羅茗，宮兆寧，張園

1.首都師范大學(xué) 資源環(huán)境與旅游學(xué)院,北京 100048;

2.三維信息獲取與應(yīng)用教育部重點(diǎn)實(shí)驗(yàn)室,北京 100048;

3.資源環(huán)境與地理信息系統(tǒng)北京市重點(diǎn)實(shí)驗(yàn)室,北京 100048

1 引言

濕地位于水陸生態(tài)系統(tǒng)之間的過渡地帶，具有獨(dú)特的季節(jié)性水文過程，被認(rèn)為是最具生產(chǎn)力的生態(tài)系統(tǒng)之一，在維持生態(tài)平衡、保持生物多樣性、蓄洪防旱、調(diào)節(jié)區(qū)域氣候等方面具有重要的生態(tài)服務(wù)價值。由于受到全球變暖、人類活動加劇等方面的影響，自20 世紀(jì)70 年代起，全球濕地面積急劇減少，生態(tài)功能嚴(yán)重退化，帶來了一系列生態(tài)問題，使得濕地研究成為國際社會普遍關(guān)注的熱點(diǎn)（Gardner等，2011）。濕地是“山水林田湖草”生命共同體的重要組成，濕地的動態(tài)范圍界定是濕地研究的基礎(chǔ)，也是濕地生態(tài)系統(tǒng)保護(hù)、恢復(fù)重建的前提（殷書柏和呂憲國，2006）。精準(zhǔn)的濕地范圍識別方法有利于濕地精確分類與制圖，可以為濕地管理部門提供科學(xué)有效的指導(dǎo)，具有重要意義（楊永興，2002）。

衛(wèi)星遙感作為對地觀測的綜合技術(shù)，已被廣泛應(yīng)用于濕地信息提取和動態(tài)監(jiān)測。縱觀整個濕地遙感發(fā)展史，濕地空間變化的遙感監(jiān)測大體經(jīng)歷了從單一遙感資料向多時相、多數(shù)據(jù)源的復(fù)合過渡，從靜態(tài)分析向動態(tài)監(jiān)測過渡，從對資源與環(huán)境的定性調(diào)查向計算機(jī)模型的定量分析過渡。世界上開展?jié)竦乇O(jiān)測最早的是北美，主要是利用航空遙感對海岸帶濕地的變化進(jìn)行監(jiān)測，之后英國、加拿大對濕地遙感識別、監(jiān)測展開了較深入的研究。Sader 等（1995）利用Landsat TM 遙感影像對美國緬因州的森林濕地進(jìn)行分析評價研究。Munyati（2000）使用MSS和TM兩種影像數(shù)據(jù)分析贊比亞泥炭型沼澤濕地系統(tǒng)的變化情況。T?yr? 等（2001）通過SPOT和Radarsat SAR影像相結(jié)合的方法監(jiān)測內(nèi)陸濕地水體的水質(zhì)，并評價其應(yīng)用于淡水濕地水體范圍制圖的潛力與優(yōu)越性。Landmann等（2010）利用MODIS 影像系列產(chǎn)品數(shù)據(jù)結(jié)合地形數(shù)據(jù)開展大尺度濕地制圖研究。中國遙感技術(shù)應(yīng)用與濕地監(jiān)測起步較晚，但發(fā)展迅速。隨著遙感技術(shù)和傳感器的發(fā)展，監(jiān)測數(shù)據(jù)由單一的Landsat 系列衛(wèi)星向IKONOS、Quick Bird 等多源數(shù)據(jù)發(fā)展。濕地空間變化特征研究逐漸深入，以牛振國等（2009）繪制全國濕地地理特征分布圖開始，標(biāo)志著大尺度濕地空間變化特征研究時代的到來。2009 年，首張全國濕地分布遙感制圖由北京師范大學(xué)遙感重點(diǎn)實(shí)驗(yàn)室完成，為中國濕地大調(diào)查提供了資源配置依據(jù)，也為濕地變化監(jiān)測奠定良好基礎(chǔ)。

對濕地生態(tài)系統(tǒng)的遙感監(jiān)測不僅能實(shí)時掌握濕地資源現(xiàn)狀，還有助于了解濕地多年的動態(tài)變化特征。濕地的科學(xué)界定是濕地提取的關(guān)鍵，目前對于濕地的定義并沒有形成統(tǒng)一公認(rèn)的標(biāo)準(zhǔn)，但是研究學(xué)者一致認(rèn)為“濕地三要素”（濕地水文、濕地植被和水飽和土壤）是識別濕地和界定濕地邊界的唯一理論依據(jù)（Charman，2002）。國內(nèi)外濕地研究者基于水和濕表面與其他地物在可見光、近紅外、短波紅外的光譜反射特征差異建立了多種水濕指數(shù)。

水濕指數(shù)被認(rèn)為是使用限制少且更能直觀對濕地進(jìn)行表征的，因此在世界范圍內(nèi)被廣泛使用。根據(jù)水濕指數(shù)的不同特征，可以將它們歸納成以下4 種：（1）基于增強(qiáng)水體與相鄰像素間差異提取濕地信息。McFeeters（1996）利用綠波段和近紅外波段開發(fā)了歸一化差異水體指數(shù)NDWI（Normalized Difference Water Index）用于水體測繪；Xu（2006）在對NDWI結(jié)果分析的基礎(chǔ)上，將短波紅外波段代替近紅外波段修改指數(shù)，稱為MNDWI（Modified NDWI）。該指數(shù)與NDWI相比能夠增強(qiáng)遙感圖像中開闊水面特征，同時改善水體提取時城市建筑物陰影干擾問題，適合城市水體識別；Feyisa 等（2014）針對Landsat TM 傳感器開發(fā)了自動化水體提取指數(shù)AWEI（Automated Water Extraction Index），在存在各種環(huán)境噪聲情況下該指數(shù)可以提高水體提取準(zhǔn)確性，同時保證閾值的穩(wěn)定；（2）基于對土壤濕度和植被水分含量較為敏感的近紅外波段和短波紅外波段提取濕地信息。Gao（1996）為了研究植被含水量，基于歸一化差異植被指數(shù)NDVI（Normalized Difference Vegetation Index）開發(fā)了歸一化濕度指數(shù)NDMI（Normalized Difference Moisture Index），與NDVI 相比能更有效地提取植被冠層水分含量；Khanna 等（2007）提出的短波角斜率指數(shù)SASI（Shortwave Angle Slope Index）和Wang 和Qu（2007）提出的歸一化多頻帶干旱指數(shù)NMDI（Normalized Multi-band Drought Index）也被用來區(qū)分植物水分和土壤水分的變化并且表征良好。多種研究表明NIR-SWIR波段組合得到的水濕指數(shù)在反映植被含水量方面比NDVI 更好（鄭興明 等，2014；聞熠 等，2015）；（3）基于地表溫度與NDVI反演土壤濕度提取濕地信息。Sandholt 等（2002）在研究土壤濕度時，利用LST和NDVI值擬合干濕邊方程，提出了溫度植被干旱指數(shù)TVDI（Temperature Vegetation Dryness Index）進(jìn)行植被覆蓋區(qū)域表層土壤濕度反演。王鵬新等（2001）根據(jù)其原理又提出了條件植被溫度指數(shù)VTCI（Vegetation Temperature Condition Index）。這些指數(shù)被廣泛應(yīng)用于監(jiān)測土壤狀態(tài)；（4）基于纓帽變換濕度分量反演沼澤、水體變化差異提取濕地信息。TCWI（Tasseled Cap Wetness Index）最早根據(jù)Landsat MSS 傳感器提出，是一種特殊的主成分分析，可以較好地分離土壤和植被（Kauth 和Thomas，1976），并且適合檢測濕地淹沒區(qū)域（Tana 等，2013）。TCWI 過分依賴于傳感器，不同傳感器其纓帽變化轉(zhuǎn)換系數(shù)也不同，但隨著世界各國研究者們對其研究的不斷深入，大多數(shù)傳感器都有其纓帽變換的轉(zhuǎn)換系數(shù)，包括Landsat OLI、Sentinel MSI 等傳感器（李博倫等，2016；Shi 和Xu，2019）。雖然大多數(shù)水濕指數(shù)已經(jīng)應(yīng)用于濕地信息的獲取，可以表征濕地特征，但是當(dāng)濕地三要素混合時，會呈現(xiàn)復(fù)雜的光譜特征。且由于濕地區(qū)域空間異質(zhì)性強(qiáng)，濕地與非濕地界限較為模糊，導(dǎo)致濕地范圍提取精度并不高。加之由于季節(jié)性或日常水位波動導(dǎo)致濕地范圍和光譜特征呈現(xiàn)高度動態(tài)化，難以通過單一水濕指數(shù)和單時相分類方法準(zhǔn)確捕捉濕地的動態(tài)范圍（Ozesmi 和Bauer，2002）。所以要進(jìn)行精確的濕地動態(tài)邊界檢測，有必要使用多時相光學(xué)影像和不同水濕指數(shù)，結(jié)合動態(tài)閾值，考慮成本效益的方式實(shí)現(xiàn)大規(guī)模濕地制圖。

隨著多源多尺度遙感數(shù)據(jù)的發(fā)展以及遙感云平臺的興起，濕地遙感監(jiān)測走上了新臺階。地理空間信息云平臺允許用戶通過Web 接口進(jìn)行遙感數(shù)據(jù)處理，谷歌地球引擎GEE（Google Earth Engine）是目前最常用的平臺之一。利用GEE 強(qiáng)大的計算能力、海量的數(shù)據(jù)、先進(jìn)的算法、豐富的API（Application Programming Interface），多源多時相數(shù)據(jù)通過編程語言快速實(shí)現(xiàn)濕地的有效提?。ǔ帖惸?等，2022；寧曉剛 等，2022；智超等，2022）。為此，本研究借助GEE 平臺，從濕地三要素出發(fā)，面向濕地系統(tǒng)具有的獨(dú)特水位波動特征，開發(fā)了一套基于“要素—指標(biāo)—閾值”體系的大范圍濕地自動檢測方法。為了驗(yàn)證方法的普適性及精度，選取水庫型濕地，沼澤型濕地，湖泊型濕地3種典型內(nèi)陸濕地驗(yàn)證濕地動態(tài)范圍識別方法的有效性和準(zhǔn)確性，并通過高分一號、WorldView、Google Earth 等高空間分辨率光學(xué)影像數(shù)據(jù)進(jìn)行精度評價，以期為長時序、大范圍濕地動態(tài)監(jiān)測提供有效的技術(shù)支撐。

2 研究區(qū)概況與數(shù)據(jù)源

2.1 實(shí)驗(yàn)區(qū)概況

為了驗(yàn)證方法的有效性，選取官廳水庫、若爾蓋濕地、鄱陽湖濕地分別作為水庫型濕地、沼澤型濕地和湖泊型濕地的典型代表進(jìn)行研究。

官廳水庫位于北京市延慶區(qū)和河北省懷來縣內(nèi)，是海河流域五大支流之一永定河上的第一座大型水庫，地跨112°08'E—116°20'E，38°51'N—41°14'N，曾是北京市的主要供水水源之一（圖1（a））。全區(qū)屬于溫帶大陸性季風(fēng)氣候，夏季多雨，冬季干燥，全年多風(fēng)少雨，降雨主要集中在7—9 月（汪星 等，2018）。受周期性水位漲落影響，在水庫與陸岸之間形成的巨大環(huán)庫生態(tài)隔離帶，是一類特殊的季節(jié)性濕地生態(tài)系統(tǒng)，是深入分析各種生態(tài)要素相互作用機(jī)制的重要研究區(qū)（宮兆寧 等，2017）。

圖1 研究區(qū)地理位置及樣本點(diǎn)分布（影像RGB波段：7，5，4）Fig.1 Location and sample points distribution of different types of inland wetlands（Image RGB band：7，5，4）

若爾蓋濕地位于青藏高原東北部，地跨102°29'E—102°59'E，33°25'N—34°00'N，是世界上最大的高原沼澤濕地。全區(qū)平均海拔3500 m，長冬無夏，干雨季分明，地貌以寬谷、緩丘為基本特征，廣泛發(fā)育泥炭沼澤，在節(jié)水、供水以及生態(tài)平衡中起著重要作用（Huo 等，2013；甄碩等，2017）。其濕地范圍多分布于黑河流域中下游，本研究選擇若爾蓋濕地的黑河中下游為研究區(qū)（圖1（b））。

鄱陽湖位于江西省北部，地跨115°47'E—116°45'E，28°22'N—29°45'N，是中國第一大淡水湖泊濕地（圖1（c））。鄱陽湖屬于亞熱帶季風(fēng)性氣候，夏季炎熱潮濕，冬季干燥寒冷。鄱陽湖水位表現(xiàn)出明顯的季節(jié)和年際動態(tài)，在4—9 月的豐水季中，大片洪泛區(qū)被淹沒，形成一個大湖，淹沒面積超過3000 km2。在10—次年3 月的枯水季，湖泊的淹沒面積縮小到不足1000 km2，只留下一條狹窄的蜿蜒水道（Feng等，2012）。

2.2 數(shù)據(jù)源

Landsat 8 Collection 2 數(shù)據(jù)集由美國地質(zhì)調(diào)查局USGS 于2020 年發(fā)布，本研究選取GEE 平臺上Landsat 8 Level 2，Collection 2，Tier 1 數(shù)據(jù)集，空間分辨率30 m，重訪周期16 d。Tier 1 擁有經(jīng)過輻射定標(biāo)和大氣校正數(shù)據(jù)質(zhì)量良好的Landsat 影像，適合進(jìn)行時間序列的定量分析。選取研究區(qū)2019年逐月尺度的Landsat OLI影像組成月尺度時間序列數(shù)據(jù)集，充分表征豐水期和枯水期濕地的動態(tài)變化特征，根據(jù)12景影像合成結(jié)果確定濕地動態(tài)范圍。

為了準(zhǔn)確區(qū)分濕地像元與非濕地像元，選取3 個研究區(qū)內(nèi)高分一號，Google Earth、WorldView高分辨率影像數(shù)據(jù)，進(jìn)行基于專家經(jīng)驗(yàn)的目視解譯，確定濕地與非濕地要素。為了確保驗(yàn)證的合理性，上述所有數(shù)據(jù)坐標(biāo)系都進(jìn)行重投影和影像配準(zhǔn)，確保和Landsat OLI 數(shù)據(jù)坐標(biāo)系一致?？紤]到豐水期影像中濕地面積往往最大，包含了所有可能被定義為濕地的范圍，因此選取濕地豐水期遙感影像作為驗(yàn)證數(shù)據(jù)。

2.3 技術(shù)流程

從濕地三要素的定義：濕地水文、濕地植被和濕地土壤出發(fā)，篩選最優(yōu)水濕指數(shù)組合。利用圖像合成法，將年內(nèi)水濕指數(shù)構(gòu)建的數(shù)據(jù)集進(jìn)行有效合成，用來精確表征濕地動態(tài)范圍。采用改進(jìn)的模糊C 均值（MFCM）算法，弱化濕地背景的空間異質(zhì)性，提高濕地與非濕地邊界的對比度。采用OTSU 實(shí)現(xiàn)濕地范圍分割閾值的定量界定，疊加濕地提取規(guī)則最終構(gòu)建一套基于“要素—指標(biāo)—閾值”體系的濕地精準(zhǔn)識別算法，實(shí)現(xiàn)水位波動條件下濕地動態(tài)范圍的精準(zhǔn)識別。具體技術(shù)流程見圖2。

圖2 技術(shù)流程圖Fig.2 Technical flow chart

3 實(shí)驗(yàn)方案

3.1 基于濕地三要素的水濕指數(shù)組合方案

雖然世界各國對于濕地定義差異很大，但基本上還是以“濕地三要素”為依據(jù)，即濕地水文、濕地植被和水飽和土壤（Tiner，2016）。濕地具有的季節(jié)性水位波動特征，對濕地植物生存和土壤發(fā)育起著決定性作用。濕地水文是濕地形成的發(fā)生學(xué)因素，而濕地土壤和濕地植被則是濕地發(fā)育成熟的診斷特征（殷書柏 等，2014）。

圍繞濕地三要素特征，本研究將水位波動條件下濕地范圍劃分為3 部分：開闊水面變化區(qū)域（圖3（a））、存在濕地植被覆蓋的水面或過飽和濕地土壤區(qū)域（簡稱“水生植物和濕土壤區(qū)域”）（圖3（b））、濕地永久水體區(qū)域（圖3（c））。在空間分布上，水面無變化的永久水體區(qū)一般位于濕地中心，開闊水面變化區(qū)域、水生植物和濕土壤區(qū)域組成的水位波動區(qū)一般位于濕地邊緣。濕地范圍的分區(qū)界定后，根據(jù)不同水濕指數(shù)優(yōu)勢篩選水濕指數(shù)進(jìn)行濕地三要素表征，從而檢測濕地的動態(tài)范圍（表1）。

表1 水濕指數(shù)Table 1 Water-wetness indices

圖3 濕地區(qū)域的定義與劃分（波段4，3，2）Fig.3 Definition and division of wetland areas（Bands 4，3，2）

3.2 基于圖像合成法的濕地水位波動范圍的識別

由于濕地范圍具有高度時間動態(tài)性，單幅影像獲取的信息不足以表示全年的濕地范圍。對研究區(qū)地面水文站實(shí)測歷史水位數(shù)據(jù)的缺失，與實(shí)測數(shù)據(jù)同步的高、低水位時期的遙感影像缺失，兩者給水位波動條件下濕地動態(tài)范圍的識別帶來了困難，但是高、低水位變化對濕地的發(fā)生至關(guān)重要。

本研究利用圖像合成原理，采用水濕指數(shù)圖像合成法來確定高低水位。通過圖像合成法，用一年內(nèi)收集到所有月度影像生成的水濕指數(shù)的高值，代表高水位期影像的提取結(jié)果，而低值代表低水位期影像的提取結(jié)果。在某些年份內(nèi)，云覆蓋或影像質(zhì)量問題會造成月尺度時間序列數(shù)據(jù)的不連續(xù)性，因此本文通過GEE 進(jìn)行影像云量篩選，對于缺失月份的影像利用鄰近年份相同月份或相同年份鄰近月份的影像進(jìn)行靈活替代。在完成年內(nèi)月尺度時間序列影像收集后，選取合適的圖像合成規(guī)則，將月度水濕指數(shù)圖像進(jìn)行合成，表征全年濕地動態(tài)變化的范圍。既避免因?yàn)闈竦馗邥r間動態(tài)性導(dǎo)致的檢測結(jié)果偏差，又解決實(shí)測水位數(shù)據(jù)缺失情況下，高低水位影像難以確定的問題。

采用最大值或最小值合成的月度水濕指數(shù)影像，往往是一年內(nèi)最大或最小的濕地邊界，無法排除洪水或突然干旱導(dǎo)致的偶然誤差。且最大值或最小值合成影像往往包含更多的云污染，使得濕地檢測結(jié)果存在較大誤差。為了排除洪水期和干旱期誤差及云干擾，Ludwig 等（2019）在哥白尼土地監(jiān)測服務(wù)中根據(jù)水濕存在指數(shù)WWPI 的定義采用第75 百分位數(shù)進(jìn)行濕地劃分。同時也利用第75 百分位數(shù)選擇不同研究區(qū)進(jìn)行濕地分類，結(jié)果顯示精度較高。本研究中沒有涉及該因子的經(jīng)驗(yàn)推導(dǎo)，但根據(jù)以往研究的準(zhǔn)確性直接采用第75百分位數(shù)水濕指數(shù)的合成影像，代表高水位期的濕地特征，第25 百分位數(shù)水濕指數(shù)的合成影像，代表低水位期的濕地特征。

以官廳水庫為例，研究區(qū)2019年5月和6月的影像有云層干擾，對MNDWI 指數(shù)影像采用最大值合成后，過境影像中的陸地區(qū)域仍然有明顯的薄云現(xiàn)象（圖4（a）），但對逐月的MNDWI指數(shù)影像采用75 百分位數(shù)合成規(guī)則，影像中的云量明顯減少（圖4（b））。

圖4 年尺度水位波動周期內(nèi)官廳水庫MNDWI指數(shù)圖像合成結(jié)果Fig.4 Compositing results of index caculation images（MNDWI images of the Guanting Reservoir in an annual scale water level fluctuation period）

3.3 濕地異質(zhì)背景均一化

濕地的高度空間異質(zhì)性通常會對閾值分割產(chǎn)生影響（Ozesmi 和Bauer，2002），將圖像進(jìn)行聚類處理可以有效消除這種影響。Yang 等（2015）充分考慮圖像像素的灰度信息和空間分布，提出基于水體指數(shù)的改進(jìn)的模糊C 均值聚類（MFCM）算法進(jìn)行水體的精確提取。MFCM算法通過圖像反射率的分布將位于聚類邊緣的異構(gòu)背景校正到聚類中心，從某一個隨機(jī)的聚類中心開始，通過搜索目標(biāo)函數(shù)的最小點(diǎn)，不斷調(diào)整聚類中心和每一個樣本的模糊隸屬度，最后確定樣本類別產(chǎn)生雙峰直方圖。將圖像進(jìn)行水濕指數(shù)計算后，濕地類像元數(shù)量與非濕地類像元數(shù)量在直方圖中顯示出明顯差異（圖5（b））。本文采用MFCM 算法，提高圖像光譜對比度和均勻異質(zhì)反射率，弱化濕地空間異質(zhì)性式（1）。

圖5 MFCM算法應(yīng)用前后的比較Fig.5 Comparison of MFCM algorithm application

式中，C表示聚類中心的數(shù)量，N表示圖像中像元數(shù)之和，α表示可控制鄰域效應(yīng)的強(qiáng)弱，表示像素j鄰域窗口內(nèi)像素的平均值；uij表示像素j屬于類i的隸屬度函數(shù)，m是隸屬度因子，通常設(shè)置2；vi表示類i的聚類中心；J是全局目標(biāo)函數(shù)。當(dāng)目標(biāo)函數(shù)到達(dá)極值時，待分類影像獲得最佳聚類方案。為此引入隸屬度函數(shù)uij的約束條件式（2），并利用拉格朗日乘數(shù)法求解各個參數(shù)。

對于聚類中心選取，可以根據(jù)圖像直方圖特征確定（王啟為 等，2019）。本文分別在濕地和非濕地特征像元值處選取兩個聚類中心，直方圖存在明顯的雙峰分布，在波峰處選擇，對于在同一特征處具有多個峰值的，選取像元數(shù)量最多的波峰作為聚類中心。經(jīng)過MFCM 算法處理后的影像，圖像對比度增強(qiáng)，濕地與非濕地之間的界限更明顯（圖5）。

3.4 動態(tài)分割閾值的確定

經(jīng)過背景均一化的水濕指數(shù)影像，需要選取合適的閾值進(jìn)行分割，進(jìn)一步確定濕地特征邊界。根據(jù)聚類后影像直方圖特點(diǎn)：有明顯的多峰分布，且波峰存在不止一個類別上，采用OTSU 進(jìn)行自動閾值分割。

按照圖像的灰度特性，將圖像分成背景和前景兩部分。因方差是灰度分布均勻性的一種度量，背景和前景之間的類間方差越大，說明構(gòu)成圖像不同部分的差別越大，分割意味著錯分概率越小。經(jīng)過背景均一化的聚類影像，具有明顯的前景（濕）與背景（非濕）分布（Li 等，2012）。因此，研究選取OTSU確定閾值進(jìn)行影像二值化。

3.5 水濕指數(shù)識別規(guī)則的構(gòu)建

部分水濕指數(shù)提取的濕地結(jié)果易與其他地物混淆，因此不能簡單進(jìn)行水濕指數(shù)疊加提取濕地范圍。為了精準(zhǔn)識別濕地的動態(tài)邊界，圍繞濕地三要素特征，建立合適的規(guī)則（表2），符合該規(guī)則的區(qū)域檢測為濕地。

表2 濕地識別規(guī)則Table 2 Wetland identification rules

根據(jù)水體和植被在NIR 波段反射率的顯著差異性，采用NDWI可以最大程度抑制植被信息突出水體信息。因此本研究利用年內(nèi)低水位期影像提取的NDWI 結(jié)果表征濕地范圍中的永久水體區(qū)域（圖3（c））；高、低水位期影像提取的NDWI 結(jié)果之差可以有效指示濕地開闊水面變化的范圍（圖3（a））。濕地與森林、山體陰影、建筑混凝土等土地覆蓋類型存在嚴(yán)重的同物異譜現(xiàn)象（圖6），為了盡可能減少誤差，只有像元被NDMI、NMDI、TCWI 超過一個指數(shù)同時識別為濕地時，才能與高水位期MDNWI 一起表征水生植物和濕土壤（圖3（b）），同時該區(qū)域也可以通過高水位期的MNDWI、NDWI范圍的差異區(qū)域來表征。

圖6 水濕表面和易混淆特征的NDMI和NMDI值之間的比較Fig.6 Comparison between NDMI and NMDI for water-wetness surfaces and easily confused features

開闊水面變化區(qū)域、水生植物和濕土壤區(qū)域、永久水體區(qū)域三者共同組成有明顯水位波動的濕地。采用永久水體區(qū)域表征低水位時期的最小濕地范圍，開闊水面變化區(qū)域、水生植物和濕土壤區(qū)域組成的水位波動區(qū)最大外延范圍表征高水位時期的最大濕地范圍。不同時期不同水位的濕地邊界在水位波動區(qū)中移動，最終完成水位波動條件下濕地動態(tài)范圍的精準(zhǔn)識別。

3.6 精度評價

參考驗(yàn)證數(shù)據(jù)，按照3個研究區(qū)面積大小分別選取濕地和非濕地200、250、300個樣本點(diǎn)利用分層隨機(jī)抽樣方法進(jìn)行精度驗(yàn)證。采用混淆矩陣分別對單一影像指數(shù)與本文方法結(jié)果進(jìn)行精度評估，選取的評價指標(biāo)為總體精度、生產(chǎn)者精度、用戶精度，Kappa系數(shù)。

4 結(jié)果與討論

4.1 結(jié)果分析

本研究采用“要素—指標(biāo)—閾值”體系的濕地檢測方法，使用Landsat OLI 遙感數(shù)據(jù)針對具有水位波動特征的濕地進(jìn)行提取，并將本文所使用的5 種水濕指數(shù)組合識別方法與高水位期5 種水濕指數(shù)單獨(dú)濕地提取方法結(jié)果進(jìn)行精度對比發(fā)現(xiàn)，本文方法在3種典型內(nèi)陸濕地提取中具有最高的總體精度與Kappa系數(shù)，表明本文濕地提取方法的普適性與有效性（圖7）。

圖7 基于6種水濕指數(shù)不同類型內(nèi)陸濕地范圍提取精度的統(tǒng)計Fig.7 Accuracy verification results comparison of wetland dynamic range among six different water-wetness indices images

官廳水庫濕地位于永定河上游，周圍多山，岸邊存在部分建筑。單獨(dú)使用NDMI 和NMDI 指數(shù)進(jìn)行濕地識別時，雖然指數(shù)對植被水分和土壤濕度敏感，但也易與建筑、森林和山體陰影混淆，因此濕地檢測結(jié)果相較其他方法精度較低且噪聲大。研究區(qū)濕地主要由開闊水面組成，水庫北岸與西南岸存在部分濕地植物茂盛地區(qū)，因此使用NDWI、MNDWI、TCWI 水濕指數(shù)進(jìn)行濕地識別精度較高，均在90%之上。通過EITS 方法提取的官廳水庫濕地結(jié)果較好反映了官廳水庫周圍的濕地分布（圖8（f）），不僅檢測到濕地開闊水面變化，還能檢測水面植被茂盛的濕地，排除單一指數(shù)結(jié)果的噪聲影響，總體精度高達(dá)95.50%，Kappa系數(shù)達(dá)到0.91，具有最高總體精度與Kappa系數(shù)（表3）。研究區(qū)內(nèi)永久水體占絕大多數(shù)，其次是水生植物和濕土壤區(qū)域、開闊水面變化區(qū)域。永久水體區(qū)位于水庫中心，水位波動區(qū)主要位于水庫邊緣。

表3 官廳水庫濕地提取精度評價Table 3 Accuracy assessment for the Guanting Reservoir wetland

圖8 基于不同水濕指數(shù)官廳水庫濕地動態(tài)范圍的識別結(jié)果Fig.8 Different water-wetness indices caculation results of wetland dynamic range in the Guanting Reservoir

若爾蓋濕地位于黑河中下游，主要包括由植被和濕土壤組成的泥炭沼澤濕地，河流只占研究區(qū)的小部分。單獨(dú)使用NDWI提取時精度最差，僅能識別出河流與較大的水面，對若爾蓋濕地的其他濕地特征難以精準(zhǔn)檢測；MNDWI 雖然可以識別出濕地植被，但濕地土壤識別結(jié)果較差；NDMI 和NMDI 能較好地識別濕地土壤和濕地植被，但由于噪聲較大單獨(dú)使用時精度也不高。特別是NMDI提取結(jié)果，由于該地區(qū)土壤類型不同，反射率與水泥建筑相似，導(dǎo)致NMDI結(jié)果把許多土壤都錯分為濕地，錯分誤差較大，生產(chǎn)者精度僅有57.5%。TCWI 對土壤、植被濕度敏感，加之沒有噪聲干擾，可以較好識別出濕地，所以總體精度較高。

通過EITS 方法提取的若爾蓋濕地結(jié)果較好反映了若爾蓋周圍的濕地分布（圖9（f）），總體精度為94%，Kappa 系數(shù)超過0.88，具有最高總體精度與Kappa 系數(shù)（表4）。研究區(qū)內(nèi)水生植物和濕土壤組成的泥炭沼澤濕地占絕大多數(shù)，其次是永久水體、開闊水面變化區(qū)域。

表4 若爾蓋沼澤濕地提取精度評價Table 4 Accuracy assessment for the Zoige marsh wetland

圖9 基于不同水濕指數(shù)若爾蓋沼澤濕地動態(tài)范圍的識別結(jié)果Fig.9 Different water-wetness indices caculation results of wetland dynamic range in the Zoige marsh wetland

鄱陽湖濕地雨季旱季水位變化很大，雨季時有大片洪泛區(qū)淹沒，旱季時濕地淹沒面積急劇縮小。單獨(dú)使用NDMI進(jìn)行濕地檢測時精度較差，因?yàn)楦咚黄谯蛾柡車襟w樹木茂盛，植被水分較大，且由于其亞熱帶濕潤性季風(fēng)氣候特征，地面濕度較大，導(dǎo)致NDMI 錯分較多，精度不高。NMDI 易將建筑錯分為濕地，但由于鄱陽湖周圍建筑較少，稻田、水田較多利于NMDI 進(jìn)行濕地檢測，因此最終濕地檢測精度相比于官廳水庫較高。由于每年水位變化劇烈，使得鄱陽湖濕地開闊水面變化較大，永久水體占濕地面積較小，濕地植被與濕地土壤由于水位劇烈變化而沒有發(fā)育時間，使得其邊界與水面變化邊界相似，因此NDWI、MNDWI、TCWI 濕地識別精度較高，均在90%之上。

通過EITS 方法提取的鄱陽湖濕地結(jié)果較好反映了鄱陽湖周圍的濕地分布（圖10（f）），總體精度達(dá)到94%，Kappa 系數(shù)超過0.88，具有最高總體精度與Kappa 系數(shù)（表5）。由于旱雨季水位變化大，研究區(qū)內(nèi)水位波動區(qū)占大多數(shù)，永久水體區(qū)較小。水位波動區(qū)中開闊水面變化區(qū)域較多，小部分濕地植被與濕地土壤類型大多為鄱陽湖周圍的水田與稻田。

表5 鄱陽湖濕地提取精度評價Table 5 Accuracy assessment for the Poyang Lake wetland

圖10 基于不同水濕指數(shù)鄱陽湖濕地動態(tài)范圍的識別結(jié)果Fig.10 Different water-wetness indices caculation results of wetland dynamic range in the Poyang Lake wetland

4.2 討論

目前濕地監(jiān)測面臨的一個普遍問題，就是濕地沒有一個統(tǒng)一廣泛認(rèn)可的定義，各國科學(xué)家和政府根據(jù)自己的研究需求有著各自的理解和定義（殷書柏 等，2014）?！睹绹鴿竦丶捌渖钏车姆诸悺芬粫袑竦匾暈樘幱陉懙厣鷳B(tài)系統(tǒng)和水生生態(tài)系統(tǒng)之間的過渡區(qū)，第一次提出濕地三要素的概念，同時在進(jìn)行濕地定義時并不強(qiáng)調(diào)濕地必須同時具有濕地三要素特征（濕地水文、土壤和植被），認(rèn)為只要有一個或一個以上濕地要素特征的土地就可稱為濕地。該定義一直被認(rèn)為是較為科學(xué)的，并廣泛應(yīng)用于濕地監(jiān)測和濕地制圖等科學(xué)研究。

濕地定義的分歧主要表現(xiàn)為濕地邊界界定問題。即使通過濕地三要素特征定義濕地的方法被廣泛使用，但是對于那些處于3個屬性邊緣地方被定義為濕地的區(qū)域，爭議很大。為了進(jìn)一步區(qū)分濕地與非濕地邊界，首先需要確定濕地區(qū)域與非濕地區(qū)域在哪些方面存在差異？即要確定可以用于區(qū)分濕地與非濕地的自然地理要素；其次運(yùn)用合適的特征指標(biāo)表示和區(qū)分濕地與非濕地自然地理要素；最后通過某種方法確定區(qū)分指標(biāo)的閾值，以此作為識別濕地與非濕地的標(biāo)準(zhǔn)。這3 個步驟合起來稱之為“要素—指標(biāo)—閾值”體系。

通過與其他水濕指數(shù)的濕地檢測結(jié)果相比，本文提出的基于“要素—指標(biāo)—閾值”體系的濕地檢測方法具有較大的優(yōu)勢。首先，與單一時相影像選取的單一水濕指數(shù)濕地檢測結(jié)果相比，總體精度與Kappa系數(shù)準(zhǔn)確性最高。其次，與傳統(tǒng)的監(jiān)督分類方法相比，本研究方法不需要任何訓(xùn)練數(shù)據(jù)作為輸入樣本點(diǎn)，所用時間更短，所需資源更少，處理效率更高。最后，該方法所需參數(shù)采用算法自動獲取，可以全自動地應(yīng)用于其他具有水位波動特征的濕地檢測。水濕指數(shù)的運(yùn)算只需要Landsat OLI 數(shù)據(jù)Green 波段—SWIR 波段的地表反射率信息，因此與數(shù)據(jù)波段設(shè)置相似的其他衛(wèi)星影像也可以遷移使用該方法，比如Sentinel-2 MSI數(shù)據(jù)。

但是本研究進(jìn)行動態(tài)閾值分割時選用的OTSU算法，當(dāng)研究區(qū)濕地與非濕地要素占比相差較大，類間方差準(zhǔn)則函數(shù)容易呈現(xiàn)兩個以上的多峰，此時分割效果較差，需要采用其他閾值分割方法或者對研究區(qū)進(jìn)行分區(qū)劃分處理。同時值得注意的是，若爾蓋濕地提取結(jié)果的用戶精度為85.83%，大大低于該地區(qū)的總體精度（94%），相較于其他

兩種類型濕地（水庫型、湖泊型）提取結(jié)果存在較大的錯分誤差，這是因?yàn)槿魻柹w濕地為沼澤型，研究區(qū)大部分由水生植物和濕土壤組成，該方法對于水生植物和濕土壤設(shè)置的識別規(guī)則易導(dǎo)致濕地提取結(jié)果存在部分夸大，但是總體精度還能保持較高水平。

5 結(jié)論

濕地的高度空間異質(zhì)性和高度時間動態(tài)性特征，是濕地檢測中所面臨的難題。本研究選擇《美國濕地及其深水生境的分類》中的濕地定義和“要素—指標(biāo)—閾值”體系，基于GEE 云平臺和遙感圖像處理技術(shù)，開發(fā)出一套無需大量訓(xùn)練數(shù)據(jù)，自動化大范圍應(yīng)用于不同地理區(qū)域的濕地檢測方法。該方法的主要優(yōu)勢在于選取了多種對濕地特征敏感的光譜指數(shù)，進(jìn)行年內(nèi)尺度水濕指數(shù)影像圖像合成，以濕地水位波動區(qū)和永久水體區(qū)代表濕地范圍，解決濕地高度時間動態(tài)性問題；利用MFCM算法增強(qiáng)濕地與非濕地的背景反射率差異解決濕地高度空間異質(zhì)性問題；采用OTSU 算法進(jìn)行動態(tài)閾值分割。3個典型研究區(qū)的總體精度都大于94%，Kappa 系數(shù)都高于0.88，大于單一水濕指數(shù)濕地檢測方法，具有較高的精度。

但后續(xù)研究仍需要在以下3個方面進(jìn)行補(bǔ)充：

（1）MFCM算法的聚類中心選擇很重要，本研究的聚類中心在直方圖最大波峰處進(jìn)行選取，沒有驗(yàn)證選取其他聚類中心處（如波谷處，斜率最大處等）時的濕地檢測精度，缺少對比研究。

（2）本研究選取的影像時間周期為一年，因此得出的濕地范圍為一年內(nèi)的動態(tài)范圍，如果某區(qū)域濕地的水位波動較慢，濕地檢測結(jié)果可能較為不理想。

（3）由于Landsat 數(shù)據(jù)的時間分辨率與空間分辨率的局限，會產(chǎn)生部分漏分與錯分。后續(xù)的工作應(yīng)該圍繞基于GEE 平臺內(nèi)的其他較高分辨率數(shù)據(jù)源（例如Sentinel-2 MSI）開展大范圍、長時序的濕地檢測。