遥感技术与应用, 2021, 36(4): 760-776 doi: 10.11873/j.issn.1004-0323.2021.4.0760

湿地遥感专栏

基于Sentinel-1，2和Landsat 8时序影像的鄱阳湖湿地连续变化监测研究

姚杰鹏,1,2, 杨磊库1, 陈探2, 宋春桥,2,1

1.河南理工大学 测绘与国土信息工程学院，河南 焦作 454000

2.中国科学院南京地理与湖泊研究所流域地理学重点实验室，江苏 南京 210008

Consecutive Monitoring of the Poyang Lake Wetland by Integrating Sentinel-2 with Sentinel-1 and Landsat 8 Data

Yao Jiepeng,1,2, Yang Leiku1, Chen Tan2, Song Chunqiao,2,1

1.College of Surveying and Geotechnical Engineering，Henan Polytechnic University，Jiaozuo 454000，China

2.Key Laboratory of Watershed Geographic Sciences，Nanjing Institute of Geography and Limnology，Chinese Academy of Sciences，Nanjing 210008，China

通讯作者: 宋春桥(1986-)，男，湖南衡阳人，研究员，主要从事湖泊-流域水文遥感、资源环境遥感与全球变化方面的研究。E⁃mail: cqsong@niglas.ac.cn

收稿日期: 2020-10-20   修回日期: 2021-07-18   网络出版日期: 2021-09-26

基金资助: 国家重点研发计划.  2018YFD1100101.  2019YFA0607101.  2018YFD0900804
国家“人才引进项目”青年项目.  Y7QR011001
中国科学院战略性先导科技专项(A类).  XDA23100102
国家自然科学基金项目.  41971403.  41801321

Received: 2020-10-20   Revised: 2021-07-18   Online: 2021-09-26

作者简介 About authors

姚杰鹏(1992-)，男，山西运城人，硕士研究生，主要从事环境遥感方面的研究E⁃mail:JPYao2020@163.com , E-mail：JPYao2020@163.com

摘要

湿地具有季节性特征，高时间分辨率遥感监测能够更为客观精准地认识其时空变化规律。选择季节性变化显著、我国第一大淡水湖生态湿地——鄱阳湖湿地为典型案例，利用Sentinel-1，2和Landsat 8卫星的2017~2019年所有可以获取的不同时相影像，采用随机森林分类（Random Forest，RF）方法，对研究区的湿地进行遥感分类和信息提取，发挥海量遥感影像在湿地宏观连续监测的优势，解析鄱阳湖湿地的年际、年内时空动态变化特征。研究结果表明：Sentinel-2影像为鄱阳湖湿地动态变化监测提供良好的数据基础，随机森林分类总体分类精度高于90%，提取效果具有比较优势。对3 a分类结果进行统计分析，各湿地类型在年内均呈现出动态变化的特点，在每年2月泥滩和草洲面积到达年内最大，水体面积为年内最小；每年6、7月份水域面积达到年内最大，泥滩和草洲面积最小，季节性变化明显；月度时间序列的分类结果，能更准确地说明湿地类型的月度和季度变化。因此，结合Seninel-1，2以及Landsat 8数据，基于RF算法，能及时、有效地对鄱阳湖等季节性变化强烈的湿地进行动态监测，对开展湿地资源高效调查工作具有重要意义。

关键词： Sentinel ; Landsat ; 遥感监测 ; 随机森林分类 ; 时间序列 ; 鄱阳湖湿地

Abstract

Wetlands are usually featured by evident seasonality， and thus high temporal-resolution remote sensing monitoring of their consecutive changes would greatly benefit to more objectively and accurately detecting the characteristics of spatial-temporal changes. The Poyang Lake wetland， as the largest freshwater lake in China， which shows significant intra-annual variability， was selected as the demonstrative case in this study. By collecting all available remote sensing images of Sentinel-1 & 2 and Landsat-8 from 2017 to 2019 based on the Google Earth Engine platform， we adopted the Random Forest （RF） method to map various types of wetlands of the Poyang Lake. It aims to demonstrate the capacity of Sentinel-2 optical images integrated with Sentinel-1 SAR and Landsat-8 data applicable to monitor wetland variations at both the inter-annual and intra-annual timescales. Results show that the Sentinel-2 images enable to provide a powerful data base for monitoring the dynamics of Poyang Lake wetland， and the overall classification accuracy was higher than 90%. the areas of the classification results were statistically analyzed in the 3 years， in February of each year， mudflat and vegetation reach the maximum area， while water area is the minimum.In June and July of each year， the water area reaches the largest in the year， while the mudflat and vegetation area is the smallest. All types of wetlands in the Poyang Lake show evidently seasonal changes， and the monthly classification results can more accurately illustrate the intra-annual changes characteristics of various types. Overall， the integration of Seninel-2 data with Sentinel 1 and Landsat-8 images， can effectively monitor the wetland changes at fine timescale， which is crucial for timely and costly management of wetland resources.

Keywords： Sentinel ; Landsat ; Remote sensing ; Random Forest ; Time series ; Poyang Lake wetland

PDF (10425KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

姚杰鹏, 杨磊库, 陈探, 宋春桥. 基于Sentinel-1，2和Landsat 8时序影像的鄱阳湖湿地连续变化监测研究. 遥感技术与应用[J], 2021, 36(4): 760-776 doi:10.11873/j.issn.1004-0323.2021.4.0760

Yao Jiepeng, Yang Leiku, Chen Tan, Song Chunqiao. Consecutive Monitoring of the Poyang Lake Wetland by Integrating Sentinel-2 with Sentinel-1 and Landsat 8 Data. Remote Sensing Technology and Application[J], 2021, 36(4): 760-776 doi:10.11873/j.issn.1004-0323.2021.4.0760

1 引 言

湿地是自然界的重要组成部分，约占陆地面积的4%~6%，作为陆地生态系统和水生生态系统之间的中间地带，是大自然物种多样性最富集的区域之一，也是人类最为重要的生存环境之一，素有“地球之肾”的美誉［1-3］。湿地在粮食安全、调节气候、调蓄洪水、维护生态系统平衡等方面起重要作用［4-5］。监测湿地的高时相（年际与月际）变化情况，能够客观精准地认识湿地的时空演变规律，及时掌握湿地的资源分布，了解湿地结构的变化，为保护湿地资源提供一定的科学依据。随着遥感技术的发展，卫星遥感对湿地信息的提取和分析已成为监测和保护湿地的主要手段［6-8］。遥感技术具有探测范围广、数据获取快、信息量丰富等特点，克服了传统人工调查手段周期长、劳动强度大、人力成本高和覆盖区域小等缺陷，为分析湿地资源的类型及其空间动态变化提供了强有力的支撑［9-12］。近年来，国内外针对湿地动态变化监测的研究主要围绕遥感数据源和分类方法展开。

遥感数据源是实现高精度湿地分类的重要前提，现有湿地分类研究的数据大多数为光学影像和合成孔径侧视雷达（SAR）影像。光学遥感影像成本低、易获取，当前应用比较广泛的是MODIS和Landsat系列影像数据。例如：赵斌等［13］利用MODIS数据对长江崇明东滩河口湿地植被覆盖和岸滩高程的时空动态变化进行了研究；张猛等［14］利用MODIS数据基于面向对象分类对洞庭湖湿地进行了动态变化研究。MODIS卫星一天两次过境，时间分辨率高，可快速监测湿地的动态变化，但MODIS数据空间分辨率最高的波段影像仅达到250 m，难以满足湿地分类的高精度要求。Landsat系列卫星数据空间分辨率高达30 m，能够相对精细地监测湿地分类的动态变化。Landsat系列卫星在国内外如土耳其海岸湿地生态环境监测［15］、三峡工程运行前后长江中游大型通江湖泊（洞庭湖、鄱阳湖）湿地景观变化［3］、黄河源湿地变迁［16］等研究中都得到广泛的应用。Landsat影像相对于MODIS、NOVV/AVHRR等数据具有更高的空间分辨率，但其在提取小面积水体和纤细河流时仍存在较大的局限性［17］；另外，受水位变化的影响，湿地季节性变化显著。Landsat数据受时间分辨率（16 d）和光学影像质量的天气干扰等影响，在监测湿地月度尺度变化时，可获取的Landsat数据通常缺乏时序的连续性，难以描述湿地的季节性变化。欧洲航空局（ESA）发射的Sentinel-2卫星有较高的时空分辨率，为大规模湿地监测提供了非常宝贵的机遇。Sentinel-2分为2A和2B两颗卫星，两颗卫星各携带一枚多光谱传感器，双星组合拥有更高的重访周期（5 d）、空间分辨率（10 m、20 m、60 m）。Sentinel-2为老挝北部刀耕火种的农业遥感监测提供了优势的数据基础［18］。与光学影像不同，SAR的光谱信息含量较低，但SAR不受大气和太阳光照条件的影响，可全天时工作，穿透云层获取不同于光学影像的地物信息［19］。有研究表示SAR在分类中具有很大的潜力［20］。Li等［21］利用Sentinel-1分类提取出水体，构建了中国高时空水体数据集（High Spatial-temporal Water body Dataset in China，HSWDC）。由于两种遥感方式的不同，光学影像和SAR影像提供了关于地球表面截然不同的信息。因此，SAR影像和光学影像在分类可时相辅相成。近年来，也有很多研究尝试通过融合SAR影像和光学影像来提高分类精度［22-25］。

湿地信息的遥感提取方法主要包括人工目视解译和计算机自动分类。目视解译对解译人员和工作量具有极高的要求，不宜作为独立的分类方法［26］。随着计算机自动分类技术逐步应用于遥感影像分类，监督分类和非监督分类提高了湿地分类的速度，其中最大似然分类法的精度最高，逐渐成为自动分类的基准方法，但是该方法分类效果一般，分类精度较低（低于60%）［27］。随着机器学习算法在遥感影像分类的应用普及，分类回归树（Classification And Regression Tree，CART）、支持向量机（Support Vector Machine，SVM）、人工神经网络（Ar-tificial Neural Net，ANN）等在一定程度上提高了湿地信息的提取精度［28-30］。随机森林算法作为机器学习分类算法的一种，因其速度快、准确度高、稳定性好等优势在遥感信息自动提取方面具有良好的效果［31］。Jonathan等［32］利用高光谱影像进行耕地分类，在相同条件下RF优于神经网络分类，且训练速度更快；詹国旗等［33］基于GF-2影像，在相同条件下，采用RF、K-NN（K-nearest neighbor）、SVM、CART等算法对白城市通榆县东部地区的湿地进行分类，结果表明，随机森林算法提取结果分类精度高于其他算法，且运算速度更快；侯蒙京等［34］以高分一号（GF-1）遥感影像为数据源，基于相同的变量，采用最大似然法、SVN、ANN和RF等方法对若尔盖湿地进行分类，结果表明，RF算法优于其他机器学习算法，显著高于最大似然法Armand LaRocque等在湿地分类的研究总结中指出最大似然、神经网络和层次决策树通常低于随机森林的分类精度［23］。

鄱阳湖是我国最大的淡水湖泊，因其生物多样性丰富并为各种稀缺物种提供栖息地而被公认为具有国际重要性的湿地。作为与长江主干相连的通江湖泊，鄱阳湖湿地的季节性年际差异变化都十分显著， 可作为验证时间序列卫星遥感监测湿地的高时相变化特征的典型案例区。实验基于Google Earth Engine （GEE）平台利用2017~2019年所有可以获取的Sentinel-1&2和Landsat 8影像，构建密集时序的遥感影像数据，采用RF方法进行湿地分类，分析近3 a鄱阳湖湿地不同类型覆被年内（月度）与年际时空变化特征。

2 研究区与数据源

2.1　研究区概况

鄱阳湖（115°49′~116°46′E，28°11′~29°51′N）位于江西北部，长江中下游主干南岸，是我国最大的淡水湖泊。鄱阳湖的补水主要来源于降雨和5个子流域（赣江、饶河、抚河、信江、修水），经湖口向北注入长江［35］。鄱阳湖地处中亚热带暖湿季风气候区，是一个水位季节性变化显著的湖泊，具有“夏秋一水连天，冬春荒滩无边”的独特景观。每年4~9月是鄱阳湖的丰水期，受流域降雨的影响，水位上升，水域面积变大，鄱阳湖呈现湖泊特征，在枯水期（10月至次年3月），水位下降，湖面缩小，鄱阳湖呈现河流特征，湖区出现大面积洲滩和裸地。由于水位与水域面积变化显著，鄱阳湖各湿地类型处于连续的动态转变过程中。鄱阳湖水量年内变化巨大，对鄱阳湖调蓄功能、生态功能产生巨大影响，不同类型湿地分布的动态变化是反映鄱阳湖演变规律的重要信息。

利用GEE平台的GSW（Global Surface Water）数据集的max_extent数据层（鄱阳湖在1984~2019年时段内最大水淹范围）来确定实验的研究区范围。蚌湖是鄱阳湖众多子湖之一，位于鄱阳湖西北角，属于永修县吴城镇北部的鄱阳湖国家级自然保护区的一部分，是一个典型的季节性浅碟形子湖［36］，是鄱阳湖最具有代表性的蝶形湖泊，其湿地也是鄱阳湖较为典型的湿地之一。

为了验证子湖湿地变化与鄱阳湖湿地变化是否具有相同的规律，将重点讨论蚌湖湿地覆盖的动态变化，从区域湿地空间动态变化分析鄱阳湖湿地空间动态变化具有非常重要的代表性。研究区如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   鄱阳湖地理位置

Fig.1   The location of Poyang Lake


2.2　研究数据

由于遥感影像覆盖范围广，具有时空连续性，可通过对鄱阳湖湿地进行监测，获取分析鄱阳湖湿地结构及其近3 a的变化。实验采用2017~2019年325景多源遥感影像提取研究区湿地信息，其中，以Sentinel-2为主要数据源，有310景影像，占比95.69%，在月内Sentinel-2数据残缺或缺失的情况下，采用Landsat-8数据和Sentinel-1数据加以补充，形成近3 a覆盖鄱阳湖的月尺度遥感数据数目统计图（图2）。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   2017~2019年鄱阳湖湿地研究区的月尺度不同来源遥感影像数量统计分布图

Fig.2   The number of images per month used for 2017， 2018， and 2019 from different sources in the Poyang Lake wetland


Sentinel-2［37］高分辨率多光谱成像卫星，分为2A和2B两颗卫星。2A于2015年6月23日由“织女星”运载火箭发射升空，2B于2017年3月7日由“织女星”运载火箭发射升空。Sentinel-2卫星携带一枚多光谱成像仪（MSI），有13个光谱波段，波段2、3、4、8的空间分辨率为10 m，波段5、6、7、8A、11、12的空间分辨率为20 m，波段1、9、10为60 m，一颗卫星的重访周期为10 d，两颗卫星的观测互为补充，可以形成对陆地监测少于5 d的重访周期。

Landsat 8［38］是美国陆地卫星计划（Landsat）的第八颗卫星，于2013年2月11号由Atlas-V火箭搭载发射成功。Landsat 8卫星上携带两个传感器，分别是OLI陆地成像仪（Operational Land Imager，OLI）和TIRS热红外传感器（Thermal Infrared Sensor，TIRS），共有11个波段，波段1~7和波段9的空间分辨率为30 m，波段8为15 m分辨率的全色波段，卫星重访周期为16 d。

Sentinel-1［39］是一个全天时、全天候雷达成像系统，包含A、B两颗卫星，Sentinel-1A于2014年4月3日成功发射，随后于2016年4月25日成功发射了Sentinel-1B。Sentinel-1基于C波段的成像系统采用4种成像模式（分辨率最高5 m、幅宽达到400 km）来观测。Sentinel-1在近极地太阳同步轨道上运行，一颗卫星的重访周期12 d，两颗卫星的观测互为补充，重访周期为6 d。

数据获取和处理均在GEE平台上实现。在GEE上，Sentinel-2有L1C级大气表观反射率产品和经过辐射定标和大气校正的L2A级大气底层反射率产品，L2A级产品在GEE上相比较于L1C级产品少B10波段。2017年1月~3月采用L1C级产品，其余采用L2A级产品。Sentinel-1采用干涉宽幅模式（IW）的地距（GRD）影像产品数据，极化方式为VV+VH双极化，分辨率为10 m。

3 湿地分类及数据处理

3.1　湿地分类方案

参考我国湿地分类标准 GB/T 24708~2009和宫鹏等遥感湿地分类体系［40， 41］，结合本研究针对湿地进行信息提取的特点，采用表1所示的鄱阳湖湿地分类系统。实验中所涉及的不同鄱阳湖湿地类型采用广义的湿地概念。将研究区内土地覆盖类型分为水体、沙地、草洲、泥滩、农田和其他（城镇、农村、道路等）。

表1   鄱阳湖湿地采用的分类系统

Table 1  The classification system of Poyang Lake wetland

湿地类型描述
水体深浅不一的蓝色，蓝紫色，形状各异，大小不一，边界清晰
沙地呈现亮黄色，多成细长的条带分布，在水体或者泥滩附近
草洲深浅不一的棕色，绿色，黄绿色，形状大小各异，边界有些模糊
泥滩浅灰色，沿水体呈条带状，或者环湖水体，或江心片状，大小不一，边界清晰
农田淡绿色、土黄色， 形状规则，呈长方形或正方形，纹理清晰
其他非湿地， 深紫色或银白色、城市成片区分布、农村呈片区分布、部分房屋建筑成零星点分布

新窗口打开| 下载CSV


3.2　湿地分类技术流程

3.2.1　影像数据预处理

为了开展月度尺度上的鄱阳湖湿地分类，首先在GEE上对Sentinel-2 L1C级数据进行大气校正产生L2A级数据，然后云掩膜进行去云，每个月所有云掩膜后的Sentinel-2数据形成一个月数据集，利用中值函数逐像元计算月数据集在本月的中位数，形成一张研究区内的中值影像，判断中值影像是否完整：①中值影像完整，对月数据集进行筛选，筛选出研究区内影像完整的Sentinel-2数据，影像中空间分辨率为20 m和60 m的波段采用双线性插值法重采样为10 m，准备进行分类；②对于中值影像残缺面积占比研究区面积小于15%的影像，对中值影像所有的波段采用双线性插值法重采样为10 m，对应Sentinel-2影像集合中Sentinel-2影像时间取相同时间的Sentinel-1，由于在某些月份缺少同一天的Sentinel-1，所以选择3 d以内的Sentinel-1，组成Sentinel-1月数据集，结合Sentinel-1月数据集的中值影像进行分类；③中值影像残缺大于15%，选取当月影像完整的Landsat 8结合3 d以内Sentinel-1进行分类；GEE上的的Landsat 8影像为经过在轨纠正的反射率产品，几何偏差小于12 m。Sentinel-1空间分辨率为10 m，Landsat 8需重采样到10 m与之相匹配；④当月没有Landsat 8影像，选取缺失月前后月份和缺失月其他年份的Sentinel-2进行分类（2017年6月没有Sentinel-2和Landsat-8，利用2017年5月、7月和2018年6月的Sentinel-2组成2017年6月的影像集合进行分类）。上述数据重采样通过GEE内嵌的算法统一坐标系，保证每个像元代表相同的地表范围，运算过程中不会产生几何失配［42］。

在进行随机森林分类时，虽然某些波段在分类中比其他波段更重要，但有研究表明，在达到某个阈值之前，包含的波段越多，精度就越高［43-45］。因此为了充分利用影像的光谱信息和空间信息，对Sentinel-2和Landsat 8的植被指数（NDVI）、水体指数（NDWI）、土壤亮度指数（BI）进行湿地信息提取，基于灰度共生矩阵（GLCM）对Sentinel-1的纹理特征进行了提取。

（1）NDVI的计算。归一化差值植被指数（Normalized Difference Vegetation Index，NDVI），既可显示植被分布情况，也可反映植被生长状态，因此广泛用于植被覆盖度监测［46］。

NDVI=NIR-RedNIR+Red

（2）NDWI的计算。归一化差值水体指数（Normalized Difference Water Index，NDWI），用来提取影像中的水体信息，在以往大量的水体提取研究中被证实具有较好的效果［47-49］。

NDWI=Green-NIRGreen+NIR

（3）BI的计算。土壤亮度指数（BI）［50］能较好地反映土壤的裸露情况。

BI=Red2+Green22

其中：Green代表Sentinel-2的绿波段B3和Landsat 8的绿波段B3；Red代表Sentinel-2的红波段B4和Landsat 8的绿波段B4；NIR代表近红外波段反射率，Landsat 8近红外波段为B5，有研究表明［22， 51］，宽带近红外波段和窄带带近红外波段影像的相同指数间没有明显差异，实验中Sentinel-2选择近红外波段B8；基于GLCM，Haralick提出了 14 种特征参量［52］，选取VV极化角二阶矩、相关性、对比度、熵和方差进行分析。

3.2.2　样本及验证数据

样本质量直接关系到湿地信息提取的精度，因此应选取具有典型性、代表性的纯净像元作为样本［53］。2019年10月~12月，鄱阳湖旱情持续，大面积滩涂裸露，为鄱阳湖现场调研选取样本提供了便利，课题组于2019年12月27日~2020年1月3日对鄱阳湖进行实地调查。以12月6日覆盖鄱阳湖的Sentinel-2影像为参考，结合Google Earth进行路线规划。从湖口县叶家滩出发，经都昌、鄱阳、余干、南昌、永修和前头湾，顺时针方向围绕着鄱阳湖进行湿地样本采集。由于滩涂大面积裸露，所以采样区多以水陆边界地带为主。在样区内均匀分布采样点，并以采样点为中心划定样方，每个样方周围60 m×60 m区域内被同一种湿地类型覆盖或者大部分被同一种湿地类型覆盖，采用高精度GPS对采样点进行定位、记录，并进行拍照。

在实地进行勘测时，湿地被浅水覆盖阻断，无法进入湖中部分湿地，难以获取有效的现场调查数据。有研究表明，在Google Earth上下载的高分辨率遥感影像可以用于识别地表不同覆盖类型，选取训练样本，应用于遥感影像地表覆盖类型分类研究［27］。基于GEE平台2019年12月6日Sentinel-2高分辨率遥感影像，依据Google Earth高分辨率影像，采用目视解译判读的方法得到水体、沙地、泥滩、草洲、农田和其他（城镇、农村和道路等）5种类型的样本。实地勘测和目视解译这两部分数据构成样本数据和验证数据分别用于随机森林分类样本的建立和精度验证。图1所示每个样本区内有4个点，每隔30 m平均分布一个样本点。虽然没有具体的文献要求机器学习方法选择样本的最少数目，但是有学者提出特征数（波段数量）乘以30可作为参考数目［54］。由于沙地、农田和居民地面积较少，样本数量没有达到300，其他湿地类别样本点均高于300，考虑到影像的大小和GEE的运算内存要求，样本数目如表2所示，对比12月份各期影像建立2019年12月份样本数据库。同时利用样本迁移的方法得到2017年1月~2019年11月各月份样本点，通过对比各个月内多期遥感影像，对样本点进行判读和修改，得到2017年~2019年各月份的分类样本数据库。

表2   样本点和验证点的数量

Table 2  The number of sample points and verification points

水体沙地草洲泥滩农田其他
样本点3721023843695449
验证点3641043863745947

新窗口打开| 下载CSV


3.3　分类方法

随机森林RF是以决策树为基本分类器的一种集成学习方法［54］。从原始样本中通过迭代抽取样本建立多个子样本集，基于子样本集分别建立决策树，将生成的决策树组成分类器，对输入数据采用投票的方式进行分类［27， 33］。在随机森林建立的步骤中需要设置两个参数：决策树的数量和每棵树的每个节点的特征数。在GEE上构建特征变量集，单独对Sentinel-2进行分类时特征变量集包括波段B1到B12、NDWI、NDVI和BI；Sentinel-1，2结合进行分类时，特征变量集包括Sentinel-2所有的波段、Sentinel-1的VV极化以及它的5个特征参量；Landsat 8结合Sentinel-1进行分类时，特征变量集包括Landsat 8波段B2~B7、Sentinel-1的VV和VH两个极化以及VV极化的5个特征参量考虑到GEE的计算负担，实验选择40棵树，预测变量的数量在每个节点上用于增长树，对于这样的分类模型，通常将其设置在输入变量的平方根（表3）。

表3   随机森林的参数和输入汇总

Table 3  The input parameters for Random Forest.

随机森林参数输入变量
决策树个数每个节点选择的特征数量具体特征
404Sentinel-2（15个波段）
405Sentinel-1,2（22个特征）
404Landsat8,Seninel-1（17个特征）

新窗口打开| 下载CSV


3.4　分类结果后处理及精度验证

月内所有的分类结果形成月分类数据集，逐像元计算其在本月的众数，得到月尺度上的分类结果，对分类结果的验证是分类处理不可缺少的环节，精度验证可以帮助改进、完善分类方法并得到对分类结果的最终评价［55］。采用混淆矩阵对影像提取结果进行评价，精度评价是依据混淆矩阵中的总体分类精度、Kappa系数、制图精度及用户精度等指标来衡量。

3.5　湿地时序变化分析

采用季节指数方法对湿地季节变化进行分析。其中，季节指数采用算术平均法对某一指标时序在一年内月度或季度变化的相对数进行计算［56］。

Sk=xk¯x¯
xk¯=∑i=1nxikn
x¯=∑i=1n∑i=1mxiknm

其中：xk为周期内各月份对应月份的平均数；x¯为周期内的总平均数；k为月份；m为一年内的月数，n为计算周期内的年数，这里m=12，n=3。Sk为季节指数，若Sk 在一年内围绕着1上下波动特别小，则说明该序列没有明显的季节效应。

4 结果与分析

4.1　鄱阳湖湿地2017~2019年逐月分类结果评价

利用2017~2019年所获取的遥感影像，对鄱阳湖进行湿地分类，得到总体分类精度和Kappa系数（表4）。在无云、影像质量良好情况的下，总体分类精度达到92%以上，Kappa系数均达到0.84以上。2017年6月所获取的Sentinel-2和Landsat 8影像数量少且影像缺失严重，只能单独对Sentinel-1进行分类，Sentinel-1单独分类时水体与沙地最容易混淆，造成差分和漏分，故分类精度仅有68.90%；Sentinel-2在2019年1月和6月的影像没有缺失，但影像质量较差，云掩膜后还有部分云阴影存在，影响影像分类结果，总体分类精度较低。所以3 a平均各月份的分类精度（表5）在1月份和6月份低于90%。

表4   鄱阳湖湿地2017~2019年逐月分类结果评价的总体精度

Table 4  Evaluation of the overall accuracy of Poyang Lake wetland classification from 2017 to 2019

时间总分类精度 /%Kappa系数时间总分类精度 /%Kappa系数时间总分类精度 /%Kappa系数
20170190.960.8520180191.110.8920190186.670.83
20170291.040.8820180291.010.8920190290.620.89
20170392.120.9020180390.950.8820190392.170.88
20170491.880.8720180490.230.8820190493.330.92
20170590.970.8720180589.420.8720190592.150.90
20170690.620.8720180690.850.8820190683.210.78
20170791.440.8920180791.060.8820190791.890.90
20170892.540.9020180891.740.8920190893.480.92
20170990.290.8820180991.850.9020190993.260.91
20171092.330.9120181091.880.8720191093.750.92
20171192.130.9020181191.030.8920191190.360.88
20171291.240.8920181290.670.8820191293.260.91

新窗口打开| 下载CSV


表5   鄱阳湖湿地分类3 a平均的各月份分类精度

Table 5  The average monthly classification accuracy of the corresponding month in 3 years

月份123456789101112
平均分类精度/%89.690.991.791.890.888.2291.592.691.892.791.291.7

新窗口打开| 下载CSV


虽然总体精度均达到90%，但是各个湿地类型分类仍存在较大的错分和漏分，以总体分类精度较接近3 a平均分类精度的2018年8月精度评价为例（表6），虽然整体精度快接近92%，但是从用户精度上农田的分类精度84.68%，差分接近15%，根据实际影像和分类影像进行对比，仍然有错分的现象。主要原因是农田与泥滩、草洲相连，且用地分散，占用面积少，容易与草洲或泥滩形成混合像元，对分类精度造影响。

表6   以2018年8月的Sentinel-2影像分类结果为例的各湿地类型精度评价

Table 6  Take the sentinel-2 image classification results in August 2018 as an example to evaluate the accuracy of each wetland type

水体沙地草洲泥滩农田其他
总体分类精度=91.74% Kappa系数=0.890 7
用户精度/%97.5085.6492.8593.7584.6889.86
制图精度/%95.1296.4389.6588.2385.7188.89

新窗口打开| 下载CSV


4.2　湿地类型面积统计及空间变化分析

对3 a逐月的遥感影像分类结果进行制图和统计分析（图3、图4）。在丰水期（4月~9月），各小湖泊与主湖泊连成一片，鄱阳湖呈现湖状；在枯水期，湖面缩小，鄱阳湖呈现河状，各小湖泊与主湖泊相互不连接，湿地类型比较丰富。水体是湿地的主要分类类型，在枯水期（10月至次年3月），水体所占面积相对丰水期少很多，在某些时期会小于其他湿地类型的面积，如在2017年2月，水域面积在3 a内面积最少，湖区大部分被草洲和泥滩覆盖；在丰水期，水体占大部分，甚至覆盖整个研究区， 2017年7月，鄱阳湖水域面积是3 a间最大值，占湖区面积比例接近85%，研究区内天然湿地基本被全部淹没。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   以2017年度为例鄱阳湖在枯水期和丰水期的不同类型湿地分布情况

Fig.3   Take wetlands of 2017 as an example of the distribution of different types of wetland in Poyang Lake during low and high water level periods


图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   2017~2019年鄱阳湖天然湿地各类型分布面积占比

Fig.4   Distribution of landcover types in Poyang lake wetland from 2107 to 2019


4.2.1　鄱阳湖湿地典型时相的空间变化分析

从鄱阳湖月度多源遥感影像数量统计图（图2）可以看出：2018年所获取的Sentinel-2影像在各月份没有缺失，因此，以鄱阳湖2018年代表各季节（春季：3~5月；夏季：6~8月；秋季：9~11月；冬季：12月~次年2月）的分类结果（图5），分析年内湿地空间动态变化。从泥滩的空间变化可以看出，春季3月泥滩覆盖鄱阳湖中心的大片区域，面积和水体的面积接近；而到夏季7月，水体覆盖鄱阳湖大片区域，泥滩空间上由中心向湖岸消散，泥滩面积接近水体面积的二分之一；秋季9月，水域面积收缩，泥滩和草洲向湖中心蔓延，部分水体转换成草洲和泥滩，相比较7月，泥滩面积有所增长；冬季12月，水域面积明显收缩，湖中心覆盖大部分泥滩，泥滩面积超过水体面积，覆盖湖区接近50%区域。从泥滩的空间变化，可以看出湿地在年内空间上的月度动态变化。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   2018年年内鄱阳湖湿地分布图

Fig.5   Distribution map of Poyang Lake wetland in 2018


蚌湖是鄱阳湖典型的季节性浅碟形子湖，以蚌湖为研究对象，能够清晰观察到鄱阳湖研究区内小区域湿地的动态变化情况（图6），并统计各月份主要湿地类型的面积（图7）。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   蚌湖2018年内的时空动态变化

Fig.6   The spatial and temporal dynamics of Bang Lake in 2018


图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   2017~2019年蚌湖主要湿地类型面积变化

Fig.7   Changes in the area of major wetland types in Bang lake from 2017 to 2019


蚌湖周围的湿地覆盖主要是水体、泥滩、草洲，从年内变化规律呈现来看呈季节性变化。水体呈现“起—落”的变化趋势，草洲呈现“起—落—起”的变化趋势，泥滩前半年和后半年都呈现“落—起”的变化趋势。草洲和泥滩是蚌湖湿地的主体，占据蚌湖的大部分区域，草洲在4月份面积最大（60.2 km2），7月份由于夏季水体溢出覆盖了草洲，有50.2 km2草洲转换为泥滩和水体，水体面积达到年内最大（37 km2），草洲面积年内最少（7 km2）；随后逐渐被泥滩和草洲覆盖，到12月份，湖区水体基本上被泥滩全部覆盖，水体面积不到2 km2。

4.2.2　鄱阳湖湿地2017~2019年不同类型面积季节性变化特征

为了更清楚地反映鄱阳湖湿地面积的变化特征，需要从月度变化和季节指数描述湿地变化过程（图8）。从年内变化规律来看，湿地呈季节性变化，草洲和泥滩的面积变化趋势与天然湿地面积变化趋势大致相同，经历“落—起—落”的过程；3 a内2017年2月天然湿地的面积最大，有2 818 km2，泥滩面积也达到最大有1 431 km2；2017年7月天然湿地的面积最小只有444 km2，不到天然湿地最大面积的1/6，草洲也是3 a内面积最小，只有280 km2。水体的面积变化与天然湿地面积变化成反比，经历“起—落—起”的过程，夏季6、7月份是水体变化规律的转折点，除2017年末，9月份开始水体面积变化逐渐稳定（如图8（f）所示）。3 a内，2017年2月水域面积最小只有745 km2；2017年7月，水域面积最大（3 085 km2），水体面积最大时最小面积的4倍还要多，季节性变化显著。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8   鄱阳湖湿地2017~2019年不同类型面积变化

Fig.8   The area changes of different wetland types of Poyang Lake from 2017 to 2019


由图8可知：草洲和泥滩的面积变化都受水域面积的影响，变化趋势与水域面积变化相反，具有季节特性。草洲面积占天然湿地面积50%以上，年内平均变化在300~1 500 km2之间，在天然湿地变化中起主要作用，2017年12月，草洲面积在3 a内达到最大（1 531 km2），约占天然湿地的62%；泥滩面积年内平均变化在100 km2~1 400 km2之间，在枯水期占天然湿地面积比例在45%以上，但在丰水期某些月份比例不足20%，2019年6月，泥滩在3 a内面积最小，只有106 km2，约占天然湿地面积的13%。草洲和泥滩面积共同影响天然湿地的变化趋势。根据季节指数，水体和草州3 a平均值在2月和7月季节指数距离100%较远，具有较大的波动性；泥滩在2月和6月季节指数距离100%较远。从2月~6月，泥滩面积减少约760 km2，草洲减少729 km2，水体增加1 395.36 km2，有沙地增加了89 km2，所以从2月到6月，泥滩和草洲转换为水体和沙地；从2月~7月，泥滩减少505 km2，草洲减少960 km2，水体增加了1 658 km2，沙地减少68 km2，草洲和泥滩和沙地转换为水体，水域面积变大，就会淹没部分农田和道路，例如余干大明湖附近的农田在7月就会被水体覆盖。

从2017年1月~2019年9月，沙地的面积在50 km2上下波动，2019年9月持续直线上升，在11月份沙地面积达到最大（614 km2），是因为2019年末鄱阳湖干旱，致使大部分滩涂裸露，草洲和泥滩由于旱转换为沙地。2017年沙地面积总体上小于2018年和2019年，沙地面积没有超过100 km2； 在2018年和2019年的秋冬季节沙地面积较大。由图9可以看出：2019年从9月开始，湖中心松门山岛东南部和鄱阳湖国家湿地公园东北部湖水几乎全部退去，湖底露出，泥滩草洲分布，10月份泥滩和草洲变成沙地，11月份沙地面积达到最大主要分布在湖区北部的狭长地带、湖中心松门山岛东南部分和鄱阳湖国家湿地公园东北部分。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9   2019年8月到11月鄱阳湖湿地信息分类提取结果

Fig.9   Results of classification of Poyang Lake from August to November， 2019


由图7和图8可知，蚌湖的各湿地类型的面积变化趋势与鄱阳湖面积变化趋势不太一致，在每年1月~5月、10月~11月蚌湖以草洲分布为主，水体的主要变化范围被草洲围绕，与鄱阳湖草洲的变化趋势不一致，6月~9月鄱阳湖水域范围变大，蚌湖水体溢出，草洲被水体覆盖，由于蚌湖是浅碟形湖泊，草洲部分转化为泥滩，泥滩面积变大，蚌湖的水体和泥滩在每年6月~9月达到最大。

5 讨 论

在GEE上利用随机森林分类对鄱阳湖同一时段的Sentinel-2、Sentinel-1结合Sentinel-2或Landsat 8进行分类，得到分类结果，共分成6类，包括水体、沙地、草洲、泥滩、农田和其他（道路与建筑物）。影像选取的时间如表7所示，分类结果如图10所示，图11为不同数据结合的特征重要性排序，各类型的分类结果和Kappa系数如表8所示。

表7   用于分类的影像采集时间

Table 7  Image acquisition time for classification

卫星Landsat 8Sentinel-2Sentinel-1
时间2019-9-202019-9-242019-9-18

新窗口打开| 下载CSV


图10

新窗口打开| 下载原图ZIP| 生成PPT

图10   2019年9月鄱阳湖湿地信息分类提取结果

Fig.10   Classification results of Poyang Lake in September 2019


图11

新窗口打开| 下载原图ZIP| 生成PPT

图11   各方案中的特征重要性分布

Fig.11   Importance of feature variables ranking in different schemes


表8   不同影像组合分类精度评价

Table 8  Evaluation of classification accuracy of different image combinations

分类 类别Sentinel-2Sentinel-1&2Landsat8 & Sentinel-1
用户精度/%制图精度/%用户精度/%制图精度/%用户精度/%制图精度/%
水体96.2597.3794.5094.5095.6595.65
沙地9798.2496.4796.4792.1092.10
草洲92.8592.8195.3195.3196.9796.97
泥滩8685.7190.4490.4485.7185.71
农田100100100100100100
其他90.0090.001001008080
总分类精度/%93.2694.3692.91
Kappa系数0.912 30.931 20.907 5

新窗口打开| 下载CSV


从图10可知，各分类在同一时段不同的数据源分类结果存在差别。特别明显的是沙地的空间分布在湖中间有些差别，与原影像进行对比，没有错分现象，只是所选的影像时间不同而已，也说明鄱阳湖在湖中心的鄱阳湖国家旅游风景区附近湿地的变化。

图11是相同时间段不同数据结合在进行分类时的特征重要性排序，利用Sentinel-2单独进行分类时，由图11（a）可知，红边范围内波段、近红外波段、水蒸气波段、红光波段、NDVI在进行湿地分类时是非常重要的特征变量；Sentinel-1，2结合进行分类时，水蒸气波段、近红外波段、短波红外、NDWI、NDVI在进行湿地分类时是非常重要的特征的变量，同时利用水平极化VV雷达后向散射系数，使分类总体准确度和Kappa系数都得到提高，草洲、泥滩和其他（建筑物、道路）分类精度都的得到提高，总的分类准确度提高1.1%，没有提高太多，所以在进行月度数据分类时，以Sentinel-2为主进行分类，减少运算的复杂度，加快计算运行的速度；Landsat 8在加入Sentinel-1后向散射系数及纹理特征后，总体的分类精度能够达到Sentinel-2单独进行分类的效果，各分类的精度也能够达到Sentinel-2单独进行分类的效果，所以综上所述，在进行月度数据分类变化时，以Sentinel-2为主进行分类，当Sentinel-2月度内数据缺失或者不完整，可以使用研究区内云量较小的Sentinel-2结合Sentinel-1的优势进行分类，或者使用Landsat 8结合Sentinel-1进行分类。

6 结 语

以Sentinel-2影像为主要数据源，并增加Sentinel-1 SAR影像、Landsat 8光学影像作为补充，利用随机森林分类对鄱阳湖湿地2017~2019年时段GEE上所有可以获取的影像开展遥感分类，获得近3 a鄱阳湖湿地逐月动态变化结果。系统分析了鄱阳湖2017~2019年和蚌湖2018年湿地覆盖类型的变化，主要结论如下：①基于GEE平台的海量遥感影像数据和高效云计算处理能力，结合Sentinel-1，2及Landsat 8影像数据能够实现大范围多时相提取湿地信息，得到鄱阳湖湿地10 m产品，且总体分类精度达到90%，分类效果较好；②利用月内多时相影像分类结果逐像元计算本月的众数，形成代表月度尺度的分类结果，相比较年际湿地监测，月际变化能够更精准地认识湿地的时空演变规律，及时掌握湿地的资源分布；③利用多源遥感数据提取鄱阳湖月度湿地信息，在每年2月泥滩和草洲面积到达年内最大，水体面积为年内最小；每年6、7月份水域面积达到年内最大，泥滩和草洲面积最小，月度时间序列的分类结果能更准确地说明湿地类型的月度和季度变化；④鄱阳湖呈现明显的季节性变化，根据季节指数，泥滩和草洲与水体相互转化，年内2月~7月，泥滩和草洲转换为水体，水域面积变大；⑤蚌湖和鄱阳湖湿地季节性变化明显，但蚌湖泥滩与整个鄱阳湖泥滩季节性变化不太一致。例如泥滩在蚌湖的面积变化经历两次先减后增，整个鄱阳湖泥滩的面积变化大致为先减后增；⑥采用的分类方法基于随机森林实现，虽然在分类过程中引入影像的纹理信息，但仍然是基于像元的分类结果，无法去除地块内噪声像元，因此该方法在草洲边界容易与泥滩发生混淆，仍具有改进的空间。

本研究相比较其他湿地监测研究，更为精细地刻画了湿地的动态变化，能够为大范围监测湿地动态变化提供数据支撑，利用云端多线程处理数据，可建立更为复杂、完善的分类体系，具备大规模推广的条件。目前有很多研究人员在湿地分类研究中，采用面向对象的方法很大程度上解决了像元分类出现的光谱混淆、混合像元的问题，所以后续研究重点将关注GEE上进行影像分割与光谱特征匹配过程的融合，进一步提高湿地信息提取的准确度。

参考文献

Charman D J， Aravena R， Warner B G.

Carbon dynamics in a forested peatland in north-eastern Ontario， Canada

［J］. Journal of Ecology， 1994， 82（1）： 55-62.

[本文引用: 1]

Yang Yongxing.

New knowledge on the progress of international wetland science research and priority field and prospect of chinese wetland science research

［J］. Advance in Earth Sciences， 2002，17（4）： 508-514.

杨永兴.

国际湿地科学研究进展和中国湿地科学研究优先领域与展望

［J］. 地球科学进展， 2002，17（4）： 508-514.

Tan Zhiqiang， Xu Xiuli， Li Yunliang， et al.

Wetland landscape pattern evolution of large Yangtze-connected lakes in the middle reaches of Yangtze River

［J］. Resources and Environment in the Yangtze Basin， 2017， 26（10）： 1619-1629.

[本文引用: 2]

谭志强， 许秀丽， 李云良，等.

长江中游大型通江湖泊湿地景观格局演变特征

［J］. 长江流域资源与环境， 2017， 26（10）： 1619-1629.

[本文引用: 2]

Houlahan J E， Findlay C S.

The effects of adjacent land use on wetland amphibian species richness and community composition

［J］. Canadian Journal of Fisheries and Aquatic Sciences， 2003， 60（9）： 1078-1094.

[本文引用: 1]

Liu Hongyu.

Characteristics of wetland resources and ecological safety in China

［J］. Resources Science， 2005，26（3）： 54-60.

[本文引用: 1]

刘红玉.

中国湿地资源特征、现状与生态安全

［J］. 资源科学， 2005，26（3）： 54-60.

[本文引用: 1]

Takeuchi W， Tamura M， Yasuoka Y.

Estimation of methane emission from West Siberian wetland by scaling technique between NOAA AVHRR and SPOT HRV

［J］. Remote Sensing of Environment， 2003， 85（1）： 21-9.

[本文引用: 1]

Vinliam B， Bian Jianmin， Lin Nianfeng.

Application of the 3S technology on the landscape evolution in the wetland of lower reach of Huolin River basin

［J］. Journal of Jilin University， 2005，35（2）： 221-225.

Vinliam B， 卞建民， 林年丰.

3S技术在霍林河流域下游湿地景观演变中的应用

［J］. 吉林大学学报（地球科学版）， 2005，35（2）： 221-225.

Shanmugam P， Ahn Y H， Sanjeevi S.

A comparison of the classification of wetland characteristics by linear spectral mixture modelling and traditional hard classifiers on multispectral remotely sensed imagery in southern India

［J］. Ecological Modelling， 2006， 194（4）： 379-394.

[本文引用: 1]

Toyra J， Pietroniro A.

Towards operational monitoring of a northern wetland using geomatics based techniques

［J］. Remote Sensing of Environment， 2005， 97（2）： 174-191.

[本文引用: 1]

Li Jianping， Zhang Bai， Zhang Ling， et al.

Current status and prospect of researches on wetland monitoring based on remote sensing

［J］. Progress in Geography， 2007，26（1）： 33-43.

李建平， 张柏， 张泠， 等.

湿地遥感监测研究现状与展望

［J］. 地理科学进展， 2007，26（1）： 33-43.

Yan Bangyou， Yan Yuping.

Eco-environmental changes and sustainable development of Poyang Lake Ecological Economic Zone in 60 Years of the founding of the PRC

［J］. Journal of Poyang Lake， 2009， （2）： 5-14.

鄢帮有， 严玉平.

新中国60年来鄱阳湖的生态环境变迁与生态经济区可持续发展探析

［J］. 鄱阳湖学刊， 2009，（2）： 5-14.

Huang Qun， Jiang Jiahu， Lai Xijun， et al.

Changes of landscape structure in Dongting Lake wetlands and the evalution on impacts from operation of the Three Gorges Project

［J］. Resources and Environment in the Yangtze Basin， 2013， 22（7）： 922-927.

[本文引用: 1]

黄群， 姜加虎， 赖锡军， 等.

洞庭湖湿地景观格局变化以及三峡工程蓄水对其影响

［J］. 长江流域资源与环境， 2013， 22（7）： 922-927.

[本文引用: 1]

Zhao B， Yan Y， Guo H， et al.

Monitoring rapid vegetation succession in estuarine wetland using time series MODIS-based indicators： An application in the Yangtze River Delta area

［J］. Ecological Indicators， 2009， 9（2）： 346-356.

[本文引用: 1]

Zhang Meng， Zeng Yongnian， Zhu Yongsen. 2017.

Wetland mapping of Donting Lake Basin based on time-series MODIS data and object-oriented method

［J］.Journal of Remote sensing，2017，21（3）： 479-492.

[本文引用: 1]

张猛， 曾永年， 朱永森.

面向对象方法的时间序列MODIS数据湿地信息提取——以洞庭湖流域为例

［J］. 遥感学报， 2017， 21（3）：479-492.

[本文引用: 1]

Berberoglu S， Yilmaz K T， Özkan C.

Mapping and monitoring of coastal wetlands of Cukurova Delta in the Eastern Mediterranean region

［J］. Biodiversity & Conservation， 2004， 13（3）： 615-633.

[本文引用: 1]

Murray N J， Clemens R S， Phinn S R， et al.

Tracking the rapid loss of tidal wetlands in the Yellow Sea

［J］. Frontiers in Ecology and the Environment， 2014， 12（5）： 267-272.

[本文引用: 1]

Zhou Zhenchao， Li He， Huang Chong， et al.

Review on dynamic monitoring of mangrove forestry using remote sensing

［J］. Journal of Geo-Information Science，2018，20（11）：1631-1643.

[本文引用: 1]

周振超， 李贺， 黄翀， 等.

红树林遥感动态监测研究进展

［J］. 地球信息科学学报， 2018， 20（11）： 1631-1643.

[本文引用: 1]

Liu Yiyuan.

Monitoring and characteristics of swidden agriculture using Sentinel-2 in Northern Laos

［D］.Nanchang： Jiangxi Normal University， 2020.

[本文引用: 1]

刘怡媛.

基于Sentinel-2的老挝北部刀耕火种农业遥感监测及其特征研究

［D］.南昌：江西师范大学， 2020.

[本文引用: 1]

Guo Jiao， Zhu Lin， Jin Biao.

Crop classification based on data fusion of Sentinel-1 and Sentinel-2

［J］. Transactions of the Chinese Society for Agricultural Machinery，2018， 49（4）： 192-198.

[本文引用: 1]

郭交， 朱琳， 靳标.

基于Sentinel-1和Sentinel-2数据融合的农作物分类

［J］. 农业机械学报， 2018， 49（4）： 192-198.

[本文引用: 1]

Li Xia， Liu Ka， Wang Shugong.

Mangrove wetland changes in the Pearl River Estuary using remote sensing

［J］. Acta Geographica Sinica， 2006，61（1）： 26-34.

[本文引用: 1]

黎夏， 刘凯， 王树功.

珠江口红树林湿地演变的遥感分析

［J］. 地理学报， 2006，61（1）： 26-34.

[本文引用: 1]

Li Y， Niu Z， Xu Z， et al.

Construction of high spatial-ttmporal water body dataset in china based on Sentinel-1 archives and GEE

［J］. Remote Sensing， 2020， 12（15）： 2413. DOI：10.3390/rs12152413.

[本文引用: 1]

Chang Wentao， Wang Hao， Ning Xiaogang， 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.

[本文引用: 2]

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.

[本文引用: 2]

LaRocque A， Phiri C， Leblon B， et al.

Wetland mapping with Landsat 8 OLI， Sentinel-1， ALOS-1 PALSAR， and LiDAR Data in Southern New Brunswick， Canada

［J］. Remote Sensing， 2020， 12（13）： 2095.

[本文引用: 1]

Kaplan G， Avdan U.

Evaluating the utilization of the red edge and radar bands from sentinel sensors for wetland classification

［J］. Catena， 2019， 178（10）：9-19.

Mahdianpari M， Salehi B， Mohammadimanesh F， et al.

Big data for a big country： the first generation of Canadian wetland inventory map at a spatial resolution of 10 m using Sentinel-1 and Sentinel-2 data on the Google Earth Engine cloud computing platform

［J］. Canadian Journal of Remote Sensing， 2020， 46（1）： 15-33.

[本文引用: 1]

Lei Xuan， Yang Bo， Jiang Weiguo， et al.

Vegetation pattern changes and their influencing factors in the east Dongting Lake wetland

［J］. Geographical Research，2012，31（3）： 461-70.

[本文引用: 1]

雷璇， 杨波， 蒋卫国， 等.

东洞庭湿地植被格局变化及其影响因素

［J］. 地理研究， 2012， 31（3）： 461-470.

[本文引用: 1]

Zhang Lei， Gong Zhaoning， Wang Qiwei， et al.

Wetland mapping of Yellow River Delta wetlands based on multi-feature optimization of Sentinel-2 images

［J］. Journal of Remote Sensing， 2019， 23（2）： 313-326.

[本文引用: 3]

张磊， 宫兆宁， 王启为， 等.

Sentinel-2影像多特征优选的黄河三角洲湿地信息提取

［J］. 遥感学报， 2019， 23（2）： 313-326.

[本文引用: 3]

Na X， Zhang S， Zhang H， et al.

Integrating TM and ancillary geographical data with classification trees for land cover classification of marsh area

［J］. Chinese Geographical Science， 2009， 19（2）： 177-185.

[本文引用: 1]

Berhane T M， Lane C R， Wu Q， et al.

Decision-Tree， Rule-Based， and Random Forest Classification of high-resolution multispectral imagery for wetland mapping and inventory

［J］. Remote Sensing，2018，10（4）：580.DOI：10.3390/rs10040580.

Wang M， Fei X， Zhang Y， et al.

Assessing txture features to classify coasl wetland vegetation from high spatial resolution imagery using completed local binary patterns（CLBP）

［J］. Remote Sensing，2018，10（5）：778.DOI：10.3390/rs10050778.

[本文引用: 1]

Liu Yi， Du Peijun， Xia Junshi， et al.

Classification of China small satellite remote sensing image based on random forests

［J］. Science of Surveying and Mapping， 2012，37（4）：194-196.

[本文引用: 1]

刘毅， 杜培军， 郑辉， 等.

基于随机森林的国产小卫星遥感影像分类研究

［J］. 测绘科学， 2012， 37（4）： 194-196.

[本文引用: 1]

C-W Chan J ， Paelinckx D.

Evaluation of Random Forest and Adaboost Tree-Based ensemble classification and spectral band selection for ecotope mapping using airborne hyperspectral imagery

［J］. Remote Sensing of Environment， 2008， 112（6）： 2999-3011.

[本文引用: 1]

Zhan Guoqi， Yang Guodong， Wang Fengyan， et al.

The Random Forest classification of wetland from GF-2 imagery based on the optimized feature space

［J］. Journal of Geo-Information Science， 2018， 20（10）： 1520-1528.

[本文引用: 2]

詹国旗， 杨国东， 王凤艳， 等.

基于特征空间优化的随机森林算法在GF-2影像湿地分类中的研究

［J］. 地球信息科学学报， 2018， 20（10）： 1520-1528.

[本文引用: 2]

Hou Mengjing， Yin Jianpeng， Ge Jing， et al.

Land cover remote sensing classification method of alpine wetland region based on random forest algorithm

［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（7）： 220-227.

[本文引用: 1]

侯蒙京， 殷建鹏， 葛静， 等.

基于随机森林的高寒湿地地区土地覆盖遥感分类方法

［J］. 农业机械学报， 2020， 51（7）： 220-227.

[本文引用: 1]

Han Xingxing.

Spatio-temporal dynamics of Poyang Lake wetland landscape patterns based time series

［D］. Wuhan：Wuhan University， 2017.

[本文引用: 1]

韩杏杏.

基于长时序光学遥感数据的鄱阳湖湿地景观格局时空动态研究

［D］.武汉：武汉大学， 2017.

[本文引用: 1]

Li Yunliang， Yao Jing， Tan Zhiqiang， et al.

Interactions between typical sub-lakes and groundwater in floodplains of Poyang Lake

［J］. Journal of China Hydrology， 2019， 39（5）： 1-7.

[本文引用: 1]

李云良， 姚静， 谭志强，等.

鄱阳湖洪泛区碟形湖域与地下水转化关系分析

［J］. 水文， 2019， 39（5）： 1-7.

[本文引用: 1]

Drusch M， Bello U D， Carlier S， et al.

Sentinel-2： ESA's Optical high-resolution mission for GMES operational services

［J］. Remote Sensing of Environment，2012，120：25-36.

[本文引用: 1]

Roy D P， Wulder M A， Loveland T R， et al.

Landsat-8： science and product vision for terrestrial global change research

［J］. Remote Sensing of Environment， 2014， 145：154-172.

[本文引用: 1]

Torres R， Snoeij P， Geudtner D， et al.

GMES Sentinel-1 mission

［J］. Remote Sensing of Environment，2012，120：9-24.

[本文引用: 1]

Tang Xiaoping， Huang Guilin.

Study on classification system for wetland types in China

［J］. Forest Research， 2003（5）： 531-539.

[本文引用: 1]

唐小平， 黄桂林.

中国湿地分类系统的研究

［J］. 林业科学研究，2003（5）： 531-539.

[本文引用: 1]

Niu Zhen， Gong Peng， Cheng Xiao， et al.

Preliminary remote sensing mapping of Chinese wetlands and analysis of related geographical features

［J］. Science in China. Series D， Earth Sciences， 2009， 39（2）： 188-203.

[本文引用: 1]

牛振国， 宫鹏， 程晓， 等.

中国湿地初步遥感制图及相关地理特征分析

［J］. 中国科学（D辑：地球科学）， 2009， 39（2）： 188-203.

[本文引用: 1]

Tan Shen， Wu Bingfang， Zhang Xin.

Mapping paddy rice in the Hainan province using both Google Earth Engine and remote sensing Images

［J］. Journal of Geo-Information Science，2019，21（6）：937-947.

[本文引用: 1]

谭深，吴炳方，张鑫.

基于Google Earth Engine与多源遥感数据的海南水稻分类研究

［J］. 地球信息科学学报， 2019， 21（6）： 937-947.

[本文引用: 1]

Pal M， Mather P M.

Some issues in the classification of DAIS hyperspectral data

［J］. International Journal of Remote Sensing， 2006， 27（14）： 2895-2916.

[本文引用: 1]

Lee J S H， Wich S A， Widayati A， et al.

Detecting industrial oil palm plantations on Landsat images with Google Earth Engine

［J］. Remote Sensing Applications： Society and Environment， 2016， 4：219-233. DOI：10.1016/j.rsase.2016.11.003。

Sarmah S， Kalita S K.

A Correlation based band selection approach for hyperspectral image classification

［C］∥Proceedings of the International Conference on Advanced Computing， 2016.

[本文引用: 1]

Tucker C J.

Red and photographic infrared linear combinations for monitoring vegetation

［J］. Remote Sensing of Environment， 1979， 8（2）： 127-150.

[本文引用: 1]

Mcfeeters S K.

The use of the Normalized Difference Water Index （NDWI） in the delineation of open water features

［J］. International Journal of Remote Sensing， 1996， 17（7）： 1425-1432.

[本文引用: 1]

Todd S W， Hoffer R M.

Responses of spectral indices to variations in vegetation cover and soil background

［J］. Photogrammetric Engineering and Remote Sensing， 1998， 64（9）： 915-936.

Sheng Y， Song C， Wang J， et al.

Representative lake water extent mapping at continental scales using multi-temporal Landsat-8 imagery

［J］. Remote Sensing of Environment， 2016， 185：129-170.

[本文引用: 1]

Deng X， Song C， Liu K， et al.

Remote sensing estimation of catchment-scale reservoir water impoundment in the upper Yellow River and implications for river discharge alteration

［J］. Journal of Hydrology， 2020， 585124791. DOI：10.1016/j.jhydrol.2020.124791.

[本文引用: 1]

Fernández-Manso A， Fernández-Manso O， Quintano C.

Sentinel-2A red-edge spectral indices suitability for discriminating burn severity

［J］. International Journal of Applied earth Observation and Geoinformation， 2016， 50：170-174. DOI：10.1016/j.jag.2016.03.005.

[本文引用: 1]

Haralick R M， Shanmugam K， Dinstein I H.

Textural features for image classification

［J］. IEEE Transactions on Systems， Man， and Cybernetics， 1973，（6）： 610-631.

[本文引用: 1]

Zheng Lilin， Xu Jinying， Wang Xiaolong.

Application of Random Forests algorithm in researches on wetlands

［J］. Wetland Science，2019， 17（1）： 16-24.

[本文引用: 1]

郑利林， 徐金英， 王晓龙.

随机森林算法在湿地研究中的应用

［J］. 湿地科学， 2019， 17（1）： 16-24.

[本文引用: 1]

Nomura K， Mitchard E T A.

More than meets the eye： using Sentinel-2 to map small plantations in complex forest landscapes

［J］. Remote Sensing，2018，10（11）：1693. DOI：10.3390/ rs10111693.

[本文引用: 2]

He Yun， Huang Chong， Li He， et al.

Land cover classification of random forest based on Sentinel-2A image feature optimization

［J］. Resources Science， 2019， 41（5）： 992-1001.

[本文引用: 1]

何云， 黄翀， 李贺， 等.

基于Sentinel-2A影像特征优选的随机森林土地覆盖分类

［J］. 资源科学， 2019， 41（5）：992-1001.

[本文引用: 1]

Cleveland R B， Cleveland W S， McRae J E， et al.

STL： A seasonal-trend decomposition

［J］. Journal of official statistics， 1990， 6（1）： 3-73.

[本文引用: 1]

/

〈 〉