鄧雅文，蔣衛(wèi)國(guó)，王曉雅，彭凱鋒

1.北京師范大學(xué) 地理科學(xué)學(xué)部 遙感科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室,北京 100875;

2.北京師范大學(xué) 地理科學(xué)學(xué)部 環(huán)境遙感與數(shù)字城市北京市重點(diǎn)實(shí)驗(yàn)室,北京 100875

1 引言

濕地是世界上最大的碳庫(kù)之一，具有水源涵養(yǎng)、氣候調(diào)節(jié)和物種多樣性保護(hù)等重要生態(tài)價(jià)值，對(duì)環(huán)境保護(hù)和人類福祉至關(guān)重要（Mao等，2020）。近年來(lái)隨著社會(huì)經(jīng)濟(jì)快速發(fā)展與城市化進(jìn)程加速，城市濕地資源的保護(hù)與管理受到更多關(guān)注，且城市濕地也逐漸成為城市生態(tài)文明的重要景觀系統(tǒng)之一（李春暉 等，2009）。2015年6月《濕地公約》第12次締約方大會(huì)通過(guò)了關(guān)于開展?jié)竦爻鞘姓J(rèn)定的決議，旨在加強(qiáng)濕地保護(hù)與管理，提升城市發(fā)展質(zhì)量，促進(jìn)人類與自然和諧共生（馬梓文和張明祥，2015）。“國(guó)際濕地城市”認(rèn)證對(duì)推進(jìn)中國(guó)生態(tài)文明建設(shè)、貫徹落實(shí)《濕地保護(hù)修復(fù)方案》具有重要意義（王會(huì) 等，2017），且“國(guó)際濕地城市”亦是全球各個(gè)國(guó)家或地區(qū)青睞的世界級(jí)綠色城市名片（陳彥 等，2022）。常德市于2018年10月成功入選全球首批國(guó)際濕地城市，是全球典型濕地城市，也是中國(guó)境內(nèi)面積最大的國(guó)際濕地城市，市內(nèi)8 ha以上的濕地面積達(dá)19萬(wàn)ha（陳建和蘇俊，2020），占全市國(guó)土面積的10.44%，且擁有西洞庭湖國(guó)際重要濕地。獲取常德市中高分辨率和濕地精細(xì)類別空間分布信息、了解常德市濕地空間分布格局特征可以為常德國(guó)際濕地城市的濕地資源調(diào)查、修復(fù)保護(hù)及合理利用等相關(guān)決策的制定提供科學(xué)支撐。

傳統(tǒng)的濕地野外實(shí)地調(diào)查方法和目視解譯方法往往效率低下、精度受人為主觀影響較大，不宜應(yīng)用于濕地信息自動(dòng)智能提取和大尺度范圍濕地實(shí)時(shí)監(jiān)測(cè)（劉紅玉 等，2004）。遙感技術(shù)的迅速發(fā)展和海量地球觀測(cè)數(shù)據(jù)的涌現(xiàn)為從區(qū)域到全球尺度的濕地資源信息提取和空間制圖提供了有力支持（Mahdavi等，2018；Guo等，2017）。其中光學(xué)遙感影像波段信息豐富、但易受云雨等天氣影響導(dǎo)致觀測(cè)無(wú)效，而陰雨天氣較多的南方地區(qū)更易出現(xiàn)數(shù)據(jù)缺失情況；而基于微波的合成孔徑雷達(dá)（SAR）遙感數(shù)據(jù)具有能穿透云層對(duì)地表進(jìn)行全天時(shí)全天候的監(jiān)測(cè)能力優(yōu)勢(shì)，且對(duì)植被和土壤含水量的響應(yīng)較為敏感（王安琪 等，2012），這在一定程度上彌補(bǔ)了光學(xué)遙感影像的不足，成為進(jìn)行濕地制圖的有效手段。光學(xué)和雷達(dá)數(shù)據(jù)具有各自的信息優(yōu)勢(shì)，兩者結(jié)合使用可以互相彌補(bǔ)獲取更全面的濕地相關(guān)水文和植被信息，有助于提高濕地分類精度。已有研究表明綜合使用光學(xué)和雷達(dá)數(shù)據(jù)可以有效提高濕地分類精度（Amani 等，2017；Chatziantoniou 等，2017；寧曉剛 等，2022）。近年來(lái)，歐洲航天局先后發(fā)射了Sentinel-1 合成孔徑雷達(dá)（SAR）衛(wèi)星（6 d重訪周期）和Sentinel-2多光譜衛(wèi)星（4—5 d 重訪周期），密集時(shí)序觀測(cè)有效減少了云干擾，再加上較高的空間分辨率（10 m）使得Sentinel 數(shù)據(jù)在濕地制圖中顯示出巨大潛力。Slagter 等（2020）結(jié)合時(shí)序密集Sentinel-1 和Sentinel-2 數(shù)據(jù)對(duì)南非圣盧西亞濕地進(jìn)行分類，結(jié)果顯示結(jié)合兩種數(shù)據(jù)的分類精度最高。

此外，監(jiān)督機(jī)器學(xué)習(xí)算法因其魯棒性強(qiáng)、性能穩(wěn)定等優(yōu)勢(shì)成為濕地分類的常用方法（Chatziantoniou等，2017；Berhane 等，2018）；其中隨機(jī)森林算法是監(jiān)督機(jī)器學(xué)習(xí)算法之一，被廣泛應(yīng)用于濕地分類，在特征選擇和分類提取等方面具有明顯優(yōu)勢(shì)（張磊 等，2019）；趙欣怡等（2022）利用隨機(jī)森林方法基于Sentinel-1 雷達(dá)數(shù)據(jù)準(zhǔn)確獲取海岸帶鹽沼濕地植被種類信息和空間動(dòng)態(tài)，分類精度較高；張磊等（2019）基于隨機(jī)森林算法和特征優(yōu)選對(duì)黃河三角洲濕地信息進(jìn)行提取，結(jié)果表明隨機(jī)森林算法可以有效進(jìn)行特征選擇與濕地信息提取，總體精度達(dá)90.93%。

作為一個(gè)強(qiáng)大的云計(jì)算平臺(tái)，GEE（Google Earth Engine）也被廣泛應(yīng)用于濕地制圖和動(dòng)態(tài)監(jiān)測(cè)（Amani等，2019；Hird等，2017）。GEE可以允許用戶免費(fèi)獲取多種衛(wèi)星數(shù)據(jù)并使用許多內(nèi)置遙感影像處理工具（Gorelick 等，2017；Amani 等，2020）。寧曉剛等（2022）聯(lián)合使用GEE 和多源遙感數(shù)據(jù)基于隨機(jī)森林機(jī)器學(xué)習(xí)方法準(zhǔn)確、快速、高效地提取了2018 年黑龍江流域大尺度沼澤濕地信息，總體精度達(dá)91.54%，表明GEE 在大尺度的濕地信息提取中具有較大應(yīng)用潛力。

已有研究為濕地分類奠定了良好的基礎(chǔ)，但是還存在一些不足。首先，許多研究多僅采用較為單一的監(jiān)督機(jī)器學(xué)習(xí)算法進(jìn)行濕地分類，其濕地類別不夠精細(xì)（趙欣怡 等，2022；張磊 等，2019），無(wú)法滿足國(guó)際濕地城市對(duì)精細(xì)類別濕地信息提取的需求。此外，目前已有的面向國(guó)際濕地城市的濕地精細(xì)分類的研究相對(duì)較少（韓月 等，2021），其濕地分類類別相對(duì)較為粗糙，尤其對(duì)于水體缺乏更詳細(xì)的類別劃分（寧曉剛 等，2022）。水體類別信息缺失也會(huì)造成城市濕地管理和價(jià)值評(píng)估等方面的支撐信息不足，因此需要耦合其他方法實(shí)現(xiàn)精細(xì)濕地分類。其中，水體對(duì)象的幾何形狀特征給濕地分類提供了一個(gè)重要依據(jù)（劉蕾 等，2015），尤其是針對(duì)水體而言，不同類型水體，如河流、湖泊、運(yùn)河/水渠等的形狀復(fù)雜度、緊湊度等幾何形狀屬性往往存在較大差異。因此，充分利用濕地對(duì)象的形狀特征構(gòu)建出針對(duì)水體類型劃分的知識(shí)規(guī)則模型為實(shí)現(xiàn)濕地精細(xì)分類提供了有效途徑。

綜上，盡管光學(xué)、SAR等多源遙感數(shù)據(jù)和隨機(jī)森林算法已經(jīng)被應(yīng)用于濕地信息提取，但是鮮有面向國(guó)際濕地城市的城市濕地精細(xì)分類方法框架提出。為此，本研究基于GEE云平臺(tái)結(jié)合Sentinel-1/2時(shí)序遙感影像和地形數(shù)據(jù)，首先進(jìn)行特征優(yōu)選，其次使用隨機(jī)森林算法進(jìn)行土地覆蓋粗分類，再借助知識(shí)規(guī)則模型對(duì)土地覆蓋粗分類結(jié)果中的水域濕地對(duì)象進(jìn)一步詳細(xì)分類，進(jìn)而構(gòu)建出一種集成隨機(jī)森林算法和知識(shí)規(guī)則模型的面向國(guó)際濕地城市的濕地精細(xì)分類方法，并將其應(yīng)用于常德市進(jìn)行2020 年濕地精細(xì)分類，最終得到8 種精細(xì)濕地類型和5 種非濕地土地利用類型。該方法框架有望遷移至其他城市濕地應(yīng)用制圖，為了解城市濕地類型和分布現(xiàn)狀提供數(shù)據(jù)和技術(shù)方法參考。

2 研究區(qū)概況與數(shù)據(jù)源

2.1 研究區(qū)概況

本文以常德市作為研究區(qū)，其地理空間位置如圖1 所示。常德市位于湖南省西北部，氣候溫濕，四季分明；其地勢(shì)西北高，東南低，西部有壺瓶山，東南部為西洞庭湖平原，中部過(guò)渡地段為丘陵（朱翔，2014）。行政區(qū)劃上，常德市下轄武陵區(qū)、鼎城區(qū)，津市市、漢壽縣、桃源縣、石門縣、澧縣縣、臨澧縣、安鄉(xiāng)縣9個(gè)縣級(jí)行政區(qū)。

圖1 研究區(qū)概況圖Fig.1 Geographical location of the study area

常德境內(nèi)河湖水系眾多，濕地資源豐富。全市擁有以沅江、澧水為干流的440多條河流、1424座水庫(kù)，濕地面積廣闊（熊杰，2019）。作為國(guó)際重要濕地，境內(nèi)的漢壽西洞庭湖國(guó)家級(jí)自然保護(hù)區(qū)屬內(nèi)陸湖泊蘆葦沼澤型濕地，是全球重要的候鳥遷徙越冬地、停歇地和繁殖地（劉松林 等，2018）。近年來(lái)，常德市相關(guān)政府部門積極落實(shí)中央生態(tài)文明建設(shè)要求，提出建設(shè)生態(tài)常德、美麗常德的戰(zhàn)略定位，修復(fù)保護(hù)后的常德市濕地保護(hù)率達(dá)70.15%（熊杰，2019）。

2.2 數(shù)據(jù)收集及預(yù)處理

2.2.1 遙感影像

綜合考慮影像分辨率、波段、可獲得性等因素，研究基于Sentinel-2 多光譜數(shù)據(jù)和Sentinel-1 雷達(dá)數(shù)據(jù)實(shí)現(xiàn)10 m 空間分辨率的濕地精細(xì)分類。Sentinel-2 衛(wèi)星搭載了中高分辨率多光譜傳感器，可提供從可見光、近紅外到短波紅外內(nèi)的13 個(gè)波段光譜信息，空間分辨率包括10 m、20 m和60 m。除去較高的空間分辨率優(yōu)勢(shì)，Sentinel-2 衛(wèi)星影像中的3個(gè)紅邊波段（670—760 m）對(duì)濕地分類效果作用顯著（Kaplan 和Avdan，2019）。研究使用的Sentinel-2數(shù)據(jù)來(lái)自GEE平臺(tái)提供的“COPERNICUS/S2_SR”數(shù)據(jù)集，該產(chǎn)品為已進(jìn)行過(guò)輻射定標(biāo)和幾何校正的Level-2A 地表反射率產(chǎn)品。Sentine-1 衛(wèi)星影像的時(shí)間分辨率約為6 d，提供C 波段雙極化（VV 和VH）合成孔徑雷達(dá)（SAR）數(shù)據(jù)，升軌和降軌模式下的空間分辨率均為10 m，研究使用Sentinel-l 數(shù)據(jù)干涉寬幅模式（IW）的地距多視產(chǎn)品（GRD）的VH 和VV 數(shù)據(jù)，并在GEE 中完成軌道參數(shù)定標(biāo)、熱噪聲去除輻射定標(biāo)和地形校正等操作。由于SAR 影像全天候監(jiān)測(cè)等特征，Sentine-1數(shù)據(jù)被廣泛用于濕地制圖（Adeli等，2020）。

研究使用的哨兵遙感影像的時(shí)間跨度為2020 年4 月—2021 年4 月，其中Sentinel-1 影像數(shù)量逐像元有效觀測(cè)頻次在55—171，Sentinel-2影像的逐像元有效觀測(cè)頻次在27—410。此外，研究也使用了DEM 及其計(jì)算得到的坡度和坡向數(shù)據(jù)作為濕地遙感提取的輔助數(shù)據(jù)。

2.2.2 樣本數(shù)據(jù)選取

為輔助生產(chǎn)濕地樣本數(shù)據(jù)，提高濕地分類樣本選取工作效率，研究參考已有研究中（彭凱鋒 等，2021）生成較大區(qū)域樣本的方法實(shí)現(xiàn)研究區(qū)樣本生成與解譯。研究首先收集了ESA WorldCover、CLCD、GLC_FCS、JRC-GSW、中國(guó)湖泊數(shù)據(jù)集、高德水庫(kù)POI 點(diǎn)位數(shù)據(jù)等多源專題數(shù)據(jù)（表1）作為參考；在此基礎(chǔ)上，首先基于JRC-GSW 水體淹沒頻率數(shù)據(jù)隨機(jī)生成水體樣本點(diǎn)，水體樣本的選取范圍為水體淹沒頻率大于80%的區(qū)域；其次，基于濕地潛在分布區(qū)（水體淹沒頻率為5%—40%）生成非水體濕地樣本點(diǎn)，并結(jié)合Collect Earth 和Google Earth 高分辨率影像開展樣本選取和目視解譯工作。其中發(fā)現(xiàn)草灘地和蘆葦濕地較容易混淆，因此借助Sentinel-2 數(shù)據(jù)計(jì)算得到的NDVI 時(shí)序變化曲線輔助對(duì)非水體濕地樣本點(diǎn)進(jìn)行區(qū)分與解譯，將其劃分為泥灘地、草灘地和蘆葦濕地，以提高樣本信息準(zhǔn)確度。

表1 研究中使用的多源專題數(shù)據(jù)Table 1 Multi-source theme datasets used in this study

最后，其余土地利用類型樣本點(diǎn)基于當(dāng)前已有的2020年ESA WorldCover、GLC_FCS和CLCD土地利用數(shù)據(jù)生成，主要通過(guò)選取這3種來(lái)源土地利用數(shù)據(jù)對(duì)應(yīng)類別的空間范圍交集作為生成不同類型非濕地樣本點(diǎn)的空間限制范圍，再隨機(jī)生成分布均勻的非濕地樣本點(diǎn)。研究最終得到樣本點(diǎn)13215 個(gè)，并按照4∶1 的比例隨機(jī)劃分為訓(xùn)練樣本點(diǎn)10560 個(gè)，驗(yàn)證樣本點(diǎn)2655 個(gè)。研究選取的樣本點(diǎn)空間分布情況如圖2所示。

圖2 常德市樣本分布圖Fig.2 Spatial distribution of samples in Changde city

3 濕地分類方案

常德市內(nèi)的濕地主要有河流濕地、湖泊濕地、湖濱沼澤濕地以及水庫(kù)壩塘，主要分布在沅水流域、西洞庭湖和水庫(kù)（王朝暉 等，2010）。本研究主要參考黃群等（2013）和由佳等（2016）研究中的濕地分類體系，將常德市內(nèi)的濕地分為河流、湖泊、水庫(kù)、運(yùn)河/水渠、養(yǎng)殖池/坑塘、泥灘地、草灘地、蘆葦濕地這8種類型，其中草灘地主要包括以苔草、虉草等草本植被為主的自然濕地，蘆葦濕地包括以蘆葦、荻濕地植被為主的自然濕地（何銳 等，2016）。此外將其他非濕地土地利用類型劃分為林地、草地、建設(shè)用地、耕地和裸地。研究使用的濕地分類方案如表2所示。

表2 常德市濕地分類方案Table 2 Wetland classification scheme of Changde city

4 研究方法

4.1 總體思路

本文的總體技術(shù)流程如圖3所示，主要可以分為以下4 個(gè)部分：（1）首先研究基于GEE 云計(jì)算平臺(tái)快速獲取常德市2020 年的Sentienl-1/2 等多源遙感影像并進(jìn)行云和云陰影掩膜操作，同時(shí)結(jié)合多源專題數(shù)據(jù)生產(chǎn)訓(xùn)練和驗(yàn)證樣本點(diǎn)；（2）其次利用多源遙感數(shù)據(jù)構(gòu)建多種濕地分類特征變量集并使用最小冗余最大相關(guān)算法和梯度提升樹算法對(duì)光譜、光譜指數(shù)、雷達(dá)散射、地形、頻率和紋理特征進(jìn)行特征集優(yōu)選得到濕地分類特征優(yōu)選集；（3）基于濕地分類特征優(yōu)選集采用隨機(jī)森林分類算法進(jìn)行土地覆蓋粗分類，得到水體、泥灘地、草灘地、蘆葦濕地類型和其他非濕地土地覆蓋類型；（4）在粗分類得到的水體類別基礎(chǔ)上結(jié)合輔助數(shù)據(jù)和基于幾何形狀特征的多閾值知識(shí)規(guī)則得到5種不同類型水體從而實(shí)現(xiàn)濕地精細(xì)分類。同時(shí)研究利用驗(yàn)證樣本點(diǎn)進(jìn)行精度評(píng)價(jià)并簡(jiǎn)要分析常德市濕地的空間分布格局。

圖3 總體技術(shù)流程Fig.3 Overall technical process

4.2 濕地分類特征集優(yōu)選

研究選取了Sentinel-2 光譜反射率、光譜指數(shù)特征、Sentinel-1 雷達(dá)后向散射系數(shù)特征、地形特征、紋理特征和頻率特征作為常德市濕地分類的特征集合，具體計(jì)算公式和相關(guān)信息描述如表3所示?？紤]到濕地季節(jié)性變化特征，尤其是洪水期和枯水期洪水淹沒變化影響，研究分別計(jì)算Sentinel 影像在旱期（2020 年11 月—2021 年1 月）和汛期（2020年7—9月）（Yang等，2020）內(nèi)的光譜特征、光譜指數(shù)特征、雷達(dá)特征和頻率特征中值以反映時(shí)間特征，同時(shí)選擇DEM、坡度和坡向反映地形特征，選擇NDVI 灰度共生矩陣指標(biāo)表征紋理特征，最終得到63個(gè)特征變量。

表3 研究使用的濕地分類特征集列表Table 3 List of features for wetland classification in this study

通過(guò)選擇合適的濕地分類特征子集可以提升模型精度，減少過(guò)擬合現(xiàn)象和模型復(fù)雜度，提升機(jī)器學(xué)習(xí)算法運(yùn)算速度并增強(qiáng)其可解釋性，故對(duì)研究初步選取的多個(gè)特征變量進(jìn)行特征集優(yōu)選。研究使用的特征優(yōu)選方法主要包括兩個(gè)部分：搜尋不相關(guān)特征變量集SULOV（Searching for Uncorrelated List of Variables）算法和遞歸梯度提升樹（XGBoost）來(lái)對(duì)特征進(jìn)行降維，使得特征數(shù)量在維持最少的同時(shí)保持最豐富的信息。

SULOV算法的原理是最小冗余最大相關(guān)MRMR（Minimum-Redundancy-Maximum-Relevance）算法，是目前最好的特征選擇方法之一（Zhao 等，2019；Ding 和Peng，2015），其步驟如下：（1）首先尋找所有相互之間相關(guān)性超過(guò)一定閾值（本研究中為0.85）的特征對(duì)；（2）其次，分別計(jì)算這些特征與目標(biāo)變量（分類類別）之間的互信息得分MIS（Mutual Information Score），該指標(biāo)是一種非參數(shù)計(jì)分方法，適用于所有類型的變量；（3）最后得到具有最高信息分?jǐn)?shù)和與彼此相關(guān)性最小的特征變量集合。然后使用遞歸梯度提升樹迭代尋找其中的最佳特征集合，重復(fù)5 次并組合每次結(jié)果中的最佳10個(gè)特征作為特征優(yōu)選集。

4.3 基于隨機(jī)森林算法的土地覆蓋粗分類

對(duì)濕地分類特征優(yōu)選得到最優(yōu)特征集合后，將其輸入隨機(jī)森林分類器進(jìn)行常德市土地覆蓋粗分類。隨機(jī)森林算法由Breiman（2001）提出，是基于分類回歸樹CART（Classification and Regression Tree）發(fā)展的一種集成學(xué)習(xí)模型，它由大量相互獨(dú)立構(gòu)建的決策樹組合而成。隨機(jī)森林分類算法具有極好的準(zhǔn)確率，能夠有效的運(yùn)行在大數(shù)據(jù)集上，可以處理具有高維特征的樣本輸入。

本研究使用的隨機(jī)森林分類算法基于GEE 云計(jì)算平臺(tái)實(shí)現(xiàn)，經(jīng)過(guò)多次實(shí)驗(yàn)，將決策樹的數(shù)量設(shè)置為100，并采用10 折交叉驗(yàn)證取10 次分類結(jié)果的眾數(shù)作為最終分類結(jié)果以減少偶然誤差和不確定性，其他參數(shù)使用GEE平臺(tái)默認(rèn)參數(shù)。

4.4 基于知識(shí)規(guī)則的濕地精細(xì)分類

在利用隨機(jī)森林分類算法得到的土地覆蓋粗分類結(jié)果基礎(chǔ)上進(jìn)行濕地精細(xì)分類，將水域濕地分為河流、湖泊、水庫(kù)、養(yǎng)殖池/坑塘和運(yùn)河/水渠這五類。首先在ArcGIS中對(duì)土地覆蓋粗分類結(jié)果進(jìn)行重分類得到水體二值柵格，再將水體柵格轉(zhuǎn)換為多邊形矢量格式，再利用開源GIS軟件包WhiteboxTools v2.0（https：//github.com/giswqs/WhiteboxTools-ArcGIS［2022-06-17］）中GIS Analyst 工具集內(nèi)的斑塊形狀屬性計(jì)算工具得到其形狀復(fù)雜度指數(shù)指標(biāo)、線性度和緊湊度。

研究使用形狀復(fù)雜度計(jì)算指數(shù)工具計(jì)算得到每個(gè)多邊形矢量的形狀復(fù)雜度指數(shù)SCI（Shape Complexity Index），該指數(shù)是對(duì)多邊形形狀整體復(fù)雜性或不規(guī)則性的一種度量，其計(jì)算公式如下：

式中，A是多邊形的面積，Ah是該多邊形的凸包的面積。對(duì)于凸多邊形，即不包含凹面或空洞的多邊形，其SCI 值為0。隨著多邊形的形狀變得更加復(fù)雜，SCI 值越接近1。該指數(shù)可以有效區(qū)分線形矢量和斑塊矢量。

線性度指數(shù)是通過(guò)對(duì)矢量對(duì)象的外包多邊形節(jié)點(diǎn)的經(jīng)度和緯度坐標(biāo)進(jìn)行回歸分析計(jì)算得到的決定系數(shù)（R2），它可以衡量多邊形在多大程度上能被一條直線描述。

緊湊度（Polsby-Popper 測(cè)試）是一種廣為引用的測(cè)量方法，用于測(cè)量一個(gè)地區(qū)的形狀復(fù)雜度。其計(jì)算公式如下：

式中，A表示多邊形面積，P表示多邊形周長(zhǎng)。緊湊度得分在0—1。一個(gè)完美的圓的地理緊湊度得分為1，形狀越復(fù)雜，則該得分越低。

研究結(jié)合專題數(shù)據(jù)和人工目視解譯分別隨機(jī)選取了河流、湖泊、運(yùn)河/水渠和養(yǎng)殖池/坑塘類型對(duì)象對(duì)其幾何形狀參數(shù)進(jìn)行統(tǒng)計(jì)分析以確定水體類型劃分閾值，這4種水體類型的形狀相關(guān)指數(shù)分布情況如圖4所示，可以看出不同類型水體之間存在著明顯的差異，經(jīng)過(guò)多次實(shí)驗(yàn)得到水域濕地類型劃分的適用閾值與規(guī)則條件（圖4），具體的規(guī)則流程如圖5 所示。首先利用高德水庫(kù)POI 點(diǎn)位數(shù)據(jù)和2020 年中國(guó)湖泊數(shù)據(jù)集將水庫(kù)和部分湖泊斑塊提取出來(lái)，對(duì)于剩余斑塊，計(jì)算每個(gè)斑塊的形狀復(fù)雜度、線性度和緊湊度指數(shù)，再利用線性度指數(shù)將運(yùn)河/水渠類型水體提取出來(lái)，其次根據(jù)形狀復(fù)雜度指數(shù)和緊致度指數(shù)提取河流矢量，最后利用形狀復(fù)雜度指數(shù)區(qū)湖泊和養(yǎng)殖池/坑塘。最終對(duì)顯著不符合現(xiàn)實(shí)情況的誤分類現(xiàn)象進(jìn)行人工檢查與矢量編輯修正以保證其準(zhǔn)確性。

圖4 不同水體類型的形狀復(fù)雜度指數(shù)、線性度和緊湊度指數(shù)特征Fig.4 Shape complexity index，linearity index and compactness for different water types

圖5 基于形狀特征水體類型分類規(guī)則流程Fig.5 Process for differentiating water types based on geometric features

4.5 精度評(píng)價(jià)方法

研究使用混淆矩陣（Confusion Matrix）對(duì)土地覆蓋粗分類和濕地精細(xì)分類結(jié)果進(jìn)行精度評(píng)估，主要選取總體精度OA（Overall Accuracy）、Kappa系數(shù)、生產(chǎn)者精度PA（Producer’s Accuracy）和用戶精度UA（User’s Accuracy）這4 個(gè)評(píng)價(jià)指標(biāo)對(duì)分類精度進(jìn)行評(píng)價(jià)分析。其中總體精度和Kappa系數(shù)作為評(píng)價(jià)總體分類精度的指標(biāo)，生產(chǎn)者精度和用戶精度作為衡量各類的漏分和錯(cuò)分誤差的指標(biāo)。

5 結(jié)果與討論

5.1 濕地分類特征集優(yōu)選結(jié)果

基于SULOV 算法首先剔除了具有高度相關(guān)性（相關(guān)系數(shù)大于0.85）的特征變量并保留其中與目標(biāo)變量最相關(guān)的特征，這一過(guò)程自動(dòng)篩選出29 個(gè)特征變量，其變量間相關(guān)和互信息得分可視化如圖6所示。其中左圖中圓形節(jié)點(diǎn)的大小代表其與目標(biāo)變量之間互信息得分值，而兩兩變量之間連接線的粗細(xì)代表其相關(guān)性高低。將篩選出的29 個(gè)變量輸入遞歸梯度提升樹模型中運(yùn)行5次，每次得到最重要的10 個(gè)變量，將5 次結(jié)果的特征變量相組合最終優(yōu)選得到16 個(gè)特征，其中光譜特征包括旱期和汛期的B2 和B4，即藍(lán)光和紅光波段反射率；光譜指數(shù)特征包括NDWI（旱期）、NDBI（旱期）、SAVI（旱期和汛期）、ARI（旱期）和BSI（旱期）；雷達(dá)特征包括旱期的VH極化后向散射系數(shù)；紋理特征包括NDVI 的相異性和角二階矩；頻率特征包括旱期的植被頻率和水淹頻率。優(yōu)選出來(lái)的特征中在特征優(yōu)選前后的總體精度分別為96.73%和95.83%，說(shuō)明特征優(yōu)選可以極大地減少特征數(shù)量與冗余，在提高濕地分類效率的同時(shí)保持分類準(zhǔn)確性。

圖6 特征變量之間相關(guān)性與特征重要性排序Fig. 6 Correlation between feature variables and feature importance ranking

5.2 2020年常德市土地覆蓋粗分類結(jié)果及精度評(píng)價(jià)

2020 年常德市土地覆蓋粗分類結(jié)果如圖7 所示，從空間上可以看出常德市濕地大部分分布在西洞庭湖周圍地區(qū)、沅江、澧水附近以及大型水庫(kù)和湖泊周圍。對(duì)其中3 個(gè)典型區(qū)域放大展示（圖7），可以看出珊珀湖南部的養(yǎng)殖池分布密集，西洞庭湖濕地的洲灘中分布著大量草灘地和蘆葦濕地，濕地資源豐富。

圖7 2020年常德市土地覆蓋粗分類結(jié)果及典型區(qū)展示Fig. 7 Classification results of land cover and illustration of typical areas in Changde city in 2020

2020 年常德市土地覆蓋粗分類的精度評(píng)價(jià)結(jié)果如表4 所示，其地物總精度達(dá)到了94.58%，Kappa 系數(shù)為0.94。其中草地、裸地的分類精度較差，與草灘地和蘆葦濕地出現(xiàn)了一定程度的混分，這是主要是植被光譜相似性導(dǎo)致。

表4 2020年常德市土地覆蓋粗分類結(jié)果精度評(píng)價(jià)Table 4 Accuracy of land cover classification results in Changde city in 2020

5.3 2020年常德市濕地精細(xì)分類結(jié)果及精度評(píng)價(jià)

研究在2020 年常德市9 種基本地物分類的基礎(chǔ)上，基于知識(shí)規(guī)則對(duì)濕地類別進(jìn)行精細(xì)分類，其最終分類結(jié)果如圖8所示，濕地類型一共有：河流、湖泊、水庫(kù)、運(yùn)河/水渠、養(yǎng)殖池/坑塘、泥灘地、草灘地和蘆葦濕地8 種，從圖8 中可以看出大部分濕地沿沅江、澧水和西洞庭湖分布，大部分濕地位于常德市的東部和南部地區(qū)，對(duì)部分典型湖庫(kù)和河流放大展示如圖8Ⅰ—Ⅷ所示，可以較為直觀地看出其中水體類型的劃分效果較好。

圖8 2020年常德市濕地精細(xì)分類結(jié)果及典型區(qū)展示Fig.8 Refined classification results of wetlands and display of typical areas in Changde city in 2020

2020 年常德市濕地精細(xì)分類結(jié)果的精度評(píng)價(jià)如表5 所示，總體精度為91.53%，Kappa 系數(shù)為0.89，說(shuō)明分類結(jié)果較好。其中河流、湖泊和運(yùn)河/水渠的用戶精度相對(duì)較低，其中河流和運(yùn)河/水渠、湖泊和養(yǎng)殖池/坑塘的混淆現(xiàn)象較多。

表5 2020年常德市濕地精細(xì)分類結(jié)果精度評(píng)價(jià)Table 5 Accuracy of refined wetlands classification results in Changde city in 2020

對(duì)2020 年常德市的濕地分類結(jié)果進(jìn)行統(tǒng)計(jì)分析如圖9所示，其中濕地面積為1754.99 km2，其中人工濕地面積占比為37.63%，自然濕地面積占比為62.37%，其中養(yǎng)殖池/坑塘在濕地中面積最大，為481.97 km2，其次為河流和湖泊濕地。

圖9 2020年常德市濕地面積統(tǒng)計(jì)結(jié)果Fig.9 Statistics of wetlands in Changde city in 2020

5.4 2020年常德市濕地空間分異格局分析

以縣級(jí)行政區(qū)劃為單元對(duì)2020 年常德市濕地進(jìn)行分區(qū)統(tǒng)計(jì)，其分布結(jié)果如圖10 所示，整體上常德市的濕地主要分布在東部和南部縣域，其中漢壽縣內(nèi)的濕地面積占比最高，達(dá)到25.22%，其次為安鄉(xiāng)縣、津市市和武陵區(qū)，其濕地面積占比分別為21.63%、19.11%和19.11%；鼎城區(qū)和澧縣的濕地面積占比約為10%左右，其余西部的石門縣、桃源縣和臨澧縣濕地面積占比均低于5%，此空間分異格局也與常德市內(nèi)東部為西洞庭湖平原、中部為過(guò)渡丘陵及西部為壺瓶山脈的地形地貌格局分異相重合。

圖10 常德市各縣級(jí)（包括區(qū)）行政區(qū)劃內(nèi)的濕地面積占比與各類型分布Fig.10 Proportion of wetland area and distribution of various types within the county-level（including districts）administrative areas of Changde city

根據(jù)《濕地公約》第12 次締約方大會(huì)的文件《決議XⅡ.10拉姆薩爾公約的濕地城市認(rèn)證》和后續(xù)發(fā)布的《濕地城市認(rèn)證提名表》，開展?jié)竦爻鞘姓J(rèn)證的目前需要滿足8條基本準(zhǔn)則和其下屬的12項(xiàng)具體要求（王會(huì) 等，2017），其中本研究結(jié)果能夠?yàn)橹笜?biāo)中濕地資源本底方面的準(zhǔn)則1“在城市管轄范圍內(nèi)或臨近城市的區(qū)域有一個(gè)或多個(gè)國(guó)際重要濕地或其他重要濕地，能為該城市提供一系列生態(tài)系統(tǒng)服務(wù)”提供直接信息支持，且中國(guó)在濕地城市認(rèn)證時(shí)明確了行政區(qū)域內(nèi)應(yīng)當(dāng)有國(guó)家重要濕地（含國(guó)際重要濕地）、國(guó)家級(jí)濕地自然保護(hù)區(qū)或國(guó)家濕地公園等。同時(shí)中國(guó)的《國(guó)際濕地城市認(rèn)證提名辦法》中關(guān)于區(qū)域濕地資源稟賦的要求則包括濱海城市濕地率≥10%，或者內(nèi)陸平原城市濕地率≥7%，或者內(nèi)陸山區(qū)城市濕地率≥4%、濕地保護(hù)率50%以上的規(guī)定（雷茵茹 等，2018），研究得到的常德市濕地率為9.64%，顯然滿足條件，研究結(jié)果可支撐國(guó)際濕地城市的濕地資源稟賦摸底分析。此外，研究結(jié)果也可對(duì)采取措施保護(hù)濕地及包括生物多樣性、水文完整性等在內(nèi)的生態(tài)系統(tǒng)服務(wù)（準(zhǔn)則2）和實(shí)施濕地恢復(fù)或管理措施（準(zhǔn)則3）等相關(guān)政策制定提供信息支持。

6 結(jié)論

本研究基于GEE 云平臺(tái)和2020 年Sentinel-1/2時(shí)序遙感影像構(gòu)建濕地分類特征優(yōu)選集，耦合基于像元的隨機(jī)森林算法和基于對(duì)象的知識(shí)規(guī)則模型實(shí)現(xiàn)國(guó)際濕地城市精細(xì)濕地信息提取，同時(shí)對(duì)常德市濕地進(jìn)行空間分布格局分析。研究主要得到以下結(jié)論：

（1）采用最小冗余最大相關(guān)算法和遞歸梯度提升樹算法探索了有利于濕地信息提取的優(yōu)選特征集，將分類特征數(shù)從63 降至16 個(gè)，具體為旱期和汛期的B2、B4、SAVI，旱期的NDWI、NDBI、ARI、BSI、VH、NDVI 相異性和角二階矩、植被和水淹頻率特征，優(yōu)選前后濕地分類總體精度減少0.9%，說(shuō)明特征優(yōu)選可以減少特征信息冗余的同時(shí)較好保持分類精度。

（2）基于隨機(jī)森林算法方法得到的2020 年常德市土地覆蓋粗分類結(jié)果總體精度為94.58%，Kappa 系數(shù)為0.94；基于對(duì)象的知識(shí)規(guī)則模型的濕地精細(xì)分類結(jié)果的總體分類精度為91.53%，Kappa系數(shù)為0.89，粗分類和細(xì)分類精度均較好，驗(yàn)證了耦合機(jī)器學(xué)習(xí)和知識(shí)規(guī)則決策模型進(jìn)行濕地精細(xì)分類的可行性。

（3）常德市濕地主要分布在東部西洞庭湖平原區(qū)域，呈現(xiàn)出東多西少的空間格局，研究結(jié)果可為國(guó)際濕地城市認(rèn)證指標(biāo)中濕地資源本底方面的指標(biāo)計(jì)算提供參考依據(jù)。

（4）研究構(gòu)建了面向國(guó)際濕地城市的精細(xì)濕地景觀分類體系，區(qū)分出多種水體類型，賦予濕地自然和人工主導(dǎo)屬性；研究提出的精細(xì)濕地分類方法框架具有較好普適性和泛用性，可遷移到國(guó)內(nèi)外其余相似國(guó)際濕地城市，為服務(wù)和支撐國(guó)際濕地城市建設(shè)及優(yōu)選、城市濕地修復(fù)保護(hù)及可持續(xù)發(fā)展評(píng)估提供科學(xué)參考。

本研究主要優(yōu)勢(shì)在于新的面向國(guó)際濕地城市的濕地精細(xì)分類方案和方法體系的引入，同時(shí)本文也驗(yàn)證了耦合隨機(jī)森林算法和知識(shí)規(guī)則進(jìn)行濕地精細(xì)分類的可行性與可靠性。與其他已有濕地分類結(jié)果相比（黃群 等，2013；何銳 等，2016），本研究得到的濕地類別有8類，尤其針對(duì)水體進(jìn)行了細(xì)致類別劃分，且本研究的方法體系可以遷移至其余國(guó)際濕地城市或備選城市，時(shí)效性較強(qiáng)，空間分辨率較高，具有較好的應(yīng)用潛力。

盡管本文中濕地分類取得了相對(duì)較好的精度，但后續(xù)研究還需要在以下方面進(jìn)行完善：（1）研究采用基于像元的隨機(jī)森林算法進(jìn)行濕地分類，其逐像元的分類結(jié)果中會(huì)存在部分“椒鹽現(xiàn)象”，后續(xù)研究將嘗試結(jié)合面向?qū)ο蟮臐竦胤诸惙椒ㄟM(jìn)行對(duì)比分析研究；（2）采用基于對(duì)象的知識(shí)規(guī)則模型進(jìn)行水體類型分類時(shí)以水體柵格轉(zhuǎn)換為矢量為基礎(chǔ)進(jìn)行，此過(guò)程中會(huì)出現(xiàn)部分河流與湖泊連通從而形成一個(gè)整體多邊形斑塊的狀況，此時(shí)需要進(jìn)行人工矢量編輯來(lái)進(jìn)行修正，該類情況一般出現(xiàn)在大型湖泊周圍；（3）研究探究了多種特征變量對(duì)濕地綜合分類的影響和相對(duì)重要性，但是未充分考慮多種特征對(duì)每一類地物分類的相對(duì)重要性，且對(duì)時(shí)序特征和物候信息在濕地精細(xì)分類中的作用未進(jìn)行充分考慮，后續(xù)工作將重點(diǎn)研究更精細(xì)的時(shí)間序列特征對(duì)濕地分類的影響，以更好實(shí)現(xiàn)實(shí)時(shí)自動(dòng)、智能優(yōu)化的濕地精細(xì)分類。