任廣波,周 莉,梁 建,路 峰,王安東,王建步,李曉敏,馬 毅

(1.自然資源部 第一海洋研究所,山東 青島266061;2.山東黃河三角洲國家級自然保護區(qū)管理委員會,山東 東營257091;3.中國科學院 上海技術物理研究所啟東光電遙感中心,江蘇 南通226200)

氣候變暖、人類活動和生物入侵是自然界所面臨的三大生態(tài)威脅[1]?；セ撞菔枪J的在世界范圍內(nèi)影響最為嚴重的海岸入侵物種之一[2]。這種原產(chǎn)于美洲的濱海鹽生草本植物,僅用了40多年的時間,就完成了對亞洲、歐洲和大洋洲的成功入侵[3]。就入侵的國家來說,對中國海岸的入侵最為嚴重。中國政府和學者于1979年開始從美洲引進互花米草并在中國福建省的羅源灣試種[4-5],目的是培育一種可以有效固岸護灘的生態(tài)系統(tǒng)。試種成功后,互花米草隨即被引種到了其他省份[6-9]。到2018年互花草的種植已廣泛分布于北起遼寧、南到廣西的全部大陸海岸[3]。2003年,互花米草連同其他15種入侵植物被中國政府列為首批入侵物種名錄[10]。對互花米草的監(jiān)測、入侵機理以及生態(tài)損害的研究,在中國海岸帶生態(tài)監(jiān)測與管理研究領域已經(jīng)形成了研究熱點[4,6,11-15]。

1989年,為穩(wěn)固和保護淤泥質(zhì)海岸,從福建省引種了互花米草植株至黃河三角洲,并進行實驗性栽種。經(jīng)過近10 a的不斷實驗,終于于1999年在五號樁潮間帶形成了較大面積的互花米草群落。根據(jù)任廣波等[16-17]、楊俊芳等[18]和于祥等[19]的監(jiān)測,在1999—2010年的11 a間,互花米草在黃河三角洲的分布范圍和面積增長較為緩慢。而在2011年之后,互花米草開始進入快速蔓延和面積爆發(fā)的增長期。到2018年,其分布面積已經(jīng)超過4 000 hm2(監(jiān)測區(qū)域大于本文遙感圖像的覆蓋區(qū)域),已基本上完全覆蓋黃河現(xiàn)行入?？趦蓚?cè)潮間帶[17]。

遙感技術已經(jīng)成為互花米草入侵過程與機理研究的主要技術手段之一,大量的研究結(jié)論證實了多光譜遙感技術的優(yōu)勢[20-23]。根據(jù)任廣波等[17]的監(jiān)測,在黃河三角洲潮間帶的中部區(qū)域,入侵的互花米草與本地生態(tài)系統(tǒng)之間常常鄰接并發(fā)生部分區(qū)域被互花米草替代的情況。而本地生態(tài)系統(tǒng)的蘆葦、檉柳等在光譜和紋理等方面均與互花米草有相近之處。因此,造成了在利用多光譜遙感技術的互花米草監(jiān)測和分類制圖中產(chǎn)生了精度難以提高的問題[24]。

高光譜遙感圖像數(shù)據(jù),以其對光譜細節(jié)的區(qū)分和表現(xiàn)能力,已經(jīng)被證實在濱海濕地復雜地物類型的識別和分類中具有較高的精度[25-32]。然而,目前還較少有應用高光譜遙感圖像數(shù)據(jù)的入侵植物互花米草的監(jiān)測和制圖方法研究工作。原因是航空高光譜、無人機高光譜覆蓋面積有限而且成本較高,而衛(wèi)星高光譜數(shù)據(jù)因數(shù)據(jù)源有限和條帶狹窄而難以對互花米草覆蓋的大面積區(qū)域進行有效的覆蓋。

本研究擬應用“高分五號”衛(wèi)星上搭載的國際上首個同時具有大刈幅、寬譜段的高光譜遙感載荷獲取的覆蓋黃河三角洲的遙感圖像,分析其對黃河三角洲濱海濕地類型的區(qū)分能力,研究基于高光譜遙感的入侵植物互花米草高精度高效監(jiān)測方法。在此基礎上,研究并分析互花米草在黃河三角洲的分布特點。

1 數(shù)據(jù)和方法

1.1 研究區(qū)域

本文研究區(qū)域是黃河現(xiàn)行入海口(圖1),其位于現(xiàn)代黃河三角洲的東側(cè),是黃河1976年之后因入海尾閭擺動而形成的一個扇形區(qū)域。由于多年入海泥沙的堆積,在入海口區(qū)域形成了寬闊的潮間帶濕地,大部分潮間帶的寬度都在2～8 km。研究區(qū)的主要地物類型包括蘆葦、鹽地堿蓬、檉柳、互花米草、海草床、黃河水體、生態(tài)蓄水池、海水和裸潮灘等。植被類型中除互花米草外,其余都是本地物種。

研究區(qū)的本地植物物種中,海草床生長于潮間帶下部到潮下帶之間的區(qū)域,其他的本地植物物種由于耐鹽性較弱,則分布于潮間帶中上部。而對于互花米草,其生境恰是潮間帶中部到潮間帶下部的淤泥質(zhì)潮灘,這些條件在現(xiàn)代黃河三角洲都能得到滿足。因此,現(xiàn)代黃河三角洲為互花米草的入侵提供了適宜的自然生態(tài)環(huán)境。

圖1 研究區(qū)域和現(xiàn)場調(diào)查站位Fig.1 Study area and field work stations

1.2 數(shù)據(jù)

1.2.1 遙感數(shù)據(jù)

“高分五號”衛(wèi)星是中國高分辨率對地觀測計劃中的第5顆衛(wèi)星,于2018-05-09發(fā)射。該衛(wèi)星搭載了一臺先進高光譜成像儀(Advanced Hyperspectral Imager,AHSI)載荷,遙感圖像數(shù)據(jù)的參數(shù)如表1所示。

“高分五號”是目前國際上最先進的商業(yè)高光譜衛(wèi)星,其不僅具有高光譜分辨率(達5 nm@VNIR),而且具有較大的幅寬(60 km)。在互花米草的監(jiān)測中,“高分五號”衛(wèi)星高光譜數(shù)據(jù)具有天然的優(yōu)勢,可在有效診斷并識別互花米草的同時,實現(xiàn)對現(xiàn)代黃河三角洲的大范圍同步覆蓋?！案叻治逄枴备吖庾V采用了2個不同的接收單元,即可見光近紅外波段(Visible Near Infrared,VNIR)和短波紅外波段(Short Wave Infrared,SWIR),具體波段范圍見表1所示。為保證分屬2個不同波段范圍的圖像可以高精度的拼接,二者在1 000～1 030 nm范圍內(nèi)存在波段的重疊,但光譜分辨率卻不一樣(表1)?！案叻治逄枴钡墓庾V分辨率在表1中取的是約數(shù),而實際上,其在每一個波段的半高寬度(Full Width at Half Maximum,FWHM)都是不同的,對于VNIR圖像,其FWHM為3.67～4.81 nm不等,且隨著波長的增加而降低,對于SWIR圖像,其FWHM為7.68～8.32 nm不等,且隨著波長的增加而增加。

1.2.2 遙感圖像數(shù)據(jù)處理

1)大氣校正和幾何校正

根據(jù)“高分五號”數(shù)據(jù)的衛(wèi)星軌道和傳感器成像參數(shù),利用ENVI 5.3軟件中的FLAASH大氣校正模塊,分別對VNIR和SWIR圖像進行了大氣校正,使遙感圖像數(shù)據(jù)由DN(Digital Number)值轉(zhuǎn)換為反射率值。完成大氣校正之后,利用現(xiàn)場測量的像控點對遙感圖像進行幾何校正和圖像配準處理,校正配準在ENVI 5.3軟件中利用二次多項式校正模型完成,校正和配準均利用了相同的10個均勻分布的像控點,校正和配準誤差均小于0.5個像元。

2)波段合成與無效波段去除

由于大氣中的水汽吸收和低信噪比等原因,數(shù)據(jù)發(fā)布時去除了一些波段。同時,去除因邊緣效應而導致的光譜反射率值的突變發(fā)生在邊緣處的波段。另外,對VNIR和SWIR兩幅圖像的波長重復波段進行平均。最終,處理后圖像由原始的330個波段減少為295個。去除的波段主要位于SWIR波段。包括中心波長在1 350～1 426 nm,1 805～1 948 nm和2 504～2 513 nm的水汽吸收和噪聲過大的波段。

1.2.3 現(xiàn)場調(diào)查數(shù)據(jù)

現(xiàn)場調(diào)查的時間2018-09-26—10-01,與遙感圖像獲取時間相差30 d左右,該段時間內(nèi)主要的地物類型除海草床外并未發(fā)生明顯的變化,特別是互花米草群落,其在黃河三角洲區(qū)域于每年10月初進入種子成熟的物候期,其后分布范圍和長勢不再變化,一直到11月底開始出現(xiàn)枯萎。因此,本文認為30 d的遙感圖像和現(xiàn)場數(shù)據(jù)獲取差距,不會對互花米草的分布監(jiān)測帶來較大的影響?，F(xiàn)場調(diào)查站位分布如圖1所示?，F(xiàn)場調(diào)查要素包括:地物類型的描述、地物類型的分布記錄、覆蓋度、經(jīng)緯度位置、地物照片和生長參數(shù)記錄,同時,還包括不同地物類型的現(xiàn)場地物光譜數(shù)據(jù),現(xiàn)場光譜測量采用ASD FieldSpec 4 Standard-Res Spectroradiometer,其光譜范圍350～2 500 nm,光譜采樣間隔:1.4 nm@350～1 000 nm和1.1 nm@1 001～2 500 nm,光線傳輸使用的是一條1.5 m長的延長光纖,光纖探頭視場角25°,在距離測量目標約50 cm處進行光譜獲取,其足印直徑大小約為20 cm。

圖2 為基于現(xiàn)場調(diào)查資料、現(xiàn)場專家解譯和文獻資料在遙感圖像中標注的地面真實樣本分布。表2為隨機選擇的訓練樣本和驗證樣本的數(shù)量分布,在地面真實樣本數(shù)據(jù)集中,針對一個類型,隨機選擇約占總樣本量70%的樣本作為訓練樣本,剩余樣本作為獨立檢驗樣本。

表2 不同濕地類型的地面真實樣本(訓練樣本和驗證樣本)Table 2 Ground truth samples of different wetland types(training and validation samples)

圖2 地面真實樣本分布Fig.2 Distribution of ground truth samples

1.3 分類方法

本文利用全波段高光譜遙感圖像和降維后的遙感圖像開展互花米草的分類研究。對于全波段遙感數(shù)據(jù),選用全波段光譜反射率圖像和經(jīng)連續(xù)統(tǒng)去除(Continuum Removal,CR)處理之后的歸一化光譜數(shù)據(jù);對于降維數(shù)據(jù),選擇利用最小噪聲分離(Minimum Noise Fraction,MNF)變換之后的結(jié)果和遴選的光譜指數(shù)計算結(jié)果。

對于分類方法,選擇代表不同分類思想的幾種方法,包括支持向量機(Support Vector Machine,SVM)、光譜相關制圖(Spectral Correlation Mapper,SCM)、人工神經(jīng)網(wǎng)絡(Artificial Neural Network,ANN)和最大似然分類(Maximum Likelihood Classifier,MLC)。其中,SVM是基于結(jié)構風險最小化思想的代表性方法,SCM是高光譜遙感圖像分類中常用的基于光譜相似性思想的方法,ANN是描述人腦工作方式的常用方法,而MLC是基于統(tǒng)計概率最大化理論的方法。上述方法中,考慮到本文所研究的問題同時具有小樣本和高特征維度的特點,SVM方法應是處理該類問題的首選。同時,作為針對光譜識別應用發(fā)展的光譜角指數(shù)方法,也是應該在高光譜遙感監(jiān)測中重點考慮的方法,但該方法對監(jiān)測目標在遙感圖像中的光譜保真度要求較高。由于在高光譜遙感圖像的分類中,小樣本和高數(shù)據(jù)維度往往是伴隨出現(xiàn)的,因此對于全譜段的反射率數(shù)據(jù)和連續(xù)統(tǒng)去除計算結(jié)果數(shù)據(jù),ANN和MLC不再適用,而利用SCM和SVM分類方法進行分類。其中,SCM方法是對SAM(Spectral Angle Mapper)方法的改進,后一種由于利用了核函數(shù)的概念,2種方法都適用于高特征維度、小樣本的分類問題。對于波段降維方法,利用MNF對遙感圖像進行降維,同時利用光譜指數(shù)法生成低特征維度的圖像數(shù)據(jù),然后利用SCM,SVM,ANN和MLC方法對降維后的圖像數(shù)據(jù)進行地物目標分類。

1.3.1 SVM方法

在濱海濕地特別是具有廣闊潮灘的河口濕地區(qū)域,潮間帶潮溝密布、灘涂淤泥質(zhì)軟且受潮汐影響,現(xiàn)場調(diào)查很難開展,以至于在對覆蓋該區(qū)域的遙感圖像進行分類時,現(xiàn)場獲取的訓練樣本少是一個最基本的問題。特別是對覆蓋濱海濕地的高光譜遙感圖像進行分類時,分類過程對訓練樣本數(shù)量的要求更高。針對此問題,本文選擇使用基于統(tǒng)計學習理論[33]的SVM分類方法。SVM的優(yōu)勢和特點是可以有效解決遙感圖像分類中的小樣本問題,同時能通過該方法解決因高特征維度帶來的線性不可分問題,它是目前遙感圖像分類中應用最為廣泛的方法之一[34]。

1.3.2 SCM方法

SCM是針對全譜段遙感數(shù)據(jù)的矢量夾角法,是傳統(tǒng)光譜角制圖法(Spectral Angel Mapper,SAM)的改進[35],修正了SAM無法排除在參考光譜與圖像光譜在完全負相關時的誤判問題。SCM的表達式如下:

式中,R為參考光譜,而X為圖像光譜。SCM的取值范圍為(-1,1),其取值越接近1,表明光譜矢量之間的夾角越小,也就是越相似。

1.3.3 MNF變換

最小噪聲分離(Minimum Noise Fraction,MNF)方法是高光譜遙感圖像處理中最常用的特征波段選擇方法[36-37],其本質(zhì)上是按照順序?qū)Ω吖庾V數(shù)據(jù)執(zhí)行了兩次主成分分析(Principal Component Analysis,PCA)變換的結(jié)果。第一次PCA變換是對圖像的白噪聲進行分離,第二次是對噪聲分離后的數(shù)據(jù)進行正交變換,使得變換后的圖像中的前幾個波段包含原始遙感圖像大部分的信息。

1.3.4 窄波段光譜指數(shù)

不同類型濱海濕地植物類型之間的區(qū)分是本研究中對遙感圖像進行分類要解決的主要問題。在11月份的黃河口,濱海濕地主要植物類型在生長區(qū)位、冠層結(jié)構、葉片含水量、葉綠素含量以及色素相關指標等方面都會有一定的差別。而這些差別又可以通過計算相應的植被指數(shù)來體現(xiàn)。對于植被指數(shù)以及所涉及的窄波段的選擇,本文基于現(xiàn)場調(diào)查獲取的地物光譜曲線,利用任廣波等[38]提出的光譜特征分析方法,選擇了包括葉綠素相關指數(shù)、色素相關指數(shù)、水體相關指數(shù)和葉化學相關指數(shù)在內(nèi)的多個植被光譜指數(shù)(表3),通過計算這些指標指數(shù)作為特征波段,以此來代替高維度的高光譜圖像遙感圖像,作為降維后的結(jié)果,進行對互花米草的信息提取和制圖。相比于寬波段的光譜指數(shù),窄波段光譜可更有效地發(fā)揮高光譜數(shù)據(jù)對不同濱海濕地類型在光譜方面的診斷優(yōu)勢,以增加和突出分類特征。

表3 植被窄波段光譜指數(shù)Table 3 Vegetation indices

2 結(jié)果與分析

2.1 互花米草高光譜遙感分類精度分析

表4 為應用全部波段和特征波段的不同分類方法得到的互花米草和其他主要濱海濕地類型的分類精度統(tǒng)計結(jié)果。分析表4發(fā)現(xiàn),在使用現(xiàn)場調(diào)查獲取的樣本進行分類時,由于樣本較少,故對于全部波段都參與的分類,ANN和MLC是不適用的,除此之外,不論是全部的波段還是利用特征波段進行分類,SVM都是最佳的選擇。而且同時表明了全波段遙感圖像包含的更多的信息對提高遙感圖像的分類精度是有利的,這也從另一個側(cè)面說明了雖然本文在特征波段的選擇中考慮了地物目標所涉及的不同的特點,但仍存在因有用信息的丟失而使分類精度下降的情況。對比朱玉玲等[24]利用Landsat 8 OLI圖像(多光譜圖像)的分類結(jié)果,分類精度(總體分類精度80%左右)有了大幅度的提升,這充分體現(xiàn)了高光譜圖像在地物識別和分類方面的優(yōu)勢。對于總體分類精度最高的“全波段反射率數(shù)據(jù)SVM方法”和“MNF+窄波段植被指數(shù)數(shù)據(jù)SVM方法”,在Precision 5520筆記本電腦上,使用Windows 10的64位操作系統(tǒng),英特爾Core i7-7700HQ@2.80 GHz四核CPU,16GB內(nèi)存,其分類過程所用時間分別是72和7 s。相對于較小的分類精度降低幅度,在一些需要快速得到分類結(jié)果和計算資源不足的應用場景下,利用降維后的數(shù)據(jù)開展分類和應用是非常有價值的。

根據(jù)現(xiàn)場驗證數(shù)據(jù),得到表5所示的利用全波段反射率圖像進行分類的SVM方法分類結(jié)果的誤差矩陣。分析原因,互花米草的錯誤分類主要出現(xiàn)在其與其他植物類型相互鄰接的位置,是由與檉柳、蘆葦和鹽地堿蓬的混分導致的。其中,相比于蘆葦和鹽地堿蓬,檉柳的物候期要晚一些,與互花米草相近,在遙感圖像成像的日期,在色素含量上其與稀疏生長的互花米草相似,故產(chǎn)生了一定程度的錯分。而對于蘆葦,則由于潮溝的作用,一部分來自黃河的淡水沿潮溝經(jīng)過互花米草群落流入海中。經(jīng)過淡水的補充,在潮溝兩側(cè)的部分區(qū)域產(chǎn)生了有利于蘆葦生長而不適于互花米草生長的去鹽堿化陸地,這種陸地區(qū)域是小斑塊的、零散的。而由于所用的高分五號遙感圖像數(shù)據(jù)一個像元覆蓋約900 m2的區(qū)域,故根據(jù)光譜的相似性,將包含部分蘆葦?shù)南裨糠诸悶榱颂J葦,帶來了一定比例的誤差。對于鹽地堿蓬,出現(xiàn)錯誤分類的區(qū)域在與互花米草的交界處。一般認為,鹽地堿蓬生長的下界(即向海一側(cè)的界線)就是互花米草生長范圍的上界。然而,這個界線并不是明確的,而是有一條相互混生的過渡區(qū)域,這也是一條容易錯分的區(qū)域?？傮w上,較低的空間分辨率是造成互花米草與蘆葦、檉柳等本地生態(tài)系統(tǒng)鄰接處誤分類的主要因素。

法MLC 85.22 99.02 95.44 71.58 77.82 92.59 97.56 51.41 99.51 82.93 99.76 100.00 98.70 98.78 71.46 100.00 87.57 0.85方數(shù)指譜光段波MNF+窄ANN SVM SCM 69.13 81.57 63.80 100.00 100.00 100.00 94.44 93.87 87.75 76.38 76.99 100.00 100.00 95.91 85.60 93.45 91.98 97.35 73.17 73.66 31.71 78.95 62.92 61.32 100.00 100.00 100.00 49.04 50.25 41.58 100.00 99.64 89.21 100.00 100.00 100.00 99.73 100.00 86.76 100.00 100.00 89.91 90.66 72.60 67.55 98.76 99.48 81.18 91.87 91.35 76.09 0.90 0.89 0.72 MLC 82.97 97.15 54.27 60.67 77.04 52.87 87.32 79.91 96.59 53.95 98.58 100.00 89.98 78.99 77.02 98.71 80.41 0.76計統(tǒng)度精類分4表Table4 Statisticsofclassificationaccuracy段波征特法方數(shù)指譜光段波窄法方MNF ANN SVM SCM MLC ANN SVM 89.90 83.26 62.21 75.87 79.79 79.33 95.91 100.00 78.24 97.95 79.39 96.58 96.58 54.99 64.39 95.44 94.30 94.16 53.05 54.91 59.32 73.55 77.43 75.54 0.00 56.81 23.54 88.72 99.42 96.50 0.00 44.65 31.11 66.18 92.41 92.36 92.20 82.44 13.17 91.71 75.61 74.63 35.86 44.24 100.00 54.02 78.68 61.20 17.07 99.02 66.34 100.00 100.00 100.00 70.00 76.89 48.23 77.95 66.99 59.59 98.70 100.00 58.13 100.00 98.81 98.81 85.25 99.76 100.00 99.41 100.00 100.00 100.00 99.95 88.78 100.00 97.74 99.73 100.00 100.00 91.23 100.00 99.34 99.95 59.09 74.24 39.14 55.81 68.18 77.65 94.16 99.16 31.99 99.77 99.82 99.68 81.15 84.49 50.83 88.45 90.09 91.23 0.77 0.81 0.41 0.86 0.88 0.89 SCM 57.06 100.00 83.33 100.00 62.26 99.07 31.71 69.15 100.00 85.42 85.29 100.0 29.61 100.00 68.06 78.69 58.05 0.53段波全法方除去統(tǒng)續(xù)連法方率射反SVM SCM SVM SCM 82.32 86.25 86.90 81.67a 98.88 98.61 99.36 96.80b 87.18 77.49 96.44 83.90 78.26 55.79 93.38 79.17 82.49 17.51 97.86 52.14 80.92 69.23 82.06 51.54 80.00 27.80 98.54 89.27 39.14 35.40 53.30 53.51 100.00 27.80 91.22 78.54 68.33 29.23 98.42 99.38 100.00 93.95 99.76 99.88 99.76 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 68.18 82.83 80.05 89.39 94.74 57.44 97.99 86.45 89.30 80.42 94.23 88.59 0.87 0.76 0.93 0.86c數(shù)系Kappa;c為度精戶用;b為度精者產(chǎn)生別類草米花互葦蘆柳檉蓬堿地鹽葦蘆灘潮灘堿鹽體水灘潮裸度精體總:a為注

表5 全波段反射率圖像SVM分類驗證混淆矩陣Table 5 Confusion matrix for SVM classification based on reflectance images of all the available bands

2.2 互花米草分布的空間特征

圖3 為利用SVM分類器得到的基于全部波段的反射率圖像的分類結(jié)果。根據(jù)統(tǒng)計分析,監(jiān)測到互花米草的分布面積為38.63 km2,占分類圖像總面積的7.53%,占潮間帶總面積的21.23%。

根據(jù)分類結(jié)果,由于互花米草對潮汐的阻擋作用,互花米草生長區(qū)域向陸一側(cè)潮灘得不到潮水的沖刷,在降雨和黃河淡水不能有效補充的情況下,潮間帶的鹽度升高,導致在現(xiàn)行入?？诳陂T區(qū)域,原本生長著茂盛的潮灘蘆葦?shù)膮^(qū)域,逐漸被更為耐鹽堿的鹽地堿蓬和檉柳所取代[17]。

結(jié)合Ren等[17]的監(jiān)測結(jié)果,在黃河口區(qū)域,互花米草的入侵是以自西向東、自北向南的順序逐漸完成的。到目前,主要分布于黃河1996年清八汊改道由清水溝東南流路向東北方向之后的廣闊潮間帶中下部,在該區(qū)域的分布面積占研究區(qū)互花米草總面積的86%,而且占據(jù)了近100%的水邊線。雖然黃河北岸孤東油田附近海岸上的互花米草入侵時間要早于現(xiàn)行河口兩側(cè),然而孤東油田附近海岸的互花米草分布范圍和面積卻始終未能變大。同時,由于121采油平臺的存在和海流的控制,導致雖然早在2013年互花米草就已經(jīng)分布到了黃河現(xiàn)行入?？诘哪习?但多年來,始終未能明顯地跨越121平臺向南部發(fā)展(圖3)。

根據(jù)圖3的分類結(jié)果,不同類型的植物根據(jù)其與河流和海岸相對位置的不同,而呈現(xiàn)明顯的分帶分區(qū)特點。耐鹽的互花米草屬于先鋒物種,位于潮間帶的中下部最接近海水的位置,其次是鹽地堿蓬生態(tài)系統(tǒng),位于潮間帶的中部,對鹽度最為敏感的是蘆葦生態(tài)系統(tǒng),位于潮間帶上部和潮上帶,檉柳屬于廣鹽性的植物,在黃河三角洲其位于堿蓬和蘆葦之間的潮間帶中上部。

根據(jù)互花米草的不同長勢和所處的底質(zhì)環(huán)境不同,結(jié)合不同長勢互花米草現(xiàn)場光譜測量數(shù)據(jù)和植被生長參數(shù)等調(diào)查數(shù)據(jù),以及相關的植被指數(shù)分析結(jié)果,對互花米草分布區(qū)域進行了更精細的分類,得到了3個不同生長狀態(tài)的互花米草分布結(jié)果(圖4)。3個生長狀態(tài)分別為:第一,互花米草長勢茂盛的區(qū)域,這部分區(qū)域互花米草表現(xiàn)為植株高大、葉片寬且長、單位面積植株數(shù)量更多,表現(xiàn)在NDVI圖像中其值更高(圖5a);第二,生長狀況與上一種情況相比較差,植株矮小且較為稀疏(圖5b);第三,生長狀態(tài)與第二個狀態(tài)相似,但所處位置底質(zhì)含水量更高,表現(xiàn)在NDWI圖像中其值很高,一般為靠近向陸一側(cè)的部分,多為新生互花米草群落(圖5c)。值得一提的是,前2種情況的互花米草雖所處位置較第3種情況更靠海,但其底質(zhì)潮間帶含水量卻較低。

圖3 應用全部波段的反射率圖像的SVM分類結(jié)果Fig.3 Result of SVM classification based on reflectance images of all the available bands

圖4 不同長勢和底質(zhì)條件互花米草的分類結(jié)果Fig.4 Classification results of Spartina alterniflora characterized by various growth statuses and substrates

圖5 三種不同長勢互花米草的現(xiàn)場照片F(xiàn)ig.5 Filed photos of Spartina alterniflora with different growth statuses

3種不同長勢的互花米草其分布面積比率約為7∶4∶3,即生長茂盛的區(qū)域占比最大,生長狀況較差且較為稀疏的區(qū)域占比最小。這種種群結(jié)構顯示出了互花米草群落總體上處在一個生長旺盛的狀態(tài)。對比圖3和圖4,82.3%的互花米草位于黃河現(xiàn)行入?？趦蓚?cè),而且這部分區(qū)域也是長勢較好的和新生互花米草的所在區(qū)域。同時,大部分互花米草斑塊的寬度都大于800 m,斑塊之間被狹窄的潮溝隔開,屬于一種非常穩(wěn)定的群落結(jié)構?；セ撞萆L茂盛的這片潮間帶是黃河1996年清八汊改道之后新形成的。1996年以來的20多年是我國經(jīng)濟快速發(fā)展的時期,這其中經(jīng)濟發(fā)展帶來的污染物不斷地由河流攜帶入海,并沉積在河口三角洲。豐富的營養(yǎng)物質(zhì)是互花米草在該位置繁盛的一個原因。同時,這片區(qū)域距離河口較近,更容易得到河流帶來的淡水的補充,更利于互花米草種子的萌發(fā),而且,新造陸地的土質(zhì)松軟,有益于新萌發(fā)種子的扎根。

3 討 論

3.1 互花米草的光譜異質(zhì)性

圖6 a是處于不同底質(zhì)濕度、不同長勢互花米草的反射率光譜分析圖,其中綠色曲線為上述不同情況互花米草的均值光譜曲線,灰色區(qū)域為不同情況互花米草光譜的變化標準差區(qū)間?；セ撞菰诮t外波段的變化幅度要顯著高于其他區(qū)域,是由影響其光譜變化的長勢(葉綠素相關)和底質(zhì)水分含量在此處共同疊加所造成的。在可見光波段以葉綠素的影響為主,而在短波紅外波段則以水分含量的影響為主。影響對互花米草的準確提取的因素,不僅包括其本身的反射率光譜異質(zhì)性,也包括其他植被類型的光譜及其異質(zhì)性。圖6b～6d分別為蘆葦、檉柳和鹽地堿蓬的訓練樣本均值光譜曲線及其樣本光譜標準差范圍。對于蘆葦和檉柳,其光譜曲線與互花米草差別較小,而且大部分區(qū)域都有因各自的光譜異質(zhì)性而導致的重疊,這也是造成三者之間錯分誤差的主要原因(表5)。

同時,對于上述4種主要的研究區(qū)濕地植物類型,在遙感圖像成像的11月份,檉柳和鹽地堿蓬已接近枯萎,故其光譜曲線中已經(jīng)不能表現(xiàn)出明顯的植物光譜的特征,同時其光譜異質(zhì)性也都較小。

光譜異質(zhì)性是影響地物目標分類精度的重要因素。在溫帶的海岸帶區(qū)域,地面目標特別是植物類型因物候和生長環(huán)境的差別而在光譜上差異明顯。因此要求通過現(xiàn)場調(diào)查采集訓練樣本和驗證樣本時,應兼顧并考慮到植物生長狀態(tài)、所處環(huán)境對光譜異質(zhì)性所帶來的影響。

圖6 互花米草的反射率光譜Fig.6 Reflectance spectra of S.alterniflora and other coastal wetland plants

3.2 特征波段與光譜指數(shù)的選擇

降維是高光譜遙感圖像處理的重要技術方法之一。其目的是降低對高光譜遙感圖像的處理計算難度,并剔除對目標識別和分類沒有作用和甚至起到反作用的冗余波段。在促進基于高光譜遙感技術的應用研究中起到了積極的作用。對于通過光譜指數(shù)計算得到的特征波段,應充分考慮研究區(qū)域的地物目標特性,即應根據(jù)目標的光譜特點來選擇和計算光譜指數(shù),如對于植被類型的分類,應根據(jù)不同植物類型的所處區(qū)域環(huán)境條件、冠層結(jié)構、葉片細胞組織特點和色素含量特點等,有針對性地建立新的植被指數(shù)或使用已有的植被指數(shù)。同時,特征波段選擇時,還應剔除成像質(zhì)量差和噪聲大的波段,在所用的“高分五號”遙感圖像中對應的是小于500 nm和大于2 000 nm的光譜波段。

3.3 SCM光譜角參數(shù)的選擇

基于光譜角度方法具有利用同類型目標在其物理和生物化學原理的角度不變特征的優(yōu)點,從而去除了因生長環(huán)境、光照角度等因素而造成的光譜差異。但光譜異質(zhì)性特點的存在以及混合像元等問題決定了對于每一類要素,都需要人為地確定一個光譜角度閾值。閾值的選擇帶有較多的主觀性,這有可能導致引入更多的誤差。

3.4 互花米草的監(jiān)測時間

根據(jù)石東里等[44]的研究,在黃河三角洲,互花米草的返青時間在每年的4月上旬,6月中旬開始抽穗開花,延續(xù)至8—9月,種子成熟在10—11月,11月底至12月初逐漸枯死。而在研究區(qū)域中,與互花米草在生長區(qū)位和圖像光譜、紋理上都具有一定相似性的蘆葦和檉柳生態(tài)系統(tǒng),其物候期比互花米草要提早1～2個月。具體到本研究中,在獲取“高分五號”遙感圖像的11月初,除互花米草外的其他可能造成混分的植被類型均已到了枯萎期,表現(xiàn)在光譜上是紅邊波段(約680～710 nm)反射率梯度的顯著降低和近紅外波段反射率值的下降(圖6),這些不同都是由植物植株以葉綠素為代表的色素含量和葉片中水分含量降低而導致的。因此,通過對不同植物生長季節(jié)的遙感圖像的分析,更有利于對互花米草的準確提取和制圖。

4 結(jié) 論

“高分五號”衛(wèi)星為濱海濕地監(jiān)測研究提供了基于衛(wèi)星平臺的大刈幅、寬譜段的高光譜遙感圖像數(shù)據(jù)。其5～10 nm的光譜分辨率提高了對地面目標的監(jiān)測和識別能力,而且其60 km的幅寬更決定了不僅能夠利用這款衛(wèi)星數(shù)據(jù)開展局部區(qū)域的目標識別和精細化分類,更可以作為大范圍資源環(huán)境監(jiān)測與變遷分析的主要數(shù)據(jù)源。

本研究利用典型的高光譜遙感圖像數(shù)據(jù)處理方法和4種代表不同分類思想的經(jīng)典遙感圖像分類方法,應用高分五號高光譜遙感數(shù)據(jù)開展了互花米草的分布制圖。“高分五號”精細的光譜分辨率和良好的地物光譜差別反映能力顯著提升了研究區(qū)濕地分類的效果,分類精度達94.23%。不同分類方法的分類結(jié)果表明,SVM方法的結(jié)構風險最小化思想適用于小樣本條件下的高維度數(shù)據(jù)分類,并能取得最好的分類效果。同時,雖然相比于全波段的分類結(jié)果,應用降維后特征波段的分類精度下降了近3%(仍高達91.35%),但使用降維數(shù)據(jù)的分類可以節(jié)省大量的時間和計算資源。對互花米草的制圖和分析結(jié)果顯示,絕大部分的互花米草分布在121采油平臺北部的黃河入?？趦砂冻遍g帶上,已經(jīng)占據(jù)了近100%的水邊線,這部分區(qū)域的互花米草未來可能會對本地生態(tài)系統(tǒng)帶來更嚴重的生態(tài)問題。應用高光譜遙感數(shù)據(jù)及其植被指數(shù)監(jiān)測到的3種不同生長狀態(tài)的互花米草中,健康的互花米草占到了總面積的78.57%,且大部分位于黃河河口新淤積的潮間帶上,表明了豐富的營養(yǎng)物質(zhì)、松軟的底質(zhì)是互花米草入侵的重要條件,而且更重要的,表現(xiàn)出互花米草還具備較強的入侵能力。

致謝:中國科學院上海技術物理研究所為本文提供“高分五號”衛(wèi)星可見短波高光譜遙感圖像數(shù)據(jù)。