摘要" 本文基于谷歌地球引擎平臺(tái)（GEE），利用Landsat遙感數(shù)據(jù)，研究了2011—2020年松嫩平原西部地區(qū)的水文情勢(shì)變化。通過(guò)融合歸一化植被指數(shù)（NDVI）、改進(jìn)歸一化水體指數(shù)（mNDWI）和自動(dòng)水體提取指數(shù)（AWEIsh）等多種植被水文指數(shù)，借助ReliefF重要性特征選擇算法和CART決策樹(shù)模型，對(duì)2011—2020年該地區(qū)的水體分布進(jìn)行了動(dòng)態(tài)監(jiān)測(cè)。結(jié)果表明，相比單一指數(shù)算法，融合指數(shù)在遙感水體識(shí)別中具有較大優(yōu)勢(shì)，可以有效發(fā)現(xiàn)被植被掩蓋的水體。研究區(qū)水體面積10年間經(jīng)歷了減少后波動(dòng)增加，整體呈減少的趨勢(shì)，至2020年識(shí)別的水體面積為24 118.05 km2。土地類型轉(zhuǎn)換分析結(jié)果表明，消退的水體主要轉(zhuǎn)變成植被，凈轉(zhuǎn)出面積約5 388.78 km2。通過(guò)對(duì)主要降水變化和人類活動(dòng)影響的分析，發(fā)現(xiàn)人為干擾是導(dǎo)致松嫩平原西部水體減少的主要原因。本研究為松嫩平原西部水資源管理和生態(tài)保護(hù)提供參考。

關(guān)鍵詞" 水文情勢(shì)；融合指數(shù)；時(shí)空變化；影響因素

中圖分類號(hào)" P237；P333" " " "文獻(xiàn)標(biāo)識(shí)碼" A" " " "文章編號(hào)" 1007-7731（2025）02-0101-07

DOI號(hào)" 10.16377/j.cnki.issn1007-7731.2025.02.019

Monitoring of hydrological situation in the western part of Songnen Plain based on fusion index

LI Donghe

（Harbin Normal University， Harbin 150025， China）

Abstract" Based on the Google Earth Engine（GEE） platform and Landsat remote sensing data， a study was conducted on the hydrological situation in the western region of the Songnen Plain from 2011 to 2020. By integrating multiple vegetation hydrological indices such as normalized difference vegetation index （NDVI）， modified normalized water body index （mNDWI）， automatic water extraction index （AWEIsh）， and utilizing the ReliefF importance feature selection algorithm and CART decision tree model， dynamic monitoring of water distribution in the region from 2011 to 2020 was conducted. The results indicate that compared to existing single index algorithms， the fusion index has significant advantages in remote sensing water body recognition， and can effectively detect water bodies obscured by vegetation. The water area in the western part of the Songnen Plain had experienced a decrease followed by a fluctuating increase over the past 10 years， showing an overall decreasing trend. As of 2020， the identified water area was 24 118.05 km2. The result of land type conversion analysis showed that the receding water bodies were mainly transformed into vegetation， with a net outflow area of approximately 5 388.78 km2. By comparing the main precipitation changes and the impact of human activities， it was found that the main reason for the reduction of water bodies in the western part of the Songnen Plain was human interference. This study provides a reference for water resources management and ecological protection in the Songnen Plain.

Keywords" hydrological situation; fusion index; spatiotemporal changes; influence factor

水是地球上重要的自然資源之一，其不僅是維持生命的基本要素，也是生態(tài)系統(tǒng)健康和社會(huì)經(jīng)濟(jì)發(fā)展的關(guān)鍵驅(qū)動(dòng)力[1]。水體在生態(tài)系統(tǒng)中扮演著多種重要角色，包括調(diào)節(jié)氣候、維持生物多樣性、支持農(nóng)業(yè)生產(chǎn)以及提供飲用水和工業(yè)用水等。水文循環(huán)受氣候變化影響顯著，隨著全球氣候變化加劇和人類活動(dòng)的加劇，水資源的時(shí)空分布和質(zhì)量正在發(fā)生變化[2]。在農(nóng)業(yè)密集區(qū)如松嫩平原，水資源的動(dòng)態(tài)監(jiān)測(cè)對(duì)保障糧食安全、保護(hù)濕地生態(tài)系統(tǒng)以及維護(hù)區(qū)域生態(tài)環(huán)境的可持續(xù)性具有重要作用[3]。

遙感技術(shù)作為獲取區(qū)域和全球水體信息的重要手段，能夠在不同空間尺度上直觀地展示水體的分布狀況和動(dòng)態(tài)變化[4]。如歸一化差異水體指數(shù)（Normalized difference water index，NDWI）作為一種有效的水體提取方法，能夠敏感地反映水體的存在和變化，被廣泛應(yīng)用于水資源監(jiān)測(cè)和水環(huán)境評(píng)價(jià)等領(lǐng)域[5]。相關(guān)研究利用NDWI作為衡量地表水體分布的主要指標(biāo)，用于間接反映水體的面積、深度和水質(zhì)狀況[6-8]。然而，以往的研究方法存在僅使用水體指數(shù)導(dǎo)致指數(shù)單一、需要本地運(yùn)算導(dǎo)致部署不夠靈活等缺點(diǎn)，因此，需要結(jié)合多種指數(shù)和云計(jì)算來(lái)彌補(bǔ)這一缺陷。

本文基于谷歌地球引擎（Google earth engine， GEE）平臺(tái)[9]，利用多種植被、水文指數(shù)，構(gòu)建了一套適用于松嫩平原西部水體監(jiān)測(cè)的方法體系。通過(guò)GEE平臺(tái)對(duì)研究區(qū)的水體變化進(jìn)行時(shí)空分析；結(jié)合多時(shí)相衛(wèi)星數(shù)據(jù)提取水體信息[10]，分析其動(dòng)態(tài)變化特征；評(píng)估研究區(qū)內(nèi)不同水體的時(shí)空分布規(guī)律，并提出相應(yīng)的管理對(duì)策。旨在為松嫩平原的水資源管理和生態(tài)保護(hù)提供科學(xué)依據(jù)。

1 材料與方法

1.1 研究區(qū)基本情況

松嫩平原西部地區(qū)位于44°30′—48°30′ N，118°30′—124°30′ E。屬于溫帶大陸性季風(fēng)氣候，年均降水量500～800 mm，海拔150～250 m，地形平坦，土壤肥沃，土質(zhì)主要為黑土和棕壤。松嫩平原西部地區(qū)是重要的商品糧生產(chǎn)基地之一，盛產(chǎn)大豆、高粱、馬鈴薯、小麥、玉米、亞麻、甜菜和向日葵等農(nóng)產(chǎn)品。該地區(qū)是內(nèi)陸鹽堿濕地集中分布區(qū)域之一，分布有扎龍、莫莫格和向海等重要濕地[11]，具有重要的生態(tài)價(jià)值，在維持區(qū)域水文平衡、調(diào)節(jié)氣候、保護(hù)生物多樣性、凈化水質(zhì)和固碳釋氧等方面發(fā)揮重要作用[12-14]。

1.2 數(shù)據(jù)來(lái)源與處理

2010年前后松嫩平原實(shí)施了多項(xiàng)生態(tài)補(bǔ)水和濕地恢復(fù)政策，如退耕還林還草，顯著改善了生態(tài)環(huán)境，然而，對(duì)于補(bǔ)水效果和補(bǔ)水后的水文情勢(shì)監(jiān)測(cè)缺乏系統(tǒng)研究。因此，本文使用GEE平臺(tái)2011—2020年松嫩平原西部所有云覆蓋率低于10%的Landsat 5/7/8 TM/ETM+/OLI表面反射率（SR）圖像。Landsat影像具有30 m的空間分辨率和16 d的時(shí)間分辨率。Landsat 7圖像于2003年5月之后掃描線校正器（SLC）損壞，導(dǎo)致 ETM+圖像中出現(xiàn)條帶缺口[15]。利用GEE提供的Landsat 7 SLC-off Collection 1 Tier 1 SR影像集，是一種經(jīng)過(guò)條帶修復(fù)的數(shù)據(jù)集，使用了Gap-Fill算法，根據(jù)相鄰的有效像元進(jìn)行插值，填充無(wú)效像元。Landsat 5和7表面反射率數(shù)據(jù)集是由Landsat生態(tài)系統(tǒng)擾動(dòng)自適應(yīng)處理系統(tǒng)（LEDAPS） 算法生成的，Landsat 8表面反射率數(shù)據(jù)是根據(jù)Landsat表面反射率代碼（LaSRC）算法生成的。所有數(shù)據(jù)均經(jīng)過(guò)了大氣校正和輻射校正，消除了大氣散射、吸收以及傳感器老化等因素的影響，同時(shí)進(jìn)行了幾何校正，確保影像的空間精度，便于多時(shí)相數(shù)據(jù)的疊加和對(duì)比。此外，GEE還使用了CFMask和FMask等云掩膜算法，自動(dòng)識(shí)別并去除影像中的云層和陰影，從而提高數(shù)據(jù)的使用質(zhì)量。不同分辨率的波段通過(guò)重采樣技術(shù)統(tǒng)一，使各波段數(shù)據(jù)可以更精確的進(jìn)行分析。

由于水體的物理屬性，使其無(wú)法在陡峭的地面上孤立存在；同時(shí)斜坡相較于水平地面在遙感影像中因?yàn)槠浔恍l(wèi)星接收的反射強(qiáng)度低于一般水平地面從而被錯(cuò)分為水體。Landsat影像去除地形影響后，仍然需要將數(shù)字高程模型（Digital elevation model，DEM）作為影響因素用于評(píng)價(jià)是否存在水體。這些數(shù)據(jù)可以通過(guò) GEE 平臺(tái)公共數(shù)據(jù)目錄進(jìn)行訪問(wèn)。此外，SRTM數(shù)據(jù)用于獲取松嫩平原西部的高程（Elevation）、坡度（Slope）和坡向（Aspect）。這3個(gè)參數(shù)用于評(píng)價(jià)水體覆蓋情況。

根據(jù)GEE提供的Quickbird圖像、輔助數(shù)據(jù)和現(xiàn)場(chǎng)采樣，確定了研究區(qū)3種主要的水文情況：水體、植被和裸地（包含城市和未利用地）。針對(duì)每種水文情況選擇感興趣區(qū)（ROI），并提取它們的地表反射。為減少偏差，訓(xùn)練和測(cè)試樣本隨機(jī)分布在選定的ROI中。本文選取了9個(gè)植被指數(shù)、水體指數(shù)和地形指數(shù)用于區(qū)分水體、植被和裸地。在GEE中共選取了30 230個(gè)典型樣本點(diǎn)，按7∶3比例劃分，21 161個(gè)樣本點(diǎn)作為訓(xùn)練樣本對(duì)模型進(jìn)行訓(xùn)練，9 069個(gè)樣本點(diǎn)作為驗(yàn)證樣本用于驗(yàn)證訓(xùn)練結(jié)果。

1.3 研究方法

1.3.1 特征選取 本文旨在研究松嫩平原西部水文情勢(shì)長(zhǎng)期變化，在以往的研究中，對(duì)水體的研究主要使用各種衛(wèi)星的水體指數(shù)和波段，而沼澤濕地和水田在空間上存在植被與水體的空間疊合，因而在指數(shù)選取時(shí)應(yīng)加入植被指數(shù)對(duì)植被冠層下的水體進(jìn)行搜尋和分析。

在本研究中，選擇歸一化植被指數(shù)（NDVI）、增強(qiáng)型植被指數(shù)（Enhanced vegetation index，EVI）和重歸一化植被指數(shù)（Re-normalized difference vegetation index，RDVI）3種源自融合時(shí)間序列圖像的植被指數(shù)，用于識(shí)別植被物候特征。這些指數(shù)可以反映地表植被狀態(tài)，計(jì)算如式（1）～（3）。

NDVI= （ρ_NIR-ρ_Red）/（ρ_NIR+ρ_Red ） （1）

EVI=2.5× （ρ_NIR-ρ_Red）/（ρ_NIR+6×ρ_Red-7.5×ρ_Blue+1） （2）

RDVI= （ρ_NIR-ρ_Red）/√（ρ_NIR+ρ_Red ） （3）

此外，從融合時(shí)間序列圖像得出以下3個(gè)水文指數(shù)來(lái)呈現(xiàn)水文狀況：自動(dòng)水體提取指數(shù)（Automated water ex-traction index， AWEIsh）、改進(jìn)的歸一化差異水指數(shù)（Modified normalized difference water index，mNDWI）、地表水分指數(shù)（Land surface water index，LSWI）。這些水文指數(shù)可以增強(qiáng)水文特征，同時(shí)有效抑制甚至消除土地、植被和土壤噪聲，計(jì)算如式（4）～（6）。

AWEIsh=ρ_Blue+2.5×ρ_Green-1.5×（ρ_NIR+ρ_SWIR1）-0.25×ρ_SWIR2 （4）

mNDWI= （ρ_Green-ρ_SWIR）/（ρ_Green+ρ_SWIR ） （5）

LSWI= （ρ_NIR-ρ_SWIR1）/（ρ_NIR+ρ_SWIR1 ） （6）

式中，ρ_NIR、ρ_Red、ρ_Blue、ρ_Green、ρ_SWIR1和ρ_SWIR2分別表示Landsat圖像的近紅外、紅色、藍(lán)色、綠色和短波紅外波段。

1.3.2 ReliefF算法 ReliefF算法是一種特征選擇算法，用于從高維數(shù)據(jù)中選擇出最具有分類能力的特征。該算法可以幫助簡(jiǎn)化數(shù)據(jù)集，減少特征數(shù)量，提高模型的效率和準(zhǔn)確度。ReliefF算法是在Relief算法基礎(chǔ)上發(fā)展而來(lái)的，Relief算法只能處理兩類數(shù)據(jù)的分類問(wèn)題，而ReliefF算法可以處理多類別問(wèn)題。ReliefF算法的基本原理是，每次從訓(xùn)練樣本集中隨機(jī)取出一個(gè)樣本R，然后從和R同類的樣本集中找出R的k個(gè)近鄰樣本（Near hits），從每個(gè)R的不同類的樣本集中均找出k個(gè)近鄰樣本（Near misses），然后根據(jù)這些樣本更新每個(gè)特征的權(quán)重。特征的權(quán)重越大，表示該特征的分類能力越強(qiáng)，反之，表示該特征分類能力越弱。ReliefF算法計(jì)算如式（7）。

W_new （A）=W_old （A）-∑_（j=1）^k（diff（A，E，H_j））/mk+∑_（C≠class（R））[（p（C））/（1-p（class（R））） ∑_（j=1）^k（diff（A，R，M_j （C）））/mk] （7）

式中，W（A）表示特征A的權(quán)重，m表示抽樣次數(shù)，k表示近鄰樣本個(gè)數(shù)，R表示隨機(jī)選取的樣本，H_j表示和R同類的第j個(gè)近鄰樣本，M_j（C）表示類別C中和R不同類的第j個(gè)近鄰樣本，diff（A，R1，R2）表示樣本R1和R2在特征A上的差，p（C）表示類別C在訓(xùn)練集中的概率，class（R）表示R的類別。

對(duì)本研究而言，樣本點(diǎn)的特征A是離散值，則diff（A，R1，R2）的計(jì)算如式（8）。通過(guò)ReliefF方法對(duì)選擇的植被和水體指數(shù)進(jìn)行篩選。

diff（A，R_1，R_2）={├ （0，R_1 （A）=R_2 （A）@1，R_1 （A）≠R_2 （A））} ┤= （8）

1.3.3 CART決策樹(shù) 決策樹(shù)（Decision tree）是在已知各種情況發(fā)生概率的基礎(chǔ)上，通過(guò)決策樹(shù)來(lái)求取凈現(xiàn)值的期望值大于等于零的概率，評(píng)價(jià)項(xiàng)目風(fēng)險(xiǎn)，判斷其可行性的決策分析方法，是一種直觀運(yùn)用概率分析的圖解方法。分類回歸樹(shù)（Classification and regression tree，CART）是通過(guò)使用基尼系數(shù)（Gini）來(lái)代替信息增益率，從而避免復(fù)雜的對(duì)數(shù)運(yùn)算?；嵯禂?shù)代表了模型的不純度，基尼系數(shù)越小，則不純度越低，特征越好。在分類問(wèn)題中，假設(shè)有K個(gè)類，樣本點(diǎn)屬于第k類的概率為p_k，則概率分布的基尼系數(shù)定義如式（9）。

Gini（p）=∑_（k=1）^k?p_k （1-p） （9）

CART決策樹(shù)首先將優(yōu)選的分類特征信息賦予到樣本，然后對(duì)輸入的樣本集進(jìn)行循環(huán)訓(xùn)練分析，生成二叉樹(shù)形式的決策樹(shù)，整個(gè)過(guò)程以決策點(diǎn)的基尼系數(shù)值最小的屬性作為分裂的方案，最終得到融合指數(shù)下的分類結(jié)果。使用誤差矩陣、用戶準(zhǔn)確率（UA）、生產(chǎn)者準(zhǔn)確率（PA）、總體準(zhǔn)確率（OA）和kappa系數(shù)等指標(biāo)來(lái)驗(yàn)證模型的分類精度。

1.3.4" 土地類型轉(zhuǎn)移矩陣" " 土地利用轉(zhuǎn)移矩陣是一種分析工具，用于量化特定時(shí)期內(nèi)土地利用類型之間的轉(zhuǎn)換。該矩陣詳細(xì)記錄了土地利用類型的轉(zhuǎn)變面積、方向以及變化結(jié)構(gòu)，為研究人員提供了一種有效手段，以探究土地利用格局在時(shí)間和空間維度上的演變特征。通過(guò)該矩陣的分析，深入了解2011—2020年研究區(qū)土地利用變化，完善對(duì)松嫩平原西部整體的水文情勢(shì)監(jiān)測(cè)。

1.3.5 模型驗(yàn)證方法 全球地表水范圍數(shù)據(jù)集（GSWED）提供了長(zhǎng)時(shí)間序列的全球水體范圍信息，其時(shí)間分辨率為8 d，空間分辨率為30 m，覆蓋范圍為2001—2020年?；贚andsat影像的mNDWI是一種廣泛使用的水體提取方法。這兩個(gè)數(shù)據(jù)集提供了一個(gè)全面的水體范圍參考，能夠評(píng)估本研究中水體分類結(jié)果的一致性和準(zhǔn)確性。通過(guò)對(duì)比分析，評(píng)估本研究方法在水體識(shí)別方面的性能，并識(shí)別與傳統(tǒng)方法和產(chǎn)品的差異。

2 結(jié)果與分析

2.1 松嫩平原西部水體識(shí)別

為利用基于時(shí)間序列圖像的多種指數(shù)融合繪制松嫩平原西部土地類型圖，利用ReliefF選擇算法對(duì)融合指數(shù)中的植被和水文指數(shù)進(jìn)行重要性排序，結(jié)果見(jiàn)圖1，從結(jié)果可以看出，NDVI、mNDWI、AWEIsh、RDVI、Slope和LSWI在特征選擇中具有較高的重要性，而EVI、Aspect和Elevation的權(quán)重值明顯小于其他指數(shù)。因此，在后續(xù)的土地類型圖繪制過(guò)程中去除EVI、Aspect和Elevation，以提高模型的效率和準(zhǔn)確性。

對(duì)高相關(guān)性的指數(shù)在GEE中使用CART決策樹(shù)進(jìn)行土地類型分類，得到各個(gè)土地類型的指數(shù)范圍和剪枝優(yōu)化后的決策樹(shù)（圖2）?？梢钥闯觯珹WEIsh指數(shù)對(duì)水體最敏感，當(dāng)AWEIsh值大于-0.58時(shí)，可判定為水體；在區(qū)分裸地與水體時(shí)需LSWI、NDVI、mNDWI 3種指數(shù)（LSWIgt;0.24，NDVIgt;0.38，mNDWIgt;-0.16）。決策樹(shù)驗(yàn)證結(jié)果見(jiàn)表1，經(jīng)過(guò)驗(yàn)證，基于CART決策樹(shù)的分類結(jié)果展現(xiàn)出了卓越的性能，分類結(jié)果的總體分類準(zhǔn)確率為94.26%，Kappa系數(shù)為0.912。表明分類結(jié)果的高度一致性和可靠性。這一結(jié)果不僅證實(shí)了所選遙感指數(shù)在土地類型分類中的有效性，也展現(xiàn)了CART算法在處理復(fù)雜遙感數(shù)據(jù)和應(yīng)用中的強(qiáng)大潛力。

將松嫩平原西部地區(qū)CART決策樹(shù)的水體結(jié)果與對(duì)應(yīng)年份GSWED和mNDWI指數(shù)獲取的水體面積進(jìn)行比較（圖3），發(fā)現(xiàn)兩種方法對(duì)植被下水體的探測(cè)處于部分缺失狀態(tài)，水體面積差值達(dá)到8 063.99和6 872.31 km2，對(duì)比發(fā)現(xiàn)兩種方法主要覆蓋了開(kāi)放水體和濕地，對(duì)部分水田的探測(cè)存在缺失。

CART決策樹(shù)的水體面積結(jié)果見(jiàn)圖4，2011—2020年松嫩平原西部地區(qū)水體面積呈現(xiàn)出較強(qiáng)的年際變化。10年中水面最大值出現(xiàn)在2012年，達(dá)40 731.4 km2，最小值出現(xiàn)在2017年，為20 519.0 km2，差值20 212.4 km2，年最大增幅13.9%，最大降幅22.7%。10年來(lái)，松嫩平原西部地區(qū)年最小、最大水體面積經(jīng)歷了較大波動(dòng)，且在不同時(shí)間段內(nèi)其趨勢(shì)不同。整體來(lái)看，在2017年前水體面積呈持續(xù)下降趨勢(shì)，2017年后呈波動(dòng)上升趨勢(shì)，但整體處于下降趨勢(shì)（R2=0.721）。

2.2 土地類型轉(zhuǎn)換

根據(jù)CART分類結(jié)果構(gòu)建轉(zhuǎn)移矩陣，2011—2020年地類轉(zhuǎn)換情況見(jiàn)圖5，水體在10年間凈流出總面積4 578.88 km2，占水體總面積的18.9%。水體向其他土地類型轉(zhuǎn)出最多的是植被，凈轉(zhuǎn)出面積5 388.78 km2，占水體總轉(zhuǎn)出面積的93.3%。水體面積從36 968.06 km2減少到24 118.05 km2。

裸地與植被之間的相互轉(zhuǎn)化也較強(qiáng)烈，2011—2020年裸土向植被轉(zhuǎn)出10 509.22 km2，植被向裸土轉(zhuǎn)出5 326.97 km2，植被凈轉(zhuǎn)入5 182.25 km2，變化主要集中于城市周邊與鹽堿地周邊，同時(shí)在濕地景觀變化中也有體現(xiàn)。水體與裸地之間沒(méi)有大規(guī)模地類轉(zhuǎn)換情況出現(xiàn)，裸土對(duì)水體凈轉(zhuǎn)出面積1 698.44 km2，占裸地總面積的10.6%。

2.3 水體面積影響因素識(shí)別

通過(guò)將水體面積變化與2001—2020年松嫩平原西部地區(qū)年平均降水量（圖6）進(jìn)行比較發(fā)現(xiàn)，20年中該地區(qū)降水量呈波動(dòng)上升趨勢(shì)，與水體面積變化趨勢(shì)不匹配，可以得出降水不是松嫩平原西部地區(qū)水體面積變化的最直接因素。

通過(guò)分析CART結(jié)果，發(fā)現(xiàn)扎龍濕地及其附屬大小湖泊是松嫩平原西部地區(qū)水體的主要分布區(qū)域，其屬于松花江、嫩江流域。究其原因，可能是1955—1995年間，為抗擊洪澇災(zāi)害和保證生產(chǎn)，在松花江上游修建了多處水利工程，有豐滿水庫(kù)、南引水庫(kù)等蓄水水庫(kù)，三站灌區(qū)、薄荷臺(tái)灌區(qū)等灌溉水渠工程，以及防洪堤、引水渠將河水導(dǎo)入主干河道，以及20世紀(jì)末扎龍濕地及其水源補(bǔ)給地烏裕爾河和雙陽(yáng)河流域遭到大旱。這些自然和人為因素可能導(dǎo)致濕地的水量減少，濕地生態(tài)系統(tǒng)退化。

自2003年開(kāi)始，隨著退耕還林還草還濕工作的逐步實(shí)施，以及向重點(diǎn)濕地引流補(bǔ)水，至2013年累計(jì)向濕地補(bǔ)水19億m3，使該地區(qū)主要濕地和開(kāi)放水體得到部分恢復(fù)，符合2011—2013年水體增長(zhǎng)的變化趨勢(shì)。但隨著城市化和工業(yè)化的推進(jìn)，上游為保證其擁有充足的工業(yè)和生活用水，增大對(duì)松花江干流的截流調(diào)控，豐滿水庫(kù)蓄水量較往年顯著增加（圖7）。4—9月，水庫(kù)先后啟動(dòng)防洪、蓄水調(diào)度模式，大量滯留上游河水，導(dǎo)致下游流量和干流水位較低。黑龍江省作為重要的產(chǎn)糧地，松花江上游主要產(chǎn)糧地區(qū)產(chǎn)量逐年增加，下游的松嫩平原西部地區(qū)獲取水量開(kāi)始下降。同時(shí)主要濕地扎龍地區(qū)修建的公路、村屯破壞了濕地生態(tài)系統(tǒng)的完整性，導(dǎo)致景觀破碎度增大。上述因素與水體面積開(kāi)始波動(dòng)下降相吻合。

3 結(jié)論與討論

本文通過(guò)閾值分析將多數(shù)據(jù)融合的時(shí)間序列植被指數(shù)和水文指數(shù)集成到CART決策樹(shù)算法中，提出融合指數(shù)算法來(lái)提取水體。以往部分研究?jī)H使用水體指數(shù)提取植被下水體，對(duì)植被指數(shù)狀況的關(guān)注較少。植被指數(shù)是濕地植被下水體空間分布的關(guān)鍵影響因素，空間上植被與水體重合的情況下水體對(duì)植被、水體指數(shù)結(jié)果產(chǎn)生較大的影響。通過(guò)建立時(shí)間序列的融合指數(shù)獲取松嫩平原西部10年內(nèi)的水文情況，可以更深入地探索濕地水文情勢(shì)的變化情況，以及裸地、水體和植被可能的發(fā)展趨勢(shì)。結(jié)果表明，與GSWED和mNDWI等水體指數(shù)相比，融合指數(shù)算法提高了植被下水體的發(fā)現(xiàn)量，提高了濕地和水田的光譜識(shí)別。

本研究利用ReliefF算法提取高相關(guān)性要素進(jìn)行CART決策樹(shù)分類算法，生成時(shí)間序列的松嫩平原西部淹水地圖?；诮Y(jié)果，得出以下結(jié)論。

（1）所提出的融合指數(shù)算法可以有效地提取淹水，研究區(qū)內(nèi)融合指數(shù)算法總體分類準(zhǔn)確率為94.26%，Kappa系數(shù)為0.912。發(fā)現(xiàn)水體面積比年度GSWED和mNDWI提取水體面積提高33.4%和28.4%。

（2）部分植被下水體存在空間上植被與水體重合，因此在遙感影像的地表反射與單一地類存在差異。依據(jù)NDVI、LSWI和mNDWI做出決策，能夠很好地區(qū)分水體與植被、裸地和水體。

（3）獲得了2011—2020年松嫩平原西部水體變化趨勢(shì)，并分析出研究區(qū)內(nèi)水體的主要影響因素為人為調(diào)控，為保護(hù)區(qū)的生態(tài)和水文管理提供參考。

本研究選取的數(shù)據(jù)截止至2020年，而近年來(lái)水體分布受到的干擾因素不斷增加，如氣候變化、人類活動(dòng)加劇等，這可能導(dǎo)致當(dāng)前的水文情勢(shì)與研究期間存在一定差異。因此，未來(lái)的研究應(yīng)將時(shí)間跨度延長(zhǎng)至近期，以更準(zhǔn)確地反映濕地生態(tài)系統(tǒng)在新環(huán)境下的動(dòng)態(tài)變化；同時(shí)，引入更多元的氣象數(shù)據(jù)、土壤濕度數(shù)據(jù)以及更高分辨率的遙感影像，從而更全面地分析水文情勢(shì)的變化。結(jié)合更豐富的數(shù)據(jù)源和指數(shù)探索將深度學(xué)習(xí)算法與現(xiàn)有分析方法相結(jié)合，以進(jìn)一步提高水體提取的精度。綜上，未來(lái)的研究可在時(shí)間跨度、數(shù)據(jù)豐富度和方法改進(jìn)等方面進(jìn)行拓展，以更全面、深入地了解水體分布和水文情勢(shì)的變化規(guī)律，為水體提取和水文管理提供科學(xué)依據(jù)。

參考文獻(xiàn)

[1] 左其亭. 水資源可持續(xù)利用研究歷程及其對(duì)我國(guó)現(xiàn)代治水的貢獻(xiàn)[J]. 地球科學(xué)進(jìn)展，2023，38（1）：1-8.

[2] 姜彤，孫赫敏，李修倉(cāng)，等. 氣候變化對(duì)水文循環(huán)的影響[J]. 氣象，2020，46（3）：289-300.

[3] 劉強(qiáng)，郭曉東，王長(zhǎng)琪，等. 松嫩平原環(huán)境演變及其對(duì)地下水資源影響[J]. 地質(zhì)論評(píng)，2024，70（增刊1）：205-207.

[4] 蘇龍飛，李振軒，高飛，等. 遙感影像水體提取研究綜述[J]. 國(guó)土資源遙感，2021，33（1）：9-19.

[5] 熊珂，常云鵬，關(guān)鍵. 基于歸一化差異水體指數(shù)的水體面積變化監(jiān)測(cè)[J]. 中南林業(yè)調(diào)查規(guī)劃，2024，43（2）：54-57.

[6] 李涵茂，陳健翔，賀紅志，等. 歸一化差異水分指數(shù)在衡邵盆地干旱監(jiān)測(cè)中的適用性研究[J]. 現(xiàn)代農(nóng)業(yè)科技，2024（8）：110-114.

[7] 于夢(mèng)鴿，高俁晗，孫陽(yáng). 基于吉林一號(hào)光譜星的東北地區(qū)春季水體識(shí)別方法對(duì)比研究[J]. 測(cè)繪與空間地理信息，2024，47（增刊1）：199-201.

[8] 岳兵，陳曦，李賽博，等. 識(shí)別液態(tài)和固態(tài)水的四波段水指數(shù)及其在咸海流域的應(yīng)用[J]. 中國(guó)科學(xué)（地球科學(xué)），2024，54（3）：788-807.

[9] 劉小燕，崔耀平，史志方，等. GEE平臺(tái)下多源遙感影像對(duì)洪災(zāi)的監(jiān)測(cè)[J]. 遙感學(xué)報(bào)，2023，27（9）：2179-2190.

[10] MU S J，YANG G S，XU X B，et al. Assessing the inundation dynamics and its impacts on habitat suitability in Poyang Lake based on integrating Landsat and MODIS observations[J]. Science of the total environment，2022，834：154936.

[11] 王世睿，黃迎新. 松嫩平原鹽堿地改良治理研究進(jìn)展[J]. 土壤與作物，2023，12（2）：206-217.

[12] 劉晨. 松嫩平原西部土壤有機(jī)碳時(shí)空變化及其影響因素分析[D]. 哈爾濱：哈爾濱師范大學(xué)，2017.

[13] 劉強(qiáng)，林楠，王長(zhǎng)琪，等. 松嫩平原濕地演變及其驅(qū)動(dòng)因素分析[J]. 地質(zhì)與資源，2023，32（1）：96-103.

[14] 梁道省，牟長(zhǎng)城，高旭，等. 松嫩平原濕地植物群落多樣性的環(huán)境梯度分布格局及控制因子[J]. 生態(tài)學(xué)報(bào)，2023，43（1）：339-351.

[15] CHEN J，ZHU X L，VOGELMANN J E，et al. A simple and effective method for filling gaps in Landsat ETM+ SLC-off images[J]. Remote sensing of environment，2011，115（4）：1053-1064.

（責(zé)任編輯：何" 艷）