邵春晨，楊剛，2，3，孫偉偉，2，3，左陽嫣，葛葦婷，楊素素

1.寧波大學 地理與空間信息技術(shù)系,寧波 315211;

2.寧波大學 東海研究院,寧波 315211;

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

1 引言

互花米草（Spartina alterniflora）是一種典型的外來入侵物種，對氣候、環(huán)境的適應性和耐受性強，通常廣泛分布于亞熱帶到溫帶中含鹽量高的潮間帶上（袁紅偉等，2009）?；セ撞菰a(chǎn)于美洲，引入中國后推廣至東部沿海省份的濱海灘涂種植，主要用于中國沿海保護泥灘、促淤造陸、改善土壤肥力等用途，具有一定的經(jīng)濟價值。然而近年來，由于互花米草迅速擴張，占據(jù)了本地植被的生態(tài)位，對當?shù)氐纳鷳B(tài)系統(tǒng)造成了嚴重的破壞，國家環(huán)保總局已將互花米草列入外來入侵種名單（李屹等，2017）。

通過精確監(jiān)測互花米草的分布，可以為互花米草的整治以及濱海濕地生態(tài)系統(tǒng)修復工作提供參考，為濱海濕地恢復和管理提供精準、及時的信息支持（孟祥珍等，2021）。這不僅有助于互花米草的整治，也可以為濱海濕地的生態(tài)系統(tǒng)修復提供有力的數(shù)據(jù)基礎(chǔ)。因此，精確監(jiān)測互花米草的分布情況對于保護濱海濕地生態(tài)系統(tǒng)具有重要意義?；セ撞萆L在交通可達性很低且受潮汐影響的濱海灘涂區(qū)域，傳統(tǒng)的人工調(diào)查手段不容易實施（任廣波等，2021）。遙感技術(shù)在長時間序列、廣泛尺度、實時動態(tài)和高精度調(diào)查方面具有卓越的能力，為互花米草的監(jiān)測提供了有效的應用途徑（孫偉偉等，2020）。目前，許多研究致力于分析長時間序列遙感影像，深入研究互花米草的動態(tài)變化，這樣能夠更全面地了解互花米草在不同時間和空間尺度上的演變過程（李清泉等，2016）。Wang 等（2015）學 者基 于Landsat 和SPOT 6 遙感影像，采用支持向量機SVM（Support Vector Machine）和面向?qū)ο蟮姆治龇椒?，詳細分析了溫州樂清?993年—2015年間互花米草的蔓延模態(tài)和擴展速度。Liu 等（2017）利用高分辨率遙感影像如SPOT 5和GF-1，同樣運用面向?qū)ο蟮姆椒ǐ@取2003年—2015年福建漳江口濕地內(nèi)互花米草的分布情況，研究結(jié)果揭示了互花米草在該時期呈現(xiàn)向海擴展的趨勢。Li 等（2020）使用Landsat 數(shù)據(jù)提取了1985年—2015年浙江省的互花米草，研究發(fā)現(xiàn)互花米草主要生長在海灣和河口區(qū)域，并且伴隨沉積過程逐漸向外擴張。Tian 等（2020）提出了一種基于哨兵二號連續(xù)季節(jié)數(shù)據(jù)的淹沒互花米草指數(shù)（SAI），利用面向?qū)ο蟮碾S機森林RF（Random Forest）方法完成互花米草信息提取，提取結(jié)果發(fā)現(xiàn)了互花米草在休眠期也有擴張的現(xiàn)象。任廣波等（2021）基于GF-5 高光譜影像，開展了黃河三角洲濱海濕地互花米草分類和制圖研究，并比較不同分類方法，結(jié)果表明SVM 方法分類效果最好。

盡管高分辨率衛(wèi)星和無人機遙感技術(shù)已經(jīng)應用于鹽沼濕地植被的動態(tài)監(jiān)測，但受限于濱海鹽沼濕地植被生長環(huán)境復雜性，已有的遙感變化監(jiān)測研究仍存在不足（孫偉偉等，2023）。不同濱海濕地特征的光譜受到土壤、水文、植被等因素的綜合影響，“同物異譜”和“異物同譜”的問題在大范圍內(nèi)普遍存在，限制了中等空間分辨率遙感影像在濱海濕地的精細分類（Li等，2010）。目前的相關(guān)方法樣本量大，分類器復雜多樣，泛化能力差，針對大區(qū)域互花米草的快速提取效率較低。而光譜指數(shù)具有簡單、高效、可遷移和大規(guī)模適用性等顯著優(yōu)勢（Bannari等，1995；Feyisa等，2014；Huete，1988；Kaufman 和Tanré，1992）。高光譜遙感影像能夠通過窄而細長的波段表現(xiàn)濕地的空間紋理信息實現(xiàn)對濕地地物的判別（童慶禧等，1997），且具有“圖譜合一”的特點，不僅可以大尺度成像，而且可以表征地物的精細光譜特征，因此可以為光譜指數(shù)的構(gòu)建提供充足的精細波段信息。

本研究提出一種基于高光譜數(shù)據(jù)的生長期互花米草指數(shù)構(gòu)建方法，利用互花米草與其他鹽沼濕地植被在近紅外波段和短波紅外波段存在明顯光譜差異的特性，選取差異敏感波段構(gòu)建互花米草指數(shù)，以增大復雜濱海濕地壞境下互花米草與其他鹽沼植被的特征差異，有效減少“異物同譜”現(xiàn)象造成的濱海鹽沼濕地植被難區(qū)分的現(xiàn)象。以黃河三角洲濕地和鹽城濱海濕地ZY1-02D 高光譜影像為數(shù)據(jù)源，通過分析生長期互花米草和其他鹽沼濕地植被的空間分布和光譜特征之后，提出一個互花米草生長期指數(shù)并建立決策樹分類算法，將互花米草從背景中精確提取出來，達到濱海濕地互花米草快速準確提取目的。

2 研究區(qū)與數(shù)據(jù)源

2.1 研究區(qū)概況

本研究選擇了兩個典型互花米草生長的濱海濕地，分別是黃河三角洲濕地和鹽城濱海濕地，如圖1所示。

圖1 研究區(qū)位置及樣本點分布圖Fig.1 Distribution of the study areas and samples

黃河三角洲濕地位于山東省東北部的東營市，屬典型河口濕地生態(tài)系統(tǒng)，現(xiàn)為國家級自然保護區(qū)（張磊等，2019）。從海洋至內(nèi)陸大致呈“互花米草—泥灘—檉柳—蘆葦”的格局，蘆葦生長在河流兩岸，植被帶狀清晰。互花米草于1990年引入該地區(qū)種植，在2010年后爆發(fā)生長，嚴重影響了黃河三角洲濕地的生態(tài)安全和生物多樣性（Ren等，2019）。

鹽城濱海濕地位于江蘇省鹽城市，研究區(qū)域為鹽城濱海濕地珍禽國家級自然保護區(qū)的核心部分，即丹頂鶴保護區(qū)。該區(qū)域位于江蘇中部沿海，涵蓋了從射陽縣的新洋港口到大豐縣的斗龍港口之間的海岸段。西側(cè)臨近海堤，東側(cè)則為泥灘，緊鄰黃海，地理位置處于典型的潮間帶泥灘海岸地帶（鄭嘉豪等，2023）。原有的鹽城濱海濕地景觀主要屬于當?shù)佧}沼類型，其植被種類相對稀缺，以能耐鹽的植物為主導。濕地內(nèi)主要分布著蘆葦、茅草、堿蓬等植物，呈現(xiàn)出典型的向陸演替規(guī)律。自20 世紀中葉以來，引入外來植被導致了鹽城濱海鹽沼濕地植被類型和分布的明顯變化。由于其卓越的適應能力，互花米草在海陸交界的濱海濕地上迅速擴張。近年來，這一擴張已經(jīng)對本地植被的生長演替產(chǎn)生了嚴重的影響（劉瑞清等，2021）。

2.2 數(shù)據(jù)源

2.2.1 衛(wèi)星數(shù)據(jù)

資源一號02D 衛(wèi)星（ZY1-02D）是中國于2019年9月12 日發(fā)射的首顆民用高光譜衛(wèi)星。其具有5 d 的重訪周期、60 km 的幅寬以及30 m 的空間分辨率。在可見光和近紅外波段，其光譜分辨率為10 nm，而在短波紅外波段為20 nm?？傮w上，光譜范圍涵蓋了400—2500 nm的166個譜段。ZY1-02D衛(wèi)星具有中等空間分辨率、高光譜分辨率、高時間分辨率的綜合對地遙感觀測能力，滿足國土資源高精度監(jiān)測的需求（Sun等，2021）。

本研究綜合考慮了植被物候、衛(wèi)星過境日期、云量等因素，選取了9月份互花米草長勢較為旺盛時期的影像，且研究區(qū)內(nèi)不受云層的影響。數(shù)據(jù)信息詳見表1。

表1 研究區(qū)的高光譜影像信息Table 1 Hyperspectral image information of the study areas

2.2.2 樣本數(shù)據(jù)

本研究通過野外實地采樣和Google Earth 高分辨率影像獲取樣本數(shù)據(jù)集，使用ArcGIS 10.6 在研究區(qū)域生成隨機樣本點，然后通過人工判讀確定每個樣本點的類別，并刪除異常樣本點。兩個研究區(qū)的樣本點類別根據(jù)當?shù)刂饕}沼濕地植被分布情況確定，黃河三角洲濕地植被類別為檉柳、堿蓬、蘆葦和互花米草，鹽城濱海濕地植被類別為茅草、堿蓬、蘆葦和互花米草。為了更好的進行實驗對比，在分類過程中將兩個研究區(qū)樣本概括為互花米草與非互花米草兩類。樣本數(shù)據(jù)用于濕地植被光譜曲線對比、決策樹閾值確定和精度評價。本研究將樣本點其中70%用于監(jiān)督分類方法訓練，30%用于精度驗證。樣本點具體位置和具體信息分布如圖1和表2所示。

表2 研究區(qū)樣本點信息Table 2 Information of sample points in the study area

3 研究方法

本研究利用選取的高質(zhì)量ZY1-02D 高光譜數(shù)據(jù)計算互花米草指數(shù)，并基于互花米草指數(shù)構(gòu)建決策樹對互花米草進行精確提取。首先，進行圖像預處理以獲得研究區(qū)的高光譜反射率數(shù)據(jù)；其次，確定差異敏感波段，構(gòu)建生長期歸一化互花米草指數(shù)GNDSAI（Growing Period Normalized DifferenceSpartina AlternifloraIndex）；接著，建立決策樹來準確提取互花米草信息；最后，對分類結(jié)果進行定性和定量的精度評價。整體技術(shù)流程詳見圖2。

圖2 互花米草提取工作流程圖Fig.2 Workflow of Spartina alterniflora extraction

3.1 影像預處理

ZY1-02D 高光譜數(shù)據(jù)下載自中國自然資源衛(wèi)星遙感云服務平臺（http：//sasclouds.com/chinese/normal/［2022-11-15］）。下載數(shù)據(jù)為1A級產(chǎn)品，在計算指數(shù)之前需要進行包括輻射定標、大氣校正、正射校正和壞波段去除等預處理工作。首先，原始影像均校準為表面反射率數(shù)據(jù)；其次，采用FLAASH模塊對數(shù)據(jù)執(zhí)行大氣校正；然后，利用30 m 的全球數(shù)字高程模型（DEM）數(shù)據(jù)對高光譜數(shù)據(jù)進行正射校正（Hou等，2022）；此外，去除數(shù)據(jù)中的壞波段和噪聲波段；最后，對數(shù)據(jù)進行裁剪以獲取研究區(qū)。所有預處理工作基于ENVI 5.3軟件完成。

3.2 生長期歸一化互花米草指數(shù)構(gòu)建

通常而言，植被在近紅外波段的光譜特性主要由植物葉片內(nèi)部組成所調(diào)控，健康的綠色植物通常有將近一半的反射率和透過率，吸收率則很小。在可見光波段，不同種類的植物之間的差異相對較小，而在近紅外波段，它們的反射率則表現(xiàn)出明顯的差異。在短波紅外波段，植物對光的光譜響應主要受到960、1100、1400 和1900 nm 附近水分的顯著吸收帶的影響，這一范圍內(nèi)的水分含量強烈影響植物在該波段的反射率，尤其是多層葉片的結(jié)構(gòu)。在紅外波段，植物對來自陽光的能量吸收程度與葉片內(nèi)的總水分含量和葉片厚度密切相關(guān)。葉片水分增加會顯著降低植物在短波紅外波段的反射率。（田亦陳等，2010）。

本研究收集了兩個研究區(qū)ZY1-02D 高光譜影像中主要鹽沼濕地典型植被類別（互花米草、蘆葦、堿蓬、檉柳和茅草）的樣本計算并分析了各類別的平均光譜曲線（圖3）。根據(jù)各類植被的光譜差異特性，選擇合適的差異敏感波段構(gòu)建互花米草指數(shù)。由于本研究選取的兩個研究區(qū)的數(shù)據(jù)日期不一樣，同時也受地理位置影響，植被所處的物候期也存在差別，因此兩個研究區(qū)的平均光譜曲線略有不同，但用于構(gòu)建光譜指數(shù)的差異敏感波段的特征幾乎相同。如圖3所示：在近紅外波段ρ765和ρ842處，互花米草的反射率高于其他鹽沼濕地植被，蘆葦次之，堿蓬、檉柳和茅草較低；在短波紅外波段ρ1644和ρ2216 處蘆葦?shù)姆瓷渎矢哂谄渌}沼濕地植被，互花米草和堿蓬反射率值接近，檉柳和茅草較低。

圖3 基于ZY1-02D高光譜影像的濕地植被光譜曲線Fig.3 Spectral curves based on ZY1-02D hyperspectral images of the wetland vegetation

在對上述鹽沼濕地植被的光譜曲線進行分析后，基于植被光譜特征，本研究提出了生長期歸一化互花米草指數(shù)GNDSAI（Growing Period Normalized Difference Spartina Alterniflora Index），計算公式如下：

式中，ρ765、ρ842、ρ1644和ρ2216分別是中心波長為765 nm、842 nm、1644 nm和2216 nm的反射率。

式（1）中，分子(ρ765-ρ1644)/(ρ765+ρ1644)和(ρ842-ρ2216)/(ρ842+ρ2216)用于增大互花米草和其他鹽沼濕地植被之間的差異。通過引入歸一化差值運算并借鑒其優(yōu)越特性，這一方法無需進行復雜處理，即可有效消除與太陽高度角、衛(wèi)星觀測角度和大氣條件有關(guān)的輻照度條件的變化和陰影噪聲，并同時增強植被的響應。將其除以2以保證計算得到的值域為［-1，1］，避免了數(shù)值差距過大，以提高閾值穩(wěn)定性，增強指數(shù)的適用性。

較高的GNDSAI值反映了像素為互花米草的概率較高，本研究通過統(tǒng)計樣本的GNDSAI值，并根據(jù)統(tǒng)計結(jié)果確定閾值范圍，通過多次實驗和精度評價結(jié)果，具有最大分類精度的確定為最終的閾值。

3.3 基于決策樹的互花米草提取

本研究提出了一種基于GNDSAI的決策樹分類方案。首先，本研究使用改進的歸一化水體指數(shù)（MNDWI）進行水陸區(qū)分，掩膜水體，然后基于GNDSAI 從陸域范圍提取互花米草。使用MNDWI區(qū)分水體和陸地的閾值參考已有文獻（Xu，2006），具體計算公式如下：

式中，Green 和SWIR 對應高光譜數(shù)據(jù)中心波長為585和1644 nm的反射率。

如果MNDWI 值＜0，則像素為陸地，否則為水體，互花米草的GNDSAI 高于其他鹽沼濕地植被，確定GNDSAI閾值范圍提取互花米草，閾值的最大值和最小值需要經(jīng)過樣本的統(tǒng)計分析。具體決策樹分類方案如圖4所示。

圖4 決策樹具體結(jié)構(gòu)圖Fig.4 The specific structure of the decision tree

3.4 對比實驗分類方法

本研究將現(xiàn)有廣泛使用的植被指數(shù)、監(jiān)督分類、神經(jīng)網(wǎng)絡方法與基于GNDSAI的分類效果進行了比較。植被指數(shù)選擇了歸一化植被指數(shù)（NDVI）和增強型植被指數(shù)（EVI），監(jiān)督分類方法選擇了支持向量機（SVM）、隨機森林（RF）和最大似然法MLC（Maximum Likelihood Classifier）。NDVI 是目前最為廣泛使用的植被指數(shù)之一，能夠反映植被的健康情況及長勢；為了應對大氣和土壤噪聲，尤其是在密集植被區(qū)域，背景調(diào)整參數(shù)和大氣修正參數(shù)在EVI中的應用，對于減緩飽和度起到了積極作用。計算公式如下：

式中，NIR、Red 和Blue 對應于高光譜數(shù)據(jù)中心波長為670 nm、842 nm和473 nm的反射率。

SVM 方法在遙感影像的監(jiān)督分類中效果較好（Wang等，2012）。本研究選擇徑向基核函數(shù)作為SVM的內(nèi)核類型。

RF是一種非參數(shù)分類器，由若干個決策樹組成，能夠處理大尺度高維遙感數(shù)據(jù)（Belgiu 和Dr?gu?，2016；Dong等，2020）。RF中的決策樹數(shù)量是一個重要的參數(shù)，本研究通過實驗選擇100棵。

基于統(tǒng)計概率最大化理論的方法，MLC 建立在貝葉斯準則的基礎(chǔ)上，專注于統(tǒng)計特性的集群分布（龍玉潔等，2020）。

人工神經(jīng)網(wǎng)絡ANN（Artificial Neural Network）是一種具有人工智能的分類方法。利用計算機模擬人腦結(jié)構(gòu)和信息處理方式，將人腦的識別、記憶、思考等能力應用于圖像分類（Parikh等，1990）。本研究ANN方法基于ENVI 5.6深度學習模塊完成。

精度評價通過定性和定量評價方法進行。定性評價是在先驗知識的支撐下，對分類結(jié)果進行目視評價。為了進一步驗證方法的有效性，即驗證2個研究區(qū)基于GNDSAI 方法提取互花米草的準確性，本研究基于混淆矩陣對提取結(jié)果進行定量評價，計算了生產(chǎn)者精度（PA）、用戶精度（UA）、總體精度（OA）和Kappa 系數(shù)等定量指標（Maxwell等，2018）。由于互花米草是本研究的重點，因此將驗證類別分為互花米草與非互花米草兩類。

4 結(jié)果與分析

4.1 閾值確定

閾值穩(wěn)定性是指數(shù)構(gòu)建和應用中的一個重要指標，濱海濕地場景具有強復雜性，本研究在兩個研究區(qū)根據(jù)訓練樣本選取典型濕地植被，在黃河三角洲濕地選取檉柳、堿蓬、蘆葦和互花米草，在鹽城濱海濕地選取了茅草、堿蓬、蘆葦和互花米草，生成箱型圖，確定互花米草和其他鹽沼濕地植被的平均值、最大值和最小值。最后，在兩個研究區(qū)進行反復實驗，通過反復實驗得到最佳提取效果與精度以確定最終閾值。

圖5 直觀地展示了兩個研究區(qū)基于GNDSAI、NDVI 和EVI 樣本統(tǒng)計值，可見：基于GNDSAI 互花米草與其他鹽沼濕地植被具有良好的分離能力，設置合理的閾值可以將互花米草與其他鹽沼濕地植被有效分離；基于NDVI 和EVI 的區(qū)分能力相對較弱，即使是處于互花米草生長旺盛期，互花米草與其他鹽沼濕地植被的數(shù)值分布仍有重合；由于兩個研究區(qū)的植被長勢和物候期的差異，互花米草提取的最佳閾值不同，最終黃河三角洲濕地的閾值下限確定為0.4，鹽城濱海濕地確定為0.27。

圖5 兩個研究區(qū)不同植被指數(shù)數(shù)值的箱型圖Fig.5 Boxplot of different vegetation indexes value in the two study areas

4.2 提取效果及精度評價

本研究提取了黃河三角洲濕地2021年9月29日和鹽城濱海濕地2020年9月6 日的互花米草信息。如圖6 和圖8 所示，結(jié)合調(diào)研資料和Google Earth高分辨影像分析，基于GNDSAI的提取結(jié)果從目視解譯中能夠較好地展現(xiàn)黃河三角洲濕地和鹽城濱海濕地的互花米草空間分布狀況，符合其生態(tài)位分布?；セ撞菘傮w分布范圍在近海一側(cè)高鹽度區(qū)域，呈陸向入侵態(tài)勢。在黃河三角洲濕地，互花米草群落呈團塊狀分布，其周圍生長有蘆葦、檉柳等鹽沼濕地植被類型，大部分區(qū)域被高鹽度灘涂所包圍；在鹽城濱海濕地，植被大致上呈從海向陸條帶狀分布，在群落銜接地帶存在生態(tài)位重疊與蘆葦、堿蓬等植被混合生長的現(xiàn)象。如表3所示：本研究提出的基于GNDSAI的決策樹分類方法，在黃河三角洲濕地中，生產(chǎn)者精度和用戶精度分別為92.55%和90.31%，Kappa 系數(shù)為0.85；在鹽城濱海濕地中，生產(chǎn)者精度和用戶精度分別為91.45%和93.04%，Kappa系數(shù)為0.85。

表3 兩個研究區(qū)不同方法對互花米草提取結(jié)果的精度Table 3 Accuracy of extraction results with different methods in the two study areas

圖6 黃河三角洲濕地互花米草提取結(jié)果對比Fig.6 Comparison of results in the Yellow River Delta wetland

如圖6 和圖7 所示：基于NDVI 和EVI 的目視提取效果較差，兩個研究區(qū)都存在較多誤分和漏分情況。在黃河三角洲濕地中古河道區(qū)域部分蘆葦誤分為互花米草。在鹽城濱海濕地中與蘆葦和茅草都有較大程度的誤分情況?；赟VM 和RF 的提取結(jié)果具備較高的提取效果和精度，在互花米草與其他植被混生的區(qū)域表現(xiàn)良好，漏分錯分現(xiàn)象很少發(fā)生。由于RF 在黃河三角洲濕地受到影像噪點的影響，提取效果下降。MLC 方法的提取效果和精度較差，在兩個研究區(qū)都有相當多的其他濕地植被錯分為互花米草。ANN 方法同樣在兩個研究區(qū)都有相當多互花米草漏分現(xiàn)象。

圖7 鹽城濱海濕地互花米草提取結(jié)果對比Fig.7 Comparison of results in the Yancheng coastal wetland

如表3 所示：基于NDVI 的分類方法，在黃河三角洲濕地中生產(chǎn)者精度和用戶精度分別為65.98%和73.56%，Kappa 系數(shù)為0.54；在鹽城濱海濕地中生產(chǎn)者精度和用戶精度分別為75.77%和80.08%，Kappa 系數(shù)為0.62?；贓VI 的分類方法，在黃河三角洲濕地中，生產(chǎn)者精度和用戶精度分別為59.79%和78.38%，Kappa 系數(shù)為0.52；在鹽城濱海濕地中，生產(chǎn)者精度和用戶精度分別為75.77%和80.08%，Kappa 系數(shù)為0.59。SVM 在黃河三角洲濕地的生產(chǎn)者精度和用戶精度分別為81.56%和89.84%，Kappa 系數(shù)為0.75；在鹽城濱海濕地的生產(chǎn)者精度和用戶精度分別為85.38%和95.28%，Kappa 系數(shù)為0.84。RF 在黃河三角洲濕地的生產(chǎn)者精度和用戶精度分別為77.30% 和95.20%，Kappa 系數(shù)為0.78；在鹽城濱海濕地的生產(chǎn)者精度和用戶精度分別為82.69%和94.71%，Kappa 系數(shù)為0.81。MLC 在黃河三角洲濕地的生產(chǎn)者精度和用戶精度分別為96.81% 和79.13%，Kappa 系數(shù)為0.75；在鹽城濱海濕地的生產(chǎn)者精度和用戶精度分別為71.54%和88.57%，Kappa 系數(shù)為0.69。ANN 在黃河三角洲濕地的生產(chǎn)者精度和用戶精度分別為74.47%和99.06%，Kappa 系數(shù)為0.79；在鹽城濱海濕地的生產(chǎn)者精度和用戶精度分別為26.15%和93.15%，Kappa系數(shù)為0.56。

總體而言，NDVI 和EVI 提取精度較差，與視覺效果相符，因為基于NDVI 和EVI 的互花米草與其他鹽沼濕地植被之間的不可分性，導致其性能不穩(wěn)定，兩個研究區(qū)的精度相差較大，在植被情況復雜的鹽城濱海濕地中精度較差。GNDSAI 大幅優(yōu)于NDVI 和EVI 的提取精度，GNDSAI 在植被指數(shù)方法中提取互花米草具有優(yōu)越性。GNDSAI 小幅優(yōu)于SVM 和RF 的提取精度，相較于表現(xiàn)良好的機器學習方法，GNDSAI 也存在優(yōu)勢。由于高光譜影像分類中小樣本和高數(shù)據(jù)維度的特征，數(shù)據(jù)訓練不夠充分，MLC和ANN的分類效果很差。

5 討論

5.1 互花米草的光譜異質(zhì)性

同物異譜與異物同譜現(xiàn)象存在于本文兩個濱海濕地研究區(qū)中，對互花米草指數(shù)構(gòu)建和提取構(gòu)成挑戰(zhàn)。

圖8 和圖9 展示了黃河三角洲濕地和鹽城濱海濕地中，不同土壤濕度和不同長勢的互花米草的光譜曲線圖。這些曲線為均值光譜曲線，而灰色區(qū)域則代表互花米草光譜變化的標準差區(qū)間。圖8和圖9展示了黃河三角洲濕地的蘆葦、堿蓬、檉柳以及鹽城濱海濕地的蘆葦、堿蓬、茅草的光譜曲線，包括其均值和標準差范圍。在近紅外波段，互花米草的變化幅度明顯高于其他波段，這一變化受到其長勢、植物葉綠素含量和植被底質(zhì)土壤水分含量的共同影響，而在短波紅外波段，主要受到水分含量的影響（韓月等，2023）。本研究選擇的主要濕地植被類型包括檉柳、堿蓬、蘆葦和茅草。在本研究所采集的9月份遙感影像中，這些植被已接近枯萎狀態(tài)，因此它們的光譜曲線無法展現(xiàn)出明顯的植被光譜特征。與此同時，它們的光譜異質(zhì)性也相對較小。此時，在近紅外波段互花米草反射率標準差范圍下界存在與其他濕地植被反射率標準差范圍上界重疊的部分，這也是造成錯分誤差的主要原因。

圖8 基于ZY1-02D高光譜影像的黃河三角洲濕地植被光譜曲線與光譜標準差Fig.8 Spectral curve and spectral standard deviation of wetland vegetation in Yellow River Delta based on ZY1-02D hyperspectral image

圖9 基于ZY1-02D高光譜影像的鹽城濱海濕地植被光譜曲線與光譜標準差Fig.9 Spectral curve and spectral standard deviation of wetland vegetation in Yancheng coastal wetland based on ZY1-02D hyperspectral image

5.2 波段組合的選擇

本研究所提出指數(shù)的基本原理是基于互花米草在近紅外（765 nm）、近紅外（842 nm）、短波紅外（1644 nm）和短波紅外（2216 nm）這4個波段敏感的光譜響應，但指數(shù)構(gòu)建方式多種多樣，本研究對比分析多種可能方式下的組合，經(jīng)過多次實驗確定閾值，得到精度最高的結(jié)果。如表4所示，其他二波段、三波段和四波段組合方式的提取精度與本文所提出的組合方式相比稍差，所以最終本研究選擇的組合為式（1）。

表4 兩個研究區(qū)不同波段組合方式對互花米草提取結(jié)果的精度Table 4 Accuracy of extraction results with different band combination in the two study areas

5.3 閾值的差異性

兩個研究區(qū)最佳閾值具有差異性，有以下原因：（1）兩個研究區(qū)緯度差異較大，影像獲取時間難以匹配，且生境存在差異；（2）兩個研究區(qū)的差異，造成互花米草物候期所對應的日期不一致，導致了兩個研究區(qū)間的互花米草平均光譜曲線存在較大差異。本研究基于Sentinel-2 多光譜影像根據(jù)訓練樣本獲取2020年—2021年兩個研究區(qū)的互花米草時間序列NDVI 諧波擬合后的值。由于濱海濕地大部分地區(qū)全年都被高云覆蓋，原始NDVI 偏差較大，而時間序列諧波分析法能夠較好地模擬互花米草NDVI值，表征其物候期（Wu等，2021）。如圖10，本研究選擇的兩個研究區(qū)互花米草物候期不是完全一致，從而導致最佳閾值選取的差異。因此要求選取影像數(shù)據(jù)時，應兼顧研究區(qū)內(nèi)互花米草物候期所對應的日期對互花米草生長狀態(tài)所帶來的影響，盡量選擇互花米草生長期內(nèi)的同一物候時期。

圖10 兩個研究區(qū)基于Sentinel-2多光譜影像時間序列互花米草NDVI諧波擬合值折線圖Fig.10 Line plots of the NDVI harmonic fitting values of Spartina alterniflor based on Sentinel-2 multispectral imagery time series for two study areas

5.4 潮位的影響和不確定性

互花米草生長在潮間帶區(qū)域，提取效果受到潮汐的影響。一方面，當潮位位于互花米草根部與冠層之間時，水體背景會使得光譜特征偏向于水體，近紅外和短波紅外波段反射率都會下降，提取效果受到影響；另一方面，潮位對提取效果的影響程度與互花米草的覆蓋度有關(guān)，覆蓋度高則影響程度較小，覆蓋度低則影響程度較大。再者，影響程度與互花米草植株高度也有關(guān)聯(lián)，植株高度較低則抗淹沒能力較弱，難以捕捉到植株出露水面的時刻，導致提取效果存在不確定性?；セ撞萆L區(qū)域潮位和相關(guān)數(shù)據(jù)難以精確獲取，關(guān)于潮位對提取效果的影響和不確定性還有待進一步研究。因此要求結(jié)合潮汐站潮位信息，盡量選取低潮時期的影像數(shù)據(jù)，以確?；セ撞萏崛〉男Ч途?。

6 結(jié)論

目前很少有研究提出互花米草指數(shù)，但隨著高光譜技術(shù)的發(fā)展，高光譜衛(wèi)星可以提供更精細的光譜數(shù)據(jù)，可以在光譜層面實現(xiàn)互花米草與其他鹽沼濕地植被的分離提取。本研究利用ZY1-02D高光譜影像，提出了一種生長期歸一化互花米草指數(shù)（GNDSAI），考慮到互花米草的物候特性，利用近紅外（765 nm）、近紅外（842 nm）、短波紅外（1644 nm）和短波紅外（2216 nm）這4個波段，通過光譜波段的運算，增強互花米草與其他鹽沼濕地植被的差異，構(gòu)建了GNDSAI。結(jié)合MNDWI和先驗知識，設計了基于GNDSAI的決策樹分類模型。結(jié)果表明，本方法在兩個研究區(qū)內(nèi)具有較強的區(qū)域適應性，提取結(jié)果優(yōu)于其他方法。

互花米草生長在人工難以涉足并采樣的灘涂上，這些方法需要繁重的樣本選擇工作和大量的樣本訓練。在沒有大量樣本和先驗知識的幫助下，GNDSAI也可以達到良好的效果。并且，指數(shù)計算速度遠快于監(jiān)督分類方法。因此，對于互花米草提取而言，無論是與目前廣泛應用的NDVI、EVI、SVM、RF、MLC 和ANN 方法相比，還是與深度學習神經(jīng)網(wǎng)絡方法相比，GNDSAI 分類方法都具有更高的效率和更大的潛力，更適合互花米草快速精確提取。

本研究在未來的研究中將考慮以下問題：（1）自動化閾值確定，減少手動干預；（2）解決低分辨率的混合像元問題，考慮將高光譜影像與高分辨率影像融合，以提高互花米草提取的效果和精度。