韓月，柯櫻海，王展鵬，梁德印，周德民

1.城市環(huán)境過(guò)程與數(shù)字模擬國(guó)家重點(diǎn)實(shí)驗(yàn)室培育基地,北京 100048;

2.水資源安全北京實(shí)驗(yàn)室,北京 100048;

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

4.中國(guó)空間技術(shù)研究院遙感衛(wèi)星總體部,北京 100086

1 引言

河口濕地位于海洋、淡水、陸地之間的過(guò)渡地帶，是海生和陸生生態(tài)系統(tǒng)的交錯(cuò)區(qū)，生物資源豐富，在維持生物多樣性調(diào)節(jié)氣候變化中發(fā)揮著重要的作用。河口濕地又屬于生態(tài)脆弱帶，抵御外部干擾能力和生態(tài)系統(tǒng)穩(wěn)定性較差。黃河三角洲濕地是中國(guó)北方暖溫帶最年輕、保存最完整、總面積最大的濕地生態(tài)系統(tǒng)，植被類(lèi)型多樣，生物多樣性豐富，是中國(guó)國(guó)家級(jí)自然保護(hù)區(qū)（李永濤 等，2019）。隨著城市化加劇、農(nóng)田開(kāi)墾、油氣工業(yè)發(fā)展、物種入侵等，黃河三角洲濕地已成為全球受威脅最嚴(yán)重的生態(tài)系統(tǒng)之一。及時(shí)監(jiān)測(cè)黃河三角洲濕地植被現(xiàn)狀，了解該區(qū)域不同類(lèi)型濕地植被的空間分布格局與特征，可為今后研究區(qū)濕地資源的保護(hù)與合理利用提供科學(xué)依據(jù)。

目前，有學(xué)者利用Landsat、GF-1、Sentinel-2等多光譜數(shù)據(jù)，對(duì)黃河三角洲濕地進(jìn)行分類(lèi)研究。如利用GF-3 雷達(dá)數(shù)據(jù)和Sentinel-2 多光譜數(shù)據(jù)協(xié)同對(duì)黃河三角洲地區(qū)進(jìn)行分類(lèi)（李鵬 等，2019）；利用Landsat MSS/TM/OLI數(shù)據(jù)研究黃河三角洲濕地近30 年土地覆蓋的時(shí)空分布和動(dòng)態(tài)變化特征（徐振田，2020）；基于多時(shí)相Sentinel-2 影像提取黃河三角洲濕地信息（張磊 等，2019）。河口濕地景觀斑塊破碎，目前基于多光譜影像數(shù)據(jù)進(jìn)行河口濕地植被分類(lèi)大多是對(duì)研究區(qū)基本地物類(lèi)別進(jìn)行分類(lèi)（王霄鵬 等，2014），難以區(qū)分植被覆蓋度的差別。另一方面，由于土壤性狀和水分梯度的高空間異質(zhì)性，植被群落“同物異譜”和“異物同譜”現(xiàn)象嚴(yán)重，多光譜影像數(shù)據(jù)波段數(shù)目較少，無(wú)法保證植被分類(lèi)的精度。高光譜影像具有更好的波段連續(xù)性，數(shù)百個(gè)波段蘊(yùn)含著詳細(xì)的光譜特征信息，有利于區(qū)分不同地物在光譜曲線上的細(xì)微差異，在地物景觀分類(lèi)中發(fā)揮了重要的作用（張良培和張立福，2005）。有學(xué)者利用國(guó)產(chǎn)高分五號(hào)（GF-5）高光譜影像對(duì)紅樹(shù)林物種進(jìn)行分類(lèi)，提高紅樹(shù)林物種的分類(lèi)精度（Wan 等，2020）；也有學(xué)者以環(huán)境一號(hào)（HJ-1）衛(wèi)星高光譜影像為數(shù)據(jù)源，實(shí)現(xiàn)了試驗(yàn)區(qū)扎龍濕地的景觀地物分類(lèi)（張雅春 等，2018）。

由于衛(wèi)星傳感器在獲取影像數(shù)據(jù)時(shí)往往不能兼顧空間和光譜分辨率，獲得較高的光譜分辨率是以犧牲空間分辨率為代價(jià)的。目前大多數(shù)高光譜衛(wèi)星傳感器空間分辨率一般為30 m 或者更低，河口濕地植被分布零散且覆蓋度變化明顯，在這樣的空間分辨率下必然出現(xiàn)較為明顯的混合像元現(xiàn)象。而前人基于高光譜數(shù)據(jù)的濕地分類(lèi)研究多將像元分為單一地物類(lèi)別，沒(méi)有考慮同一種植被類(lèi)型覆蓋度的差異（Slagter 等，2020）。有學(xué)者采用混合像元分解技術(shù)估算高光譜影像像元中各地物類(lèi)別的豐度（劉帥和邢光龍，2020；Cheng 等，2021；Jiao 等，2019）。然而，濕地景觀類(lèi)型復(fù)雜，植被類(lèi)型豐富，目前的混合像元分解技術(shù)難以求解各精細(xì)地物類(lèi)別，尤其是各植被類(lèi)型的豐度。

“資源一號(hào)02D 衛(wèi)星”（簡(jiǎn)稱(chēng)ZY-1 02D）于2019 年9 月12 日發(fā)射，2020 年完成 在軌測(cè)試并正式投入使用，是中國(guó)自主建造并成功運(yùn)行的首顆民用高光譜業(yè)務(wù)衛(wèi)星。該衛(wèi)星運(yùn)行于太陽(yáng)同步軌道，搭載有可見(jiàn)短波紅外高光譜相機(jī)AHSI（Advanced Hyper Spectral Instrument）和可見(jiàn)光/近紅外相機(jī)VNIC（Visible NearInfrared Camera），軌道重復(fù)周期為55 d。AHSI 相機(jī)可獲取60 km 幅寬，空間分辨率為30 m，共計(jì)166 個(gè)波段的高光譜影像，其高光譜性能有利于實(shí)現(xiàn)地物的光譜信息調(diào)查和精細(xì)化制圖，提高山水林田湖草等自然資源的調(diào)查監(jiān)測(cè)能力。ZY-1 02D 作為最新發(fā)射的高光譜衛(wèi)星，其應(yīng)用研究鮮有報(bào)道。

本文利用ZY-1 02D AHSI 影像，結(jié)合野外實(shí)地調(diào)查和無(wú)人機(jī)遙感數(shù)據(jù)，充分考慮河口濕地植被覆蓋度的空間差異，進(jìn)行黃河口濕地景觀分類(lèi)。本研究首先通過(guò)ZY-1 02D 獲取不同地物反射率波譜曲線，分析不同地物波譜曲線的差異；結(jié)合無(wú)人機(jī)遙感數(shù)據(jù)和野外踏勘數(shù)據(jù)，確定研究區(qū)基本景觀分類(lèi)體系以及考慮植被覆蓋度差異的精細(xì)分類(lèi)體系，分別進(jìn)行濕地景觀制圖。通過(guò)波段重要性評(píng)價(jià)進(jìn)行特征波段選擇，并與空間分辨率相同的Landsat 8 OLI 多光譜影像數(shù)據(jù)分類(lèi)結(jié)果進(jìn)行比較，進(jìn)而探究和評(píng)價(jià)ZY-1 02D 衛(wèi)星高光譜影像數(shù)據(jù)在河口濕地破碎景觀的地物精細(xì)分類(lèi)效果。

2 研究區(qū)和數(shù)據(jù)

2.1 研究區(qū)概況

黃河三角洲位于山東省東營(yíng)市東北部（37°34.768'N — 38°12.310'N，118°32.981'E —119°20.450'E），渤海灣南岸和萊州灣西部，呈扇形分布，是世界上海生—陸生生態(tài)系統(tǒng)相互延展交疊的重要區(qū)域，總面積為8100 km2，其中濕地面積占4500 km2。黃河三角洲屬暖溫帶半濕潤(rùn)大陸性季風(fēng)氣候，四季分明，夏季多雨。年平均日照時(shí)間為2590—2830 h，年均氣溫為11.5 ℃—12.9 ℃，年均降水量為530—660 mm。研究區(qū)選擇黃河?xùn)|段，即黃河入?？诤拥纼蓚?cè)的濕地區(qū)域，面積為893.95 km2（圖1）。此地區(qū)包含了黃河三角洲濕地生態(tài)系統(tǒng)中絕大部分濕地植物類(lèi)別，包括互花米草、蘆葦、堿蓬和檉柳。其中蘆葦主要分布在灌溉溝渠旁、河堤沼澤地等區(qū)域，呈現(xiàn)聚集狀，植被覆蓋度較高；互花米草主要分布在中低潮位區(qū)域，新生互花米草呈現(xiàn)點(diǎn)簇狀分布，植被覆蓋度較低，發(fā)育后期逐漸形成密集群落，植被覆蓋度較高；堿蓬主要分布在中高潮位區(qū)，以鹽地堿蓬為主，潮溝附近密度較大；檉柳多與蘆葦混生，植被覆蓋度較小。

圖1 研究區(qū)位置Fig.1 Location of study area

2.2 數(shù)據(jù)及預(yù)處理

2.2.1 遙感數(shù)據(jù)及預(yù)處理

研究數(shù)據(jù)源為2020 年9 月26 日獲取的ZY-1 02D AHSI 數(shù)據(jù)，衛(wèi)星過(guò)境時(shí)間為北京時(shí)間11：05。為與多光譜影像數(shù)據(jù)進(jìn)行對(duì)比分析，同時(shí)選取鄰近時(shí)間2020 年10 月24 日的Landsat 8 OLI多光譜影像數(shù)據(jù)，數(shù)據(jù)參數(shù)見(jiàn)表1。

表1 ZY-1 02D AHSI和Landsat 8 OLI影像參數(shù)Table 1 ZY-1 02D AHSI and Landsat 8 OLI image parameters

ZY-1 02D AHSI 傳感器光譜分辨率10—20 nm，空間分辨率30 m，幅寬60 km，可以同時(shí)獲取400—2500 nm 范圍內(nèi)共166 個(gè)譜段的數(shù)據(jù)。該數(shù)據(jù)譜段主要由可見(jiàn)近紅外（VNIR）和短波紅外（SWIR）兩個(gè)部分組成，其中VNIR有76個(gè)波段，光譜范圍400—1040 nm，光譜分辨率為10 nm；SWIR有90個(gè)波段，光譜范圍1005—2501 nm，光譜分辨率為20 nm。高光譜數(shù)據(jù)主要的預(yù)處理流程包括：波段合成—去噪處理—輻射校正—幾何校正。首先將VNIR 和SWIR 波段進(jìn)行合成，得到由166 個(gè)波段組成的影像數(shù)據(jù)。隨后，對(duì)影像進(jìn)行去噪處理，剔除15 條嚴(yán)重的噪聲波段，這些波段全部位于短波紅外處，B98—B102（1350—1429 nm），B125—B133（1804—1949 nm），B90（2493—2505 nm）。處理后得到由151個(gè)有效波段組成的影像數(shù)據(jù)參與后續(xù)研究。其次，依據(jù)每個(gè)波段對(duì)應(yīng)的輻射定標(biāo)系數(shù)進(jìn)行輻射定標(biāo)，并利用FLAASH 軟件實(shí)現(xiàn)大氣校正，生成反射率數(shù)據(jù)。以Landsat 8 多光譜數(shù)據(jù)為參照均勻布設(shè)控制點(diǎn)，進(jìn)行幾何配準(zhǔn)。Landsat 8 OLI 二級(jí)反射率產(chǎn)品從美國(guó)USGS 網(wǎng)站獲取，多光譜數(shù)據(jù)空間分辨率30 m，波段數(shù)為8 個(gè)（表1）。

2.2.2 野外踏勘和無(wú)人機(jī)數(shù)據(jù)

2020 年9 月，實(shí)驗(yàn)人員對(duì)研究區(qū)進(jìn)行了詳細(xì)調(diào)研。采用高精度手持GPS 對(duì)不同地表覆被類(lèi)型進(jìn)行定位和相關(guān)信息記錄。選取植被覆蓋度具有差異性的10 塊區(qū)域（圖1），進(jìn)行實(shí)地?zé)o人機(jī)航拍實(shí)驗(yàn)。本研究使用大疆精靈4 多光譜無(wú)人機(jī)P4M（Phantom4-M），其搭載6 個(gè)CMOS 傳感器，包含1 個(gè)用于可見(jiàn)光成像的彩色傳感器和5 個(gè)用于多光譜成像的單色傳感器，多光譜傳感器包含藍(lán)波段（450±16 nm），綠波段（560±16 nm）、紅波段（650±16 nm）、紅邊波段（730±16 nm）和近紅外波段（840+26 nm）5 個(gè)波段，有效像素為208 萬(wàn)。用千尋網(wǎng)絡(luò)RTK（Real-Time Kinematic）進(jìn)行實(shí)時(shí)動(dòng)態(tài)定位，對(duì)正射影像進(jìn)行幾何校正，可保證厘米級(jí)位置精度。在10：00—14：00 點(diǎn)獲取無(wú)人機(jī)數(shù)據(jù)，飛行時(shí)天氣晴朗、風(fēng)力較小。采用由陸向海的方式規(guī)劃航線，飛行高度約為50 m，航向和旁向重疊率均為80%，地面采樣距離約為3.2 cm。采用DJI Terra 大疆同步處理軟件對(duì)無(wú)人機(jī)多光譜數(shù)據(jù)進(jìn)行預(yù)處理，經(jīng)過(guò)圖像拼接和輻射校正，最終得到研究區(qū)的多光譜正射影像圖。

3 分類(lèi)體系建立

3.1 濕地景觀類(lèi)別劃分

3.1.1 7類(lèi)基本地物類(lèi)別

由于濕地的地域性差異，國(guó)內(nèi)外對(duì)濕地景觀分類(lèi)的原則、方法及指標(biāo)等并未統(tǒng)一（王霄鵬，2014；宮寧 等，2016；李玉 等，2020）。本文參考國(guó)際《濕地公約》、中國(guó)《國(guó)家濕地資源調(diào)查技術(shù)規(guī)程》中的分類(lèi)體系和野外實(shí)地踏勘及研究區(qū)無(wú)人機(jī)影像目視解譯的結(jié)果，構(gòu)建研究區(qū)河口濕地景觀分類(lèi)系統(tǒng)，確定豐水潮灘、光灘、互花米草、蘆葦、蘆葦檉柳混生、水體和堿蓬共7類(lèi)基本地物類(lèi)別。

3.1.2 9類(lèi)精細(xì)地物類(lèi)別

經(jīng)實(shí)地調(diào)查發(fā)現(xiàn)，研究區(qū)堿蓬和互花米草的覆蓋度呈現(xiàn)較為明顯的梯度變化。如圖2無(wú)人機(jī)假彩色影像所示，互花米草植被覆蓋度由低潮灘向內(nèi)陸遞減，低潮灘處互花米草形成單一密集群落，越靠近內(nèi)陸，呈現(xiàn)新生孤立的互花米草植株簇；堿蓬的分布恰好相反，越靠近內(nèi)陸高潮位區(qū)域其生長(zhǎng)越茂盛，成片均勻分布，靠近互花米草的區(qū)域堿蓬生長(zhǎng)較為稀疏，能夠明顯看到裸露的光灘（Chen等，2017）。互花米草為入侵植物，從低潮潮灘向內(nèi)陸不斷擴(kuò)張，破壞堿蓬生境。在互花米草入侵的前緣地帶，互花米草和堿蓬覆蓋度較低。堿蓬的覆蓋度還隨著潮灘土壤水分、鹽分條件的變化呈現(xiàn)較為明顯的差異。土壤鹽分含量越高，中低潮灘的堿蓬種子的萌發(fā)率將會(huì)減?。▽O志高 等，2017），使得與靠近低潮灘鹽分含量高的地方，堿蓬的植被覆蓋度越低，在土壤鹽分和水分適宜的中高潮位區(qū)域，堿蓬的植被覆蓋度相對(duì)較高。

圖2 濕地典型地物光譜曲線圖Fig.2 Reflectance curve of typical wetland features

因此，本研究在7 類(lèi)基礎(chǔ)地物類(lèi)別的基礎(chǔ)上，增加不同植被密度的地物類(lèi)別，將研究區(qū)劃分為9 種地物類(lèi)別：豐水潮灘，光灘，高密度互花米草、低密度互花米草、蘆葦、蘆葦檉柳混生、水體、低密度堿蓬、高密度堿蓬。由于高光譜影像成像過(guò)程中有云的干擾，對(duì)高光譜影像的分類(lèi)中增加云和云陰影兩個(gè)類(lèi)別。

3.2 分類(lèi)樣本建立

本研究通過(guò)實(shí)地踏勘記錄、谷歌地球高清影像目視解譯以及無(wú)人機(jī)影像數(shù)據(jù)解譯結(jié)合的方法對(duì)兩種分類(lèi)體系分別建立樣本。實(shí)地踏勘時(shí)，利用手持GPS 記錄樣本點(diǎn)位置以及地貌特征。借助谷歌地球高清影像對(duì)分布較為均一的地物，如成片的蘆葦、互花米草以及蘆葦檉柳混生群落進(jìn)行目視解譯，確定樣本點(diǎn)。利用無(wú)人機(jī)影像，結(jié)合谷歌地球影像，選取堿蓬密度高且較為純凈的像元，確定堿蓬樣本點(diǎn)。

對(duì)于9類(lèi)精細(xì)地物分類(lèi)體系，利用無(wú)人機(jī)影像建立高、低密度互花米草和堿蓬樣本。首先，基于無(wú)人機(jī)影像的紅和近紅外波段計(jì)算歸一化植被差異指數(shù)NDVI（Normalized Difference Vegetation Index）。NDVI 能夠較好地反映植被分布情況，將NDVI＞0 的像元定義為植被，其余為非植被，進(jìn)行數(shù)據(jù)二值化。為與衛(wèi)星影像空間分辨率相匹配，在無(wú)人機(jī)影像上建立與衛(wèi)星影像像元對(duì)應(yīng)的30 m×30 m 的樣方，計(jì)算各樣方內(nèi)的植被覆蓋度。表2 示意了4 個(gè)樣方的植被覆蓋情況。調(diào)查發(fā)現(xiàn)，當(dāng)植被覆蓋度＞0.5 時(shí)，植被分布較為密集，劃分為高密度植被；覆蓋度＜0.1 時(shí)，基本為光灘；覆蓋度在0.1—0.5時(shí)，植被分布相對(duì)稀疏，劃分為低密度植被。

表2 不同植被覆蓋度無(wú)人機(jī)影像示意圖Table 2 Demonstration of UAV images of different vegetation coverage

本次實(shí)驗(yàn)進(jìn)行地物分類(lèi)時(shí)，Landsat 8 OLI影像上建立2064個(gè)樣本點(diǎn)，由于ZY-1 02D 影像上存在云和云陰影，共建立2249 個(gè)樣本點(diǎn)，各類(lèi)地物樣本點(diǎn)數(shù)量都不低于100。

4 研究方法

4.1 隨機(jī)森林分類(lèi)

隨機(jī)森林算法是以分類(lèi)回歸樹(shù)CART（Classification and Regression Tree）算法為基礎(chǔ)，通過(guò)集成學(xué)習(xí)的思想將多棵決策樹(shù)集成的一種算法（杜培軍 等，2016）。它以決策樹(shù)為基本單元，多個(gè)決策樹(shù)共同對(duì)某個(gè)任務(wù)進(jìn)行處理。隨機(jī)森林算法支持高維輸入樣本，能夠運(yùn)行在較大的數(shù)據(jù)集上，相較于其他分類(lèi)算法具有較好的準(zhǔn)確性和普適性，因此被廣泛應(yīng)用到遙感地物分類(lèi)中。

4.2 ZY-1 02D波段重要性排序和選擇

由于較高的光譜維數(shù)，高光譜影像分類(lèi)往往會(huì)遇到訓(xùn)練樣本數(shù)量不足而導(dǎo)致的維數(shù)災(zāi)難問(wèn)題（Hughes，1968；杜培軍 等，2016）。為解決這一問(wèn)題，本文引入Tree SHAP（Tree Shapley Additive exPlanations）算法對(duì)151個(gè)波段進(jìn)行特征重要性排序；將波段按照特征重要性從高到底的順序排列，分析隨機(jī)森林分類(lèi)結(jié)果隨波段數(shù)量增加的變化；選擇使分類(lèi)精度達(dá)到最高的前m個(gè)特征波段，實(shí)現(xiàn)分類(lèi)和制圖。

SHAP 由Lundberg 和Lee（2017）提出，該方法源于博弈論，可估算每個(gè)特征對(duì)每個(gè)樣本預(yù)測(cè)結(jié)果的貢獻(xiàn)，提高機(jī)器學(xué)習(xí)模型的可解釋性。Tree SHAP 適用于基于樹(shù)的機(jī)器學(xué)習(xí)模型，如決策樹(shù)，隨機(jī)森林和XGBoost 等（Rodríguez-Pérez 和Bajorath，2020；Lundberg 等，2018）。Tree SHAP將訓(xùn)練集中所有樣本的每一個(gè)特征都進(jìn)行重要性計(jì)算，得到逐個(gè)特征的Shapley 值。Shapley 值表示樣本中每個(gè)特征對(duì)該樣本的“貢獻(xiàn)”。這個(gè)“貢獻(xiàn)”有可能是正值，也有可能是負(fù)值，其最終對(duì)樣本的影響取決于Shapley 值的絕對(duì)值（李超 等，2021）。相較于常用的基尼指數(shù)（Gini Index）和準(zhǔn)確率降低指標(biāo)MDA（Mean Decrease Accuracy），Tree SHAP 不僅能衡量各特征變量對(duì)整體分類(lèi)結(jié)果的重要性，還能得到它們對(duì)各類(lèi)類(lèi)別的特征重要性。

假設(shè)樣本集的第i個(gè)樣本為xi，第i個(gè)樣本的第j個(gè)特征為xij，模型對(duì)該樣本的評(píng)估值為yi，整個(gè)模型的基線（所有樣本的評(píng)估值的均值）為ybase，那么Shapley值服從以下等式：

w(xij)為xij的Shapley值，其計(jì)算公式如下：

式中，N表示樣本所有特征的全集，S表示去掉第j個(gè)特征后得到的所有特征子集。對(duì)于任意的特征序列而言，f(S)表示在模型中所有特征子集共同作用產(chǎn)生的貢獻(xiàn)值，f(S∪{j})表示在模型中所有特征子集和第i個(gè)樣本的第j個(gè)特征共同作用產(chǎn)生的貢獻(xiàn)值，f(S∪{j}) -f(S)為特征j的邊際貢獻(xiàn)。對(duì)所有情況累加求均值即為第i個(gè)樣本的第j個(gè)特征Shapley 值。w(xj)為對(duì)所有的樣本的特征j累加取均值即為特征j的Shapley 值，n為模型中所有的樣本數(shù)。

4.3 分類(lèi)方案比較

為分析光譜細(xì)分對(duì)于濕地景觀精細(xì)分類(lèi)的有效性，除4.2 所述分類(lèi)方案外，對(duì)于兩種分類(lèi)體系分別采取以下兩種分類(lèi)方案進(jìn)行對(duì)比研究：（1）基于Landsat 8 OLI 多光譜數(shù)據(jù)的分類(lèi)；（2）在上述ZY-1 02D 數(shù)據(jù)m個(gè)重要特征波段范圍內(nèi)，選取與Landsat 8 OLI 波段相重合的l個(gè)波段進(jìn)行分類(lèi)。對(duì)Landsat 8 OLI多光譜數(shù)據(jù)進(jìn)行分類(lèi)時(shí)，選用除卷云波段外的其余7 個(gè)多光譜波段反射率構(gòu)建特征數(shù)據(jù)集。

4.4 模型訓(xùn)練與精度評(píng)價(jià)

為保證分類(lèi)結(jié)果評(píng)價(jià)的可靠性和準(zhǔn)確性，上述所有分類(lèi)方案都采用十折交叉檢驗(yàn)法對(duì)模型進(jìn)行訓(xùn)練和驗(yàn)證。交叉檢驗(yàn)是把得到的樣本數(shù)據(jù)進(jìn)行切分，組合為不同的訓(xùn)練集和測(cè)試集，每次都用不同的訓(xùn)練集來(lái)訓(xùn)練模型，用測(cè)試集來(lái)評(píng)估模型，避免模型過(guò)擬合而導(dǎo)致評(píng)價(jià)精度偏高。通過(guò)十折交叉驗(yàn)證得到平均總體精度（OA）、平均Kappa 系數(shù)、平均生產(chǎn)者精度（PA）和平均用戶(hù)精度（UA）作為評(píng)價(jià)指標(biāo)。

5 結(jié)果與分析

5.1 ZY-1 02D AHSI地物光譜曲線分析

為分析各類(lèi)地物在ZY-1 02D AHSI 影像的光譜差異性，在影像中分別選取互花米草、蘆葦、堿蓬、光灘、水體和豐水潮灘的30 個(gè)均質(zhì)純像元點(diǎn)，對(duì)每類(lèi)30 個(gè)像元點(diǎn)的光譜曲線求均值，如圖2 所示?？梢钥闯?，不同地物的光譜曲線差異較為明顯。豐水潮灘在590 nm 處反射率達(dá)到頂峰，隨后反射率逐漸下降，最后在短波紅外處反射率基本為0；水體在580 nm處發(fā)射率達(dá)到頂峰，隨后反射率開(kāi)始下降，最后在735 nm 處反射率基本為0；光灘在600—1000 nm 反射率較高，在紅波段和近紅外波段整體較為平穩(wěn)無(wú)較大波動(dòng)，在1100—1250 nm 的短波紅外處開(kāi)始反射率開(kāi)始下降，整體反射率較低。互花米草、蘆葦和堿蓬作為研究區(qū)分布較為廣泛的典型濕地植被，符合綠色植物反射率特征；蘆葦在750—1000 nm 近紅外波段反射率低于互花米草，而在1450—1800 nm以及1970—2450 nm 的短波紅外波段高于互花米草；堿蓬矮小，生物量較低，在可見(jiàn)光波段，尤其是紅波段顯著高于互花米草和蘆葦，而在近紅外波段反射率較低。不同地物獨(dú)特的光譜曲線特征成為高光譜數(shù)據(jù)分類(lèi)的重要依據(jù)。觀察地物光譜曲線時(shí)發(fā)現(xiàn)有些波譜存在細(xì)微波動(dòng)情況，這主要是由于影像成像中受到傳感器及外界環(huán)境的影響，某些波段中存在少許噪聲導(dǎo)致。

5.2 波段重要性排序和選擇

利用Tree SHAP 方法量化ZY-1 02D AHSI 各波段反射率分別在7 類(lèi)基本地物和在9 類(lèi)精細(xì)地物分類(lèi)中的特征重要性，根據(jù)重要性排序由高到低逐10 個(gè)波段依次累加，得到不同波段組合的隨機(jī)森林分類(lèi)十折交叉驗(yàn)證總體精度。如圖3 所示，隨著重要波段數(shù)目增加，前期（10—40 個(gè)波段特征）分類(lèi)精度迅速提高。基本地物分類(lèi)的總體精度從72.23%提升到92.18%（圖3（a））；精細(xì)地物的總體精度從80.35%提高到90.76%（圖3（b））。自40 個(gè)波段總體精度和Kappa 系數(shù)達(dá)到最高之后，后期（50—151 個(gè)波段特征）分類(lèi)精度基本維持穩(wěn)定且呈緩慢降低的趨勢(shì)。當(dāng)使用151 個(gè)波段時(shí)，基本地物分類(lèi)精度為91.60%，Kappa 系數(shù)為0.90；精細(xì)地物分類(lèi)精度為90.26%，Kappa系數(shù)為0.89。隨著參與分類(lèi)的波段數(shù)目增加，特征維數(shù)增加，逐漸造成分類(lèi)過(guò)程中的維數(shù)災(zāi)難和過(guò)擬合的現(xiàn)象，導(dǎo)致后期分類(lèi)精度難以得到較大的提升，基本維持穩(wěn)定。故本文對(duì)于兩個(gè)分類(lèi)體系都選取前40 個(gè)重要波段作為高光譜影像分類(lèi)的特征波段，降低高光譜數(shù)據(jù)特征維度，減少數(shù)據(jù)冗余。

圖3 波段數(shù)量與分類(lèi)精度Fig.3 Number of bands and classification accuracy

如表3 所示，對(duì)于兩種分類(lèi)體系，ZY-1 02D AHSI 前40 個(gè)重要波段絕大部分位于可見(jiàn)光近紅外波段，說(shuō)明僅用ZY-1 02D AHSI 的VNIR 波段就能夠達(dá)到較高的分類(lèi)精度。進(jìn)一步將前40 個(gè)重要波段與Landsat 8 多光譜影像數(shù)據(jù)的波譜范圍進(jìn)行匹配分析，發(fā)現(xiàn)對(duì)于兩種分類(lèi)體系，分別有24 個(gè)波段和29 個(gè)波段分布在Landsat 8 OLI 的可見(jiàn)光、近紅外波段（表3）。其中16 個(gè)（11 個(gè)）波段位于Landsat 8 OLI海岸藍(lán)、綠、紅、近紅外未涵蓋的波譜范圍中，包含2個(gè)短波紅外波段。這說(shuō)明相較于Landsat 8 OLI 多光譜數(shù)據(jù)，ZY-1 02D AHSI 數(shù)據(jù)的波譜范圍較窄，波譜連續(xù)，能夠更好的體現(xiàn)地物光譜曲線的細(xì)微變化和差異。隨后，選取與Landsat 8 OLI 多光譜數(shù)據(jù)相匹配的24 個(gè)以及29 個(gè)重要波段分別作為一組新的分類(lèi)特征，分別對(duì)7類(lèi)基本地物和9類(lèi)精細(xì)地物進(jìn)行分類(lèi)。

表3 ZY-1 02D前40個(gè)重要波段與Landsat 8 OLI波段分布對(duì)應(yīng)表Table 3 Correspondence between the first 40 important bands of ZY-1 02D and Landsat 8 OLI bands

5.3 精度評(píng)價(jià)及分類(lèi)結(jié)果

分別以Landsat 8 OLI 7 個(gè)波段、ZY-1 02D AHSI 24 個(gè)（或29 個(gè)）波段、ZY-1 02D AHSI 40 個(gè)波段作為分類(lèi)特征，利用隨機(jī)森林算法分別進(jìn)行7 類(lèi)基本地物和9 類(lèi)精細(xì)地物的分類(lèi)，十折交叉驗(yàn)證精度如表4、表5 所示。對(duì)于兩種分類(lèi)體系，ZY-1 02D 40個(gè)波段得到的總體分類(lèi)最高，Landsat 8 OLI 最低。對(duì)于7 類(lèi)基本地物分類(lèi)，由ZY-1 02D 40 個(gè)波段得到的總體精度和Kappa 系數(shù)分別為92.18% 和0.91，而Landsat 8 OLI 僅 有87.48% 和0.84。對(duì)于9 類(lèi)精細(xì)地物分類(lèi)，由ZY-1 02D 40 個(gè)波段得到的總體精度和Kappa 系數(shù)分別為92.18%和0.89，而Landsat 8 OLI 僅有84.73%和0.82。相較于Landsat 8 OLI，當(dāng)用與之相匹配的24個(gè)高光譜波段時(shí)，7 類(lèi)基本地物分類(lèi)總體精度提高了2.53%（90.01%）。對(duì)于9類(lèi)精細(xì)地物分類(lèi)而言，使用24 個(gè)高光譜波段的總體精度提高了5.06%（89.76%）。這說(shuō)明相較于Landsat 8 OLI 多光譜數(shù)據(jù)，ZY-1 02D AHSI 連續(xù)的光譜波段能夠更好的體現(xiàn)地物光譜曲線的細(xì)微變化，從而得到較高的分類(lèi)精度。

表4 7類(lèi)基本地物分類(lèi)精度統(tǒng)計(jì)表Table 4 Statistical table of classification accuracy of seven types of basic features

表5 9類(lèi)精細(xì)地物分類(lèi)精度統(tǒng)計(jì)表Table 5 Statistical table of classification accuracy of nine types of landscape features

對(duì)比不同影像各類(lèi)別的平均PA和平均UA可知，對(duì)7類(lèi)基本地物分類(lèi)，利用ZY-1 02D AHSI 40個(gè)波段的PA和UA均達(dá)到85%以上（表4）。對(duì)于9類(lèi)精細(xì)地物分類(lèi)而言，ZY-1 02D AHSI 40 個(gè)波段對(duì)于高、低密度互花米草以及高、低密度堿蓬的識(shí)別精度均高于Landsat 8 OLI 7個(gè)波段，平均PA 和UA 高出了1%—13%。這說(shuō)明相較多光譜數(shù)據(jù)，ZY-1 02D AHSI連續(xù)波段能夠較好地反映植被覆蓋度的差異。

圖4 為7 類(lèi)基本地物分類(lèi)結(jié)果圖，圖5 為9 類(lèi)精細(xì)地物的分類(lèi)結(jié)果圖?？梢钥闯觯黝?lèi)地物的空間分布較為一致，基于Landsat 8 OLI 的高密度堿蓬的分布范圍顯著少于ZY-1 02D 識(shí)別結(jié)果。進(jìn)一步對(duì)比無(wú)人機(jī)影像（圖6（a）和圖6（d）），可看出ZY-1 02D AHSI 前40 個(gè)重要性波段的分類(lèi)結(jié)果可以較好地區(qū)分不同密度互花米草和堿蓬以及光灘和水體的分布（圖6（c）和圖6（f））；而在Landsat 8 OLI分類(lèi)結(jié)果中，高、低密度互花米草和高、低密度堿蓬混淆較為嚴(yán)重（圖6（b）和圖6（e））。

圖4 7類(lèi)基本地物隨機(jī)森林分類(lèi)結(jié)果圖Fig.4 Random forest classification maps for seven basic classes

圖5 9類(lèi)精細(xì)地物隨機(jī)森林分類(lèi)結(jié)果Fig.5 Results of random forest classification maps for nine refined classes

圖6 無(wú)人機(jī)實(shí)測(cè)數(shù)據(jù)與分類(lèi)結(jié)果對(duì)比圖Fig.6 Comparison between the UAV image and the classification results

5.4 重要波段分析

Tree SHAP 方法不僅可以計(jì)算不同波段對(duì)總體分類(lèi)結(jié)果的重要性，還可以得到不同波段對(duì)各個(gè)地物類(lèi)別分類(lèi)的貢獻(xiàn)。如圖7所示，對(duì)于分類(lèi)貢獻(xiàn)最大的前20 個(gè)波段全部位于可見(jiàn)光范圍，其中位于藍(lán)波段的B13、B14 和B12 對(duì)于總體分類(lèi)精度的貢獻(xiàn)最大；而對(duì)于各地物類(lèi)別來(lái)說(shuō)，其排序則有所不同，比如，位于紅波段的B33、B34 波段對(duì)于識(shí)別高密度堿蓬的貢獻(xiàn)最大。表6總結(jié)了對(duì)于互花米草、堿蓬和蘆葦3 類(lèi)鹽沼植被分類(lèi)的前10 個(gè)重要波段與Landsat 8 OLI 波段范圍的匹配情況。可以看出，藍(lán)、綠波段對(duì)高、低密度互花米草以及蘆葦識(shí)別的貢獻(xiàn)較大?；セ撞莺吞J葦在8—10月生長(zhǎng)旺盛，在藍(lán)色波段存在吸收峰、在綠色波段存在小的反射峰，從而與其他類(lèi)型區(qū)分。同時(shí)，短波紅外波段對(duì)于蘆葦識(shí)別的重要性較高。如圖2所示，互花米草和堿蓬短波紅外波段的反射率均比蘆葦?shù)停@可歸因于互花米草和堿蓬生長(zhǎng)于潮間帶，葉片含水量較高，因此短波紅外波段反射率較低。紅波段對(duì)于堿蓬，尤其是高密度堿蓬識(shí)別的貢獻(xiàn)較大。研究區(qū)堿蓬在9—10 月為結(jié)實(shí)期，生長(zhǎng)旺盛，植株呈現(xiàn)紫紅色。綜合來(lái)看，ZY-1 02D AHSI 能夠捕捉不同鹽沼植物在可見(jiàn)光范圍的細(xì)微色調(diào)差異和理化特性，有利于分類(lèi)。

表6 各類(lèi)典型植被前10個(gè)重要性波段分布表Table 6 Distribution of top ten important bands for typical vegetation classes

圖7 高光譜波段特征重要性權(quán)重分布圖Fig.7 Hyperspectral band feature importance weight distribution map

6 結(jié)論

本研究探索了新的高光譜數(shù)據(jù)源ZY-1 02D AHSI 影像在河口三角洲濕地景觀精細(xì)分類(lèi)中的應(yīng)用潛力。目前大部分濕地景觀分類(lèi)研究仍以植被群落尺度分類(lèi)為主，未在分類(lèi)體系中考慮植被群落覆蓋度差異。針對(duì)黃河三角洲濕地斑塊破碎、鹽沼植被覆蓋度差異明顯的特點(diǎn)，本文利用AHSI數(shù)據(jù)進(jìn)行了7類(lèi)基本地物和考慮植被高、低覆蓋度的9類(lèi)精細(xì)地物分類(lèi)。主要結(jié)論如下：

（1）ZY-1 02D AHSI光譜曲線能夠較好地反映研究區(qū)各類(lèi)地物的光譜差異，可用于后續(xù)的景觀分類(lèi)研究。

（2）ZY-1 02D AHSI 對(duì)研究區(qū)7 類(lèi)基本地物的分類(lèi)精度為92.18%；9 類(lèi)精細(xì)地物分類(lèi)精度達(dá)到90.97%。Tree SHAP 特征選擇顯示，前40 個(gè)重要波段中，分別有24 個(gè)和29 個(gè)波段位于Landsat 8 OLI數(shù)據(jù)的可見(jiàn)光、近紅外波段。

（3）僅用與Landsat 8 OLI 相重合的重要波段進(jìn)行分類(lèi)，對(duì)9 類(lèi)精細(xì)地物的分類(lèi)精度也可達(dá)到89.97%，遠(yuǎn)高于Landsat 8 OLI 多光譜數(shù)據(jù)，表明ZY-1 02D AHSI數(shù)據(jù)連續(xù)的波譜曲線在識(shí)別植被覆蓋度差異方面優(yōu)勢(shì)明顯。

（4）藍(lán)、綠波段對(duì)于識(shí)別高、低密度互花米草較為重要，藍(lán)、綠、短波紅外波段對(duì)于蘆葦?shù)淖R(shí)別較為重要，紅波段對(duì)于識(shí)別高、低密度堿蓬較為重要。

綜上所述，ZY-1 02D AHSI在黃河三角洲濕地景觀分類(lèi)中取得了良好的效果，在區(qū)分鹽沼植被覆蓋度方面發(fā)揮了多光譜數(shù)據(jù)不可替代的優(yōu)勢(shì)。今后研究將發(fā)展適宜于濕地植被識(shí)別和分類(lèi)的高光譜指數(shù)，充分發(fā)揮ZY-1 02D AHSI 波譜連續(xù)的特點(diǎn)，進(jìn)行植被覆蓋度定量反演研究。