摘要" 本文基于谷歌地球引擎平臺（GEE），利用Landsat遙感數(shù)據(jù)，研究了2011—2020年松嫩平原西部地區(qū)的水文情勢變化。通過融合歸一化植被指數(shù)（NDVI）、改進歸一化水體指數(shù)（mNDWI）和自動水體提取指數(shù)（AWEIsh）等多種植被水文指數(shù)，借助ReliefF重要性特征選擇算法和CART決策樹模型，對2011—2020年該地區(qū)的水體分布進行了動態(tài)監(jiān)測。結果表明，相比單一指數(shù)算法，融合指數(shù)在遙感水體識別中具有較大優(yōu)勢，可以有效發(fā)現(xiàn)被植被掩蓋的水體。研究區(qū)水體面積10年間經(jīng)歷了減少后波動增加，整體呈減少的趨勢，至2020年識別的水體面積為24 118.05 km2。土地類型轉換分析結果表明，消退的水體主要轉變成植被，凈轉出面積約5 388.78 km2。通過對主要降水變化和人類活動影響的分析，發(fā)現(xiàn)人為干擾是導致松嫩平原西部水體減少的主要原因。本研究為松嫩平原西部水資源管理和生態(tài)保護提供參考。

關鍵詞" 水文情勢；融合指數(shù)；時空變化；影響因素

中圖分類號" P237；P333" " " "文獻標識碼" A" " " "文章編號" 1007-7731（2025）02-0101-07

DOI號" 10.16377/j.cnki.issn1007-7731.2025.02.019

Monitoring of hydrological situation in the western part of Songnen Plain based on fusion index

LI Donghe

（Harbin Normal University， Harbin 150025， China）

Abstract" Based on the Google Earth Engine（GEE） platform and Landsat remote sensing data， a study was conducted on the hydrological situation in the western region of the Songnen Plain from 2011 to 2020. By integrating multiple vegetation hydrological indices such as normalized difference vegetation index （NDVI）， modified normalized water body index （mNDWI）， automatic water extraction index （AWEIsh）， and utilizing the ReliefF importance feature selection algorithm and CART decision tree model， dynamic monitoring of water distribution in the region from 2011 to 2020 was conducted. The results indicate that compared to existing single index algorithms， the fusion index has significant advantages in remote sensing water body recognition， and can effectively detect water bodies obscured by vegetation. The water area in the western part of the Songnen Plain had experienced a decrease followed by a fluctuating increase over the past 10 years， showing an overall decreasing trend. As of 2020， the identified water area was 24 118.05 km2. The result of land type conversion analysis showed that the receding water bodies were mainly transformed into vegetation， with a net outflow area of approximately 5 388.78 km2. By comparing the main precipitation changes and the impact of human activities， it was found that the main reason for the reduction of water bodies in the western part of the Songnen Plain was human interference. This study provides a reference for water resources management and ecological protection in the Songnen Plain.

Keywords" hydrological situation; fusion index; spatiotemporal changes; influence factor

水是地球上重要的自然資源之一，其不僅是維持生命的基本要素，也是生態(tài)系統(tǒng)健康和社會經(jīng)濟發(fā)展的關鍵驅動力[1]。水體在生態(tài)系統(tǒng)中扮演著多種重要角色，包括調節(jié)氣候、維持生物多樣性、支持農(nóng)業(yè)生產(chǎn)以及提供飲用水和工業(yè)用水等。水文循環(huán)受氣候變化影響顯著，隨著全球氣候變化加劇和人類活動的加劇，水資源的時空分布和質量正在發(fā)生變化[2]。在農(nóng)業(yè)密集區(qū)如松嫩平原，水資源的動態(tài)監(jiān)測對保障糧食安全、保護濕地生態(tài)系統(tǒng)以及維護區(qū)域生態(tài)環(huán)境的可持續(xù)性具有重要作用[3]。

遙感技術作為獲取區(qū)域和全球水體信息的重要手段，能夠在不同空間尺度上直觀地展示水體的分布狀況和動態(tài)變化[4]。如歸一化差異水體指數(shù)（Normalized difference water index，NDWI）作為一種有效的水體提取方法，能夠敏感地反映水體的存在和變化，被廣泛應用于水資源監(jiān)測和水環(huán)境評價等領域[5]。相關研究利用NDWI作為衡量地表水體分布的主要指標，用于間接反映水體的面積、深度和水質狀況[6-8]。然而，以往的研究方法存在僅使用水體指數(shù)導致指數(shù)單一、需要本地運算導致部署不夠靈活等缺點，因此，需要結合多種指數(shù)和云計算來彌補這一缺陷。

本文基于谷歌地球引擎（Google earth engine， GEE）平臺[9]，利用多種植被、水文指數(shù)，構建了一套適用于松嫩平原西部水體監(jiān)測的方法體系。通過GEE平臺對研究區(qū)的水體變化進行時空分析；結合多時相衛(wèi)星數(shù)據(jù)提取水體信息[10]，分析其動態(tài)變化特征；評估研究區(qū)內不同水體的時空分布規(guī)律，并提出相應的管理對策。旨在為松嫩平原的水資源管理和生態(tài)保護提供科學依據(jù)。

1 材料與方法

1.1 研究區(qū)基本情況

松嫩平原西部地區(qū)位于44°30′—48°30′ N，118°30′—124°30′ E。屬于溫帶大陸性季風氣候，年均降水量500～800 mm，海拔150～250 m，地形平坦，土壤肥沃，土質主要為黑土和棕壤。松嫩平原西部地區(qū)是重要的商品糧生產(chǎn)基地之一，盛產(chǎn)大豆、高粱、馬鈴薯、小麥、玉米、亞麻、甜菜和向日葵等農(nóng)產(chǎn)品。該地區(qū)是內陸鹽堿濕地集中分布區(qū)域之一，分布有扎龍、莫莫格和向海等重要濕地[11]，具有重要的生態(tài)價值，在維持區(qū)域水文平衡、調節(jié)氣候、保護生物多樣性、凈化水質和固碳釋氧等方面發(fā)揮重要作用[12-14]。

1.2 數(shù)據(jù)來源與處理

2010年前后松嫩平原實施了多項生態(tài)補水和濕地恢復政策，如退耕還林還草，顯著改善了生態(tài)環(huán)境，然而，對于補水效果和補水后的水文情勢監(jiān)測缺乏系統(tǒng)研究。因此，本文使用GEE平臺2011—2020年松嫩平原西部所有云覆蓋率低于10%的Landsat 5/7/8 TM/ETM+/OLI表面反射率（SR）圖像。Landsat影像具有30 m的空間分辨率和16 d的時間分辨率。Landsat 7圖像于2003年5月之后掃描線校正器（SLC）損壞，導致 ETM+圖像中出現(xiàn)條帶缺口[15]。利用GEE提供的Landsat 7 SLC-off Collection 1 Tier 1 SR影像集，是一種經(jīng)過條帶修復的數(shù)據(jù)集，使用了Gap-Fill算法，根據(jù)相鄰的有效像元進行插值，填充無效像元。Landsat 5和7表面反射率數(shù)據(jù)集是由Landsat生態(tài)系統(tǒng)擾動自適應處理系統(tǒng)（LEDAPS） 算法生成的，Landsat 8表面反射率數(shù)據(jù)是根據(jù)Landsat表面反射率代碼（LaSRC）算法生成的。所有數(shù)據(jù)均經(jīng)過了大氣校正和輻射校正，消除了大氣散射、吸收以及傳感器老化等因素的影響，同時進行了幾何校正，確保影像的空間精度，便于多時相數(shù)據(jù)的疊加和對比。此外，GEE還使用了CFMask和FMask等云掩膜算法，自動識別并去除影像中的云層和陰影，從而提高數(shù)據(jù)的使用質量。不同分辨率的波段通過重采樣技術統(tǒng)一，使各波段數(shù)據(jù)可以更精確的進行分析。

由于水體的物理屬性，使其無法在陡峭的地面上孤立存在；同時斜坡相較于水平地面在遙感影像中因為其被衛(wèi)星接收的反射強度低于一般水平地面從而被錯分為水體。Landsat影像去除地形影響后，仍然需要將數(shù)字高程模型（Digital elevation model，DEM）作為影響因素用于評價是否存在水體。這些數(shù)據(jù)可以通過 GEE 平臺公共數(shù)據(jù)目錄進行訪問。此外，SRTM數(shù)據(jù)用于獲取松嫩平原西部的高程（Elevation）、坡度（Slope）和坡向（Aspect）。這3個參數(shù)用于評價水體覆蓋情況。

根據(jù)GEE提供的Quickbird圖像、輔助數(shù)據(jù)和現(xiàn)場采樣，確定了研究區(qū)3種主要的水文情況：水體、植被和裸地（包含城市和未利用地）。針對每種水文情況選擇感興趣區(qū)（ROI），并提取它們的地表反射。為減少偏差，訓練和測試樣本隨機分布在選定的ROI中。本文選取了9個植被指數(shù)、水體指數(shù)和地形指數(shù)用于區(qū)分水體、植被和裸地。在GEE中共選取了30 230個典型樣本點，按7∶3比例劃分，21 161個樣本點作為訓練樣本對模型進行訓練，9 069個樣本點作為驗證樣本用于驗證訓練結果。

1.3 研究方法

1.3.1 特征選取 本文旨在研究松嫩平原西部水文情勢長期變化，在以往的研究中，對水體的研究主要使用各種衛(wèi)星的水體指數(shù)和波段，而沼澤濕地和水田在空間上存在植被與水體的空間疊合，因而在指數(shù)選取時應加入植被指數(shù)對植被冠層下的水體進行搜尋和分析。

在本研究中，選擇歸一化植被指數(shù)（NDVI）、增強型植被指數(shù)（Enhanced vegetation index，EVI）和重歸一化植被指數(shù)（Re-normalized difference vegetation index，RDVI）3種源自融合時間序列圖像的植被指數(shù)，用于識別植被物候特征。這些指數(shù)可以反映地表植被狀態(tài)，計算如式（1）～（3）。

NDVI= （ρ_NIR-ρ_Red）/（ρ_NIR+ρ_Red ） （1）

EVI=2.5× （ρ_NIR-ρ_Red）/（ρ_NIR+6×ρ_Red-7.5×ρ_Blue+1） （2）

RDVI= （ρ_NIR-ρ_Red）/√（ρ_NIR+ρ_Red ） （3）

此外，從融合時間序列圖像得出以下3個水文指數(shù)來呈現(xiàn)水文狀況：自動水體提取指數(shù)（Automated water ex-traction index， AWEIsh）、改進的歸一化差異水指數(shù)（Modified normalized difference water index，mNDWI）、地表水分指數(shù)（Land surface water index，LSWI）。這些水文指數(shù)可以增強水文特征，同時有效抑制甚至消除土地、植被和土壤噪聲，計算如式（4）～（6）。

AWEIsh=ρ_Blue+2.5×ρ_Green-1.5×（ρ_NIR+ρ_SWIR1）-0.25×ρ_SWIR2 （4）

mNDWI= （ρ_Green-ρ_SWIR）/（ρ_Green+ρ_SWIR ） （5）

LSWI= （ρ_NIR-ρ_SWIR1）/（ρ_NIR+ρ_SWIR1 ） （6）

式中，ρ_NIR、ρ_Red、ρ_Blue、ρ_Green、ρ_SWIR1和ρ_SWIR2分別表示Landsat圖像的近紅外、紅色、藍色、綠色和短波紅外波段。

1.3.2 ReliefF算法 ReliefF算法是一種特征選擇算法，用于從高維數(shù)據(jù)中選擇出最具有分類能力的特征。該算法可以幫助簡化數(shù)據(jù)集，減少特征數(shù)量，提高模型的效率和準確度。ReliefF算法是在Relief算法基礎上發(fā)展而來的，Relief算法只能處理兩類數(shù)據(jù)的分類問題，而ReliefF算法可以處理多類別問題。ReliefF算法的基本原理是，每次從訓練樣本集中隨機取出一個樣本R，然后從和R同類的樣本集中找出R的k個近鄰樣本（Near hits），從每個R的不同類的樣本集中均找出k個近鄰樣本（Near misses），然后根據(jù)這些樣本更新每個特征的權重。特征的權重越大，表示該特征的分類能力越強，反之，表示該特征分類能力越弱。ReliefF算法計算如式（7）。

W_new （A）=W_old （A）-∑_（j=1）^k（diff（A，E，H_j））/mk+∑_（C≠class（R））[（p（C））/（1-p（class（R））） ∑_（j=1）^k（diff（A，R，M_j （C）））/mk] （7）

式中，W（A）表示特征A的權重，m表示抽樣次數(shù)，k表示近鄰樣本個數(shù)，R表示隨機選取的樣本，H_j表示和R同類的第j個近鄰樣本，M_j（C）表示類別C中和R不同類的第j個近鄰樣本，diff（A，R1，R2）表示樣本R1和R2在特征A上的差，p（C）表示類別C在訓練集中的概率，class（R）表示R的類別。

對本研究而言，樣本點的特征A是離散值，則diff（A，R1，R2）的計算如式（8）。通過ReliefF方法對選擇的植被和水體指數(shù)進行篩選。

diff（A，R_1，R_2）={├ （0，R_1 （A）=R_2 （A）@1，R_1 （A）≠R_2 （A））} ┤= （8）

1.3.3 CART決策樹 決策樹（Decision tree）是在已知各種情況發(fā)生概率的基礎上，通過決策樹來求取凈現(xiàn)值的期望值大于等于零的概率，評價項目風險，判斷其可行性的決策分析方法，是一種直觀運用概率分析的圖解方法。分類回歸樹（Classification and regression tree，CART）是通過使用基尼系數(shù)（Gini）來代替信息增益率，從而避免復雜的對數(shù)運算。基尼系數(shù)代表了模型的不純度，基尼系數(shù)越小，則不純度越低，特征越好。在分類問題中，假設有K個類，樣本點屬于第k類的概率為p_k，則概率分布的基尼系數(shù)定義如式（9）。

Gini（p）=∑_（k=1）^k?p_k （1-p） （9）

CART決策樹首先將優(yōu)選的分類特征信息賦予到樣本，然后對輸入的樣本集進行循環(huán)訓練分析，生成二叉樹形式的決策樹，整個過程以決策點的基尼系數(shù)值最小的屬性作為分裂的方案，最終得到融合指數(shù)下的分類結果。使用誤差矩陣、用戶準確率（UA）、生產(chǎn)者準確率（PA）、總體準確率（OA）和kappa系數(shù)等指標來驗證模型的分類精度。

1.3.4" 土地類型轉移矩陣" " 土地利用轉移矩陣是一種分析工具，用于量化特定時期內土地利用類型之間的轉換。該矩陣詳細記錄了土地利用類型的轉變面積、方向以及變化結構，為研究人員提供了一種有效手段，以探究土地利用格局在時間和空間維度上的演變特征。通過該矩陣的分析，深入了解2011—2020年研究區(qū)土地利用變化，完善對松嫩平原西部整體的水文情勢監(jiān)測。

1.3.5 模型驗證方法 全球地表水范圍數(shù)據(jù)集（GSWED）提供了長時間序列的全球水體范圍信息，其時間分辨率為8 d，空間分辨率為30 m，覆蓋范圍為2001—2020年?；贚andsat影像的mNDWI是一種廣泛使用的水體提取方法。這兩個數(shù)據(jù)集提供了一個全面的水體范圍參考，能夠評估本研究中水體分類結果的一致性和準確性。通過對比分析，評估本研究方法在水體識別方面的性能，并識別與傳統(tǒng)方法和產(chǎn)品的差異。

2 結果與分析

2.1 松嫩平原西部水體識別

為利用基于時間序列圖像的多種指數(shù)融合繪制松嫩平原西部土地類型圖，利用ReliefF選擇算法對融合指數(shù)中的植被和水文指數(shù)進行重要性排序，結果見圖1，從結果可以看出，NDVI、mNDWI、AWEIsh、RDVI、Slope和LSWI在特征選擇中具有較高的重要性，而EVI、Aspect和Elevation的權重值明顯小于其他指數(shù)。因此，在后續(xù)的土地類型圖繪制過程中去除EVI、Aspect和Elevation，以提高模型的效率和準確性。

對高相關性的指數(shù)在GEE中使用CART決策樹進行土地類型分類，得到各個土地類型的指數(shù)范圍和剪枝優(yōu)化后的決策樹（圖2）。可以看出，AWEIsh指數(shù)對水體最敏感，當AWEIsh值大于-0.58時，可判定為水體；在區(qū)分裸地與水體時需LSWI、NDVI、mNDWI 3種指數(shù)（LSWIgt;0.24，NDVIgt;0.38，mNDWIgt;-0.16）。決策樹驗證結果見表1，經(jīng)過驗證，基于CART決策樹的分類結果展現(xiàn)出了卓越的性能，分類結果的總體分類準確率為94.26%，Kappa系數(shù)為0.912。表明分類結果的高度一致性和可靠性。這一結果不僅證實了所選遙感指數(shù)在土地類型分類中的有效性，也展現(xiàn)了CART算法在處理復雜遙感數(shù)據(jù)和應用中的強大潛力。

將松嫩平原西部地區(qū)CART決策樹的水體結果與對應年份GSWED和mNDWI指數(shù)獲取的水體面積進行比較（圖3），發(fā)現(xiàn)兩種方法對植被下水體的探測處于部分缺失狀態(tài)，水體面積差值達到8 063.99和6 872.31 km2，對比發(fā)現(xiàn)兩種方法主要覆蓋了開放水體和濕地，對部分水田的探測存在缺失。

CART決策樹的水體面積結果見圖4，2011—2020年松嫩平原西部地區(qū)水體面積呈現(xiàn)出較強的年際變化。10年中水面最大值出現(xiàn)在2012年，達40 731.4 km2，最小值出現(xiàn)在2017年，為20 519.0 km2，差值20 212.4 km2，年最大增幅13.9%，最大降幅22.7%。10年來，松嫩平原西部地區(qū)年最小、最大水體面積經(jīng)歷了較大波動，且在不同時間段內其趨勢不同。整體來看，在2017年前水體面積呈持續(xù)下降趨勢，2017年后呈波動上升趨勢，但整體處于下降趨勢（R2=0.721）。

2.2 土地類型轉換

根據(jù)CART分類結果構建轉移矩陣，2011—2020年地類轉換情況見圖5，水體在10年間凈流出總面積4 578.88 km2，占水體總面積的18.9%。水體向其他土地類型轉出最多的是植被，凈轉出面積5 388.78 km2，占水體總轉出面積的93.3%。水體面積從36 968.06 km2減少到24 118.05 km2。

裸地與植被之間的相互轉化也較強烈，2011—2020年裸土向植被轉出10 509.22 km2，植被向裸土轉出5 326.97 km2，植被凈轉入5 182.25 km2，變化主要集中于城市周邊與鹽堿地周邊，同時在濕地景觀變化中也有體現(xiàn)。水體與裸地之間沒有大規(guī)模地類轉換情況出現(xiàn)，裸土對水體凈轉出面積1 698.44 km2，占裸地總面積的10.6%。

2.3 水體面積影響因素識別

通過將水體面積變化與2001—2020年松嫩平原西部地區(qū)年平均降水量（圖6）進行比較發(fā)現(xiàn)，20年中該地區(qū)降水量呈波動上升趨勢，與水體面積變化趨勢不匹配，可以得出降水不是松嫩平原西部地區(qū)水體面積變化的最直接因素。

通過分析CART結果，發(fā)現(xiàn)扎龍濕地及其附屬大小湖泊是松嫩平原西部地區(qū)水體的主要分布區(qū)域，其屬于松花江、嫩江流域。究其原因，可能是1955—1995年間，為抗擊洪澇災害和保證生產(chǎn)，在松花江上游修建了多處水利工程，有豐滿水庫、南引水庫等蓄水水庫，三站灌區(qū)、薄荷臺灌區(qū)等灌溉水渠工程，以及防洪堤、引水渠將河水導入主干河道，以及20世紀末扎龍濕地及其水源補給地烏裕爾河和雙陽河流域遭到大旱。這些自然和人為因素可能導致濕地的水量減少，濕地生態(tài)系統(tǒng)退化。

自2003年開始，隨著退耕還林還草還濕工作的逐步實施，以及向重點濕地引流補水，至2013年累計向濕地補水19億m3，使該地區(qū)主要濕地和開放水體得到部分恢復，符合2011—2013年水體增長的變化趨勢。但隨著城市化和工業(yè)化的推進，上游為保證其擁有充足的工業(yè)和生活用水，增大對松花江干流的截流調控，豐滿水庫蓄水量較往年顯著增加（圖7）。4—9月，水庫先后啟動防洪、蓄水調度模式，大量滯留上游河水，導致下游流量和干流水位較低。黑龍江省作為重要的產(chǎn)糧地，松花江上游主要產(chǎn)糧地區(qū)產(chǎn)量逐年增加，下游的松嫩平原西部地區(qū)獲取水量開始下降。同時主要濕地扎龍地區(qū)修建的公路、村屯破壞了濕地生態(tài)系統(tǒng)的完整性，導致景觀破碎度增大。上述因素與水體面積開始波動下降相吻合。

3 結論與討論

本文通過閾值分析將多數(shù)據(jù)融合的時間序列植被指數(shù)和水文指數(shù)集成到CART決策樹算法中，提出融合指數(shù)算法來提取水體。以往部分研究僅使用水體指數(shù)提取植被下水體，對植被指數(shù)狀況的關注較少。植被指數(shù)是濕地植被下水體空間分布的關鍵影響因素，空間上植被與水體重合的情況下水體對植被、水體指數(shù)結果產(chǎn)生較大的影響。通過建立時間序列的融合指數(shù)獲取松嫩平原西部10年內的水文情況，可以更深入地探索濕地水文情勢的變化情況，以及裸地、水體和植被可能的發(fā)展趨勢。結果表明，與GSWED和mNDWI等水體指數(shù)相比，融合指數(shù)算法提高了植被下水體的發(fā)現(xiàn)量，提高了濕地和水田的光譜識別。

本研究利用ReliefF算法提取高相關性要素進行CART決策樹分類算法，生成時間序列的松嫩平原西部淹水地圖。基于結果，得出以下結論。

（1）所提出的融合指數(shù)算法可以有效地提取淹水，研究區(qū)內融合指數(shù)算法總體分類準確率為94.26%，Kappa系數(shù)為0.912。發(fā)現(xiàn)水體面積比年度GSWED和mNDWI提取水體面積提高33.4%和28.4%。

（2）部分植被下水體存在空間上植被與水體重合，因此在遙感影像的地表反射與單一地類存在差異。依據(jù)NDVI、LSWI和mNDWI做出決策，能夠很好地區(qū)分水體與植被、裸地和水體。

（3）獲得了2011—2020年松嫩平原西部水體變化趨勢，并分析出研究區(qū)內水體的主要影響因素為人為調控，為保護區(qū)的生態(tài)和水文管理提供參考。

本研究選取的數(shù)據(jù)截止至2020年，而近年來水體分布受到的干擾因素不斷增加，如氣候變化、人類活動加劇等，這可能導致當前的水文情勢與研究期間存在一定差異。因此，未來的研究應將時間跨度延長至近期，以更準確地反映濕地生態(tài)系統(tǒng)在新環(huán)境下的動態(tài)變化；同時，引入更多元的氣象數(shù)據(jù)、土壤濕度數(shù)據(jù)以及更高分辨率的遙感影像，從而更全面地分析水文情勢的變化。結合更豐富的數(shù)據(jù)源和指數(shù)探索將深度學習算法與現(xiàn)有分析方法相結合，以進一步提高水體提取的精度。綜上，未來的研究可在時間跨度、數(shù)據(jù)豐富度和方法改進等方面進行拓展，以更全面、深入地了解水體分布和水文情勢的變化規(guī)律，為水體提取和水文管理提供科學依據(jù)。

參考文獻

[1] 左其亭. 水資源可持續(xù)利用研究歷程及其對我國現(xiàn)代治水的貢獻[J]. 地球科學進展，2023，38（1）：1-8.

[2] 姜彤，孫赫敏，李修倉，等. 氣候變化對水文循環(huán)的影響[J]. 氣象，2020，46（3）：289-300.

[3] 劉強，郭曉東，王長琪，等. 松嫩平原環(huán)境演變及其對地下水資源影響[J]. 地質論評，2024，70（增刊1）：205-207.

[4] 蘇龍飛，李振軒，高飛，等. 遙感影像水體提取研究綜述[J]. 國土資源遙感，2021，33（1）：9-19.

[5] 熊珂，常云鵬，關鍵. 基于歸一化差異水體指數(shù)的水體面積變化監(jiān)測[J]. 中南林業(yè)調查規(guī)劃，2024，43（2）：54-57.

[6] 李涵茂，陳健翔，賀紅志，等. 歸一化差異水分指數(shù)在衡邵盆地干旱監(jiān)測中的適用性研究[J]. 現(xiàn)代農(nóng)業(yè)科技，2024（8）：110-114.

[7] 于夢鴿，高俁晗，孫陽. 基于吉林一號光譜星的東北地區(qū)春季水體識別方法對比研究[J]. 測繪與空間地理信息，2024，47（增刊1）：199-201.

[8] 岳兵，陳曦，李賽博，等. 識別液態(tài)和固態(tài)水的四波段水指數(shù)及其在咸海流域的應用[J]. 中國科學（地球科學），2024，54（3）：788-807.

[9] 劉小燕，崔耀平，史志方，等. GEE平臺下多源遙感影像對洪災的監(jiān)測[J]. 遙感學報，2023，27（9）：2179-2190.

[10] MU S J，YANG G S，XU X B，et al. Assessing the inundation dynamics and its impacts on habitat suitability in Poyang Lake based on integrating Landsat and MODIS observations[J]. Science of the total environment，2022，834：154936.

[11] 王世睿，黃迎新. 松嫩平原鹽堿地改良治理研究進展[J]. 土壤與作物，2023，12（2）：206-217.

[12] 劉晨. 松嫩平原西部土壤有機碳時空變化及其影響因素分析[D]. 哈爾濱：哈爾濱師范大學，2017.

[13] 劉強，林楠，王長琪，等. 松嫩平原濕地演變及其驅動因素分析[J]. 地質與資源，2023，32（1）：96-103.

[14] 梁道省，牟長城，高旭，等. 松嫩平原濕地植物群落多樣性的環(huán)境梯度分布格局及控制因子[J]. 生態(tài)學報，2023，43（1）：339-351.

[15] CHEN J，ZHU X L，VOGELMANN J E，et al. A simple and effective method for filling gaps in Landsat ETM+ SLC-off images[J]. Remote sensing of environment，2011，115（4）：1053-1064.

（責任編輯：何" 艷）