2025, Vol. 46
2. 东海航海保障中心上海海图中心, 上海 200082;
3. 银川市勘察测绘院, 银川 750001;
4. 银川市水务局, 银川 750002;
5. 宁夏自然资源厅, 银川 750001
, SHI Yun1
, DING Zhong-jie2 , HUANG Lin2 , DONG Jun3 , LIANG Zhi-gang4 , ZHU Xiao-wen5 , MA Yi-ting1 , WANG Tong1
2. Shanghai Chart Center, East China Sea Navigation Support Center, Shanghai 200082, China;
3. Yinchuan Institute of Surveying and Mapping, Yinchuan 750001, China;
4. Yinchuan Water Bureau, Yinchuan 750002, China;
5. Department of Natural Resources of Ningxia, Yinchuan 750001, China
湿地是世界上生物生产力和经济价值最高的生态系统之一, 与森林和海洋生态系统并列为地球上的三大生态系统[1]. 旱区湿地在碳存储, 水净化、维持生物多样性、防止绿洲退化与荒漠化等方面发挥着显著作用, 恢复和维持其植被生态系统对于旱区社会稳定和经济发展具有重要意义[2]. 宁夏沿黄城市群位于黄河流域上游地区, 全年平均气温较低, 蒸发大而降水少, 是典型的干旱、半干旱气候区, 拥有全区90%的水源, 湿地资源丰富[3], 银川市是中国西部唯一入选首批国际湿地的城市. 伴随经济、人口和城镇化进程, 西北干旱区社会经济发展与湿地资源矛盾也日益显著. 因此, 探究准确快速的湿地监测方法, 维持湿地生态系统健康状况是当前旱区湿地研究的热点[4 ~ 10].
近年来凭借遥感技术观测范围广, 数据量丰富等优点, 国内外学者在湿地信息提取及监测方面取得了较好的研究成果[11 ~ 16]. 光学卫星影像作为主要遥感数据源, 易受云雨天气影响, 难以获取特定时间的高质量影像. 雷达遥感影像弥补了光学影像的不足, 因其具有较强的云层穿透力, 可以不受云雨天气影响实现对地表全天时全天候观测. 地形对于湿地研究起着至关重要的作用, 沼泽湿地往往分布在地势较为低洼的区域, 易于涵养水源, 需要高程信息作为重要特征参与分类[17]. 有研究表明, 光学、雷达以及地形数据结合起来, 可用于湿地信息提取, 以发挥多源遥感数据优势互补的作用, 提高提取精度. Robertson等[18]发现融合WorldView-2光学影像和全极化Radarsat-2影像与单独使用光学影像相比, 沼泽湿地的分类精度有所提高. Dubeau等[19]利用不同季节多光谱光学、雷达和地形数据组合方法实现埃塞俄比亚高地的达布斯湿地高精度提取, 旱季和雨季提取精度分别为94.4%和92.9%, 研究发现仅使用雷达和地形数据的精度为82%~89%. 在湿地分类研究方法方面, 传统的基于像元的分类方法“同物异谱”和“同谱异物”导致分类结果容易出现椒盐现象[20]. 随着遥感影像分割技术的发展, 面向对象可以充分考虑地物的光谱、纹理以及形状等特征, 分类结果可避免“椒盐”现象, 针对不同地物类型构建科学的特征集, 近年来被广泛运用在湿地研究中[21 ~ 27]. 干旱和半干旱湿地作为荒漠绿洲的核心地理单元, 对生态环境影响显著. 北方干旱半干旱地区湿地占全国湿地的很大比例[28]. 旱区湿地生态系统与其他生态系统相互影响, 抑制河岸森林砍伐、绿洲萎缩、草地退化和荒漠化[29]. 王荣军等[30]基于“压力-状态-响应”框架模型, 构建张掖北郊湿地生态安全评价指标体系, 安全综合评估指数为0.580, 这说明该地区的生态安全性处于中等水平. 米楠等[31]采用3S技术对宁夏旱区湿地生态系统碳汇功能研究. 有研究表明：宁夏湿地位于我国西部干旱半干旱地区之首, 自然湿地主要分布在宁夏沿黄经济区. 与湿润地区相比, 旱区的湿地生态系统由于其性质复杂、斑块面积小、水资源相对稀缺, 更容易受到外部因素的影响[32]. 人类活动和自然环境的综合作用导致旱区的湿地生态系统变得敏感和脆弱, 生态功能和结构明显退化[33]. 因此, 实现旱区湿地信息提取对湿地的保护和恢复至关重要.
本研究借助GEE云平台获取Sentinel-1影像、Sentine-2影像和地形数据, 采用面向对象机器学习算法对宁夏沿黄城市群湿地进行提取. 设计5种分类方案, 分别探讨了红边特征、雷达特征以及地形特征对旱区湿地提取的重要性, 验证了利用RF-Pearson模型获取旱区湿地分类中最优特征的可行性. 本研究成果为构建“沿黄生态经济带”, 保护干旱地带的生态系统实现高质量发展, 确保西北地区的生态安全提供了科学支持. 此外, 该成果对于理解西北干旱区域人与环境的互动关系, 以及分析湿地生态系统变化过程也具有重要意义.
1 材料与方法 1.1 研究区概况宁夏沿黄城市群包含：银川市、石嘴山市、吴忠的利通区和青铜峡市, 中卫市的沙坡头区和中宁县等13个县市区(图 1), 位于北纬36°58′~39°22′, 东经104°16′~106°58′, 海拔1 318~1 396 m, 地处中国西北内陆干旱区, 位于黄河流域中上游, 以其河谷平原为代表, 构成了中国三大农业灌溉区之一, 被誉为“塞上江南”, 依赖黄河提供灌溉和生态补水, 拥有众多湿地资源, 是内陆旱区流域湿地水资源典范[34]. 研究区生态环境敏感脆弱, 属温带大陆性气候, 降水稀少、降雨季节性集中、蒸发作用显著、风沙活动频繁, 日照充足. 年均气温为5.6~10.1℃, 年均降水量不足200 mm, 年均蒸发量为1 850 mm[4]. 宁夏沿黄城市群地貌类型以黄土、风蚀和堆积地貌为主, 地形平坦[3].
|
图 1 研究区概况 Fig. 1 Overview of the study area |
研究数据基于GEE平台获取, 具体包括Sentinel-2影像使用L2A产品, Sentinel-1影像, 数字高程数据(空间分辨率10 m). 本研究使用2021年7~9月影像数据, 此时间段云量少且植被稀疏, 湿地信息获取准确. 共获得Sentinel-2影像15景, Sentinel-1VH和VV影像各3景. 基于GEE平台对Sentinel-2影像进行去云、裁剪和镶嵌处理, 重采样至10 m, 统一坐标系确保不同数据源之间的几何配准精度. 对SAR影像进行预处理：轨道矫正、热噪声去除、辐射定标、相干斑滤波、地形矫正和分贝化[35]. 采用分层随机采样的方法, 利用2021年7~9月Sentinel-2影像对样本集进行目视解译, 得到的样本数量为15 247个, 按照7∶3的训练和验证样本比例, 分别为10 627个和4 620个. 最终各湿地类型样本数量如表 1所示.
|
表 1 各种湿地类型样本数量 Table 1 Number of samples of various wetland types |
1.3 研究方法 1.3.1 湿地分类方案
根据实地勘测解译资料和研究区域特征, 在借鉴了《湿地公约》和相关资料[36], 研究将宁夏沿黄城市群湿地类型划分为滩涂沼泽、沟渠、水库坑塘、湖泊和河流湿地等5类, 如表 2所示.
|
|
表 2 湿地分类 Table 2 Classification of wetlands |
1.3.2 技术路线
如图 2所示, 首先对Sentinel-1和Sentinel-2影像进行数据预处理, 提取DEM数据的坡度、高程、径流强度指数和地形湿度指数等派生数据. 为阐明地形特征、红边特征和雷达特征对湿地识别的影响, 确定最适合湿地提取的特征, 设计了5种不同的实验方案：光谱特征+几何特征(方案1), 光谱特征+几何特征+地形特征(方案2), 光谱特征+几何特征+红边特征(方案3), 光谱特征+几何特征+雷达特征(方案4), 特征优选(方案5). 利用样本数据进行面向对象机器学习算法分类和精度评价, 最终得到旱区湿地分类结果.
|
图 2 技术路线 Fig. 2 Technology road |
确定最优分割尺度对于提高面向对象分类的精度与效率至关重要[37]. 多尺度分割思想是根据最小异质性区域合并算法, 将特征相同或相邻像素进行合并处理, 组合成多边形对象. 相对于其他分割方法生成对象间异质性最小、同质性最大, 可有效避免“椒盐”现象, 故本研究选择多尺度分割方法进行面向对象分割.其参数涉及光谱因子和形状因子权重的确定.
1.3.4 特征集构建选取光谱特征、几何特征、红边特征、地形特征以及雷达特征构建特征集(见表 3). 旱区湿地种类复杂, 仅依靠光谱特征来分辨不同的地物类别, 只能实现基本区分, 但对于那些光谱信息相似的地物, 需要依据其他辅助特征变量来进行识别. 针对湿地类型, 参考相关研究成果, 提取光谱、几何、地形、红边和雷达特征等5个类别40个特征变量.
|
|
表 3 特征变量集 Table 3 Set of characteristic variables |
(1) 地形特征 利用DEM影像, 提取地形信息, 坡度(slope)、径流强度指数(SPI)、地形湿度指数(TWI)和高程(high)共4个特征.
(2) 光谱特征 提取Sentinel-2影像12个波段值(b1~b8、b8A、b9~b12)、亮度(brightness)、光谱差异(max diff)、归一化水体指数(NDWI)、改进的归一化水体指数(MNDWI)、归一化植被指数(NDVI)、改进的归一化植被指数(GNDVI)、归一化建筑指数(NDBI)和改进植被指数(EVI)共17个特征.
(3) 红边特征 NDVIre1、NDVIre2、NDVIre3、NDre1、NDre2、CIre和Bre(B5、B6、B7)共9个特征.
(4) 雷达特征 极化后向散射系数(VV)和极化后向散射系数(VH)共2个特征.
(5) 几何特征 提取形状指数(shape index)、长宽比(length/width)、圆度(roundness)、紧致度(compactness)、面积(area)、长度(length)、宽度(width)和矩形度(rectangula)共8个特征.
1.3.5 特征优选采用RF-Pearson模型对湿地类型之间的可分性进行定量分析, 研究针对选取的多种特征因子, 分析每个特征的目标分类性能, 在保持特征贡献度的同时, 还能有效降低特征间的相互依赖性. 随机选择N个特征, 根据基尼系数得到特征重要性评分, 见式(1).
|
(1) |
式中, Gini为特征变量重要性评分；ntrees为RF中决策树的数量；P为属于C类别的概率.
皮尔逊(Pearson)相关系数是一种线性相关系数, 也是最常用的一种相关系数. 其值介于-1~1之间, 绝对值越大表明相关性越强. 计算公式见式(2).
|
(2) |
式中, r为相关系数, n为样本数量, Xi和Yi为变量X和Y对应的i点观测值, X和Y分别为随机变量X和Y样本平均值.
首先, 采用常规的随机森林(random forest, RF)方法来评估各特征在分类过程中的贡献度, 然后通过Pearson相关系数来分析特征间的相关性, 挑出贡献度显著但相关性较低的特征, 作为最终选择的特征集. 该方法能够选取对旱区湿地分类贡献较大的特征, 同时减少了数据之间的关联性, 有效提升了旱区湿地信息提取精度.
1.3.6 分类器选择采用RF、BP神经网络(back propagation neural network, BP)分类器进行湿地分类, RF是一种非参数型的监督式机器学习分类器, 包含多个聚合随机决策树, 通过使用所有决策树的预测模式对数据集进行分类[41]. 由于分类精度较高, 该分类器在遥感影像分析应用中使用广泛, 常用于森林火灾面积提取与山地植被类型分类研究[42, 43]. RF算法根据回归树的数量和每个分割点的预测变量数量进行优化, 使用分类树的数量、每个分类树中变量个数、最小叶子节点数量, 决策树输入变量的袋装比例, 袋外模式和随机种子变量决策树这6个参数构建[44].
BP神经网络(back propagation neural network)被称为基于误差反向传播算法的人工神经网络, 具有良好的泛化能力、非线性逼近能力、模型构建的易用性, 在许多领域得到广泛应用. 该算法是一种基于最陡下降方法的监督学习方法, 可将全局误差降至最低. 输出错误通过网络反馈, 以修改阈值和连接权重. 最后, 通过迭代调整获得最优值, 目标函数取均方误差根[45].
1.3.7 精度评价研究基于分类结果构建混淆矩阵, 评估不同分类算法在湿地提取中的效果, 对分类器自动分类的结果进行验证. 采用总体精度(OA)、Kappa系数、生产者精度(PA)和用户精度(UA)这4个指标作为最终精度评价标准.
2 结果与分析 2.1 影像分割采用eCognition软件中的ESP2插件评价分割尺度, 设置形状因子为0.1, 紧致度为0.5, 分割尺度93时地貌之间分割效果最佳, 结果如图 3所示.
|
图 3 最优分割尺度93 Fig. 3 Optimal segmentation scale 93 |
研究通过对提取的40个特征采用RF算法进行重要性评估, 归一化处理结果见图 4. 在进行后续的特征选择时, 按照重要性评分从高到低的顺序挑选特征.
|
1.width(宽度), 2.area(面积), 3.length(长度), 4.length/width(长宽比), 5.slope(坡度), 6.SPI(径流强度指数), 7.brightness(亮度), 8.TWI(地形湿度指数), 9.VH(极化后向散射系数), 10.VV(极化后向散射系数), 11.max diff(光谱差异), 12.high(高程), 13.EVI(改进植被指数), 14.b7(近红外波段), 15.b1(大气溶胶波段), 16.b8(近红外波段), 17.b6(近红外波段), 18.b9(水蒸气波段), 19.b2(蓝色), 20.b5(红端), 21.b4(红色), 22.rectangula(矩形度), 23.compactness(紧致度), 24.b12(短波红外), 25.b8a(近红外波段), 26.NDVIre2(红边波段), 27.b11(短波红外), 28.b3(绿色), 29.NDre2(红边波段), 30.NDVIre3(红边波段), 31.NDVIre1(红边波段), 32.CIre(红边波段), 33.NDre1(红边波段), 34.roundness(圆度), 35.shape index(形状指数), 36.NDBI(归一化建筑指数), 37.NDVI(归一化植被指数), 38.NDWI(归一化水体指数), 39.GNDVI(改进的归一化植被指数), 40.MNDWI(改进的归一化水体指数) 图 4 特征重要性排序 Fig. 4 Ranking of feature importance |
在基于特征重要性评分的结果中, 运用Pearson相关系数来确定各特征之间的相关性. 筛选出相关系数值超过0.9的特征, 对其重要性评分进行比较. 去除重要性得分较低的特征, 40个特征经过RF-Pearson优选方法运算后, 获得26个重要性得分高、特征之间相关性小的特征作为优选特征(如图 5). 结果显示, 光谱和红边特征在干旱区湿地特征表达过程中权重更大, 是分类特征表达的主要因素.
|
1.NDre2(红边波段), 2.NDre1(红边波段), 3.NDWI(归一化水体指数), 4.NDVIre3(红边波段), 5.NDVIre1(红边波段), 6.NDVI(归一化植被指数), 7.NDBI(归一化建筑指数), 8.MNDWI(改进的归一化水体指数), 9.GNDVI(改进的归一化植被指数), 10.CIre(红边波段), 11.VH(极化后向散射系数), 12.VV(极化后向散射系数), 13.TWI(地形湿度指数), 14.slope(坡度), 15.high(高程), 16.b8a(近红外波段), 17.b6(近红外波段), 18.b5(红端), 19.b4(红色), 20.b3(绿色), 21.b2(蓝色), 22.b12(短波红外), 23.b11(短波红外), 24.b12(短波红外), 25.shape index(形状指数), 26.compactness(紧致度) 图 5 Pearson特征相关系数 Fig. 5 Pearson characteristic correlation coefficient |
5种方案结果由表 4所示. 以随机森林分类结果为例, 与方案1光谱特征和几何特征相比, 红边特征、雷达特征和地形特征对旱区湿地提取作用显著. 方案2的总体精度和Kappa系数分别为86.34%和0.788 0, 较方案一增加1.83%和0.027 9, 说明方案2加入的地形特征变量提高了湿地分类精度. 方案3加入的红边特征, 湿地的总体分类精度较方案一增加3.27%, Kappa系数增加0.048 5；方案4加入雷达特征, 总体精度增加2.14%, Kappa系数增加0.030 1；虽然前4种方案取得了较好的效果, 但是没有考虑到信息冗余问题. 方案5通过RF-Pearson对所有特征进行优选, 不仅取得了比前4种方案更好的精度, 而且有效地将数据量特征数减少到26个, 去除特征之间相关性影响, 提高提取精度. 通过特征优化后, 湿地的总体精度和Kappa系数相比方案4提高了3.08%和0.052 1.
|
|
表 4 分类精度统计 Table 4 Comparison of producer accuracy and user accuracy of the three classification methods |
综合来看在5种方案中, 滩涂沼泽的分类精度都相对最高, 其次为沟渠的分类精度, 水库坑塘的分类精度提高最明显. 图 6显示, 在方案1和方案2的分类结果影像中, 分类结果相对比较破碎, 湖泊中掺杂许多小的沟渠斑块, 水库坑塘被误分为沟渠的现象比较多. 在方案3的分类结果影像中, 误分现象明显减少, 滩涂沼泽分布在河流外围, 符合实际情况. 利用红边波段影像, 可以提高叶面积指数和叶绿素含量估算的准确性, 与其它与其它特征变量相比, 红边特征变量更能加大植物之间的差异, 因此, 其对植物相对繁杂的滩涂沼泽区域的分类精度贡献最大. 值得注意的是, 方案4加入雷达后向散射系数后, 总体分类精度相对方案1光谱特征提升了. 不同于方案1的光学波段影像, 雷达波段影像的重要特征在于具有穿透能力, 本研究利用的Sentinel-1影像, 能穿透冠层获取植物信息, 尤其适用于草本植物的识别. 滩涂沼泽湿地的主要覆盖植物为草本植物, 雷达后向散射系数是对光学波段反射率的有效补充, 提高了类型间的差异程度. 方案4相较于方案3的红边特征分类, 总体分类精度降低, 其中, 水库坑塘和沟渠的用户精度减幅较大, 分析原因为水库坑塘和沟渠的光谱反射率差异相对较大, 雷达后向散射系数的加入, 增加了冗余信息, 从而降低了分类精度.
|
图 6 不同方案提取结果 Fig. 6 Different scenario extract results |
图 6呈现了5种不同分类方案结果, 经特征优化的方案5分类效果显著, 与其它几种方案相比, 其分类结果的破碎性明显降低.
2.3.2 不同分类器分类对比构建不同分类器时, 将分割后的每个湿地对象作为训练集, 最初决策树数量(ntrees)为1~500. 实验结果显示(图 7), 随着当特征数量(N)的增加, OOB分类精度估计值呈波动上升趋势, 但到ntrees=250时, 其值稳定在0.826 1左右. 当ntrees > 200时, 00B分类精度估值没有得到有效提高, 计算耗时同时效率下降. 因此, 本文选择ntrees=250来构建两种分类模型.
|
图 7 OOB精度标定结果 Fig. 7 OOB accuracy calibration results |
采用特征优选RF达到了很高的分类精度, 为了对比该方法提取旱区湿地的优良性能, 选取同样的优选特征, 选取BP和RF进行分类对比结果如图 8所示. 在基于不同数据的分类方案中, RF分类器的分类精度都高于BP分类器, 两种分类器分类结果精度对比(表 4), RF分类器的平均总体精度为87.00%, 比BP分类器的平均总体精度高出1.67%；Kappa系数分别高出2.33%. 从各个湿地类型的生产者精度和用户精度上看, 经特征优选的方案5中RF方法在河流、湖泊、水库坑塘划分上精度都要优于BP, 在滩涂沼泽和沟渠的划分上, 两种分类器精度相差不明显.
|
图 8 不同分类器分类结果 Fig. 8 Classification results of different classifiers |
基于方案5的RF分类结果, 分析不同湿地类型的面积分布特征, 得到研究区最终分类结果. 如图 6所示, 宁夏沿黄城市群湿地主要由河流、湖泊、滩涂沼泽、水库坑塘和沟渠共5类湿地构成, 主要集中于银川市辖区, 包括平罗县、沙坡头区、灵武市和中宁县. 在旱区湿地类型中, 河流湿地扮演着核心角色, 在黄河流域的城市群中尤为突出. 湖泊、滩涂沼泽、沟渠等湿地类型的破碎化程度上升. 不同湿地类型之间的连贯性较弱, 形成了较为分散的斑块格局. 分类结果中天然湿地面积为1 076.65 km2、人工湿地面积为108.18 km2, 二者分别占研究区总面积的90.86%和9.14%. 河流、湖泊、滩涂沼泽是天然湿地的主要类型, 三者相间分布于沿黄地带, 该区域地势低洼水资源随黄河河水带来的丰富有机质, 使该区域成为动植物的主要栖息地. 沟渠、水库坑塘是重要的人工湿地类型, 集中分布于靠近河流和湖泊区域.
图 9(a)和图 9(b)分别为银川阅海湖、沙坡头区阅海湖湿地, 图 9(c)为沙湖湿地, 是分类结果图 6(方案5)的细节分类效果. 最终的分类结果准确. 图 9(a)显示, 地处城市住宅生活区, 湿地类型复杂多样, 自然湿地主要以湖泊为主, 河流分布稀疏, 人工湿地交错分布. 银川市阅海湖区域被正确识别为了湖泊湿地. 图 9(b)位于中卫沙坡头, 主要土地覆盖类型为沙漠, 湿地类型分布稀疏, 破碎化程度较小, 沙坡头区阅海湖提取结果边界清晰. 图 9(c)为沙湖湿地, 该区域主要以自然湿地湖泊、河流分布为主, 沙湖湿地提取边界清晰, 比较符合实际情况, 提取效果较好.
|
图 9 局部Sentinel-2影像及其对应的分类结果 Fig. 9 Local Sentinel-2 images and their corresponding classification results |
旱区湿地类型精细化分类对旱区生物多样性保护管理与监测具有重要意义, 研究选取宁夏沿黄城市群为研究对象, 根据《黄河流域生态环境保护规划》在保护重点上, 黄河上游地区以水源涵养为主, 中游地区重点是水土保持和污染治理, 下游则以湿地保护修复为主, 强化水资源节约集约利用, 加强全流域水资源统一调度等措施, 维护黄河生态健康[46]. 本文以Sentinel-1合成孔径雷达(SAR)数据、Sentinel-2光学数据以及地形数据为基本数据源, 构建了一种面向对象⁃深度学习的旱区湿地类型识别与分类方法. 该方法利用多尺度分割模型定量确定影像最优分割尺度, 并基于RF-Pearson模型方法充分挖掘不同湿地类型的影像特征差异, 集成面向对象与深度学习方法的优势, 分类结果整体性良好且精度高. 基于该分类方法, 宁夏沿黄城市群域湿地分类结果总体精度达89.73%, 较以往研究具有一定的优势[3], 对不同湿地类型的识别较为精准, 可为后期旱区湿地分类研究提供技术方法支持与参考借鉴, 为黄河流域生态环境保护规划做出贡献. 尽管本研究取得了较好的分类效果, 但仍具有一定的局限性：
(1) 由于遥感数据在空间分辨率和光谱特征上的限制, 无法对湿地进行更细致的分类, 如区分季节性河流、草本沼泽等. 在未来的研究中, 可以借鉴更完善的算法, 利用光谱信息更丰富的遥感数据来研究湿地提取模型. 未来可尝试增加多时相影像做进一步探索, 研究宁夏沿黄城市群湿地时间尺度变化规律, 为国际湿地城市的空间规划提供智慧服务.
(2) 研究在选取影像分割的属性特征时, 存在一定程度的偏颇. 地表物体的光谱特性具有不稳定性, 可能对分类的准确性造成影响. 某些地表类型的属性信息有待进一步探索和详细描述. 通过深入挖掘更丰富的地物属性特征, 优化面向对象的分类算法, 增强地物提取的精度. 这一领域需要未来的持续研究和探讨.
(3) 未来可以面向宁夏国土空间规划需求, 开展面向国土空间规划(2021—2035年)智慧服务的国际湿地城市遥感监测与预测评估一体化研究, 开展逐年旱区湿地监测、预测和评估研究, 引导宁夏沿黄城市群一体化发展, 形成支撑西北干旱区高质量发展的重要引擎, 保障丝绸之路经济带和西部陆海新通道建设, 协同推进黄河流域生态保护和高质量发展, 维护黄河生态健康.
4 结论(1) 光谱和红边特征是干旱区湿地分类特征表达的主要因素, 红边特征对干旱区湿地类别的识别能力最好, 方案3加入的红边特征, 湿地的总体分类精度增加3.27%, Kappa系数增加0.048 5.
(2) 利用RF-Pearson模型有利于干旱区湿地信息提取, 对比了不同特征对干旱区湿地信息提取的重要性, 大小为：红边特征 > 光学特征 > 雷达特征 > 地形特征. 利用RF-Pearson模型最优特征选取, 将特征数由40减少到NDre2、NDre1、NDWI和NDVIre3等26个特征, 通过RF-Pearson对所有特征进行优选的方案5, 取得了比前4种方案更好的精度, 在最优特征基础上进行随机森林分类最终得到的总体精度为89.73%, Kappa系数为0.842 3, 较方案4分别提高3.08%和0.052 1.
(3) 通过随机森林、神经网络对优选后的特征集进行分类, 对比分析结果显示, 在基于不同数据源的分类方案中, RF分类器的分类精度都高于BP分类器, RF分类器的平均总体精度为90.61%, 比BP分类器的平均总体精度高出1.67%；Kappa系数分别高出2.33%. 从各个湿地类型的生产者精度和用户精度上看, 经特征优选的方案5中RF方法在河流、湖泊、水库坑塘划分上精度都要优于BP. 说明随机森林分类方法对干旱区湿地识别分类具有明显异质特征, 适合于黄河流域干旱区湿地的分类研究, 能够准确识别出干旱区湿地类型空间分布特征, 是湿地分类的一种准确高效提取方法.
(4) 宁夏沿黄河城市群湿地生态系统主要包括五大类型：河流、湖泊、滩涂沼泽、水库坑塘和沟渠, 其中河流湿地占据主导地位, 是黄河流域城市群中最显著的湿地形态, 水库坑塘的破碎程度相对较低, 湖泊、滩涂沼泽、沟渠湿地呈现出较高的破碎性, 各类型的湿地分布趋向于分散. 主要分布在银川市辖区、平罗县、沙坡头区、灵武市和中宁县等5个区域. 尽管宁夏沿黄城市群的湿地面积在全国湿地范围内不占优势, 却是旱区物质生产、水资源供应、水源涵养、黄河洪水调节以及旅游休闲等方面的重要组成部分. 因此, 有必要加强对旱区湿地的科学研究, 以充分利用其功能并强化对这些宝贵资源的保护措施.
| [1] |
王娅, 郭继发, 林雨. 基于面向对象方法的天津市滨海新区湿地信息提取[J]. 山东理工大学学报(自然科学版), 2023, 37(6): 25-31. Wang Y, Guo J F, Lin Y. Wetland information extraction from Tianjin Binhai New Area based on object-oriented method[J]. Journal of Shandong University of Technology (Natural Science Edition), 2023, 37(6): 25-31. |
| [2] |
葛孟琰. 干旱区内陆河尾闾湿地区地下水与植被生态系统耦合机制研究[D]. 武汉: 中国地质大学, 2022. Ge M Y. The coupling mechanism between groundwater and vegetation ecosystem of terminal lake area of inland river in arid area[D]. Beijing: China University of Geosciences, 2022. |
| [3] |
高祖桥. 基于景观格局演变分析的宁夏沿黄城市群湿地生态系统健康评价研究[D]. 兰州: 西北师范大学, 2023. Gao Z Q. Evaluation of the health of wetland ecosystem in Ningxia urban agglomeration along the Yellow River based on the analysis of landscape pattern evolution[D]. Lanzhou: Northwest Normal University, 2023. |
| [4] |
邹业斌, 柴明堂, 杨娟, 等. 基于GEE的干旱区流域湿地水体时空动态变化特征分析——以宁夏平原为例[J]. 测绘通报, 2023(2): 9-14. Zou Y B, Chai M T, Yang J, et al. Analysis of spatial-temporal dynamic change characteristics of wetland water body in arid basin based on GEE: a case study of Ningxia plain[J]. Bulletin of Surveying and Mapping, 2023(2): 9-14. |
| [5] | Frohn R C, Reif M, Lane C, et al. Satellite Remote sensing of ISOLATED wetlands using object-oriented classification of Landsat-7 data[J]. Wetlands, 2009, 29(3): 931-941. DOI:10.1672/08-194.1 |
| [6] |
陈宁, 辛存林, 唐道斌, 等. 中国西北地区多情景土地利用优化与碳储量评估[J]. 环境科学, 2023, 44(8): 4655-4665. Chen N, Xin C L, Tang D B, et al. Multi-scenario land use optimization and carbon storage assessment in Northwest China[J]. Environmental Science, 2023, 44(8): 4655-4665. |
| [7] |
周婷, 马姣娇, 徐颂军. 2003~2013年中国湿地变化的空间格局与关联性[J]. 环境科学, 2020, 41(5): 2496-2504. Zhou T, Ma J J, Xu S J. Spatial patterns and spatial autocorrelations of wetland changes in China during 2003-2013[J]. Environmental Science, 2020, 41(5): 2496-2504. |
| [8] |
郝静, 张光辉, 崔浩浩, 等. 旱区荒漠封闭湿地植被对生态输水的响应[J]. 草业科学, 2022, 39(12): 2554-2564. Hao J, Zhang G H, Cui H H, et al. Response characteristics of the closed desert wetland vegetation to ecological water transport in arid regions[J]. Pratacultural Science, 2022, 39(12): 2554-2564. |
| [9] |
王倩. 旱区沟渠湿地植被演替对排水水盐的响应研究与模拟[D]. 西安: 西安理工大学, 2023. Wang Q. Study and simulation on the response of vegetation succession to drainage water and salt in ditch wetland in arid area[D]. Xi'an: Xi'an University of Technology, 2023. |
| [10] | 李卫平, 宋智广, 杨文焕, 等. 寒旱区湿地环境特征及生态修复研究[M]. 北京: 中国水利水电出版社, 2020. |
| [11] | Colkesen I, Kavzoglu T. Ensemble-based canonical correlation forest (CCF) for land use and land cover classification using sentinel-2 and Landsat OLI imagery[J]. Remote Sensing Letters, 2017, 8(11): 1082-1091. DOI:10.1080/2150704X.2017.1354262 |
| [12] | De Roeck E R, Verhoest N E C, Miya M H, et al. Remote sensing and wetland ecology: a south African case study[J]. Sensors, 2008, 8(5): 3542-3556. DOI:10.3390/s8053542 |
| [13] |
崔宾阁, 吴景, 李心慧, 等. 结合深度学习和植被指数的滨海湿地高分二号遥感影像信息提取[J]. 遥感学报, 2023, 27(6): 1376-1386. Cui B G, Wu J, Li X H, et al. Combination of deep learning and vegetation index for coastal wetland mapping using GF-2 remote sensing images[J]. National Remote Sensing Bulletin, 2023, 27(6): 1376-1386. |
| [14] | Kumar R, Sharma P, Bandyopadhyay S. Evidence of microplastics in wetlands: Extraction and quantification in freshwater and coastal ecosystems[J]. Journal of Water Process Engineering, 2021, 40: doi: 10.1016/j.jwpe.2021.101966.. |
| [15] |
李果, 孙光, 赵梓伊, 等. 基于植物多样性的北京市湿地生态质量评价[J]. 环境科学, 2022, 43(4): 1988-1996. Li G, Sun G, Zhao Z Y, et al. Ecological quality assessment of the wetlands in Beijing: Based on plant diversity[J]. Environmental Science, 2022, 43(4): 1988-1996. |
| [16] |
唐廷元, 付波霖, 李颖, 等. SegNet在从低空无人机影像中提取会仙岩溶湿地地物信息中的应用[J]. 湿地科学, 2020, 18(4): 413-423. Tang T Y, Fu B L, Li Y, et al. Application of SegNet to extraction of feature information of Huixian Karst Wetlands from images of low-altitude unmanned aerial vehicle[J]. Wetland Science, 2020, 18(4): 413-423. |
| [17] |
李平辉. 多源数据特征优选的黄河源典型区湿地信息提取[D]. 北京: 中国地质大学(北京), 2021. Li P H. Extraction of wetland information in typical areas of the source of the yellow river based on multi-source data feature optimization [D]. Beijing: China University of Geosciences (Beijing), 2021. |
| [18] | Robertson L D, King D J, Davies C. Object-based image analysis of optical and radar variables for wetland evaluation[J]. International Journal of Remote Sensing, 2015, 36(23): 5811-5841. |
| [19] | Dubeau P, King D J, Unbushe D G, et al. Mapping the dabus wetlands, ethiopia, using random forest classification of landsat, palsar and topographic data[J]. Remote Sensing, 2017, 9(10). DOI:10.3390/rs9101056 |
| [20] |
宁晓刚, 常文涛, 王浩, 等. 联合GEE与多源遥感数据的黑龙江流域沼泽湿地信息提取[J]. 遥感学报, 2022, 26(2): 386-396. Ning X G, Chang W T, Wang H, et al. Extraction of marsh wetland in Heilongjiang Basin based on GEE and multi-source remote sensing data[J]. National Remote Sensing Bulletin, 2022, 26(2): 386-396. |
| [21] |
韩森, 阮仁宗, 傅巧妮, 等. 基于Sentinel-1和Sentinel-2影像的洪泽湖国家湿地公园水生植被信息提取[J]. 南京林业大学学报(自然科学版), 2024, 48(2): 19-26. Han S, Ruan R Z, Fu Q N, et al. Extraction of aquatic vegetation in Hongze Lake National Wetland Park based on Sentinel-1 and Sentinel-2 images[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2024, 48(2): 19-26. |
| [22] |
黄雨菲, 路春燕, 贾明明, 等. 基于无人机影像与面向对象-深度学习的滨海湿地植物物种分类[J]. 生物多样性, 2023, 31(3): 22411. Huang Y F, Lu C Y, Jia M M, et al. Plant species classification of coastal wetlands based on UAV images and object oriented deep learning[J]. Biodiversity Science, 2023, 31(3): 22411. |
| [23] |
陈建龙, 王语檬, 侯淑涛, 等. 面向对象和DEM的ZY-1 02C影像湿地提取研究[J]. 地球信息科学学报, 2015, 17(9): 1102-1109. Chen J L, Wang Y M, Hou S T, et al. Wetland information extraction of ZY-1 02C image based on the object and DEM[J]. Journal of Geo-information Science, 2015, 17(9): 1102-1109. |
| [24] | Chen Y Y, He X F, Xu J, et al. Scattering feature set optimization and polarimetric SAR classification using object-oriented RF-SFS algorithm in coastal wetlands[J]. Remote Sensing, 2020, 12(3). DOI:10.3390/rs12030407 |
| [25] | Zhao J W, Wang Y W, Wang L Y, et al. Analysis of spatio-temporal changes and driving factors of wetland ecosystem health based on the AHP-SOM-DPSR Model—A case study of wetlands in the Qin-mang river[J]. Sustainability, 2024, 16(13). DOI:10.3390/su16135753 |
| [26] |
黄冰鑫, 徐佳, 张晓同, 等. 基于特征优选的GF-6WFV影像湿地信息提取[J]. 地理空间信息, 2024, 22(4): 39-44. Huang B X, Xu J, Zhang X T, et al. Wetland information extraction from GF-6 WFV multispectral imagery based on feature optimization[J]. Geospatial Information, 2024, 22(4): 39-44. |
| [27] | Zhang X T, Xu J, Chen Y Y, et al. Coastal wetland classification with GF-3 polarimetric SAR imagery by using object-oriented random forest algorithm[J]. Sensors, 2021, 21(10). DOI:10.3390/s21103395 |
| [28] | Jeelani N, Yang W, Xia L, et al. Ecosystem threats and management strategies for wetlands in China[J]. Marine and Freshwater Research, 2020, 71(12): 1557-1563. |
| [29] | Liu B, Zhao W Z, Wen Z J, et al. Response of water and energy exchange to the environmental variable in a desert-oasis wetland of Northwest China[J]. Hydrological Processes, 2014, 28(25): 6098-6112. |
| [30] |
王荣军, 谢余初, 张影, 等. 基于PSR模型的旱区城市湿地生态安全评估[J]. 生态科学, 2015, 34(3): 133-138. Wang R J, Xie Y C, Zhang Y, et al. Ecological security evaluation of urban wetland in arid China based on PSR model[J]. Ecological Science, 2015, 34(3): 133-138. |
| [31] |
米楠, 卜晓燕, 米文宝. 宁夏旱区湿地生态系统碳汇功能研究[J]. 干旱区资源与环境, 2013, 27(7): 52-55. Mi N, Bu X Y, Mi W B. Wetland ecosystem carbon storage function in Ningxia[J]. Journal of Arid Land Resources and Environment, 2013, 27(7): 52-55. |
| [32] | Wang Z C, Zhao H Y, Zhao C L. Temporal and spatial evolution characteristics of land use and landscape pattern in key wetland areas of the west Liao River Basin, Northeast China[J]. Journal of Environmental Engineering and Landscape Management, 2022, 30(1): 195-205. |
| [33] | Jiang P H, Cheng L, Li M C, et al. Analysis of landscape fragmentation processes and driving forces in wetlands in arid areas: A case study of the middle reaches of the Heihe river, China[J]. Ecological Indicators, 2014, 46: 240-252. |
| [34] |
李文开, 汪小钦, 陈芸芝. 银川平原湿地资源遥感监测[J]. 宁夏大学学报(自然科学版), 2016, 37(1): 99-105. Li W K, Wang X Q, Chen Y Z. Remote sensing monitoring of wetlands of Yinchuan plain[J]. Journal of Ningxia University (Natural Science Edition), 2016, 37(1): 99-105. |
| [35] |
杨魁, 杨建兵, 江冰茹. Sentinel-1卫星综述[J]. 城市勘测, 2015(2): 24-27. Yang K, Yang J B, Jiang B R. Sentinel-1 satellite overview[J]. Urban Geotechnical Investigation & Surveying, 2015(2): 24-27. |
| [36] |
田瑞, 马国东. 宁夏湿地保护与修复对策[J]. 宁夏农林科技, 2023, 64(3): 52-54. Tian R, Ma G D. Countermeasures for wetland protection and restoration in Ningxia[J]. Ningxia Journal of Agriculture and Forestry Science & Technology, 2023, 64(3): 52-54. |
| [37] |
陈春雷, 武刚. 面向对象的遥感影像最优分割尺度评价[J]. 遥感技术与应用, 2011, 26(1): 96-102. Chen C L, Wu G. Evaluation of optimal segmentation scale with object-oriented method in remote sensing[J]. Remote Sensing Technology and Application, 2011, 26(1): 96-102. |
| [38] |
刘凯. 基于多源数据的黄土高原(重点流失区)侵蚀沟提取及区域差异性研究[D]. 南京: 南京师范大学, 2017. Liu K. Gully features extraction and the regional difference analysis in the severe soil erosion region of loess plateau of china based on multisource data[D]. Nanjing: Nanjing Normal University, 2017. |
| [39] |
盛辉, 韦靖靖, 胡耀东, 等. 基于多时相Sentinel-2影像多特征优选的湿地信息提取[J]. 海洋科学, 2023, 47(5): 102-112. Sheng H, Wei J J, Hu Y D, et al. Wetland information extraction based on multifeature opti-mization of multitemporal Sentinel-2 images[J]. Marine Sciences, 2023, 47(5): 102-112. |
| [40] |
常文涛, 王浩, 宁晓刚, 等. 融合Sentinel-2红边波段和Sentinel-1雷达波段影像的扎龙湿地信息提取[J]. 湿地科学, 2020, 18(1): 10-19. Chang W T, Wang H, Ning X G, et al. Extraction of Zhalong wetlands information based on images of Sentinel-2 Red-edge bands and Sentinel-1 Radar bands[J]. Wetland Science, 2020, 18(1): 10-19. |
| [41] | Badda H, Cherif E K, Boulaassal H, et al. Improving the accuracy of random forest classifier for identifying burned areas in the Tangier-Tetouan-Al Hoceima Region using Google earth engine[J]. Remote Sensing, 2023, 15(17). DOI:10.3390/rs15174226 |
| [42] | Fu X L, Zhou W Z, Zhou X Y, et al. Classifying mountain vegetation types using object-oriented machine learning methods based on different feature combinations[J]. Forests, 2023, 14(8). DOI:10.3390/f14081624 |
| [43] | Zhu J, Pan Z W, Wang H, et al. An improved multi-temporal and multi-feature tea plantation identification method using sentinel-2 imagery[J]. Sensors, 2019, 19(9). DOI:10.3390/s19092087 |
| [44] |
张富尧. 双视角深度学习驱动的作物种类识别方法[D]. 杨凌: 西北农林科技大学, 2022. Zhang F Y. Deep learning driven crop species identification method with dual viewpoints[D]. Yangling: Northwest A & F University, 2022. |
| [45] | Wang J J, Shi P, Jiang P, et al. Application of BP neural network algorithm in traditional hydrological model for flood forecasting[J]. Water, 2017, 9(1). DOI:10.3390/w9010048 |
| [46] |
陈岩, 赵琰鑫, 赵越, 等. 黄河流域"四水四定"推动高质量发展的实现路径[J]. 环境保护, 2022, 50(14): 32-35. Chen Y, Zhao Y X, Zhao Y, et al. The realization path of water conservation to promote high-quality development in the Yellow River Basin[J]. Environmental Protection, 2022, 50(14): 32-35. |