摘要：文章采用面向?qū)ο髨D像分割與隨機(jī)森林分類相結(jié)合的方法，基于Landsat和Sentinel-2衛(wèi)星影像提取了2011年、2016年、2021年江蘇濱海濕地生態(tài)系統(tǒng)的空間分布信息，分析了濕地植被群落的時(shí)空動(dòng)態(tài)變化及濕地植被變化成因。結(jié)果顯示：基于Sentinel-2衛(wèi)星影像的分類精度較高;江蘇濱海濕地植被群落主要集中分布在新洋港與斗龍港之間，少部分沿海堤呈條帶狀分布，植被類型主要為互花米草、堿蓬和蘆葦;2011—2021年江蘇濱海濕地植被呈先減少后增加的狀態(tài)，濕地開墾、城市化進(jìn)程等人類活動(dòng)是驅(qū)使面積縮減的原因，同時(shí)互花米草的擴(kuò)張及濕地保護(hù)修復(fù)等政策的實(shí)施，使?jié)竦孛娣e不斷增加。

關(guān)鍵詞：江蘇海岸帶;濱海濕地植被;隨機(jī)森林分類;變化特征

中圖分類號(hào)：Q948.1;P7 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1005-9857（2024）09-0112-09

0 引言

濱海濕地是介于海洋與陸地之間的過渡地帶，具有開放性、復(fù)雜性及復(fù)合生態(tài)性等特點(diǎn)[1]。植被是濱海濕地的重要組成部分，其狀況能反映濕地的生態(tài)環(huán)境[2]，具有凈化水質(zhì)、維持岸線穩(wěn)定、防洪減災(zāi)、固碳等作用[3]。江蘇濱海濕地主要分布著互花米草、堿蓬、蘆葦?shù)塞}沼植被[4]，由于植被分布混合交錯(cuò)且界限模糊，在遙感影像上容易產(chǎn)生“異物同譜”的現(xiàn)象，導(dǎo)致分類的難度較大[5]。因此，利用遙感技術(shù)手段提取濱海濕地植被信息，監(jiān)測(cè)濕地植被的變化特征，對(duì)濱海濕地的管理與保護(hù)具有現(xiàn)實(shí)意義。

遙感數(shù)據(jù)源是實(shí)現(xiàn)濕地分類的重要前提，當(dāng)前應(yīng)用較為廣泛的是Landsat系列、Sentinel-2、MODIS等[6-7]影像數(shù)據(jù)，其中Landsat系列、Sentinel-2影像數(shù)據(jù)相較于MODIS影像數(shù)據(jù)更能滿足濕地分類的高精度要求[8]。遙感技術(shù)已廣泛應(yīng)用于濕地植被監(jiān)測(cè)方面[9-10]，分類方法主要包括基于像元和面向?qū)ο髢煞N，Lantz等[11]對(duì)比了這兩種分類方法發(fā)現(xiàn)面向?qū)ο蟮姆诸惙椒ň雀?，如，謝文春等[12]基于面向?qū)ο蠓诸惣夹g(shù)對(duì)都蘭湖濕地植被進(jìn)行分類;邵亞婷等[13]利用面向?qū)ο蟮姆诸惙椒ㄌ崛〗K鹽城濕地的植被信息，分類精度在90%以上。

隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，決策樹[14]、支持向量機(jī)[15]、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)[16]等方法的運(yùn)用，在一定程度上提高了影響分類精度，其中，隨機(jī)森林的分類精度相對(duì)較高，如，宗影等[17]基于面向?qū)ο蟮碾S機(jī)森林模型對(duì)鹽城濕地植被進(jìn)行分類，分類精度達(dá)97.73%;張磊等[18]基于Sentinel-2影像提取特征變量構(gòu)建不同的特征組合，采用隨機(jī)森林的分類方法提取植被信息，總體精度在90%以上;張晨宇等[5]結(jié)合面向?qū)ο蠛碗S機(jī)森林算法對(duì)黃河口保護(hù)區(qū)內(nèi)典型濕地植被進(jìn)行分類，總體精度為84.74%～92.39%。

因此，本文擬采取面向?qū)ο笈c隨機(jī)森林相結(jié)合的分類方法，基于Landsat、Sentinel-2衛(wèi)星數(shù)據(jù)，對(duì)2011年、2016年、2021年江蘇濱海濕地的植被進(jìn)行分類，對(duì)比不同遙感影像的分類結(jié)果，分析近10年來互花米草、蘆葦、堿蓬3種典型濕地植被的時(shí)空變化特征及變化成因，為江蘇濱海濕地的管理、保護(hù)與生態(tài)修復(fù)提供依據(jù)。

1 研究區(qū)域與數(shù)據(jù)

1.1 研究區(qū)域概況

江蘇濱海濕地是我國(guó)重要的濕地生態(tài)系統(tǒng)之一。選擇江蘇濱海濕地作為研究區(qū)域，以其中生長(zhǎng)的濕地鹽沼植被為主要研究對(duì)象，開展?jié)竦刂脖粫r(shí)空動(dòng)態(tài)變化分析。研究區(qū)位于暖溫帶和北亞熱帶之間，受海洋性和大陸性氣候雙重影響，具有顯著的季風(fēng)氣候特點(diǎn)，氣候溫和、四季分明、雨水豐沛、光照充足，年均溫為13.7℃～14.6℃，平均年降水量980～1070mm[19]。其海岸帶類型可按物質(zhì)組成分為粉砂淤泥質(zhì)海岸、砂質(zhì)海岸和基巖海岸3類[20]，濕地植被主要以鹽沼植被為主，具有很高的生產(chǎn)力、豐富的生物多樣性和重要的生態(tài)系統(tǒng)服務(wù)功能，植被種類組成相對(duì)簡(jiǎn)單，以單一優(yōu)勢(shì)種為主要特點(diǎn)，其中蘆葦群落、堿蓬群落和互花米草群落分布較為廣泛[21]。

1.2 數(shù)據(jù)與處理

從美國(guó)地質(zhì)勘探局（UnitedStatesGeological"Survey，USGS）下載2011—2021年的遙感影像，根據(jù)濱海濕地植被的生長(zhǎng)特性，選擇成像時(shí)間集中在6—10月且云覆蓋較低的Landsat影像和Sentinel-2影像，同時(shí)遙感數(shù)據(jù)的選取控制在每5年一次，總計(jì)3個(gè)時(shí)相2011 年、2016 年、2021 年（23 景遙感影像）。

為減輕大氣、地形、傳感器等因素對(duì)遙感影像的影響，分別利用ENVI5.3的RadiometricCalibration工具和FLAASH 模塊對(duì)Landsat數(shù)據(jù)進(jìn)行輻射定標(biāo)和大氣校正，利用SNAP軟件的SEN2COR大氣校正工具對(duì)Sentinel-2影像數(shù)據(jù)進(jìn)行大氣校正。以上預(yù)處理步驟是針對(duì)單幅影像進(jìn)行的，由于研究區(qū)涵蓋多景影像，還需要通過影像鑲嵌將相鄰的兩幅或多幅影像拼接成一幅影像，最后通過影像裁剪獲得僅包含濱海濕地研究區(qū)范圍的影像。

根據(jù)江蘇鹽沼濕地優(yōu)勢(shì)植被及土地利用實(shí)際情況，參考國(guó)家標(biāo)準(zhǔn)、《關(guān)于特別是作為水禽棲息地的國(guó)際重要濕地公約》（簡(jiǎn)稱《濕地公約》）和國(guó)家林業(yè)局以林濕發(fā)〔2008〕265號(hào)文件下發(fā)的《全國(guó)濕地資源調(diào)查技術(shù)規(guī)程（試行）》中關(guān)于濕地分類的相關(guān)準(zhǔn)則，將研究區(qū)濕地劃分為互花米草、堿蓬、蘆葦、光灘、海水、河流水體、養(yǎng)殖塘、農(nóng)田，非濕地劃分為裸地和建筑用地。

2 研究方法

2.1 面向?qū)ο蠓诸?/p>

圖像分割是基于面向?qū)ο蠓椒▽?shí)現(xiàn)生態(tài)系統(tǒng)遙感分類的關(guān)鍵環(huán)節(jié)，指通過使用圖像分割算法，將一幅遙感影像劃分成若干個(gè)屬性特征相同的斑塊。對(duì)遙感影像進(jìn)行準(zhǔn)確的圖像分割是實(shí)現(xiàn)精確分類的重要基礎(chǔ)。對(duì)于不同空間分辨率的影像，以及對(duì)各種地物類型的提取要求，進(jìn)行圖像分割的關(guān)鍵是找到最適宜的分割尺度。如果尺度選擇過大，會(huì)無法精確提取細(xì)小地物對(duì)象;而選擇過小的尺度，又會(huì)導(dǎo)致地塊破碎化，從而影響最終的分類精度。

目前主要的影像分割算法有棋盤分割、四叉樹分割、光譜差異分割、多尺度分割等，其中，多尺度分割是一種自下而上的區(qū)域合并分割算法，相對(duì)于其他方法能更好地避免噪聲等影響，使對(duì)象內(nèi)部間異質(zhì)性最小[22-23]。本文選用多尺度分割的方法對(duì)影像進(jìn)行分割，分割尺度、波段權(quán)重、形狀因子和緊致度因子是影響分割效果的4個(gè)主要參數(shù)。通過eCognition中的ESP工具來確定分割尺度，該工具可以實(shí)現(xiàn)在非監(jiān)督情況下的最佳分割尺度的自動(dòng)選擇[24]。每個(gè)波段權(quán)重采用默認(rèn)參數(shù)設(shè)置為1，緊致度因子和形狀因子遵循Moffett等[25]的研究結(jié)果分別設(shè)置為0.5和0.3。對(duì)比不同分割尺度的分割結(jié)果，最終確定各遙感影像的最佳分割尺度如表1所示。

2.2 隨機(jī)森林算法

隨機(jī)森林（Randomforests，RF）是指基于多棵決策樹對(duì)樣本進(jìn)行訓(xùn)練和預(yù)測(cè)，由Breiman[26]首先提出的一種分類器，是決策樹的集合。利用隨機(jī)森林模型進(jìn)行分類時(shí)，最基本的兩個(gè)參數(shù)是樹的數(shù)量（n_estimators）和樹的最大深度（max_depth）[27]，其次，還需要對(duì)分裂內(nèi)部節(jié)點(diǎn)需要的最少樣本數(shù)（min_samples_split）和葉子節(jié)點(diǎn)上需要的最少樣本數(shù)（min_samples_leaf）進(jìn)行調(diào)試，從而確定各年份數(shù)據(jù)進(jìn)行隨機(jī)森林分類時(shí)的最佳參數(shù)組合。

基于濱海濕地各植被群落的實(shí)際狀況，結(jié)合對(duì)遙感影像的觀察和分析經(jīng)驗(yàn)，選取表2所列的光譜特征、紋理特征、形狀特征和專題指數(shù)特征進(jìn)行后續(xù)的研究[28]。為了確保特征的選取具有客觀性、便捷性和精確性，采用遞歸特征消除（RecursiveFeatureElimination，RFE）方法進(jìn)行影像特征的篩選[29]。圖1顯示了基于2021年數(shù)據(jù)進(jìn)行特征重要性排序的結(jié)果及參與分類的特征數(shù)量與分類精度的相關(guān)關(guān)系。可以發(fā)現(xiàn)，分類的精度先隨著特征數(shù)量的增多而提高;但到了一定的節(jié)點(diǎn)，參與分類的特征數(shù)量的增加并不能提高分類最終的精度。

2.3 轉(zhuǎn)移矩陣

通過使用轉(zhuǎn)移矩陣分析法[30]可以更好地研究土地利用/土地覆蓋的演變。這種方法能夠定量地描述不同時(shí)間段內(nèi)土地利用類型的面積變化和類型轉(zhuǎn)移情況[31]，并確定變化的來源和方向。利用ArcGIS 將3 期分類結(jié)果進(jìn)行疊加分析，得到2011—2021年江蘇濱海濕地不同景觀類型的景觀類型轉(zhuǎn)移矩陣，為了更直觀地分析濕地植被的動(dòng)態(tài)變化，分別做出2011—2016年、2016—2021年的土地覆蓋轉(zhuǎn)移矩陣。其計(jì)算公式如下所示：

3 結(jié)果與分析

3.1 分類結(jié)果

本文基于python實(shí)現(xiàn)隨機(jī)森林模型的構(gòu)建。在進(jìn)行特征篩選、調(diào)試模型參數(shù)后，建立隨機(jī)森林模型對(duì)研究區(qū)的數(shù)據(jù)進(jìn)行分類，最終得到2011年、2016年和2021年研究區(qū)的生態(tài)系統(tǒng)類型分類圖（圖2）。使用混淆矩陣對(duì)濕地的分類結(jié)果進(jìn)行精度評(píng)估，選取總體精度（Overall Accuracy，OA）、Kappa系數(shù)作為評(píng)價(jià)總體分類精度的指標(biāo)（表3）。2011年分類的總體精度為89.07%，Kappa系數(shù)為0.85;2016年分類的總體精度為90.65%，Kappa系數(shù)為0.89;2021 年分類的總體精度為91.02%，Kappa系數(shù)為0.89。3個(gè)年份數(shù)據(jù)分類的總精度都大于89%，分類較為合理。從數(shù)據(jù)源的角度來看，在所有分類中，基于Sentinel-2A 數(shù)據(jù)的2021年濕地分類取得了最高的精度，稍高于Landsat數(shù)據(jù)的分類精度。

3.2 濱海濕地植被的變化特征

3.2.1 植被的空間特征

從濕地類型分類圖2中可以看出，江蘇濱海濕地植被比較集中分布在新洋港到斗龍港之間，尤其是鹽城國(guó)家級(jí)珍禽自然保護(hù)區(qū)的核心區(qū)域內(nèi)，3種植被類型都有所覆蓋，由陸向海植被分布的主要類型依次為蘆葦群落、堿蓬群落、互花米草群落，其他岸段存在部分以互花米草群落為主的較窄的沿海堤分布的植被帶。蘆葦群落生活在鹽堿度相對(duì)較低的潮上帶，生長(zhǎng)茂盛，主要分布在射陽(yáng)河口到川東港口之間的低潮灘區(qū)域。堿蓬具有良好的耐鹽堿性，其群落生活在鹽堿度較高的地區(qū)，主要分布在江蘇鹽城國(guó)家級(jí)珍禽自然保護(hù)區(qū)核心區(qū)內(nèi)?；セ撞菔且环N廣適鹽性植物，高度發(fā)達(dá)的通氣組織能幫助其較好地適應(yīng)長(zhǎng)期淹水的環(huán)境條件，使其能廣泛生長(zhǎng)鹽沼濕地的潮間帶地區(qū)。

3.2.2 植被的面積特征

提取江蘇濱海濕地的植被信息進(jìn)行統(tǒng)計(jì)，得到結(jié)果如表4所示。2011年、2016年、2021年互花米草居于主導(dǎo)地位：2011年濕地植被面積約為332.56km2，蘆葦、互花米草、堿蓬分別占研究區(qū)植被總面積的24.52%、66.88%、8.61%。2016年濕地植被面積約為309.41km2，其中互花米草面積最大，占59.52%，蘆葦次之。2021年濕地植被面積約為352.26 km2，互花米草面積為258.86km2，占植被總面積的73.49%;堿蓬最少，僅占植被總面積的4.55%。

3.2.3 植被的轉(zhuǎn)移演替

如表5所示，2011—2016年江蘇濱海濕地植被演替主要為互花米草→養(yǎng)殖塘，堿蓬→蘆葦、互花米草，蘆葦→互花米草，具體表現(xiàn)為：19.89%的互花米草轉(zhuǎn)化為養(yǎng)殖塘，分別有8.95%和10.88%的堿蓬轉(zhuǎn)化為互花米草和蘆葦;11.07%的蘆葦轉(zhuǎn)化成互花米草。這期間，互花米草、堿蓬及蘆葦分別有43.96%、72.90%、57.23%的面積保有率;各類植被除轉(zhuǎn)為養(yǎng)殖塘或其他植被類型外，也有其他類型的小面積轉(zhuǎn)移;同時(shí)部分光灘、養(yǎng)殖塘、河流水體也會(huì)轉(zhuǎn)移成互花米草，養(yǎng)殖塘和互花米草轉(zhuǎn)移成蘆葦，以此作為植被的補(bǔ)充。

如表6所示，2016—2021年江蘇濱海濕地植被演替主要為互花米草→養(yǎng)殖塘、建筑用地，堿蓬→互花米草、蘆葦，蘆葦→建筑用地、河流水體、養(yǎng)殖塘，具體表現(xiàn)為：8.92%和7.86%的互花米草轉(zhuǎn)化為養(yǎng)殖塘和建設(shè)用地，20.14%和34.19%的堿蓬轉(zhuǎn)化為互花米草、蘆葦，12.35%和11.59%、6.62%的蘆葦轉(zhuǎn)化成建設(shè)用地和河流水體、養(yǎng)殖塘。這期間，互花米草、堿蓬及蘆葦分別有65.37%、37.22%、55.49%的面積保有率。

3.3 濱海濕地植被變化的成因分析

江蘇濱海濕地植被呈先減少后增加的狀態(tài)，根據(jù)統(tǒng)計(jì)結(jié)果，2011—2021年共有96.85km2的濕地部分轉(zhuǎn)換為養(yǎng)殖塘，128.08km2轉(zhuǎn)換為建筑用地，其中47.60%的養(yǎng)殖塘和27.41%的建筑用地是由濕地植被轉(zhuǎn)化而來，說明開墾濕地、城市化進(jìn)程加快都是濕地植被面積減少的原因。

2011—2021年，互花米草不斷向海推進(jìn)占據(jù)光灘面積約123.68km2，為現(xiàn)有互花米草的47.78%。其間江蘇省緊跟國(guó)家濕地生態(tài)修復(fù)建設(shè)工作的步伐，發(fā)布《關(guān)于推進(jìn)生態(tài)文明建設(shè)工程的行動(dòng)計(jì)劃》《江蘇省生態(tài)紅線區(qū)域保護(hù)規(guī)劃》《江蘇省濕地保護(hù)“十三五”實(shí)施規(guī)劃》等規(guī)劃政策，不斷完善濕地管理機(jī)構(gòu)，開展大量濕地保護(hù)管理與修復(fù)工作，建立了以濕地自然保護(hù)區(qū)、濕地公園等為主的濕地保護(hù)體系。

4 結(jié)論

本研究利用2011年、2016年、2021年的遙感影像，采用面向?qū)ο?隨機(jī)森林的方法提取了江蘇濱海濕地的空間分布，分析濱海植被的時(shí)空變化特征，結(jié)果如下。

（1）利用混淆矩陣對(duì)2011年、2016年、2021年的分類結(jié)果進(jìn)行精度驗(yàn)證，其總體精度均在90%以上，Kappa系數(shù)均大于0.8，分類效果較好，可以用于景觀變化分析。

（2）江蘇濱海濕地植被主要集中分布在從新洋港到斗龍港之間，由陸向海植被分布的主要類型依次為蘆葦群落、堿蓬群落、互花米草群落;其他岸段存在部分以互花米草群落為主的較窄的沿海堤分布的植被帶。

（3）2011—2021年濕地植被總面積先減少后增加，所減少的植被濕地面積主要轉(zhuǎn)化為建設(shè)用地和養(yǎng)殖塘，互花米草向海不斷推進(jìn)面積增加。

（4）自2011年來，江蘇沿海城市人口不斷增加，城市化進(jìn)程加快、濕地開墾等因素是江蘇濱海濕地植被面積不斷縮減的主要因素;政府政策、互花米草的擴(kuò)張等是江蘇濱海濕地植被面積增加的主要原因。

參考文獻(xiàn)（References）：

[1] 張明亮.濱海鹽沼濕地退化機(jī)制及生態(tài)修復(fù)技術(shù)研究進(jìn)展[J].大連海洋大學(xué)學(xué)報(bào)，2022，37（4）：539-549.

ZHANGMingliang.Researchadvancementondegradationmechanismandecologicalrestorationtechnologyofcoastalsalt-marsh：areview[J].JournalofDalianOceanUniversity，2022，37（4）：539-549.

[2] 張佳佳，沈永明.1992年以來鹽城濱海濕地植被動(dòng)態(tài)變化研究[J].海洋科學(xué)，2018，42（8）：14-21.

ZHANGJiajia，SHENYongming.DynamicchangesofcoastalwetlandvegetationinYancheng[J].MarineSciences，2018，42（8）：14-21.

[3] 鄒雨函，李雪，張馨，等.黃河口新生濕地植物群落組成和結(jié)構(gòu)[J/OL].生態(tài)學(xué)雜志，[2024-09-10].http：//kns.cnki.net/kcms/detail/21.1148.Q.20230907.1250.012.html.

ZOUYuhan，LIXue，ZHANGXin，etal.PlantcommunitycompositionandstructureofthenascentwetlandsoftheYellowRiverEstuary[J/OL].ChineseJournalofEcology，[2024-09-10].http：//kns.cnki.net/kcms/detail/21.1148.Q.20230907.1250.012.html.

[4] 張健，何祺勝，崔同，等.江蘇省濱海濕地生態(tài)系統(tǒng)健康評(píng)價(jià)研究[J].水電能源科學(xué)，2016，34（9）：27-30.

ZHANGJian，HEQisheng，CUITong，etal.HealthassessmentresearchofJiangsucoastalwetlandecosystem[J].WaterResourcesandPower，2016，34（9）：27-30.

[5] 張晨宇，陳沈良，李鵬，等.現(xiàn)行黃河口保護(hù)區(qū)典型濕地植被時(shí)空動(dòng)態(tài)遙感監(jiān)測(cè)[J].海洋學(xué)報(bào)，2022，44（1）：125-136.

ZHANGChenyu，CHENShenliang，LIPeng，etal.SpatiotemporaldynamicremotesensingmonitoringoftypicalwetlandvegetationinthecurrentHuangheRiverEstuaryReserve[J].HaiyangXuebao，2022，44（1）：125-136.

[6] 王婭，郭繼發(fā)，林雨.基于面向?qū)ο蠓椒ǖ奶旖蚴袨I海新區(qū)濕地信息提取[J].山東理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，37（6）：25-31.

WANGYa，GUOJifa，LINYu.WetlandinformationextractionfromTianjinBinhaiNewAreabasedonobject-orientedmethod[J].JournalofShandongUniversityofTechnology（NaturalScienceEdition），2023，37（6）：25-31.

[7] 張猛，曾永年，朱永森.面向?qū)ο蠓椒ǖ臅r(shí)間序列MODIS數(shù)據(jù)濕地信息提?。阂远赐ズ饔?yàn)槔齕J].遙感學(xué)報(bào)，2017，21（3）：479-492.

ZHANG Meng，ZENGYongnian，ZHUYongsen.WetlandmappingofDontingLakeBasinbasedontime-seriesMODISdataandobjectorientedmethod[J].NationalofRemoteSensingBulletin，2017，21（3）：479-492.

[8] 姚杰鵬，楊磊庫(kù)，陳探，等.基于Sentinel-1，2和Landsat8時(shí)序影像的鄱陽(yáng)湖濕地連續(xù)變化監(jiān)測(cè)研究[J].遙感技術(shù)與應(yīng)用，2021，36（4）：760-776.

YAOJiepeng，YANGLeiku，CHENTan，etal.ConsecutivemonitoringofthePoyangLakeWetlandbyIntegratingSentinel-2withSentinel-1andLandsat8Data[J].RemoteSensingTechnologyandApplication，2021，36（4）：760-776.

[9] SZANTOIZ，ESCOBEDOFJ，ABD-ELRAHMAN A，etal.Classifvingspatiallyheterogeneouswetlandcommunitiesusingmachinelearningalgorithmsandspectralandtexturalfeatures[J].EnvironmentalMonitoringandAssessment，2015，187（5）：262.

[10] TIMMBC，MCGARIGALK.Fine-scaleremotely-sensedcovermappingofcoastalduneandsaltmarshecosystemsatCapeCodNationalSeashoreusingRandomForests[J].RemoteSensingofEnvironment，2012，127：106-117.

[11] LANTZNS，WANGJinfei.Object-basedclassificationofWorldview-2imageryformappinginvasivecommonreed，Phragmitesaustralisl[J].CanadianJournalofRemoteSensing，2013，39（4）：328-340.

[12] 謝文春，李強(qiáng)峰，李艷春，等.基于面向?qū)ο蟮募忠惶?hào)遙感影像濕地植被群落分類[J].林業(yè)資源管理，2023（1）：141-152.

XIE Wenchun，LIQiangfeng，LIYanchun，etal.Object-orientedclassificationofwetlandvegetationcommunityinJilin-1remotesensingimage[J].ForestandGrasslandResourcesResearch，2023（1）：141-152.

[13] 邵亞婷，盧霞，葉慧，等.濱海濕地土地覆蓋面向?qū)ο蠓诸惣白兓O(jiān)測(cè)[J].海洋科學(xué)，2020，44（1）：52-66.

SHAOYating，LUXia，YEHui，etal.Object-orientedclassificationandchangemonitoringofcoastalwetlandlandcovers[J].MarineSciences，2020，44（1）：52-66.

[14] ZLINSZKYA，MIUICKE W，LEHNER H，etal.CategorizingwetlandvegetationbyairbornelaserscanningonLakeBalatonandKis-Balaton，Hungary[J].Remotesensing，2012，4（6）：1617-1650.

[15]HANXingxing，CHENXiaoling，F(xiàn)ENGLian.FourdecadesofwinterwetlandchangesinPoyangLakebasedonLandsatobservationsbetween1973and2013[J].RemoteSensingofEnvironment，2015，156：426-437.

[16] 謝錦瑩，丁麗霞，王志輝，等.基于FCN與面向?qū)ο蟮臑I海濕地植被分類[J].林業(yè)科學(xué)，2020，56（8）：98-106.

XIEJinying，DINGLixia，WANGZhihui，etal.ClassificationofcoastalwetlandvegetationutilizingFCNandobject-orientedmethods[J].ScientiaSilvaeSinicae，2020，56（8）：98-106.

[17] 宗影，李玉鳳，劉紅玉.基于面向?qū)ο箅S機(jī)森林方法的濱海濕地植被分類研究[J].南京師范大學(xué)學(xué)報(bào)（工程技術(shù)版），2021，21（4）：47-55.

ZONGYing，LIYufeng，LIUHongyu.Astudyofcoastalwetlandvegetationclassificationbasedonobject-orientedrandomforestmethod[J].JournalofNanjingNormalUniversity（EngineeringandTechnologyEdition），2021，21（4）：47-55.

[18] 張磊，宮兆寧，王啟為，等.Sentinel-2影像多特征優(yōu)選的黃河三角洲濕地信息提取[J].遙感學(xué)報(bào)，2019，23（2）：313-326.

ZHANGLei，GONGZhaoning，WANGQiwei，etal.WetlandmappingofYellowRiverDeltawetlandsbasedonmulti-featureoptimizationofSentinel-2images[J].NationalRemoteSensingBulletin，2019，23（2）：313-326.

[19] 張濛，濮勵(lì)杰.近30年來江蘇省濱海濕地變化過程及其受圍墾活動(dòng)的影響[J].濕地科學(xué)與管理，2017，13（3）：56-60.

ZHANGMeng，PULijie.ThechangingprocessofcoastalwetlandsandtheeffectsofreclamationinJiangsuProvinceinrecent30years[J].WetlandScienceamp; Management，2017，13（3）：56-60.

[20] 鄒欣慶.江蘇海岸帶環(huán)境的壓力分析與政策響應(yīng)[J].海洋地質(zhì)動(dòng)態(tài)，2004，20（7）：20-24.

ZOUXinqing.EnvironmentalpressureanalysisandpolicyguidelinesforcoastalenvironmentalmanagementoftheJiangsucoastalzone[J].MarineGeologyFrontiers，2004，20（7）：20-24.

[21] 周金戈，覃國(guó)銘，張靖凡，等.中國(guó)鹽沼濕地藍(lán)碳碳匯研究進(jìn)展[J].熱帶亞熱帶植物學(xué)報(bào)，2022，30（6）：765-781.

ZHOUJinge，QINGuoming，ZHANGJingfan，etal.ResearchprogressofbluecarbonsinkinChinesesaltmarshes[J].JournalofTropicalandSubtropicalBotany，2022，30（6）：765-781.

[22] 常文濤，陳歡，常偉綱.結(jié)合時(shí)間序列Sentinel-1數(shù)據(jù)和面向?qū)ο蟮臐竦匦畔⑻崛》椒╗J].北京測(cè)繪，2020，34（3）：365-370.

CHANG Wentao，CHEN Huan，CHANG Weigang.Combiningtime-seriesSentinel-1dataandobject-orientedwetlandinformationextractionmethod[J].BeijingSurveyingandMapping，2020，34（3）：365-370.

[23] 黃雨菲，路春燕，賈明明，等.基于無人機(jī)影像與面向?qū)ο?深度學(xué)習(xí)的濱海濕地植物物種分類[J].生物多樣性，2023，31（3）：143-158.

HUANGYufei，LUChunyan，JIA Mingming，etal.ClassificationofplantspeciesincoastalwetlandsbasedonUAVimageryandobject-oriented-deeplearning[J].BiodiversityScience，2023，31（3）：143-158.

[24]DRAGUTL，TIEDED，LEVICKSR.ESP：atooltoestimatescaleparameterformultiresolutionimagesegmentationofremotelysenseddata[J].InternationalJournalofGeographicalInformationScience，2010，24（5-6）：859-871.

[25] MOFFETTKB，GORELICKSM.Distinguishingwetlandvegetationandchannelfeatureswithobject-basedimagesegmentation[J].InternationalJournalofRemoteSensing，2013，34（4）：1332-1354.

[26] BREIMANL.Randomforests[J].MachineLearning，2001，45（1）：5-32.

[27] 張揚(yáng).基于少量標(biāo)記樣本的城市土地利用分類[D].深圳：中國(guó)科學(xué)院大學(xué)（中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院），2021.

ZHANGYang.Urbanlanduseclassificationbasedonafewlabeledsamples[D].Shenzhen：UniversityofChineseAcademyofSciences（ShenzhenInstituteofAdvancedTechnology，ChineseAcademyofSciences），2021.

[28] 許盼盼.基于高時(shí)空分辨率數(shù)據(jù)的濕地精細(xì)分類研究[D].北京：中國(guó)科學(xué)院大學(xué)（中國(guó)科學(xué)院遙感與數(shù)字地球研究所），2018.

XUPanpan.Researchonfineclassificationofwetlandsbasedonhighspatialandtemporalresolutiondata[D].Beijing：UniversityofChineseAcademyofSciences（InstituteofRemoteSensingandDigitalEarth，ChineseAcademyofSciences），2018.

[29] GRANITTOPM，F(xiàn)URLANELLOC，BIASIOLIF，etal.RecursivefeatureeliminationwithrandomforestforPTR-MSanalysisofagroindustrialproducts[J].Chemometricsamp;IntelligentLaboratorySystems，2006，83（2）：83-90.

[30] 李輝，張曉媛，國(guó)洪磊.基于土地利用的三峽庫(kù)區(qū)近30年生態(tài)系統(tǒng)服務(wù)價(jià)值時(shí)空變化特征[J].水土保持研究，2021，28（2）：309-318.

LIHui，ZHANGXiaoyuan，GUOHonglei.Spatialandtemporalchangesofecosystemservicevalueinthethreegorgesreservoirareainthepast30yearsbasedonlanduse[J].ResearchofSoilandWaterConservation，2021，28（2）：309-318.

[31] 張學(xué)儒，周杰，李夢(mèng)梅.基于土地利用格局重建的區(qū)域生境質(zhì)量時(shí)空變化分析[J].地理學(xué)報(bào)，2020，75（1）：160-178.

ZHANGXueru，ZHOUJie，LIMengmei.Analysisonspatialandtemporalchangesofregionalhabitatqualitybasedonthespatialpatternreconstructionoflanduse[J].ActaGeographicaSinica，2020，75（1）：160-178.