明義森，劉啟航，柏荷，黃昌

西北大學(xué) 陜西省地表系統(tǒng)與環(huán)境承載力重點(diǎn)實(shí)驗(yàn)室,西安 710127

1 引言

濕地含有豐富的有機(jī)碳資源，與其他土壤碳庫相比具有面積小但儲量大的特點(diǎn)（Davidson and Janssens，2006）。植被是濕地生態(tài)系統(tǒng)的重要組成部分之一，是濕地碳固持的重要角色，其生長變化能反應(yīng)濕地系統(tǒng)發(fā)展的成熟程度（田應(yīng)兵，2005）。因此，植被的分類與制圖是監(jiān)測濕地生態(tài)系統(tǒng)變化的關(guān)鍵環(huán)節(jié)（van der Putten，1997）。濕地系統(tǒng)在空間分布上具有不均勻性和復(fù)雜性的特點(diǎn)，隨著旱季與雨季的交替，濕地具有季節(jié)性變化或者年變化的動態(tài)特征，所以及時、準(zhǔn)確的監(jiān)測濕地植被類型的分布和變化是一個挑戰(zhàn)。

若爾蓋地區(qū)發(fā)育有豐富的濕地，其泥炭資源豐富、碳儲量巨大（田應(yīng)兵，2005）。在若爾蓋地區(qū)，土壤碳儲量與含水量分布規(guī)律總體一致，含水量越高，土壤有機(jī)碳儲量越高（Lee 等，2009），同時，土壤含水量也影響著不同類型植被的生長。因此，若爾蓋濕地植被的空間分布一定程度上能反映其碳固持能力的空間分異，對于研究中國甚至全球碳循環(huán)有非常重要的意義。

遙感技術(shù)為濕地植被的分類與變化監(jiān)測提供了先進(jìn)、高效的手段。光學(xué)遙感數(shù)據(jù)直觀、易獲取和處理，能有效識別濕地植被（童慶禧 等，1997）。Sun 等（2021）基于Sentinel-2 的時間序列影像對濕地植被進(jìn)行分類，實(shí)現(xiàn)了較高的分類精度。但是，受云等天氣條件限制，Sentinel-2影像的時間序列往往不夠完整。受影像質(zhì)量限制，張磊等（2019）通過綜合一年內(nèi)的多幅Sentinel-2 圖像，成功提取了黃河三角洲濕地信息。合成孔徑雷達(dá)SAR（Synthetic Aperture Radar），作為先進(jìn)的微波遙感手段，具有穿透性強(qiáng)、全天時、全天候的特點(diǎn)，有完整的時間序列數(shù)據(jù)。SAR 已經(jīng)被證實(shí)能對濕地植被的分類以及變化監(jiān)測提供幫助（White 等，2015），如Tsyganskaya 等（2018）使用Sentinel-1 SAR 時間序列數(shù)據(jù)對濕地植被分類。但是SAR 遙感圖像僅能反映地物的后向散射特征，無法準(zhǔn)確實(shí)現(xiàn)地物對象的識別和分類（Bourgeau-Chavez等，2016）。因此，結(jié)合光學(xué)遙感與SAR 遙感，有望發(fā)揮各自的優(yōu)勢，更好地對濕地植被進(jìn)行分類與制圖。目前，利用機(jī)器學(xué)習(xí)算法結(jié)合光學(xué)與雷達(dá)遙感數(shù)據(jù)在遙感圖像分類方面已得到廣泛應(yīng)用，其中隨機(jī)森林算法被認(rèn)為是分類精度最高的算法之一（Tian 等，2016；Franklin 等，2018；劉瑞清 等，2021）。Ruiz 等（2021）結(jié)合Sentienl-1和Sentinel-2 數(shù)據(jù)使用隨機(jī)森林算法成功實(shí)現(xiàn)亞熱帶濕地植被物種的分類，Slagter 等（2020）從Sentinel-1 SAR 和Sentinel-2 多光譜的時間序列數(shù)據(jù)提取特征對南非Lucia 濕地植被進(jìn)行分類，但沒有充分發(fā)揮Sentinel-1 SAR 數(shù)據(jù)多時相的特點(diǎn)。動態(tài)時間歸整算法DTW（Dynamic Time Warping）是一種時間序列分析算法，可以計算兩個時間序列間的相似性以輔助分類，特別適合對植被及農(nóng)作物等具有物候特征地物的分類。

訓(xùn)練樣本是遙感圖像監(jiān)督分類的關(guān)鍵，決定了分類質(zhì)量的好壞。由于大部分實(shí)地觀測樣本是在特定時間獲得的，而濕地植被可能會隨著時間變化而發(fā)生改變，這對需要基于多期遙感影像進(jìn)行分類的植被變化監(jiān)測帶來了困難。Huang等（2020）提出了一種自動訓(xùn)練樣本遷移的方法，通過測量參考光譜與目標(biāo)光譜的光譜相似度和光譜距離對1990年—2010 年的訓(xùn)練樣本像素的變化狀態(tài)進(jìn)行檢測和識別，取得很好的效果。樣本遷移的理論使得我們能在訓(xùn)練樣本有限的情況下穩(wěn)定分類，減少了樣本采集方面付出的精力、成本，為快速的濕地植被分類制圖，尤其是時間和空間尺度上訓(xùn)練樣本不可得條件下的植被分類，提供了有效方法（Gong 等，2019）。Yan和Niu（2021）利用樣本遷移方法對青藏高原濕地類型進(jìn)行分類，表明樣本集的遷移可以快速獲取準(zhǔn)確的濕地樣本集，為時間序列、多時相的濕地制圖的研究奠定了基礎(chǔ)。

因此，本文基于Sentinel-1 SAR 影像的時間序列數(shù)據(jù)與Sentinel-2 光學(xué)影像數(shù)據(jù)，充分發(fā)揮光學(xué)影像多光譜的優(yōu)勢和SAR 不受天氣條件限制便于構(gòu)建完整時間序列的優(yōu)勢，利用2020 年實(shí)地獲得的高分辨率無人機(jī)樣本，并使用樣本遷移方法將其遷移至2017年，借助Google Earth Engine（GEE）平臺，通過隨機(jī)森林算法對若爾蓋濕地2017 年和2020 年濕地植被進(jìn)行分類，并對期間的植被類型變化進(jìn)行檢測和評估。

2 研究區(qū)和數(shù)據(jù)

2.1 研究區(qū)

若爾蓋濕地（33°00'N—34°10'N，101°40'E—103°20'E）是中國3 大濕地之一，橫跨甘肅省和四川省，包含四川省若爾蓋縣、紅原縣、阿壩縣、松潘縣以及甘肅省的瑪曲縣、碌曲縣（劉紅玉和白云芳，2006）（圖1），是中國特有的高原濕地和高寒濕地生態(tài)系統(tǒng)的典型代表。研究區(qū)內(nèi)濕地面積約4400 km2。若爾蓋高原濕地平均海拔3400—3900 m，素有黃河“蓄水池”之稱，是黃河上游地區(qū)重要的水源涵養(yǎng)地。若爾蓋濕地植被主要可以分為3 類：沼澤植被、沼澤化草甸植被、草甸植被（田應(yīng)兵，2005）（表1）。

表1 若爾蓋濕地植被類型及主要種類Table 1 Vegetation types and main species of Zoige Wetland

圖1 研究區(qū)范圍（濕地范圍來自于Mao等（2020））Fig.1 Study area（Wetland extent was from Mao et al.（2020））

2.2 數(shù)據(jù)

2.2.1 無人機(jī)野外實(shí)地調(diào)查數(shù)據(jù)

在2020 年7 月利用大疆Mavic 2 無人機(jī)在若爾蓋濕地內(nèi)選取典型樣區(qū)進(jìn)行航攝，現(xiàn)場天氣狀況良好，晴空無云，風(fēng)速較小。飛機(jī)飛行高度控制在100 m 左右。將獲得的無人機(jī)航空圖像利用Pixel4D軟件進(jìn)行處理，最終生成0.5 m分辨率，含紅、綠、藍(lán)3個可見光波段的正射影像。結(jié)合現(xiàn)場觀察與照片，利用目視解譯對這些正射影像中的植被類型進(jìn)行判讀，共獲得4428 個樣本點(diǎn)，其中草甸植被1337 個、沼澤化草甸植被1296 個，沼澤植被1795 個。將其隨機(jī)劃分，60%作為訓(xùn)練樣本集，40%作為測試集。

2.2.2 哨兵1號衛(wèi)星影像

哨兵1 號衛(wèi)星（Sentinel-1）搭載了C 波段合成孔徑雷達(dá)，其入射角穩(wěn)定，便于基于同一軌道數(shù)據(jù)開展多時相的研究。在GEE 平臺上獲取了2017年和2020年相同軌道高分辨率IW模式降軌雙極化（VV+VH）數(shù)據(jù)，共104 幅。這些圖像已經(jīng)進(jìn)行過預(yù)處理（包括熱噪聲去除、輻射校準(zhǔn)等），并且在GEE平臺上使用3×3 Sigma Lee濾波器（Lee等，2009）進(jìn)行平滑處理。

2.2.3 哨兵2號衛(wèi)星影像

在GEE 平臺上篩選出哨兵2 號衛(wèi)星（Sentinel-2）在2017年和2020年云量比例小于8%的全波段幅影像，這些影像是經(jīng)過正射校正和幾何精校正的產(chǎn)品。利用Sentinel-2的質(zhì)量檢查波段進(jìn)行去云處理，分別合成2017年和2020年無云全波段中值影像。

3 研究方法

基于無人機(jī)影像目視解譯得到訓(xùn)練樣本集，提取訓(xùn)練樣本集在2017 年和2020 年的光譜信息和時間序列后向散射特征，在光譜相似性樣本遷移的理論基礎(chǔ)上，將2020 年的植被樣本遷移到2017 年。首先，選擇Sentinel-2 的植被紅邊波段、近紅外波段、短波紅外波段作為光譜特征；然后，基于DTW 算法計算3 種若爾蓋濕地植被在一年內(nèi)Sentinel-1 影像VV、VH 波段的時間序列相似度作為微波特征集。根據(jù)Mao 等（2020）發(fā)布的中國濕地地圖確定研究區(qū)濕地范圍，利用隨機(jī)森林算法對2017 年和2020 年的濕地植被進(jìn)行分類并用混淆矩陣、Kappa 系數(shù)等評價分類精度。最后，對2017 年—2020 年濕地植被的變化進(jìn)行監(jiān)測。流程圖如圖2所示。

圖2 研究方法流程圖Fig.2 Work flow of this study

3.1 構(gòu)建光學(xué)—微波特征集

3.1.1 構(gòu)建光學(xué)特征集

Amani等（2017）發(fā)現(xiàn)紅邊波段對于濕地植被分類的精度至關(guān)重要，這主要是因?yàn)樵摬ǘ蔚姆瓷渎逝c植被生物參數(shù)，如葉綠素含量和植被的水分含量等（Mutanga 等，2012）關(guān)系密切。此外，短波紅外波段、近紅外波段也能有效提高濕地植被分類精度，常用于濕地植被分類（Bajgain 等，2015；Mobasheri 和Amani，2016）。因此本文選取了Sentinel-2 的1 個近紅外波段（B8）、2 個短波紅外波段（B11、B12）以及4 個植被紅邊波段（B5、B6、B7、B8A）共7個波段作為光學(xué)特征集。

3.1.2 構(gòu)建微波特征集

由于若爾蓋濕地植被一般從4月中下旬開始返青，10 月份進(jìn)入普遍枯黃期。因此本文篩選出2020 年4 月—11 月的全部Sentinel-1 影像，提取3 種植被類型樣本點(diǎn)的后向散射強(qiáng)度平均值，通過其在一年內(nèi)不同時間VV、VH 波段變化表示3種植被類型的物候特征（圖3）。沼澤化草甸植被VV、VH 波段的后向散射強(qiáng)度在一年內(nèi)全部時期均大于草甸植被且變化趨勢相同。與草甸植被和沼澤化草甸植被相比，沼澤植被的后向散射強(qiáng)度在一年內(nèi)的波動較大，這與它的生理環(huán)境有關(guān)。沼澤植被處于常年積水或季節(jié)性積水的環(huán)境，當(dāng)沼澤植被冠層下水分的增加，它的后向散射強(qiáng)度也會增加（Kasischke 等，1997）。而植被冠層下水分因降雨影響會有較大的波動，這使得沼澤植被年內(nèi)后向散射強(qiáng)度變化起伏較大。因此，由SAR 影像構(gòu)成的物候特征能在一定程度上反映不同植被類型之間的差異，提高植被類別間的可分性。本研究以樣本點(diǎn)時間變化曲線為參考，利用DTW 算法計算待分類像元與樣本曲線之間的距離。

圖3 3種植被類型一年內(nèi)后向散射強(qiáng)度時間序列變化Fig.3 Time series changes of backscattering intensity for three types of vegetation within one year

DTW 算法是將一個參考的時間序列與一個未知的時間序列進(jìn)行比較，計算兩個時間序列之間的距離（Maus等，2016），一般使用歐氏距離度量兩個時間序列之間的相似性，計算公式為

式中，ui∈U(i=1，2，…，n)，vj∈V(j=1，2，…，m)，U={u1，u2，…，un}和V={v1，v2，…，vm}分別是長度為n和m的時間序列，然后用n×m的矩陣Dbase=(dbase(ui，vj))n×m存儲。最后計算矩陣D的最小距離遞歸和得到DTW距離，公式為

3.2 樣本遷移

由于野外無人機(jī)觀測實(shí)驗(yàn)開展于2020 年，無法獲得2017 年的訓(xùn)練樣本。因此，借鑒Huang 等（2020）的樣本遷移方法，將2020年的訓(xùn)練樣本遷移至2017 年使用，作為其分類的訓(xùn)練集和驗(yàn)證的測試集。圖像的光譜特征是分類的主要依據(jù)，當(dāng)兩個樣本的光譜變化較小時，可以認(rèn)為樣本的類型沒有發(fā)生變化，光譜的變化程度用參考樣本與目標(biāo)樣本間的歐氏距離和角距離度量。在光譜空間中，每一個像素對應(yīng)一個多維光譜向量，即計算兩個向量間的歐氏距離和角距離。歐氏距離ED（Euclidean Distance）越大代表差異程度越大，如式（3）所示，但ED 對亮度值比較敏感。光譜角距離（SAD）是指兩個光譜向量間的夾角的余弦（式（4））。SAD 越大代表相似度越高。當(dāng)SAD 等于1時代表兩個樣本完全沒有差異。與歐氏距離不同，角距離對亮度不敏感，即當(dāng)亮度值增加或者減少時，角距離保持不變，可以突出光譜的特征。

式中，X，Y為參考光譜與目標(biāo)光譜，N為總波段數(shù)。

3.3 隨機(jī)森林算法

基于2020 年的原始訓(xùn)練樣本和遷移得到的2017 年訓(xùn)練樣本，本研究使用隨機(jī)森林算法分別基于2017 年和2020 年所構(gòu)建的光學(xué)—微波特征集數(shù)據(jù)進(jìn)行植被分類，獲得2017 年和2020 年若爾蓋地區(qū)濕地植被分類結(jié)果。隨機(jī)森林是基于bagging框架的決策樹模型的一種機(jī)器學(xué)習(xí)算法。與單一分類器相比，它更準(zhǔn)確，對噪聲的反應(yīng)更好（Breiman，2001）。隨機(jī)森林中的每個分類器是通過隨機(jī)有放回地從訓(xùn)練集中抽取訓(xùn)練樣本進(jìn)行訓(xùn)練而生成的。

隨機(jī)森林算法采用信息熵和信息增益作為確定特征選取順序的依據(jù)（Hssina 等，2014）。信息熵指的是信息的混亂程度，即熵的值越大，信息越混亂。信息增益Gain(p，T)計算所有樣本數(shù)據(jù)的類的混合程度以及決策樹的任意位置，它定義了檢驗(yàn)特征T和位置P的增益。我們可以使用Gain(p，T)對全部特征進(jìn)行排序，并構(gòu)建決策樹，其中每個節(jié)點(diǎn)的位置是根據(jù)尚未考慮的特征中具有最高信息增益的那個特征決定的。一個隨機(jī)森林由一組分類器組成，每個分類器對數(shù)據(jù)做出投票，最后將得票最高的類別分配。以無人機(jī)影像獲得的測試集為參考，利用混淆矩陣、總體精度、用戶精度、生產(chǎn)者精度、Kappa系數(shù)來評價分類結(jié)果的精度（吉海彥 等，2019）。

4 結(jié)果與討論

4.1 2020年植被分類結(jié)果及精度評價

2020 年若爾蓋濕地植被分類結(jié)果如圖4 所示，其中河流湖泊結(jié)果是從Mao 等（2020）數(shù)據(jù)集中獲取。濕地植被在研究區(qū)分布廣泛，沼澤植被大面積生長在研究區(qū)的東部，沼澤化草甸植被和草甸植被呈現(xiàn)普遍的分布狀態(tài)。在近河床區(qū)域主要生長著沼澤化草甸植被和草甸植被，而沼澤植被較少，與野外實(shí)地觀察結(jié)果一致如圖4（Ⅰ）所示。在圖4（Ⅱ），3種植被分布從邊緣到中心呈帶狀分布，草甸植被、沼澤化草甸植被分布在邊緣而濕地植被生長在中心區(qū)域。這可能與局部水文條件、泥炭層厚度有關(guān)；離湖泊近的區(qū)域沼澤植被面積較大，而沼澤化草甸植被、草甸植被一般離湖泊較遠(yuǎn)（圖4（Ⅲ））。

圖4 2020年若爾蓋植被分類圖Fig.4 Ruoergai vegetation classification map in 2020

表2 混淆矩陣可知，2020 年的植被分類總精度達(dá)到了97.43%，Kappa系數(shù)為0.96。其中沼澤化草甸植被的分類精度較差，與草甸植被與沼澤植被都出現(xiàn)了一定程度的混分。這是由沼澤化草甸的特性導(dǎo)致的。沼澤化草甸作為過渡性植被類型，它的光譜特征與其他兩種植被相似，因此容易出現(xiàn)混分。

表2 2020年植被分類精度評價Table 2 Evaluation of vegetation classification accuracy in 2020

4.2 采用樣本遷移的2017年植被分類結(jié)果

根據(jù)樣本遷移原理，以2020 年影像為參考，2017年影像為目標(biāo)，計算參考光譜與目標(biāo)光譜之間距離以評價參考年份與目標(biāo)年份樣本的相似性。本研究中，樣本遷移分為兩個方面，首先，基于光譜相似性的光學(xué)特征樣本遷移，計算參考光譜與目標(biāo)光譜間的歐氏距離和角距離評價參考年份與目標(biāo)年份樣本的光譜相似度（圖5（a），圖5（b））。其次，基于DTW 的微波特征樣本遷移，計算目標(biāo)年份與參考年份VV、VH 波段時間序列數(shù)據(jù)的DTW 距離以評價樣本點(diǎn)在目標(biāo)年份與參考年份的相似度（圖5（c），圖5（d））。最后，將兩個遷移結(jié)果取交集，得到2017年的植被樣本集。

圖5 目標(biāo)樣本與參考樣本相似性評價Fig.5 Evaluation of the similarity between the target sample and the reference sample

本研究參考Huang等（2020）的方法，結(jié)合研究區(qū)訓(xùn)練樣本的統(tǒng)計數(shù)據(jù)，配合Google Earth 高分辨率影像及無人機(jī)影像等，通過選定適當(dāng)?shù)拈撝当Ａ艄庾V變化較小的樣本進(jìn)行遷移。最終確定，對于樣本的光學(xué)特征ED＜0.40 且SAD＞0.93，同時微波特征滿足VV 波段DTW 距離＜30 且VH 波段DTW＜35樣本點(diǎn)認(rèn)定為滿足遷移條件，認(rèn)定為可遷移樣本，共3480 個。其中有1078 個草甸植被樣本、793 個沼澤化草甸樣本和1609 個沼澤植被樣本。將所有可遷移樣本隨機(jī)劃分，其中60%作為訓(xùn)練集，40%作為驗(yàn)證集。

樣本遷移能快速解決多時相分類中訓(xùn)練樣本有限的問題，減少采集樣本的成本與精力。圖6以核密度曲線的形式展示了樣本遷移前后樣本在光學(xué)、微波特征的分布變化，發(fā)現(xiàn)樣本數(shù)據(jù)在全部特征的分布中都有一定程度的集中。在3種植被類型中，沼澤植被核密度曲線變化最大，特別是在紅邊波段與基于DTW 計算的VV 波段；而草甸植被和沼澤化草甸植被變化不明顯。樣本遷移后去除了光譜變化較大，具有差異明顯的樣本點(diǎn)，保證了樣本的純凈度。

圖6 樣本遷移前后樣本核密度曲線變化Fig.6 The change of kernel density estimation after the migration of training samples

利用隨機(jī)森林方法，基于遷移樣本中的訓(xùn)練集進(jìn)行2017 年若爾蓋植被類型進(jìn)行分類，混淆矩陣如表3 所示，總體精度達(dá)96.84%，Kappa 系數(shù)為0.95。分類結(jié)果如圖7，植被類型分布規(guī)律總體與2020年相似。

表3 2017年植被分類精度評價Table 3 Evaluation of vegetation classification accuracy in 2017

圖7 2017年若爾蓋植被分類圖Fig.7 Ruoergai vegetation classification map in 2017

4.3 2017年—2020年若爾蓋濕地植被變化評估

沼澤植被處于常年積水或季節(jié)性積水中，它是3種植被類型中土壤含水率最高的，與另外兩種植被相比，它的變化對濕地初級生產(chǎn)力、固碳能力有重要影響。對沼澤植被變化的評估能夠反映若爾蓋濕地的退化、恢復(fù)情況。將沼澤植被演變?yōu)檎訚苫莸橹脖?、草甸植被的過程定義為退化演替過程；而草甸植被、沼澤化草甸演變?yōu)檎訚芍脖坏倪^程定義為恢復(fù)演替過程（唐艷梅 等，2021）。

依據(jù)演替方向進(jìn)行分類得到2017 年—2020 年植被演替變化圖（圖8）。研究區(qū)內(nèi)大部分濕地植被保持原本類型沒有發(fā)生變化，尤其是在河流附近（圖8（Ⅰ）），草甸、沼澤化草甸植被類型變化很少，這可能由于河流有較好排水性，保持附近土壤含水量在一定水平，使得植被沒有發(fā)生演替；恢復(fù)演替主要發(fā)生在大面積生長著沼澤植被的附近，尤其是沼澤植被分布的邊緣地區(qū)（圖8（Ⅱ））；湖泊周圍有大面積的恢復(fù)演替發(fā)生（圖8（Ⅲ）），這可能與湖泊水位變化有關(guān)；而退化演替在研究區(qū)內(nèi)普遍發(fā)生，這可能與降雨、降水年變化有關(guān)。

圖8 沼澤植被變化分布（（Ⅰ）、（Ⅱ）、（Ⅲ）是沼澤植被變化代表性區(qū)域。左下角直方圖表示發(fā)生退化演替與恢復(fù)演替的面積。其中紅色代表恢復(fù)演替，黃色代表退化演替）Fig.8 Distribution of wetland vegetation change（（Ⅰ），（Ⅱ），and（Ⅲ）are the zoom-in areas of swamp vegetation change.The histogram in the lower left corner shows the areas of degeneration and restoration.The red represents the restoration，and the yellow represents the degeneration）

對退化、恢復(fù)演替區(qū)域的面積進(jìn)行統(tǒng)計發(fā)現(xiàn)（圖8 中直方圖），植被退化演替區(qū)域約100.17 km2（占濕地總面積的2%），而被恢復(fù)演替區(qū)域面積約為331.89 km2（占濕地總面積的7%）。若爾蓋濕地植被在近年來沒有發(fā)生較大變化，發(fā)生變化的區(qū)域中，恢復(fù)演替面積大于退化演替面積，說明若爾蓋濕地系統(tǒng)近年來呈向好趨勢。

5 結(jié)論

本文通過從2020 年實(shí)地獲得的高分辨率無人機(jī)數(shù)據(jù)中提取訓(xùn)練樣本，并將其遷移至2017 年，利用隨機(jī)森林方法結(jié)合Sentienl-2 光學(xué)數(shù)據(jù)與Sentinel-1 SAR 數(shù)據(jù)對若爾蓋濕地植被進(jìn)行分類，最終分別得到2020 年和2017 年的濕地植被分類圖，并進(jìn)一步開展植被變化監(jiān)測和濕地植被退化/恢復(fù)分析，得到以下結(jié)論：

（1）研究發(fā)現(xiàn)3種濕地植被的后向散射值一年內(nèi)變化曲線具有可分性，說明SAR 特征的引入有利3 種植被類型的識別。結(jié)合Sentinel-2 光學(xué)影像和Sentinel-1 SAR 對若爾蓋濕地主要的3 種濕地植被進(jìn)行分類，可以發(fā)揮前者多光譜的優(yōu)勢和后者時間序列完整的特點(diǎn)，分類總體精度達(dá)到97.43%，Kappa 系數(shù)為0.96。（2）引入樣本遷移思想，解決了在變化監(jiān)測研究中特定時刻獲取的樣本數(shù)據(jù)無法直接應(yīng)用到其他時刻的問題。本研究通過將2020 年實(shí)地采集的樣本遷移至2017 年，解決了歷史時期實(shí)地樣本不可得的問題，順利實(shí)現(xiàn)了2017 年的植被分類過程。（3）通過對2017 年—2020 年若爾蓋濕地植被類型變化進(jìn)行分析，發(fā)現(xiàn)在河流附近生長的草甸、沼澤化草甸植被變化較少，而在沼澤植被分布的邊緣地區(qū)是恢復(fù)演替發(fā)生的主要區(qū)域?？傮w上，若爾蓋濕地近年來植被類型變化不大，變化的部分主要以恢復(fù)演替為主。

需要注意的是，雖然從訓(xùn)練樣本的生產(chǎn)、方法的使用與結(jié)果的驗(yàn)證等方面進(jìn)行了嚴(yán)格的質(zhì)量控制和評價，本文的分類結(jié)果不可避免仍存在一定的不確定性。比如，在通過高分辨率的無人機(jī)影像進(jìn)行目視解譯獲得訓(xùn)練樣本的時候，可能引入一定的誤差；在樣本遷移設(shè)置遷移規(guī)則的時候，也有可能對遷移后的樣本帶入一些誤差。這類誤差都將直接給最終的分類結(jié)果帶來不確定性。此外，為了充分使用優(yōu)質(zhì)遙感數(shù)據(jù)，本研究選用最高分辨率可達(dá)10 m 的Sentinel-1和Sentinel-2數(shù)據(jù)，這也使得我們的研究時段局限于2017年—2020年。事實(shí)上，本文所使用的方法亦可應(yīng)用于其它光學(xué)和SAR 數(shù)據(jù)，如Landsat和JERS，以實(shí)現(xiàn)更長時間尺度的濕地植被變化監(jiān)測。

志 謝感謝歐洲航天局（ESA）免費(fèi)公開的哨兵1號和哨兵2號數(shù)據(jù)，使得本研究得以順利開展。