涨落潮下滨海湿地植被信息遥感识别方法
作者： 范宪创 韩婷婷 王杰 刘宇航
摘要 滨海湿地具有岸线保护、生物多样性保育、物质生产、能量交换以及提供休憩科研空间等多种生态服务功能。植被作为滨海湿地的重要组成部分，其分布状况、结构变化等景观信息在很大程度反映了滨海湿地的健康状况。为分析滨海湿地涨落潮下遥感识别植被种类的可行性，选用两期Landsat 8涨落潮影像，基于统计判别式、决策树监督分类和非监督分类方法对黄河三角洲滨海湿地进行了植被分类。结果显示，统计判别式监督分类的分类效果最佳，分类精度高达97%，能准确区分各植被类型，且涨落潮对分类结果影响不大。研究表明，基于遥感技术在涨落潮不同状态下对滨海湿地植被信息提取具有可行性，可为滨海湿地植被监测、生态恢复以及滨海地区蓝碳储量估算提供技术和数据支持。
关键词 滨海湿地；植被提取；统计判别式监督分类；非监督分类；决策树监督分类
中图分类号 P237 文献标识码 A 文章编号 0517-6611（2024）19-0218-09
doi：10.3969/j.issn.0517-6611.2024.19.045
开放科学（资源服务）标识码（OSID）：
Remote Sensing Identification Method of Vegetation Information of Coastal Wetland Under Ebb and Flow
FAN Xian-chuang1， 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
基金项目 河北省军民融合发展研究课题（HB23JMRH038）；华北理工大学省属高校基本科研业务费项目（JQN2022006）；国家自然科学基金项目（41801264）。
作者简介 范宪创（1989—），男，山东兖州人，讲师，硕士，从事遥感与地理信息系统研究。
*通信作者，工程师，从事遥感及摄影测量研究。
收稿日期 2023-11-15
滨海湿地是一类介于陆地和海洋生态系统间的独特生态系统，如红树林、盐沼、海草床等，其森林-河流-海洋复合生态系统的特殊交互作用孕育了丰富的湿地资源和多样的生态环境［1］，具有岸线保护、生物多样性保育、物质生产能量交换、改善水环境状态、维持元素循环、提供栖息地、保持海陆动态平衡以及提供休憩科研空间等多种生态服务功能［2］。植被是滨海湿地的重要组成部分，“十三五”期间，国家海洋局推进的“南红北柳”重大工程旨在以滨海湿地植物来改善滨海湿地生态系统，到2022年提出“法治守护湿地之美”的立法行动，体现出了国家对湿地保护的关切。近年来，还开展了“蓝色海湾整治行动”和“渤海综合治理攻坚战行动计划”等专项整治活动，体现了国家、地区对沿海地区环境治理的决心［3］。植被的分布状况、结构变化等景观信息在很大程度反映了滨海湿地的健康状况。常规植被调查从植物群落角度出发，现场设置高密度小面积样方，描绘植被类型分布。该方法周期长、时效差，且滨海湿地环境复杂，大部分区域难以进入。遥感具有大范围同步、经济高效等优势，成为地物动态监测和信息提取的重要手段［4］。
在多光谱遥感影像分类技术发展过程中，产生了适用于植被分类的多种技术方法，概括为以下3种：①植被指数分类，该方法主要利用植被光谱所特有的陡坡效应来区分植被与非植被范围，但对不同植物种类的区分效果有待考证［5-6］；②基于多时相信息的植被分类，该方法利用植被生长的季节性，区分具有显著生长周期差异的植物种类［7-8］；③基于人工智能的植被分类，代表算法包括神经网络［9］、专家分类［10］、遗传算法［11］等机器学习方法，知识的获取、表示以及推理机制的建立是整个过程需重点解决的问题。随着遥感技术的发展，高光谱分辨率遥感产品相继发布，为植物群落的精细分类提供了更多更好的遥感数据源［12］。有研究表明，多光谱影像较粗的光谱分辨率成为制约植被种类识别精度提高的瓶颈［13-14］，高光谱的精细诊断特征弥补了其中的不足［15］，逐步形成2种典型的地物分类方法。一是基于数学变换对图像进行降维处理的数理统计方法，如主成分分析、波段比值、最小噪声分离（minimum noise fraction，MNF）变换、小波变换等，该类方法仅利用有限的光谱信息，未体现植被光谱的物理机制。二是通过对植物类型的光谱波形分析，从光谱形成机理出发，提取地物类型的光谱特征，并用于分类，如光谱特征拟合［16］、光谱角［17］和导数变换［18］等算法。在植物种类识别中，光谱信息比空间信息作用更重要，高光谱数据在植被群落监测中具有巨大的发展潜力，在植物种类识别中能获得较好的分类效果，但在现有的滨海湿地植被的高光谱分类研究中，均未考虑海水淹没对植物种类识别的影响。
目前，采用遥感技术对湿地植被信息提取精度较低，且未考虑潮水淹没对滨海湿地植被信息提取的影响。基于目前研究现状，笔者选取统计判别式、决策树监督分类及非监督分类3种经典遥感分类方法，采取计算机自动分类与目视解译相结合的方式，结合归一化植被指数（normalized difference vegetation index，NDVI）、差分植被指数（difference vegetation index，DVI）、归一化水体指数（normalized difference water index，NDWI），建立了能够高效利用遥感影像提取滨海湿地植被景观信息的方法，选取提取精度较高的植被提取方法对滨海植被信息进行提取研究，探讨了潮水涨落对植被信息提取的影响，为滨海地区环境监测、生态系统修复以及蓝碳捕捉、转移和固定研究提供数据支撑，从而更好地服务碳中和、碳达峰国家战略。
1 研究区与数据
1.1 研究区
黄河三角洲滨海湿地位于山东省东营市的黄河入海口，处在黄河三角洲国家级自然保护区的核心区内，地理位置为37°37′58～37°51′14″N，119°2′20～119°17′35″E，研究区位置见图1。黄河衔泥裹沙，从东营流入大海，淤积形成了黄河三角洲，由于泥沙的不断沉积，黄河三角洲每年会向外扩展2.2 km，由此而生成陆地面积约32 km2，成为了世界上湿地面积增长较快的地区之一［19］。黄河三角洲的主要地形为倾斜的平原，其西南地势较高，东北地势较低［20］。黄河三角洲自然保护区的植被种类丰富，植被覆盖率达到了55.1%，其中芦苇是黄河三角洲地区生长最为辽阔的植被，生长面积达到了2.6万hm2，天然草地达到了1.2万hm2，是中国沿海最大的新生湿地自然植被区［21］。在黄河三角洲湿地中，典型植被有芦苇、互花米草、翅碱蓬、怪柳、獐毛和补血草等［22］。