趙欣怡，田波，牛瑩，陳春鵬，周云軒

華東師范大學河口海岸學國家重點實驗室,上海 200062

1 引 言

鹽沼生態(tài)系統(tǒng)以耐鹽草本植物或灌木為主，廣泛分布于全球中高緯度、沉積物豐富且水動力較弱的河口、瀉湖等潮間帶區(qū)域（Scott 等，2014）。鹽沼具有較高生產(chǎn)力，可提供消浪護岸、凈化水源、動植物棲息地、藍碳碳匯等多種生態(tài)服務價值（Costanza 等，1997）。已有研究發(fā)現(xiàn)，不同鹽沼植被在波浪衰減、固碳固氮等生態(tài)服務功能上提供的價值具有明顯差異（Ysebaert 等，2011；Zhang等，2010）。

由于圍墾造陸、海岸帶工程、灘涂養(yǎng)殖、外來物種引入、水質(zhì)污染等人類活動及海平面上升、氣候變化影響，全球鹽沼生態(tài)系統(tǒng)處于退化狀態(tài)（Crosby 等，2016；Gedan 等，2009）。1980年—2010年，圍墾工程、氣候變化等原因?qū)е轮袊０稁?9% 鹽沼喪失（Tian 等，2016；Gu 等，2018）。河口入海泥沙淤積、潮灘變化則導致局部區(qū)域新生鹽沼增長，如長江河口九段沙區(qū)域近年來植被面積增速超過500 hm2/a（朱串串，2018）。中國海岸帶鹽沼不僅面積數(shù)量發(fā)生變化，植被結(jié)構(gòu)也快速發(fā)生變化，典型如互花米草入侵，造成植被種間組成和空間結(jié)構(gòu)快速轉(zhuǎn)變，中國海岸帶本土鹽沼植被群落受到破壞，對生態(tài)系統(tǒng)結(jié)構(gòu)和服務功能造成影響（Liu 等，2018）。因此，準確快速獲取鹽沼植被空間分布與種間組成信息對于生物多樣性保護、濕地生態(tài)系統(tǒng)功能提升與海岸帶生態(tài)環(huán)境管理等具有重要意義。

遙感能夠?qū)崿F(xiàn)大范圍連續(xù)觀測，可快速提取植被信息。然而，Landsat、MODIS 等傳統(tǒng)光學遙感數(shù)據(jù)光譜分辨率較低，單景光學影像中“同物異譜，異物同譜”現(xiàn)象顯著，簡單指數(shù)計算方法難以實現(xiàn)種間分類（Lin 等，2015；張猛等，2017）。利用植被物候期分類依賴大量高時間分辨率遙感影像，但海岸帶區(qū)域受云霧影響，全年可用光學影像數(shù)量往往無法滿足分類需求（Dong 等，2016；李清泉等，2016）。此外，周期性潮汐會淹沒植被前緣，并導致下墊面濕度變化，使得植被外緣無法準確提取且植被光譜混淆難以識別（O’Connell 等，2017）。利用LiDAR、高光譜遙感等輔助信息可在小范圍內(nèi)提升分類準確性，但數(shù)據(jù)獲取難度較大且成本較高，不適用于大范圍植被提?。˙etbeder 等，2015；Millard和Richardson，2013）。

合成孔徑雷達SAR（Synthetic Aperture Radar）具有全天時全天候、穿透云霧特點，能獲取長時間序列影像數(shù)據(jù)，可反映鹽沼植被完整生長周期內(nèi)變化信息，在濕地植被識別中具有潛力。已有研究將時序SAR 數(shù)據(jù)運用于濕地植被分類，包括提升熱帶多云霧區(qū)域濕地木本、草本植被間以及木本植被種間的分類精度（Jhonnerie 等，2015；Reiche 等，2015）。鹽沼種間分類方面，大量實驗指出草本沼澤濕地適合采用C波段或X波段，森林沼澤濕地適合采用波長較長的L 波段（Zhang 等，2016）。多數(shù)研究使用Radarsat-2、TerraSAR-X 等全極化影像，采用極化分解結(jié)合多源數(shù)據(jù)監(jiān)督分類方法進行，并已證實此類方法有助于提升鹽沼分類精度（Mleczko 和Mróz，2018）。但由于全極化SAR 數(shù)據(jù)價格高、成像范圍小的特點，此類研究多采用小范圍單景SAR 影像，不適用于大范圍鹽沼制圖，且無法利用SAR 數(shù)據(jù)時序性強的優(yōu)勢。因此，探討使用范圍大，易獲取的雙極化SAR 數(shù)據(jù)，結(jié)合時間序列特征進行大范圍鹽沼信息提取的方法與技術，具有重要的實踐意義。

2014年升空的Sentinel-1 衛(wèi)星獲取C 波段SAR數(shù)據(jù)，具有時空分辨率高，獲取成本低廉優(yōu)點，適用于時序分析研究。此外，得益于谷歌地球引擎GEE（Google Earth Engine）的云計算功能，大量SAR 數(shù)據(jù)的快速計算得以實現(xiàn)?；诖?，本文以長江口為研究區(qū)域，結(jié)合植被實測數(shù)據(jù)，利用時序Sentinel-1 雷達數(shù)據(jù)，提出了基于植被物候期多時相雷達后向散射特征優(yōu)選的海岸帶鹽沼植被分類方法。通過分離閾值法SEaTH（seperability and the corresponding thresholds）選取最優(yōu)分類特征，利用隨機森林方法提取了2018年長江口鹽沼植被空間分布，通過精度計算驗證了時序SAR 與植被物候特征結(jié)合進行海岸帶鹽沼植被識別提取可行性，對于提升海岸帶鹽沼植被種間分布識別精度和時效性具有重要意義。

2 研究區(qū)與數(shù)據(jù)

長江口（圖1）為中國最重要的河口潮灘區(qū)域之一，包括崇明島、長興島、橫沙島3島與上海最大沙洲九段沙。長江口鹽沼分布較為集中區(qū)域包括崇明東灘，崇明北部黃瓜沙，崇西西沙濕地、九段沙與南匯東灘。長江口主要鹽沼植被群系包括蘆葦（Phragmites australis）、互花米草（Spartina alterniflora）、海三棱藨草（Scirpus×mariqueter）、藨草（Scirpus triqueter）。此外，崇明島南岸分布有以池杉（Taxodium ascendens）和旱柳（Salix matsudana）群落為主的潮間森林沼澤。

圖1 研究區(qū)位置Fig.1 Location of study area

研究使用雷達數(shù)據(jù)來自歐洲航天局哥白尼計劃GMES （Global Monitoring for Environment and Security）中Sentinel-1衛(wèi)星上搭載的C波段SAR傳感器。長江口Sentinel-1 數(shù)據(jù)極化方式為VV（vertical transmit/vertical receive）+VH （vertical transmit/horizontal receive），2018年重訪周期12 d，選用IW（Interferometric Wide Swath）模式下GRD（Ground Range Detected）數(shù)據(jù)，分辨率10 m，獲取2018年影像數(shù)據(jù)58 景。Sentinel-1 遙感數(shù)據(jù)獲取及處理在GEE（https：//earthengine.google.com［2019-09-23］）與ENVI 5.1上進行。

驗證數(shù)據(jù)部分來自2017年、2018年6—10月獲取的野外實測數(shù)據(jù)，調(diào)查采用樣線樣方方法，利用GPS（儀器誤差±10 m 獲得采樣點經(jīng)緯度坐標，記錄植被類型、植被高度、蓋度情況。部分區(qū)域由于地貌情況復雜無法進入，由無人機拍攝影像獲取。

3 研究方法

3.1 雷達數(shù)據(jù)預處理

本文所采用Sentinel-1 數(shù)據(jù)預處理包括應用軌道文件、GRD 邊界噪聲消除、熱噪聲消除、輻射校正、地形校正。算法均由GEE 通過調(diào)用Sentinel-1 工具箱完成。采用5×5 窗口Improved Sigma Lee 濾波器抑制相干斑噪聲。該濾波器可保留異質(zhì)性強的小區(qū)域，同時保持勻質(zhì)的均一區(qū)域，適用于植被混生或單一生長的不同情況（Lee 等，2009）。

3.2 典型鹽沼植被時序雷達后向散射特征

海岸帶鹽沼草本植被的雷達信號散射機理復雜，隨著植被下墊面潮汐水位逐漸降低，雷達信號依次產(chǎn)生鏡面散射、二次回波散射、體散射和面散射，雷達影像后向散射系數(shù)大小關系一般滿足：二次回波散射>體散射/面散射>鏡面散射。細分至植被類型，機理更為復雜，雷達后向散射強度受到不同種類植株特性、植被密度、土壤沉積物、潮水淹沒情況等多方面因素綜合影響。本文不過多討論機理問題，主要分析時序雷達遙感數(shù)據(jù)應用于潮灘植被分類的優(yōu)勢和特點。

圖2 技術路線Fig.2 Technical route

長江河口潮灘區(qū)域地物主要有6 種類型：蘆葦、海三棱藨草/藨草、互花米草、潮間森林沼澤、光灘與水體。根據(jù)野外實測數(shù)據(jù)選取地物典型均質(zhì)樣點，共獲得樣本像元2408 個。分別統(tǒng)計2018年間每個對應日期中不同地物VV 與VH 極化下所有像元均值，獲得典型地物時間序列后向散射曲線（圖3）。

圖3 VV、VH極化主要地物全年時序后向散射強度Fig.3 Annual time series backscattering intensity of main features in VV，VH polarization

分析時序后向散射曲線可見，鹽沼植被后向散射強度與光灘、水體、潮間森林沼澤區(qū)別顯著。潮間森林沼澤VH 極化后向散射強度明顯高于鹽沼植被，約在-14 dB 以上，主要由于交叉極化主要貢獻為植被冠層之間的體散射，對植被結(jié)構(gòu)敏感（Steele-Dunne 等，2017）。雷達信號在水體與光灘表面多發(fā)生鏡面散射，VV 與VH 兩種極化方式下后向散射強度均低于其他地物，VH 極化水體后向散射強度恒定低于-30 dB。

不同鹽沼植被全年時序后向散射特征與植被生長物候和植株形態(tài)相關。海三棱藨草/藨草在1—4月內(nèi)VH極化后向散射強度明顯偏低，主要由于其為潮灘地帶先鋒物種，植株相對矮小且在冬季枯萎倒伏，往往露出下部光灘或受到潮汐淹沒，發(fā)生鏡面散射。4月中后期海三棱藨草/藨草開始生長，后向散射強度出現(xiàn)明顯升高，至5月末后向散射強度逐漸趨于穩(wěn)定。

蘆葦與互花米草為多年生禾本科植被，秋冬季節(jié)葉片枯萎后莖稈仍保持直立，因而整全年后向散射強度變化程度相對較小。VV 極化3—4月可觀察到蘆葦后向散射強度出現(xiàn)一定增幅，是由于長江口蘆葦3月中下旬從地下根莖長出芽，4月進入快速生長期。相同區(qū)域內(nèi)成熟互花米草植株高度略低于蘆葦，在秋冬季節(jié)更易倒伏；互花米草為穗狀花序，小穗易脫落，而蘆葦圓錐花絮膨大寬達10 cm，且能經(jīng)秋冬而不脫落。由于莖稈、葉片、花序等形態(tài)特征不同，蘆葦7—12月后向散射強度持續(xù)高于互花米草。

3.3 分離度計算與特征選取

對樣本點內(nèi)各像素點2018年全年平均后向散射強度進行直方圖統(tǒng)計分析可知（圖4），水體與光灘在VV 與VH 極化與其他地物分離性好，VV 極化后向散射強度集中在-16.5 dB 以下，VH 極化集中在-27 dB 以下。潮間森林沼澤在VV 極化與蘆葦在-10—-7 dB 出現(xiàn)部分出現(xiàn)混淆，但VH 極化后向散射強度-15 dB 以上部分與鹽沼植被分離度好?？梢?，將全年VH 極化下后向散射強度平均值作為分類特征即能將水體、光灘、潮間森林沼澤與鹽沼植被進行較好區(qū)分。

圖4 VV、VH極化主要地物全年平均后向散射直方圖Fig.4 Annual average backscatter histogram of main features in VV，VH polarization

鹽沼植被間，3類植被之間在VV與VH極化下均出現(xiàn)不同程度混淆。其中，海三棱藨草/藨草由于受潮汐與下墊面影響較大，在VV 與VH 極化出現(xiàn)不規(guī)則雙峰。蘆葦均質(zhì)程度最高，呈現(xiàn)明顯單峰，且全年后向散射強度保持最高。VV 極化下互花米草與蘆葦分離性較好，但二者均與海三棱藨草/藨草出現(xiàn)部分重疊。VH 極化下海三棱藨草/藨草與蘆葦分離性較好，但二者分別與互花米草混淆明顯。

綜合植被生長特性與Sentinel-1 重訪周期，以月時間單位進行3種鹽沼植被后向散射強度直方圖統(tǒng)計，根據(jù)植被生長期、茂盛期、枯萎期主要選取1月、4月、7月和11月等4 個月份VV 和VH 極化后向散射強度頻率直方圖進行分析（圖5）。海三棱藨草/藨草后向散射強度變化隨季相變化最為顯著，蘆葦后向散射強度最大且最為穩(wěn)定。VH 極化下，冬、春兩季海三棱藨草/藨草后向散射強度跨度在-45—-15 dB，尤其春季與蘆葦、互花米草分離性最好，至夏季后向散射強度出現(xiàn)快速增大?；セ撞菰赩V 極化下，秋冬兩季后向散射強度出現(xiàn)明顯下降，與海三棱藨草/藨草、蘆葦分離性提高。因此，春季VH 極化適合提取海三棱藨草/藨草、春季VV 極化適合提取蘆葦、秋冬VV 極化適合提取互花米草。

圖5 鹽沼植被物候生長期平均后向散射直方圖Fig.5 Average backscatter histogram of salt marshes in January，April，July and October of VV，VH polarization

為精確判斷不同鹽沼植被后向散射強度間分離程度，采用分離閾值法（SEaTH）（Nussbaum等，2006）從類間距離對特征進行評價。該算法基于Jeffries-Matudita 距離進行分類特征選取，利用高斯混合分布模型進行閾值計算。本文通過計算1—12月每月3 類鹽沼植被相互間J-M 距離，進行分類特征選取。J-M距離計算方法有以下步驟：

（1）計算巴氏距離B值：

（2）計算分離度J值：

式中，m1和m2表示兩個類別某特征均值，σ1和σ2表示兩個類別標準差，B為巴氏距離，J為兩個類別在某特征下分離度，J∈［0，2），J值越大代表分離度越高。

根據(jù)上式計算VV 與VH 極化下3 種植被兩兩之間直方圖分離度，并計算每種植被與另兩種植被J-M 值之和，得（表1）?；セ撞?、海三棱藨草/藨草與蘆葦分別在11月VV 極化、4月VH 極化與3月VV極化下分離度最高。

表1 VV、VH極化下鹽沼植被相互J-M距離之和Table 1 The sum of the J-M distances between the salt marsh vegetation in VV，VH polarization

3.4 基于最優(yōu)時序雷達特征的鹽沼分類

根據(jù)上文分析，將全年VH 極化、4月VH 極化、11月VV 極化、3月VV 極化均值作為鹽沼植被最佳分類特征，對3個均值特征波段進行假彩色合成（圖6），以九段沙與崇西區(qū)域為例，可明顯看出各植被間差異，互花米草呈現(xiàn)草綠色，海三棱藨草/藨草呈紫色，蘆葦呈灰白色，潮間森林沼澤為亮白色。

圖6 時序雷達假彩色合成影像（R：全年VH極化后向散射強度平均值，G：4月VH極化后向散射強度平均值，B：11月VV極化后向散射強度平均值）Fig.6 Time-series false color radar image（R：annual average backscattering intensity of VH polarization，G：average backscattering intensity in April of VH polarization，B：average backscattering intensity in April of VH polarization）

基于最優(yōu)特征，采用隨機森林方法進行鹽沼植被監(jiān)督分類，隨機森林方法的穩(wěn)健性在多個研究中已被證實，全球范圍內(nèi)20%訓練樣本點出錯的條件下，仍能保證精度降低在1%以內(nèi)（Gong 等，2019）?？捎行Ы鉀Q鹽沼植被混生現(xiàn)象嚴重且光譜特征易混淆，GPS誤差和高分辨航片目視采樣易造成的誤判。在研究區(qū)域內(nèi)生成0.5 km×0.5 km網(wǎng)格，每個網(wǎng)格中隨機生成1個樣本點，根據(jù)實地調(diào)查與高分辨航片進行賦值，共獲得樣本點1492 個，隨機選擇70%作為訓練樣本輸入隨機森林模型，30%作為驗證樣本，建立決策樹100棵，實施分類并去噪。所得2018年長江口鹽沼植被提取結(jié)果如圖7所示。

圖7 2018年長江口及典型區(qū)域鹽沼植被雷達分類結(jié)果Fig.7 Map of salt marsh in the Yangtze River Estuary and typical area in 2018

4 結(jié)果與討論

4.1 精度分析

運用驗證樣本建立混淆矩陣（表2），混淆矩陣中將光灘與水體合并為水體類別。總體分類精度達85.8%，Kappa 系數(shù)為0.80。水體與潮間鹽水沼澤分類精度最高，達94%以上。其中，由于潮間森林沼澤在研究區(qū)域內(nèi)分布極少，僅獲得少量樣本。研究區(qū)內(nèi)丁壩碼頭等人工建筑由于后向散射強度較高，往往被誤判為潮間森林沼澤，但混淆矩陣中未能體現(xiàn)。

表2 混淆矩陣Table 2 Confusion matrix

3 類鹽沼植被中互花米草分類精度最高，海三棱藨草/藨草與蘆葦精度次之。主要原因在于海三棱藨草/藨草植被條帶往往較窄，且受到潮位和下墊面土壤影響，容易出現(xiàn)錯分。蘆葦錯分主要出現(xiàn)在崇明東灘區(qū)域。根據(jù)調(diào)查得知，崇明東灘在2018年以前受到人類放牧活動影響，區(qū)域內(nèi)蘆葦植株大量受到牛群踩踏、啃食，植株高度往往在20—30 cm，遠小于蘆葦自然生長區(qū)域2—3 m 的株高。2018 長江口開展生態(tài)修復治理后，崇明東灘蘆葦恢復生長，但植株相對其他區(qū)域蘆葦群落仍較為矮小，多被誤判為互花米草。崇明西沙區(qū)域局部蘆葦植被帶直接與光灘、水體相接，邊緣區(qū)域易被錯分為互花米草。

4.2 SEaTH與隨機森林方法下最優(yōu)特征比較

隨機森林算法不僅可以實現(xiàn)遙感影像的分類，而且能夠基于統(tǒng)計學方法計算不同特征變量的重要性（Genuer 等，2010）。對比SEaTH 與隨機森林方法選擇的最優(yōu)特征，以驗證本文特征選擇效果。

將VV、VH 極化全年和各月共26 個后向散射均值作為特征，5 種地物類型樣本點輸入隨機森林，計算得各特征值精度貢獻率（圖8（a））?？梢钥闯觯S機森林選擇出精度貢獻率最大特征為VH 極化4月均值與VH 極化全年均值，與上文選擇的最優(yōu)特征一致。

但本文另兩個最優(yōu)特征在隨機森林中精度貢獻率較低。觀察到貢獻率最大特征前5 個均為VH極化，是由于VH 極化對于水體信息非常敏感，導致區(qū)分植被種間的特征波段貢獻率降低。再次使用26 個特征值，僅將4 種植被樣本輸入隨機森林，計算各特征值精度貢獻率（圖8（b））可見，區(qū)分植被種間時VV 極化的貢獻率更大，尤以9—12月秋冬季節(jié)貢獻最為顯著。在此條件下，上文選擇的VH 極化4月均值與VV 極化11月均值為隨機森林前三貢獻率特征，匹配程度很高。

圖8 不同樣本類型下隨機森林各特征值精度貢獻率Fig.8 Relative contributions of the features of random forest with different types of samples

由此可見，本文所提出基于植被物候期多時相雷達后向散射特征優(yōu)選的海岸帶鹽沼植被分類方法，不僅擁有簡單易解釋的特點，能夠獲得較高精度，且與基于機器學習的隨機森林方法最優(yōu)特征高度吻合，可信度高。

5 結(jié) 論

本研究基于大范圍高精度提取海岸帶鹽沼植被空間分布動態(tài)的需要，采用Sentinel-1 雷達數(shù)據(jù)、無人機高分辨航片及地面樣點數(shù)據(jù)，提出時序雷達后向散射強度及物候特征分析相結(jié)合鹽沼分類識別方法，實現(xiàn)了長江口鹽沼空間分布信息準確提取，得到以下結(jié)論：

（1）雷達數(shù)據(jù)和植被物候特征結(jié)合能較好進行鹽沼植被種間分類，Sentinel-1 數(shù)據(jù)時間分辨率高、連續(xù)性強，且對鹽沼植被不同物候期結(jié)構(gòu)具有敏感性，能夠較好捕捉植被生長期，枯萎期特征，在鹽沼植被提取方面具有很大應用潛力。

（2）通過時序雷達后向散射特征分析與SEaTH 算法可知，全年VH 極化平均后向散射強度可作為水體、光灘、潮間鹽水沼澤與鹽沼區(qū)分特征，4月VH 極化、11月VV 極化和3月VV 極化下平均后向散射強度分別為長江口海三棱藨草/藨草、互花米草和蘆葦最優(yōu)提取特征。

（3）使用Sentinel-1 數(shù)據(jù)，結(jié)合最優(yōu)分類特征與隨機森林方法，提取2018年長江口鹽沼植被種間分布精度達到85.8%，Kappa 系數(shù)為0.80，較好反映了長江口鹽沼實際分布情況。

與傳統(tǒng)鹽沼植被遙感分類方法相比，本研究利用了雷達影像數(shù)據(jù)時間連續(xù)性強的特征，考慮了植被生長物候特征與雷達后向散射特征之間關系，解決了光學影像受云霧和潮汐干擾局限，實現(xiàn)了大范圍鹽沼空間分布和面積信息高精度提取。

由于植被在各區(qū)域生長情況不同會導致誤判，如崇明東灘區(qū)域蘆葦因受人類活動影響而被誤判為互花米草。此外，Sentinel-1 影像在長江口區(qū)域僅有VV 與VH 兩個極化方式，此次研究僅分析了后向散射強度特征，全極化雷達數(shù)據(jù)極化特征、多源遙感信息與雷達影像結(jié)合分析需要進一步研究，為鹽沼植被動態(tài)監(jiān)測管理提供技術手段和數(shù)據(jù)支持。