鄭嘉豪，孫超，2，3，林昀，李璐，劉永超，2，3

1.寧波大學 地理與空間信息技術系,寧波 315211;

2.寧波陸海國土空間利用與治理協(xié)同創(chuàng)新中心,寧波 315211;

3.寧波大學 東海研究院,寧波 315211;

4.寧波市測繪和遙感技術研究院,寧波 315042

1 引言

鹽沼植被是生長在海岸帶的、間歇性被海水淹沒的草本植被，一般分布于溫帶至亞熱帶河口或海岸（牛振國 等，2012）。鹽沼植被是地球上最具價值的生態(tài)系統(tǒng)之一，提供了諸如促淤護岸、營養(yǎng)循環(huán)、廢污凈化、生物庇護等多種生態(tài)功能（Minello 等，2012）。然而，近些年來全球氣候變化及人類活動影響導致了鹽沼植被處于持續(xù)演替和消亡之中（侯西勇 等，2018）。例如，作為海岸帶空間資源利用主要方式，中國近20 年灘涂圍墾面積逾2800 km2，直接或間接導致自然濕地面積銳減（王宗明 等，2009；毛德華 等，2016；Li 等，2020）。此外，外來物種入侵也使得本土鹽沼植被的生存空間不斷減少（張健 等，2019）。自1979年引入外來物種互花米草以來，其在中國海岸帶上擴張超過340 km2（Zuo 等，2012），由于其較高適應性和繁殖性，互花米草與中國本土鹽沼植被激烈競爭，不斷改變著海岸帶整體景觀格局（孫超 等，2015）。因此，及時、準確監(jiān)測鹽沼植被的物種組成和空間分布對于合理高效開發(fā)利用海岸帶資源，推動海岸帶高質(zhì)量建設具有重要意義。

相比抵近困難、成本高昂的實地調(diào)查，遙感憑借覆蓋范圍大、可重復性觀測等優(yōu)勢日益成為海岸帶資源調(diào)查的主要方式（李清泉 等，2016）。不同種類的光譜特征差異或者物候特征差異使得通過遙感影像分類成為可能（Sun 等，2020；劉瑞清 等，2021）。早期研究多采用單一時相影像監(jiān)督分類方式識別鹽沼植被（李婧 等，2006；侯西勇和徐新良，2011）。但是由于“同物異譜，異物同譜”現(xiàn)象，采用中等空間分辨率光學影像分類效果并不理想。而后，部分研究采用高空間或高光譜分辨率影像分類鹽沼植被，在很大程度上保證了分類精度（程乾 等，2016；李喆 等，2016；任廣波 等，2015）。但由于影像成本較高、獲取困難，以上方式僅適用于小范圍的鹽沼植被調(diào)查，很難用于大范圍鹽沼植被監(jiān)測。

隨著多源遙感影像不斷積累，部分學者開始嘗試構建時間序列方法進行海岸帶資源遙感監(jiān)測（陳高 等，2022；Ai等，2017；Hu 等，2021；Sun等，2016）。起初，時間序列構建主要圍繞高時間分辨率的遙感影像（MODIS NDVI/EVI、SPOT VGT等）開展（Zhao 等，2009；李加林，2006）。然而，彼時高時間分辨率影像的空間分辨率較低，很難適用于空間分布范圍狹長且異質(zhì)性較強的鹽沼植被區(qū)域。近些年，學者們逐漸利用空間分辨率與時間分辨率較于前者有所提升的影像構建時間序列，探討鹽沼植被分類可能性。例如，Sun 等（2016）采用HJ-1影像（時間分辨率：2 d）構建月度NDVI時間序列來對鹽沼植被識別與分類。Ai等（2017）采用構建GF-1 影像（時間分辨率：4 d）時間序列對長江口濱海濕地的互花米草制圖。Hu 等（2021）采用Sentinel-1 影像（時間分辨率：12 d）構建時間序列數(shù)據(jù)繪制分辨率為10 m 的中國沿海濕地植被分布圖。劉瑞清等（2021）結合Sentinel-2（時間分辨率：2 d）時間序列和植被物候特征，進行了鹽城濱海濕地植被精細分類。Li 等（2019）采用了Sentinel-2 影像構建的時間序列模型進行了紅樹林分布制圖。值得注意地是，部分時間序列方法通過挑選整景無云覆蓋影像構建（稱為影像級時間序列），由于海岸帶云雨天氣出現(xiàn)的隨機性，上述方式在特定時期的適用性是否具備向其他時期擴展存在一定不確定性。

考慮到長時期變化監(jiān)測，Landsat 系列衛(wèi)星自1972 年運行以來，提供了半個世紀的對地觀測數(shù)據(jù)，具備持久的對地觀測周期和廣泛的應用基礎（Zhu 等，2019）。此外，在1999 年后，Landsat 系列衛(wèi)星雙星同時運行（TM 和ETM+，ETM+和OLI）也使得對地觀測的時間分辨率由16 d 提高為8 d（Jones 等，2013）。然而，海岸帶云雨天氣頻發(fā)，加之ETM+的條帶現(xiàn)象，導致特定時期收集足夠的無云覆蓋影像仍較為困難。因此，研究嘗試收集全部影像，通過云掩膜數(shù)據(jù)（Zhu 和Woodcock，2012）逐像元甄別每景影像中無云覆蓋的有效信息，構建一種像元級時間序列。在此基礎上，探討像元級時間序列方式對鹽沼植被精細識別的適用性和穩(wěn)定性，以期服務于海岸帶鹽沼植被長時期、大范圍動態(tài)監(jiān)測工作。

2 研究區(qū)與數(shù)據(jù)源

2.1 研究區(qū)

研究區(qū)來自長三角典型濱海濕地區(qū)域，包括江蘇省丹頂鶴自然保護區(qū)、上海市九段沙濕地以及浙江省杭州灣南岸濕地3塊。

丹頂鶴自然保護區(qū)（33°30'N—33°39'N，120°30'E—120°41'E）位于江蘇省鹽城市斗龍港與新洋港之間海岸（圖1），被認為是中國保留較為完好的鹽沼濕地之一。1194 年—1855 年古黃河在江蘇入海，為該區(qū)域帶來了大量的沉積物，現(xiàn)今形成了寬廣的淤泥質(zhì)海岸。該區(qū)域本土鹽沼植被主要包括白茅、蘆葦、堿蓬等。外來物種互花米草自1979 年被引入后迅速蔓延成為該區(qū)域又一主要鹽沼植被類型（孫賢斌和劉紅玉，2010；左平 等，2012）。

圖1 研究區(qū)地理位置及其鹽沼植被樣本分布Fig.1 Distribution of study sites and salt marsh vegetation samples

九段沙濕地（31°03'N—31°17'N，121°46'E—122°15'E）位于長江河口外南北兩槽中（圖1），由長江入海攜帶的泥沙不斷堆積而迅速發(fā)育擴大。該區(qū)域的本土鹽沼植被主要包括蘆葦和海三棱藨草（田波 等，2008）。1990 年代后上海市開展生態(tài)工程，在九段沙濕地栽種互花米草，而后互花米草快速擴張與本土物種激烈競爭，取代部分海三棱藨草和蘆葦（黃華梅 等，2007）。

杭州灣南岸濕地（29°91'N—30°45'N，121°4'E—121°18'E）位于浙江省寧波市北岸（圖1），屬于中國八大鹽堿濕地之一。該區(qū)域地處河流和海洋的交匯區(qū)，持續(xù)的沉積物輸入使得潮間帶發(fā)育優(yōu)良，其上廣泛分布著蘆葦、海三棱藨草和互花米草等鹽沼植被（李俠 等，2007）。此外，杭州灣南岸濕地灘涂圍墾頻發(fā)，灘涂圍墾導致鹽沼植被群落結構和景觀處于不斷變化之中。

2.2 數(shù)據(jù)集

研究使用的遙感影像數(shù)據(jù)包括Landsat 7 ETM+和Landsat 8 OLI，通過美國地質(zhì)調(diào)查局USGS EarthExplorer 網(wǎng) 站（https://earthexplorer.usgs.gov/［2022-09-08］）下載。我們下載覆蓋3 塊研究區(qū)2018 年和2019 年全部Landsat Collection 2 Level-2（C2L2）影像產(chǎn)品共計271 景，其中，丹頂鶴自然保護區(qū)（119/37）91 景（2018 年45 景，2019 年46景），九段沙濕地（118/38）90景（2018年45景，2019年45景），杭州灣濕地（118/39）90景（2018年45 景，2019 年45 景）。C2L2 影像產(chǎn)品提供了經(jīng)過幾何校正、輻射定標、大氣校正等預處理后的地表反射率數(shù)據(jù)，同時提供了質(zhì)量評估QA（Quality Assessment）波段可用于逐像元評估成像質(zhì)量狀況。在研究中，2018 年的影像產(chǎn)品主要用于建立時間序列分類方法，進行鹽沼植被分類和精度驗證；2019 年的影像產(chǎn)品主要用于分類方法穩(wěn)定性和可移植性評估。

研究使用的樣本數(shù)據(jù)通過野外實測、無人機遙測和Google Earth 目視解譯3 種方法獲得，共計1493 個（Sun 等，2021）。野外實測于2018 年4 月6 日至11 月29 日開展，總共調(diào)研15 次（3 個研究區(qū)各5 次），主要調(diào)查鹽沼植被分布，選取對應地面范圍超過60 m×60 m 的、單一植被類型覆蓋的樣本區(qū)域記錄，共獲取實測樣本點166個。在實地調(diào)查的同時（2018 年4 月6 日至11 月29 日）進行無人機遙測，以獲得抵近困難地區(qū)鹽沼植被分布信息，利用大疆無人機（型號：DJI M600），在航高50 m的條件下獲得樣本點369個。由于野外實測和無人機遙測收集的樣本有限，研究另通過Google Earth 目視解譯獲取額外樣本。研究共選取4 景Google Earth 歷史快視圖——2018 年5 月4 日位于丹頂鶴自然保護區(qū)，2018 年4 月30 日—7 月13 日位于九段沙濕地，2018 年3 月13 日位于杭州灣南岸濕地，共解譯樣本點958 個。以上樣本通過ArcGIS 軟件中Random Points 工具隨機生成，在樣本解譯過程中，除了鹽沼植被外，加入了灘涂和水體樣本以保證后續(xù)鹽沼植被分類體系完整。最終，研究獲取丹頂鶴自然保護區(qū)樣本595個、九段沙濕地樣本444 個、杭州灣南岸濕地樣本454 個（圖1）。各區(qū)域的樣本點均分，一半用于模型訓練，一半用于模型測試（圖1）。

3 研究方法

研究區(qū)內(nèi)不同類型鹽沼植被具有明顯的物候差異，例如，蘆葦?shù)纳L期更早，互花米草的衰亡期更晚，海三棱藨草的物候峰值更低等，相關內(nèi)容已在前期研究中詳細論述（Sun 等，2016，2020；劉瑞清 等，2021）。本研究更加關注如何充分利用可用影像信息，構建像元級的時間序列的鹽沼植被分類模型，總體思路如圖2 所示。首先，相對定標多源影像，減少地表反射率差異，為高質(zhì)量構建時間序列奠定基礎；其次，逐影像篩選可用像元，構建像元級時間序列模型，保證時間序列觀測數(shù)量；最后，構建XGBoost分類模型，充分應對像元級時間序列稀疏、不對等的特性，獲取鹽沼植被空間分布。

圖2 基于Landsat像元級時間序列鹽沼植被分類流程Fig.2 Flow chart of salt marsh classification mapping using the pixel-level based time-series constructed by Landsat imagery

3.1 多源影像相對定標

Landsat 8 OLI 在大氣校準與信噪比方面的改進、在輻射分辨率與光譜波段配置方面的優(yōu)化，使其與Landsat 7 ETM+存在一定差異。因此，研究參照Roy等（2016）提出的波段相對定標參數(shù)，將ETM+地表反射率與OLI 地表反射率配準。為了規(guī)避春秋兩季植被物候快速變化的影響，Roy等選取了位于夏冬兩季的、時間間隔僅為1 d 的Landsat 8 OLI 和Landsat 7 ETM+影像對，采用普通最小二乘回歸法建立了該定標模型。由于該定標模型效果好、魯棒性高的特點，近些年在多源Landsat 影像定標工作中已被廣泛應用（Liu 等，2020；Reiche等，2018；Zhu，2017）。

3.2 像元級時間序列構建

研究采用Jiang 等（2008）提出的基于紅光和近紅波段的EVI 指數(shù)計算方法，即EVI2（Enhanced Vegetation Index 2）。相較于常用的歸一化差異植被指數(shù)NDVI，EVI2 充分考慮了大氣噪聲、土壤背景、數(shù)值飽和等問題，能夠更好地反映出鹽沼植被生長狀況的差異。基于相對定標后的Landsat影像產(chǎn)品，EVI2計算公式如式（1）所示：

式中，ρnir和ρred分別為近紅外波段和紅光波段的地表反射率。

研究利用QA 波段篩選EVI2 影像中的有效像元。QA 波段像元與影像數(shù)據(jù)像元一一對應，每一像元用2 字節(jié)16 位詳盡表示對應影像數(shù)據(jù)像元成像時的地表、大氣和傳感器狀況。由于原始QA 波段信息記錄較為復雜，研究利用USGS 提供的Quality Assessment Tool 工具（Jones 等，2013）對原始QA 波段解碼，直觀表達成像質(zhì)量情況。解碼后的QA 波段以整型數(shù)值0—5 分別對應填充、清晰、水體、云、雪和云陰影情況。研究將數(shù)值對應3—5 的EVI2 像元剔除，規(guī)避云（雪）覆蓋的影響；考慮到填充像元多對應Landsat 7 ETM+條帶區(qū)域，研究也將數(shù)值對應0 的EVI2 像元剔除。即僅將解碼后QA 波段數(shù)值對應為1 和2 的EVI2 像元視為有效觀測予以保留。

在此基礎上，按照影像成像時間先后順序?qū)VI2 影像排序構建像元級時間序列。相比于影像級時間序列，研究提出的像元級時間序列顯著提高了有效觀測數(shù)量（圖3）。例如，在2018 年構建的像元級時間序列中，丹頂鶴自然保護區(qū)、九段沙濕地和杭州灣南岸濕地的平均有效觀測數(shù)量為18.7 次、15.0 次和11.4 次，2—3 倍多于影像級時間序列（8 次、5 次和5 次）（圖3）。更為重要地是，像元級時間序列中有效觀測數(shù)量的季節(jié)性分布較為均衡，而不像影像級時間序列中有效觀測數(shù)量季節(jié)性波動巨大，這也有利于保證像元級時間序列應用的穩(wěn)定性。需要注意的是，盡管像元級時間序列提高了有效觀測數(shù)量，但是各個研究區(qū)平均有效觀測數(shù)量仍明顯少于總體觀測數(shù)量（365/8≈45 次）的一半（尤其是杭州灣南岸濕地僅為總體觀測數(shù)量的1/4），即像元級時間序列是稀疏的。此外，由于海岸帶區(qū)域云雨覆蓋和潮水淹沒的隨機性，導致像元級影像時間序列像元間的有效觀測分布不對應，數(shù)量也不相等，即像元級時間序列存在非對等性。這種稀疏、非對等的像元級時間序列對后續(xù)的分類算法提出了較高要求。

圖3 2018年基于像元級時間序列的有效觀測空間分布及其按季度統(tǒng)計的有效觀測數(shù)量Fig.3 Spatial distribution and seasonal statistics of the number of the valid observations from pixel-level based time-series in 2018

3.3 XGBoost分類

研究利用XGBoost（極限梯度提升）算法進行像元級時間序列分類。XGBoost 算法由Chen 和Guestrin（2016）提出，本質(zhì)為梯度提升決策樹，利用貪婪算法與近似算法確定樹模型。具體來說，在XGBoost算法建樹時，首先計算真實值和預測值的差值——殘差值（Residuals）。在此過程中，真實值已知，預測值則由XGBoost算法通過遍歷樣本優(yōu)化給定。依據(jù)不同分割點的殘差值測算每個根節(jié)點與其所含葉子節(jié)點的相似度（Similarity Scores），以各葉子節(jié)點相似度之和與該根節(jié)點相似度的差異定義收益值（Gain）。最終，XGBoost算法以收益最大的分割點建立葉子節(jié)點，以此迭代進行模型樹生長。由于具備運算高效、靈活性強、預測精準、便于并行計算等特點，近些年XGBoost 算法在地理信息挖掘、圖像模式識別領域得到廣泛應用（Liang等，2022；Tian等，2022）。

XGBoost 算法的突出優(yōu)點是針對樣本數(shù)據(jù)缺失現(xiàn)象開發(fā)的稀疏感知分裂查找算法。在訓練階段，在確定某一特征最佳分裂點時，XGBoost 算法將數(shù)據(jù)完整與數(shù)據(jù)缺失記錄分離，首先遍歷對應特征數(shù)據(jù)完整的樣本，保證分裂準確并減少計算開銷。對于數(shù)據(jù)完整的樣本，算法將數(shù)值大小進行順序排列，將相鄰順序數(shù)值的均值作為不同分割點，并將數(shù)據(jù)完整樣本的殘差值分別放至根節(jié)點左右兩側葉子節(jié)點中。在此基礎上，由于XGBoost算法的初始類型預測值已知，缺失數(shù)據(jù)類型真實值已知，可得到缺失數(shù)據(jù)樣本的殘差值。進一步，將缺失數(shù)據(jù)樣本的殘差值分別放入左右兩側葉子節(jié)點中，計算不同分割點下，左右葉子節(jié)點獲得的最大收益，選取收益最大時分割點并確定對應特征缺失數(shù)據(jù)時的默認方向（圖4）。在預測階段，對于某一特征數(shù)據(jù)缺失樣本，若對應特征在訓練階段出現(xiàn)缺失值，則按照訓練階段確定的默認分配方向進行劃分；若對應特征在訓練階段沒有出現(xiàn)缺失值，則將其劃分到左子樹方向（XGBoost 算法默認值），以此解決樣本數(shù)據(jù)缺失問題。XGBoost 算法有效解決了常規(guī)距離度量算法（如K鄰近、支持向量機）難以用于缺失值分類的問題（Song和Yu，2021；Xi等，2018；Zhang等，2020）；同時，相比于采用中位數(shù)替換（或加權替換）方式處理缺失值的隨機森林算法，XGBoost 算法預測準確且運算高效（Van Beijma等，2014）。

圖4 XGBoost算法處理缺失數(shù)據(jù)策略Fig.4 The process of XGBoost algorithm dealing with missing data

研究調(diào)用Python 中的XGBoost 程序包實現(xiàn)像元級時間序列鹽沼植被分類。具體參數(shù)設定如下：分類模型為歸一化指數(shù)函數(shù)（softmax），分類數(shù)為各個區(qū)域的分類數(shù)量，建樹迭代步長（eta）為0.1，隨機采樣的比例為0.5%—50%的樣本數(shù)據(jù)用于訓練，剩下50%的樣本數(shù)據(jù)用于精度驗證?？紤]到不同采樣對分類結果的影響，研究重復隨機采樣100 次，以分類精度與100 次隨機采樣平均精度接近的分類模型計算混淆矩陣，以公正評估分類結果。除此之外，其他參數(shù)（如gamma、max_depth、subsample、colsample_bytree）均參考文檔的默認值設置。

4 結果

4.1 定標效果分析

研究選取了冬季（12 月—次年2 月）成像時間相差8 d 的無云覆蓋Landsat 7 ETM+和Landsat 8 OLI影像對，比較定標前后影像對的各個波段（藍光、綠光、紅光、近紅外、短波紅外1和短波紅外2）和EVI2 在各類鹽沼植被樣本上（若樣本落入Landsat 7 ETM+條帶中則剔除不予統(tǒng)計）的差異。研究認為在冬季鹽沼植被多已衰老枯萎，在8 d 內(nèi)影像對各個波段和EVI2的數(shù)值差異應該盡可能小，以此度量多源影像定標效果。圖5展示了在每一個波段（包括EVI2 指數(shù)在內(nèi)共7 個）各鹽沼植被的波段反射率差異。對于互花米草、堿蓬、蘆葦和海三棱藨草，定標后所有波段的平均絕對值差異都有所減?。▓D5），尤其在近紅外波段：互花米草、堿蓬、蘆葦、海三棱藨草的平均絕對值差異分別減小了0.78×10-2、1.43×10-2、1.3×10-2、0.56×10-2（圖5）。對于白茅，定標后在藍光、近紅外、短波紅外1 和短波紅外2 波段的平均絕對值差異減?。ㄆ骄鶞p小0.68×10-2），但在綠光和紅光波段的平均絕對值差異增大（圖5）。進一步分析發(fā)現(xiàn)，在影像對中白茅集中分布的位置出現(xiàn)了QA 波段檢測出錯的薄云，可能是導致定標前后平均絕對值差異波動的原因。盡管如此，在用于像元級時間序列構建EVI2 上，各類鹽沼植被定標后的平均絕對值差異下降明顯——蘆葦減小了0.032，海三棱藨草減小了0.024，白茅減小了0.021，互花米草與堿蓬均減小了0.016（圖5）。這表明了，進行Landsat 7 ETM+和Landsat 8 OLI 定標較為必要，能夠保證Landsat 系列數(shù)據(jù)構建的時間序列在數(shù)值上接近、可比。

圖5 相對定標前后各個波段和EVI2指數(shù)在鹽沼植被上差異比較Fig.5 Comparison of the differences on each spectral band and EVI2 for salt marsh vegetation before and after inter-calibration

4.2 分類結果與精度評價

2018 年基于像元級時間序列鹽沼植被分類結果如圖6所示。目視觀察發(fā)現(xiàn)，分類結果與樣本數(shù)據(jù)較為一致，并且分類結果展現(xiàn)的鹽沼植被分布的與其生態(tài)位理論高度吻合，表現(xiàn)出由陸向海的蘆葦（茅草）—堿蓬—互花米草—海三棱藨草地帶分布特征（圖6（a）Ⅰ、6（b）Ⅰ、6（c）Ⅰ）。定量來看，研究區(qū)總體精度平均為81.50%，Kappa 系數(shù)平均為0.758（表1）。丹頂鶴自然保護區(qū)分類精度最高（總體精度為83.22%，Kappa系數(shù)為0.782，表1）；九段沙濕地其次（總體精度為81.53%，Kappa 系數(shù)為0.754，表2）；杭州灣南岸濕地最低（總體精度為79.74%，Kappa系數(shù)為0.738，表3）。

表1 丹頂鶴自然保護區(qū)混淆矩陣及精度Table 1 Confusion matrix and accuracy analysis of Red-crowned Crane Nature Reserve

表2 九段沙濕地混淆矩陣及精度Table 2 Confusion matrix and accuracy analysis of Jiuduansha Wetland

表3 杭州灣南岸濕地混淆矩陣及精度Table 3 Confusion matrix and accuracy analysis of Southern Coastal Wetland Hangzhou Bay

圖6 基于像元級時間序列2018年鹽沼植被分類結果Fig.6 Classification mapping of salt marsh vegetation in 2018 using pixel-level based time-series method

具體到各類鹽沼植被，互花米草分類效果較好（圖6（a）Ⅱ、（a）Ⅲ、（b）Ⅱ、（b）Ⅲ、（c）Ⅱ、（c）Ⅲ），除杭州灣南岸濕地外，在各個研究區(qū)的生產(chǎn)者精度和使用者精度均接近90%以上，平均精度（生產(chǎn)者和使用者精度均值）可達86.75%。其次是海三棱藨草（圖6（b）Ⅱ、（b）Ⅲ、（c）Ⅱ、（c）Ⅲ），除在杭州灣南岸濕地的使用者精度較低（表3）以外，生產(chǎn)者精度和使用者精度也維持在80%以上，平均精度可達84.35%。盡管蘆葦?shù)钠骄纫草^高（84.03%），但生產(chǎn)者與使用者精度波動較大，出現(xiàn)高值低值交替情況（表1）。這是由于蘆葦在各個研究區(qū)與不同地物存在混淆——在丹頂鶴自然保護區(qū)，與堿蓬和水體混淆（圖6（a）Ⅳ）導致了較低使用者精度（79.57%）；在九段沙濕地，與灘涂和水體混淆（圖6（b）Ⅳ、（b）Ⅴ）導致了較低生產(chǎn)者精度（75.86%）。類似情況也出現(xiàn)在茅草和堿蓬上（圖6（a）Ⅴ）導致兩者精度低、波動大（表1）?？傮w上，對于各類鹽沼植被，平均精度均在83.58%，說明基于像元級時間序列分類效果較好。需要注意地是，分類中的生產(chǎn)者精度和使用者精度的低值往往來源于灘涂和水體，例如，九段沙濕地水體的生產(chǎn)者精度僅為43.48%，灘涂的使用者精度僅為56.52%（表2）。若將灘涂和水體因素排除，鹽沼植被分類的總體平均精度有望進一步提高88.70%。

4.3 分類穩(wěn)定性分析

研究將像元級時間序列分類方法用于2019 年的Landsat 影像，對比總體精度差異以檢驗方法的穩(wěn)定性。我們采用的分類算法、樣本點位置與2018 年保持一致，但在2019 年樣本點的鹽沼植被類型通過結合Google Earth 高清歷史快視圖校驗，重新標注類型發(fā)生變化的樣本點。在100次隨機重復實驗中，每次將相同訓練和驗證樣本選擇方案用于2018 年和2019 年鹽沼植被分類和總體精度計算，統(tǒng)計兩年分類精度差異的分布。同時，研究利用相同樣本選擇方案分類兩年同一月份的無云Landsat 影像，比較單一時相分類方法與像元級時間序列分類方法的精度與穩(wěn)定性（圖7）。

圖7 基于像元級時間序列與基于單景影像的分類精度與穩(wěn)定性對比Fig.7 Comparison on accuracy and stability between pixel-level time-series based classifications and single-phase based classifications

在丹頂鶴自然保護區(qū)，5 組單一時相分類方法的絕對差異均值介于2.50%—9.83%，均高于像元級時間序列分類方法的絕對差異均值2.43%（圖7）。同時，像元級時間序列分類（2018 年、2019 年）平均總體精度達到82.36%，相比單一時相分類平均精度（介于66.54%—72.12%）提升明顯。在九段沙濕地，像元級時間序列分類方法的絕對差異均值為3.88%，除了略高于1 月份的單一時相分類方法的絕對差異均值（2.51%）外，均低于其他月份的絕對差異均值（圖7）。1月份的單一時相分類方法的絕對差異均值較小主要由于成像時間位于冬季且較為接近（僅為3 d）。然而，由于鹽沼植被多已衰老枯萎，這一時期并不適合鹽沼植被分類，平均總體精度僅為59.20%。類似情況也發(fā)生在杭州灣南岸濕地，像元級時間序列分類方法的絕對差異均值為3.58%，除略高于1 月份外，均低于其他月份單一時相分類方法的絕對差異均值（圖7）。總體上，像元級時間序列方法在2018 年和2019 年的分類絕對差異均值在3.88%以下，且波動變化較小，有望擴展應用于其他年份Landsat影像上，實現(xiàn)鹽沼植被長時期動態(tài)監(jiān)測。

5 討論

5.1 分類結果誤差來源

不同于單一時相分類方法，采用像元級時間序列方法的分類結果優(yōu)劣往往受控于研究時期內(nèi)分類對象的穩(wěn)定性——若在研究時期內(nèi)物種組成與分布較為穩(wěn)定，則分類精度較高，反之精度較低。鹽沼植被演替現(xiàn)象為像元級時間序列分類帶來了困難。（1）不同鹽沼植被交界處是分類錯誤的高發(fā)區(qū)。野外調(diào)查發(fā)現(xiàn)，由于蘆葦與堿蓬的生態(tài)位接近，秋末部分蘆葦種子落入堿蓬群落中并在次年春季陸續(xù)發(fā)芽生長。新生蘆葦植被高度和植株覆蓋度較低，導致像元級時間序列數(shù)值偏低，分類中易與堿蓬混淆（圖6（a）Ⅳ）。（2）新增墾區(qū)內(nèi)也是鹽沼植被更替變化的多發(fā)區(qū)。新建海堤阻斷了潮汐作用，致使堤內(nèi)灘涂干涸，通過自然降雨和人工引渠等作用下底質(zhì)脫鹽，促使墾區(qū)鹽沼植快速向潮上帶甚至淡水植被轉變（Portnoy 和Valiela，1997；Rozema 等，1985）。這也是杭州灣南岸濕地墾區(qū)內(nèi)鹽沼植被混分嚴重的主要原因（圖6（c）Ⅳ、（b）Ⅴ）。（3）形態(tài)多變的潮溝系統(tǒng)亦為鹽沼植被分類增加了難度。潮溝系統(tǒng)的頻繁擺動、旁向侵蝕等活動導致了潮溝及附近灘面極不穩(wěn)定。由于潮溝頻繁擺動，在前一次觀測中鹽沼植被可能在下一次觀測中變?yōu)闉┩炕蚝ＫＡ硗?，潮溝周圍多出現(xiàn)鹽沼植被與灘涂、海水組成的混合像元，使得潮溝周邊區(qū)域成為像元級時間序列分類的困難區(qū)域。研究中的灘涂和海水樣本多選取潮溝周邊區(qū)域，因而導致了灘涂和水體分類精度較低（表1）。

5.2 有效觀測對分類結果的影響

緯度差異往往伴隨著氣候差異，進而影響有遙感觀測的數(shù)量和分布。相較于中國北方沿海區(qū)域，中國南方海岸夏秋兩季云雨天氣更為頻繁，而夏秋兩季又被認為是能夠體現(xiàn)鹽沼植被生長狀態(tài)差異的重要季節(jié)（Li 等，2010；Liu 等，2013；Xiao 等，2018）。若僅采用無云影像進行時間序列構建，在3塊研究區(qū)都將會缺失重要季節(jié)（丹頂鶴自然保護區(qū)：夏季；九段沙和杭州灣南岸濕地：秋季；圖3），從而使得分類精度難以保證。利用像元級時間序列方法在很大程度上彌補了這一問題，使得夏秋兩季的有效觀測數(shù)量得以保證。但從全年來看，像元級時間序列在2018 年的有效觀測數(shù)量仍表現(xiàn)出由北至南逐漸減小的趨勢，由18.7 次下降到15.0 次，再降至11.4 次。與之對應地，基于像元級時間序列方法的鹽沼植被分類精度和穩(wěn)定性由北至南也在不斷減小——總體精度由83.22%下降至79.74%（表1），精度差異也存在1%左右的差距（圖7）?？梢姡瑢τ谙裨墪r間序列而言，保證一定數(shù)量的有效觀測仍然具有意義，這也說明了研究通過多源Landsat 影像定標協(xié)同提升有效觀測數(shù)量的必要性。對比丹頂鶴自然保護區(qū)和杭州灣南岸濕地，盡管有效觀測數(shù)量下降明顯（7.3 次），但分類總體精度卻降幅不大（3.48%），說明杭州灣南岸濕地的有效觀測數(shù)量能夠滿足像元級時間序列方法。隨著有效觀測數(shù)量繼續(xù)降低，研究認為可能存在使得分類總體精度陡然下降的臨界點。發(fā)現(xiàn)有效觀測數(shù)量的臨界點，以此判斷某一區(qū)域或時期是否具備利用像元級時間序列進行鹽沼植被分類的條件，可以作為后續(xù)研究的方向。

6 結論

本研究以長三角典型濕地區(qū)域為例，通過對多源Landsat 影像進行反射率定標配準，構建了Landsat 影像的像元級時間序列，并精細分類研究區(qū)的5種鹽沼植被，所得結論如下：（1）通過相對定標耦合多源遙感影像有效減小了不同傳感器間的差異，對于用于構建時間序列的植被指數(shù)EVI2尤為明顯。（2）XGBoost 決策樹分類算法，可有效應對由于云雨與條帶影響形成的稀疏、不對稱時間序列數(shù)據(jù)，能夠保證像元級時間序列在鹽沼植被分類精度。（3）像元級時間序列方法年際分類精度波動較小、穩(wěn)定性較高，有望應用于海岸帶植被動態(tài)變化監(jiān)測中。在后續(xù)研究中，我們將驗證像元級時間序列鹽沼植被分類方法移植到其他數(shù)據(jù)（Sentienl-2、HJ 等）和應用于長時期動態(tài)監(jiān)測的可行性，以期更好服務于多源遙感數(shù)據(jù)的濱海濕地變化監(jiān)測中。