張晨宇，陳沈良*，李鵬，劉清蘭

( 1. 華東師范大學 河口海岸學國家重點實驗室，上海 200241)

1 引言

濕地是地球上重要的自然生態(tài)系統(tǒng)，具有蓄水調洪、調節(jié)氣候、保持水土、保護生物多樣性等重要作用[1-2]。其中濱海濕地處于海陸相互作用的特殊地帶，生態(tài)和環(huán)境條件十分復雜，是最為脆弱和最具經(jīng)濟價值的生態(tài)系統(tǒng)之一[3]。濱海濕地生長有多種水生、沼生和耐鹽植物群落，這些植被是濱海濕地生態(tài)系統(tǒng)的重要組成部分，也是表征生態(tài)系統(tǒng)健康狀況的重要指標[4]。黃河三角洲濕地是世界上暖溫帶保存最廣闊、最完善、最年輕的濕地生態(tài)系統(tǒng)。然而，受入海水沙和海洋動力的綜合作用，黃河口濱海濕地處于動態(tài)變化中，生態(tài)系統(tǒng)不穩(wěn)定，極易受到各種因素的破壞[5-6]。此外，黃河三角洲濱海濕地分布著大量的蘆葦（Phragmites australis）、堿蓬（Suaeda salsa）和互花米草（Spartina alterniflora）等鹽沼植被，這些濕地植被多處于水陸交界地帶和半水生、水生環(huán)境下。植被混合交錯分布且界線模糊，在遙感影像上因多種植物光譜混合而造成的“異物同譜”現(xiàn)象較為明顯，對其進行精確分類的難度較大[7]。因此，采用先進的技術手段準確快速地提取濕地植被信息，監(jiān)測濕地植被的長時序動態(tài)變化，對于生態(tài)保護和管理具有重要的科學價值和現(xiàn)實意義。

濕地野外調查存在很多困難及不確定性，而遙感技術具有覆蓋范圍廣、獲取速度快、信息量大、動態(tài)性強等優(yōu)勢[8-9]，可為濕地研究提供強有力的技術支持。在過去10年中，高分辨率影像如Worldview-2/3、SPOT-5/6和GF-1/2等已被用于提取濕地植被信息[10-12]，然而這些影像成本較高且無法實現(xiàn)長時序動態(tài)監(jiān)測。具有中等分辨率的Landsat影像為濕地研究提供了長期連續(xù)的數(shù)據(jù)支撐，在大范圍、長時序濕地植被監(jiān)測等方面發(fā)揮著越來越重要的作用[13-15]。近年來，已有大量學者采用基于像素的方法對鹽沼濕地植被開展信息提取和識別，如最大似然分類[16]、人工神經(jīng)網(wǎng)絡[17]、決策樹[18]、支持向量機[19]和隨機森林[20]等，分類精度達75%～90%。此外，基于對象的分類方法也被廣泛地應用于濕地植被解譯，畢愷藝等[21]基于Sentinel-2A時序數(shù)據(jù)利用面向對象決策樹方法提取了陳家灣流域的植被信息，分類總體精度達到89.7%。Lantz和Wang[22]比較了基于對象和基于像素的最大似然分類，發(fā)現(xiàn)基于對象的方法具有更高的分類精度。在黃河口濕地植被監(jiān)測方面，Cao等[23]基于單時相SPOT影像應用面向對象方法對2005年黃河三角洲濕地植被信息進行提取，總體分類精度為73.6%。徐洋[24]同樣也基于面向對象方法利用2018年Sentinel-2A影像進行黃河口濕地植物分類，總體精度僅在63%左右。楊俊芳等[25]利用國產(chǎn)高分影像對2015年黃河三角洲互花米草分布情況進行了統(tǒng)計和分析。劉康等[26]采用監(jiān)督分類的方法提取了1984-2014年期間4景黃河三角洲影像中堿蓬鹽沼的信息，分類精度在80%～90%之間。

總的來看，現(xiàn)有針對黃河三角洲濕地植被信息提取的研究大多基于單時相遙感影像，分類精度有待提高。并且濕地植被制圖的時間序列較短，難以準確反映植被長期的動態(tài)演變過程。因此，本文基于長時序Landsat衛(wèi)星數(shù)據(jù)，結合植被的物候特征，采用面向對象和隨機森林模型結合的方法對濕地植被進行分類，以期提高現(xiàn)有相關研究的制圖精度，并分析近20年來現(xiàn)行黃河口保護區(qū)3種典型濕地植被（蘆葦、鹽地堿蓬和互花米草）的時空變化特征。

2 研究區(qū)與數(shù)據(jù)

2.1 研究區(qū)概況

現(xiàn)代黃河三角洲是中國三大河口三角洲之一，也是中國沿海地區(qū)年度新增土地面積最大的三角洲[27]。黃河三角洲國家級自然保護區(qū)成立于1992年，植被覆蓋度為53.7%，是中國沿海植被覆蓋度最大的地區(qū)[28]。該保護區(qū)分為現(xiàn)行黃河口保護區(qū)和刁口河口保護區(qū)兩部分。本研究選擇現(xiàn)行黃河口保護區(qū)內(nèi)的自然濱海濕地作為研究區(qū)（圖1），該區(qū)域包含的濕地類型主要為水體、光灘、草本沼澤和灌木沼澤，其中優(yōu)勢物種主要有蘆葦、堿蓬和互花米草，且這3種植被的物候特征存在差異。具體表現(xiàn)為蘆葦在5月初開始綠化并快速生長，而其他兩種植被群落還沒有開始生長；夏季生長旺季時，蘆葦群落和互花米草群落的反射光譜特征差異不大，但到10月，蘆葦?shù)纳L期已經(jīng)基本結束，而互花米草的生物量達到最大；此外，由于9月土壤中的含鹽量增加，此時鹽地堿蓬呈現(xiàn)深紅色狀態(tài)[29]。

圖1 研究區(qū)位置Fig. 1 Location of the study area

2.2 數(shù)據(jù)源

2.2.1 遙感數(shù)據(jù)

根據(jù)3種典型濕地植被的物候特征差異，可以判定黃河三角洲地區(qū)5月、9月和10月分別是提取蘆葦、堿蓬和互花米草群落的重要時期。因此，為了準確提取濕地植被信息并進行長時間序列的監(jiān)測，本文在2000-2020年期間每隔1年選擇3景對應月份成像的Landsat系列影像，共33景（表1）。并使用ENVI軟件對影像進行輻射定標和FLAASH大氣校正等預處理操作。

表1 衛(wèi)星數(shù)據(jù)信息Table 1 Satellite data information

2.2.2 樣本與驗證數(shù)據(jù)

課題組于2020年9月在現(xiàn)行黃河口保護區(qū)開展實地考察調研，共獲取248個樣本觀測數(shù)據(jù)（蘆葦22個、堿蓬196個、互花米草12個、光灘15個、檉柳3個）。此外，還通過Google Earth、天地圖等途徑采集歷史年份高分辨率遙感影像，根據(jù)各地物的遙感解譯標志，同時考慮Landsat影像提供的物候差異信息，通過目視解譯建立各歷史年份的樣本點。以其中2/3的樣本點作為參考，在最佳分割結果的基礎上選擇分割對象單元作為訓練樣本；剩余作為驗證樣本，進行分類后精度驗證。研究區(qū)2000-2020年各期訓練樣本和驗證樣本的數(shù)量分布見表2。

表2 2000-2020年不同地物類型的樣本信息Table 2 Sample information of different feature types from 2000 to 2020

3 研究方法

3.1 面向對象分析

影像分割是面向對象提取植被信息的一個重要步驟，本文采用多尺度分割算法對遙感影像進行分割。它是一種基于異質性準則合并相鄰像素或區(qū)域的分割算法[30]。對影像應用多尺度分割算法時，有3個重要的分割參數(shù)：形狀因子、緊致度因子、分割尺度參數(shù)。形狀因子越小，分割對象越復雜；緊致度因子越小，生成對象的邊緣越平滑。本文在進行影像多尺度分割時，形狀因子和緊致度因子參數(shù)的設置參考了Moffett和Gorelick[31]關于圖像分割的研究結果，即Landsat影像設置形狀因子/緊致因子為0.3/0.5時能更好地識別不同濕地植被斑塊。

適當?shù)姆指畛叨葏?shù)是獲得最優(yōu)分類結果的基礎，其值越大，內(nèi)部異質性越高，每個對象的像素數(shù)量也會增加[32]。因此，客觀選擇最優(yōu)分割參數(shù)可提高分類的精度。本文利用基于eCognition Developer二次開發(fā)的ESP2尺度評價工具來確定最優(yōu)分割尺度。該工具通過計算每個影像層對象異質性的局部變化（Local Variance，LV）作為分割對象層的平均標準差，ROC-LV表示從一個對象層到另一個對象層的LV變化率值，ROC呈現(xiàn)波峰狀態(tài)時對應的尺度值即最優(yōu)分割尺度[33]。結合ROC-LV曲線特征，并考慮到提取濕地植被信息的分割尺度不宜過大，且保護區(qū)內(nèi)堿蓬斑塊呈破碎化，經(jīng)過反復測試，選擇合適的分割尺度對影像進行分割。

3.2 隨機森林算法及特征空間優(yōu)化

隨機森林算法是一種基于決策樹的新型機器學習算法，隨機抽取原始訓練集2/3的樣本作為一個新的訓練集，然后從M個特征中隨機抽取m個以完全分裂的方式生產(chǎn)決策樹，最后集成多棵決策樹組成隨機森林分類器對特征數(shù)據(jù)集進行分類，新樣本的類別由所有決策樹以投票的方式來決定，每次抽樣未被抽到的1/3數(shù)據(jù)稱為袋外樣本（Out of Bag，OOB），利用OOB數(shù)據(jù)通過交叉驗證的方法可以估計內(nèi)部誤差[34]。

在多時相光譜特征的基礎上加入植被指數(shù)和水體指數(shù)有利于提高分類精度。此外，紋理特征可以反映豐富的地物信息，幾何特征能更好地識別具有明顯形狀特征的地物[35]。因此，本文選取了對象的光譜特征變量、植被指數(shù)、水體指數(shù)、紋理特征和幾何特征來構建特征數(shù)據(jù)集（表3）。采用德國環(huán)境制圖與分析計劃項目組開發(fā)的EnMAP-BOX軟件來優(yōu)化特征空間及進行濕地植被信息提取。本文選取總特征個數(shù)的算術平方根作為抽取的特征變量個數(shù)；并通過實驗發(fā)現(xiàn)決策樹個數(shù)達到20時，Landsat數(shù)據(jù)的總體精度達到最大，因此本文選取N為20作為集成決策樹的數(shù)量。隨機森林算法可以對特征空間進行優(yōu)化，通過計算特征變量的重要性得分，先將重要性得分最高的特征作為所選特征；然后按得分從高到低的順序依次增加1個特征，計算每一次分類結果的精度，選出分類精度最高的一組作為最優(yōu)特征組合。經(jīng)過多次實驗，本文選擇了重要性較高的前26個特征變量組合的數(shù)據(jù)集進行分類，不同年份優(yōu)選出的26個特征變量不完全相同。以2020年為例，最優(yōu)特征數(shù)據(jù)集如表4所示。

表3 初始特征空間Table 3 The initial feature space

表4 優(yōu)選特征分布Table 4 Preferred feature distribution

3.3 景觀格局指數(shù)

本文基于類型水平，選取了斑塊面積、斑塊所占景觀面積比例、最大斑塊指數(shù)、斑塊形狀指數(shù)、平均斑塊面積、聚合指數(shù)6種景觀指數(shù)來表征3種典型濕地植被的景觀格局演變特征，如表5所示。

表5 景觀格局指數(shù)及其生態(tài)意義Table 5 Landscape pattern index and its ecological significance

4 結果與討論

4.1 精度驗證

本文利用混淆矩陣對2000-2020年的分類結果進行精度評價。從表6可以看出2000-2020年3種典型濕地植被的平均分類精度均達到80%以上，其中蘆葦?shù)姆诸惥茸罡?，互花米草次之。而堿蓬的分類精度一般低于蘆葦和互花米草，這是由于鹽地堿蓬的植株高度和植株密度較低，其光譜特征受到土壤背景的強烈影響，很容易與光灘混淆[36]。此外，多年分類結果的總體精度處于84.74%～92.39%之間，Kappa系數(shù)處于0.81～0.91之間?？梢姳疚幕诙鄷r相遙感影像結合面向對象和隨機森林算法可以得到較高的分類精度，滿足了濕地植被時空動態(tài)分析的需求。

表6 精度驗證結果Table 6 Results of accuracy verification

4.2 近20年來3種典型濕地植被時空變化特征

圖2為基于多時相Landsat系列影像提取的2000-2020年研究區(qū)典型濕地植被的空間分布?？傮w來看，蘆葦主要呈條帶狀分布在黃河河道兩側及人工恢復區(qū)，受黃河淡水的調控，沿河道向現(xiàn)行河口新生濕地方向發(fā)展；堿蓬主要分布在研究區(qū)的濱海灘涂，時空分布變化較大。在現(xiàn)行黃河口以北和清水溝老河口北部的高潮灘地區(qū)由于土壤鹽度適中，堿蓬呈大片分布。而大汶流區(qū)域由于鹽度高于堿蓬適宜生態(tài)閾值，因此堿蓬生物量很小?；セ撞葜饕L在潮間帶的中下部，在2002年時僅小片分布，2008年之后開始暴發(fā)式增長，逐步向陸和向新生濕地方向發(fā)展。

圖2 2000-2020年現(xiàn)行黃河口保護區(qū)典型濕地植被分布Fig. 2 Distribution of typical wetland vegetation in the Current Huanghe River Estuary Reserve from 2000 to 2020

通過ArcGIS和Fragstats計算3種植被的6種景觀指數(shù)（圖3）?？梢园l(fā)現(xiàn)2000-2020年期間蘆葦群落斑塊面積總體呈平穩(wěn)增長狀態(tài)，斑塊所占景觀面積比例維持在6%以上，并且最大斑塊指數(shù)在3種植被中最高。這是因為濕地恢復工程建設過程中，淡水對土壤的洗鹽作用，使得蘆葦成為此地區(qū)的優(yōu)勢物種[37]。蘆葦?shù)钠骄邏K面積在2008年之后呈下降趨勢，景觀開始呈現(xiàn)破碎化，主要是由于石油開采和旅游修建的道路將原本大的蘆葦群落斑塊切割為若干個小的斑塊。

圖3 2000-2020年3種典型濕地植被的景觀格局指數(shù)變化趨勢Fig. 3 Change trend of landscape pattern index of three typical wetland vegetations from 2000 to 2020

2000-2020年期間現(xiàn)行黃河口保護區(qū)內(nèi)鹽地堿蓬群落的景觀格局發(fā)生了極大的變化。鹽地堿蓬群落斑塊面積從2000年的4 503.33 hm2增長到2004年的11 163.51 hm2，堿蓬增長最為明顯的區(qū)域為大汶流區(qū)域。2000年時此區(qū)域鹽地堿蓬僅呈小片分布，2004年時已大面積分布，這與2002年開始的淡水恢復工程有關。引黃河淡水進入生態(tài)恢復區(qū)，降低了土壤含鹽量，土壤肥力得到改善，因此堿蓬的生物量達到最高值。2006年時大汶流區(qū)域的鹽地堿蓬大面積退化，堿蓬斑塊面積下降到6 007.23 hm2。這是因為保護區(qū)內(nèi)已完成了濕地恢復，人工恢復區(qū)內(nèi)淡水比例過大，這種高水深及低鹽分環(huán)境不適宜堿蓬生長。此后，堿蓬仍在進一步退化，到2020年堿蓬斑塊面積僅為4 945.14 hm2。堿蓬生長需要一定的鹽度空間，黃河上游淡水水量的減少，使得其生境中的土壤鹽度超標，這是導致此時期堿蓬繼續(xù)退化的主要原因。堿蓬的最大斑塊指數(shù)和聚合指數(shù)自2004年之后開始呈下降趨勢，并且平均斑塊面積在3種植被中最小，說明該階段堿蓬的優(yōu)勢度減小且破碎化程度加劇。此外，堿蓬的斑塊形狀指數(shù)遠高于其他兩種植被，堿蓬的景觀結構最為復雜。

互花米草的斑塊面積由2002年的221.85 hm2增加到2020年的5 267.79 hm2，最大斑塊指數(shù)也在不斷增加，表明互花米草在現(xiàn)行黃河口保護區(qū)內(nèi)的優(yōu)勢度不斷提高，由最初自然情況下傳播的零散分布逐漸形成大片面狀分布。2006-2018年期間，互花米草平均斑塊面積由2.34 hm2增加到169 hm2，說明該時段內(nèi)互花米草由小斑塊生長合并為大斑塊；2002-2020年期間其斑塊形狀指數(shù)呈現(xiàn)小幅度增加態(tài)勢，互花米草的形狀越來越復雜，呈現(xiàn)不規(guī)則化。聚合指數(shù)有波動增加的趨勢，表明互花米草景觀聚集度有所增強。

4.3 互花米草時空動態(tài)定量評價

作為入侵物種，互花米草的擴張變遷對研究區(qū)其他原生植被的景觀格局產(chǎn)生著深遠影響。從以上結果可知，近20年來互花米草的時空動態(tài)變化在3種典型濕地植被中最為顯著，且在不同區(qū)域的變化存在較大差異（圖2）。為此，本文根據(jù)互花米草的時空分布特征，將其分為6個分區(qū)（A-F），分別探討各分區(qū)互花米草近20年的動態(tài)變化（圖4）。

圖4 2002-2020年不同入侵年份互花米草分布格局及DSAS 計算2014-2020年互花米草擴張速率所用基線和斷面分布Fig. 4 Distribution pattern of Spartina alterniflora in different invasive years from 2002 to 2020 and the distributions of baseline and transects used by DSAS to calculate the expansion rate of S. alterniflora from 2014 to 2020

統(tǒng)計各個分區(qū)互花米草的面積（圖5），可以發(fā)現(xiàn)，2000-2010年區(qū)域A互花米草面積呈波動變化狀態(tài)，這一期間互花米草的劇烈變化與該區(qū)域岸線不斷向內(nèi)陸蝕退和頻發(fā)的極端天氣條件（如颶風、風暴潮等）有關。2000-2008年區(qū)域A海岸線向后蝕退了1.36 km左右，2008年之后海岸侵蝕速率減緩，岸線趨于穩(wěn)定，互花米草面積逐漸增加；區(qū)域B于2010年出現(xiàn)互花米草分布且面積較小，2014年面積達到最大值，為190.98 hm2；近年來由于黃河輸沙穩(wěn)定，黃河入?？陂T處陸地面積不斷增加，給予了互花米草足夠的生存空間，這使得區(qū)域C和區(qū)域D的互花米草面積不斷增加，其中區(qū)域C互花米草面積從2010的73.44 hm2增至2016年的1 526.49 hm2，增幅近20倍；區(qū)域E于2002年首次出現(xiàn)互花米草，面積為204.21 hm2，2004年時面積下降到15.32 hm2，這是由于受2003年黃河口特大風暴潮的影響，互花米草經(jīng)過一段時間的恢復期，于2008年開始大片生長；區(qū)域F于2018年首次出現(xiàn)互花米草，2020年時互花米草已增加至426.87 hm2，并且有越過潮溝向兩側擴張的趨勢。

圖5 不同區(qū)域互花米草斑塊面積變化Fig. 5 Variation of Spartina alterniflora plaque area in different regions

綜上所述，互花米草在2008年之前處于不穩(wěn)定發(fā)展狀態(tài)，2008年之后出現(xiàn)暴發(fā)式增長。而由表7可以看出，2008-2014年互花米草的年擴展率整體大于2014-2020年期間的年擴展率。因此，為進一步揭示不同區(qū)域互花米草的時空動態(tài)變化特征及其對堿蓬群落的影響，本文基于數(shù)字岸線分析系統(tǒng)（DSAS）分別計算2008-2014年以及2014-2020年期間互花米草向海侵占光灘和向陸侵占堿蓬生境的擴張速率（圖6）。經(jīng)過對比分析，可以將現(xiàn)行黃河口保護區(qū)互花米草的擴張分為3個階段：2008年以前為擴張初期，互花米草種子從5號樁隨潮流漂散到黃河口潮間帶區(qū)域，在合適的潮灘生長，這一階段互花米草植株稀疏，且生存條件惡劣；2008-2014年為快速擴張階段，互花米草已經(jīng)呈大面積斑塊分布，面積增速最高達到799.88 hm2/a，年平均擴展率達到54%，且這一階段大部分區(qū)域均表現(xiàn)為向海擴張侵占光灘。其中區(qū)域C位于口門處，新生濕地不斷增多，因此此處互花米草鹽沼的向海擴張速率在所有區(qū)域中最高且一些斷面處向海擴張速率可達600 m/a左右。此階段由于互花米草的促淤能力，使得灘面不斷增高，潮水很少能夠到達堿蓬生長的地帶，堿蓬的生存條件受到限制，互花米草向堿蓬邊緣擴張，且迅速占領其生存空間，因此該階段所有區(qū)域也表現(xiàn)為向陸擴張迅速侵占堿蓬生境；2014-2020年為緩慢增長階段，年平均擴展率為9%。除了區(qū)域D，其他區(qū)域互花米草向海擴張趨勢均顯著減弱，這是由于灘面高程的限制。只有互花米草的前緣灘面繼續(xù)淤長到滿足其生長需要的潮侵頻率以后，互花米草才會繼續(xù)向海擴張。而大部分區(qū)域互花米草均表現(xiàn)為向陸擴張侵占堿蓬生境，但由于互花米草生態(tài)位的限制，其向陸擴張速率有所減小。總的來說，近幾年互花米草進入了生長的穩(wěn)定期，并且隨著互花米草向陸擴張速率的減小，堿蓬的生存空間將得到一定的改善。

表7 研究區(qū)互花米草的新增面積增速及年擴展率Table 7 Area increasing rate and annual expansion rate of Spartina alterniflora in the study area

圖6 區(qū)域A-E互花米草向海和向陸的擴張速率Fig. 6 Seaward and landward expansion rates of Spartina alterniflora in A-E areas

5 結論

本文基于多時相衛(wèi)星影像數(shù)據(jù)和野外實地調查數(shù)據(jù)，結合面向對象和隨機森林算法對現(xiàn)行黃河口保護區(qū)內(nèi)3種典型濕地植被進行了精準提取，得到了2000-2020年保護區(qū)內(nèi)蘆葦、鹽地堿蓬和互花米草的空間分布結果。利用GIS空間分析技術，揭示了近20年來3種植被的景觀格局演變特征，并重點討論了互花米草的動態(tài)變化過程。主要結論包括：

（1）基于面向對象和隨機森林算法進行長時序濕地植被制圖可以得到較高的分類精度，滿足濕地植被時空動態(tài)分析的需求。

（2）現(xiàn)行黃河口保護區(qū)的濕地植被在空間上呈條帶狀交替分布。蘆葦群落是保護區(qū)內(nèi)的優(yōu)勢物種，面積總體呈平穩(wěn)增長狀態(tài)；堿蓬的最大斑塊指數(shù)和聚合指數(shù)呈下降趨勢，破碎化程度加劇，且斑塊形狀指數(shù)遠高于其他兩種植被，景觀結構最為復雜；互花米草的斑塊面積由2002年的221.85 hm2增加到2020年的5 267.79 hm2，其在保護區(qū)內(nèi)的優(yōu)勢度不斷提高。

（3）現(xiàn)行黃河口保護區(qū)互花米草的擴張過程分為3個階段：2008年以前為擴張初期，互花米草生長不穩(wěn)定；2008-2014年為快速擴張階段，新增米草面積最高可達799.88 hm2/a，年平均擴展率為54%，且海向和陸向擴張都較為顯著；2014-2020年為緩慢增長階段，年平均擴展率為9%，互花米草開始進入生長的穩(wěn)定期。

（4）本研究使用30 m分辨率的Landsat系列影像來提取植被信息，然而該影像不適合小尺度植被斑塊的精細調查。在今后的研究中，可以基于圖像超分辨率重建算法將時間序列數(shù)據(jù)與更高空間分辨率的數(shù)據(jù)（如Worldview-2/3、SPOT、GF-2等）融合來進行細小植被斑塊的識別和監(jiān)測；此外，由于缺少植被生物量調查數(shù)據(jù)和潮灘高程數(shù)據(jù)，本研究對互花米草入侵引起的生態(tài)環(huán)境效應的分析還不夠深入，而互花米草鹽沼的擴張與潮灘地貌之間的關系也需要進一步探討。