孫偉偉，劉圍圍，王煜淼，趙銳，黃明珠，王耀，楊剛，孟祥超

1.寧波大學(xué) 地理與空間信息技術(shù)系,寧波 315211;

2.寧波大學(xué) 信息科學(xué)與工程學(xué)院,寧波 315211

1 引言

濕地與森林和海洋并稱為全球3 大生態(tài)系統(tǒng)，具有維持生態(tài)平衡，保護生態(tài)多樣性、涵養(yǎng)水源、調(diào)節(jié)氣候等重要作用（Sharma 等，2015）。聯(lián)合國《2030年可持續(xù)發(fā)展議程》中涵蓋了17個全球可持續(xù)發(fā)展目標SDGs（Sustainable Development Goals）和169 個指標，其中與濕地相關(guān)的多達75 個。但是，近幾十年來，不合理人類活動和氣候變化影響，造成了濕地面積減少、生態(tài)功能減退、生物多樣性降低等問題。特別是中國濕地面積近30 年來減少了近33%（Niu 等，2012）。因此，加強濕地監(jiān)測和保護非常重要。

相比人工濕地調(diào)查技術(shù)，遙感可以快速獲取大范圍濕地地物在不同波段的影像數(shù)據(jù)，實現(xiàn)濕地物種分布和生化物理參數(shù)反演（梅安新 等，2001）。全色和多光譜遙感利用地物的灰度或紋理信息差異來實現(xiàn)地物分類和生化物理參數(shù)估計。但是濕地群落混雜明顯、地物光譜吸收特征重疊，單一的全色或多光譜遙感影像由于光譜信息有限，無法實現(xiàn)植物群落精細探測（Hestir 等，2008）。合成孔徑雷達SAR（Synthetic Aperture Radar）等主動遙感能夠發(fā)射電磁波穿透濕地植被冠層、土壤表層以及水面，但植被結(jié)構(gòu)特征或介電常數(shù)特性相似的地物往往占據(jù)同一生態(tài)位，同樣導(dǎo)致濕地植被分類和生物理化參數(shù)反演結(jié)果不準。

高光譜遙感能夠捕捉濕地地物目標的細微光譜響應(yīng)差異（趙春暉 等，2016），因此在參數(shù)估算和濕地精細分類中可實現(xiàn)更高的估算和分類精度。本文對2010 年以來濕地高光譜文獻進行分析，并從載荷平臺、數(shù)據(jù)處理方法、遙感分類和定量反演4 方面依次厘清了當前國內(nèi)外濕地高光譜遙感的研究現(xiàn)狀。

2 濕地高光譜遙感文獻分析

2.1 資料與方法

本文所用文獻來源于WOS（Web of Science）核心數(shù)據(jù)庫和中國知網(wǎng)CNKI（China National Knowledge Infrastructure）。其中，WOS 搜索條件為TS=（hyperspectral AND wetland），CNKI的搜索條件為SU='濕地'*'高光譜'，檢索年限均為2010 年—2022年，經(jīng)過去重處理，得到英文文獻207篇，中文文獻196篇。文獻分析軟件為CiteSpace6.1.2，時間跨度為2010 年1 月—2022 年8 月，年份切片設(shè)置為1 年，節(jié)點類型主要分析的有關(guān)鍵詞、作者、機構(gòu)、國家，其他設(shè)置為默認。

2.2 濕地高光譜文獻分析概述

發(fā)表英文文獻最多的雜志是Remote Sensing（42 篇），其次是International Journal of Remote Sensing（19篇）；中文期刊發(fā)表文獻最多的是生態(tài)學(xué)報（10篇），其次是濕地科學(xué)（5篇）。英文文獻集中于自然保護區(qū)、國家公園、沿海濕地、大沼澤地、河口三角洲等；中文文獻與英文文獻類似，也集中于濕地自然保護區(qū)、湖泊濕地、河口濕地等小區(qū)域范圍內(nèi)，省級及以上尺度的相關(guān)研究很少（3篇）。中文和英文文獻關(guān)注度最高的前3個對象都是蘆葦（中文67篇，英文53篇）、互花米草（25篇，22篇）和堿蓬（20篇，19篇）。

英文文獻年度發(fā)文量在2010 年—2012 年呈現(xiàn)逐年增加的趨勢，2012 年—2017 年發(fā)文量穩(wěn)定在12 篇左右。2017 年—2019 年，發(fā)文量明顯增加，且首次突破20 篇，2021 年突破30 篇（圖1（a））。被引量在2010 年—2022 年呈現(xiàn)逐年增加的趨勢，特別是國內(nèi)學(xué)者，2022 年發(fā)表英文文獻的被引量占總被引量的44.6%（圖1（b））。以國外濕地為研究區(qū)的英文文獻數(shù)量在2010 年—2021 年一直處于領(lǐng)先或與國內(nèi)濕地相同，文獻數(shù)量在2022 年首次低于國內(nèi)濕地（圖1（c））。

圖1 中/英文文獻的年度發(fā)文量、被引量以及中英文文獻中濕地研究區(qū)的所屬國家和類型Fig.1 Annual published articles and citations of Chinese and English literature，and the country and type of wetlands studied in Chinese and English literature

中文文獻發(fā)文量從2010年—2018年總體呈增加趨勢，并且?guī)缀趺磕甓汲^英文文獻數(shù)量。2019年—2022 年，發(fā)文量呈下降趨勢（圖1（a））。中文文獻的被引量在2010 年—2020 年呈現(xiàn)上升趨勢，2020 年之后呈下降趨勢（圖1（b））。內(nèi)陸濕地一直是研究熱點，濱海濕地研究數(shù)量在2016 年—2021年與內(nèi)陸濕地相當（圖1（d））。中文文獻的濱海濕地研究區(qū)集中于黃河口三角洲地區(qū)（20 篇）、江蘇鹽城濕地（11篇）、福建閩江河口濕地（9篇）、內(nèi)陸濕地集中于北京野鴨湖濕地（8 篇）、湖南東洞庭湖濕地（8篇）、黑龍江扎龍濕地（7篇）。

2.3 國家與機構(gòu)發(fā)文量和研究方向分析

英文文獻發(fā)表最多的兩個國家是中國和美國，分別占比41.5%和37.7%（圖2（a）），且發(fā)文量前10 的機構(gòu)全部屬于中美兩國（圖2（b））。首都師范大學(xué)、中國林業(yè)科學(xué)院和福建師范大學(xué)發(fā)表中文文獻較多（圖2（c）），分別占比10.7%、7.1%和5.1%。其中首都師范大學(xué)、中國林業(yè)科學(xué)院在也排在WOS機構(gòu)發(fā)文量前十中（圖2（b））。

圖2 各個國家和機構(gòu)在WOS和CNKI中發(fā)表相關(guān)文章的數(shù)量以及研究方向Fig.2 The number and research subject of articles published in WOS and CNKI by countries and organizations

英文文獻研究方向主要是遙感，其次是生態(tài)環(huán)境學(xué)和影像學(xué)，地質(zhì)學(xué)方面也有較高的關(guān)注（圖2（d））。中文文獻不僅限于遙感方向，還涉及生物學(xué)、環(huán)境資源與利用以及自然地理等（圖2（e））。英文文獻發(fā)文量前十的作者中，自然資源部第一海洋研究所任廣波、中國林業(yè)科學(xué)研究院李偉發(fā)表高質(zhì)量文獻較多（表1），各8 篇，寧波大學(xué)孫偉偉發(fā)表高質(zhì)量文獻7篇。

表1 WOS和CNKI中濕地高光譜遙感相關(guān)發(fā)文量前3的作者所屬機構(gòu)Table 1 Affiliated institutions of the top three authors in wetland hyperspectral remote sensing related publications in WOS and CNKI

英文文獻發(fā)文量前三的作者為任廣波、李偉、孫偉偉，并且文獻發(fā)表時間都是在2018 年以后，且相互之間存在合作關(guān)系（圖3（a））。3位作者的研究方向包括基于深度學(xué)習(xí)等方法實現(xiàn)濕地精細分類制圖與生化物理參量的反演估算（圖3（b））。中文文獻發(fā)文量前3的作者為任廣波、趙文吉和張杰，發(fā)文數(shù)量都為9篇。學(xué)者任廣波和張杰存在合作關(guān)系，學(xué)者趙文吉的主要合作者有宮兆寧和林川（圖3（c））。研究主要集中于高光譜濕地植被/水體生化物理參數(shù)反演研究，采用波段選擇來構(gòu)建植被指數(shù)，實現(xiàn)研究蘆葦、香蒲等挺水植被葉片氮含量和濕地水體氮含量反演（圖3（d））。

圖3 WOS和CNKI中濕地高光譜遙感相關(guān)發(fā)文量前3的作者的合作網(wǎng)絡(luò)和研究關(guān)鍵詞分析Fig.3 Cooperation networks and keyword analysis of research of the top three authors in wetland hyperspectral remote sensing related publications in WOS and CNKI

2.4 國際合作

英文論文作者主要來自中國、美國、加拿大、德國等國家（圖4）。國內(nèi)學(xué)者的國際間合作較少，主要合作國家有美國（2 篇）、加拿大（2 篇）、荷蘭（1 篇）；美國學(xué)者國際間合作較多，合作國家較分散，主要有中國（2 篇）、澳大利亞（2 篇）、荷蘭（1 篇）。荷蘭總發(fā)文量較少，僅8 篇，卻與13 個國家有合作。國際合作大多發(fā)生在發(fā)達國家之間，因此，盡管國內(nèi)高光譜濕地相關(guān)研究得到了長足的發(fā)展，但國際間的交流合作仍有待提高。

圖4 WOS中濕地高光譜文獻作者國家/地區(qū)合作網(wǎng)絡(luò)Fig.4 Collaborative network of authors’ countries/regions in wetland hyperspectral literature in WOS

2.5 關(guān)鍵詞共現(xiàn)和突現(xiàn)分析

關(guān)鍵詞共現(xiàn)分析結(jié)果表明，英文文獻的研究熱點有植被分類、葉綠素含量、生物量、數(shù)據(jù)融合等；數(shù)據(jù)處理與特征提取方法有植被指數(shù)、光譜反射率、隨機森林RF（Random Forest）等（圖5）。地物分類是濕地高光譜遙感研究的熱點。從2018年開始，濱海濕地成為重要的研究對象。

圖5 WOS中濕地高光譜遙感的關(guān)鍵詞共現(xiàn)圖譜（出現(xiàn)頻率≥10）Fig.5 Co-occurrence network of keywords in wetland hyperspectral remote sensing in WOS（frequency≥10）

濕地植被一直是中文文獻的研究熱點（圖6）。互花米草、蘆葦、葉綠素、生物量等都是濕地高光譜的研究對象，并且光譜特征是常用的濕地高光譜特征。機器學(xué)習(xí)、決策樹是濕地高光譜研究中常用的分類和反演方法，其中隨機森林應(yīng)用最多。近年來，高光譜研究的濕地對象中濱海濕地受到更多的關(guān)注，與英文文獻分析結(jié)果類似。

圖6 CNKI中濕地高光譜遙感的關(guān)鍵詞共現(xiàn)圖譜（出現(xiàn)頻率≥10）Fig.6 Co-occurrence network of keywords in wetland hyperspectral remote sensing in CNKI（frequency≥ 10）

關(guān)鍵詞突現(xiàn)分析的結(jié)果表明，葉片光譜從2013到2014年是英文文獻研究的熱點（圖7（a）），這可能是因為由于早期高光譜衛(wèi)星較少且分辨率較低，因此，研究者主要基于植被葉片/冠層光譜數(shù)據(jù)開展相關(guān)研究；2016 年之后，隨著高光譜衛(wèi)星的發(fā)射以及無人機平臺搭載的輕小型高光譜成像儀使用，高光譜數(shù)據(jù)的獲取成為濕地高光譜研究的研究熱點（圖7（a））。近年來，數(shù)據(jù)獲取的便攜性提高，多種高光譜特征提取方法、生化物理參量機器學(xué)習(xí)反演方法逐漸被應(yīng)用到濕地高光譜分類和反演中。另外，濱海濕地從2020 年至今成為國際學(xué)者的重點關(guān)注對象。

中文文獻的研究主要集中于內(nèi)陸濕地的植被、土壤和分類研究，其中濕地植被的分類一直是研究熱點（圖7（b））；2018年開始，以隨機森林為代表的機器學(xué)習(xí)方法被廣泛應(yīng)用于濕地生化物理參數(shù)反演和植被分類（圖7（b））。另外，濱海濕地從2019 年—2020 年成為濕地高光譜的重點研究對象，說明國內(nèi)學(xué)者也開始關(guān)注濱海濕地。

3 濕地高光譜遙感載荷平臺

高光譜成像儀的發(fā)展歷程可以分為3 個階段（圖8），分別是積累期（1983 年—2000 年）、成熟期（2000 年—2010 年）和爆發(fā)期（2010 年至今）。積累期主要以航空載荷為主，1983 年美國成功研制出世界上第一臺高光譜成像儀AIS-1（LaBaw，1984），被稱為自遙感技術(shù)問世以來最重要的技術(shù)突破之一（童慶禧 等，2016）。之后，各個國家也陸續(xù)研制出不同的航空高光譜成像儀（張兵，2017）。1997 年，中國科學(xué)院上海技術(shù)物理研究所自行研制了中國首臺推掃式成像光譜儀PHI（邵暉 等，1998）。盡管這時期的高光譜成像儀還處于技術(shù)探索，高光譜數(shù)據(jù)獲取成本較高，但已經(jīng)有學(xué)者將其應(yīng)用到濕地研究中（Neuenschwander 等，1998）。

圖8 高光譜成像儀的發(fā)展示意圖Fig.8 Schematic diagram of the development of hyperspectral imagers

成熟期主要以航天載荷為主。2000 年11 月，美國Hyperion 成像光譜儀升空，2008 年，中國發(fā)射了第一顆高光譜儀成像衛(wèi)星HJ-1A（袁艷 等，2009），同時越來越多的學(xué)者從事濕地高光譜研究（Pengra等，2007）。但這一時期的航天高光譜數(shù)據(jù)的空間分辨率較低，限制了濕地高光譜精細研究（Barducci等，2009）。

爆發(fā)期呈現(xiàn)兩種發(fā)展方向：一是小型化近地面/地面高光譜成像儀，二是航天高光譜儀。地面一般為手持高光譜儀，常用的有ASD FieldSpec4（Dugin 等，2019）。近地面高光譜成像儀一般搭載在無人機上，研制機構(gòu)有美國Headwall 公司、中國科學(xué)院上海技術(shù)物理研究所、北京歐普特科技有限公司等。中國從2018年至今分別發(fā)射了GF-5、ZY-02D 和GF-5 02 星（孫允珠 等，2018；張宏宇等，2020；孟祥超 等，2020；彭江濤 等，2020）航天高光譜儀，2022 年德國在發(fā)射了EnMAP 衛(wèi)星。與上一階段相比，本階段的航天高光譜儀的光譜分辨率更高，在濕地研究中得到了廣泛應(yīng)用（徐逸 等，2021；Su等，2021）。

表2列舉了常用的濕地高光譜數(shù)據(jù)源。航空高光譜數(shù)據(jù)的空間分辨率普遍優(yōu)于航天高光譜數(shù)據(jù)，但覆蓋范圍小且成本高。地面和無人機載高光譜成像儀具有厘米甚至更精細的空間分辨率，可用于小區(qū)域濕地的精細研究。因此，本文認為今后濕地高光譜研究主要依賴于航天高光譜儀和小型化高光譜儀。期待航天高光譜儀進一步優(yōu)化空間分辨率，從而推動大范圍、高精度的濕地遙感研究。小型化高光譜儀可以提供定制化服務(wù)，例如針對某種濕地地物定制光譜范圍，從而減少成本，推動濕地高光譜精細化發(fā)展。

表2 濕地高光譜研究中常用數(shù)據(jù)源Table 2 Hyperspectral sensors commonly used in wetland hyperspectral research

4 濕地高光譜遙感信息提取與處理

濕地高光譜影像的信息提取與處理研究主要集中3個方面：（1）特征提?。哼x取包含信息量大的波段或者提取具有魯棒表示能力的特征，在保留數(shù)據(jù)主要信息的基礎(chǔ)上，盡可能減少數(shù)據(jù)維數(shù)；（2）分類：按照像元的空間、光譜等特征，運用機器學(xué)習(xí)方法，將像元劃分為不同的類別；（3）混合像元分解：從實際光譜中求解得到混合像元中各種地物成分（端元）以及各成分所占的比例（豐度）。

4.1 濕地高光譜特征提取方法

高光譜影像特征提取是指選取包含信息量大的波段或者提取具有魯棒表示能力的特征，在保留數(shù)據(jù)主要信息的基礎(chǔ)上，盡可能減少數(shù)據(jù)的維數(shù)。目前，常用的高光譜數(shù)據(jù)特征提取算法有主成分分析PCA（Principal Component Analysis）、光譜指數(shù)和波段選擇。

（1）PCA 是高光譜遙感數(shù)據(jù)降維和特征提取中最常用的手段之一（Xu等，2019；Ping等，2021）。PCA 的本質(zhì)是將原始數(shù)據(jù)從N維映射到k維空間上（k＜＜N），多用于地面/冠層光譜觀測的特征提?。ɡ罱疳?等，2014）。此外，PCA 也常與方差分析、馬氏距離法MD（Mahalanobis Distance）（劉雪華等，2012）、RF、SVM（Prospere等，2014）、典型對應(yīng)分析CCA（Canonical Correspondence Analysis）（Saluja 和Garg，2016）等方法結(jié)合用于濕地對象特征提取。

（2）光譜指數(shù)是波段之間進行數(shù)學(xué)計算得到的，可作為特征用于后續(xù)的遙感影像的分類或反演（Brooks 等，2019）。濕地高光譜研究中歸一化差值植被指數(shù)、簡單比值指數(shù)、增強型植被指數(shù)的應(yīng)用最為廣泛（Adam等，2014）。此外，有學(xué)者通過構(gòu)建新的光譜指數(shù)用于濕地高光譜分類或反演。光譜指數(shù)的構(gòu)建方式是分別改變指數(shù)的數(shù)學(xué)計算形式或參與計算的波段，或兩者同時改變（田燕芹 等，2020；Goswami等，2011；任廣波 等，2014b；王建步 等，2015）。

（3）波段選擇的目的是在保留地物重要光譜信息的同時，消除光譜冗余，降低計算成本（Sun和Du，2019）。以遙感分類為目的波段選擇方法可以分為基于波譜可分性的方法和基于分類效果的方法?；诓ǘ慰煞中缘姆椒ㄊ沁x擇差異大的波段參與分類，包括選擇波譜差異最大的波段（Du等，2021）、具有顯著差異的波段（Ouyang 等，2013）、波譜差異大于兩者95%置信區(qū)間和的波段（況潤元 等，2017）和波段均值置信區(qū)間差別大的波段（邱琳 等，2013）以及J-M 距離大（艾金泉 等，2015）和類距離大（柴穎 等，2015）的波段?；诜诸愋Ч牟ǘ芜x擇是選擇分類精度高的波段。分類精度的指標包括平均信息增益和邊際熵（Darko等，2021）、CART分類精度（Cao等，2018a）、隨機森林中的波段重要性（Adam 等，2012）。波段與目標參量的相關(guān)性是定量反演中使用最多的波段選擇方法（邱琳 等，2012；張森 等，2020）。除此之外，也有學(xué)者通過方差分析（田燕芹 等，2020）、敏感性分析（章文龍 等，2014）、遺傳搜索算法（Koedsin和Vaiphasa，2013）進行波段選擇。

4.2 濕地高光譜分類方法

濕地地物分類經(jīng)歷了3個階段，第一階段是以光譜角制圖SAM（Spectral Angel Mapper）為代表的傳統(tǒng)分類方法；第二階段是以RF 和支持向量機SVM（Support Vector Machine）為代表的機器學(xué)習(xí)方法；第三階段是以深度學(xué)習(xí)方法為主的濕地地物分類研究。

4.2.1 SAM

SAM 的本質(zhì)是把影像中的每個像元的光譜視為一個高維向量，通過計算兩個光譜向量間的夾角來度量光譜間的相似性。具體地，在SAM 分類中，通過比較待分類像元與已知像元之間的光譜角，夾角越小，兩光譜越相似，進而將相似性最大的類別賦予待分類像元?？紤]到濕地中地物交錯分布，混合像元問題可能會導(dǎo)致地物SAM 區(qū)分度不高，因此，SAM 常用于地面冠層/葉片光譜的地物分類（李明澤和張培贏，2015）。盡管如此，也有研究利用SAM 進行基于高光譜衛(wèi)星數(shù)據(jù)的紅樹林物種分類（Koedsin 和Vaiphasa，2013；Chaube 等，2019；Kamal和Phinn，2011）、蘆葦面積提取等研究。

4.2.2 機器學(xué)習(xí)

濕地高光譜分類和反演研究中最具有代表性的方法是SVM 和RF（Hladik 等，2013；韋瑋 等，2011）。SVM 的基本思想是求解能夠正確分類訓(xùn)練數(shù)據(jù)集并且?guī)缀伍g隔最大的分類超平面。RF 的基本思想是通過訓(xùn)練學(xué)習(xí)多個決策樹，預(yù)測時將多個決策樹的輸出整合以獲得最終的分類結(jié)果。值得注意的是，決策樹分類模型中輸入的特征選擇較多，包括但不限于降維后的原始高光譜波段（艾金泉 等，2015），光譜吸收特征（柴穎 等，2016），植被光譜特征空間“三邊”參數(shù)（陶婷 等，2017），光譜解混得到的豐度（王建步 等，2014）。

此外，也有研究在地物準確識別的基礎(chǔ)上，通過SVM 或者RF 估計目標植被的生物量（Du 等，2019；Adam 等，2014）、濕地植被多樣性和泥炭地類型（McPartland 等，2019）、紅樹林對病蟲害的響應(yīng)（Jiang 等，2021b）。為了進一步提高分類精度，研究者傾向于同時使用多種方法進行高光譜濕地分類制圖或反演（Stratoulias 等，2018；崔小芳和劉正軍，2018；吳培強 等，2015；孫欽佩 等，2017；Jiang 等，2021a）。常用的方法有基于對象的方法、最大似然分類、K-means（Rupasinghe等，2019）、K-近鄰KNN（K Nearest Neighbor）（Zhang，2014）、ISODATA（初佳蘭 等，2015），RF（Zhang和Xie，2013；蔣衛(wèi)國 等，2010）、SVM等（Lucas和Carter，2010；Cao等，2018b）。

4.2.3 深度學(xué)習(xí)

深度學(xué)習(xí)模型能夠自動學(xué)習(xí)數(shù)據(jù)的層次結(jié)構(gòu)特征，并且同時優(yōu)化提取特征的表示和分類。濕地高光譜深度學(xué)習(xí)分類初期主要是卷積神經(jīng)網(wǎng)絡(luò)CNN（Convolutional Neural Network）（Li 等，2021；Hu等，2019a，2019b）及其針對性細節(jié)改進（Gao等，2022a）。對深度學(xué)習(xí)算法的改進主要集中于波段選擇（Hu 等，2022）、特征提取和增強（Li等，2022）。常用的方法包括圖特征增強（Li 等，2022），注意力機制（Cui等，2022），空間頻譜視覺Transformer（Gao 等，2022b），殘差連接（Xie 等，2022），雙分支多線程CNN（Liu等，2021）等。

除了對特征提取模塊進行改進以外，也有研究通過改進深度學(xué)習(xí)網(wǎng)絡(luò)參數(shù)，如學(xué)習(xí)率（陳琛，2019）、對樣本添加擾動以增加樣本量（Chen 等，2019）、目標函數(shù)（Su 等，2021）等方法提高濱海濕地精細分類精度。

4.3 濕地高光譜混合像元分解方法

光譜解混的目的是求解得到混合像元中不同物質(zhì)光譜和對應(yīng)的比例系數(shù)?，F(xiàn)有解混算法主要包含端元提取和豐度估計兩部分，這兩部分可以分別進行也可以通過盲源分離法等手段同時進行。

在特征空間中，所有的混合像元都存在于由端元連接而成的多邊形（或多面體）內(nèi)，因此，直接從圖像上尋找端元的提取方法可分為兩類。第一類是交互式端元提取，代表性方法是像元純度指數(shù)PPI（Pixel Purity Index）（Shive 等，2010），這類方法的優(yōu)勢是能夠很大程度上減少目視選取的主觀性，缺點是需要人工參與。第二類是自動端元提取。代表性方法有內(nèi)部最大體積法（NFINDR）（Chakravortty 和Sinha，2015）、正交子空間投影法（崔賓閣 等，2015），相對于交互式提取方法，自動端元提取的結(jié)果不受個人的主觀影響，但由于自它一般采用純數(shù)學(xué)判據(jù)，可能會產(chǎn)生不具有物理意義的端元。

豐度估計是指在提取端元信息后，對其在混合像元中所占比例進行估計。最小二乘算法的應(yīng)用最廣泛，包括完全無約束（任廣波 等，2015）和完全約束的最小二乘（Artigas和Pechmann，2010）。線性光譜解混假設(shè)所有像元的端元個數(shù)相同，不考慮實際像元中是否由某種端元代表的地物，而這可能會導(dǎo)致地物分類精度不高。因此，有學(xué)者提出了端元光譜混合分析（Byrd等，2014）和自適應(yīng)約束的最小二乘線性譜混合模型（Na等，2021）。

除了獨立的端元提取和豐度估計方法之外，也可以通過盲源分離方法同時完成端元和豐度估計。代表方法有非負矩陣分解等（Chang等，2021），這類方法將觀測矩陣分解成兩個矩陣的組合，直接作為非負端元矩陣和非負豐度矩陣，其結(jié)果具有直觀性和可解釋性。

5 濕地高光譜遙感制圖

5.1 紅樹林制圖

紅樹林是生長在熱帶及亞熱帶海岸潮間帶上的生態(tài)群落，具有防風(fēng)固岸，保護海岸帶生物多樣性等重要作用（Pastor-Guzman等，2018）。目前紅樹林高光譜制圖的研究區(qū)域集中在亞洲，主要包括中國和印度（高常軍 等，2022；薛朝輝 等，2022）。

中國紅樹林資源豐富，廣泛分布在海岸線附近，其中南海沿岸是眾多學(xué)者研究的熱點區(qū)域（周在明 等，2021）。黃可等（2022）利用30 m 分辨率的Landsat 8 數(shù)據(jù)，結(jié)合時空概率閾值法獲取2015 年中國東南沿海地區(qū)紅樹林分布結(jié)果。Wan等（2020）利用單景30 m 分辨率的GF-5 高光譜衛(wèi)星數(shù)據(jù)，結(jié)合SVM 和RF 方法對香港米埔自然保護區(qū)的水筆仔、海欖雌、桐花樹和老鼠筋4種主要紅樹林樹種進行了識別和制圖。Liu 等（2019）利用單景1 m 分辨率的CASI 高光譜數(shù)據(jù)，設(shè)計一種監(jiān)督分類方法，制作了臺灣臺江國家公園的紅樹林地圖。印度方面，Sundarban 和Bhitarkanika 是紅樹林重點研究區(qū)域，不少學(xué)者采用單景30 m 分辨率的Hyperion 高光譜數(shù)據(jù)，基于光譜指數(shù)和機器學(xué)習(xí)方法對兩地的紅樹林樹種進行分類和地圖（Anand 等，2020）。此外，泰國南部的Nakorn Sri Thammarat 省也有部分高光譜紅樹林制圖研究（Koedsin和Vaiphasa，2013）。

盡管高光譜遙感為紅樹林制圖開啟了新的方向，但是仍存在一些限制。例如，低空間分辨率的高光譜數(shù)據(jù)在紅樹林制圖精度不及高空間分辨率的多光譜數(shù)據(jù)（Behera 等，2021）。因此，結(jié)合多源數(shù)據(jù)來提升紅樹林制圖精度成為新的研究方向（Cao等，2018b）。

5.2 鹽沼植被制圖

鹽沼植被是指生存在潮間帶鹽沼濕地上的植被，能有效減緩沉積物再懸浮和侵蝕，在鹽沼濕地生態(tài)系統(tǒng)功中發(fā)揮重要作用（Leonard 和Luther，1995；吉曉強，2008）。高光譜以其精細的光譜信息捕獲能力，成為目前鹽沼植被制圖的主要數(shù)據(jù)源。

中國的鹽沼植被主要分布在杭州灣以北，典型的鹽沼植被包括互花米草、蘆葦和堿蓬等。近年來，黃河三角洲成為鹽沼植被研究熱點地區(qū)（孫欽佩 等，2017；任廣波 等，2021）。例如，Sun等（2021）基于單景30 m 分辨率ZY-1 02D 數(shù)據(jù)提出一種簡單高效的空間光譜方法，對黃河三角洲和鹽城地區(qū)的蘆葦、互花米草、怪柳等鹽沼植被進行分類和制圖。此外，中國東北地區(qū)也有不少鹽沼植被高光譜制圖的研究（Du等，2021）。國外的鹽沼植被高光譜制圖研究較為零散，Wang 等（2007）使用機載CASI 高光譜數(shù)據(jù)，結(jié)合ANN 繪制了意大利威尼斯鹽沼中的混合植被群落，Kumar和Sinha（2019）對比了高光譜Hyperion 和多光譜Quickbird 數(shù)據(jù)在澳大利亞米卡洛島鹽沼植被制圖的效果，結(jié)果顯示高光譜數(shù)據(jù)可以取得與實際更相符的地圖。

然而，僅利用高光譜數(shù)據(jù)進行鹽沼植被制圖仍存在空間分辨率不高和光譜信息冗余導(dǎo)致的精度過低問題（Belluco 等，2006），結(jié)合高光譜數(shù)據(jù)和其他多源數(shù)據(jù)成為目前鹽沼植被制圖的新手段（Hladik等，2013）。

5.3 其他制圖應(yīng)用

高光譜數(shù)據(jù)在濕地制圖中的應(yīng)用除了紅樹林和鹽沼植被以外，還被應(yīng)用在入侵物種分布制圖，如入侵物種毛銹線菊（Kope? 等，2020）和馬利筋（Papp 等，2021），泥炭地類型制圖（Granlund 等，2021）、泥灘類型（Manjunath 等，2013）、土壤有機質(zhì)分布制圖（榮媛 等，2017；Wang 等，2018）等方面。此外，受數(shù)據(jù)源和成本影響，目前高光譜濕地制圖研究多采用單景影像，隨著高光譜衛(wèi)星的發(fā)展，有望利用時序數(shù)據(jù)捕獲更連貫的信息，從而進一步提高濕地制圖精度。

6 濕地高光譜遙感定量反演

6.1 葉綠素反演

葉綠素（Chlorophyll）是光合效率、氮素脅迫、植物發(fā)育狀況和病蟲害監(jiān)測的重要指示器。目前在濕地進行葉綠素高光譜反演的研究按其研究對象可以分為兩類：濕地水體葉綠素反演和濕地植被葉綠素反演。

濕地水體葉綠素反演主要是針對濕地水體中藻類或浮游植物的葉綠素含量，藻類和浮游植物的大量繁殖是引起水體富營養(yǎng)化的重要原因。Lu等（2022）利用ZY-1 02D 高光譜圖像的光譜反射率與葉綠素-a 濃度的相關(guān)性，利用單波段、波段比、三波段等算法建立了葉綠素的定量高光譜模型，測定了中國白洋淀自然保護區(qū)的濕地水體的葉綠素（Lu 等，2022）。Proctor 和He（2013）利用FieldSpec3 Max 便攜式光譜儀采集了加拿大多倫多地區(qū)濕地的浮游植物的光譜信息，采用線性模型建立了光譜植被指數(shù)與葉綠素濃度的反演模型。濕地植被能夠綜合反映濕地的生態(tài)特征，在濕地的物質(zhì)交換和能量轉(zhuǎn)換中發(fā)揮著極其重要的作用。由于濕地植被分布復(fù)雜，一般采用無人機或者手持高光譜儀采集植被光譜信息，從而建立準確的葉綠素反演模型（郭嘯川 等，2012）。例如，章文龍等（2014）使用ASD FieldSpec2500 測定閩江口鱔魚灘濕地秋茄的光譜信息，通過敏感性分析選取與葉綠素相關(guān)系數(shù)較高的參數(shù)，分別用線性、對數(shù)和指數(shù)模型建立估算模型。Zhuo 等（2022）利用無人機搭載GaiaSky-mini2 成像系統(tǒng)測定了上海崇明島濕地混合植被的葉綠素的光譜信息，采用調(diào)和分析的頻率變換理論和希爾伯特變換將光譜維數(shù)轉(zhuǎn)換為頻率維數(shù)，并利用偏最小二乘構(gòu)建葉綠素含量的估算模型。

然而，水體懸浮物濃度差異會對高光譜數(shù)據(jù)捕捉葉綠素光譜信息時產(chǎn)生不同程度的干擾，濕地植被中復(fù)雜的生物組成也會影響光譜信息精度，這些都是制約高光譜精確反演濕地葉綠素的重要因素。

6.2 植物生物量反演

濕地植被生物量包括地上部分和地下部分以及凋落物生物量，它是衡量濕地生態(tài)系統(tǒng)健康狀況的一個重要指標。目前植物生物量高光譜反演主要應(yīng)用在地上生物量，按照數(shù)據(jù)來源對當前研究進行劃分，可以分為航天和無人機/地面數(shù)據(jù)。

航天高光譜數(shù)據(jù)主要應(yīng)用在較大面積的濕地對象（任廣波 等，2014a），例如，Wang等（2022）采用珠海一號OSH 高光譜衛(wèi)星，利用經(jīng)驗線性方法反演了北京漢石橋濕地自然保護區(qū)內(nèi)的蘆葦生物量。Pandey 等（2019）采用線性、對數(shù)和多項式等方法，評估了利用Hyperion 高光譜數(shù)據(jù)估算紅樹林生物量的潛力。但是，衛(wèi)星高光譜影像一般采用像元對應(yīng)范圍內(nèi)若干個樣方的生物量均值作為像元生物量的“相對真值”（張正健 等，2016），而真實像元內(nèi)的植物生長不同狀況會帶來計算偏差。此外，由于衛(wèi)星影像空間分辨率較低也會導(dǎo)致反演精度存在不足。因此，當前高精度的植被生物量高光譜反演主要采用無人機和地面高光譜數(shù)據(jù)（盧霞 等，2017）。例如，Eon等（2019）基于PROSAIL 輻射傳輸模型，利用Headwall VNIR光譜儀航拍采集的高空間分辨率高光譜圖像中估算鹽沼地上生物量。但是光譜數(shù)據(jù)估算生物量存在特征信息不足的明顯問題。不少學(xué)者利用多源遙感數(shù)據(jù)來提高濕地生物量的反演精度，例如通過增加激光雷達數(shù)據(jù)來提高反演精度（Luo 等，2017；R?s?nen等，2020）。

6.3 其他反演

除了葉綠素反演和生物量反演外，高光譜遙感還在其他濕地反演應(yīng)用中發(fā)揮重要作用，例如濕地地表水分和地下水位位置（Meingast等，2014）、濕地土壤重金屬含量（袁中強 等，2016）、濕地湖泊水深（李麗麗 等，2013）、濕地土壤氮磷含量（王莉雯和衛(wèi)亞星，2016；劉云根 等，2019）、紅樹林葉面積指數(shù)（George等，2018）。

7 結(jié)語

本文梳理和分析2010 年—2022 年全球濕地高光譜遙感的研究現(xiàn)狀和前沿進展。中國和美國是濕地高光譜遙感研究最多的兩個國家，但與美國相比，國內(nèi)學(xué)者的國際間交流合作仍有待提高。目前濕地高光譜分類一直是國內(nèi)外學(xué)者的主要研究方向，且國內(nèi)學(xué)者在國際上的影響力逐漸提升，但近幾年中文文獻的發(fā)文量逐漸下降，文章被引量增加速度放緩，這可能是因為國內(nèi)學(xué)者熱衷于發(fā)表國際期刊，忽視了在國內(nèi)期刊發(fā)文以及引用中文文獻?，F(xiàn)有濕地高光譜研究大多集中于自然保護區(qū)等小區(qū)域，主要利用衛(wèi)星或地面高光譜遙感數(shù)據(jù)，采用傳統(tǒng)特征提取、SVM 及RF 分類方法來實現(xiàn)濕地制圖，或通過簡單線性模型來研究葉綠素和地上生物量的定量反演。當前研究存在空間尺度小、數(shù)據(jù)單一且方法傳統(tǒng)的問題?，F(xiàn)有濕地高光譜研究多關(guān)注小區(qū)域濕地，大范圍高光譜濕地應(yīng)用缺失；研究多采用單源高光譜遙感數(shù)據(jù)，如何集成其與多源遙感數(shù)據(jù)（如激光雷達、多光譜和SAR）的共同優(yōu)勢，實現(xiàn)協(xié)同應(yīng)用目前還較少涉及。而且現(xiàn)有濕地高光譜數(shù)據(jù)處理與特征提取方法以傳統(tǒng)方法為主，無法適應(yīng)海量數(shù)據(jù)的自動智能高精度處理需求。

高光譜遙感數(shù)據(jù)得益于數(shù)十至數(shù)百個波段的觀測能力，能夠提供精確連續(xù)的光譜信息，可獲取豐富的地表特征信息，可以為濕地高光譜分類和反演提供充足的光譜信息。隨著多源遙感協(xié)同對地觀測技術(shù)和人工智能理論的發(fā)展，未來的濕地高光譜遙感的研究亟待突破以下方面：

（1）在載荷研制方面，考慮到地面/近地面高光譜遙感平臺便攜特性，未來的載荷研制需要加強全譜段地面/近地面高光譜平臺研發(fā)，特別是涵蓋1000—2500 nm光譜波段的低成本輕小型裝備。

（2）在信息提取方面，考慮到高光譜遙感的海量高維數(shù)據(jù)特性和濕地的高時空異質(zhì)地理特性，未來可以引入深度學(xué)習(xí)和領(lǐng)域自適應(yīng)等機器學(xué)習(xí)前沿理論，研究融合光譜成像機理和地學(xué)特性的快速智能信息提取方法。

（3）在濕地制圖和分類方面，未來可以考慮聯(lián)合多光譜、SAR 和多源高光譜衛(wèi)星影像數(shù)據(jù)，集成多源衛(wèi)星的觀測優(yōu)勢，提升高光譜遙感數(shù)據(jù)的時空分辨率，滿足長時序、大尺度的濕地精細制圖和動態(tài)監(jiān)測需求。

（4）在濕地遙感定量反演方面，未來可以考慮結(jié)合研究機理—學(xué)習(xí)耦合的定量遙感反演模型，發(fā)揮深度學(xué)習(xí)數(shù)據(jù)驅(qū)動方法和參量估計機理模型的聯(lián)合優(yōu)勢，實現(xiàn)空天地一體的大范圍、高精度濕地生物理化特性反演，為碳匯估算和生物多樣性評估等提供精細的數(shù)據(jù)支持。