鄭嘉豪，孫超，2，3，林昀，李璐，劉永超，2，3

1.寧波大學(xué) 地理與空間信息技術(shù)系,寧波 315211;

2.寧波陸海國(guó)土空間利用與治理協(xié)同創(chuàng)新中心,寧波 315211;

3.寧波大學(xué) 東海研究院,寧波 315211;

4.寧波市測(cè)繪和遙感技術(shù)研究院,寧波 315042

1 引言

鹽沼植被是生長(zhǎng)在海岸帶的、間歇性被海水淹沒(méi)的草本植被，一般分布于溫帶至亞熱帶河口或海岸（牛振國(guó) 等，2012）。鹽沼植被是地球上最具價(jià)值的生態(tài)系統(tǒng)之一，提供了諸如促淤護(hù)岸、營(yíng)養(yǎng)循環(huán)、廢污凈化、生物庇護(hù)等多種生態(tài)功能（Minello 等，2012）。然而，近些年來(lái)全球氣候變化及人類(lèi)活動(dòng)影響導(dǎo)致了鹽沼植被處于持續(xù)演替和消亡之中（侯西勇 等，2018）。例如，作為海岸帶空間資源利用主要方式，中國(guó)近20 年灘涂圍墾面積逾2800 km2，直接或間接導(dǎo)致自然濕地面積銳減（王宗明 等，2009；毛德華 等，2016；Li 等，2020）。此外，外來(lái)物種入侵也使得本土鹽沼植被的生存空間不斷減少（張健 等，2019）。自1979年引入外來(lái)物種互花米草以來(lái)，其在中國(guó)海岸帶上擴(kuò)張超過(guò)340 km2（Zuo 等，2012），由于其較高適應(yīng)性和繁殖性，互花米草與中國(guó)本土鹽沼植被激烈競(jìng)爭(zhēng)，不斷改變著海岸帶整體景觀格局（孫超 等，2015）。因此，及時(shí)、準(zhǔn)確監(jiān)測(cè)鹽沼植被的物種組成和空間分布對(duì)于合理高效開(kāi)發(fā)利用海岸帶資源，推動(dòng)海岸帶高質(zhì)量建設(shè)具有重要意義。

相比抵近困難、成本高昂的實(shí)地調(diào)查，遙感憑借覆蓋范圍大、可重復(fù)性觀測(cè)等優(yōu)勢(shì)日益成為海岸帶資源調(diào)查的主要方式（李清泉 等，2016）。不同種類(lèi)的光譜特征差異或者物候特征差異使得通過(guò)遙感影像分類(lèi)成為可能（Sun 等，2020；劉瑞清 等，2021）。早期研究多采用單一時(shí)相影像監(jiān)督分類(lèi)方式識(shí)別鹽沼植被（李婧 等，2006；侯西勇和徐新良，2011）。但是由于“同物異譜，異物同譜”現(xiàn)象，采用中等空間分辨率光學(xué)影像分類(lèi)效果并不理想。而后，部分研究采用高空間或高光譜分辨率影像分類(lèi)鹽沼植被，在很大程度上保證了分類(lèi)精度（程乾 等，2016；李喆 等，2016；任廣波 等，2015）。但由于影像成本較高、獲取困難，以上方式僅適用于小范圍的鹽沼植被調(diào)查，很難用于大范圍鹽沼植被監(jiān)測(cè)。

隨著多源遙感影像不斷積累，部分學(xué)者開(kāi)始嘗試構(gòu)建時(shí)間序列方法進(jìn)行海岸帶資源遙感監(jiān)測(cè)（陳高 等，2022；Ai等，2017；Hu 等，2021；Sun等，2016）。起初，時(shí)間序列構(gòu)建主要圍繞高時(shí)間分辨率的遙感影像（MODIS NDVI/EVI、SPOT VGT等）開(kāi)展（Zhao 等，2009；李加林，2006）。然而，彼時(shí)高時(shí)間分辨率影像的空間分辨率較低，很難適用于空間分布范圍狹長(zhǎng)且異質(zhì)性較強(qiáng)的鹽沼植被區(qū)域。近些年，學(xué)者們逐漸利用空間分辨率與時(shí)間分辨率較于前者有所提升的影像構(gòu)建時(shí)間序列，探討鹽沼植被分類(lèi)可能性。例如，Sun 等（2016）采用HJ-1影像（時(shí)間分辨率：2 d）構(gòu)建月度NDVI時(shí)間序列來(lái)對(duì)鹽沼植被識(shí)別與分類(lèi)。Ai等（2017）采用構(gòu)建GF-1 影像（時(shí)間分辨率：4 d）時(shí)間序列對(duì)長(zhǎng)江口濱海濕地的互花米草制圖。Hu 等（2021）采用Sentinel-1 影像（時(shí)間分辨率：12 d）構(gòu)建時(shí)間序列數(shù)據(jù)繪制分辨率為10 m 的中國(guó)沿海濕地植被分布圖。劉瑞清等（2021）結(jié)合Sentinel-2（時(shí)間分辨率：2 d）時(shí)間序列和植被物候特征，進(jìn)行了鹽城濱海濕地植被精細(xì)分類(lèi)。Li 等（2019）采用了Sentinel-2 影像構(gòu)建的時(shí)間序列模型進(jìn)行了紅樹(shù)林分布制圖。值得注意地是，部分時(shí)間序列方法通過(guò)挑選整景無(wú)云覆蓋影像構(gòu)建（稱(chēng)為影像級(jí)時(shí)間序列），由于海岸帶云雨天氣出現(xiàn)的隨機(jī)性，上述方式在特定時(shí)期的適用性是否具備向其他時(shí)期擴(kuò)展存在一定不確定性。

考慮到長(zhǎng)時(shí)期變化監(jiān)測(cè)，Landsat 系列衛(wèi)星自1972 年運(yùn)行以來(lái)，提供了半個(gè)世紀(jì)的對(duì)地觀測(cè)數(shù)據(jù)，具備持久的對(duì)地觀測(cè)周期和廣泛的應(yīng)用基礎(chǔ)（Zhu 等，2019）。此外，在1999 年后，Landsat 系列衛(wèi)星雙星同時(shí)運(yùn)行（TM 和ETM+，ETM+和OLI）也使得對(duì)地觀測(cè)的時(shí)間分辨率由16 d 提高為8 d（Jones 等，2013）。然而，海岸帶云雨天氣頻發(fā)，加之ETM+的條帶現(xiàn)象，導(dǎo)致特定時(shí)期收集足夠的無(wú)云覆蓋影像仍較為困難。因此，研究嘗試收集全部影像，通過(guò)云掩膜數(shù)據(jù)（Zhu 和Woodcock，2012）逐像元甄別每景影像中無(wú)云覆蓋的有效信息，構(gòu)建一種像元級(jí)時(shí)間序列。在此基礎(chǔ)上，探討像元級(jí)時(shí)間序列方式對(duì)鹽沼植被精細(xì)識(shí)別的適用性和穩(wěn)定性，以期服務(wù)于海岸帶鹽沼植被長(zhǎng)時(shí)期、大范圍動(dòng)態(tài)監(jiān)測(cè)工作。

2 研究區(qū)與數(shù)據(jù)源

2.1 研究區(qū)

研究區(qū)來(lái)自長(zhǎng)三角典型濱海濕地區(qū)域，包括江蘇省丹頂鶴自然保護(hù)區(qū)、上海市九段沙濕地以及浙江省杭州灣南岸濕地3塊。

丹頂鶴自然保護(hù)區(qū)（33°30'N—33°39'N，120°30'E—120°41'E）位于江蘇省鹽城市斗龍港與新洋港之間海岸（圖1），被認(rèn)為是中國(guó)保留較為完好的鹽沼濕地之一。1194 年—1855 年古黃河在江蘇入海，為該區(qū)域帶來(lái)了大量的沉積物，現(xiàn)今形成了寬廣的淤泥質(zhì)海岸。該區(qū)域本土鹽沼植被主要包括白茅、蘆葦、堿蓬等。外來(lái)物種互花米草自1979 年被引入后迅速蔓延成為該區(qū)域又一主要鹽沼植被類(lèi)型（孫賢斌和劉紅玉，2010；左平 等，2012）。

圖1 研究區(qū)地理位置及其鹽沼植被樣本分布Fig.1 Distribution of study sites and salt marsh vegetation samples

九段沙濕地（31°03'N—31°17'N，121°46'E—122°15'E）位于長(zhǎng)江河口外南北兩槽中（圖1），由長(zhǎng)江入海攜帶的泥沙不斷堆積而迅速發(fā)育擴(kuò)大。該區(qū)域的本土鹽沼植被主要包括蘆葦和海三棱藨草（田波 等，2008）。1990 年代后上海市開(kāi)展生態(tài)工程，在九段沙濕地栽種互花米草，而后互花米草快速擴(kuò)張與本土物種激烈競(jìng)爭(zhēng)，取代部分海三棱藨草和蘆葦（黃華梅 等，2007）。

杭州灣南岸濕地（29°91'N—30°45'N，121°4'E—121°18'E）位于浙江省寧波市北岸（圖1），屬于中國(guó)八大鹽堿濕地之一。該區(qū)域地處河流和海洋的交匯區(qū)，持續(xù)的沉積物輸入使得潮間帶發(fā)育優(yōu)良，其上廣泛分布著蘆葦、海三棱藨草和互花米草等鹽沼植被（李俠 等，2007）。此外，杭州灣南岸濕地灘涂圍墾頻發(fā)，灘涂圍墾導(dǎo)致鹽沼植被群落結(jié)構(gòu)和景觀處于不斷變化之中。

2.2 數(shù)據(jù)集

研究使用的遙感影像數(shù)據(jù)包括Landsat 7 ETM+和Landsat 8 OLI，通過(guò)美國(guó)地質(zhì)調(diào)查局USGS EarthExplorer 網(wǎng) 站（https://earthexplorer.usgs.gov/［2022-09-08］）下載。我們下載覆蓋3 塊研究區(qū)2018 年和2019 年全部Landsat Collection 2 Level-2（C2L2）影像產(chǎn)品共計(jì)271 景，其中，丹頂鶴自然保護(hù)區(qū)（119/37）91 景（2018 年45 景，2019 年46景），九段沙濕地（118/38）90景（2018年45景，2019年45景），杭州灣濕地（118/39）90景（2018年45 景，2019 年45 景）。C2L2 影像產(chǎn)品提供了經(jīng)過(guò)幾何校正、輻射定標(biāo)、大氣校正等預(yù)處理后的地表反射率數(shù)據(jù)，同時(shí)提供了質(zhì)量評(píng)估QA（Quality Assessment）波段可用于逐像元評(píng)估成像質(zhì)量狀況。在研究中，2018 年的影像產(chǎn)品主要用于建立時(shí)間序列分類(lèi)方法，進(jìn)行鹽沼植被分類(lèi)和精度驗(yàn)證；2019 年的影像產(chǎn)品主要用于分類(lèi)方法穩(wěn)定性和可移植性評(píng)估。

研究使用的樣本數(shù)據(jù)通過(guò)野外實(shí)測(cè)、無(wú)人機(jī)遙測(cè)和Google Earth 目視解譯3 種方法獲得，共計(jì)1493 個(gè)（Sun 等，2021）。野外實(shí)測(cè)于2018 年4 月6 日至11 月29 日開(kāi)展，總共調(diào)研15 次（3 個(gè)研究區(qū)各5 次），主要調(diào)查鹽沼植被分布，選取對(duì)應(yīng)地面范圍超過(guò)60 m×60 m 的、單一植被類(lèi)型覆蓋的樣本區(qū)域記錄，共獲取實(shí)測(cè)樣本點(diǎn)166個(gè)。在實(shí)地調(diào)查的同時(shí)（2018 年4 月6 日至11 月29 日）進(jìn)行無(wú)人機(jī)遙測(cè)，以獲得抵近困難地區(qū)鹽沼植被分布信息，利用大疆無(wú)人機(jī)（型號(hào)：DJI M600），在航高50 m的條件下獲得樣本點(diǎn)369個(gè)。由于野外實(shí)測(cè)和無(wú)人機(jī)遙測(cè)收集的樣本有限，研究另通過(guò)Google Earth 目視解譯獲取額外樣本。研究共選取4 景Google Earth 歷史快視圖——2018 年5 月4 日位于丹頂鶴自然保護(hù)區(qū)，2018 年4 月30 日—7 月13 日位于九段沙濕地，2018 年3 月13 日位于杭州灣南岸濕地，共解譯樣本點(diǎn)958 個(gè)。以上樣本通過(guò)ArcGIS 軟件中Random Points 工具隨機(jī)生成，在樣本解譯過(guò)程中，除了鹽沼植被外，加入了灘涂和水體樣本以保證后續(xù)鹽沼植被分類(lèi)體系完整。最終，研究獲取丹頂鶴自然保護(hù)區(qū)樣本595個(gè)、九段沙濕地樣本444 個(gè)、杭州灣南岸濕地樣本454 個(gè)（圖1）。各區(qū)域的樣本點(diǎn)均分，一半用于模型訓(xùn)練，一半用于模型測(cè)試（圖1）。

3 研究方法

研究區(qū)內(nèi)不同類(lèi)型鹽沼植被具有明顯的物候差異，例如，蘆葦?shù)纳L(zhǎng)期更早，互花米草的衰亡期更晚，海三棱藨草的物候峰值更低等，相關(guān)內(nèi)容已在前期研究中詳細(xì)論述（Sun 等，2016，2020；劉瑞清 等，2021）。本研究更加關(guān)注如何充分利用可用影像信息，構(gòu)建像元級(jí)的時(shí)間序列的鹽沼植被分類(lèi)模型，總體思路如圖2 所示。首先，相對(duì)定標(biāo)多源影像，減少地表反射率差異，為高質(zhì)量構(gòu)建時(shí)間序列奠定基礎(chǔ)；其次，逐影像篩選可用像元，構(gòu)建像元級(jí)時(shí)間序列模型，保證時(shí)間序列觀測(cè)數(shù)量；最后，構(gòu)建XGBoost分類(lèi)模型，充分應(yīng)對(duì)像元級(jí)時(shí)間序列稀疏、不對(duì)等的特性，獲取鹽沼植被空間分布。

圖2 基于Landsat像元級(jí)時(shí)間序列鹽沼植被分類(lèi)流程Fig.2 Flow chart of salt marsh classification mapping using the pixel-level based time-series constructed by Landsat imagery

3.1 多源影像相對(duì)定標(biāo)

Landsat 8 OLI 在大氣校準(zhǔn)與信噪比方面的改進(jìn)、在輻射分辨率與光譜波段配置方面的優(yōu)化，使其與Landsat 7 ETM+存在一定差異。因此，研究參照Roy等（2016）提出的波段相對(duì)定標(biāo)參數(shù)，將ETM+地表反射率與OLI 地表反射率配準(zhǔn)。為了規(guī)避春秋兩季植被物候快速變化的影響，Roy等選取了位于夏冬兩季的、時(shí)間間隔僅為1 d 的Landsat 8 OLI 和Landsat 7 ETM+影像對(duì)，采用普通最小二乘回歸法建立了該定標(biāo)模型。由于該定標(biāo)模型效果好、魯棒性高的特點(diǎn)，近些年在多源Landsat 影像定標(biāo)工作中已被廣泛應(yīng)用（Liu 等，2020；Reiche等，2018；Zhu，2017）。

3.2 像元級(jí)時(shí)間序列構(gòu)建

研究采用Jiang 等（2008）提出的基于紅光和近紅波段的EVI 指數(shù)計(jì)算方法，即EVI2（Enhanced Vegetation Index 2）。相較于常用的歸一化差異植被指數(shù)NDVI，EVI2 充分考慮了大氣噪聲、土壤背景、數(shù)值飽和等問(wèn)題，能夠更好地反映出鹽沼植被生長(zhǎng)狀況的差異。基于相對(duì)定標(biāo)后的Landsat影像產(chǎn)品，EVI2計(jì)算公式如式（1）所示：

式中，ρnir和ρred分別為近紅外波段和紅光波段的地表反射率。

研究利用QA 波段篩選EVI2 影像中的有效像元。QA 波段像元與影像數(shù)據(jù)像元一一對(duì)應(yīng)，每一像元用2 字節(jié)16 位詳盡表示對(duì)應(yīng)影像數(shù)據(jù)像元成像時(shí)的地表、大氣和傳感器狀況。由于原始QA 波段信息記錄較為復(fù)雜，研究利用USGS 提供的Quality Assessment Tool 工具（Jones 等，2013）對(duì)原始QA 波段解碼，直觀表達(dá)成像質(zhì)量情況。解碼后的QA 波段以整型數(shù)值0—5 分別對(duì)應(yīng)填充、清晰、水體、云、雪和云陰影情況。研究將數(shù)值對(duì)應(yīng)3—5 的EVI2 像元剔除，規(guī)避云（雪）覆蓋的影響；考慮到填充像元多對(duì)應(yīng)Landsat 7 ETM+條帶區(qū)域，研究也將數(shù)值對(duì)應(yīng)0 的EVI2 像元剔除。即僅將解碼后QA 波段數(shù)值對(duì)應(yīng)為1 和2 的EVI2 像元視為有效觀測(cè)予以保留。

在此基礎(chǔ)上，按照影像成像時(shí)間先后順序?qū)VI2 影像排序構(gòu)建像元級(jí)時(shí)間序列。相比于影像級(jí)時(shí)間序列，研究提出的像元級(jí)時(shí)間序列顯著提高了有效觀測(cè)數(shù)量（圖3）。例如，在2018 年構(gòu)建的像元級(jí)時(shí)間序列中，丹頂鶴自然保護(hù)區(qū)、九段沙濕地和杭州灣南岸濕地的平均有效觀測(cè)數(shù)量為18.7 次、15.0 次和11.4 次，2—3 倍多于影像級(jí)時(shí)間序列（8 次、5 次和5 次）（圖3）。更為重要地是，像元級(jí)時(shí)間序列中有效觀測(cè)數(shù)量的季節(jié)性分布較為均衡，而不像影像級(jí)時(shí)間序列中有效觀測(cè)數(shù)量季節(jié)性波動(dòng)巨大，這也有利于保證像元級(jí)時(shí)間序列應(yīng)用的穩(wěn)定性。需要注意的是，盡管像元級(jí)時(shí)間序列提高了有效觀測(cè)數(shù)量，但是各個(gè)研究區(qū)平均有效觀測(cè)數(shù)量仍明顯少于總體觀測(cè)數(shù)量（365/8≈45 次）的一半（尤其是杭州灣南岸濕地僅為總體觀測(cè)數(shù)量的1/4），即像元級(jí)時(shí)間序列是稀疏的。此外，由于海岸帶區(qū)域云雨覆蓋和潮水淹沒(méi)的隨機(jī)性，導(dǎo)致像元級(jí)影像時(shí)間序列像元間的有效觀測(cè)分布不對(duì)應(yīng)，數(shù)量也不相等，即像元級(jí)時(shí)間序列存在非對(duì)等性。這種稀疏、非對(duì)等的像元級(jí)時(shí)間序列對(duì)后續(xù)的分類(lèi)算法提出了較高要求。

圖3 2018年基于像元級(jí)時(shí)間序列的有效觀測(cè)空間分布及其按季度統(tǒng)計(jì)的有效觀測(cè)數(shù)量Fig.3 Spatial distribution and seasonal statistics of the number of the valid observations from pixel-level based time-series in 2018

3.3 XGBoost分類(lèi)

研究利用XGBoost（極限梯度提升）算法進(jìn)行像元級(jí)時(shí)間序列分類(lèi)。XGBoost 算法由Chen 和Guestrin（2016）提出，本質(zhì)為梯度提升決策樹(shù)，利用貪婪算法與近似算法確定樹(shù)模型。具體來(lái)說(shuō)，在XGBoost算法建樹(shù)時(shí)，首先計(jì)算真實(shí)值和預(yù)測(cè)值的差值——?dú)埐钪担≧esiduals）。在此過(guò)程中，真實(shí)值已知，預(yù)測(cè)值則由XGBoost算法通過(guò)遍歷樣本優(yōu)化給定。依據(jù)不同分割點(diǎn)的殘差值測(cè)算每個(gè)根節(jié)點(diǎn)與其所含葉子節(jié)點(diǎn)的相似度（Similarity Scores），以各葉子節(jié)點(diǎn)相似度之和與該根節(jié)點(diǎn)相似度的差異定義收益值（Gain）。最終，XGBoost算法以收益最大的分割點(diǎn)建立葉子節(jié)點(diǎn)，以此迭代進(jìn)行模型樹(shù)生長(zhǎng)。由于具備運(yùn)算高效、靈活性強(qiáng)、預(yù)測(cè)精準(zhǔn)、便于并行計(jì)算等特點(diǎn)，近些年XGBoost 算法在地理信息挖掘、圖像模式識(shí)別領(lǐng)域得到廣泛應(yīng)用（Liang等，2022；Tian等，2022）。

XGBoost 算法的突出優(yōu)點(diǎn)是針對(duì)樣本數(shù)據(jù)缺失現(xiàn)象開(kāi)發(fā)的稀疏感知分裂查找算法。在訓(xùn)練階段，在確定某一特征最佳分裂點(diǎn)時(shí)，XGBoost 算法將數(shù)據(jù)完整與數(shù)據(jù)缺失記錄分離，首先遍歷對(duì)應(yīng)特征數(shù)據(jù)完整的樣本，保證分裂準(zhǔn)確并減少計(jì)算開(kāi)銷(xiāo)。對(duì)于數(shù)據(jù)完整的樣本，算法將數(shù)值大小進(jìn)行順序排列，將相鄰順序數(shù)值的均值作為不同分割點(diǎn)，并將數(shù)據(jù)完整樣本的殘差值分別放至根節(jié)點(diǎn)左右兩側(cè)葉子節(jié)點(diǎn)中。在此基礎(chǔ)上，由于XGBoost算法的初始類(lèi)型預(yù)測(cè)值已知，缺失數(shù)據(jù)類(lèi)型真實(shí)值已知，可得到缺失數(shù)據(jù)樣本的殘差值。進(jìn)一步，將缺失數(shù)據(jù)樣本的殘差值分別放入左右兩側(cè)葉子節(jié)點(diǎn)中，計(jì)算不同分割點(diǎn)下，左右葉子節(jié)點(diǎn)獲得的最大收益，選取收益最大時(shí)分割點(diǎn)并確定對(duì)應(yīng)特征缺失數(shù)據(jù)時(shí)的默認(rèn)方向（圖4）。在預(yù)測(cè)階段，對(duì)于某一特征數(shù)據(jù)缺失樣本，若對(duì)應(yīng)特征在訓(xùn)練階段出現(xiàn)缺失值，則按照訓(xùn)練階段確定的默認(rèn)分配方向進(jìn)行劃分；若對(duì)應(yīng)特征在訓(xùn)練階段沒(méi)有出現(xiàn)缺失值，則將其劃分到左子樹(shù)方向（XGBoost 算法默認(rèn)值），以此解決樣本數(shù)據(jù)缺失問(wèn)題。XGBoost 算法有效解決了常規(guī)距離度量算法（如K鄰近、支持向量機(jī)）難以用于缺失值分類(lèi)的問(wèn)題（Song和Yu，2021；Xi等，2018；Zhang等，2020）；同時(shí)，相比于采用中位數(shù)替換（或加權(quán)替換）方式處理缺失值的隨機(jī)森林算法，XGBoost 算法預(yù)測(cè)準(zhǔn)確且運(yùn)算高效（Van Beijma等，2014）。

圖4 XGBoost算法處理缺失數(shù)據(jù)策略Fig.4 The process of XGBoost algorithm dealing with missing data

研究調(diào)用Python 中的XGBoost 程序包實(shí)現(xiàn)像元級(jí)時(shí)間序列鹽沼植被分類(lèi)。具體參數(shù)設(shè)定如下：分類(lèi)模型為歸一化指數(shù)函數(shù)（softmax），分類(lèi)數(shù)為各個(gè)區(qū)域的分類(lèi)數(shù)量，建樹(shù)迭代步長(zhǎng)（eta）為0.1，隨機(jī)采樣的比例為0.5%—50%的樣本數(shù)據(jù)用于訓(xùn)練，剩下50%的樣本數(shù)據(jù)用于精度驗(yàn)證?？紤]到不同采樣對(duì)分類(lèi)結(jié)果的影響，研究重復(fù)隨機(jī)采樣100 次，以分類(lèi)精度與100 次隨機(jī)采樣平均精度接近的分類(lèi)模型計(jì)算混淆矩陣，以公正評(píng)估分類(lèi)結(jié)果。除此之外，其他參數(shù)（如gamma、max_depth、subsample、colsample_bytree）均參考文檔的默認(rèn)值設(shè)置。

4 結(jié)果

4.1 定標(biāo)效果分析

研究選取了冬季（12 月—次年2 月）成像時(shí)間相差8 d 的無(wú)云覆蓋Landsat 7 ETM+和Landsat 8 OLI影像對(duì)，比較定標(biāo)前后影像對(duì)的各個(gè)波段（藍(lán)光、綠光、紅光、近紅外、短波紅外1和短波紅外2）和EVI2 在各類(lèi)鹽沼植被樣本上（若樣本落入Landsat 7 ETM+條帶中則剔除不予統(tǒng)計(jì)）的差異。研究認(rèn)為在冬季鹽沼植被多已衰老枯萎，在8 d 內(nèi)影像對(duì)各個(gè)波段和EVI2的數(shù)值差異應(yīng)該盡可能小，以此度量多源影像定標(biāo)效果。圖5展示了在每一個(gè)波段（包括EVI2 指數(shù)在內(nèi)共7 個(gè)）各鹽沼植被的波段反射率差異。對(duì)于互花米草、堿蓬、蘆葦和海三棱藨草，定標(biāo)后所有波段的平均絕對(duì)值差異都有所減?。▓D5），尤其在近紅外波段：互花米草、堿蓬、蘆葦、海三棱藨草的平均絕對(duì)值差異分別減小了0.78×10-2、1.43×10-2、1.3×10-2、0.56×10-2（圖5）。對(duì)于白茅，定標(biāo)后在藍(lán)光、近紅外、短波紅外1 和短波紅外2 波段的平均絕對(duì)值差異減小（平均減小0.68×10-2），但在綠光和紅光波段的平均絕對(duì)值差異增大（圖5）。進(jìn)一步分析發(fā)現(xiàn)，在影像對(duì)中白茅集中分布的位置出現(xiàn)了QA 波段檢測(cè)出錯(cuò)的薄云，可能是導(dǎo)致定標(biāo)前后平均絕對(duì)值差異波動(dòng)的原因。盡管如此，在用于像元級(jí)時(shí)間序列構(gòu)建EVI2 上，各類(lèi)鹽沼植被定標(biāo)后的平均絕對(duì)值差異下降明顯——蘆葦減小了0.032，海三棱藨草減小了0.024，白茅減小了0.021，互花米草與堿蓬均減小了0.016（圖5）。這表明了，進(jìn)行Landsat 7 ETM+和Landsat 8 OLI 定標(biāo)較為必要，能夠保證Landsat 系列數(shù)據(jù)構(gòu)建的時(shí)間序列在數(shù)值上接近、可比。

圖5 相對(duì)定標(biāo)前后各個(gè)波段和EVI2指數(shù)在鹽沼植被上差異比較Fig.5 Comparison of the differences on each spectral band and EVI2 for salt marsh vegetation before and after inter-calibration

4.2 分類(lèi)結(jié)果與精度評(píng)價(jià)

2018 年基于像元級(jí)時(shí)間序列鹽沼植被分類(lèi)結(jié)果如圖6所示。目視觀察發(fā)現(xiàn)，分類(lèi)結(jié)果與樣本數(shù)據(jù)較為一致，并且分類(lèi)結(jié)果展現(xiàn)的鹽沼植被分布的與其生態(tài)位理論高度吻合，表現(xiàn)出由陸向海的蘆葦（茅草）—堿蓬—互花米草—海三棱藨草地帶分布特征（圖6（a）Ⅰ、6（b）Ⅰ、6（c）Ⅰ）。定量來(lái)看，研究區(qū)總體精度平均為81.50%，Kappa 系數(shù)平均為0.758（表1）。丹頂鶴自然保護(hù)區(qū)分類(lèi)精度最高（總體精度為83.22%，Kappa系數(shù)為0.782，表1）；九段沙濕地其次（總體精度為81.53%，Kappa 系數(shù)為0.754，表2）；杭州灣南岸濕地最低（總體精度為79.74%，Kappa系數(shù)為0.738，表3）。

表1 丹頂鶴自然保護(hù)區(qū)混淆矩陣及精度Table 1 Confusion matrix and accuracy analysis of Red-crowned Crane Nature Reserve

表2 九段沙濕地混淆矩陣及精度Table 2 Confusion matrix and accuracy analysis of Jiuduansha Wetland

表3 杭州灣南岸濕地混淆矩陣及精度Table 3 Confusion matrix and accuracy analysis of Southern Coastal Wetland Hangzhou Bay

圖6 基于像元級(jí)時(shí)間序列2018年鹽沼植被分類(lèi)結(jié)果Fig.6 Classification mapping of salt marsh vegetation in 2018 using pixel-level based time-series method

具體到各類(lèi)鹽沼植被，互花米草分類(lèi)效果較好（圖6（a）Ⅱ、（a）Ⅲ、（b）Ⅱ、（b）Ⅲ、（c）Ⅱ、（c）Ⅲ），除杭州灣南岸濕地外，在各個(gè)研究區(qū)的生產(chǎn)者精度和使用者精度均接近90%以上，平均精度（生產(chǎn)者和使用者精度均值）可達(dá)86.75%。其次是海三棱藨草（圖6（b）Ⅱ、（b）Ⅲ、（c）Ⅱ、（c）Ⅲ），除在杭州灣南岸濕地的使用者精度較低（表3）以外，生產(chǎn)者精度和使用者精度也維持在80%以上，平均精度可達(dá)84.35%。盡管蘆葦?shù)钠骄纫草^高（84.03%），但生產(chǎn)者與使用者精度波動(dòng)較大，出現(xiàn)高值低值交替情況（表1）。這是由于蘆葦在各個(gè)研究區(qū)與不同地物存在混淆——在丹頂鶴自然保護(hù)區(qū)，與堿蓬和水體混淆（圖6（a）Ⅳ）導(dǎo)致了較低使用者精度（79.57%）；在九段沙濕地，與灘涂和水體混淆（圖6（b）Ⅳ、（b）Ⅴ）導(dǎo)致了較低生產(chǎn)者精度（75.86%）。類(lèi)似情況也出現(xiàn)在茅草和堿蓬上（圖6（a）Ⅴ）導(dǎo)致兩者精度低、波動(dòng)大（表1）?？傮w上，對(duì)于各類(lèi)鹽沼植被，平均精度均在83.58%，說(shuō)明基于像元級(jí)時(shí)間序列分類(lèi)效果較好。需要注意地是，分類(lèi)中的生產(chǎn)者精度和使用者精度的低值往往來(lái)源于灘涂和水體，例如，九段沙濕地水體的生產(chǎn)者精度僅為43.48%，灘涂的使用者精度僅為56.52%（表2）。若將灘涂和水體因素排除，鹽沼植被分類(lèi)的總體平均精度有望進(jìn)一步提高88.70%。

4.3 分類(lèi)穩(wěn)定性分析

研究將像元級(jí)時(shí)間序列分類(lèi)方法用于2019 年的Landsat 影像，對(duì)比總體精度差異以檢驗(yàn)方法的穩(wěn)定性。我們采用的分類(lèi)算法、樣本點(diǎn)位置與2018 年保持一致，但在2019 年樣本點(diǎn)的鹽沼植被類(lèi)型通過(guò)結(jié)合Google Earth 高清歷史快視圖校驗(yàn)，重新標(biāo)注類(lèi)型發(fā)生變化的樣本點(diǎn)。在100次隨機(jī)重復(fù)實(shí)驗(yàn)中，每次將相同訓(xùn)練和驗(yàn)證樣本選擇方案用于2018 年和2019 年鹽沼植被分類(lèi)和總體精度計(jì)算，統(tǒng)計(jì)兩年分類(lèi)精度差異的分布。同時(shí)，研究利用相同樣本選擇方案分類(lèi)兩年同一月份的無(wú)云Landsat 影像，比較單一時(shí)相分類(lèi)方法與像元級(jí)時(shí)間序列分類(lèi)方法的精度與穩(wěn)定性（圖7）。

圖7 基于像元級(jí)時(shí)間序列與基于單景影像的分類(lèi)精度與穩(wěn)定性對(duì)比Fig.7 Comparison on accuracy and stability between pixel-level time-series based classifications and single-phase based classifications

在丹頂鶴自然保護(hù)區(qū)，5 組單一時(shí)相分類(lèi)方法的絕對(duì)差異均值介于2.50%—9.83%，均高于像元級(jí)時(shí)間序列分類(lèi)方法的絕對(duì)差異均值2.43%（圖7）。同時(shí)，像元級(jí)時(shí)間序列分類(lèi)（2018 年、2019 年）平均總體精度達(dá)到82.36%，相比單一時(shí)相分類(lèi)平均精度（介于66.54%—72.12%）提升明顯。在九段沙濕地，像元級(jí)時(shí)間序列分類(lèi)方法的絕對(duì)差異均值為3.88%，除了略高于1 月份的單一時(shí)相分類(lèi)方法的絕對(duì)差異均值（2.51%）外，均低于其他月份的絕對(duì)差異均值（圖7）。1月份的單一時(shí)相分類(lèi)方法的絕對(duì)差異均值較小主要由于成像時(shí)間位于冬季且較為接近（僅為3 d）。然而，由于鹽沼植被多已衰老枯萎，這一時(shí)期并不適合鹽沼植被分類(lèi)，平均總體精度僅為59.20%。類(lèi)似情況也發(fā)生在杭州灣南岸濕地，像元級(jí)時(shí)間序列分類(lèi)方法的絕對(duì)差異均值為3.58%，除略高于1 月份外，均低于其他月份單一時(shí)相分類(lèi)方法的絕對(duì)差異均值（圖7）?？傮w上，像元級(jí)時(shí)間序列方法在2018 年和2019 年的分類(lèi)絕對(duì)差異均值在3.88%以下，且波動(dòng)變化較小，有望擴(kuò)展應(yīng)用于其他年份Landsat影像上，實(shí)現(xiàn)鹽沼植被長(zhǎng)時(shí)期動(dòng)態(tài)監(jiān)測(cè)。

5 討論

5.1 分類(lèi)結(jié)果誤差來(lái)源

不同于單一時(shí)相分類(lèi)方法，采用像元級(jí)時(shí)間序列方法的分類(lèi)結(jié)果優(yōu)劣往往受控于研究時(shí)期內(nèi)分類(lèi)對(duì)象的穩(wěn)定性——若在研究時(shí)期內(nèi)物種組成與分布較為穩(wěn)定，則分類(lèi)精度較高，反之精度較低。鹽沼植被演替現(xiàn)象為像元級(jí)時(shí)間序列分類(lèi)帶來(lái)了困難。（1）不同鹽沼植被交界處是分類(lèi)錯(cuò)誤的高發(fā)區(qū)。野外調(diào)查發(fā)現(xiàn)，由于蘆葦與堿蓬的生態(tài)位接近，秋末部分蘆葦種子落入堿蓬群落中并在次年春季陸續(xù)發(fā)芽生長(zhǎng)。新生蘆葦植被高度和植株覆蓋度較低，導(dǎo)致像元級(jí)時(shí)間序列數(shù)值偏低，分類(lèi)中易與堿蓬混淆（圖6（a）Ⅳ）。（2）新增墾區(qū)內(nèi)也是鹽沼植被更替變化的多發(fā)區(qū)。新建海堤阻斷了潮汐作用，致使堤內(nèi)灘涂干涸，通過(guò)自然降雨和人工引渠等作用下底質(zhì)脫鹽，促使墾區(qū)鹽沼植快速向潮上帶甚至淡水植被轉(zhuǎn)變（Portnoy 和Valiela，1997；Rozema 等，1985）。這也是杭州灣南岸濕地墾區(qū)內(nèi)鹽沼植被混分嚴(yán)重的主要原因（圖6（c）Ⅳ、（b）Ⅴ）。（3）形態(tài)多變的潮溝系統(tǒng)亦為鹽沼植被分類(lèi)增加了難度。潮溝系統(tǒng)的頻繁擺動(dòng)、旁向侵蝕等活動(dòng)導(dǎo)致了潮溝及附近灘面極不穩(wěn)定。由于潮溝頻繁擺動(dòng)，在前一次觀測(cè)中鹽沼植被可能在下一次觀測(cè)中變?yōu)闉┩炕蚝Ｋ?。另外，潮溝周?chē)喑霈F(xiàn)鹽沼植被與灘涂、海水組成的混合像元，使得潮溝周邊區(qū)域成為像元級(jí)時(shí)間序列分類(lèi)的困難區(qū)域。研究中的灘涂和海水樣本多選取潮溝周邊區(qū)域，因而導(dǎo)致了灘涂和水體分類(lèi)精度較低（表1）。

5.2 有效觀測(cè)對(duì)分類(lèi)結(jié)果的影響

緯度差異往往伴隨著氣候差異，進(jìn)而影響有遙感觀測(cè)的數(shù)量和分布。相較于中國(guó)北方沿海區(qū)域，中國(guó)南方海岸夏秋兩季云雨天氣更為頻繁，而夏秋兩季又被認(rèn)為是能夠體現(xiàn)鹽沼植被生長(zhǎng)狀態(tài)差異的重要季節(jié)（Li 等，2010；Liu 等，2013；Xiao 等，2018）。若僅采用無(wú)云影像進(jìn)行時(shí)間序列構(gòu)建，在3塊研究區(qū)都將會(huì)缺失重要季節(jié)（丹頂鶴自然保護(hù)區(qū)：夏季；九段沙和杭州灣南岸濕地：秋季；圖3），從而使得分類(lèi)精度難以保證。利用像元級(jí)時(shí)間序列方法在很大程度上彌補(bǔ)了這一問(wèn)題，使得夏秋兩季的有效觀測(cè)數(shù)量得以保證。但從全年來(lái)看，像元級(jí)時(shí)間序列在2018 年的有效觀測(cè)數(shù)量仍表現(xiàn)出由北至南逐漸減小的趨勢(shì)，由18.7 次下降到15.0 次，再降至11.4 次。與之對(duì)應(yīng)地，基于像元級(jí)時(shí)間序列方法的鹽沼植被分類(lèi)精度和穩(wěn)定性由北至南也在不斷減小——總體精度由83.22%下降至79.74%（表1），精度差異也存在1%左右的差距（圖7）?？梢?jiàn)，對(duì)于像元級(jí)時(shí)間序列而言，保證一定數(shù)量的有效觀測(cè)仍然具有意義，這也說(shuō)明了研究通過(guò)多源Landsat 影像定標(biāo)協(xié)同提升有效觀測(cè)數(shù)量的必要性。對(duì)比丹頂鶴自然保護(hù)區(qū)和杭州灣南岸濕地，盡管有效觀測(cè)數(shù)量下降明顯（7.3 次），但分類(lèi)總體精度卻降幅不大（3.48%），說(shuō)明杭州灣南岸濕地的有效觀測(cè)數(shù)量能夠滿足像元級(jí)時(shí)間序列方法。隨著有效觀測(cè)數(shù)量繼續(xù)降低，研究認(rèn)為可能存在使得分類(lèi)總體精度陡然下降的臨界點(diǎn)。發(fā)現(xiàn)有效觀測(cè)數(shù)量的臨界點(diǎn)，以此判斷某一區(qū)域或時(shí)期是否具備利用像元級(jí)時(shí)間序列進(jìn)行鹽沼植被分類(lèi)的條件，可以作為后續(xù)研究的方向。

6 結(jié)論

本研究以長(zhǎng)三角典型濕地區(qū)域?yàn)槔?，通過(guò)對(duì)多源Landsat 影像進(jìn)行反射率定標(biāo)配準(zhǔn)，構(gòu)建了Landsat 影像的像元級(jí)時(shí)間序列，并精細(xì)分類(lèi)研究區(qū)的5種鹽沼植被，所得結(jié)論如下：（1）通過(guò)相對(duì)定標(biāo)耦合多源遙感影像有效減小了不同傳感器間的差異，對(duì)于用于構(gòu)建時(shí)間序列的植被指數(shù)EVI2尤為明顯。（2）XGBoost 決策樹(shù)分類(lèi)算法，可有效應(yīng)對(duì)由于云雨與條帶影響形成的稀疏、不對(duì)稱(chēng)時(shí)間序列數(shù)據(jù)，能夠保證像元級(jí)時(shí)間序列在鹽沼植被分類(lèi)精度。（3）像元級(jí)時(shí)間序列方法年際分類(lèi)精度波動(dòng)較小、穩(wěn)定性較高，有望應(yīng)用于海岸帶植被動(dòng)態(tài)變化監(jiān)測(cè)中。在后續(xù)研究中，我們將驗(yàn)證像元級(jí)時(shí)間序列鹽沼植被分類(lèi)方法移植到其他數(shù)據(jù)（Sentienl-2、HJ 等）和應(yīng)用于長(zhǎng)時(shí)期動(dòng)態(tài)監(jiān)測(cè)的可行性，以期更好服務(wù)于多源遙感數(shù)據(jù)的濱海濕地變化監(jiān)測(cè)中。