漲落潮下濱海濕地植被信息遙感識(shí)別方法

摘要 濱海濕地具有岸線保護(hù)、生物多樣性保育、物質(zhì)生產(chǎn)、能量交換以及提供休憩科研空間等多種生態(tài)服務(wù)功能。植被作為濱海濕地的重要組成部分，其分布狀況、結(jié)構(gòu)變化等景觀信息在很大程度反映了濱海濕地的健康狀況。為分析濱海濕地漲落潮下遙感識(shí)別植被種類的可行性，選用兩期Landsat 8漲落潮影像，基于統(tǒng)計(jì)判別式、決策樹監(jiān)督分類和非監(jiān)督分類方法對(duì)黃河三角洲濱海濕地進(jìn)行了植被分類。結(jié)果顯示，統(tǒng)計(jì)判別式監(jiān)督分類的分類效果最佳，分類精度高達(dá)97%，能準(zhǔn)確區(qū)分各植被類型，且漲落潮對(duì)分類結(jié)果影響不大。研究表明，基于遙感技術(shù)在漲落潮不同狀態(tài)下對(duì)濱海濕地植被信息提取具有可行性，可為濱海濕地植被監(jiān)測(cè)、生態(tài)恢復(fù)以及濱海地區(qū)藍(lán)碳儲(chǔ)量估算提供技術(shù)和數(shù)據(jù)支持。

關(guān)鍵詞 濱海濕地；植被提取；統(tǒng)計(jì)判別式監(jiān)督分類；非監(jiān)督分類；決策樹監(jiān)督分類

中圖分類號(hào) P237 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 0517-6611（2024）19-0218-09

doi：10.3969/j.issn.0517-6611.2024.19.045

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Remote Sensing Identification Method of Vegetation Information of Coastal Wetland Under Ebb and Flow

FAN Xian-chuang^{1， 2}， HAN Ting-ting³， WANG Jie⁴ et al

（1.College of Artificial Intelligence， North China University of Science and Technology， Tangshan， Hebei 063210; 2.Hebei Key Laboratory of Industrial Intelligent Perception， Tangshan， Hebei 063210; 3.China Water Resources Beifang Investigation， Design & Research Co.， Ltd.， Tianjin 300222; 4.Shandong Zhengyuan Yeda Environment Technology Co.， Ltd.， Jinan， Shandong 250000）

Abstract Coastal wetland has many ecological service functions such as shoreline protection， biodiversity conservation， material production， energy exchange， and providing leisure and scientific research space. Vegetation is an important part of coastal wetland， and its distribution， structural changes and other landscape information reflect the health status of coastal wetlands to a large extent. In order to analyze the feasibility of identifying vegetation species under ebb and flow of coastal wetland by remote sensing， two periods of Landsat 8 ebb and flow images were selected to classify vegetation in coastal wetland of Yellow River Delta based on statistical discriminant， decision tree supervised classification and unsupervised classification methods. The results showed that the classification effect of statistical discriminant supervised classification was the best， the classification accuracy was up to 97%， and the vegetation types could be accurately distinguished， and the ebb and flow had little effect on the classification results. The research indicated that remote sensing technology is feasible to extract vegetation information of coastal wetland under different tidal conditions， which can provide technical and data support for vegetation monitoring， ecological restoration and blue carbon storage estimation of coastal wetland.

Key words Coastal wetland;Vegetation abstraction;Statistical discriminant supervised classification;Unsupervised classification;Decision tree supervised classification

基金項(xiàng)目 河北省軍民融合發(fā)展研究課題（HB23JMRH038）；華北理工大學(xué)省屬高?；究蒲袠I(yè)務(wù)費(fèi)項(xiàng)目（JQN2022006）；國(guó)家自然科學(xué)基金項(xiàng)目（41801264）。

作者簡(jiǎn)介 范憲創(chuàng)（1989—），男，山東兗州人，講師，碩士，從事遙感與地理信息系統(tǒng)研究。

*通信作者，工程師，從事遙感及攝影測(cè)量研究。

收稿日期 2023-11-15

濱海濕地是一類介于陸地和海洋生態(tài)系統(tǒng)間的獨(dú)特生態(tài)系統(tǒng)，如紅樹林、鹽沼、海草床等，其森林-河流-海洋復(fù)合生態(tài)系統(tǒng)的特殊交互作用孕育了豐富的濕地資源和多樣的生態(tài)環(huán)境^［1］，具有岸線保護(hù)、生物多樣性保育、物質(zhì)生產(chǎn)能量交換、改善水環(huán)境狀態(tài)、維持元素循環(huán)、提供棲息地、保持海陸動(dòng)態(tài)平衡以及提供休憩科研空間等多種生態(tài)服務(wù)功能^［2］。植被是濱海濕地的重要組成部分，“十三五”期間，國(guó)家海洋局推進(jìn)的“南紅北柳”重大工程旨在以濱海濕地植物來(lái)改善濱海濕地生態(tài)系統(tǒng)，到2022年提出“法治守護(hù)濕地之美”的立法行動(dòng)，體現(xiàn)出了國(guó)家對(duì)濕地保護(hù)的關(guān)切。近年來(lái)，還開(kāi)展了“藍(lán)色海灣整治行動(dòng)”和“渤海綜合治理攻堅(jiān)戰(zhàn)行動(dòng)計(jì)劃”等專項(xiàng)整治活動(dòng)，體現(xiàn)了國(guó)家、地區(qū)對(duì)沿海地區(qū)環(huán)境治理的決心^［3］。植被的分布狀況、結(jié)構(gòu)變化等景觀信息在很大程度反映了濱海濕地的健康狀況。常規(guī)植被調(diào)查從植物群落角度出發(fā)，現(xiàn)場(chǎng)設(shè)置高密度小面積樣方，描繪植被類型分布。該方法周期長(zhǎng)、時(shí)效差，且濱海濕地環(huán)境復(fù)雜，大部分區(qū)域難以進(jìn)入。遙感具有大范圍同步、經(jīng)濟(jì)高效等優(yōu)勢(shì)，成為地物動(dòng)態(tài)監(jiān)測(cè)和信息提取的重要手段^［4］。

在多光譜遙感影像分類技術(shù)發(fā)展過(guò)程中，產(chǎn)生了適用于植被分類的多種技術(shù)方法，概括為以下3種：①植被指數(shù)分類，該方法主要利用植被光譜所特有的陡坡效應(yīng)來(lái)區(qū)分植被與非植被范圍，但對(duì)不同植物種類的區(qū)分效果有待考證^［5-6］；②基于多時(shí)相信息的植被分類，該方法利用植被生長(zhǎng)的季節(jié)性，區(qū)分具有顯著生長(zhǎng)周期差異的植物種類^［7-8］；③基于人工智能的植被分類，代表算法包括神經(jīng)網(wǎng)絡(luò)^［9］、專家分類^［10］、遺傳算法^［11］等機(jī)器學(xué)習(xí)方法，知識(shí)的獲取、表示以及推理機(jī)制的建立是整個(gè)過(guò)程需重點(diǎn)解決的問(wèn)題。隨著遙感技術(shù)的發(fā)展，高光譜分辨率遙感產(chǎn)品相繼發(fā)布，為植物群落的精細(xì)分類提供了更多更好的遙感數(shù)據(jù)源^［12］。有研究表明，多光譜影像較粗的光譜分辨率成為制約植被種類識(shí)別精度提高的瓶頸^［13-14］，高光譜的精細(xì)診斷特征彌補(bǔ)了其中的不足^［15］，逐步形成2種典型的地物分類方法。一是基于數(shù)學(xué)變換對(duì)圖像進(jìn)行降維處理的數(shù)理統(tǒng)計(jì)方法，如主成分分析、波段比值、最小噪聲分離（minimum noise fraction，MNF）變換、小波變換等，該類方法僅利用有限的光譜信息，未體現(xiàn)植被光譜的物理機(jī)制。二是通過(guò)對(duì)植物類型的光譜波形分析，從光譜形成機(jī)理出發(fā)，提取地物類型的光譜特征，并用于分類，如光譜特征擬合^［16］、光譜角^［17］和導(dǎo)數(shù)變換^［18］等算法。在植物種類識(shí)別中，光譜信息比空間信息作用更重要，高光譜數(shù)據(jù)在植被群落監(jiān)測(cè)中具有巨大的發(fā)展?jié)摿Γ谥参锓N類識(shí)別中能獲得較好的分類效果，但在現(xiàn)有的濱海濕地植被的高光譜分類研究中，均未考慮海水淹沒(méi)對(duì)植物種類識(shí)別的影響。

目前，采用遙感技術(shù)對(duì)濕地植被信息提取精度較低，且未考慮潮水淹沒(méi)對(duì)濱海濕地植被信息提取的影響?；谀壳把芯楷F(xiàn)狀，筆者選取統(tǒng)計(jì)判別式、決策樹監(jiān)督分類及非監(jiān)督分類3種經(jīng)典遙感分類方法，采取計(jì)算機(jī)自動(dòng)分類與目視解譯相結(jié)合的方式，結(jié)合歸一化植被指數(shù)（normalized difference vegetation index，NDVI）、差分植被指數(shù)（difference vegetation index，DVI）、歸一化水體指數(shù)（normalized difference water index，NDWI），建立了能夠高效利用遙感影像提取濱海濕地植被景觀信息的方法，選取提取精度較高的植被提取方法對(duì)濱海植被信息進(jìn)行提取研究，探討了潮水漲落對(duì)植被信息提取的影響，為濱海地區(qū)環(huán)境監(jiān)測(cè)、生態(tài)系統(tǒng)修復(fù)以及藍(lán)碳捕捉、轉(zhuǎn)移和固定研究提供數(shù)據(jù)支撐，從而更好地服務(wù)碳中和、碳達(dá)峰國(guó)家戰(zhàn)略。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)

黃河三角洲濱海濕地位于山東省東營(yíng)市的黃河入?？冢幵邳S河三角洲國(guó)家級(jí)自然保護(hù)區(qū)的核心區(qū)內(nèi)，地理位置為37°37′58～37°51′14″N，119°2′20～119°17′35″E，研究區(qū)位置見(jiàn)圖1。黃河銜泥裹沙，從東營(yíng)流入大海，淤積形成了黃河三角洲，由于泥沙的不斷沉積，黃河三角洲每年會(huì)向外擴(kuò)展2.2 km，由此而生成陸地面積約32 km²，成為了世界上濕地面積增長(zhǎng)較快的地區(qū)之一^［19］。黃河三角洲的主要地形為傾斜的平原，其西南地勢(shì)較高，東北地勢(shì)較低^［20］。黃河三角洲自然保護(hù)區(qū)的植被種類豐富，植被覆蓋率達(dá)到了55.1%，其中蘆葦是黃河三角洲地區(qū)生長(zhǎng)最為遼闊的植被，生長(zhǎng)面積達(dá)到了2.6萬(wàn)hm²，天然草地達(dá)到了1.2萬(wàn)hm²，是中國(guó)沿海最大的新生濕地自然植被區(qū)^［21］。在黃河三角洲濕地中，典型植被有蘆葦、互花米草、翅堿蓬、怪柳、獐毛和補(bǔ)血草等^［22］。

1.2 數(shù)據(jù)

Landsat系列衛(wèi)星數(shù)據(jù)以其成本低、易獲取以及觀察周期長(zhǎng)等優(yōu)點(diǎn)成為國(guó)內(nèi)外學(xué)者用于遙感科學(xué)研究的首選。周林飛等^［23］應(yīng)用Landsat 8 OLI影像對(duì)雙臺(tái)子河口濕地進(jìn)行地物分類研究，結(jié)果顯示比采用同期的Landsat 7影像分類精度提升了11.46%，表明Landsat 8 OLI數(shù)據(jù)對(duì)于濕地分類具有可行性。因此，該研究基于Landsat 8 OLI數(shù)據(jù)進(jìn)行本研究區(qū)內(nèi)植被信息提取、分類。Landsat 8數(shù)據(jù)各個(gè)波段信息見(jiàn)表1（Landsat8 OLI陸地成像儀/TIRS熱紅外傳感器）。

為研究漲落潮對(duì)植被信息提取的影響，在選擇影像時(shí)要參考潮汐漲落規(guī)律和Landsat衛(wèi)星運(yùn)行規(guī)律確定。根據(jù)研究區(qū)潮汐漲落規(guī)律，東營(yíng)市農(nóng)歷初一的漲潮時(shí)間為北京時(shí)間04：30，Landsat衛(wèi)星的運(yùn)行周期為16 d，成像時(shí)間為美國(guó)時(shí)間02：45，換算到北京時(shí)間為10：45。經(jīng)過(guò)時(shí)間推演，選定研究區(qū)內(nèi)2017年9月30號(hào)（農(nóng)歷八月十一）影像和2016年8月26日（農(nóng)歷七月二十四）影像分別作為落潮和漲潮時(shí)期影像。

在獲取到基礎(chǔ)影像之后，首先對(duì)Landsat數(shù)據(jù)進(jìn)行了數(shù)據(jù)預(yù)處理，主要包括輻射定標(biāo)、FLAASH大氣校正、圖像融合和圖像裁剪等。其中，圖像融合是將低空間分辨率的多波段圖像與高空間分辨率的單波段圖像重采樣后得到高空間分辨率圖像的過(guò)程，融合后的影像不僅具備較高的空間分辨率，也保留了光譜特征^［23］。對(duì)于Landsat 8 OLI影像，band 8的空間分辨率為15 m，其余波段的空間分辨率≥30 m，因此采用band 8與大氣校正后的多光譜圖像融合，得到了分辨率為15 m的多光譜融合影像。通過(guò)原圖像與融合后（圖2）的圖像對(duì)比發(fā)現(xiàn)，融合后的圖像清晰度有明顯的提升。

突出研究區(qū)域，體現(xiàn)漲落潮對(duì)研究區(qū)植被覆蓋度的影響，裁剪出漲落潮差別較為明顯的黃河入海口進(jìn)行后續(xù)研究，裁剪結(jié)果見(jiàn)圖1。

2 植被信息提取

2.1 典型植被及解譯標(biāo)志

研究區(qū)內(nèi)有蘆葦、互花米草、翅堿蓬、怪柳、獐毛和補(bǔ)血草等多種植被類型，其生長(zhǎng)情況不一^［22］。根據(jù)各類植被的生長(zhǎng)狀態(tài)，該研究主要提取灘涂、蘆葦、翅堿蓬和怪柳等地物類型（圖3）。

灘涂主要分布在三角洲邊緣，內(nèi)有潮溝分布，常被潮水覆蓋，幾乎沒(méi)有植被覆蓋。蘆葦屬禾本科蘆葦屬植物，廣泛分布于黃河三角洲濕地，是濕地植物群落的重要建群種，對(duì)鹽的適應(yīng)性強(qiáng)，是一種耐鹽植物^［24］。翅堿蓬屬于藜科植物翅堿蓬屬，是一種典型的耐鹽植被，翅堿蓬能夠有效吸收鹽堿地區(qū)土壤的大量礦物質(zhì)和鹽分，生命力頑強(qiáng)，干旱和洪澇的極端情況下都能正常生長(zhǎng)，在降低潮灘的鹽堿性、保持水土、重建鹽地等諸多方面發(fā)揮較大的作用。有研究結(jié)果表明，鹽地是翅堿蓬主要生長(zhǎng)的淤泥質(zhì)區(qū)域，土壤的含鹽量很高，一般在11～33 g/kg，其他濕地鹽生植物很難在此生境中繼續(xù)生存^［25］。在該研究中，翅堿蓬分為2類：翅堿蓬沼澤（鹽地翅堿蓬）和翅堿蓬群落，其中翅堿蓬沼澤內(nèi)翅堿蓬分布稀疏，多為裸灘，而翅堿蓬群落的翅堿蓬生長(zhǎng)密集，分布于三角洲東北部。怪柳又名落葉垂絲柳，耐高溫和嚴(yán)寒，為一種生性喜強(qiáng)烈光照的喬木樹種，平均高度在110 cm以上，多數(shù)高度在120～200 cm。黃河三角洲地區(qū)多生長(zhǎng)于蘆葦群落的外圍或與蘆葦伴生。

該研究建立了黃河三角洲地區(qū)典型地物的遙感目視解譯標(biāo)志，以便對(duì)植被分類結(jié)果進(jìn)行驗(yàn)證。遙感目視解譯標(biāo)志見(jiàn)表2。

2.2 統(tǒng)計(jì)判別式監(jiān)督分類

監(jiān)督分類又稱訓(xùn)練場(chǎng)地法、訓(xùn)練分類法，是以建立統(tǒng)計(jì)識(shí)別函數(shù)為理論基礎(chǔ)、依據(jù)典型樣本訓(xùn)練方法進(jìn)行分類的技術(shù)，即根據(jù)已知訓(xùn)練區(qū)提供的樣本，通過(guò)選擇特征參數(shù)，求出特征參數(shù)作為決策規(guī)則，建立判別函數(shù)以對(duì)各待分類影像進(jìn)行的圖像分類，是模式識(shí)別的一種方法。該研究以建立的遙感解譯標(biāo)志為基準(zhǔn)選擇訓(xùn)練樣本，對(duì)影像進(jìn)行統(tǒng)計(jì)判別式監(jiān)督分類。借助目視解譯與地物光譜特征，得到了較好的樣本間區(qū)分度，分離度^［26］均在1.95以上。圖4為漲落潮下統(tǒng)計(jì)判別式監(jiān)督分類結(jié)果。

從圖4可以看出，通過(guò)統(tǒng)計(jì)判別式監(jiān)督分類可以較明顯地區(qū)分三角洲地區(qū)典型地物類型，并且能夠體現(xiàn)不同潮水淹沒(méi)程度下的植被分布狀態(tài)。其中，怪柳的群落覆蓋度不一，在新舊河道交叉口的怪柳生長(zhǎng)密度較低，而新河道東西兩岸怪柳的生長(zhǎng)密度較高，由于覆蓋度的差異，這2部分存在同物異譜現(xiàn)象，使?jié)q潮時(shí)的三角洲東南方向上有少部分灘涂被錯(cuò)分為怪柳，但是落潮時(shí)這個(gè)問(wèn)題并不明顯。

2.3 決策樹監(jiān)督分類提取植被

決策樹是一種常用的分類方法。它是一種監(jiān)督學(xué)習(xí)，就是給定一堆樣本，每個(gè)樣本都有一組屬性和一個(gè)類別，這些類別是事先確定的，通過(guò)學(xué)習(xí)得到一個(gè)分類器，這個(gè)分類器能夠?qū)π鲁霈F(xiàn)的對(duì)象給出正確的分類。該研究將歸一化植被指數(shù)（NDVI）、差值植被指數(shù)（DVI）和歸一化水體指數(shù)（NDWI）作為分類器的類別。

歸一化植被指數(shù)（NDVI）可增加在近紅外波段范圍綠葉的散射與紅色波段范圍葉綠素吸收之間的差異，公式如下：

NDVI=R-RR+R（1）

式中：NDVI是歸一化植被指數(shù)；R和R分別是近紅外波段和紅光波段反射率值。

差值植被指數(shù)（DVI）可增強(qiáng)近紅外波段范圍綠葉的散射與紅色波段范圍葉綠素吸收之間的差異，公式如下：

DVI=R-R（2）

式中：DVI是差值植被指數(shù)；R和R分別是近紅外波段和紅光波段反射率值。

歸一化水體指數(shù)（NDWI）在提取水體方面有較好的效果，公式如下：

NDWI=R-RR+R（3）

式中：NDWI是歸一化水體指數(shù)；R和R分別是近紅外波段和綠光波段反射率值。

NDVI的取值范圍是-1≤NDVI≤1，負(fù)值表示水體；0表示有巖石或裸土等，NIR和R近似相等；正值表示有植被覆蓋，且NDVI值越大表示植被覆蓋度越大。DVI對(duì)土壤背景的變化敏感性較好，故有利于植被生態(tài)環(huán)境的監(jiān)測(cè)，但它有局限性，因?yàn)楫?dāng)植被覆蓋密度≥80%時(shí)，對(duì)植被的靈敏度會(huì)下降^［26］。NDWI通過(guò)設(shè)置閾值，可以較好地提取水體。各類地物類別的NDVI與DVI最高值，最低值與平均值如表3所示，根據(jù)所選的樣本點(diǎn)，得到水體的NDWI的范圍為-0.2～0.1。

根據(jù)不同水體和地物的光譜特征和統(tǒng)計(jì)值，通過(guò)反復(fù)的人機(jī)交互找到最佳節(jié)點(diǎn)值作為決策樹各個(gè)節(jié)點(diǎn)的分類閾值。以落潮影像的決策樹監(jiān)督分類閾值確定方法為例（圖5），首先設(shè)定歸一化水體指數(shù)（NDWI）閾值為-0.20～0.10，將影像中水體區(qū)域提取出來(lái)。通過(guò)將差值植被指數(shù)的閾值設(shè)置為0.06～0.20、歸一化植被指數(shù)的閾值設(shè)置為0.17～0.45提取出怪柳，由于一部分怪柳與翅堿蓬沼澤的歸一化植被指數(shù)（NDVI）和差值植被指數(shù)相近，所以根據(jù)短波紅外反射率大于近紅外波段反射率這一光譜特征區(qū)分出翅堿蓬沼澤。將歸一化植被指數(shù)的閾值設(shè)置為0.60～0.72，差值植被指數(shù)的閾值設(shè)置為0.18～0.35提取出蘆Dxs4HXcdv12t9FSXfJjl0Q==葦。將歸一化植被指數(shù)的閾值設(shè)置為0.73～0.80，差值植被指數(shù)的閾值設(shè)置為0.30～0.40提取出翅堿蓬。將歸一化植被指數(shù)的閾值設(shè)置為0.05～0.17，差值植被指數(shù)的閾值設(shè)置為0.02～0.07提取出灘涂。

依據(jù)決策樹監(jiān)督分類方法提取結(jié)果見(jiàn)圖6。

在對(duì)落潮時(shí)的影像進(jìn)行分類時(shí)發(fā)現(xiàn)，由于翅堿蓬沼澤中翅堿蓬生長(zhǎng)稀疏，大部分為裸灘，所以與灘涂遙感特征相近，不易區(qū)分，在分類過(guò)程中有小部分翅堿蓬沼澤錯(cuò)分為了灘涂，在此方面，統(tǒng)計(jì)判別式監(jiān)督分類要優(yōu)于決策樹監(jiān)督分類。漲潮時(shí)的決策樹監(jiān)督分類效果較好。

2.4 非監(jiān)督分類提取植被

非監(jiān)督分類是以不同影像地物在特征空間中類別特征的差別為依據(jù)的一種無(wú)先驗(yàn)類別標(biāo)準(zhǔn)的圖像分類，是以集群為理論基礎(chǔ)，通過(guò)計(jì)算機(jī)對(duì)圖像進(jìn)行集聚統(tǒng)計(jì)分析的方法。由于非監(jiān)督分類不需要先驗(yàn)知識(shí)，因此只設(shè)定預(yù)分類數(shù)即可。該研究設(shè)定分類數(shù)為20，后根據(jù)將同一地物像元合并，得到結(jié)果見(jiàn)圖7。

非監(jiān)督分類速度快但分類精度不高，尤其體現(xiàn)在蘆葦、翅堿蓬、怪柳3種植被分類中，3種植被錯(cuò)分情況較嚴(yán)重，落潮時(shí)的分類結(jié)果最為明顯。此外，還有小部分的灘涂被錯(cuò)分為水體。雖然有的地方效果不是很好，但是整體上分類效果還可以，若在一些精度要求不高的業(yè)務(wù)性分類中，非監(jiān)督分類是一個(gè)不錯(cuò)的選擇。

對(duì)比圖4、6和7提取結(jié)果可知，漲落潮過(guò)程對(duì)怪柳和蘆葦?shù)木坝^格局影響不大，黃河北岸的翅堿蓬也基本沒(méi)有被潮水淹沒(méi)，變化最大的是翅堿蓬沼澤，漲潮時(shí)幾乎完全被潮水淹沒(méi)。查閱資料可知，翅堿蓬株高為15～50 cm，而且株高會(huì)隨著鹽分的增高而降低，所以鹽地翅堿蓬株高會(huì)低于研究區(qū)域北岸的翅堿蓬株高，怪柳株高為20～120 cm，蘆葦株高100～300 cm，翅堿蓬植株最低。從研究區(qū)潮位圖來(lái)看，漲潮時(shí)潮位大概為140 cm，除了翅堿蓬沼澤被淹沒(méi)之外，只在黃河新舊河岸的交界處有少部分怪柳被潮水淹沒(méi)。

3 結(jié)果與分析

3.1 精度評(píng)價(jià)

采用混淆矩陣對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)，分別計(jì)算了總體精度、Kappa系數(shù)、用戶精度以及生產(chǎn)者精度。該研究主要以總體精度以及Kappa系數(shù)2個(gè)值對(duì)比分析各類方法的分類精度。

表4為漲潮的精度評(píng)價(jià)，分別為統(tǒng)計(jì)判別式監(jiān)督分類精度評(píng)價(jià)，決策樹監(jiān)督分類精度評(píng)價(jià)和非監(jiān)督分類精度評(píng)價(jià)。

從表4可以看出，統(tǒng)計(jì)判別式監(jiān)督分類、決策樹監(jiān)督分類、非監(jiān)督分類的總體精度分別為99.12%、98.17%、95.45%，Kappa系數(shù)分別為0.98、0.94、0.93。統(tǒng)計(jì)判別式監(jiān)督分類的精度最高，決策樹監(jiān)督分類其次，非監(jiān)督分類精度最低。3種分類方法對(duì)潮水、河水（清澈水體）和灘涂的分類效果都較好，說(shuō)明對(duì)于這類地物來(lái)說(shuō)出現(xiàn)的混分、錯(cuò)分較少，統(tǒng)計(jì)判別式監(jiān)督分類對(duì)蘆葦、翅堿蓬的識(shí)別效果要優(yōu)于另外2種方法，怪柳分類效果不如蘆葦和翅堿蓬，主要原因是在一些地方怪柳的生長(zhǎng)密度較低、不易區(qū)分。表5為落潮時(shí)統(tǒng)計(jì)判別式監(jiān)督分類、決策樹監(jiān)督分類和非監(jiān)督分類精度評(píng)價(jià)結(jié)果。

從表5可以看出，統(tǒng)計(jì)判別式監(jiān)督分類、決策樹監(jiān)督分類、非監(jiān)督分類的總體精度分別為97.91%、92.59%、90.27%，Kappa系數(shù)分別為0.97、0.89、0.87，與漲潮時(shí)的提取精度相同，都是統(tǒng)計(jì)判別式監(jiān)督分類的精度最高，決策樹監(jiān)督分類的精度其次，非監(jiān)督分類的精度最低。

3.2 植被分布狀態(tài)分析

3.2.1 位置分析。

從圖4可以看出，由于每種植物只能在特定的環(huán)境存活，環(huán)境梯度的存在使黃河三角洲濕地植被具有明顯的帶狀分布的特點(diǎn)。蘆葦是淡水植物，多分布在河道兩側(cè)（包括舊河道），沿海區(qū)域也有分布，翅堿蓬是先鋒植物，喜鹽水，耐鹽堿，多分布在沼澤中，但是在沼澤的分布密度低，翅堿蓬沼澤大部分是光灘，即沒(méi)有植被生長(zhǎng)，還有一部分翅堿蓬分布在研究區(qū)東北角，因?yàn)槌釅A蓬能通過(guò)自身調(diào)節(jié)來(lái)適應(yīng)不同的環(huán)境，所以解釋了翅堿蓬可以在研究區(qū)內(nèi)不同水鹽條件下均能生長(zhǎng)的原因^［27］。怪柳多分布于潮灘和蘆葦種群周邊細(xì)長(zhǎng)區(qū)域。

以監(jiān)督分類結(jié)果為基礎(chǔ)數(shù)據(jù)進(jìn)行各類植被的分布狀態(tài)分析，分類提取結(jié)果見(jiàn)圖8。

從圖8可以看出，漲落潮前后翅堿蓬的變化很小，只有南部沿海區(qū)域的一小部分翅堿蓬被潮水淹沒(méi)，其他地區(qū)的翅堿蓬幾乎沒(méi)有變化。怪柳在漲落潮前后有小部分變化，黃河新舊河道交叉部分和交叉口南部區(qū)域有部分怪柳被潮水淹沒(méi)。蘆葦主要分布在河道兩岸以及沿海區(qū)域，因潮水難以到達(dá)河岸地區(qū)，所以在河岸地區(qū)的蘆葦不受潮水狀態(tài)影響，沿海地區(qū)有少部分蘆葦被潮水淹沒(méi)，主要集中在研究區(qū)域的中北部和中東部。翅堿蓬沼澤和翅堿蓬南部的部分灘涂漲潮時(shí)基本被潮水淹沒(méi)，這是由于翅堿蓬所處地區(qū)海拔較低的緣故。

3.2.2 面積分析。

為精確對(duì)比漲落潮下對(duì)植被信息提取的影響，計(jì)算了漲落潮下各類植被覆蓋面積進(jìn)行對(duì)比分析，具體面積統(tǒng)計(jì)結(jié)果見(jiàn)表6。

由表6可知，蘆葦在落潮時(shí)的面積稍大于漲潮時(shí)的面積；怪柳和翅堿蓬在漲落潮狀態(tài)下面積變化不大；翅堿蓬沼澤在漲潮時(shí)基本被潮水淹沒(méi)，灘涂有一部分被潮水淹沒(méi)，落潮時(shí)翅堿蓬沼澤與灘涂的面積和是1 089.5 hm²，而漲潮時(shí)潮水與灘涂的面積和是948.9 hm²，二者相差了140.6 hm²，結(jié)合監(jiān)督分類結(jié)果圖可以發(fā)現(xiàn)，主要原因是同物異譜導(dǎo)致一部分潮水被識(shí)別成了清澈水體，同時(shí)在落潮時(shí)的河道中有一部分裸土?xí)跐q潮時(shí)充滿海水并被識(shí)別為清澈水體，這也是導(dǎo)致清澈水體面積漲潮時(shí)相比落潮時(shí)要增加很多的原因。

結(jié)合監(jiān)督分類提取結(jié)果和面積分析結(jié)果可以發(fā)現(xiàn)，黃河三角洲濕地在漲潮時(shí)會(huì)有很多區(qū)域會(huì)被潮水淹沒(méi)，土壤可以吸附潮水中的鹽分^［28］，如果土壤中鹽分過(guò)高，會(huì)導(dǎo)致植物吸水困難，引起生理干旱，極大限制植被的生長(zhǎng)^［29］。翅堿蓬沼澤及灘涂區(qū)域植被生長(zhǎng)稀疏，該地區(qū)地勢(shì)較低，長(zhǎng)期受海水倒灌、土壤的高鹽含量以及淹水脅迫的影響，對(duì)植物的生長(zhǎng)造成了極大的限制，只有少數(shù)的翅堿蓬在此生長(zhǎng)，黃河新舊河道附近由于受到黃河水的稀釋作用，土壤的鹽分較低，適合蘆葦生長(zhǎng)且生長(zhǎng)旺盛，而怪柳生長(zhǎng)區(qū)域多分布于蘆葦群落的外側(cè)，多處于潮間帶，鹽分低于沿海區(qū)域，適合怪柳生長(zhǎng)。怪柳、翅堿蓬與蘆葦均屬于耐鹽植被，對(duì)黃河三角洲的土壤有改善作用，但目前黃河三角洲濕地區(qū)域植被類型少，結(jié)構(gòu)單純，新生濕地形成時(shí)間短，養(yǎng)分少而含鹽量高，使整個(gè)生態(tài)系統(tǒng)不穩(wěn)定，自我調(diào)節(jié)能力也較差，因而如何能夠更好保護(hù)黃河三角洲濕地仍是未來(lái)研究的重點(diǎn)問(wèn)題。

4 結(jié)論

該研究以黃河三角洲濕地為研究區(qū)域，基于多光譜影像Landsat 8 OLI數(shù)據(jù)，開(kāi)展了黃河三角洲濕地漲落/nMhJKpt/gpH3VGgzs4lWtvAiLJM4QKvS3ZlbQvQAck=潮2個(gè)時(shí)期的植被信息提取，對(duì)比了統(tǒng)計(jì)判別式、決策樹監(jiān)督分類和非監(jiān)督分類3種分類方法的分類精度，結(jié)果表明結(jié)合目視解譯和像元光譜信息建立分離度較好的訓(xùn)練樣本進(jìn)行統(tǒng)計(jì)判別式監(jiān)督分類，可獲得精度較高的分類結(jié)果；潮水對(duì)淹沒(méi)區(qū)域內(nèi)的植被影響較大，對(duì)其他區(qū)域植被影響較小，主要影響因素是高鹽、高濕。

該研究針對(duì)Landsat 8 OLI數(shù)據(jù)進(jìn)行漲落潮植被信息提取研究，由于數(shù)據(jù)空間分辨率的限制對(duì)植被種類提取精度有待提高，未來(lái)需結(jié)合其他具有較高空間分辨率數(shù)據(jù)進(jìn)行植被信息提取研究。

參考文獻(xiàn)

［1］周金戈，覃國(guó)銘，張靖凡，等.中國(guó)鹽沼濕地藍(lán)碳碳匯研究進(jìn)展［J］.熱帶亞熱帶植物學(xué)報(bào)，2022，30（6）：765-781.

［2］吳大千.黃河三角洲植被的空間格局、動(dòng)態(tài)監(jiān)測(cè)與模擬［D］.濟(jì)南：山東大學(xué)，2010.

［3］劉書錦，曹海，李丹，等.濱海濕地生態(tài)保護(hù)及修復(fù)研究進(jìn)展［J］.海洋開(kāi)發(fā)與管理，2022，39（7）：29-34.

［4］陶婷，阮仁宗，張樓香，等.洪澤湖濕地植被信息提取方法研究［J］.地理空間信息，2017，15（3）：93-96，99.

［5］KLEYNHANS W，OLIVIER J C，WESSELS K J，et al.Detecting land cover change using an extended kalman filter on MODIS NDVI time-series data［J］.IEEE geoscience & remote sensing letters，2011，8（3）：507-511.

［6］KOVACS J M，DE SANTIAGO F F，BASTIEN J，et al.An assessment of mangroves in Guinea，West Africa，using a field and remote sensing based approach［J］.Wetlands，2010，30（4）：773-782.

［7］AURDAL L，HUSEBY R B，EIKVIL L，et al.Use of hidden markov models and phenology for multitemporal satellite image classification：Applications to mountain vegetation classification［C］//International workshop on the analysis of multi-temporal remote sensing images.Biloxi，MS，USA：IEEE，2005：220-224.

［8］馬麗，徐新剛，劉良云，等.基于多時(shí)相NDVI及特征波段的作物分類研究［J］.遙感技術(shù)與應(yīng)用，2008，23（5）：520-524.

［9］SETO K C，LIU W G.Comparing ARTMAP neural network with the maximum-likelihood classifier for detecting urban change［J］.Photogrammetric engineering & remote sensing，2003，69（9）：981-990.

［10］SCHMIDT K S，SKIDMORE A K，KLOOSTERMAN E H，et al.Mapping coastal vegetation using an expert system and hyperspectral imagery［J］.Photogrammetric engineering & remote sensing，2004，70（6）：703-715.

［11］李儀，陳云浩，李京.基于微種群遺傳算法和自適應(yīng)BP算法的遙感圖像分類［J］.光學(xué)技術(shù)，2005，31（1）：17-20，23.

［12］劉麗麗.基于不同植被指數(shù)提取GF-1植被覆蓋度比較分析！［J］.西部大開(kāi)發(fā)（土地開(kāi)發(fā)工程研究），2018，3（1）：1-6，16.

［13］劉澤，陳建平.基于Landsat-8影像數(shù)據(jù)的北京植被覆蓋度時(shí)空特征與地形因子的關(guān)系［J］.成都理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，49（1）：119-128.

［14］何霜.基于MODIS數(shù)據(jù)的植被指數(shù)與植被覆蓋度關(guān)系研究：以比值植被指數(shù)和歸一化植被指數(shù)為例［J］.科技創(chuàng)新與應(yīng)用，2015（28）：285.

［15］李曉松，李增元，高志海，等.基于Hyperion植被指數(shù)的干旱地區(qū)稀疏植被覆蓋度估測(cè)［J］.北京林業(yè)大學(xué)學(xué)報(bào)，2010，32（3）：95-100.

［16］溫興平，胡光道，楊曉峰.基于光譜特征擬合的高光譜遙感影像植被覆蓋度提?。跩］.地理與地理信息科學(xué)，2008，24（1）：27-30.

［17］HIRANO A，MADDEN M，WELCH R.Hyperspectral image data for mapping wetland vegetation［J］.Wetlands，2003，23（2）：436-448.

［18］WANG X P，ZHANG J，REN G B，et al.Yellow river estuary typical wetlands classification based on hyperspectral derivative transformation［C］//OJEDA-CASTANEDA J，HAN S，JIA P，et al.Proceedings of SPIE-The international society for optical engineering.Suzhou，China：SPIE，2014.

［19］傅宇，王建步.基于Landsat8 OLI數(shù)據(jù)的山東黃河三角洲國(guó)家自然保護(hù)區(qū)土地利用/覆蓋現(xiàn)狀遙感監(jiān)測(cè)［J］.山東林業(yè)科技，2019，49（6）：19-22.

［20］孟巖.基于RS與GIS的生態(tài)環(huán)境評(píng)價(jià)及其遙感反演模型研究：以黃河三角洲墾利縣為例［D］.泰安：山東農(nóng)業(yè)大學(xué)，2009.

［21］CHIANG S，CHANG C I，GINSBERG I，et al.Unsupervised hyperspectral image analysis using independent component analysis［C］//IGARSS 2000.Piscataway：IEEE，2000.

［22］邢尚軍，郗金標(biāo)，張建鋒，等.黃河三角洲植被基本特征及其主要類型［J］.東北林業(yè)大學(xué)學(xué)報(bào)，2003，31（6）：85-86.

［23］周林飛，姚雪，王鶴翔，等.基于 Landsat-8 遙感影像的濕地覆被監(jiān)督分類研究［J］.中國(guó)農(nóng)村水利水電，2015（9）：62-67.

［24］李敏，劉帥帥，徐飛.黃河三角洲蘆葦、鹽地堿蓬單生與混生群落生長(zhǎng)差異分析［J］.山東農(nóng)業(yè)科學(xué)，2017，49（3）：52-57.

［25］劉雪華.鹽分和水文干擾對(duì)鹽地堿蓬個(gè)體及種群的影響［D］.濟(jì)南：山東師范大學(xué)，2016.

［26］劉延榮.黃河三角洲新生濕地植被的空間分異及其影響因素研究［D］.濟(jì)南：山東師范大學(xué)，2017.

［27］管博，于君寶，陸兆華，等.黃河三角洲濱海濕地水鹽脅迫對(duì)鹽地堿蓬幼苗生長(zhǎng)和抗氧化酶活性的影響［J］.環(huán)境科學(xué)，2011，32（8）：2422-2429.

［28］陳重安，王維奇.閩江河口鱔魚灘蘆葦濕地潮水理化特征及其對(duì)濕地土壤的影響［J］.長(zhǎng)江大學(xué)學(xué)報(bào)（自然科學(xué)版）農(nóng)學(xué)卷，2009，6（3）：66-69.

［29］李倩，李曉霞，齊冬梅，等.黃河三角洲地區(qū)耐鹽植物研究進(jìn)展與展望［J］.西南民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，45（3）：266-271.