張小偉 吳偉志 王海龍 梁立成

(1. 浙江省森林資源監(jiān)測(cè)中心, 杭州 310000；2. 浙江省林業(yè)勘測(cè)規(guī)劃設(shè)計(jì)有限公司, 杭州 310000)

濕地與人類的生存、繁衍和發(fā)展息息相關(guān)，是自然界最富生物多樣性的生態(tài)景觀和人類最重要的生存環(huán)境之一[1?2]，被譽(yù)為“地球之腎”。近年來，開展?jié)竦刭Y源年度監(jiān)測(cè)的需求日益迫切，同時(shí)遙感（Remote Sensing，RS）、地理信息系統(tǒng)（Geographic Information System，GIS）、全球定位系統(tǒng)（Global Positioning System，GPS）相結(jié)合的3S技術(shù)快速發(fā)展，為濕地研究提供了新的支持[3]。各種對(duì)地觀測(cè)衛(wèi)星不斷地向用戶提供不同時(shí)空分辨率和光譜分辨率的遙感影像，使地物觀測(cè)具有更加全面的、準(zhǔn)確的、清晰的理解和認(rèn)識(shí)[4?5]。利用遙感技術(shù)在同一時(shí)間對(duì)大面積的研究區(qū)進(jìn)行大規(guī)模調(diào)查與監(jiān)測(cè)，是現(xiàn)代自然資源管理中的重要技術(shù)手段。前些年，資源監(jiān)測(cè)的遙感數(shù)據(jù)來源主要依賴從國(guó)外購(gòu)買的昂貴的SPOT-5、Quick Bird等高分辨率衛(wèi)星數(shù)據(jù)，數(shù)據(jù)獲取能力有限，且成本高昂，從而導(dǎo)致自然資源調(diào)查對(duì)國(guó)產(chǎn)高分辨率遙感數(shù)據(jù)和處理技術(shù)的需求與日俱增[4?7]。

2011?2013年，浙江省開展了第二次濕地資源調(diào)查（以下簡(jiǎn)稱“二調(diào)”）。本輪調(diào)查依據(jù)《關(guān)于特別是作為水禽棲息地的國(guó)際重要濕地公約》全面系統(tǒng)地清查了浙江省面積8 hm2以上濕地斑塊的類型、面積與分布。本文在濕地“二調(diào)”的基礎(chǔ)上，以GF-1、GF-2、ZY-3國(guó)產(chǎn)高清影像數(shù)據(jù)為基礎(chǔ)，采用eCognition軟件面向?qū)ο蠓诸惖姆椒?，?duì)浙江省2016?2018年的濕地資源進(jìn)行動(dòng)態(tài)監(jiān)測(cè)，并分析資源增減的原因。

1 研究區(qū)概況

浙江省地處東南沿海，長(zhǎng)江三角洲南翼，東瀕東海，南接福建，西連江西、安徽，北臨太湖與上海、江蘇，地跨27°06′N?31°11′N、118°01′E?123°10′E。浙江省陸域面積為10.18×104km2，境內(nèi)江河湖蕩眾多，水網(wǎng)密布；海域面積約為26×104km2，海岸線曲折，港灣眾多，近海島嶼星羅棋布。浙江省的濕地資源豐富、類型多樣，擁有西溪、漩門灣、南麂列島等重要濕地，在全國(guó)濕地資源中占據(jù)重要地位。

依據(jù)《全國(guó)濕地資源調(diào)查技術(shù)規(guī)程（試行）》和《浙江省第二次濕地資源調(diào)查技術(shù)操作細(xì)則》的濕地分類系統(tǒng)與分類標(biāo)準(zhǔn)，浙江省域范圍濕地可劃分為近海與海岸濕地、河流濕地、湖泊濕地、沼澤濕地和人工濕地5類23型。其中，因沼澤濕地類中的地?zé)釢竦?、淡水泉濕地單塊面積不到8 hm2，未納入濕地面積的統(tǒng)計(jì)；人工濕地類中的稻田濕地未作調(diào)查統(tǒng)計(jì)。2011?2013年“二調(diào)”發(fā)現(xiàn)，浙江省濕地總面積為111.01×104hm2，濕地面積占浙江省面積百分比為10.90%。

2 研究方法

本文采用eCognition面向?qū)ο蠓诸愔袥Q策樹分類的方法，基于覆蓋浙江省的國(guó)產(chǎn)高分影像提取濕地斑塊，并與上一年度的濕地資源數(shù)據(jù)做疊加分析（2016年提取數(shù)據(jù)與“二調(diào)”數(shù)據(jù)比較，“二調(diào)”后年度監(jiān)測(cè)起始年為2016年），獲取變化圖斑，核實(shí)變化圖斑，并補(bǔ)充調(diào)查因子，從而形成完整的濕地資源年度數(shù)據(jù)庫(kù)。

“二調(diào)”屬于資源普查，因此，本文以全面系統(tǒng)外業(yè)調(diào)查方法為主，輔以“3S”技術(shù)。對(duì)SPOT-5數(shù)據(jù)預(yù)處理后，采取非監(jiān)督分類方法，分出五大類濕地，結(jié)合搜集資料制作底圖并進(jìn)行外業(yè)調(diào)查，對(duì)外業(yè)調(diào)查數(shù)據(jù)進(jìn)行分析處理、匯總統(tǒng)計(jì)，形成“二調(diào)”數(shù)據(jù)庫(kù)，并撰寫相關(guān)成果報(bào)告。

圖 1 濕地資源年度監(jiān)測(cè)流程Fig. 1 Technical flow chart for annual monitoring of wetland resources

濕地資源年度監(jiān)測(cè)以內(nèi)業(yè)為主，外業(yè)調(diào)查作為核實(shí)補(bǔ)充，主要操作流程如圖1所示。對(duì)影像進(jìn)行預(yù)處理，采用面向?qū)ο蟮姆椒ǚ殖鰸竦匾患?jí)類，與“二調(diào)”數(shù)據(jù)進(jìn)行疊加分析，提取變化圖斑，進(jìn)行分析調(diào)查，構(gòu)建年度濕地資源數(shù)據(jù)庫(kù)。

2.1 影像分割

eCognition軟件對(duì)影像先分割再分類，軟件中常用分割方法包含多尺度分割、棋盤分割、四叉樹分割以及光譜差異分割，這些分割方法各有特性。影像分割是把影像分成互不重疊的、具有不同影像特征的區(qū)域，且區(qū)別不同地物的一種影像處理方法。每個(gè)分割對(duì)象內(nèi)的像元都具有相同或相近的特征，即同質(zhì)性；不同分割對(duì)象內(nèi)部像元具有不同的特征，即異質(zhì)性。

本文根據(jù)影像特征選擇多尺度分割，影像進(jìn)行分級(jí)分割，以獲得不同級(jí)別的影像對(duì)象；基本思路是相鄰的像元對(duì)符合異質(zhì)性定義的最小標(biāo)準(zhǔn)開始自下而上的合并[8]。多尺度分割是一個(gè)基于像元層的自下而上的分割技術(shù)，從單一像元作為對(duì)象，開始進(jìn)行相鄰像素的同質(zhì)歸并，或者將小的分割對(duì)象歸并到大的分割對(duì)象中。為了達(dá)到最優(yōu)的分割效果，必須保證分割對(duì)象間的平均異質(zhì)性最小，分割對(duì)象內(nèi)部每個(gè)像元間同質(zhì)性最大。多

尺度分割要遵循一個(gè)最基本的規(guī)則：所生產(chǎn)的對(duì)象要盡可能得大，而必要的時(shí)候又要盡可能得小。分割影像作為進(jìn)一步分類的信息源，根據(jù)濕地自身的影像特征以及與其他地物間的區(qū)別特征，經(jīng)過多次對(duì)各種參數(shù)的組合進(jìn)行試驗(yàn)后，得出較為合理的分割參數(shù)，部分參數(shù)和效果如圖2所示。在分割過程中，波段權(quán)重、分割尺度以及均質(zhì)因子等參數(shù)直接影像分割效果。

圖 2 分割參數(shù)和效果Fig. 2 Effect diagram and segmentation parameters

關(guān)于波段權(quán)重，賦予權(quán)重較高的影像層所包含的信息分割過程中使用較多；對(duì)于影像對(duì)象的描述較弱的，賦予較小的權(quán)重。預(yù)處理后的影像沒有紅外波段，對(duì)3個(gè)融合后的真彩波段賦予等權(quán)重。分割尺度上，分別試驗(yàn)尺度為50、100、150、200、250、300時(shí)的分割效果，經(jīng)分析研究發(fā)現(xiàn)，分割尺度150時(shí)效果最佳。同質(zhì)標(biāo)準(zhǔn)分為形狀度和緊質(zhì)度，也是分別賦予權(quán)重。形狀度的使用和顏色是對(duì)應(yīng)的，顏色和形狀結(jié)合可以更具體地描述一個(gè)對(duì)象，根據(jù)形狀對(duì)同質(zhì)性的貢獻(xiàn)大小賦予權(quán)重；緊質(zhì)度是形狀的一種描述，形狀包含光滑度和緊質(zhì)度，本文緊質(zhì)度參數(shù)設(shè)為0.5，則光滑度對(duì)地物異質(zhì)性貢獻(xiàn)很弱。

2.2 面向?qū)ο蠓诸?/h3>

對(duì)遙感影像的分類提取，是一個(gè)復(fù)雜且有序的數(shù)據(jù)處理過程。影像分類提取方法有很多種，數(shù)據(jù)類型隨著技術(shù)發(fā)展也日漸多元化。各個(gè)分類方法都有各自的局限性和合理性，因此，針對(duì)不同源的影像特征和分類目的要選擇合適的分類提取方法。針對(duì)所能獲取數(shù)據(jù)特點(diǎn)以及所要獲得的提取分析結(jié)果，設(shè)計(jì)合適的分類方法非常重要。根據(jù)分類提取地物過程中基于的基本單元，分類提取方法可以分為基于像元和對(duì)象兩類方法。如果進(jìn)一步細(xì)分，還有少數(shù)處于兩者之間的基于亞像元的分類方法。一般來說，低分辨率影像是采用基于像元的分類提取，單個(gè)像元面積較大。近年來，隨著科技的發(fā)展，高分影像越來越廣泛的應(yīng)用，同時(shí)對(duì)分類方法提出新的要求?；趯?duì)象的分類提取方法是依據(jù)面向?qū)ο蟮倪壿?，?duì)像元的集合進(jìn)行類別規(guī)則的定制判斷，一般用于較清晰、地物信息相對(duì)豐富的高分辨率影像。本文所用影像是便于獲取的國(guó)產(chǎn)高分辨率的影像。基于像元的分類關(guān)注影像的光譜信息，但面向?qū)ο蟮姆诸惛P(guān)注各類地物本身的特質(zhì)，分類標(biāo)準(zhǔn)不僅涉及地物的光譜特征，還涉及各類地物的形狀、紋理、結(jié)構(gòu)、拓?fù)涞忍卣鳌?/p>

面向?qū)ο蟮姆诸惙椒ǔＳ玫乃惴ㄓ校簶?biāo)準(zhǔn)最鄰近分類算法、K最鄰近分類算法、貝葉斯分類算法、支持向量機(jī)分類算法、決策樹分類算法等，這些算法各有優(yōu)缺點(diǎn)。本文采用國(guó)產(chǎn)高分影像數(shù)據(jù)，分類目的是提取濕地，經(jīng)過多次試驗(yàn)后，最終選擇決策樹分類算法。決策樹分類遵循“分而治之”的基本邏輯，逐層細(xì)分是決策樹分類基本架構(gòu)，但實(shí)際上決策樹分類是自下而上的過程。首先，盡量均勻選擇影像對(duì)象作為分類的訓(xùn)練樣本，可以疊加矢量數(shù)據(jù)輔助，根據(jù)樣本生成地物類別判別規(guī)則；其次，根據(jù)各種特征值的差別劃分建立決策樹的分支，并且進(jìn)一步在這些分支中構(gòu)建下層分支，直至達(dá)到分類目的。

采用eCognition分類器（classifier算法）中決策樹分類器（Classification And Regression Tree，CART）方法，根據(jù)分割影像對(duì)象特征，疊加前期濕地資源矢量數(shù)據(jù)選取樣本，應(yīng)用樣本，將影像對(duì)象分為5大類濕地。對(duì)分類結(jié)果進(jìn)行檢查，通過迭代步驟，把誤分對(duì)象進(jìn)行校正，同時(shí)把漏分對(duì)象分類。重復(fù)循環(huán)樣本指定、分類的過程，直至取得滿意的分類結(jié)果，具體效果如圖3所示。

圖 3 決策樹分類效果Fig. 3 Effect diagram of decision tree classification

2.3 精度分析

在遙感影像分類精度分析中，最常用的方法是混淆矩陣（confusion matrix）的方法。混淆矩陣的基本思想，是將某一對(duì)象的分類結(jié)果與這一對(duì)象的真實(shí)地物類別進(jìn)行比較，將分類結(jié)果的正判與誤判數(shù)量或比例統(tǒng)計(jì)在同一個(gè)混淆矩陣中，用來分析遙感影像地物分類的精度[9]?；煜仃嚨拿恳恍写磉b感影像經(jīng)過分類后，各地物的具體數(shù)量或比例；而每一列則代表相應(yīng)位置對(duì)應(yīng)的經(jīng)核實(shí)后，真實(shí)地物的數(shù)量或比例。其主要評(píng)定指標(biāo)為分類精度（P）、Kappa系數(shù)（K）。

混淆矩陣是一種基于位置的精度評(píng)價(jià)方法，因此，樣本點(diǎn)分布和數(shù)量選擇極為重要。Foody[10]認(rèn)為樣本點(diǎn)數(shù)量要適度，Tortora等[11]提出對(duì)混淆矩陣分類結(jié)果精度評(píng)價(jià)的樣本數(shù)量的計(jì)算公式：

其中，n為數(shù)量；B是自由度為1的卡方檢驗(yàn)（1?P/M）的臨界值，P為置信度誤差，M為分類數(shù)；b為置信度誤差。本文解譯5類地物，假設(shè)對(duì)置信水平的要求為95%以上，置信度誤差允許范圍5%，在假定的情況下，卡方檢驗(yàn)下自由度為1的臨界值B=γ2(1,0.99)=6.635，故本文至少需要664個(gè)采樣點(diǎn)。

2.4 數(shù)據(jù)來源

本文開展“二調(diào)”所用遙感影像為SPOT-5影像，首先，結(jié)合地形圖對(duì)遙感影像進(jìn)行正射校正、融合等預(yù)處理，其中正射校正精度標(biāo)準(zhǔn)為一個(gè)像元，預(yù)處理后影像為2.5 m分辨率[12]。2016?2018年間的濕地資源監(jiān)測(cè)所用影像分別為GF-1、GF-2、ZY-3，經(jīng)過預(yù)處理后空間分辨率分別為2 m、1 m、2 m。浙江省面積較大，同一時(shí)段獲取同源高質(zhì)量影像數(shù)據(jù)難度較大，故三種影像搭配使用覆蓋浙江全省，不同源數(shù)據(jù)重疊地區(qū)優(yōu)先使用高分辨率、無云影像。各類遙感影像使用情況如表1所示。

表 1 年度監(jiān)測(cè)影像使用情況Table 1 Usage of annual monitoring image data

3 結(jié)果和分析

3.1 精度評(píng)價(jià)

遙感影像分類主要將濕地資源分為近海與海岸濕地、河流濕地、湖泊濕地、沼澤濕地和人工濕地5類，精度評(píng)價(jià)也是以此為基礎(chǔ)。二級(jí)濕地類（21型）劃分主要依據(jù)資料搜集、外業(yè)調(diào)查及數(shù)據(jù)繼承。“二調(diào)”數(shù)據(jù)作為2012年數(shù)據(jù)參與比較分析，其基于SPOT-5數(shù)據(jù)采用非監(jiān)督分類方法。2016?2018年度監(jiān)測(cè)則對(duì)國(guó)產(chǎn)高分影像數(shù)據(jù)采用面向?qū)ο蠓诸愔袥Q策樹分類方法。各年度濕地分類的精度分析見表2。

表 2 各年度遙感影像濕地分類精度分析Table 2 Accuracy of wetland classification based on remote sensing images in different years

“二調(diào)”對(duì)內(nèi)業(yè)分類精度依賴性不高，采用非監(jiān)督分類的方法，精度達(dá)到82.14%，可以滿足生產(chǎn)需求。年度監(jiān)測(cè)影像數(shù)據(jù)為分辨率更高的國(guó)產(chǎn)高分影像，采用決策樹分類方法，精度均達(dá)到90%以上，更為科學(xué)。誤差主要存在河流濕地、湖泊濕地和人工濕地之間，這三類濕地中存在部分濕地影像特征相似的情況，容易誤分。

分析結(jié)果顯示，基于國(guó)產(chǎn)高分影像的面向?qū)ο蠓诸惙椒ň壬?，?yōu)于基于SPOT-5影像的非監(jiān)督分類方法。

3.2 國(guó)產(chǎn)高分影像優(yōu)勢(shì)分析

對(duì)于浙江省全省性的大規(guī)模濕地資源調(diào)查，GF-1、GF-2、ZY-3影像數(shù)據(jù)資源相對(duì)豐富，各衛(wèi)星重訪時(shí)間分別是4、5、5天，同一地區(qū)、同一時(shí)段可選資源較多，有利于高質(zhì)量影像。SPOT-5衛(wèi)星重訪時(shí)間26天，影像資源相對(duì)稀缺，若因天氣等導(dǎo)致影像質(zhì)量欠佳，則較難獲取替換影像。

GF-1、GF-2、ZY-3影像數(shù)據(jù)資源生產(chǎn)周期短，時(shí)效性更強(qiáng)，相對(duì)于SPOT-5影像數(shù)據(jù)，更容易獲取近期指定時(shí)段、指定范圍的數(shù)據(jù)。

根據(jù)中景視圖報(bào)價(jià)，國(guó)產(chǎn)高分影像數(shù)據(jù)價(jià)格區(qū)間2 000~3 000 元/景，而SPOT-5影像數(shù)據(jù)價(jià)格高于40 000 元/景。在大規(guī)模的資源調(diào)查中，在效率大致相當(dāng)?shù)那疤嵯?，使用?guó)產(chǎn)高分影像的經(jīng)濟(jì)成本遠(yuǎn)低于SPOT-5影像的經(jīng)濟(jì)成本。

3.3 年度監(jiān)測(cè)分析

濕地資源年度監(jiān)測(cè)主要包括濕地面積、濕地水資源和生物多樣性狀況的監(jiān)測(cè)。面積變化可以通過影像分類和疊加分析獲取結(jié)果，水資源、生物多樣性狀況的變化，主要通過搜集資料、繼承前期數(shù)據(jù)以及補(bǔ)充調(diào)查獲取。本文主要對(duì)5類濕地監(jiān)測(cè)面積狀況進(jìn)行分析。5類濕地面積監(jiān)測(cè)數(shù)據(jù)如表3所示，“二調(diào)”濕地資源各類濕地面積比例見圖4，2012?2018年間增減變化分布示意則見圖5。

表 3 濕地面積動(dòng)態(tài)監(jiān)測(cè)Table 3 Dynamic monitoring data of wetland area

“二調(diào)”顯示，浙江省各類濕地資源中，近海與海岸濕地的面積最大，占比為62.4%；而湖泊濕地和沼澤濕地的面積合計(jì)占比不足1%。因此，由圖6可見，沼澤濕地2012?2016年發(fā)生了較大的變化，但對(duì)浙江省濕地的整體規(guī)模影響甚微。

圖 4 各類濕地面積比例Fig. 4 Area scale of various wetlands

圖 5 濕地資源分布示意Fig. 5 Wetland resource distribution diagram

2012?2018年，浙江省濕地面積減少18 412.4 hm2，下降1.66%。其中，近海與海岸濕地面積減少了12 924.1 hm2，占比70.19%；人工濕地面積減少了10 575.78 hm2，主要為沿海一帶水產(chǎn)養(yǎng)殖場(chǎng)，減少的濕地主要分布在溫州市、寧波市、舟山市一帶沿海；河流濕地面積增加了4 926.69 hm2，增加的濕地主要分布在臺(tái)州市、衢州市和金華市，多來自庫(kù)塘、河道工程等。

以2012年作為比較基準(zhǔn)年，年度監(jiān)測(cè)各類濕地面積變化趨勢(shì)如圖6所示。

圖 6 各類濕地面積變化趨勢(shì)Fig. 6 Trends of area changes in various types of wetlands

2012?2018年，浙江省濕地面積總體呈現(xiàn)穩(wěn)中有降的趨勢(shì)，變化主要集中在沿海地區(qū)。一方面，早期因城市擴(kuò)張而開展過一定規(guī)模的圍海造地工程，“二調(diào)”期間，部分海涂已建成圍堰，因其仍保留原濕地生態(tài)特征或功能，而將其納入濕地范圍，這類情況涉及淤泥質(zhì)海灘、潮間鹽水沼澤、水產(chǎn)養(yǎng)殖場(chǎng)等多個(gè)濕地類型。近年來，雖然浙江省已經(jīng)逐步停止圍海造地工程，但對(duì)原圍堰區(qū)域的施工并未停止，因此這部分區(qū)域的濕地面積有所減少。另一方面，原“二調(diào)”水產(chǎn)養(yǎng)殖場(chǎng)范圍部分與耕地重合，屬于由耕地改建的養(yǎng)殖塘，因經(jīng)濟(jì)效益、政策等因素而恢復(fù)耕種，或改作建設(shè)用地，造成浙江省水產(chǎn)養(yǎng)殖場(chǎng)面積的減少。

內(nèi)陸地區(qū)濕地面積減少量較小，個(gè)別地區(qū)因水庫(kù)建設(shè)、河道清淤、河岸修復(fù)等原因，在一定程度上，增加了河流濕地面積。沼澤濕地由于規(guī)模很小，2016年監(jiān)測(cè)修正補(bǔ)充“二調(diào)”數(shù)據(jù)引起了較大變動(dòng)，2016年后維持穩(wěn)定。

4 討論與結(jié)論

隨著衛(wèi)星和無人機(jī)等產(chǎn)業(yè)的高速發(fā)展，高分影像數(shù)據(jù)成本逐漸降低，在大規(guī)模的自然資源調(diào)查中，越來越多地采用高分影像數(shù)據(jù)[13?14]。但在生產(chǎn)過程中，如何更充分合理、更高效地挖掘信息仍是個(gè)難題。

通過對(duì)浙江省2012?2018年濕地資源動(dòng)態(tài)監(jiān)測(cè)可以發(fā)現(xiàn)，浙江省濕地資源數(shù)量上總體保持平穩(wěn)態(tài)勢(shì)，這得益于近年來國(guó)家和地方對(duì)濕地資源保護(hù)和修復(fù)的重視。通過監(jiān)測(cè)發(fā)現(xiàn)，濕地資源數(shù)量穩(wěn)中有降，雖有各種原因，但仍要加強(qiáng)對(duì)濕地資源的保護(hù)和修復(fù)，積極增加濕地資源的數(shù)量以及提高濕地資源的質(zhì)量[15?16]。本文建議通過推進(jìn)自然保護(hù)地整合、編制濕地保護(hù)與利用規(guī)劃、建立濕地監(jiān)管體系、推進(jìn)濕地公園建設(shè)、提高濕地保護(hù)管理科學(xué)水平等一系列具有針對(duì)性的政策措施，加強(qiáng)濕地的保護(hù)與修復(fù)。