張琍，羅文庭，張皓寰，殷秀琬，李斌

1.江西師范大學(xué) 鄱陽(yáng)湖濕地與流域研究教育部重點(diǎn)實(shí)驗(yàn)室,南昌 330022;

2.江西師范大學(xué) 地理與環(huán)境學(xué)院,南昌 330022;

3.華中師范大學(xué) 城市與環(huán)境科學(xué)學(xué)院,武漢 430079;

4.北京師范大學(xué) 地理科學(xué)學(xué)部,北京 100875;

5.聯(lián)合國(guó)教科文組織國(guó)際自然與文化遺產(chǎn)空間技術(shù)中心南昌分中心,南昌 330022;

6.中國(guó)石油大學(xué)(華東) 海洋與空間信息學(xué)院,青島 266580

1 引言

濕地是維持水生植物和陸地野生動(dòng)物生物多樣性和環(huán)境服務(wù)的生態(tài)單元（Dahl，2000；Maltby和Acreman，2011）。鄱陽(yáng)湖是中國(guó)第一大淡水湖，是一個(gè)過(guò)水性湖泊，擁有國(guó)際重要濕地保護(hù)區(qū)，是越冬候鳥(niǎo)和水生植物的重要棲息地。作為“地球之腎”，濕地可以提供多項(xiàng)生態(tài)系統(tǒng)服務(wù)，具有涵養(yǎng)水土、改善區(qū)域氣候、固碳和凈化水體等功能（Mitsch 等，2013）。近年來(lái)，由于氣候、水文條件變化和人類(lèi)活動(dòng)的影響，鄱陽(yáng)湖濕地覆蓋面積、生物群落組成和結(jié)構(gòu)都發(fā)生了顯著改變。例如，枯水期延長(zhǎng)和水質(zhì)下降使湖區(qū)水生植被覆蓋面積逐漸減少，物種組成由5—8 種下降至3—5 種（胡振鵬和林玉茹，2019）。圍墾種養(yǎng)、非法采砂以及過(guò)度放牧等人類(lèi)活動(dòng)也對(duì)該地區(qū)的生態(tài)環(huán)境帶來(lái)了重要影響，造成了濕地植被面積的減少（胡振鵬 等，2015）。所以，對(duì)鄱陽(yáng)湖濕地水體、植物群落的長(zhǎng)期高頻監(jiān)測(cè)及其變化分析工作迫在眉睫，濕地監(jiān)測(cè)與制圖成為了保護(hù)濕地環(huán)境，及有效評(píng)估濕地修復(fù)與保護(hù)的措施的重要依據(jù)。同時(shí)，由于鄱陽(yáng)湖濕地的高動(dòng)態(tài)變化，濕地監(jiān)測(cè)除了大范圍全方位監(jiān)測(cè)外，對(duì)時(shí)間上高頻次監(jiān)測(cè)也有較高要求，而傳統(tǒng)的監(jiān)測(cè)方式往往會(huì)耗費(fèi)大量的人力和物力。近年來(lái)，遙感以其大范圍、長(zhǎng)時(shí)序、高頻次監(jiān)測(cè)的優(yōu)點(diǎn)，被廣泛應(yīng)用于濕地植被監(jiān)測(cè)與濕地制圖工作中。

目前，遙感衛(wèi)星數(shù)據(jù)已被證明是有助于系統(tǒng)濕地調(diào)查的重要手段（MacKay 等，2009；Adam等，2010；Wang 和Yésou，2018）。具有中分辨率和粗分辨率（10—1000 m）的光學(xué)數(shù)據(jù)已被廣泛用于濕地遙感制圖，例如陸地衛(wèi)星傳感器（Nielsen 等，2008；MacAlister 和Mahaxay，2009；Kayastha 等，2012；Han 等，2015；李大沖 等，2018；朱金峰 等，2019；盧善龍 等，2011）、EOS MODIS（Landmann等，2010；Tana等，2013；Han 等，2018）、SPOT（Davranche 等，2010），Sentinel-2 MSI（Hird 等，2017；Whyte 等，2018）和NOAA AVHRR（Zoffoli 等，2008）。但是，由于目前鄱陽(yáng)湖分類(lèi)研究中，利用的衛(wèi)星圖像的分辨率過(guò)于粗糙或重訪周期較長(zhǎng)，其濕地分類(lèi)結(jié)果在分類(lèi)類(lèi)型和識(shí)別精度上都有一定局限。特別是針對(duì)鄱陽(yáng)湖濕地植物群落分類(lèi)時(shí)，由于其植物群落大部分為禾本科草本植物，因其光譜相似性，單一時(shí)相的遙感數(shù)據(jù)無(wú)法對(duì)其進(jìn)行正確的分類(lèi)，需要多時(shí)相的數(shù)據(jù)來(lái)提取物候特征進(jìn)行分類(lèi)。但若濕地區(qū)域?qū)儆诙嘣贫嘤陞^(qū)，或研究區(qū)范圍較小或較狹窄時(shí)，濕地植物群落分類(lèi)或濕地制圖精度就會(huì)大大下降。所以，同時(shí)擁有較高空間分辨率和較高時(shí)間分辨率的光學(xué)數(shù)據(jù)是進(jìn)行濕地植物群落制圖和變化監(jiān)測(cè)的關(guān)鍵。除此之外，雷達(dá)數(shù)據(jù)受天氣影響較小，且能反映植被的結(jié)構(gòu)特征，故光學(xué)數(shù)據(jù)和雷達(dá)數(shù)據(jù)的結(jié)合進(jìn)行濕地分類(lèi)是提高濕地植被分類(lèi)精度的一種較好的選擇（Slagter 等，2020）。歐洲航天局的哥白尼計(jì)劃提供的Sentinel系列數(shù)據(jù)不僅有雙極化雷達(dá)數(shù)據(jù)（Sentinel-1）也有較高時(shí)空間分辨率的光學(xué)衛(wèi)星數(shù)據(jù)（Sentinel-2）。此外，Sentinel-2 衛(wèi)星數(shù)據(jù)在植物紅邊區(qū)域擁有更高的光譜分辨率，這有利于我們更好地區(qū)分不同種類(lèi)的植物群落。

在濕地分類(lèi)方法研究中，學(xué)者們通常選擇植被指數(shù)、紋理特征、光譜特征等（Shi 等，2021；Tu 等，2021；張磊 等，2019）進(jìn)行植被遙感分類(lèi)特征輸入，同時(shí)，物候特征也是區(qū)分不同種類(lèi)植物群落的關(guān)鍵。故利用長(zhǎng)時(shí)序遙感數(shù)據(jù)產(chǎn)品并結(jié)合植被物候特征可以較好地進(jìn)行植物群落分類(lèi)。在分類(lèi)方法選擇中，面向?qū)ο蠓诸?lèi)（Dronova 等，2011；張猛 等，2017），機(jī)器學(xué)習(xí)方法，包括支持向量機(jī)（Han 等，2015；Tu 等，2021）、隨機(jī)森林（Shi 等，2021）和深度學(xué)習(xí)方法，包括卷積神經(jīng)網(wǎng)絡(luò)（DeLancey等，2020；Du等，2020）、深度神經(jīng)網(wǎng)絡(luò)（Li 等，2015 年；Rezaee 等，2018；Martins 等，2020）已經(jīng)廣泛用于復(fù)雜濕地分類(lèi)與制圖中，尤其是使用中高等空間分辨率數(shù)據(jù)。相較于傳統(tǒng)的計(jì)算機(jī)分類(lèi)方法，這些分類(lèi)方法更加高效，且能保持一定的分類(lèi)精度，并且能同時(shí)利用光譜、物候和空間特征對(duì)復(fù)雜的濕地地類(lèi)進(jìn)行分類(lèi)。

由于遙感數(shù)據(jù)特征較多，分類(lèi)方法也各具優(yōu)勢(shì)，如何在眾多特征和分類(lèi)方法中，選取一套適合于鄱陽(yáng)湖濕地草型植物群落分類(lèi)的方法對(duì)鄱陽(yáng)湖區(qū)長(zhǎng)期連續(xù)的監(jiān)測(cè)工作而言是非常必要的，本文擬探究出一套有效的基于多源多時(shí)相遙感數(shù)據(jù)的鄱陽(yáng)湖濕地植物群落提取的分類(lèi)組合方案。本文首先調(diào)查了濕地優(yōu)勢(shì)植物群落并確定植物群落分類(lèi)體系，利用2019年長(zhǎng)時(shí)序監(jiān)測(cè)的Sentinel系列衛(wèi)星數(shù)據(jù)，提取不同植物群落月度的光譜、植被長(zhǎng)勢(shì)、物候和植被結(jié)構(gòu)等特征變量，并對(duì)比運(yùn)用隨機(jī)森林、支持向量機(jī)和深度神經(jīng)網(wǎng)絡(luò)的分類(lèi)方法，展示不同特征組合方案和分類(lèi)方法下鄱陽(yáng)湖濕地植被制圖效果，比較了不同方案的分類(lèi)精度，探討出一套適合鄱陽(yáng)湖濕地植物群落遙感分類(lèi)方案，以評(píng)估多源遙感數(shù)據(jù)在鄱陽(yáng)湖濕地植被監(jiān)測(cè)中的應(yīng)用潛力，為鄱陽(yáng)湖濕地保護(hù)與決策提供有力技術(shù)支撐與數(shù)據(jù)基礎(chǔ)。

2 研究區(qū)和數(shù)據(jù)

2.1 研究區(qū)域

鄱陽(yáng)湖是中國(guó)最大的淡水湖，其位于江西省北部，地理位置在28°22'N—29°45'N，115°47'E—116°45'E，如圖1 所示。鄱陽(yáng)湖是典型的季節(jié)型、吞吐型湖泊。鄱陽(yáng)湖水主要來(lái)自降水和當(dāng)?shù)匚鍡l河流（贛江、修河、信江、饒河、撫河），豐水期可能出現(xiàn)長(zhǎng)江倒灌。由于高動(dòng)態(tài)的水文變化，鄱陽(yáng)湖的濕地景觀表現(xiàn)為“豐水一片、枯水一線”的湖泊景觀。在枯水期，鄱陽(yáng)湖水位下降，湖底暴露在空氣中，這有利于濕地植被的生長(zhǎng)，同時(shí)為西伯利亞冬季候鳥(niǎo)提供了重要的棲息地（Kanai等，2002）。近年來(lái)，由于氣候條件與人類(lèi)活動(dòng)的影響，鄱陽(yáng)湖生態(tài)環(huán)境正在逐步發(fā)生變化，生物多樣性下降及沼澤化現(xiàn)象成為了目前鄱陽(yáng)湖面臨的主要問(wèn)題（胡振鵬 等，2015；Han 等，2015）。為保護(hù)鄱陽(yáng)湖，國(guó)家政府在鄱陽(yáng)湖區(qū)域建立了兩個(gè)國(guó)家級(jí)自然保護(hù)區(qū)（鄱陽(yáng)湖國(guó)家級(jí)自然保護(hù)區(qū)（PLNNR）和鄱陽(yáng)湖南磯山濕地國(guó)家級(jí)自然保護(hù)區(qū)（NWNNR）），本文選取鄱陽(yáng)湖國(guó)家級(jí)自然保護(hù)區(qū)為研究區(qū)域，其地理位置如圖1 所示。保護(hù)區(qū)內(nèi)，主要土地覆蓋類(lèi)型為水體、沙地、泥灘和植被，本文通過(guò)野外調(diào)查和文獻(xiàn)分析，根據(jù)研究區(qū)內(nèi)濕地優(yōu)勢(shì)植物群落分布情況（胡振鵬 等，2010），將濕地植物群落分為南荻蘆葦、苔草虉草、菰、蓼及其他等4種植物群落。最終，本文將濕地分類(lèi)類(lèi)型定為南荻蘆葦、苔草虉草、蓼、菰群落、泥灘和水共6個(gè)類(lèi)別，其中，水體為常年有水的區(qū)域。

圖1 鄱陽(yáng)湖及鄱陽(yáng)湖國(guó)家級(jí)自然保護(hù)區(qū)（PLNNR）和樣本點(diǎn)示意圖Fig.1 Poyang Lake and Poyang Lake National Nature Reserve（PLNNR）and sample points

2.2 數(shù)據(jù)

在這項(xiàng)研究中，本文使用的數(shù)據(jù)分為衛(wèi)星影像數(shù)據(jù)和樣本點(diǎn)數(shù)據(jù)兩大類(lèi)。

衛(wèi)星數(shù)據(jù)包括Sentinel-1 和Sentinel-2 數(shù)據(jù)。由于鄱陽(yáng)湖地區(qū)多云多雨，光學(xué)衛(wèi)星影像可能因天氣限制而無(wú)法被應(yīng)用到分類(lèi)中。雷達(dá)影像具有全天候工作的優(yōu)點(diǎn)，可以不受天氣的限制。所以本文將結(jié)合多源遙感數(shù)據(jù)對(duì)植被進(jìn)行分類(lèi)，除了Sentinel-2光學(xué)數(shù)據(jù)以外，本文還選擇了Sentinel-1雷達(dá)數(shù)據(jù)進(jìn)行對(duì)比分析。Sentinel-1 數(shù)據(jù)集是歐洲航天局（ESA）提供的一款雙極化C-band 雷達(dá)數(shù)據(jù)，該衛(wèi)星在研究區(qū)的重返周期為12 d，A、B 兩顆衛(wèi)星互補(bǔ)可使其重返周期達(dá)到6 d，空間分辨率為5 m×20 m，本文將其重采樣到10 m。Sentinel-2衛(wèi)星是光學(xué)衛(wèi)星，攜帶一個(gè)多光譜成像儀（MSI）。該衛(wèi)星可見(jiàn)光和近紅外波段的空間分辨率可達(dá)10 m，它在植被紅邊區(qū)域包含3個(gè)波段的數(shù)據(jù)，這些都非常有利于植被分類(lèi)。Sentinel-2分為A、B兩顆衛(wèi)星，兩顆衛(wèi)星互補(bǔ)可使其重返周期達(dá)到5 d。本文使用的衛(wèi)星數(shù)據(jù)均在歐洲航天局官網(wǎng)（https：//scihub.copernicus.eu/dhus/#/home［2022-03-30］）下載。本文對(duì)2019年研究區(qū)內(nèi)的衛(wèi)星影像進(jìn)行篩選，最終得到高質(zhì)量影像共21 景，數(shù)據(jù)相關(guān)信息如表1所示。

表1 衛(wèi)星數(shù)據(jù)采集表Table 1 Table of Satellite images selection

本文使用的樣本點(diǎn)數(shù)據(jù)主要通過(guò)實(shí)地采樣和Google Earth 目視解譯兩種方式獲取。我們先后于2019 年1 月、2019 年3 月、2019 年7 月、2019 年11 月4 次進(jìn)入鄱陽(yáng)湖國(guó)家級(jí)自然保護(hù)區(qū)濕地，通過(guò)實(shí)地采樣共獲得90 余個(gè)精確樣本點(diǎn)。同時(shí)，本文利用Google Earth 高分辨率影像進(jìn)行選點(diǎn)，借助Collect the earth 在線平臺(tái)（https：//www.collect.earth/［2022-03-30］），分別提取采樣點(diǎn)和各類(lèi)樣本點(diǎn)的年內(nèi)時(shí)序NDVI 曲線，識(shí)別不同植物群落的物候變化特征曲線，比對(duì)已有樣本點(diǎn)的曲線，定義各采樣點(diǎn)的類(lèi)別。最終，得到了南荻蘆葦、苔草虉草、菰、水體、泥灘、蓼和其他6 類(lèi)，共計(jì)183 個(gè)樣本點(diǎn)，樣本點(diǎn)的分布如圖1所示。

3 研究方法

本文利用預(yù)處理后的數(shù)據(jù)，對(duì)水體指數(shù)、植被指數(shù)、紅邊指數(shù)、紋理特征和雷達(dá)極化特征進(jìn)行提取，并結(jié)合光譜波段，最后得到了5組特征變量。然后使用隨機(jī)森林、支持向量機(jī)和深度學(xué)習(xí)的分類(lèi)方法進(jìn)行分類(lèi)。通過(guò)分析，探究出一種最優(yōu)的濕地植被分類(lèi)方案。本文的具體流程如圖2所示。

圖2 技術(shù)流程圖Fig.2 Flow chart

3.1 數(shù)據(jù)預(yù)處理

Sentinel-1 SAR 數(shù)據(jù)在SNAP（http：//step.esa.int/main/download/［2022-03-30］）和ENVI（https：//envi.geoscene.cn/［2022-03-30］）上完成數(shù)據(jù)預(yù)處理。使用SNAP 軟件進(jìn)行預(yù)處理，分別進(jìn)行輻射定標(biāo)、噪聲去除、幾何校正、地形校正后得到VV 和VH 后向散射系數(shù)，并進(jìn)行鑲嵌裁剪，得到研究區(qū)內(nèi)VV、VH極化后向散射數(shù)據(jù)。

Sentinel-2 數(shù)據(jù)主要利用SNAP 和ENVI 進(jìn)行輻射定標(biāo)、大氣校正、地形校正、重采樣、波段合成和拼接裁剪處理后得到地表反射率數(shù)據(jù)。其中大氣校正主要是利用SNAP 軟件（http：//step.esa.int/main/download/［2022-03-30］）中的Sen2Cor v2.5.5 插件（http：//step.esa.int/main/third-partyplugins-2/sen2cor/［2022-03-30］）完成。

3.2 分類(lèi)特征選取

在本次研究中，本文篩選出了9 景Sentinel-2數(shù)據(jù)和12景Sentinel-1數(shù)據(jù)，使用的分類(lèi)特征分為5 組，分別為8 個(gè)波段的光譜特征、5 種水體指數(shù)及植被指數(shù)、3 種紅邊指數(shù)、8 種紋理特征和2 種雷達(dá)極化數(shù)據(jù)。其中除雷達(dá)后向散射系數(shù)數(shù)據(jù)來(lái)自Sentinel-1 數(shù)據(jù)以外，其余數(shù)據(jù)產(chǎn)品均由Sentinel-2 數(shù)據(jù)提供或計(jì)算而來(lái)。各分類(lèi)特征的具體信息如表2所示。

表2 特征變量介紹Table 2 Features selection

本文選取Sentinel-2 的B2、B3、B4、B6、B7、B8和B8a共8個(gè)波段作為光譜特征變量輸入。選取歸一化水體指數(shù)NDWI 和能有效反映植被長(zhǎng)勢(shì)的4 種植被指數(shù)（NDVI、OSAVI、EVI 和DVI）作為“水體—植被指數(shù)組”加入分類(lèi)特征，幫助區(qū)分水體和各植物群落。同時(shí)，本文考慮到不同植被的生長(zhǎng)狀態(tài)與物候特征呈現(xiàn)周期性變化，不同植物群落生長(zhǎng)期、成熟期、衰落期存在一定差異，故選取了新型倒紅邊葉綠素指數(shù)（IRECI）（Frampton等，2013）、葉綠素指數(shù)紅邊（CIre）（Gitelson 等，2003，2006）、歸一化植被指數(shù)紅邊1（Ndre1）（Gitelson 等，2003；Gitelson 和Merzlyak，1994）3 種紅邊指數(shù)作為紅邊指數(shù)組加入分類(lèi)特征。選擇的紋理特征是使用Sentinel-2 數(shù)據(jù)在ENVI 上計(jì)算得到的，為避免冗余，首先對(duì)13 個(gè)波段進(jìn)行主成分分析，輸出最能反應(yīng)地物特征的第一主成分，再基于灰度共生矩陣GLCM（Gray-level Cooccurrence Matrix），以3×3的處理窗口，45°的掃描角度，對(duì)輸出結(jié)果進(jìn)行紋理特征提取，共提取了影像平均值、方差、同質(zhì)性、對(duì)比度、差異性、熵、二階矩、相關(guān)性共8類(lèi)特征，作為紋理特征組加入分類(lèi)特征。由于雷達(dá)數(shù)據(jù)能反映植物群落結(jié)構(gòu)特征，所以本文將其納入分類(lèi)特征中，以探討多源遙感數(shù)據(jù)對(duì)濕地植被分類(lèi)的幫助。

3.3 分類(lèi)方法選擇

本文選取的分類(lèi)方法共3種，分別為隨機(jī)森林（RF）、支持向量機(jī)（SVM）和深度神經(jīng)網(wǎng)絡(luò)（DNN）。

GEE（Google Earth Engine，https：//code.earthengine.google.com/［2022-03-30］）是一個(gè)可以批量處理衛(wèi)星影像數(shù)據(jù)的云平臺(tái)，其具有免費(fèi)、云計(jì)算、數(shù)據(jù)獲取方便等特點(diǎn)。它被廣泛應(yīng)用在時(shí)間序列分析或大范圍制圖等環(huán)境遙感領(lǐng)域，本文借助該平臺(tái)內(nèi)置的分類(lèi)函數(shù)，實(shí)現(xiàn)了隨機(jī)森林和支持向量機(jī)兩種分類(lèi)方法的分類(lèi)。在分類(lèi)時(shí)，隨機(jī)選取70%樣本點(diǎn)數(shù)據(jù)作為訓(xùn)練樣本，剩余30%樣本點(diǎn)數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)。

深度學(xué)習(xí)的分類(lèi)采用了基于深度神經(jīng)網(wǎng)絡(luò)DNN（Deep Neural Networks）的分類(lèi)方法進(jìn)行分類(lèi)?；贒NN 深度學(xué)習(xí)的遙感影像分類(lèi)主要分為3 部分：訓(xùn)練數(shù)據(jù)的制作，模型的訓(xùn)練，模型的推理。本文是基于Pytorch 深度學(xué)習(xí)框架完成的。其主要優(yōu)點(diǎn)在于結(jié)構(gòu)簡(jiǎn)單，訓(xùn)練樣本數(shù)據(jù)量要求較低，模型推理速度快，比較適合于濕地植物群落分類(lèi)。

3.4 分類(lèi)實(shí)驗(yàn)方案設(shè)計(jì)

本文進(jìn)行了3組實(shí)驗(yàn)，分別是分類(lèi)特征單獨(dú)分類(lèi)、組合分類(lèi)和深度學(xué)習(xí)分類(lèi)。

本文共有5 組分類(lèi)特征，他們分別包含72、45、27、72 和24 個(gè)特征變量。單獨(dú)使用每組特征變量，在GEE 平臺(tái)上分別使用隨機(jī)森林和支持向量機(jī)兩種方法對(duì)地物進(jìn)行分類(lèi)。此外，還嘗試研究?jī)?yōu)選特征變量對(duì)提高分類(lèi)結(jié)果精度的效果。借助GEE 平臺(tái)重要性分析函數(shù)，通過(guò)量化特征對(duì)結(jié)果的貢獻(xiàn)分別計(jì)算得到5 組特征變量的重要性值，對(duì)每組分類(lèi)特征中的各個(gè)特征變量進(jìn)行重要性排序，并優(yōu)選出每組分類(lèi)特征中排名靠前的特征變量，得到五組優(yōu)選特征變量。本文同樣將這5組優(yōu)選特征變量在GEE 上使用隨機(jī)森林和支持向量機(jī)算法進(jìn)行分類(lèi)，并做精度評(píng)價(jià)。

為探究不同分類(lèi)特征之間的互補(bǔ)性，將五組特征變量進(jìn)行組合，再使用隨機(jī)森林和支持向量機(jī)算法進(jìn)行分類(lèi)。為避免數(shù)據(jù)冗余和提高特征組合的有效性，選擇前文提到的5組優(yōu)選特征變量而非初始的5組變量進(jìn)行組合。最終使用窮舉法確定了26 種組合分類(lèi)方案，其中包括10 種“雙特征”組合方案、10種“三特征”組合方案、5種“四特征”組合方案和一種“五特征”組合方案。然后在GEE 中對(duì)數(shù)據(jù)進(jìn)行波段合成，以實(shí)現(xiàn)特征變量組合分類(lèi)。

第3 組實(shí)驗(yàn)是基于前兩組實(shí)驗(yàn)的基礎(chǔ)上進(jìn)行的，本文將根據(jù)最后的分類(lèi)精度對(duì)不同分類(lèi)特征進(jìn)行排序（包括單獨(dú)的分類(lèi)特征和組合的分類(lèi)特征），并選取最優(yōu)的兩種特征組合，使用深度神經(jīng)網(wǎng)絡(luò)DNN對(duì)研究區(qū)進(jìn)行訓(xùn)練分類(lèi)，對(duì)比隨機(jī)森林、支持向量機(jī)和深度神經(jīng)網(wǎng)絡(luò)3種分類(lèi)算法的分類(lèi)精度和分類(lèi)結(jié)果。

3.5 精度評(píng)價(jià)

在本研究中，本文使用混淆矩陣計(jì)算得到的Kappa 系數(shù)和總體精度來(lái)評(píng)價(jià)3 種分類(lèi)方法的分類(lèi)精度。

4 結(jié)果

4.1 濕地植物群落遙感特征分析

由于鄱陽(yáng)湖濕地植物群落的分布受到水文條件的影響非常大，且水位的波動(dòng)在年內(nèi)的差異達(dá)到10 m 及以上，濕地植物群落都是禾本科草本植物群落，單一時(shí)相的衛(wèi)星圖像無(wú)法很好的識(shí)別植物群落，故需要通過(guò)物候變化特征來(lái)解決濕地植物群落識(shí)別提取的問(wèn)題。基于年內(nèi)濕地植物群落分布變化較小的前提，本文選擇年內(nèi)多時(shí)相的遙感參數(shù)來(lái)提取植物群落的生長(zhǎng)變化特征，確定可進(jìn)行植物群落分類(lèi)的遙感參數(shù)，生成年度濕地植物群落分布圖。

圖3 展示了研究區(qū)內(nèi)各植物群落N(xiāo)DVI 指數(shù)年內(nèi)變化趨勢(shì)，可明顯發(fā)現(xiàn)，4 種植物群落平均NDVI 均在0.7 處達(dá)到飽和。苔草虉草，南荻蘆葦以及蓼和其他群落的NDVI 值呈現(xiàn)明顯的“M”型變化趨勢(shì)，在豐水期，苔草虉草的NDVI 低于零值。且由于植物群落不同的生長(zhǎng)特性，南荻蘆葦兩個(gè)生長(zhǎng)季的峰值不同于苔草虉草群落的出現(xiàn)位置，具有明顯的“初次生長(zhǎng)晚，二次生長(zhǎng)早”的特點(diǎn)，該點(diǎn)可用來(lái)區(qū)分兩種植物群落。菰作為一種典型的挺水植被，由于可以通過(guò)調(diào)整自身生理機(jī)能，伸長(zhǎng)根部減少水淹脅迫來(lái)適應(yīng)水環(huán)境，即使是在豐水期（200 天左右）也能夠表現(xiàn)出較平穩(wěn)的生物量。常年水體覆蓋區(qū)域水體的NDVI 時(shí)序譜均顯示為負(fù)值，泥灘的NDVI 在全年中大部分時(shí)間為負(fù)值。

圖3 濕地植物群落N(xiāo)DVI變化趨勢(shì)圖Fig.3 The changing trend of NDVI for different wetland plant communities

由于選取了72 個(gè)波段、45 個(gè)植被指數(shù)和水體指數(shù)、27 個(gè)紅邊指數(shù)及24 個(gè)雷達(dá)極化指數(shù)。按照劃分的4種典型植物群落樣本點(diǎn)計(jì)算特征均值，選取B8（NIR）、NDVI、NDre1、IRECI、Clre、DVI、EVI、NDWI、QSAVI、VV、VH、及紋理（Variance）等12 個(gè)指數(shù)的典型月份進(jìn)行差異性分析，結(jié)果如圖4所示。結(jié)果顯示除了紋理特征外，其他特征都在不同植物群落上有一定的區(qū)分度，植被指數(shù)組、紅邊指數(shù)組在各種類(lèi)間的區(qū)分度高于單一遙感（近紅外）波段，而在植被指數(shù)組合中，OSAVI 的區(qū)分度并不明顯。綜上所述，區(qū)分草型濕地植物群落主要特征變量選取應(yīng)以紅邊指數(shù)與植被指數(shù)組合為主。

圖4 12種特征變量在不同植物群落中的差異性分析（其中特征名稱(chēng)后的數(shù)字表示月份）Fig.4 Difference analysis of twelve characteristic variables in different plant communities（The number after the feature name indicates the month）

4.2 單一分類(lèi)特征組分類(lèi)

針對(duì)單一分類(lèi)特征組進(jìn)行基于隨機(jī)森林算法的特征重要性排序，在此基礎(chǔ)上優(yōu)選特征變量，從重要性分布圖看，在紅邊指數(shù)組中（如圖5 所示），排序靠前的10 個(gè)指數(shù)主要為Ndre1，IRECI和Clre 且出現(xiàn)頻次相似，表示3種紅邊指數(shù)對(duì)植被分類(lèi)的貢獻(xiàn)類(lèi)似，從月份來(lái)看，5 月、9 月和1 月份的數(shù)據(jù)為主要時(shí)段。而在水體—植被指數(shù)組中（如圖6 所示），在排序靠前的10 個(gè)指數(shù)中，DVI，NDVI 的貢獻(xiàn)略大于其他植被指數(shù)，優(yōu)選月份分布主要在1 月、10 月和12 月?；谥匾耘判驁D，將特征重要性從大到小進(jìn)行排序，當(dāng)后面變量重要性值幾乎相等時(shí)，將此前的變量確定為優(yōu)選變量，每組具體數(shù)量信息見(jiàn)表3。

表3 5組特征變量?jī)?yōu)選前后分類(lèi)精度結(jié)果對(duì)比表Table 3 Comparison of classification accuracy results before and after optimization of five groups of features

圖5 紅邊指數(shù)組各月份重要性值圖Fig.5 Importance values variation of red edge indexes of different months

圖6 水體—植被指數(shù)組各月份重要性值圖Fig.6 Importance values variation of water and vegetation indexes of different months

單一特征組的分類(lèi)精度如表3 所示，其中a 為全部特征變量分類(lèi)結(jié)果，b為優(yōu)選特征變量分類(lèi)結(jié)果。在單一特征組的分類(lèi)精度排序中，各組分類(lèi)特征的排序?yàn)榧t邊指數(shù)組＞水體—植被指數(shù)組＞光譜特征組＞雷達(dá)極化數(shù)據(jù)組＞紋理特征組。說(shuō)明紅邊指數(shù)組和水體—植被指數(shù)組在各分類(lèi)特征中更有利于區(qū)分不同植物群落。對(duì)比優(yōu)化前后分類(lèi)特征的分類(lèi)精度，可以看到優(yōu)選特征變量后的分類(lèi)精度大部分都高于優(yōu)選前的特征變量。這說(shuō)明根據(jù)特征變量的重要性排序?qū)ψ兞繑?shù)據(jù)進(jìn)行優(yōu)選并去除冗余，有利于提高分類(lèi)精度。對(duì)比兩種分類(lèi)算法的分類(lèi)精度結(jié)果，隨機(jī)森林的分類(lèi)精度要高于支持向量機(jī)。

4.3 組合分類(lèi)特征組分類(lèi)

由于隨機(jī)森林的分類(lèi)結(jié)果要優(yōu)于支持向量機(jī)的分類(lèi)結(jié)果，本文在討論組合分類(lèi)時(shí)選擇隨機(jī)森林的分類(lèi)結(jié)果為代表進(jìn)行分析。本文得到了26 種組合分類(lèi)方案的分類(lèi)精度結(jié)果，并將上文中單一特征組的分類(lèi)精度與組合特征組分類(lèi)精度進(jìn)行對(duì)比，做出綜合排序。表4展示了綜合排序中靠前的10種分類(lèi)特征。

表4 優(yōu)選特征變量分類(lèi)結(jié)果Table 4 Classification results of optimal features groups

對(duì)比單一特征組和組合特征組分類(lèi)的分類(lèi)結(jié)果，可以發(fā)現(xiàn)，組合特征組并不一定有利于分類(lèi)精度的提升，單一特征組中紅邊指數(shù)組和水體—植被指數(shù)組的精度仍高于其他組合特征組的分類(lèi)精度。

雷達(dá)數(shù)據(jù)的加入對(duì)分類(lèi)精度的提升有一定作用，但并不絕對(duì)。如綜合排序中第8種特征組合精度會(huì)因?yàn)槔走_(dá)數(shù)據(jù)的加入而降低。

4.4 不同分類(lèi)方法對(duì)比

將分類(lèi)精度最優(yōu)的紅邊指數(shù)組和水體—植被指數(shù)組兩組特征變量，利用深度神經(jīng)網(wǎng)絡(luò)DNN 方法進(jìn)行分類(lèi)，分類(lèi)精度結(jié)果如表5所示。對(duì)比深度神經(jīng)網(wǎng)絡(luò)和前文中兩種分類(lèi)方法的分類(lèi)精度?？梢钥吹娇傮w精度排序?yàn)樯疃壬窠?jīng)網(wǎng)絡(luò)＞隨機(jī)森林＞支持向量機(jī)。

表5 基于最優(yōu)組合的不同分類(lèi)算法分類(lèi)結(jié)果Table 5 Classification results of different algorithms based on optimal features group

4.5 濕地植物群落分類(lèi)圖

隨機(jī)森林RF、深度學(xué)習(xí)DNN、支持向量機(jī)SVM 算法的最優(yōu)特征組合分類(lèi)結(jié)果圖如圖7 所示，研究區(qū)內(nèi)各植物群落呈環(huán)狀分布，菰、苔草虉草和南荻蘆葦群落在碟形湖周?chē)厮惶荻纫来畏植?。?duì)比不同分類(lèi)方案的結(jié)果，可以看到，各分類(lèi)結(jié)果中苔草虉草的分布較為一致，南荻蘆葦群落、菰、水體與泥灘的提取結(jié)果有一定的差異。差異的區(qū)域主要分布在不同植物群落的交錯(cuò)帶，特征相似性導(dǎo)致不同分類(lèi)方法在群落交匯處的判別有所差異，總的來(lái)說(shuō)，深度神經(jīng)網(wǎng)絡(luò)DNN 的分類(lèi)結(jié)果精度更高。而從特征選擇的角度，基于紅邊指數(shù)組的分類(lèi)精度高于水體—植被指數(shù)組，約提高了2 個(gè)百分點(diǎn)。不同分類(lèi)方法對(duì)比可以看出，隨機(jī)森林RF、深度神經(jīng)網(wǎng)絡(luò)DNN 和支持向量機(jī)SVM 方法在分類(lèi)精度上，運(yùn)用較高分類(lèi)精度的紅邊指數(shù)組作為特征組，不同算法的精度排序?yàn)椋荷疃壬窠?jīng)網(wǎng)絡(luò)DNN（0.83）＞隨機(jī)森林RF（0.81）＞支持向量機(jī)SVM（0.77）。從分類(lèi)精度來(lái)看，隨機(jī)森林與深度學(xué)習(xí)網(wǎng)絡(luò)DNN 的分類(lèi)精度相差不大，深度神經(jīng)網(wǎng)絡(luò)DNN 僅提高了2 個(gè)百分點(diǎn)。在水體、植被指數(shù)組兩種方法的分類(lèi)精度基本一樣。這說(shuō)明，深度學(xué)習(xí)分類(lèi)方法在中等分辨率的遙感數(shù)據(jù)分類(lèi)中有效，但是相對(duì)于機(jī)器學(xué)習(xí)中的隨機(jī)森林RF 方法，其分類(lèi)精度的提高并不顯著。支持向量機(jī)SVM 的方法整體精度略低于隨機(jī)森林RF 方法，主要表現(xiàn)在菰與南荻蘆葦?shù)姆诸?lèi)精度相對(duì)較低。

圖7 分類(lèi)圖像（RF為隨機(jī)森林、DNN為深度神經(jīng)網(wǎng)絡(luò)模型、SVM為支持向量機(jī)）Fig.7 Classification images（RF is random forest，DNN is deep neural network model，SVM is support vector machine）

5 討論

5.1 數(shù)據(jù)的選取和處理

綜上所述，從單一的光學(xué)或雷達(dá)遙感數(shù)據(jù)源進(jìn)行濕地植物群落分類(lèi)結(jié)果對(duì)比，Sentinel-2 光學(xué)衛(wèi)星數(shù)據(jù)的分類(lèi)效果要明顯優(yōu)于Sentinel-1雷達(dá)數(shù)據(jù)，故在光學(xué)數(shù)據(jù)充足的情況下，應(yīng)盡量選取高時(shí)空分辨率的光學(xué)衛(wèi)星數(shù)據(jù)進(jìn)行濕地植物群落監(jiān)測(cè)與制圖，但是在沒(méi)有足夠多光學(xué)數(shù)據(jù)的情況下，雷達(dá)數(shù)據(jù)可以作為一個(gè)有效的補(bǔ)充數(shù)據(jù)源進(jìn)行濕地制圖。

在解決特征數(shù)據(jù)冗余的問(wèn)題上，根據(jù)特征變量的重要性排序，對(duì)特征變量進(jìn)行優(yōu)選，可以減少數(shù)據(jù)冗余，提高分類(lèi)精度。優(yōu)選特征變量共有95 個(gè)，表6展示了這95個(gè)變量隨月份分布的結(jié)果，結(jié)合圖5 和圖 6中重要性排序的結(jié)果，可知優(yōu)選特征變量主要集中在1月、5月、8月、9月、10月和12 月。對(duì)比參與分類(lèi)的4 類(lèi)植物群落的物候特征，可以發(fā)現(xiàn)優(yōu)選特征變量的時(shí)間分布與不同植物群落在隨時(shí)間變化的生長(zhǎng)狀態(tài)差異有關(guān)。如在10 月份，苔草虉草群落在退水后快速生長(zhǎng)，生物量較高，且由于溫度適宜，其茂盛的生長(zhǎng)狀態(tài)可以保持到11 月底和12 月初，之后其會(huì)因?yàn)闅鉁氐南陆刀_(kāi)始枯黃；而南荻蘆葦群落則在10 月就已經(jīng)進(jìn)入到了荻花期，群落生物量開(kāi)始下降，群落整體顏色變黃，兩者在10 月的生長(zhǎng)狀態(tài)差異性較大，所以可以較好地對(duì)這兩個(gè)群落進(jìn)行提取。相反，在各類(lèi)濕地植被生長(zhǎng)狀態(tài)較為相似的4 月、7 月，優(yōu)選特征變量的分布則較少。綜上，在選擇數(shù)據(jù)時(shí)，可以?xún)?yōu)先選擇1月、5月、8月、9月、10月和12 月的數(shù)據(jù)，這些時(shí)段各類(lèi)植被之間生長(zhǎng)差異性較大，更有利于進(jìn)行區(qū)分。對(duì)于由于天氣原因缺失光學(xué)影像的2 月、3 月、6 月，本文認(rèn)為其中應(yīng)該也存在優(yōu)選月份，比如3月份為濕地植物群落的萌發(fā)期，不同植物群落萌發(fā)時(shí)間有差異，故是如果3 月有數(shù)據(jù)，應(yīng)該是在優(yōu)選月份內(nèi)。但是1 月與2 月，6 月與7 月由于景觀相似可能都不算較為理想的優(yōu)選月份。

表6 優(yōu)選特征變量月份分布表Table 6 Months distribution of optimal features

5.2 分類(lèi)特征和分類(lèi)算法

在眾多分類(lèi)特征組合方案中，紅邊指數(shù)組和水體-植被指數(shù)組的多時(shí)相組合能更好地區(qū)分各濕地植物群落。這說(shuō)明相較于遙感圖像不同的差異化特征，紋理特征在草型植物群落分類(lèi)中并沒(méi)有很好的作用，而起關(guān)鍵作用的還是植被生長(zhǎng)的物候特征的差異，在物候特征表達(dá)的過(guò)程中，相較于多種特征的組合方案，單一特征方案更有利于植物群落分類(lèi)精度的提高，其中紅邊指數(shù)組的特征變量組合分類(lèi)精度最高。

基于同特征組合，對(duì)比3 種不同的分類(lèi)算法，深度神經(jīng)網(wǎng)絡(luò)的分類(lèi)精度要優(yōu)于隨機(jī)森林和支持向量機(jī)，但是精度提升比例不高，說(shuō)明在Sentinel-2 這種中等空間分辨率衛(wèi)星數(shù)據(jù)下，相較于深度學(xué)習(xí)和機(jī)器學(xué)習(xí)方法，深度學(xué)習(xí)算法并不占優(yōu)勢(shì)。對(duì)于分類(lèi)算法的選擇上，深度神經(jīng)網(wǎng)絡(luò)DNN 和隨機(jī)森林RF 的算法都可以作為鄱陽(yáng)湖濕地植物群落分類(lèi)的優(yōu)選算法，根據(jù)自身需要進(jìn)行選擇即可。

6 結(jié)論

本文以鄱陽(yáng)湖國(guó)家級(jí)自然保護(hù)區(qū)為研究區(qū)域，從數(shù)據(jù)、分類(lèi)特征和算法等方面對(duì)鄱陽(yáng)湖濕地植物群落分類(lèi)方法進(jìn)行研究，提出了一套適合于鄱陽(yáng)湖草型濕地植物群落分類(lèi)的遙感數(shù)據(jù)分類(lèi)組合方案。主要結(jié)論如下：

（1）本文選擇Sentinel-1 和Sentinel-2 數(shù)據(jù)進(jìn)行分類(lèi)，根據(jù)各特征變量的重要性排序和分類(lèi)結(jié)果精度可得，在濕地植被監(jiān)測(cè)中，Sentinel-2 衛(wèi)星數(shù)據(jù)的應(yīng)用效果要優(yōu)于Sentinel-1 雷達(dá)數(shù)據(jù)。當(dāng)缺少Sentinel-2 影像時(shí)，可以選取Sentinel-1 數(shù)據(jù)作為補(bǔ)充，但多源數(shù)據(jù)的加入對(duì)提高分類(lèi)精度的效果并不理想。

（2）在對(duì)單一特征變量組和組合特征變量組應(yīng)用的研究中，分類(lèi)精度排序?yàn)椋杭t邊指數(shù)組＞水體—植被指數(shù)組＞組合特征變量組。這說(shuō)明在各特征變量中，紅邊指數(shù)組和水體—植被指數(shù)組能更好地反映不同植物群落之間的差異。

（3）基于GEE 重要性提取函數(shù)，對(duì)特征變量進(jìn)行優(yōu)選操作，能減少數(shù)據(jù)冗余，有利于提高分類(lèi)效率和精度。其中，優(yōu)選特征變量在時(shí)間上主要分布在1月、5月、8月、9月、10月和12月。

（4）3 種算法的分類(lèi)精度排序?yàn)椋荷疃壬窠?jīng)網(wǎng)絡(luò)＞隨機(jī)森林＞支持向量機(jī)。深度學(xué)習(xí)DNN 和機(jī)器學(xué)習(xí)RF 分類(lèi)精度相差不大，故都可以作為濕地植物群落分類(lèi)的優(yōu)選算法。

基于以上結(jié)論，本文推薦在進(jìn)行鄱陽(yáng)湖濕地群落分類(lèi)時(shí)，選取1月、5月、8月、9月、10月和12 月的多時(shí)序Sentinel-2 數(shù)據(jù)，將計(jì)算得到的紅邊指數(shù)組和水體—植被指數(shù)組作為主要分類(lèi)特征，選擇深度神經(jīng)網(wǎng)絡(luò)或隨機(jī)森林的算法進(jìn)行分類(lèi)。

另外，該分類(lèi)方案對(duì)鄱陽(yáng)湖、洞庭湖這類(lèi)水文條件變化較大的草型濕地植物群落區(qū)的濕地制圖有一定的指導(dǎo)意義，并不一定適用于其他地區(qū)的濕地植物群落分類(lèi)。關(guān)于不同濕地的植物群落分類(lèi)方法，還需要根據(jù)實(shí)際情況進(jìn)行深入研究。

最后，特征選擇依然是值得探索的問(wèn)題，例如，本文在提取紋理特征時(shí)，窗口、角度設(shè)置較為單一，研究不同窗口、角度情況下紋理特征對(duì)于分類(lèi)結(jié)果的影響，是我們下一步將要開(kāi)展的工作。