收稿日期Received：2022-12-09""" 修回日期Accepted：2023-03-07

基金項目：應(yīng)急管理部國家減災(zāi)中心-中國人民財產(chǎn)保險股份有限公司聯(lián)合實驗室2020年度開放基金（NDRCCPICC202003）。

第一作者：韓森（2902053779@qq.com）。

*通信作者：阮仁宗（ruanrenzong@163.com），副教授。

引文格式：

韓森，阮仁宗，傅巧妮，等. 基于Sentinel-1和Sentinel-2影像的洪澤湖國家濕地公園水生植被信息提取. 南京林業(yè)大學(xué)學(xué)報（自然科學(xué)版），2024，48（2）：19-26.

HAN S， RUAN R Z， FU Q N， et al. Extraction of aquatic vegetation in Hongze Lake National Wetland Park based on Sentinel-1 and Sentinel-2 images. Journal of Nanjing Forestry University （Natural Sciences Edition），2024，48（2）：19-26.

DOI：10.12302/j.issn.1000-2006.202212016.

摘要：【目的】探索利用光學(xué)遙感和雷達遙感數(shù)據(jù)進行湖泊濕地水生植被信息提取方法。【方法】以洪澤湖國家濕地公園為研究區(qū)，基于Sentinel-1的SAR影像和Sentinel-2的MSI影像，利用面向?qū)ο笥跋穹治黾夹g(shù)，結(jié)合EVSI、NDVI、SR特征指數(shù)和對象之間的上下文特征，以及挺水植被高度的差異所對應(yīng)SAR影像上的后向散射系數(shù)，在對象級的基礎(chǔ)上建立決策樹模型對濕地水生植被進行分類，分析洪澤湖國家濕地公園水生植被以及挺水植被的分布狀況。【結(jié)果】研究區(qū)水生植被類群分類精度為89%，Kappa系數(shù)為0.85；挺水植被種群分類精度為85.2%，Kappa系數(shù)為0.76。與基于像元分析方法的結(jié)果相比，面向?qū)ο蟮挠跋穹治龇椒ň哂懈叩木?；濕地水生植被以沉水植被和挺水植被為主，其中挺水植被中以荷葉和蘆葦為主?！窘Y(jié)論】本研究提出的湖泊濕地水生植被信息提取方法具可行性，可為濕地管理與決策提供科學(xué)依據(jù)。

關(guān)鍵詞：水生植被； Sentinel-1；Sentinel-2；決策樹；植被特征指數(shù)；后向散射系數(shù)；洪澤湖國家濕地公園

中圖分類號：S759；TP75""""" 文獻標(biāo)志碼：A開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

文章編號：1000-2006（2024）02-0019-08

Extraction of aquatic vegetation in Hongze Lake National Wetland Park based on Sentinel-1 and Sentinel-2 images

HAN Sen， RUAN Renzong*， FU Qiaoni， XU Hanwei， HENG Xuebiao

（College of Hydrology and Water Resources， Hohai University， Nanjing" 210098，" China）

Abstract： 【Objective】 The objective of this study was to explore the extraction of spatio-temporal distribution of aquatic vegetation in lake wetlands using Sentinel-1 and Sentinel-2 data. 【Method】 Hongze Lake National Wetland Park was chosen as the research area. Based on the combination of Sentinel-2 MSI images and Sentinel-1 SAR images， the object-oriented image analysis was used. The feature set was constructed by using EVSI， NDVI， SR feature index and contextual features between objects， as well as differences in the backscatter coefficients of the SAR images corresponding to differences in the height of the emergent vegetation types. A decision-tree model was established at the object level to classify the wetland， and the spatio-temporal distribution of the aquatic vegetation and the emergent vegetation in the Hongze Lake National Wetland Park was acquired. 【Result】 The classification accuracy and the Kappa coefficient of aquatic vegetation were observed to be 89% and 0.85， respectively， and that of the emergent vegetation was 85.2% and 0.76， respectively. The results showed that， compared with the results of the pixel-based analysis method， the accuracy of object-based image analysis was higher. The wetland aquatic vegetation was dominated by submerged and emergent vegetation; among the emergent vegetation， lotus leaves and reeds were dominant. 【Conclusion】 The methods proposed in this study were feasible， and the results could provide a scientific basis for managers and planners of wetlands.

Keywords：aquatic vegetation; Sentinel-1; Sentinel-2; decision tree; vegetation characteristic index; backscatter coefficient；Hongze Lake National Wetland Park

水生植被是濕地的重要組分，在生長的過程中，通過吸收外源流入湖中和埋藏在底泥中的氮磷等礦物營養(yǎng)物質(zhì)，可使水體無機氮、磷濃度大幅下降，從而促進葉綠素a（Chla）濃度下降，起到抑制藻類、吸附凈化等作用。但挺水植被死亡后大量殘留在湖泊中，其自然腐爛分解會向水體釋放大量的營養(yǎng)物質(zhì)以及有色、有味和有毒物質(zhì)，造成湖泊水質(zhì)的二次污染；同時不易分解的植物殘體積累在湖底，會加劇湖泊的淤積和沼澤化，故濕地的合理利用和保護已經(jīng)成為影響人類社會可持續(xù)發(fā)展的重大問題之一［4-6］。濕地的時空分布信息對于濕地的管理具有重要的意義，近年來利用遙感影像來對濕地水生植被進行了大量研究，并取得了較好的成果。然而濕地類型具有一定的復(fù)雜性和不確定性，傳統(tǒng)基于像元的分類方法并未充分考慮地物的形狀、大小以及種類之間的相對關(guān)系及上下文關(guān)系，不能充分利用影像的空間結(jié)構(gòu)和紋理信息，導(dǎo)致分類結(jié)果容易出現(xiàn)椒鹽噪聲，視覺效果較差，難以進行更為精細的研究。而面向?qū)ο蟮倪b感分類技術(shù)其基本單元是影像對象，不僅可以利用高分辨率遙感影像上的光譜信息，還可以利用對象的空間信息（光譜特征、幾何特征、紋理特征等）進行圖像的處理、分析和分類，尤其是針對具有豐富空間結(jié)構(gòu)和紋理特征的高分辨率影像，面向?qū)ο蟮姆椒ㄒ驯粡V泛用于影像信息提取。

濕地植被物種組成復(fù)雜，光譜相似性高，基于Landsat、MOIDS等中低分辨率影像分類效果不佳， Qiuckbird、IKONOS等高分辨率影像價格昂貴，而Sentinel-2A/B衛(wèi)星數(shù)據(jù)免費且具有10 m的空間分辨率，用Sentinel-2影像進行水生植被信息的提取性價比較高。在挺水植被的遙感監(jiān)測方面，因不同優(yōu)勢種群的光譜差異相對較小，僅利用光譜信息很難精準(zhǔn)識別和區(qū)分挺水植被的不同種群，但挺水植被不同種群間高度和密度的差異，表現(xiàn)在雷達影像上的后向散射系數(shù)有很大區(qū)別，故多采用Sentinel-1 SAR影像來進行挺水植被的分類提取。為此，本研究以江蘇省洪澤湖國家濕地公園為例，基于Sentinel-1 SAR和Sentinel-2 MSI影像數(shù)據(jù)，分析濕地公園不同地物的光譜特征、上下文關(guān)系的不同，建立了水生植被類群的決策樹，并結(jié)合挺水植被在雷達影像上的后向散射系數(shù)，提出了基于雷達影像的挺水植被遙感分類方法，最后利用面向?qū)ο蟮姆椒ㄟM行濕地水生植被類別的精確提取，以期為濕地管理提供更加詳細的決策依據(jù)。

1" 材料與方法

1.1" 研究區(qū)概況

洪澤湖是我國五大淡水湖之一，位于淮河下游，屬于暖溫帶半濕潤的黃淮平原區(qū)，為過水性湖泊，水域面積隨水位波動較大，平均水深為1.5 m。洪澤湖國家濕地公園位于洪澤湖西南部（118°12′25″～118°28′58″ E，33°8′27″～33°19′41″N），地處北亞熱帶與南暖溫帶之間。水生植被主要有挺水植被、沉水植被和浮水植被三大類群，其中挺水植被主要包括荷葉（Nelumbo nucifera）、蘆葦（Phragmites australis）和菰（Zizania latifolia）三大種群。作為淮河流域分布面積最大的濕地水生植被，它們在防洪抗旱、控制土壤侵蝕、調(diào)節(jié)氣候、保護生物多樣性等方面起著重要的作用。

1.2" 數(shù)據(jù)來源及預(yù)處理

選取Sentinel-1和Sentinel-2系列衛(wèi)星作為遙感數(shù)據(jù)源。Sentinel-1采用了C波段的SAR傳感器，工作中心頻率5.405 GHz，極化方式為VV（垂直收發(fā)vertical transmit/vertical receive）和VH（垂直發(fā)射水平接收vertical transmit/horizonal receive），空間分辨率5 m ×20 m。Sentinel-2系列衛(wèi)星攜帶一枚多光譜儀器（MSI），可覆蓋13個光譜波段，具有10、20和60 m 3種空間分辨率。Sentinel-1 SAR數(shù)據(jù)和Sentinel-2 MSI數(shù)據(jù)均來源于歐空局（https：//scihub.copernicus.eu/）。本研究共獲取Sentinel-1影像為IW（interferometric wide swath）模式下的GRD （ground range detected）數(shù)據(jù)，時間為2021年7月23日；Sentinel-2無云影像為L1C 級別（經(jīng)正射校正和幾何校正的產(chǎn)品）數(shù)據(jù)，波段包括B2、B3、B4、B8、B8a，各波段中心波長依次為490、560、665、842、865 nm，光譜分辨率依次為10、10、10、10、20 m，時間為2021年7月30日。

對SAR影像進行預(yù)處理，主要包括熱噪聲消除、軌道矯正、輻射定標(biāo)、相干斑濾波、地形矯正和分貝化。由于MSI影像數(shù)據(jù)已經(jīng)經(jīng)過幾何校正，僅需輻射定標(biāo)和大氣校正，然后采用最鄰近法進行重采樣，重采樣的像元大小為10 m×10 m，并將其轉(zhuǎn)為Tiff格式進行波段合成與裁剪。然后將SAR影像與MSI影像進行地理配準(zhǔn)，配準(zhǔn)的均方根誤差為0.58個像元。最后采用多尺度分割方法對影像進行分割生成對象，對象的平均異質(zhì)性最小化與像素的平均異質(zhì)性最小化是影像分割的標(biāo)準(zhǔn)，當(dāng)異質(zhì)性大于給定尺度時，區(qū)域會停止生長，區(qū)域內(nèi)像元合并形成對象。異質(zhì)性計算公式如下：

f=wcolorct=1wc×σc〗+（1-wcolor）×1n）〗+（1-wcpt）×（l/b）。（1）

式中：f為圖像對象異質(zhì)性；wcolor為光譜異質(zhì)性權(quán)重；wc為數(shù)據(jù)層權(quán)重；σc為數(shù)據(jù)層上的光譜標(biāo)準(zhǔn)差；c為數(shù)據(jù)層，wcpt為緊致度異質(zhì)性；l為對象長度；b為目標(biāo)多邊形最短邊；n為像元個數(shù)。

為準(zhǔn)確選擇分割尺度，減少主觀經(jīng)驗造成的誤差，選用最佳分割尺度評價工具ESP2來處理。它是以局部方差的標(biāo)準(zhǔn)差均值（LV）代表某塊影像檢查窗口中的影像對象異質(zhì)性，以變化率值（ROC）表示當(dāng)前分割尺度與下一級分割尺度比值，用ROC-LV曲線反應(yīng)不同分割尺度下局部方差（LV）的動態(tài)變化，ROC中曲線起伏最明顯的波峰對應(yīng)的尺度值則為最佳分割（圖1）。經(jīng)篩選，對106、148、176這3個尺度進行試驗，通過分割地物的離散度與像元純度對比，最終確定本研究分割尺度為106、形狀因子為0.2、緊湊度因子為0.5。同時為提高分割精度，只選用了Sentinel-2影像中的B2、B3、B4、B8和B8a共5個波段（式中以B2、B3、B4、B8、B8a表示）。

1.3" 樣本點的選取

結(jié)合衛(wèi)星影像過境時間，于2021年7月對研究區(qū)水生植被開展野外調(diào)查。考慮到Sentinel-2影像的像元大?。?0 m×10 m）和幾何畸變，為減小影像偏移所產(chǎn)生的誤差，每個調(diào)查樣區(qū)約為12 m×12 m，用手持GPS接收機在樣區(qū)的中心位置記錄經(jīng)緯度，誤差約為1.5 m，共獲取樣本點932個。經(jīng)實地考察得知當(dāng)?shù)亟ㄖ锖透∷脖惠^少，沉水植被、挺水植被和養(yǎng)殖場較多，故浮水植被點31個、挺水植被點135個、沉水植被點101個、養(yǎng)殖場200個、敞水區(qū)74個、建筑物11個、荷葉點117個、蘆葦點114個、菰點149個。再利用面向?qū)ο笥跋穹治龇椒▽颖军c轉(zhuǎn)為樣本對象。采樣點空間分布如圖2所示。

1.4" 研究方法

1）試驗區(qū)及水生植被分類。根據(jù)研究區(qū)的區(qū)域特點， 結(jié)合土地利用現(xiàn)狀，將試驗區(qū)分為6類：①敞水區(qū)，包括湖泊、河流等無植被區(qū)域；②養(yǎng)殖場，為湖泊周圍用于蝦蟹及其他魚類研制的池塘；③建筑，包括城鎮(zhèn)、小區(qū)等人類活動場所；④挺水植被，包括蘆葦（P. australis）、荷葉（N. nucifera）等；⑤浮水植被，包括芡實（Euryale ferox）、菱（Trapa natans）、槐葉蘋（Salvinia natans）等；⑥沉水植被，包括狐尾藻（Myriophyllum verticillatum）、輪葉黑藻（Hydrilla verticillata）、馬來眼子菜（Potamogeton wrightii）、金魚藻（Ceratophyllum demersum）等。水生植被分為沉水植物、挺水植物、浮水植物和其他4類。

2）水生植被類群特征變量選擇。

基于洪澤湖濕地的復(fù)雜性，采取分類決策樹對洪澤湖濕地水生植被進行提取，所用指數(shù)為：挺水植被敏感指數(shù)（EVSI）、歸一化植被指數(shù)（NDVI）和沉水植被敏感指數(shù)（SR）、rel.border to特征和rel.area to特征，計算方法如表1所示。

由于挺水植被和浮水植被在近紅外波段都有較高的反射率。挺水植被反射率在B8a波段反射率更高，在B4波段反射率最低；浮水植被在近紅外波段的反射率大于水體；沉水植被由于沉在水面以下，所以不具備顯著的植被光譜特征，但對B8波段與B4波段做比值運算后可以較好地識別沉水植被（圖3、圖4）。由圖3c與圖4可知，敞水區(qū)和養(yǎng)殖場在光譜上具有一定的相似性，僅利用纓帽變換后的特征指數(shù)TC1難以完全區(qū)分，但結(jié)合對象的上下文關(guān)系指數(shù)就可很容易將其區(qū)分開來。因此，本研究基于上述光譜特征對B8a、B4波段進行歸一化處理構(gòu)建了EVSI，用于提取挺水植被和浮水植被，對B8、B4波段做比值運算處理構(gòu)建了SR，用于提取沉水植被。同時利用NDVI分離出建筑，以TC1和上下文關(guān)系（Rborder to farm、Rarea to farm）來提取養(yǎng)殖場和敞水區(qū)。

相鄰某確定類別與圖斑面積比 Rarea to farmRarea to farm=∑u∈Nv（d，m）#pu∑u∈Nv（d）#pu

相鄰某確定類別與圖斑共享的邊界長度除以總邊界長度Rborder to farmRborder to farm=/bvB.波段值the band value；b（v，u）.類型v、u的公共邊界長度the common boundary length of types v and u；Nv（d）.對象v在距離d處的相鄰對象the adjacent object of object v at a distance of d；bv.圖像對象的邊界長度the boundary length of the image object；#Pu.包含在Pu中的像素總數(shù) the total number of pixels included in Pu

3）挺水植被種群特征變量選擇。由于洪澤湖國家濕地公園夏季挺水植被主要有菰、荷葉和蘆葦，其平均高度分別約為1.5、1.0、2.5 m。根據(jù)植被高度的雷達后向散射系數(shù)對其進行區(qū)分，依據(jù)野外實測數(shù)據(jù)選取典型均質(zhì)點，統(tǒng)計不同極化方式下的像元均值，結(jié)果如圖5。由圖5可知：VV極化方式下菰跟荷葉出現(xiàn)混淆，VH極化方式下，荷葉跟蘆葦出現(xiàn)混淆；而VV極化方式下，蘆葦與其他地物分離性較好，VH極化方式下菰與其他地物分離性較好。因此，可以先利用VV極化方式提取蘆葦，再利用VH極化方式區(qū)分菰與荷葉。

4）決策樹模型構(gòu)建。

決策樹方法是根據(jù)一系列測試變量將數(shù)據(jù)集逐步分類為均勻性更高子集的過程，是一種非參數(shù)、分層的分類方法，不需要數(shù)據(jù)的分布假設(shè)。 由圖3a、3b可知，挺水植被、浮水植被、沉水植被和敞水區(qū)在不同的敏感指數(shù)上有明顯的差異可分性。EVSI大于0.65時只存在挺水植被的頻率單峰；SRlt;418時，只存在沉水植被的單峰；由圖3c與圖4可知，先選取TC1大于625篩選出部分養(yǎng)殖場，再利用Rborder to farmgt;0.5和Rarea to farmgt;0.5將養(yǎng)殖場與敞水區(qū)及沉水植被完全區(qū)分開。由圖5可知，當(dāng)VV≥-9時，可將蘆葦提取出來；再利用VH小于-18將菰和荷葉區(qū)分開；最后根據(jù)各地物指數(shù)的敏感閾值，建立分類規(guī)則，構(gòu)建洪澤湖濕地植被的決策樹模型，結(jié)果見圖6。

2" 結(jié)果與分析

2.1" 洪澤湖國家濕地公園水生植被類群分析

研究區(qū)總面積約為3.30 km2，其中水生植被約為1.50 km2，養(yǎng)殖場、建筑和敞水區(qū)總計1.80 km2。在水生植被中沉水植被約0.86 km2，占57.6%；挺水植被約0.56 km2，占37.2%；浮水植被約0.08 km2，僅占5.2%。挺水植被和浮水植被主要分布在養(yǎng)殖場附近的淺水區(qū)域，沉水植被主要分布在距離岸邊有一定距離且較深的水域，養(yǎng)殖場廣泛分布于湖的周邊。

2021年夏季洪澤湖國家濕地公園水生植被分布見圖7。由圖7可知，基于像元的濕地水生植被提取結(jié)果中，養(yǎng)殖場、沉水植被和敞水區(qū)發(fā)生嚴(yán)重混淆現(xiàn)象，水生植被支離破碎，不完整、不連貫，這是由于在野外，處于淺水和養(yǎng)殖區(qū)的部分大型沉水植物會露出水面。在面向?qū)ο蟮奶崛〗Y(jié)果中，除了利用決策樹規(guī)則，還借助了分割對象之間的上下文關(guān)系（如包含關(guān)系、相鄰關(guān)系和公共邊所占比關(guān)系），即使是沉水植被浮出了水面，被誤分為浮水植被或養(yǎng)殖區(qū)，最后也能將其歸類為沉水植被。

得到濕地分類結(jié)果后，再利用誤差矩陣和分類精度指標(biāo)進行評價，結(jié)果如表2。由表2可知：面向?qū)ο螅╫bject based，OB）的分類總精度達到了89.00%，Kappa系數(shù)為0.85；浮水植被、挺水植被和沉水植被的用戶精度分別達到了78.30％、84.32％和91.30％。精度評價結(jié)果理想，分類基本一致，而基于像元（pixel based，PB）的分類總精度達到了75.90%，Kappa系數(shù)為0.68，顯然比面向?qū)ο蟮姆椒ň鹊停虼?，基于面向?qū)ο笥跋穹治黾夹g(shù)的決策樹分類方法對濕地的水生植被提取有效。其中，利用此法得到的分類結(jié)果中浮水植被的精度較低，這是由于部分浮水植被零散分布，其范圍不足以達到Sentinel-2影像的像元大?。?0 m×10 m），且多存于養(yǎng)殖場與建筑圍欄附近，大部分以細長狀存在，多尺度分割后不能很好地將浮水植被與其他類別完全分開。另外，由于漁民在養(yǎng)殖場中大量飼養(yǎng)龍蝦、螃蟹、黃鱔、狐尾藻、金魚藻等，沉水植被與養(yǎng)殖場在影像上表現(xiàn)為光譜特征相似，易被混分。

2.2" 洪澤湖國家濕地公園挺水植被提取結(jié)果

洪澤湖國家濕地公園挺水植被2021年夏季的分布結(jié)果見圖8。由圖8可知，基于像元提取的挺水植被中出現(xiàn)混分較多的問題，“同物異譜”和“同譜異物”現(xiàn)象嚴(yán)重；由圖8b可知，在面向?qū)ο蟮奶崛〗Y(jié)果中，蘆葦、荷葉和菰3種植被都被較好地提取了出來，沒有過多零碎現(xiàn)象，這是由于在基于面向?qū)ο蟮姆椒ㄖ羞€借助了分割對象之間的上下文關(guān)系。兩種提取方法效果對比可知，基于面向?qū)ο蟮睦走_影像對種間分類效果要比基于像元的好。

利用誤差矩陣進行提取精度評價的結(jié)果如表3。由表3可知，在面向?qū)ο蟮姆N間分類中，總體精度達到了85.2%，Kappa系數(shù)為0.76，荷葉、蘆葦和菰的用戶精度分別為89.9％、94.3％和79.8％，而基于像元的分類總體精度為73.6%，Kappa系數(shù)為0.61，都沒有面向?qū)ο蟮木雀?，這也進一步證明了面向?qū)ο笥跋穹治黾夹g(shù)的可行性。從表3還可以看出，荷葉跟菰的混分現(xiàn)象比較明顯，這可能是由于部分菰零碎分布于荷葉中且與荷葉高度相似，在多尺度分割后并沒有完全將兩者分開，這才導(dǎo)致了精度較低，并且水的流速、濕地植被的密度差異以及植被物候期的不同都會影響對濕地挺水植被的準(zhǔn)確分類。這就需要實地考察得到更多的數(shù)據(jù)，如水的化學(xué)性質(zhì)、各種植被的物候期等，以此來進一步提高制圖精度。

3" 結(jié)" 論

基于面向?qū)ο蟮臎Q策樹遙感分類方法，對洪澤湖國家濕地公園水生植被和挺水植被進行分類，可以得到較為精確的分類結(jié)果。首先借鑒了面向?qū)ο笥跋穹治鲋械亩喑叨确指罴夹g(shù)，采用影像對象代替?zhèn)鹘y(tǒng)的像元，通過ESP方法選取最佳分割尺度，使分割結(jié)果接近濕地地物，保證了水生植被類群和挺水植被種群的提取純度；再根據(jù)Sentinel-2影像構(gòu)造的特征指數(shù)NDVI、EVSI和SR可以增大地類之間的差別；利用NDVI可以分離建筑與挺水植被和浮水植被。借助纓帽變換的TC1指數(shù)雖不能很好地區(qū)分養(yǎng)殖場，但進一步借助養(yǎng)殖場與水生植被的上下文關(guān)系可以將其與敞水區(qū)有效區(qū)分；再結(jié)合Sentinel-1雷達影像對于高度差異的挺水植被所對應(yīng)的后向散射系數(shù)的不同來進行區(qū)分，從而達到挺水植被的物種分類，這些結(jié)合決策樹分類法可以有效地提高分類精度。

本研究最終得到洪澤湖濕地國家濕地公園以養(yǎng)殖場和水生植被為主，水生植被中以沉水植被和挺水植被為主，浮水植被僅占一小部分；挺水植被中以蘆葦和荷葉為主，菰只有少量。該方法尚存在需完善之處，如在對影像的分割尺度選擇上，缺少對單類地物最佳尺度的選擇，因此，僅靠單景光學(xué)影像和雷達影像難以進行更加詳細的劃分。在后續(xù)的研究中，還需要多時序的光學(xué)影像以及結(jié)合其他數(shù)據(jù)源來進行物種之間更加精確的劃分。

參考文獻（reference）：

［1］MURPHY F，SCHMIEDER K，BAASTRUP-SPOHR L，et al．Five decades of dramatic changes in submerged vegetation in lake constance．Aquat Bot，2018，144：31-37．DOI： 10.1016/j.aquabot.2017.10.006.

［2］羅菊花，楊井志成，段洪濤，等．淺水湖泊水生植被遙感監(jiān)測研究進展．遙感學(xué)報，2022，26（1）：68-76．LUO J H，YANG J，DUAN H T，et al．Research progress of aquatic vegetation remote sensing in shallow lakes．J Remote Sens，2022，26（1）：68-76．

［3］MASSICOTTE P，BERTOLO A，BRODEUR P，et al．Influence of the aquatic vegetation landscape on larval fish abundance．J Gt Lakes Res，2015，41（3）：873-880．DOI： 10.1016/j.jglr.2015.05.010.

［4］RUAN R Z，ZHANG L．Changes of Hongze Lake wetlands in the past three decades//2010 6th International Conference on Wireless Communications Networking and Mobile Computing （WiCOM）．Chengdu：IEEE，2010：1-4．DOI： 10.1109/WICOM.2010.5601034.

［5］夏雙，阮仁宗，顏梅春，等．洪澤湖濕地類型變化分析．南京林業(yè)大學(xué)學(xué)報（自然科學(xué)版），2012，36（1）：38-42．XIA S，RUAN R Z，YAN M C，et al．Analysis of long-term change in Hongze Lake wetlands．J Nanjing For Univ （Nat Sci Ed），2012，36（1）：38-42．DOI： 10.3969/j.issn.1000-2006.2012.01.008.

［6］阮仁宗，馮學(xué)智，肖鵬峰，等．洪澤湖天然濕地的長期變化研究．南京林業(yè)大學(xué)學(xué)報（自然科學(xué)版），2005，29（4）：57-60．RUAN R Z，F(xiàn)ENG X Z，XIAO P F，et al．Long-term change of natural wetland of Hongze Lake．J Nanjing For Univ，2005，29（4）：57-60．DOI： 10.3969/j.issn.1000-2006.2005.04.014.

［7］FLP G．Performance of Sentinel-2 data in unsupervised classification：a case study of statistical comparison with Landsat 8 OLI．J Agric Inform，2016，7（1）：1-12．DOI： 10.17700/jai.2016.7.1.280.

8〗阮仁宗，夏雙，陳遠，等．1979—2006年洪澤湖西岸臨淮鎮(zhèn)附近湖泊變化研究．濕地科學(xué)，2012，10（3）：344-349．RUAN R Z，XIA S，CHEN Y，et al．Change of lake nearby Linhuai Town in west bank of Hongze Lake during 1979-2006．Wetl Sci，2012，10（3）：344-349．DOI： 10.13248/j.cnki.wetlandsci.2012.03.014.

9〗張殿岱，王雪梅．基于高分辨率遙感影像的植被分類方法比較．林業(yè)資源管理，2021（3）：108-113．ZHANG D D，WANG X M．Comparison of vegetation classification methods based on high resolution remote sensing image．For Resour Manag，2021（3）：108-113．DOI： 10.13466/j.cnki.lyzygl.2021.03.017.

COLKESEN I，KAVZOGLU T．Ensemble-based canonical correlation forest （CCF） for land use and land cover classification using Sentinel-2 and Landsat OLI imagery．Remote Sens Lett，2017，8（11）：1082-1091．DOI： 10.1080/2150704X.2017.1354262.

PULETTI N，CHIANUCCI F，CASTALDI C．Use of Sentinel-2 for forest classification in Mediterranean environments.2017，12（4）：1463-1450．DOI：10.12899/ASR-1463.

WANG Y Q，MITCHELL B R，NUGRANAD-MARZILLI J，et al．Remote sensing of land-cover change and landscape context of the National Parks：a case study of the Northeast Temperate Network．Remote Sens Environ，2009，113（7）：1453-1461．DOI： 10.1016/j.rse.2008.09.017.

XUE B，LIN X H．Water system segmentation method of high resolution remote sensing image based on eCognition．J Phys：Conf Ser，2020，1651（1）：012162．DOI： 10.1088/1742-6596/1651/1/012162.

聶倩，七珂珂，趙艷福．融入超像素分割的高分辨率影像面向?qū)ο蠓诸悾疁y繪通報，2021（6）：44-49．NIE Q，QI K K，ZHAO Y F．Object-oriented classification of high-resolution image combining super-pixel segmentation．Bull Surv Mapp，2021（6）：44-49．DOI： 10.13474/j.cnki.11-2246.2021.0174.

STEINHAUSEN M J，WAGNER P D，NARASIMHAN B，et al．Combining Sentinel-1 and Sentinel-2 data for improved land use and land cover mapping of monsoon regions．Int J Appl Earth Obs Geoinf，2018，73：595-604．DOI： 10.1016/j.jag.2018.08.011.

RUIZ L F C，GUASSELLI L A，SIMIONI J P D，et al．Object-based classification of vegetation species in a subtropical wetland using Sentinel-1 and Sentinel-2A images．Sci Remote Sens，2021，3：100017．DOI： 10.1016/j.srs.2021.100017.

WHYTE A，F(xiàn)ERENTINOS K P，PETROPOULOS G P．A new synergistic approach for monitoring wetlands using Sentinels-1 and 2 data with object-based machine learning algorithms．Environ Model Softw，2018，104：40-54．DOI： 10.1016/j.envsoft.2018.01.023.

［18］王靖，吳見．融入空間信息的濕地信息提取技術(shù)．南京林業(yè)大學(xué)學(xué)報（自然科學(xué)版），2014，38（4）：19-22．WANG J，WU J．Wetland information extraction technology integrated by spatial information．J Nanjing For Univ （Nat Sci Ed），2014，38（4）：19-22．DOI： 10.3969/j.issn.1000-2006.2014.04.004.

［19］劉瑞清，李加林，孫超，等．基于Sentinel-2遙感時間序列植被物候特征的鹽城濱海濕地植被分類．地理學(xué)報，2021，76（7）：1680-1692．LIU R Q，LI J L，SUN C，et al．Classification of Yancheng coastal wetland vegetation based on vegetation phenological characteristics derived from Sentinel-2 time-series．Acta Geogr Sin，2021，76（7）：1680-1692．DOI： 10.11821/dlxb202107008.

黃啟武，王克孟．江蘇省淮陰市土壤志．北京：科學(xué)技術(shù)文獻出版社，1990．HUANG Q W，WANG K M．Soil fauna of Huaiyin City，Jiangsu Province．Beijing：Scientific and Technical Documents Publishing House，1990．

吳翼，戴蓉，徐勇峰，等．洪澤湖河湖交匯區(qū)土地利用時空動態(tài)．南京林業(yè)大學(xué)學(xué)報（自然科學(xué)版），2016，40（4）：22-28．WU Y，DAI R，XU Y F，et al．Spatial and temporal changes in wetland use in the meeting place of Hung-tse Lake and Huaihe River．J Nanjing For Univ （Nat Sci Ed），2016，40（4）：22-28．DOI： 10.3969/j.issn.1000-2006.2016.04.004.

張樓香，阮仁宗，夏雙．洪澤湖濕地紋理特征參數(shù)分析．國土資源遙感，2015，27（1）：75-80．ZHANG L X，RUAN R Z，XIA S．Parameter analysis of image texture of wetland in the Hongze Lake．Remote Sens Land Resour，2015，27（1）：75-80．DOI： 10.6046/gtzyyg.2015.01.12.

姚建平．洪澤湖自然資源的開發(fā)和利用．自然資源，1994，16（5）：25-30． YAO J P．The development and utilization of natural resources in Hongze Lake．Nat Resour，1994，16（5）：25-30．

楊斌，李丹，王磊，等．基于Sentinel-2A岷江上游地表生物量反演與植被特征分析．科技導(dǎo)報，2017，35（21）：74-80．YANG B，LI D，WANG L，et al．Retrieval of surface vegetation biomass information and analysis of vegetation feature based on Sentinel-2A in the upper of Minjiang River．Sci Technol Rev，2017，35（21）：74-80．DOI： 10.3981/j.issn.1000-7857.2017.21.009.

DEFINIENTS IMAGE GMBH. eCognition User Guide.Germany ： Trimble， 2004.

BAATZ M， BENZ U， DEHGHANI S. eCognition Developer 8.0.1-User Guide. Germany ： Trimble， 2010.

DRGU瘙塃 L，TIEDE D，LEVICK S R．ESP：a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data．Int J Geogr Inf Sci，2010，24（6）：859-871．DOI： 10.1080/13658810903174803.

國土資源部.TD/T 1063-1994 土地利用現(xiàn)狀調(diào)查省級匯總技術(shù)規(guī)程.北京：中國標(biāo)準(zhǔn)出版社，1994.

疏小舟，尹球，匡定波．內(nèi)陸水體藻類葉綠素濃度與反射光譜特征的關(guān)系．遙感學(xué)報，2000，4（1）：41-45．SHU X Z，YIN Q，KUANG D B．Relationship between algal chlorophyll concentration and spectral reflectance of inland water．J Remote Sens，2000，4（1）：41-45．DOI： 10.3321/j.issn：1007-4619.2000.01.008.

FRIEDL M A，BRODLEY C E．Decision tree classification of land cover from remotely sensed data．Remote Sens Environ，1997，61（3）：399-409．DOI： 10.1016/s0034-4257（97）00049-7.

HANSEN M，DUBAYAH R，DEFRIES R．Classification trees：an alternative to traditional land cover classifiers．Int J Remote Sens，1996，17（5）：1075-1081．DOI： 10.1080/01431169608949069.

LUO J H，LI X C，MA R H，et al．Applying remote sensing techniques to monitoring seasonal and interannual changes of aquatic vegetation in Taihu Lake，China．Ecol Indic，2016，60：503-513．DOI： 10.1016/j.ecolind.2015.07.029.

ZHU J G，HU W P，LIU X，et al．A review of the studies on the response of aquatic vegetation to hydrodynamic stress in lakes．Acta Eco Sin，2019，39（2）：454-459．DOI： 10.5846/stxb201801300245.

（責(zé)任編輯" 鄭琰燚）