邢 麗 瑋，牛 振 國 ，張 海 英

（1.首都師范大學／城市環(huán)境過程與數(shù)字模擬國家重點實驗室培育基地，北京 100048；2.中國科學院遙感與數(shù)字地球研究所／遙感科學國家重點實驗室，北京 100101）

0 引言

準確的濕地識別在濕地保護中具有重要意義［1］，衛(wèi)星遙感作為對地觀測的綜合技術(shù)，已被廣泛應(yīng)用于濕地提取和動態(tài)監(jiān)測中。但由于濕地處于水陸交匯處，生境復(fù)雜，在遙感影像上的光譜特征與其他地類往往存在較大的“同物異譜”和“同譜異物”現(xiàn)象，所以濕地的分類提取精度并不高。馬飛等［2］基于MODIS NDVI影像，獲取了珠穆朗瑪峰國家自然保護區(qū)沼澤濕地的分布圖，精度分析顯示造成誤差的主要原因為沼澤濕地與草地的時間序列譜線存在混淆現(xiàn)象。臧淑英等［3］利用三種分類方法對洪河國家級自然保護區(qū)進行濕地遙感分類，但三種方法均很難將草地和沼澤區(qū)分。Otukei等［4］利用多種分類方法對非洲東部國家烏干達的基巴萊區(qū)土地覆蓋類型進行了分類和變化監(jiān)測，精度評價結(jié)果發(fā)現(xiàn)草地、開放型草地和草本沼澤之間有明顯混淆現(xiàn)象。張寶雷等［5］基于多源數(shù)據(jù)對若爾蓋濕地進行了土地利用分類，精度檢驗結(jié)果發(fā)現(xiàn)，中覆蓋度草地與沼澤濕地較易混淆。由于草地光譜特征同沼澤具有相似性，紋理特征不明顯，地形輔助信息對其沒有太大的影響，可見草地制約著草本沼澤遙感分類的精度。

草本沼澤與草地本質(zhì)區(qū)別在于生長壞境不同，草地植被生長在旱地，而草本沼澤濕地植被生長在淺水、暫時或間歇水體所覆蓋的低地，二者的根本區(qū)別在于“濕”與“非濕”。所以充分利用遙感影像波段信息，選擇和提取合適的指標用于表示濕地特征“濕”是區(qū)分草本沼澤和草地的關(guān)鍵所在。根據(jù)波段組合特征及濕地生態(tài)系統(tǒng)組分（水、土壤和植被）在這些波段上的響應(yīng)，將目前常用濕度指數(shù)歸納為三類。

第一類是基于可見光和近紅外或短波紅外波段計算得到的，該類指數(shù)主要側(cè)重于地表水體信息的提取。Mcfeeters［6］根據(jù)歸一化植被指數(shù)NDVI的構(gòu)建思想，利用TM影像的綠波段（TM2）和近紅外（TM4）構(gòu)建了歸一化差異水體指數(shù)NDWI（Normalized Difference Water Index）。徐涵秋［7］利用Landstat衛(wèi)星TM影像的短波紅外波段TM5替換NDWI計算中近紅外波段TM4，提出了一種改進后的歸一化差異水體指數(shù)MNDWI（Modified NDWI），減少了城市環(huán)境中人工建筑物和土壤對水體提取結(jié)果的影響。曹榮龍等［8］將TM影像的紅光波段TM3替代了MNDWI中的綠波段TM2，構(gòu)造了修訂型歸一化水體指數(shù)RNDWI（Revised Normalized Difference Water Index）以提取北京市密云水庫水面。閆霈等［9］用近紅外波段與短波紅外波段的和代替ND-WI中的近紅外波段，提出了增強型水體指數(shù)EWI（Enhanced Water Index）。丁鳳［10］總結(jié)了以往研究，利用TM1、TM4、TM5、TM7 4個波段構(gòu)建了新型水體指數(shù)NWI（New Water Index）。

第二類是基于近紅外、短波紅外波段，主要是用于植被含水量的遙感反演。Sims等［11］研究發(fā)現(xiàn)950～970 nm、1 150～1 260 nm、1 520～1 540 nm波段和冠層水分相關(guān)性很好，是冠層含水量估算的較優(yōu)選擇。Rock等［12］發(fā)現(xiàn)1 600 nm和820 nm發(fā)射率的比值與植被等效水深EWT（Equivalent Water Thickness）高度相關(guān)，從而提出指數(shù) MSI（Moisture Stress Index）。Gao［13］利用860 nm 和1 240 nm 處的反射率比值指數(shù)經(jīng)非線性歸一化處理得歸一化差值水分指數(shù)NDWI，該指數(shù)的設(shè)計對含水量比較敏感，對散射效應(yīng)的敏感性差一些。Ceccato等［14］基于SPOT VEGETATION研究提出參數(shù)GVMI（Global Vegetation Moisture Index）使得水含量的反演從局部發(fā)展到整體。Zarco-Tejada等［15］基于 MODIS數(shù)據(jù)，建立了近紅外與短波紅外的比值濕度指數(shù)SRWI（Simple Ratio Water Index），對作物的含水量進行周期性測定。Chen等［16］也基于 MODIS數(shù)據(jù)短波紅外，建立了 NDWIB6，B2、NDWIB7，B2，以反演玉米的含水量。

第三類基于所有波段的纓帽變換得到第三分量：濕度指數(shù)（TC-Wetness）。這類指數(shù)中的系數(shù)依賴于遙感傳感器，不同遙感傳感器轉(zhuǎn)換系數(shù)不同。Zhang等［17］將纓帽變換擴展到MODIS數(shù)據(jù)。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

達賚湖國家級自然保護區(qū)（圖1）位于內(nèi)蒙古自治區(qū)東北部，地理位置為北緯47°45′50″～49°20′20″，東經(jīng)116°50′10″～118°10′10″，總面積達74萬hm。保護區(qū)內(nèi)土地覆蓋類型以永久性或季節(jié)性湖河、草本沼澤和草地為主，于2001年1月11日被列為國際重要濕地。保護區(qū)氣候?qū)儆诤Ｑ笮耘c大陸性氣候的交錯帶，為中溫帶半干旱大陸氣候，年均溫介于－1.3℃～0.4℃之間，年降水量247～319 mm，6－9月降水量占全年總量的80%～86%，年均蒸發(fā)量為1 636 mm。栗鈣土是保護區(qū)的地帶性土壤，夾雜分布著風沙土、草甸土和沼澤土。

1.2 數(shù)據(jù)與預(yù)處理

研究采用的衛(wèi)星遙感數(shù)據(jù)是搭載于EOS／Terra衛(wèi)星上的中等分辨率成像光譜儀MODIS獲取的反射率數(shù)據(jù)MOD09Q1和MOD09A1產(chǎn)品。MOD09Q1為250 m分辨率的8 d合成反射率數(shù)據(jù)MODIS的1波段（630～670 nm）和2波段（841～876 nm）。MOD09A1為500 m分辨率的8 d合成反射率數(shù)據(jù)MODIS的3－7波段（波段3：459～479 nm，波段4：545～600 nm，波段5：1 230～1 250 nm，波段6：1 628～1 652 nm，波段7：2 105～2 155 nm）。為保證數(shù)據(jù)分辨率一致，采用最近鄰點插值法，將MOD09A1插值成250 m空間分辨率。數(shù)據(jù)日期為2013年9月6日，該數(shù)據(jù)由美國國家宇航局（NASA）的EOS數(shù)據(jù)中心提供。由于MODIS數(shù)據(jù)為HDF格式，投影方式為SIN投影，為后期應(yīng)用對數(shù)據(jù)進行了投影變化、格式轉(zhuǎn)換和裁剪等預(yù)處理。

1.3 方法

1.3.1 分類系統(tǒng)與訓(xùn)練樣本選擇 基于研究區(qū)土地覆蓋類型實際分布情況，并結(jié)合250 m分辨率MODIS遙感數(shù)據(jù)對不同土地覆蓋類型的可分性，將分類體系劃分為兩級：一級類包括濕地和非濕地；二級類中，濕地包括沼澤和水體，非濕地包括裸地和草地。沼澤指地勢平坦低洼，排水不暢，長期潮濕，季節(jié)性積水或常積水，表層生長濕生植被的土地；水體包括湖泊、河流；裸地指地表為裸土或植被覆蓋度在5%以下的裸土地；草地指以生長旱生草本植被為主，覆蓋度在5%以上的土地。對于大尺度的土地覆蓋分類而言，通過實地考察選擇訓(xùn)練樣本非常困難。因此本研究在MODIS數(shù)據(jù)同時期的2013年9月8日的Landsat TM8影像上選擇樣本，選擇原則是每個樣本從至少9＊9窗口大小的純像元類型區(qū)域中心選取，再轉(zhuǎn)化為與MODIS對應(yīng)的樣本。各地類的訓(xùn)練樣點數(shù)依次為沼澤濕地：166，水體：64，裸地：77，草地：161。

1.3.2波譜曲線分析 通過研究區(qū)不同土地覆蓋類型的訓(xùn)練樣本點，提取各地類的MODIS光譜特征與所選濕度指數(shù)的特征箱線圖（圖2、圖3）。從圖2可以看出，水體的光譜曲線與其他3種地類差異明顯，從可見光到短波紅外波段逐漸減弱，反射率在綠波段最高，在近紅外及短波紅外波段吸收最強，幾乎無反射。草地與沼澤光譜曲線在可見光和近紅外波段相似，主要差異在短波紅外波段，主要是受到植物含水量的影響，沼澤植被由于特殊的生境，還受到背景水的影響，所以在短波紅外的反射率較草地要低。裸地隨著波長的增加而增加，在波段7受土壤含水量的影響反射率有所下降，保護區(qū)內(nèi)裸地主要以風沙土為主，土壤含水量低，因此整體的反射率高于其他地類。

圖2 不同地表覆蓋類型的MODIS光譜特征Fig.2 The characteristic curve of canopy spectral of different land cover types

通過箱體圖統(tǒng)計了不同地類在各個濕度指數(shù)上濕度特征，統(tǒng)計指標包括最大值、最小值、中位數(shù)、下四分位數(shù)和上四分位數(shù)。由圖3可以看出，對水體而言，常用的水體指數(shù)（NDWIB4，B2）表現(xiàn)最好，不僅類內(nèi)方差較小，且與其他地類具有很好的區(qū)分性，但在植物含水量濕度指數(shù)（NDWIB5，B2，NDWIB6，B2）上表現(xiàn)為較大的類內(nèi)方差，與其他地類不易區(qū)分。沼澤和草地在多數(shù)指數(shù)上表現(xiàn)出相似性，但草地的類內(nèi)方差要小于沼澤，這與沼澤為過渡生態(tài)系統(tǒng)、水分梯度在空間上變化較大有關(guān)。裸地在NDWIB4，B2指數(shù)上與其他地類差異最大，區(qū)分度最好。

圖3 不同濕度指數(shù)的箱體圖Fig.3 The Box-Whisker plots of the different wetness indexes

1.3.3 圖像分類 為探討不同濕度指數(shù)對濕地的提取能力，采用支持向量機（Support Vector Machine，SVM）分類方法，單獨以 NDWI、MNDWI、RNDWI、EWI和纓帽變換的濕度分量作為影像分類特征指數(shù)，以徑向基函數(shù)作為SVM中核函數(shù)建立分類模型，每一種濕度指數(shù)所采用的具體參數(shù)均為懲罰參數(shù)C＝100，RBF核函數(shù)參數(shù)γ＝1，將影像劃分為草地、裸地、水體和沼澤濕地4類（圖4）。

2 結(jié)果與分析

2.1 濕度指數(shù)區(qū)分濕地與非濕地的精度對比

圖4 不同濕度指數(shù)的分類結(jié)果Fig.4 The classification results of the different wetness indexes

在2013年9月8日的Landsat TM8影像上隨機產(chǎn)生研究區(qū)4地類的檢驗樣本。為了探討不同濕度指數(shù)區(qū)分一級類（濕地和非濕地）的能力，以沼澤和水體檢驗樣本點的總和作為濕地提取精度檢驗的樣本，以草地和裸地的檢驗樣本點總和作濕地類型的檢驗樣本。分別統(tǒng)計了濕地與非濕地的制圖精度和用戶精度作為判斷區(qū)分二者能力的標準，用戶精度表示從分類結(jié)果中任取一個隨機樣本，其所具有的類型與地面實際類型相同的概率。制圖精度表示相對于地面獲得的實際資料中的任意一個隨機樣本，分類圖上同一地點的分類結(jié)果與其相一致的概率。不同濕度指數(shù)的統(tǒng)計結(jié)果如圖5所示。圖像分類結(jié)果的評價既要看制圖精度也要看用戶精度，制圖精度和用戶精度兩者均高且相近，才能說明該類的提取結(jié)果好。通過圖5對比發(fā)現(xiàn)，區(qū)分一級類（濕地與非濕地）較好的幾個濕度指數(shù)為TC-Wetness、NDWIB5，B2和 NDWIB6，B2等，濕地與非濕地區(qū)分能力最好的指數(shù)為纓帽變換的濕度分量，制圖精度達97%以上，用戶精度達96%以上，其次為基于近紅外波段、短 波 紅 外 的 濕 度 指 數(shù) （NDWIB5，B2和 NDWIB6，B2），最差的為基于可見光和短波紅外的第一類濕度指數(shù)。TC-Wetness綜合考慮了7個波段特征，信息量最豐富，因此區(qū)分濕地與非濕地表現(xiàn)最優(yōu)。

對于第二類濕地指數(shù)（NDWIB5，B2和 NDWIB6，B2）而言，沼澤濕地植被由于冠層含水量高再加上背景水的影響，在近紅外、短波紅外波段，隨著波長的增大表現(xiàn)出和水體相同的下降趨勢，因此二者在NDWIB5，B2和 NDWIB6，B2為正值，而草地和裸地則表現(xiàn)為相反的趨勢，為負值，所以濕地與非濕地在NDWIB5，B2和 NDWIB6，B2上較易區(qū)分，且波段6（1 628～1 652 nm）較波段5（1 230～1 250 nm）對于植物含水量更敏感，因此加大了沼澤與草地的差異，所以在區(qū)分濕地與非濕地上 NDWIB6，B2較 NDWIB5，B2表現(xiàn)更好。

第一類濕地指數(shù)（NDWIB4，B2、MNDWI、RNDWI和EWI）區(qū)分濕地與非濕地的能力最差，主要原因為該類指數(shù)的構(gòu)建原理是水體在可見光波段的反射率明顯大于近紅外波段和短波紅外波段，而非水體地類不具有這一特征，并且水體在近紅外和短波紅外波段的反射率明顯低于非水體地類，所以除水體外，沼澤、草地和裸地在該類指數(shù)上差異不大，均有不同程度的混淆，尤其是沼澤和草地混淆較明顯。

2.2 濕度指數(shù)區(qū)分濕地亞類的精度對比

利用4地類檢驗樣點，采用總體精度和Kappa系數(shù)定量描述不同濕度指數(shù)區(qū)分二級類的總體能力（圖6）：總體精度表示所分類的結(jié)果與地面所對應(yīng)區(qū)域的實際類型相一致的概率；Kappa系數(shù)是一種測定分類結(jié)果和地面真實結(jié)果之間吻合度的指標，值越高說明分類結(jié)果越好。通過對比總體精度和Kappa系數(shù)，各濕度指數(shù)區(qū)分4種地類的總體能力由優(yōu)到劣為：NDWIB4，B2＞TC-Wetness＞MNDWI＞NDWIB5，B2＞NDWIB6，B2＞RNDWI＞EWI，NDWIB4，B2、TC-Wetness的總體精度達87%以上，Kappa系數(shù)達0.78，EWI總體精度只有58%，Kappa系數(shù)為0.42。

通過對比各個指數(shù)提取水體的用戶精度和制圖精度發(fā)現(xiàn)，提取水體最好的指數(shù)為第一類濕度指數(shù)，其次為第三類濕度指數(shù)，兩類指數(shù)的用戶精度和制圖精度（表1）均達到95%以上，最差的為第二類濕度指數(shù)，主要原因為水體被誤分為沼澤。提取水體各指數(shù)優(yōu)劣順序為NDWIB4，B2＞EWI＞MNDWI＞RNDWI＞TC-Wetness＞NDWIB5，B2＞NDWIB6，B2。

圖7 各個濕度指數(shù)的轉(zhuǎn)移矩陣Fig.7 The transfer matrix for different wetness indexes

分析對比各個指數(shù)的轉(zhuǎn)移矩陣圖（圖7），發(fā)現(xiàn)沼澤的提取精度不高。除TC-Wetness外，沼澤與草地在各個濕度指數(shù)上都有大面積的混分，綜合了7個波段的纓帽變換的濕度分量TC-Wetness區(qū)分沼澤與草地效果最好，沼澤的制圖精度達87.44%，用戶精度達76.59%，其他指數(shù)提取沼澤的精度都較低，第 一 類 濕 度 指 數(shù) （EWI、RNDWI、NDWIB4，B2和MNDWI）均出現(xiàn)了將部分草地錯分為沼澤，第二類濕度指數(shù)（NDWIB5，B2、NDWIB6，B2）除將草地錯分為沼澤外，還將水體錯分為沼澤，主要是因為水體和沼澤從近紅外到短波紅外變化趨勢一致，二者在第二類濕度指數(shù)上的特征值存在交叉。

對于非濕地類型的裸地和草地，無論是用戶精度還是制圖精度均最好的指數(shù)為NDWIB4，B2，說明二者在NDWIB4，B2上差異最大，最易區(qū)分。

3 結(jié)論

在區(qū)分一級類（濕地和非濕地）方面，基于纓帽變換的濕度分量TC-Wetness表現(xiàn)最好，其次為基于近紅外和短紅外的第二類濕度指數(shù)（NDWIB5，B2、NDWIB6，B2），最差的為可見光、近紅外或短波紅外波段的第一類濕度指數(shù)。在區(qū)分二級類方面，提取水體最好的指數(shù)為第一類濕度指數(shù)，以NDWIB4，B2為最優(yōu)；能有效消除草地對沼澤的干擾，提取沼澤最優(yōu)的指數(shù)為纓帽變換的濕度指數(shù)（TC-Wetness）；NDWIB4，B2指數(shù)在提取裸地和草地時效果較好。對于4種地類的分類結(jié)果總體表現(xiàn)最優(yōu)的為NDWIB4，B2，總體精度為88.7%，Kappa系數(shù)為0.80。雖然利用該濕度指數(shù)提取水體精度很高，但沼澤的提取精度較低，說明只利用濕度指數(shù)作為分類特征因子細分地類較難。需結(jié)合多個特征因子，如加入植被指數(shù)、地形特征因子等輔助數(shù)據(jù)，還可加入多時相影像用于提高分類結(jié)果精度。

研究區(qū)為達賚湖國家級自然保護區(qū)，湖河、草本沼澤和草地均具有代表性，而且樣點分布均勻、典型，所得結(jié)論適用于類似區(qū)域的濕地提取，但不同區(qū)域的濕地特征不同，因此最優(yōu)濕度指數(shù)存在差異性。

評價現(xiàn)有遙感濕度指數(shù)提取濕地的能力，可為大尺度濕地遙感監(jiān)測和制圖提供理論和技術(shù)基礎(chǔ)。與其他生態(tài)系統(tǒng)相比，濕地具有較強的動態(tài)性，在后續(xù)研究中將針對濕地的動態(tài)性特征開展進一步研究。另外現(xiàn)有遙感濕度指數(shù)都只適用于特定類型（水體）或特定區(qū)域條件下（如 MNDWI）的濕地監(jiān)測，研究和發(fā)展?jié)M足對濕地生態(tài)系統(tǒng)特征統(tǒng)一監(jiān)測需要的指標，也是未來濕地遙感監(jiān)測的重要內(nèi)容。

［1］ 楊永興.國際濕地科學研究進展和中國濕地科學研究優(yōu)先領(lǐng)域與展望［J］.地球科學進展，2002，17（4）：508－514.

［2］ 馬飛，闞璦珂，李景吉，等.珠穆朗瑪峰國家自然保護區(qū)沼澤濕地提取及其退化風險評價［J］.地球信息科學學報，2011，13（5）：594－610.

［3］ 臧淑英，張策，張麗娟，等.遺傳算法優(yōu)化的支持向量機濕地遙感分類［J］.地理科學，2012，32（4）：434－441.

［4］ OTUKEI J R，BLASCHKE T.Land cover change assessment using decision trees，support vector machines and maximum likelihood classification algorithms［J］.International Journal of Applied Earth Observation and Geoinformation，2010，12：S27－S31.

［5］ 張寶雷，張淑敏，周萬村.基于多源數(shù)據(jù)的若爾蓋濕地土地利用遙感自動調(diào)查［J］.土壤，2008，40（2）：283－287.

［6］ MCFEETERS S K.The use of the Normalized Difference Water Index（NDWI）in the delineation of open water features［J］.International Journal of Remote Sensing，1996，17（7）：1425－1432.

［7］ 徐涵秋.利用改進的歸一化差異水體指數(shù) （MNDWI）提取水體信息的研究［J］.遙感學報，2005，9（5）：589－595.

［8］ 曹榮龍，李存軍，劉良云，等.基于水體指數(shù)的密云水庫面積提取及變化監(jiān)測［J］.測繪科學，2008，33（2）：158－160.

［9］ 閆霈，張友靜，張元.利用增強型水體指數(shù)（EWI）和GIS去噪音技術(shù)提取半干旱地區(qū)水系信息的研究［J］.遙感信息，2008（6）：62－67.

［10］ 丁鳳.基于新型水體指數(shù) （NWI）進行水體信息提取的實驗研究［J］.測繪科學，2009，34（4）：155－157.

［11］ SIMS D A，GAMON J A.Estimation of vegetation water content and photosynthetic tissue area from spectral reflectance：A comparison of indices based on liquid water and chlorophyll absorption features［J］.Remote Sensing of Environment，2003（84）：526－537.

［12］ ROCK B N，VOGELMANN J E，WILLIAMS D L，et al.Remote detection of forest damage［J］.Bio-Science，1986（36）：439－445.

［13］ GAO B C.NDWI——a normalized difference water index for remote sensing of vegetation liquid water from space［J］.Remote Sensing of Environment，1996，58（3）：257－266.

［14］ CECCATO P，GOBRON N，F(xiàn)LASSE S，et al.Designing a spectral index to estimate vegetation water content from remote sensing data：Part 1：Theoretical approach［J］.Remote Sensing of Environment，2002，82（2）：188－197.

［15］ ZARCO－TEJADA P J，RUEDA C A，USTIN S L.Water content estimation in vegetation with MODIS reflectance data and model inversion methods［J］.Remote Sensing of Environment，2003，85（1）：109－124.

［16］ CHEN D，HUANG J，JACKSON T J.Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near-and short-wave infrared bands［J］.Remote Sensing of Environment，2005，98（2）：225－236.

［17］ ZHANG X，SCHAAF C B，F(xiàn)RIEDL M A，et al.MODIS tasseled cap transformation and its utility［A］.Geoscience and Remote Sensing Symposium［C］.2002.1063－1065.

［18］ ISLAM M A，THENKABAIL P S，KULAWARDHANA R W，et al.Semi-automated methods for mapping wetlands using Landsat ETM＋and SRTM data［J］.International Journal of Remote Sensing，2008，29（24）：7077－7106.

［19］ WESTRA T，DE WULF R R.Monitoring Sahelian floodplains using Fourier analysis of MODIS time-series data and artificial neural networks［J］.International Journal of Remote Sensing，2007，28（7）：1595－1610.

［20］ 王羲程.基于TM影像的青藏高原濕地提取方法研究［D］.西寧：青海師范大學，2012.

［21］ 鄒文濤，張懷清，鞠洪波，等.基于決策樹的高寒濕地類型遙感分類方法研究［J］.林業(yè)科學研究，2011，24（4）：464－469.