羅菊花，楊井志成，段洪濤，陸莉蓉，孫喆，辛逸豪

中國科學院南京地理與湖泊所 中國科學院流域地理學重點實驗室,南京210008

1 引 言

根據(jù)水生植物的形態(tài)結構和生長特征，可將其分為3大主要類群：挺水植物、浮葉植物和沉水植物。一方面，水生植被，尤其是沉水植被，在維持湖泊生態(tài)系統(tǒng)平衡、促進物質(zhì)循環(huán)和凈化水質(zhì)等方面發(fā)揮著積極作用（Murphy 等，2018；Zhang 等，2016；楊清心，1998；崔心紅等，1999；龐翠超等，2014）。水生植被在生長過程中，（1）通過吸收同化外源流入湖中和埋藏在底泥中的氮、磷等礦質(zhì)營養(yǎng)物質(zhì)，使水體無機氮、磷濃度大幅下降，從而促使葉綠素a濃度下降，起到抑制藻類，吸附凈化等作用；（2）可增加湖泊水體運動所受的阻力，降低流速和波浪強度，通過根系固定減少底泥的擾動，抑制沉積物再懸浮，加速水體懸浮物與藻體沉降，起到阻滯水流、固持底泥、促進沉降等作用；（3）產(chǎn)生的大量有機物質(zhì)可為水生動物提供直接或間接的飼料，同時可為底棲動物提供棲息場所（Massicotte等，2015）。另一方面，若水生植被過度生長，且不能被及時收割或利用，尤其是浮葉和挺水植被，死亡后其大量的植物殘體留在湖泊中，自然腐爛分解，向水體釋放大量的N、P、BOD、COD 等營養(yǎng)物質(zhì)以及有色、有味和有毒物質(zhì)，會造成湖泊二次污染；同時，不易分解的植物殘體積累在湖底，會加劇湖泊淤積和沼澤化（楊清心，1998；崔心紅 等，1999）。因此，在草型湖泊，開展水生植被的類型、蓋度和生物量等參量的長時序、快速監(jiān)測，可為湖泊生態(tài)管理、健康評估、水質(zhì)修復和水生植被修復/收割等提供理論基礎和科學支撐。

傳統(tǒng)水生植被監(jiān)測方法（實地樣點/線調(diào)查法），點位結果相對精準，但費時費力，難以獲取水生植被連續(xù)的空間分布信息。遙感技術具有宏觀、低成本、快速、動態(tài)等優(yōu)勢，同時具有實時性和歷史追溯性的特點，已成為淺水湖泊水生植被類群時空監(jiān)測研究的有效手段。在全球氣候變化和人類活動加劇的大環(huán)境下，全球湖泊水生植被，正在發(fā)生劇烈變化。Zhang 等（2017）基于湖泊水生植被相關的關鍵詞搜索了SCI 論文共4000多篇，對全球155個湖泊的水生植被進行了全面評估，發(fā)現(xiàn)全球共101 個湖泊的水生植被呈減少趨勢。在此背景下，基于衛(wèi)星遙感技術，開展大區(qū)域尤其是全球大型湖泊水生植被的動態(tài)變化信息提取，有利于解析氣候變化和人類活動的影響機制，服務于聯(lián)合國可持續(xù)發(fā)展目標SDG6.6.1（Sustainable Development Goals）。

本文通過文獻檢索和分析，了解國內(nèi)外湖泊水生植被遙感的研究現(xiàn)狀和主要研究方向，并重點圍繞水生植被的幾個主要研究方向，進一步開展研究進展調(diào)研；最后，圍繞水生植被遙感研究的挑戰(zhàn)，展望未來水生植被遙感研究重點和發(fā)展趨勢。

2 水生植被遙感監(jiān)測現(xiàn)狀

2.1 水生植被遙感研究重點湖泊和主要方向

基于1990年—2020年的文獻庫，對全球大于500 km2共348 個湖庫的水生植被和水生植被遙感研究進行檢索，篩選了水生植被研究的SCI發(fā)文量前10 名的全球大型湖庫（圖1），分別為：伍茲湖（Woods lake）、鄱陽湖（Poyang lake）、密歇根湖（Michigan lake）、太湖（Taihu）、安大略湖（Lake Ontario）、雪松湖（CedarLake）、馬尼托巴湖（Manitoba Lake）、維多利亞湖（Victoria Nyanza）、蘇必利爾湖（Lake Superior）和貝加爾湖（Lake Baikal）。此外，對全球湖泊水生植被遙感研究論文的關鍵詞進行統(tǒng)計分析，排名前20 的關鍵詞為“Remote sensing，wetlands，Aquatic vegetation，Macrophytes，Landsat，Eutrophication，Water quality，GIS，NDVI，Biomass，Mapping，Change，Hyperspectral，Lakes，Classification，Submerged aquatic vegetation，MODIS，UAV，Aquatic plants”。因此，湖泊水生植被遙感主要圍繞“高光譜分析、分類制圖、參數(shù)反演、時空變化監(jiān)測”等內(nèi)容開展。

圖1 關于水生植被和水生植被遙感研究的SCI發(fā)文量前10位的全球大型湖庫Fig.1 The top 10 lakes and reservoirs in SCI publications on aquatic vegetation and aquatic vegetation remote sensing

2.2 水生植被類群/種群光譜研究

據(jù)生物學定義，水生植被類群是指具有共同形態(tài)結構和生長特征的水生植被的集合，如挺水植被、浮葉植被和沉水植被；種群指棲息在同一地域的同種水生物植物個體的集合，不同類群的水生植被又可以細分為不同的種群。水生植物不同類群和種群的光譜特征及其對水環(huán)境的響應研究是水生植物遙感監(jiān)測和識別研究的理論基礎。相比陸生植被，水生植物由于其生長在復雜度較高的水體中，因此其光譜特性更具復雜性（Hestir等，2008；Underwood 等，2006；Oyama 等，2015；Zhou 等，2020）。挺水（如喜旱蓮子草、蘆葦、茭白等）與浮葉植物（如野菱、荇菜和水葫蘆等）的大部分葉片位于水面之上，光譜信號不需要經(jīng)過水體輻射傳輸過程，受水環(huán)境影響較小，其光譜具有典型的植被光譜特征（Underwood 等，2006；Hestir 等，2008；Oyama 等，2015），冠層光譜主要受蓋度和植被本身的冠層結構和生化參數(shù)的影響（Zhou 等，2020；Tian等，2010）；而沉水植物完全沉入水中，其冠層反射的光譜必須穿過大氣—水界面，由于水的強吸收作用，在可見光和近紅外波段的光譜值明顯低于挺水和浮葉植物，在1350 nm 之后幾乎趨近于0，其光譜除了受蓋度和植被本身的冠層結構和生化參數(shù)的影響外，還受水體透明度、水深、葉綠素a濃度、懸浮物濃度、底質(zhì)和植被冠層離水面的深度等水環(huán)境因子影響（Hestir 等，2008；Zhou 等，2018；Tian等，2010；Giardino等，2015；Liang等，2017；Yadav 等，2017；Visser 等，2013），但各因子對反射率的影響覆蓋多波段，且對各波段范圍的影響大小有差異，其中蓋度對光譜的影響最大（Tian 等，2010；Visser 等，2013）。同時，學者們也通過植被、水體等輻射傳輸方法模擬，充分考慮太陽觀測角、水體屬性、水生植被冠層屬性、葉片光譜、底質(zhì)光譜等，構建了水生植被的通用的冠層幾何光學模型（Zhou 等，2015，2020；Pande-Chhetri 等，2014），可模擬不同情景下植被類群的光譜曲線?？傊?，在相同蓋度下，不同類群（挺水、浮葉和沉水植被）之間由于植被冠層結構和生物理化參數(shù)差異較大，其光譜差異較明顯，易于區(qū)分；而類內(nèi)種群間光譜差異小，且受蓋度和水環(huán)境的影響，基于多光譜數(shù)據(jù)較難區(qū)分。但在理論上和技術上，高光譜或超光譜影像可捕捉到種群間的差異，開展種群的分類具有可行性（Yuan和Zhang，2006）。

2.3 水生植被類群遙感分類制圖

利用衛(wèi)星遙感數(shù)據(jù)對湖泊/水庫水生植被類群進行分類和變化監(jiān)測，是水生植被遙感監(jiān)測的主要方向之一。近年來，國內(nèi)外學者分別針對不同的湖泊，基于不同的衛(wèi)星遙感數(shù)據(jù)，構建和應用了多個水生植被提取指數(shù)（表1），利用多種遙感分類方法，探討和研究不同水生植被類群（挺水植被、浮葉植被和沉水植被）的衛(wèi)星遙感分類方法和長時序變化監(jiān)測。主要研究和進展如下：（1）在遙感數(shù)據(jù)源的選擇方面，根據(jù)研究湖庫大小、監(jiān)測時間尺度、數(shù)據(jù)成本等考慮，用于水生植被監(jiān)測的衛(wèi)星數(shù)據(jù)源涉及不同傳感器、不同時空分辨率，如MODIS （250 m）（Liu 等，2015；Liang 等，2017）、Landsat TM/ETM+/OLI （30 m）（Luo 等，2014；Zhao 等，2012；Villa 等，2015；Qing 等，2020）、Sentinel-2 MSI（10 m）（Singh 等，2020；汪政輝 等，2019）、Quickbird（2.4 m）（Dogan 等，2009；Wolter 等，2007）、WorldView-2 （2 m）（Whiteside 和Bartolo， 2015）、 IKONOS （1 m）（Sawaya 等，2003），但大多是多光譜衛(wèi)星數(shù)據(jù)。其中，由于Landsat 具有時間序列長、空間分辨率高等優(yōu)勢，成為水生植被類群分類監(jiān)測和長時序變化監(jiān)測的主流數(shù)據(jù)源（Zhao 等，2013；Han 等，2015；Luo 等，2016a，2020；張壽選 等，2008）。（2）在水生植被遙感分類特征研究方面，基于不同植被類群在衛(wèi)星影像上的光譜響應，構建了一系列提取和區(qū)分不同類群的植被指數(shù)，如表1。其中，由于浮葉和挺水植被具有典型的植被光譜特征，NDVI 成為最為主流的分類植被指數(shù)；而沉水植被由于其光譜受到水環(huán)境因子的影響，基于不同的湖泊和數(shù)據(jù)源，構建的提取指數(shù)往往不同（表1），但主要用到的傳感器波段仍是近紅外波段和可見光波段。

表1 常用的水生植被類群遙感提取指數(shù)Table 1 Common spectral index for extracting different aquatic vegetation

（3）在水生植被遙感分類方法方面，除了一些傳統(tǒng)的遙感分類方法，如監(jiān)督分類法（Pu 等，2012；Pande-Chhetri 等，2014；Han 等，2015；Villa 等，2015）、非監(jiān)督分類法、決策樹分類法（Jiang 等，2012；Zhao 等，2012；Luo 等，2014；Liang 等，2017；Hou 等，2018）、面向對象的分類方法（Whiteside和Bartolo，2015；Visser等，2013，2018）等，還利用支持向量機（Pande-Chhetri 等，2014）、隨機 森林（Husson 等，2016；Singh 等，2020；侍昊等，2016；Held等，2019）等機器學習和深度學習的智能方法開展水生植被類群的分類。其中，決策樹分類方法由于其簡單、快速和易于表達等優(yōu)點，一直是水生植被類群最為主流的分類方法；同時，近年來機器學習因高精度、易于使用、不易受噪聲的影響而越來越多地被用于水生植被類群的分類（圖2）。

圖2 水生植被分類方法文獻統(tǒng)計圖Fig.2 Literature statistical diagram of classification methods for mapping aquatic vegetation

（4）在分類精度方面，不同分辨率的衛(wèi)星遙感對水生植被的類群分類總體精度均可達80%以上（Luo 等，2014），沉水植被相比挺水植被和浮葉植被具有更低的分類精度，除了混合像元的干擾外，水體的表觀和固有光學屬性都很大地影響沉水植被的探測精度（Mobley，2001）。研究表明，即使一個像元中沉水植被的蓋度為100%，它的反射率仍然受水的吸收影響較大，尤其在近紅外波段（Yadav 等，2017；Hestir 等，2008）。當沉水植被覆蓋度低于20%時，其光譜特征與水體相似，很難識別（Luo等，2014）。

2.4 水生植被種群衛(wèi)星遙感監(jiān)測

水生植被種群的數(shù)量和蓋度能直接反映湖泊生態(tài)系統(tǒng)的多樣性和生態(tài)服務功能的健康程度，種群識別和空間分布監(jiān)測對湖泊穩(wěn)態(tài)和生態(tài)健康評估非常重要（Spears 等，2016；Ye 等，2011）。由于不同種群的冠層結構、生物理化參數(shù)等不同，種群間光譜有差異，可通過高光譜/超高光譜和高空間分辨率遙感數(shù)據(jù)捕捉到其差異，從而實現(xiàn)對水生植被種群的分類識別，且已有相關探索研究和應用實踐（Underwood 等，2006；Tian 等，2010；Pu 等，2012；Husson 等，2016；Visser 等，2013）；但其差異遠遠小于類群間的光譜差異，尤其是沉水植被，其差異往往會受不同的水環(huán)境因子的光學屬性影響而被掩蓋，很難用多光譜傳感器捕捉到。因此，僅僅通過多光譜影像的光譜數(shù)據(jù)很難對水生植被種群，尤其是沉水植被種群，進行精細分類。然而不同的沉水植被種群，往往具有不同的生活史（物候），其萌芽期、生長期、旺盛期、衰亡期往往不同（Wiegleb 和Brux，1991；Poerschmann 等，2015），如菹草屬于冬春生長型植物，3—4 月生長速度較快，4 月下旬至5月生物量最大，5月下旬至6月下旬死亡，7月份生物量達到最小值，8—10月進入休眠期，11月開始進入萌發(fā)期，12—2 月生長速度緩慢（Rogers 和Breen，1983；陳書琴 等，2008），而微齒眼子菜在春夏進入生長旺盛期，3 月份生物量最少，4—5 月份開始萌生，7 月份其生物量達到最大值，隨后生長減緩并逐漸向越冬期過渡（靳寶鋒和郭友好，2001）。因此，可通過高時間分辨率的多時相特征獲取每個月份的沉水植被空間分布數(shù)據(jù)，然后結合不同種群的生活史（物候）特征，開展不同沉水植被種群的時空分布監(jiān)測，該方法已應用在太湖等淺水湖泊。結果表明，該方法對太湖沉水植被優(yōu)勢種群監(jiān)測的總體精度可達到65%左右（Han等，2018；Hou等，2018；王琪等，2015；楊井志成等，2021），但該方法對生活史相同或者相近的種群監(jiān)測效果差，精度低（Luo 等，2017；王琪 等，2015）。

2.5 水生植被理化參數(shù)遙感監(jiān)測

水生植被由于部分或全部植株生長在水面以下，相比陸上植被，生物量等生物理化參數(shù)的遙感監(jiān)測有很大難度。目前，基于多源遙感數(shù)據(jù)，圍繞水生植被生物量、葉面積指數(shù)（LAI）、高度、氮濃度，初級生產(chǎn)力等參數(shù)開展一些研究。相比沉水植被，挺水植被的理化參數(shù)測量方便，且光譜受水體影響小，其遙感估算研究相對較多，且精度較高（Byrd 等，2014；Mutanga 等，2012；Luo 等，2016b；Luo 等，2017）。在遙感數(shù)據(jù)源的應用和監(jiān)測方法方面，大多研究選用光學多光譜或高光譜衛(wèi)星數(shù)據(jù)，結合理化參數(shù)的實測數(shù)據(jù)，新建或應用敏感植被指數(shù)，構建經(jīng)驗或半經(jīng)驗遙感反演模型對生物量、LAI、氮濃度等理化參數(shù)進行估算，如Pu 等（2012）利用Landsat TM 多光譜和EO-1 ALI 高光譜數(shù)據(jù)繪制了佛羅里達西海岸的沉水植被蓋度分布圖，并構建了多元回歸模型反演了沉水植被的葉面積指數(shù)（LAI）分布圖；Villa等（2018）利用Landsat、Sentinel-2 和Spots 等數(shù)據(jù)，基于多個植被指數(shù)，構建了挺水與浮葉植被的LAI 半經(jīng)驗遙感反演模型，對其進行估算（Villa 等，2018）；Gao 等（2017）基于HJ 多光譜數(shù)據(jù)提出了歸一化水體調(diào)整植被指數(shù)（NWAVI），認為該指數(shù)在反演沉水生物量方面優(yōu)于常見的植被指數(shù)（如NDVI、EVI、NDAVI、WAVI、DVI等），并對太湖不同季節(jié)的水生植被生物量進行了定量反演。在沉水植被的生物量估算方面，也有研究考慮沉水植被與透明度的關系，結合植被指數(shù)估算其生物量（Yadav 等，2017；Ma，2008）。此外，考慮到雷達可以透過植被冠層的間隙，能夠精準的探測到植被（尤其是高大植被，如蘆葦）的三維幾何結構，如高度等，在植被冠層結構參數(shù)的監(jiān)測中獨具優(yōu)勢（Kellndorfer 等，2004）。一些研究嘗試基于LiDAR數(shù)據(jù)和Radarsat影像開展水生植被的高度和生物量等的監(jiān)測，并認為將光學遙感和雷達相結合開展生物量監(jiān)測能提高其估算精度。如Corti 等（2017）利用機載LiDAR，繪制了湖濱帶蘆葦?shù)姆植挤秶⒚芏群透叨?；Costa（2005）和Costa 等（2002）評估了雷達影像數(shù)據(jù)提取水生植被和估算生物量的潛力，并基于Radarsat 和JERS-1，反演了亞馬遜平原的水生植被生物量，進而估算了該區(qū)域的水生植被的凈初級生產(chǎn)力空間分布；Luo 等（2017） 利用機載LiDAR 和高光譜數(shù)據(jù)，構建了單一特征和多特征的蘆葦生物量反演模型，精度評價結果顯示，將LiDAR 的特征量和高光譜數(shù)據(jù)結合后構建的蘆葦生物量反演模型的估算精度最高。

3 結 語

（1）綜合多要素發(fā)展沉水植被種群高精度遙感提取方法。相比浮葉和挺水植被，沉水植被是淺水湖泊的關鍵類群，在一定營養(yǎng)水平條件下，沉水植物種群的多樣性和蓋度決定著湖泊的穩(wěn)態(tài)類型（Janssen 等，2014；Soana 等，2012），因此，對湖泊沉水植被種群豐度和蓋度的時空分布和變化監(jiān)測對湖泊生態(tài)系統(tǒng)和水質(zhì)管理及修復尤為重要。但目前受遙感光譜時空分辨率的限制，利用遙感結合生活史的方法對沉水植被種群的監(jiān)測精度也僅能達到65%左右，尤其是生活史差異較小的種群，目前方法很難精細識別。然而，沉水植被種群除了生活史有差異外，不同的種群對生境因子（如耐污力、光環(huán)境、水深、抗波浪、水質(zhì)、濁度、水體流速度、PH、底質(zhì)特征等）的生態(tài)幅也各有不同（陳中義 等，2000；Xiao 等，2010）。未來研究中，在數(shù)據(jù)方面，隨著高時空分辨率遙感傳感器的不斷涌現(xiàn)，發(fā)展高時空分辨率數(shù)據(jù)的沉水植被種群提取方法以提高識別精度；在方法方面，以種群間的生境和生活史差異作為輔助知識，結合遙感監(jiān)測結果，嘗試通過考慮生境和生活史的沉水植物種群監(jiān)測方法，實現(xiàn)湖泊沉水植被種群的時空分布高精度監(jiān)測。

（2）拓展水生植被參數(shù)監(jiān)測方法和模型的時空應用尺度。近幾十年來，在全球氣候變暖和人類活動加劇的大背景下，對全國或者全球湖泊的水生植被面積或生物理化參數(shù)開展長時序遙感監(jiān)測，掌握其時空變化規(guī)律，研究其驅動機制（氣候變化、人類活動等），可為全球湖泊生態(tài)保護、湖泊資源可持續(xù)發(fā)展等提供基礎理論。目前的水生植被定量監(jiān)測研究僅限于某個湖泊，缺乏一套普適性的湖泊水生植被分類監(jiān)測和植被參數(shù)反演方法。隨著遙感大數(shù)據(jù)的發(fā)展，未來可充分考慮水生植被各參數(shù)監(jiān)測算法的影響因素等，發(fā)展適合多湖泊水生植被參數(shù)的遙感定量監(jiān)測算法；在遙感大數(shù)據(jù)云平臺（如Google Earth Engine 等）支撐下，構建區(qū)域或全球湖泊的水生植被空間分布、生物量、LAI等生物理化參數(shù)的遙感產(chǎn)品，服務于區(qū)域或全球湖泊生態(tài)評估、濕地可持續(xù)發(fā)展評估等。

（3）小區(qū)域發(fā)展無人機多傳感器的水生植被遙感應用。相比大型淺水湖庫，小型湖庫的水生植被更易受周圍環(huán)境的影響而擴張或消失，其水生植被類群、種群及其生物理化參數(shù)的現(xiàn)狀掌握和時空分布變化信息對區(qū)域生態(tài)發(fā)展、水源地保護和湖庫管理等更為重要。而目前受限于光學衛(wèi)星時空分辨率和天氣影響，小型湖庫的水生植被監(jiān)測體系很難滿足業(yè)務化應用；而人工現(xiàn)場調(diào)查只能獲取點上的信息，無法全面掌握小型湖庫中植被信息的分布情況。無人機具有機動靈活、高效快速、精細準確、作業(yè)成本低、適用范圍廣、生產(chǎn)周期短，且不受天氣影響等優(yōu)點，已成為小區(qū)域地表信息監(jiān)測的重要手段。未來，隨著無人機和高光譜技術的不斷發(fā)展，結合機器/深度學習算法，利用無人機搭載高光譜和激光雷達傳感器，開展小型湖庫水生植被類群、種群及其生物理化參數(shù)的精細化監(jiān)測和業(yè)務化應用具有很大前景和可行性。