG Chao. Application of hyperspectral remote sensing in wetland vegetation identification[J]. Journal of Southwest Forestry University, 2018, 38(6): 208-214.

[5] 王佳鵬, 施潤和, 張超, 等. 基于光譜分析的長江口濕地互花米草葉片葉綠素含量反演研究[J]. 遙感技術(shù)與應(yīng)用, 2017, 32(6): 1056-1063.

Wang Jiapeng, Shi Runhe, Zhang Chao, et al. Study on the inversion of chlorophyll content ofleaf in the Yangtze River estuary wetland based on spectral analysis[J]. Remote Sensing Techno-logy and Application, 2017, 32(6): 1056-1063.

[6] Gu Q H, Li Q L, Zhou M. Water quality monitoring of the Yangtze Estuary by using GF-5 hyperspectral image[C]//Proceedings of the 2019 12th international congress on image and signal processing, BioMedical engineering and informatics (CISP-BMEI), Suzhou, China, 19-21 October 2019. IEEE: Piscataway, NJ, USA, 2020: 1-5. DOI: 10.1109/CISP-BMEI48845.2019.8965970.

[7] 柴穎, 阮仁宗, 傅巧妮. 高光譜數(shù)據(jù)濕地植被類型信息提取[J]. 南京林業(yè)大學(xué)學(xué)報(自然科學(xué)版), 2015, 58(1): 181-184.

CHAI Ying, RUAN Renzong, FU Qiaoni. Extraction of wetland vegetation information using hyperspectral image data[J]. Journal of Nanjing Forestry University (Natural Science Edition), 2015, 58(1): 181-184.

[8] Dogliotti A I, Gossn J I, Gonzalez C, et al. Eva-lua-tion of multi- and hyper-spectral chl-algorithms in the Río De La Plata turbid waters during a cyano-bacteria bloom[C]. IEEE International Geoscience and Remote Sensing Symposium IGARSS, 2021: 7442-7445.

[9] 張雅春, 那曉東, 臧淑英. 基于HJ-1A高光譜影像的濕地精細(xì)分類[J]. 地理科學(xué)進(jìn)展, 2018, 37(12): 1705- 1712.

ZHANG Yachun, NA Xiaodong, ZANG Shuying. Wetland high precision classification based on the HJ-1A hyperspectral image[J]. Progress in Geography, 2018, 37(12): 1705-1712.

[10] 章文龍, 曾從盛, 高燈州, 等. 閩江河口濕地秋茄葉綠素含量高光譜遙感估算[J]．生態(tài)學(xué)報, 2014, 34(21): 6190-6197.

ZHANG Wenlong, ZENG Congsheng, GAO Dengzhou, et al. Estimating the chlorophyll content of Kandelia candel based on hyper-spectral remote sensing in the Min River Estuarine wetland[J]. Acta Ecologica Sinica, 2014, 34(21): 6190-6197.

[11] 王莉雯, 衛(wèi)亞星. 濕地土壤全氮和全磷含量高光譜模型研究[J]. 生態(tài)學(xué)報, 2016, 36(16): 5116-5125.

WANG Liwen, WEI Yaxing. Estimating the total nitrogen and total phosphorus content of wetland soils using hyperspectral models[J]. Acta Ecologica Sinica, 2016, 36(16): 5116-5125.

[12] CAI J N, CHEN J, DOU X H, et al. Using machine learning algorithms with in situ hyperspectral reflectance data to assess comprehensive water quality of urban rivers[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 1-13.

[13] DU B J, MAO D H, WANG Z G, et al. Mapping wetland plant communities using unmanned aerial vehicle hyperspectral imagery by comparing object/pixel-based classifications combining multiple machine-learning algorithms[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14(7): 8249-8258.

[14] LUO S Z, WANG C, XI X H, et al. Retrieving aboveground biomass of wetland(common reed) using a combination of airborne discrete-return LiDAR and hyperspectral data[J]. International Journal of App-lied Earth Observation and Geoinformation, 2017, 58(2): 107-117.

[15] HUANG G R, ZHANG X Y, HAN Y C, et al. Observation of suspended sediment in the surrounding sea waters of Dajin Island based on CASI hyperspectral Data[C]. IEEE Inter-national Conference on Agro-Geoinformatics, 2019: 1-6.

[16] 陳秋宇, 楊仁敏, 朱長明. 基于VIS-NIR光譜的互花米草入侵濕地土壤有機(jī)碳預(yù)測研究[J]. 土壤學(xué)報, 2021, 58(3): 694-703.

CHEN Qiuyu, YANG Renmin, ZHU Changming. VTS- NIR spectroscopy-based prediction of soil organic carbon in coastal wetland invaded by[J]. Acta Pedologica Sinica, 2021, 58(3): 694-703.

[17] LIU C, TAO R, LI W, et al. Joint classification of hyperspectral and multispectral images for mapping coastal wetlands[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 14(11): 982-996.

[18] 朱玉玲. 基于深度學(xué)習(xí)分類方法的山東省外來入侵物種互花米草遙感監(jiān)測與分析[D]. 青島: 自然資源部第一海洋研究所, 2020.

ZHU Yuling. Remote-sensed monitoring and analysis of invasive alien speciesin Shan-dong Province based on deep learning classification method[D]. Qingdao: First Institute of Oceanography, Ministry of Natural Resources, 2020.

[19] 朱玉玲, 任廣波, 王建步, 等. 基于子空間劃分和Recorre組合式降維的GF-5高光譜影像互花米草遙感監(jiān)測[C]//第六屆高分辨率對地觀測學(xué)術(shù)年會論文集(上), 北京: 中國科學(xué)院高分重大專項(xiàng)管理辦公室, 2019: 458-479.

ZHU Yuling, REN Guangbo, WANG Jianbu, et al. Com-bination dimensionality reduction based on subspace par-titioning and recorre using GF-5 hyperspectral imagery for remote-sensedmo monitoring of[C]// Proceedings of the 6th annual high resolution ear-th observation conference (Part I). Beijing: Chinese Aca-de-my of Sciences High Score major Project Administration Office, 2019: 458-479.

[20] 任廣波, 周莉, 梁建, 等. “高分五號”高光譜互花米草遙感識別與制圖研究[J]. 海洋科學(xué)進(jìn)展, 2021, 39(2): 312-326.

REN Guangbo, ZHOU Li, LIANG Jian, et al. Monitoring the invasion ofusing hyperspectral remote sensing image of GF-5[J]. Advances in Marine Science, 2021, 39(2): 312-326.

[21] GAO Y H, LI W, ZHANG M M, et al. Hyperspectral and multispectral classification for coastal wetland using depthwise feature interaction network[J]. IEEE Tran-sa-ctions on Geoscience and Remote Sensing, 2021, 60: 1-15.

[22] CUI B G, Li X H, WU J, et al. Tiny-scene embedding network for coastal wetland mapping using Zhuhai-1 hyperspectral images[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19(3): 1-5.

[23] CHEN C, MA Y, REN G B. Hyperspectral classification using deep belief networks based on conjugate gradient update and pixel-centric spectral block features[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13(7): 4060-4069.

[24] LIU K, SUN W W, SHAO Y J, et al. Mapping coastal wetlands using transformer in transformer deep network on China ZY1-02D hyperspectral satellite images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2022, 15(5): 3891-3903.

[25] 任廣波, 張杰, 馬毅. 基于HJ-1A高光譜的黃河口堿蓬和檉柳蓋度反演模型研究[J]. 海洋學(xué)報, 2015, 37(9): 51-58.

REN Guangbo, ZHANG Jie, MA Yi. Suaeda-salsa and tamarisk fractional cover inversion models by HJ-1A hyperspectral remote sensing image in Yellow River Estuary[J]. Haiyang Xuebao, 2015, 37(9): 51-58.

[26] 任廣波, 張杰, 汪偉奇, 等. 基于HJ-1高光譜影像的黃河口蘆葦和堿蓬生物量估測模型研究[J]. 海洋學(xué)研究, 2014, 32(4): 27-34.

REN Guangbo, ZHANG Jie, WANG Weiqi, et al. Reeds and suaeda biomass estimation model based on HJ-1 hyperspectal image in the Yellow River Estuary[J]. Journal of Marine Sciences, 2014, 32(4): 27-34.

[27] 傅新, 劉高煥, 黃翀, 等. 濕地翅堿蓬生物量遙感估算模型[J]. 生態(tài)學(xué)報, 2012, 32(17): 5355-5362.

FU Xin, LIU Gaohuan, HUANG Chong, et al. Remote sensing estimation models ofbiomass in the coastal wetland[J]. Acta Ecologica Sinica, 2012, 32(17): 5355-5362.

[28] 厲彥玲, 趙庚星, 常春艷等. OLI與HSI影像融合的土壤鹽分反演模型[J]. 農(nóng)業(yè)工程學(xué)報, 2017, 33(21): 173-180.

LI Yanling, ZHAO Gengxing, CHANG Chunyan, et al. Soil salinity retrieval model based on OLI and HSI Image fusion[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(21): 173-180.

[29] 吳培強(qiáng), 張杰, 馬毅, 等. 基于地物光譜可分性的CHRIS高光譜影像波段選擇及其分類應(yīng)用[J]. 海洋科學(xué), 2015, 39(2): 20-24.

WU Pengqiang, ZHANG Jie, MA Yi, et al. A CHRIS hyperspectral band selection method based on spectral separability and classification application[J]. Marine Sciences, 2015, 39(2): 20-24.

[30] 王建步, 張杰, 馬毅, 等. 黃河口濕地典型地物類型高光譜分類方法[J]. 海洋學(xué)研究, 2014, 32(3): 36-41.

WANG Jianbu, ZHANG Jie, MA Yi, et al. Classification method of hyperspectral image in typical surface feature of Huanghe River estuary wetland[J]. Journal of Marine Sciences, 2014, 32(3): 36-41.

[31] 王霄鵬, 張杰, 任廣波, 等. 基于光譜特征空間的監(jiān)督分類中包絡(luò)線去除效能評價[J]. 海洋科學(xué)進(jìn)展, 2015, 33(2): 195-206.

WANG Xiaopeng, ZHANG Jie, REN Guangbo, et al. Validity evaluation of continuum removal in the supervised classification based on spectral feature space[J]. Advances in Marine Science, 2015, 33(2): 195-206.

[32] 馬毅, 張杰, 任廣波, 等. 基于決策級數(shù)據(jù)融合的CHRIS高光譜圖像分類方法研究[J]. 海洋科學(xué), 2015, 39(2): 8-14.

MA Yi, ZHANG Jie, REN Guangbo, et al. Research on decision-level data fusion classification method for CHRIS hyperspectral imagery[J]. Marine Sciences, 2015, 39(2): 8-14.

[33] 初佳蘭, 張杰, 任廣波, 等. 一種基于眾數(shù)賦值的高光譜圖像地物分類方法[J]. 海洋科學(xué), 2015, 39(2): 72-78.

CHU Jialan, ZHANG Jie, REN Guangbo, et al. A hyperspectral image classification method based on maximum assignment[J]. Marine Sciences, 2015, 39(2): 72-78.

[34] 陳琛, 馬毅, 胡亞斌, 等. 一種自適應(yīng)學(xué)習(xí)率的卷積神經(jīng)網(wǎng)絡(luò)模型及應(yīng)用-以濱海濕地遙感分類為例[J]. 海洋環(huán)境科學(xué), 2019, 38(4): 621-627.

CHENG Chen, MA Yi, HU Yabin, et al. A convolution neural network model with adaptive learning rate and its application-a case study of remote sensing classification of coastal wetland[J]. Marine Environmental Science, 2019, 38(4): 621-627.

[35] HU Y B, ZHANG J, MA Y, et al. Hyperspectral coastal wetland classification based on a multi-object convolutional neural network model and decision fusion[J]. IEEE Geoscience and Remote Sensing Letters, 2019, 16(7): 1110-1114.

[36] 楊俊芳. 現(xiàn)代黃河三角洲入侵植物互花米草遙感監(jiān)測與分析[D]. 青島: 中國石油大學(xué)(華東), 2017.

YANG Junfang. Remote sensing monitoring and analysis of invasion plantin Modern Yellow River Delta[D]. Qingdao: China University of Petroleum (East China), 2017.

[37] 安德玉, 邢前國, 趙庚星. 基于HICO波段的濱海土壤鹽分遙感反演研究[J]. 海洋學(xué)報, 2018, 40(6): 51-59.

AN Deyu, XING Qianguo, ZHAO Gengxing. Remote sensing of coastal soil salinity based on HICO band[J]. Haiyang Xuebao, 2018, 40(6): 51-59.

[38] 李陽東, 吳珍瑜, 常亮. 基于GOCI影像進(jìn)行渤海表層懸浮泥沙濃度估算的新方法[J]. 海洋湖沼通報, 2020(3): 80-88.

LI Yangdong, WU Zhenyu, CHANG Liang. A novel method for the estimation of suspended sediment concentration in Bohai Sea based on GOCI images[J]. Transactions of Oceanology and Limnology, 2020(3): 80-88.

[39] QIU Z F. A simple optical model to estimate suspended particulate matter in Yellow River Estuary[J]. Optics Express, 2013, 21(23): 27891-27904.

[40] 牟冰, 崔廷偉, 秦平, 等. 黃河口海域顆粒有機(jī)碳濃度遙感反演與時空分布特征[J]. 光學(xué)學(xué)報, 2017, 37(8): 33-43.

MOU Bing, CUI Tingwei, QIN Ping, et al. Remote sensing retrieval and temporal-spatial distribution characteristics of particulate organic carbon concen-tration in seawater near Yellow River Estuary[J]. Acta Optica Sinica, 2017, 37(8): 33-43.

[41] 肖合輝. 渤黃海海域懸浮體分布: 季節(jié)性變化及擴(kuò)散通量[D]. 青島: 中國海洋大學(xué), 2014.

XIAO Hehui. Distribution of suspended sediment in Bohai Sea and yellow Sea: Seasonal variation and diffusion flux[D]. Qingdao: Ocean University of China, 2014.

[42] 陸建忠. 遙感反演與數(shù)值模擬耦合的渤海懸浮泥沙輸移研究[D]. 武漢: 武漢大學(xué), 2010.

LU Jianzhong. Study on suspended sediment transport coupled remote sensing retrieval and numerical simulation in the Bohai Sea, China[D]. Wuhan: Wuhan University, 2010.

[43] 劉曉, 黃海軍, 劉艷霞, 等. 黃河三角洲附近海域懸浮泥沙濃度估算[J]. 人民黃河, 2013, 35(2): 10-12.

LIU Xiao, HUANG Haijun, LIU Yanxia, et al. Estimation of suspended sediment concentration in the sea water near the Yellow River Delta[J]. Yellow River, 2013, 35(2): 10-12.

[44] 申明, 王思遠(yuǎn), 馬元旭, 等. 基于自組織網(wǎng)絡(luò)的黃河口渾濁模式研究[J]. 地球信息科學(xué)學(xué)報, 2018, 20(8): 1190-1200.

SHEN Ming, WANG Siyuan, MA Yuanxu, et al. Turbidity patterns identification based on self-organizing maps at Yellow River Estuary[J]. Journal of Geo-Infor-mation Science. 2018, 20(8): 1190-1200.

[45] CHEN J, Quan W T. An improved algorithm for retrieving chlorophyll-from the Yellow River Estuary using MODIS imagery[J]. Environmental Monitoring and Assessment, 2013, 185(3): 2243-2255.

[46] 青松. 渤海鹽度和懸浮顆粒粒徑的遙感反演及應(yīng)用研究[D]. 青島: 中國海洋大學(xué), 2011.

QING Song, Remote sensing research and application of salinity and suspended partilce size of the Bohai Sea[D]. Qingdao: Ocean University of China, 2011.

[47] 崔廷偉, 張杰, 馬毅, 等. 渤海懸浮物分布的遙感研究[J]. 海洋學(xué)報, 2009, 31(5): 10-18.

CUI Tingwei, ZHANG Jie, MA Yi et al. The study on the distribution of suspended particulate matter in the Bohai Sea by remote sensing[J]. Haiyang Xuebao, 2009, 31(5): 10-18.

[48] 孫偉偉, 任凱, 肖晨超, 等. 資源一號02D衛(wèi)星高光譜與多光譜融合數(shù)據(jù)濱海濕地分類應(yīng)用[J]. 航天器工程, 2020, 29(6): 162-168.

SUN Weiwei, REN Kai, XIAO Chenchao, et al. Classification of coastal wetlands based on hyperspectral and multispectral fusion data of ZY-1-02D satellite[J]. Spacecraft Engineering, 2020, 29(6): 162-168.

[49] SUN W W, YANG G, REN K, et al. A label similarity probability filter for hyperspectral image postclassi-fication[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14(7): 6897-6905.

[50] XIE Z J, HU J W, KANG X D, et al. Multilayer global spectral–spatial attention network for wetland hypers-pectral image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 1-13.

[51] 趙燕紅, 侯鵬, 蔣金豹, 等. 植被生態(tài)遙感參數(shù)定量反演研究方法進(jìn)展[J]. 遙感學(xué)報, 2021, 25(11): 2173-2197.

ZHAO Yanhong, HOU Peng, JIANG Jinbao, et al. Progress in quantitative inversion of vegetation ecological remote sensing parameters[J]. National Remote Sensing Bulletin, 2021, 25(11): 2173-2197.

[52] Wang S, Zhang B, Xie G D, et al. Vegetation cover changes and sand-fixing service responses in the Beijing–Tianjin sandstorm source control project area[J]. Environmental Development, 2020, 34: 100455.

[53] 李苗苗, 吳炳方, 顏長珍, 等. 密云水庫上游植被覆蓋度的遙感估算[J]. 資源科學(xué), 2004, 26(4): 153-159.

LI Miaomiao, WU Bingfang, YAN Changzhen, et al. Estimation of vegetation fraction in the upper basin of Miyun reservoir by remote sensing[J]. Resource Science, 2004, 26(4): 153-159.

[54] 路廣, 韓美, 王敏, 等. 近代黃河三角洲植被覆蓋度時空變化分析[J]. 生態(tài)環(huán)境學(xué)報, 2017, 26(3): 422- 428.

LU Guang, HAN Mei, WANG Min, et al. Temporal and spatial variation of vegetation fraction in the modern Yellow River Delta[J]. Ecology and Environmental Sciences, 2017, 26(3): 422-428.

[55] 何誠, 馮仲科, 韓旭, 等. 基于多光譜數(shù)據(jù)的永定河流域植被生物量反演[J]. 光譜學(xué)與光譜分析, 2012, 32(12): 3353-3357.

HE Cheng, FENG Zhongke, HAN Xu, et al. The inversion processing of vegetation biomass along Yongding River based on multispectral information[J]. Spectroscopy and Spectral Analysis, 2012, 32(12): 3353-3357.

[56] 丁蕾, 馬毅. 基于現(xiàn)場光譜的黃河口濕地蘆葦生物量估算模型研究[J]. 海洋環(huán)境科學(xué), 2015, 34(5): 718-722, 728.

DING Lei, MA Yi. Research on biomass estimation model of reed in Yellow River Estuary wetland based on the in situ spectral data[J]. Marine Environmental Science, 2015, 34(5): 718-722, 728.

[57] Chen C, Ma Y, Ren G B, et al. Above ground biomass of salt-marsh vegetation in coastal wetlands: Sample expansion of in situ hyperspectral and Sentinel-2 data using a generative adversarial network[J]. Remote Sen-sing of Environment, 2022, 270: 112885.

[58] 樸世龍, 方精云, 郭慶華. 利用CASA模型估算我國植被凈第一性生產(chǎn)力[J]. 植物生態(tài)學(xué)報, 2001, 25(5): 603-608.

PU Shilong, FANG Jingyun, GUO Qinghua. Application of CASA model to the estimation of Chinese terrestrial net primary productivity. Chinese Journal of Plant Ecology, 2001, 25(5): 603-608．

[59] Monteith J L. Solar radiation and productivity in tropical ecosystems[J]. Journal of applied ecology, 1972, 9(3): 747-766.

[60] POTTER C S, RANDERSON J T, FIELD C B, et al. Terrestrial ecosystem production: a process model based on global satellite and surface data[J]. Global Biogeochemical Cycles, 1993, 7(4): 811-841.

[61] 池源, 石洪華, 孫景寬, 等. 近30年來黃河三角洲植被凈初級生產(chǎn)力時空特征及主要影響因素[J]. 生態(tài)學(xué)報, 2018, 38(8): 2683-2697.

CHI Yuan, SHI Honghua, SUN Jingkuan, et al. Spatio-temporal characteristics and main influencing factors of vegetation net primary productivity in the Yellow River Delta in recent 30 years[J]. Acta Ecologica Sinica, 2018, 38(8): 2683-2697.

[62] 路廣, 韓美, 徐澤華, 等. 黃河三角洲新生濕地凈初級生產(chǎn)力時空變化[J]. 生態(tài)學(xué)雜志, 2019, 38(4): 1113-1122.

LU Guang, HAN Mei, XU Zehua, et al. Spatiotemporal variations of net primary productivity in new wetlands of the Yellow River Delta[J]. Chinese Journal of Ecology, 2019, 38(4): 1113-1122.

[63] 王紹強(qiáng), 許珺, 周成虎. 土地覆被變化對陸地碳循環(huán)的影響——以黃河三角洲河口地區(qū)為例[J]. 遙感學(xué)報, 2001, 5(2): 142-148, 162.

WANG Shaoqiang, XU Jun, ZHOU Chenghu. The effect of land cover change on carbon cycle: A case study in the Estuary of Yellow River Delta[J]. Journal of Remote Sensing, 2001, 5(2): 142-148, 162.

[64] 王建步, 張杰, 馬毅, 等. 基于GF-1 WFV的黃河口濕地植被碳儲量估算研究[J]. 海洋科學(xué)進(jìn)展, 2019, 37(1): 75-83.

WANG Jianbu, ZHANG Jie, MA Yi, et al. Estimation of vegetation carbon storage in the Yellow River Estuary wetland based on GF-1 WFV Satellite Image[J]. Advances in Marine Science, 2019, 37(1): 75-83.

[65] 趙廣琦, 張利權(quán), 梁霞. 蘆葦與入侵植物互花米草的光合特性比較[J]. 生態(tài)學(xué)報, 2005, 25(7): 1604-1611. ZHAO Guangqi, ZHANG Liquan, LIANG Xia, et al. A comparison of photosynthetic characteristics between an invasive plantand an indigenous plant[J]. Acta Ecologica Sinica, 2005, 25(7): 1604-1611.

[66] 呂培茹, 田家怡, 申保忠. 外來生物米草入侵對黃河三角洲鹽沼生物群落的影響[J]. 海洋湖沼通報, 2010, 3(3): 157-165.

LV Peiru, TIAN Jiayi, SHEN Baozhong. Effects of invasive alien rice grass on biological communities of salt marsh in the Yellow River Delta[J]. Transactions of Oceanology and Limnology, 2010, 3(3): 157-165.

[67] 朱士文, 潘秀蓮, 李秀啟, 等. 外來物種米草對黃河三角洲生態(tài)環(huán)境的影響[J]. 山東農(nóng)業(yè)科學(xué), 2012, 44(3): 73-75, 83.

ZHU Shiwen, PAN Xiulian, LI Xiuqi, et al. Effect ofspp. invasion on saltmarsh community of the Yellow River Delta[J]. Shandong Agricultural Sciences, 2012, 44(3): 73-75, 83.

[68] 任廣波, 劉艷芬, 馬毅, 等. 現(xiàn)代黃河三角洲互花米草遙感監(jiān)測與變遷分析[J]. 激光生物學(xué)報, 2014, 23(6): 596-603, 608.

REN Guangbo, LIU Yanfen, MA Yi, et al.monitoring and change analysis in Yellow River Delta by remote sensing technology[J]. Journal of Laser Biology, 2014, 23(6): 596-603, 608.

[69] 楊俊芳, 馬毅, 任廣波, 等. 基于國產(chǎn)高分衛(wèi)星遙感數(shù)據(jù)的現(xiàn)代黃河三角洲入侵植物互花米草監(jiān)測方法[J]. 海洋環(huán)境科學(xué), 2017, 36(4): 596-602.

YANG Junfang, MA Yi, REN Guangbo, et al. Monitoring method of invasive vegetationin modern Yellow River delta based on gf remote sensing data[J]. Marine Environmental Science, 2017, 36(4): 596-602.

[70] 李曉敏, 張杰, 馬毅, 等. 基于無人機(jī)高光譜的外來入侵種互花米草遙感監(jiān)測方法研究——以黃河三角洲為研究區(qū)[J]. 海洋科學(xué), 2017, 41(4): 98-107.

LI Xiaomin, ZHANG Jie, MA Yi, et al. Study on monitoring alien invasive speciesusing unmanned aerial vehicle hyperspectral remote sensing-a case study of the Yellow River Delta[J]. Marine Sciences, 2017, 41(4): 98-107.

[71] 朱玉玲, 王建步, 王安東, 等. 融合淺層特征的深度卷積神經(jīng)網(wǎng)絡(luò)互花米草遙感監(jiān)測方法[J]. 海洋科學(xué), 2019, 43(7): 12-22.

ZHU Yuling, WANG Jianbu, WANG Andong, et al. Remote-sensed monitoring ofusing deep convolutional neural network method with fusion of shallow features[J]. Marine Sciences, 2019, 43(7): 12-22.

[72] 陳柯欣, 叢丕福, 曲麗梅, 等. 黃河三角洲互花米草、堿蓬種群變化及擴(kuò)散模擬[J]. 北京師范大學(xué)學(xué)報(自然科學(xué)版), 2021, 57(1): 128-134.

CHEN Kexin, CONG Pifu, QU Limei, et al. Simulation of dynamic changes and diffusion of typical vegetation populations in coastal wetlands in the Yellow River Delta[J]. Journal of Beijing Normal University (Natural Science), 2021, 57(1): 128-134.

[73] ZHANG C, GONG Z N, QIU H C, et al. Mapping typical salt-marsh species in the Yellow River Delta wetland supported by temporal-spatial-spectral multidimensional features[J]. Science of The Total Environment, 2021, 783: 147061.

[74] REN G B, ZHAO Y J, WANG J B, et al. Ecological effects analysis ofinvasion within Yellow River delta using long time series remote sensing imagery[J]. Estuarine, Coastal and Shelf Science, 2021, 249: 107111.

[75] FU S, ZHENG S Y, GAO W L, et al. Effects of the water-sediment regulation scheme on the expansion ofat the Yellow River estuary, China[J]. Frontiers in Environmental Science, 2021, 9: 642442.

[76] 張思青, 劉依, 劉怡然, 等. 基于元胞自動機(jī)的黃河三角洲互花米草種群擴(kuò)散動態(tài)模擬[J]. 北京師范大學(xué)學(xué)報(自然科學(xué)版), 2021, 57(1): 121-127.

ZHANG Siqing, LIU Yi, LIU Yiran, et al. Cellular automata simulation of population expansion dynamics ofin the Yellow River Delta[J]. Journal of Beijing Normal University (Natural Science), 2021, 57(1): 121-127.

[77] GONG Z N, ZHANG C, ZHANG L, et al. Assessing spatiotemporal characteristics of native and invasive species with multi-temporal remote sensing images in the Yellow River Delta, China[J]. Land Degradation & Development, 2021, 32(3): 1338-1352.

[78] 王君. 基于高分遙感的黃河三角洲土壤鹽漬化變化特征分析[D]. 濟(jì)南: 濟(jì)南大學(xué), 2020.

WANG Jun. Characteristics analysis of soil salinization in the Yellow River Delta based on high resolution remote sensing[D]. Jinan: University of Jinan, 2020.

[79] 亢慶, 于嶸, 張?jiān)鱿? 等. 土壤鹽堿化遙感應(yīng)用研究進(jìn)展[J]. 遙感技術(shù)與應(yīng)用, 2005, 20(4): 447-454.

KANG Qing, YU Rong, ZHANG Zengxiang, et al. Advances in study on remote sensing application of soil salinization[J]. Remote Sensing Technology and Application, 2005, 20(4): 447-454.

[80] 張婷婷. 黃河三角洲土地鹽漬化格局的遙感監(jiān)測及鹽漬化過程的空間分析與評價[D]. 上海: 復(fù)旦大學(xué), 2011.

ZHANG Tingting. Monitor, evaluate and analyze land salinization pattern, process and ecological effects in the Yellow River Delta: using remote sensing and ecological models[D]. Shanghai: Fudan University, 2011.

[81] 張曉光, 姜子璇, 孔繁昌. 濱海鹽漬土可見近紅外高光譜特征[J]. 遙感技術(shù)與應(yīng)用, 2019, 34(4): 816-821.

ZHANG Xiaoguang, JIANG Zixuan, KONG fanchang. Hyperspectral characteristics of coastal saline soil with visible near infrared spectroscopy[J]. Remote Sensing Technology and Application, 2019, 34(4): 816-821.

[82] 張智韜, 魏廣飛, 姚志華, 等. 基于無人機(jī)多光譜遙感的土壤含鹽量反演模型研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2019, 50(12): 151-160.

ZHANG Zhitao, WEI Guangfei, YAO Zhihua, et al. Soil salt inversion model based on UAV multispectral remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(12): 151-160.

[83] 張子璇. 基于多源數(shù)據(jù)的黃河三角洲土壤鹽分反演及動態(tài)分析[D]. 泰安: 山東農(nóng)業(yè)大學(xué), 2021.

ZHANG Zixuan. Inversion and dynamics analysis of soil salinity based on multi-source data in the Yellow River Delta[D]. Taian: Shandong Agricultural Unive-rsity, 2021.

[84] 柴思躍, 馬維玲, 劉高煥, 等. GA-PLS方法提取土壤水鹽光譜特征的精度分析[J]. 遙感技術(shù)與應(yīng)用, 2015, 30(4): 638-644.

CHAI Siyue, MA Weiling, LIU Gaohuan, et al. Accuracy analysis of GA-PLS based soil water salinity hyperspectral characteristics mining approach[J]. Remote Sensing Technology and Application, 2015, 30(4): 638-644.

[85] 郭鵬, 李華, 陳紅艷, 等. 基于光譜指數(shù)優(yōu)選的土壤鹽分定量光譜估測[J]. 水土保持通報, 2018, 38(3): 193-199, 205.

GUO Peng, LI Hua, CHEN Hongyan, et al. Quantitative spectral estimation of soil salinity based on optimum spectral indices[J]. Bulletin of Soil and Water Conser-vation, 2018, 38(3): 193-199, 205.

[86] 賈萍萍, 張俊華, 孫媛, 等. 基于實(shí)測高光譜和Landsat 8 OLI影像的土壤鹽化和堿化程度反演研究[J]. 土壤通報, 2020, 51(3): 511-520.

JIA Pingping, ZHANG Junhua, SUN Yuan, et al. Inversion of soil salinity and pH degree based on measured hyperspectral and Landsat 8 OLI Image[J]. Chinese journal of soil science, 2020, 51(3): 511-520.

[87] 安德玉, 趙庚星, 常春艷, 等. 基于野外高光譜的黃河三角洲濱海鹽漬土鹽分含量估測研究[J]. 土壤通報, 2015, 46(4): 843-850.

AN Deyu, ZHAO Gengxing, CHANG Chunyan, et al. Estimation of coastal saline soil salinity in the Yellow River Delta based on field hyperspectra[J]. Chinese Journal of Soil Science, 2015, 46(4): 843-850.

[88] 王明寬, 莫宏偉, 陳紅艷. 基于多光譜影像反演土壤鹽分的建模方法研究[J]. 土壤通報, 2016, 47(5): 1036-1041.

WANG Mingkuan, MO Hongwei, CHEN Hongyan. Study on model method of inversion of soil salt based on multispectral image[J]. Chinese Journal of Soil Science, 2016, 47(5): 1036-1041.

[89] 張成雯, 唐家奎, 于新菊, 等. 黃河三角洲土壤含鹽量定量遙感反演[J]. 中國科學(xué)院研究生院學(xué)報, 2013, 30(2): 220-227.

ZHANG Chengwen, TANG Jiakui, YU Xinju, et al. Quantitative retrieval of soil salt content based on remote sensing in the Yellow River delta[J]. Journal of the Graduate School of the Chinese Academy of Science, 2013, 30(2): 220-227.

[90] 張曉光, 陳明利, 劉佩茹, 等. 黃河三角洲典型地區(qū)土壤有機(jī)質(zhì)空間變異[J]. 長江科學(xué)院院報, 2017, 34(5): 27-30.

ZHANG Xiaoguang, CHEN Mingli, LIU Peiru, et al. Spatial variability of soil organic matter in typical area of the Yellow River Delta[J]. Journal of Yangze River Scientific Research Institute, 2017, 34(5): 27-30.

[91] 王娜娜, 齊偉, 宋萍等. 山東濱海鹽土鹽分含量高光譜特性及其反演研究[J]. 土壤通報, 2013, 44(5): 1096-1100.

WANG Nana, QI Wei, SONG Ping, et al. Hyperspectral characteristics and retrieval of salt content in the coastal saline soil of Shandong Province[J]. Chinese Journal of Soil Science, 2013, 44(5): 1096-1100.

[92] 謝樹剛. 基于高光譜的黃河三角洲土壤有機(jī)質(zhì)含量估測模型研究[D]. 泰安: 山東農(nóng)業(yè)大學(xué), 2021.

XIE Shugang. Research on estimation model of soil organic matter content in Yellow River Delta based on hyperspectral[D]. Taian: Shandong Agricultural University, 2021.

[93] 韓兆迎, 朱西存, 劉慶, 等. 黃河三角洲土壤有機(jī)質(zhì)含量的高光譜反演[J]. 植物營養(yǎng)與肥料學(xué)報, 2014, 20(6): 1545-1552.

HAN Zhaoying, ZHU Xicun, LIU Qing, et al. Hypers-pectral inversion models for soil organic matter content in the Yellow River Delta[J]. Journal of Plant Nutrition and Fertilizers, 2014, 20(6): 1545-1552.

[94] 李萍, 趙庚星, 高明秀, 等. 黃河三角洲土壤含水量狀況的高光譜估測與遙感反演[J]. 土壤學(xué)報, 2015, 52(6): 1262-1272.

LI Ping, ZHAO Gengxing, GAO Mingxiu, et al. Hyperspectral estimation and remote sensing retrieval of soil water regime in the Yellow River Delta[J]. Acta Pedologica Sinica, 2015, 52(6): 1262-1272.

[95] 樊彥國, 韓志聰, 丁智慧, 等. 基于MODIS數(shù)據(jù)的土壤濕度反演——以東營市為例[J]. 山東農(nóng)業(yè)科學(xué), 2016, 48(2): 133-137.

FAN Yanguo, HAN Zhicong, DING Zhihui, et al. Inversion of soil moisture based on MODIS data—taking Dongying city for example[J]. Shandong Agricultural Sciences, 2016, 48(2): 133-137.

[96] 劉浩. 基于MODIS數(shù)據(jù)的土壤濕度反演研究[D]. 煙臺: 魯東大學(xué), 2014.

LIU Hao. Study of soil moisture retrival based on MODIS Image data in the Yellow RIVER Delta[D]. Yantai: Ludong University, 2014.

[97] 于婷. 土壤濕度空間分布特征分析與模擬研究[D]. 泰安: 山東農(nóng)業(yè)大學(xué), 2016. YU Ting. Research on soil moisture spatial distribution analysis and simulation[D]. Taian: Shandong Agricul-tural University, 2016.

[98] 王麗娜. 基于高光譜技術(shù)的黃河三角洲鹽堿土水鹽含量估測研究[D]. 泰安: 山東農(nóng)業(yè)大學(xué), 2013.

WANG Lina. Estimation on saline alkali soil water and salt contents based on hyperspectral technology in the Yellow River Delta[D]. Taian: Shandong Agricultural University, 2013.

[99] 陳亞慧, 丘仲鋒, 孫德勇, 等. 黃渤海懸浮顆粒物粒徑的遙感反演研究[J]. 光學(xué)學(xué)報, 2015, 35(9): 58-67.

CHEN Yahui, QIU Zhongfeng, SUN Deyong, et al. Remote sensing of suspended particle size in Yellow Sea and Bohai Sea[J]. Acta Optica Sinica, 2015, 35(9): 58-67.

[100]阿如汗, 青松, 包玉海. Landsat-8 OLI衛(wèi)星數(shù)據(jù)的大氣校正檢驗(yàn)及其應(yīng)用[J]. 海洋科學(xué), 2018, 42(6): 107-115.

A Ruhan, QING Song, BAO Yuhai. The inspection and application of atmospheric correction algorithm in Landsat-8 OLI data[J]. Marine Sciences, 2018, 42(6): 107-115.

[101]吳靈靈. 高渾濁水體葉綠素濃度反演算法與太陽耀光影響初探[D]. 煙臺: 中國科學(xué)院大學(xué)(中國科學(xué)院煙臺海岸帶研究所), 2018.

WU Lingling. Inversion study on chlorophyll-conce-ntration of turbid water and study on sun glint effects[D]. Yantai: Yantai lnstitute of Coastal Zone Research, Chinese Academy of Sciences, 2018.

[102]馮文哲, 王新濤, 韓佳, 等. 基于衛(wèi)星和無人機(jī)遙感數(shù)據(jù)尺度轉(zhuǎn)換的土壤鹽漬化監(jiān)測研究[J]. 節(jié)水灌溉, 2020(11): 87-93, 104.

FENG Wenzhe, WANG Xintao, HAN Jia, et al. Research on soil salinization monitoring based on scale conversion of satellite and UAV remote sensing data[J]. Water Saving Irrigation, 2020(11): 87-93, 104.

[103]方帥, 朱向東, 曹風(fēng)云. 基于類解混的高光譜和多光譜圖像融合算法[J]. 計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報, 2020, 32(1): 54-67.

FANG Shuai, ZHU Xiangdong, CAO Fengyun. Hyperspectral and Multispectral Image Fusion Based on Unmixing-Like[J]. Journal of Computer-Aided Design & Computer Graphics, 2020, 32(1): 54-67.

[104]趙伍迪, 李山山, 李安, 等. 結(jié)合深度學(xué)習(xí)的高光譜與多源遙感數(shù)據(jù)融合分類[J]. 遙感學(xué)報, 2021, 25(7): 1489-1502.

ZHAO Wudi, LI Shanshan, LI An, et al. Deep fusion of hyperspectral images and multi-source remote sensing data for classification with convolutional neural network[J]. National Remote Sensing Bulletin, 2021, 25(7): 1489-1502.

[105]LI S T, SONG W W, FANG L Y, et al. Deep learning for hyperspectral image classification: An overview[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(9): 6690-6709.

[106]劉潤紅, 梁士楚, 趙紅艷, 等. 中國濱海濕地遙感研究進(jìn)展[J]. 遙感技術(shù)與應(yīng)用, 2017, 32(6): 998-1011.

LIU Runhong, LIANG Shichu, ZHAO Hongyan, et al. Progress of Chinese coastal wetland based on remote sensing[J]. Remote Sensing Technology and Application, 2017, 32(6): 998-1011.

[107]吳晶晶, 栗云召, 于良巨, 等. 黃河三角洲自然濕地景觀連接度動態(tài)變化及其驅(qū)動因素分析[J]. 生態(tài)環(huán)境學(xué)報, 2018, 27(1): 71-78.

WU Jingjing, LI Yunzhao, YU Liangju, et al. Dynamic changes and driving factors of landscape connectivity for natural wetland in Yellow River Delta[J]. Ecology and Environmental Sciences, 2018, 27(1): 71-78.

Hyperspectral remote sensing in the Yellow River Delta wetland

LI Zhong-wei1, GUO Fang-ming1, REN Guang-bo2, MA Yi2, XIN Zi-qi1, HUANG Wen-hao1, SUI Hao1, MENG Qiao1

(1. China University of Petroleum (East China), Qingdao 266580, China; 2. First Institute of Oceanology, Ministry of Natural Resources, Qingdao 266061, China)

The Yellow River Delta wetland is the broadest, the most complete and the youngest coastal wetland in the warm temperate zone in China; further, it is an integral part of the ecological conservation and high-quality development of the Yellow River Basin, with crucial environmental protection and scientific research values. Species diversity, habitat complexity, and drastic change are essential characteristics of the Yellow River Delta wetland. Hyperspectral remote sensing is an important technical method for the ecological monitoring of this wetland. First, this article expounds on the advantages of hyperspectral remote sensing in monitoring vegetation, soil, and water quality in estuarine wetlands. Second, this article summarizes the research progress of remote sensing–based vegetation monitoring, soil parameter retrieval, and water quality retrieval in the Yellow River Delta wetland. Finally, based on the ecological monitoring status of the Yellow River Delta wetland, this paper proposes the future requirements and prospects of hyperspectral remote sensing.

Yellow River Delta wetland; hyperspectral remote sensing; remote sensing–based monitoring of vegetation; soil parameter retrievals; water quality retrievals

Oct. 14, 2022

TP79

A

1000-3096(2023)5-0161-15

10.11759/hykx20221014003

2022-10-14;

2022-12-08

國家自然科學(xué)基金-山東省聯(lián)合基金(U1906217); 國家自然科學(xué)基金-面上項(xiàng)目(62071491); 中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助(22CX01004A-8); 國家自然科學(xué)基金(42076189); 中國高分辨率對地觀測系統(tǒng)專項(xiàng)項(xiàng)目(41-Y30F07-9001-20/22)

[National Natural Science Foundation of China Joint Fund, No. U1906217; National Natural Science Foundation of China, No. 62071491; The Fundamental Research Funds for the Central Universities, No. 22CX01004A-8; National Natural Science Foundation of China, No. 42076189; The China High-Resolution Earth Observation System Program, No. 41-Y30F07-9001-20/22]

李忠偉(1978—), 男, 山西晉城人, 教授, 主要從事大數(shù)據(jù)智能處理及應(yīng)用、光學(xué)及多手段融合與海岸帶、海洋數(shù)值預(yù)報與云計算等方面的研究, E-mail: li.zhongwei@vip.163.com; 任廣波(1983—),通信作者, 男, 山東濟(jì)寧人, 副研究員, 主要從事海島、海岸帶與海洋典型生態(tài)系統(tǒng)(紅樹林、珊瑚礁、河口濕地等)高分辨率遙感監(jiān)測技術(shù)與應(yīng)用研究等方面的研究, E-mail: renguangbo@126.com

(本文編輯: 趙衛(wèi)紅)