高 昕，李繼影，景 明，陳 瑜

（江蘇省蘇州環(huán)境監(jiān)測中心，江蘇 蘇州 215004）

0 引言

太湖位于長江三角洲的南緣，是中國五大淡水湖之一，位居第三，界北緯30°55'40" ～31°32'58"和東經(jīng)119°52'32"～120°36'10"之間，湖泊面積2 427.8 km2，北臨無錫，南瀕湖州，西依宜興，東近蘇州，其中太湖（蘇州轄區(qū)）占全太湖的近70%。水生植被作為湖泊生態(tài)系統(tǒng)的主要初級生產(chǎn)者，在維持水生態(tài)健康過程中扮演著至關重要的角色[1-3]，但從1960年以來，共有23 種水生植物從太湖消失[4]，隨著地區(qū)經(jīng)濟的快速發(fā)展和湖泊資源的不斷利用，大部分水面出現(xiàn)嚴重的藻型富營養(yǎng)化，許多水生植被消失，水質(zhì)惡化[5]。太湖水生植被分布的監(jiān)測與保護迫在眉睫。

遙感監(jiān)測能夠在一定程度上彌補傳統(tǒng)的環(huán)境監(jiān)測方法所遇到的時空間隔大、費時費力、難以具備整體、普遍意義和成本高的缺陷和困難[6]，在大型湖泊的水質(zhì)監(jiān)測、藍藻水華監(jiān)測等方面均有廣泛應用。如朱玉霞等[7]根據(jù)HJ-1 衛(wèi)星遙感影像，結(jié)合同步地面實測水質(zhì)數(shù)據(jù)，采用經(jīng)驗反演模型對丹江口水庫的水質(zhì)進行了定量遙感反演研究；史明等[8]利用TM 影像及人工站點實測數(shù)據(jù)對北京城區(qū)的水體葉綠素a 濃度進行了定量反演；金焰等[9]利用EOS/MODIS 數(shù)據(jù)開展了太湖藍藻水華時空分布規(guī)律信息的提取方法研究。太湖水生植被分布監(jiān)測的時間跨度大、空間距離長，僅依靠人工監(jiān)測明顯不足，故遙感技術監(jiān)測成為水生植被監(jiān)測的首選手段。

目前，遙感技術監(jiān)測水生植被主要有非監(jiān)督分類、監(jiān)督分類、決策樹等方法：非監(jiān)督分類不需要很多的先驗知識，它根據(jù)地物的光譜統(tǒng)計特性進行分類，使用非監(jiān)督分類對水生植被的分類，需要結(jié)合其他的輔助數(shù)據(jù)對提取的結(jié)果進行確認，因此，非監(jiān)督分類方法適用于有資料對分類的結(jié)果進行輔助判斷時使用[10】；如ACKLESON 等[11]選取Landsat MSS/TM影像，使用非監(jiān)督方法進行沉水植被的監(jiān)測，最后用彩色航空影像對分類的結(jié)果進行驗證。與非監(jiān)督分類不同，監(jiān)督分類需根據(jù)訓練場提供的樣本選擇特征參數(shù)，建立判別函數(shù)，對待分像元點進行分類，故監(jiān)督分類需要事先選擇訓練樣本，即感興趣區(qū)域（ROI），根據(jù)區(qū)域內(nèi)現(xiàn)場采集的樣點或是基于專家知識選擇樣點對各種分類器進行訓練、分類；如HUNTER 等[12]利用歐氏最小距離法、高斯最大似然法和支持向量機3 種方法，利用實地采集的樣點作為ROI 訓練各分類方法，進行水生植被的分類，最后得出結(jié)論。決策樹模型是水生植被分類過程中常用的模型，對水生植被的提取或分類通常是分析水生植被的反射光譜特性，建立相應的光譜指數(shù)，再建立相應的決策樹模型[13]，該模型需要建立在實測數(shù)據(jù)之上，若缺少實測樣點對應的影像時，應用該模型對水生植被進行分類會降低精度。

為了初步摸清太湖水生植被的分布變化趨勢，今利用近年的遙感影像為數(shù)據(jù)源，使用決策樹分類方法對太湖水生植被的分布情況開展遙感調(diào)查。

1 數(shù)據(jù)源的選取和處理方法

1.1 數(shù)據(jù)源選取

從太湖水生植物監(jiān)測需求出發(fā)，在遙感數(shù)據(jù)的選取上，應盡可能選擇數(shù)據(jù)易獲取、重復觀測時間短、時間序列較長、空間分辨率較高的數(shù)據(jù)源[14]。美國陸地資源衛(wèi)星Landsat8 重訪周期短、覆蓋面積廣、容易獲取、波段信息豐富，搭載OLI 和TIRS 2 個傳感器，其中OLI 傳感器包含9 個波段，基本上可以滿足太湖水生植物遙感監(jiān)測的調(diào)查與識別，文中所選數(shù)據(jù)皆為Landsat8-OLI 影像數(shù)據(jù)，其具體參數(shù)見表1。本文所選衛(wèi)星數(shù)據(jù)均來源于江蘇省環(huán)境監(jiān)測中心和美國地質(zhì)勘探局（United States Geological Survey，USGS）數(shù)據(jù)庫。

表1 Landsat8-OLI 影像參數(shù)

在衛(wèi)星照片的選取過程中綜合考慮水生植被生長周期和云層、藍藻水華影響，遵循以下原則：

（1）盡量選取云層覆蓋度小的衛(wèi)星照片，以免影響數(shù)據(jù)提取。

（2）衛(wèi)星照片的拍攝時間應在5 ～10月，此階段太湖水生植被處于生長期。

（3）盡量避開存在藍藻大面積覆蓋湖面的衛(wèi)星照片。

經(jīng)過篩選，衛(wèi)星照片選用了2015年9月27日、2016年8月28日、2017年5月27日、2019年8月21日4 個時段對近4 a 的水生植被進行遙感監(jiān)測。使用ENVI 軟件打開原始影像文件夾中的_MTL.txt，顯示所選衛(wèi)星照片局部圖像見圖1。

圖1 2015～2017年、2019年太湖水生植被原始影像（東部）

1.2 數(shù)據(jù)處理方法

Landsat8 陸地衛(wèi)星在波段的設計上，充分考慮了水、植物、土壤、巖石等不同地物在波段反射率敏感度上的差異，從而有效地擴充了遙感影像數(shù)據(jù)的應用范圍。根據(jù)每種類型的水生植被在衛(wèi)星影像上所呈現(xiàn)像元的光譜值不同（見表2），可運用計算機軟件對水生植被進行分類。本文選擇ENVI5.3 和Arc GIS10.2 作為數(shù)據(jù)處理軟件。

表2 太湖水生植被類型及影像特點

1.2.1 影像預處理

圖像預處理是遙感影像處理過程中重要的環(huán)節(jié)。對Landsat8-OLI 影像，分為3 個步驟進行預處理。

（1）輻射定標：利用ENVI 軟件處理原始影像，建立數(shù)字量化值與對應視場中輻射亮度值之間的定量關系，將傳感器記錄的無量綱的DN 值（DN 值是一個較大的數(shù)值，它是遙感影像像元亮度值，記錄的地物的灰度值，無單位）轉(zhuǎn)換成具有實際物理意義的大氣頂層輻射亮度或反射率。

（2）大氣校正：利用ENVI 軟件中的FLAASH（Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes）大氣校正工具，消除大氣和光照等因素對地物反射的影響，獲得地物反射率、輻射率、地表溫度等真實物理模型參數(shù)，包括消除大氣中水蒸氣、氧氣、二氧化碳、甲烷和臭氧等對地物反射的影響；消除大氣分子和氣溶膠散射的影響。

（3）研究區(qū)裁剪：利用Arc GIS 軟件中的裁剪工具，使用邊界矢量圖層，裁剪出太湖（蘇州轄區(qū)）作為研究區(qū)數(shù)據(jù)文件。

1.2.2 水生植被光譜特征變量處理

植被一般對近紅外和紅外波段較為敏感，藍、綠和紅波段對水體提取擁有較好的效果，因此大多數(shù)的水生植被指數(shù)都基于上述的相關波段進行構(gòu)建。有研究表明主成分變換和纓帽變換能夠增強水生植被光譜特征信息[15-16]，其中主成分變換可以分離主要信息和噪音，減小數(shù)據(jù)冗余度及波段之間的相關性。因此分為4 個步驟作如下處理。

（1）構(gòu)建歸一化植被指數(shù)： 歸一化植被指數(shù)（NDVI）基于紅光波段和近紅外波段，可以檢測植被生長狀態(tài)。

式中：NIR 為近江外波段的反射值；R 為紅光波段的反射值。

對研究區(qū)影像進行NDVI 反演，結(jié)果見圖2。

圖2 NDVI 的輸出結(jié)果

（2）計算歸一化差分水體指數(shù)：歸一化差分水體指數(shù)（NDWI）基于綠光波段和近紅外波段，用來分離影像中的水體植被和圍網(wǎng)養(yǎng)殖信息，效果較好。

式中：G 為綠光波段的反射值。

以研究區(qū)影像為對象，在ENVI 軟件的Band Math 工具界面中輸入計算公式，輸出NDWI 結(jié)果見圖3。

（3）主成分變換： 選擇協(xié)方差矩陣（Covariance Matrix）計算方法進行主成分變換。

圖3 NDWI 的輸出結(jié)果

（4）將進行大氣校正處理后的研究區(qū)影像（Landsat8-OLI 影像前7 個波段）以及計算出的NDVI，NDWI 和前3 個主成分波段利用ENVI 軟件的Layer Stacking 工具，進行波段合成，獲得用來進行分類的影像數(shù)據(jù)。

1.2.3 樣本選取及決策樹分類處理

決策樹分類處理的首要條件是選取充足、準確的訓練樣本。以2015年為例，經(jīng)人工現(xiàn)場調(diào)查的訓練樣本選取點位共計62 個，訓練樣本的準確性得到保證。點位分布見圖4。

圖4 太湖（蘇州轄區(qū)）訓練樣本選取點位及核查點位布設

運用ENVI 軟件，創(chuàng)建浮葉植物、挺水植物、沉水植物、開放水域等4 個分類（藍藻類別是否創(chuàng)建視情況而定），根據(jù)人工現(xiàn)場調(diào)查獲取到的水生植物面積、種群組成、優(yōu)勢種和生物量等其它輔助信息（每個類型的覆蓋面積要求大于60 m×60 m），利用GPS的點位獲取遙感數(shù)據(jù)上不同類型植物的純像元的光譜值，構(gòu)建4 種類型的訓練樣本，每種類型的訓練樣本不小于2 000 個像元以保證訓練充分，對計算機軟件訓練后即可進行研究區(qū)域的水生植被分類。

QUES T(Quick Unbiased and Efficient Statistical Tree)是一種快速、無偏、高效決策樹算法，該算法將變量選擇和分割點的選擇分開進行，既適用于連續(xù)型的變量又適用于離散型的變量，同時還克服了其他決策樹算法更傾向于選擇具有更多潛在分割點的預測變量的缺點，而且這種多元決策樹可以通過多個預測變量構(gòu)成的超平面在特征空間中區(qū)分類別成員和非類別成員[17]。利用ENVI Classic 中的RuleGen插件進行基于該算法的決策樹文件生成及執(zhí)行，獲取分類影像數(shù)據(jù)，見圖5。

圖5 分類影像數(shù)據(jù)（示例，非結(jié)果）

2 監(jiān)測結(jié)果

2.1 水生植被分布

2015年9月27日、2016年8月28日、2017年5月27日、2019年8月21日4 個時段的太湖（蘇州轄區(qū)）水生植被分布遙感監(jiān)測結(jié)果見圖6。

圖6 4 個時段的太湖（蘇州轄區(qū)）水生植被遙感監(jiān)測結(jié)果

依據(jù)影像像元計數(shù)和Landsat8-OLI 影像的分辨率，統(tǒng)計4 個時段的太湖（蘇州轄區(qū)）水生植被覆蓋面積見表3。

表3 4 個時段的太湖（蘇州轄區(qū)）水生植被覆蓋面積 km2

2.2 水生植被信息核查

遙感監(jiān)測工作結(jié)束后必須進行現(xiàn)場核查作為驗證。以2015年為例，核查點位布設31 個，點位分布見圖3?，F(xiàn)場核查結(jié)果中，26 個點位的水生植被生長情況與遙感監(jiān)測結(jié)果基本相同，5 個點位的水生植被生長情況出現(xiàn)誤判，遙感監(jiān)測正確率83.87%，誤判情況見表4。

2016，2017，2019年的水生植被遙感信息核查結(jié)果顯示，遙感監(jiān)測正確率分別為81.81%，80%，80%。值得注意的是，如果水生植被群落稀疏且較為孤立，覆蓋面積很?。ㄟh低于衛(wèi)星影像一個像元代表的面積），在Landsat8-OLI 遙感影像的分類處理中會被忽略，影響遙感監(jiān)測正確率。綜合來看，若當年全湖的水生植被生長情況越好、覆蓋范圍越廣時，可選擇的訓練樣本越豐富，遙感影像上的“孤點”越少，遙感監(jiān)測正確率越高。

表4 2015年水生植被分布遙感誤判情況

3 結(jié)論

（1）依據(jù)水生植被遙感監(jiān)測結(jié)果，對照太湖各區(qū)域位置，得出結(jié)論如下：從水生植被整體上來看，太湖（蘇州轄區(qū)）水生植被主要集中在東太湖、胥湖灣、貢湖灣以及沿岸帶，水生植被總覆蓋面積從2015年起處于縮減態(tài)勢直到2019年有所回升。從水生植被類型上來看，2015 ～2017年期間，2015年浮葉植物主要集中在金墅港、上山村、漁洋山和浦莊水源地附近以及東太湖大部分區(qū)域，2017年僅余蘇州灣“頸部”和東山島南部有少量留存，總覆蓋面積出現(xiàn)大幅縮減，尤其是2016年的浮葉植物覆蓋面積相比2015年有大幅的縮減，主要原因在于2 點：①2015年的太湖高水位，太湖多年平均水位是3.14 m[18]，而2015年平均水位為3.43 m，有研究表明當水位波動劇烈時，水生植物生長會受到抑制[19]，水生植物在第2年不再生長；②出于對水草大規(guī)模腐爛對蘇州飲用水造成危害[20]的擔憂，政府組織相關部門對太湖水草進行了大規(guī)模的收割，對水生植物生長造成了明顯抑制；挺水植物主要集中在胥湖灣、東太湖湖岸附近以及圍網(wǎng)養(yǎng)殖區(qū)周邊，其他水域岸邊也有零星散布，總覆蓋面積基本穩(wěn)定；沉水植物2015年主要集中在金墅港、上山村、浦莊和東太湖，2017年分布范圍縮減至浦莊水源地附近和東太湖，總覆蓋面積有小幅縮減；2019年，浮葉植物和沉水植物的分布范圍和覆蓋面積較之往年均出現(xiàn)了大的變化，且變化主要出現(xiàn)在東太湖區(qū)域，東太湖沉水植物與浮葉植物優(yōu)勢地位的互換，造成整個太湖（蘇州轄區(qū)）出現(xiàn)了沉水植物總覆蓋面積較之往年進一步縮減，浮葉植物總覆蓋面積較之往年上升的變化態(tài)勢，由于挺水植物部分集中于東太湖圍網(wǎng)養(yǎng)殖區(qū)周邊，隨著圍網(wǎng)養(yǎng)殖區(qū)的拆除，挺水植物的覆蓋面積也呈現(xiàn)縮減態(tài)勢。

（2）決策樹算法構(gòu)建的樹的結(jié)構(gòu)穩(wěn)定性較差，隨著類別增加也會造成分類錯誤數(shù)量上升，需要對樹進行必要的修剪等大量后期處理工作，同時要參考實地調(diào)查的數(shù)據(jù)或結(jié)論，對分類結(jié)果進行多次修正，輔以人工現(xiàn)場核查，保證水生植被遙感監(jiān)測具有較高的準確度。

（3）水體中藻類物質(zhì)會在使用多光譜遙感圖像提取水生植被分布時，產(chǎn)生“異物同譜”現(xiàn)象，出現(xiàn)誤分類結(jié)果[21]。因受云層干擾、數(shù)據(jù)缺失等的影響，每年水生植被生長期的衛(wèi)星原始影像來源有限，加之水生植被生長期與太湖藍藻泛濫期時間重合度大，原始影像上存在大面積藍藻水華時，必須對藍藻創(chuàng)建一個單獨的額外樣本。