穆亞南， 丁麗霞， 李 楠， 陸琳瑩， 吳 明

（1.浙江農(nóng)林大學(xué) 省部共建亞熱帶森林培育國(guó)家重點(diǎn)實(shí)驗(yàn)室，浙江 杭州，311300；2.浙江農(nóng)林大學(xué) 浙江省森林生態(tài)系統(tǒng)碳循環(huán)與固碳減排重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 311300；3.浙江農(nóng)林大學(xué) 環(huán)境與資源學(xué)院，浙江 杭州311300；4.南京林業(yè)大學(xué) 生物與環(huán)境學(xué)院，江蘇 南京210037；5.中國(guó)林業(yè)科學(xué)研究院亞熱帶林業(yè)研究所，浙江杭州311400）

濕地為全球三大生態(tài)系統(tǒng)之一，因其穩(wěn)定環(huán)境、保護(hù)物種基因和提供資源等功能而被稱為 “地球之腎” “生物基因庫(kù)”和 “人類搖籃”［1］。濕地植被作為濕地的重要組成部分，在濕地生態(tài)系統(tǒng)中發(fā)揮著促淤、凈化水環(huán)境、為鳥類和魚類提供食物等關(guān)鍵性作用［2］，其分布狀況反映出濕地的水質(zhì)、土壤等分布特征和健康信息［2］。杭州灣是中國(guó)濱海濕地的南北分界線，物種、群落和生境多樣性豐富，代表了中北亞熱帶過(guò)渡濕地類型的動(dòng)植物區(qū)系［3］。因此，詳細(xì)了解和掌握該區(qū)濕地植被的分布狀況有助于正確認(rèn)識(shí)并發(fā)揮濕地的資源優(yōu)勢(shì)和生態(tài)屏障作用，同時(shí)，也可為濕地植被恢復(fù)技術(shù)和區(qū)域生物多樣性及其形成機(jī)制研究提供數(shù)據(jù)支持。傳統(tǒng)的實(shí)地調(diào)查方法耗時(shí)費(fèi)力、更新速度慢且無(wú)法實(shí)現(xiàn)大范圍動(dòng)態(tài)監(jiān)測(cè)?；谶b感技術(shù)提取濕地植被信息逐漸成為濕地研究的熱點(diǎn)。在遙感分類方法方面，面向?qū)ο?、支持向量機(jī)、決策樹模型、神經(jīng)網(wǎng)絡(luò)等方法被廣泛應(yīng)用，如WANG等［4］通過(guò)北京1號(hào)小衛(wèi)星數(shù)據(jù)提取時(shí)間序列歸一化植被指數(shù)（normalized difference vegetation index,NDVI）和植被水分指數(shù)（vegetation-water index,VWI）， 采用可支持向量機(jī)（support vector machine,SVM）實(shí)現(xiàn)了鄱陽(yáng)湖濕地植被功能型分類。在濕地植被的提取結(jié)果方面，植被劃分大多不精細(xì)或是只提取單一植被類型，如張雪紅［5］基于Landsat-8數(shù)據(jù)構(gòu)建決策樹模型，有效提取出紅樹林的分布信息。近年來(lái)，隨著高分辨率和高光譜影像普及，越來(lái)越多高質(zhì)量的遙感影像被用于濕地植被信息提取，如DECHKA等［6］基于IKONOS影像進(jìn)行紋理特征和NDVI分析，通過(guò)線性判別和無(wú)監(jiān)督ISODATA算法獲取濕地植被群落信息。徐菲楠等［7］基于QuickBird影像，利用地物光譜、植被指數(shù)、紋理特征通過(guò)模糊分類法提取額濟(jì)納綠洲的主要植被覆蓋類型。李明澤等［8］基于高光譜數(shù)據(jù)用光譜角制圖（spectral angle mapping,SAM）方法得到扎龍濕地的6種典型植被分布狀況。ZHANG等［9］利用面向?qū)ο蠓椒ǚ治鯤yperion數(shù)據(jù)并經(jīng)過(guò)機(jī)器學(xué)習(xí)分類，識(shí)別出南佛羅里達(dá)州Kissimmee河谷濕地的14種植被群落?？傮w來(lái)看，隨著遙感數(shù)據(jù)日益多樣化，濕地植被提取研究日趨深化，研究方法逐漸由基于像元向面向?qū)ο筠D(zhuǎn)變、植被分類提取也更加精細(xì)。高分辨率影像與面向?qū)ο蠓治龇椒ńY(jié)合不僅在較大程度上解決了基于像元的傳統(tǒng)方法難以克服的光譜混淆、混合像元等問(wèn)題，而且能充分挖掘影像的紋理與形狀信息，有利于提高分類精度［10-12］。而隨機(jī)森林算法是基于決策樹的新型機(jī)器學(xué)習(xí)算法，因其分類精度優(yōu)、運(yùn)算速度快和算法穩(wěn)定等特點(diǎn)而被廣泛應(yīng)用［13-14］。目前，基于高分影像將2種方法結(jié)合應(yīng)用到濱海濕地植被分類上的研究鮮有報(bào)道。本研究以杭州灣南岸QuickBird影像和野外調(diào)查數(shù)據(jù)為數(shù)據(jù)源，在QuickBird影像最優(yōu)分割尺度的基礎(chǔ)上將面向?qū)ο蠓治雠c隨機(jī)森林模型相結(jié)合，高精度地提取濕地植被信息。

1 研究區(qū)概況

杭州灣濱海濕地類型以淺海水域和潮間淤泥海灘為主。研究區(qū)（30°16′32.98″N～30°21′59.99″N，121°4′36.91″E～121°10′52.05″E）是杭州灣南岸灘涂淤漲最快的區(qū)段之一， 也是圍墾利用最為突出的區(qū)段之一。該區(qū)域濕地具有調(diào)節(jié)氣候、凈化環(huán)境、調(diào)蓄洪水、保護(hù)海岸線和維護(hù)生物多樣性等多種生態(tài)功能［15］（圖1）。研究區(qū)主要土地利用類型有耕地、水體、不透水地表、田埂等；濕地植被主要有蘆葦Phragmites communis，海三棱藨草Scirpus mariqueter，互花米草Spartina alterniflora，南方堿蓬Suaeda australis等［16］。

圖1 研究區(qū)地理位置Figure 1 Location of the study area

2 數(shù)據(jù)及方法

2.1 數(shù)據(jù)

2.1.1 數(shù)據(jù)來(lái)源與預(yù)處理 遙感數(shù)據(jù)為2013年9月4日9:29的QuickBird影像，云量為0.7%，為退潮時(shí)刻，潮高僅145 cm，空間分辨率高（全色波段0.6 m）。由于遙感數(shù)據(jù)獲取時(shí)存在誤差，對(duì)所采用的影像進(jìn)行輻射校正，主要是輻射定標(biāo)和大氣校正，來(lái)消除依附于輻射亮度的各種失真。為增強(qiáng)圖像分辨率，選用Gram-schmidt方法對(duì)全色波段與多光譜波段進(jìn)行了融合，較好地保持影像的紋理和光譜信息。

2.1.2 樣本數(shù)據(jù) 通過(guò)野外實(shí)地考察，建立影像判讀標(biāo)志，運(yùn)用目視解譯方法在最優(yōu)分割結(jié)果的圖像上，隨機(jī)選擇對(duì)象作為訓(xùn)練樣本。為便于植被信息提取，結(jié)合中國(guó)科學(xué)院土地利用遙感監(jiān)測(cè)分類系統(tǒng)［17］，將研究區(qū)土地覆蓋分為蘆葦、海三棱藨草、互花米草、南方堿蓬、人工植被、光灘、耕地、水體、不透水地表、田埂、其他等共11類地物，各地物樣本個(gè)數(shù)分別為56，82，15，8，71，188，143，555，76， 29， 13個(gè)。

2.2 面向?qū)ο蠓治?/h3>

2.2.1 圖像分割 在圖像預(yù)處理的基礎(chǔ)上，借助eCognition Developer 8.9軟件對(duì)QuickBird影像進(jìn)行分割，對(duì)比自上而下的棋盤分割和四叉樹分割易產(chǎn)生正方形對(duì)象，選用符合實(shí)際且被廣泛應(yīng)用的多尺度分割。多尺度分割算法是一種自下而上的分割算法，從單個(gè)像元開始向上逐漸合并成較大的對(duì)象，直到滿足所設(shè)置的異質(zhì)性閾值為止。異質(zhì)性閾值是由用戶設(shè)定以衡量形狀/顏色和緊致度/平滑度的權(quán)重參數(shù)。考慮到光譜在植被信息提取中重要作用以及緊致度的不敏感性，定義形狀顏色權(quán)重參數(shù)分別為0.1和0.9，緊致度和平滑度均為0.5，分割尺度的范圍為［20,200］，并以步長(zhǎng)10進(jìn)行多次分割。對(duì)19次的多尺度分割的結(jié)果分別計(jì)算并導(dǎo)出每個(gè)對(duì)象的光譜均值、方差及面積，便于下一步評(píng)價(jià)最優(yōu)分割尺度。

2.2.2 最優(yōu)分割尺度計(jì)算模型 目前評(píng)價(jià)最優(yōu)尺度的方法主要有3種：一是憑借經(jīng)驗(yàn)，這種方法具有一定的主觀性；二是選取尺度鑒別指標(biāo)，但往往會(huì)強(qiáng)調(diào)某個(gè)因素的作用；三是構(gòu)建最優(yōu)分割尺度計(jì)算模型，這種方法是從對(duì)象內(nèi)的同質(zhì)性和對(duì)象間的異質(zhì)性來(lái)判斷分割的質(zhì)量，是一種全局最優(yōu)判斷方法［18］。故本研究根據(jù)JOHNSON等［19］研究理論，利用近紅外、紅、綠3個(gè)波段對(duì)研究區(qū)QuickBird影像多尺度分割的結(jié)果進(jìn)行定量化計(jì)算，得到度量對(duì)象內(nèi)差異性的加權(quán)方差（weighted variance,wVar）和度量對(duì)象間整體相似度的全局Moran指數(shù)（Moran’s index,MI），全局評(píng)分（global score,GS）以及平均全局評(píng)分（average global score,AGS）。JOHNSON等［19］證明了平均全局評(píng)分最低的分割尺度是加權(quán)方差和空間自相關(guān)的最低組合，可被定義為最優(yōu)分割尺度。

表1 對(duì)象的光譜、形狀、紋理特征匯總說(shuō)明Table 1 Spectral,shape and texture features of the object

表2 對(duì)象各種指數(shù)說(shuō)明Table 2 Object of a variety of index instructions

2.3 對(duì)象特征變量提取

光譜、紋理、形狀、位置等特征值是區(qū)分不同地物的重要變量。通過(guò)eCognition Developer 8.9導(dǎo)出最優(yōu)分割尺度下對(duì)象層中每個(gè)對(duì)象的各類特征值變量（表1～2），組成一個(gè)數(shù)據(jù)集。光譜特征是遙感圖像分類的最主要特征，除利用對(duì)象的各個(gè)波段均值和標(biāo)準(zhǔn)差這2個(gè)變量以外，還考慮近紅外和紅外波段是植被光譜特征的敏感波段，藍(lán)、綠和紅波段在提取水體上具有較好的效果，故在濱海濕地植被分類中多基于上述波段構(gòu)建特征變量， 如歸一化植被指數(shù)（NDVI）［20］， 歸一化差值濕度指數(shù)（NDWI）［21］， 比值植被指數(shù)（RVI）［22］和土壤調(diào)整植被指數(shù)（SAVI）等［23-24］。 紋理提取的方法主要有基于統(tǒng)計(jì)描述、 基于小波變換、基于應(yīng)用分形理論以及基于地統(tǒng)計(jì)學(xué)4種方法［25］。其中，基于統(tǒng)計(jì)描述的灰度共生矩陣（grey-level cooccurrence matrix，GLCM）被證明在植被分類中發(fā)揮著重要作用［26-27］。故選取灰度共生矩陣算法來(lái)提取對(duì)象的紋理信息。幾何屬性主要描述對(duì)象的形狀和大小，研究區(qū)內(nèi)覆蓋著大量幾何特征較規(guī)則的水產(chǎn)養(yǎng)殖塘和耕地，提取幾何特征變量將有助于分類精度的提高。位置屬性是指對(duì)象的中心點(diǎn)坐標(biāo)以及到圖像邊框的距離，研究區(qū)內(nèi)的地物類型大多與海岸線的位置相關(guān)，故提取對(duì)象的位置信息。

2.4 隨機(jī)森林算法分類

隨機(jī)森林模型是基于決策樹的新型機(jī)器學(xué)習(xí)算法。先從原始數(shù)據(jù)集中有放回地抽取N個(gè)新訓(xùn)練集，抽取數(shù)量約為原始數(shù)據(jù)集的2/3，并在新訓(xùn)練集中隨機(jī)抽取K個(gè)屬性生產(chǎn)決策樹。最后，集合N棵決策樹的預(yù)測(cè)結(jié)果，采用投票的方式?jīng)Q定新樣本的類別，利用每次抽樣未被抽到的1/3數(shù)據(jù)可估計(jì)內(nèi)部誤差［31］。在許多機(jī)器學(xué)習(xí)算法中，隨機(jī)森林具有以下3個(gè)特點(diǎn)和優(yōu)勢(shì)：一是分類表現(xiàn)優(yōu)異，能在未做特征選取和刪除的條件下處理大數(shù)據(jù)；二是人工干預(yù)很少，通常不需要做數(shù)據(jù)預(yù)處理，能根據(jù)數(shù)據(jù)自行確定所用特征；三是運(yùn)算速度快，易于做并行化處理。將最優(yōu)分割尺度下提取的數(shù)據(jù)集和準(zhǔn)備好的樣本對(duì)象在 WEKA（Waikato environment for knowledge analysis）［32］軟件中進(jìn)行基于隨機(jī)森林模型分類。 張曉羽等［33］研究證明：隨機(jī)森林參數(shù)設(shè)置對(duì)分類精度影響不敏感，故本研究使用默認(rèn)參數(shù)建立隨機(jī)森林模型。

2.5 精度驗(yàn)證

在ArcMap10.2中對(duì)每種類型分層創(chuàng)建至少30個(gè)隨機(jī)點(diǎn)并在原始QuickBird圖像上目視解譯生成420個(gè)驗(yàn)證點(diǎn)。將驗(yàn)證結(jié)果與分類結(jié)果對(duì)比分析，由此得出混淆矩陣，并計(jì)算出制圖精度、用戶精度、總體精度和Kappa系數(shù)來(lái)評(píng)價(jià)此分類方法在濱海濕地植被分類中的精度。

3 結(jié)果

3.1 多尺度分割結(jié)果

從圖2可以看出：同一區(qū)域，隨著分割尺度的增大，分割的對(duì)象數(shù)量越來(lái)越少，而對(duì)象的數(shù)量直接影響運(yùn)算速度和分類精度。當(dāng)分割尺度太低時(shí)，對(duì)象數(shù)量大幅度增加，運(yùn)算的速度將大大減慢。相反，當(dāng)分割尺度太高時(shí)，對(duì)象數(shù)量減少，易造成不同地物分割為一個(gè)對(duì)象，從而降低分類精度。因此，對(duì)多尺度分割結(jié)果進(jìn)行定量評(píng)價(jià)，找到最優(yōu)分割尺度尤為重要。

圖2 研究區(qū)局部不同尺度的分割結(jié)果對(duì)比Figure 2 Comparison of the segmentation results of different scales in the study area

3.2 最優(yōu)分割尺度選擇

從圖3A和圖3B可知：隨著分割尺度的增加，加權(quán)方差愈來(lái)愈大而全局Moran指數(shù)呈遞減趨勢(shì)。這說(shuō)明隨著分割尺度的不斷增大，對(duì)象內(nèi)部將增加更多不相似的像素（即對(duì)象內(nèi)的同質(zhì)性愈小），而對(duì)象間的差異性越來(lái)越顯著（即對(duì)象間的異質(zhì)性愈大）。在這種異質(zhì)性更大的情況下，隨著分割尺度的增加，方差將繼續(xù)增加，全局Moran指數(shù)將繼續(xù)減小，直到對(duì)象變得足夠大以至于包含許多不同土地覆蓋類型。比較所有多尺度分割的平均全局評(píng)分（圖3C）可知，分割尺度為170的圖像層具有最低的平均全局評(píng)分（0.999 2）。此圖像層在紅波段和近紅外的全局評(píng)分也較低（圖3D）。結(jié)果表明：分割尺度為170時(shí)，對(duì)象內(nèi)部最均勻的同時(shí)，相鄰對(duì)象的差異性最大，符合被廣泛接受的最優(yōu)分割尺度選擇原則，所以170為研究區(qū)最優(yōu)分割尺度。

3.3 圖像分類及精度評(píng)價(jià)

在170分割尺度的圖像層上將QuickBird影像的光譜、紋理、形狀、位置等信息融合成數(shù)據(jù)集后進(jìn)行隨機(jī)森林分類，最終根據(jù)分類系統(tǒng)將研究區(qū)內(nèi)的地物類型分成5類濱海濕地植被和6類土地利用類型（圖4）。在整個(gè)研究區(qū)內(nèi)分層隨機(jī)選取420個(gè)點(diǎn)驗(yàn)證得到混淆矩陣和精度評(píng)價(jià)結(jié)果，從表3中可以看出：分類總體精度為86.90%，Kappa系數(shù)為0.85。就濱海濕地植被而言，海三棱藨草的制圖精度最高，達(dá)到100%，分類結(jié)果最好，蘆葦次之。制圖精度較差的為南方堿蓬和互花米草，其中南方堿蓬的精度只有63.33%。這主要是由于南方堿蓬大多分布在田埂或水體旁，不易與田埂、水體及光灘區(qū)分。5類濱海濕地植被的用戶精度均達(dá)到85.00%以上。由此可以看出，在面向?qū)ο蠓治龅幕A(chǔ)上對(duì)濱海濕地植被進(jìn)行隨機(jī)森林模型分類的方法是可行的。

圖3 各分割尺度的加權(quán)方差（A），全局Moran指數(shù)（B），全局評(píng)分（C）以及平均全局評(píng)分（D）Figure 3 Weighted varianc e（A）,Moran’s inde x（B）,average global score s（C） and global scores values（D） for all single-scale segmentations

4 討論

4.1 圖像分割尺度對(duì)分類的影響

在面向?qū)ο蠓诸愔?，圖像分割是基礎(chǔ)步驟，分割質(zhì)量的好壞直接影響著分類精度的高低，因此評(píng)價(jià)圖像分割的質(zhì)量在面向?qū)ο蠓治鲋衅鸬街陵P(guān)重要的作用。本研究在最優(yōu)分割尺度選擇時(shí)采用JOHNSON等［19］提出的平均全局評(píng)分。這一指標(biāo)綜合考慮了各個(gè)波段的對(duì)象內(nèi)的同質(zhì)性和對(duì)象間的異質(zhì)性，能夠有效地克服主觀性而達(dá)到客觀、定量評(píng)價(jià)的目的。JOHNSON等［19］得出的最優(yōu)分割尺度為70，研究區(qū)大小為150 m×150 m的市區(qū)；而本研究得出最優(yōu)的分割尺度為170，研究區(qū)面積擴(kuò)大近萬(wàn)倍、地物類型較多且植被較復(fù)雜的濱海濕地地區(qū)?？梢?jiàn)，最優(yōu)分割尺度會(huì)隨研究區(qū)域的土地覆蓋特點(diǎn)不同而產(chǎn)生明顯變化。因此，在面向?qū)ο蠓诸愡^(guò)程中，快速定量確定最優(yōu)的圖像分割尺度是十分必要的。本研究的分類結(jié)果也說(shuō)明了用平均全局評(píng)分法定量確定圖像分割尺度是高效的，對(duì)高分辨率遙感影像進(jìn)行影像分割評(píng)價(jià)具有借鑒意義。

4.2 隨機(jī)森林模型對(duì)分類結(jié)果精度的影響

為了充分利用高分辨率遙感數(shù)據(jù)的信息，基于最優(yōu)分割尺度的對(duì)象層采取了多種特征數(shù)據(jù)融合，用于隨機(jī)森林模型分類。數(shù)據(jù)融合時(shí)提取對(duì)象的特征共有53個(gè)，包括21個(gè)光譜特征、17個(gè)紋理、4個(gè)幾何、4個(gè)形狀、4個(gè)位置。這53個(gè)特征參數(shù)均作為變量參與隨機(jī)森林模型分類，充分挖掘和利用了原始圖像的信息，有效地提高濕地植被分類的精度。井然等［11］利用航片影像一系列植被指數(shù)建立決策樹對(duì)公園人工濕地植被分類，總體精度達(dá)到91.7%；喬婷等［34］應(yīng)用SPOT-5結(jié)合隸屬度和閾值提取東洞庭湖濕地植被信息，總體精度為87.69%。雖然這些研究都是運(yùn)用的面向?qū)ο蠓治龇椒?，但是分類方法與過(guò)程有很大的差異。本研究所采用的多種特征參與的隨機(jī)森林分類方法提取濱海濕地植被，在研究區(qū)內(nèi)分類類型多且地類混雜的情況下分類精度不低。這種將多特征融合與隨機(jī)森林模型結(jié)合的面向?qū)ο蠓诸惙椒ㄟm于高分辨遙感數(shù)據(jù)的濱海濕地植被分類。

圖4 研究區(qū)分類結(jié)果圖Figure 4 Results of classification

表3 基于面向?qū)ο蠛碗S機(jī)森林模型分類結(jié)果的混淆矩陣Table 3 Error matrix and accuracy assessment for object-based classification based on the classification tree

耕地的用戶精度較低，主要有2個(gè)原因：一是研究區(qū)內(nèi)耕地上主要種植的是玉米Zea mays，蔬菜等農(nóng)作物，這些作物的光譜特征和蘆葦、南方堿蓬、人工植被在原始波段的藍(lán)、綠波段光譜特征相似，分類時(shí)導(dǎo)致耕地易與蘆葦、南方堿蓬、人工植被混淆；二是研究所用遙感圖像拍攝于9月，恰好是一部分農(nóng)作物收割的時(shí)候，所以其裸露地表和不透水地表不易區(qū)分。應(yīng)加強(qiáng)位置特征的比例或數(shù)量，因?yàn)楦丶蟹植加谘芯繀^(qū)東南部，與位于圍墾區(qū)蘆葦和南方堿蓬具有顯著的位置差異。對(duì)于互花米草、南方堿蓬制圖精度不夠理想的問(wèn)題，可能因其分布面積過(guò)小，選取的訓(xùn)練樣本偏少造成，可以考慮增加訓(xùn)練樣本數(shù)量。

4.3 濱海濕地植被分布特征

研究區(qū)內(nèi)典型的濱海濕地植被有海三棱藨草、蘆葦、互花米草、南方堿蓬4類。海三棱藨草主要集中分布于潮間帶，呈與海平面平行的條帶狀，面積為38.13 km2，分別占全區(qū)總面積的13.61%和濕地植被總面積的47.94%，為研究區(qū)面積最大的濕地植被。研究區(qū)域的灘涂是由杭州灣南岸海涂快速淤積而新生的鹽沼濕地，處于自然狀態(tài)，受人為影響較小，為海三棱藨草的發(fā)育和繁衍提供了良好的棲息環(huán)境。濕地植被中蘆葦主要分布在離海岸較近的圍墾區(qū)域，面積較大為16.93 km2，占濕地植被總面積的21.29%，僅次于海三棱藨草，其中杭州灣濕地公園有較大面積的蘆葦。這一區(qū)域?yàn)┩坷靡运a(chǎn)養(yǎng)殖為主，土壤鹽度下降，適宜蘆葦大面積生長(zhǎng)。南方堿蓬主要分布在田埂上或道路兩旁，面積僅為11.95km2，占濕地植被總面積的15.03%。而互花米草則零星分布且面積較小。

濱海濕地植被隨著離海岸線距離遠(yuǎn)近依次呈現(xiàn)海三棱藨草-互花米草-蘆葦-人工植被的空間分布特點(diǎn)，反映了人們利用濱海灘涂時(shí)，所引起的生態(tài)環(huán)境變化對(duì)植被分布的影響。海三棱藨草主要分布在新生灘涂形成的潮間帶，土壤含鹽量和含水量較高，它作為先鋒物種，具有促淤和防浪的功能，這對(duì)灘涂生態(tài)環(huán)境的改造具有重要作用?；セ撞菥o隨著海三棱藨草出現(xiàn)，顯示了灘涂的抬升使土壤含鹽量和含水量發(fā)生了變化。但由于近年來(lái)人類把互花米草作為入侵物種進(jìn)行治理，研究區(qū)內(nèi)互花米草的面積較少。隨著向內(nèi)陸延伸，蘆葦面積逐漸增加，并伴隨有南方堿蓬出現(xiàn)。人工植被的出現(xiàn)反映人類開始對(duì)濕地進(jìn)行干預(yù)，改變植被的自然演替格局。這說(shuō)明灘涂隨著自然演變與人為開發(fā)利用，濱海濕地生態(tài)環(huán)境發(fā)生較大變化，濕地生態(tài)環(huán)境在空間的分異引起了適生植被在空間分布上的差異。由此，我們可以根據(jù)濱海濕地植被的分布特征推斷其生長(zhǎng)環(huán)境特征，達(dá)到對(duì)濕地生態(tài)環(huán)境監(jiān)測(cè)和保護(hù)的目的。

5 結(jié)論

以QuickBird數(shù)據(jù)和野外考察數(shù)據(jù)為數(shù)據(jù)源，運(yùn)用面向?qū)ο蟮乃枷?，綜合圖像最優(yōu)分割、特征融合以及隨機(jī)森林模型分類方法，對(duì)杭州灣南岸部分區(qū)域的濱海濕地植被進(jìn)行了分類與精度評(píng)價(jià)，得出以下結(jié)論：①運(yùn)用全局最優(yōu)評(píng)分法是獲得圖像最優(yōu)分割尺度的客觀高效的方法，對(duì)提高分類精度具有重要作用。②綜合運(yùn)用面向?qū)ο蟮奶卣魅诤?、隨機(jī)森林算法等方法，對(duì)高分辨率遙感影像，能有效精確提取濕地植被。③植被的空間分布反映了濱海濕地的開發(fā)利用程度、生態(tài)環(huán)境特征和健康狀況，故可將濱海植被在海岸帶的空間分布圖作為評(píng)價(jià)濱海濕地的生態(tài)環(huán)境的重要信息。