摘? 要：以三垟濕地為研究區(qū)，基于2013—2021年間Landsat、Sentinel-2遙感影像，分析影像光譜特征，構(gòu)建基于光譜、紋理、指數(shù)的特征數(shù)據(jù)集，通過支持向量機(jī)、隨機(jī)森林、極限學(xué)習(xí)三種不同分類器的比較明確適用于研究區(qū)的解譯方法，得到研究區(qū)內(nèi)三垟濕地土地分類圖，并計算了土地利用動態(tài)度，分析了三垟濕地自生態(tài)修復(fù)開始的土地利用變化，根據(jù)解譯結(jié)果計算研究區(qū)土地利用變化率與景觀變化。結(jié)果表明，遙感影像能夠較好的應(yīng)用于城市濕地動態(tài)監(jiān)測，三垟濕地修復(fù)建設(shè)已逐步完善，因長期開墾導(dǎo)致的土地流失也逐步恢復(fù)。

關(guān)鍵詞：三垟濕地;遙感解譯;隨機(jī)森林;支持向量機(jī)

中圖分類號：TP181? ? ? ? 文獻(xiàn)標(biāo)識碼：A文章編號：2096-4706（2022）02-0139-04

Abstract： Taking Sanyang wetland as the study area， based on Landsat and Sentinel-2 remote sensing images from 2013 to 2021， the image spectral features are analyzed， and the feature data set based on spectrum， texture and index is constructed. Through the comparison of three different classifiers of support vector machine， random forest and limit learning， the interpretation methods applicable to the study area are clarified， and the land classification map of Sanyang wetland in the study area is obtained， the dynamic degree of land use is calculated， the land use change of Sanyang wetland since ecological restoration is analyzed， and the land use change rate and landscape change in the study area are calculated according to the interpretation results. The results show that remote sensing images can be better applied to the dynamic monitoring of urban wetlands， the restoration and construction of Sanyang wetland has been gradually improved， and the land loss caused by long-term reclamation has been gradually restored.

Keywords： Sanyang wetland; remote sensing interpretation; random forest; support vector machine

0? 引? 言

濕地是陸生生態(tài)系統(tǒng)和水生生態(tài)系統(tǒng)相互作用形成的獨特生態(tài)系統(tǒng)，具備生物多樣性，同時兼有調(diào)節(jié)氣候、蓄洪防旱等多種生態(tài)功能，是人類生存不可或缺的組成部分，需要對它們進(jìn)行合理開發(fā)和保護(hù)[1]。根據(jù)目前文獻(xiàn)資料，城市濕地簡明定義為：分布于城市（鎮(zhèn)）的濕地稱為城市濕地[2]。濕地是城市景觀規(guī)劃中必不或缺的部分，是城市生態(tài)環(huán)境建設(shè)重要組成部分，其保護(hù)與利用與城市發(fā)展相輔相成。隨著城市化進(jìn)程推進(jìn)，城市濕地能為居民帶來不可估量的生態(tài)與經(jīng)濟(jì)效益，城市濕地在創(chuàng)造價值的同時也面臨嚴(yán)峻考驗：城市的快速擴(kuò)張對濕地資源開發(fā)與破壞。

遙感技術(shù)具有高時間分辨率、長時間序列監(jiān)測、宏觀性等優(yōu)勢，能夠獲得多樣性空間尺度的地物信息，能夠更為全面識別生態(tài)環(huán)境的時空變化情況;高頻度宏觀影像信息源提供觀測濕地資源利用變化具有時間上的連續(xù)性和反復(fù)性。國內(nèi)外學(xué)者均對城市濕地的遙感應(yīng)用開展了研究，栗小東[3]等利用Landsat數(shù)據(jù)對上海崇明島采用改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法并結(jié)合水體指數(shù)、植被指數(shù)等進(jìn)行濕地信息提取研究。安如[4]等以黃河源瑪多縣為研究區(qū)，采用TM影像與DEM數(shù)據(jù)，構(gòu)建面向?qū)ο蟮臐竦匦畔⑻崛》椒ǎ⑴c最大似然法和決策樹方法進(jìn)行了比較。姚杰鵬[5]等利用Sentinel和Landsat影像對鄱陽湖濕地連續(xù)變化監(jiān)測研究，并分析了各個月份對濕地水體面積的變化。梁爽[6]等采基于Sentinel-2影像采用多季相組合的方式開展對白洋淀濕地信息提取方法的提取。

因此，利用遙感技術(shù)對城市濕地的資源進(jìn)行可視化、定量化的時空分析和綜合分析，為經(jīng)濟(jì)與社會可持續(xù)發(fā)展、資源管理、環(huán)境保護(hù)以及實現(xiàn)資源環(huán)境、經(jīng)濟(jì)的宏觀調(diào)控提供科學(xué)依據(jù)與決策支持。

1? 研究區(qū)概況與數(shù)據(jù)源

本文以溫州市三垟濕地（27°56′N～27°58′N，120°41′E～120°43′E）為研究區(qū)（如圖1所示），三垟濕地位于溫州市城市主城區(qū)內(nèi)，緊鄰大羅山，水網(wǎng)密布，河道縱橫，中間有161個形態(tài)各異的泥洲，面積約為10.67 km2，其中水域面積占29.1%，陸域面積占70.9%。三垟濕地被長期開發(fā)，已喪失了原始濕地功能，2015年之前濕地處于原生態(tài)休憩式發(fā)展并有一定建設(shè)性開發(fā)。2015年溫州市人民政府開始著手致力于三垟濕地修改改造，致力打造“桔浦芳洲、白鷺野鴨、菱角蓮藕、河網(wǎng)人家”的三垟濕地公園。2016—2017年溫州生態(tài)園總體規(guī)劃修編批復(fù)，三垟濕地公園范圍內(nèi)的池底、上垟村展開舊村拆遷并進(jìn)行生態(tài)修復(fù)。942B4164-A44E-4F6B-9773-1BEC0D66FD33

從歐空局?jǐn)?shù)據(jù)共享網(wǎng)站以及地理數(shù)據(jù)云上收集2013—2021期間的Sentinel-2和Landsat8影像數(shù)據(jù)，植被生長初期與末期是植被指數(shù)變化最為劇烈的月份，選擇10—11月份質(zhì)量較好的影像數(shù)據(jù)為本文的數(shù)據(jù)源（如表1所示）。

2? 實驗過程與方法

遙感影像信息提取與分類包括了數(shù)據(jù)預(yù)處理、分類方案與特征提取、樣本庫建立、分類方法比較與確定、土地利用變化分析與生態(tài)評價等過程，具體技術(shù)路線如圖2所示。

2.1? 數(shù)據(jù)預(yù)處理

數(shù)據(jù)為覆蓋研究區(qū)多光譜Sentinel-2和Landsat8 OLI遙感影像，其中使用SNAP中Sen2Cor插件對原始影像1C級數(shù)據(jù)進(jìn)行大氣與輻射校正并導(dǎo)出2A級數(shù)據(jù)，并將所有波段重采樣為10 m分辨率，并對研究區(qū)范圍進(jìn)行裁剪。使用ENVI軟件對Landsat8影像進(jìn)行大氣與輻射校正，由于Landsat多光譜系列數(shù)據(jù)為30 m分辨率，使用第8波段全色波段進(jìn)行數(shù)據(jù)融合并重采樣為10 m分辨率后對研究范圍進(jìn)行裁剪，以保證影像數(shù)據(jù)空間分辨率的一致性。

2.2? 分類方案與特征提取

在實地野外考察基礎(chǔ)上，依據(jù)《土地利用現(xiàn)狀分類》（GB/T21010-2007）標(biāo)準(zhǔn)中的一級分類，調(diào)用相關(guān)基礎(chǔ)性地理信息數(shù)據(jù)針對三垟濕地受人為開發(fā)與影響的變化，建立如表2所示的土地利用分類方案。

構(gòu)建有效的特征空間是分類數(shù)據(jù)集的重要基礎(chǔ)，本文采用了多特征的分類數(shù)據(jù)，包括了光譜特征、紋理特征與指數(shù)特征。光譜特征是在遙感影像分類中最為主要的特征信息，選取Sentinel-2和Landsat遙感影像中4個波段。紋理特征是反應(yīng)圖像灰度變化并兼顧了宏觀、微觀結(jié)構(gòu)。使用PCA主成分分析的方法，主成分?jǐn)?shù)量為6并使用前3個處理波段。指數(shù)特征是有效提高分類進(jìn)度的特征指標(biāo)之一，本文采取NDVI（歸一化植被指數(shù)），MNDWI（改進(jìn)的歸一化差異水體指數(shù)），土壤亮度指數(shù)（BI2），并將指數(shù)計算結(jié)果進(jìn)行歸一化運(yùn)算處理，最終形成由光譜、紋理、指數(shù)構(gòu)成的多特征空間。

2.3? 樣本庫建立

根據(jù)溫州市土地利用分布調(diào)查數(shù)據(jù)，1 m覆蓋研究區(qū)的高分辨率航空影像，利用目視解譯構(gòu)建分類樣本庫。實驗總樣本數(shù)量為1 476個，各個地類樣本數(shù)量均高于200個，各類樣本以6：4比例隨機(jī)劃分為訓(xùn)練樣本和驗證樣樣本。針對以建立好的樣本，根據(jù)樣本點的地理信息位置抽樣10%到實地進(jìn)行考察驗證樣本的確定性。

2.4? 分類方法比較與確定

為提高信息提取結(jié)果的普適性，本文采用機(jī)器學(xué)習(xí)中支持向量機(jī)、基于核函數(shù)的極限學(xué)習(xí)機(jī)、多特征隨機(jī)森林3種分類方法進(jìn)行分類，能夠較為有效的避免分類器自身因素導(dǎo)致對分類結(jié)果的影響，也能夠篩選出適合研究區(qū)的最優(yōu)分類方法。分類精度評價是用分類結(jié)果與標(biāo)準(zhǔn)數(shù)據(jù)圖或地面實測值進(jìn)行比較，以正確分類的百分率來表示精度，本文采用混淆矩陣進(jìn)行分類類別的基本評定。

支持向量機(jī)是以統(tǒng)計學(xué)習(xí)理論為基礎(chǔ)的機(jī)器學(xué)習(xí)的算法，其優(yōu)勢是能夠在最小的訓(xùn)練樣本誤差內(nèi)來提高其泛化能力，具有效率高、精度高、泛化強(qiáng)的優(yōu)點。隨機(jī)森林算法是一種參數(shù)的決策樹組合的機(jī)器學(xué)習(xí)算法，相較于支持向量機(jī)其對參數(shù)設(shè)置的要求更低，以分類回歸樹理論為基礎(chǔ)，通過組成隨機(jī)生成的決策樹構(gòu)成隨機(jī)森林，采用投票方式?jīng)Q定樣本類型，具有能高精度，高維數(shù)據(jù)能力的特性?；诤撕瘮?shù)的極限學(xué)習(xí)機(jī)，是根據(jù)模式識別理論，將隱含層假設(shè)隱含層特征映射函數(shù)以內(nèi)積形式用核函數(shù)表達(dá)出來，具有更穩(wěn)定、高精度的優(yōu)勢[7]。

通過2021年11月份 Sentinel-2影像數(shù)據(jù)分類提取比較，三種方法分類結(jié)果如表3所示，由此看出，其中基于多特征的隨機(jī)樹分類方法精度最高，本文最終選取該方法作為五個時相的信息提取，解譯結(jié)果如圖3所示。

2013—2021年5個時相的遙感解譯總體精度分別為95.80%，94.78%，98.45%，96.80%? 94.79%，Kappa系數(shù)分別為0.940 1，0.9301 7，0.951 1，0.957 8，0.930 7。

定量化分析各個地物面積變化情況，將5年的分類結(jié)果導(dǎo)出對地物面積進(jìn)行統(tǒng)計（表4所示），并使用土地利用動態(tài)度來評價與分析三垟濕地地物變化。土地利用動態(tài)度是鑒定土地變化速度，在土地變化差異與預(yù)測趨勢都具有重要作用。其表達(dá)式為：

LC為某一土地利用類型的動態(tài)度，T1，T2為兩期遙感圖像的成像年份，LUt1為T1年份某一土地利用類型的面積，LUt2為T2年份某一土地利用類型的面積，表5為計算結(jié)果。

從以上結(jié)果可以發(fā)現(xiàn)，三垟濕地公園范圍內(nèi)，草地面積在2017年前趨于平衡，隨著濕公園逐步完善，逐年增加。三垟濕地內(nèi)原以種植甌柑、楊梅為主，隨著濕地修復(fù)建設(shè)園林地的面積也有所增加。2017年未用地大幅度提高，與該年公園內(nèi)舊村改造改造相關(guān)，幾乎所有居民用房均已拆遷，2017—2021年是三垟濕地持續(xù)建成的年份，隨著生態(tài)修復(fù)的建設(shè)發(fā)展，部分建設(shè)用地根據(jù)公園規(guī)劃建成相應(yīng)旅游觀光設(shè)施，目前三垟濕地公園仍處于建設(shè)與生態(tài)修復(fù)時期，從影像結(jié)果也可以發(fā)現(xiàn)截止2021年研究區(qū)的東北處仍處于建設(shè)期。

2.5? 景觀格局分析

基于以上分類結(jié)果，本文利用遙感解譯數(shù)據(jù)在Fragstats軟件中進(jìn)行三垟濕地公園范圍內(nèi)景觀格局分析，相關(guān)指標(biāo)計算如表6所示。

從統(tǒng)計數(shù)據(jù)可以發(fā)現(xiàn)，2017年是研究區(qū)遙感解譯5個年份中重要的轉(zhuǎn)折點，其中面積特征指標(biāo)NP指數(shù)最低，LPI指數(shù)最高，隨著濕地公園的建設(shè)發(fā)展，2017年穩(wěn)定性指標(biāo)SHDI最低，SHEI代表穩(wěn)定性的多樣性逐年增加。聚散性指標(biāo)中CONTAG和AI指數(shù)均為2017年最高。

3? 結(jié)? 論

本文使用基于多特征的隨機(jī)森林分類方法，通過遙感解譯方法分析了溫州市三垟濕地土地利用變化，并基于解譯結(jié)果進(jìn)行景觀根據(jù)分析。實驗結(jié)果表明2013年以來的5個時期，隨著政府對三垟濕地生態(tài)修復(fù)與重建，研究區(qū)拆除了長期因開墾導(dǎo)致的土地流失，其中草地、園林地等綠地資源恢復(fù)，2017年是研究區(qū)修復(fù)建設(shè)的轉(zhuǎn)折點，隨著園區(qū)建設(shè)發(fā)展生態(tài)修復(fù)將得以實現(xiàn)。本文為后續(xù)開展生態(tài)評價研究奠定基礎(chǔ)，未來將持續(xù)針對三垟濕地建設(shè)開展長序列的動態(tài)監(jiān)測，為相關(guān)部門提供決策支持。

參考文獻(xiàn)：

[1] 李祿康.濕地與濕地公約 [J].世界林業(yè)研究，2001（1）：1-7.

[2] MALV?REZ A. Temperate freshwater wetlands：types，status，and threats [J]. Environmental Conservation，2002，29（2）：115-133.

[3] 栗小東，過仲陽，朱燕玲，等.結(jié)合GIS數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)濕地遙感分類方法：以上海崇明島東灘濕地為例 [J].華東師范大學(xué)學(xué)報（自然科學(xué)版），2010（4）：26-34.

[4] 安如，陳志霞，陸玲，等.面向?qū)ο蟮狞S河源典型區(qū)濕地信息提取 [J].河海大學(xué)學(xué)報（自然科學(xué)版），2011，39（4）：355-360.

[5] 姚杰鵬，楊磊庫，陳探，等.基于Sentinel-1，2和Landsat 8時序影像的鄱陽湖濕地連續(xù)變化監(jiān)測研究 [J].遙感技術(shù)與應(yīng)用，2021，36（4）：760-776.

[6] 梁爽，宮兆寧，趙文吉，等.基于多季相Sentinel-2影像的白洋淀濕地信息提取 [J].遙感技術(shù)與應(yīng)用，2021，36（4）：777-790.

[7] 趙宇虹.隨機(jī)森林遙感信息提取研究進(jìn)展及應(yīng)用研究 [J].測繪與空間地理信息，2021，44（3）：133-136+139.

作者簡介：沈茗戈（1990.12—），女，漢族，浙江溫州人，講師，本科，研究方向：無人機(jī)技術(shù)應(yīng)用、環(huán)境遙感、無人機(jī)專業(yè)教學(xué)改革。942B4164-A44E-4F6B-9773-1BEC0D66FD33