2021-4-10 | 社科相关
１引言
海滨湿地是指发育在海岸带附近并且受海陆交互作用的湿地，是陆地生态系统和海洋生态系统的交错过渡地带，广泛分布于沿海海陆交界、淡咸水交汇地带，是一个高度动态和复杂的生态系统［１］。江苏盐城海滨湿地属于典型的淤泥质海岸湿地类型，由于海岸的不断淤长，海滨湿地植物覆被类型比较丰富多样，景观格局处于不断演变之中［２］。遥感技术是获取地表覆盖信息的有效技术手段，目前广泛用于湿地研究中并取得了显著的成果［３－５］。采用何种方法对湿地遥感信息进行有效提取，以达到理想精度要求，一直是湿地遥感研究的重要内容。目前，湿地遥感信息提取中难度最大的是对湿地植物覆被类型的有效识别，其方法研究成为湿地遥感信息提取的难点与热点［３－５］。而针对不同的遥感数据源，学者们采取的方法各异。如于欢等［６］选取ＡＬＯＳ遥感影像为数据源，通过对其波段的光谱及纹理特征进行分析，采用非监督、监督及面向对象分类方法，对三江平原湿地信息进行提取。那晓东等［７］以Ｌａｎｄｓａｔ卫星影像为数据源，利用回归树集中挖掘分类规则对湿地类型进行分类研究。牛明香等［８］利用ＴＭ数据，提出了单红外阈值法和改进的监督分类相结合方法对湿地进行分类。从目前的研究进展来看，湿地遥感分类研究采用的数据源大部分都是ＴＭ、ＳＰＯＴ等影像，而利用ＡＬＯＳ数据的研究并不多。
本文针对江苏海滨湿地的时空分布特征，选择ＡＬＯＳ影像为数据源，其原因是保护区核心区面积较小，空间分辨率较高的ＡＬＯＳ影像更适合，而不选用波段与之相似的Ｌａｎｄｓａｔ卫星数据。另外，相比于分辨率相同的ＳＰＯＴ等影像，ＡＬＯＳ影像在图像纹理特征方面，如反映地物类别空间特征的差异性和纹理信息的丰富程度均比ＳＰＯＴ５等影像强，并且小图斑的面积精度也优于ＳＰＯＴ等影像［９］；从时间选择来看，由于１１月份海滨湿地的盐蒿呈现红色，与其他湿地植被类型的色差比较明显，是湿地遥感信息提取的较好时机。而选用的ＡＬＯＳ数据在２００６年１１月９日恰好在海滨湿地过境，故采用分辨率高、性能好、价格低的秋季ＡＬＯＳ影像作为本次研究的数据源最为合适。
为此，针对海滨湿地植物覆被类型遥感信息分类难度大，以及湿地植物覆被类型之间的生态交错带信息难以正确识别的问题，综合考虑光谱信息、空间信息并附加知识规则和ＧＩＳ规则，对海滨湿地进行遥感分类方法研究，为海滨湿地研究提供重要的科学支撑。
２研究区概况
江苏盐城国家级珍禽自然保护区核心区是目前残留的典型淤泥质海滨湿地代表，具有丰富多样的湿地类型。该区域位于新洋港和斗龙港出海河之间［１０］，地理位置位于３３°２５′０″～３３°４２′４０″Ｎ，１２０°２６′４０″～１２０°４４′４０″Ｅ，面积为２０３．５７ｋｍ２，基本保持自然景观状态。湿地植物覆被类型包括芦苇群落、大米草群落、盐蒿群落等［１１］。研究区位置如图１所示。
３数据源
采用的数据为ＡＬＯＳ数据，重访周期为４６ｄ，卫星轨道为太阳同步。ＡＶＮＩＲ－２传感器可以接收４个波段的数据，分别为蓝波段（０．４２～０．５０μｍ）、绿波段（０．５２～０．６０μｍ）、红波段（０．６１～０．６９μｍ）、近红外波段（０．７６～０．８９μｍ）。多光谱分辨率１０ｍ，全色波段空间分辨率２．５ｍ。为了更准确地提取信息，还采用了其他相关辅助资料，包括１∶４０００００江苏省海岸土地利用图以及野外调查时３８个点ＧＰＳ数据。
３．１数据预处理
本文采用ＥＮＶＩ下的ＦＬＡＡＳＨ模块对ＡＬＯＳ影像进行大气校正。ＦＬＡＡＳＨ是基于ＭＯＤＴ－ＲＡＮ４大气校正模块，可以从多光谱遥感影像中复原地物的地表反射率，是多光谱能量影像反射率反演的首选大气校正模型［１２］。影像几何校正通常选取图像上有定位识别明显的标志，如道路交叉点、河流岔口等ＧＰＳ记录点为控制点。采用二次多项式变换和最邻近像元重采样的方法对原始影像进行几何纠正，ＲＭＳ小于０．５个像元。
３．２湿地分类系统的建立
根据研究区湿地类型的特征，综合考虑遥感影像数据的可解译性，建立湿地土地利用／覆被分类系统，见表１。
４对ＡＬＯＳ影像的非监督分类
针对本研究区特点，海岸带地物在遥感影像上的光谱比较复杂。选择的训练区不可能包括所有的光谱类型，也就是说有一部分像元会出现漏分的现象。所以本文采用人机交互的非监督分类方法，算法是重复自组织数据分析技术（ＩＳＯＤＡＴＡ）。
４．１分类的过程及结果
海岸带地物的波谱相关性较大，也就是“同物异谱”和“异物同谱”的情况比较多。鉴于这种情况，使用非监督分类时，一般设置分类的数目比最终分类数量多３～４倍，再进行合并，防止错分漏分，以提高分类精度。本次研究初始分类数定为３０类，输出分类图像后再对３０类地物进行合并，找到最佳的合并方案，然后再对其进行重新合并。把原始影像和分类的结果进行对比，并且参考１∶４０００００江苏海岸土地利用数据，对３０类地物进行同类合并删减。合并时尽量遵循以下规则，尽可能地把地物归为：养殖塘、河流、芦苇、盐蒿、米草和光滩６类。利用上述规则，在ＥＮＶＩ中对非监督分类的图像进行重新归类，结果如图２所示。
４．２分类精度检验
精度检验是遥感分类的必备工作，通过精度分析可以清楚地发现哪些类别的分类精度还有待提高，从而改进分类模式，修改分类结果，提高分类精度。根据所选择的样本，大致为１５０个样本点，其中包括野外调查时３８个点ＧＰＳ数据，每类样本至少２０个，在ＥＮＶＩ４．７软件的分类后处理中选择混淆矩阵法通过地表真实感兴趣区进行精度检验。经检验，总体分类精度为７８．８７８６％，Ｋａｐｐａ系数为０．７４１５，具体参数见表２。