韋嫦， 付波霖， 覃嬌玲， 王雅南， 陳智瀚， 劉兵

(桂林理工大學測繪地理信息學院，桂林 541000)

0 引言

濕地是位于陸生生態(tài)系統(tǒng)和水生生態(tài)系統(tǒng)之間的至關(guān)重要的過渡地帶，它有著貯蓄水量、調(diào)節(jié)氣候、保護環(huán)境和保護生物多樣性等重要作用，是世界上最有價值的自然資源之一[1-2]。水是濕地三要素之一，是維持濕地的主要因素[3]。由于人類活動過程中長期忽視對地球環(huán)境的保護，地球生態(tài)環(huán)境逐漸惡化，水循環(huán)系統(tǒng)遭到破壞，全球濕地萎縮和功能退化成為突出問題[4]。因此，為了防止?jié)竦剡M一步流失，更好地管理和保護現(xiàn)有的濕地資源，有必要研究濕地水域變化，監(jiān)測其年內(nèi)、年際變化。

目前國內(nèi)外濕地水體遙感提取方式主要有以下3種： ①基于傳統(tǒng)光學遙感圖像的遙感技術(shù)，通過構(gòu)造波段間的光譜關(guān)系提取水體[5]。如甄佳寧[6]使用Landsat系列衛(wèi)星影像對長春濕地采取不同的水體指數(shù)和閾值分割法提取水體信息； Jin等[7]利用Landsat時間序列影像監(jiān)測德爾馬瓦半島的濕地水位淹沒動態(tài)，增進對濕地的了解并確保生態(tài)系統(tǒng)服務(wù)的可持續(xù)性。不足之處是光學遙感圖像的遙感技術(shù)受云雨天氣等條件限制，對監(jiān)測濕地水域年內(nèi)變化影響頗大[8]。②基于微波遙感圖像的遙感技術(shù)，通過合成孔徑雷達(synthetic aperture Radar，SAR)后向散射系數(shù)(σ0)、干涉相干系數(shù)(μ0)，構(gòu)建SAR影像數(shù)據(jù)集提取水體信息。徐怡波[9]基于多時相ENVISAT衛(wèi)星影像分析水體的后向散射系數(shù)特征，采用閾值分割的方法提取水體，實現(xiàn)對水面變化信息的監(jiān)測； 付波霖等[10]利用多頻率、多時相SAR影像，采用合成孔徑雷達差分干涉測量技術(shù)(interferometric synthetic aperture Radar，InSAR)，構(gòu)建沼澤水位變化監(jiān)測模型，探究了不同時相沼澤濕地干涉相干性的差異。不足之處是使用單一的σ0或單一的μ0方式有一定的局限性。③基于微波和光學遙感圖像的融合，利用2種傳感器的互補性提取水體信息[11]。關(guān)韻桐[12]利用多時相Sentinel-1 雷達影像為主數(shù)據(jù)源，以Sentinel-2和Landsat8 OLI 光學影像為輔數(shù)據(jù)源，將光學影像計算出的歸一化植被指數(shù)(normalized difference vegetation index, NDVI)分類，根據(jù)雷達影像數(shù)據(jù)分析了σ0與雷達參數(shù)之間的關(guān)系，利用反演模型對大山包高原濕地進行土壤水分反演，獲取了土壤的水分分布狀況，根據(jù)實測數(shù)據(jù)驗證了反演結(jié)果的準確性； Mizuochia等[13]使用AMSR系列、MODIS和Landsat衛(wèi)星數(shù)據(jù)，開發(fā)并評估了基于查找表的時空數(shù)據(jù)融合方法，并將其應用于半納米比亞的干旱季節(jié)性濕地，結(jié)果表明時間序列圖能準確地描述濕地的季節(jié)變化和年際變化。綜上，目前缺乏整合長時間序列的微波遙感影像的后向散射系數(shù)影像和干涉相干系數(shù)影像方法，構(gòu)建多源遙感數(shù)據(jù)集來檢測濕地水域面積動態(tài)變化方面的研究。

本文以東北扎龍國家級自然保護區(qū)作為研究區(qū)，以2018—2019年Sentinel-1A衛(wèi)星影像數(shù)據(jù)作為主數(shù)據(jù)源，輔以Sentinel-2A衛(wèi)星影像數(shù)據(jù)，提取保護區(qū)年內(nèi)和年際的SAR后向散射系數(shù)和干涉相干系數(shù)，構(gòu)建濕地水面積提取SAR影像數(shù)據(jù)集，利用機器學習算法構(gòu)建沼澤濕地水面動態(tài)變化監(jiān)測模型，實現(xiàn)扎龍濕地水域面積的動態(tài)變化監(jiān)測，探究濕地水域年內(nèi)和年際變化規(guī)律。

1 研究區(qū)概況和數(shù)據(jù)源

1.1 研究區(qū)概況

扎龍濕地(圖1)位于黑龍江省松嫩平原西部的烏裕爾河下游，地理坐標為E123°47′～124°37′，N46°52′～47°32′，邊界平面呈現(xiàn)不規(guī)則橄欖形，濕地南北約80.6 km，東西約58.0 km，總面積約為2 100 km2，是面積排名亞洲第一、世界第四的國家濕地生態(tài)系統(tǒng)保護區(qū)，也是世界上面積最大的蘆葦濕地,它于1987年內(nèi)被國務(wù)院批準為國家級自然保護區(qū)[14-15]。多年來扎龍濕地面臨水資源短缺、水位下降、資源枯竭、面積分解等問題，嚴重影響了濕地的生態(tài)環(huán)境健康，甚至影響了當?shù)亟?jīng)濟和社會的可持續(xù)發(fā)展。

圖1 研究區(qū)地理位置

1.2 數(shù)據(jù)源及數(shù)據(jù)預處理

本論文使用的數(shù)據(jù)主要為Sentinel-1A和Sentinel-2A數(shù)據(jù)，其中以Sentinel-1A的VV極化數(shù)據(jù)為主要實驗數(shù)據(jù)，Sentinel-2A多光譜影像輔以驗證水體提取精度，在歐洲航天局官網(wǎng)(https: //scihub.copernicus.eu/)中公開獲取。具體獲取了東北扎龍國家級自然保護區(qū)2018—2019年Sentinel-1A數(shù)據(jù)逐月的IW模式的單視復數(shù)影像，在研究區(qū)和時間段內(nèi)，總共獲取了44景Sentinel-1A影像，為了驗證本論文實驗精度，獲取了4景空間分辨率為10 m的Sentinel-2A影像，具體影像日期如表1所示。

表1 影像數(shù)據(jù)具體信息

2 研究方法

本文主要利用SNAP軟件對多時序Sentinel-1衛(wèi)星數(shù)據(jù)進行一系列預處理，主要包括熱噪聲去除、輻射定標(將數(shù)字像素值轉(zhuǎn)換為后向散射系數(shù))、條帶修復(去除條帶噪聲)、濾波處理(Define Lee濾波)、多視處理(距離向視數(shù)設(shè)為4)、斜距轉(zhuǎn)地距及地理編碼獲取UTM WGS 1984投影坐標系的σ0數(shù)據(jù)，如圖2(a)所示； 經(jīng)過應用軌道文件(獲取準確的衛(wèi)星位置和速度信息)、影像配準(將主影像和輔影像進行配準獲取2個時相影像相融合的新影像)、增強光譜多樣性(校正條帶的距離和方位向)、干涉條紋圖的相干系數(shù)提取(對原始圖像參數(shù)賦予相干系數(shù))、條帶修復、多視處理(距離向視數(shù)設(shè)為4)、地形校正和影像裁剪獲取μ0數(shù)據(jù)，如圖2(b)所示。本文選擇每個月靠近月中的VV極化Sentinel-

(a) σ0(b) μ0

1A/B影像提取研究區(qū)σ0數(shù)據(jù)，選擇每個月2景VV極化的Sentinel-1A/B影像計算逐月的μ0數(shù)據(jù)。

本文總體技術(shù)方案如圖3所示。第一部分為預處理模塊，對原始Sentinel-1A衛(wèi)星影像數(shù)據(jù)經(jīng)過熱噪聲去除、輻射定標等預處理過程，獲取研究區(qū)σ0影像； 經(jīng)過應用軌道文件、影像配準等預處理過程獲取研究區(qū)μ0影像； 經(jīng)過波段運算方法加權(quán)研究區(qū)σ0影像和μ0影像獲取新的加權(quán)影像。第二部分為數(shù)據(jù)處理模塊，將第一部分預處理模塊得到的3種類型影像對照彩色光學影像找到水體大致位置，使用閾值分割法確定最佳閾值分割參數(shù)提取濕地水體，逐月計算提取的濕地水體面積，獲取水位動態(tài)信息。第三部分為數(shù)據(jù)分析模塊，對所得影像數(shù)據(jù)基礎(chǔ)建立濕地水面積提取SAR影像數(shù)據(jù)集，使用隨機森林算法對多源遙感數(shù)據(jù)集進行濕地水體和非水體分類，計算水體面積，獲取水位動態(tài)信息。第四部分為精度驗證模塊，對所的結(jié)果進行定量分析，探究濕地水域年內(nèi)年際變化規(guī)律，驗證精度。

2.1 基于σ0的濕地水體提取

光在水體中傳播時會發(fā)生散射，入射能量與表面相互作用后，再輻射向各個方向，其中散射光沿入射方向相反方向的散射的過程稱為后向散射，它也是雷達接收機接收到的散射，通常以σ0表示[16]。

σ0是水體的固有光學量，水體在微波范圍內(nèi)的σ0較低，雷達波的吸收相對完整，在雷達圖像上呈現(xiàn)較暗的黑色區(qū)域，水體和非水體邊界明顯，可通過閾值分割等多種方法輕易將水體和其他地物區(qū)分開。其中，σ0是體散射函數(shù)β(θ)的散射角θ對后向半球的積分，在數(shù)學上定義表達式為：

(1)

式中λ(θ)為σ0與體散射函數(shù)關(guān)系的常數(shù)，該常數(shù)用于此研究領(lǐng)域近似恒定。

本文在ENVI中實現(xiàn)閾值分割濕地水體提取。閾值分割是一種操作簡易且效率高的圖像分割方法，該方法使用一個或多個閾值來分割圖像的灰度級，并且在相同閾值范圍內(nèi)的灰度值將被識別為相同類型的地物。本文將σ0設(shè)為F(x,y)，以某個灰度范圍[k1,k2]作為閾值范圍進行分割，分割后生成的圖像為f(x,y)，在閾值范圍內(nèi)的像素全部更改為1，其他像素均更改為0，即劃分灰度級后的圖像為二值圖，在數(shù)學上定義為：

。

(2)

2.2 基于μ0的濕地水體提取

μ0是描述2幅單視復數(shù)影像相干程度高低的參數(shù)，即地物2次拍攝的差異，該系數(shù)可以表明某些理化特征，因此可以用作輔助地物判別的獨立參數(shù)。由于水體的μ0值為0，故在圖上水體呈現(xiàn)暗黑色，極易于區(qū)分水體和其他地物。對于單視復數(shù)影像，使用SNAP的相干變化檢測處理方法來生成地理編碼的相干系數(shù)圖，干涉測量的相干系數(shù)介于0～1之間(0表示不相干，1表示完全相干)，假定s1和s2分別為同一分辨率的一定時間間隔內(nèi)獲取的2幅影像，則μ0在數(shù)學上定義表達式為：

，

(3)

式中：μ0為相干系數(shù)；s*為s的共軛復數(shù)；s1和s2為經(jīng)過預處理的相干系數(shù)影像。

本文在ENVI軟件中對μ0數(shù)據(jù)進行閾值分割，將圖像二值化，輸出水體的柵格文件，計算水體面積。由于濕地水域的相干系數(shù)值會明顯低于周圍地物，水體在μ0數(shù)據(jù)上表現(xiàn)出的灰度值明顯偏低，因此很好選定最佳閾值參數(shù)對水體進行提取。

2.3 基于加權(quán)σ0和μ0的濕地水體提取

單一的σ0和μ0數(shù)據(jù)提取水體都分別具有各自優(yōu)勢，同時也存在各自的局限性。本文利用波段運算將二者分別賦予權(quán)重疊加融合，便可取得繼承二者特性的加權(quán)σ0和μ0數(shù)據(jù)的新影像數(shù)據(jù)。權(quán)重的賦予是根據(jù)奧維地圖2018年、2019年的高空間分辨率歷史光學遙感影像來驗證單一的σ0和單一的μ0提取水體精度進行權(quán)重劃分，如σ0影像提取水體效果更佳，則權(quán)重愈大，反之愈小。

目前，加權(quán)σ0和μ0數(shù)據(jù)可以通過ENVI進行波段之間的運算實現(xiàn)。波段運算是遙感信息提取的重要方法之一，是基于研究對象的多光譜波段反射特性，選擇合適的波段進行運算，目的是增加對象與背景的差異[17]。

本文在ENVI軟件中對新影像采用閾值分割法提取濕地水體，通過計算像元數(shù)和像元大小的關(guān)系即可獲知濕地水域面積，如表2所示。

表2 2018年加權(quán)σ0和μ0數(shù)據(jù)波段運算公式及閾值參數(shù)

2.4 基于隨機森林算法的濕地水體提取

隨機森林是一種新穎的、極其靈活的機器學習算法，通過集成學習的思想將多棵決策樹集成，其中每棵決策樹都是一個分類器，即對于一個輸入樣本，N棵樹都將具有N個分類結(jié)果。隨機森林將集成的全部分類結(jié)果進行隨機而有放回的抽樣，通過投票機制，最終輸出投票最多的類別，該分類方法在目前所有分類的算法中，具有非常高的準確率[18]。

本文將經(jīng)過處理的Sentinel-1A構(gòu)建濕地水面積提取SAR影像數(shù)據(jù)集，其數(shù)據(jù)構(gòu)成如表3所示，波段組成示例圖如圖4所示。每個數(shù)據(jù)集由5個波段組成，對其進行濕地水體提取，采用ENVI的拓展模塊隨機森林分類器繪制訓練樣本和預測變量的隨機子集，由于決策樹數(shù)目過少會導致分類誤差大，過大則會導致隨機森林構(gòu)建時間過長，故本文生成1 000棵決策樹形成整體分類，表3中展示2019年10月SAR影像數(shù)據(jù)集對照奧維地圖彩色光學影像選取的地表真實感興趣區(qū)域(region of interest，ROI)樣本信息，選取水體和非水體樣本數(shù)各100個(70%為訓練樣本，30%為驗證樣本)。

表3 2019年10月多源數(shù)據(jù)集參數(shù)及選取ROI樣本信息

圖4 扎龍濕地彩色影像示例

2.5 基于Sentinel-2的濕地水體提取

自動化水體提取指數(shù)(automated water extraction index，AWEI)是一種可以提高包括陰影和暗表面在內(nèi)的區(qū)域的分類精度的指數(shù)[19]。由于AWEI方程通過應用強制非水像素低于0和水像素高于0的系數(shù)來提高水和非水像素的可分離性，可以采用默認的0閾值來自動客觀地提取水體，而不采用人為選取的主觀最佳閾值[20]。表達式為：

AWEInsh=4(ρG-ρM)-
(0.25ρN+2.75ρS)

，

(4)

AWEIsh=ρB+0.25ρG-
1.5(ρN+ρM)-0.25ρS

，

(5)

式中：ρG為綠光波段；ρB為藍光波段；ρN為近紅外波段；ρM為中紅外波段；ρS為熱紅外波段；AWEInsh為沒有陰影下提取的自動化水體提取指數(shù)；AWEIsh為陰影下提取的自動化水體提取指數(shù)。

本文在ENVI中通過波段運算計算光學影像數(shù)據(jù)獲取AWEI指數(shù)影像，將其作為本論文濕地水體提取基準，通過閾值分割獲取水體信息，分析驗證前文4種基于不同處理方法得到的影像數(shù)據(jù)的水體提取精度。

3 扎龍濕地水域面積時空動態(tài)變化定量分析

3.1 基于Sentinel-2的水域面積驗證

本文選取了2019年的3月、8月、10月和12月的Sentinel-2A衛(wèi)星的影像進行水體提取方法對比實驗，通過計算Sentine-2A影像數(shù)據(jù)獲取4個月份的AWEI指數(shù)，以研究區(qū)AWEI數(shù)據(jù)作為本文濕地水體提取基準，分析驗證前文4種基于不同處理方法得到的影像數(shù)據(jù)的水體提取精度。結(jié)果圖如圖5所示。

(a) 基于AWEI數(shù)據(jù)(閾值分割法)(b) 基于σ0數(shù)據(jù)(閾值分割法)(c) 基于μ0數(shù)據(jù)(閾值分割法)(d) 基于加權(quán)σ0與μ0數(shù)據(jù)(閾值分割法)(e) 基于多源SAR影像數(shù)據(jù)集(RF分類法)

表4為2019年4期不同方法水體提取面積對比?？梢缘弥?，隨機森林算法的分類精度最高； 其次為基于加權(quán)σ0與μ0影像使用閾值分割方法的分類精度； 再是基于σ0影像使用閾值分割方法的分類精度； 最后是基于μ0影像使用閾值分割方法的分類精度。

表4 2019年基于不同處理方法得到的數(shù)據(jù)的水體提取結(jié)果比較

3.2 基于σ0的扎龍濕地水域面積時空動態(tài)變化定量分析

通過閾值分割法對σ0數(shù)據(jù)進行水體提取，閾值設(shè)定范圍在0～0.01。利用2018—2019年逐月的Sentinel-1A影像提取的扎龍濕地水域面積如表4所示，變化趨勢如圖6所示。

(a) 水域面積年內(nèi)變化曲線 (b) 水域面積年際變化對比柱狀圖

3.2.1 扎龍濕地年內(nèi)水域面積動態(tài)變化分析

結(jié)合圖6(a)及表5可知，2018年1月，扎龍濕地水域面積為1 503.50 km2，2018年2—5月，濕地面積沒有明顯的變化，基本在1 400 km2左右，呈輕微波動性狀態(tài)。從6月份開始，濕地水域面積發(fā)生巨大變化，6月份面積陡降至年內(nèi)最低谷770.51 km2，較上個月下降約640 km2，下降了45.39%。7—11月份整體上稍有回升，平均面積約為1 027 km2，其中，7月份水域面積增幅較小，僅增至839.16 km2。8月份增幅較大，增至1 098.05 km2，9月份濕地水域面積呈現(xiàn)出略微的下降，降至1 059.18 km2，10月份水域面積有些許回升，升至1 177.69 km2，11月份又降至964.1 km2，12月份水域面積快速回升至1 609.32 km2，這個階段為2018年濕地水域面積增長速度最快的時期，達到年內(nèi)最高峰，相比于年內(nèi)最低的6月份，增加了108.86%。

表5 2018—2019年基于σ0數(shù)據(jù)提取的扎龍濕地水域面積(閾值分割法)

2019年1月，扎龍濕地水域面積為1 361.28 km2，2月份面積相對穩(wěn)定，有少許回升達1 401.55 km2，3月份持續(xù)上升至1 598.70 km2。4—7月水域面積急劇下降，7月份降至年內(nèi)最低谷，僅有768.11 km2，與年內(nèi)最高峰的3月份相比，7月份下降830.59 km2，下降了51.95%，如圖7(a)所示。8—12月整體呈高速度增長趨勢，10月之時水域面積已達1 590.14 km2，11月份與10月相比較為穩(wěn)定，，12月份呈現(xiàn)出略微下降趨勢，降至1 541.74 km2，如圖7(b)所示。

(a) 2019年7月(b) 2019年12月

3.2.2 扎龍濕地年際水域面積動態(tài)變化分析

結(jié)合圖6(b)及表5可知，2018年濕地水域面積與2019年相比，1月份2018年多出了142.22 km2，而與之相反，2月份2019年多出了89.76 km2，同樣的3月份中2019年的明顯較多，多出了155.92 km2，4月份則表現(xiàn)出相對持平狀態(tài)，僅差4.48 km2。5月份、7月份和8月份2018年比2019年分別多出244.59 km2，71.05 km2和103.9 km2，10月份呈現(xiàn)反轉(zhuǎn)，2019年多出了412.45 km2。11月份出現(xiàn)了年際差別最大的峰值，2019年水域面積多出了631.8 km2，如圖8所示。最后12月份時2018年比2019年稍多177.23 km2。

(a) 2018年11月(b) 2019年11月

據(jù)有效數(shù)據(jù)，2018年扎龍濕地月平均水體面積為1 269.03 km2，2019年扎龍濕地月平均水體面積為1 334.65 km2?？傮w上看，2019年扎龍濕地水量比2018年更為充足。可以看出，雖然扎龍濕地水域面積有明顯的季節(jié)性變化，但每年都有其變化的特征，會隨著降雨量、溫度及人為補水等多種因素而出現(xiàn)獨特的現(xiàn)象。

3.3 基于μ0的扎龍濕地水域面積時空動態(tài)變化定量分析

通過閾值分割法對μ0數(shù)據(jù)進行水體提取，閾值設(shè)定范圍在0～1。獲取2018—2019年扎龍濕地逐月水域面積如表6所示，變化趨勢如圖9所示。

表6 2018—2019年基于μ0數(shù)據(jù)提取的扎龍濕地水體面積(閾值分割法)

(a) 水域面積年內(nèi)變化曲線 (b) 水域面積年際變化對比柱狀圖

3.3.1 扎龍濕地年內(nèi)水域面積動態(tài)變化分析

結(jié)合圖9(a)及表6可知，2018年1—5月扎龍濕地水域面積呈“W”型波動起伏變化，大致在1 300～1 500 km2范圍間浮動，平均面積約為1 400 km2。7月則呈現(xiàn)出2018年年內(nèi)最低谷，降至756.98 km2，與5月相比，濕地水域面積發(fā)生巨大變化，減少了約660 km2。8—10月水域面積持續(xù)緩慢回升，其中8月份回升幅度最大，升至998.82 km2， 11月份面積降至1 027.91 km2，12月份面積急速上升至1 649.70 km2，為年內(nèi)水體面積最高峰，與面積最少的7月份相差了892.72 km2，增加了117.93%。

2019年1月，扎龍濕地水域面積為1 335.07 km2，3月份面積呈現(xiàn)上升趨勢，升至1 561.70 km2。4—7月份總體面積呈下降趨勢，4月份降至1 325.67 km2，7月份降至2019年年內(nèi)最低，僅有871.37 km2。8—11月扎龍濕地水域面積則呈現(xiàn)出高速狀態(tài)，8月份濕地水域面積緩慢回升至990.74 km2，10月份濕地水域面積呈現(xiàn)急速上升狀態(tài)，升至1 649.70 km2，為年內(nèi)水域面積最高峰，同時年內(nèi)水域面積最高峰的10月份與最低谷的7月份相比，面積增加了747.63 km2，增加了85.80%。11月份與10月相比較為穩(wěn)定，僅呈現(xiàn)出略微下降趨勢，降至1 575.05 km2，12月份持續(xù)下降至1 409.57 km2。

3.3.2 扎龍濕地年際水域面積動態(tài)變化分析

結(jié)合圖9(b)及表6可知，2018年濕地水域面積與2019年相比，1月份2018年多出了154.97 km2，3月份中2019年多出了108.97 km2，4月份則表現(xiàn)出相對持平狀態(tài)。7月份2019年多出了114.39 km2，8月份兩年年表現(xiàn)出相對持平狀態(tài)，2018年僅比2019年多出8.08 km2。10月份呈現(xiàn)較大的反轉(zhuǎn)，2019年比2018年濕地水域面積多出了482.11 km2。11月份出現(xiàn)了2 a之間差別最大的峰值，2019年比多出547.14 km2。12月份產(chǎn)生反轉(zhuǎn)，由于2018年12月份水域面積增加較大而2019年12月份水域面積又略有減少，導致2018年比2019年多出了240.13 km2。

總體上看，2019年扎龍濕地水量比2018年更為充足，計算有效數(shù)據(jù)，2019年扎龍濕地水域面積比2018年多出約863.32 km2，根據(jù)調(diào)查，了解到2019年秋季東北的部分地區(qū)連續(xù)受暴雨侵襲而致洪水災害，故2019年的秋季水量異乎2018年水量。

3.4 基于加權(quán)σ0和μ0的扎龍濕地水域面積時空動態(tài)變化定量分析

將通過加權(quán)σ0和μ0影像數(shù)據(jù)得出新的加權(quán)影像數(shù)據(jù)使用閾值分割法提取水體，利用2018年3月、8月、10月、12月及2019年同期的影像提取的濕地水域面積如表7所示，變化趨勢如圖10所示。

由圖10及表7可知，2018年3月扎龍濕地水域面積為1 461.76 km2。8月份面積下降至1 052.46 km2，與3月份對比差值巨大，達409.3 km2。到10月份面積升至1 167.33 km2，12月升到了高峰，達1 628.46 km2。2019年3月扎龍濕地水域面積為1 566.53 km2，8月份降至996.37 km2，10月升至1 613.01 km2，與8月差值616.64 km2，12月份降至1 434.72 km2。

表7 基于加權(quán)σ0與μ0數(shù)據(jù)提取的水體面積(閾值分割法)

圖10 扎龍濕地基于加權(quán)σ0與μ0數(shù)據(jù)提取的年際水體面積折線圖(閾值分割法)

整體上看，扎龍濕地在10月份的2個時期水域面積表現(xiàn)出了較為明顯的差異，2019年比2018年多出了約為445 km2。其次變化較大的為12月，自10月水域面積驟增后2019年12月呈現(xiàn)出來了較大的降幅，降至1 434.72 km2。

3.5 基于隨機森林算法的扎龍濕地水域面積時空動態(tài)變化定量分析

選中2018年3月、8月、10月、12月及2019年同期的影像，通過隨機森林算法對多源遙感數(shù)據(jù)集提取的濕地水域面積如表8所示。

表8 扎龍濕地基于隨機森林算法提取水體面積

由表8可知，2018年3月扎龍濕地水域面積為1 461.64 km2，2018年8月水域降至954.93 km2，落差達506.71 km2。2018年10月扎龍濕地水域面積稍有回升，升至1 187.23 km2，2018年12月升到了高峰，比2018年春季的3月仍多出136.79 km2，達1 598.43 km2，且此時與較為干旱的8月相比多出了643.5 km2。2019年3月扎龍濕地水域面積為1 575.27 km2，2019年8月水域面積又降到低谷，降至979.91 km2，下降了37.79%。2019年10月，水域面積回升至豐水期，升至1 610.59 km2，12月不升反降，面積降至1 407.98 km2。2 a皆呈現(xiàn)出的豐水期-枯水期-豐水期的變化趨勢，其中10月份差異最大，2019年10月比2018年10月多出了約425 km2。

4 結(jié)語

本論文利用Sentinel-1A的σ0和μ0影像，通過閾值分割法和隨機森林算法提取扎龍濕地2018—2019年逐月的水體信息，并對結(jié)果進行年內(nèi)年際變化定量分析，獲取具體研究結(jié)論如下：

1)通過使用Sentinel-2A的AWEI指數(shù)數(shù)據(jù)的輔助驗證，得出結(jié)論： RF算法的分類精度最高，平均差值絕對值為6.69km2； 其次為基于加權(quán)σ0與μ0影像使用閾值分割方法的分類精度，平均差值絕對值為11.2 km2； 再是基于σ0影像使用閾值分割方法的分類精度，平均差值絕對值為12.87 km2； 最后是基于μ0影像使用閾值分割方法的分類精度，該方法精度最低，平均差值絕對值為13.07 km2。

2)扎龍濕地年內(nèi)變化： 水域面積變化規(guī)律和季節(jié)有很大關(guān)系，春季水域面積在1 300～1 600 km2浮動，夏季在700～1 000 km2浮動，秋季在900～1 200 km2浮動，冬季在1 300～1 600 km2浮動。

3)扎龍濕地年際變化： 總體上看，2019年扎龍濕地水量比2018年更充足，因2019年秋季受暴雨侵襲，故10月和11月份扎龍濕地水域面積比2018年多出1 044.25 km2。扎龍濕地水體面積每年皆整體上呈現(xiàn)豐水-枯水-豐水的變化規(guī)律，其中不同年份又各自具有獨特的水體積變化現(xiàn)象。