陳偉 張秀霞 黨星海 樊新成 李旺平 徐俊偉

摘要：準(zhǔn)確識(shí)別水體信息是分析地表水時(shí)空動(dòng)態(tài)變化的重要技術(shù)手段。針對(duì)目前各種長(zhǎng)時(shí)序水體信息提取方法精度低的問題，基于Landsat遙感影像，選用1986～2022年5 484景黃河源區(qū)遙感影像，分別運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)結(jié)合面向?qū)ο螅–NN-OBIA）和多指數(shù)水體檢測(cè)規(guī)則（MIWDR）兩種方法提取了黃河源區(qū)的地表水體，并對(duì)兩種方法的提取精度進(jìn)行了對(duì)比分析。在此基礎(chǔ)上，探究了1986～2022年黃河源區(qū)水體信息的時(shí)空變化特征，并對(duì)其主要?dú)夂蛞蛩剡M(jìn)行相關(guān)分析。結(jié)果表明：① CNN-OBIA的總體精度和 Kappa系數(shù)分別為96.78%和0.93，MIWDR的總體精度和 Kappa系數(shù)分別為94.28%和0.88，總體而言，CNN-OBIA的提取精度高于MIWDR方法。CNN-OBIA的提取結(jié)果可以很好地保持水體邊界完整性和有效去除山體陰影，可以較好地對(duì)細(xì)小河流進(jìn)行提取。② 研究區(qū)水體總面積呈現(xiàn)出先減少（1986～2001年）后增加（2001～2022年）的變化趨勢(shì)。③ 相關(guān)性分析表明，降水和氣溫與水體面積的變化均表現(xiàn)出顯著正相關(guān)。

關(guān)鍵詞：水體面積提?。?卷積神經(jīng)網(wǎng)絡(luò)； 面向?qū)ο螅?驅(qū)動(dòng)力分析； 黃河源區(qū)

中圖法分類號(hào)： P237；P332

文獻(xiàn)標(biāo)志碼： A

DOI：10.16232/j.cnki.1001-4179.2024.04.018

0引 言

黃河源區(qū)位于青藏高原東北部，源區(qū)內(nèi)有著上千個(gè)大大小小的湖泊，由于其地域廣闊、人口稀少，因此受人類活動(dòng)的影響較小，能夠真實(shí)反映地表水體面積變化與氣候變化間的響應(yīng)關(guān)系［1-2］。近幾十年里，黃河源區(qū)在氣候變暖條件下發(fā)生了強(qiáng)烈的氣候轉(zhuǎn)型［3］，尤其在1990年以后，降水量與氣溫總體呈上升趨勢(shì)［4］，使該區(qū)域水文響應(yīng)過程的波動(dòng)更加頻繁，研究地表水體面積的時(shí)空變化及其驅(qū)動(dòng)因素分析，對(duì)于黃河源區(qū)生態(tài)環(huán)境的保護(hù)具有重大意義［5］。此外，黃河源區(qū)海拔較高，地形起伏大，自然環(huán)境惡劣，導(dǎo)致水文資料的獲取難度增大。因此，運(yùn)用遙感影像技術(shù)監(jiān)測(cè)黃河源區(qū)地表水體，不僅對(duì)水資源利用和水文研究具有重要意義，而且可以為整個(gè)黃河流域水資源的可持續(xù)利用提供科學(xué)依據(jù)。

隨著遙感技術(shù)的發(fā)展，利用衛(wèi)星遙感影像對(duì)大區(qū)域陸表水體面積進(jìn)行長(zhǎng)時(shí)間監(jiān)測(cè)具有便捷高效的優(yōu)勢(shì)［6-7］。針對(duì)遙感影像水體提取問題，國(guó)內(nèi)外學(xué)者進(jìn)行了大量研究工作。目前常用的水體提取方法主要有以下3種：① 水體指數(shù)法［8］，如歸一化水體指數(shù)（NDWI）［9］、修正的歸一化水體指數(shù)（mNDWI）［10］和改進(jìn)的新型水體指數(shù)（NNDWI）［11］，因其計(jì)算方法簡(jiǎn)便，計(jì)算時(shí)間較短而在各項(xiàng)研究中得到了廣泛應(yīng)用。然而，其仍面臨著閾值不確定和分類結(jié)果不穩(wěn)定的挑戰(zhàn)。② 面向?qū)ο笥跋穹治觯∣BIA），該方法以對(duì)象為分析單元，能充分利用影像的光譜、空間、紋理信息，特征描述能力顯著增強(qiáng)［12］。與水體指數(shù)法相比，面向?qū)ο竽芙档汀敖符}現(xiàn)象”的出現(xiàn)。然而，OBIA所使用的知識(shí)規(guī)則對(duì)專家知識(shí)的依賴性強(qiáng)且時(shí)空普適性較差。③ 幾種特殊的水體分類方法，例如色調(diào)、飽和度和數(shù)值算法［13］或基于離散粒子群優(yōu)化的光譜匹配算法［14］。這些算法是基于經(jīng)驗(yàn)進(jìn)行優(yōu)化的，具有很高的提取精度，但其操作的復(fù)雜性使得對(duì)區(qū)域內(nèi)進(jìn)行長(zhǎng)時(shí)序水體提取沒有較高的普適性。

近年來，隨著深度學(xué)習(xí)在目標(biāo)人工智能識(shí)別算法領(lǐng)域的迅猛發(fā)展［15-16］，一些新型水體提取算法和技術(shù)不斷涌現(xiàn)。何海清等［17］提出了一種將歸一化差分水體指數(shù)與深度學(xué)習(xí)相結(jié)合的遙感水體提取方法，實(shí)驗(yàn)結(jié)果表明該方法優(yōu)于常用的NDWI、SVM等水體提取方法；王雪等［18］采用全卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)水體信息進(jìn)行有效的提取，其結(jié)果具有良好的穩(wěn)健性和泛化能力。然而，深度學(xué)習(xí)一般不能精細(xì)地捕捉水體輪廓，并且因其輸出特征的高抽象性，存在“椒鹽現(xiàn)象”。

為了克服OBIA時(shí)空普適性低，深度學(xué)習(xí)提取結(jié)果邊界模糊和樣本需求量大的問題，本文采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）結(jié)合OBIA進(jìn)行遙感長(zhǎng)時(shí)序水體識(shí)別。結(jié)合水體與非水體樣本點(diǎn)矢量數(shù)據(jù)，對(duì)遙感影像進(jìn)行多尺度分割，在分割結(jié)果的基礎(chǔ)上制作訓(xùn)練樣本，然后創(chuàng)建和訓(xùn)練CNN模型，并利用CNN模型獲得水體分類結(jié)果，結(jié)合OBIA進(jìn)行提取結(jié)果優(yōu)化，提高水體提取精度。

1數(shù)據(jù)來源和研究方法

1.1研究區(qū)概況

黃河源區(qū)位于青藏高原東北部（34°10′ N～35°23′N，96°56′ E～99°18′E），總面積約1.90萬km2，源區(qū)海拔范圍在4 134～5 244 m，平均海拔4 405 m，地形中部較低、四周較高，地勢(shì)起伏較為平緩。黃河源區(qū)屬于典型的高原大陸性氣候［19］，主要受西風(fēng)、印度季風(fēng)和東亞季風(fēng)的影響［20］，寒冷干燥，冷熱兩季交替，干濕季分明，年均氣溫為-8～-1 ℃，年降水量為300～750 mm。源區(qū)內(nèi)水資源豐富，分布著大量的高原湖泊，其中包括分布在中國(guó)瑪多縣海拔最高的淡水湖泊。該區(qū)域生態(tài)環(huán)境受人類活動(dòng)影響較小，是黃河流域主要的產(chǎn)流區(qū)和中國(guó)生態(tài)屏障區(qū)。黃河源區(qū)的海拔高度和氣候條件如圖1所示。

1.2數(shù)據(jù)來源

基于GEE云平臺(tái)在線調(diào)用經(jīng)過大氣校正及輻射校正的Landsat 5/7/8 SR數(shù)據(jù)集，對(duì)研究區(qū)影像進(jìn)行最小云量篩選，拼接合成1986～2022年的遙感影像?；赑IE云平臺(tái)下載高分一號(hào)多光譜地表反射率產(chǎn)品。表1為本文用到的數(shù)據(jù)及其來源。

1.3研究方法

1.3.1多指數(shù)水體檢測(cè)規(guī)則（MIWDR）

基于GEE云平臺(tái)利用Landsat遙感影像，采用多指數(shù)水體檢測(cè)規(guī)則（MIWDR）［21］提取地表水體。當(dāng)像元滿足邏輯關(guān)系［（mNDWI＞EVI）或（mNDWI＞NDVI）］和（EVI＜0.1）時(shí)被判定為水體，否則為非水體，多指數(shù)比單個(gè)指數(shù)識(shí)別更穩(wěn)定［22］。該方法適合長(zhǎng)時(shí)序、大尺度的Landsat水體制圖，可以有效降低植被在濕地水體識(shí)別中的影響。目前，長(zhǎng)時(shí)序水體時(shí)空變化研究多采用此方法［23-25］。不同指數(shù)計(jì)算方法如下

1.3.2卷積神經(jīng)網(wǎng)絡(luò)結(jié)合面向?qū)ο?/p>

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種多層前饋神經(jīng)網(wǎng)絡(luò)［26］，由卷積層和池化層組成，主要是特征提取層和特征映射層，被設(shè)計(jì)用于從像素級(jí)開始的圖像視覺識(shí)別。CNN采用局部感知野與權(quán)值共享的方式減少參數(shù)的個(gè)數(shù)，網(wǎng)絡(luò)結(jié)構(gòu)對(duì)圖像的傾斜、平移和比例縮放等變形具有很高的不變性，能夠?qū)W習(xí)到數(shù)據(jù)的深層特征，但難以得到水體的精確邊界。此外，CNN以影像塊為訓(xùn)練樣本，以固定的感知野窗口提取特征，不利于挖掘地物間的空間關(guān)系。

面向?qū)ο蠓诸悾∣BIA）處理過程包括影像分割、特征提取、影像分類等［27］。其中，分割是OBIA中最為核心的一步，它按照異質(zhì)性最低和同質(zhì)性最高的原則將影像劃分為不同尺寸和特征信息一致的區(qū)域。目前使用最廣泛的分割方法是多尺度分割，其參數(shù)和尺度的選擇直接決定分割的質(zhì)量，本文利用ESP2尺度參數(shù)估計(jì)工具［28］得到最優(yōu)分割尺度。

基于最優(yōu)分割結(jié)果制作CNN訓(xùn)練樣本，可獲得同質(zhì)像素組成的訓(xùn)練樣本集。

本文采用卷積神經(jīng)網(wǎng)絡(luò)結(jié)合面向?qū)ο蠓椒ㄌ崛∷w。CNN以空間上毗鄰的均質(zhì)像素集為感知野，相比傳統(tǒng)的窗體形狀的影像塊感知野，均質(zhì)像素集感知野更能表征地物的空間關(guān)系、邊界信息和本身的光譜特性。具體提取過程為：① 基于研究區(qū)遙感影像采用目視解譯方法共采集1 000個(gè)樣本點(diǎn)，其中水體和非水體樣本點(diǎn)各500個(gè)；② 在ESP2分割工具的輔助下確定最優(yōu)分割尺度并以樣本點(diǎn)為約束，實(shí)現(xiàn)了原始影像的多尺度分割與分類；③ 計(jì)算多尺度分割后形狀的重心點(diǎn)，以重心點(diǎn)為中心，生成適合CNN輸入端口的同質(zhì)像素影像塊訓(xùn)練樣本；④ 基于eCognition軟件構(gòu)建CNN模型（圖2），將訓(xùn)練樣本輸入模型進(jìn)行訓(xùn)練；⑤ 使用訓(xùn)練好的模型對(duì)研究區(qū)長(zhǎng)時(shí)序的Landsat影像進(jìn)行分類，生成水體提取結(jié)果；⑥ 基于CNN分類結(jié)果，結(jié)合NDWI水體指數(shù)和坡度信息進(jìn)行結(jié)果優(yōu)化。

1.3.3精度評(píng)價(jià)

本文利用混淆矩陣驗(yàn)證研究區(qū)內(nèi)地表水體的提取精度。具體指標(biāo)由生產(chǎn)者精度（Pay）、用戶精度（Uay）、總體精度（Oay）、Kappa系數(shù)（Kc）4個(gè)參數(shù)組成。其中，生產(chǎn)者精度（Pay）是指分類時(shí)對(duì)水體類別地面實(shí)際參考數(shù)據(jù)進(jìn)行正確分類的概率；用戶精度（Uay）是指分類器在把像元分類為水體后，參照現(xiàn)有數(shù)據(jù)實(shí)際分類到水體中的概率；總體精度（Oay）是全部正確分類的樣本點(diǎn)與總樣本點(diǎn)數(shù)之比；Kappa系數(shù)（Kc）綜合考慮了分類結(jié)果與參考數(shù)據(jù)間的一致性，一般情況下Kappa系數(shù)在0～1之間變化，數(shù)值越大說明分類精度越高。Pay、Uay、Oay和Kc的計(jì)算公式分別

1.3.4相關(guān)性分析

本文通過計(jì)算水體面積與年降水量和年均氣溫變化間的皮爾遜相關(guān)系數(shù)，來判斷地表水體面積與氣候因素變化的相關(guān)性。對(duì)于任意兩個(gè)變量X=（x1，x2，…，xn），Y=（y1，y2，…，yn），這兩個(gè)變量的皮爾遜相關(guān)系數(shù)計(jì)算公式為

2結(jié)果與分析

2.1不同方法提取結(jié)果對(duì)比與分析

2.1.1水體提取結(jié)果與分析

選擇湖泊、干流、支流3種水體類型對(duì)比分析JRC數(shù)據(jù)集、MIWDR、CNN-OBIA的提取結(jié)果差異。如表2所示，MIWDR和CNN-OBIA方法均能夠準(zhǔn)確地提取出大型面狀水體，并與JRC數(shù)據(jù)集相一致。在提取干流時(shí)，MIWDR與CNN-OBIA提取結(jié)果呈現(xiàn)一致性，均能夠準(zhǔn)確地提取干流的特征，并且在完整性方面優(yōu)于JRC數(shù)據(jù)集。而小的支流提取結(jié)果顯示，CNN-OBIA方法均優(yōu)于MIWDR和JRC數(shù)據(jù)集，其提取結(jié)果的連續(xù)性較好，很好地抑制斷流、孔洞現(xiàn)象，噪聲點(diǎn)很少，能很好地區(qū)分陰影和水體；JRC數(shù)據(jù)集出現(xiàn)明顯的斷裂情況；MIWDR的提取結(jié)果有很多斑點(diǎn)噪聲，是山體陰影和暗像素的存在對(duì)水體提取產(chǎn)生強(qiáng)烈干擾。

2.1.2不同水體提取方法的精度評(píng)價(jià)

本文利用混淆矩陣驗(yàn)證了研究區(qū)內(nèi)地表水體的提取精度。選取 1988、1996、2004、2012、2020年5期地表水體數(shù)據(jù)，基于谷歌地球（Google Earth）的高分辨率影像，采用隨機(jī)采樣法進(jìn)行水體精度驗(yàn)證。通過目視解譯分別均勻選取500個(gè)水體點(diǎn)和500個(gè)非水體點(diǎn)，共1 000個(gè)樣本點(diǎn)。對(duì)比驗(yàn)證MIWDR和CNN-OBIA兩種方法的精度（表3）。結(jié)果顯示，MIWDR平均總體精度和 Kappa系數(shù)分別為94.28%和0.88，CNN-OBIA平均總體精度和Kappa系數(shù)分別為96.78%和0.93，表明CNN-OBIA方法提取精度優(yōu)于MIWDR，因此，本文選用CNN-OBIA方法提取的黃河源區(qū)長(zhǎng)時(shí)序水體進(jìn)行時(shí)空變化及其驅(qū)動(dòng)因素分析。

2.2GF-1影像提取結(jié)果對(duì)比與分析

基于高分一號(hào)（GF-1）多光譜遙感影像，采用CNN-OBIA方法提取了黃河源區(qū)水體信息，并通過混淆矩陣驗(yàn)證提取精度（見表4）。GF-1影像的提取結(jié)果在總體精度和Kappa系數(shù)方面均高于Landsat影像，達(dá)到了97.52%和0.95。并將GF-1影像與Landsat影像的提取結(jié)果進(jìn)行了比較，見表5。對(duì)大型水體而言，Landsat及GF-1影像均具有較好的提取效果，都能準(zhǔn)確識(shí)別水體邊界；在細(xì)部水體提取中，GF-1影像的提取結(jié)果明顯更好，能更好地對(duì)細(xì)部水體進(jìn)行識(shí)別和提取，表明CNN-OBIA方法同樣適合高分辨率影像的水體提取，且隨著分辨率越高，其提取精度越高。

2.31986～2022年黃河源區(qū)地表水時(shí)空變化

利用CNN-OBIA水體提取方法，提取了黃河源區(qū)1986～2022年地表水體，并分析了水體面積的年際變化特征。從圖4可知，地表水體面積在1986～2022年整體呈增加趨勢(shì)，總面積從1986年的1 569.9 km2增加到2022年的1 664.97 km2，增加速率為6%。有兩個(gè)時(shí)段變化趨勢(shì)不同，1986～2001年間，水體面積減少；而在2001～2022年間，水體面積呈現(xiàn)增長(zhǎng)趨勢(shì)。選擇多個(gè)具有代表性的區(qū)域?qū)λw空間變化趨勢(shì)進(jìn)行放大（圖5）。由圖5可知，1986～2001年期間，湖泊整體呈現(xiàn)萎縮的趨勢(shì)，2001～2022年期間，湖泊面積大部分增加。從干、支流域上看，也具有相同的變化趨勢(shì)。

2.4黃河源區(qū)地表水體變化氣候因素分析

2.4.1氣溫和降水

氣溫與降水是內(nèi)陸地面水體面積發(fā)生變化的兩個(gè)主要影響因子。通過對(duì)黃河源區(qū)1986～2022年年降水量和年均氣溫進(jìn)行統(tǒng)計(jì)分析，發(fā)現(xiàn)兩者均呈現(xiàn)波動(dòng)上升趨勢(shì)（圖6）。其中年降水量平均為371.05 mm，1990年降水量達(dá)到最低的270.71 mm，最高年降水量在2009年為496.88 mm。年均氣溫平均為-4.89 ℃，1992年年均氣溫達(dá)到最低的-6.53 ℃，最高年均氣溫在1987年為-3.42 ℃。

2.4.2氣溫和降水與水體面積變化相關(guān)分析

對(duì)黃河源區(qū)地表水體面積與年降水量、年均氣溫作相關(guān)性分析。結(jié)果表明，在P=0.05的顯著性水平下，水體面積與年降水量、年均氣溫相關(guān)性較一致，相關(guān)系數(shù)分別為0.327和0.341。由圖7明顯可見，水體面積與年降水量、年均氣溫均呈顯著正相關(guān)關(guān)系。因此，氣溫和降水是影響黃河源區(qū)地表水體面積變化的重要因素。

3討 論

本文針對(duì)如何更好地保持水體邊界的完整性，克服山體陰影對(duì)分類結(jié)果的影響，以及提高細(xì)小河流提取準(zhǔn)確性的問題，使用深度學(xué)習(xí)結(jié)合面向?qū)ο蟮乃w提取方法提高精度。

（1） 從實(shí)驗(yàn)結(jié)果分析可知，CNN-OBIA方法對(duì)提取長(zhǎng)時(shí)序水體有很強(qiáng)的適用性，因?yàn)橄嗤瑓^(qū)域各年的遙感影像具有相似的光譜特性，模型可直接應(yīng)用于其他研究年份，獲得水體結(jié)果。此外，基于多尺度分割后制作的CNN訓(xùn)練樣本，更能表征地物的空間關(guān)系、邊界信息和光譜特征。訓(xùn)練得到的CNN模型不僅可以準(zhǔn)確識(shí)別水體邊界，還能較好克服山體陰影在識(shí)別過程中的影響。再加入NDWI指數(shù)、坡度信息優(yōu)化提取結(jié)果，可以修正部分誤分對(duì)象和消除陰影對(duì)提取結(jié)果的影響。

（2） 通過長(zhǎng)時(shí)序水體提取試驗(yàn)，發(fā)現(xiàn)黃河源區(qū)地表水體面積呈先減少（1986～2001年）后增加（2001～2022年）的趨勢(shì)。這一結(jié)論與三江源總水體面積變化趨勢(shì)相一致［29-30］。水體面積、降水量和溫度的年際變化表明，水體面積變化與降水量和氣溫的變化保持了較高的一致性。相關(guān)性分析結(jié)果表明，降水量和水體面積相關(guān)系數(shù)達(dá)到0.327，說明降水量和水體面積之間呈正相關(guān)變化。年均氣溫與水體面積的相關(guān)系數(shù)為 0.341，這表明氣溫越高，水體面積越大。這些變化與青藏高原大部分地區(qū)近年來氣候朝著暖濕化發(fā)展的趨勢(shì)基本一致［31］。

（3） 本文使用JRC全球地表水產(chǎn)品數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)。將JRC數(shù)據(jù)集中1986～2020年黃河源區(qū)的地表水體面積與本實(shí)驗(yàn)提取結(jié)果進(jìn)行一致性檢驗(yàn)（圖8），結(jié)果表明，1986～2020年R2為0.86，表明CNN-OBIA提取的水體面積年際變化與JRC產(chǎn)品數(shù)據(jù)結(jié)果相近，從而佐證了本文結(jié)果的可靠性。

4結(jié) 論

基于eCognition軟件，采用CNN-OBIA水體提取方法，提取了黃河源區(qū)1986～2022年所有的地表水體并進(jìn)行精度評(píng)價(jià)，分析了地表水體面積變化及其驅(qū)動(dòng)因素。得到以下結(jié)論：

（1） 卷積神經(jīng)網(wǎng)絡(luò)結(jié)合面向?qū)ο螅–NN-OBIA）水體提取方法比多指數(shù)水體檢測(cè)方法（MIWDR）精度更高。CNN-OBIA提取方法總體精度達(dá)到96.78%，Kappa系數(shù)為0.93，該水體識(shí)別方法精度較高，并快速、簡(jiǎn)單，可用于長(zhǎng)時(shí)序水體提取分析。

（2） 基于GF-1影像，利用CNN-OBIA方法提取水體的總體精度為97.52%，Kappa系數(shù)為0.95，表明CNN-OBIA適用于高分辨率影像的水體提取。

（3） 1986～2022年黃河源區(qū)地表水體面積整體增加，從1986年的1 569.9 km2增加到 2022年的 1 664.97 km2，增加速率為6%。在1986～2001年間，水體面積減少；2001～2022年間，水體面積呈現(xiàn)增長(zhǎng)趨勢(shì)。

（4） 1986～2022年間，黃河源區(qū)年降水量和年均氣溫均呈波動(dòng)升高趨勢(shì)。年降水量和年均氣溫是導(dǎo)致源區(qū)內(nèi)地表水體面積擴(kuò)大的原因。

參考文獻(xiàn)：

［1］皮英楠，劉世英，李宗仁，等.基于GF-1與Landsat衛(wèi)星數(shù)據(jù)的青海省湖泊遙感調(diào)查及其動(dòng)態(tài)變化分析［J］.寧夏大學(xué)學(xué)（自然科學(xué)版），2018，39（2）：170-176.

［2］董斯揚(yáng)，薛嫻，尤全剛，等.近40年青藏高原湖泊面積變化遙感分析［J］.湖泊科學(xué)，2014，26（4）：535-544.

［3］白曉蘭，魏加華，解宏偉.三江源區(qū)干濕變化特征及其影響［J］.生態(tài)學(xué)報(bào)，2017，37（24）：8397-8410.

［4］TONG L，XU X，F(xiàn)U Y，et al.Wetland changes and their responses to climate change in the “three-river headwaters” region of China since the 1990s［J］.Energies，2014，7（4）：2515-2534.

［5］杜本峰，穆躍瑄，劉悅雅.生態(tài)健康、健康生態(tài)與黃河流域高質(zhì)量發(fā)展［J］.中州學(xué)刊，2021（5）：86-93.

［6］仲濤，李漠巖，李建豪，等.伊犁河流域陸表水域面積時(shí)空變化及驅(qū)動(dòng)力分析［J］.人民長(zhǎng)江，2023，54（4）：101-107.

［7］盧麗琛，洪亮.云南省九大高原湖泊水體面積時(shí)空變化研究［J］.人民長(zhǎng)江，2021，52（10）：128-134.

［8］高煒.小興安嶺沼澤濕地時(shí)空格局演變及驅(qū)動(dòng)機(jī)制分析［D］.哈爾濱：哈爾濱師范大學(xué)，2020.

［9］MCFEETERS S K.The use of the Normalized Difference Water Index （NDWI） in the delineation of open water features［J］.International Journal of Remote Sensing，1996，17（7）：1425-1432.

［10］ XU H.Modification of normalized difference water index （NDWI） to enhance open water features in remotely sensed imagery［J］.International Journal of Remote Sensing，2006，27（14）：3025-3033.

［11］王帆，李崇貴，馬婷，等.一種改進(jìn)的遙感影像水體信息快速提取方法［J］.人民長(zhǎng)江，2021，52（6）：223-228.

［12］程葛鑒，于歡，孔博，等.面向?qū)ο筮b感影像分析技術(shù)應(yīng)用現(xiàn)狀與展望［J］.科技資訊，2020，18（16）：12-13.

［13］PEKEL J F，COTTAM A，GORELICK N，et al.High-resolution mapping of global surface water and its long-term changes［J］.Nature，2016，540（7633）：418-422.

［14］JIA K，JIANG W，LI J，et al.Spectral matching based on discrete particle swarm optimization：a new method for terrestrial water body extraction using multi-temporal Landsat 8 images［J］.Remote Sensing of Environment，2018，209：1-18.

［15］葉雨陽，呂獻(xiàn)林，羅鍇澍，等.基于Landsat-8數(shù)據(jù)的洞庭湖區(qū)地表水體提取方法評(píng)價(jià)［J］.水利水電快報(bào)，2023，44（8）：17-24.

［16］ERKMEN B，VURAL R A，KAHRAMAN N，et al.A mixed mode neural network circuitry for object recognition application［J］.Circuits，Systems and Signal Processing，2013，32：29-46.

［17］何海清，杜敬，陳婷，等.結(jié)合水體指數(shù)與卷積神經(jīng)網(wǎng)絡(luò)的遙感水體提?。跩］.遙感信息，2017，32（5）：82-86.

［18］王雪，隋立春，鐘棉卿，等.全卷積神經(jīng)網(wǎng)絡(luò)用于遙感影像水體提?。跩］.測(cè)繪通報(bào)，2018，495（6）：41-45.

［19］陳建軍，黃瑩，趙許寧，等.黃河源區(qū)高寒草地植被覆蓋度反演模型精度評(píng)價(jià)［J］.科學(xué)技術(shù)與工程，2019，19（15）：37-45.

［20］XIE J，XU Y P，GUO Y，et al.Detecting the dominant contributions of runoff variance across the source region of the Yellow River using a new decomposition framework［J］.Hydrology Research，2021，52（5）：1015-1032.

［21］HAN Q，NIU Z.Construction of the long-term global surface water extent dataset based on water-NDVI spatio-temporal parameter set［J］.Remote Sensing，2020，12（17）：2675.

［22］ZHOU Y，DONG J，XIAO X，et al.Continuous monitoring of lake dynamics on the Mongolian Plateau using all available Landsat imagery and Google Earth Engine［J］.Science of the Total Environment，2019，689：366-380.

［23］ZOU Z，XIAO X，DONG J，et al.Divergent trends of open-surface water body area in the contiguous United States from 1984 to 2016［J］.Proceedings of the National Academy of Sciences，2018，115（15）：3810-3815.

［24］郝金虎，韋瑋，李勝男，等.基于GEE平臺(tái)的京津冀長(zhǎng)時(shí)序水體時(shí)空格局及其影響因素［J］.生態(tài)環(huán)境學(xué)報(bào)，2023，32（3）：556-566.

［25］祁昌賢，任燕，彭海月，等.基于GEE云平臺(tái)的三江源湖泊面積提取及動(dòng)態(tài)變化研究［J］.長(zhǎng)江科學(xué)院院報(bào)，2023，40（7）：179-185，190.

［26］KRIZHEVSKY A，SUTSKEVER I，HINTON G E.ImageNet classification with deep convolutional neural networks［J］.Communications of the ACM，2017，60（6）：84-90.

［27］林川，宮兆寧，趙文吉.基于中分辨率TM數(shù)據(jù)的濕地水生植被提?。跩］.生態(tài)學(xué)報(bào)，2010，30（23）：6460-6469.

［28］馬浩然.基于多層次分割的遙感影像面向?qū)ο笊址诸悾跠］.北京：北京林業(yè)大學(xué)，2014.

［29］金巖麗，徐茂林，高帥，等.2001～2018年三江源地表水動(dòng)態(tài)變化及驅(qū)動(dòng)力分析［J］.遙感技術(shù)與應(yīng)用，2021，36（5）：1147-1154.

［30］趙梓琨，田園盛，翁學(xué)先，等.1986～2021年黃河流域地表水體面積的時(shí)空變化特征［J］.應(yīng)用生態(tài)學(xué)報(bào)，2023，34（3）：761-769.

［31］李紅梅，顏亮東，溫婷婷，等.三江源地區(qū)氣候變化特征及其影響評(píng)估［J］.高原氣象，2022，41（2）：306-316.

（編輯：黃文晉）