溫州市三垟濕地遙感動態檢測與景觀分析

摘? 要：以三垟濕地為研究區，基于2013—2021年間Landsat、Sentinel-2遙感影像，分析影像光譜特征，構建基于光譜、紋理、指數的特征數據集，通過支持向量機、隨機森林、極限學習三種不同分類器的比較明確適用于研究區的解譯方法，得到研究區內三垟濕地土地分類圖，并計算了土地利用動態度，分析了三垟濕地自生態修復開始的土地利用變化，根據解譯結果計算研究區土地利用變化率與景觀變化。結果表明，遙感影像能夠較好的應用于城市濕地動態監測，三垟濕地修復建設已逐步完善，因長期開墾導致的土地流失也逐步恢復。

關鍵詞：三垟濕地;遙感解譯;隨機森林;支持向量機

中圖分類號：TP181? ? ? ? 文獻標識碼：A文章編號：2096-4706（2022）02-0139-04

Abstract： Taking Sanyang wetland as the study area， based on Landsat and Sentinel-2 remote sensing images from 2013 to 2021， the image spectral features are analyzed， and the feature data set based on spectrum， texture and index is constructed. Through the comparison of three different classifiers of support vector machine， random forest and limit learning， the interpretation methods applicable to the study area are clarified， and the land classification map of Sanyang wetland in the study area is obtained， the dynamic degree of land use is calculated， the land use change of Sanyang wetland since ecological restoration is analyzed， and the land use change rate and landscape change in the study area are calculated according to the interpretation results. The results show that remote sensing images can be better applied to the dynamic monitoring of urban wetlands， the restoration and construction of Sanyang wetland has been gradually improved， and the land loss caused by long-term reclamation has been gradually restored.

Keywords： Sanyang wetland; remote sensing interpretation; random forest; support vector machine

0? 引? 言

濕地是陸生生態系統和水生生態系統相互作用形成的獨特生態系統，具備生物多樣性，同時兼有調節氣候、蓄洪防旱等多種生態功能，是人類生存不可或缺的組成部分，需要對它們進行合理開發和保護[1]。根據目前文獻資料，城市濕地簡明定義為：分布于城市（鎮）的濕地稱為城市濕地[2]。濕地是城市景觀規劃中必不或缺的部分，是城市生態環境建設重要組成部分，其保護與利用與城市發展相輔相成。隨著城市化進程推進，城市濕地能為居民帶來不可估量的生態與經濟效益，城市濕地在創造價值的同時也面臨嚴峻考驗：城市的快速擴張對濕地資源開發與破壞。

遙感技術具有高時間分辨率、長時間序列監測、宏觀性等優勢，能夠獲得多樣性空間尺度的地物信息，能夠更為全面識別生態環境的時空變化情況;高頻度宏觀影像信息源提供觀測濕地資源利用變化具有時間上的連續性和反復性。國內外學者均對城市濕地的遙感應用開展了研究，栗小東[3]等利用Landsat數據對上海崇明島采用改進的神經網絡算法并結合水體指數、植被指數等進行濕地信息提取研究。安如[4]等以黃河源瑪多縣為研究區，采用TM影像與DEM數據，構建面向對象的濕地信息提取方法，并與最大似然法和決策樹方法進行了比較。姚杰鵬[5]等利用Sentinel和Landsat影像對鄱陽湖濕地連續變化監測研究，并分析了各個月份對濕地水體面積的變化。梁爽[6]等采基于Sentinel-2影像采用多季相組合的方式開展對白洋淀濕地信息提取方法的提取。

因此，利用遙感技術對城市濕地的資源進行可視化、定量化的時空分析和綜合分析，為經濟與社會可持續發展、資源管理、環境保護以及實現資源環境、經濟的宏觀調控提供科學依據與決策支持。

1? 研究區概況與數據源

本文以溫州市三垟濕地（27°56′N～27°58′N，120°41′E～120°43′E）為研究區（如圖1所示），三垟濕地位于溫州市城市主城區內，緊鄰大羅山，水網密布，河道縱橫，中間有161個形態各異的泥洲，面積約為10.67 km2，其中水域面積占29.1%，陸域面積占70.9%。三垟濕地被長期開發，已喪失了原始濕地功能，2015年之前濕地處于原生態休憩式發展并有一定建設性開發。2015年溫州市人民政府開始著手致力于三垟濕地修改改造，致力打造“桔浦芳洲、白鷺野鴨、菱角蓮藕、河網人家”的三垟濕地公園。2016—2017年溫州生態園總體規劃修編批復，三垟濕地公園范圍內的池底、上垟村展開舊村拆遷并進行生態修復。942B4164-A44E-4F6B-9773-1BEC0D66FD33

從歐空局數據共享網站以及地理數據云上收集2013—2021期間的Sentinel-2和Landsat8影像數據，植被生長初期與末期是植被指數變化最為劇烈的月份，選擇10—11月份質量較好的影像數據為本文的數據源（如表1所示）。

2? 實驗過程與方法

遙感影像信息提取與分類包括了數據預處理、分類方案與特征提取、樣本庫建立、分類方法比較與確定、土地利用變化分析與生態評價等過程，具體技術路線如圖2所示。

2.1? 數據預處理

數據為覆蓋研究區多光譜Sentinel-2和Landsat8 OLI遙感影像，其中使用SNAP中Sen2Cor插件對原始影像1C級數據進行大氣與輻射校正并導出2A級數據，并將所有波段重采樣為10 m分辨率，并對研究區范圍進行裁剪。使用ENVI軟件對Landsat8影像進行大氣與輻射校正，由于Landsat多光譜系列數據為30 m分辨率，使用第8波段全色波段進行數據融合并重采樣為10 m分辨率后對研究范圍進行裁剪，以保證影像數據空間分辨率的一致性。

2.2? 分類方案與特征提取

在實地野外考察基礎上，依據《土地利用現狀分類》（GB/T21010-2007）標準中的一級分類，調用相關基礎性地理信息數據針對三垟濕地受人為開發與影響的變化，建立如表2所示的土地利用分類方案。

構建有效的特征空間是分類數據集的重要基礎，本文采用了多特征的分類數據，包括了光譜特征、紋理特征與指數特征。光譜特征是在遙感影像分類中最為主要的特征信息，選取Sentinel-2和Landsat遙感影像中4個波段。紋理特征是反應圖像灰度變化并兼顧了宏觀、微觀結構。使用PCA主成分分析的方法，主成分數量為6并使用前3個處理波段。指數特征是有效提高分類進度的特征指標之一，本文采取NDVI（歸一化植被指數），MNDWI（改進的歸一化差異水體指數），土壤亮度指數（BI2），并將指數計算結果進行歸一化運算處理，最終形成由光譜、紋理、指數構成的多特征空間。

2.3? 樣本庫建立

根據溫州市土地利用分布調查數據，1 m覆蓋研究區的高分辨率航空影像，利用目視解譯構建分類樣本庫。實驗總樣本數量為1 476個，各個地類樣本數量均高于200個，各類樣本以6：4比例隨機劃分為訓練樣本和驗證樣樣本。針對以建立好的樣本，根據樣本點的地理信息位置抽樣10%到實地進行考察驗證樣本的確定性。

2.4? 分類方法比較與確定

為提高信息提取結果的普適性，本文采用機器學習中支持向量機、基于核函數的極限學習機、多特征隨機森林3種分類方法進行分類，能夠較為有效的避免分類器自身因素導致對分類結果的影響，也能夠篩選出適合研究區的最優分類方法。分類精度評價是用分類結果與標準數據圖或地面實測值進行比較，以正確分類的百分率來表示精度，本文采用混淆矩陣進行分類類別的基本評定。

支持向量機是以統計學習理論為基礎的機器學習的算法，其優勢是能夠在最小的訓練樣本誤差內來提高其泛化能力，具有效率高、精度高、泛化強的優點。隨機森林算法是一種參數的決策樹組合的機器學習算法，相較于支持向量機其對參數設置的要求更低，以分類回歸樹理論為基礎，通過組成隨機生成的決策樹構成隨機森林，采用投票方式決定樣本類型，具有能高精度，高維數據能力的特性。基于核函數的極限學習機，是根據模式識別理論，將隱含層假設隱含層特征映射函數以內積形式用核函數表達出來，具有更穩定、高精度的優勢[7]。

通過2021年11月份 Sentinel-2影像數據分類提取比較，三種方法分類結果如表3所示，由此看出，其中基于多特征的隨機樹分類方法精度最高，本文最終選取該方法作為五個時相的信息提取，解譯結果如圖3所示。

2013—2021年5個時相的遙感解譯總體精度分別為95.80%，94.78%，98.45%，96.80%? 94.79%，Kappa系數分別為0.940 1，0.9301 7，0.951 1，0.957 8，0.930 7。

定量化分析各個地物面積變化情況，將5年的分類結果導出對地物面積進行統計（表4所示），并使用土地利用動態度來評價與分析三垟濕地地物變化。土地利用動態度是鑒定土地變化速度，在土地變化差異與預測趨勢都具有重要作用。其表達式為：

LC為某一土地利用類型的動態度，T1，T2為兩期遙感圖像的成像年份，LUt1為T1年份某一土地利用類型的面積，LUt2為T2年份某一土地利用類型的面積，表5為計算結果。

從以上結果可以發現，三垟濕地公園范圍內，草地面積在2017年前趨于平衡，隨著濕公園逐步完善，逐年增加。三垟濕地內原以種植甌柑、楊梅為主，隨著濕地修復建設園林地的面積也有所增加。2017年未用地大幅度提高，與該年公園內舊村改造改造相關，幾乎所有居民用房均已拆遷，2017—2021年是三垟濕地持續建成的年份，隨著生態修復的建設發展，部分建設用地根據公園規劃建成相應旅游觀光設施，目前三垟濕地公園仍處于建設與生態修復時期，從影像結果也可以發現截止2021年研究區的東北處仍處于建設期。

2.5? 景觀格局分析

基于以上分類結果，本文利用遙感解譯數據在Fragstats軟件中進行三垟濕地公園范圍內景觀格局分析，相關指標計算如表6所示。

從統計數據可以發現，2017年是研究區遙感解譯5個年份中重要的轉折點，其中面積特征指標NP指數最低，LPI指數最高，隨著濕地公園的建設發展，2017年穩定性指標SHDI最低，SHEI代表穩定性的多樣性逐年增加。聚散性指標中CONTAG和AI指數均為2017年最高。

3? 結? 論

本文使用基于多特征的隨機森林分類方法，通過遙感解譯方法分析了溫州市三垟濕地土地利用變化，并基于解譯結果進行景觀根據分析。實驗結果表明2013年以來的5個時期，隨著政府對三垟濕地生態修復與重建，研究區拆除了長期因開墾導致的土地流失，其中草地、園林地等綠地資源恢復，2017年是研究區修復建設的轉折點，隨著園區建設發展生態修復將得以實現。本文為后續開展生態評價研究奠定基礎，未來將持續針對三垟濕地建設開展長序列的動態監測，為相關部門提供決策支持。

參考文獻：

[1] 李祿康.濕地與濕地公約 [J].世界林業研究，2001（1）：1-7.

[2] MALV?REZ A. Temperate freshwater wetlands：types，status，and threats [J]. Environmental Conservation，2002，29（2）：115-133.

[3] 栗小東，過仲陽，朱燕玲，等.結合GIS數據的神經網絡濕地遙感分類方法：以上海崇明島東灘濕地為例 [J].華東師范大學學報（自然科學版），2010（4）：26-34.

[4] 安如，陳志霞，陸玲，等.面向對象的黃河源典型區濕地信息提取 [J].河海大學學報（自然科學版），2011，39（4）：355-360.

[5] 姚杰鵬，楊磊庫，陳探，等.基于Sentinel-1，2和Landsat 8時序影像的鄱陽湖濕地連續變化監測研究 [J].遙感技術與應用，2021，36（4）：760-776.

[6] 梁爽，宮兆寧，趙文吉，等.基于多季相Sentinel-2影像的白洋淀濕地信息提取 [J].遙感技術與應用，2021，36（4）：777-790.

[7] 趙宇虹.隨機森林遙感信息提取研究進展及應用研究 [J].測繪與空間地理信息，2021，44（3）：133-136+139.

作者簡介：沈茗戈（1990.12—），女，漢族，浙江溫州人，講師，本科，研究方向：無人機技術應用、環境遙感、無人機專業教學改革。942B4164-A44E-4F6B-9773-1BEC0D66FD33