融合Sentinel-2和GF-1時序影像的入侵植物互花米草清除動態(tài)監(jiān)測

閔鈺魁，柯櫻海，韓月，尹小嵐，周德民

1.城市環(huán)境過程與數(shù)字模擬國家重點實驗室培育基地,北京 100048;

2.水資源安全北京實驗室,北京 100048;

3.首都師范大學 資源環(huán)境與旅游學院,北京 100048

1 引言

濱海濕地位于海洋和陸地的交錯帶，具有極高的生態(tài)服務價值，在維持生物多樣性和調節(jié)氣候方面發(fā)揮著不可替代的作用（雷昆和張明祥，2005）?；セ撞菰a自北美西海岸，是生長在潮間帶的一種鹽沼植物，具有耐鹽、耐淹的特性，可促進泥沙沉降和淤積（陳一寧 等，2005）。1979年出于海岸保護的目的引入中國（Chung，2006；于冬雪 等，2022）。由于具有強大的適應能力和繁殖能力，互花米草在中國濱海濕地迅速擴張（Zuo等，2012），造成土著物種退化，底棲動物減少，生物多樣性受到嚴重威脅。為了遏制互花米草入侵，近年來，全國范圍如上海崇明東灘（湯臣棟，2016）、山東黃河口（山東省自然資源廳，2020）、福建閩江河口（周冬，2020）、江蘇鹽城和廣西北海（李飛飛，2021）等濱海濕地先后開展了互花米草的清除和試點工程。2020 年6 月國家發(fā)改委和自然資源部聯(lián)合發(fā)布的《全國重要生態(tài)系統(tǒng)保護和修復重大工程總體規(guī)劃（2021—2035）》將加強互花米草等外來入侵物種災害防治納入海岸帶生態(tài)保護和修復重大工程（中華人民共和國國家發(fā)展和改革委員會和中華人民共和國自然資源部，2020）。

黃河三角洲濕地是中國三大河口濕地之一和重要的候鳥棲息地（陳建 等，2011）。1989年互花米草引入黃河口，2008 年之后在潮間帶呈現(xiàn)爆發(fā)式擴張（Ren 等，2019；Wang 等，2021），擠占本土物種（堿蓬、蘆葦、海草）生態(tài)位，嚴重威脅濱海濕地生態(tài)系統(tǒng)健康（任武陽 等，2019；李昱蓉 等，2021）。2020 年山東省自然資源廳等五部門聯(lián)合印發(fā)《山東省互花米草防治實施方案》（山東省自然資源廳，2020），要求在3 年內清除省內互花米草，對黃河口等海岸區(qū)域開展大規(guī)模的互花米草治理工程，通過刈割移除和二次翻耕，實現(xiàn)互花米草清除。及時準確地了解互花米草清除動態(tài)和清除面積，對于互花米草治理工程實施效果評價以及濱海濕地管理十分重要。

遙感技術已成為濱海濕地監(jiān)測的重要工具，國內外學者在濱海濕地長時序監(jiān)測方面開展了一系列研究（溫慶可 等，2011；張興贏 等，2015；Xu 等，2018；Fernández-Guisuraga 等，2020）。如Lymburner 等（2020）應用Landsat 數(shù)據，監(jiān)測了1984 年—2016 年澳大利亞濱海濕地紅樹林動態(tài)變化；Wang等（2021）利用Landsat影像，獲取并分析了1984 年—2018 年中國濱海濕地的年際變化。然而，對于濱海濕地年內動態(tài)監(jiān)測，尤其是入侵植物清除動態(tài)監(jiān)測的研究較為缺乏。目前，植物清除的遙感監(jiān)測研究主要集中于作物收獲（張峰等，2004；Gao 等，2017；陸俊 等，2018；Shang等，2020）、牧草收割（Schwieder等，2022），森林擾動（López-Amoedo等，2021；Han等，2021；Zhao等，2022），通過植物清除后的地表響應特征檢測清除事件，提取清除時間和空間范圍。如，陸俊等（2018）融合MODIS 和HJ-1B 數(shù)據，構建冬小麥收獲前后NDVI 時序，通過NDVI 曲率閾值法檢測收割日期；Schwieder 等（2022）基于Sentinel-2和Landsat 影像，通過牧草時序NDVI 曲線特征檢測牧草清除事件，對德國2017 年—2020 年間的牧草收割范圍進行制圖。與內陸地表環(huán)境不同，濱海濕地具有復雜的水文條件，下墊面長期處于動態(tài)變化的狀態(tài)。尤其在潮間帶，頻繁的潮汐淹沒會對刈割清除事件的特征識別造成較大干擾，給時序動態(tài)監(jiān)測帶來挑戰(zhàn)。同時，濱海濕地多云多雨，單一平臺遙感影像無法構建密集的時序數(shù)據，難以及時捕捉清除事件導致的地表快速變化。因此，亟需融合多平臺衛(wèi)星影像，構建融合的密集時序數(shù)據集，實現(xiàn)清除事件的準確識別。

針對以上問題，本文旨在提出一種濱海濕地互花米草刈割清除動態(tài)的遙感監(jiān)測方法。以黃河口濕地為研究區(qū)，基于Sentinel-2 和國產GF-1 影像，融合構建密集時序數(shù)據，充分考慮植被光譜指數(shù)的時序變化和潮間帶潮汐淹沒動態(tài)，實現(xiàn)互花米草清除范圍的快速提取和清除時間的精準識別。

2 研究區(qū)和數(shù)據

2.1 研究區(qū)概況

黃河口濕地位于山東省東營市黃河入海口，37°38'45″N—37°55'15″N，119°01'30″E—119°19'45″E（圖1）。屬暖溫帶地區(qū)，以半濕潤大陸性季風氣候為主?；セ撞葜饕植加邳S河口濕地潮間帶，12月—4月為非生長季，5月進入拔節(jié)期，6月中旬開始開花，延續(xù)到9 月；10 月—11 月種子成熟，11 月進入生長后期，11 月底—12 月初逐漸枯死（石東里 等，2009；Ren等，2019）。自2008年，互花米草面積從39.91 ha 擴張到2019 年的4672.38 ha（Wang 等，2021）。為解決互花米草生態(tài)入侵問題，東營市政府于2021 年9—12 月在黃河口開展了大規(guī)模的互花米草治理工程，利用大型機械對互花米草草甸進行刈割、翻耕等處理（圖1（b））。本文選取2021 年黃河口濕地互花米草定植區(qū)作為研究區(qū)，監(jiān)測其清除動態(tài)。2021 年互花米草分布范圍邊界基于Wang 等（2021）互花米草邊界的基礎上結合遙感影像目視解譯獲得（圖1（a））。

圖1 研究區(qū)位置和實地勘探圖Fig.1 Location of study area and photos of field investigations

2.2 數(shù)據與數(shù)據預處理

2.2.1 Sentinel-2和GF-1數(shù)據

Sentinel-2 是歐洲航天局研發(fā)的寬幅、高分辨率、多光譜成像的對地觀測系統(tǒng)，該系統(tǒng)由Sentinel-2A 和Sentinel-2B 兩顆衛(wèi)星組成，分別于2015 年6 月23 日和2017 年3 月7 日發(fā)射，二者結合可以實現(xiàn)5天一次的對地觀測。兩顆衛(wèi)星都搭載了多光譜成像儀（MSI），包括13 個波段，涵蓋可見光、紅邊、近紅外和短波紅外光譜，其中藍、綠、紅和近紅外4 個波段為10 m 分辨率，其他波段分別為20 m和60 m分辨率。

高分一號（GF-1）是中國高分辨率對地觀測系統(tǒng)的第一顆衛(wèi)星，于2013 年4 月26 日發(fā)射。該衛(wèi)星搭載2 個全色和多光譜傳感器（PMS）和4 個寬視場傳感器（WFV），其中PMS相機可以獲取分辨率為2 m 的全色波段和8 m 的多光譜影像，WFV相機可以獲取由藍、綠、紅和近紅波段組成的16 m分辨率的多光譜影像。

互花米草治理工程作業(yè)時間在2021 年9 月初至12 月中旬。根據衛(wèi)星過境時間，本文選取了2020 年和2021 年9 月至12 月之間云量小于30%的19幅Sentinel-2A/B影像，其中2020年8幅，2021年11幅。表1所示，2021年9月13日至10月8日期間沒有滿足條件的Sentinel-2影像，10月13日至11月12 日期間僅有1 景Sentinel-2 影像。為提高觀測頻率，選取2021年9—10月5幅云量小于30%的GF-1影像（3 幅GF-1 PMS 和2 幅GF-1 WFV 多光譜影像）作為補充。將9 月8 日作為起始日期，其他日期以此為基準用天數(shù)來表示。GF-1 Level-1A 和Sentinel-2 Level-C 數(shù)據分別來自中國資源衛(wèi)星應用中心和歐洲航天局網站。

表1 哨兵2號和高分一號影像參數(shù)Table1 Sentinel-2 and GF-1 image parameters

2.2.2 數(shù)據預處理

Sentinel-2 數(shù)據和GF-1 數(shù)據的預處理包括：輻射校正、云掩膜、重采樣、鑲嵌裁剪和幾何校正。利用Sen2Cor_2.90 軟件對Sentinel-2A/B Level-C 數(shù)據進行大氣校正，同時利用QA60 波段對云像元進行掩膜。從中國資源衛(wèi)星應用中心獲取GF-1 PMS/WFV 絕對輻射定標系數(shù)，對GF-1 數(shù)據進行輻射定標，并利用FLAASH 模型進行大氣校正；通過設置閾值（紅波段地表反射率大于0.2）并結合目視解譯去除GF-1 影像上的云像元。為與Sentinel-2 數(shù)據空間分辨率保持一致，將PMS 和WFV 數(shù)據重采樣到10 m，選取地面控制點并通過多項式校正模型和三次卷積法內插法將GF-1 影像數(shù)據配準到Sentinel-2 影像，最后對每一景影像計算歸一化植被指數(shù)NDVI（Normalized Difference Vegetation Index）。

2.2.3 實地調查數(shù)據

研究人員于2021 年10 月初和2021 年12 月初開展了兩次野外踏勘，利用高精度手持RTK 進入研究區(qū)并對互花米草清除狀態(tài)進行實地調查，記錄互花米草清除狀況（圖1（b）上面4幅圖片拍攝于2021 年12 月07 日）。實地勘測點分布見圖1（a）。對于難以進入的區(qū)域，使用大疆精靈4多光譜無人機P4M（Phantom4-M）進行勘探（圖1（b）下面2幅圖片拍攝于2021年10月11日），飛行航高30 m，航向重疊90%，旁向重疊80%，采集的圖像空間分辨率為2—4 cm。

3 方法和實現(xiàn)

本文方法主要包括3個步驟：（1）基于Sentinel-2 和GF-1 的NDVI 校正和時序NDVI 構建；（2）基于2020 年、2021 年時序NDVI 差異特征的潛在清除時段提??；（3）潛在清除時段中潮汐淹沒時刻識別和清除日期提取。

3.1 時序NDVI構建

由于GF-1 PMS、GF-1 WFV相機與Sentinel-2A/B MSI傳感器的波譜響應和成像條件不同，因此即使同一時間過境，GF-1 和Sentinel-2 計算的NDVI 也會存在差異。本研究盡量選取同一天（或日期相近）獲取的GF-1 WFV 和Sentinel-2 MSI 無云影像對，以及GF-1 PMS 和Sentinel-2 MSI 無云影像對，采用線性回歸方法對GF-1 PMS 和WFV 獲得的NDVI進行校正，使其與Sentinel-2的NDVI盡可能一致。經過篩選，選取2020 年9 月18 日獲取的GF-1 WFV 和Sentinel-2 MSI影像；選取2019年8月30日獲取的GF-1 PMS 和同年9 月3 日獲取的Sentinel-2 MSI影像構成影像對。

在研究區(qū)內均勻抽取4000個像元，分別以像元GF-1 PMS、WFV獲取的NDVI為自變量，Sentinel-2 MSI NDVI 為因變量，進行最小二乘線性回歸擬合（式（2）），最后利用解算出的回歸系數(shù)對表1 中GF-1 PMS、WFV影像得到的NDVI圖層進行校正。

式中，NDVIS2為Sentinel-2 MSI NDVI，a、b為回歸系數(shù)，NDVIGF-1為GF-1（PMS 或WFV）的NDVI。校正后的GF-1 PMS和WFV NDVI與Sentinel-2 MSI獲得的NDVI 聯(lián)合使用，構建密集的NDVI 影像數(shù)據集合。由于表1中部分影像存在云覆蓋，會造成部分像元的時序NDVI 出現(xiàn)缺失。為彌補缺失值，同時保留NDVI 時序變化特征，逐像元地利用缺失值前后的無云觀測值進行線性插值。然后，利用Savitzky-Golay（S-G）濾波逐像元對NDVI 時序去噪平滑，最后通過三次樣條插值方法分別生成各像元2021年9月8日至12月17日逐日的NDVI時序曲線（NDVI2021）。

3.2 潛在清除時段提取

3.2.1 突變時段提取

互花米草刈割移除發(fā)生在9—12月份，此時互花米草處于成熟季到枯萎季的變化階段，NDVI 呈現(xiàn)逐漸下降的特征。因此，2021 年刈割時，互花米草NDVI 時序變化特征同時受到自然枯落和刈割移除的雙重影響。為了排除前者的影響，引入2020 年的時序NDVI 作為標準NDVI 時序曲線。具體而言，首先根據2020 年各影像計算互花米草定植區(qū)NDVI 的均值，各時期NDVI 均值進行S-G 濾波和三次樣條插值，生成標準NDVI 時序曲線（NDVI2020）。NDVI2020代表自然衰落的時序變化特征（圖2）。對NDVI2020和NDVI2021做差值運算，生成NDVIDIF曲線，通過該曲線中相鄰兩個時間的值做差，生成變化率曲線F，公式如下：

圖2 潛在清除時段提取示意圖Fig.2 Illustration of potential cutting period extraction

式中，t代表時間，NDVI2021(t)代表像元2021 年t時刻的NDVI，NDVI2020(t) 代 表2020 年t 時 刻NDVI，NDVIDIF(t)上升表明該像元在2021 年t時刻相較于自然衰落具有更強烈的NDVI 下降趨勢，F(xiàn)是NDVIDIF的變化率曲線。F(t)反映t時刻NDVIDIF的變化趨勢，F(xiàn)(t)大于0，表明NDVIDIF(t)在（t，t+1）時間段具有上升的趨勢，F(xiàn)(t)值越大，上升趨勢越顯著。F(t)中連續(xù)大于0 的時段代表NDVIDIF(t)具有持續(xù)的上升趨勢，將這些時段作為單獨的突變時段提取出來，表示為（Si，Ti），其中，Si表示第i個突變時段的起始日期，Ti表示終止日期（圖2）。通過識別突變時段，去除NDVIDIF時序變化平穩(wěn)和具有下降趨勢的時段，縮小提取范圍。

3.2.2 潛在清除時段提取

通過突變時段提取，獲取了NDVIDIF時序中所有具有上升趨勢的時段。為了表征各突變時段上升趨勢的強度，對各突變時段F(t)進行積分，積分結果用momentum表示（式（4））?；セ撞葚赘钋宄录l(fā)生會導致NDVI2021(t)大幅下降，對各突變時段起止日期的NDVI2021(t)做差值，計算下降幅度magnitude（式（5））。

式中，i表示突變時段的序號，i=1，2，…，n，n為突變時段數(shù)量，Si和Ti分別代表第i個突變時段的起止日期，momentum(i)反映第i個突變時段NDVIDIF(t)（t∈（Si，Ti））上升趨勢的強度，magnitude(i)表示第i個各突變時段內的NDVI2021(t)（t∈（Si，Ti））的下降幅度。將滿足momentum(i)＞0.1和magnitude(i)＞0.2的突變時段認定為潛在清除時段，表明該時段內發(fā)生了引起NDVI 時序大幅下降的極端事件。如果沒有滿足該條件的突變時段，表明該像元NDVI 時序變化較為平穩(wěn)，未出現(xiàn)劇烈下降趨勢，我們將該像元認定為未發(fā)生刈割清除事件。

3.3 潮汐淹沒監(jiān)測與清除日期提取

3.3.1 潮汐淹沒監(jiān)測

互花米草生長在潮間帶，頻繁的潮汐淹沒會造成時序NDVI 產生較大波動。黃河口屬于弱潮多沙型河口，互花米草刈割前，由于互花米草植株較高且密集，漲潮水面多被互花米草植株遮蓋，NDVI 會出現(xiàn)小幅下降?；セ撞萸宄螅瑵q潮時潮水會淹沒潮灘，此時在遙感影像上反映的是水體反射率，NDVI 劇烈下降至負值，這與刈割清除事件反映的時序特征是相似的，因此會對清除日期的識別產生干擾。此外，互花米草清除后，可能發(fā)生多次潮汐淹沒。因此，有必要對潮汐淹沒進行監(jiān)測識別。

潮汐淹沒監(jiān)測是基于2021 年NDVI 真實觀測值，用NDVIObs(tj)表示，j代表觀測值的序號（1-16），tj表示第j個觀測值對應的天數(shù)，tj=1，6，9，15，…，101（表1）。針對每個像元，遍歷從3.2小節(jié)識別的所有潛在清除時段中的NDVIObs(tj)，若NDVIObs(tj)＜0，表明像元在tj時刻發(fā)生了潮汐淹沒，將該像元劃分為淹沒像元，并將該時刻命名為淹沒時刻；若存在多個淹沒時刻，取日期最早的潮汐淹沒時刻，如果不存在淹沒時刻，表明該像元在研究時段內未發(fā)生潮汐淹沒事件，將該像元劃分為非淹沒像元。

3.3.2 清除日期提取

對于非淹沒像元，遍歷潛在清除時段上所有NDVIObs(tj)，判斷相鄰NDVI 觀測值的最大差值（NDVIObs(tj)-NDVIObs(tj+1)）是否 大于清除閾值0.15，若滿足則選取差值最大的相鄰觀測值時段作為清除時段（t1，t2），否則判斷為未清除。

對于淹沒像元，記錄潮汐淹沒的次數(shù)和時刻。遍歷所有潛在清除時段，在其中尋找相鄰觀測時刻NDVI 相差大于0.15 的時段（如圖3），即NDVIObs(tj)-NDVIObs(tj+1)＞0.15，這些時段可能存在3 種情況（圖3 綠色陰影表示）：（1）時段內未發(fā)生潮汐淹沒（如圖3（a）中的①時段）；（2）第一次潮汐淹沒發(fā)生在該時段（如圖3（a）中的②時段）；（3）發(fā)生了潮汐淹沒，但不是第一次（如圖3（a）中的③時段）。如果第一次潮汐淹沒之前已檢測到符合第1種情況的時段，則在其中尋找差值最大的時段，作為清除時段（如圖3（a）、（b）中紅色標注）。否則，說明清除和潮汐淹沒在同一時段被監(jiān)測到，符合這種情況的時段則被判斷為清除時段（如圖3（c）中紅色標注）。由于潮汐淹沒導致的NDVI＜0 只能出現(xiàn)在互花米草清除后，因此不考慮第3種情況。為了最大程度接近真實清除日期，取清除時段中點作為最終的清除日期。

圖3 清除日期提取示意圖Fig.3 Schematic diagram of clearing date identification

4 結果與分析

4.1 GF-1 NDVI校正系數(shù)

從圖4 可以看出，Sentinel-2 MSI與GF1 WFV，GF-1 PMS 的NDVI 都具有較強的線性相關性，線性回歸的決定系數(shù)R2分別為0.82 和0.87，通過線性回歸擬合公式對GF-1 WFV、PMS 的NDVI 進行校正后，可以與Sentinel-2 MSI 的NDVI 具有較好的一致性。

圖4 Sentinel-2 NDVI和GF-1 WFV/PMS NDVI散點圖Fig.4 Scatterplots of Sentinel-2 NDVI and GF-1 WFV/PMS NDVI

經過最小二乘線性回歸擬合，得到GF-1 WFV、PMS的NDVI校正公式分別為

4.2 清除日期精度驗證

本文通過在研究區(qū)內建立300 m×300 m的漁網，選取漁網中點作為驗證樣點（圖1（a）），根據實地觀測建立目視解譯標志，并逐幅對比影像的光譜、紋理特征，人工解譯記錄樣本點上互花米草的清除時間。與互花米草清除日期提取結果進行對比，得到混淆矩陣。如表2所示，互花米草清除日期識別的總體精度為88.24%，Kappa系數(shù)為0.87；平均制圖精度和用戶精度分別為86.73%和87.29%。2021 年10 月4 日用戶精度較低，僅為64.18%，這是由于2021 年9 月30 日和2021 年10 月8 日的影像中，云量集中分布在北岸的互花米草定植區(qū)域，清除日期提取受到較大干擾。2021年12月1 日清除面積小，樣本點少，因而制圖精度較低。其余時段清除日期監(jiān)測的制圖精度和用戶精度均高于73%。

表2 清除日期識別精度Table 2 Accuracy of the clearance date detection

4.3 互花米草清除過程

2021年，互花米草定植區(qū)總面積為5189.26 ha，互花米草清除工程從2021年9月8日至2021年12月17 日，總清除面積為4816.35 ha，未清除面積為372.91 ha。未清除的區(qū)域主要分布在黃河口北岸中部近海區(qū)域（圖5（a）中區(qū)域Ⅱ）和南岸沿河道區(qū)域，這些地區(qū)潮溝交錯、水文條件復雜，泥沙較為松軟，不利于大型工程器械進入作業(yè)，推測可能為該區(qū)域未及時清除的原因。

圖5 互花米草清除日期的空間分布以及相應的時序影像Fig.5 Spatial distribution of Spartina Alterniflora clearance dates and the corresponding time-series imagery

從互花米草清除時間的空間分布來看（圖5（a）），清除工程采用“多點分布式”的方式來進行，在清除早期，清除區(qū)域均勻分散在黃河口區(qū)域，再向四周擴散清除。清除方向主要是從內陸向海岸區(qū)域。同時，各個時段清除區(qū)域呈現(xiàn)出以潮溝為界線分布，表明潮溝對于互花米草清除工程的空間連通性帶來較大影響，潮溝的分布應該作為清除工程的重要考量因素。

從各個時段的互花米草清除面積分布來看，清除工程主要分兩個時段進行清除（圖6）。9月8日至10月4日進行了第一階段清除，共2333.46 ha。受降水影響，2021 年10 月5 日黃河口突發(fā)特大洪水（中國水利部，2021），打斷了互花米草清除進程。10 月11 日至12 月17 日進行第二階段清除，共2482.89 ha，其中11月15日清除面積最大，清除了788.50 ha，12月前已完成的絕大部分區(qū)域的清除。

圖6 各時期互花米草清除面積Fig.6 Area of the cleared Spartina Alterniflora on each date

4.4 潮汐淹沒影響分析

本文通過判斷在NDVI 時序上是否存在負值來判斷像元是否發(fā)生潮汐淹沒。圖7展示了淹沒區(qū)的空間分布和淹沒次數(shù)，淹沒區(qū)主要分布在靠近海岸和潮溝的區(qū)域，顏色越深表明發(fā)生淹沒越頻繁，淹沒區(qū)的總面積為1848.98 ha，占互花米草定植區(qū)面積的35.63%，表明潮汐淹沒范圍較大。

圖7 淹沒區(qū)分布Fig.7 Spatial distribution of inundated area

為探究潮汐淹沒事件對于清除監(jiān)測的影響，論證潮汐淹沒監(jiān)測的必要性，本文對于淹沒區(qū)進行對比試驗，分別運用潮汐監(jiān)測和未運用潮汐監(jiān)測算法（即按照非淹沒區(qū)處理）提取淹沒區(qū)的清除日期。如圖8所示，若未進行潮汐淹沒監(jiān)測，識別的清除日期普遍推后。選取分布淹沒區(qū)內的191個樣本點分別對二者提取結果進行精度驗證，結果表明，經過潮汐監(jiān)測的總體精度為87.95%，未進行潮汐監(jiān)測的結果總體精度為27.75%，表明潮汐淹沒會嚴重干擾清除日期的提取。通過對樣本點上監(jiān)測清除日期與清除日期參考值做差，將樣本點分為準確點、延遲點（監(jiān)測清除日期比參考日期靠后）和提前點。從圖9（a）驗證點分布可以看出，準確提取的樣本點分布在內陸區(qū)域，錯誤提取的樣本點主要以延遲點為主，多分布在近海岸區(qū)域，表明潮汐淹沒對于近海岸影響更為顯著。這主要是因為當發(fā)生大規(guī)模漲潮，潮汐淹沒的NDVI 時序變化特征比清除事件更強烈，從而導致識別的清除日期延后。

圖8 進行潮汐淹沒監(jiān)測和未進行潮汐淹沒監(jiān)測的清除日期提取結果對比Fig.8 Comparison of clearance dates with or without consideration of tidal inundation monitoring

圖9 淹沒區(qū)樣本點分布圖和典型樣本點時序NDVI示意圖Fig.9 Distribution of sample points in the tidal inundated area and illustration of NDVI time series at a sample

4.5 考慮NDVI2020對互花米草清除監(jiān)測的作用

本文以2020 年時序NDVI（NDVI2020）為基準，代表互花米草未清除時NDVI 變化特征，目的是為了排除互花米草自然枯萎對清除識別的影響。為探討使用2020 年基準NDVI 對于清除監(jiān)測的重要性，本研究設置一個實驗，單獨使用2021 年的時序NDVI 提取互花米草清除日期，即用NDVI2021代替式（2）中的NDVIDIF，實驗結果如圖10所示。

圖10 考慮NDVI2020和未考慮NDVI2020進行清除日期識別的結果對比Fig.10 Comparison of clearance dates with or without consideration of NDVI2020

圖10（a）為研究區(qū)未清除互花米草的主要分布區(qū)域，Sentinel-2 影像為2021 年12 月17 日遙感假彩色合成影像。結果表明，若不考慮NDVI2020，未被清除的互花米草容易被誤判為已清除，此時研究區(qū)未清除的面積僅為151.59 ha。使用NDVI2020作為輔助數(shù)據的主要作用是抵消互花米草自然枯萎對NDVI 時序的影響，凸顯清除事件的特征。僅利用NDVI2021，會導致提取的潛在清除時段范圍過大。同時由于觀測點時間分布不均勻，部分時間間隔較大的NDVI 差值可能會大于清除閾值，從而造成誤判。對于未被清除的互花米草區(qū)域，NDVI2021與NDVI2020十分相近，因此NDVIDIF曲線變化平穩(wěn)，誤判為清除的概率大大降低。

4.6 引入GF-1數(shù)據的必要性分析

本文融合Sentinel-2 和GF-1 數(shù)據構建密集時序，對互花米草清除治理進行動態(tài)監(jiān)測。為了探討GF-1 數(shù)據在本方法必要性，本文假定單獨使用Sentinel-2 時序數(shù)據，應用該算法提取互花米草清除日期。實驗結果如圖11 所示。為了便于二者對比，本實驗取3.3.2 中清除時段的t2時刻，即該時段第二景影像獲取日期作為清除日期。

圖11 單獨使用Sentinel-2數(shù)據和使用Sentinel-2、GF-1融合數(shù)據的清除日期提取結果Fig.11 Comparison of data extraction results based on Sentinel-2 and fusion data

圖11（Ⅰ）、（Ⅲ）為融合數(shù)據的結果，（Ⅱ）、（Ⅳ）為僅使用Sentinel-2 數(shù)據的結果，虛線黑框內代表GF-1 影像，其余影像為Sentinel-2 影像。結果表明，若僅使用Sentinel-2 數(shù)據，有部分區(qū)域識別日期推后，如圖11黃色橢圓邊框內，在GF-1影像顯示已經清除。Sentinel-2 和GF-1 結合使用較好地規(guī)避了由于單一數(shù)據源時間分布不均的問題，通過在Sentinel-2 時間間隔較大的時段填補GF-1 數(shù)據，使時序信息更加完整，可以更加及時地監(jiān)測清除過程，提高監(jiān)測精度。

5 結論

本文以黃河口濕地為研究區(qū)，基于Sentinel-2和GF-1 時序影像，提出了一種濱海濕地互花米草清除動態(tài)監(jiān)測方法，能夠克服潮汐淹沒的影響，快速準確地提取互花米草刈割清除的時間。主要結論如下：（1）線性擬合表明，GF-1 WFV/PMS NDVI 與Sentinel-2 MSI NDVI 具有較好的線性關系（R2分別為0.82，0.87）；通過回歸系數(shù)，可以使GF-1 與Sentinel-2 NDVI 保持較好的一致性，有利于時序一致性NDVI 曲線的構建。（2）本方法提取的清除日期總體精度達到88.24%，Kappa 系數(shù)為0.87。研究區(qū)屬于潮間帶，頻繁的潮汐淹沒導致NDVI 劇烈波動，對互花米草清除監(jiān)測造成較大影響。本文提出的潮汐淹沒識別方法可以有效避免該問題，顯著提高互花米草清除監(jiān)測精度。（3）融合Sentinel-2 和GF-1 數(shù)據相較僅使用Sentinel-2 數(shù)據源，可以構建密集、均勻的時序，更準確地監(jiān)測互花米草清除動態(tài)變化。（4）2021 年黃河口互花米草清除面積為4816.35 ha，占互花米草分布總面積的92.81%。未清除區(qū)域主要分布于水文復雜，潮溝交錯的北岸靠海區(qū)域。（5）黃河口互花米草清除工程分兩階段完成，第一段在9 月初到10 月初，第二段在10月中到12月中，10月上旬黃河下游洪峰打斷了施工進度。本文提出的方法對互花米草清除監(jiān)測可以達到較高精度，但仍依賴于本地運算資源，在大尺度的互花米草治理監(jiān)測的應用中受到限制。隨著中國各沿海省份陸續(xù)開展互花米草治理，下一步的研究將致力于改進算法并應用于更大范圍治理工程的動態(tài)監(jiān)測和治理效果的綜合評估中。